基于VSA-UNet的電氣設備紫外圖像分割

陳思林，秦倫明*，王 悉，楊蘇航，左安全

(1.上海電力大學 電子信息工程學院，上海 201306； 2.北京交通大學 電子信息工程學院，北京 100044)

0 引言

隨著社會和經濟的發展，在自身需求的驅動和社會外部的壓力下，提高電網供電穩定性和安全性成為電力行業追求的目標[1]。電力設備的正常運行是電網系統安全穩定運行的必要條件之一。一些電氣設備由于長期處于暴曬、雨淋、高壓和大電流等惡劣環境，容易出現各種各樣的問題。據統計，電網20%的故障是由外絕緣放電引起的，并且故障后電網恢復難度較高。因此，有效解決電力設備放電故障對維護電網的穩定和安全十分重要。

電氣設備放電評估需要精準的數據支撐，而電氣設備電暈放電的紫外圖像分割能提供放電面積數據。因此，紫外圖像分割的準確度直接影響放電評估的結果。傳統的圖像分割方法有很多，例如文獻[2]根據對不同增益下的紫外圖像灰度值相加求平均，再選取合適閾值進行分割。該方法簡單易行，但對灰度值較高的非放電區域過于敏感，會對噪聲進行誤判，產生的結果存在較大誤差。文獻[3-5]在進行邊緣檢測時分別采用了改進Sobel算子、Canny算子和改進Canny算子。這3種方法檢測的邊緣并不是連續的，大多呈現離散型，因此還要加入構建完整邊緣輪廓的算法進行補充。文獻[6]以數學形態學方法進行圖像分割，首先對紫外圖像進行圖像增強，再選取適當的結構元素進行數學形態學分割。文獻[7]通過判斷有無紫外信號，獲取泊松概率映射圖，最后利用改進大津算法進行分割。這2種方法流程比較復雜且不易實現。以上傳統方法在進行圖像分割時，都先要對圖像進行預處理，例如圖像增強和濾波去噪等。因此，增強方法與濾波器性能的好壞直接影響最終分割精度，加大了分割的復雜性。從文獻[8-9]可知，近期利用紫外圖像面積預測放電強度仍然使用傳統方法分割圖像，出現了大量噪聲，影響了預測精度。從上述研究來看，目前紫外圖像放電區域分割方法不夠智能，且分割結果存在過分割和欠分割現象。

卷積神經網絡(Convolutional Neural Network，CNN)是深度學習的代表算法之一，因其高自動化程度與高泛化能力等優點受到學者們的關注。在圖像分類、識別等領域CNN都優于傳統方法，但其并不適合端到端的圖像分割領域。直到2015年，全卷積神經網絡(Fully Convolutional Network，FCN)[10]利用全連接層，直接獲取每個像素的分割結果，但其并沒有考慮像素與像素之間的關系，缺少全局信息的指導。所以在FCN的基礎上學者們又提出了許多優秀的語義分割網絡，如PSPNet[11]，U-Net[12]，DeepLabv3[13]，DeepLabv3+[14]，LEDNet[15]和SPNet[16]等模型。其中，U-Net網絡多用于數據集少、分割類別少且準確度要求高的醫學圖像，故將其應用在同樣條件紫外圖像分割任務中。但傳統U-Net網絡在紫外圖像分割時，對小區域、大區域和多區域的分割效果都存在過分割以及欠分割的現象。

針對上述問題，本文提出了VSA-UNet(VGG16Net, Improved SENet, and ASPP based U-Net)網絡來提高紫外圖像分割精度。該網絡以U-Net為基礎，首先引入VGG16Net[17]來減少紫外區域過分割現象，但在一定程度上增加了欠分割現象。其次利用空洞空間金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模塊獲得不同尺度的特征信息，增大感受野的同時，提高對大面積目標的分割準確度，減少欠分割現象。最后利用密集連接卷積網絡(Densely Connected Convolutional Network，DenseNet)[18]的特征重用思想，改進壓縮和激勵網絡(Squeeze and Excitation Network，SENet)[19]模塊。在改變通道權重的同時，有效防止了由于卷積操作造成的圖像細節丟失問題，從而全面提高分割結果的準確性。

