改進Grab Cut算法的復合絕緣子憎水性評估

畢茂強,帥埡靈,胡秀雷,楊忠平,楊俊偉,江天炎,陳 曦

(1.重慶理工大學 電氣與電子工程學院, 重慶 400054;2.中國電力工程顧問集團西南電力設計院有限公司, 成都 610021)

0 引言

復合絕緣子主要由傘裙、金具和絕緣芯棒三部分組成。相較于瓷絕緣子和玻璃絕緣子而言,復合絕緣子具有機械強度高、抗污閃能力強和質量輕等優點,目前已廣泛應用在架空輸電線路中[1-5]。由于復合絕緣子長期在紫外線、霧霾、酸雨酸霧等惡劣和復雜環境下運行[6],在其端部還可能伴隨著電暈放電現象,使得傘裙發生不同程度的老化,導致復合絕緣子憎水性能減弱等情況發生,影響復合絕緣子防污閃性能[7-10]。為了保障輸電線路的穩定運行,需要準確識別和評估復合絕緣子的憎水性。

近年來,隨著計算機科學的快速發展,數字圖像處理技術在各個領域得到廣泛應用,大量學者利用圖像處理技術對復合絕緣子的憎水性進行識別。研究人員通過無人機對復合絕緣子進行噴水[11-13],再通過圖像采集裝置進行收集,利用圖像處理技術進行憎水性識別,這一途徑避免了外界環境對觀測人員的干擾,大幅提高了憎水性識別的準確率[14-16]。

文獻[17]研究了一種基于VGG-19卷積神經網絡的復合絕緣子憎水性等級識別模型,降低了圖像獲取過程中因光照造成的圖像局部特征識別而造成的影響。文獻[18]提出了一種基于深度遷移學習的噴水圖像識別方法,通過4種卷積神經網絡建立學習模型對硅橡膠憎水性進行識別,對潔凈絕緣子表面憎水性識別有較高的準確性,但在污穢絕緣子識別時存在一定的偏差。文獻[19]通過直方圖均衡化、濾波和Otsu閾值分割等操作提取圖像的液滴特征后,提取特征構建憎水性等級HC1～HC7的特征向量,利用SVM方法實現對硅橡膠憎水性的智能識別,并對液滴的不同形狀因子檢測結果進行了對比分析。文獻[20]通過自適應直方圖均衡化、引導濾波和改進的Canny算法對復合絕緣子液滴圖像進行圖像分割,改善了傳統算法邊緣檢測斷點等情況,提高了判定結果的準確性。

基于改進Grab Cut算法的復合絕緣子憎水性評估法是將一定量的液滴滴在硅橡膠表面,然后通過液滴的舒展面積來評估硅橡膠的憎水性。提取復合絕緣子憎水性圖像過程中的關鍵點在于如何準確地區分背景和水滴,由于大多數復合絕緣子都運行在戶外環境中,導致復合絕緣子不可避免地會出現覆污、電暈放電等情況,使得獲取到的復合絕緣子表面的液滴圖像存在大量背景噪聲,對后續檢測有一定干擾。為此,采用改進Grab Cut算法降低背景噪聲對邊緣識別的影響,進行不同憎水性條件下硅橡膠表面液滴邊緣的識別和液滴面積的計算,結合對照靜態接觸角法,實現復合絕緣子憎水性的評估。

1 液滴面積憎水性檢測

硅橡膠表面液滴面積識別實現過程中存在2個主要的技術難點:一是液滴在硅橡膠表面的形態各異,嚴重時導致復合絕緣子在電暈放電的情況下憎水性降低或者完全喪失;二是復合絕緣子受環境、鳥啄等影響導致材料損壞、覆污等現象,造成獲取到的原始圖像中存在較多的背景噪聲,因此如何在進行液滴面積識別過程中降低圖像噪聲,準確提取出液滴部分并進行液滴面積識別是進行液滴面積識別的第二大難點。

1.1 液滴面積法圖像處理算法

Grab Cut算法是由Graph Cut算法演化而來的一種在圖論基礎上進行圖像分割的方法。Graph Cut算法利用最小割最大流算法進行圖像分割,可以將圖像分割為前景和背景,但該算法只能對灰度圖像進行圖像分割。

圖像的分割問題在Grab Cut中表示為:

(1)

