基于可见光图像识别的绝缘子污秽等级判别*

刘子英， 肖建华， 邓芳明

(华东交通大学 电气与自动化工程学院，江西 南昌 330013)

0 引 言

为减少因绝缘子污秽[1,2]而造成的电网事故，对积污绝缘子及时有效的清洁有着重要意义。而清洁绝缘子的首要任务就是对绝缘子污秽程度的有效检测。

文献[3]直接在现场污秽绝缘子盘面嵌入金属电极，通过绝缘子最大表面电导率的大小来检测污秽等级，虽然检测准确率高但需断电操作且检测效率低下；文献[4]利用紫外成像技术，计算绝缘子放电光斑面积，分类器通过面积大小来判别绝缘子的污秽等级，但受环境的干扰较大，且需要人工仿真实验；文献[5]利用污秽绝缘子的红外热像图，提取图像的R分量特征，判别绝缘子的污秽等级，该方法受环境温度的影响较大，且其研究少有对现场环境的积污绝缘子的分析；文献[6]利用污秽绝缘子可见光图像的饱和度分量图像，计算饱和度均值和饱和度中值这两个特征量来划分绝缘子污秽等级，该方法对分类算法的分类精度要求高，流程较复杂，而且分类的准确率不稳定；文献[7]将绝缘子红外图像与可见光图像信息进行融合，通过红外热图像的温度特征和可见光图像的颜色特征综合判断绝缘子的污秽等级，该方法对检测设备的要求高，并且对环境温度和湿度也有特殊要求，然而融合的温度特征量和颜色特征量信息并不都能对绝缘子污秽等级判别有利。

本文提出了基于天牛须搜索算法(beetle antennae search,BAS)优化的最小二乘支持向量机(least square support vector machine,LS-SVM)绝缘子可见光图像污秽等级判别方法。利用可见光图像识别污秽状态，具有不必停电、不易受电磁干扰等优点，可实现实时、非接触测量[6]，同时没有对温度、湿度、照度等环境因素的特别要求。本文采用最大类间方差双阈值法分割出绝缘子区域，分别计算出R、G、B(red green blue)和H、S、I(hue saturation intensity)颜色空间的36种特征值，再利用Fisher准则函数对36种特征值进行筛选，并找出能显著表征绝缘子盘面污秽情况的特征。

为了解决文献[6]算法流程繁杂和分类准确率不稳定的问题，本文利用BAS优化的LS-SVM回归模型构建分类器，大大简化了算法流程，实现了绝缘子污秽等级的准确判别，并且分类准确率较稳定。

1 绝缘子可见光图像判别污秽等级的原理分析

1.1 绝缘子污秽等级与盐密和灰密的关系

绝缘子污秽物的介电常数、两端电压的波动以及空气湿度等影响了现场绝缘子的绝缘特性[8]，其表面的污物分为可溶性污物(用等值盐密ESDD度量)和非可溶性污物(用灰密NSDD度量)。为了定量度量绝缘子的污秽状态，GB/T 16434—1996、QGDW 152—2006规定了电力系统中绝缘子污秽程度与等值附盐密度(ESDD)的对应关系，如表1。

表1 绝缘子污秽程度与ESDD

1.2 可见光图像与污秽等级的关系

在自然积污情况下，变电站现场的不同污秽程度的红褐色绝缘子可见光图像，如图1所示。当空气中的颗粒(如细尘、盐碱等污秽物)附着在绝缘子表盘时，绝缘子表面原本的颜色会发生改变，表现出污秽颗粒的视觉特点。因此，不同污秽程度的绝缘子的可见光图像颜色特征有差异，且污秽程度越严重图像的颜色与原颜色的差异越明显。所以，绝缘子的污秽程度与可见光图像的颜色特征有一定的对应关系。

图1 不同污秽程度的红褐色瓷质绝缘子

绝缘子的污秽等级与可见光图像特征的映射关系并非线性对应关系，通常情况下都表现为非线性、高维度的复杂对应关系。为此，本文利用数字图像处理技术，并采用BAS优化的LS-SVM灵活、强大的分类能力和非线性映射处理特性，建立绝缘子不同污秽程度的可见光图像的颜色特征与污秽等级的对应关系，从而达到由可见光图像来判别绝缘子污秽等级的目的。