1 算法原理

1.1 基于VGG16Net的U-Net改進

U-Net網絡模型在FCN模型的基礎上提出，因形似U而得名。為了使分割結果與原圖重合，去掉了原網絡的剪切部分。上采樣階段只改變圖像尺寸，并沒有增加上采樣通道數，以減小計算量，其結構如圖1(a)所示。左半部分為用于特征提取的編碼器，右半部分為與之對應的解碼器，用于恢復圖像尺寸。下方的虛線為跳躍連接部分，用于拼接編碼器中低級語義特征與解碼器中的高級語義特征。

(a) U-Net網絡結構

(b) VGG16Net網路結構

(c) 改進U-Net網絡結構圖1 基于VGG16Net的改進U-Net網絡結構Fig.1 Improved U-Net network structure based on VGG16Net

由文獻[20]可知，VGG16Net是常見的CNN模型之一，結構如圖1(b)所示。該網絡所有卷積層都采用大小為3×3，步長為2的卷積核，池化層均采用2×2的最大池化核。相比經典網絡AlexNet[21]中較大的卷積核與池化核，小卷積核具有參數少、梯度爆炸可能性小的優點，同時小的池化核能夠捕獲更多的細節信息。此外，VGG16Net結構深度更深，對特征信息的提取能力更強。

基于上述VGG16Net的優點，將U-Net網絡編碼器部分替換成VGG16Net網絡，如圖1(c)所示。改進算法加深了U-Net網絡結構，有利于提取紫外圖像高維特征信息，增強網絡學習能力。

1.2 ASPP模塊引入

為了提高FCN的全局信息指導能力，Chen等[13,22-23]經過幾代的改進提出了DeepLabv3+網絡,引入了ASPP模塊。它是在金字塔池化模塊基礎上引入空洞卷積而形成，克服了單一空洞卷積時由于網絡效應導致局部信息丟失和遠距離信息缺少相關性的缺點[24]。U-Net語義分割缺點在于最大池化過程雖然使感受野增大，但也會使圖像分辨率降低，圖像模糊。ASPP模塊利用不同空洞率的卷積，能增大感受野的同時還不會降低分辨率，是個不錯的選擇[25]。

ASPP模塊結構如圖2所示。將特征層分別采用空洞率為1，6，12和18的卷積核進行卷積和全局平均池化(Global Average Pooling，GAP)，隨后進行拼接，再通過1×1的卷積核調整通道數，最后用批歸一化算法(Batch Normalization，BN)與激活函數ReLU對特征層進行優化，計算方法為：

圖2 ASPP模塊結構Fig.2 ASPP module structure

(1)

(2)

(3)

(4)

(5)

(6)

1.3 改進的SENet模塊

人類在觀察物體時會根據自己的意愿將視線集中在感興趣的區域，無興趣的信息會被大腦自動剔除。本文引入SENet注意力模塊來模仿大腦機制，對紫外圖像中的重要信息進行加強特征提取。

在使用U-Net網絡的下采樣階段進行特征提取時，一些無用信息不會被剔除，同時一些有用特征會在卷積操作中消失不見，這都影響了紫外分割的準確率，然而單一的SENet模塊并不能解決后者的問題。為了更好地分割圖像，引入了改進SENet模塊，其網絡結構如圖3所示。

圖3 改進SE模塊網絡結構Fig.3 Network structure of improved SE module

該模塊首先利用SENet模塊的自適應學習能力，依據特征通道的重要程度，賦予不同權值，減少不重要信息干擾。其次，利用DenseNet的特征重用思想對2個特征層進行拼接(concat)，避免因卷積操作而丟失圖片細節。對于紫外圖像，改進SENet模塊不僅可以降低無用特征信息的重要性，提高有效特征信息通道的重要性，還補充了丟失掉的細節，從而提升紫外圖像分割的準確度。

