改进Grab Cut算法的复合绝缘子憎水性评估

2023-06-08毕茂强帅垭灵胡秀雷杨忠平杨俊伟江天炎

重庆理工大学学报(自然科学) 2023年5期

毕茂强,帅垭灵,胡秀雷,杨忠平,杨俊伟,江天炎,陈曦

(1.重庆理工大学电气与电子工程学院, 重庆 400054;2.中国电力工程顾问集团西南电力设计院有限公司, 成都 610021)

0 引言

复合绝缘子主要由伞裙、金具和绝缘芯棒三部分组成。相较于瓷绝缘子和玻璃绝缘子而言,复合绝缘子具有机械强度高、抗污闪能力强和质量轻等优点,目前已广泛应用在架空输电线路中[1-5]。由于复合绝缘子长期在紫外线、雾霾、酸雨酸雾等恶劣和复杂环境下运行[6],在其端部还可能伴随着电晕放电现象,使得伞裙发生不同程度的老化,导致复合绝缘子憎水性能减弱等情况发生,影响复合绝缘子防污闪性能[7-10]。为了保障输电线路的稳定运行,需要准确识别和评估复合绝缘子的憎水性。

近年来,随着计算机科学的快速发展,数字图像处理技术在各个领域得到广泛应用,大量学者利用图像处理技术对复合绝缘子的憎水性进行识别。研究人员通过无人机对复合绝缘子进行喷水[11-13],再通过图像采集装置进行收集,利用图像处理技术进行憎水性识别,这一途径避免了外界环境对观测人员的干扰,大幅提高了憎水性识别的准确率[14-16]。

文献[17]研究了一种基于VGG-19卷积神经网络的复合绝缘子憎水性等级识别模型,降低了图像获取过程中因光照造成的图像局部特征识别而造成的影响。文献[18]提出了一种基于深度迁移学习的喷水图像识别方法,通过4种卷积神经网络建立学习模型对硅橡胶憎水性进行识别,对洁净绝缘子表面憎水性识别有较高的准确性,但在污秽绝缘子识别时存在一定的偏差。文献[19]通过直方图均衡化、滤波和Otsu阈值分割等操作提取图像的液滴特征后,提取特征构建憎水性等级HC1～HC7的特征向量,利用SVM方法实现对硅橡胶憎水性的智能识别,并对液滴的不同形状因子检测结果进行了对比分析。文献[20]通过自适应直方图均衡化、引导滤波和改进的Canny算法对复合绝缘子液滴图像进行图像分割,改善了传统算法边缘检测断点等情况,提高了判定结果的准确性。

基于改进Grab Cut算法的复合绝缘子憎水性评估法是将一定量的液滴滴在硅橡胶表面,然后通过液滴的舒展面积来评估硅橡胶的憎水性。提取复合绝缘子憎水性图像过程中的关键点在于如何准确地区分背景和水滴,由于大多数复合绝缘子都运行在户外环境中,导致复合绝缘子不可避免地会出现覆污、电晕放电等情况,使得获取到的复合绝缘子表面的液滴图像存在大量背景噪声,对后续检测有一定干扰。为此,采用改进Grab Cut算法降低背景噪声对边缘识别的影响,进行不同憎水性条件下硅橡胶表面液滴边缘的识别和液滴面积的计算,结合对照静态接触角法,实现复合绝缘子憎水性的评估。

1 液滴面积憎水性检测

硅橡胶表面液滴面积识别实现过程中存在2个主要的技术难点:一是液滴在硅橡胶表面的形态各异,严重时导致复合绝缘子在电晕放电的情况下憎水性降低或者完全丧失;二是复合绝缘子受环境、鸟啄等影响导致材料损坏、覆污等现象,造成获取到的原始图像中存在较多的背景噪声,因此如何在进行液滴面积识别过程中降低图像噪声,准确提取出液滴部分并进行液滴面积识别是进行液滴面积识别的第二大难点。

