劉 赫，趙天成，劉俊博，矯立新，袁小翠，許志浩

電力線(xiàn)電暈放電紫外圖像精確分割方法

劉 赫1，趙天成1，劉俊博1，矯立新1，袁小翠2，許志浩2

（1. 國(guó)網(wǎng)吉林省電力有限公司電力科學(xué)研究院，吉林 長(zhǎng)春 130021；2. 南昌工程學(xué)院 電氣工程學(xué)院，江西 南昌 330099）

受拍攝環(huán)境及局部放電程度影響，夜間型紫外相機(jī)拍攝電暈放電圖像不清晰、放電區(qū)域的顏色不僅接近背景顏色且與背景交叉重疊等導(dǎo)致難以自動(dòng)分割局部放電，針對(duì)該問(wèn)題提出一種新的電力線(xiàn)紫外圖像局部放電區(qū)域精確分割方法。首先，構(gòu)建基于Unet深度學(xué)習(xí)語(yǔ)義分割模型，利用已訓(xùn)練Unet網(wǎng)絡(luò)對(duì)紫外圖像語(yǔ)義分割獲得電暈放電區(qū)域粗分割結(jié)果；其次，將放電區(qū)域紫外圖像轉(zhuǎn)換為灰度圖像，基于前景加權(quán)的Otsu閾值分割法對(duì)粗分割結(jié)果進(jìn)行精確分割。對(duì)426個(gè)樣本進(jìn)行測(cè)試，本文方法全部分割出了樣本圖像中的局部放電區(qū)域，且分割出的放電區(qū)域與真值之間的誤差接近0，所提出的電暈放電分割方法能為局部放電大小量化和評(píng)估提供準(zhǔn)確的數(shù)據(jù)源。

電暈放電；紫外成像；語(yǔ)義分割；Otsu閾值

0 引言

電力線(xiàn)等輸電設(shè)施受各種內(nèi)外部因素影響，長(zhǎng)期工作后會(huì)出現(xiàn)老化、斷股、散股、缺陷、污穢等問(wèn)題，并產(chǎn)生局部放電現(xiàn)象。局部放電會(huì)進(jìn)一步加速設(shè)備絕緣劣化，導(dǎo)致電氣設(shè)備故障。據(jù)統(tǒng)計(jì)，局部放電導(dǎo)致的絕緣故障約占總電力故障的80%，局部放電檢測(cè)已成為發(fā)現(xiàn)設(shè)備故障和潛在危險(xiǎn)的最重要方法[1]。目前，針對(duì)放電的檢測(cè)方法有紅外、超聲波、脈沖電流、超高頻和紫外放電檢測(cè)，紫外放電檢測(cè)是一種光學(xué)檢測(cè)手段，與其他檢測(cè)方法相比，紫外成像法具有準(zhǔn)確度更高、抗干擾能力強(qiáng)等優(yōu)勢(shì)，被廣泛應(yīng)用于電力設(shè)備的局部放電檢測(cè)。

目前在電力系統(tǒng)中所應(yīng)用的紫外成像儀類(lèi)型主要有兩種：一類(lèi)是夜間型紫外相機(jī)，這類(lèi)相機(jī)利用全波段的紫外光成像拍攝局部放電，以前蘇聯(lián)的Filin-6型紫外探測(cè)儀為例，這類(lèi)紫外探測(cè)相機(jī)在白天無(wú)法使用；另一類(lèi)是“日盲”型紫外相機(jī)，對(duì)放電產(chǎn)生的240～280nm的“日盲”紫外光進(jìn)行成像，如OFIL公司的Luminar紫外成像儀，這類(lèi)相機(jī)不受太陽(yáng)光的干擾，在白天也能使用[2]。

