基于稀疏表示分类算法的复合绝缘子憎水性检测方法

汪沨　黄浩川　何荣涛　潘雄峰

摘要：复合绝缘子表面憎水性的检测是判断其防污闪性能的主要手段之一.本文引入稀疏表示分类算法实现了对复合绝缘子憎水性图像的检测分类.运用最小一范数方法计算稀疏表示系数，通过计算最小残差图像来搜索与测试图像最匹配的训练样本图像，从而准确识别出检测试样的憎水性HC等级.该算法避开了一般模式识别算法中较复杂的特征提取环节，为复合绝缘子憎水性图像识别检测提供了新的思路.实验结果表明，该方法能有效地应用于复合绝缘子憎水性图像的分级.

关键词：绝缘子；憎水性；稀疏表示；图像识别

中图分类号：TM855 文献标识码：A

与传统电瓷、玻璃绝缘子相比，复合绝缘子因其具有优异的耐污闪性能而在电力系统中被广泛使用.复合绝缘子的憎水性和憎水迁移性是其具有较强耐污闪性能的基础，然而其在运行中因受到紫外线、污秽、电磁场等条件的共同作用会出现老化现象，使得复合绝缘子憎水性下降，严重老化的绝缘子甚至会丧失其憎水性[1-2].因此有必要定期对运行中的复合绝缘子的憎水性进行检测，及时更换憎水性不合格的绝缘子.目前现场测量复合绝缘子憎水性的方法主要为喷水分级法[3]，该方法将复合绝缘子憎水性分为HC1至HC7 7个等级，其操作简单，对检测设备要求低，但完全依赖于人的主观判断，容易引起检测结果的不一致性.

目前，国内外一些学者提出了基于绝缘子憎水性图像的智能检测方法，文献[4-5]采用图像预处理去除噪声和杂波，利用方向滤波、自适应滤波等方法提取图像的水珠或者水迹边缘，对水珠特征参数进行统计以后利用K邻近算法进行模式识别，从而确定憎水性等级.这种方法克服了目测的主观性，但是由于图像分割处理中很容易出现过度分割或者欠分割现象而导致分割失败，使得后续的特征值提取失准从而导致分类算法无法进行.如图1所示为运用先进的水平集方法对去噪后憎水性图像进行分割时，出现过分割和欠分割的现象.

本文采用稀疏表示分类算法（Sparse Representation Classification， SRC）对复合绝缘子憎水性图像进行识别与分类.稀疏表示的算法是由Wright等于2009年提出应用于人脸识别领域中的算法[6].在该方法中一个测试样本被所有训练样本稀疏线性表示，然后从中找出对测试样本表示误差最小的一类训练样本.这一研究为稀疏表示在图像识别中的应用开辟了新的方向.本文运用稀疏表示分类算法对复合绝缘子憎水性图像进行分类，通过对稀疏表示系数以及最小残差的计算找出样本库中与测试图像最接近的训练图像，从而判断测试图像所对应复合绝缘子的憎水性等级.

1稀疏表示算法

由于拍摄图片光照条件、拍摄角度、拍摄距离等实际因素的影响，即使是同一等级的水珠图像也会呈现出多种不同的效果，所以在选择训练样本时，要综合考虑各种水珠图像所可能呈现的情况.以HC1级别的憎水性图像为例，此时的复合绝缘子憎水性能较好，喷水后复合绝缘子伞裙表面会呈现出单个独立的水珠.但由于受到拍摄条件的影响，水珠的大小、形状、分布有很大的不同.为了能使训练样本最大限度的代表HC1级别憎水性图像的特征，选取具有不同大小水珠、不同光照条件、水珠分布疏密不一致、以及水珠重心倾斜不同角度的憎水性图像作为训练样本集.对于HC4～HC6级别的憎水性图像，由于这些类别复合绝缘子表面出现了不同程度的污秽，使得拍摄所得水珠图像的背景进一步复杂化，需要考虑背景中污秽的分布以及污秽等级的影响.本文所用到的部分HC1～HC6的训练样本图像如图2所示.