1.1 液滴面积法图像处理算法

Grab Cut算法是由Graph Cut算法演化而来的一种在图论基础上进行图像分割的方法。Graph Cut算法利用最小割最大流算法进行图像分割,可以将图像分割为前景和背景,但该算法只能对灰度图像进行图像分割。

图像的分割问题在Grab Cut中表示为:

(1)

式中:α=(α1,…,αx,…,αy),αx∈{0,1},α是输入图像中像素点的标号值,1表示前景,背景用0表示,图像前景以及背景颜色的概率分布用θ表示。

在加入GMM模型后,能量函数E可以表示为:

E(α,k,θ,z)=U(α,k,θ,z)+V(α,z)

(2)

式中:原始图像中每个像素点的GMM标号用k=(k1,…,kn,…,kN),kn=(1,2,…,K)表示,因此能量函数E的数据项可以表示为:

(3)

其中,

D(αn,kn,θ,zn)=-logp(zn|αn,kn,θ)-logπ(αn,kn)

(4)

式中:p()和π()分别表示的是高斯概率分布和混合权重系数,因此:

(5)

通过上述变化,参数θ可表示为:

(6)

能量函数中的平滑项V不变,仅距离计算的相关部分应用了彩色空间的欧几里得度量:

(7)

Grab Cut算法进行图像分割操作的流程如图1所示。在获取到输入图像后,通过交互式选择需要进行识别的区域,构建s-t网络图,此时图像中每个像素点都是一个独立节点;然后对节点之间的权重进行定义,权重越大则节点的相似性越大,反之亦然。在权重确定后,交互式选择的区域为前景部分,背景的相关像素点则用曲线确定。在明确图像前景和背景的像素点后,就能明确s-t网络图中连接节点的边以及独立节点,通过权重对s-t网络图中的能量函数进行定义。经过多次迭代使能量函数收敛并达到最小值,由此得到对图像前景和背景分割的边界节点,从而对原始图像的前景和背景区域进行分割。

图1 Grab Cut算法流程框图

复合绝缘子在长期挂网运行中不可避免地会存在污秽、电晕放电等问题,因此复合绝缘子表面状态具有较大差异,造成获取到的伞裙表面液滴图像存在大量噪声。另外,拍照角度、光照等一系列因素会使获取的图形存在局部不明的情况,这都会对液滴面积的识别准确性造成影响。为解决这些问题,在Grab Cut的基础上结合自适应对比度增强,并基于高斯滤波的自适应平滑滤波的优点解决原始图像中的光照和噪声问题。

1.2 自适应平滑滤波原理

高斯滤波是一种常见的滤波方法,它主要是对输入图像的像素值进行加权平均操作,即输入图像中的每一个像素值都由其本身以及邻域内的像素值加权平均得到。高斯函数决定高斯滤波算法的权重,函数可以表示为:

(8)

式中:参数a、b、c都是常数,且a>0。函数为高斯分布概率密度函数,因此也可表示为:

(9)

在实际应用中,权重的分布和卷积核的大小均会使算法的处理结果产生较大差异。为了得到准确的结果,需要采用其他算法对卷积核参数进行优化,这也导致滤波算法较为复杂。

在上述算法的基础上,提出自适应平滑滤波算法。由式(9)可以看出,高斯函数中的σ对图像滤波结果起决定性作用,当σ较小时,图像边缘特征较为明显,但图像噪声消除效果和平滑度都较差;当σ较大时,图像平滑程度和噪声消除效果都有明显改善,但图像边缘特征较为模糊。因此,选取合适的σ是滤波过程中消除噪声并保留完整边缘特征的关键因素。

通过上述对σ的叙述可知,在图像识别过程中,单一的σ无法对图像进行理想滤波操作,识别主体部分时采用尽可能小的σ,而其余部分采用较大的σ。为了处理该问题,需要获得中心像素点及其邻域像素点像素值的均值差异,并在均值差异的基础上对相关参数进行自适应计算。

