馬立新，豆晨飛，宋晨燦，楊天笑

基于VGGNet算法的絕緣子無損檢測

馬立新*，豆晨飛，宋晨燦，楊天笑

上海理工大學(xué)機(jī)械工程學(xué)院，上海 200093

針對電力系統(tǒng)中存在的難以檢測運(yùn)營中的絕緣子劣化問題，本文在深入分析卷積神經(jīng)網(wǎng)絡(luò)模型的原理和結(jié)構(gòu)的基礎(chǔ)上，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)算法對絕緣子劣化程度進(jìn)行評估。通過絕緣子工頻閃絡(luò)試驗(yàn)使其產(chǎn)生無放電、弱放電、強(qiáng)放電三種狀態(tài)，并使用紫外成像儀采集不同放電狀態(tài)下的絕緣子紫外圖像構(gòu)建紫外圖像樣本庫。利用VGGNet框架神經(jīng)網(wǎng)絡(luò)算法對樣本進(jìn)行分類訓(xùn)練和狀態(tài)預(yù)測評估，最終達(dá)到判斷絕緣子是否劣化的目的。由實(shí)驗(yàn)結(jié)果可知，該算法準(zhǔn)確率高達(dá)98.4%，在絕緣子劣化檢測上有寬廣的應(yīng)用前景，并為其他電力設(shè)備的可靠性檢測提供了思路。

卷積神經(jīng)網(wǎng)絡(luò)；紫外放電；無損檢測；絕緣子

1 引 言

我國是一個電力大國，電力系統(tǒng)結(jié)構(gòu)復(fù)雜，而電力系統(tǒng)的供電可靠性關(guān)系到國計民生，為了維持電力系統(tǒng)的穩(wěn)定性以及可靠性，需要擁有各種可靠穩(wěn)定的設(shè)備，絕緣子就是其中一種。絕緣子是安裝在不同電位的導(dǎo)體或?qū)w與接地構(gòu)件之間的能夠耐受電壓和機(jī)械應(yīng)力作用的器件，其主要功能是實(shí)現(xiàn)電氣絕緣和機(jī)械固定，是電力系統(tǒng)中的重要設(shè)備[1]。絕緣子絕緣性能的完好與否，影響整條線路的使用壽命和安全運(yùn)行。因此，如何準(zhǔn)確快速的檢測運(yùn)營中的絕緣子劣化程度，是一個重要的研究方向。

近年來，各種各樣的絕緣子檢測算法層出不窮，如文獻(xiàn)[2]提出的基于紅外成像法的檢測算法，文獻(xiàn)[3]提出的基于彩色可見光的絕緣子缺陷檢測方法等。但基于紅外成像的方法容易受到外界環(huán)境的影響，如在雨雪等條件下，紅外輻射較低，難以檢測。而基于視覺的絕緣子缺陷檢測方法，由于存在背景因素干擾，如在強(qiáng)光或弱光等情況下，很難進(jìn)行閃絡(luò)點(diǎn)的精確定位和分析。

