采用图像分析与神经网络识别绝缘子憎水性

汪佛池， 闫康， 张重远， 王彦波， 杨升杰

(1.华北电力大学河北省输变电设备安全防御重点实验室，河北保定071003;2.国网鹿泉市供电公司，河北鹿泉050200)

0 引言

复合绝缘子以优异的耐污闪性能被广泛应用于输电线路中，其优异的耐污闪性能得益于它本身具有的憎水性。但随着运行时间的延长、电晕、污秽、紫外线等因素的影响，复合绝缘子会逐渐老化，从而导致其憎水性能减弱，甚至完全丧失，使绝缘子的耐污闪电压下降，增加了污闪事故的发生几率［1-3］。为保证输电线路的安全运行，有必要对绝缘子的憎水性等级进行识别。

目前，识别复合绝缘子憎水性等级主要有3种方法:表面张力法、静态接触角法和喷水分级法［4-6］。表面张力法和静态接触角法只适用于实验室识别，喷水分级法由于操作简单，几乎不受空间、设备等因素的限制，被广泛应用于运行现场。但是该方法受人的主观性影响较大，其识别结果不可避免的会出现一定的差异性。并且该方法不能在线检测绝缘子的憎水性，需要将绝缘子从输电线路上取下然后才能进行检测，耗费了大量的人力、物力和时间，为了更为准确客观、方便快捷的在线识别绝缘子的憎水性等级，许多研究人员尝试将数字图像处理技术和模式识别理论引入到憎水性等级识别中，做了大量细致深入的研究，并取得一定的研究成果。改进的形状因子法［7］、SVM 决策树［8］和 k- 近邻法［9］均被用于绝缘子憎水性等级的识别，结果表明这些方法能够在一定程度上有效的克服人的主观性对识别结果的影响，但自身也存在一定的缺陷，改进的形状因子法利用形状因子和最大水珠面积比作为特征量，通过对大量憎水性图像进行统计分析，得出了憎水性等级和这两个特征值之间的量化关系，但实际中，这两个特征值和憎水性等级之间呈现出非常复杂的非线性关系，此方法给出的量化关系并不能涵盖所有的绝缘子;SVM决策树对大规模的训练样本无能为力;k-近邻法的精度和计算效率受k值影响较大;这些不足导致他们的识别结果精度不高，甚至无法识别。

本文引入图像处理技术和BP神经网络对绝缘子的憎水性等级进行识别，通过试验获取大量不同憎水性等级的绝缘子图像，采用直方图均衡对绝缘子憎水性图像进行增强预处理，然后采用自适应中值滤波去除噪声，最后利用二维Ostu阈值法对图像进行较为准确的分割，并提取了4个可以反映绝缘子憎水性等级的特征量，以这4个特征量作为输入量。憎水性等级为输出向量，建立了基于BP神经网络的憎水性识别模型，结果表明该方法能够准确的识别绝缘子憎水性等级。

1 绝缘子憎水性识别原理

通过喷水试验获得大量不同等级的绝缘子憎水性图像，对图像进行增强、去噪、分割后，提取了4个与憎水性等级相关的特征量，并以这些特征量作为输入向量，憎水性等级作为输出向量，建立了基于BP神经网络识别模型，用所得到的样本数据对识别模型进行训练，利用训练好的模型实现绝缘子憎水性等级的识别。识别流程如图1所示。

图1 绝缘子憎水性等级识别流程图Fig.1 The flowchart of insulator hydrophobic identification

2 图像分析与特征值提取

不同憎水性等级的绝缘子表面水珠的分布和形态特征是不一样的，憎水性好的绝缘子表面呈现相互分离的水珠状态，且水珠饱满;憎水性等级越差，水珠形状越不规则，最后形成连续的水膜或水迹。因此，绝缘子表面憎水性图像处理和特征提取就是完成水珠的分割及其形态特征的提取。

