改進U-Net網絡的接地網圖像超像素分割

翁宇游,鄭 州,郭 俊,趙志超,謝 煒,胡 雨

(1.國網福建省電力有限公司電力科學研究院,福建 福州 350007;2.北京國網信通埃森哲信息技術有限公司,北京 100052)

1 引 言

接地網與電力系統的穩定運行息息相關。接地網常年位于土壤內部,易受土壤腐蝕[1],導致接電網出現不同程度的腐蝕情況,若無法及時發現腐蝕區域,則會導致接電網變細甚至斷裂,令電氣設備出現接地短路故障[2]。因為接地網所處環境的特殊性,所以工作人員需要采集并分析接地網的紅外圖像,判斷接地網是否存在腐蝕現象[3-4]。通過精準分割接地網腐蝕紅外圖像,可為工作人員提供精準的腐蝕區域,工作人員可依據分割的腐蝕區域及時進行維修,加快工作人員工作效率,提升電力系統運行穩定性。劉國華等人利用雙邊濾波修復圖像內的小空洞,利用均值填充方式,修復圖像內的大空洞,通過線性譜聚類超像素分割算法,分割空洞修補后的圖像,實現圖像分割;該方法分割圖像時的欠分割錯誤率較低,邊界召回率較高[5]。王小芳等人通過線性譜聚類算法完成圖像超像素分割,將顏色與距離相似的像素聚類到一個中心,獲取不同類別的超像素聚類結果,通過最大相似度區域合并算法,融合全部超像素塊,完成圖像超像素分割;該方法可顯著降低過分割與欠分割率[6]。但上述兩種方法均無法較好地提取圖像特征,導致分割結果較為粗糙,分割目標的邊界較為模糊。人工智能深度學習具備較優的特征提取性能[7-9],在圖像分割中具備非常重要的作用,可有效提升圖像分割精度,人工智能深度學習包含深度卷積神經網絡與全卷積神經網絡等。為此研究基于人工智能深度學習的接地網腐蝕紅外圖像超像素分割方法,實現紅外圖像超像素分割,為維修人員提供精準的接地網腐蝕區域,避免接地網出現故障,提升變電站運行的穩定性。

2 接地網腐蝕紅外圖像超像素分割方法

2.1 基于主成分分析的接地網腐蝕紅外圖像降維處理

接地網腐蝕圖像內包含大量信息,會增加紅外圖像超像素分割難度,降低分割效率。通過降維處理紅外圖像,可有效剔除紅外圖像內的冗余信息,凸顯圖像內的重要信息,加快分割效率。

利用二維主成分分析法降低接地網腐蝕紅外圖像維度,降維思想為:利用二維主成分分析法對原始二維接地網腐蝕紅外圖像Y進行線性變換,表征原始圖像的特征主成分,以乘上正交變換矩陣的形式,變更Y獲取一個新的接地網腐蝕紅外圖像Y′,將原始接地網腐蝕紅外圖像的信息變更成彼此無關的主成分,減少無關特征變化對主成分收斂性的影響。經過正交變換后,第一主成分內存在接地網腐蝕紅外圖像的信息量在80 %左右[10-11],前三個主成分存在的信息量在95 %以上,有效剔除無效的信息,實現接地網腐蝕紅外圖像的降維處理[12]。

接地網腐蝕紅外圖像降維具體步驟如下:

步驟1:求解接地網腐蝕紅外圖像數據的均值矢量u與協方差矩陣E,公式如下:

(1)

步驟2:計算E的特征值λ與特征向量O,E、λ與O間的關系如下:

(λI-E)O=0

(2)

其中,單位矩陣為I;E的N個特征根是λ1,λ2,…,λN,同時λ1≥λ2≥…≥λN,與λ1,λ2,…,λN相應的特征向量是O1,O2,…,ON,獲取主成分分析的變換矩陣為W=[O1,O2,…,ON],W符合WWT′=I,其中,轉置符號是T′。

步驟3:經過主成分分析降維后的接地網腐蝕紅外圖像為:

(3)