為了能夠?qū)﹄娏υO(shè)備的故障進(jìn)行自動(dòng)診斷，學(xué)者們研究將各類(lèi)探測(cè)相機(jī)安裝在巡檢機(jī)器人或者無(wú)人機(jī)上拍攝變電站設(shè)備和高壓輸變電線(xiàn)路絕緣子及電力線(xiàn)圖像[3]，利用算法自動(dòng)檢測(cè)及識(shí)別設(shè)備與電力線(xiàn)的局部放電?；谧贤鈭D像電力設(shè)備局部放電檢測(cè)方法一般包括3步[4]：①將紫外視頻流幀圖像進(jìn)行變換，將RGB紫外圖像轉(zhuǎn)換為灰度圖像或者HSV圖像；②對(duì)紫外圖像進(jìn)行分割獲取局部放電目標(biāo)區(qū)域；③計(jì)算目標(biāo)區(qū)域的面積，周長(zhǎng)等參數(shù)對(duì)放電區(qū)域進(jìn)行量化和修正，從而判斷放電嚴(yán)重程度[5-6]。其中，放電區(qū)域準(zhǔn)確分割是關(guān)鍵環(huán)節(jié)，分割準(zhǔn)確性直接影響放電區(qū)域量化及評(píng)價(jià)準(zhǔn)確性。

文獻(xiàn)[7]在實(shí)驗(yàn)室環(huán)境下模擬電暈絕緣子放電實(shí)驗(yàn)，拍攝其局部放電紫外圖像，直接對(duì)紫外圖像閾值分割，利用閾值濾波去除噪聲獲得局部放電區(qū)域精確分割結(jié)果。文獻(xiàn)[8]利用高斯函數(shù)對(duì)紫外圖像的光斑區(qū)域像素與非光斑區(qū)域圖像進(jìn)行對(duì)比度增強(qiáng)，再利用閾值分割法分割放電區(qū)域。文獻(xiàn)[9]等引入Chan-Vese水平集模型對(duì)紫外圖像進(jìn)行分割處理，根據(jù)放電區(qū)域的光斑面積、邊界周長(zhǎng)、長(zhǎng)軸、短軸等參數(shù)來(lái)評(píng)估放電狀態(tài)。文獻(xiàn)[10]基于泊松分布建立紫外放電目標(biāo)檢測(cè)模型，構(gòu)建紫外圖像的泊松概率映射圖，基于概率映射圖利用改進(jìn)Otsu閾值分割法分割圖像得到放電區(qū)域。如文獻(xiàn)[11]建立改進(jìn)SSD模型對(duì)紫外放電視頻流進(jìn)行訓(xùn)練，自動(dòng)識(shí)別紫外圖像中的放電區(qū)域，并對(duì)放電嚴(yán)重程度進(jìn)行評(píng)估。以上基于紫外圖像的局部放電檢測(cè)方法對(duì)日盲型紫外相機(jī)拍攝的紫外圖像處理效果較好，但是不適用于夜間型紫外相機(jī)拍攝的紫外圖像。

“日盲”紫外相機(jī)拍攝的圖像與夜間型紫外相機(jī)拍攝的放電圖像完全不同，“日盲”紫外相機(jī)拍攝的局部放電區(qū)域光斑非常清晰，與背景的對(duì)比度明顯，如圖1所示，白色斑塊為局部放電區(qū)域，其顏色與其背景完全不同，將圖像轉(zhuǎn)換為灰度圖，利用閾值分割法可以直接準(zhǔn)確分割出放電區(qū)域，或者將“日盲”紫外圖像轉(zhuǎn)HSV空間，無(wú)需經(jīng)過(guò)任何處理，利用顏色閾值能直接分割出放電區(qū)域，分割結(jié)果如圖1(b)所示，采用傳統(tǒng)的閾值分割法對(duì)“日盲”紫外圖像可以比較準(zhǔn)確地分割出放電區(qū)域。然而，這些方法并不適合于夜間型紫外相機(jī)拍攝的圖像。夜間型紫外相機(jī)能拍攝到放電區(qū)域，成像質(zhì)量受相機(jī)參數(shù)和環(huán)境影響，局部放電區(qū)域圖像與其背景對(duì)比度不明顯，光斑圖像與電氣設(shè)備顏色或者亮度相接近，如圖2所示，圖2中紅色矩形框內(nèi)的灰度圖像放大如圖藍(lán)色和紅色矩形框所示，放電區(qū)域矩形框內(nèi)的灰度值與電力線(xiàn)的灰度值基本一致，兩個(gè)區(qū)域的灰度均值約197，因此通過(guò)閾值分割法難以直接將放電區(qū)域精確分割出來(lái)。

因此，本文提出了一種夜間型紫外圖像局部放電精確分割方法，先基于Unet深度學(xué)習(xí)語(yǔ)義分割模型對(duì)紫外圖像放電區(qū)域粗分割，得到大致放電區(qū)域，再利用前景方差加權(quán)Otsu閾值分割法對(duì)放電區(qū)域精確分割，從而實(shí)現(xiàn)對(duì)放電區(qū)域的精確分割。

