采用圖像分析與神經網絡識別絕緣子憎水性

汪佛池， 閆康， 張重遠， 王彥波， 楊升杰

(1.華北電力大學河北省輸變電設備安全防御重點實驗室，河北保定071003;2.國網鹿泉市供電公司，河北鹿泉050200)

0 引言

復合絕緣子以優異的耐污閃性能被廣泛應用于輸電線路中，其優異的耐污閃性能得益于它本身具有的憎水性。但隨著運行時間的延長、電暈、污穢、紫外線等因素的影響，復合絕緣子會逐漸老化，從而導致其憎水性能減弱，甚至完全喪失，使絕緣子的耐污閃電壓下降，增加了污閃事故的發生幾率［1-3］。為保證輸電線路的安全運行，有必要對絕緣子的憎水性等級進行識別。

目前，識別復合絕緣子憎水性等級主要有3種方法:表面張力法、靜態接觸角法和噴水分級法［4-6］。表面張力法和靜態接觸角法只適用于實驗室識別，噴水分級法由于操作簡單，幾乎不受空間、設備等因素的限制，被廣泛應用于運行現場。但是該方法受人的主觀性影響較大，其識別結果不可避免的會出現一定的差異性。并且該方法不能在線檢測絕緣子的憎水性，需要將絕緣子從輸電線路上取下然后才能進行檢測，耗費了大量的人力、物力和時間，為了更為準確客觀、方便快捷的在線識別絕緣子的憎水性等級，許多研究人員嘗試將數字圖像處理技術和模式識別理論引入到憎水性等級識別中，做了大量細致深入的研究，并取得一定的研究成果。改進的形狀因子法［7］、SVM 決策樹［8］和 k- 近鄰法［9］均被用于絕緣子憎水性等級的識別，結果表明這些方法能夠在一定程度上有效的克服人的主觀性對識別結果的影響，但自身也存在一定的缺陷，改進的形狀因子法利用形狀因子和最大水珠面積比作為特征量，通過對大量憎水性圖像進行統計分析，得出了憎水性等級和這兩個特征值之間的量化關系，但實際中，這兩個特征值和憎水性等級之間呈現出非常復雜的非線性關系，此方法給出的量化關系并不能涵蓋所有的絕緣子;SVM決策樹對大規模的訓練樣本無能為力;k-近鄰法的精度和計算效率受k值影響較大;這些不足導致他們的識別結果精度不高，甚至無法識別。

本文引入圖像處理技術和BP神經網絡對絕緣子的憎水性等級進行識別，通過試驗獲取大量不同憎水性等級的絕緣子圖像，采用直方圖均衡對絕緣子憎水性圖像進行增強預處理，然后采用自適應中值濾波去除噪聲，最后利用二維Ostu閾值法對圖像進行較為準確的分割，并提取了4個可以反映絕緣子憎水性等級的特征量，以這4個特征量作為輸入量。憎水性等級為輸出向量，建立了基于BP神經網絡的憎水性識別模型，結果表明該方法能夠準確的識別絕緣子憎水性等級。

1 絕緣子憎水性識別原理

通過噴水試驗獲得大量不同等級的絕緣子憎水性圖像，對圖像進行增強、去噪、分割后，提取了4個與憎水性等級相關的特征量，并以這些特征量作為輸入向量，憎水性等級作為輸出向量，建立了基于BP神經網絡識別模型，用所得到的樣本數據對識別模型進行訓練，利用訓練好的模型實現絕緣子憎水性等級的識別。識別流程如圖1所示。

圖1 絕緣子憎水性等級識別流程圖Fig.1 The flowchart of insulator hydrophobic identification

2 圖像分析與特征值提取

不同憎水性等級的絕緣子表面水珠的分布和形態特征是不一樣的，憎水性好的絕緣子表面呈現相互分離的水珠狀態，且水珠飽滿;憎水性等級越差，水珠形狀越不規則，最后形成連續的水膜或水跡。因此，絕緣子表面憎水性圖像處理和特征提取就是完成水珠的分割及其形態特征的提取。

