孫國(guó)華 孔德瀚 楊景超 曹京亞 喻曉昭

0 引言

絕緣子是電力系統(tǒng)中的關(guān)鍵組件之一，具有重要的電氣絕緣和機(jī)械支撐作用［1］。其中復(fù)合絕緣子具有出色的耐污閃性能，且電氣絕緣性能優(yōu)良，得以在輸電線(xiàn)路中廣泛應(yīng)用［2］。

復(fù)合絕緣子的以上優(yōu)點(diǎn)主要與其傘裙表面具有良好的憎水性相關(guān)，在憎水性的作用下，絕緣子表面在濕潤(rùn)條件下不易形成連續(xù)的水跡，從而有效防止了表面放電現(xiàn)象的產(chǎn)生。但隨著運(yùn)行時(shí)間的增長(zhǎng)，受電暈放電、紫外線(xiàn)、極端溫度等因素影響，傘裙表面逐漸發(fā)生老化，憎水性能也隨之下降，進(jìn)而影響正常使用［3-4］，甚至導(dǎo)致安全事故。因此定時(shí)對(duì)復(fù)合絕緣子的憎水性進(jìn)行檢測(cè)，對(duì)確保供電線(xiàn)路安全具有重要意義。

目前，國(guó)內(nèi)外對(duì)復(fù)合絕緣子的憎水性評(píng)估方法主要包括靜態(tài)接觸角法、表面張力法、噴水分級(jí)法、基于圖像處理的憎水性等級(jí)判別方法、基于卷積神經(jīng)網(wǎng)絡(luò)的憎水性等級(jí)判別方法等。

1 靜態(tài)接觸角法

靜態(tài)接觸角法于1999 年由Hillborg［5］等提出，該方法通過(guò)測(cè)量樣品的靜態(tài)接觸角大小來(lái)衡量其憎水性強(qiáng)弱。接觸角示意圖如圖1 所示。

靜態(tài)接觸角的定義：水珠與傘裙的交界處切線(xiàn)與傘裙表面所構(gòu)成的夾角，記為。平穩(wěn)狀態(tài)下，當(dāng)接觸角的度數(shù)大于90 度時(shí)，判定為憎水；相反當(dāng)接觸角度數(shù)小于90 度時(shí)，判定為親水。對(duì)于實(shí)驗(yàn)中出現(xiàn)的傾斜面，通過(guò)測(cè)量其前進(jìn)角a和后退角r來(lái)評(píng)估憎水性，其中后角是觀(guān)察表面憎水性的重要指標(biāo)，r=0 時(shí)，應(yīng)當(dāng)判定為親水。

文獻(xiàn)［6］中使用接觸角測(cè)量?jī)x來(lái)測(cè)量絕緣子傘裙表面的靜態(tài)接觸角大小，以評(píng)定絕緣子的憎水性等級(jí)。文獻(xiàn)［7］指出，在度量憎水性能較差的絕緣子時(shí)，由于絕緣子表面被大片水跡附著，開(kāi)展靜態(tài)角的測(cè)量工作較為困難，且測(cè)得的數(shù)據(jù)對(duì)絕緣子憎水性的區(qū)分度不高。

靜態(tài)接觸角法在實(shí)際使用中具有較為理想的判別效果，但是對(duì)試驗(yàn)環(huán)境要求較為嚴(yán)格，因此該方法常見(jiàn)于實(shí)驗(yàn)室條件下的絕緣材料憎水性檢測(cè)。

2 表面張力法

表面張力法［8］是一種用于測(cè)量液體混合物表面張力的方法。該方法使用三組具有不同張力范圍的液體混合物，將它們分別噴灑在待測(cè)樣品的傘裙上，并記錄液體分裂所需的時(shí)間。選擇混合物中分裂時(shí)間接近2 秒的，計(jì)算其表面張力和水的表面張力之間的差值，可以評(píng)估測(cè)試樣品的憎水性。

表面張力法由于其使用的液體混合物中存在對(duì)人體有害的成分（甲酰胺、乙二醇單乙醚等），因此僅適合在實(shí)驗(yàn)室條件下使用。

3 噴水分級(jí)法

噴水分級(jí)法（Hydrophobicity Classification，簡(jiǎn)稱(chēng)HC 法）是由瑞典輸配電研究所（Swedish Trans-mission Research Institute，簡(jiǎn)稱(chēng)STRI）［9］提出的，通過(guò)對(duì)絕緣子傘裙表面噴灑不同濃度的蒸餾水-異丙醇混合液體來(lái)模擬不同憎水性下絕緣子表面的水珠/水跡分布狀況。在HC 法中，使用HC1-HC7 總共7 個(gè)等級(jí)來(lái)代表絕緣子的憎水性，憎水性最好的用HC1 級(jí)來(lái)表示，憎水性最差的用HC7 級(jí)表示。

