劉子英， 肖建華， 鄧芳明

(華東交通大學(xué) 電氣與自動(dòng)化工程學(xué)院，江西 南昌 330013)

0 引 言

為減少因絕緣子污穢[1,2]而造成的電網(wǎng)事故，對(duì)積污絕緣子及時(shí)有效的清潔有著重要意義。而清潔絕緣子的首要任務(wù)就是對(duì)絕緣子污穢程度的有效檢測(cè)。

文獻(xiàn)[3]直接在現(xiàn)場(chǎng)污穢絕緣子盤(pán)面嵌入金屬電極，通過(guò)絕緣子最大表面電導(dǎo)率的大小來(lái)檢測(cè)污穢等級(jí)，雖然檢測(cè)準(zhǔn)確率高但需斷電操作且檢測(cè)效率低下；文獻(xiàn)[4]利用紫外成像技術(shù)，計(jì)算絕緣子放電光斑面積，分類(lèi)器通過(guò)面積大小來(lái)判別絕緣子的污穢等級(jí)，但受環(huán)境的干擾較大，且需要人工仿真實(shí)驗(yàn)；文獻(xiàn)[5]利用污穢絕緣子的紅外熱像圖，提取圖像的R分量特征，判別絕緣子的污穢等級(jí)，該方法受環(huán)境溫度的影響較大，且其研究少有對(duì)現(xiàn)場(chǎng)環(huán)境的積污絕緣子的分析；文獻(xiàn)[6]利用污穢絕緣子可見(jiàn)光圖像的飽和度分量圖像，計(jì)算飽和度均值和飽和度中值這兩個(gè)特征量來(lái)劃分絕緣子污穢等級(jí)，該方法對(duì)分類(lèi)算法的分類(lèi)精度要求高，流程較復(fù)雜，而且分類(lèi)的準(zhǔn)確率不穩(wěn)定；文獻(xiàn)[7]將絕緣子紅外圖像與可見(jiàn)光圖像信息進(jìn)行融合，通過(guò)紅外熱圖像的溫度特征和可見(jiàn)光圖像的顏色特征綜合判斷絕緣子的污穢等級(jí)，該方法對(duì)檢測(cè)設(shè)備的要求高，并且對(duì)環(huán)境溫度和濕度也有特殊要求，然而融合的溫度特征量和顏色特征量信息并不都能對(duì)絕緣子污穢等級(jí)判別有利。

本文提出了基于天牛須搜索算法(beetle antennae search,BAS)優(yōu)化的最小二乘支持向量機(jī)(least square support vector machine,LS-SVM)絕緣子可見(jiàn)光圖像污穢等級(jí)判別方法。利用可見(jiàn)光圖像識(shí)別污穢狀態(tài)，具有不必停電、不易受電磁干擾等優(yōu)點(diǎn)，可實(shí)現(xiàn)實(shí)時(shí)、非接觸測(cè)量[6]，同時(shí)沒(méi)有對(duì)溫度、濕度、照度等環(huán)境因素的特別要求。本文采用最大類(lèi)間方差雙閾值法分割出絕緣子區(qū)域，分別計(jì)算出R、G、B(red green blue)和H、S、I(hue saturation intensity)顏色空間的36種特征值，再利用Fisher準(zhǔn)則函數(shù)對(duì)36種特征值進(jìn)行篩選，并找出能顯著表征絕緣子盤(pán)面污穢情況的特征。

為了解決文獻(xiàn)[6]算法流程繁雜和分類(lèi)準(zhǔn)確率不穩(wěn)定的問(wèn)題，本文利用BAS優(yōu)化的LS-SVM回歸模型構(gòu)建分類(lèi)器，大大簡(jiǎn)化了算法流程，實(shí)現(xiàn)了絕緣子污穢等級(jí)的準(zhǔn)確判別，并且分類(lèi)準(zhǔn)確率較穩(wěn)定。

1 絕緣子可見(jiàn)光圖像判別污穢等級(jí)的原理分析

1.1 絕緣子污穢等級(jí)與鹽密和灰密的關(guān)系

絕緣子污穢物的介電常數(shù)、兩端電壓的波動(dòng)以及空氣濕度等影響了現(xiàn)場(chǎng)絕緣子的絕緣特性[8]，其表面的污物分為可溶性污物(用等值鹽密ESDD度量)和非可溶性污物(用灰密NSDD度量)。為了定量度量絕緣子的污穢狀態(tài)，GB/T 16434—1996、QGDW 152—2006規(guī)定了電力系統(tǒng)中絕緣子污穢程度與等值附鹽密度(ESDD)的對(duì)應(yīng)關(guān)系，如表1。

