基于彩色可见光图像的绝缘子污秽等级判别

田治仁，金立军

(1．同济大学电气与电子工程学院，上海201804;2．西安交通大学电力设备电气绝缘国家重点实验室，陕西西安710049)

基于彩色可见光图像的绝缘子污秽等级判别

田治仁1，2，金立军1

(1．同济大学电气与电子工程学院，上海201804;2．西安交通大学电力设备电气绝缘国家重点实验室，陕西西安710049)

提出一种新的基于彩色可见光图像的高压绝缘子污秽等级判别方法。对深圳变电局所属多个变电站进行现场拍摄获取污秽绝缘子可见光图像，并实验获取其对应等值附盐密度，经图像灰度化、图像增强、滤波后，用两次最大类间方差法进行分割，得到盘面积污区域。提取积污区域的RGB、HSV空间共36个特征分量，并运用Fisher判别法进行特征量筛选。用筛选的特征量训练BP神经网络，建立可见光图像污秽等级判别网络。试验结果表明可见光污秽等级判别法具有较高准确率，是一种检验高压绝缘子污秽等级的可行方法。

绝缘子;污秽等级;可见光图像;OTSU法;Fisher判别法;BP神经网络

1 引言

绝缘子在输电线路中占有重要地位。随着我国经济的发展、大气环境的恶化以及空气污染的加剧，使得绝缘设备积污加快。污秽物使得绝缘子的电气强度大大降低，易使输电线路和变电站的绝缘子发生污秽闪络，引起电力系统事故，造成巨大经济损失［1］。实现绝缘子污秽程度的安全、准确检测，为绝缘子清扫及污闪防治提供技术保障，是输配电线路安全运行迫切需要解决的问题。

目前，国内外涌现出大量的输电线路绝缘子污秽检测方法，主要包括电压分布检测法［2］、泄露电流法［3］、脉冲电流法、光谱法、紫外成像法和红外热像法［4］等。各种方法都得到了一定的发展，但各有缺陷，目前为止均未能大范围应用于工程实际。

当绝缘子表面有沙尘、盐碱等污秽时，会覆盖绝缘子原本的颜色特征，表现出沙尘的视觉特性，在视觉及可见光彩色图像中表现的特征即表面积污区域颜色发生改变［5］。本文提出一种基于可见光图像的绝缘子污秽等级判别方法，结合BP神经网络实现绝缘子污秽等级判别。该方法对图像进行滤波、增强后，分割得到绝缘子盘面积污区域，用Fisher判别法对积污区域颜色特征分量进行筛选，得到最能区分绝缘子污秽等级的分量作为BP神经网络的输入，污秽等级作为神经网络输出。该方法具有成本低、不必拆解、不必停电、不必安装复杂装置、不易受电磁干扰、远距离非接触测量等优点。

2 实验设计及研究方案

2.1 实验设计

为研究绝缘子表面污秽颜色特征，本文通过现场拍摄的方法获取可见光图像样本。拍摄工具选用SONY a550数码相机，拍摄地点为深圳供电局所属的新安站、湾厦站、大芬站等11座110kV变电站。照度计采用AR 813A，本文拍摄环境照度范围为110～30000lux。颜色和材料对其有很大的影响，本文主要研究对象为棕色陶瓷支柱绝缘子。在每次可见光图像拍摄完毕之后，对绝缘子进行盐密灰密采样，操作按照 GB/T 4585-2004要求进行，并根据GB/T 5582-1993记录每个绝缘子的污秽等级。

由于光照的关系，支柱绝缘子下盘面通常存在阴影，宜用上盘面进行污秽等级判别。若拍摄角度的水平夹角过大，会造成上方盘面对下方盘面的遮挡;若水平夹角过小，会导致获取的各盘面积污区域面积不足。本文采用与上盘面水平夹角呈15°～45°进行拍摄。应顺光拍摄，以减少盘面上的阴影面积。若拍摄距离过大，受背景干扰大，绝缘子不易提取，且测光不准，引起偏色;拍摄距离过小，不能反映绝缘子整体污秽程度。本文通过试验，选用0.5～4m作为拍摄距离，既能反映整体污秽程度，又不影响图像处理。根据上述方法，采集到5个污秽等级下的绝缘子可见光图像共300张，每个污秽等级60张。图1为各污秽等级绝缘子可见光图像举例。

图1 样本图片Fig．1 Samples images

2.2 研究方案

本文首先对绝缘子可见光图像进行预处理得到盘面积污区域，提取积污区域颜色特征并选择合适的特征分量，利用BP神经网络进行判别，输出污秽等级判别结果。研究方案如图2所示。