式中:α=(α1,…,αx,…,αy),αx∈{0,1},α是輸入圖像中像素點的標號值,1表示前景,背景用0表示,圖像前景以及背景顏色的概率分布用θ表示。

在加入GMM模型后,能量函數E可以表示為:

E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)

(2)

式中:原始圖像中每個像素點的GMM標號用k=(k1,…,kn,…,kN),kn=(1,2,…,K)表示,因此能量函數E的數據項可以表示為:

(3)

其中,

D(αn,kn,θ,zn)=-logp(zn|αn,kn,θ)-logπ(αn,kn)

(4)

式中:p()和π()分別表示的是高斯概率分布和混合權重系數,因此:

(5)

通過上述變化,參數θ可表示為:

(6)

能量函數中的平滑項V不變,僅距離計算的相關部分應用了彩色空間的歐幾里得度量:

(7)

Grab Cut算法進行圖像分割操作的流程如圖1所示。在獲取到輸入圖像后,通過交互式選擇需要進行識別的區域,構建s-t網絡圖,此時圖像中每個像素點都是一個獨立節點;然后對節點之間的權重進行定義,權重越大則節點的相似性越大,反之亦然。在權重確定后,交互式選擇的區域為前景部分,背景的相關像素點則用曲線確定。在明確圖像前景和背景的像素點后,就能明確s-t網絡圖中連接節點的邊以及獨立節點,通過權重對s-t網絡圖中的能量函數進行定義。經過多次迭代使能量函數收斂并達到最小值,由此得到對圖像前景和背景分割的邊界節點,從而對原始圖像的前景和背景區域進行分割。

圖1 Grab Cut算法流程框圖

復合絕緣子在長期掛網運行中不可避免地會存在污穢、電暈放電等問題,因此復合絕緣子表面狀態具有較大差異,造成獲取到的傘裙表面液滴圖像存在大量噪聲。另外,拍照角度、光照等一系列因素會使獲取的圖形存在局部不明的情況,這都會對液滴面積的識別準確性造成影響。為解決這些問題,在Grab Cut的基礎上結合自適應對比度增強,并基于高斯濾波的自適應平滑濾波的優點解決原始圖像中的光照和噪聲問題。

1.2 自適應平滑濾波原理

高斯濾波是一種常見的濾波方法,它主要是對輸入圖像的像素值進行加權平均操作,即輸入圖像中的每一個像素值都由其本身以及鄰域內的像素值加權平均得到。高斯函數決定高斯濾波算法的權重,函數可以表示為:

(8)

式中:參數a、b、c都是常數,且a>0。函數為高斯分布概率密度函數,因此也可表示為:

(9)

在實際應用中,權重的分布和卷積核的大小均會使算法的處理結果產生較大差異。為了得到準確的結果,需要采用其他算法對卷積核參數進行優化,這也導致濾波算法較為復雜。

在上述算法的基礎上,提出自適應平滑濾波算法。由式(9)可以看出,高斯函數中的σ對圖像濾波結果起決定性作用,當σ較小時,圖像邊緣特征較為明顯,但圖像噪聲消除效果和平滑度都較差;當σ較大時,圖像平滑程度和噪聲消除效果都有明顯改善,但圖像邊緣特征較為模糊。因此,選取合適的σ是濾波過程中消除噪聲并保留完整邊緣特征的關鍵因素。

通過上述對σ的敘述可知,在圖像識別過程中,單一的σ無法對圖像進行理想濾波操作,識別主體部分時采用盡可能小的σ,而其余部分采用較大的σ。為了處理該問題,需要獲得中心像素點及其鄰域像素點像素值的均值差異,并在均值差異的基礎上對相關參數進行自適應計算。

假定原始圖像函數為f(x,y),則原始圖像的掩膜區域的灰度平均值為:

Imax=Ipeak-Imask

(10)

中心及其鄰域像素點的灰度值均值之差為:

d(x,y)=|f(x,y)-M(x,y)|

(11)

通過中心及其鄰域像素點灰度均值差可知,當像素點為噪聲點時,灰度均值差達到最大值,若像素點為所需像素點時,灰度均值最小,接近0。當像素點位于圖像邊緣時,其取值在上述2種情況內。

取尺度因子d(x,y),自適應平滑濾波算法的算子可表示為:

N(x,y)(i,j)=exp(-(i2+j2)/2(d(x,y))2)/

(12)