2.2 基于人工智能深度學習的接地網腐蝕紅外圖像超像素分割的實現

為提升接地網腐蝕紅外圖像超像素分割效果,先利用Turbopixel超像素分割法,初步分割降維處理后的接地網腐蝕紅外圖像,獲取數個超像素區域;再將分割獲取的數個超像素區域,輸入人工智能深度學習中的改進全卷積U-Net網絡內,輸出接地網腐蝕紅外圖像超像素分割結果。

Turbopixel超像素分割法是先為降維后接地網腐蝕紅外圖像內設置一定量的種子點,再利用基于水平集的梯度幾何流的方法不斷放大種子點到超像素的邊緣,令其彼此重合,完成接地網腐蝕紅外圖像分割,獲取數個超像素區域,且各超像素區域的大小大致相同[15]。具體步驟如下:

1)初始化2.12小節降維后的接地網腐蝕紅外圖像內的種子點;

2)依據圖像梯度方向修正種子點位置,增加種子點與圖像邊緣間的距離;

3)標記全部種子點;

4)曲線演化全部種子點;

5)估計未標記區域的骨架;

6)修正接地網腐蝕紅外圖像邊界像素的演化速度;

7)反復操作步驟4)至步驟6),以邊界像素的演化速度降至0為止,完成接地網腐蝕紅外圖像的同質性圖像塊信息提取,得到數個接地網腐蝕紅外圖像超像素區域。Turbopixel超像素分割法能夠很好地保留接地網腐蝕紅外圖像超像素分割過程中的邊界信息。

Turbopixel超像素分割法選擇的離散化水平集方程如下:

(4)

其中,控制邊界點演化速度的參數是AτAλ;二進制停止項是Aτ;演化次數是t;水平集函數是ψ;曲率函數是Aλ。

在人工智能深度學習中的改進全卷積U-Net網絡內,輸入分割獲取的紅外圖像超像素區域,自動完成接地網腐蝕紅外圖像超像素分割。改進全卷積U-Net網絡將編碼器內的卷積變更成可變形卷積,建立可變形編碼器,提升網絡學習幾何形變性能。將原始的雙線性插值上采樣方法變更成重構上采樣卷積(Reshape Upsampling Convolution,RUC),通過可變形卷積與重構上采樣卷積對全卷積U-Net網絡進行改進,建立改進的全卷積U-Net網絡結構,在改進的全卷積U-Net網絡結構內輸入分割獲取的紅外圖像超像素區域,輸出紅外圖像超像素自動分割結果。

改進全卷積U-Net網絡結構如圖1所示。

圖1 改進全卷積U-Net網絡結構

由圖1可知,改進全卷積U-Net網絡結構左邊是編碼器,包含可變形卷積層與最大池化層,右邊是解碼器,包含RUC與普通卷積層。左右兩邊的連接方式是拼接方式,既能恢復接地網腐蝕紅外圖像分辨率,又能融合卷積層提取的細節特征。

令接地網腐蝕紅外圖像各超像素區域的分辨率均是h×w;通道數是c;RUC的具體步驟如下:

1)利用2c個1×1卷積,擴展通道數量,擴展倍數是2倍;

2)通過ReLU激活函數,獲取h×w×2c的接地網腐蝕紅外圖像特征圖;

(5)

其中,權重是ω;可調節因子是η;偏置是β;位置編號是n。

可變形卷積是在R內引入偏移量Δdn,可變形卷積表達公式如下:

(6)

(7)

以集中性損失函數為損失函數,公式如下:

(8)

通過L解決正負樣本不平衡問題,提升接地網腐蝕紅外圖像超像素分割精度。

通過反向傳播算法迭代優化改進全卷積U-Net網絡權重ω,提升網絡訓練時的收斂效果,利用反向傳播算法迭代優化ω前,需設計一個迭代優化的代價函數,公式如下:

(9)

利用梯度下降算法尋找ξ(ω,β)的全局最小值,該算法是以搜索令式(9)獲取最小值的方式,更新ω與β,公式如下:

(10)

其中,更新后的ω與β是ω′、β′;學習率是τ。

3 實驗分析

以某區域的接地網為實驗對象,利用本文方法對該區域接電網腐蝕紅外圖像進行超像素分割,驗證本文方法超像素分割的可信性。該區域接地網的截面積是60 mm×5 mm左右,主要結構是扁鋼,各段接地網的長度是15 m。該接地網內共包含56個節點,97條支路,規模接近中型地網,整體拓撲結構如圖2所示。