1 算法理論

1.1 局部放電語(yǔ)義粗分割

圖像語(yǔ)義分割是對(duì)每一個(gè)像素點(diǎn)進(jìn)行分類(lèi)，根據(jù)每個(gè)點(diǎn)的所屬類(lèi)別實(shí)現(xiàn)區(qū)域劃分。目前，語(yǔ)義分割已被廣泛應(yīng)用于自動(dòng)駕駛、醫(yī)學(xué)圖像等場(chǎng)景。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）已經(jīng)在圖像語(yǔ)義分割中廣泛應(yīng)用，比較經(jīng)典的網(wǎng)絡(luò)模型有全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional neural networks, FNN）、Segnet、DeepLab和UNet系列等。UNet網(wǎng)絡(luò)最早應(yīng)用在醫(yī)學(xué)圖像分割中，相比于FCN，Segnet，Deeplab等系列的經(jīng)典圖像分割模型，UNet網(wǎng)絡(luò)在訓(xùn)練樣本較少的情況下能獲得更準(zhǔn)確的分割結(jié)果。對(duì)夜間型紫外圖像，局部放電區(qū)域呈電火花形態(tài)，其形態(tài)與電力設(shè)備完全不同，因此，可以通過(guò)語(yǔ)義分割方法將放電區(qū)域粗略分割出來(lái)。在紫外圖像電氣設(shè)備故障檢測(cè)中，缺少公開(kāi)數(shù)據(jù)集，屬于小樣本的目標(biāo)分割，因此，本文利用UNet網(wǎng)絡(luò)對(duì)電氣設(shè)備紫外放電圖進(jìn)行特征分割。

1.1.1 UNet網(wǎng)絡(luò)

UNet網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，整個(gè)網(wǎng)絡(luò)可以分為編碼和解碼，或者主干特征提取網(wǎng)絡(luò)和加強(qiáng)特征提取網(wǎng)絡(luò)[12]，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，在主干特征提取網(wǎng)絡(luò)（編碼）中利用3×3卷積模板進(jìn)行5層卷積，卷積模板數(shù)分別是64、128、256、512和1024，2×2最大池化對(duì)卷積后的特征圖下采樣，使圖像特征圖尺寸減小，且采用relu作為激活函數(shù)。

在加強(qiáng)特征提?。ń獯a）網(wǎng)絡(luò)中對(duì)特征圖逐步上采樣和卷積來(lái)恢復(fù)圖像尺寸和特征圖通道數(shù)，解碼器和編碼器之間通過(guò)跳躍連接進(jìn)行特征圖融合，融合后繼續(xù)卷積，最后通過(guò)1×1×卷積輸出分割圖像結(jié)果，其中為通道數(shù)或圖像分割類(lèi)別。

圖3 UNet網(wǎng)絡(luò)結(jié)構(gòu)

1.1.2 數(shù)據(jù)來(lái)源及標(biāo)注

數(shù)據(jù)集來(lái)源于某網(wǎng)省公司利用FiLin-6夜間型紫外探測(cè)儀現(xiàn)場(chǎng)采集的高壓輸變電線(xiàn)路上的電力線(xiàn)紫外視頻圖像，視頻單幀圖像的大小是640×368。每一個(gè)紫外視頻圖像中包含了近1 000幀圖像，隨機(jī)選取2個(gè)視頻流作為訓(xùn)練樣本，將視頻流轉(zhuǎn)換成圖像幀，對(duì)每一幀圖像進(jìn)行樣本標(biāo)記。

若電力線(xiàn)存在絕緣故障導(dǎo)致局部放電，其放電紫外圖像呈電火花形狀，跟電力線(xiàn)的形狀完全不一樣。但受拍攝角度及距離影響，有些電火花區(qū)域與電力線(xiàn)完全分離、電火花區(qū)域覆在電力線(xiàn)或者電力設(shè)備上、放電區(qū)域圖像大小不一，形態(tài)各異。為了精確量化放電量，需要分割出放電區(qū)域，建立統(tǒng)一的標(biāo)注規(guī)范是保證訓(xùn)練模型精度的基礎(chǔ)，標(biāo)注時(shí)遵循以下3點(diǎn)原則：①標(biāo)注時(shí)盡量全部標(biāo)注出放電光子圖像，標(biāo)注區(qū)域大于實(shí)際放電區(qū)域；②盡量不要將非放電區(qū)域的電力線(xiàn)或者電力設(shè)備標(biāo)注在放電區(qū)域范圍內(nèi)；③多個(gè)電火花交叉時(shí)，盡量獨(dú)立標(biāo)注每個(gè)放電區(qū)域。本文使用Labelme工具對(duì)放電區(qū)域進(jìn)行標(biāo)注，對(duì)放電區(qū)域形成分割圖像的標(biāo)簽（真值），并生成json文件，標(biāo)簽圖像示例如圖4所示。