1.3 自適應對比度增強原理

使用自適應對比度增強算法來解決輸入圖像邊緣細節的識別問題。在識別過程中,算法識別的準確性受圖像本身特征的影響較大,因此需要根據輸入圖像本身的特征對算法做一定的調整,使得識別結果更加準確,且自適應對比度增強算法能改善輸入圖像中對比度差的不足。輸入圖像中每個像素點的均勻性可以用方差來體現,也說明方差越小的區域其像素值差異越小,對比度越弱;相反,方差越大則說明對比度越強。

改進Grab Cut算法主要是對輸入圖像中的每個像素點計算其鄰域內的均值以及標準差:

(13)

(14)

式中:f(s,k)代表原始圖像中像素點在(s,k)處的像素值;M(i,j)代表原始圖像中以點(i,j)為中心的區域,區域大小為(2n+1)×(2m+1)的均值;σ2(i,j)為局部像素值的方差;σ(i,j)為局部圖像的像素值的標準差。

在取得上述參數后,對輸入的圖像使用對比度增強算法:

I(i,j)=M(i,j)+G((i,j)-M(i,j))

(15)

(16)

2 測試樣品及參數

2.1 電暈老化樣品的制備

使用六邊形陣列的多針-板電極[21-23]進行電暈老化硅橡膠樣品的制備,如圖2所示。其中,多針-板電極之間的距離為10 mm,針尖的曲率半徑為30 μm。使用多針-板電極能使硅橡膠樣品在電暈老化過程中的電場更加均勻,從而制備出表面老化均勻的硅橡膠樣品。

使用的硅橡膠樣品的形狀參數為115 mm×115 mm×2 mm。本次電暈老化主要制備相對環境濕度為40%、60%、80%和95%,環境溫度為(20±2)℃的硅橡膠樣品,施加為10 kV交流電,持續時長100 h[24]。

圖2 多針-板電極裝置

2.2 自然積污樣品制備

為進一步對改進Grab Cut算法圖像識別結果進行驗證,制備自然環境下積污時長為1 440 h的樣品。根據實際應用情況,復合絕緣子有紅色、灰色等顏色的硅橡膠材料,因此選取3種填料不同的硅橡膠樣品進行算法檢測。

在實際制備過程中,對積污1 440 h過程中的氣象天氣進行統計,共計晴天168 h,陰雨天1 272 h。同時,根據氣象局相關數據可查閱到相關空氣質量指數,詳細氣象條件如表1所示。空氣質量指數(air quality index,AQI)將空氣濃度轉換為單一的概念性指數值。對于單項污染物,用空氣質量分指數表示。空氣主要污染物有可吸入顆粒物、細顆粒物、SO2、NO2、O3、CO等6項。將AQI≤100的空氣分級為優良,100

表1 自然積污硅橡膠樣品氣象條件 h

2.3 實際工況運行復合絕緣子

為從實際應用角度驗證改進Grab Cut算法在架空輸電線路復合絕緣子液滴面積識別方面的準確性,對西南地區某電網架空輸電線路檢修更換的復合絕緣子進行相關檢測,共收集13根處于實際線路運行狀態的復合絕緣子。其中,35 kV輸電線路復合絕緣子2根,110 kV輸電線路復合絕緣子10根,220 kV輸電線路復合絕緣子1根,運行年限均在8年及以上,部分樣品實物如圖3所示。

圖3 架空輸電線路復合絕緣子實物

收集的13根復合絕緣子的運行線路分布于不同地區,表面積污和老化情況等存在較大差異,但基本都存在傘裙脆化、粉化和硬化等情況,復合絕緣子憎水性也存在不同程度的降低。

3 算法驗證及應用

3.1 電暈老化樣品識別

1) 靜態接觸角測試結果

對初始硅橡膠樣品測量5次靜態接觸角并取其平均值作為測試結果。圖4(a)為相關樣品的部分測試結果,以未老化樣品作為初始參考值。

對不同濕度電暈老化的硅橡膠樣品測量靜態接觸角,得到部分測試結果如圖4(b)—(d)所示。由圖4可以看出,電暈老化過程中環境濕度變化導致硅橡膠電暈老化程度不同,憎水性也有相應變化,環境濕度越高,硅橡膠靜態接觸角越小,即樣品的憎水性喪失越嚴重。

