田 晨,許志浩,李 強(qiáng),宋云海,康 兵,丁貴立,王宗耀

(1.南昌工程學(xué)院電氣工程學(xué)院,江西 南昌 330099；2.中國南方電網(wǎng)超高壓輸電公司,廣東 廣州 510000)

1 引 言

電力工業(yè)是國民經(jīng)濟(jì)發(fā)展的重要基礎(chǔ)[1],隨著我國經(jīng)濟(jì)的高速增長和人民生活水平的快速提高,社會(huì)對電能的需求與日俱增,對安全穩(wěn)定供電的需求也越來越高[2]。為了提升遠(yuǎn)距離輸電線路的傳輸能力,降低電力損耗,國家大力開展超高壓、特高壓輸電工程。然而隨著輸電線路電壓的升高,輸電線表面會(huì)產(chǎn)生電暈放電的現(xiàn)象[3]。電暈放電會(huì)產(chǎn)生可聽噪音和電磁干擾,造成電能損耗,甚至對輸電線路的安全運(yùn)行構(gòu)成嚴(yán)重威脅。因此,對電暈放電進(jìn)行有效的檢測成為必要。

目前,針對電暈放電的檢測方法主要有紅外熱像、超高頻、超聲波和紫外放電檢測等。紅外熱像根據(jù)放電引起的溫升變化來進(jìn)行檢測,靈敏度不高,易受環(huán)境溫度、風(fēng)速等因素的干擾,且檢測及時(shí)性不足[4]；超高頻法受限于現(xiàn)在的工藝水平,還不能很好的投入生產(chǎn)實(shí)際；脈沖電流法屬于接觸式檢測,且易受無線電干擾,會(huì)很大程度影響檢測精度；超聲波檢測通過接收放電時(shí)發(fā)出的聲波定位放電點(diǎn),再根據(jù)幅值來判斷放電情況,檢測精度低,易被其他放電干擾。

研究表明,輸電設(shè)備在產(chǎn)生電暈放電過程中,會(huì)釋放200～400 nm波長的紫外光信號(hào),其中波段為240～280 nm的太陽輻射紫外光大部分被大氣中的臭氧吸收,紫外成像儀正是通過接收這一波段的紫外信號(hào)避免太陽光干擾,并采用雙通道成像技術(shù)合成電暈放電的紫外圖像[5]。紫外成像檢測技術(shù)基于其直觀方便、快速準(zhǔn)確、抗干擾能力強(qiáng)以及全天候使用等優(yōu)勢,已經(jīng)成為高壓電暈放電的主要檢測手段。

目前對于紫外圖像中電暈放電檢測的研究還在探索中,仍有許多問題亟待解決,譬如圖像分割,特征量分析,缺陷診斷等關(guān)鍵性問題。其中放電區(qū)域圖像準(zhǔn)確分割是關(guān)鍵環(huán)節(jié),分割準(zhǔn)確性直接影響放電強(qiáng)度量化及診斷準(zhǔn)確性。文獻(xiàn)[6]在處理放電特征比較明顯的紫外圖像時(shí),直接采用最大散度差閾值分割,數(shù)學(xué)形態(tài)學(xué)濾波處理后得到分割結(jié)果。然而,當(dāng)放電區(qū)域?yàn)椴噬珪r(shí),利用傳統(tǒng)閾值分割法難以達(dá)到預(yù)期效果[7]。于是,文獻(xiàn)[8] 利用高斯函數(shù)調(diào)整彩色放電區(qū)域與背景的對比度,再使用閾值分割算法分割放電區(qū)域,其還具有運(yùn)算速度快、計(jì)算簡便等優(yōu)點(diǎn)。文獻(xiàn)[9]、[10]引入Chan-Vese(C-V)模型對紫外圖像直接提取放電區(qū)域,且不需要進(jìn)行濾波處理即可得到連續(xù)曲線的邊界。

綜合以上研究成果,目前對紫外成像放電目標(biāo)區(qū)域的分割提取,都是基于電暈放電區(qū)域光斑非常清晰,與背景對比度明顯的情況。此外,以上這些方法都是基于日盲型紫外成像儀拍攝的成像效果較好的放電圖像,并不適用于夜間型紫外成像儀拍攝的圖像。夜間型紫外成像儀拍攝的紫外圖像效果受環(huán)境影響和設(shè)備性能限制,其放電區(qū)域與背景對比度不明顯,因而識(shí)別分割效果并不理想[11]。

