基于高光谱遥感的复合绝缘子污秽非接触式检测研究

2020-04-21胡洪炜王星超吴嘉琪

通信电源技术 2020年5期

张迪，胡洪炜，孔韬，李明，张剑，王星超，杨展，吴嘉琪

（国网湖北省电力有限公司检修公司，湖北武汉 430050）

0 引言

复合绝缘子因为较强的耐污性能、较高的强度、较轻的重量、制造简便、维护方便等一系列优势，在中国输电领域得到了广泛应用[1-3]。复合绝缘子伞群、护套材质的主要成分是硅橡胶，当长期暴露在室外环境中时，绝缘子表面不可避免地附着了固体、液体或气体的导电物质。在遇到雾、露、毛毛雨或融冰（雪）等气象条件时，绝缘表面污层受潮，导致电导增大，泄露电流增加，复合绝缘子耐污闪性能变差，绝缘可靠性降低。本文提出一种非接触式检测方法，利用高光谱遥感技术可对运行中的复合绝缘子进行状态检测，辅助工作人员及时发现并更换污秽程度高的复合绝缘子，降低工作人员的工作强度，提高工作效率，保障电网的稳定运行。

1 高光谱遥感技术原理

高光谱遥感技术是一种新兴技术，兴起于20 世纪80年代，在产品质量检测、环境监测、地物及植被分类等领域已广泛应用[4-6]。高光谱遥感技术采集被检测物体反射的光谱信息，而这些光谱信息在显示上具有边界立体性，可通过数字化处理建模，建立被检测物体样本的边界特征函数，确定好相应的判别规则，在进行新的检测任务时判定新的检测物体的类别[7-9]。

在对复合绝缘子进行高光谱遥感技术检测时，首先选取一支刚出厂检测合格的复合绝缘子作为目标参照物。因为绝缘子产生污秽后，表面特征也会改变，其表面反射的电磁波的频率也会因为原子、分子间振动和转动、电子跃迁等变化不同而不同[10-17]。利用高光谱遥感技术对绝缘子的各个状态进行扫描分析，通过获得的光谱反射曲线可以判定复合绝缘子的污秽状态。

图1 是通过FieldSpec 光谱仪采集的室外复合绝缘子光谱测定的试验结果。可以看出，光谱仪的工作波长段为250～2 500 nm。在该范围内，绝缘子表面光谱信息均是一个点一个点单独采集和处理后形成的[18]。

图1 不同状态复合绝缘子光谱特征曲线

若要将采集和处理后的光谱信息作为一个标准的复合绝缘子等级光谱库，就必须采集大量的已知样本数据进行处理，以得到一个标准的复合绝缘子等级光谱库[19]。本文利用ENVI4.7 软件进行数据处理。如果通过人工选择一个感兴趣区（ROI），得到的数据将会偏差大，噪声多，等级也不标准。因此，本文选择K-means 算法以保证感兴趣区的精度。

K-means 算法实际上是一种将相似光谱样本自动规划到相同类型中的随机分类法，实际上是根据样本之间的相似度进行判定，用距离表示样本之间相似度的大小。相似度高，距离就小；相似度低，距离就大。如果样本之间的距离足够小，就可以归为同一类。

K-means 算法主要是先从样本集中随机选取k个样本作为初始簇中心，将N个样本分为k个类，并计算N个样本与这k个“簇中心”的距离。对于每一个样本，将其划分到与其距离最近的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”，这就可以将目标函数值J最小化。定义J：

式中，令Tnk在样本被归类到k个簇中时为1，未被归入则为0。通过迭代可以得到J的最小值：固定μk可得Tnk的最优解，将样本归入离它距离最小的簇中就可使J最小；固定Tnk可得μk的最优解，再将J对μk求导，令导数为0，可得：

这样求出来的μk就是k个簇中所有样本数据的平均值，而因为迭代后的J都是取最小值，因此J只会变小或不变，使得K-means 会得到一个极小值。

2 复合绝缘子污秽状态检测模型

2.1 图谱样本库建立

首先以全新的复合绝缘子为标准，选取污秽程度不同的复合绝缘子构建样本库，将各个样本的光谱与全新的复合绝缘子的光谱进行对比，形成复合绝缘子图谱特征库。

本文共选取318 个样本，根据线路的运行状况和年限分析，这些样本来自不同的地区、不同的电压等级和不同的挂网运行时间。其中，包含整串绝缘子13支，伞群切片305 个，挂网运行时间有全新到运行16年不等，分别来自甘肃、陕西、安徽、湖北、河北等地区，电压等级从66 kV 到750 kV 全覆盖。样本如图2 所示。

