基于機器視覺的光伏電站絕緣子機械故障檢測研究

朱 進, 張一新

(申能新能源(青海)有限公司,青海 西寧 810099)

光伏電站的絕緣子是傳輸系統中的關鍵部件,在自然環境下受到風暴、地震和大雨等因素的影響會導致光伏電站出現故障,因此對絕緣子機械故障進行檢測對于推進智能電力巡檢有很大幫助。

近年來很多國內外學者對絕緣子的機械故障檢測進行了大量的研究,Yu等[1]為解決絕緣子樣本較少的問題,提出了使用紋理特征增強結合SINet網絡對絕緣子機械故障進行識別,準確度達到了99.82%。吳濤等[2]提出了使用K-means算法結合YOLO(You Only Look Once)檢測框架對絕緣子機械故障進行識別。王孝余等[3]為解決絕緣子裂縫故障的問題,提出了使用YOLO結合注意力機制對絕緣子機械故障進行檢測。Wei[4]提出使用霍夫橢圓檢測結合Canny邊緣檢測對復合絕緣子的機械故障進行識別。謝黎等[5]為了解決傳統元器件缺陷檢測效率低的問題,提出使用改進的YOLOv4目標檢測網絡進行訓練,使用多尺度融合結合K-means算法進行缺陷檢測。高小偉等[6]為提高多尺度目標的檢測精度,提出了使用無錨框輸電線的檢測網絡,精度可達78.31%。盧錦玲等[7]為了提高絕緣子機械故障檢測的實時性和準確率,提出使用可分離卷積的輕量級神經網絡對絕緣子機械故障進行檢測,在故障檢測的速度和精度方面有大幅度提高。劉東東[8]為了提高人工巡檢的效率和安全性,提出使用卷積神經網絡對絕緣子故障進行檢測。顧桂梅等[9]提出了使用遺傳算法結合BP神經網絡算法對絕緣子機械故障進行識別,與傳統的算法相比,改進后的算法準確率達到了85.5%。陳瀟等[10]為了解決絕緣子機械故障準確率和效率低的問題,提出了使用改進的U-Net卷積網絡,增加空洞卷積和全尺度跳躍的信息,實驗表明算法的準確率和精度都有所提高。姜浩然等[11]提出了一種航拍圖像的絕緣體故障診斷方法,首先使用大津法對絕緣子圖像進行分割,然后利用Hough變換進行橢圓檢測,根據絕緣體的位置信息檢測是否掉串。針對自然環境下絕緣子光照不均的情況,黃新波等[12]提出了一種基于改進的色差法圖像分割方法,首先進行亮暗區域的劃分并進行光照補償,采用自適應閾值分割算法結合幾何形狀分析法進行分割。為提高絕緣子的識別準確率,翟永杰等[13]提出了使用形態學算法、連通域標記和大津法進行圖像分割,提取絕緣體骨架,最后應用Ada Boost算法進行粗定位區域遍歷識別。針對人工巡檢絕緣體效率差、安全性低等特點,王淼等[14]率先使用圖像預處理技術進行連通域標記和形狀特征提取,從多個角度對絕緣子機械故障進行檢測,識別效果較好。嚴凱等[15]提出了不同背景下絕緣子圖像分割方法。為了提高玻璃絕緣體的診斷效率,林聚財等[16]使用顏色統計識別結合邊緣連碼的特性,能夠在不同的光照變化條件下根據滑動窗口直方圖識別絕緣子機械故障區域。馬帥營[17]對絕緣子的分割進行研究,根據傾斜校正結合投影的方法,縮小包含絕緣子的分割區域,然后利用HSI(Hue,Saturation,Intensity)顏色空間和最大方差法進行分割。Reddy等[18]提出了離散正交變換和智能分類算法判斷視頻中監控的絕緣子狀態。廖圣龍[19]為解決人工巡檢效率和準確率較低的問題,提出了一種各類檢測方法結合故障診斷的集成算法對關鍵部件進行缺陷檢測。針對絕緣子機械故障檢測問題,韓正新等[20]使用最大熵值分割法結合絕緣子輪廓進行檢測工作,然后再采用基于空間序列關系建立的特征檢測算法,從而對圖像中不重疊絕緣子的機械故障進行檢測和識別工作。Wu等[21]設計了新的輪廓模型,根據輪廓內外局部紋理分布的差異性將紋理不均的絕緣子進行分割,提高了故障診斷的效率。王子昊[22]為解決傳統巡檢絕緣子的效率低、安全性差的問題,提出了采用深度學習技術對絕緣子和銷釘故障進行檢測的方法,絕緣子故障檢測準確率達到了91.25%。陳景文等[23]針對無人機在復雜背景下拍攝分辨率低的絕緣子圖像,人工特征提取易丟失細節等信息問題,提出了使用U-Net分割網絡對絕緣子進行分割,通過將低維特征與高維特征融合,提高了絕緣子的定位精度,準確率達到88.9%。陳慶等[24]提出了利用改進的卷積神經網絡進行絕緣子機械故障檢測,根據提取的特征使用自組織特征映射網絡進行檢測,最后使用超分辨分割結合區域檢測對絕緣子進行機械故障的檢測。