假定原始图像函数为f(x,y),则原始图像的掩膜区域的灰度平均值为:

Imax=Ipeak-Imask

(10)

中心及其邻域像素点的灰度值均值之差为:

d(x,y)=|f(x,y)-M(x,y)|

(11)

通过中心及其邻域像素点灰度均值差可知,当像素点为噪声点时,灰度均值差达到最大值,若像素点为所需像素点时,灰度均值最小,接近0。当像素点位于图像边缘时,其取值在上述2种情况内。

取尺度因子d(x,y),自适应平滑滤波算法的算子可表示为:

N(x,y)(i,j)=exp(-(i2+j2)/2(d(x,y))2)/

(12)

1.3 自适应对比度增强原理

使用自适应对比度增强算法来解决输入图像边缘细节的识别问题。在识别过程中,算法识别的准确性受图像本身特征的影响较大,因此需要根据输入图像本身的特征对算法做一定的调整,使得识别结果更加准确,且自适应对比度增强算法能改善输入图像中对比度差的不足。输入图像中每个像素点的均匀性可以用方差来体现,也说明方差越小的区域其像素值差异越小,对比度越弱;相反,方差越大则说明对比度越强。

改进Grab Cut算法主要是对输入图像中的每个像素点计算其邻域内的均值以及标准差:

(13)

(14)

式中:f(s,k)代表原始图像中像素点在(s,k)处的像素值;M(i,j)代表原始图像中以点(i,j)为中心的区域,区域大小为(2n+1)×(2m+1)的均值;σ2(i,j)为局部像素值的方差;σ(i,j)为局部图像的像素值的标准差。

在取得上述参数后,对输入的图像使用对比度增强算法:

I(i,j)=M(i,j)+G((i,j)-M(i,j))

(15)

(16)

2 测试样品及参数

2.1 电晕老化样品的制备

使用六边形阵列的多针-板电极[21-23]进行电晕老化硅橡胶样品的制备,如图2所示。其中,多针-板电极之间的距离为10 mm,针尖的曲率半径为30 μm。使用多针-板电极能使硅橡胶样品在电晕老化过程中的电场更加均匀,从而制备出表面老化均匀的硅橡胶样品。

使用的硅橡胶样品的形状参数为115 mm×115 mm×2 mm。本次电晕老化主要制备相对环境湿度为40%、60%、80%和95%,环境温度为(20±2)℃的硅橡胶样品,施加为10 kV交流电,持续时长100 h[24]。

图2 多针-板电极装置

2.2 自然积污样品制备

为进一步对改进Grab Cut算法图像识别结果进行验证,制备自然环境下积污时长为1 440 h的样品。根据实际应用情况,复合绝缘子有红色、灰色等颜色的硅橡胶材料,因此选取3种填料不同的硅橡胶样品进行算法检测。

在实际制备过程中,对积污1 440 h过程中的气象天气进行统计,共计晴天168 h,阴雨天1 272 h。同时,根据气象局相关数据可查阅到相关空气质量指数,详细气象条件如表1所示。空气质量指数(air quality index,AQI)将空气浓度转换为单一的概念性指数值。对于单项污染物,用空气质量分指数表示。空气主要污染物有可吸入颗粒物、细颗粒物、SO2、NO2、O3、CO等6项。将AQI≤100的空气分级为优良,100

表1 自然积污硅橡胶样品气象条件 h

2.3 实际工况运行复合绝缘子

为从实际应用角度验证改进Grab Cut算法在架空输电线路复合绝缘子液滴面积识别方面的准确性,对西南地区某电网架空输电线路检修更换的复合绝缘子进行相关检测,共收集13根处于实际线路运行状态的复合绝缘子。其中,35 kV输电线路复合绝缘子2根,110 kV输电线路复合绝缘子10根,220 kV输电线路复合绝缘子1根,运行年限均在8年及以上,部分样品实物如图3所示。

