基于深度學習的變電設備缺陷檢測

李昊，周帥

（云南電網有限責任公司電力科學研究院，云南 昆明 650217）

0 前言

變電設備缺陷檢測在保證電網安全穩定運行等方面有著非常重要的價值，近年來，隨著各類成像設備在變電站的安裝和使用，通過圖像來發現設備缺陷已經成為變電站檢修人員的日常工作之一，但是由于變電站每天存儲的圖片或視頻較多，人工審核的壓力較大，且容易出現由于人眼疲勞而導致未能發現部分設備缺陷的問題。一般而言，變電站成像設備都暴露在自然環境中，由于條件限制，也很少有人去維護，這就導致在拍攝到的圖片中經常會有水汽、霧氣、灰塵等，其中，霧氣對圖片質量的影響尤為嚴重，這些都對變電設備缺陷檢測有嚴重影響。因此，本文提出將去霧算法和深度學習算法相結合的方式來進行缺陷監測，使用暗通道去霧算法改善圖片質量，然后使用YOLOV4對設備缺陷進行檢測。

1 基于暗通道去霧算法的圖像優化

1.1 暗通道去霧算法基本原理

1.1.1 暗通道先驗理論

基于暗通道先驗的去霧算法實際上是一種統計意義上的算法，何愷明博士總結了大量的室外無霧圖像，發現了在無霧圖像中局部區域存在一些像素，這些像素中至少有一個顏色通道的像素非常低（低亮度值區域不包括天空區域），基于這一統計結論，定義了暗通道，公式如下所示。

其中，Jc代表圖像J的某一個顏色通道，而Ω(x)是以x為中心的一塊方形區域，Jdark為對應的暗通道圖。對于圖像J而言，獲取其暗通道圖的流程是：先求出圖像中每個像素的三個顏色通道在鄰域窗口Ω(x)內的最小值，組成一幅與原圖相同大小的灰度圖，再通過最小值濾波濾掉圖像中可能存在的白色場景目標。暗通道圖的獲取示意圖如圖1所示。

圖1 暗通道圖的獲取示意圖

2）有霧條件下圖像退化模型

在計算機視覺和計算機圖形領域，一個常用來描述有霧圖像的成像模型是：

其中，I(x)表示有霧圖像，J(x)是要恢復的無霧的圖像，A是全局大氣光照，t(x)為透射率。要想計算出無霧圖像J(x)，需要先求出全局大氣光照A和透射率t(x)。

3）暗通道去霧算法

暗通道去霧算法以暗通道先驗理論為基礎，借助暗通道圖估計出原始圖像中的全局大氣光照A和始粗糙透射率圖，然后使用軟摳圖（Soft Matting）算法對初始粗糙透射率進行細化處理，最后根據大氣散射模型，實現對霧天圖像的清晰化去霧處理。

1.2 全局大氣光照的計算

在何愷文博士的論文中給出了一種簡單有效的全局大氣光照計算方法：

1）降序排列暗通道圖中的各像素點灰度值，選擇前0.1%的灰度值像素點；

2）在上一步選擇的像素點中，選取對應霧天圖像中最大灰度值作為全局大氣光照的估計值。

1.3 初始透射率和細化透射率的計算

1）初始透射率的計算

首先，假設已知全局大氣光照A的值，并且假設初始透射率在一個局部窗口區域內為一恒定常數對式(2)進行變形并在局部窗口區域內進行最小值濾波可得到下面的式子：

對式(3)在三個顏色通道上進行最小值濾波可得到：

根據前述的暗通道先驗理論，無霧圖像J的暗通道圖Jdark的像素點灰度值趨近于0，而且Ac為正值，所以有：

結合式(4)和式(5)可以得到初始透射率的預估值：

為防止霧氣的徹底去除，引入一個可以調節大小的參數因子w(o＜w＜1)防止霧氣被徹底除盡而導致人類視覺不能感受到圖像的景深。對式(6)的修正如下：

2）細化透射率的計算

式(7)得到的透射率只是一個粗略的估計值，若用該值來恢復圖像會導致去霧后的圖像中有嚴重的光暈現象，因此采用Matting Laplacian 算法對公式(7)中得到的初始透射率進行改進修正。用表示細化透射率t(x)的向量形式，表示初始透射率的向量形式，可得到如下損失函數：

