基于圖像處理的復(fù)合絕緣子憎水性智能識別方法

楊秋玉，鄭小剛，李建興，林立偉，韓 云

（1. 福建工程學(xué)院 電子電氣與物理學(xué)院，福建 福州 350118；2. 福建華青電氣有限公司，福建 福州 350109）

0 引言

硅橡膠復(fù)合絕緣子由于具有優(yōu)良的耐污閃能力、強度高、質(zhì)量輕等特性，在電力系統(tǒng)中得到了廣泛的應(yīng)用[1]。然而，由于硅橡膠復(fù)合絕緣子工作在戶外，極易在嚴(yán)酷的環(huán)境下發(fā)生老化和損壞[2-7]，導(dǎo)致絕緣性能下降、閃絡(luò)電壓降低，從而引發(fā)電網(wǎng)故障，造成嚴(yán)重的經(jīng)濟損失。

復(fù)合絕緣子表面的憎水性是衡量其老化程度的重要指標(biāo)之一，為了防止污閃現(xiàn)象的發(fā)生，需要定期對復(fù)合絕緣子進行人工檢查，檢測其憎水性能是否達標(biāo)。由于應(yīng)用在電網(wǎng)中復(fù)合絕緣子數(shù)量龐大，通過人工對其憎水性進行檢測工作量巨大，導(dǎo)致復(fù)合絕緣子的運行維護成為目前的一大挑戰(zhàn)。

檢測復(fù)合絕緣子憎水性的方法主要包括接觸角法、表面張力法和噴水法3 種[8]。接觸角法[9]是通過測量復(fù)合絕緣子表面與水滴邊緣之間的夾角來表征其憎水性，包括靜態(tài)接觸角法和動態(tài)接觸角法，其中靜態(tài)接觸角法需要采用接觸角測量儀器等設(shè)備[10]，因此該方法一般在實驗室進行。表面張力法[11]是通過在復(fù)合絕緣子表面噴灑不同表面張力的液體來反映復(fù)合絕緣子的憎水性能，由于噴灑的部分液體對人體有害，因此工程實際中很少采用該方法。噴水法[12]又稱噴水分級法，該方法操作簡單，是目前普遍使用的方法。噴水法是通過向復(fù)合絕緣子表面噴灑一定量的水霧，并在規(guī)定時間內(nèi)觀察復(fù)合絕緣子表面水珠的分布情況來判斷憎水性等級。根據(jù)水珠在復(fù)合絕緣子表面的形態(tài)、尺寸、面積等特征，將復(fù)合絕緣子分為7個憎水性等級（hydrophobicity class，HC）HC1～HC7，HC1 憎水性最強，HC7代表完全喪失憎水性。檢測人員通過與標(biāo)準(zhǔn)HC 圖像進行對比，進而判斷復(fù)合絕緣子的HC 等級，結(jié)果受檢測人員專業(yè)技術(shù)水平的影響較大。

為了克服人工判斷復(fù)合絕緣子憎水性等級存在的主觀影響、效率低等不足，實現(xiàn)憎水性的智能識別，研究者們將圖像處理技術(shù)應(yīng)用于憎水性圖像的分類。文獻[13]將遷移學(xué)習(xí)的思想運用到復(fù)合絕緣子憎水性等級的判別中，利用VGG-19 網(wǎng)絡(luò)融合深度特征與局部特征，構(gòu)建基于遷移學(xué)習(xí)和特征融合的復(fù)合絕緣子憎水性等級判別模型。文獻[14]利用卷積神經(jīng)網(wǎng)絡(luò)自動提取復(fù)合絕緣子憎水性圖像特征，并實現(xiàn)憎水性等級的智能識別。文獻[15]提出了一種基于一致性測度區(qū)間分類的復(fù)合絕緣子憎水性圖像處理與識別的方法，通過提取憎水性圖像中的水珠/水跡特征，利用支持向量機對所提取的特征進行分類，從而實現(xiàn)復(fù)合絕緣子憎水性的智能識別。文獻[16]提出多重分形法對憎水性圖像的分形特征進行量度，構(gòu)建標(biāo)準(zhǔn)廣義維數(shù)譜（Dq-q）曲線用于判斷復(fù)合絕緣子憎水性圖像，實現(xiàn)對未知憎水性圖像的識別。文獻[17]發(fā)現(xiàn)分形維數(shù)可表征憎水性圖像表面水珠/水跡分布的復(fù)雜程度，提出利用憎水性圖像盒維數(shù)、最大水珠盒維數(shù)以及最大水珠盒維數(shù)比作為定量分析復(fù)合絕緣子憎水性等級的特征參量。