图2 污秽等级识别流程Fig．2 Diagram of detection system

3 图像预处理与特征提取

3.1 图像预处理

对绝缘子可见光图像的处理步骤如下。

(1)灰度化

可见光图像即彩色图像拥有多种色彩模式，且每种色彩模式下均有不止一个颜色分量，为便于图像处理，首先对可见光图像按式(1)进行灰度化:

(2)图像去噪

数码相机图像的噪声主要是指CCD(CMOS)将光线作为接收信号接收并输出的过程中所产生的图像中的粗糙部分，也指图像中不该出现的外来像素，通常由电子干扰产生。噪声对图像处理效果及污秽等级判别的准确率均有影响，因而需对灰度化后的可见光图进行去噪。本文先采用改进的中值滤波法［6］滤除脉冲噪声，再用平稳小波变换［7］去噪，滤除图像的高频分量。得到的滤波后图像如图3(a)所示。

图3 可见光图像预处理Fig．3 Preprocessing results

(3)灰度线性变换

为了增强绝缘子与背景图像的差异，以便于提取目标区域，对灰度图进行灰度变换。在线性变换、对数变换、指数变换等方法中，线性变换能同时增加积污区域与背景及盘间阴影的灰度差异，因此本文采用灰度线性变换。令原图像f(i，j)的灰度范围为［a，b］，线性变换后图像g(i，j)的灰度范围为［a'，b'］，则:

灰度线性变换结果如图3(b)所示。

(4)盘面积污区域分割提取

可见光判别法直接关心绝缘子盘面的污秽区域，而非整个盘面，因此希望在去除背景的同时也能去除绝缘子上的阴影、边缘反光部分和未积污部分。本文采用最大类间方差法［8］(OTSU算法)对灰度图进行分割，该方法方程为:

式中，T为目标区域A与背景区域B的分割阈值，取值范围0～255;μA为区域A平均灰度;WA为区域A像素点数占图像的比例;μB为区域B平均灰度; WB为区域B像素点数占图像的比例;μ为图像的总平均灰度;σ2(T)为区域A和B的方差。当T的取值使得σ2(T)最大时，区域A与区域B差别最大，用该灰度值作为阈值对灰度图进行分割，获取目标区域A。

一次分割去除灰度较大的绝缘子边缘反光区域以及背景中浅色的部分，如图3(c)所示;对保留的图像再进行一次OTSU分割，去除灰度较深的盘间阴影部分及边缘清洁部分，最终获取盘面积污区域及背景中与积污区域颜色特征相似的背景，如图3 (d)所示。

3.2 特征分量提取和选择

图像中存在颜色、形状和边缘等多种特征，提取并选择合适的特征分量有利于体现图像积污程度的不同特点，便于识别。本文对预处理后的可见光图像考察RGB色彩空间的红(Red)、绿(Green)、蓝(Blue)以及HSV色彩空间的色调(Hue)、饱和度(Saturation)、亮度(Value)共6个特征，提取每个特征的均值 Xave、最大值Xmax、最小值 Xmin、极差 Xrange(Xrange=Xmax－Xmin)、中值Xmid、方差Xvar等6维特征分量，共36维特征分量，其中X代表H、S、V、R、G、B。

进而需从上述特征分量中找到不同污秽等级间具有最明显差异的量来作为污秽等级判别依据。Fisher判别法是常用的特征选择方法，其主要思想是分类性能较强的特征表现为类内距离尽可能小，类间距离尽可能大。污秽等级为k的样本第i维特征的类内方差、类间方差Sb(i)的计算公式为:

式中，i(i=1，2，．．．，36)为特征向量维数;k为污秽等级;为污秽等级k的单个样本的第i维特征;为污秽等级k的样本第i维特征值的均值;wk>为污秽等级为k的样本总体;mi为所有污秽等级样本的第i维特征值的均值;nik为污秽等级k的样本的第i维特征值个数;ni为所有样本的第i维特征的总个数。类间方差Sb(i)与类内方差之比为J值，即:

第i维特征的J值越大，表明该维特征分类效果越好。J=9表示使用该特征分类的错分率为0.25%，J=1表示错分率为30%。对噪声特征而言，J趋近于0［9］。对300张、共5类绝缘子可见光图像求取其36维特征分量的J值。若以J≥3为特征分量选择标准，则S分量最大值Smax和S分量方差Svar满足条件。二维污秽特征分布如图4所示。图中可见，S分量最大值Smax和S分量方差Svar可以较有效地区分5类不同的污秽等级，其中0、I和II级分类较好，III和IV级有部分重叠但总体可分。随着污秽等级增加，Smax与Svar均减小，且分布趋于集中。本文选择Smax和Svar作为污秽等级判别特征。