2.1 直方图均衡增强和降噪处理

现场运行的绝缘子由于受污秽影响，背景十分复杂，此外水珠的透明性及水珠对光的反射等因素，都使得对憎水性图像的分割变得非常困难，为了达到理想的分割效果，采用对比度受限自适应直方图均衡［10］和自适应中值滤波［11］对图像进行增强和降噪处理。不仅能够减弱背景、光照、噪声等因素的影响，而且使得目标于背景的对比度显著增强，图像细节也变得更加清晰。图2为直方图均衡增强和降噪处理效果图。

2.2 二维Otsu阈值法分割

传统的Otsu阈值法［12］是基于一维直方图的分割方法，它只利用了图像的灰度信息，因此抗噪性能较差，当图像中目标与背景的差异较小时分割效果不理想。为此提出了基于二维直方图的Otsu阈值法，不仅利用图像的灰度信息，而且还考虑到像素点与其邻域的空间信息，抗噪性能得到提升，达到了比较满意的分割效果。

图2 处理效果Fig.2 The effect of treatment

设一幅憎水性图像的灰度图像大小为M×N，图像中点(x，y)的灰度值为 f(x，y)，以点(x，y)为中心的邻域内的平均灰度值为g(x，y)，定义二维直方图N(i，j)的值表示为像素灰度值f(x，y)=i和像素邻域平均灰度值 g(x，y)=j，其中(i，j=0，1，2，…，L-1)。则基于像素灰度值和像素邻域灰度均值的二维直方图如图3所示。

图3 二维直方图Fig.3 Two-dimensional histogram

二维直方图定义以后，就可以利用像素点的灰度值及其邻域平均灰度值组成的二元组(i，j)来表示图像。若设二元组(i，j)出现的频数为fij，则相应的联合概率密度为pij的表达式为

令二维矢量(s，t)为阈值，利用此阈值可将灰度图像的二维直方图分成4个区域:目标区域C0、背景区域C1、边缘和噪声区域A和B。只计算区域C0和区域C1的类间方差S，而忽略含噪声较多的A区域和B区域，可以减少噪声的干扰。然后遍历图像，找出使类间方差S最大的阈值(s，t)即为最佳分割阈值。

实验结果表明，采用对比度受限直方图均衡和自适应中值滤波对图像做增强和去噪处理，然后利用二维Otsu完成对图像较为准确的分割。图4为利用本文算法的处理结果，其中，图(a1)和图(a2)均为原始图像，图(b1)和图(b2)分别为图(a1)和图(a2)的分割图像。

图4 本文算法处理效果Fig.4 The processing effect of algorithm

2.3 图像特征值提取

对分割后的憎水性图像进行特征值提取，提取了4个与绝缘子憎水性相关的特征量:最大水珠(或水迹)的形状因子fc，最大水珠(或水迹)，水珠覆盖率A与整幅图像的面积比K，最大水珠的偏心率e。实验证明这4个特征量的值不受绝缘子的伞形结构、污秽分布、拍摄的光照条件、拍摄距离和拍摄角度等因素的影响［12］。它们的表达式为

其中:s为最大水珠(或水迹)的面积;l为最大水珠(或水迹)的周长。

其中:Smax为最大水珠的面积;XY为图像的面积。

其中，N为识别出的水珠数;Si为第i个水珠的面积。XY表示图像的面积。

其中，a为最大水珠外接矩形的长轴;b为最大水珠外接矩形的短轴。

3 识别模型设计与试验验证分析

3.1 BP神经网络识别模型设计

BP神经网络［13-15］是一种多层前向型神经网络，由信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，信息由输入层经隐含层逐层处理，最后传递到输出层，当实际输出与期望输出不符时，进入误差的反向传播阶段，反向传播过程，通过网络将误差信号沿原来的路径反向传播，并不断修改各层神经元的权值，直至达到预期目标。由于BP神经网络能够很好的表达任意的非线性映射关系，并且具有很强的鲁棒性、记忆能力和学习能力。因此，用BP神经网络来建立憎水性特征量和憎水性等级之间的关系是合理的。

3.1.1 网络结构的设计

以图像的特征值作为输入向量，期望的憎水性等级作为输出向量。由于提取的图像特征值总共4个，故有4个输入;输出为7个憎水性等级，若利用3位二进制数表示憎水性等级，则BP神经网络的输出就由原来的7个简化为3个，如表1所示。