圖2 接地網拓撲結構

利用本文方法降維處理該區域接地網腐蝕紅外圖像,各主成分的特征值與累積貢獻率如表1所示,部分接地網腐蝕紅外圖像的各主成分如圖3所示,以前4個主成分、第6個與第11個主成分的部分接地網腐蝕紅外圖像為例。

表1 各主成分的特征值與累積貢獻率

圖3 各主成分的部分接地網腐蝕紅外圖像

綜合分析表1與圖3可知,當主成分是5時,累積貢獻率是0.982,達到0.98,說明前五個主成分包含了大部分的接地網腐蝕紅外圖像的信息,之后的主成分內所包含的接地網腐蝕紅外圖像信息較少,為此以前5個主成分包含的信息為后續接地網腐蝕紅外圖像超像素分割的輸入圖像信息,結合圖3可知,從第6主成分開始,接地網腐蝕紅外圖像內開始出現噪聲點,當主成分為11時,紅外圖像內包含了大量噪聲點,無法為后續接地網腐蝕紅外圖像超像素分割提供有效的圖像信息。實驗證明:以前5個主成分的紅外圖像信息代表整個接地網腐蝕紅外圖像信息,達到紅外圖像降維的目的。

利用本文方法對該區域接地網腐蝕紅外圖像展開超像素分割,部分接地網腐蝕紅外圖像超像素分割結果如圖4所示。

圖4 部分接地網腐蝕紅外圖像超像素分割結果

根據圖4可知,本文方法可有效利用Turbopixel超像素分割法分割接地網腐蝕紅外圖像,獲取大小基本一致的數個超像素區域;以獲取的數個超像素區域為本文方法中改進全卷積U-Net網絡的輸入,對其進行分割,得到最終的紅外圖像超像素分割結果,且分割結果的邊界非常清晰,可清晰呈現接地網腐蝕紅外圖像的各個區域。實驗證明:本文方法具備接地網腐蝕紅外圖像超像素分割的有效性。

利用Dice相似性系數(DSC)與Hausdorff距離(HD),衡量本文方法的接地網腐蝕紅外圖像超像素分割效果,計算公式如下:

(11)

(12)

其中,A和B分別是集合A和B的點;d(a,b)是這些點之間的任何度量。

DSC越高,說明實際分割結果與標準分割結果越相似,即分割精度越高,HD代表實際分割結果與標準分割結果間的最大差異,其值越小,分割精度越高,在不同接地網腐蝕紅外圖像分辨率時,不同方法分割效果的測試結果如圖5所示。

圖5 接地網腐蝕紅外圖像超像素分割效果的測試結果

根據圖5可知,隨著接地網腐蝕紅外圖像分辨率的增長,本文方法進行接地網腐蝕紅外圖像超像素分割時的DSC呈逐漸上升的趨勢,HD呈逐漸下降的趨勢;當分辨率達到112×112 ppi時,DSC趨于穩定,最高DSC高達98 %左右;當分辨率達到56×56 ppi時,HD趨于穩定,最低HD低至0.5 mm左右;在不同分辨率時,本文方法的DSC均顯著高于DSC閾值,HD均顯著低于HD閾值,文獻[5]方法和文獻[6]方法的DSC均低于本文方法,HD值均高于本文方法;當分辨率達到112×112 ppi時,HD趨于穩定,說明不同分辨率時,本文方法展開接地網腐蝕紅外圖像超像素分割時的DSC值均較高,HD值均較低,具備較高的分割精度。

4 結 論

接地網所處環境較為惡劣,導致其易受環境影響出現不同程度的腐蝕情況,出現接地網故障,令電力系統的運行會受到影響,為此需及時發現并精準分割接地網腐蝕區域,為維修人員檢修接地網時,提供精準的數據支持,避免接地網故障發生。為此研究基于人工智能深度學習的接地網腐蝕紅外圖像超像素分割方法,精準分割接地網腐蝕紅外圖像超像素。