基于機器學習的GIS典型缺陷的智能識別研究

劉榮海 耿磊昭 楊迎春 鄭欣

摘要：GIS設備的安全運行直接影響整個電網的安全穩定運行。隨著GIS設備數量的增多，面對日益突出的GIS典型缺陷，本文采用支持向量機（Support Vector Machine，簡稱SVM）的機器學習方法，并結合圖像處理技術設計開發了一套GIS典型缺陷的智能識別軟件?軟件首先對GIS圖像進行預處理研究，然后通過對缺陷樣本的訓練學習，實現對GIS典型缺陷的智能識別，從而提高對GIS設備的檢測效率。

關鍵詞：機器學習；圖像處理；SVM；智能識別；GIS

中圖分類號：TM930.1 文獻標識碼：A DOI：10.3969/j.issn.l003-6970.2017.08.036

引言

GIS，即SF6氣體絕緣全封閉組合電器（GasInsulted Switchgear）。GIS設備運行安全可靠、配置靈活和維護簡便、檢修周期長，加之在技術上的先進性和經濟上的優越性，已得到廣泛應用。但GIS設備一旦發生故障，特別是內部放電故障，或者因為缺陷需要檢修，由于檢修故障間隔的檢修時間相對較長必然導致所需停電的時間長，將會嚴重影響到整個電網的安全穩定運行。隨著GIS變電站的增多，面對日益突出的GIS設備缺陷，迫切需要對設備常見缺陷及其處理方法進行分析研究，確保設備的可靠性以及電網的穩定運行。目前GIS內部缺陷的檢測方法主要有脈沖電流法、化學檢測法、光學檢測法、超聲波法。但是這些方法不能實現對GIS典型缺陷的智能識別。目前基于計算機視覺的缺陷檢測已經廣泛應用于工業領域，本文將圖像處理技術應用于GIS缺陷的智能識別，采用支持向量機（Support Vector Machine，簡稱SVM的機器學習算法設計開發了一套具有自動識別功能的GIS典型缺陷的系統軟件。本文首先利用內窺攝像頭對GIS設備內部圖像進行獲取，進而對得到的圖像進行預處理、特征提取與判別。系統軟件的識別流程圖如圖1所示：

1 圖像預處理技術

隨著現代半導體技術的不斷發展，計算機圖像處理也得到了快速的應用，結合缺陷圖像的分析，能夠對缺陷特征進行定量計算，彌補傳統檢測方法的不足，促進GIS缺陷分析技術的智能化和自動化。在弱光條件下的圖像，由于光照明暗程度，設備性能優劣等因素的存在，圖像中往往存在各種各樣的噪點和畸變，對缺陷的識別準確性產生干擾。因此需要對識別對象圖形進行一些預處理研究，圖像的預處理技術主要包括了圖像灰度化、圖像增強和圖像分割等一些功能。如圖2所示為本文針對GIS典型缺陷圖像文件的預處理基本流程圖：

2 GIS典型缺陷的智能識別

2.1 特征提取

在完成缺陷圖像提取之后，GIS內部圖像中的缺陷區域被分割出來。但是相對于原始圖像而言，經過處理的缺陷圖像在數據量上已經有了很大的降低。但是對于分類器而言，需要分析的數據量依然比較大。因此需要進行更多的特征提取從而更好地分類樣本數據。比較常用的特征包括，紋理特征、灰度特征和幾何特征。因為提取的缺陷在幾何形態上往往具有不確定性，同一種類型的特征也許在幾何形態上差異較大。因此，本文選取灰度特征和紋理特征作為初始特征。

2.1.1 提取紋理特征

紋理是指存在于圖像中某個范圍內較小形狀或半規律性排列圖案，在圖像判定中使用紋理特征來表示粗糙程度、均勻程度等變化，常使用圖像灰度等級變化來表示。對于拉傷、碰傷等缺陷類型，一般具有比較明顯的紋理信息，因此紋理特征在區分這些缺陷類型時具有很好的效果。

灰度共生矩陣可以考慮到圖像像素間的相關性，它建立在圖像一階組合條件概率密度函數基礎上，通過計算特定距離和特定方向上的兩點間的灰度相關性來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息，計算0°、45°、90°和135°四個方向上的灰度共生矩，本文采用最常用的四個灰度共生矩特征作為紋理特征。計算公式分別為：

