顧桂梅，陳國翠

(1. 蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070；2. 甘肅省人工智能與圖形圖像處理工程研究中心，甘肅 蘭州 730070)

在鐵路接觸網(wǎng)中，絕緣子是保持帶電物體與支柱設(shè)備或其他接地體之間電絕緣的重要部件，若絕緣子發(fā)生破損、自爆，輕則會(huì)損壞接觸網(wǎng)設(shè)備，重則將會(huì)導(dǎo)致列車的驟停甚至造成人員傷亡，而缺陷識(shí)別的前提是準(zhǔn)確識(shí)別出絕緣子。近年來，基于圖像處理的非接觸式識(shí)別技術(shù)可在列車安全運(yùn)行而不被干擾的條件下實(shí)現(xiàn)相關(guān)操作。在4C中，絕緣子圖像檢測與成像分析裝置大多采用人工逐幀判別[1]的方式實(shí)現(xiàn)風(fēng)險(xiǎn)識(shí)別，存在識(shí)別工作量大、耗時(shí)長、實(shí)時(shí)性差等問題。為此，許多國內(nèi)外相關(guān)學(xué)者對(duì)其識(shí)別技術(shù)及分析方法進(jìn)行了相關(guān)研究。鄧斌等[2]指出絕緣子三維位置重建方法的不足，即接觸網(wǎng)絕緣子和支架的距離存在一定的范圍限制(1 200～3 200 mm)。李彩林等[3?4]采用深度學(xué)習(xí)算法實(shí)現(xiàn)了絕緣子的精確定向識(shí)別，但不穩(wěn)定性還需進(jìn)行相應(yīng)的改善。DHAR 等[5]提取絕緣子特征并作為支持向量機(jī)的輸入，實(shí)現(xiàn)絕緣子缺陷的識(shí)別，其人工參與量較大。張友鵬等[6]等利用GA-BP 算法來提高絕緣子泄漏電流預(yù)測的準(zhǔn)確率，但此種方法并未在絕緣子識(shí)別問題上進(jìn)行驗(yàn)證?；诖?，本文針對(duì)棒式絕緣子及其缺陷識(shí)別準(zhǔn)確率較低的問題，采用改進(jìn)GA-BP 算法和水平/垂直方向像素統(tǒng)計(jì)的算法。首先將GA 和BP 算法結(jié)合，對(duì)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化；然后，通過鮑威爾-比厄法不斷更新GA-BP 算法中的權(quán)值和閾值，改進(jìn)其收斂速度，最終實(shí)現(xiàn)絕緣子高精度識(shí)別；最后，針對(duì)絕緣子表面缺陷識(shí)別種類單一問題，利用相機(jī)標(biāo)定和絕緣子水平/垂直方向像素統(tǒng)計(jì)結(jié)果，實(shí)現(xiàn)絕緣子破損、自爆狀態(tài)識(shí)別并提高缺陷識(shí)別的準(zhǔn)確度。

1 改進(jìn)GA-BP絕緣子識(shí)別算法

BP 網(wǎng)絡(luò)[7]是一種局部搜索的多層前饋神經(jīng)網(wǎng)絡(luò)，最速下降法會(huì)在目標(biāo)函數(shù)快要接近極小點(diǎn)時(shí)，產(chǎn)生因鋸齒現(xiàn)象使收斂速度發(fā)展變慢的不足。遺傳算法[8]是一種全局搜索的能夠模擬自然物種進(jìn)化過程并尋找最優(yōu)解的方法。故本文利用Powell-Beale 的優(yōu)勢即二次終止性、收斂速度較快及迭代結(jié)束后搜索梯度方向還原為負(fù)梯度反向，將其作為BP 算法的學(xué)習(xí)規(guī)則，克服易收斂到最小局部問題。

本文3 層網(wǎng)絡(luò)中輸入層的節(jié)點(diǎn)數(shù)M=32，輸出層的節(jié)點(diǎn)數(shù)Q=40，隱含層節(jié)點(diǎn)數(shù)N=2M+1=65[9]。設(shè)絕緣子圖像Xi(i=1,2,…,m)為輸入樣本，具體識(shí)別步驟如下。