圖4 不同濕度下老化樣品接觸角測試結果

由于硅橡膠中存在小分子物質,使得硅橡膠本身具有一定的憎水性恢復特性。為了更好地對比硅橡膠材料在電暈老化后的恢復特性和后續液滴面積,在電暈老化后的樣品靜置0、2、4、8 h后進行5次測量,分別計算其平均值。圖5為硅橡膠在不同濕度條件下進行電暈老化的憎水性恢復特性的實驗結果。

由圖5可以看出,原始樣品靜態接觸角基本未發生變化,同時環境濕度越大,電暈老化硅橡膠的憎水性降低幅度越大。同時,在電暈老化結束后,不同相對濕度電暈老化樣品靜態接觸角的平均值為53.9°,靜置8 h的靜態接觸角平均值為88.3°。這說明硅橡膠樣品存在恢復特性,靜態接觸角僅能作為一種粗略的檢測方法。

圖5 不同濕度下老化樣品接觸角恢復 特性實驗結果

2) 液滴面積法測量結果

對前期制備的電暈老化樣品分別進行液滴面積測量,圖6(a)—(b)為部分液滴面積的測試圖像。由圖6可以看出,不同相對濕度條件下的老化樣品液滴形態不同,導致液滴在硅橡膠樣品鋪展的面積也不同,從側面反映硅橡膠電暈老化后樣品憎水性的喪失程度不同。

同樣,將電暈老化后的硅橡膠樣品靜置0、2、4、6、8 h,期間進行液滴面積測試。圖6(c)—(d)為環境相對濕度RH=60%時,靜置2 h和8 h后的測試圖像。

圖6 液滴面積恢復特性測試圖像

對樣品靜置后的液滴面積測試結果求取平均值,得到如圖7所示的液滴面積恢復特性曲線。

由于液滴在硅橡膠表面的鋪展面積與硅橡膠的表面張力有關,因此液滴面積也能反映硅橡膠的恢復特性。由圖7可知,環境濕度越大的電暈老化樣品,液滴面積越大,說明硅橡膠表面憎水性越差。隨著靜置時間的增加,電暈老化樣品的靜態接觸角增大,相應的硅橡膠表面液滴的鋪展面積逐漸減小,最終保持穩定。當電暈老化樣品靜置一定時間后,硅橡膠憎水性有一定程度的恢復,液滴面積發生了明顯變化。

圖7 液滴面積恢復特性曲線

為了更加直觀地對比2種測試結果,將測試結果進行歸一化處理,即用單次測試數據除以本組測試數據的最大值。由于液滴面積隨復合絕緣子憎水性的減弱而逐漸增大,因此將液滴面積歸一化數值取倒數,對2種方法進行對比分析,液滴面積法與靜態接觸角法歸一化處理結果如表2所示。

表2 液滴面積與靜態接觸角結果

由表2可以看出,2種方法在變化趨勢上大致相同,說明液滴面積和靜態接觸角均能體現硅橡膠樣品的憎水性變化情況。同時,可以看出,在硅橡膠憎水性較好時,2種方法測試結果基本一致;在硅橡膠處于弱憎水性時,液滴面積的變化幅度更大,說明弱憎水性的情況下,液滴面積法能更加靈敏地反映憎水性變化情況。因此,液滴面積法能較為直觀地測量硅橡膠的憎水性,并與靜態接觸角測試結果吻合。液滴面積測量過程中無需昂貴的試驗儀器,相較于靜態接觸角法更適用于復合絕緣子的現場應用。

3.2 自然積污樣品識別

利用改進Grab Cut算法對圖3中自然積污的硅橡膠樣品進行圖像識別,得到了如圖8的測試結果。

圖8 自然積污硅橡膠樣品圖像處理測試結果

通過改進Grab Cut算法和常見算法對圖8(c)中的原始圖像進行邊緣識別,得到圖8(d)和圖8(e)的測試結果。由圖8(d)可以看出,改進Grab Cut算法不僅能對電暈老化硅橡膠進行準確識別,還能識別自然積污狀態下的硅橡膠樣品。通過圖8可以看出,積污情況并未對改進算法識別結果造成太大的影響,無明顯噪聲等情況,液滴能夠被準確識別,僅在液滴邊緣小部分區域出現識別模糊的情況。圖8(e)中結果表明,常見的邊緣處理算法對硅橡膠液滴識別過程中存在誤識別和邊緣不準確等情況,常見的圖像識別算法能準確識別大范圍的圖像背景,但對于硅橡膠表面的小液滴則存在一定的識別缺陷。