為便于判斷，STRI 提供了如圖2 所示的憎水性等級(jí)對(duì)照?qǐng)D。

圖2 STRI 提供的HC 法對(duì)照?qǐng)D

HC 法獲取相應(yīng)憎水性狀況及使用混合液體的濃度對(duì)照關(guān)系如表1 所示。

表1 噴水分級(jí)法憎水性與混合溶液濃度對(duì)照表

HC 法檢測(cè)憎水性的操作步驟簡(jiǎn)單高效，得以廣泛應(yīng)用于實(shí)際工況下。

4 基于圖像處理的憎水性等級(jí)評(píng)判

在完成憎水性判別任務(wù)時(shí)，如遇大批絕緣子待測(cè)樣本，僅僅依靠傳統(tǒng)判別方法，會(huì)帶來(lái)極大的不便，且判斷結(jié)果易受人為主觀(guān)判定的影響，會(huì)產(chǎn)生錯(cuò)判誤判的現(xiàn)象。為此，很多學(xué)者在HC法的基礎(chǔ)上結(jié)合圖像處理方法進(jìn)行研究。該方法的基本構(gòu)筑如圖3 所示：

圖3 基于圖像處理的絕緣子憎水性等級(jí)評(píng)判流程

4.1 圖像處理方法

由于拍攝到的絕緣子圖像受復(fù)雜工作環(huán)境、水珠自身反光等因素影響，并不適合直接進(jìn)行分割操作。可通過(guò)采取圖像增強(qiáng)措施，以增強(qiáng)圖像的對(duì)比度，該步驟對(duì)水珠/水跡分割及提取特征參數(shù)都具有重要的鋪墊作用。

在憎水性圖像處理過(guò)程中，邊緣檢測(cè)/圖像分割操作是提取出符合原水跡分布圖像的關(guān)鍵步驟，直接決定了特征參數(shù)的有效性。圖4 所示的分割圖像是使用圖像分割算法后得到的。

圖4 復(fù)合絕緣子水珠/水跡圖像分割效果示例

圖像分割作為基于圖像處理方法的憎水性等級(jí)評(píng)判的關(guān)鍵步驟，近年來(lái)有許多學(xué)者對(duì)其進(jìn)行了研究。文獻(xiàn)［10］中于小彬等人指出，單一的圖像處理方式無(wú)法完全適用于所有憎水性等級(jí)下的水珠/水跡圖像，于是提出將圖像的一致性測(cè)度值作為閾值進(jìn)行預(yù)分類(lèi)，然后對(duì)預(yù)分類(lèi)后的圖像使用相應(yīng)的圖像分割方法，進(jìn)而提高了特征參數(shù)的質(zhì)量；文獻(xiàn)［11］中提取一種基于Ostu 的自適應(yīng)閾值分割方法，通過(guò)計(jì)算圖像的類(lèi)間方差，自適應(yīng)確定分割目標(biāo)與前景的閾值，進(jìn)而獲得較好的圖像分割效果；文獻(xiàn)［12］對(duì)Canny 算子引入Ostu 閾值法進(jìn)行優(yōu)化改進(jìn)，并對(duì)分割后的圖像予以數(shù)學(xué)形態(tài)學(xué)修正，文獻(xiàn)［13］提出一種基于一致性測(cè)度值的分割算法預(yù)篩選步驟，對(duì)基于此值劃定的3 種不同等級(jí)的憎水性圖像分別對(duì)其采用Canny 邊緣檢測(cè)、自適應(yīng)閾值分割以及最大類(lèi)間方差法來(lái)得到較好的二值圖像。

4.2 常用的特征參數(shù)

常見(jiàn)的特征參數(shù)均由相關(guān)學(xué)者在HC 法的基礎(chǔ)上進(jìn)一步提出，例如形狀因子法［14］，以及最大面積法［15］等。據(jù)此對(duì)不同的HC 等級(jí)進(jìn)行表述，為后續(xù)使用智能算法進(jìn)行憎水性等級(jí)判定奠定了理論基礎(chǔ)。其中，部分特征參數(shù)公式如（1）—（4）所示。

4.2.1 水珠/水跡個(gè)數(shù)

不同憎水性等級(jí)的絕緣子圖像在進(jìn)行圖像分割時(shí)所獲得的水珠個(gè)數(shù)不同，規(guī)定水珠/水跡個(gè)數(shù)用字母N 來(lái)進(jìn)行表示。

