陳思林，秦倫明*，王 悉，楊蘇航，左安全

(1.上海電力大學(xué) 電子信息工程學(xué)院，上海 201306； 2.北京交通大學(xué) 電子信息工程學(xué)院，北京 100044)

0 引言

隨著社會(huì)和經(jīng)濟(jì)的發(fā)展，在自身需求的驅(qū)動(dòng)和社會(huì)外部的壓力下，提高電網(wǎng)供電穩(wěn)定性和安全性成為電力行業(yè)追求的目標(biāo)[1]。電力設(shè)備的正常運(yùn)行是電網(wǎng)系統(tǒng)安全穩(wěn)定運(yùn)行的必要條件之一。一些電氣設(shè)備由于長(zhǎng)期處于暴曬、雨淋、高壓和大電流等惡劣環(huán)境，容易出現(xiàn)各種各樣的問(wèn)題。據(jù)統(tǒng)計(jì)，電網(wǎng)20%的故障是由外絕緣放電引起的，并且故障后電網(wǎng)恢復(fù)難度較高。因此，有效解決電力設(shè)備放電故障對(duì)維護(hù)電網(wǎng)的穩(wěn)定和安全十分重要。

電氣設(shè)備放電評(píng)估需要精準(zhǔn)的數(shù)據(jù)支撐，而電氣設(shè)備電暈放電的紫外圖像分割能提供放電面積數(shù)據(jù)。因此，紫外圖像分割的準(zhǔn)確度直接影響放電評(píng)估的結(jié)果。傳統(tǒng)的圖像分割方法有很多，例如文獻(xiàn)[2]根據(jù)對(duì)不同增益下的紫外圖像灰度值相加求平均，再選取合適閾值進(jìn)行分割。該方法簡(jiǎn)單易行，但對(duì)灰度值較高的非放電區(qū)域過(guò)于敏感，會(huì)對(duì)噪聲進(jìn)行誤判，產(chǎn)生的結(jié)果存在較大誤差。文獻(xiàn)[3-5]在進(jìn)行邊緣檢測(cè)時(shí)分別采用了改進(jìn)Sobel算子、Canny算子和改進(jìn)Canny算子。這3種方法檢測(cè)的邊緣并不是連續(xù)的，大多呈現(xiàn)離散型，因此還要加入構(gòu)建完整邊緣輪廓的算法進(jìn)行補(bǔ)充。文獻(xiàn)[6]以數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行圖像分割，首先對(duì)紫外圖像進(jìn)行圖像增強(qiáng)，再選取適當(dāng)?shù)慕Y(jié)構(gòu)元素進(jìn)行數(shù)學(xué)形態(tài)學(xué)分割。文獻(xiàn)[7]通過(guò)判斷有無(wú)紫外信號(hào)，獲取泊松概率映射圖，最后利用改進(jìn)大津算法進(jìn)行分割。這2種方法流程比較復(fù)雜且不易實(shí)現(xiàn)。以上傳統(tǒng)方法在進(jìn)行圖像分割時(shí)，都先要對(duì)圖像進(jìn)行預(yù)處理，例如圖像增強(qiáng)和濾波去噪等。因此，增強(qiáng)方法與濾波器性能的好壞直接影響最終分割精度，加大了分割的復(fù)雜性。從文獻(xiàn)[8-9]可知，近期利用紫外圖像面積預(yù)測(cè)放電強(qiáng)度仍然使用傳統(tǒng)方法分割圖像，出現(xiàn)了大量噪聲，影響了預(yù)測(cè)精度。從上述研究來(lái)看，目前紫外圖像放電區(qū)域分割方法不夠智能，且分割結(jié)果存在過(guò)分割和欠分割現(xiàn)象。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)是深度學(xué)習(xí)的代表算法之一，因其高自動(dòng)化程度與高泛化能力等優(yōu)點(diǎn)受到學(xué)者們的關(guān)注。在圖像分類、識(shí)別等領(lǐng)域CNN都優(yōu)于傳統(tǒng)方法，但其并不適合端到端的圖像分割領(lǐng)域。直到2015年，全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Network，F(xiàn)CN)[10]利用全連接層，直接獲取每個(gè)像素的分割結(jié)果，但其并沒(méi)有考慮像素與像素之間的關(guān)系，缺少全局信息的指導(dǎo)。所以在FCN的基礎(chǔ)上學(xué)者們又提出了許多優(yōu)秀的語(yǔ)義分割網(wǎng)絡(luò)，如PSPNet[11]，U-Net[12]，DeepLabv3[13]，DeepLabv3+[14]，LEDNet[15]和SPNet[16]等模型。其中，U-Net網(wǎng)絡(luò)多用于數(shù)據(jù)集少、分割類別少且準(zhǔn)確度要求高的醫(yī)學(xué)圖像，故將其應(yīng)用在同樣條件紫外圖像分割任務(wù)中。但傳統(tǒng)U-Net網(wǎng)絡(luò)在紫外圖像分割時(shí)，對(duì)小區(qū)域、大區(qū)域和多區(qū)域的分割效果都存在過(guò)分割以及欠分割的現(xiàn)象。

