基于图像分析和深度学习的复合绝缘子憎水性分级

汪然然，娄联堂

中南民族大学数学与统计学学院，湖北 武汉430074

复合绝缘子是一种特殊的绝缘控件，由绝缘材料和金属附件构成［图1（a）］。复合绝缘子表面的憎水性确保了这些绝缘子具有出色的闪络性能。尽管如此，仍会有许多原因导致憎水性降低，例如污染物的积聚，老化和表面电弧。因此，必须定期检查复合绝缘子的憎水性，以确保电网的安全可靠运行［1-2］。

一般有3 种测量复合绝缘子憎水性的方法，分别为接触角法、表面张力法、喷水分级法［3-5］，前两种方法需要特殊的设备和实验室条件，不便用于现场测量，而喷水分级法操作简单，被广泛用于识别复合绝缘子憎水性等级。传统的喷水分级法是由检修人员按照一定的规范，将水喷洒到被测复合绝缘子表面，拍摄一张水珠照片［图1（b）］，并将其与国际标准憎水性等级图片（图2）进行比较，得到复合绝缘子憎水性等级（HC1～HC7）。这种方法虽然成本低、易于操作，但主观性强且效率低下。

图1 复合绝缘子：（a）外形图，（b）水珠图像Fig. 1 Composite insulator：（a）outline drawing，（b）water droplets image

图2 不同级别的憎水性水珠图像对应的水珠积聚状态Fig. 2 Accumulation state of water droplets corresponding to images of different levels of hydrophobic droplets

近年来，研究人员将图像分析技术［6］引入到复合绝缘子憎水性分级中，其中支持向量机（support vector machine，SVM）分级算法［7］的分级结果已满足一定的工程应用需求。但该方法也存在一定的不足，主要表现为两个方面。其一，SVM预测憎水性等级比较耗时，提取的水珠轮廓图像越多，耗时越长，主要是因为在识别水珠图像的过程中，为保证分割效果，采用了图像分块、多阈值分割子图及再融合子图水珠轮廓等方法，这一过程相当耗时；其二，它需要人工选取特征，而选取特征的好坏就直接影响模型的实用性和准确性［8-9］。

本文采用图像分析技术和深度学习方法对复合绝缘子憎水性分级。首先对复合绝缘子憎水性图像进行灰度化和直方图均衡化等预处理，以消除光照对图像的影响，提高图像的对比度；其次利用图像分析技术和U-Net网络提取水珠轮廓，得到水珠区域和背景区域分离的水珠轮廓图像；最后引入神经网络模型，将轮廓图像作为训练样本，训练得到能表示憎水性图像和憎水性等级之间关系的分级模型，以实现复合绝缘子憎水性分级。

1 复合绝缘子憎水性分级原理

本文提出方法流程图如图3 所示，主要包括提取水珠轮廓和憎水性分级两部分。

图3 本文提出方法流程图Fig. 3 Flow chart of proposed method

首先为达到理想的分割效果，采用直方图均衡化对憎水性图像进行增强处理，然后将图像分块，基于子图提取水珠轮廓，再合并，由此得到的完整的二值图像作为U-Net网络的标签，接着训练U-Net 网络得到分割模型，并用于识别绝缘子图像，得到水珠轮廓图，最后将水珠轮廓图作为GoogLeNet 网络的输入，以相应的憎水性等级作为输出向量，训练得到基于GoogLeNet 网络的分级模型，并将其用于憎水性分级。

2 基于U-Net网络的图像分割

水珠的透明性和光照等因素使复合绝缘子水珠图像的分割变得困难。而U-Net 网络结构［10］下采样得到的深层信息能够反映目标和背景之间的关系特征，上采样能够为分割提供更加精细的特征，有助于图像分割。U-Net 网络还具有数据增强功能［11］，可使用少量的样本进行训练，而且训练时间短。考虑到U-Net 网络的特性，本文基于U-Net网络实现复合绝缘子水珠图像水珠识别。

2.1 获取样本

绝缘子表面的不均匀、光照等因素都会对识别水珠图像产生一定的干扰，图像灰度化可以使神经网络模型尽可能小地被这些因素影响，有助于U-Net 模型分割水珠图像。原始的复合绝缘子水珠图像大小不一，直接输送到神经网络会浪费空间，将图像设置为相同的大小，可以提高训练速率，节省内存空间。

将原始的彩色图像转化为灰度图像，并将所有灰度图像的大小设置为512×512，作为U-Net 网络的输入，对应的二值图像作为训练图像的标签。实验选取的样本不包含HC6 和HC7 的图像，主要是因为从严格意义上来讲，HC6 和HC7 图像中的水迹已经不能算作水珠，将它们加入到样本中会干扰神经网络训练的准确性，况且很容易通过提取到的水珠数量直接判定这两个等级。因此为保证分割模型的准确性，U-Net 网络分割的样本只包含HC1～HC5 共5 个等级。

2.2 模型训练

实验所用样本共174 个，其中训练集包括HC1～HC5 的 图 像，共123 个 样 本，测 试 集 包 括HC1～HC5 的图像，共51 个样本（每个憎水性等级训练集和测试集的比例为7∶3）。训练过程中，将输入图像的所有像素值归一化到0～1，压缩图像特征，每2 幅图像作为一个批次输入模型进行训练，迭代次数为100 次，迭代一次的训练步数为100，测试步数为40，梯度下降算法为Adam，学习速率为1 × 10-4，损失函数为二值交叉熵损失函数。迭代完成后，得到分割模型，并使用分割模型对测试集分割，得到语义分割结果。