本研究提出一種基于Otsu 閾值分割的復(fù)合絕緣子憎水性智能識別方法，通過對復(fù)合絕緣子憎水性圖像進行直方圖均衡化、濾波以及Otsu 閾值分割，進而提取圖像的水珠/水跡特征，構(gòu)建各憎水性等級特征向量，最后利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)憎水性等級的智能識別。

1 復(fù)合絕緣子噴水圖像增強處理

在對復(fù)合絕緣子的噴水圖像進行拍照后，可以獲得整個復(fù)合絕緣子的俯視圖，俯視圖涵蓋了復(fù)合絕緣子的芯棒和傘裙區(qū)域，以及復(fù)合絕緣子以外的區(qū)域?？梢杂脕砼袛鄰?fù)合絕緣子憎水性等級的是絕緣子傘裙上的水跡特征，因此，為了方便后續(xù)處理，需要截取傘裙區(qū)域。本研究根據(jù)所拍攝圖像的大小，截取像素為700×700的傘裙區(qū)域進行分析，如圖1所示。

圖1 復(fù)合絕緣子憎水性圖像Fig.1 Composite insulator hydrophobic images

由于RGB圖像有三個分量，直接進行處理的計算量較大，而灰度圖像只有一個分量，計算方便且計算量較??；另外RGB圖像的彩色部分內(nèi)容對憎水性等級的識別沒有幫助，因此，本研究將剪裁后的圖像進行灰度化處理，如圖2(a)所示。

圖2 憎水性圖像灰度化及其灰度級分布Fig.2 Hydrophobic image graying and its gray level distribution

從圖2(a)可以看出，灰度化后的圖像效果并不理想，對比度不高，水珠/水跡比較模糊。這是由于其灰度級分布不均衡，集中在某一范圍內(nèi)，如圖2(b)所示。

為了提高水珠/水跡的清晰度，對灰度圖像進行直方圖均衡化處理，結(jié)果如圖3(a)所示。從圖3(a)可以看出，經(jīng)過直方圖均衡化后的水珠/水跡變得更加突出，其灰度級分布比較均衡（如圖3(b)所示），有利于后續(xù)準(zhǔn)確提取水珠/水跡特征。

圖3 直方圖均衡化及其灰度級分布Fig.3 Histogram equalization and its gray level distribution

為了進一步增強水珠/水跡邊緣信息，去除水珠/水跡內(nèi)部及圖像其他區(qū)域的噪聲，經(jīng)綜合對比分析，采用雙邊濾波對直方圖均衡化后的圖像進行進一步處理，如圖4 所示。雙邊濾波是一種非線性濾波方法，是結(jié)合圖像的空間鄰近度與像素值相似度的一種折中處理方法，同時考慮空域信息和灰度相似性，在濾除噪聲、平滑圖像的同時，又能夠很好地保存圖像的邊緣信息，即雙邊濾波具有保邊去噪的作用。從圖4 可以看出，雙邊濾波后的憎水性圖像中水珠/水跡邊緣更加清晰，且圖像整體的清晰度也有較明顯的改善。

圖4 雙邊濾波前后圖像對比Fig.4 Contrast of images before and after bilateral filtering

2 Otsu閾值分割與邊緣檢測

2.1 Otsu閾值分割

為了提取水珠/水跡定量特征，需將圖像二值化轉(zhuǎn)換為二值圖像，再將水珠/水跡分割出來以提取量化特征。選取合理的分割閾值是準(zhǔn)確分割出水珠/水跡的前提，如果閾值選取的不合理，那么就無法得到正確的水珠/水跡特征。

Otsu 法是一種確定圖像二值化分割閾值的算法，該方法又稱為最大類間方差法，是圖像分割中閾值選取的最佳算法，其計算簡單、不受圖像亮度和對比度的影響。假設(shè)復(fù)合絕緣子憎水性圖像尺寸為M×N，圖像灰度級范圍為[0，L-1]，灰度級為i的像素點個數(shù)為ni，灰度級為i的概率為pi=ni/(M×N)。單閾值分割將圖像分割為兩類：灰度級為[0，T]的像素點C1類和灰度級為[T+1，L-1]的像素點C2類。設(shè)P1(T)、P2(T)分別表示C1類和C2類的概率，u1(T)、u2(T)分別表示C1類和C2類的平均灰度級，則P1(T)、P2(T)、u1(T)、u2(T)可表示為式（1）～（4）。