綜上所述,現有的絕緣子機械故障檢測算法主要采用圖像處理技術,雖然取得了一些研究成果,但至今仍未能有效識別絕緣子的機械故障,使用深度學習模型檢測準確率較高,但存在訓練數據集樣本較少、模型泛化性較差等問題。傳統圖像處理算法存在穩定性差、易受到光照不均影響的問題,對此,本文提出了一種改進的絕緣子機械故障檢測算法,首先對絕緣子圖像進行亮度修正,能夠將不同光照下的亮度進行均勻化,適應不同光照下的絕緣子檢測,從而提高模型訓練的泛化性,然后使用改進的FCN(Full Convolutional Network,全卷積網絡)進行絕緣子分割、連通域標記和質心坐標的計算,最后建立絕緣子機械故障定位模型,根據等距質心定位絕緣子機械故障位置。

1 材料與方法

1.1 光伏電站絕緣子圖像采集

本研究以無人機采集的光伏電站絕緣子圖像作為試驗對象,由于光伏電站絕緣子是在自然環境下進行工作,因此無人機采集的圖像是在白天進行的,將絕緣子圖像的分辨率調整為700像素×900像素。根據光伏電站絕緣子工作環境多變的情況,在多霧和受光不一致的環境中分別抓拍了光伏電站絕緣子200幅圖像作為試驗對象。

1.2 光伏電站絕緣子機械故障檢測總體實現方案

光伏電站絕緣子機械故障檢測實現方案如圖1所示,主要分為4部分:① 對絕緣子圖像進行濾波和U分量的提取(在1.3節做了詳細介紹);② 使用改進的FCN網絡對絕緣子進行分割,并進行連通域標記;③ 對連通域標記后的圖像進行顏色閾值和K-means聚類計算質心坐標(在1.4節和1.5節做了詳細介紹);④ 建立絕緣子機械故障檢測模型,使用等距質心定位絕緣子機械故障位置(在1.6節做了詳細介紹)。

1.3 圖像預處理

1.3.1U分量提取

光伏電站絕緣子圖像是由無人機在自然環境下進行采集所得,因此需要對圖像的噪聲進行高斯濾波,然后對采集的圖像進行U(亮度)分量的提取,如式(1)所示。

(1)

由式(1)可知,RGB顏色空間轉換到YUV顏色空間能夠保持原有色彩結構不變,呈線性關系,不影響原有圖像色彩的對應關系。Y(亮度)、U(色度)和V(飽和度)能夠組成各不相同的顏色,UV表示色差,能夠對圖像的色彩以及飽和度進行描述。YUV顏色空間的Y分量具有光照適應性強的特點,需要對Y分量進行亮暗區域(0～255灰度值)的劃分。

1.3.2 圖像增強

光伏電站絕緣子的工作條件多為自然環境,圖像采集過程中會受到來自不同角度光照的影響,因此需要對圖像不同區域的光照強度進行均衡化。

傳統的圖像亮度均衡化方法采用線性變換的方式,會導致圖像的部分區域出現過亮或過暗的情況,因此使用了非線性變換的圖像增強方式,將提取出的U分量的像素灰度值通過非線性運算轉換為與原像素相對應的灰度值,如式(2)所示。

(2)

式中:O為圖像亮度均衡化后的像素值;I為圖像亮度均衡化之前的像素值;γ為圖像亮度的修正系數。當γ<1時,圖像部分區域的亮度會增加;當γ<1時,圖像部分區域的亮度會降低。

γ=0.6時的亮度均勻化前后的效果如圖2 所示,能夠看出地面的物體和輸電設施的亮度得到了均勻化。

圖2 γ=0.6時的亮度均勻化前后效果圖

1.4 改進的FCN網絡絕緣子目標分割

光伏電站絕緣子輪廓的精確分割會影響絕緣子機械故障檢測的準確率,同時由于光伏電站的絕緣子干擾信息比較多,比如電線、空中的丟棄物和鳥糞等干擾物,在感受野較小的情況下容易降低絕緣子機械故障檢測的準確性,故不僅需要對淺層網絡進行幾何信息的提取,還需要感受野較大的全局信息,使用跳躍結構進行多尺度特征融合解決該問題。