由于運(yùn)營中的絕緣子在絕緣劣化時，往往會產(chǎn)生放電閃絡(luò)(下文簡稱閃絡(luò))現(xiàn)象。閃絡(luò)是指固體絕緣子周圍的氣體或液體電介質(zhì)被擊穿時，沿固體絕緣子表面放電的現(xiàn)象，也被稱為沿表面放電閃絡(luò)[3]。閃絡(luò)過程一般分為以下四個階段：在第一階段，會以放電端為中心，間歇性顯示出一個范圍較小、亮度微弱的圓形光斑，其放電程度相對較弱；在第二個階段，放電中產(chǎn)生的光的光斑分布更均勻，并產(chǎn)生輕微的樹枝放電火花；在第三階段，樹枝放電火花長度大大增加，放電增強(qiáng)，日光下可清晰看到放電火花；第四階段則是發(fā)生擊穿現(xiàn)象，絕緣層徹底擊穿[4]。發(fā)生閃絡(luò)時，會伴隨有紫外光的產(chǎn)生，其光譜在可見光(400 nm~700 nm)之外即“日盲”區(qū)(240 nm ~280 nm)內(nèi)，可采用紫外檢測設(shè)備采集其紫外圖像。與紅外檢測、視覺檢測等方法相比，紫外圖像不受戶外溫度，濕度以及光線強(qiáng)弱的影響，可準(zhǔn)確識別放電狀態(tài)，故分析紫外放電圖像成為理想的絕緣子劣化狀態(tài)檢測手段[5]。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的絕緣子檢測方法也引起了許多學(xué)者的關(guān)注[6-8]。2012年，多倫多大學(xué)的Alex Krizhevsky等人提出了一個基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)模型框架，稱作AlexNet。并在當(dāng)年的ILSNRC贏得冠軍。AlexNet展示了CNN模型在圖像識別領(lǐng)域的巨大優(yōu)勢。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，其無需對輸入圖像進(jìn)行預(yù)處理，且由于其采用局部連接、權(quán)值共享、下采樣等方式，大大降低了模型所需要訓(xùn)練的參數(shù)數(shù)量，更快地實(shí)現(xiàn)模型訓(xùn)練和測試[9-10]。文獻(xiàn)[9]即采用AlexNet框架的CNN算法(下文簡稱AlexNet進(jìn)行絕緣子劣化狀態(tài)檢測。

隨著人們對CNN研究的不斷深入，2014年，牛津大學(xué)Visual Geometry Group和Google DeepMind公司的研究員共同提出了VGGNet框架，它探索了卷積神經(jīng)網(wǎng)絡(luò)的深度和其性能之間的關(guān)系，通過反復(fù)的堆疊3′3的小型卷積核和2′2的最大池化層，成功構(gòu)建了16~19層深的卷積神經(jīng)網(wǎng)絡(luò)[7]。相比于AlexNet框架，VGGNet框架可通過多次非線性變換提高卷積核對特征的抽取，參數(shù)量更少，方便計算和儲存，進(jìn)一步提高識別的正確率。本文所做的工作，即在對絕緣子放電特性和不同閃絡(luò)等級的分類進(jìn)行了研究的基礎(chǔ)上，運(yùn)用VGGNet框架的CNN算法(下文簡稱VGGNet)檢測絕緣子的劣化程度并與其他算法進(jìn)行對比分析。

2 紫外放電樣本庫的構(gòu)建

CNN模型具有復(fù)雜的結(jié)構(gòu)和大量的參數(shù)，這意味著需要大量的紫外圖像作為訓(xùn)練樣本。因此需要進(jìn)行大量的閃絡(luò)實(shí)驗(yàn)，將其不同放電階段的紫外圖像進(jìn)行分類，生成不同放電階段的紫外圖像樣本庫，此樣本庫用于CNN模型的培訓(xùn)和測試。構(gòu)建的樣本庫在很大程度上決定了網(wǎng)絡(luò)的收斂性、泛化能力以及其他特征。本節(jié)將介紹樣本庫的生成方法。

2.1 閃絡(luò)試驗(yàn)平臺構(gòu)建

為了獲得不同閃絡(luò)階段絕緣子的紫外圖像，對絕緣子進(jìn)行閃絡(luò)試驗(yàn)：選擇一個絕緣子，以一臺150 kV/220 mA帶高壓保護(hù)電阻的工頻試驗(yàn)變壓器為加壓電源，首次將樣本的功率提高到發(fā)生閃絡(luò)估計電壓的75%，并對其進(jìn)行分析。然后每秒提高2%電壓，直到最后發(fā)生閃絡(luò)。其原理圖如圖1所示。

