基于BP神經網絡的GIS缺陷圖像識別系統(tǒng)的研究

萬書亭， 趙曉迪， 肖珊珊， 仝玎朔

(1.華北電力大學 能源動力與機械工程學院，河北 保定 071003；2.長安大學 公路學院，陜西 西安 710064)

基于BP神經網絡的GIS缺陷圖像識別系統(tǒng)的研究

萬書亭1， 趙曉迪1， 肖珊珊1， 仝玎朔2

(1.華北電力大學 能源動力與機械工程學院，河北 保定 071003；2.長安大學 公路學院，陜西 西安 710064)

為了實現(xiàn)對氣體絕緣金屬封閉開關設備(GIS)的精確檢測，提出了一種基于BP神經網絡的對GIS內部典型缺陷圖像自動識別的檢測方法。通過內窺鏡獲得各種類型的異物缺陷圖像，建立缺陷類型樣本數(shù)據(jù)庫。對樣本數(shù)據(jù)庫中的圖像進行特征分析和特征提取，采用圖像的有效特征對BP神經網絡進行學習和訓練，建立異物缺陷類型的識別模型，實現(xiàn)缺陷圖像的自動識別。該系統(tǒng)的算法和界面均由MATLAB實現(xiàn)，系統(tǒng)測試表明，基于BP神經網絡的GIS缺陷圖像自動識別系統(tǒng)，能夠對GIS內部異物缺陷類型進行準確監(jiān)測和識別。

氣體絕緣金屬封閉開關設備； 缺陷圖像； 神經網絡； 自動識別

0 引言

近年來，隨著電網規(guī)模日益擴大，對高壓電器的要求也日益增高[1]。GIS設備由于具有安全可靠性高、檢修周期長等優(yōu)點，在電力系統(tǒng)中得到了廣泛使用。雖然GIS的優(yōu)越性十分顯著，可一旦發(fā)生事故，對設備本身及周邊其他電力設備都會造成不可估量的損失，進而嚴重影響電力系統(tǒng)的安全性和穩(wěn)定性，所以對GIS開關的典型缺陷進行研究是十分必要的[2]。

當GIS發(fā)生故障時，內部絕緣出現(xiàn)問題的可能性比較大。當GIS內部絕緣部分發(fā)生故障時，要通過在線監(jiān)測和診斷進行及時處理，便于快速采取有效措施排除故障，保證電網的安全穩(wěn)定運行[3]。近年來，GIS的檢測方法有了很大的發(fā)展，包括脈沖電流法[4-6]、超高頻法[7-8]和超聲波法[9-10]等，然而這些檢測方法只能間接的反應缺陷類型，并且大都不能實現(xiàn)在線檢測，存在著缺乏直觀性、操作復雜等缺點。

目前，許多超高壓、特高壓GIS設備都對內部狀態(tài)進行內窺鏡觀測，通過內窺鏡得到GIS內部圖像，人工判斷存在何種缺陷[11-16]。但人工對缺陷圖像進行分析效率低、主觀性強，并且不能把缺陷類型進行系統(tǒng)的歸類?，F(xiàn)在基于計算機視覺的缺陷檢測已經廣泛應用于工業(yè)領域，因為其直觀、便捷的優(yōu)勢，極大提高了檢測效率。因此本文將圖像處理技術應用于GIS內部典型缺陷的識別，利用MATLAB對拍攝到的缺陷圖像進行預處理并提取缺陷特征，訓練BP神經網絡來實現(xiàn)圖像的自動識別歸類。

1 缺陷圖像的特征提取

1.1 圖像預處理

由內窺鏡拍攝所得的圖像清晰度較低并且存在噪聲，需對缺陷圖像進行預處理進而提取相應的特征。首先，通過MATLAB中的rgb2gray()函數(shù)把缺陷圖像轉換為灰度圖，再通過中值濾波函數(shù)medfilt2()對圖像進行增強，最后利用Otsu閾值分割得到二值圖像。對散落在罐底的干燥劑圖像進行預處理，結果如圖1所示?？梢钥闯鼋涍^處理后的缺陷目標被很好地分割出來，可以進行進一步的特征提取。

圖1 預處理前后效果圖

1.2 圖像的特征提取

本文提取圖像的紋理特征和形狀特征為典型特征。紋理特征用來描述物體表面灰度的變化，是圖像的固有特征之一，被廣泛應用于圖像識別。提取的紋理特征為圖像的均值μi、方差σi和偏度ζi，其計算公式分別為：

