基于红外图像分割与SSA-SVM的 复合绝缘子缺陷检测方法

董懿飞 舒胜文 陈 诚 金 铭 王 建

（1.福州大学电气工程与自动化学院，福州 350108； 2.国网新疆电力有限公司电力科学研究院，乌鲁木齐 830013）

0 引言

随着国家能源互联和“一带一路”战略的稳步推进，特高压输电工程承担着至关重要的角色。复合绝缘子具有质量轻、机械强度高、抗污闪的优越性能，被广泛应用于特高压输电系统。在实际运行中，复合绝缘子会因电气、机械和外界环境共同作用出现内部缺陷，严重时导致断串、掉线、击穿等重大事故[1]。因此，定期开展复合绝缘子检测评估工作，及时发现并消除缺陷，对于保障输电系统的安全运行具有重大的意义。

红外热像检测法因其操作便捷高效、检测准确率高、无需停电等优点，在绝缘子缺陷检测中广泛应用[2-3]。国内外利用红外图像技术开展了很多复合绝缘子缺陷检测研究，但主要集中在交流方面：文献[4]利用无人机航巡的机载红外设备对复合绝缘子内部缺陷进行在线检测；文献[5]拍摄了大量交流10kV不同污秽等级复合绝缘子的红外图片，通过提取温度特征量来实现污秽等级的识别；文献[6]利用红外图像技术研究了不同均压环配置方式和积污程度对交流500kV复合绝缘子异常发热的影响。然而，红外图像技术应用于直流复合绝缘子的缺陷检测较少，原因是复合绝缘子在直流电压作用下不存在极化损耗，发热量明显低于交流复合绝缘子，因此红外图像技术可检测出直流复合绝缘子的缺陷类型明显低于交流复合绝缘子。

随着深度学习方法的不断推广，其在绝缘子图像识别和缺陷检测中得到了广泛应用。文献[7]采用改进种子区域生长法分割得到绝缘子盘面区域，并设计支持向量机多值分类器进行污秽等级的划分。文献[8]利用一种改进的色差方法和最大类间方差自适应阈值算法，实现了复合绝缘子目标的准确识别。文献[9]利用Hough变换和形态学实现绝缘子红外图像区域的分割，建立BP神经网络模型实现故障的定位与识别。上述研究为利用红外图像技术对交直流复合绝缘子进行内部缺陷检测提供了可能性。

本文提出一种基于红外图像分割和麻雀搜索算法（sparrow search algorithm, SSA）-支持向量机（support vector machine, SVM）的交直流复合绝缘子内部缺陷检测方法。首先，制作直流±1 100kV复合绝缘子短样，并人工设置四种不同类型的模拟缺陷，分别施加等价的交、直流电压，采用红外热像仪得到正常和各种缺陷类型下复合绝缘子的红外图像样本；然后，对图像进行阈值分割，提取绝缘子区域，计算并选择有效的温度特征量；最后，以选择后的温度特征量作为SSA-SVM模型的输入量，以缺陷类型作为输出量，建立交直流复合绝缘子缺陷类型的诊断模型，并进行模型有效性验证。

1 缺陷模拟实验

1.1 内部模拟缺陷设置

根据复合绝缘子内部界面击穿的机理，可对界面内部的碳化通道和电树枝这两种不同程度的缺陷进行研究。但实际运行中，很难寻找到存在局部放电且暂未开裂的复合绝缘子，所以许多研究人员通过建立模拟故障的复合绝缘子模型来开展检测方法的研究。现场发现断裂复合绝缘子断裂口大多位于距高压端第一、二片伞裙处，选择在此位置进行故障模拟。本文选取FXBZ—±1100/300复合绝缘子的1/10短样，采用埋入铜丝和碳纤维棒来分别模拟电树枝和碳化通道，且根据缺陷是否与高压端相连，将缺陷分为导通型缺陷与悬浮型缺陷[10]。具体的缺陷模拟方法见表1，得到的实际模拟缺陷如图1所示。

表1 缺陷模拟方法

图1 实际模拟缺陷

1.2 实验平台和方法

实验接线原理和现场实际布置分别如图2和图3所示。实验时分别施加-110kV的直流电压和77.8kV的等效单相交流电压。红外热像仪选用德图公司生产的Testo890，空间分辨率0.68mrad，热灵敏度＜0.04℃；拍摄前需设置硅橡胶材料所对应的发射率0.95，输入实际环境温度、湿度、测量距离等一系列参数，拍摄得到BMT格式的红外图片，将图片导入相机配套的IRSOFT分析软件进行处理，得到清晰的绝缘子红外图像。操作完毕后导出整幅图片每个像素点对应的温度数据。考虑到实际的安全距离，拍摄距离为3m。加压30min后温升几乎稳定，开始拍摄，将拍摄角度分为0°、90°、180°，正对缺陷为0°。