對圖8(c)的硅橡膠表面液滴進行分割,得到改進算法和Grab Cut算法的耗時見表3。從表3中的數據可以看出,改進算法耗時與Grab Cut算法耗時的比率在25%～30%,表明改進算法大大提高了圖像的分割速度,提升了圖像識別的效率。

表3 改進算法與Grab Cut算法的耗時對比

為了體現不同憎水性等級采用改進算法的識別效果,對硅橡膠樣品使用蒸餾水進行浸泡處理,降低硅橡膠表面憎水性,同時對浸泡不同時長的硅橡膠樣品進行液滴面積檢測,最終得到HC1～HC7的樣品,部分測試圖像如圖9所示。

圖9 不同憎水性樣品液滴面積部分測試圖像

由圖9可以看出,硅橡膠樣品憎水性越差,液滴鋪展面積越大,尤其當憎水性等級在HC4～HC7時,靜態接觸角無法單獨反映硅橡膠的憎水性等級。同時,硅橡膠樣品憎水性越差,液滴在樣品表面鋪展的形狀越不規則,這也加大了憎水性識別的難度。由圖9可以看出,改進Grab Cut算法能對液滴的形態進行較為準確的識別,僅在液滴邊緣小部分區域分割有偏差,但對液滴面積的識別影響較小,能夠滿足實際測量的應用要求。

上述測試結果反映了改進后的Grab Cut算法能夠較為準確地分割液滴與樣品背景,同時能夠較為精確地計算不同憎水性硅橡膠樣品的液滴面積,液滴面積計算結果如圖11所示。

由圖11不同憎水性樣品曲線可以看出,通過改進后的Grab Cut算法能對不同HC等級的液滴圖像進行液滴面積識別,同時與噴水分級法結合得出不同HC等級的液滴面積值。這說明即使硅橡膠樣品處于弱憎水性條件下,改進算法也能較為精確地識別電暈老化硅橡膠的表面憎水性情況。

3.3 實際運行復合絕緣子樣品識別

試驗首先通過噴水分級法和靜態接觸角法測定相關復合絕緣子的憎水性等級,然后利用改進Grab Cut算法對圖3中實際工況運行復合絕緣子樣品,進行液滴面積測試,得到如圖10所示的圖像處理結果。

圖10 實際工況復合絕緣子液滴面積測試圖像處理結果

如圖10所示,復合絕緣子憎水性不同時,傘裙表面液滴形態也有較大差異。隨著復合絕緣子憎水性逐漸變差,傘裙表面的液滴形態產生明顯的差異。憎水性等級越大,傘裙表面液滴面積越大,當憎水性等級達到HC4時已無法對樣品進行靜態接觸角測試。經過算法處理后,不同憎水性條件下的液滴圖像能取得較為準確的分割效果,并能較準確地計算出液滴面積,液滴面積計算結果如圖11所示。

圖11 復合絕緣子液滴面積計算結果

由圖11可以看出,在實際運行復合絕緣子表面存在粉化和大量污穢的情況下,改進Grab Cut算法依然能較為準確地識別出復合絕緣子的液滴面積。

通過改進的Grab Cut算法對自然積污硅橡膠樣品和實際運行工況復合絕緣子樣品進行識別,能夠較為準確地得到液滴的完整圖像,證明改進Grab Cut算法可有效降低復合絕緣子傘裙表面覆污所帶來的噪聲干擾,并能較為精確地計算硅橡膠樣品的液滴面積。

4 結論

1) 相較于靜態接觸角測量方法,采用的改進Grab Cut算法能更為便捷地檢測出復合絕緣子表面液滴面積,無需高精尖光學設備,并能較為準確地反映硅橡膠表面的憎水性。

2) 采用自適應對比度增強和自適應平滑濾波算法對Grab Cut算法進行改進,能有效地降低復合絕緣子傘裙表面覆污所帶來的噪聲干擾,同時能較為精確地識別出硅橡膠樣品的液滴區域。

3) 對電暈老化、自然積污、不同憎水性硅橡膠樣品和實際運行工況絕緣子進行圖像識別測試,算法能較為準確地得到液滴的完整圖像,較為精確地計算出硅橡膠樣品的液滴面積,證明改進的Grab Cut算法具有實用性。