改進SENet模塊分為壓縮(Squeeze)、激勵(Excitation)和拼接3步操作。圖3中，F為C′×W′×H′的特征圖，對F經過若干卷積操作得到通道數為C的特征圖Fc,然后對Fc每個通道在空間平面H×W上進行全局平均池化操作，即所說的壓縮操作Fsq，壓縮公式為：

(7)

式中，(i,j)代表像素坐標；Z代表全局信息，利用全連接層W1對Z進行參數降低，這樣在提高運算速度的同時提高網絡泛化能力，然后引入ReLU函數建立各通道之間的相關性，最后經過全連接層W2將參數升高至原來的維度。激勵操作公式為：

Sc=Fex(Z,W)=σ(W2δ(W1Z))，

(8)

式中，Fex表示激勵操作；δ為引入ReLU函數；σ代表引入Sigmoid函數進行激活，得到通道注意力系數Sc。最后，將注意力系數Sc加入到原始的特征通道中，并與起始特征層拼接，在增強有用信息比重的同時補充因卷積消失掉的特征。拼接公式為：

(9)

式中，Fscale(Fc,Sc)為將權值系數Sc賦值到特征層Fc中；concat為拼接操作，將原本特征層F與經過SENet模塊后的特征層進行跨層拼接。

1.4 VSA-UNet網絡結構

U-Net作為主網絡，可以通過較少數據集獲得不錯的分割效果，但在紫外圖像分割任務中對小區域、大區域和多區域的紫外光斑分割效果存在過分割和欠分割的現象。針對上述問題，提出了基于VSA-UNet的紫外圖像分割方法，其網絡結構如圖4所示。

圖4 VSA-UNet網絡結構Fig.4 Network structure of VSA-UNet

將該網絡分為編碼器、解碼器和跳躍連接3個部分。圖4左邊為主網絡的編碼器部分，紫外圖像輸入網絡后先經過4個卷積模塊和4個池化操作，其中包含10次3×3卷積操作用于提取圖像特征，以此來獲得4個初步的有效特征層，4次最大池化操作目的是來降低圖片維度，以提高運行速度。在第4次最大池化后加入ASPP模塊，對特征層進行不同空洞率的卷積，擴大感受野，獲得更多的特征信息，提高對面積較大的紫外區域的分割準確度。圖4右邊為解碼器部分，由卷積層和上采樣層構成，其中包含4個大小為2×2，步長為2的反卷積層和9個3×3的卷積操作。圖4中間為跳躍連接部分，在跳躍連接階段去除了原先的剪切(Crop)操作，目的是保證輸入圖像和輸出圖像大小的一致性。改進SENet模塊添加在跳躍連接階段，是將DenseNet網絡中特征重用思想與SENet模塊結合起來。將每一層的起始特征層、SENet模塊后的特征層和上采樣后的特征層進行跳躍拼接，補充因卷積操作丟失的細節信息。最后通過不斷迭代，直到損失值不再變化或達到最大迭代數，輸出紫外圖像分割結果。

2 實驗結果與分析

2.1 數據集及數據增強

由于目前沒有公開的紫外圖像數據集，本文使用的數據集是從網絡上搜索的不同電氣設備，如對絕緣子串、均壓環和電力線纜等拍攝的紫外圖像。為了使實驗效果更直觀、更具有說服力，選取共計58張大小不盡相同且各有特征的圖像，部分數據集及對應標注如圖5所示。其中包含形狀不規則、多噪聲、大區域、小區域和多區域紫外圖像等。通過圖片的明暗變化、旋轉等操作擴充數據集至500張。將數據集的10%作為驗證集，剩余圖片按照1∶9的比例劃分，分別用于測試集和訓練集。使用Labelme標注工具進行標注，紅色部分為標注的放電區域。