2.2 閃絡(luò)實(shí)驗(yàn)樣本庫構(gòu)建

在對絕緣子施加電壓的過程中，利用FILIN-6紫外成像儀記錄其閃絡(luò)過程，提取出每一幀視頻。由于閃絡(luò)擊穿時間較短，與無放電、電暈放電、火花放電(共三類)相比，產(chǎn)生的閃絡(luò)擊穿樣品較少。如果將其分為一類，對訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性產(chǎn)生更為嚴(yán)重的影響，且由于閃絡(luò)擊穿狀態(tài)是指絕緣子電絕緣的瞬間損耗，其預(yù)警意義不大[11-13]。因此只選擇將樣品庫分為無放電、弱電暈放電和強(qiáng)放電三種類型。其中，無放電表示絕緣子絕緣性能良好無劣化，可安全穩(wěn)定運(yùn)行；弱電暈放電表示絕緣子絕緣劣化程度較低，仍可正常運(yùn)行，需保持高度關(guān)注；強(qiáng)放電表示絕緣子絕緣劣化程度嚴(yán)重，需及時更換，以免發(fā)生運(yùn)行故障。

在瓷絕緣子閃絡(luò)試驗(yàn)中，所有的實(shí)驗(yàn)共獲得4377幀紫外圖像：將其中的3800幀圖像組成訓(xùn)練集，577幀組成測試集(測試集是一組用于驗(yàn)證訓(xùn)練模型準(zhǔn)確率的圖像集合，與訓(xùn)練集相互獨(dú)立)。在3800幀的訓(xùn)練集中，無放電類型有376幀，弱放電類型有1939幀，強(qiáng)放電類型有1485幀。在577幀的測試集中，無放電類型有87幀，弱放電類型有337幀，強(qiáng)放電類型有153幀。

用于訓(xùn)練的樣本如圖2所示：(a)為強(qiáng)放電組：可以在絕緣體表面觀察到許多強(qiáng)放電通道；(b)為弱電暈放電組：可見于導(dǎo)線高壓側(cè)、絕緣子鋼腳、雙傘間的電暈裂紋；(c)為無放電組：無放電時，無放電發(fā)光現(xiàn)象。

3 基于深度學(xué)習(xí)的絕緣子無損檢測模型

3.1 模型結(jié)構(gòu)及參數(shù)

VGGNet的結(jié)構(gòu)及參數(shù)如圖3和表1所示。其輸入為224′224的圖像，經(jīng)過5段卷積層處理，每段都把多個卷積網(wǎng)絡(luò)串聯(lián)在一起，每個卷積層后均跟有ReLU激活函數(shù)(表1默認(rèn)在卷積層)，使得模型對特征學(xué)習(xí)能力更強(qiáng)。在每段卷積層后為池化層，其采用max pooling，共有5層。卷積層之后是三個全連接層，前兩個全連接層均有4096個通道，第三個全連接層有1000個通道，所有全連接層配置相同。全連接層后是輸出層，采用Softmax函數(shù)進(jìn)行分類。該模型不使用局部響應(yīng)標(biāo)準(zhǔn)化，這種標(biāo)準(zhǔn)化并不能再提升性能，反而會導(dǎo)致更多的內(nèi)存消耗和計算時間。下面介紹這些結(jié)構(gòu)層的具體實(shí)現(xiàn)。

3.1.1 卷積層

卷積層是一個抽象的特征提取層，由若干卷積核組成。卷積運(yùn)算的目的是提取輸入的不同特征，低層卷積網(wǎng)絡(luò)可能只能提取一些低級的特征如邊緣、線條和角等，而多層的網(wǎng)絡(luò)能從低級特征中迭代提取更復(fù)雜的特征[14]。

卷積層的正向傳播計算如下式：

式(1)表示卷積計算前后特征圖的變化。其中表示所選輸入的卷積特征圖，對所選輸入的特征圖，用若干個卷積核對輸入圖進(jìn)行卷積處理，經(jīng)過卷積計算后，再加一個偏移量來完成卷積層的計算。在卷積操作中，每個卷積核都相當(dāng)于一種濾波器，負(fù)責(zé)提取不同種類的特征。其中，淺層卷積核提取的特征，具有較強(qiáng)的位置性，深層卷積核提取的特征則具有較強(qiáng)的語義性。