(1)

(2)

(3)

式中：Pij是第j個像素的第i個顏色分量；N是像素數(shù)量；均值μi反映了每個顏色分量的平均強度；方差σi反映了待測區(qū)域的顏色方差；偏度ζi定義了顏色分量的偏斜度。

圖像的形狀特征一般在物體從圖像中分割出來后進行分析，常被作為區(qū)分不同物體的依據(jù)。本文圖像的形狀特征選取圖像的不變矩。Hu不變矩是一種高度濃縮的圖像特征，具有縮放、平移和旋轉不變性，被廣泛應用于圖像的模式識別。不變矩的基本原理是：對于一幅M×N的數(shù)字圖像fi,j，其p+q階幾何矩mpq和中心矩μpq分別為：

(4)

(5)

(6)

利用二階和三階中心矩便可導出7個不變矩(φ1～φ7)：

φ1=η20+η02

(7)

(8)

φ3=(η30-3η12)2+3(η21-η03)2

(9)

φ4=(η30+η12)2+(η21+η03)2

(10)

φ5=(η30-3η12)(η30+η12)[(η30+η12)2-

3(η21+η03)]+(3η21-η03)(η21+η03)×

[3(η30+μ12)2-(η21+η03)2]

(11)

φ6=(η20-η02)[(η30+η12)2-

(η21+η03)2]+

4η11(η30+η12)(η21+η03)

(12)

φ7=(3η21-η03)(η30+η12)[(η30+μ12)2-

3(η21+η03)2]+(3η12-η30)(η21+η03)×

[3(η30+μ12)2-(η21+η03)2]

(13)

這7個不變矩變化范圍很大，還有可能出現(xiàn)負值，因此實際采用的不變矩為[17]：

Ik=log10|φk|k=1,2,…7

(14)

Hu不變矩只在連續(xù)的空間滿足圖像的縮放、平移和旋轉不變性。但是在離散的情況下，不變矩不滿足縮放不變性。對上述不變矩進行組合運算得到6個新的不變矩如下[18]：

(15)

β2=I3/I2I1

(16)

β3=I4/I3

(17)

(18)

β5=I6/I4I1

(19)

β6=I7/I5

(20)

經文獻[18]驗證，上述不變矩滿足縮放、平移、旋轉不變性，可作為特征向量來對缺陷圖像進行識別分類研究。

1.3 特征向量的歸一化

特征向量提取完成之后可能存在奇異樣本數(shù)據(jù)，所謂奇異樣本數(shù)據(jù)指的是相對于其他輸入樣本特別大或特別小的樣本矢量。特征向量中如果存在奇異樣本數(shù)據(jù)，會增加網絡訓練的時間，并可能引起網絡無法收斂。因此，在對特征向量訓練之前，要對數(shù)據(jù)集進行歸一化處理。

本文用MATLAB中premnmx函數(shù)對所用的樣本數(shù)據(jù)，包括輸入數(shù)據(jù)和輸出數(shù)據(jù)，先進行歸一化處理，然后利用歸一化的數(shù)據(jù)訓練神經網絡。在進行仿真前對進行預測的樣本數(shù)據(jù)，用MATLAB中的ramnmx函數(shù)進行歸一化處理用于預測。最后的仿真結果用postmnmx進行反歸一，輸出數(shù)據(jù)即為預測結果。

2 基于BP神經網絡的缺陷圖像識別模型

據(jù)經驗可知，絕緣部分產生故障的原因可以分為：(1)突出物引發(fā)電暈放電；(2)自由移動的金屬微粒引發(fā)放電現(xiàn)象；(3)澆鑄件內部缺陷損傷[19-20]。因此把GIS的缺陷圖像分為正常設備、突出物缺陷、自由金屬微粒缺陷和表面裂紋4種類型。在實際中模擬了突出物、表面裂紋、自由金屬微粒三種缺陷，4種原始圖形如圖2所示。

圖2 GIS缺陷圖像

本文選取tansig函數(shù)為隱含層的激勵函數(shù)，purelin函數(shù)為輸出層的激勵函數(shù)，traingdx函數(shù)為訓練函數(shù)，隨機初始化網絡權值和閾值，設置最大迭代次數(shù)為2 000次，迭代誤差為0.000 5，學習率為0.05。神經網絡的輸入層神經元個數(shù)設置為9，分別代表提取的特征向量的9個值，輸出層神經元個數(shù)設置為4，分別代表突出物缺陷、表面裂紋、自由金屬微粒缺陷和正常設備4種類型，理想輸出向量分別為[1，0，0，0]、[0，1，0，0]、[0，0，1，0]、[0，0，0，1]。