表1 絕緣子污穢程度與ESDD

1.2 可見(jiàn)光圖像與污穢等級(jí)的關(guān)系

在自然積污情況下，變電站現(xiàn)場(chǎng)的不同污穢程度的紅褐色絕緣子可見(jiàn)光圖像，如圖1所示。當(dāng)空氣中的顆粒(如細(xì)塵、鹽堿等污穢物)附著在絕緣子表盤(pán)時(shí)，絕緣子表面原本的顏色會(huì)發(fā)生改變，表現(xiàn)出污穢顆粒的視覺(jué)特點(diǎn)。因此，不同污穢程度的絕緣子的可見(jiàn)光圖像顏色特征有差異，且污穢程度越嚴(yán)重圖像的顏色與原顏色的差異越明顯。所以，絕緣子的污穢程度與可見(jiàn)光圖像的顏色特征有一定的對(duì)應(yīng)關(guān)系。

圖1 不同污穢程度的紅褐色瓷質(zhì)絕緣子

絕緣子的污穢等級(jí)與可見(jiàn)光圖像特征的映射關(guān)系并非線(xiàn)性對(duì)應(yīng)關(guān)系，通常情況下都表現(xiàn)為非線(xiàn)性、高維度的復(fù)雜對(duì)應(yīng)關(guān)系。為此，本文利用數(shù)字圖像處理技術(shù)，并采用BAS優(yōu)化的LS-SVM靈活、強(qiáng)大的分類(lèi)能力和非線(xiàn)性映射處理特性，建立絕緣子不同污穢程度的可見(jiàn)光圖像的顏色特征與污穢等級(jí)的對(duì)應(yīng)關(guān)系，從而達(dá)到由可見(jiàn)光圖像來(lái)判別絕緣子污穢等級(jí)的目的。

2 絕緣子污穢圖像預(yù)處理

2.1 絕緣子彩色圖像的分解

本文研究的絕緣子圖像是由可見(jiàn)光拍攝設(shè)備在現(xiàn)場(chǎng)拍攝的彩色圖像，利用顏色特征來(lái)分解彩色圖像并在此基礎(chǔ)上辨識(shí)絕緣子污穢等級(jí)，因此找到與污穢等級(jí)辨識(shí)關(guān)聯(lián)度高的圖像顏色模型是關(guān)鍵的一步?？梢?jiàn)光成像設(shè)備拍攝的彩色圖像由R,G,B三種顏色混合而成，但是R,G,B三分量之間的關(guān)聯(lián)度高，而且這三個(gè)分量的灰度差異小，因此使用彩圖的R,G,B三分量直接判別污穢等級(jí)會(huì)導(dǎo)致判別率差，判別效果不佳，絕緣子彩圖R,G,B分量如圖2(b)～(d)所示。為了更好地判別污穢等級(jí)，將RGB圖像轉(zhuǎn)換成HSI圖像，得到的轉(zhuǎn)換結(jié)果如圖2(e)～(g)所示。

圖2 污穢紅褐色瓷質(zhì)絕緣子分解圖像

從圖2可以看出，H分量圖像只能看到一些模糊的概貌；而I分量雖然絕緣子盤(pán)面雖然較清晰，但干擾信息較多；S分量圖像則絕緣子區(qū)域凸顯出來(lái)，細(xì)節(jié)和文理保持較好。因而，將圖像的S分量提取出來(lái)進(jìn)行圖像分割，大大減少了圖像所包含的信息，減少了信息處理量，加快了運(yùn)算的速度。

2.2 圖像分割

最大類(lèi)間方差法(Otsu) 是一種根據(jù)數(shù)字圖像的直方圖來(lái)選擇非參數(shù)化的全局最優(yōu)閾值的分割方法[9]，是選擇最佳閾值來(lái)處理一般數(shù)字圖像的一種好方法。對(duì)污穢絕緣子彩圖的S分量圖像采用Otsu算法進(jìn)行分割，分割處理的結(jié)果如圖3所示。

圖3 最大類(lèi)間方差處理得到的直方圖和類(lèi)間方差

2.3 干擾信息濾除

圖像分割后，仍然會(huì)有許多干擾信號(hào)，其灰度值與絕緣子盤(pán)面比較接近，為保證后續(xù)的特征提取與污穢等級(jí)識(shí)別的準(zhǔn)確性，需要去除這些干擾信息。通過(guò)對(duì)圖像的觀察，絕緣子盤(pán)面面積所占的比例大，干擾信息面積所占比例小，因此本文采用基于面積比例大小方法去除干擾信息，此處的面積比例是指每個(gè)非連通區(qū)域的像素個(gè)數(shù)占圖像像素總個(gè)數(shù)的比例。可以先設(shè)定μ值，當(dāng)不連通區(qū)域的面積比例大于μ值時(shí)，這些區(qū)域即保存下來(lái)

Ap(i)={p(i)|ps(i)>μ}

(1)