2 绝缘子污秽图像预处理

2.1 绝缘子彩色图像的分解

本文研究的绝缘子图像是由可见光拍摄设备在现场拍摄的彩色图像，利用颜色特征来分解彩色图像并在此基础上辨识绝缘子污秽等级，因此找到与污秽等级辨识关联度高的图像颜色模型是关键的一步。可见光成像设备拍摄的彩色图像由R,G,B三种颜色混合而成，但是R,G,B三分量之间的关联度高，而且这三个分量的灰度差异小，因此使用彩图的R,G,B三分量直接判别污秽等级会导致判别率差，判别效果不佳，绝缘子彩图R,G,B分量如图2(b)～(d)所示。为了更好地判别污秽等级，将RGB图像转换成HSI图像，得到的转换结果如图2(e)～(g)所示。

图2 污秽红褐色瓷质绝缘子分解图像

从图2可以看出，H分量图像只能看到一些模糊的概貌；而I分量虽然绝缘子盘面虽然较清晰，但干扰信息较多；S分量图像则绝缘子区域凸显出来，细节和文理保持较好。因而，将图像的S分量提取出来进行图像分割，大大减少了图像所包含的信息，减少了信息处理量，加快了运算的速度。

2.2 图像分割

最大类间方差法(Otsu) 是一种根据数字图像的直方图来选择非参数化的全局最优阈值的分割方法[9]，是选择最佳阈值来处理一般数字图像的一种好方法。对污秽绝缘子彩图的S分量图像采用Otsu算法进行分割，分割处理的结果如图3所示。

图3 最大类间方差处理得到的直方图和类间方差

2.3 干扰信息滤除

图像分割后，仍然会有许多干扰信号，其灰度值与绝缘子盘面比较接近，为保证后续的特征提取与污秽等级识别的准确性，需要去除这些干扰信息。通过对图像的观察，绝缘子盘面面积所占的比例大，干扰信息面积所占比例小，因此本文采用基于面积比例大小方法去除干扰信息，此处的面积比例是指每个非连通区域的像素个数占图像像素总个数的比例。可以先设定μ值，当不连通区域的面积比例大于μ值时，这些区域即保存下来

Ap(i)={p(i)|ps(i)>μ}

(1)

式中Ps(i)为第i个不连通区域的像素个数与图像总像素个数的比值；Ap(i)表示面积比例大于μ值的不连通区域。

根据经验和对图像中绝缘子盘面区域面积与总面积比值分析，文中取μ=0.27，得到的结果如图4所示。可以看出，最终去除干扰信息的绝缘子盘面清晰、完整，有效去除了绝缘子图像中的干扰信息。

图4 图像去除干扰效果

3 污秽绝缘子等级检测

3.1 颜色特征提取和选择

从现场拍摄的图库中选取300张图片进行分析，其中0级、Ⅰ级、Ⅱ级Ⅲ级和Ⅳ级污秽图像各60张。本文对预处理后的彩色图像的6个分量图像进行处理，这6个分量图分别为R、G、B、H、S和I。分别得到每张分量图像的最小值Xmin,最大值Xmax,中值Xmid,均值Xave,极差Xren,方差Xvar。这里X代表R，G，B，H，S和I，因此共有36个特征量。

为从上述36个特征量中找到具有最明显区分绝缘子污秽等级的特征，采用Fisher判别法。Fisher判别法中的特征分类效果J值越大，表明该特征的分类效果越好；相反，表明该特征的分类效果越差。分别计算出提取到的36个特征的分类效果值J，计算结果如表2所示。

Fisher 准则的函数值越大，说明对应特征之间的区分度越好，通常要求其值大于1[10]。从表2可以看出只有S的中值和均值的分类效果值J大于1，因此，将S分量的中值和均值这2个特征量组合成一个特征矢量输入到LS-SVM分类器中。

表2 分类效果值J

3.2 最小二乘支持向量机

在解决高维非线性的小样本模式识别的问题上，LS-SVM表现出了独特的优势，本文采用LS-SVM理论分析绝缘子污秽等级的分类问题，计算支持向量yi

(2)