因此,本文提出一種基于紫外成像技術(shù)的夜間輸電線電暈放電精確分割方法。引入Deeplabv3+深度學(xué)習(xí)語義分割模型對紫外圖像放電區(qū)域整體進(jìn)行類別分割,結(jié)合改進(jìn)Otsu閾值算法對語義分割結(jié)果進(jìn)行后處理,從而實(shí)現(xiàn)對電暈放電區(qū)域的精確分割。

2 輸電線電暈放電分割模型框架

本文提出基于夜間紫外成像技術(shù)的輸電線電暈放電的分割方法,構(gòu)建Deeplabv3+與改進(jìn)Otsu分割模型；分析夜間紫外成像儀拍攝輸電線電暈放電圖像特點(diǎn),探究采用Deeplabv3+語義分割方法和改進(jìn)Otsu閾值分割方法對放電目標(biāo)分割精度的實(shí)際影響效果。 基于Deeplabv3+語義分割方法的引入,有效解決了圖像中放電區(qū)域與背景區(qū)域?qū)Ρ榷炔幻黠@導(dǎo)致難以分割的問題,由于其放電區(qū)域形態(tài)與背景區(qū)別明顯,通過Deeplabv3+可以將放電區(qū)域大致分割出來；改進(jìn)Otsu閾值分割方法的加入會(huì)調(diào)整放電圖像的類間方差,對放電區(qū)域方差自適應(yīng)加權(quán)使得分割閾值接近理想閾值,此時(shí)利用改進(jìn)Otsu方法對Deeplabv3+語義分割結(jié)果進(jìn)行后處理,從而提高放電目標(biāo)區(qū)域的分割精度。圖1為針對夜間輸電線電暈放電紫外圖像的Deeplabv3+與改進(jìn)Otsu分割模型框架。

圖1 輸電線電暈放電分割模型框架

3 基于Deeplabv3+的語義分割

語義分割是一種使計(jì)算機(jī)能夠理解圖像,并在網(wǎng)絡(luò)中同時(shí)實(shí)現(xiàn)對圖像中不同對象分類識(shí)別和高精度分割的技術(shù)[12],已廣泛用于電氣設(shè)備的識(shí)別和檢測。其中Deeplab[13]系列語義分割算法結(jié)合了深度卷積神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場,使得語義分割結(jié)果更加準(zhǔn)確。而最新的Deeplabv3+語義分割算法,在Deeplab系列算法優(yōu)點(diǎn)的基礎(chǔ)上,引入了編碼-解碼(Encode-Decode)結(jié)構(gòu),成為目前分割效果最好的模型[14]。在輸電線電暈放電檢測中,夜間型紫外成像儀拍攝的圖像,其電火花形態(tài)的放電區(qū)域與電力設(shè)備區(qū)別明顯,因此,可以通過基于Deeplabv3+的語義分割方法將放電區(qū)域整體分割出來。

3.1 Deeplabv3+算法

Deeplabv3+網(wǎng)絡(luò)由空洞卷積空間金字塔模塊(Atrous Spatial Pyramid Pooling,ASPP)[13]與編碼-解碼結(jié)構(gòu)組成,如圖2所示。

圖2 Deeplabv3+網(wǎng)絡(luò)結(jié)構(gòu)圖

本文選取ResNet50[15]作為Deeplabv3+網(wǎng)絡(luò)的特征提取主干網(wǎng)絡(luò),該網(wǎng)絡(luò)用于克服Deeplabv3+網(wǎng)絡(luò)加深導(dǎo)致的學(xué)習(xí)效率低、無法有效提高準(zhǔn)確率的問題。網(wǎng)絡(luò)主要由4個(gè)卷積殘差塊(Conv-block)和12個(gè)恒等殘差塊(Identity-block)組成,其中Conv-block用來調(diào)整輸入圖像的尺寸和通道數(shù),Identity-block用以串聯(lián)網(wǎng)絡(luò)及增加網(wǎng)絡(luò)層數(shù)。

在編碼過程中,首先通過ResNet50網(wǎng)絡(luò)對輸入的放電紫外圖像進(jìn)行特征提取,并由其末端的ASPP接收提取的特征圖作為輸入,再經(jīng)過具有多個(gè)不同采樣率的空洞卷積捕獲電暈放電的特征信息,最后得到放電紫外圖像的高層次特征,并將高層次特征圖像輸入到解碼模塊中進(jìn)行處理。

在解碼過程中,首先將編碼模塊提取到的高層特征圖進(jìn)行上采樣操作,然后將該特征與編碼過程中的淺層特征相結(jié)合,最后再次將結(jié)合后的特征進(jìn)行上采樣處理,還原成與輸入時(shí)同等尺寸圖像,從而完成對電暈放電區(qū)域的分割。