式中Ps(i)為第i個(gè)不連通區(qū)域的像素個(gè)數(shù)與圖像總像素個(gè)數(shù)的比值；Ap(i)表示面積比例大于μ值的不連通區(qū)域。

根據(jù)經(jīng)驗(yàn)和對(duì)圖像中絕緣子盤(pán)面區(qū)域面積與總面積比值分析，文中取μ=0.27，得到的結(jié)果如圖4所示?？梢钥闯?，最終去除干擾信息的絕緣子盤(pán)面清晰、完整，有效去除了絕緣子圖像中的干擾信息。

圖4 圖像去除干擾效果

3 污穢絕緣子等級(jí)檢測(cè)

3.1 顏色特征提取和選擇

從現(xiàn)場(chǎng)拍攝的圖庫(kù)中選取300張圖片進(jìn)行分析，其中0級(jí)、Ⅰ級(jí)、Ⅱ級(jí)Ⅲ級(jí)和Ⅳ級(jí)污穢圖像各60張。本文對(duì)預(yù)處理后的彩色圖像的6個(gè)分量圖像進(jìn)行處理，這6個(gè)分量圖分別為R、G、B、H、S和I。分別得到每張分量圖像的最小值Xmin,最大值Xmax,中值Xmid,均值Xave,極差Xren,方差Xvar。這里X代表R，G，B，H，S和I，因此共有36個(gè)特征量。

為從上述36個(gè)特征量中找到具有最明顯區(qū)分絕緣子污穢等級(jí)的特征，采用Fisher判別法。Fisher判別法中的特征分類(lèi)效果J值越大，表明該特征的分類(lèi)效果越好；相反，表明該特征的分類(lèi)效果越差。分別計(jì)算出提取到的36個(gè)特征的分類(lèi)效果值J，計(jì)算結(jié)果如表2所示。

Fisher 準(zhǔn)則的函數(shù)值越大，說(shuō)明對(duì)應(yīng)特征之間的區(qū)分度越好，通常要求其值大于1[10]。從表2可以看出只有S的中值和均值的分類(lèi)效果值J大于1，因此，將S分量的中值和均值這2個(gè)特征量組合成一個(gè)特征矢量輸入到LS-SVM分類(lèi)器中。

表2 分類(lèi)效果值J

3.2 最小二乘支持向量機(jī)

在解決高維非線(xiàn)性的小樣本模式識(shí)別的問(wèn)題上，LS-SVM表現(xiàn)出了獨(dú)特的優(yōu)勢(shì)，本文采用LS-SVM理論分析絕緣子污穢等級(jí)的分類(lèi)問(wèn)題，計(jì)算支持向量yi

(2)

式中xi,xj分別為訓(xùn)練樣本的數(shù)據(jù)；α=[α1,α2,…,αl]為L(zhǎng)agrange乘子；b為待定的偏置量；σ為懲罰系數(shù)。K(xi,xj)為核函數(shù)，本文選擇徑向基函數(shù)作為L(zhǎng)S-SVM的核函數(shù)

(3)

式中δ為核參數(shù)。

3.3 懲罰系數(shù)σ和核參數(shù)δ的確定

確定最優(yōu)的懲罰系數(shù)和核參數(shù)(σ,δ)，可使LS-SVM分類(lèi)器更準(zhǔn)確地劃分絕緣子的污穢等級(jí)。本文采用BAS對(duì)σ和δ進(jìn)行優(yōu)化，以避免依靠反復(fù)試驗(yàn)來(lái)盲目地選擇(σ,δ)，并且可以有效提高LS-SVM分類(lèi)器的分類(lèi)準(zhǔn)確性。

BAS是2017年提出的一種高效的智能優(yōu)化算法，不需要知道函數(shù)的具體形式，不需要梯度信息，相比于粒子群算法，只需要一個(gè)個(gè)體，即一只天牛就可以實(shí)現(xiàn)參數(shù)的高效尋優(yōu)，使運(yùn)算得到大大簡(jiǎn)化[11]。因?yàn)樘炫Ｃ恳徊降姆较蚨际请S機(jī)的，所以右觸須指向左觸須的方向向量是隨機(jī)的，并定義如下

(4)

式中 rnd(·)為隨機(jī)函數(shù)，k為空間的維度。獲得方向向量后，定義左右觸須

(5)

式中xl和xr分別為左觸手和右觸手的位置；xt為天牛在時(shí)間t的質(zhì)心位置；dt代表兩條觸須之間的距離；然后可以確定天牛的方向和距離，則下一刻

(6)

式中f(·)為等待優(yōu)化的函數(shù)；δt為搜索步長(zhǎng)。初始步長(zhǎng)較大，便于全局搜索。隨著迭代次數(shù)的增加，為了搜索更精細(xì)的搜索，步長(zhǎng)減小

δt=k·δt-1

(7)