針對(duì)上述問(wèn)題，本文提出了VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)網(wǎng)絡(luò)來(lái)提高紫外圖像分割精度。該網(wǎng)絡(luò)以U-Net為基礎(chǔ)，首先引入VGG16Net[17]來(lái)減少紫外區(qū)域過(guò)分割現(xiàn)象，但在一定程度上增加了欠分割現(xiàn)象。其次利用空洞空間金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模塊獲得不同尺度的特征信息，增大感受野的同時(shí)，提高對(duì)大面積目標(biāo)的分割準(zhǔn)確度，減少欠分割現(xiàn)象。最后利用密集連接卷積網(wǎng)絡(luò)(Densely Connected Convolutional Network，DenseNet)[18]的特征重用思想，改進(jìn)壓縮和激勵(lì)網(wǎng)絡(luò)(Squeeze and Excitation Network，SENet)[19]模塊。在改變通道權(quán)重的同時(shí)，有效防止了由于卷積操作造成的圖像細(xì)節(jié)丟失問(wèn)題，從而全面提高分割結(jié)果的準(zhǔn)確性。

1 算法原理

1.1 基于VGG16Net的U-Net改進(jìn)

U-Net網(wǎng)絡(luò)模型在FCN模型的基礎(chǔ)上提出，因形似U而得名。為了使分割結(jié)果與原圖重合，去掉了原網(wǎng)絡(luò)的剪切部分。上采樣階段只改變圖像尺寸，并沒(méi)有增加上采樣通道數(shù)，以減小計(jì)算量，其結(jié)構(gòu)如圖1(a)所示。左半部分為用于特征提取的編碼器，右半部分為與之對(duì)應(yīng)的解碼器，用于恢復(fù)圖像尺寸。下方的虛線為跳躍連接部分，用于拼接編碼器中低級(jí)語(yǔ)義特征與解碼器中的高級(jí)語(yǔ)義特征。

(a) U-Net網(wǎng)絡(luò)結(jié)構(gòu)

(b) VGG16Net網(wǎng)路結(jié)構(gòu)

(c) 改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)圖1 基于VGG16Net的改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Improved U-Net network structure based on VGG16Net

由文獻(xiàn)[20]可知，VGG16Net是常見的CNN模型之一，結(jié)構(gòu)如圖1(b)所示。該網(wǎng)絡(luò)所有卷積層都采用大小為3×3，步長(zhǎng)為2的卷積核，池化層均采用2×2的最大池化核。相比經(jīng)典網(wǎng)絡(luò)AlexNet[21]中較大的卷積核與池化核，小卷積核具有參數(shù)少、梯度爆炸可能性小的優(yōu)點(diǎn)，同時(shí)小的池化核能夠捕獲更多的細(xì)節(jié)信息。此外，VGG16Net結(jié)構(gòu)深度更深，對(duì)特征信息的提取能力更強(qiáng)。

