基于高光譜成像技術(shù)的500 kV運(yùn)行絕緣子污穢識(shí)別及可視化研究

馬御棠，楊坤，李謙慧,，楊謹(jǐn)銘，潘浩，彭兆裕，顏冰

（1. 云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217；2. 西南交通大學(xué)電氣工程學(xué)院，四川 成都 611756；3. 云南電網(wǎng)有限責(zé)任公司研究生工作站，昆明 650217）

0 前言

高壓輸電線路路線長(zhǎng)，線路地形環(huán)境復(fù)雜，污穢類型與污穢程度多樣化[1-3]，傳統(tǒng)的污穢采用等值鹽密(equivalent salt depositdensity，ESDD) 檢測(cè)和表面泄漏電流(leakage current，LC)測(cè)試法等[5-8]，多用于實(shí)驗(yàn)室檢測(cè)，不能區(qū)分污穢分布不均情況。紅外熱像法[9-10]紫外放電特性檢測(cè)[11-12]等光電技術(shù)，已在絕緣子污穢程度檢測(cè)中展開(kāi)了大量研究。但這兩類方法的成像分辨率較低，波譜較窄，主要獲取臨閃前的絕緣子的物理特征現(xiàn)象，間接反映絕緣子的污穢狀態(tài)，并不利于污穢程度的提前預(yù)估。因此，需要一種可識(shí)別污穢并給出絕緣子污穢分布不均的技術(shù)。

高光譜圖像是綜合光譜與二維成像的新型3D 圖譜數(shù)據(jù)[13]，其包含位置及外觀信息的同時(shí)，可獲取豐富的連續(xù)波段譜線信息，對(duì)研究對(duì)象‘描述’得更為立體，有助于區(qū)分信息的差異。高光譜技術(shù)已在食品質(zhì)檢、農(nóng)作物生長(zhǎng)監(jiān)控、資源勘探、考古調(diào)查等領(lǐng)域[14-18]得到較廣泛的應(yīng)用。在輸電線路外絕緣檢測(cè)方面，文獻(xiàn)[19]通過(guò)試驗(yàn)驗(yàn)證了高光譜技術(shù)運(yùn)用于復(fù)合絕緣子的老化狀態(tài)識(shí)別的可行性。文獻(xiàn)[16]采用全波段高光譜數(shù)據(jù)光譜實(shí)現(xiàn)了不同污穢程度的單一人工污穢的識(shí)別及污穢等級(jí)劃分。

針對(duì)輸電線路現(xiàn)場(chǎng)絕緣子污穢并不單一，污穢程度多樣化且分布不均勻的特點(diǎn)，本文采用高光譜技術(shù)對(duì)500 kV 交流絕緣子進(jìn)行污穢檢測(cè)與程度識(shí)別和可視化研究，通過(guò)采集現(xiàn)場(chǎng)絕緣子高光譜譜線信息和圖像信息，分別對(duì)譜線進(jìn)行預(yù)處理降噪及特征提取，和基于HSI 算法的圖像特征提取，最后建立極限學(xué)習(xí)機(jī)分類模型，提高對(duì)絕緣子的污穢程度識(shí)別，并實(shí)現(xiàn)污穢分布的圖像可視化。該方法能反映絕緣片上不同區(qū)域的污穢的沉積狀況，實(shí)現(xiàn)對(duì)絕緣子污穢程度的準(zhǔn)確分類。

1 高光譜污穢檢測(cè)原理及平臺(tái)

1.1 高光譜檢測(cè)原理

高光譜成像原理是基于不同物質(zhì)由于內(nèi)在結(jié)構(gòu)表現(xiàn)出的對(duì)不同波段光波能量吸收反射差異，獲取具有物質(zhì)特征的光譜“指紋”。高光譜圖像具有高分辨率，上百個(gè)連續(xù)波段信息，使其能獲取復(fù)雜物質(zhì)具更多特征，有助于分類模型的建立。

污穢含量差異，導(dǎo)致絕緣子傘裙基材覆蓋情況不同，且顆粒密集程度所呈現(xiàn)出的色彩亮度和飽和度不同，污穢堆疊結(jié)構(gòu)對(duì)反射光路的影響。且根據(jù)前期研究發(fā)現(xiàn)，譜線整體反射率數(shù)值及波動(dòng)性與污穢等級(jí)有相關(guān)性。因此，綜合分析污穢反射特征譜圖可實(shí)現(xiàn)絕緣子污穢等級(jí)的劃分。

1.2 污穢檢測(cè)平臺(tái)

