改进U-Net网络的接地网图像超像素分割

翁宇游,郑 州,郭 俊,赵志超,谢 炜,胡 雨

(1.国网福建省电力有限公司电力科学研究院,福建 福州 350007;2.北京国网信通埃森哲信息技术有限公司,北京 100052)

1 引 言

接地网与电力系统的稳定运行息息相关。接地网常年位于土壤内部,易受土壤腐蚀[1],导致接电网出现不同程度的腐蚀情况,若无法及时发现腐蚀区域,则会导致接电网变细甚至断裂,令电气设备出现接地短路故障[2]。因为接地网所处环境的特殊性,所以工作人员需要采集并分析接地网的红外图像,判断接地网是否存在腐蚀现象[3-4]。通过精准分割接地网腐蚀红外图像,可为工作人员提供精准的腐蚀区域,工作人员可依据分割的腐蚀区域及时进行维修,加快工作人员工作效率,提升电力系统运行稳定性。刘国华等人利用双边滤波修复图像内的小空洞,利用均值填充方式,修复图像内的大空洞,通过线性谱聚类超像素分割算法,分割空洞修补后的图像,实现图像分割;该方法分割图像时的欠分割错误率较低,边界召回率较高[5]。王小芳等人通过线性谱聚类算法完成图像超像素分割,将颜色与距离相似的像素聚类到一个中心,获取不同类别的超像素聚类结果,通过最大相似度区域合并算法,融合全部超像素块,完成图像超像素分割;该方法可显著降低过分割与欠分割率[6]。但上述两种方法均无法较好地提取图像特征,导致分割结果较为粗糙,分割目标的边界较为模糊。人工智能深度学习具备较优的特征提取性能[7-9],在图像分割中具备非常重要的作用,可有效提升图像分割精度,人工智能深度学习包含深度卷积神经网络与全卷积神经网络等。为此研究基于人工智能深度学习的接地网腐蚀红外图像超像素分割方法,实现红外图像超像素分割,为维修人员提供精准的接地网腐蚀区域,避免接地网出现故障,提升变电站运行的稳定性。

2 接地网腐蚀红外图像超像素分割方法

2.1 基于主成分分析的接地网腐蚀红外图像降维处理

接地网腐蚀图像内包含大量信息,会增加红外图像超像素分割难度,降低分割效率。通过降维处理红外图像,可有效剔除红外图像内的冗余信息,凸显图像内的重要信息,加快分割效率。

利用二维主成分分析法降低接地网腐蚀红外图像维度,降维思想为:利用二维主成分分析法对原始二维接地网腐蚀红外图像Y进行线性变换,表征原始图像的特征主成分,以乘上正交变换矩阵的形式,变更Y获取一个新的接地网腐蚀红外图像Y′,将原始接地网腐蚀红外图像的信息变更成彼此无关的主成分,减少无关特征变化对主成分收敛性的影响。经过正交变换后,第一主成分内存在接地网腐蚀红外图像的信息量在80 %左右[10-11],前三个主成分存在的信息量在95 %以上,有效剔除无效的信息,实现接地网腐蚀红外图像的降维处理[12]。

接地网腐蚀红外图像降维具体步骤如下:

步骤1:求解接地网腐蚀红外图像数据的均值矢量u与协方差矩阵E,公式如下:

(1)

步骤2:计算E的特征值λ与特征向量O,E、λ与O间的关系如下:

(λI-E)O=0

(2)

其中,单位矩阵为I;E的N个特征根是λ1,λ2,…,λN,同时λ1≥λ2≥…≥λN,与λ1,λ2,…,λN相应的特征向量是O1,O2,…,ON,获取主成分分析的变换矩阵为W=[O1,O2,…,ON],W符合WWT′=I,其中,转置符号是T′。

步骤3:经过主成分分析降维后的接地网腐蚀红外图像为:

(3)