步驟1：讀入絕緣子圖像并轉(zhuǎn)換成灰度矩陣，然后將灰度矩陣進(jìn)行分割并對(duì)每個(gè)分割后的小矩陣進(jìn)行奇異值分解(Singular Value Decomposition,SVD)降維，提取32 維特征值，編碼初始群體。設(shè)Xi×j為網(wǎng)絡(luò)初始權(quán)值，每個(gè)基因值是一個(gè)連接權(quán)值，則當(dāng)前個(gè)體長度L為：

式中：M代表輸入層節(jié)點(diǎn)數(shù)；Xi代表第i個(gè)個(gè)體基因；Xi(p)代表第i個(gè)個(gè)體的第p個(gè)基因；q代表第p+1個(gè)基因值對(duì)應(yīng)的閾值寬度。

步驟2：采用GA 對(duì)BP網(wǎng)絡(luò)的初始權(quán)值進(jìn)行優(yōu)化，計(jì)算個(gè)體的適應(yīng)度均值，確定是否是迭代的最大數(shù)。適應(yīng)度函數(shù)定義如下：

其中，e為測試絕緣子樣本輸出誤差值。進(jìn)化代數(shù)即平均適應(yīng)度曲線如圖1所示。

圖1 平均適應(yīng)度曲線Fig.1 Mean fitness curve

圖2中，平均適應(yīng)度曲線呈梯度型下降，當(dāng)種群進(jìn)化代數(shù)大約等于17 時(shí)，其平均適應(yīng)度達(dá)到穩(wěn)定值(0.1～0.15)，故本文取進(jìn)化代數(shù)為20。

圖2 轉(zhuǎn)換模型Fig.2 Transformation model diagram

步驟3：確定收斂條件是否滿足(1×10-5)，若滿足，則進(jìn)入BP 網(wǎng)絡(luò)操作,采用Powell-Beale 法構(gòu)造搜索方向并計(jì)算網(wǎng)絡(luò)系統(tǒng)最優(yōu)權(quán)值和閾值。迭代結(jié)束后網(wǎng)絡(luò)搜索梯度方向d(k)還原為負(fù)梯度反向；ν表示一個(gè)隱含層的輸出；wmn和wnq分別為輸入層到隱含層和隱含層到輸出層的權(quán)重矩陣，BP 神經(jīng)網(wǎng)絡(luò)隱含層的閾值為a=[a1,a2,…,an]，輸出層的閾值為b=[b1,b2,…,bq]。隱含層、輸出層輸出為：

其中：k代表迭代次數(shù)；λ(0≤λ<1)是鮑威爾-比厄因子；η(η>0)為學(xué)習(xí)速率，大小由式(11)決定。

其中，wnq(k)為第k次循環(huán)時(shí)的網(wǎng)絡(luò)隱含層權(quán)值輸出；yk是網(wǎng)絡(luò)的期望輸出；ok是實(shí)際輸出。

步驟4：判斷識(shí)別的結(jié)果是否滿足終止條件(yk-ok=0.01)，若滿足則輸出結(jié)果，否則轉(zhuǎn)步驟3。

2 絕緣子表面缺陷識(shí)別

2.1 張正友標(biāo)定法

張正友標(biāo)定法是張正友于1998 年提出的一種棋盤格的相機(jī)標(biāo)定方法，是目前使用最廣的一種相機(jī)標(biāo)定方法。本文相機(jī)標(biāo)定得到的內(nèi)外參數(shù)如表1所示。

表1 相機(jī)的內(nèi)外參數(shù)Table 1 Internal and external parameters of the camera

2.2 最小二乘法擬合絕緣子直線

最小二乘法擬合算法[10]對(duì)絕緣子圖像進(jìn)行直線擬合，尋找與目標(biāo)絕緣子第一片傘裙相垂直的直線L′，交點(diǎn)即傘裙質(zhì)心d(xm,ym)，m=1,2,…11。設(shè)絕緣子圖像中心線方程為L:y=ax+b，直線L′的表達(dá)式為y=a′x+b′。針對(duì)破損絕緣子，擬合直線步驟如下。