2.2 參數設置

實驗硬件配置：Windows 10操作系統，Intel?Xeon?Gold 6230處理器，NVIDIA Tesla V100-PCIE-16 GB顯卡，320 GB RAM。軟件參數設置如表1所示。

表1 實驗軟件參數設置Tab.1 Experimental hardware configuration

分割模型的總體性能不僅取決于神經網絡結構，損失函數對分割的效果也起到至關重要的作用。紫外圖像分割任務中紫外光區域像素往往少于非紫外光區域像素，分布不均衡，如果僅采用交叉熵損失函數(Cross Entropy Loss，CE Loss)，神經網絡的訓練將會由像素較多的非紫外光區域主導，降低了網絡的有效性，從而影響分割效果。為了解決這個問題，結合Dice Loss函數和CE Loss函數組合訓練VSA-UNet網絡，計算如下：

(10)

LossCE=-∑N[Ptrue×lnPpred]，

(11)

Loss=LossDice+LossCE，

(12)

式中，TP為目標區域預測準確的像素數量；FN，FP依次為目標區域和背景區域預測錯誤的像素數量；Ppred為某類的預測概率；Ptrue為該類標簽真實值結果；N為類的個數。

2.3 評價指標

從主觀與客觀2方面對分割效果進行評價。主觀評價主要從直觀視覺上對紫外圖像的整體分割及邊緣細節的分割情況進行比對。客觀評價則以平均交并比(Mean Intersection over Union，MIoU)和平均準確率(Mean Pixel Accuracy，MPA)作為評價指標，其計算公式為：

(13)

(14)

式中，Pi為某類別像素的準確率，計算公式為：

(15)

2.4 各模塊對U-Net模塊的影響

以各模塊對U-Net網絡的影響進行實驗，結果如圖6所示。由圖6可知，添加不同模塊對U-Net網絡有著不同的效果。單獨的U-Net網絡在分割紫外圖像時出現過分割與欠分割現象，分割邊緣也比較粗糙。在用非線性單元更強的VGG16Net替換后，分割精確度明顯提升，過分割現象明顯減少，但有些圖出現欠分割現象。添加SE模塊主要是降低非關鍵信息的重要程度，增加關鍵信息的重要程度。經實驗發現，添加SENet模塊后一定程度降低了噪聲的干擾，并且對過分割和欠分割都有緩解作用。ASPP模塊可以通過感受野的擴大，加強對大物體的分割準確度。通過圖像可以看出，添加ASPP模塊后對大的紫外光斑分割更加完整，但對小的紫外區域出現漏分割的情況。利用特征重用思想進行跨層拼接，對通過卷積層后可能漏掉的特征進行補充。實驗證明，跨層拼接對除去噪聲和加強邊緣分割都有積極作用。最后，通過將以上模塊嵌入到U-Net網絡中，相比于U-Net原始網絡，使用的網絡無論是在紫外區域分割的準確率上還是分割完整度上都優于添加各個模塊的網絡。

圖6 采用不同模塊的U-Net網絡紫外圖像分割結果Fig.6 UV image segmenting results with U-Net with different modules

為了更全面、真實地表現添加不同模塊對傳統U-Net網絡的提升，本文對其做了數據量化，結果如表2所示。

表2 采用不同模塊的U-Net網絡紫外圖像分割結果指標對比Tab.2 Comparison of UV image segmentation results indicators using U-Net with different modules

U-Net作為原始網絡，MIoU為74.56%，MPA為86.04%。不同模塊對傳統網絡有不同程度的提升。當整合所有模塊到U-Net網絡時，MIoU為81.78%，MPA為95.97%，分別提升了7.22%，9.93%，充分證明了改進模型的正確性和有效性。