式中xi,xj分别为训练样本的数据；α=[α1,α2,…,αl]为Lagrange乘子；b为待定的偏置量；σ为惩罚系数。K(xi,xj)为核函数，本文选择径向基函数作为LS-SVM的核函数

(3)

式中δ为核参数。

3.3 惩罚系数σ和核参数δ的确定

确定最优的惩罚系数和核参数(σ,δ)，可使LS-SVM分类器更准确地划分绝缘子的污秽等级。本文采用BAS对σ和δ进行优化，以避免依靠反复试验来盲目地选择(σ,δ)，并且可以有效提高LS-SVM分类器的分类准确性。

BAS是2017年提出的一种高效的智能优化算法，不需要知道函数的具体形式，不需要梯度信息，相比于粒子群算法，只需要一个个体，即一只天牛就可以实现参数的高效寻优，使运算得到大大简化[11]。因为天牛每一步的方向都是随机的，所以右触须指向左触须的方向向量是随机的，并定义如下

(4)

式中 rnd(·)为随机函数，k为空间的维度。获得方向向量后，定义左右触须

(5)

式中xl和xr分别为左触手和右触手的位置；xt为天牛在时间t的质心位置；dt代表两条触须之间的距离；然后可以确定天牛的方向和距离，则下一刻

(6)

式中f(·)为等待优化的函数；δt为搜索步长。初始步长较大，便于全局搜索。随着迭代次数的增加，为了搜索更精细的搜索，步长减小

δt=k·δt-1

(7)

式中k为步长的衰减系数。

BAS算法步骤如下：1)初始化个体，即初始化天牛。根据式(4)设定天牛的触须方向，根据式(6)设定以天牛为中心的坐标;2)设定目标函数，即设定个体的适应度;3)根据式(5)计算出天牛左右两须的值并根据适应度进行优劣对比，将较优的方向定位当前方向，并且根据式(7)调整步长;4)根据确定的方向和步长及时更新个体的位置;5)判断是否满足终止条件，若满足就结束搜索，否则跳转到步骤(2)继续搜索。

3.4 实验验证

在南昌电网所属多个变电站，对绝缘子进行可见光图像拍摄。选取包含不同污秽度的红褐色瓷质绝缘子图像 300 张，其中 0 级、Ⅰ 级、Ⅱ 级、Ⅲ 级、Ⅳ级污秽样本各60张，构建LS-SVM分类器。LS-SVM分类器的输入为S 分量均值和S分量中值构成的特征矢量，LS-SVM分类器的输出为污秽等级。

相对于基于遗传算法优化的最小二乘支持向量机分类器(GA-LSSVM)和基于粒子群算法优化的最小二乘支持向量机分类器(PSO-LSSVM)，BAS-LSSVM分类器的算法程序得到了大大简化，而且训练样本的时间缩短了，分类准确率得到了进一步的提升，相应分类器的计算结果对比如表3所示。考虑到训练样本的规模大小可能会对绝缘子的污秽等级识别准确率产生影响，此次对比实验中，选取的实验样本规模均为150份。

表3 几种分类器的计算结果

为了检验训练的效果，剩下的150份作为测试集样本。BAS优化的 LS-SVM 分类器参数确定时，绘出的准确率等高线和对应的分类结果如图5。

图5 参数优化后的分类

通过BAS搜索找到使准确率最高的最优参数值如表3所示为σ=7.21，δ=109.847 1。通过反复的实验验证，如果改变(σ,δ)的值，使σ≠7.21，δ≠109.847 1，则分类准确率都会降低。

4 结 论

1)本文以变电所内分布较广的红褐色瓷质绝缘子为研究对象，利用绝缘子因各类粉尘、盐碱颗粒等污秽物遮蔽了原本颜色特征而表现出了污秽物的视觉特性进行检测，能有效识别绝缘子污秽等级，分类准确率高达96.92 %。

2)结合HSI颜色空间，提出基于区域信息的最大类间方差(Otsu)分割算法，分割得到了清晰、完整和没有背景干扰的绝缘子盘面。

3)通过引入Fisher准则函数，筛选出了能较显著地表征绝缘子的污秽状态的特征量S均值和S中值。

4)为了提高污秽等级分类准确性，本文选择了LS-SVM分类器，并使用最近提出BAS算法优化了该分类器关键的两个参数，使其分类功能得到了进一步的提升。