2.2 基于人工智能深度学习的接地网腐蚀红外图像超像素分割的实现

为提升接地网腐蚀红外图像超像素分割效果,先利用Turbopixel超像素分割法,初步分割降维处理后的接地网腐蚀红外图像,获取数个超像素区域;再将分割获取的数个超像素区域,输入人工智能深度学习中的改进全卷积U-Net网络内,输出接地网腐蚀红外图像超像素分割结果。

Turbopixel超像素分割法是先为降维后接地网腐蚀红外图像内设置一定量的种子点,再利用基于水平集的梯度几何流的方法不断放大种子点到超像素的边缘,令其彼此重合,完成接地网腐蚀红外图像分割,获取数个超像素区域,且各超像素区域的大小大致相同[15]。具体步骤如下:

1)初始化2.12小节降维后的接地网腐蚀红外图像内的种子点;

2)依据图像梯度方向修正种子点位置,增加种子点与图像边缘间的距离;

3)标记全部种子点;

4)曲线演化全部种子点;

5)估计未标记区域的骨架;

6)修正接地网腐蚀红外图像边界像素的演化速度;

7)反复操作步骤4)至步骤6),以边界像素的演化速度降至0为止,完成接地网腐蚀红外图像的同质性图像块信息提取,得到数个接地网腐蚀红外图像超像素区域。Turbopixel超像素分割法能够很好地保留接地网腐蚀红外图像超像素分割过程中的边界信息。

Turbopixel超像素分割法选择的离散化水平集方程如下:

(4)

其中,控制边界点演化速度的参数是AτAλ;二进制停止项是Aτ;演化次数是t;水平集函数是ψ;曲率函数是Aλ。

在人工智能深度学习中的改进全卷积U-Net网络内,输入分割获取的红外图像超像素区域,自动完成接地网腐蚀红外图像超像素分割。改进全卷积U-Net网络将编码器内的卷积变更成可变形卷积,建立可变形编码器,提升网络学习几何形变性能。将原始的双线性插值上采样方法变更成重构上采样卷积(Reshape Upsampling Convolution,RUC),通过可变形卷积与重构上采样卷积对全卷积U-Net网络进行改进,建立改进的全卷积U-Net网络结构,在改进的全卷积U-Net网络结构内输入分割获取的红外图像超像素区域,输出红外图像超像素自动分割结果。

改进全卷积U-Net网络结构如图1所示。

图1 改进全卷积U-Net网络结构

由图1可知,改进全卷积U-Net网络结构左边是编码器,包含可变形卷积层与最大池化层,右边是解码器,包含RUC与普通卷积层。左右两边的连接方式是拼接方式,既能恢复接地网腐蚀红外图像分辨率,又能融合卷积层提取的细节特征。

令接地网腐蚀红外图像各超像素区域的分辨率均是h×w;通道数是c;RUC的具体步骤如下:

1)利用2c个1×1卷积,扩展通道数量,扩展倍数是2倍;

2)通过ReLU激活函数,获取h×w×2c的接地网腐蚀红外图像特征图;

(5)

其中,权重是ω;可调节因子是η;偏置是β;位置编号是n。

可变形卷积是在R内引入偏移量Δdn,可变形卷积表达公式如下:

(6)

(7)

以集中性损失函数为损失函数,公式如下:

(8)

通过L解决正负样本不平衡问题,提升接地网腐蚀红外图像超像素分割精度。

通过反向传播算法迭代优化改进全卷积U-Net网络权重ω,提升网络训练时的收敛效果,利用反向传播算法迭代优化ω前,需设计一个迭代优化的代价函数,公式如下:

(9)

利用梯度下降算法寻找ξ(ω,β)的全局最小值,该算法是以搜索令式(9)获取最小值的方式,更新ω与β,公式如下:

(10)

其中,更新后的ω与β是ω′、β′;学习率是τ。

3 实验分析

以某区域的接地网为实验对象,利用本文方法对该区域接电网腐蚀红外图像进行超像素分割,验证本文方法超像素分割的可信性。该区域接地网的截面积是60 mm×5 mm左右,主要结构是扁钢,各段接地网的长度是15 m。该接地网内共包含56个节点,97条支路,规模接近中型地网,整体拓扑结构如图2所示。