本研究在Shelhamer等[25]提出的傳統FCN全卷積網絡的基礎上進行了改進,如圖3所示。本文所使用的絕緣子分割模型通過增加卷積運算進行了改進,首先對傳統的FCN網絡的第2個池化層和第4個池化層增加卷積運算,提高網絡對絕緣子邊緣的分割精度,然后將網絡輸出的特征圖進行2倍上采樣,并與第4個池化層增加卷積運算后的特征圖進行融合,從而得到特征圖-16。最后將特征圖進行2倍上采樣得到特征圖-8,然后將pool2進行卷積運算后的特征圖進行融合得到特征圖-8,并進行上采樣得到絕緣子分割圖。

圖3 改進的FCN網絡運算示意圖

1.5 單個絕緣子質心位置求解

連通域標記能夠將每個絕緣子單獨作為一個對象進行標記,然后對標記后的單個絕緣子進行顏色閾值分割,如圖4(a)所示。顏色閾值是對圖像的3個通道分別設定上限閾值和下限閾值進行分割,然后再對分割后的單個絕緣子進行尺度不變特征變換(Scale-Invariant Feature Transform,SIFT)角點檢測。SIFT角點檢測主要是對圖像的局部明顯特征進行描述,具有尺度不變的特征,該算法的特點主要有以下4個方面:① 具有較強的穩定性和適應性,角點檢測的效果不受圖像大小、亮度和視角的變化;② 具有區分性強的特點,能夠在大量數據特征點匹配到區分性強的特定數據;③ 具有匹配速度快的特點;④ 擴展性強,能夠結合其他特征向量。本研究中選擇單個絕緣子檢測的特征點數量為20,在進行SIFT角點檢測后,對單個絕緣子圖像使用K-means聚類算法求解質心坐標。K-means聚類的原理是:給定一系列數據樣本X={X1,X2,…,Xn},樣本每個元素具有N個維度的特征,其核心是將N個元素根據元素間的相似度歸類到某個質心。具體步驟為:先對聚類簇心進行初始化C={C1,C2,…,Ck},1≤k≤n;然后通過歐氏距離計算每個元素到每個質心的距離,如式(3)所示。K-means聚類算法處理后的效果如圖4(b)所示。

圖4 絕緣子質心求解效果圖

(3)

式中:Xi為第i個元素,1≤i≤n;Cj為第j個質心,1≤j≤k;Xit為第i個元素的第t個屬性,1≤t≤m;Cjt為第j個質心的第t個屬性。接下來對比每一個元素與簇心的距離,從而得到K個質心{S1,S2,…,Sk}。K-means質心表示簇心內的元素在某個維度的均值,計算公式如下:

(4)

1.6 絕緣子機械故障定位模型建立

為了對光伏電站絕緣子機械故障位置進行定位,根據光伏電站絕緣子的輪廓特征建立絕緣子機械故障定位模型,如圖5 所示。首先使用改進的全卷積網絡對絕緣子目標進行識別,并進行連通域標記,再進行顏色閾值分割和SIFT角點檢測,最后將SIFT角點檢測后的數據進行K-means聚類得到簇心位置坐標,設第1排第1個絕緣子的質心坐標為(X1,Y1),因此第1排第3個絕緣子的質心為[X1+2×D,W(X1+2×D)+b],其中D為相鄰絕緣子的間距,最后根據等距質心定位絕緣子機械故障位置。

圖5 絕緣子幾何故障定位模型

2 結果與分析

2.1 模型訓練結果與分析

2.1.1 實驗環境與數據集

改進的FCN網絡模型在操作系統Linux下搭建的PyTorch1.7環境下運行,硬件環境為AMD Athlon(tm) X2 Dual Core Processor LS-5810,GPU內存為24 GB。將采集的400幅光伏電站絕緣子圖像按照1∶4的比例進行驗證集和訓練集的劃分,320幅作為訓練集,80幅作為驗證集。本文的實驗圖像受到來自不同的光照角度的影響,為了提高改進的FCN網絡對光伏電站絕緣子圖像細節特征分割的準確性,在模型訓練前對光伏電站絕緣子圖像的干擾顆粒噪聲進行處理,然后采用非線性運算對圖像的亮度進行均勻化。

2.1.2 參數設置和評價標準

本研究采用均勻分布方式對權重系數進行初始化,權重參數的優化方式采用隨機梯度下降法。學習率值為2×10-3,指數衰減的速度為0.94。網絡模型每次迭代的樣本數batch_size為24,訓練epoch取值100。

光伏電站絕緣子分割模型的訓練效果使用精確率、召回率和F1 Score值進行描述,如式(5)所示。

(5)