圖4 樣本標(biāo)簽

1.1.3 網(wǎng)絡(luò)訓(xùn)練

模型訓(xùn)練平臺(tái)操作系統(tǒng)Ubuntu 18.04，采用了tensorflow深度學(xué)習(xí)框架搭建UNet網(wǎng)絡(luò)。將已標(biāo)注的1874張紅外圖片作為訓(xùn)練樣本，以4:1的比例隨機(jī)分配訓(xùn)練集與測(cè)試集，兩者的樣本圖數(shù)量分別是1406和468，UNet網(wǎng)絡(luò)采用交叉熵作為損失函數(shù)，損失函數(shù)定義如下：

式中：wc為類(lèi)別c的損失權(quán)重；pc(zi)為像素zi屬于真實(shí)類(lèi)別c的概率；C表示總的類(lèi)別數(shù)，本文中C＝2。訓(xùn)練得到的損失函數(shù)如圖5所示，模型在epoch為50左右達(dá)到收斂，且其損失值loss接近0。

將測(cè)試樣本輸入已訓(xùn)練的Unet網(wǎng)絡(luò)中測(cè)試網(wǎng)絡(luò)分割效果，電力線(xiàn)放電區(qū)域語(yǔ)義分割結(jié)果如圖6所示，圖6第一行是高壓電力線(xiàn)拍攝的4段不同電力線(xiàn)視頻幀截圖，其中紅色橢圓圈內(nèi)存在局部放電，各圖對(duì)應(yīng)的語(yǔ)義分割結(jié)果如圖6第二行所示，利用Unet模型能夠粗略地分割出放電區(qū)域，但是還包含了一些非放電背景區(qū)域。

圖6 電暈放電圖像語(yǔ)義分割

1.2 局部放電精確分割

通過(guò)對(duì)紫外圖像進(jìn)行語(yǔ)義分割可以粗略分割出放電區(qū)域，為了精確計(jì)算光子數(shù)，需要在粗分割的基礎(chǔ)上對(duì)放電區(qū)域精確分割。因此，本文對(duì)語(yǔ)義分割出的放電區(qū)域圖像進(jìn)行灰度變換，將RGB圖像轉(zhuǎn)換成灰度圖像，再利用閾值分割法進(jìn)一步精確分割。

常用的閾值分割方法有Otsu[13]、最大熵[14]和最小錯(cuò)誤率[15]等，當(dāng)圖像直方圖呈雙峰分布時(shí)許多閾值分割方法均能取得較好的分割結(jié)果。分析語(yǔ)義分割結(jié)果發(fā)現(xiàn)，放電區(qū)域中包含了全部的放電圖像，也包含了少部分的非放電圖像，紫外圖像中放電區(qū)域比非放電區(qū)域圖像更亮，即非放電區(qū)域的灰度圖像的像素值更低，放電區(qū)域?qū)?yīng)的灰度圖像的像素值更高，且非放電區(qū)域的像素點(diǎn)更少，放電區(qū)域的像素點(diǎn)數(shù)量更多。對(duì)放電區(qū)域統(tǒng)計(jì)其直方圖，分析放電區(qū)域直方圖，其圖像直方圖雙峰不明顯，如圖7所示。為了更好地描述，此處將低灰度區(qū)域的非放電區(qū)域當(dāng)作前景，高灰度區(qū)域的放電區(qū)域圖像當(dāng)作背景。文獻(xiàn)[16]指出，當(dāng)?shù)突叶鹊那熬皡^(qū)域大小和高灰度背景區(qū)域的大小不一致時(shí)，Otsu閾值分割方法的分割閾值更靠近高灰度級(jí)，將部分背景圖像劃分為前景，使前景和背景的大小盡可能接近。如果直接用Otsu閾值分割法對(duì)放電區(qū)域圖像分割，會(huì)將部分放電區(qū)域分割成前景區(qū)域，分割結(jié)果不準(zhǔn)確。因此，本文提出改進(jìn)Otsu閾值分割方法對(duì)放電圖像精確分割。