3实验结果统计与分析

3.1可理解性分析

一个分类模型的质量通常由两方面进行评估决定：分类试验的准确率以及该模型的可理解性.图4（a）和（b）给出了同属憎水性等级HC1级的两个测试样本，图4（c）和（f）为利用训练样本库里所有样本图像对测试样本进行稀疏表示所得的两组稀疏表示系数和利用式（6）计算得到的各类表示误差.从图4（c）中可以看出：第1类训练样本所对应的稀疏表示系数明显大于其他几类的稀疏表示系数.这说明训练样本集中第1类样本对稀疏表示的贡献最大，这也在图4（d）表示的各类测试误差中得到了体现.因此我们仅通过图4（c）就可判定测试样本属于第1类，即该憎水性图像所对应的复合绝缘子的憎水性属于HC1级.但是，在对第2个测试样本图像进行测试时，仅根据图4（e）的稀疏表示系数对其憎水性级别进行划分有一定的困难，各个类别所对应的稀疏表示系数变化跨度很大，系数之间大小相近的也很多.此种情况下通过进一步计算该测试图像与稀疏表示各类之间的残差来对测试图像进行分类.由图4（f）可知：第1类训练样本与测试图像之间的残差最小，以此可判定该测试样本属于第1类，即该憎水性图像所对应的复合绝缘子憎水性等级为HC1级.

通过这个例子可以看出，利用稀疏表示对复合绝缘子憎水性图像进行分类时，稀疏表示的系数具有以下两个特点：

1）测试样本所对应类别的训练样本参与该稀疏表示的比例最大.

2）同类测试样本所对应的稀疏表示系数都比较接近.

3.2实验结果分析

据文献[11]，憎水性为HC1～HC2级的复合绝缘子可以继续入网运行，HC3～HC5级时需要进行跟踪监测，HC6～HC7级的复合绝缘子必须退出运行.本文在实验测试阶段将复合绝缘子憎水性试验图像分成继续运行，继续观测，退出运行3大类.将HC1～HC2分为第1类，HC3～HC5分为第2类，HC6～HC7分为第3类.相对应的样本训练集也进行了相应的调整，形成了具备上述3大类共107幅标准憎水性图像的训练样本库即训练样本空间，其中第1类样本40幅，第2类样本30幅，第3类样本37幅.由于第1类样本图像中水珠较多，导致图像情况复杂，故相应增加了第1类样本图像的数量.

4结论

测试结果表明：运用稀疏表示分类算法对复合绝缘子憎水性图像进行检测分类具有较高的准确率和可行性.复合绝缘子图像光照情况复杂，水珠分布随机不规则，可见该算法对外界环境的改变具有一定的鲁棒性.与传统的憎水性图像识别分类方法相比，稀疏表示分类算法避开了复杂的图像分割和特征提取过程，大大简化了复合绝缘子憎水性检测步骤.如何通过丰富和优化憎水性图像训练样本库进一步提高算法准确率是今后努力的方向.

参考文献

[1]赵林杰，李成榕，熊俊，等. 基于带电检测的复合绝缘子憎水性评价[J]. 中国电机工程学报，2008，28（16）： 135-142.

[2]张福林. 复合绝缘子外绝缘基材硅橡胶表面的憎水性和憎水迁移性机理分析[J]. 华北电力技术， 1999，3（1）：19-21.

[3]STRI Guide921，Hydrophobicity classification Guide[S].Sweden： Swedish Transm Res Inst， 1992.

[4]BERG M. A digital image processing method for estimating the level of hydrophobicity of high voltage polymeric insulating materials[C]//1999 Conference on Electrical Insulation and Dielectric Phenomena.Austin：IEEE，1999：756-762.

[5]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.

[6]WRIGHT J， YANG A Y. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence（PAMI）， 2009， 31（2）：210-227.

[7]DONOHO D， TSAIG Y. Fast solution of l1norm minimization problems when the solution may be sparse[J]. IEEE Trans on Information Theory， 2006，54（11）：4789-4812.

[8]DONOHO D. Compressed sensing[J]. IEEE Trans on Information Theory，2006，52（4）：289-1306.

[9]HUANG J， HUANG X， METAXAS D. Simultaneous image transformation and sparse representation recovery[C]//Proceedings of CVPR. Anchorage： IEEE，2008：1-8.