圖2 紫外放電樣本圖。(a) 強(qiáng)放電；(b) 弱放電；(c) 無放電

圖3 VGGNet模型結(jié)構(gòu)

表1 VGGNet模型參數(shù)

3.1.2 激活函數(shù)

卷積操作的輸出均為上層函數(shù)的線性輸出。若模型中只存在卷積層，則無論其深度有多少，其輸出均是基于權(quán)重和偏移量做線性變換，缺乏對復(fù)雜任務(wù)的處理能力，因此需要使用激活函數(shù)來引入非線性因素，使其模型可以任意逼近任何非線性結(jié)構(gòu)，從而具有處理復(fù)雜數(shù)據(jù)的能力。在CNN網(wǎng)絡(luò)中，ReLU(rectified linear unit)函數(shù)較為常用，其公式為

該函數(shù)輸入小于0時，其輸出為0，輸入大于0時，輸出等于輸入。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)常用的sigmoid函數(shù)相比，ReLU函數(shù)圖像具有單側(cè)不對稱結(jié)構(gòu)，不會導(dǎo)致梯度消失，且功能簡單，計算速度快。

3.1.3 池化層

經(jīng)過卷積操作后得到的特征圖，具有大量的特征參數(shù)，為了防止模型過擬合，需要減少其中非必要特征參數(shù)，只保留主要特征，基于此引入池化操作。

池化操作主要對特征圖進(jìn)行空間壓縮，從而提高特征圖的感受野，降低其參數(shù)數(shù)量。池化操作與卷積操作相比，其操作改變原特征圖維度，并不改變原特征圖深度[14]。本文中采用池化方式為最大池化(max pooling)。其公式為

3.1.4 全連接層

全連接層在整個卷積神經(jīng)網(wǎng)絡(luò)中起到“分類器”的作用。卷積層、池化層和激活函數(shù)層等操作是將原始數(shù)據(jù)映射到隱層特征空間，其后全連接層將其學(xué)到的“分布式特征表示”映射到樣本標(biāo)記空間[15]。其公式為

3.1.5 Soft-max分類函數(shù)

在該網(wǎng)絡(luò)中，最終目的是識別絕緣子放電層度，故在該網(wǎng)絡(luò)最后一層中。利用Soft-max分類函數(shù)得到分類概率，從而將其分為概率最高的一類。公式如下：

3.2 模型訓(xùn)練過程

CNN可以理解為輸入與輸出之間的一種黑箱映射：它們通過學(xué)習(xí)大量的數(shù)據(jù)樣本建立更精確的映射關(guān)系，而不需要傳統(tǒng)的模式識別來手工確定參數(shù)的特征。在CNN訓(xùn)練初始化階段，需要對所有連接權(quán)值進(jìn)行隨機(jī)初始化，以確保訓(xùn)練過程不會由于網(wǎng)絡(luò)模型訓(xùn)練中權(quán)值過大而導(dǎo)致不收斂和失敗的狀態(tài)[6]。在模型訓(xùn)練過程中，CNN采用反向傳播算法訓(xùn)練前饋網(wǎng)絡(luò)。反向傳播算法主要包括前向傳播和反向傳導(dǎo)。

在模型訓(xùn)練之前，將無放電、弱電暈放電和強(qiáng)火花放電圖像標(biāo)記為0、1或2，以表示這三種放電類型。

步驟一：前向傳播

將樣本庫中的紫外圖像作為輸入，在CNN模型中經(jīng)過一系列卷積等計算，如圖3所示，得到并輸出訓(xùn)練結(jié)果。

步驟二：反向傳導(dǎo)

在反向傳導(dǎo)步驟中，根據(jù)輸入的紫外圖像的實(shí)際值(0、1或2)和前向傳播得到的輸出值，得到訓(xùn)練誤差，并將訓(xùn)練誤差在網(wǎng)絡(luò)參數(shù)中的導(dǎo)數(shù)反向。訓(xùn)練誤差對于偏差的偏導(dǎo)公式為