4.2.2 水珠/水跡覆蓋率

（1）式中，N 代表的水珠/水跡個(gè)數(shù)，Si代表第i 個(gè)水珠的面積，S 表示所取圖像的面積。

4.2.3 水珠/水跡形狀因子

（2）式中：Smax代表最大水珠/水跡的面積，l 則代表最大水珠/水跡的周長(zhǎng)。

4.2.4 最大面積比

（3）式中：Smax為最大水珠/水跡的面積，S 為所取圖像的面積。

4.2.5 偏心率

（4）式中：a 為最大水珠的外接矩形的長(zhǎng)軸，b 為最大水珠的外接矩形的短軸。

4.3 分類(lèi)算法

憎水性等級(jí)判定分類(lèi)算法的主要流程為：輸入特征參數(shù)矩陣，經(jīng)過(guò)相應(yīng)分類(lèi)算法處理后輸出既定的HC 等級(jí)。

將圖像分割算法提取到的特征參數(shù)劃分為訓(xùn)練集與測(cè)試集，分別輸入分類(lèi)算法，依次迭代，更新算法參數(shù)。每次迭代完成后于驗(yàn)證集上進(jìn)行驗(yàn)證，測(cè)試當(dāng)前算法的分類(lèi)性能，最終獲得較高的分類(lèi)準(zhǔn)確率。

較為常見(jiàn)的分類(lèi)算法有：

（1）BP 神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）

BP 神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱藏層、輸出層三層元素組成，其具體結(jié)構(gòu)如圖5 所示。每個(gè)層中的節(jié)點(diǎn)（神經(jīng)元）都具有可調(diào)參數(shù)（權(quán)重、偏執(zhí)）。網(wǎng)絡(luò)依靠幾個(gè)層之間的前向傳遞獲得預(yù)測(cè)結(jié)果后主要通過(guò)使用梯度下降算法來(lái)最小化預(yù)測(cè)誤差，以反向傳播的形式來(lái)改變網(wǎng)絡(luò)參數(shù)從而提高網(wǎng)絡(luò)的準(zhǔn)確性。

圖5 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

（2）支持向量機(jī)

支持向量機(jī)的核心思想是在提供的樣本中找到最理想的超平面以完成分類(lèi)。

假設(shè)給定一個(gè)數(shù)據(jù)集由N 個(gè)數(shù)據(jù)點(diǎn)組成，其中這些數(shù)據(jù)點(diǎn)分為A 類(lèi)與B 類(lèi)，將這些數(shù)據(jù)點(diǎn)分別給予y=1 與y=-1 的標(biāo)簽?，F(xiàn)在通過(guò)一條實(shí)線(xiàn)將這些數(shù)據(jù)點(diǎn)進(jìn)行完全分割。其分類(lèi)示意圖如圖6 所示。

圖6 支持向量機(jī)示意圖

A 與B 類(lèi)的數(shù)據(jù)點(diǎn)x 落在虛線(xiàn)上，該虛線(xiàn)使得A 類(lèi)數(shù)據(jù)和B 類(lèi)數(shù)據(jù)距離實(shí)線(xiàn)之間距離最大，而此實(shí)線(xiàn)也被稱(chēng)為最優(yōu)超平面，而在虛線(xiàn)上的A與B 類(lèi)的數(shù)據(jù)點(diǎn)也被稱(chēng)為支持向量。

上述部分的情形只能用來(lái)解決線(xiàn)性可分的問(wèn)題，而不能解決實(shí)際問(wèn)題中大量樣本數(shù)據(jù)集中存在的線(xiàn)性不可分情況。支持向量機(jī)通過(guò)引入核函數(shù)來(lái)解決這一問(wèn)題。

在構(gòu)建復(fù)合絕緣子增水性等級(jí)判定的分類(lèi)算法方面，國(guó)內(nèi)外很多學(xué)者都進(jìn)行了相關(guān)嘗試。文獻(xiàn)［16-17］依次將獲得的特征參數(shù)送入支持向量機(jī)以及貝葉斯分類(lèi)器構(gòu)建了分類(lèi)模型，實(shí)現(xiàn)了憎水性等級(jí)的智能分類(lèi)；2014 年，張重遠(yuǎn)［18］等人使用擬牛頓法對(duì)BP 神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，使得網(wǎng)絡(luò)獲得了平均90%的識(shí)別準(zhǔn)確率；2020 年柯良斌［19］等人提出采用譜聚類(lèi)算法對(duì)絕緣子噴水圖像進(jìn)行分割，并提取相關(guān)特征進(jìn)行批量檢測(cè)。