其擬合直線L結(jié)果為y=0.387 3x+20.837 3。

步驟4：計(jì)算與L垂直的直線L′:y=a′x+b′。

由tanα=0.387 32，則α=arctan(0.387 3)，故tanβ=a′。根據(jù)三角形關(guān)系，得β=α+ 90°，即a′ = -2.582 0。并將點(diǎn)(x1,y1)代入直線L′，得b′=140.6112，故直線L′的表達(dá)式為y′= -2.582 0x+140.6112。

2.3 基于像素統(tǒng)計(jì)的絕緣子表面缺陷識(shí)別

結(jié)合相機(jī)標(biāo)定和絕緣子像素統(tǒng)計(jì)結(jié)果，實(shí)現(xiàn)絕緣子表面缺陷識(shí)別。具體實(shí)現(xiàn)步驟如下。

步驟1：相機(jī)標(biāo)定，實(shí)現(xiàn)世界與像素坐標(biāo)系下絕緣子長度直徑比的轉(zhuǎn)換，其轉(zhuǎn)換模型如圖1所示。

圖2中，l為相機(jī)與鋼柱間的距離(l=2 000 mm)；ON為相機(jī)與目標(biāo)絕緣子間的垂直距離；θ為相機(jī)與水平方向的夾角(本文中θ=80°)，其大小根據(jù)拍攝目標(biāo)范圍和高度的不同而改變；M(X0,Y0)為攝像頭光心在絕緣子表面對(duì)應(yīng)的點(diǎn)。利用小孔成像原理，可得絕緣子圖像上的點(diǎn)(x,y)的橫坐標(biāo)x和世界絕緣子表面上的點(diǎn)(X,Y)中X間的關(guān)系為(Y同理)：

其中：X1，X2分別為世界坐標(biāo)系中絕緣子平面左右端點(diǎn)的橫坐標(biāo)；x1，x2分別為圖像坐標(biāo)系中絕緣子圖像相對(duì)應(yīng)左右端點(diǎn)的橫坐標(biāo)像素值；H和D分別為絕緣子的物理長度和直徑；h'，d'分別為正常絕緣子像素和平均直徑；kx，ky為徑向畸變參數(shù)；px，py為切向畸變參數(shù)(所占比重不大，接近于0，在要求極其精確時(shí)才考慮此參數(shù))；xk，yk為畸變量。

步驟2：輸入絕緣子灰度圖，利用plt.gca().yaxis/xaxis 統(tǒng)計(jì)絕緣子圖像的垂直/水平方向的像素。

步驟3：調(diào)用庫中cv2.threshold 函數(shù)，實(shí)現(xiàn)絕緣子灰度圖像的二值化轉(zhuǎn)換。

步驟4：利用height=th3.shape，width=th3.shape計(jì)算絕緣子的長和寬，進(jìn)而計(jì)算其長度直徑比rs。若絕緣子存在自爆，則rs＞r'(r'為對(duì)應(yīng)正常絕緣子的像素長度直徑比)，否則就為正常或破損絕緣子。

步驟5：將直線L′依次向右移Lave(絕緣子傘裙與傘裙距離)個(gè)單位，采用area=Column WhiteTo‐talNum語句計(jì)算絕緣子傘裙面積as。

步驟6：L′依次向右移Lave個(gè)單位，直至傘裙面積統(tǒng)計(jì)結(jié)束并顯示結(jié)果，絕緣子缺陷識(shí)別結(jié)束。本文算法流程如圖3所示。