图2 实验接线原理

图3 实验现场布置

1.3 实验结果及初步分析

图4和图5分别为交流和直流电压下导通导电缺陷绝缘子3个角度的红外图像。从图中可以看出，复合绝缘子在缺陷处出现温度升高现象，正对缺陷埋设方向处的发热最为明显。

图4 交流导通导电缺陷红外图像

图5 直流导通导电缺陷红外图像

图6和图7分别为交、直流电压作用下缺陷复合绝缘子中心轴线相对温升对比曲线。从图中可以看出，直流复合绝缘子由于不存在介损发热，故相对温差不大，而交流电压作用下复合绝缘子缺陷的发热程度比直流电压作用下剧烈。

图6 交流缺陷复合绝缘子温升对比曲线

图7 直流缺陷复合绝缘子温升对比曲线

2 缺陷检测方法及验证

2.1 红外图像分割与特征选择

将复合绝缘子区域从红外图像中分割出来是进行缺陷识别的首要前提。结合本文模拟缺陷的发热情况，首先考虑将复合绝缘子高压端前5片伞裙的部分从红外图像中分割出来，与整幅图的温度数据相对应，读取绝缘子部分的温度值。

阈值分割思想是：选取一个最佳阈值，将图像的每个像素灰度与该阈值做比较，把图像分成背景与目标两部分，使两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小。合理选择阈值是使用阈值分割方法的前提，常见的方法有最频值法、最大类间方差法、熵方法、矩量保持法、最小误差法等，其中最大类间方差法的阈值选取准则是让目标与背景这两部分类间方差最大，它具有计算简单、不受图像亮度和对比度影响、分割效果稳定等优点，该算法被普遍认为是图像分割中阈值选取的最佳算法之一[11]。利用最大类间方差算法进行阈值分割后的二值化图像如图8所示。

图8 二值化图像

根据DL/T 664—2016《带电设备红外诊断应用规范》，选取低压端附近的温度作为环境温度，绝缘子的相对温度为实际温度与环境温度之差[12]。以阈值分割出来的绝缘子区域相对温度的均值、中值、最大值、最小值、众数、极差、方差、偏度、峰度、能量和熵等11个统计量作为温度特征量。Fisher准则是目前较为常用的特征选择方法，其思想是通过投影使多维问题转化为低维问题来进行处理[13]。对于类内方差小、类间方差大的特征量，其区分能力最强。依据判别函数JF值的大小来选择表征缺陷能力大小的特征量，各特征量的JF值大小如图9所示。可以看出，由于交流和直流复合绝缘子发热情况不一致，各特征量之间JF大小排序不同，分别选择两类JF值排名前8位的特征量作为识别模型的输入量。

图9 各特征量JF值对比

2.2 SSA-SVM算法

SVM由Vapink在1995年首次提出，它在解决小样本、高维度的非线性问题上具有明显的优势。该算法的原理是将输入量映射到高维空间，在高维空间求一个最优超平面实现样本的分类。算法的重 点是选取合适的核函数及核函数参数。核函数的作用是将线性不可分的数据映射到高维空间，实现线性可分[14-15]。其中径向基核函数（radial basis function, RBF）仅有惩罚系数C和核参数σ两个参数，计算简单，可将数据映射到高维，从而准确高效地实现分类问题，因此本文选用径向基核函数，其表达式为

式中，σ为核函数参数。

支持向量机的分类结果好坏取决于惩罚系数C和核参数σ，近年来许多学者采用不同的优化算法来解决这两个参数的优化问题。麻雀搜索算法是于2020年根据麻雀觅食并逃避捕食者的行为提出的种群智能优化算法[16]。该算法的主要思路是根据捕食发现者和跟随者位置的不断更新和侦察者预警行为来寻求最佳位置。

设n只麻雀组成的位置信息矩阵为

式中，m为变量的维数。

发现者的位置更新公式为

式中：t为当前迭代次数；Tmax为最大迭代次数；xij为第i只麻雀的第j维的位置信息；α∈(0, 1)，为随机数；R2∈[0, 1]，代表预警值；ST∈[0.5, 1]，代表安全值；Q为服从正态分布的随机数；L为1×M的全1矩阵。当R2＜ST，说明未发现捕食者，可以大胆取觅食；当R2≥ST，说明已发现捕食者的存在，需要改变位置前往其他安全区域。

跟随者位置更新公式为

侦察者位置更新公式为

SSA优化SVM的流程如图10所示，具体步骤如下：

图10 SSA优化SVM流程

1）将输入样本集分为训练集和测试集，并进行数据归一化处理以提高分类速度。

2）设置SSA的种群数量为20，迭代次数为200，发现者和预警者比例均为20%，安全值为0.8；设置SVM参数C、σ的取值范围。

3）初始化种群，每一只麻雀位置对应一组参数（C,σ），计算其适应度值并排序，选择出当前最佳适应度值及其所对应的位置。

4）利用式（3）～式（5）进行三类麻雀位置的更新，得到一组新的麻雀位置并计算其适应度值，进行排序选择出最佳适应度值及所对应的位置。若当前值比上次的最佳适应度值更优，则进行位置更新，反之则不更新。