图3 架空输电线路复合绝缘子实物

收集的13根复合绝缘子的运行线路分布于不同地区,表面积污和老化情况等存在较大差异,但基本都存在伞裙脆化、粉化和硬化等情况,复合绝缘子憎水性也存在不同程度的降低。

3 算法验证及应用

3.1 电晕老化样品识别

1) 静态接触角测试结果

对初始硅橡胶样品测量5次静态接触角并取其平均值作为测试结果。图4(a)为相关样品的部分测试结果,以未老化样品作为初始参考值。

对不同湿度电晕老化的硅橡胶样品测量静态接触角,得到部分测试结果如图4(b)—(d)所示。由图4可以看出,电晕老化过程中环境湿度变化导致硅橡胶电晕老化程度不同,憎水性也有相应变化,环境湿度越高,硅橡胶静态接触角越小,即样品的憎水性丧失越严重。

图4 不同湿度下老化样品接触角测试结果

由于硅橡胶中存在小分子物质,使得硅橡胶本身具有一定的憎水性恢复特性。为了更好地对比硅橡胶材料在电晕老化后的恢复特性和后续液滴面积,在电晕老化后的样品静置0、2、4、8 h后进行5次测量,分别计算其平均值。图5为硅橡胶在不同湿度条件下进行电晕老化的憎水性恢复特性的实验结果。

由图5可以看出,原始样品静态接触角基本未发生变化,同时环境湿度越大,电晕老化硅橡胶的憎水性降低幅度越大。同时,在电晕老化结束后,不同相对湿度电晕老化样品静态接触角的平均值为53.9°,静置8 h的静态接触角平均值为88.3°。这说明硅橡胶样品存在恢复特性,静态接触角仅能作为一种粗略的检测方法。

图5 不同湿度下老化样品接触角恢复特性实验结果

2) 液滴面积法测量结果

对前期制备的电晕老化样品分别进行液滴面积测量,图6(a)—(b)为部分液滴面积的测试图像。由图6可以看出,不同相对湿度条件下的老化样品液滴形态不同,导致液滴在硅橡胶样品铺展的面积也不同,从侧面反映硅橡胶电晕老化后样品憎水性的丧失程度不同。

同样,将电晕老化后的硅橡胶样品静置0、2、4、6、8 h,期间进行液滴面积测试。图6(c)—(d)为环境相对湿度RH=60%时,静置2 h和8 h后的测试图像。

图6 液滴面积恢复特性测试图像

对样品静置后的液滴面积测试结果求取平均值,得到如图7所示的液滴面积恢复特性曲线。

由于液滴在硅橡胶表面的铺展面积与硅橡胶的表面张力有关,因此液滴面积也能反映硅橡胶的恢复特性。由图7可知,环境湿度越大的电晕老化样品,液滴面积越大,说明硅橡胶表面憎水性越差。随着静置时间的增加,电晕老化样品的静态接触角增大,相应的硅橡胶表面液滴的铺展面积逐渐减小,最终保持稳定。当电晕老化样品静置一定时间后,硅橡胶憎水性有一定程度的恢复,液滴面积发生了明显变化。

图7 液滴面积恢复特性曲线

为了更加直观地对比2种测试结果,将测试结果进行归一化处理,即用单次测试数据除以本组测试数据的最大值。由于液滴面积随复合绝缘子憎水性的减弱而逐渐增大,因此将液滴面积归一化数值取倒数,对2种方法进行对比分析,液滴面积法与静态接触角法归一化处理结果如表2所示。

表2 液滴面积与静态接触角结果

由表2可以看出,2种方法在变化趋势上大致相同,说明液滴面积和静态接触角均能体现硅橡胶样品的憎水性变化情况。同时,可以看出,在硅橡胶憎水性较好时,2种方法测试结果基本一致;在硅橡胶处于弱憎水性时,液滴面积的变化幅度更大,说明弱憎水性的情况下,液滴面积法能更加灵敏地反映憎水性变化情况。因此,液滴面积法能较为直观地测量硅橡胶的憎水性,并与静态接触角测试结果吻合。液滴面积测量过程中无需昂贵的试验仪器,相较于静态接触角法更适用于复合绝缘子的现场应用。