5 基于卷積神經(jīng)網(wǎng)絡(luò)的憎水性等級(jí)評(píng)判

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡(jiǎn)稱(chēng)CNN）是深度學(xué)習(xí)領(lǐng)域解決分類(lèi)、目標(biāo)檢測(cè)等問(wèn)題的可靠工具。在對(duì)高維數(shù)據(jù)處理的過(guò)程中，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)往往運(yùn)算效率較低，且運(yùn)算精度受數(shù)據(jù)維度影響較大。卷積神經(jīng)網(wǎng)絡(luò)與之相比，有較為強(qiáng)大的學(xué)習(xí)能力，學(xué)習(xí)過(guò)程中，對(duì)專(zhuān)家經(jīng)驗(yàn)以及復(fù)雜的信號(hào)處理方式要求較低。

卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層和全連接層構(gòu)成。其分別對(duì)輸入數(shù)據(jù)起到特征提取、特征降維以及將數(shù)據(jù)映射到標(biāo)簽空間的作用，經(jīng)由此套流程完成整個(gè)分類(lèi)任務(wù)。用于完成絕緣子憎水性等級(jí)分類(lèi)任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖7 所示。

圖7 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

結(jié)合使用場(chǎng)景，由于卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)獲取影響憎水性分級(jí)結(jié)果的水珠/水跡特征，避免了人工提取特征過(guò)程中拍攝環(huán)境、水跡反光等因素對(duì)圖像分割步驟的干擾，保證了獲取到的特征的質(zhì)量。因此卷積神經(jīng)網(wǎng)絡(luò)是解決憎水性分類(lèi)問(wèn)題更便捷、智能、高效的選擇。

近幾年，卷積神經(jīng)網(wǎng)絡(luò)已被部分學(xué)者在復(fù)合絕緣子憎水性檢測(cè)問(wèn)題上進(jìn)行應(yīng)用。2018 年，顏偉韜［20］使用概率神經(jīng)網(wǎng)絡(luò)對(duì)分割后的憎水性圖像進(jìn)行等級(jí)識(shí)別；2019 年，張德欽［21］等人使用目標(biāo)檢測(cè)網(wǎng)絡(luò)Faster R-CNN 對(duì)復(fù)雜背景下的絕緣子進(jìn)行分離，再將水跡的明顯區(qū)域送入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類(lèi)識(shí)別，所構(gòu)建模型具有較高的準(zhǔn)確率；2020 年，KOKALIS［22］等人使用不同HC等級(jí)的絕緣子噴水圖像對(duì)VGGNet、GoogleNet、ResNet 等網(wǎng)絡(luò)進(jìn)行訓(xùn)練，驗(yàn)證準(zhǔn)確率達(dá)97%；2021 年于小彬［10］等人使用AlexNet、DenseNet等網(wǎng)絡(luò)并引入遷移學(xué)習(xí)技術(shù)構(gòu)建絕緣子憎水性識(shí)別網(wǎng)絡(luò)，于較小的樣本集上完成模型訓(xùn)練，在提高識(shí)別準(zhǔn)確率的同時(shí)，降低了模型計(jì)算量及訓(xùn)練時(shí)間。表2 為幾種常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)的層結(jié)構(gòu)數(shù)目及在訓(xùn)練集和測(cè)試集分別為350 張和140 張圖像的條件下得到的平均識(shí)別準(zhǔn)確率。

表2 各類(lèi)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及算法在Photo-dataset①https://data.mendeley.com/datasets/56ws3b6379/draft?a=35225fb7-29c3-4cf6-a9e5-8bb60e6b75a7.數(shù)據(jù)集上的效果

6 其他方法

文獻(xiàn)［23］利用高聚合物表面的荷電能力來(lái)定量描述有機(jī)物的憎水性；文獻(xiàn)［24］通過(guò)檢測(cè)濕潤(rùn)條件下材料的泄漏電流來(lái)表征憎水性；文獻(xiàn)［25］對(duì)獲取到的特征參數(shù)引入集成學(xué)習(xí)方法進(jìn)行憎水性等級(jí)判別。

7 總結(jié)

對(duì)比傳統(tǒng)憎水性分級(jí)方法，以圖像處理、深度學(xué)習(xí)為基礎(chǔ)構(gòu)建的分類(lèi)算法憑借方便且準(zhǔn)確的工作方式取得了更好的效果。但實(shí)際工程中，圖像數(shù)據(jù)的獲取主要依靠人工采集，工作量大且危險(xiǎn)，如何將訓(xùn)練好的算法部署在移動(dòng)平臺(tái)上，并借助無(wú)人機(jī)等方式取代人工采集，以在線(xiàn)形式開(kāi)展憎水性檢測(cè)工作，是今后研究工作的重要方向。