圖3 算法流程Fig.3 Flowchart of algorithm

3 仿真驗(yàn)證與分析

以O(shè)pencv 為平臺(tái)，硬件配置為Intel(R) Core CPU，仿真主機(jī)為主頻1.80 GHz，內(nèi)存8.00 GB，雙顯卡的計(jì)算機(jī)。以棒式絕緣子圖像作為驗(yàn)證數(shù)據(jù)，隨機(jī)選取400 幅只包含絕緣子的圖像(120×90)，其中，240 幅圖像作為訓(xùn)練集，160 幅圖像作為測試集。將絕緣子32 維特征作為輸入實(shí)現(xiàn)絕緣子精確識(shí)別，本文改進(jìn)算法的測試樣本輸出誤差擬合曲線(期望與輸出間的差值(yk?ok=0.01))如圖4所示，即所用時(shí)間為6.057 7 s。網(wǎng)絡(luò)訓(xùn)練的誤差收斂曲線如圖5 所示，絕緣子識(shí)別的準(zhǔn)確率如表2所示。

圖4 輸出誤差擬合曲線Fig.4 Output error fitting curve

圖4中，本文算法預(yù)測輸出值與期望值之間的差值接近于0.01，具有較好的擬合精度。圖5 中，箭頭①所指虛線為網(wǎng)絡(luò)的預(yù)設(shè)訓(xùn)練目標(biāo)(1×10?5)，箭頭②所指虛線為網(wǎng)絡(luò)的實(shí)際最優(yōu)訓(xùn)練評(píng)估值(0.01)，實(shí)線為網(wǎng)絡(luò)的訓(xùn)練收斂速度。BP算法和文獻(xiàn)[11](GA-BP 算法)訓(xùn)練至1 000 次、987 次的最優(yōu)訓(xùn)練評(píng)估值分別為0.010和0.024，而本文識(shí)別算法在訓(xùn)練至803次便已達(dá)到最優(yōu)訓(xùn)練評(píng)估值，評(píng)估值為0.013。BP 算法和文獻(xiàn)[11]在網(wǎng)絡(luò)分別訓(xùn)練的前400次、200次(圓圈，下同)，收斂速度曲線便下滑至接近訓(xùn)練目標(biāo)值；而本文方法在網(wǎng)絡(luò)訓(xùn)練的前100 次，收斂速度曲線便已迅速下滑至接近訓(xùn)練目標(biāo)值，證明本文方法對(duì)網(wǎng)絡(luò)訓(xùn)練的收斂速度有顯著提升。表2 為3 種絕緣子識(shí)別算法的識(shí)別結(jié)果，BP 算法、文獻(xiàn)[11]算法的絕緣子總識(shí)別率分別為75.0% 和88.5%，本文改進(jìn)算法的總識(shí)別率為95.5%。故本文算法不僅提升了神經(jīng)網(wǎng)絡(luò)的收斂速度，而且識(shí)別率也得到了有效提高。

圖5 不同算法網(wǎng)絡(luò)訓(xùn)練收斂曲線結(jié)果對(duì)比Fig.5 Comparison graph of convergence results of network training of different algorithms

表2 絕緣子識(shí)別準(zhǔn)確率結(jié)果Table 2 Results of insulator recognition accuracy

針對(duì)本文所列的破損、自爆絕緣子的垂直/水平方向像素統(tǒng)計(jì)結(jié)果如圖6所示，其長度直徑比和傘裙面積計(jì)算結(jié)果如表3所示。