图4 二维污秽特征分布Fig．4 Two-dimensional map of contamination features

4 污秽等级判别BP神经网络的建立

4.1 BP神经网络模型及L-M训练算法

人工神经网络是一种能够模仿生物大脑神经元活动机理的具有良好结构的数学模型［10］，其中比较常见的BP神经网络是一种多层的前向型神经网络。在BP网络中信号是前向传播的，而误差是反向传播的［11］。其学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP学习算法在理论上具有逼近任意非线性连续映射的能力，在非线性系统的建模及控制领域里有着广泛的应用。

然而BP算法存在一些不足，主要是收敛速度很慢，往往收敛于局部极小点;数值稳定性差，学习率、动量项系数和初始权值等参数难以调整。L-M算法［12］是介于牛顿法与梯度下降法之间的一种非线性优化方法，对于过参数化问题不敏感，能有效地处理冗余参数问题，使误差函数陷入局部极小点的机会大大减小。本文采用L-M算法对网络进行训练。

4.2 污秽等级识别BP神经网络模型

对一个三层的BP神经网络，若隐层神经元数充分大，就可以对定义在非无界区域上的任何连续函数做逼近［13］。本文采用三层网络结构，神经网络激活函数采用Sigmoid函数fx=1/(1+e－x)，为了加快训练速度，平衡输入量，防止输出饱和，需对样本数据首先归一化。归一化后，用Smax和Svar作为输入，即该网络为二维输入;输出为盐密并换算至对应的污秽等级，训练得到可见光污秽等级判别神经网络。隐层神经元个数太少则非线性映射能力不足，过多则浪费训练时间且易导致过拟合，需采用试验获取最佳值。本文所采用的神经网络结构如图5所示。

图5 污秽判别神经网络结构Fig．5 Structure of BP neural network

5 实验结果及分析

选取250组可见光图像数据，每个污秽等级50组，对 BP神经网络进行训练，网络误差设为0.01%，训练次数1000。经试验，隐层元数为12时网络满足精度要求的同时收敛较快且映射能力较强。在此基础上训练神经网络，经792次迭代网络误差达到0.0097%。该网络对250个训练样本的判别准确率100%，对50个测试样本的判别准确率为88%。表1为部分测试样本数据及判别结果，其中1～15为训练样本，16～20为测试样本，Smax为绝缘子盘面积污区域S分量最大值，Svar为S分量方差，判别污秽等级为网络输出的盐密值对应的污秽等级，实际污秽等级为按照GB/T 4585-2004所测得的污秽等级。

表1 部分训练样本、测试样本数据及其结果Tab．1 Part of training and test data and results

从表1数据可见，不同污秽等级间的盘面污秽S分量最大值Smax及S分量方差Svar存在明显的差异，说明绝缘子表面污秽的颜色特征能够表征绝缘子污秽等级。随着污秽等级的增加，Smax和Svar均呈下降趋势。

笔者认为影响测试准确率的主要原因如下:

(1)可见光法要求污秽绝缘子样本的污秽成分尽可能相近，而同处于深圳的各变电站由于所处自然环境并非完全相同，污秽成分也存在差异，最终体现在同一盐密下污秽颜色的差异。

(2)本文实验照明为自然光，照度 110～30000lux不等，若要进一步提高实验精确性应将照度纳入考虑。

6 结论

(1)本文针对污秽绝缘子可见光图像的特点，提出一种两次OTSU图像分割法，能够从复杂背景中提取出绝缘子盘面积污区域。

(2)通过对大量图像样本的分析，发现绝缘子污秽等级越大，其表面污秽颜色的S分量最大值Smax及S分量方差Svar越小，并将此作为污秽等级判别依据。

(3)建立了以S分量最大值和S分量方差为输入、污秽等级为输出的绝缘子污秽等级判别系统，测试准确率达88%，表明该方法可对绝缘子污秽状态进行有效识别，具有良好的应用前景和借鉴作用。

［1］黄新波，陈荣贵，王孝敬，等 (Huang Xinbo，Chen Ronggui，Wang Xiaojing，et al．)．输电线路在线监测与故障诊断 (Transmission line on-line monitoring and fault diagnosis)［M］．北京:中国电力出版社 (Beijing:China Electric Power Press)，2008.60-65．

［2］Vainancourt G H，Bellerive J P，St-Jean M，et al．New live 1ine tester for porcelain suspension insulators on highvoltage power lines［J］．IEEE Transactions on Power Delivery，1994，9(1):208-219．

［3］关志成，毛颖科，王黎明 (Guan Zhicheng，Mao Yingke，Wang Liming)．污秽绝缘子泄漏电流特性研究(Review on leakage current characteristics of contamination insulators)［J］．高电压技术(High Voltage Engineering)，2008，34(1):1-6．