表1 憎水性等级Table 1 Hydrohobic level

实践证明，隐含层数目的增加可以提高BP神经网络的非线性映射能力，但是隐含层数目超过一定值，网络性能反而下降。而单隐层的BP神经网络可以逼近任意的连续非线性函数，因此采用单隐层的BP网络。隐含层的神经元个数直接影响着网络的非线性预测性能。根据Kolmogorve定理［16］，隐含层神经元个数 m与输入层神经元个数n有如下的近似关系

根据上式可以确定隐含层神经元数位9。

综上所得，设计出一个3层的BP神经网络，结构为4-9-3，即输入层有4个节点，隐含层有9个节点，输出层有3个节点。

3.1.2 隐含层和输出层传递函数的选取

传递函数是BP神经网络的重要组成部分，隐含层和输出层传递函数的选取影响着网络的预测精度。常用的传递函数有logsig函数、tansig函数和purelin函数。在网络结构和权值、阈值相同的情况下，通过仿真测试得出BP神经网络预测误差和均方误差、隐含层、输出层节点传递函数之间的关系，如表2所示。

从表2可以看出，当隐含层选取logsig函数、输出层选取purelin函数时，网络的误差百分比和均方误差均最小，故隐含层和输出层的函数分别选取logsig函数和purelin函数。

表2 不同传递函数对应预测误差Table 2 The prediction error of different transfer function

3.1.3 训练算法的选取

由于本身的限制与不足，传统的BP神经网络存在学习效率低、易于陷入局部极小值等缺点。针对这些缺点，产生了许多改进的算法，如共轭梯度法、附加动量法、自适应学习速率法、弹性梯度下降法等，本文采用共轭梯度法BP神经网络模型。

共轭梯度算法的第一步是沿负梯度方向进行搜索，然后沿当前搜索方向的共轭方向进行搜索，可以迅速达到最优值。该方法比绝大多数常规的优化算法收敛速度都要快，而且需要的存储量和计算量也较小。在网络结构和网络参数完全相同的情况下，不同改进算法的BP网络性能如表3所示。

表3 不同改进算法的BP网络性能Table 3 The BP network performance of different improved algorithms

从表3中可以看出共轭梯度算法的训练次数和训练时间是最少的，并且它的收敛精度也是最高的。因此采用共轭梯度算法的BP网络性能更好。由此可见选择共轭梯度算法是合理的。

3.1.4 数据的归一化处理

为了消除训练样本数据间的数量级差别，避免因为输入数据数量级差别较大而造成的网络预测误差较大，需要对训练样本数据进行归一化处理。本文将样本数据归一化到［0，1］区间内，采用的归一化公式为

其中，x为归一化前的数值;xmin和xmax为归一化前数据的最小值和最大值。

3.2 憎水性图像获取试验

选取不同运行年限、不同污秽度等级的绝缘子300支，对每支绝缘子的最上面的伞裙和中间的伞裙喷水并拍摄图像。相机选择尼康S6300，有效像素1 600万，光学变焦10倍，最高分辨率4 608×3 456，能够满足拍摄要求。

喷水试验设备选择普通喷壶，壶内装满去离子水，喷水时喷嘴与试品的距离控制在25 cm左右，喷嘴尽可能垂直于试品表面，每次喷水量控制在(0.7～1)ml;喷射水流的散开角度控制在(50～70)cm2之间，试品测试面积控制在(50～100)cm2之间。每秒喷水1次，共喷水25次，喷水后的试品表面应有水珠滚落。然后对比喷水图像和标准图谱，在30 s内完成憎水性等级的判定［17］。

3.3 试验结果分析

从试验拍摄的图像中选取420幅图像，每个憎水性等级的图像各有50幅，并提取这些图像的特征值。其中210幅图像的特征值作为训练样本数据(每个憎水性等级的样本各有30幅)，动量因子选取0.9，初始学习速率选取0.1，最大训练次数1 000次，训练目标为0.000 1，训练后得到优化的绝缘子憎水性等级识别模型。剩余的210幅图像(每个憎水性等级的样本各有30幅)的特征值作为测试样本数据，验证识别模型的性能，测试结果如表4所示，部分测试样本数据如表5所示。