基于上述VGG16Net的優(yōu)點(diǎn)，將U-Net網(wǎng)絡(luò)編碼器部分替換成VGG16Net網(wǎng)絡(luò)，如圖1(c)所示。改進(jìn)算法加深了U-Net網(wǎng)絡(luò)結(jié)構(gòu)，有利于提取紫外圖像高維特征信息，增強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)能力。

1.2 ASPP模塊引入

為了提高FCN的全局信息指導(dǎo)能力，Chen等[13,22-23]經(jīng)過(guò)幾代的改進(jìn)提出了DeepLabv3+網(wǎng)絡(luò),引入了ASPP模塊。它是在金字塔池化模塊基礎(chǔ)上引入空洞卷積而形成，克服了單一空洞卷積時(shí)由于網(wǎng)絡(luò)效應(yīng)導(dǎo)致局部信息丟失和遠(yuǎn)距離信息缺少相關(guān)性的缺點(diǎn)[24]。U-Net語(yǔ)義分割缺點(diǎn)在于最大池化過(guò)程雖然使感受野增大，但也會(huì)使圖像分辨率降低，圖像模糊。ASPP模塊利用不同空洞率的卷積，能增大感受野的同時(shí)還不會(huì)降低分辨率，是個(gè)不錯(cuò)的選擇[25]。

ASPP模塊結(jié)構(gòu)如圖2所示。將特征層分別采用空洞率為1，6，12和18的卷積核進(jìn)行卷積和全局平均池化(Global Average Pooling，GAP)，隨后進(jìn)行拼接，再通過(guò)1×1的卷積核調(diào)整通道數(shù)，最后用批歸一化算法(Batch Normalization，BN)與激活函數(shù)ReLU對(duì)特征層進(jìn)行優(yōu)化，計(jì)算方法為：

圖2 ASPP模塊結(jié)構(gòu)Fig.2 ASPP module structure

(1)

(2)

(3)

(4)

(5)

(6)

1.3 改進(jìn)的SENet模塊

人類在觀察物體時(shí)會(huì)根據(jù)自己的意愿將視線集中在感興趣的區(qū)域，無(wú)興趣的信息會(huì)被大腦自動(dòng)剔除。本文引入SENet注意力模塊來(lái)模仿大腦機(jī)制，對(duì)紫外圖像中的重要信息進(jìn)行加強(qiáng)特征提取。

在使用U-Net網(wǎng)絡(luò)的下采樣階段進(jìn)行特征提取時(shí)，一些無(wú)用信息不會(huì)被剔除，同時(shí)一些有用特征會(huì)在卷積操作中消失不見，這都影響了紫外分割的準(zhǔn)確率，然而單一的SENet模塊并不能解決后者的問(wèn)題。為了更好地分割圖像，引入了改進(jìn)SENet模塊，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)SE模塊網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of improved SE module

該模塊首先利用SENet模塊的自適應(yīng)學(xué)習(xí)能力，依據(jù)特征通道的重要程度，賦予不同權(quán)值，減少不重要信息干擾。其次，利用DenseNet的特征重用思想對(duì)2個(gè)特征層進(jìn)行拼接(concat)，避免因卷積操作而丟失圖片細(xì)節(jié)。對(duì)于紫外圖像，改進(jìn)SENet模塊不僅可以降低無(wú)用特征信息的重要性，提高有效特征信息通道的重要性，還補(bǔ)充了丟失掉的細(xì)節(jié)，從而提升紫外圖像分割的準(zhǔn)確度。

改進(jìn)SENet模塊分為壓縮(Squeeze)、激勵(lì)(Excitation)和拼接3步操作。圖3中，F(xiàn)為C′×W′×H′的特征圖，對(duì)F經(jīng)過(guò)若干卷積操作得到通道數(shù)為C的特征圖Fc,然后對(duì)Fc每個(gè)通道在空間平面H×W上進(jìn)行全局平均池化操作，即所說(shuō)的壓縮操作Fsq，壓縮公式為：

(7)

式中，(i,j)代表像素坐標(biāo)；Z代表全局信息，利用全連接層W1對(duì)Z進(jìn)行參數(shù)降低，這樣在提高運(yùn)算速度的同時(shí)提高網(wǎng)絡(luò)泛化能力，然后引入ReLU函數(shù)建立各通道之間的相關(guān)性，最后經(jīng)過(guò)全連接層W2將參數(shù)升高至原來(lái)的維度。激勵(lì)操作公式為：