圖7 放電區(qū)域灰度直方圖

改進(jìn)的Otsu閾值分割方法如下：設(shè)圖像大小為×，圖像灰度級(jí)范圍為[0,－1]，n為圖像灰度級(jí)的像素點(diǎn)數(shù)，灰度級(jí)出現(xiàn)的概率為：P＝n(×)，設(shè)圖像中灰度級(jí)低于的像素點(diǎn)構(gòu)成0類(lèi)，灰度級(jí)高于的像素點(diǎn)構(gòu)成1類(lèi)，若0()，1()表示0類(lèi)和1類(lèi)的出現(xiàn)的概率；0()，1()表示0類(lèi)和1類(lèi)的平均灰度級(jí)[17]。則有：

圖像的類(lèi)間方差b()表示為：

當(dāng)內(nèi)間方差達(dá)到最大時(shí)該灰度級(jí)為最優(yōu)閾值，即Otsu閾值：

文獻(xiàn)[16]證明，Otsu閾值可通過(guò)公式(8)計(jì)算得到：

Ostu＝(0(Ostu)＋1(Ostu)/2 (8)

Otsu閾值偏向于方差較大的一類(lèi)，將大部分的背景區(qū)域分割成目標(biāo)，使得兩類(lèi)圖像的大小相似[17]。由于前景區(qū)域比較小，背景區(qū)域比較大，需要使前景方差小，背景方差更大才能使分割結(jié)果接近理想閾值。為了使分割結(jié)果更接近最佳分割結(jié)果，對(duì)前景方差加權(quán)，使加權(quán)后的前景方差小于原始目標(biāo)方差。因此，改進(jìn)Otsu分割法表示為：

最優(yōu)閾值：

式中：為權(quán)重，其值范圍為[0,1]。本文令＝0()，0()表示前景出現(xiàn)的概率，當(dāng)圖像中前景比較多，0()值較大，賦予前景方差的權(quán)重較大，當(dāng)前景小，前景的方差應(yīng)該更小，權(quán)重也更小，從而自適應(yīng)實(shí)現(xiàn)對(duì)前景方差加權(quán)。

圖8(a)為電力線(xiàn)局部放電語(yǔ)義分割結(jié)果，對(duì)語(yǔ)義分割得到的放電區(qū)域計(jì)算圖像的類(lèi)間方差，其類(lèi)間方差曲線(xiàn)及得到的分割閾值如圖8(b)所示，分割結(jié)果如圖8(c)、(d)，可見(jiàn)本文方法分割結(jié)果更準(zhǔn)確，誤分割像素少，幾乎完整的將放電區(qū)域精確分割。

2 評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)本文方法對(duì)紫外圖像電力線(xiàn)放電局部區(qū)域檢測(cè)及分割效果，從兩個(gè)層次對(duì)算法進(jìn)行評(píng)價(jià)，一是在粗分割層面，通過(guò)對(duì)放電區(qū)域語(yǔ)義分割評(píng)價(jià)分割準(zhǔn)確性；二是精分割層面，通過(guò)錯(cuò)誤分類(lèi)誤差評(píng)價(jià)本文方法對(duì)放電區(qū)域分割的精確性。

對(duì)紫外圖像語(yǔ)義分割是電暈放電分割的粗分割，語(yǔ)義分割中通常采用平均交并比（mean intersection over union，MIoU）來(lái)評(píng)價(jià)分割的準(zhǔn)確性，MIoU是語(yǔ)義分割效果的度量標(biāo)準(zhǔn)之一，通過(guò)計(jì)算兩個(gè)集合的交集和并集的比例來(lái)反映分割結(jié)果與真實(shí)值之間的重合程度，在圖像語(yǔ)義分割中，這兩個(gè)集合分別是標(biāo)簽和預(yù)測(cè)值[18]。MIoU的值范圍為[0,1]，其值越大表示分割效果越好。對(duì)二分類(lèi)，MIOU的定義如下：