根據(jù)高光譜技術(shù)成像及檢測(cè)原理，測(cè)試平臺(tái)包含用于成像的GaiaField-F-V10 光譜儀，用于采集控制的計(jì)算機(jī)，以及補(bǔ)光燈和用于校正的反射率99%對(duì)照白板組成。使用反光布搭建一個(gè)小型拍攝空間，三腳架固定和調(diào)整儀器位置，鏡頭距樣本120 cm，向下為60°角，光源固定在鐵制框架的一側(cè)，等距離分布，如圖 1所示。將現(xiàn)場(chǎng)取下的絕緣子串置于成像區(qū)域中央采集圖譜信息。

圖1 高光譜采集平臺(tái)示意圖

2 檢測(cè)對(duì)象

本文研究的實(shí)驗(yàn)對(duì)象是云南電網(wǎng)500 kV 博尚墨江線、惠歷墨江線、通思甲線的運(yùn)行絕緣子。根據(jù)標(biāo)準(zhǔn) GB/T 26218.1-201 以及 GB/T 22707-2003 對(duì)上述絕緣子進(jìn)行試驗(yàn)，共得到120 組絕緣子的鹽密值。將其分為84 組訓(xùn)練集和36 組測(cè)試集，依據(jù)鹽密檢測(cè)結(jié)果，訓(xùn)練集包括11 組輕度污穢樣本、23 組中度污穢樣本、33 組較重污穢樣本、17 組重度污穢樣本，測(cè)試集包括4種污穢等級(jí)的絕緣子樣本各9 組。

3 絕緣子污穢的高光譜圖譜特征提取

3.1 圖譜信息處理流程

圖譜信息處理流程如圖2 所示，在對(duì)現(xiàn)場(chǎng)絕緣子進(jìn)行鹽密值檢測(cè)后劃分為不同的污穢等級(jí)，并分為84 組訓(xùn)練集和36 組測(cè)試集。采集訓(xùn)練集樣品的高光譜圖像，提取感興趣區(qū)域的高光譜譜線，經(jīng)黑白校正和SG 平滑處理后進(jìn)行特征波段提取，減少冗余信息。同時(shí)，采用HSI 算法提取圖像特征，選取與污穢等級(jí)最為相關(guān)的S（色飽和度）分量，結(jié)合圖譜信息特征建立極限學(xué)習(xí)機(jī)（ELM）分類模型，從而對(duì)測(cè)試集絕緣子樣品進(jìn)行污穢等級(jí)的識(shí)別，進(jìn)而基于污穢等級(jí)分類模型試驗(yàn)絕緣子表面污穢等級(jí)的可視化。

圖2 圖譜信息處理流程圖

3.2 譜線特征提取

3.2.1 譜線采集

使用高光譜成像儀對(duì)84 組污穢樣本進(jìn)行拍攝，實(shí)現(xiàn)高光譜圖像的獲取，并進(jìn)行黑白校正。經(jīng)黑白校正后的人工污穢樣品高光譜圖像中可提取不同污穢成分的光譜反射率值，以波長(zhǎng)作為橫坐標(biāo)，以反射率作為縱坐標(biāo)，形成連續(xù)譜線。使用ENVI5.3.1 分析實(shí)驗(yàn)樣本的高光譜圖像，提取絕緣片污穢分布較為均勻的感興趣區(qū)域的反射率光譜曲線。實(shí)驗(yàn)選取的現(xiàn)場(chǎng)絕緣子樣本反射率曲線如圖3 所示。

圖3 不同污穢等級(jí)樣品原始高光譜曲線圖

其中，從84 組訓(xùn)練集絕緣子污穢樣本中通過(guò)選取感興趣區(qū)域共提取 193 組數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)；同樣地，從每個(gè)污穢等級(jí)樣本提取9 組數(shù)據(jù)作為測(cè)試樣本數(shù)據(jù)，共 36 組。并使用Savitzky-Golay (SG）算法進(jìn)行平滑處理，去除無(wú)關(guān)噪聲（圖4）。

圖4 SG平滑后的樣品高光譜曲線

3.2.2 特征波段提取

本研究采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣[21](competitive adaptive reweighted sampling ，CARS)對(duì)四種污穢成分的高光譜標(biāo)準(zhǔn)譜線進(jìn)行特征波長(zhǎng)選擇，選擇后的波段組合將用作后續(xù)污穢成分特征識(shí)別的基準(zhǔn)譜段。本次研究將采樣次數(shù)設(shè)置為 500 次，具體 CARS 提取特征波長(zhǎng)過(guò)程如圖 6 所示。