Sc=Fex(Z,W)=σ(W2δ(W1Z))，

(8)

式中，F(xiàn)ex表示激勵(lì)操作；δ為引入ReLU函數(shù)；σ代表引入Sigmoid函數(shù)進(jìn)行激活，得到通道注意力系數(shù)Sc。最后，將注意力系數(shù)Sc加入到原始的特征通道中，并與起始特征層拼接，在增強(qiáng)有用信息比重的同時(shí)補(bǔ)充因卷積消失掉的特征。拼接公式為：

(9)

式中，F(xiàn)scale(Fc,Sc)為將權(quán)值系數(shù)Sc賦值到特征層Fc中；concat為拼接操作，將原本特征層F與經(jīng)過(guò)SENet模塊后的特征層進(jìn)行跨層拼接。

1.4 VSA-UNet網(wǎng)絡(luò)結(jié)構(gòu)

U-Net作為主網(wǎng)絡(luò)，可以通過(guò)較少數(shù)據(jù)集獲得不錯(cuò)的分割效果，但在紫外圖像分割任務(wù)中對(duì)小區(qū)域、大區(qū)域和多區(qū)域的紫外光斑分割效果存在過(guò)分割和欠分割的現(xiàn)象。針對(duì)上述問(wèn)題，提出了基于VSA-UNet的紫外圖像分割方法，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 VSA-UNet網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Network structure of VSA-UNet

將該網(wǎng)絡(luò)分為編碼器、解碼器和跳躍連接3個(gè)部分。圖4左邊為主網(wǎng)絡(luò)的編碼器部分，紫外圖像輸入網(wǎng)絡(luò)后先經(jīng)過(guò)4個(gè)卷積模塊和4個(gè)池化操作，其中包含10次3×3卷積操作用于提取圖像特征，以此來(lái)獲得4個(gè)初步的有效特征層，4次最大池化操作目的是來(lái)降低圖片維度，以提高運(yùn)行速度。在第4次最大池化后加入ASPP模塊，對(duì)特征層進(jìn)行不同空洞率的卷積，擴(kuò)大感受野，獲得更多的特征信息，提高對(duì)面積較大的紫外區(qū)域的分割準(zhǔn)確度。圖4右邊為解碼器部分，由卷積層和上采樣層構(gòu)成，其中包含4個(gè)大小為2×2，步長(zhǎng)為2的反卷積層和9個(gè)3×3的卷積操作。圖4中間為跳躍連接部分，在跳躍連接階段去除了原先的剪切(Crop)操作，目的是保證輸入圖像和輸出圖像大小的一致性。改進(jìn)SENet模塊添加在跳躍連接階段，是將DenseNet網(wǎng)絡(luò)中特征重用思想與SENet模塊結(jié)合起來(lái)。將每一層的起始特征層、SENet模塊后的特征層和上采樣后的特征層進(jìn)行跳躍拼接，補(bǔ)充因卷積操作丟失的細(xì)節(jié)信息。最后通過(guò)不斷迭代，直到損失值不再變化或達(dá)到最大迭代數(shù)，輸出紫外圖像分割結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集及數(shù)據(jù)增強(qiáng)

由于目前沒(méi)有公開的紫外圖像數(shù)據(jù)集，本文使用的數(shù)據(jù)集是從網(wǎng)絡(luò)上搜索的不同電氣設(shè)備，如對(duì)絕緣子串、均壓環(huán)和電力線纜等拍攝的紫外圖像。為了使實(shí)驗(yàn)效果更直觀、更具有說(shuō)服力，選取共計(jì)58張大小不盡相同且各有特征的圖像，部分?jǐn)?shù)據(jù)集及對(duì)應(yīng)標(biāo)注如圖5所示。其中包含形狀不規(guī)則、多噪聲、大區(qū)域、小區(qū)域和多區(qū)域紫外圖像等。通過(guò)圖片的明暗變化、旋轉(zhuǎn)等操作擴(kuò)充數(shù)據(jù)集至500張。將數(shù)據(jù)集的10%作為驗(yàn)證集，剩余圖片按照1∶9的比例劃分，分別用于測(cè)試集和訓(xùn)練集。使用Labelme標(biāo)注工具進(jìn)行標(biāo)注，紅色部分為標(biāo)注的放電區(qū)域。