式中：參數(shù)TP（真正例像素個(gè)數(shù)）；TN（真反例像素個(gè)數(shù)）；FP（偽正例像素個(gè)數(shù)）；FN（偽反例像素個(gè)數(shù)）為混淆矩陣參數(shù)[19]。

錯(cuò)誤分類(lèi)誤差（mis-classification error，MCE）來(lái)評(píng)價(jià)實(shí)際分割結(jié)果與真值（真是放電區(qū)域）之間的誤差。MCE表示前景像素錯(cuò)分為背景，背景像素錯(cuò)分為前景的比例，用MCE值來(lái)評(píng)價(jià)單幀紫外圖像的局部放電區(qū)域分割準(zhǔn)確性[17]。

MCE定義為：

3 實(shí)驗(yàn)結(jié)果分析

粗分割結(jié)果：語(yǔ)義分割是像素級(jí)別的分類(lèi)任務(wù)，樣本數(shù)即為該類(lèi)別樣本的像素點(diǎn)個(gè)數(shù)之和。對(duì)246張大小為640×368樣本進(jìn)行測(cè)試，樣本集總像素點(diǎn)為57937920，其中放電區(qū)域像素點(diǎn)個(gè)數(shù)為148408，背景像素點(diǎn)個(gè)數(shù)是57789512，且包含的局部放電區(qū)域個(gè)數(shù)為518個(gè)，全部分割出放電區(qū)域，部分測(cè)試圖像語(yǔ)義分割結(jié)果如圖9所示，對(duì)測(cè)試圖像的語(yǔ)義分割得到的混淆矩陣如表1所示。

表1 全部測(cè)試圖像語(yǔ)義分割混淆矩陣

Unet網(wǎng)絡(luò)分割出放電區(qū)域像素為147864個(gè)，背景像素為57790056個(gè)，各類(lèi)別平均真實(shí)標(biāo)簽和預(yù)測(cè)結(jié)果的交并比MIOU為0.834590，可見(jiàn)，根據(jù)樣本標(biāo)簽，Unet網(wǎng)絡(luò)能夠比較準(zhǔn)確地從整個(gè)紫外圖像中分割出放電區(qū)域，從每張圖像中分割出所有的放電區(qū)域。

精確分割：為了準(zhǔn)確評(píng)價(jià)放電區(qū)域放電情況，需要精確獲得放電光子數(shù)，因此需要對(duì)放電區(qū)域進(jìn)行精確分割。利用MCE來(lái)定量衡量本文方法精確分割結(jié)果，對(duì)測(cè)試樣本人工手動(dòng)分割獲得放電真值圖像。將Unet語(yǔ)義粗分割出來(lái)的放電區(qū)域用本文改進(jìn)的Otsu和原始的Otus閾值分割方法對(duì)放電區(qū)域精分割，并對(duì)兩種方法的放電精確分割效果進(jìn)行比較，本文改進(jìn)Otsu和Otsu閾值分割方法對(duì)測(cè)試樣本的平均MCE值分別是0.0223，0.2194。圖9是4個(gè)不同樣本電力線(xiàn)電暈放電情況放電區(qū)域分割情況，其中圖11(a)～(e)分別是紫外放電原圖、放電區(qū)域真值、Unet分割結(jié)果、Otsu和本文改進(jìn)Otsu方法精確分割結(jié)果。Unet網(wǎng)絡(luò)粗分割、Otsu和本文改進(jìn)Otsu方法精確分割與真值圖像之間的差異用MCE量化，量化結(jié)果見(jiàn)表2所示。從圖9及表2數(shù)據(jù)可知，本文精確分割得到的放電區(qū)域與真值幾乎完全相同，MCE值接近0，遠(yuǎn)小于其他兩種分割結(jié)果。

圖9 不同方法對(duì)電暈放電分割結(jié)果比較：(a) 原圖；(b) 放電區(qū)域真值；(c) Unet分割結(jié)果；(d) Otsu分割結(jié)果；(e) 本文分割結(jié)果

表2 部分圖像分割的MCE值

綜上實(shí)驗(yàn)結(jié)果可知，通過(guò)對(duì)放電區(qū)域語(yǔ)義分割可以將全部放電區(qū)域標(biāo)記出來(lái)，但是標(biāo)記的放電區(qū)域包含許多背景，與真實(shí)放電區(qū)域存在較大差異；通過(guò)對(duì)語(yǔ)義分割結(jié)果進(jìn)一步利用閾值分割可以去除部分背景，本文提出的精確分割方法比Otsu閾值分割結(jié)果更準(zhǔn)確，分割出的放電區(qū)域與真實(shí)值之間的誤差小，誤差接近0。

