馬御棠,楊坤,李謙慧,,楊謹銘,潘浩,彭兆裕,顏冰
(1. 云南電網(wǎng)有限責任公司電力科學研究院,昆明 650217;2. 西南交通大學電氣工程學院,四川 成都 611756;3. 云南電網(wǎng)有限責任公司研究生工作站,昆明 650217)
高壓輸電線路路線長,線路地形環(huán)境復雜,污穢類型與污穢程度多樣化[1-3],傳統(tǒng)的污穢采用等值鹽密(equivalent salt depositdensity,ESDD) 檢測和表面泄漏電流(leakage current,LC)測試法等[5-8],多用于實驗室檢測,不能區(qū)分污穢分布不均情況。紅外熱像法[9-10]紫外放電特性檢測[11-12]等光電技術(shù),已在絕緣子污穢程度檢測中展開了大量研究。但這兩類方法的成像分辨率較低,波譜較窄,主要獲取臨閃前的絕緣子的物理特征現(xiàn)象,間接反映絕緣子的污穢狀態(tài),并不利于污穢程度的提前預(yù)估。因此,需要一種可識別污穢并給出絕緣子污穢分布不均的技術(shù)。
高光譜圖像是綜合光譜與二維成像的新型3D 圖譜數(shù)據(jù)[13],其包含位置及外觀信息的同時,可獲取豐富的連續(xù)波段譜線信息,對研究對象‘描述’得更為立體,有助于區(qū)分信息的差異。高光譜技術(shù)已在食品質(zhì)檢、農(nóng)作物生長監(jiān)控、資源勘探、考古調(diào)查等領(lǐng)域[14-18]得到較廣泛的應(yīng)用。在輸電線路外絕緣檢測方面,文獻[19]通過試驗驗證了高光譜技術(shù)運用于復合絕緣子的老化狀態(tài)識別的可行性。文獻[16]采用全波段高光譜數(shù)據(jù)光譜實現(xiàn)了不同污穢程度的單一人工污穢的識別及污穢等級劃分。
針對輸電線路現(xiàn)場絕緣子污穢并不單一,污穢程度多樣化且分布不均勻的特點,本文采用高光譜技術(shù)對500 kV 交流絕緣子進行污穢檢測與程度識別和可視化研究,通過采集現(xiàn)場絕緣子高光譜譜線信息和圖像信息,分別對譜線進行預(yù)處理降噪及特征提取,和基于HSI 算法的圖像特征提取,最后建立極限學習機分類模型,提高對絕緣子的污穢程度識別,并實現(xiàn)污穢分布的圖像可視化。該方法能反映絕緣片上不同區(qū)域的污穢的沉積狀況,實現(xiàn)對絕緣子污穢程度的準確分類。
高光譜成像原理是基于不同物質(zhì)由于內(nèi)在結(jié)構(gòu)表現(xiàn)出的對不同波段光波能量吸收反射差異,獲取具有物質(zhì)特征的光譜“指紋”。高光譜圖像具有高分辨率,上百個連續(xù)波段信息,使其能獲取復雜物質(zhì)具更多特征,有助于分類模型的建立。
污穢含量差異,導致絕緣子傘裙基材覆蓋情況不同,且顆粒密集程度所呈現(xiàn)出的色彩亮度和飽和度不同,污穢堆疊結(jié)構(gòu)對反射光路的影響。且根據(jù)前期研究發(fā)現(xiàn),譜線整體反射率數(shù)值及波動性與污穢等級有相關(guān)性。因此,綜合分析污穢反射特征譜圖可實現(xiàn)絕緣子污穢等級的劃分。
根據(jù)高光譜技術(shù)成像及檢測原理,測試平臺包含用于成像的GaiaField-F-V10 光譜儀,用于采集控制的計算機,以及補光燈和用于校正的反射率99%對照白板組成。使用反光布搭建一個小型拍攝空間,三腳架固定和調(diào)整儀器位置,鏡頭距樣本120 cm,向下為60°角,光源固定在鐵制框架的一側(cè),等距離分布,如圖 1所示。將現(xiàn)場取下的絕緣子串置于成像區(qū)域中央采集圖譜信息。
圖1 高光譜采集平臺示意圖
本文研究的實驗對象是云南電網(wǎng)500 kV 博尚墨江線、惠歷墨江線、通思甲線的運行絕緣子。根據(jù)標準 GB/T 26218.1-201 以及 GB/T 22707-2003 對上述絕緣子進行試驗,共得到120 組絕緣子的鹽密值。將其分為84 組訓練集和36 組測試集,依據(jù)鹽密檢測結(jié)果,訓練集包括11 組輕度污穢樣本、23 組中度污穢樣本、33 組較重污穢樣本、17 組重度污穢樣本,測試集包括4種污穢等級的絕緣子樣本各9 組。