表2 不同訓(xùn)練率下正確率對比

CNN模型訓(xùn)練開始時，對權(quán)重進(jìn)行隨機(jī)初始化，并從訓(xùn)練樣本庫中提取輸入樣本數(shù)據(jù)，重復(fù)前向傳播和反向傳導(dǎo)過程。經(jīng)過多次迭代，最終收斂完成模型訓(xùn)練過程。

4 結(jié)果分析

4.1 正確率分析

為了達(dá)到最佳訓(xùn)練效果，設(shè)置訓(xùn)練率參數(shù)，實(shí)現(xiàn)優(yōu)化的訓(xùn)練模型。在訓(xùn)練過程中，使用的訓(xùn)練率為0.01、0.005、0.001、0.0005和0.0001，其部分正確率對比如表2所示。

從表2中可得其正確率與訓(xùn)練次數(shù)基本上呈正相關(guān)，但模型最終正確率與也訓(xùn)練率的選擇有關(guān)。一般來說，合適的模型訓(xùn)練率對于CNN模型的最終正確率至關(guān)重要，偏高或偏低的訓(xùn)練率會導(dǎo)致其難以達(dá)到最高正確率。如圖4所示，當(dāng)訓(xùn)練率為0.001時，模型可實(shí)現(xiàn)快速收斂，正確率高達(dá)98.4%。而隨著訓(xùn)練率的增加，如0.01和0.005時，模型正確率反而會降低，正確率僅為66.1%和60.2%，這是由于訓(xùn)練率過高時會導(dǎo)致待優(yōu)化的參數(shù)在最優(yōu)值附近波動，無法調(diào)整到最優(yōu)值。而隨著訓(xùn)練率的降低，如0.0005和0.0001時，最終準(zhǔn)確率分別為97.3%和80.5%，這是由于訓(xùn)練率過低，導(dǎo)致待優(yōu)化參數(shù)收斂過慢，未能達(dá)到最優(yōu)值。

為了衡量模型在訓(xùn)練過程中的收斂速度和訓(xùn)練精度。這里使用標(biāo)準(zhǔn)差函數(shù)作為模型的損失函數(shù)：

圖4 不同訓(xùn)練率下CNN正確率趨勢圖

表3和圖5表明，隨著訓(xùn)練次數(shù)的增加，不同訓(xùn)練率下的標(biāo)準(zhǔn)差均呈現(xiàn)下降趨勢，且標(biāo)準(zhǔn)差在訓(xùn)練率為0.001和0.005時，收斂較快，標(biāo)準(zhǔn)差較低；在訓(xùn)練率高達(dá)0.01或者訓(xùn)練率低至0.0001時，標(biāo)準(zhǔn)差波動范圍大，模型不能有效收斂。

綜上對比分析可得，選擇訓(xùn)練率為0.001時，模型具有較高的正確率和較快的收斂速度。

4.2 方法對比分析

與文獻(xiàn)[3]所使用的BP算法和文獻(xiàn)[9]所使用的AlexNet算法兩種神經(jīng)網(wǎng)絡(luò)模型算法進(jìn)行對比，分別設(shè)置訓(xùn)練率為0.01、0.005、0.001、0.0005和0.0001，正確率對比結(jié)果如圖6所示，其標(biāo)準(zhǔn)差對比結(jié)果如圖7所示。

從圖6可以看出，VGGNet算法和AlexNet算法在訓(xùn)練率為0.001時，BP算法在訓(xùn)練率為0.005時，達(dá)到最高正確率。但VGGNet算法的最高正確率為98.4%，比AlexNet算法的最高正確率96.8%高1.6%，比BP算法高6.1%。從圖7可以看出，VGGNet算法和AlexNet算法收斂效果類似，均強(qiáng)于BP算法。這是由于AlexNet算法和VGGNet算法具有多層卷積結(jié)構(gòu)，具有更好的收斂精度，而VGGNet算法相比AlexNet算法具有更深卷積層次，對特征提取效果更好，具有更好的分類效果。