圖像的平均灰度級（u）可表示為式（5）。

圖像的類內(nèi)方差δ2w(T)如式（7）所示。

類間方差最大時對應(yīng)的閾值為最優(yōu)分割閾值T'，如式（8）所示。

當(dāng)類內(nèi)方差最小時對應(yīng)的閾值為最優(yōu)分割閾值T'時，如式（9）所示。

2.2 水珠/水跡邊緣檢測

以圖5(a)所示的圖像為例，基于2.1所述計算方法，對其進行Otsu閾值分割，結(jié)果如圖5(b)所示。從圖5(b)可以看出，經(jīng)Otsu 閾值分割后水珠/水跡邊緣較粗糙，含有許多小顆粒噪點，影響后續(xù)水珠/水跡特征量的準(zhǔn)確計算，因此需要進行處理。

圖5 Otsu閾值分割結(jié)果Fig.5 Otsu threshold segmentation result

利用開運算結(jié)合像素填充的方法解決上述問題。首先利用開運算對水珠/水跡邊界進行平滑處理，再對圖像中像素點小于200 的區(qū)域進行填充處理，結(jié)果如圖6(a)所示。從圖6(a)可以看到，經(jīng)過處理后水珠/水跡的邊緣較清晰。圖6(b)為偽彩色處理后的圖像，可以看出，各個水珠/水跡被成功地檢測出來。

圖6 圖像開運算及偽彩色處理Fig.6 Image open operation and false color processing

3 水珠/水跡特征值提取

對分割處理后的憎水性圖像進行水珠/水跡特征值提取，提取水珠/水跡數(shù)量fe1、水珠/水跡覆蓋率fe2、最大水珠/水跡面積比fe3、水珠/水跡平均尺寸fe4、水珠/水跡形狀因子fe5這5 個特征量，它們與復(fù)合絕緣子的憎水性等級密切相關(guān)。各特征量具體定義如下：

（1）水珠/水跡數(shù)量fe1

式（10）中，M為水珠/水跡的總個數(shù)。

（2）水珠/水跡覆蓋率fe2

式（11）中：Sn為第n個水珠/水跡的面積；S為圖像的總面積。

（3）最大水珠/水跡面積比fe3

式（12）中，Sm為最大水珠/水跡面積。

（4）水珠/水跡平均尺寸fe4

（5）水珠/水跡形狀因子fe5

式（14）中，Lm為最大水珠/水跡周長。

表1中給出了各個憎水性等級的典型噴水圖像原圖、標(biāo)記的連通區(qū)域以及相應(yīng)的5 個特征值。從表1 可以看出，不同憎水性等級噴水圖像的5 個特征量存在較大的差異。

表1 典型HC1～HC7噴水圖像、連通區(qū)域及5個特征值對比Tab.1 Contrast of typical HC1-HC7 hydropho bic images,connected regions,and five feature values

4 復(fù)合絕緣子憎水性智能識別

支持向量機（support vector machine，SVM）[18]是基于統(tǒng)計學(xué)習(xí)理論中的VC 維理論以及結(jié)構(gòu)風(fēng)險最小原理，根據(jù)有限樣本在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳平衡，以獲得最優(yōu)泛化能力的一種分類算法。鑒于SVM在解決小樣本、非線性以及高維模式識別等方面具有的獨特優(yōu)勢，本研究選用SVM構(gòu)建復(fù)合絕緣子憎水性智能識別模型。

SVM 可以在高維特征空間中建立一個最優(yōu)分類超平面來正確劃分訓(xùn)練樣本(xi,yi)；i=1,2,…,l，其中xi為第i個輸入樣本，yi為與xi對應(yīng)的輸出樣本，l為訓(xùn)練樣本數(shù)量。該分類超平面可表示為式（15）。