3.2 電暈放電圖像數(shù)據(jù)集構(gòu)建

3.2.1 數(shù)據(jù)來源與標(biāo)注

本文使用的紫外圖像數(shù)據(jù)是某網(wǎng)省公司利用FiLin-6夜間型紫外成像儀進(jìn)行輸電線電暈放電檢測時(shí)保留的巡檢圖像資料。對獲取的紫外檢測圖像進(jìn)行逐個(gè)處理,處理后的圖像大小統(tǒng)一縮放為 640×368,并剔除缺陷圖像。

以如下方式構(gòu)建電暈放電圖像數(shù)據(jù)集:將圖像分為電暈光斑和背景兩類,背景主要有輸電線、其他電力部件、天空等；圖像中能明顯判斷出電暈光斑的部分逐個(gè)標(biāo)注,標(biāo)注區(qū)域內(nèi)盡可能包含較完整的光斑；多個(gè)電暈光斑堆疊時(shí),盡量單獨(dú)標(biāo)注每個(gè)光斑區(qū)域。所有圖像標(biāo)簽均采用Labelme自行標(biāo)注,生成 json格式文件,并用于訓(xùn)練。

通過上述工作,構(gòu)建了共含有1286張圖像的電暈放電數(shù)據(jù)集,圖3為訓(xùn)練樣本的原始圖像及標(biāo)簽圖像示例。

圖3 原始圖像及標(biāo)簽圖像示例

3.2.2 數(shù)據(jù)集劃分

隨機(jī)選取已標(biāo)注圖像中的1028張圖像構(gòu)成電暈放電數(shù)據(jù)集的訓(xùn)練部分,剩余的258張圖像構(gòu)成了測試部分。

3.2.3 數(shù)據(jù)集增廣

Deeplabv3+網(wǎng)絡(luò)建立在大數(shù)據(jù)擬合的基礎(chǔ)上,在小樣本下難以擬合出最優(yōu)解,為避免Deeplabv3+網(wǎng)絡(luò)在進(jìn)行多層網(wǎng)絡(luò)訓(xùn)練時(shí)出現(xiàn)過擬合以及特征提取能力降低的問題,考慮對圖像數(shù)據(jù)增強(qiáng),進(jìn)而擴(kuò)大數(shù)據(jù)集。

本文通過圖像水平翻轉(zhuǎn)或豎直翻轉(zhuǎn)、平移、旋轉(zhuǎn)、圖像亮度調(diào)節(jié)、添加高斯噪聲等方式對電暈放電圖像數(shù)據(jù)集進(jìn)行增廣,如圖4所示,將訓(xùn)練集擴(kuò)充為原來的6倍大小,構(gòu)成了電暈放電圖像基準(zhǔn)數(shù)據(jù)庫。

圖4 圖像數(shù)據(jù)增強(qiáng)效果

3.3 網(wǎng)絡(luò)訓(xùn)練與結(jié)果分析

3.3.1 Deeplabv3+網(wǎng)絡(luò)訓(xùn)練

實(shí)驗(yàn)過程需要大量的圖像計(jì)算,對計(jì)算機(jī)內(nèi)存和GPU性能的要求比較高,本文實(shí)驗(yàn)平臺(tái)的軟硬件環(huán)境如表1所示。

表1 實(shí)驗(yàn)平臺(tái)參數(shù)設(shè)置

對Deeplabv3+網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí),經(jīng)過多次實(shí)驗(yàn)優(yōu)化,最終參數(shù)設(shè)置為:訓(xùn)練最小批次為20,初始學(xué)習(xí)率為0.001,最大迭代次數(shù)為300次以控制模型訓(xùn)練時(shí)間成本。Deeplabv3+網(wǎng)絡(luò)采用交叉熵作為損失函數(shù),定義如式(1)所示:

(1)

其中,wc為類別c的損失權(quán)重；pc(zj)為像素zj屬于真實(shí)類別c的概率。訓(xùn)練過程如圖5所示,模型在epoch為250左右趨于收斂,驗(yàn)證準(zhǔn)確率為 84.94%,驗(yàn)證損失為 0.164。

圖5 DeepLabv3+網(wǎng)絡(luò)模型訓(xùn)練過程

3.3.2 語義分割評價(jià)指標(biāo)

為了驗(yàn)證DeepLabv3+語義分割模型的性能,以平均交并比[16](Mean Intersection over Union,MIoU)和平均一次迭代的運(yùn)行時(shí)間作為量化指標(biāo),評價(jià)模型的分割精度和運(yùn)算效率。MIoU表示的是真實(shí)標(biāo)簽與分割結(jié)果的交集與并集之比的平均值,可以用來反映真實(shí)標(biāo)簽與模型分割目標(biāo)區(qū)域的重合度。計(jì)算公式如下:

(2)

式中,m為類別總數(shù),pii表示真實(shí)標(biāo)簽為類別i,分割結(jié)果也為類別i的像素?cái)?shù)量,而pij表示真實(shí)標(biāo)簽為類別i,分割結(jié)果為類別j的像素?cái)?shù)量。

3.3.3 算法效果評估

為分析Deeplabv3+分割模型的有效性,將Deeplabv3+與Unet、FCN以及Segnet等三種經(jīng)典語義分割模型分別進(jìn)行實(shí)驗(yàn)對比,各分割模型在測試集上的測試效果如表2所示。

表2 不同模型的分割性能

由表2可知,基于Deeplabv3+語義分割模型的分割精度優(yōu)于另外三種經(jīng)典語義分割算法,且運(yùn)算效率也遠(yuǎn)高于經(jīng)典分割算法,說明Deeplabv3+分割模型具有極強(qiáng)的優(yōu)越性。

在測試過程中,基于Deeplabv3+語義分割模型的測試結(jié)果如圖6所示。

圖6 基于Deeplabv3+分割效果圖

其中(a)為測試樣本原圖,(b)為Deeplabv3+模型分割結(jié)果圖,(c)為測試原圖與模型預(yù)測結(jié)果融合后的圖像。從分割結(jié)果可以看出,Deeplabv3+模型能夠從復(fù)雜背景中識(shí)別分割出放電位置,得到大致的放電區(qū)域,但仍難以避免會(huì)誤分割一些非放電背景區(qū)域。

4 改進(jìn)Otsu閾值分割

紫外放電圖像在經(jīng)過語義分割處理后,其電暈放電區(qū)域的灰度值與背景的灰度值對比明顯,從而便于閾值分割算法從語義分割結(jié)果中精確分割出放電區(qū)域。根據(jù)語義分割后放電圖像特點(diǎn),本文采用改進(jìn)Otsu算法對變換后的灰度圖像分別進(jìn)行閾值分割。

4.1 Otsu算法

Otsu是一種自適應(yīng)閾值分割算法,也稱為最大類間方差閾值分割法[17],其通過計(jì)算圖像的最大類間方差來分離背景與目標(biāo),當(dāng)背景部分與目標(biāo)部分的方差達(dá)到最大時(shí),其分割效果最佳。

其分割原理為:假設(shè)圖像像素點(diǎn)總數(shù)為N,將其灰度分為k個(gè)等級(jí)(1～k),xi表示圖像灰度級(jí)為i時(shí)的像素點(diǎn)數(shù)量,則灰度級(jí)i出現(xiàn)的概率為:pi=xi/N；引入初始閾值t,根據(jù)灰度級(jí)是否大于t可將圖像的像素點(diǎn)分成M0、M1(目標(biāo)和背景)兩類,灰度級(jí)為[1,t]的像素點(diǎn)屬于M0類,灰度級(jí)為[t+1,k]的像素點(diǎn)屬于M1類。P0(t),P1(t)分別表示M0類和M1類的出現(xiàn)的概率；Q0(t),Q1(t)分別表示M0類和M1類的平均灰度級(jí)[18-19]。則有:

(3)

(4)

(5)

(6)

類間方差定義為:

(7)

4.2 改進(jìn)的Otsu算法

文獻(xiàn)[20]提出Otsu閾值等于式(7)中Q0(tbest),Q1(tbest)兩類平均灰度級(jí)的平均值,即:

(8)

Otsu算法中,閾值會(huì)靠近方差較大的一類,將其所屬類別的區(qū)域分割成方差較小的另一類,使得兩類區(qū)域大小接近。由于檢測紫外圖像放電目標(biāo)區(qū)域較小,背景區(qū)域較大,需要使放電區(qū)域方差變小才能使Otsu分割閾值接近理想閾值。于是,考慮對放電目標(biāo)區(qū)域方差加權(quán)使之小于原始方差,改進(jìn)Otsu算法類間方差定義為:

(9)

其中,ω為權(quán)重,其值范圍為[0,1]。本文令ω=P0(t),P0(t)表示放電目標(biāo)區(qū)域出現(xiàn)的概率,當(dāng)圖像中光斑比較多,P0(t)值較大,賦予放電目標(biāo)區(qū)域方差的權(quán)重ω較大,反之,ω較小,從而實(shí)現(xiàn)對放電目標(biāo)區(qū)域方差自適應(yīng)加權(quán)。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 評價(jià)指標(biāo)