圖5(a) 表示選擇建模變量數(shù)量隨采樣次數(shù)的變化趨勢(shì)，采樣前期變量數(shù)量下降較快體現(xiàn)了前期的粗選過(guò)程，后期隨采樣次數(shù)增加變量數(shù)量下降趨勢(shì)趨于平緩體現(xiàn)了后期精選過(guò)程；圖5(b)表示交叉驗(yàn)證均方根誤差（RMSECV）隨采樣次數(shù)的變化趨勢(shì)即基于CARS 選擇的特征波長(zhǎng)建立的極限學(xué)習(xí)機(jī)（ELM）模型的預(yù)測(cè)效果，RMSECV 越小測(cè)量精度越高，在第68次采樣之前，RMSECV 值波動(dòng)較小，隨著采樣次數(shù)增加，關(guān)鍵變量被刪除后RMSECV 值急劇增大，模型測(cè)量精度下降；圖5(c) 表示每個(gè)波長(zhǎng)變量回歸系數(shù)隨采樣次數(shù)的變化趨勢(shì)，* 對(duì)應(yīng)為RMSECV 值最小的位置，ELM 模型選擇最小RMSECV 值確定最終選擇的波長(zhǎng)變量最優(yōu)組合，因此選擇維數(shù)更低即選擇波長(zhǎng)變量數(shù)量更少的特征波長(zhǎng)組合，對(duì)應(yīng)第68 次采樣。本研究在CARS 運(yùn)算后選擇的特征波長(zhǎng)分 別 為405.6 nm、430.8477.1 nm、601 nm、647.4 nm、664.7 nm、679.5 nm、704.5 nm、709.5 nm、719.5 nm、752.3 nm、793.1 nm、805.9 nm、816.2 nm、847.3 nm、868.2 nm、881.3 nm、918.2 nm、939.4 nm、979.5 nm，共選擇20 個(gè)特征波長(zhǎng)，如圖6 所示。

圖5 CARS提取波長(zhǎng)過(guò)程圖

圖6 CARS選取的特征光譜波段圖

3.3 圖像特征提取

3.3.1 HSI算法原理

HSI(Hue,Saturation,Intensity) 空間是由圖像RGB 空間變換的色彩模型，其通過(guò)色相（H）、明亮度（I）以及彩度（S）對(duì)二維圖像進(jìn)行描述，如圖7 所示。由于本文研究對(duì)象為污穢量的多少，HSI 特征因接近視覺(jué)成像，更易捕捉由于自然污穢粉末覆積絕緣表面而引起的色彩特征差異。有利于建模過(guò)程中對(duì)積污程度更細(xì)致地辨別。

圖7 HSI顏色空間

3.3.2 HSI特征提取

絕緣片表面色彩與拍攝背景在顏色上較為接近，如圖8 所示。僅以RGB 空間而HSI 顏色空間邊緣差異明顯，易于去除背景區(qū)域。因此，對(duì)采集后的絕緣子有效區(qū)域光譜圖象進(jìn)行RGB到HSI 的色彩空間變換。

H（色調(diào)）分量圖像中絕緣子與周?chē)鷧^(qū)域幾乎混為一體，無(wú)法區(qū)分；I（亮度）分量反映圖像的亮度，絕緣子及周?chē)鷧^(qū)域的亮度都處于較低區(qū)域，區(qū)分效果較差；S（色飽和度）分量圖像中絕緣子區(qū)域突出，可作為圖像特征進(jìn)行后續(xù)絕緣子區(qū)域分割和污穢等級(jí)劃分。

圖8 不同提取方法下的圖像特征

圖9 H、S、I三通道圖像

將去除無(wú)關(guān)背景后的84 個(gè)現(xiàn)場(chǎng)絕緣子污穢樣本進(jìn)行S 分量值提取，如圖10 所示，不同污穢程度的絕緣子在S 分量值上存在明顯的差異，因此樣品的圖像特征S 分量可用于識(shí)別絕緣子的污穢等級(jí)。

圖10 不同污穢等級(jí)絕緣子表面S分量均值圖

4 基于圖譜特征建立污穢識(shí)別模型及可視化

4.1 污穢識(shí)別模型

選擇高效、參量少的極限學(xué)習(xí)機(jī)[25-26]（ELM）對(duì)圖譜特征聯(lián)合污穢程度進(jìn)行建模。隨機(jī)初始化各網(wǎng)絡(luò)層參數(shù)值，根據(jù)最小化損失函數(shù)進(jìn)行反饋訓(xùn)練，并依據(jù)廣義逆矩陣Moore-Penrose（MP）求解最終結(jié)果[25]。