2.3 损失函数

U-Net 分割相当于像素级的二分类，把背景区域像素值设置为0，目标区域像素值设置为1，确保每个像素能归为某一类别，得到1 幅二值图像，实现目标区域和背景区域的分离。该模型选用的损失函数为L= -ylogp- (1 -y)log (1 -p)，该损失函数检查每个像素，将预测的像素向量与热编码目标向量进行比较。其中，y是one-hot 向量，元素只有0，1 两种取值，如果该像素所属类别和标签类别相同，则取1，否则取0。p表示y取1 时的概率。

2.4 分割结果

利用U-Net 网络实现复合绝缘子水珠图像分割，经过训练，模型的准确率和损失分别为92.96%、23.19%，分割一张水珠图片平均耗时122 ms。图4给出了部分复合绝缘子水珠图像的分割结果，选取的图像包含等级HC1-HC5，可以较为全面地检测模型的分割能力，U-Net 网络的准确率和损失如图5 所示。由图5 可知，对于等级为HC1～HC3的水珠图像，大部分水珠已被识别出来；对于等级为HC4 的水珠图像，只有少量水珠没被识别出来；对于等级为HC5 的水珠图像，只识别出了部分水珠，主要是因为HC5 的图像只存在少量的水珠，大部分区域被水迹覆盖。分割总体误差较小，分割结果已达到分级的要求，可将此结果用作GoogLeNet网络的输入。

图4 实验结果：（a）彩色图像，（b）灰度图像，（c）直方图均衡化结果，（d）U-Net分割结果，（e）U-Net分割标签Fig. 4 Experimental results：（a）color images，（b）grayscale images，（c）histogram equalization results，（d）U-Net segmentation results，（e）U-Net segmentation labels

图5 基于U-Net网络识别的水珠轮廓：（a）准确率，（b）损失Fig. 5 Recognition of water droplet contour based on U-Net network：（a）accuracy，（b）loss

3 基于GoogLeNet 网络的复合绝缘子憎水性分级

SVM［7］实现憎水性分级需要人为设计周长、形状因子［12］等图像特征并进行提取，但这些特征值并不能涵盖所有的绝缘子，且选取特征的好坏会直接影响到分级的结果。考虑到GoogLeNet 网络［13］不需要手动提取图像特征，就可直接用于图像分类。此外，GoogLeNet 网络具有的全局均值池化特性，解决了传统CNN 网络中最后全连接层参数过于复杂且泛化能力差的特点［14］。因此，采用GoogLeNet 网络来建立憎水性水珠图像和憎水性等级之间的关系。

3.1 获取样本

为验证GoogLeNet 网络对复合绝缘子憎水性分级的有效性，使用两组样本来训练GoogLeNet网络，一组样本以灰度图像作为输入，相应的憎水性等级作为标签；另一组样本以U-Net模型分割得到的水珠轮廓图像作为输入，相应的憎水性等级作为标签，两组样本所用图像大小均为512×512。

3.2 模型训练

本实验所用两组样本的个数和比例与第2.2节模型训练中所用样本比例一致。训练过程中，每4 张图像作为一个批次输入模型进行训练，迭代次数为150 次，迭代一次的训练步数为30，测试步数为10，梯度下降算法为Adam，学习速率为3 ×10-4，损失函数为多分类交叉熵损失函数。迭代完成后，得到分级模型，并使用分级模型对测试集分级，得到分级结果。

3.3 损失函数

复合绝缘子憎水性分级是一个多分类任务，分类实验选用的损失函数为多分类交叉熵损失函数，如式（1）所示：

其中，K表示分类的类别，文中实验K取5，yi是one-hot 向量，元素只有0 和1 两种取值，表示预测标签和真实标签相同取1，不相同取0，pi表示预测样本属于类别i的概率。GoogLeNet 网络有3 个输出层，其中2 个是辅助分类层，总体损失等于2个辅助分类器的损失乘以权重0.3 加上最后一个输出层的损失。实际在测试过程中，去掉了这2 个辅助分类器的损失。

3.4 分级结果

在IEC TS 62073 的喷水分级法中提到“人工判断复合绝缘子憎水性等级时，视觉评价中的不确定性通常不大于±1 憎水性级”［15］，因此，实验中预测的等级为相邻等级可算作预测正确。对51 个测试样本，利用SVM 分级耗时105 s，而本文方法仅耗时6.4 s，平均一幅图像仅耗时0.1 s。图6 给出了GoogLeNet 网络训练图像的准确率和损失，表1、表2 和表3 分别给出了3 种不同方法的分级结果。 这3 种方法总的平均正确率分别为80.39%、84.31%、90.2%。实验结果表明：本文方法对憎水性分级的平均准确率最高，并且在相同的实验条件下，基于水珠轮廓图像的分级准确率比基于灰度图像的分级准确率要高。

图6 GoogLeNet网络的分级结果：（a）灰度图像，（b）水珠轮廓图Fig.6 Training results of GoogLeNet network：（a）gray images，（b）water droplet contour images

表1 基于SVM 分级算法的分级结果Tab. 1 Classification results based on SVM classification algorithm

表2 基于灰度图像的分级结果Tab. 2 Classification results based on gray images

4 结 论

以上利用图像分析方法和深度学习模型实现憎水性分级。实验结果表明，采用本文提出的方法，水珠识别精度和分级准确率分别达到92.96%和90.2%，克服了手动提取水珠轮廓速度慢的缺点，实现了水珠纹理特征和神经网络模型的深度融合。但还存在没有涵盖不同类型的复合绝缘子的局限性，后续将在不同实验条件下采集不同类型的绝缘子图像，以丰富训练样本库，提高模型的鲁棒性，为在线检测绝缘子憎水性做准备。