基于改进GA-KSW熵法的无人机拍摄绝缘子故障识别

吕泽卿，付兴建，张世卓

(1.北京信息科技大学自动化学院，北京 100192；2.北京信息科技大学机电工程学院，北京 100192)

0 前言

绝缘子在输电线路中是非常重要的器件，可以起到绝缘和支撑的作用，因此定期检查绝缘子状态对整个电网安全稳定高效运行有重要的意义。由于绝缘子长时间暴露在大自然中，再加上制作时工艺水平不高以及人为破坏等因素，难免会发生一些故障，其中自爆问题是最常见且尤为严重的一种，会对整个电网正常运行造成很大的影响。传统的人工检测劳动强度大、效率低、周期长、危险性高，无人机的应用在一定程度上可以避免传统人工检测的缺点，与图像处理、计算机视觉技术结合，一定会成为未来巡检技术的重点和热点。

韩正新等基于无人机拍摄实现了输电线路绝缘子的自爆故障检测和定位。刘正庭等提出基于分水岭算法对绝缘子串红外图像进行分割，对500、220、110 kV绝缘子串都有效，但计算量大。遗传算法广泛应用在图像分割领域。张建立等利用遗传算法对矿石图像进行分割，与人工识别结果相当，促进了整个过程的智能化。王艳和祁萌设计了一种基于遗传算法和阈值分割的对夜间苹果的识别方法，一定程度上提高了识别精确率和速度。唐长明等将自适应遗传算法和二维最佳熵阈值确定法(KSW熵法)相结合，对超声红外热像缺陷进行识别。

遗传算法也被应用在绝缘子方面。DOUFENE等将遗传算法与电场有限元法和泄漏电流密度计算相结合，优化了绝缘子形状，当污染物沉积在帽针式绝缘子的高压端附近时，优化后的形状比现有等效单元有更好的性能。林胤戎和龙云波利用微分遗传算法对支柱绝缘子进行优化，新绝缘子在电气性方面得到改善。但基于遗传算法的绝缘子图像分割应用甚少。

文献[11-12]通过计算绝缘子的中心坐标和区域坐标定位自爆故障，这是基于拍摄的绝缘子是正视等间距的，但在实际拍摄过程中可能会有斜视不等距情况，这就使得以上算法有了局限性。

针对以上问题，本文作者先设计无人机整体构架，然后将遗传算法结合KSW熵法用于绝缘子分割，用形态学处理后得到纯净绝缘子串，用所设计的拟合算法进行绝缘子应有位置推测，从正视图和斜视图对绝缘子自爆故障进行识别。结果表明，该算法分割精度高、速度快，为绝缘子故障识别提供了新思路。

1 无人机构架设计

无人机使用了超声波测距传感器、激光雷达传感器、交流电场感应器、加速度传感器、陀螺仪。其中，超声波测距传感器与激光雷达传感器均用于检测无人机与障碍物之间的距离。交流电场感应器用于检测高压线周围电场强度，决定无人机与高压线间安全距离。加速度传感器和陀螺仪用于辅助无人机矫正空中飞行姿态。控制器与电调等动力系统采用独立供电电池，以保证控制系统的稳定性。由于无人机在空中飞行，其信号射频功率比手机的射频功率略大，使用多组射频天线与波束干涉矫正技术提高互联网连接的可靠性。

主系统控制飞行时会获取全球定位系统(Global Position System，GPS)模块和摄像头的信号以便自主导航至服务器命令中的位置。由于GPS定位存在精确性问题，当接近目标位置时，将摄像头的影像通过websocket传递给服务器，服务器中的机器视觉服务器精确地控制无人机的飞行方向，使无人机逐渐接近线缆。当无人机的距离与电缆达到预设距离时，无人机悬停，服务器指挥无人机摆正姿态拍摄视频，服务器截取视频流中的图像并使用所提的绝缘子自爆故障识别算法进行分析，然后服务器指挥无人机返航。

另外，由于无人机工作在高压线附近，引入看门狗(WatchDog)机制，以免无人机主系统和子系统因电磁干扰而宕机。为减少电机启动引起的电流脉冲对控制系统的干扰，无人机的控制系统(主系统、子系统以及WatchDog)与动力系统使用独立电源供电。