4 結(jié)論

本文研究了一種夜間型紫外圖像局部放電檢測(cè)方法，深度學(xué)習(xí)語(yǔ)義分割模型對(duì)紫外圖像粗分割得到大致放電區(qū)域，再利用前景加權(quán)Otsu閾值分割方法對(duì)粗分割結(jié)果進(jìn)行閾值分割得到放電區(qū)域精確分割結(jié)果。本文方法全部準(zhǔn)確檢測(cè)出測(cè)試樣本中的每一個(gè)局部放電區(qū)域，無(wú)誤檢測(cè)，且分割出的放電區(qū)域與真實(shí)值之間的誤差接近0，分割出的放電區(qū)域?yàn)榉烹姶笮×炕驮u(píng)估提供精確的數(shù)據(jù)源。限于篇幅，本文沒(méi)有對(duì)放電大小進(jìn)行量化和修正，后續(xù)將在次基礎(chǔ)上展開(kāi)局部放電量化及評(píng)估方法研究。

[1] 王勝輝. 基于紫外成像的污穢懸式絕緣子放電檢測(cè)及評(píng)估[D]. 北京: 華北電力大學(xué), 2011.

WANG Shenghui. Detection and Assessment of Contaminated Suspension Insulator Discharge Based on Ultraviolet Imaging[D]. Beijing: North China Electric Power University, 2021.

[2] 張顯. 基于紫外檢測(cè)技術(shù)的絕緣子電暈放電特性研究[D]. 長(zhǎng)沙: 長(zhǎng)沙理工大學(xué), 2016.

ZHANG Xian. Research the Characteristics of Insulator Corona Discharge based on UV Imaging Technology[D]. Changsha: Changsha University of Science & Technology, 2016.

[3] 趙太飛, 李晗辰, 張港, 等. 無(wú)人機(jī)巡線(xiàn)的紫外放電檢測(cè)研究[J]. 電子測(cè)量與儀器學(xué)報(bào), 2020, 34(12): 36-42.

ZHAO Taifei, LI Hanchen, ZHANG Gang, et al. Ultraviolet discharge detection research for UAV patrol[J]., 2020, 34(12): 36-42 .

[4] WANG S, LV F, LIU Y. Estimation of discharge magnitude of composite insulator surface corona discharge based on ultraviolet imaging method[J]., 2014, 21(4): 1697-1704.

[5] ZHANG Z, WEI Z, ZHANG D, et al. Comparison of different characteristic parameters acquired by UV imager in detecting corona discharge[J]., 2016, 23(3): 1597-1604.

[6] LIN Y, CHEN Y, ZHOU J, et al. Gray Standard deviation based ultraviolet image segmentation for electrical equipment[C]//:, 2019, 1169(1): 012051.

[7] 艾建勇, 金立軍. 基于紫外圖像的接觸網(wǎng)棒瓷絕緣子污穢狀態(tài)檢測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2016, 31(10): 112-118.

AI Jianyong, JIN Lijun. Rod porcelain insulator filth state detection of catenary based on ultraviolet image[J]., 2016, 31(10): 112-118.

[8] 劉云鵬, 李泳霖, 裴少通, 等. 基于紫外成像技術(shù)的彩色光斑映射識(shí)別算法研究[J].華北電力大學(xué)學(xué)報(bào): 自然科學(xué)版, 2022(4): 1-9 .

LIU Yunpeng, LI Yonglin, PEI Shaotong, et al. Research on color spot mapping recognition algorithm based on ultraviolet imaging technology[J].:, 2022(4): 1-9.

[9] 李勛, 張宏釗, 胡元潮, 等. 基于C-V模型的電暈放電紫外成像分割及特征量研究[J]. 高壓電器, 2017, 53(8): 123-128.

LI Xun, ZHANG Hongzhao, HU Yuanchao, et al. Ultraviolet image segmentation and characteristic quantities of corona discharge based on C-V model[J]., 2017, 53(8): 123-128.

[10] 閔超波, 顧燕, 楊鋒. 基于泊松分布的日盲紫外電暈檢測(cè)[J]. 紅外技術(shù), 2020, 42(8): 715-721.