其中，T表示轉置矩陣，L表示m×n圖像的拉普拉斯矩陣，λ為正則化參數。元素為(i,j)時矩陣L的定義如下：

式中，Ii和Ij是圖像I在像素點i和j處的灰 度 值，δij為Kronecker De系 數，Uk和Σk是以k為中心的窗口wk中像素的均值和協方差，|wk|是wk窗口中像素點的數量，ε(10-4-10-3)是一個正則化參數，U3是一個(3×3)的單位矩陣。最小化損失函數可得到：

式中，U是與L大小相同的單位矩陣，λ是一個值較小的參數(一般設置為10-4)，通過上式即可求出細化透射率。

2 暗通道去霧算法的實驗結果

選取3幅圖像進行實驗，結果如圖2所示。從結果中可以看出，盡管經過暗通道去霧后物體周圍會出現光暈現象，但是圖像的整體質量提升了，更有利于物體缺陷的檢測，而且對于任一幅圖像，本文設置只有當暗通道圖像的平均灰度值大于0.6的時候才進行去霧操作，即只有圖像中出現濃霧的時候才進行暗通道去霧，進一步限制了光暈的影響。

圖2 暗通道去霧算法實驗結果

3 基于YOLOV4的變電設備缺陷檢測

3.1 YOLOV4的基本原理

YOLOV4目前是大家公認的最新的YOLO系列算法，它是在YOLOV3的基礎上吸收了大量優化技巧后形成的，其主要改進有：將YOLOV3中卷積塊的激活函數和殘差模塊分別替換為Mish激活函數和CSPnet結構，形成了主干特征提取網絡CSPDarknet53；在CSPDarknet53的基礎上增加了加深卷積網絡的特征金字塔結構( SPP)， 針對不同級別的檢測器，選用PANet作為對不同骨干層進行參數聚合的方法,此外優化方法還包括Mosaic數據增強、余弦退火衰減學習率、自對抗訓練等。YOLOV4的網絡結構圖如圖3所示。

圖3 YOLOV4網絡結構圖

3.2 YOLOV4的訓練

收集整理3000張變電設備的缺陷照片作為訓練集，200張圖片作為測試集，訓練集中隨機選取總數的10%作為驗證集。將變電設備缺陷分為熔斷、滲漏和部件損壞3類，相關圖片示例如圖4所示。

圖4 常用的COCO數據集

本文訓練時的硬件環境：GPU是NVIDIA Tesla V100，CPU是Intel i7，操 作 系 統 是Ubuntu 16.04.7 LTS，訓練參數設置如下：訓練批尺寸為8，學習率為1×10-3，epoch設置為100，使用早停法防止過擬合，當驗證集損失函數的值連續10個epoch沒有下降則停止訓練。

4 實驗結果與分析

訓練結束后在測試集上檢驗模型的檢測效果，相關指標和檢測結果如圖5和圖6所示。

圖5 YOLOV4檢測變電設備缺陷的性能指標

圖6 變電設備缺陷檢測結果

由于在部件損壞這一類缺陷中包含了缺損和破裂兩個小類，滲漏缺陷發生的部位一般會出現銹蝕的情況，導致滲漏部位的顏色各異，這些都導致部件損壞和滲漏兩類缺陷的檢測指標偏低，后續將從細化缺陷分類、擴充訓練集等方面進一步改進。

5 結束語

本文使用深度學習方法實現了熔斷、部件損壞和滲漏3類變電設備缺陷的檢測，并且針對變電站攝像頭處于自然環境下，容易受到霧氣、水汽、灰塵的影響而導致成像質量不佳的問題，使用了暗通道去霧算法對有霧圖像進行處理，改善了待檢測圖像的質量，從而提高檢測準確率。實驗結果表明，對三類缺陷的檢測基本滿足實際使用的要求。