根據(jù)經驗，本文采用試探方法對隱含層神經元個數(shù)進行選擇確定，選取不同的神經元個數(shù)，以表1樣本為訓練樣本進行重復訓練5次，并計算5次訓練結果的均方差MSE的平均值，結果如表2所示[14]?？芍旊[含層神經元個數(shù)為9時，均方差平均值最小，故選擇隱含層神經元個數(shù)為9，故3層BP神經網絡為9-9-4。

網絡訓練結束后以表1中的實際采集樣本5.1、5.2、5.3、5.4、5.5為測試樣本進行測試，測試結果如表3所示。

可以看出，樣本5.1的輸出向量最接近突出物缺陷的理想輸出向量為[1，0，0，0]；樣本5.2的輸出向量最接近表面裂紋的理想輸出向量為[0，1，0，0]；樣本5.3的輸出向量最接近自由金屬微粒缺陷的理想輸出向量為[0，0，1，0]；樣本5.4的輸出向量最接近正常設備的理想輸出向量為[0，0，0，1]；樣本5.5的輸出向量最接近突出物和表面裂紋混合缺陷的輸出向量為[1，1，0，0]，分別診斷為突出物缺陷、表面裂紋、自由金屬微粒缺陷、正常設備、突出物和表面裂紋混合缺陷，與實際情況吻合。

表1 GIS缺陷圖像特征樣本

表2 不同隱含層神經元個數(shù)

表3 樣本測試結果

3 GIS缺陷圖像自動識別系統(tǒng)設計與實現(xiàn)

3.1 系統(tǒng)的流程設計

系統(tǒng)的流程如圖3所示。

圖3 圖像識別流程圖

本文設計的檢測系統(tǒng)由MATLAB開發(fā)，系統(tǒng)根據(jù)工業(yè)相機提供的API函數(shù)來實時采集GIS內部的圖片，通過USB傳輸至計算機，計算機根據(jù)圖像處理算法實現(xiàn)對缺陷的檢測。同時，為了便于用戶進行管理，利用MATLAB編寫了系統(tǒng)上位機界面。由圖3可知，首先利用內窺攝像頭對GIS內圖像進行獲取，進而對得到的圖像進行預處理和特征提取，最后通過神經網絡進行判別。

3.2 系統(tǒng)的主界面設計

系統(tǒng)主界面設計如圖4所示。

圖4 軟件界面圖

主界面上方有下拉菜單，內容分別為上傳圖像、更新神經網絡和清空界面。點擊上傳圖像選擇需要進行識別的文件或文件夾，上傳后在主界面顯示識別的結果。點擊更新神經網絡按鈕打開更新神經網絡子窗體，如圖5所示，界面的左側顯示目前的缺陷類型，右側顯示對應的缺陷圖像。用戶可根據(jù)需要添加新缺陷類型或刪除已有缺陷類型，再對該類型下的圖像進行添加或刪除，然后點擊更新神經網絡按鈕，完成更新。

圖5 更新神經網絡界面

4 結論

對工業(yè)相機采集的GIS內部的圖像進行預處理，提取相應的圖像特征，得到圖像訓練樣本。利用BP神經網絡對不同GIS缺陷類型的圖像樣本進行學習和訓練，從而實現(xiàn)缺陷圖像的識別和分類。系統(tǒng)的算法和軟件均由MATLAB編寫，在軟件中直接上傳圖像即可得到識別結果。

對不同類型的測試樣本進行實驗，結果表明，系統(tǒng)操作簡單、方便、運算速度較快，能夠準確識別各種類型的缺陷圖像，并且可以識別混合缺陷圖像，具有實際的應用價值。

[1]趙毅鋒，劉晴巖，嚴曉東,等. 電站氣體絕緣金屬封閉開關閘刀位置遠程目視監(jiān)控系統(tǒng)設計與應用[J]. 無損檢測，2016，38(7): 53-55.

[2]曲文韜，黃銳，呂俊濤. 220kV GIS設備漏氣原因分析及預防措施[J]. 電力科學與工程，2013，29(8): 21-26.

[3]卞超，陳少波. 基于脈沖電流波形的GIS局部放電檢測抗干擾技術研究[J]. 高壓電器，2010，46(5): 30-33.