2.1 直方圖均衡增強和降噪處理

現場運行的絕緣子由于受污穢影響，背景十分復雜，此外水珠的透明性及水珠對光的反射等因素，都使得對憎水性圖像的分割變得非常困難，為了達到理想的分割效果，采用對比度受限自適應直方圖均衡［10］和自適應中值濾波［11］對圖像進行增強和降噪處理。不僅能夠減弱背景、光照、噪聲等因素的影響，而且使得目標于背景的對比度顯著增強，圖像細節也變得更加清晰。圖2為直方圖均衡增強和降噪處理效果圖。

2.2 二維Otsu閾值法分割

傳統的Otsu閾值法［12］是基于一維直方圖的分割方法，它只利用了圖像的灰度信息，因此抗噪性能較差，當圖像中目標與背景的差異較小時分割效果不理想。為此提出了基于二維直方圖的Otsu閾值法，不僅利用圖像的灰度信息，而且還考慮到像素點與其鄰域的空間信息，抗噪性能得到提升，達到了比較滿意的分割效果。

圖2 處理效果Fig.2 The effect of treatment

設一幅憎水性圖像的灰度圖像大小為M×N，圖像中點(x，y)的灰度值為 f(x，y)，以點(x，y)為中心的鄰域內的平均灰度值為g(x，y)，定義二維直方圖N(i，j)的值表示為像素灰度值f(x，y)=i和像素鄰域平均灰度值 g(x，y)=j，其中(i，j=0，1，2，…，L-1)。則基于像素灰度值和像素鄰域灰度均值的二維直方圖如圖3所示。

圖3 二維直方圖Fig.3 Two-dimensional histogram

二維直方圖定義以后，就可以利用像素點的灰度值及其鄰域平均灰度值組成的二元組(i，j)來表示圖像。若設二元組(i，j)出現的頻數為fij，則相應的聯合概率密度為pij的表達式為

令二維矢量(s，t)為閾值，利用此閾值可將灰度圖像的二維直方圖分成4個區域:目標區域C0、背景區域C1、邊緣和噪聲區域A和B。只計算區域C0和區域C1的類間方差S，而忽略含噪聲較多的A區域和B區域，可以減少噪聲的干擾。然后遍歷圖像，找出使類間方差S最大的閾值(s，t)即為最佳分割閾值。

實驗結果表明，采用對比度受限直方圖均衡和自適應中值濾波對圖像做增強和去噪處理，然后利用二維Otsu完成對圖像較為準確的分割。圖4為利用本文算法的處理結果，其中，圖(a1)和圖(a2)均為原始圖像，圖(b1)和圖(b2)分別為圖(a1)和圖(a2)的分割圖像。

圖4 本文算法處理效果Fig.4 The processing effect of algorithm

2.3 圖像特征值提取

對分割后的憎水性圖像進行特征值提取，提取了4個與絕緣子憎水性相關的特征量:最大水珠(或水跡)的形狀因子fc，最大水珠(或水跡)，水珠覆蓋率A與整幅圖像的面積比K，最大水珠的偏心率e。實驗證明這4個特征量的值不受絕緣子的傘形結構、污穢分布、拍攝的光照條件、拍攝距離和拍攝角度等因素的影響［12］。它們的表達式為

其中:s為最大水珠(或水跡)的面積;l為最大水珠(或水跡)的周長。

其中:Smax為最大水珠的面積;XY為圖像的面積。

其中，N為識別出的水珠數;Si為第i個水珠的面積。XY表示圖像的面積。

其中，a為最大水珠外接矩形的長軸;b為最大水珠外接矩形的短軸。

3 識別模型設計與試驗驗證分析

3.1 BP神經網絡識別模型設計

BP神經網絡［13-15］是一種多層前向型神經網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成。在正向傳播過程中，信息由輸入層經隱含層逐層處理，最后傳遞到輸出層，當實際輸出與期望輸出不符時，進入誤差的反向傳播階段，反向傳播過程，通過網絡將誤差信號沿原來的路徑反向傳播，并不斷修改各層神經元的權值，直至達到預期目標。由于BP神經網絡能夠很好的表達任意的非線性映射關系，并且具有很強的魯棒性、記憶能力和學習能力。因此，用BP神經網絡來建立憎水性特征量和憎水性等級之間的關系是合理的。