图2 接地网拓扑结构

利用本文方法降维处理该区域接地网腐蚀红外图像,各主成分的特征值与累积贡献率如表1所示,部分接地网腐蚀红外图像的各主成分如图3所示,以前4个主成分、第6个与第11个主成分的部分接地网腐蚀红外图像为例。

表1 各主成分的特征值与累积贡献率

图3 各主成分的部分接地网腐蚀红外图像

综合分析表1与图3可知,当主成分是5时,累积贡献率是0.982,达到0.98,说明前五个主成分包含了大部分的接地网腐蚀红外图像的信息,之后的主成分内所包含的接地网腐蚀红外图像信息较少,为此以前5个主成分包含的信息为后续接地网腐蚀红外图像超像素分割的输入图像信息,结合图3可知,从第6主成分开始,接地网腐蚀红外图像内开始出现噪声点,当主成分为11时,红外图像内包含了大量噪声点,无法为后续接地网腐蚀红外图像超像素分割提供有效的图像信息。实验证明:以前5个主成分的红外图像信息代表整个接地网腐蚀红外图像信息,达到红外图像降维的目的。

利用本文方法对该区域接地网腐蚀红外图像展开超像素分割,部分接地网腐蚀红外图像超像素分割结果如图4所示。

图4 部分接地网腐蚀红外图像超像素分割结果

根据图4可知,本文方法可有效利用Turbopixel超像素分割法分割接地网腐蚀红外图像,获取大小基本一致的数个超像素区域;以获取的数个超像素区域为本文方法中改进全卷积U-Net网络的输入,对其进行分割,得到最终的红外图像超像素分割结果,且分割结果的边界非常清晰,可清晰呈现接地网腐蚀红外图像的各个区域。实验证明:本文方法具备接地网腐蚀红外图像超像素分割的有效性。

利用Dice相似性系数(DSC)与Hausdorff距离(HD),衡量本文方法的接地网腐蚀红外图像超像素分割效果,计算公式如下:

(11)

(12)

其中,A和B分别是集合A和B的点;d(a,b)是这些点之间的任何度量。

DSC越高,说明实际分割结果与标准分割结果越相似,即分割精度越高,HD代表实际分割结果与标准分割结果间的最大差异,其值越小,分割精度越高,在不同接地网腐蚀红外图像分辨率时,不同方法分割效果的测试结果如图5所示。

图5 接地网腐蚀红外图像超像素分割效果的测试结果

根据图5可知,随着接地网腐蚀红外图像分辨率的增长,本文方法进行接地网腐蚀红外图像超像素分割时的DSC呈逐渐上升的趋势,HD呈逐渐下降的趋势;当分辨率达到112×112 ppi时,DSC趋于稳定,最高DSC高达98 %左右;当分辨率达到56×56 ppi时,HD趋于稳定,最低HD低至0.5 mm左右;在不同分辨率时,本文方法的DSC均显著高于DSC阈值,HD均显著低于HD阈值,文献[5]方法和文献[6]方法的DSC均低于本文方法,HD值均高于本文方法;当分辨率达到112×112 ppi时,HD趋于稳定,说明不同分辨率时,本文方法展开接地网腐蚀红外图像超像素分割时的DSC值均较高,HD值均较低,具备较高的分割精度。

4 结 论

接地网所处环境较为恶劣,导致其易受环境影响出现不同程度的腐蚀情况,出现接地网故障,令电力系统的运行会受到影响,为此需及时发现并精准分割接地网腐蚀区域,为维修人员检修接地网时,提供精准的数据支持,避免接地网故障发生。为此研究基于人工智能深度学习的接地网腐蚀红外图像超像素分割方法,精准分割接地网腐蚀红外图像超像素。