式中:TP為模型預測正類的正樣本;FP為模型預測正類的負樣本;P為精確率;R為召回率;F1為綜合評價指標。

F1 Score區間為[0,1],用來評估光伏電站絕緣子模型的綜合性能,F1 Score越大,分割效果越精確。光伏電站絕緣子分割的準確率越低,絕緣子像素分割的效果越差,如果召回率越小,表示光伏電站絕緣子部分像素區域未被正確分割,絕緣子分割模型訓練過程的損失率和準確率如圖6所示。

圖6 損失率和準確率曲線

2.1.3 實驗對比

為了對本研究中改進后的FCN模型的分割性能進行有效性驗證,與傳統FCN網絡進行實驗對比,部分實驗效果如圖7所示。從圖7中能夠看出光伏電站絕緣子分割存在誤分割現象,絕緣子分割的輪廓邊界效果較差。改進后FCN網絡對光伏電站絕緣子分割的效果良好,分割后的絕緣子輪廓較光滑。改進前后的分割模型指標對比如表1所示,能夠看出在精確率、召回率和F1 Score模型指標方面,改進后的FCN網絡均優于傳統FCN網絡。

表1 改進前后的分割模型指標對比

圖7 傳統FCN與改進后FCN分割效果對比圖

2.2 絕緣子機械故障定位結果與分析

為了對本研究的機械故障定位算法進行有效性驗證,通過人工測量的方式對無人機抓拍的光伏電站絕緣子圖像進行缺陷機械故障定位坐標的獲取,在本次實驗中,分別對大霧天氣和光照不均的條件下采集的絕緣子圖像進行故障定位,并對絕緣子圖像進行亮度的修正,以適應不同的光照圖像,提高模型訓練的泛化性,然后將絕緣子圖像壓縮成700像素×900像素,經人工計算采集的每幅圖像中絕緣子像素范圍為2 500～3 500,然后計算每幅圖像中絕緣子聚類的簇心坐標,并計算出相鄰絕緣子簇心的距離,最后將相鄰的絕緣子簇心距離相加并去掉計算得到的最短距離和最長距離,如式(6)所示。根據相鄰絕緣子簇心的平均距離計算出絕緣子故障位置,在1.6節中進行了詳細介紹。

(6)

式中:A為絕緣子簇心間的平均距離;xi,yi為絕緣子聚類中心坐標;n為連通域標記的絕緣子個數;maxd和mind分別為相鄰絕緣子簇心的最長和最短距離。

部分測試圖像結果數據如圖8所示,能夠得出在大霧天氣條件下人工測得的實際機械故障位置與算法檢測到的故障位置距離范圍為14像素～27像素。在光照不均的條件下測得的實際故障位置與算法檢測到的故障位置距離范圍為12像素～22像素。經過分析,光照不均條件下故障位置定位效果最佳,機械故障位置定位成功。

圖8 分割算法的有效性分析

將絕緣子做最小外接橢圓,算法定位機械故障位置與人工定位的故障位置X坐標相差不超過橢圓的短軸像素距離、Y坐標相差不超過橢圓的長軸像素距離定義為定位成功,反之定義為定位失敗,測試圖像如圖9所示。對大霧天氣和光照不均的條件下采集的共400幅圖像進行了時間復雜度分析,平均定位時間為0.071 s,具體情況如表2所示。定位失敗的原因主要是由于絕緣子輪廓受到復雜背景的遮擋,比如線纜和電塔鋼架等,聚類的簇心位置偏移造成了相鄰絕緣子平均距離存在誤差,如圖10所示。

表2 不同采集條件下機械故障定位情況

圖9 背景單一的絕緣子測試圖像

圖10 背景復雜的絕緣子測試圖像

3 結束語

本文提出了基于機器視覺的光伏電站絕緣子機械故障檢測方法,實現了絕緣子機械故障檢測的準確定位。試驗數據表明:

① 基于改進的FCN網絡對絕緣子圖像進行分割,與傳統FCN網絡進行對比研究,可知改進FCN網絡對絕緣子圖像分割效果最佳,F1 Score值為96.86%,算法消耗時間為0.056 s。

② 本文提出了基于機器視覺的光伏電站絕緣子機械故障檢測的方法,然后對400幅測試圖像進行驗證,平均定位誤差為18像素,大霧天氣和光照不均情況下檢測成功率分別為82.5%、96%,算法運行時間為0.066～0.076 s,可以滿足光伏電站絕緣子機械故障定位的準確性和實時性要求。

在光伏電站絕緣子機械故障定位的研究過程中,存在大霧天氣條件下部分絕緣子輪廓被遮擋的情況,在今后的絕緣子機械故障定位研究中,將對以上情況進行深入研究。