通過上述公式的計算，在對分割圖像進行提取紋理特征時，在圖像的每一個方向上可以分別獲得能量、對比度、熵和相關度四個四個紋理特征，從而四個方向上總共可以獲得16個紋理特征作為圖像特征提取的條件。

2.1.2 提取灰度特征

對于其他類型特殊的故障圖像，提取灰度特征可以更準確的判別其特征信息。一些故障缺陷信息會在圖像上呈現較高的亮度，并且其灰度頻度主要集中在較高的數值范圍內，一些內含雜質類的缺陷，其在圖像中上亮度往往比較暗淡，灰度頻度集中在較小的數值范圍。因此選用灰度特征作為判別特征可以有效的識別此類缺陷。根據灰度直方圖的定義內容，可以提取提取以下六個特征：

均值：

方差：

歪度：

峭度：

能量：

2.2 分類器的設計

選擇合適的分類方法對圖像數字化處理后的GIS圖像進行模式識別是本系統軟件需要解決的關鍵技術。支持向量機（Support Vector Machine，簡稱SVM）是是由Vapnik領導的AT&TBell;實驗室研究小組在1963年提出的一種新的非常有潛力的分類技術，SVM是一種基于統計學習理論的模式識別方法，主要應用于模式識別領域。它具有的優點是可以更好地解決小樣本、非線性及髙維模式識別。因此，針對實驗室以及現場應用中存在的GIS典型缺陷圖像樣本數量比較少，軟件采用了以現代統計學理論為基礎的支持向量機實現對圖像數字化處理后的GIS圖像進行模式識別。

2.2.1 多類分類器的選擇

在GIS缺陷圖像分類識別應用中，支持向量機是一種二分類分類器。因此，如何通過二分類的支持向量機構造有效的多類分類器，是選擇分類器需要解決的一個關鍵問題。通常兩類分類器構造多類分類器的方法大致可以分為一對一方法和一對多方法兩種途徑。

（1）一對多方法

一對多方法是最早被提出的基于兩類分類器構造多類分類器的方法。假如樣本共有k個類型，那么一共構造k個SVM模型。在訓練第i個模型時，將第i個類型作為一類，其他所有類型單獨作為一類。從而能夠得到1份數據，乃；），其中：C 且乃{l，."，/}表示xi的類型。

第i個SVM模型通過以下方法求得：

其中訓練xi通過核函數O和懲罰因子C映射到高維空間。最小化是為了使得^最大化，它描述了數據集與分類超平面的幾何間隔。如果數據集線性不可分，那么懲罰項cfg可以盡可能的抑制噪聲的影響。經過以上計算能夠得到k個決策函數。

對于未知樣本X，將X帶入各個決策函數中，在哪個決策函數中獲得最大值，就判定X屬于哪一個類型：

（2）—對一方法

一對一方法是構造k（k-l）/2個分類器，每個分類器的訓練集分別來自樣本集的兩個類型數據。對于第i個類型和第j個類型的訓練集，構造以下二次

規劃方程：

在完成個分類器的訓練后，對于未知x數據的判別有多種不同的方法。比較常用的方法是

投票法如果決策函數+瀘顯示是屬于第類的，那么在第x類中的票數加一。在所有決策函數給出判別結果之后，選取獲得票數最多的類型作為對x的判別結果。假如在兩種類型中獲得了相同的票數，那么簡單的選取具有較小編號的類型作為判別結果。

基于上述討論，結合對GIS典型缺陷圖像分類實際需求和識別系統軟件要求的考量，最終選擇通過一對多的方法構造GIS典型缺陷圖像分類器。

3 GIS典型缺陷自動識別軟件的設計與實現

由于GIS圖像典型缺陷檢測系統的核心是檢測算法，所以本系統選擇Visual Studio2010的開發平臺，開發方便快捷，同時其中NET框架也縮短了上位機的開發周期。本系統使用了OpenCV（Open Source Computer Vision Library，簡稱Open CV）計算機圖形庫與NET Framework相結合的方式實現檢測算法的軟件實現，從而使軟件開發變得更加方便快捷，使用方便，使得圖像處理速度加快。

識別軟件是本自動識別系統的重要組成部分，軟件設計的內容主要包括了GIS圖像預處理、圖像分割、特征參數計算和模式識別等幾個功能模塊，如圖3所示為自動識別軟件的功能框圖。