從紫外區域的交并比(Intersection over Union，IoU)與像素分割準確度(Pixel Accuracy，PA)兩方面比較各個模塊對U-Net的影響，如圖7所示。由圖7可知，排除背景的干擾，添加ASPP模塊對整體提升最大，這與圖6展示的對比圖基本相似。改進網絡模型在PA方面更是高達92.67%，遠高于U-Net的72.77%，在IoU方面同樣是增長14.17%，這都進一步證實了VSA-UNet的優越性。

(a) 采用不同模塊的U-Net網絡分割紫外區域的IoU值

(b) 采用不同模塊的U-Net網絡分割紫外區域的PA值圖7 采用不同模塊的U-Net網絡對紫外區域分割結果的指標對比Fig.7 Comparison of indicators of UV region segmentation results using U-Net with different modules

2.5 損失函數選取

由于紫外圖像存在正負平衡問題，對有無Dice Loss損失函數對分割效果的影響進行實驗。CE Loss的MIoU為80.32%，MPA為93.27%；CE Loss+Dice Loss的MIoU為81.78%，MPA為95.97%。在本文所提的模型下使用復合混合函數效果要比單獨使用交叉熵損失函數效果要好。

2.6 不同算法分割性能比較

各種網絡的分割結果如圖8所示，圖8(a)和圖8(b)分別為收集的紫外圖像和紫外圖像的標簽；圖8(c)～圖8(g)為不同分割網絡的分割結果；圖8(h)為本文分割網絡的分割結果。

圖8 采用不同分割模型的紫外圖像分割結果Fig.8 UV image segmentation results with different segmentation models

紫外圖像分割任務中，過分割和欠分割是決定最終分割結果的主要因素。由實驗結果可以看出，各種算法對噪聲少、放電區域小、單一放電點的紫外圖像都有較好的分割效果；對放電點單一且放電區域大的紫外圖像，SPNet由于網絡增加條狀池化，在條形邊緣容易出現過分割與欠分割現象，PSPNet和LEDNet出現過分割情況；對多區域且面積大小不均的紫外圖像，PSPNet欠分割現象嚴重，LEDNet出現分割邊緣模糊。相比之下，傳統U-Net網絡在數據集較少時分割更為準確，但也出現了少量過分割與欠分割現象。本文模型解決了這個問題，分割出的紫外區域圖像邊緣更加清晰、圖像更加完整、分割更加準確，分割結果與真實標簽最為接近。

雖然從分割圖像能直接觀察到分割結果進行主觀評價，但是由于數據集太多，不易將每張圖片都進行對比，因此從客觀定量上進行總體評價。不同分割網絡對紫外圖像分割效果的定量指標如表5所示。由表5可以看出，本文模型在2項指標上都優于其他網絡，其在所給的45張測試集的MIoU達到81.78%，MPA達到95.97%，與傳統的U-Net網絡比較分別提升了7.22%，9.93%。綜上所述，本文提出的VSA-Net網絡在紫外圖像分割的主觀評價和客觀評價上都有很大提升，更能提供真實的放電區域。

表4 不同模型對紫外圖像分割指標對比Tab.4 UV image segmentation indicators by different models

3 結束語

電氣設備正常運行是保證電力系統穩定的關鍵，紫外圖像分割是否精確將直接影響電氣設備狀態評估的結果。為了提高紫外圖像分割準確度，提出了一種基于VSA-UNet網絡的紫外圖像分割算法。該算法在U-Net基礎上依次添加VGG16Net、改進SE模塊和ASPP模塊。與U-Net，PSPNet，DeepLabv3+，SPNet和LEDNet等網絡的對比實驗表明，改進網絡在圖像分割結果主、客觀方面均優于其他網絡，并且較好地解決了分割大區域、小區域和多區域的紫外圖像時出現的過分割和欠分割現象。改進分割網絡雖然相比其他網絡在紫外圖像分割上具有較高的分割精確度，但從實驗結果看出本網絡仍存在不足之處，例如在分割較大噪音時也會出現少量誤分割的情況，這也是未來需要重點研究的問題。