2 改进遗传算法与KSW熵法结合及形态学处理

2.1 改进遗传算法

(1)改进选择法。传统遗传算法利用轮盘赌的方法进行选择操作，个体适应度越大，被选中的概率也越大，这样会因适应度大的个体竞争力突出而控制选择过程，使算法的全局优化性能降低。采用精英选择法代替轮盘赌法,即当种群进化到前1/3代时，用上一代中适应度大于当前代的个体随机代替当前代中的个体；当种群进化到中间段时，用上一代中适应度大于当前代的个体代替当前代中的最差个体；当种群进化到最后1/3代时，用上一代中1/2优秀的个体代替当前代中的最差的1/2个体，加快寻优过程。

(2)改进交叉和变异算子。交叉和变异是生成新种群最主要的方法，同时会使遗传算法的搜索能力大大提高，在传统遗传算法中，交叉概率和变异概率是固定不变的，取值范围为0.4～0.99，取值范围为0.000 1～0.1,这样会使所有个体经过相同概率的交叉和变异操作，不利于图像阈值的最优解搜索, 效率和效果都会有所降低。

为避免出现上述问题，对交叉概率和变异概率进行优化，改进后的自适应遗传算子、设置如下:

(1)

(2)

其中：取0.9，为最大交叉率；取0.1，为最大变异率；为当代群体平均适应度值；为当代群体最大适应度值；为当代待交叉染色体对中的较大适应度；为待变异个体的适应度。通过这样设置可以使交叉概率和变异概率自适应地进行调整，在前期获得更多新的个体，提高搜索效率，后期可以保留优秀个体，加快收敛，避免陷入局部最优。

2.2 改进GA与KSW熵法结合

KSW熵为前景熵与背景熵之和，可用于图像分割，最大的灰度即为最佳阈值。对于灰度范围为{0,1,…,-1}的直方图,其计算式为

(3)

式中：为第个灰度级出现的概率。设阈值(0≤≤-1)将图像分为目标和背景两部分,则令：

(4)

(5)

分为目标0和背景1两部分后,这两部分概率分布为

(6)

(7)

目标熵()和背景熵()分别为

(8)

(9)

图像总熵()为()与()之和，即:

(10)

设为最佳阈值，表示为

(11)

KSW熵法产生的最佳阈值，可以使图像中的分割目标与背景分布的信息量最大，从而较好地区分目标和背景，因此用式(11)作为遗传算法适应度函数，来判断每一代经过选择、交叉、变异后的个体的优劣程度。改进GA-KSW熵法可以在缩短寻找最佳阈值时间的同时使分割效果更好。

2.3 数学形态学处理

数学形态学有4种基本运算，包括腐蚀运算、膨胀运算、开运算和闭运算。腐蚀处理后噪声和孤立像素点或像素块被消除，膨胀处理后正好和腐蚀相反。将集合和集合定义在空间上，为待处理绝缘子图像，为结构元素。

使用对进行腐蚀，记为Θ，定义为

Θ={|()⊆}

(12)

使用对进行膨胀，记为⊕，定义为

(13)

开运算是先对目标图像进行腐蚀后进行膨胀的运算，目的是消除一些比结构元素小的孤立图像点。闭运算是对目标图像进行膨胀后进行腐蚀的运算，目的是填补图像中出现的漏洞，加强图像的完整性和连通性。开运算定义为(⊕)Θ，闭运算定义为(Θ)⊕。

3 绝缘子自爆故障识别

得到纯净的绝缘子串后，即可使用文中的检测算法进行绝缘子的自爆故障判断。由于无人机可以多角度拍摄绝缘子，当拍摄的绝缘子不是正视图时，每两个绝缘子之间的距离可能不等距，针对这个问题，设计线性方程去拟合每个绝缘子的间距，从而实现对任意角度拍摄绝缘子的自爆故障识别。线性方程如下：

=-1+(-1)+

(14)

其中：初始值为0；初始值为1。步骤如下：

步骤1，将第一个绝缘子的坐标代入拟合的线性方程中，得到～等个假想的绝缘子坐标;