圖譜信息處理流程如圖2 所示,在對現(xiàn)場絕緣子進行鹽密值檢測后劃分為不同的污穢等級,并分為84 組訓練集和36 組測試集。采集訓練集樣品的高光譜圖像,提取感興趣區(qū)域的高光譜譜線,經(jīng)黑白校正和SG 平滑處理后進行特征波段提取,減少冗余信息。同時,采用HSI 算法提取圖像特征,選取與污穢等級最為相關(guān)的S(色飽和度)分量,結(jié)合圖譜信息特征建立極限學習機(ELM)分類模型,從而對測試集絕緣子樣品進行污穢等級的識別,進而基于污穢等級分類模型試驗絕緣子表面污穢等級的可視化。
圖2 圖譜信息處理流程圖
3.2.1 譜線采集
使用高光譜成像儀對84 組污穢樣本進行拍攝,實現(xiàn)高光譜圖像的獲取,并進行黑白校正。經(jīng)黑白校正后的人工污穢樣品高光譜圖像中可提取不同污穢成分的光譜反射率值,以波長作為橫坐標,以反射率作為縱坐標,形成連續(xù)譜線。使用ENVI5.3.1 分析實驗樣本的高光譜圖像,提取絕緣片污穢分布較為均勻的感興趣區(qū)域的反射率光譜曲線。實驗選取的現(xiàn)場絕緣子樣本反射率曲線如圖3 所示。
圖3 不同污穢等級樣品原始高光譜曲線圖
其中,從84 組訓練集絕緣子污穢樣本中通過選取感興趣區(qū)域共提取 193 組數(shù)據(jù)作為訓練樣本數(shù)據(jù);同樣地,從每個污穢等級樣本提取9 組數(shù)據(jù)作為測試樣本數(shù)據(jù),共 36 組。并使用Savitzky-Golay (SG)算法進行平滑處理,去除無關(guān)噪聲(圖4)。
圖4 SG平滑后的樣品高光譜曲線
3.2.2 特征波段提取
本研究采用競爭性自適應(yīng)重加權(quán)采樣[21](competitive adaptive reweighted sampling ,CARS)對四種污穢成分的高光譜標準譜線進行特征波長選擇,選擇后的波段組合將用作后續(xù)污穢成分特征識別的基準譜段。本次研究將采樣次數(shù)設(shè)置為 500 次,具體 CARS 提取特征波長過程如圖 6 所示。
圖5(a) 表示選擇建模變量數(shù)量隨采樣次數(shù)的變化趨勢,采樣前期變量數(shù)量下降較快體現(xiàn)了前期的粗選過程,后期隨采樣次數(shù)增加變量數(shù)量下降趨勢趨于平緩體現(xiàn)了后期精選過程;圖5(b)表示交叉驗證均方根誤差(RMSECV)隨采樣次數(shù)的變化趨勢即基于CARS 選擇的特征波長建立的極限學習機(ELM)模型的預(yù)測效果,RMSECV 越小測量精度越高,在第68次采樣之前,RMSECV 值波動較小,隨著采樣次數(shù)增加,關(guān)鍵變量被刪除后RMSECV 值急劇增大,模型測量精度下降;圖5(c) 表示每個波長變量回歸系數(shù)隨采樣次數(shù)的變化趨勢,* 對應(yīng)為RMSECV 值最小的位置,ELM 模型選擇最小RMSECV 值確定最終選擇的波長變量最優(yōu)組合,因此選擇維數(shù)更低即選擇波長變量數(shù)量更少的特征波長組合,對應(yīng)第68 次采樣。本研究在CARS 運算后選擇的特征波長分 別 為405.6 nm、430.8477.1 nm、601 nm、647.4 nm、664.7 nm、679.5 nm、704.5 nm、709.5 nm、719.5 nm、752.3 nm、793.1 nm、805.9 nm、816.2 nm、847.3 nm、868.2 nm、881.3 nm、918.2 nm、939.4 nm、979.5 nm,共選擇20 個特征波長,如圖6 所示。
圖5 CARS提取波長過程圖
圖6 CARS選取的特征光譜波段圖
3.3.1 HSI算法原理
HSI(Hue,Saturation,Intensity) 空間是由圖像RGB 空間變換的色彩模型,其通過色相(H)、明亮度(I)以及彩度(S)對二維圖像進行描述,如圖7 所示。由于本文研究對象為污穢量的多少,HSI 特征因接近視覺成像,更易捕捉由于自然污穢粉末覆積絕緣表面而引起的色彩特征差異。有利于建模過程中對積污程度更細致地辨別。