式（15）中：w為權(quán)值系數(shù)；b為閾值；?(xi)為高維特征空間。

求解最優(yōu)分類超平面問題可以轉(zhuǎn)化為求解以下約束條件最優(yōu)化問題，如式（16）所示。

式（16）中：C為懲罰因子；ξi為松弛變量。

經(jīng)過一系列的求解，可以得到訓(xùn)練樣本的最優(yōu)分類決策函數(shù)，如式（17）所示。

SVM 的具體應(yīng)用可參考文獻[19-23]，本研究在

此不再贅述。

通過噴水分級法獲取不同憎水性等級的圖像，每個憎水性等級選取70 張圖像。將7 個等級共490張圖像依次進行增強、分割與邊緣檢測處理，最后進行特征提取，把特征值fe1～fe5放入Feature 的數(shù)組中。建立標(biāo)簽數(shù)組Label與特征數(shù)組Feature之間的對應(yīng)關(guān)系，用于構(gòu)建SVM模型。隨機抽取不同憎水性等級的70%圖像用于訓(xùn)練SVM 模型，將剩余30%圖像用于測試模型的有效性。采用網(wǎng)格搜索法對SVM 模型中的懲罰因子C和核函數(shù)中的gamma函數(shù)g參數(shù)進行尋優(yōu)，其他參數(shù)為默認設(shè)置。

測試結(jié)果表明，利用上述fe1～fe5等5 維特征，得到的模型識別準(zhǔn)確率非常低，僅為20%左右。經(jīng)過多次試驗發(fā)現(xiàn)，這是由于水珠/水跡總數(shù)及尺寸受拍攝距離的影響，拍攝距離不同，獲取的憎水性圖像中水珠/水跡總數(shù)及尺寸亦不同。如果采用水珠/水跡覆蓋率、最大水珠/水跡面積比、水珠/水跡形狀因子3維特征，而不采用水珠/水跡數(shù)量及水珠/水跡平均尺寸，得到的識別準(zhǔn)確率是最高的，說明水珠/水跡數(shù)量及平均尺寸不適合作為區(qū)分復(fù)合絕緣子憎水性等級的特征參量，應(yīng)舍去。

為了說明測試結(jié)果的普遍性，一共進行了5 次測試，各次測試的樣本均為隨機抽取。表2 給出了各次測試結(jié)果，包括各個憎水性等級的識別準(zhǔn)確率以及總識別準(zhǔn)確率。從表2 可以看出，每次識別的平均準(zhǔn)確率均保持在80%以上（平均準(zhǔn)確率根據(jù)各憎水性等級HC1～HC7 識別準(zhǔn)確率的平均值計算得到），其中識別HC1、HC2 和HC7 的準(zhǔn)確率基本為100%，綜合各次試驗結(jié)果，得到的平均識別情況如圖7所示。

圖7 復(fù)合絕緣子憎水性等級識別情況Fig.7 Recognition situation of composite insulator hydrophobicity grade

表2 復(fù)合絕緣子憎水性等級識別結(jié)果Tab.2 Identification results of composite insulator hydrophobicity grade

常規(guī)復(fù)合絕緣子檢測方法如接觸角法、表面張力法由于需要特殊的設(shè)備或試液，一般適用于實驗室條件下的憎水性檢測；而目前的噴水分級法需檢測人員對比標(biāo)準(zhǔn)的憎水性圖形，存在費時費力和主觀因素影響等方面的不足。本研究提出的憎水性智能識別方法克服了常規(guī)復(fù)合絕緣子憎水性檢測方法的不足，無需特殊設(shè)備和試液，能夠?qū)崿F(xiàn)對噴水圖像的智能識別，檢測效率較高且不受主觀性的影響。

5 結(jié)論

（1）通過對復(fù)合絕緣子憎水性圖像的增強、分割等處理，提取表征憎水性等級的水珠/水跡特征，并利用SVM對提取的特征進行分類，實現(xiàn)了復(fù)合絕緣子憎水性等級的智能識別，平均識別準(zhǔn)確率在80%以上。

（2）采用水珠/水跡數(shù)量、水珠/水跡覆蓋率、最大水珠/水跡面積比、水珠/水跡平均尺寸和水珠/水跡形狀因子評價復(fù)合絕緣子憎水性等級時，識別準(zhǔn)確率僅為20%左右。而僅采用水珠/水跡覆蓋率、最大水珠/水跡面積比、水珠/水跡形狀因子作為識別憎水性等級特征參量時，識別準(zhǔn)確率較高。