图2 复合绝缘子样品

采用6S 模型对采集的高光谱影像展开辐射校正，再利用仿射多项式做几何校正。其中，仿射多项式是基于控制点校正的，再利用MNF 变换降噪，这样获得的目标物理参量比较精确，可以将污秽状态不同的复合绝缘子的光谱特性曲线反演出来。对复合绝缘子的高光谱影像数据处理之后的状态光谱图，如图3 所示。

图3 不同状态复合绝缘子光谱

2.2 基于人工神经网络的模型

在多类神经网络中，BP 神经网络具有结构简单、运算速度快等优势，并可将多因素、复杂的、非线性和不确定映射反映出来，解决80%需要使用神经网络的场景[20]。

因为附着在复合绝缘子表面的污秽物质比较复杂，不同的污秽等级在光谱上的表现本就复杂多变，有时甚至还与复合绝缘子伞裙的光谱信息相互交叠，因此采用BP 神经网络除了规定好输入层、隐层、输出层以及神经元个数之外，还必须利用大量的样本进行学习训练，才能对复合绝缘子进行定量评估。

本文选取的复合绝缘子为5 个状态，因此特征波段值有5 个，相应的输入层神经元也为5 个，将特殊波段的反射率作为输入指标。设置多个参数进行样本训练，通过结果对比，选择2 000 迭代次数，中间隐层节点数为8。

2.3 复合绝缘子图谱采集试验

先将高光谱成像仪固定，确定其中心波长和光谱带宽；进行样本分组，寻找一个光照条件好的地方将绝缘子样本无反射膜竖直挂起来；分组进行试验，从多个角度用高光谱成像仪扫描采集数据。如图4 所示。

2.4 复合绝缘子图谱库建立

将实际拍摄到的图片与已知的13 个类别进行对比合并和重命名，如图5 所示，并用颜色将不同类别进行区分。其中，Bg 表示背景，new 表示是全新复合绝缘子，wh1～wh6 表示 1～6 级污秽等级。

将分类结果进行转换，使其成为可以编辑的.evf格式数据，如图6 所示。

将分类结果加入原始光谱中，再调整矢量数据。考虑到实际情况和数据的准确性，将断面排除出分类删除，再将修改完成的数据转化为原始高光谱影像，以识别RIO 文件并加载。如图7 所示。

图4 高光谱影像采集现场

图5 类别名称与颜色对应图

图6 矢量数据图层叠加效果图

图7 感兴趣区

将ROI 数据生成光谱库，调整感兴趣区的颜色，使其与波形颜色一致，则样本光谱库就是感兴趣区的光谱。

3 特征结果分析

将绝缘子污秽等级从0～6 级进行排序。在400～580 nm 的波段，全新的复合绝缘子具有最低的反射率，且在反射率上表现为红色波段的最高，与全新绝缘子的颜色为红色相符，可将其作为评判不同等级的污秽的标准。如图8 所示。

图8 标准复合绝缘子图谱光谱特征

通过图3 与图8 特征对比可以看出：1 级污秽的400～560 nm 波段反射率略微上升，560 nm 以上红色及红外波段略微下降，在560～750 nm 波段斜率下降；2 级污秽在400～560 nm 波段反射率略微上升，560 nm以上红色及红外波段略微下降，波形趋于平缓，在560～750 nm 波段斜率继续下降；3 级污秽 400～560 nm波段反射率变化不太明显，560 nm 以上红色及红外波段略微下降；4 级污秽的波形相比3 级污秽区别不大，但在纵坐标轴上表现为整体上升；5 级污秽的波形整体下降且曲线变得平滑；6 级污秽的曲线更加平滑，相比5 级波形整体下降，峰谷之间的差距变小。

污秽程度不一样，颜色表现也不一样，符合绝缘子表面重污秽整体颜色加深变黑的情况，在光谱上表现为反射率随波段变化不大，趋于平缓，但在400～580 nm 波段反射率有所增加。

将未知试验样本数据输入到已训练好的神经网络模型验证其对应的污秽等级分类，未知样本图谱如图9所示。