表4 模型测试结果Table 4 The test results of model

从表4可以看出，对HC3和HC4等级的判断正确率稍低，这可能是由于这两个憎水性等级之间的相似性造成的;其他等级的判断正确率均达到或超过90%;若有误判也是在相邻憎水性等级之间发生的，而在实际中，人工判别复合绝缘子憎水性等级是采用相邻等级范围划分，例如:HC1-HC2，HC3-HC4等，从这层意义而言，该网络的判断正确率应该接近100%。

表5 部分测试样本数据Table 5 Part of testing sample data

4 与其他识别方法的性能的比较

选取210幅图像(每个憎水性等级的样本各有30幅)作为测试样本，分别利用SVM决策树、k-近邻法、形状因子法和本文方法对这些测试样本的憎水性等级进行识别。不同方法的识别结果如表6所示。

表6 不同方法的识别结果Table 6 The identification results of different algorithm

从表5可以看出本文方法对每个憎水性等级的识别率都是最高的，总的平均正确率也是最高的，达到90%以上，明显优于其他几种识别方法。

5 结论

为了更为准确客观、方便快捷的识别复合绝缘子的憎水性等级，本文首先应用图像处理技术提取了与憎水性相关的特征量，以这些特征量为输入，建立了基于BP神经网络的憎水性等级识别模型，并对测试样本进行了识别，得出以下结论:

1)利用对比度受限的自适应直方图均衡和自适应中值滤波对图像进行增强和降噪处理，继而利用二维Otsu阈值法对图像进行分割，分割效果较为满意，为后续憎水性特征量的准确提取奠定了基础。

2)比较了不同BP神经网络改进算法的性能，由于共轭梯度具有收敛精度高、收敛速度快的特点，因此采用基于共轭梯度算法的BP神经网络对绝缘子憎水性等级进行识别，该方法能够简单快捷的识别出绝缘子的憎水性等级，识别准确率达到了实际应用的要求，并且使在线检测绝缘子的憎水性成为可能。

3)由于运行现场的绝缘子长期处于户外，因此，绝缘子表面背景十分复杂，要实现对各种复杂条件下(如水珠反光强度、污秽等级等)的绝缘子憎水性图像较为准确的分割，有待于进一步的研究。

［1］彭向阳，姚森敬，毛先胤，等.输电线路绝缘子新型防冰涂料及其性能研究［J］.电网技术，2012，36(7):133-135.PENG Xiangyang，YAO Senjing，MAO Xianyin，et al.Research on electrocaloric effect and ice-water switching principle based anti-icing coating for insulators of overhead transmission lines and its performance［J］.Power System Technology，2012，36(7):133-135.

［2］白欢，胡建林，李剑，等.应用动态接触角评判复合绝缘子憎水性等级的研究［J］.高电压技术，2010，36(12):3021-3023.BAI Huan，HU Jianlin，LI Jian，et al.Hydrophobicity evaluation of composite insulators using the dynamic contact angle.High Voltage Engineering，2010，36(12):3021-3023.

［3］申文伟，宋伟，王国利，等.复合绝缘子HTV硅橡胶材料老化特性的研究［J］.高压电器，2013，49(2):1-3.SHEN Wenwei，SONG Wei，WANG Guoli，et al.Influence of corona discharge on aging characteristics of HTV silicone rubber material［J］.High Voltage Apparatus，2013，49(2):1-3.

［4］徐志钮，律方成，赵鹏，等.拟合方法用于硅橡胶静态接触角的测量［J］.高电压技术，2009，25(10):2475-2480.XU Zhiniu，LÜ Fangcheng.ZHAO Peng，et al.Fitting method used for measurement of silicone rubber static contact angle［J］.High Voltage Engineering，2009，25(10):2475-2480.