3.1.1 網絡結構的設計

以圖像的特征值作為輸入向量，期望的憎水性等級作為輸出向量。由于提取的圖像特征值總共4個，故有4個輸入;輸出為7個憎水性等級，若利用3位二進制數表示憎水性等級，則BP神經網絡的輸出就由原來的7個簡化為3個，如表1所示。

表1 憎水性等級Table 1 Hydrohobic level

實踐證明，隱含層數目的增加可以提高BP神經網絡的非線性映射能力，但是隱含層數目超過一定值，網絡性能反而下降。而單隱層的BP神經網絡可以逼近任意的連續非線性函數，因此采用單隱層的BP網絡。隱含層的神經元個數直接影響著網絡的非線性預測性能。根據Kolmogorve定理［16］，隱含層神經元個數 m與輸入層神經元個數n有如下的近似關系

根據上式可以確定隱含層神經元數位9。

綜上所得，設計出一個3層的BP神經網絡，結構為4-9-3，即輸入層有4個節點，隱含層有9個節點，輸出層有3個節點。

3.1.2 隱含層和輸出層傳遞函數的選取

傳遞函數是BP神經網絡的重要組成部分，隱含層和輸出層傳遞函數的選取影響著網絡的預測精度。常用的傳遞函數有logsig函數、tansig函數和purelin函數。在網絡結構和權值、閾值相同的情況下，通過仿真測試得出BP神經網絡預測誤差和均方誤差、隱含層、輸出層節點傳遞函數之間的關系，如表2所示。

從表2可以看出，當隱含層選取logsig函數、輸出層選取purelin函數時，網絡的誤差百分比和均方誤差均最小，故隱含層和輸出層的函數分別選取logsig函數和purelin函數。

表2 不同傳遞函數對應預測誤差Table 2 The prediction error of different transfer function

3.1.3 訓練算法的選取

由于本身的限制與不足，傳統的BP神經網絡存在學習效率低、易于陷入局部極小值等缺點。針對這些缺點，產生了許多改進的算法，如共軛梯度法、附加動量法、自適應學習速率法、彈性梯度下降法等，本文采用共軛梯度法BP神經網絡模型。

共軛梯度算法的第一步是沿負梯度方向進行搜索，然后沿當前搜索方向的共軛方向進行搜索，可以迅速達到最優值。該方法比絕大多數常規的優化算法收斂速度都要快，而且需要的存儲量和計算量也較小。在網絡結構和網絡參數完全相同的情況下，不同改進算法的BP網絡性能如表3所示。

表3 不同改進算法的BP網絡性能Table 3 The BP network performance of different improved algorithms

從表3中可以看出共軛梯度算法的訓練次數和訓練時間是最少的，并且它的收斂精度也是最高的。因此采用共軛梯度算法的BP網絡性能更好。由此可見選擇共軛梯度算法是合理的。

3.1.4 數據的歸一化處理

為了消除訓練樣本數據間的數量級差別，避免因為輸入數據數量級差別較大而造成的網絡預測誤差較大，需要對訓練樣本數據進行歸一化處理。本文將樣本數據歸一化到［0，1］區間內，采用的歸一化公式為

其中，x為歸一化前的數值;xmin和xmax為歸一化前數據的最小值和最大值。

3.2 憎水性圖像獲取試驗

選取不同運行年限、不同污穢度等級的絕緣子300支，對每支絕緣子的最上面的傘裙和中間的傘裙噴水并拍攝圖像。相機選擇尼康S6300，有效像素1 600萬，光學變焦10倍，最高分辨率4 608×3 456，能夠滿足拍攝要求。

噴水試驗設備選擇普通噴壺，壺內裝滿去離子水，噴水時噴嘴與試品的距離控制在25 cm左右，噴嘴盡可能垂直于試品表面，每次噴水量控制在(0.7～1)ml;噴射水流的散開角度控制在(50～70)cm2之間，試品測試面積控制在(50～100)cm2之間。每秒噴水1次，共噴水25次，噴水后的試品表面應有水珠滾落。然后對比噴水圖像和標準圖譜，在30 s內完成憎水性等級的判定［17］。