圖11 為極限學(xué)習(xí)機(jī)的模型結(jié)構(gòu)：

圖11 極限學(xué)習(xí)機(jī)算法網(wǎng)絡(luò)模型圖

結(jié)合訓(xùn)練集樣品絕緣子的特征波段數(shù)據(jù)和圖像特征S 分量，建立基于圖譜信息的絕緣子污穢識(shí)別模型。

采集測(cè)試集高光譜圖像，經(jīng)SG 平滑校正后獲取4 種污穢等級(jí)絕緣子的高光譜曲線和圖像特征S 分量(各計(jì)9 組)，將每組譜線數(shù)據(jù)進(jìn)行特征波段提取后結(jié)合S 分量平均值，代入前述建立的ELM 分類模型，劃分結(jié)果如圖12 所示。其中，1—9 號(hào)樣本數(shù)據(jù)真實(shí)污穢等級(jí)為a；10—18 號(hào)樣本數(shù)據(jù)真實(shí)污穢等級(jí)為b，19—27號(hào)樣本數(shù)據(jù)真實(shí)污穢等級(jí)為c，28—36 號(hào)樣本數(shù)據(jù)真實(shí)污穢等級(jí)為d,劃分結(jié)果表明對(duì)第3、6、11、26、33 樣本數(shù)據(jù)的劃分出現(xiàn)錯(cuò)誤，識(shí)別準(zhǔn)確率達(dá)86.1%。

圖12 現(xiàn)場(chǎng)絕緣子污穢等級(jí)劃分結(jié)果圖

4.2 圖像可視化

通過(guò)采集現(xiàn)場(chǎng)絕緣子的上段、中段、下段的高光譜圖像，去除圖像無(wú)關(guān)背景后提取絕緣子傘裙表面所有像素點(diǎn)的高光譜數(shù)據(jù)。將每個(gè)像素點(diǎn)的圖譜信息作為輸入利用上文所建模型來(lái)進(jìn)行分類，從而得到高光譜圖像每個(gè)像素點(diǎn)的污穢等級(jí)，實(shí)現(xiàn)現(xiàn)場(chǎng)絕緣子表面積污分布可視化。

圖13 現(xiàn)場(chǎng)絕緣子表面污穢可視化圖

圖13 顯示了現(xiàn)場(chǎng)絕緣子串表面不同位置處的污穢等級(jí)分布。圖中頂部從漸變的顏色條所給出的不同顏色代表了不同的污穢等級(jí)。藍(lán)色和綠色表示污穢含量較低，紅色、橙色和黃色則表示含量較高。

如圖所示，絕緣片上表面污穢積聚多于下表面且污穢多向支柱積聚。分析結(jié)果與現(xiàn)場(chǎng)絕緣串表面污穢分布基本吻合，進(jìn)一步驗(yàn)證了基于現(xiàn)場(chǎng)絕緣子的圖譜信息建立的污穢等級(jí)分類模型對(duì)污穢等級(jí)可視化分布的可行性和準(zhǔn)確性。

5 結(jié)束語(yǔ)

1）不同污穢等級(jí)的現(xiàn)場(chǎng)絕緣子，其高光譜譜線的吸收峰、反射峰位置、變化趨勢(shì)基本相同，但幅值差異明顯。依據(jù)此反射特征可使用高光譜實(shí)現(xiàn)模式識(shí)別。

2）通過(guò)HSI 算法分析的絕緣子高光譜圖像，絕緣子圖像特征與污穢等級(jí)有很強(qiáng)的相關(guān)性，污穢等級(jí)越高，基材被覆蓋的面積越大，圖像整體飽和度也就越低。

3）基于圖譜信息建立的深度學(xué)習(xí)機(jī)絕緣子污穢等級(jí)分類模型準(zhǔn)確率可達(dá)86.1%，表明高光譜圖譜信息結(jié)合的方法可為絕緣子污穢等級(jí)的在線檢測(cè)提供技術(shù)參考。

針對(duì)500 kV 現(xiàn)場(chǎng)絕緣子的圖譜信息識(shí)別與可視化，有效地對(duì)現(xiàn)場(chǎng)絕緣子進(jìn)行了污穢等級(jí)識(shí)別，為實(shí)現(xiàn)無(wú)損，非接觸的現(xiàn)場(chǎng)絕緣子污穢檢測(cè)提供了一種新思路。