式中k為步長(zhǎng)的衰減系數(shù)。

BAS算法步驟如下：1)初始化個(gè)體，即初始化天牛。根據(jù)式(4)設(shè)定天牛的觸須方向，根據(jù)式(6)設(shè)定以天牛為中心的坐標(biāo);2)設(shè)定目標(biāo)函數(shù)，即設(shè)定個(gè)體的適應(yīng)度;3)根據(jù)式(5)計(jì)算出天牛左右兩須的值并根據(jù)適應(yīng)度進(jìn)行優(yōu)劣對(duì)比，將較優(yōu)的方向定位當(dāng)前方向，并且根據(jù)式(7)調(diào)整步長(zhǎng);4)根據(jù)確定的方向和步長(zhǎng)及時(shí)更新個(gè)體的位置;5)判斷是否滿(mǎn)足終止條件，若滿(mǎn)足就結(jié)束搜索，否則跳轉(zhuǎn)到步驟(2)繼續(xù)搜索。

3.4 實(shí)驗(yàn)驗(yàn)證

在南昌電網(wǎng)所屬多個(gè)變電站，對(duì)絕緣子進(jìn)行可見(jiàn)光圖像拍攝。選取包含不同污穢度的紅褐色瓷質(zhì)絕緣子圖像 300 張，其中 0 級(jí)、Ⅰ 級(jí)、Ⅱ 級(jí)、Ⅲ 級(jí)、Ⅳ級(jí)污穢樣本各60張，構(gòu)建LS-SVM分類(lèi)器。LS-SVM分類(lèi)器的輸入為S 分量均值和S分量中值構(gòu)成的特征矢量，LS-SVM分類(lèi)器的輸出為污穢等級(jí)。

相對(duì)于基于遺傳算法優(yōu)化的最小二乘支持向量機(jī)分類(lèi)器(GA-LSSVM)和基于粒子群算法優(yōu)化的最小二乘支持向量機(jī)分類(lèi)器(PSO-LSSVM)，BAS-LSSVM分類(lèi)器的算法程序得到了大大簡(jiǎn)化，而且訓(xùn)練樣本的時(shí)間縮短了，分類(lèi)準(zhǔn)確率得到了進(jìn)一步的提升，相應(yīng)分類(lèi)器的計(jì)算結(jié)果對(duì)比如表3所示?？紤]到訓(xùn)練樣本的規(guī)模大小可能會(huì)對(duì)絕緣子的污穢等級(jí)識(shí)別準(zhǔn)確率產(chǎn)生影響，此次對(duì)比實(shí)驗(yàn)中，選取的實(shí)驗(yàn)樣本規(guī)模均為150份。

表3 幾種分類(lèi)器的計(jì)算結(jié)果

為了檢驗(yàn)訓(xùn)練的效果，剩下的150份作為測(cè)試集樣本。BAS優(yōu)化的 LS-SVM 分類(lèi)器參數(shù)確定時(shí)，繪出的準(zhǔn)確率等高線(xiàn)和對(duì)應(yīng)的分類(lèi)結(jié)果如圖5。

圖5 參數(shù)優(yōu)化后的分類(lèi)

通過(guò)BAS搜索找到使準(zhǔn)確率最高的最優(yōu)參數(shù)值如表3所示為σ=7.21，δ=109.847 1。通過(guò)反復(fù)的實(shí)驗(yàn)驗(yàn)證，如果改變(σ,δ)的值，使σ≠7.21，δ≠109.847 1，則分類(lèi)準(zhǔn)確率都會(huì)降低。

4 結(jié) 論

1)本文以變電所內(nèi)分布較廣的紅褐色瓷質(zhì)絕緣子為研究對(duì)象，利用絕緣子因各類(lèi)粉塵、鹽堿顆粒等污穢物遮蔽了原本顏色特征而表現(xiàn)出了污穢物的視覺(jué)特性進(jìn)行檢測(cè)，能有效識(shí)別絕緣子污穢等級(jí)，分類(lèi)準(zhǔn)確率高達(dá)96.92 %。

2)結(jié)合HSI顏色空間，提出基于區(qū)域信息的最大類(lèi)間方差(Otsu)分割算法，分割得到了清晰、完整和沒(méi)有背景干擾的絕緣子盤(pán)面。

3)通過(guò)引入Fisher準(zhǔn)則函數(shù)，篩選出了能較顯著地表征絕緣子的污穢狀態(tài)的特征量S均值和S中值。

4)為了提高污穢等級(jí)分類(lèi)準(zhǔn)確性，本文選擇了LS-SVM分類(lèi)器，并使用最近提出BAS算法優(yōu)化了該分類(lèi)器關(guān)鍵的兩個(gè)參數(shù)，使其分類(lèi)功能得到了進(jìn)一步的提升。