3.3 試驗結果分析

從試驗拍攝的圖像中選取420幅圖像，每個憎水性等級的圖像各有50幅，并提取這些圖像的特征值。其中210幅圖像的特征值作為訓練樣本數據(每個憎水性等級的樣本各有30幅)，動量因子選取0.9，初始學習速率選取0.1，最大訓練次數1 000次，訓練目標為0.000 1，訓練后得到優化的絕緣子憎水性等級識別模型。剩余的210幅圖像(每個憎水性等級的樣本各有30幅)的特征值作為測試樣本數據，驗證識別模型的性能，測試結果如表4所示，部分測試樣本數據如表5所示。

表4 模型測試結果Table 4 The test results of model

從表4可以看出，對HC3和HC4等級的判斷正確率稍低，這可能是由于這兩個憎水性等級之間的相似性造成的;其他等級的判斷正確率均達到或超過90%;若有誤判也是在相鄰憎水性等級之間發生的，而在實際中，人工判別復合絕緣子憎水性等級是采用相鄰等級范圍劃分，例如:HC1-HC2，HC3-HC4等，從這層意義而言，該網絡的判斷正確率應該接近100%。

表5 部分測試樣本數據Table 5 Part of testing sample data

4 與其他識別方法的性能的比較

選取210幅圖像(每個憎水性等級的樣本各有30幅)作為測試樣本，分別利用SVM決策樹、k-近鄰法、形狀因子法和本文方法對這些測試樣本的憎水性等級進行識別。不同方法的識別結果如表6所示。

表6 不同方法的識別結果Table 6 The identification results of different algorithm

從表5可以看出本文方法對每個憎水性等級的識別率都是最高的，總的平均正確率也是最高的，達到90%以上，明顯優于其他幾種識別方法。

5 結論

為了更為準確客觀、方便快捷的識別復合絕緣子的憎水性等級，本文首先應用圖像處理技術提取了與憎水性相關的特征量，以這些特征量為輸入，建立了基于BP神經網絡的憎水性等級識別模型，并對測試樣本進行了識別，得出以下結論:

1)利用對比度受限的自適應直方圖均衡和自適應中值濾波對圖像進行增強和降噪處理，繼而利用二維Otsu閾值法對圖像進行分割，分割效果較為滿意，為后續憎水性特征量的準確提取奠定了基礎。

2)比較了不同BP神經網絡改進算法的性能，由于共軛梯度具有收斂精度高、收斂速度快的特點，因此采用基于共軛梯度算法的BP神經網絡對絕緣子憎水性等級進行識別，該方法能夠簡單快捷的識別出絕緣子的憎水性等級，識別準確率達到了實際應用的要求，并且使在線檢測絕緣子的憎水性成為可能。

3)由于運行現場的絕緣子長期處于戶外，因此，絕緣子表面背景十分復雜，要實現對各種復雜條件下(如水珠反光強度、污穢等級等)的絕緣子憎水性圖像較為準確的分割，有待于進一步的研究。

［1］彭向陽，姚森敬，毛先胤，等.輸電線路絕緣子新型防冰涂料及其性能研究［J］.電網技術，2012，36(7):133-135.PENG Xiangyang，YAO Senjing，MAO Xianyin，et al.Research on electrocaloric effect and ice-water switching principle based anti-icing coating for insulators of overhead transmission lines and its performance［J］.Power System Technology，2012，36(7):133-135.

［2］白歡，胡建林，李劍，等.應用動態接觸角評判復合絕緣子憎水性等級的研究［J］.高電壓技術，2010，36(12):3021-3023.BAI Huan，HU Jianlin，LI Jian，et al.Hydrophobicity evaluation of composite insulators using the dynamic contact angle.High Voltage Engineering，2010，36(12):3021-3023.

［3］申文偉，宋偉，王國利，等.復合絕緣子HTV硅橡膠材料老化特性的研究［J］.高壓電器，2013，49(2):1-3.SHEN Wenwei，SONG Wei，WANG Guoli，et al.Influence of corona discharge on aging characteristics of HTV silicone rubber material［J］.High Voltage Apparatus，2013，49(2):1-3.

［4］徐志鈕，律方成，趙鵬，等.擬合方法用于硅橡膠靜態接觸角的測量［J］.高電壓技術，2009，25(10):2475-2480.XU Zhiniu，Lü Fangcheng.ZHAO Peng，et al.Fitting method used for measurement of silicone rubber static contact angle［J］.High Voltage Engineering，2009，25(10):2475-2480.