2.2 參數(shù)設(shè)置

實(shí)驗(yàn)硬件配置：Windows 10操作系統(tǒng)，Intel?Xeon?Gold 6230處理器，NVIDIA Tesla V100-PCIE-16 GB顯卡，320 GB RAM。軟件參數(shù)設(shè)置如表1所示。

表1 實(shí)驗(yàn)軟件參數(shù)設(shè)置Tab.1 Experimental hardware configuration

分割模型的總體性能不僅取決于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，損失函數(shù)對(duì)分割的效果也起到至關(guān)重要的作用。紫外圖像分割任務(wù)中紫外光區(qū)域像素往往少于非紫外光區(qū)域像素，分布不均衡，如果僅采用交叉熵?fù)p失函數(shù)(Cross Entropy Loss，CE Loss)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練將會(huì)由像素較多的非紫外光區(qū)域主導(dǎo)，降低了網(wǎng)絡(luò)的有效性，從而影響分割效果。為了解決這個(gè)問(wèn)題，結(jié)合Dice Loss函數(shù)和CE Loss函數(shù)組合訓(xùn)練VSA-UNet網(wǎng)絡(luò)，計(jì)算如下：

(10)

LossCE=-∑N[Ptrue×lnPpred]，

(11)

Loss=LossDice+LossCE，

(12)

式中，TP為目標(biāo)區(qū)域預(yù)測(cè)準(zhǔn)確的像素?cái)?shù)量；FN，F(xiàn)P依次為目標(biāo)區(qū)域和背景區(qū)域預(yù)測(cè)錯(cuò)誤的像素?cái)?shù)量；Ppred為某類的預(yù)測(cè)概率；Ptrue為該類標(biāo)簽真實(shí)值結(jié)果；N為類的個(gè)數(shù)。

2.3 評(píng)價(jià)指標(biāo)

從主觀與客觀2方面對(duì)分割效果進(jìn)行評(píng)價(jià)。主觀評(píng)價(jià)主要從直觀視覺上對(duì)紫外圖像的整體分割及邊緣細(xì)節(jié)的分割情況進(jìn)行比對(duì)。客觀評(píng)價(jià)則以平均交并比(Mean Intersection over Union，MIoU)和平均準(zhǔn)確率(Mean Pixel Accuracy，MPA)作為評(píng)價(jià)指標(biāo)，其計(jì)算公式為：

(13)

(14)

式中，Pi為某類別像素的準(zhǔn)確率，計(jì)算公式為：

(15)

2.4 各模塊對(duì)U-Net模塊的影響

以各模塊對(duì)U-Net網(wǎng)絡(luò)的影響進(jìn)行實(shí)驗(yàn)，結(jié)果如圖6所示。由圖6可知，添加不同模塊對(duì)U-Net網(wǎng)絡(luò)有著不同的效果。單獨(dú)的U-Net網(wǎng)絡(luò)在分割紫外圖像時(shí)出現(xiàn)過(guò)分割與欠分割現(xiàn)象，分割邊緣也比較粗糙。在用非線性單元更強(qiáng)的VGG16Net替換后，分割精確度明顯提升，過(guò)分割現(xiàn)象明顯減少，但有些圖出現(xiàn)欠分割現(xiàn)象。添加SE模塊主要是降低非關(guān)鍵信息的重要程度，增加關(guān)鍵信息的重要程度。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，添加SENet模塊后一定程度降低了噪聲的干擾，并且對(duì)過(guò)分割和欠分割都有緩解作用。ASPP模塊可以通過(guò)感受野的擴(kuò)大，加強(qiáng)對(duì)大物體的分割準(zhǔn)確度。通過(guò)圖像可以看出，添加ASPP模塊后對(duì)大的紫外光斑分割更加完整，但對(duì)小的紫外區(qū)域出現(xiàn)漏分割的情況。利用特征重用思想進(jìn)行跨層拼接，對(duì)通過(guò)卷積層后可能漏掉的特征進(jìn)行補(bǔ)充。實(shí)驗(yàn)證明，跨層拼接對(duì)除去噪聲和加強(qiáng)邊緣分割都有積極作用。最后，通過(guò)將以上模塊嵌入到U-Net網(wǎng)絡(luò)中，相比于U-Net原始網(wǎng)絡(luò)，使用的網(wǎng)絡(luò)無(wú)論是在紫外區(qū)域分割的準(zhǔn)確率上還是分割完整度上都優(yōu)于添加各個(gè)模塊的網(wǎng)絡(luò)。