[10]DONOHO D， TSAIG Y. Fast soluion of l1-norm minimization problems when the solution maybe sparse[R]. Department of Statistics， Stanford University， USA，2008.

[11]Technical Specification IEC/TS 62073-2003Guide to measurement of wettability of insulator surfaces[S].Geneva： International Electrotechnical Commission， 2003.

[12]The Mathworks Inc. Matlab creating graphical user interfaces[M].Massachusetts： The Mathworks，2008.

参考文献

[1]赵林杰，李成榕，熊俊，等. 基于带电检测的复合绝缘子憎水性评价[J]. 中国电机工程学报，2008，28（16）： 135-142.

[2]张福林. 复合绝缘子外绝缘基材硅橡胶表面的憎水性和憎水迁移性机理分析[J]. 华北电力技术， 1999，3（1）：19-21.

[3]STRI Guide921，Hydrophobicity classification Guide[S].Sweden： Swedish Transm Res Inst， 1992.

[4]BERG M. A digital image processing method for estimating the level of hydrophobicity of high voltage polymeric insulating materials[C]//1999 Conference on Electrical Insulation and Dielectric Phenomena.Austin：IEEE，1999：756-762.

[5]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.

[6]WRIGHT J， YANG A Y. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence（PAMI）， 2009， 31（2）：210-227.

[7]DONOHO D， TSAIG Y. Fast solution of l1norm minimization problems when the solution may be sparse[J]. IEEE Trans on Information Theory， 2006，54（11）：4789-4812.

[8]DONOHO D. Compressed sensing[J]. IEEE Trans on Information Theory，2006，52（4）：289-1306.

[9]HUANG J， HUANG X， METAXAS D. Simultaneous image transformation and sparse representation recovery[C]//Proceedings of CVPR. Anchorage： IEEE，2008：1-8.

[10]DONOHO D， TSAIG Y. Fast soluion of l1-norm minimization problems when the solution maybe sparse[R]. Department of Statistics， Stanford University， USA，2008.

[11]Technical Specification IEC/TS 62073-2003Guide to measurement of wettability of insulator surfaces[S].Geneva： International Electrotechnical Commission， 2003.

[12]The Mathworks Inc. Matlab creating graphical user interfaces[M].Massachusetts： The Mathworks，2008.

参考文献

[1]赵林杰，李成榕，熊俊，等. 基于带电检测的复合绝缘子憎水性评价[J]. 中国电机工程学报，2008，28（16）： 135-142.

[2]张福林. 复合绝缘子外绝缘基材硅橡胶表面的憎水性和憎水迁移性机理分析[J]. 华北电力技术， 1999，3（1）：19-21.

[3]STRI Guide921，Hydrophobicity classification Guide[S].Sweden： Swedish Transm Res Inst， 1992.

[4]BERG M. A digital image processing method for estimating the level of hydrophobicity of high voltage polymeric insulating materials[C]//1999 Conference on Electrical Insulation and Dielectric Phenomena.Austin：IEEE，1999：756-762.

[5]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.

[6]WRIGHT J， YANG A Y. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence（PAMI）， 2009， 31（2）：210-227.

[7]DONOHO D， TSAIG Y. Fast solution of l1norm minimization problems when the solution may be sparse[J]. IEEE Trans on Information Theory， 2006，54（11）：4789-4812.

[8]DONOHO D. Compressed sensing[J]. IEEE Trans on Information Theory，2006，52（4）：289-1306.

[9]HUANG J， HUANG X， METAXAS D. Simultaneous image transformation and sparse representation recovery[C]//Proceedings of CVPR. Anchorage： IEEE，2008：1-8.

[10]DONOHO D， TSAIG Y. Fast soluion of l1-norm minimization problems when the solution maybe sparse[R]. Department of Statistics， Stanford University， USA，2008.

[11]Technical Specification IEC/TS 62073-2003Guide to measurement of wettability of insulator surfaces[S].Geneva： International Electrotechnical Commission， 2003.

[12]The Mathworks Inc. Matlab creating graphical user interfaces[M].Massachusetts： The Mathworks，2008.