[4]劉少輝.GIS局放脈沖電流和UHF信號的聯(lián)合定位[J]. 高壓電器，2015，51(12): 126-129,135.

[5]張明，鄧兵華,萬玉超,等. GIS局部放電在線監(jiān)測數(shù)據(jù)采集系統(tǒng)設計[J]. 電力科學與工程，2014，30(5): 46-49.

[6]路俊勇，張婷，司剛全,等. GIS懸浮電極缺陷局部放電測量與分析[J]. 高壓電器，2015，51(5): 151-156.

[7]李德軍，沈威，郭志強. GIS局部放電常規(guī)檢測和超聲波檢測方法的應用比較[J]. 高壓電器，2009，45(3): 99-103.

[8]HOSHINO T，KATO K，HAYAKAWA N，et al. A novel technique for detecting elect romagnetic wave caused by partial discharge in GIS[J]. IEEE Transactions on Power Delivery，2001，16(4): 545-551.

[9]陳敏，陳雋，劉常穎,等. GIS超聲波、超高頻局部放電檢測方法適用性研究與現(xiàn)場應用[J]. 高壓電器，2015，51(8): 186-191.

[10]胡泉偉，吳磊，季盛強,等. 利用局部放電評價GIS典型缺陷危險性的研究[J]. 高壓電器，2012，48(2): 19-22.

[11]李秀廣，韓四滿，萬華，等. 寧夏電網GIS設備缺陷分析及預防措施[J]. 電氣技術，2015(3):107-110.

[12]李娟，李明，金子惠. GIS設備局部放電缺陷診斷分析[J]. 高壓電器，2014，50(10):85-90.

[13]閆斌，何喜梅，吳童生，等. GIS設備X射線可視化檢測技術[J]. 中國電力，2010，43(7):44-47.

[14]李繼勝，趙學風，楊景剛，等. GIS典型缺陷局部放電測量與分析[J]. 高電壓技術，2009，5(10):2440-2445.

[15]李超，陶蓉. 一起126kV GIS設備故障后的檢測實例分析[J]. 高壓電器，2015，51(1):145-149.

[16]齊波，李成榕，耿弼博，等. GIS設備絕緣子高壓電極故障局部放電嚴重程度的診斷與評估[J]. 高電壓技術，2011，37(7):1719-1727.

[17]田秋紅，孫政榮. 基于Hu不變矩和BP網絡的條形碼圖像識別方法[J]. 計算機工程與設計，2012，33(4): 1563-1568.

[18]徐勝,彭啟琮. 基于組合不變矩和神經網絡的三維物體識別[J]. 計算機工程與應用，2008，44(31): 78-80.

[19]邱翠婷. GIS絕緣故障的監(jiān)測與診斷[J]. 山東工業(yè)技術，2017(2): 10.

[20]鄒包產，趙宇，李云,等. 基于BP神經網絡的汽輪機調閥流量特性校正[J]. 電力科學與工程，2017，33(5):60-64.

Research of GIS Defect Image Recognition System Based on BP Neural Network

WAN Shuting1， ZHAO Xiaodi1， XIAO Shanshan1， TONG Dingshuo2

(1. School of Energy Power and Mechanical Engineering, North China Electric Power University,Baoding 071003, China; 2. School of Highway Engineering, Chang’an University, Xi’an 71006,China)

In order to realize the accurate detection of gas insulated switchgear (GIS), a method based on BP neural network for automatic recognition of typical defects in GIS is proposed. Through an endoscope to obtain various types of foreign body defects images, the sample database was established. This paper analyzes and extracts the features of the images in the sample database. The BP neural network is trained by the effective features of the images, and the recognition model of the foreign body defect type is established to realize the automatic recognition of the defect images. The algorithm and interface of the system are implemented in MATLAB. The system test shows that the automatic recognition system of GIS defect images based on BP neural network can accurately monitor and identify the types of foreign internal defects in GIS.

gas insulated switchgear; defect image; neural network; automatic recognition

2017-07-17。

國家自然科學基金(51777075)；中央高?；究蒲袠I(yè)務費(2017XS133)。

10.3969/j.ISSN.1672-0792.2017.11.013

TM855

A

1672-0792(2017)11-0073-06

萬書亭(1970-)，男，博士，教授，博士生導師，研究方向為電力設備狀態(tài)監(jiān)測與故障診斷。