［4］何洪英，姚建刚，蒋正龙，等(He Hongying，Yao Jiangang，Jiang Zhenglong，et al．)．基于支持向量机的高压绝缘子污秽等级红外热像检测 (Infrared thermal image detecting of high voltage insulator contamination grades based on SVM)［J］．电力系统自动化(Automation of Electric Power Systems)，2005，29(24):70-74．

［5］夏晶，胡娟(Xia Jing，Hu Juan)．基于彩色可见光图像的外绝缘污秽等级检测 (Detection of pollution level of insulators based on image processing)［J］．大众科技(Popular Science＆Technology)，2014，16(2):19-21．

［6］李文杰，姚建刚，毛李帆，等(Li Wenjie，Yao Jiangang，Mao Lifan，et al．)．基于中值滤波法及小波自适应扩散法的绝缘子红外热像去噪 (Insulator infrared image denoising based on median filtering and wavelet adaptive diffusion)［J］．电网技术 (Power System Technology)，2010，34(8):160-164．

［7］高清维，李斌，解光军，等(Gao Qingwei，Li Bin，Xie Guangjun，et al．)．基于平稳小波变换的图像去噪方法 (An image de-noising method based on stationary wavelet transform)［J］．计算机研究与发展 (Journal of Computer Research and Development)，2002，39(12): 1689-1694．

［8］齐丽娜，张博，王战凯 (Qi Lina，Zhang Bo，Wang Zhankai)．最大类间方差法在图像处理中的应用(Application of the OTSU method in image processing)［J］．无线电工程 (Radio Engineering)，2006，36 (7):25-27．

［9］李佐胜，姚建刚，杨迎建，等(Li Zuosheng，Yao Jiangang，Yang Yingjian，et al．)．绝缘子污秽等级红外热像检测的视角影响分析 (Analysis of visual angle influence on infrared thermal image detecting of insulator contamination grades)［J］．高电压技术 (High Voltage Engineering)，2008，34(11):2327-2331．

［10］Zhang Y，Wang J，Xia Y．A dual neural network for redundancy resolution of kinematically redundant manipulators subject to joint limits and joint velocity limits［J］．IEEE Transactions on Neural Networks，2003，14(3): 658-667．

［11］罗新，牛海清，林浩然，等(Luo Xin，Niu Haiqing，Lin Haoran，et al．)．BP和RBF神经网络在气隙击穿电压预测中的应用和对比研究 (Application and contrast analysis of BP and RBF neural network in prediction of breakdown voltage of air gap)［J］．电工电能新技术(Advanced Technology of Electrical Engineering and Energy)，2013，32(3):110-114．

［12］吴福朝 (Wu Fuzhao)．计算机视觉中的数学方法(Mathematical methods in computer vision)［M］．北京:高等教育出版社 (Beijing:Higher Education Press)，2008．

［13］Ito Y．Representation of functions by superposition of a step or sigmoidal function and their application to neural network theory［J］．Neural Networks，1991，(4):385-394

(，cont．on p.80)(，cont．from p.74)

Detection of insulator contamination grades based on digital image processing

TIAN Zhi-ren1，2，JIN Li-jun1
(1．College of Electric and Information Engineering，Tongji University，Shanghai 201804，China; 2．State Key Laboratory of Electrical Insulation and Power Equipment，Xi’an Jiaotong University，Xi’an 710049，China)

A new method is presented，using digital images of high voltage insulators to detect the contamination grades．Firstly，we obtain the sample digital images from the transformer substations in Shenzhen City by taking photos of insulators with different contamination grades and their ESDD(equivalent salt deposit density)respectively．Secondly，after graying，enhancing and denoising，we obtain the polluted area of an insulator with two times of OTSU image threshold segmentation method．Thirdly，we visit 36 characteristics from RGB and HSV space，and with the help of Fisher criterion，we extract the features that can reflect the characteristics of insulator contamination grades．Finally，we train a BP neural network with the extracted features，whose accuracy rate is 88%in detecting the contamination grades of sample images．The experimental results show that this method is feasible for detecting the contamination grades of high voltage insulators，which may provide some engineering significance for insulator cleaning and flashover prevention．

insulators;contamination grades;digital image;OTSU;Fisher criterion;BP neural network

TP391.4

A

1003-3076(2015)09-0070-05

2014-09-17

国家自然科学基金(51177109)、电力设备电气绝缘国家重点实验室(EIPE14211)资助项目

田治仁(1991-)，男(土家族)，贵州籍，硕士研究生，研究方向为检测技术与自动化装置;金立军(1965-)，男，浙江籍，教授，博导，博士，研究方向为检测技术与自动化装置。