［5］宋伟，赵林杰，李成榕，等.复合绝缘子在线检测技术的发展［J］.高电压技术，2005，3(5):28-30.SONG Wei，ZHAO Linjie，LI Chengrong，et al.On-line detection methods of composite insulator［J］.High Voltage Engineering，2005，3(5):28-30.

［6］梁英，李成榕，丁立健.电晕对HTV硅橡胶憎水性恢复的影响［J］.高电压技术，2008，34(1):30-40.LIANG Ying，LI Chengrong，DING Lijian.Effect of corona discharge on the hydrophobicity recovery of HTV silicone rubber［J］.High Voltage Engineering，2008，34(1):30-40.

［7］陈秀娟.复合绝缘子憎水性及憎水迁移性在线检测技术的研究［D］.华北电力大学，2005.

［8］王泉德，文必洋，王先培.采用图像识别和分类判定绝缘材料憎水等级［J］.电机与控制学报，2008，12(1):94-98.WANG Quande，WEN Biyang，WANG Xianpei.Measuring insulating material hydrophobic level by image recognition and classification［J］.Electric Machines and Control，2008，12(1):94-98.

［9］彭克学，王泉德，王先培.基于表面喷水图像分析的绝缘子表面憎水性检测方法［J］.绝缘材料，2005，7(1):47-51.PENG Kexue，WANG Quande，WANG Xianpei.Spray image analysis based measurement of hydrophobic of insulator surfaces［J］.Insulation Material，2005，7(1):47-51.

［10］祁兵，唐良瑞，赵春辉.绝缘子憎水性图像水珠/水迹形状提取算法［J］.电工技术学报，2008，23(3):20-22.QI Bing，TANG Liangrui，ZHAO Cunhui.Algorithm of distilling information of hydrophobic image of Insulators［J］.Transactions of China Electro Technical Society，2008，23(3):20-22.

［11］李文杰，姚建刚，毛李帆，等.基于中值滤波法及小波自适应扩散法的绝缘子红外热像去噪［J］.电网技术，2010，34(8):161-163.LI Wenjie，YAO Jiangang，MAO Lifan.Insulator infrared image denoising based on median filtering and wavelet adaptive diffusion［J］.Power System Technology，2010，34(8):161-163.

［12］于文文.基于Snake模型的憎水性图像分割算法研究［D］.北京:华北电力大学，2008.

［13］姚建刚，关石磊，陆佳政，等.相对温度分布特征与人工神经网络相结合的零值绝缘子识别方法［J］.电网技术，2012，36(2):171-174.YAO Jiangang，GUAN Shilei，LU Jiazheng，et al.Identification of zero resistance insulators by combining relative temperature distribution characteristics with artificial neural network［J］.Power System Technology，2012，36(2):171-174.

［14］周天春，杨丽君，廖瑞金，等.基于局部放电因子向量和 BP神经网络的油纸绝缘老化状况诊断［J］.电工技术学报，2010，25(10):20-21.ZHOU Tianchun，YANG Lijun，LIAO Ruijin，et al.Diagnosis of aging condition in oil-paper insulation based on factor vectors of partial discharge and BP neural network［J］.Transactions of China Electro Technical Society，2010，25(10):20-21.

［15］崔岩，白静晶.光伏阵列多峰最大功率点跟踪研究［J］.电机与控制学报，2012，16(6):88-90.CUI Yan，BAI Jingjing.Research on multi-peak PV module maximum power point tracking［J］.Electric Machines and Control，2012，16(6):88-90.

［16］毛颖科，关志成，王黎明，等.基于 BP人工神经网络的绝缘子泄漏电流预测［J］.中国电机工程学报，2007，27(27):8-10.MAO Yingke，GUAN Zhicheng，WANG Liming，et al.Prediction of leakage current of outdoor insulators based on BP artificial neural network［J］.Proceedings of the CSEE，2007，27(27):8-10.

［17］中华人民共和国国家经济贸易委员会.DL/T 810-2002.±500KV直流棒形悬式复合绝缘子技术条件［S］.北京:中国电力出版社，2002.