圖6 中，其Lave為7pixel(Lave為避免誤差而刪除最大和最小距離后的均值)，由垂直、水平方向的像素統(tǒng)計(jì)結(jié)果可計(jì)算出絕緣子的長度和半徑。表3中，破損、自爆絕緣子的像素長度直徑比為3.944和3.318；傘裙面積的平均值分別為242 和362，破損絕緣子傘裙結(jié)果顯示共有11 片，且第10 和11 片傘裙面積出現(xiàn)異常(216/253)，其第10 片傘裙明顯過小而第11 片明顯過大，說明其絕緣子第10 片出現(xiàn)了破損。因工業(yè)CCD 相機(jī)的拍攝角度，使得第11 片絕緣子傘裙與其環(huán)孔無明顯過度灰度界限，使得該絕緣子傘裙面積明顯過大(253)，但第10 片絕緣子傘裙的面積并無異常(216)，因此，第11 片絕緣子傘裙并無缺陷；對(duì)于自爆絕緣子，只計(jì)算出了10 片傘裙的面積，且其第5 片傘裙明顯過大(639)而第6 片傘裙面積并無減小(345)，說明其絕緣子第5 片出現(xiàn)了自爆缺陷。因工業(yè)CCD 相機(jī)拍攝的角度，使得第10 片絕緣子傘裙與其環(huán)孔無明顯過度灰度界限，第10 片絕緣子傘裙面積明顯過大(601)，但第9 片絕緣子傘裙的面積并無異常(335)，因此，第10 片絕緣子傘裙并無缺陷。其絕緣子缺陷識(shí)別結(jié)果如圖7 所示，準(zhǔn)確度對(duì)比如表4所示。

圖6 絕緣子垂直/水平方向像素統(tǒng)計(jì)Fig.6 Statistic image of insulator pixels in vertical/horizontal direction

圖7 絕緣子缺陷識(shí)別結(jié)果Fig.7 Insulator defect identification results

表3 絕緣子長度直徑比及傘裙面積計(jì)算結(jié)果Table 3 Calculated results of insulator length-diameter ratio and umbrella skirt area

表4 中，文獻(xiàn)[12]利用絕緣子圖像垂直方向的像素統(tǒng)計(jì)，計(jì)算傘裙間的距離Li，以Li>1.6Lave為百度按標(biāo)準(zhǔn)，若滿足上式，則第i+1片絕緣子傘裙發(fā)生了自曝，其自爆缺陷識(shí)別精度較低(72.50%)，且只可識(shí)別出自爆絕緣子。本文則在此基礎(chǔ)上，將絕緣子的長度直徑比和絕緣子傘裙面積作為自爆、破損的判斷依據(jù)，具有較高的精確度(93.00%)且可同時(shí)識(shí)別出自爆和破損絕緣子。

表4 絕緣子識(shí)別準(zhǔn)確率結(jié)果Table 4 Insulator identification accuracy results

4 結(jié)論

1) 針對(duì)高速鐵路接觸網(wǎng)棒式絕緣子的準(zhǔn)確識(shí)別問題，將BP 網(wǎng)絡(luò)的局部搜索、收斂速度慢與GA 算法的全局搜索結(jié)合，利用Powell-Beale 因子構(gòu)造GA-BP 算法的搜索方向，在提升收斂速度的同時(shí)，絕緣子識(shí)別準(zhǔn)確率也得到了提高。實(shí)驗(yàn)仿真結(jié)果表明，相比BP 算法和GA-BP 算法，本文改進(jìn)GA-BP 算法對(duì)絕緣子識(shí)別率分別提高了20.50%和7.00%，且平均每張絕緣子圖像的處理時(shí)間為0.015 s。

2) 對(duì)于絕緣子表面缺陷識(shí)別類型單一問題，利用相機(jī)標(biāo)定實(shí)現(xiàn)絕緣子坐標(biāo)轉(zhuǎn)換，然后統(tǒng)計(jì)絕緣子像素并計(jì)算絕緣子長度直徑比，最終將絕緣子長度直徑比和傘裙面積作為絕緣子破損、自爆缺陷的判斷標(biāo)準(zhǔn)，實(shí)現(xiàn)絕緣子狀態(tài)的識(shí)別并進(jìn)行缺陷標(biāo)記，識(shí)別精度為93.00%。相比于單純依靠絕緣子傘裙距離作為自爆識(shí)別標(biāo)準(zhǔn)，本文算法的識(shí)別精度提高了20.50%。這對(duì)4C 在目標(biāo)識(shí)別中的工作量大、耗時(shí)長、實(shí)時(shí)性差等問題的改善提供了理論依據(jù)，對(duì)實(shí)際工程具有一定的參考意義。