MIN Chaobo, GU Yan, YANG Feng. Corona detection of solar-blind ultraviolet via Poisson distribution[J]., 2020, 42(8): 715-721.

[11] 王勝輝, 董興浩, 王璽銘, 等. 基于改進(jìn)SSD算法和紫外成像的懸式絕緣子放電嚴(yán)重程度評(píng)估[J]. 華北電力大學(xué)學(xué)報(bào): 自然科學(xué)版, 2022(4): 1-10.

WANG Shenghui, DONG Xinghao, WANG Xuming et.al. Suspension insulator based on improved SSD algorithm and UV imaging discharge severity assessment[J].(), 2022(4): 1-10.

[12] Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[C]//–MICCAI , 2015: 234-241

[13] Otsu N. A threshold selection method from gray-level Histograms[J]., 2007, 9(1): 62-66.

[14] Kapur J, Sahoo P K, Wong A. A new method for gray-level picture thresholding using the entropy of the histogram[J].,, 1985, 29(3): 273-285.

[15] Kittler J, Illingworth J. Minimum error thresholding[J]., 1986, 19(1): 41-47.

[16] XU X, XU S, JIN L, et.al. Characteristic analysis of Otsu threshold and its applications[J]., 2011, 32(7): 956-961.

[17] 袁小翠, 吳祿慎, 陳華偉. 基于Otsu方法的鋼軌圖像分割[J]. 光學(xué)精密工程, 2016, 24(7): 1772-1781.

YUAN Xiaocui, WU Lushen, CHEN Huawei. Rail image segmentation based on Otsu threshold method[J]., 2006, 24(7): 1772-1781.

[18] 袁剛, 許志浩, 康兵, 等. 基于DeepLabv3+網(wǎng)絡(luò)的電流互感器紅外圖像分割方法[J]. 紅外技術(shù), 2021, 43(11): 1127-1134.

YUAN Gang, XU Zhihao, KANG Bing. Deep Labv3+ network-based infrared image segmentation method for current transformer[J]., 2021, 43(11): 1127-1134.

[19] 張開(kāi)放, 蘇華友, 竇勇. 一種基于混淆矩陣的多分類(lèi)任務(wù)準(zhǔn)確率評(píng)估新方法[J]. 計(jì)算機(jī)工程與科學(xué), 2021, 43(11): 1910-1919.

ZHANG Kaifang, SU Huayou, DOU Yong. A new multi-classification task accuracy evaluation method based on confusion matrix[J]., 2021, 43(11): 1910-1919.

New Corona Discharge Segmentation Method for Power Line Based on Ultraviolet Image

LIU He1，ZHAO Tiancheng1，LIU Junbo1，QIAO Lixin1，YUAN Xiaocui2，XU Zhihao2

(1.,,130021,;2.,,330099,)

Corona discharge images collected with night-type ultraviolet cameras are affected by the photographer’s environment and the degree of partial discharge, and the color of the discharge area is not only close to the background but also overlaps with the background, which makes it difficult to automatically segment corona discharge. This paper proposes a coarse-to-fine corona discharge ultraviolet (UV) image segmentation method. First, a deep-learning semantic segmentation model was constructed, and rough segmentation results of the corona discharge were obtained using a trained Unet network. Second, the UV image of the discharge region was converted into a gray image, and the rough segmentation result was accurately segmented based on the Otsu threshold segmentation method with foreground weighting. A total of 426 samples were tested, and all the corona discharge regions in the sample images were segmented using the proposed method. The error between the segmented discharge regions and the true value was close to 0. The proposed corona discharge segmentation method provides accurate data sources for the quantification and evaluation of corona discharges.

corona discharge，ultraviolet imaging，semantic segmentation，Otsu threshold

TN219；TM452

A

1001-8891(2023)12-1322-08

2022-05-11；

2022-05-17.

劉赫（1984-），男，吉林長(zhǎng)春人，工程師，碩士，研究方向?yàn)殡娏υO(shè)備故障檢測(cè)與診斷。E-mail：liuhehe1984@163.com。

袁小翠（1988-），女，博士，副教授，研究方向?yàn)閳D像處理及視覺(jué)檢測(cè)。E-mail：yuanxc2012@163.com.

國(guó)網(wǎng)吉林省電力有限公司2022年揭榜掛帥項(xiàng)目（JL2237874846）。