圖6 采用不同模塊的U-Net網(wǎng)絡(luò)紫外圖像分割結(jié)果Fig.6 UV image segmenting results with U-Net with different modules

為了更全面、真實(shí)地表現(xiàn)添加不同模塊對(duì)傳統(tǒng)U-Net網(wǎng)絡(luò)的提升，本文對(duì)其做了數(shù)據(jù)量化，結(jié)果如表2所示。

表2 采用不同模塊的U-Net網(wǎng)絡(luò)紫外圖像分割結(jié)果指標(biāo)對(duì)比Tab.2 Comparison of UV image segmentation results indicators using U-Net with different modules

U-Net作為原始網(wǎng)絡(luò)，MIoU為74.56%，MPA為86.04%。不同模塊對(duì)傳統(tǒng)網(wǎng)絡(luò)有不同程度的提升。當(dāng)整合所有模塊到U-Net網(wǎng)絡(luò)時(shí)，MIoU為81.78%，MPA為95.97%，分別提升了7.22%，9.93%，充分證明了改進(jìn)模型的正確性和有效性。

從紫外區(qū)域的交并比(Intersection over Union，IoU)與像素分割準(zhǔn)確度(Pixel Accuracy，PA)兩方面比較各個(gè)模塊對(duì)U-Net的影響，如圖7所示。由圖7可知，排除背景的干擾，添加ASPP模塊對(duì)整體提升最大，這與圖6展示的對(duì)比圖基本相似。改進(jìn)網(wǎng)絡(luò)模型在PA方面更是高達(dá)92.67%，遠(yuǎn)高于U-Net的72.77%，在IoU方面同樣是增長(zhǎng)14.17%，這都進(jìn)一步證實(shí)了VSA-UNet的優(yōu)越性。

(a) 采用不同模塊的U-Net網(wǎng)絡(luò)分割紫外區(qū)域的IoU值

(b) 采用不同模塊的U-Net網(wǎng)絡(luò)分割紫外區(qū)域的PA值圖7 采用不同模塊的U-Net網(wǎng)絡(luò)對(duì)紫外區(qū)域分割結(jié)果的指標(biāo)對(duì)比Fig.7 Comparison of indicators of UV region segmentation results using U-Net with different modules

2.5 損失函數(shù)選取

由于紫外圖像存在正負(fù)平衡問(wèn)題，對(duì)有無(wú)Dice Loss損失函數(shù)對(duì)分割效果的影響進(jìn)行實(shí)驗(yàn)。CE Loss的MIoU為80.32%，MPA為93.27%；CE Loss+Dice Loss的MIoU為81.78%，MPA為95.97%。在本文所提的模型下使用復(fù)合混合函數(shù)效果要比單獨(dú)使用交叉熵?fù)p失函數(shù)效果要好。

2.6 不同算法分割性能比較

各種網(wǎng)絡(luò)的分割結(jié)果如圖8所示，圖8(a)和圖8(b)分別為收集的紫外圖像和紫外圖像的標(biāo)簽；圖8(c)～圖8(g)為不同分割網(wǎng)絡(luò)的分割結(jié)果；圖8(h)為本文分割網(wǎng)絡(luò)的分割結(jié)果。