3.2 自然积污样品识别

利用改进Grab Cut算法对图3中自然积污的硅橡胶样品进行图像识别,得到了如图8的测试结果。

图8 自然积污硅橡胶样品图像处理测试结果

通过改进Grab Cut算法和常见算法对图8(c)中的原始图像进行边缘识别,得到图8(d)和图8(e)的测试结果。由图8(d)可以看出,改进Grab Cut算法不仅能对电晕老化硅橡胶进行准确识别,还能识别自然积污状态下的硅橡胶样品。通过图8可以看出,积污情况并未对改进算法识别结果造成太大的影响,无明显噪声等情况,液滴能够被准确识别,仅在液滴边缘小部分区域出现识别模糊的情况。图8(e)中结果表明,常见的边缘处理算法对硅橡胶液滴识别过程中存在误识别和边缘不准确等情况,常见的图像识别算法能准确识别大范围的图像背景,但对于硅橡胶表面的小液滴则存在一定的识别缺陷。

对图8(c)的硅橡胶表面液滴进行分割,得到改进算法和Grab Cut算法的耗时见表3。从表3中的数据可以看出,改进算法耗时与Grab Cut算法耗时的比率在25%～30%,表明改进算法大大提高了图像的分割速度,提升了图像识别的效率。

表3 改进算法与Grab Cut算法的耗时对比

为了体现不同憎水性等级采用改进算法的识别效果,对硅橡胶样品使用蒸馏水进行浸泡处理,降低硅橡胶表面憎水性,同时对浸泡不同时长的硅橡胶样品进行液滴面积检测,最终得到HC1～HC7的样品,部分测试图像如图9所示。

图9 不同憎水性样品液滴面积部分测试图像

由图9可以看出,硅橡胶样品憎水性越差,液滴铺展面积越大,尤其当憎水性等级在HC4～HC7时,静态接触角无法单独反映硅橡胶的憎水性等级。同时,硅橡胶样品憎水性越差,液滴在样品表面铺展的形状越不规则,这也加大了憎水性识别的难度。由图9可以看出,改进Grab Cut算法能对液滴的形态进行较为准确的识别,仅在液滴边缘小部分区域分割有偏差,但对液滴面积的识别影响较小,能够满足实际测量的应用要求。

上述测试结果反映了改进后的Grab Cut算法能够较为准确地分割液滴与样品背景,同时能够较为精确地计算不同憎水性硅橡胶样品的液滴面积,液滴面积计算结果如图11所示。

由图11不同憎水性样品曲线可以看出,通过改进后的Grab Cut算法能对不同HC等级的液滴图像进行液滴面积识别,同时与喷水分级法结合得出不同HC等级的液滴面积值。这说明即使硅橡胶样品处于弱憎水性条件下,改进算法也能较为精确地识别电晕老化硅橡胶的表面憎水性情况。

3.3 实际运行复合绝缘子样品识别

试验首先通过喷水分级法和静态接触角法测定相关复合绝缘子的憎水性等级,然后利用改进Grab Cut算法对图3中实际工况运行复合绝缘子样品,进行液滴面积测试,得到如图10所示的图像处理结果。

图10 实际工况复合绝缘子液滴面积测试图像处理结果

如图10所示,复合绝缘子憎水性不同时,伞裙表面液滴形态也有较大差异。随着复合绝缘子憎水性逐渐变差,伞裙表面的液滴形态产生明显的差异。憎水性等级越大,伞裙表面液滴面积越大,当憎水性等级达到HC4时已无法对样品进行静态接触角测试。经过算法处理后,不同憎水性条件下的液滴图像能取得较为准确的分割效果,并能较准确地计算出液滴面积,液滴面积计算结果如图11所示。