［5］宋偉，趙林杰，李成榕，等.復合絕緣子在線檢測技術的發展［J］.高電壓技術，2005，3(5):28-30.SONG Wei，ZHAO Linjie，LI Chengrong，et al.On-line detection methods of composite insulator［J］.High Voltage Engineering，2005，3(5):28-30.

［6］梁英，李成榕，丁立健.電暈對HTV硅橡膠憎水性恢復的影響［J］.高電壓技術，2008，34(1):30-40.LIANG Ying，LI Chengrong，DING Lijian.Effect of corona discharge on the hydrophobicity recovery of HTV silicone rubber［J］.High Voltage Engineering，2008，34(1):30-40.

［7］陳秀娟.復合絕緣子憎水性及憎水遷移性在線檢測技術的研究［D］.華北電力大學，2005.

［8］王泉德，文必洋，王先培.采用圖像識別和分類判定絕緣材料憎水等級［J］.電機與控制學報，2008，12(1):94-98.WANG Quande，WEN Biyang，WANG Xianpei.Measuring insulating material hydrophobic level by image recognition and classification［J］.Electric Machines and Control，2008，12(1):94-98.

［9］彭克學，王泉德，王先培.基于表面噴水圖像分析的絕緣子表面憎水性檢測方法［J］.絕緣材料，2005，7(1):47-51.PENG Kexue，WANG Quande，WANG Xianpei.Spray image analysis based measurement of hydrophobic of insulator surfaces［J］.Insulation Material，2005，7(1):47-51.

［10］祁兵，唐良瑞，趙春輝.絕緣子憎水性圖像水珠/水跡形狀提取算法［J］.電工技術學報，2008，23(3):20-22.QI Bing，TANG Liangrui，ZHAO Cunhui.Algorithm of distilling information of hydrophobic image of Insulators［J］.Transactions of China Electro Technical Society，2008，23(3):20-22.

［11］李文杰，姚建剛，毛李帆，等.基于中值濾波法及小波自適應擴散法的絕緣子紅外熱像去噪［J］.電網技術，2010，34(8):161-163.LI Wenjie，YAO Jiangang，MAO Lifan.Insulator infrared image denoising based on median filtering and wavelet adaptive diffusion［J］.Power System Technology，2010，34(8):161-163.

［12］于文文.基于Snake模型的憎水性圖像分割算法研究［D］.北京:華北電力大學，2008.

［13］姚建剛，關石磊，陸佳政，等.相對溫度分布特征與人工神經網絡相結合的零值絕緣子識別方法［J］.電網技術，2012，36(2):171-174.YAO Jiangang，GUAN Shilei，LU Jiazheng，et al.Identification of zero resistance insulators by combining relative temperature distribution characteristics with artificial neural network［J］.Power System Technology，2012，36(2):171-174.

［14］周天春，楊麗君，廖瑞金，等.基于局部放電因子向量和 BP神經網絡的油紙絕緣老化狀況診斷［J］.電工技術學報，2010，25(10):20-21.ZHOU Tianchun，YANG Lijun，LIAO Ruijin，et al.Diagnosis of aging condition in oil-paper insulation based on factor vectors of partial discharge and BP neural network［J］.Transactions of China Electro Technical Society，2010，25(10):20-21.

［15］崔巖，白靜晶.光伏陣列多峰最大功率點跟蹤研究［J］.電機與控制學報，2012，16(6):88-90.CUI Yan，BAI Jingjing.Research on multi-peak PV module maximum power point tracking［J］.Electric Machines and Control，2012，16(6):88-90.

［16］毛穎科，關志成，王黎明，等.基于 BP人工神經網絡的絕緣子泄漏電流預測［J］.中國電機工程學報，2007，27(27):8-10.MAO Yingke，GUAN Zhicheng，WANG Liming，et al.Prediction of leakage current of outdoor insulators based on BP artificial neural network［J］.Proceedings of the CSEE，2007，27(27):8-10.

［17］中華人民共和國國家經濟貿易委員會.DL/T 810-2002.±500KV直流棒形懸式復合絕緣子技術條件［S］.北京:中國電力出版社，2002.