為了體現(xiàn)VGGNet算法模型的優(yōu)越性，將其與傳統(tǒng)分類算法：BOA-SVM算法[16]，和兩種深度學(xué)習(xí)算法?徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)、深度信念網(wǎng)絡(luò)(DBN)進(jìn)行對比，對比結(jié)果如表4所示。表中準(zhǔn)確率表示各算法在參數(shù)最優(yōu)情況下的最高準(zhǔn)確率，訓(xùn)練耗時表示進(jìn)行一次參數(shù)尋優(yōu)所需時間，測試耗時即為進(jìn)行一次分類任務(wù)所需要的時間。從表4可知，VGG算法在準(zhǔn)確率以及耗時上均具有優(yōu)勢。

5 總結(jié)與展望

1) 簡要介紹了當(dāng)前常用的絕緣子劣化檢測方法以及絕緣劣化時發(fā)生的閃絡(luò)現(xiàn)象。通過絕緣子工頻閃絡(luò)試驗(yàn)，建立了絕緣子放電狀態(tài)類型庫。采用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的方法，對絕緣子的紫外放電圖像進(jìn)行識別分類。

表3 不同訓(xùn)練率和訓(xùn)練次數(shù)下的標(biāo)準(zhǔn)差

圖5 不同訓(xùn)練率和訓(xùn)練次數(shù)下的標(biāo)準(zhǔn)差趨勢圖

圖6 神經(jīng)網(wǎng)絡(luò)算法正確率對比

圖7 神經(jīng)網(wǎng)絡(luò)算法標(biāo)準(zhǔn)差對比

表4 算法對比

2) 詳細(xì)介紹了VGGNet算法模型的結(jié)構(gòu)及參數(shù)，展示了VGGNet模型的優(yōu)點(diǎn)：通過反復(fù)堆疊使用感受野為3′3的卷積核，提高了模型的非線性，使其具有更強(qiáng)的特征學(xué)習(xí)能力，對于絕緣子紫外放電圖像這種特征差異較小的圖像數(shù)據(jù)，具有較好的識別效果；其次，與采用大尺寸卷積核相比，有效降低了參數(shù)數(shù)量，使其具有較高的訓(xùn)練效率。

3) 與同為神經(jīng)網(wǎng)絡(luò)的AlexNet算法、BP神經(jīng)網(wǎng)絡(luò)算法、傳統(tǒng)的BOA-SVM算法以及兩種深度學(xué)習(xí)算法?徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)和深度信念網(wǎng)絡(luò)(DBN)進(jìn)行對比，結(jié)果表明本文采用的VGGNet算法具有準(zhǔn)確率更高、訓(xùn)練時間短、模型泛化性能好等優(yōu)勢，可用于電力系統(tǒng)故障診斷領(lǐng)域，為電力設(shè)備無損檢測提供了新思路。

4) 隨著無人機(jī)技術(shù)與通信技術(shù)的發(fā)展，具有高機(jī)動性、高可控性等特點(diǎn)的無人機(jī)成為理想的電力巡檢平臺，5G技術(shù)的出現(xiàn)，使實(shí)時傳輸高質(zhì)量圖像成為可能。以無人機(jī)平臺為載體，搭載紫外成像儀，通過5G技術(shù)實(shí)時傳輸紫外圖像，采用無損檢測算法進(jìn)行故障點(diǎn)檢測將成為可能。因此，本文所做研究具有廣闊的應(yīng)用前景，未來將在此基礎(chǔ)上進(jìn)一步探索。

[1] Lv Z N. A survey of common faults analysis and detection methods for transmission line[J]., 2020(1): 161–164, 168.

呂志寧. 輸電線路常見故障分析與檢測方法綜述[J]. 自動化與儀器儀表, 2020(1): 161–164, 168.

[2] Huang Y C, Zheng Y H, Xu P P. Degradation state of composite insulator evaluated by infrared detection technology[J]., 2019(6): 48–52.