為了評判分割效果,引入平均像素精度(Mean Pixel Accuracy,MPA)、平均交并比(MIoU)這兩個(gè)指標(biāo)作為衡量本文分割方法精度的標(biāo)準(zhǔn)。MPA表示所有類別像素正確分類概率的均值,如式(10)所示,其側(cè)重表現(xiàn)像素分類的準(zhǔn)確率,而MIoU側(cè)重表現(xiàn)模型分割目標(biāo)區(qū)域的完整性以及分割位置的準(zhǔn)確性。

(10)

式中,m為類別總數(shù),pii表示真實(shí)標(biāo)簽為類別i,分割結(jié)果也為類別i的像素?cái)?shù)量,而pij表示真實(shí)標(biāo)簽為類別i,分割結(jié)果為類別j的像素?cái)?shù)量。MIoU定義如式(2)。

5.2 算法效果評估

為了說明本文構(gòu)建的電暈放電紫外圖像分割方法的有效性,先使用傳統(tǒng)的Otsu算法對電暈放電目標(biāo)進(jìn)行分割,進(jìn)行實(shí)驗(yàn)對比,發(fā)現(xiàn)Otsu算法能夠分割部分放電區(qū)域,但是圖像中還存在大量噪聲,分割效果不佳。而后使用本文提出的精確分割法,實(shí)驗(yàn)表明,本方法具有良好的分割效果。實(shí)驗(yàn)過程中先使用基礎(chǔ)模型分割,即傳統(tǒng)Otsu算法對Deeplabv3+網(wǎng)絡(luò)處理得到的放電區(qū)域進(jìn)行分割,然后對Otsu算法進(jìn)行改進(jìn),引入本文分割方法再次進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)對比結(jié)果如表3所示。

表3 實(shí)驗(yàn)結(jié)果量化對比

以上三種分割方法的實(shí)驗(yàn)結(jié)果對比如圖7所示,其中(a)為測試樣本原圖;(b)為傳統(tǒng)Otsu算法分割結(jié)果,從圖中可以看出傳統(tǒng)Otsu算法分割結(jié)果存在大量噪聲,對電暈放電的檢測能力差,由于夜間型紫外成像儀拍攝的放電圖像中光斑與背景的對比度不明顯,從而無法實(shí)現(xiàn)有效識(shí)別及分割；(c)為DeepLabv3+語義分割模型的實(shí)驗(yàn)結(jié)果圖；(d)為基礎(chǔ)模型分割放電區(qū)域的結(jié)果,可以較好地分割出電暈放電信息,但對于光斑細(xì)節(jié)處分割不佳,這是因?yàn)樽贤鈭D像中光斑區(qū)域較小,其分割閾值大于理想閾值,于是在對DeepLabv3+語義分割結(jié)果進(jìn)行后處理分割時(shí),導(dǎo)致會(huì)誤分割部分背景區(qū)域；(e)為本文改進(jìn)分割方法,考慮了放電區(qū)域較小情況下,對放電目標(biāo)區(qū)域方差加權(quán)使之小于原始方差,從而實(shí)現(xiàn)對放電目標(biāo)區(qū)域方差自適應(yīng)加權(quán),改善了對背景區(qū)域誤分割的問題,能夠完整地分割電暈放電區(qū)域,效果最好。

圖7 實(shí)驗(yàn)結(jié)果對比圖

6 結(jié) 論

針對夜間輸電線電暈放電紫外圖像的分割問題,提出了放電目標(biāo)區(qū)域精確分割方法。首先通過Deeplabv3+模型對紫外圖像放電區(qū)域整體進(jìn)行類別分割得到大致區(qū)域,再利用自適應(yīng)加權(quán)Otsu閾值算法對語義分割結(jié)果進(jìn)行后處理,從而得到對電暈放電區(qū)域精確分割的結(jié)果。實(shí)驗(yàn)表明:(1)傳統(tǒng)Otsu閾值分割方法無法對夜間電暈放電紫外圖像進(jìn)行有效的識(shí)別分割；(2)本文提出的DeepLabv3+結(jié)合改進(jìn)Otsu分割方法,平均像素精度為93.97%,平均交并比為 90.85%,分割效果良好；(3)本方法可用于對輸電線巡檢的紫外圖像實(shí)現(xiàn)電暈放電區(qū)域精準(zhǔn)快速分割。

本文所做研究為基于目標(biāo)區(qū)域的電暈放電區(qū)域分割,后續(xù)將在此基礎(chǔ)上,實(shí)現(xiàn)對分割區(qū)域放電強(qiáng)度的量化及輸電線缺陷診斷。