圖7 HSI顏色空間
3.3.2 HSI特征提取
絕緣片表面色彩與拍攝背景在顏色上較為接近,如圖8 所示。僅以RGB 空間而HSI 顏色空間邊緣差異明顯,易于去除背景區(qū)域。因此,對采集后的絕緣子有效區(qū)域光譜圖象進行RGB到HSI 的色彩空間變換。
H(色調(diào))分量圖像中絕緣子與周圍區(qū)域幾乎混為一體,無法區(qū)分;I(亮度)分量反映圖像的亮度,絕緣子及周圍區(qū)域的亮度都處于較低區(qū)域,區(qū)分效果較差;S(色飽和度)分量圖像中絕緣子區(qū)域突出,可作為圖像特征進行后續(xù)絕緣子區(qū)域分割和污穢等級劃分。
圖8 不同提取方法下的圖像特征
圖9 H、S、I三通道圖像
將去除無關(guān)背景后的84 個現(xiàn)場絕緣子污穢樣本進行S 分量值提取,如圖10 所示,不同污穢程度的絕緣子在S 分量值上存在明顯的差異,因此樣品的圖像特征S 分量可用于識別絕緣子的污穢等級。
圖10 不同污穢等級絕緣子表面S分量均值圖
選擇高效、參量少的極限學習機[25-26](ELM)對圖譜特征聯(lián)合污穢程度進行建模。隨機初始化各網(wǎng)絡(luò)層參數(shù)值,根據(jù)最小化損失函數(shù)進行反饋訓練,并依據(jù)廣義逆矩陣Moore-Penrose(MP)求解最終結(jié)果[25]。
圖11 為極限學習機的模型結(jié)構(gòu):
圖11 極限學習機算法網(wǎng)絡(luò)模型圖
結(jié)合訓練集樣品絕緣子的特征波段數(shù)據(jù)和圖像特征S 分量,建立基于圖譜信息的絕緣子污穢識別模型。
采集測試集高光譜圖像,經(jīng)SG 平滑校正后獲取4 種污穢等級絕緣子的高光譜曲線和圖像特征S 分量(各計9 組),將每組譜線數(shù)據(jù)進行特征波段提取后結(jié)合S 分量平均值,代入前述建立的ELM 分類模型,劃分結(jié)果如圖12 所示。其中,1—9 號樣本數(shù)據(jù)真實污穢等級為a;10—18 號樣本數(shù)據(jù)真實污穢等級為b,19—27號樣本數(shù)據(jù)真實污穢等級為c,28—36 號樣本數(shù)據(jù)真實污穢等級為d,劃分結(jié)果表明對第3、6、11、26、33 樣本數(shù)據(jù)的劃分出現(xiàn)錯誤,識別準確率達86.1%。
圖12 現(xiàn)場絕緣子污穢等級劃分結(jié)果圖
通過采集現(xiàn)場絕緣子的上段、中段、下段的高光譜圖像,去除圖像無關(guān)背景后提取絕緣子傘裙表面所有像素點的高光譜數(shù)據(jù)。將每個像素點的圖譜信息作為輸入利用上文所建模型來進行分類,從而得到高光譜圖像每個像素點的污穢等級,實現(xiàn)現(xiàn)場絕緣子表面積污分布可視化。
圖13 現(xiàn)場絕緣子表面污穢可視化圖
圖13 顯示了現(xiàn)場絕緣子串表面不同位置處的污穢等級分布。圖中頂部從漸變的顏色條所給出的不同顏色代表了不同的污穢等級。藍色和綠色表示污穢含量較低,紅色、橙色和黃色則表示含量較高。
如圖所示,絕緣片上表面污穢積聚多于下表面且污穢多向支柱積聚。分析結(jié)果與現(xiàn)場絕緣串表面污穢分布基本吻合,進一步驗證了基于現(xiàn)場絕緣子的圖譜信息建立的污穢等級分類模型對污穢等級可視化分布的可行性和準確性。
1)不同污穢等級的現(xiàn)場絕緣子,其高光譜譜線的吸收峰、反射峰位置、變化趨勢基本相同,但幅值差異明顯。依據(jù)此反射特征可使用高光譜實現(xiàn)模式識別。
2)通過HSI 算法分析的絕緣子高光譜圖像,絕緣子圖像特征與污穢等級有很強的相關(guān)性,污穢等級越高,基材被覆蓋的面積越大,圖像整體飽和度也就越低。
3)基于圖譜信息建立的深度學習機絕緣子污穢等級分類模型準確率可達86.1%,表明高光譜圖譜信息結(jié)合的方法可為絕緣子污穢等級的在線檢測提供技術(shù)參考。
針對500 kV 現(xiàn)場絕緣子的圖譜信息識別與可視化,有效地對現(xiàn)場絕緣子進行了污穢等級識別,為實現(xiàn)無損,非接觸的現(xiàn)場絕緣子污穢檢測提供了一種新思路。