5）当满足迭代条件时，输出全局最佳适应度值fg和最佳位置xbj，最佳位置信息即代表最优的惩罚系数C和核参数σ。

6）利用最优参数，建立复合绝缘子缺陷检测SSA-SVM模型，对绝缘子缺陷类型进行识别分类。

2.3 算法验证与分析

复合绝缘子状态包括正常和导通导电缺陷、导通半导电缺陷、悬浮导电缺陷和悬浮半导电缺陷4种缺陷，共5类。交流和直流电压作用下红外图片数均为45×5=225张，每种类型测试集与训练集的图片数均分别为34张和11张。通过红外特征提取，并将利用Fisher准则进行特征选择后的特征量作为SSA-SVM缺陷检测模型输入，绝缘子缺陷类型作为模型输出。交流和直流电压作用下，优化后的参数分别为C=0.697 8，σ=7.683 3和C=1.754 3，σ=6.142 0。识别结果见表2。从结果可以看出，所提的方法能有效检测出交直流复合绝缘子的缺陷类型。

表2 SSA-SVM识别结果

为了证明SSA在优化SVM参数上的优越性，与网格搜索（grid search, GS）算法、粒子群优化算法（particle swarm optimization, PSO）、遗传算法（genetic algorithm, GA）进行了对比，检测结果对比见表3。从各类优化方法的结果对比分析可知，SSA在寻优时间和识别正确率方面均有明显优势。这也体现了SSA具有搜索能力强、收敛速度快、鲁棒性能好等优点，因此SSA优化的SVM模型可以实现复合绝缘子缺陷的快速准确检测。

表3 不同方法检测结果对比

此外，从表2和表3可以看出，由于部分缺陷类型的直流复合绝缘子发热不明显，导致在识别正确率上略低于交流复合绝缘子。

2.4 现场应用案例分析及不足

以某省500kV交流线路48、107、168、193、359号共5基塔异常发热复合绝缘子为例，运用直升机带电红外测温，得到5基杆塔异常发热红外图片如图11所示。观察发热位置位于高压端金具附近或从高压端算起的第4～6片伞裙处，发热区域温度较环境参考温度的温升分别为12.9℃、7.1℃、18.9℃、11.8℃和8.7℃。通过本文构建的缺陷检测模型，初步判定48、168号杆塔复合绝缘子缺陷类型为悬浮导电缺陷，107、193和359号杆塔复合绝缘子缺陷类型为悬浮半导电缺陷。将现场更换下来的绝缘子进行解体分析，缺陷状况与模型识别结果基本吻合。 经诊断，该5基杆塔复合绝缘子酥朽进入中晚期，存在较大的酥断风险。

图11 5基杆塔异常发热红外图片

需要指出的是，直流复合绝缘子由于不存在介损发热，即便通过人为埋入铜丝和碳纤维棒来分别模拟电树枝和碳化通道，缺陷处的温升只有0.5℃，在实际线路中，考虑环境温度的影响，直流复合绝缘子红外检出率较低。本文在实验室环境下针对直流复合绝缘子的缺陷检测主要是作为一种方法探讨，当现场样本积累到能对模型进行充分训练时，有望提高方法对直流复合绝缘子缺陷的检出有效性。

此外，本文利用红外图像特征分析检测出绝缘子缺陷的具体类型，是在参考其他文献做法的基础上进行的一种大致的分类，这些缺陷类型并不是基于现场大量解剖实验进行定义的，只是作为现场判断缺陷严重程度的一种参考。在实际巡检中，只要检测出异常温升就必须要进行关注和维护，具体是哪种内部缺陷，只是作为一种参考。

3 结论

本文研究并实现了一种基于红外图像分割和SSA-SVM的交直流复合绝缘子内部缺陷分类识别方法，得出了以下结论：

1）所提出的方法能够有效检测出交直流复合绝缘子的内部缺陷，检测正确率分别达到了89.09%和87.27%；通过SSA算法优化得到的SVM模型与其他优化算法得到的模型相比，计算速度更快，识别准确率更高，且对现场绝缘子的缺陷具有初步的良好检测效果。

2）相比于交流复合绝缘子，直流复合绝缘子不存在介质损耗发热，发热主要来源于表面泄漏电流引起的电阻损耗，故直流复合绝缘子缺陷发热不太明显，利用红外热像仪可检测出的缺陷类型明显低于交流复合绝缘子。

3）所提出的方法对500kV交流复合绝缘子缺陷具有良好的初步识别效果，直流复合绝缘子检出率相对较低，需要积累更多的现场样本对模型进行充分训练。