黃云程, 鄭云海, 許萍萍. 應(yīng)用紅外檢測技術(shù)評估復(fù)合絕緣子劣化狀態(tài)[J]. 電工電氣, 2019(6): 48–52.

[3] Tian Z R, Jin L J. Detection of insulator contamination grades based on digital image processing[J]., 2015, 34(9): 70–74.

田治仁, 金立軍. 基于彩色可見光圖像的絕緣子污穢等級判別[J]. 電工電能新技術(shù), 2015, 34(9): 70–74.

[4] Ma L X, Zhou X B, Zhu R,. The quantitative classification of corona discharge intensity of UV detection[J]., 2016, 43(1): 1–5.

馬立新, 周小波, 朱潤, 等. 紫外檢測電暈放電強(qiáng)度量化分級[J]. 光電工程, 2016, 43(1): 1–5.

[5] Asimakopoulou G E, Kontargyri V T, Tsekouras G J,. Artificial neural network optimisation methodology for the estimation of the critical flashover voltage on insulators[J]., 2009, 3(1): 90–104.

[6] Pei S T. Analysis and evaluation of insulator operation status based on infrared and ultraviolet imaging detection technology[D]. Beijing: North China Electric Power University (Beijing), 2019.

裴少通. 基于紅外紫外成像檢測技術(shù)的絕緣子運(yùn)行狀態(tài)分析與評估[D]. 北京: 華北電力大學(xué)(北京), 2019.

[7] Zuo G Y, Ma L, Xu C F,. Insulator detection method based on cross-connected convolutional neural network[J]., 2019, 43(4): 101–106.

左國玉, 馬蕾, 徐長福, 等. 基于跨連接卷積神經(jīng)網(wǎng)絡(luò)的絕緣子檢測方法[J]. 電力系統(tǒng)自動化, 2019, 43(4): 101–106.

[8] Woon W L, El-Hag A, Harbaji M. Machine learning techniques for robust classification of partial discharges in oil–paper insulation systems[J]., 2016, 10(3): 221–227.

[9] Pei S T, Liu Y P, Ji X X,. UV-flashover evaluation of porcelain insulators based on deep learning[J]., 2018, 12(6): 770–776.

[10] Czajka A, Bowyer K W, Krumdick M,. Recognition of image-orientation-based iris spoofing[J]., 2017, 12(9): 2184–2196.

[11] Chen Y, Xu Y. Detection and localization of untwisted strands in transmission lines using cascaded shape filtering and color filtering[C]//, 2015: 1–6.

[12] Zhang Z J, Zhang W, Zhang D D,. Comparison of different characteristic parameters acquired by UV imager in detecting corona discharge[J]., 2016, 23(3): 1597–1604.

[13] Wang S H, Lv F C, Liu Y P. Estimation of discharge magnitude of composite insulator surface corona discharge based on ultraviolet imaging method[J]., 2014, 21(4): 1697–1704.

[14] Lin J F. Research on semantic segmentation of remote sensing image based on deep learning[D]. Guangzhou: Guangdong University of Technology, 2019.

林錦發(fā). 基于深度學(xué)習(xí)的遙感圖像語義分割方法研究[D]. 廣州: 廣東工業(yè)大學(xué), 2019.

[15] Pei F. Research on image style migration system based on deep convolutional neural network[D]. Yinchuan: Ningxia University, 2019.

裴斐. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像風(fēng)格遷移系統(tǒng)研究[D]. 銀川: 寧夏大學(xué), 2019.

[16] Pei S T, Liu Y P, Chen T F,. Infrared spectrum diagnosis method of deteriorated insulators based on BOA-SVM[J]., 2018, 55(24): 11–16.

裴少通, 劉云鵬, 陳同凡, 等. 基于BOA-SVM的劣化絕緣子紅外圖譜診斷方法[J]. 電測與儀表, 2018, 55(24): 11–16.