步骤2，计算～每一个假想绝缘子坐标与真实对应绝缘子中心坐标之差的平方，然后相加求和作为损失函数Loss；

步骤3，计算Loss对、的偏导数，即可算出梯度grad；

步骤4，使用负梯度乘学习率后与、相加可实现梯度下降的优化，学习率为0.001；

步骤5，通过循环迭代即可完成训练。

4 实验结果与分析

灰度化可以提高图像识别处理速度，减少图像矩阵占用内存。根据重要性以及其他指标，将3个分量以不同权值进行加权平均。由于人眼对绿色最敏感，而对蓝色最不敏感，因此根据式(14)，对RGB三分量进行加权平均，得到较合理的灰度图像:

(,)=0.299(,)+0.587(,)+0.114(,)

(15)

将绝缘子彩色图像转换为灰度图像，如图1所示。

图1 图像灰度化

为比较传统遗传算法、传统GA-KSW熵法、改进GA-KSW熵法对正视等距和斜视不等距绝缘子图像的分割效果，在Windows10操作系统、MATLAB 2018a开发环境下进行仿真实验。遗传算法的初始参数设置为:染色体长度为10，种群大小为10，交叉概率、变异概率分别为0.8、0.1，最大代数为100。分割结果分别如图2、图3所示。可知，传统遗传算法明显存在着欠分割，传统GA-KSW熵法分割的结果噪声较多，改进GA-KSW熵法在保证绝缘子分割尽可能完整的情况下噪声最小，分割效果明显优于前两种。

图2 正视等距绝缘子图像分割效果

图3 斜视不等距绝缘子图像分割效果

为进一步验证改进GA-KSW熵法的有效性，统计3种算法最佳阈值搜索时间。由于遗传算法分割具有随机性，每次分割结果和时间都会不同。因此，文中分别用它进行20次分割，正视、斜视时寻找最佳阈值的时间结果分别如表1、表2所示。

表1 正视时寻找最佳阈值时间对比结果

表2 斜视时寻找最佳阈值时间对比结果

从表1、表2可以看出:改进GA-KSW熵法分割速度远远高于传统遗传算法，平均用时提升约75%；相比传统GA-KSW熵法，虽然牺牲一些时间，但在允许范围内，而且分割效果最好。

依次对图2(d)、图3(d)进行开、闭运算，消除图中小块干扰和其他干扰，结果分别如图4、图5所示。

图4 对图2(d)进行形态学处理

图5 对图3(d)进行形态学处理

在OpenCV、VS2019环境下对不同拍摄角度绝缘子进行自爆缺陷识别，表3—表6给出了绝缘子中心点具体数值变化。其中，表3、表5所示真实绝缘子数值发生了突变，证明发生了绝缘子缺陷。

表3 正视等距有缺陷绝缘子拟合值、真实值对比

表4 正视等距无缺陷绝缘子拟合值、真实值对比

表5 斜视不等距有缺陷绝缘子拟合值、真实值对比

表6 斜视不等距无缺陷绝缘子拟合值、真实值对比

图6、图7所示为绝缘子的自爆故障定位，采用红色框标记绝缘子自爆位置。实验发现，文中算法对任意拍摄角度的绝缘子自爆故障识别效果都很好。

图6 不重叠绝缘子自爆故障定位

图7 重叠绝缘子自爆故障定位

5 结束语

绝缘子的故障严重影响整个电网的正常运行，为此提出了一种绝缘子自爆故障识别算法，为及时抢修绝缘子故障提供了保障。利用改进遗传算法和KSW熵法结合对绝缘子进行分割，然后用形态学处理，改善分割效果，具有较好的分割精度和分割速度。考虑到拍摄绝缘子角度的不同，相邻无缺陷绝缘子之间的距离可能也不相等，因此设计线性方程拟合每个绝缘子的间距，使得绝缘子的自爆故障识别更有普遍性。文中方法能有效地从无人机拍摄的图像中提取出绝缘子，并能识别出绝缘子自爆故障的位置，在无人机巡检和智能故障识别方面有较好的应用前景。