3.1 基于SVM的GIS缺陷分類器的訓練和測試應用SVM建立的GIS典型缺陷自動識別軟件系統的主要工作內容包括了兩個方面，第一就是選擇合適的特征值作為輸入向量，隨機抽取數量相近的缺陷類別作為訓練樣木；設置的主要參數，構造合適的核函數（參數主要有懲罰系-數C，核函數核寬度0。如圖4所示為GIS典型缺陷圖像自動識別的流程框圖，由圖4可知，基于SVM的GIS識別分類器的設計主要包括了訓練和測試兩部分。

3.1.1 軟件的訓練研究

選擇GIS圖像訓練的數據中每種缺陷類型樣本數為1000組，并劃分3類GIS缺陷類別。樣本訓練的步驟如下：

（1）將所有內部缺陷的缺陷樣本，識別結果標為+1；其他所有樣本歸為-1，將多分類轉換為二分類問題。將標序好的樣本數據輸入到SVM中，并對其進行訓練，得到相應1號缺陷分類器和最優分類面。該分類器用來識別1號缺陷類型；

（2）取所有工具異物的磨粒樣本，識別結果標為+2重復（1）中的步驟，對2號分類器進行訓練，用來識別工具異物缺陷；

（3）完成SVM分類器的訓練。

利用OpenCV實現SVM缺陷分類器的訓練主要使用^11（：?：：（>8?]＼4類，具體步驟如圖5所示：

3.1.2 軟件的測試研究

系統檢測過程中對4個SVM分類器完成了訓練，利用軟件對它們進行相應的測試，從而評價SVM的識別能力是否能夠達到識別系統的預期和要求。測試的樣本為每個類型選取50組，在已知缺陷類型的情況下對完成訓練的進行測試。

如圖6所示為本系統SVM識別結果界面，系統對輸入的圖像進行預處理、分割、特征值提取，最后得到識別結果。

如下在表格1中列出了SVM分類器的測試結果，包括了測試樣本數量，識別個數以及缺陷的識別率。

實驗結果表明：SVM分類器存在一定的誤識率，但其整體的識別率仍然能夠滿足GIS典型缺陷圖像檢測的需要。并且支持向量機SVM對小樣本分類的優越性和基于OpenCV實現分類器訓練的簡捷性，實現了3種狀態的識別，并且具有良好的推廣性。

3.1.3 識別軟件的模塊化功能

（1）用戶管理模塊

根據系統功能模塊的劃分，在用戶管理模塊里面，管理員可以添加、刪除其他的用戶。因此管理員可以對用戶數據表和檢測結果數據表進行操作，如圖7所示可以對用戶信息進行查詢。

（2）用戶登錄界面

由于本系統軟件的主要目的是針對GIS內部圖像進行圖像識別檢測，所以在設計登錄界面時，沒有太多的權限要求，所以本系統軟件的登錄界面設計采用了固定的用戶信息和密碼信息來進行登錄。登錄界面如圖8所示。

（3）系統主體界面

當用戶正確登錄之后，進入系統主界面，可進行歷史記錄查詢、圖像上傳檢測、刪除等操作，主界面如圖9所示：

主界面可以顯示上傳的原始圖像，經過預處理的圖像以及對應的分析結果、上傳人和上傳時間。在線上傳的圖片經過預處理，特征提取，分類器判別即可完成分析。

4 結論與展望

本文采用圖像處理技術對GIS圖像進行預處理，利用機器智能學習的方法開發了一套智能識別軟件。通過研究支持向量機（SVM）的原理和數學模型，建立了GIS工具異物類和金屬異物類的缺陷樣本，通過OpenCV完成了基于SVM的GIS典型缺陷分類器的設計。實驗結果表明，本文設計的GIS典型缺陷自動識別軟件能夠有效地識別GIS的典型缺陷。

本文同時體現了機器學習在GIS設備缺陷診斷和檢測中的應用價值，可以為GIS設備的診斷和檢測提供一條新的技術途徑。

同時，由于訓練成本的限制不能實現百分之百的識別率，為了更加優化缺陷識別的自動化和智能化以及提高識別的準確率。未來可以選取其他機器學習的方法，增加缺陷樣本的數據，實現更簡捷、更高效的智能識別技術。