Insulator nondestructive testing based on VGGNet algorithm

Ma Lixin*, Dou Chenfei, Song Chencan, Yang Tianxiao

School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China

VGGNet model structure

Overview:The electricity system structure of our country is very complicated. To maintain the stability and the reliability of the electricity system, we need to have all kinds of reliable and stable equipments, and the insulator is one of them. Insulators are devices which are installed between the conductors of different potentials or conductors and the grounding components. They can also tolerate the effect of voltage and mechanical stress. The main function of the insulators is to realize electrical insulation and mechanical fastening. They are important devices of the electricity system. Whether the insulation function of the insulator is in good condition will influence the lifespan and safely running of the whole circuit. Therefore, how to test the deterioration level of the working insulator is a substantial research topic. What this paper works on is using UV image camera to collect ultraviolet images of the insulators under different discharging states and building an ultraviolet images sample bank. This paper uses the VGGNET framework neural network algorithm to classify the training and statement, and forecast assess the sample in order to estimate whether insulators are deteriorated, and contrast and analysis to other algorithms. VGGNET model: by repeatedly stacking the convolution kernel whose receptive field is 3′3, the non-linearity of the model is improved, so that it has stronger feature learning ability and better recognition effect for the image data with small feature difference of insulator UV discharge images. In addition, it is better than using the large-scale coil. Compared with the product kernel, it effectively reduces the number of parameters and makes it have higher training efficiency. According to the results of experiment, the accuracy of this algorithm is high up to 98.4%. It has the advantages such as high accuracy, short training time, and the generalization of the model is good. It will have broad using prospects in the deterioration test of the insulators, and it also provides a new way to the reliability testing of other electrical devices. With the development of UAV and communication technology, the UAV with high mobility, high control ability, and other characteristics has become an ideal power inspection platform. The emergence of the 5G technology makes it possible to transmit high-quality images in real time. Taking UAV platform as carrier, equipped with UV imager, transmitting UV image in real time through 5G technology, and using non-destructive detection algorithm to detect the fault points will become possible. Therefore, the research in this paper has broad application prospects, and we will explore further in the future.

Ma L X, Dou C F, Song C C,Insulator nondestructive testing based on VGGNet algorithm[J]., 2021, 48(1): 200072; DOI:10.12086/oee.2021.200072

Insulator nondestructive testing based on VGGNet algorithm

Ma Lixin*, Dou Chenfei, Song Chencan, Yang Tianxiao

School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China

In the power system, it is difficult to detect the insulator's deterioration in operation. Aiming at this problem, this thesis applies the convolution neural network algorithm to evaluate the insulator's deterioration degree based on the deep analysis of the principle and structure of the convolution neural network model. Firstly, the power frequency flashover test was conducted on the insulator to produce three states as follows: no discharge, weak discharge, and strong discharge. Moreover, the Ultraviolet imager was applied to collect the insulator's ultraviolet images in different discharge state to establish the ultraviolet images sample library. Subsequently, the VGGNet framework neural network algorithm was applied to perform the classification training and the state-prediction evaluation on the samples so as to eventually achieve the purpose of judging whether the insulator is degraded. From the experimental results, it can be seen that the accuracy rate of the algorithm is as high as 98.4%, which has broad application prospects in the insulator's degradation detection. Furthermore, it provides a mentality for the reliability detection of other power equipments.

CNN; ultraviolet discharge; nondestructive testing; insulator

TP391；TB866

A

10.12086/oee.2021.200072

National Natural Science Foundation of China (61205076)

* E-mail: ma_eeepsi@163.com

馬立新，豆晨飛，宋晨燦，等. 基于VGGNet算法的絕緣子無損檢測[J]. 光電工程，2021，48(1): 200072

Ma L X, Dou C F, Song C C,Insulator nondestructive testing based on VGGNet algorithm[J]., 2021, 48(1): 200072

2020-03-06；

2020-05-19

國家自然科學(xué)基金資助項(xiàng)目(61205076)

馬立新(1960-)，男，博士，教授，主要從事電氣系統(tǒng)故障診斷與模式識別等的研究。E-mail：ma_eeepsi@163.com