圖8 采用不同分割模型的紫外圖像分割結(jié)果Fig.8 UV image segmentation results with different segmentation models

紫外圖像分割任務(wù)中，過(guò)分割和欠分割是決定最終分割結(jié)果的主要因素。由實(shí)驗(yàn)結(jié)果可以看出，各種算法對(duì)噪聲少、放電區(qū)域小、單一放電點(diǎn)的紫外圖像都有較好的分割效果；對(duì)放電點(diǎn)單一且放電區(qū)域大的紫外圖像，SPNet由于網(wǎng)絡(luò)增加條狀池化，在條形邊緣容易出現(xiàn)過(guò)分割與欠分割現(xiàn)象，PSPNet和LEDNet出現(xiàn)過(guò)分割情況；對(duì)多區(qū)域且面積大小不均的紫外圖像，PSPNet欠分割現(xiàn)象嚴(yán)重，LEDNet出現(xiàn)分割邊緣模糊。相比之下，傳統(tǒng)U-Net網(wǎng)絡(luò)在數(shù)據(jù)集較少時(shí)分割更為準(zhǔn)確，但也出現(xiàn)了少量過(guò)分割與欠分割現(xiàn)象。本文模型解決了這個(gè)問(wèn)題，分割出的紫外區(qū)域圖像邊緣更加清晰、圖像更加完整、分割更加準(zhǔn)確，分割結(jié)果與真實(shí)標(biāo)簽最為接近。

雖然從分割圖像能直接觀察到分割結(jié)果進(jìn)行主觀評(píng)價(jià)，但是由于數(shù)據(jù)集太多，不易將每張圖片都進(jìn)行對(duì)比，因此從客觀定量上進(jìn)行總體評(píng)價(jià)。不同分割網(wǎng)絡(luò)對(duì)紫外圖像分割效果的定量指標(biāo)如表5所示。由表5可以看出，本文模型在2項(xiàng)指標(biāo)上都優(yōu)于其他網(wǎng)絡(luò)，其在所給的45張測(cè)試集的MIoU達(dá)到81.78%，MPA達(dá)到95.97%，與傳統(tǒng)的U-Net網(wǎng)絡(luò)比較分別提升了7.22%，9.93%。綜上所述，本文提出的VSA-Net網(wǎng)絡(luò)在紫外圖像分割的主觀評(píng)價(jià)和客觀評(píng)價(jià)上都有很大提升，更能提供真實(shí)的放電區(qū)域。

表4 不同模型對(duì)紫外圖像分割指標(biāo)對(duì)比Tab.4 UV image segmentation indicators by different models

3 結(jié)束語(yǔ)

電氣設(shè)備正常運(yùn)行是保證電力系統(tǒng)穩(wěn)定的關(guān)鍵，紫外圖像分割是否精確將直接影響電氣設(shè)備狀態(tài)評(píng)估的結(jié)果。為了提高紫外圖像分割準(zhǔn)確度，提出了一種基于VSA-UNet網(wǎng)絡(luò)的紫外圖像分割算法。該算法在U-Net基礎(chǔ)上依次添加VGG16Net、改進(jìn)SE模塊和ASPP模塊。與U-Net，PSPNet，DeepLabv3+，SPNet和LEDNet等網(wǎng)絡(luò)的對(duì)比實(shí)驗(yàn)表明，改進(jìn)網(wǎng)絡(luò)在圖像分割結(jié)果主、客觀方面均優(yōu)于其他網(wǎng)絡(luò)，并且較好地解決了分割大區(qū)域、小區(qū)域和多區(qū)域的紫外圖像時(shí)出現(xiàn)的過(guò)分割和欠分割現(xiàn)象。改進(jìn)分割網(wǎng)絡(luò)雖然相比其他網(wǎng)絡(luò)在紫外圖像分割上具有較高的分割精確度，但從實(shí)驗(yàn)結(jié)果看出本網(wǎng)絡(luò)仍存在不足之處，例如在分割較大噪音時(shí)也會(huì)出現(xiàn)少量誤分割的情況，這也是未來(lái)需要重點(diǎn)研究的問(wèn)題。