基于深度学习的输变电设备紫外放电光斑分割方法

裴少通， 杨家骏， 马子儒， 刘云鹏

(华北电力大学河北省输变电设备安全防御重点实验室， 保定 071003)

输变电高压电气设备的外绝缘如果存在损坏及缺陷，则在运行过程中会持续产生电晕放电现象，电晕放电现象不仅会带来一定电能的损耗，同时还会产生无线电电磁干扰和噪声干扰[1-2]。因此，对输变电高压设备由于损坏及缺陷所导致的放电进行及时有效检测，对高压设备损坏缺陷程度的判断评估及运行维护具有重要意义[3-5]。

近年来，日盲型紫外成像仪已逐渐推广应用于输变电设备的放电检测中[6-10]。然而在现场工程应用中，存在着紫外光散射以及背景噪声等问题，会出现紫外成像仪显示界面小光斑，可能导致巡检人员对电气设备放电产生误判。因此，寻找一种可从日盲型紫外成像仪图像中将电晕放电主光斑有效分离从而真正实现对高压电气设备放电状态表征的方法是十分必要的。

近年来，中外相关学者已针对上述问题进行了相关研究[11-16]。文献[11-13]利用数字图像处理技术，通过图像灰度化、阈值分割二值化、数学形态学滤波、小区域消除以及多区域边界跟踪等步骤，实现了放电区域的提取与量化，但此类算法人为设定的步骤较多，预处理方式以及阈值的设定无法满足多复杂场景下的紫外光斑提取；文献[14]提出一种基于Chan-Vese(C-V)模型的水平集紫外图像分割方法，且引入光斑面积与光斑边界周长特征量，实现了光斑的分割提取与放电状态表征，但该方法主要针对单放电点的紫外图像，而高压电气设备电晕放电可能同时存在多放电点，且需人工设定图像初始轮廓曲线；在传统C-V模型基础上，文献[15]提出一种基于改进 C-V 模型的绝缘子紫外图像放电光斑提取方法，实现了单光斑与多光斑紫外图像的分割提取，且该方法效率高、速度快、抗干扰能力强，但仍需人工设定图像初始轮廓曲线；文献[16]提出一种基于改进几何活动轮廓(geometric active contour，GAC)模型的紫外放电区域提取方法，为紫外放电的归一化研究和量化分析提供了参考，但该方法需根据待处理目标与背景，人为设定相关参数，且处理过程较为复杂。现针对当前研究现状，结合深度学习理论，引入全卷积网络(fully convolutional networks，FCN)模型，通过对大量紫外放电图谱进行有监督自主学习，提取紫外图谱放电主光斑的抽象特征，并将紫外图谱小光斑以及复杂背景等干扰因素排除，最终实现高压电气设备紫外图谱电晕放电主光斑的自主分割提取。

1 数据来源概况

紫外图谱拍摄的地点位于南方电网公司所属的8个变电站。采用南非CoroCAM 504日盲型紫外成像仪，对高压设备放电图谱进行采集，紫外成像仪的详细参数如表1所示。利用紫外成像仪对变电站中的高压电气设备进行拍照检测并储存图谱，构建了一个包含166张存在电晕放电缺陷的高压设备紫外图谱数据集。典型电力设备的紫外图谱电晕放电样图如图1所示。

图1 高压设备电晕放电紫外图谱数据集样图Fig.1 Sample images of UV data set for corona discharge of high voltage equipment

表1 CoroCAM 504日盲紫外成像仪主要参数Table 1 Main parameters of CoroCAM 504 daily blind UV imager

2 算法理论

2.1 全卷积神经网络

卷积神经网络(convolutional neural networks，CNN)在当今的图像分类、检测、分割等领域中应用较为广泛[17-19]。但传统CNN应用于图像分割任务时仍存在耗费存储量、计算效率不高、感知区域受限制等缺陷。

2015年，Long等[20]提出了应用于图像分割领域的全卷积网络(FCN)。FCN算法的诞生将卷积神经网络对图像类别的分类演变为对像素级别的分类[21-24]。

基于FCN的紫外图谱放电光斑分割提取算法可将紫外放电主光斑以及紫外图像中包括复杂背景、紫外图谱噪声小光斑等的非放电主光斑元素进行二分类，实现紫外放电主光斑的自主分割提取；全卷积神经网络(FCN)主体结构如图2所示。

图2 全卷积神经网络结构图Fig.2 Full convolutional neural network structure

2.1.1 卷积层

卷积层是图片抽象特征的提取层。卷积层主要通过卷积核的滑动，依次遍历图片上的所有像素点，卷积核与图片叠合区域中每一像素值与卷积核中与之对应的权重相乘，而后求和，再与偏置相加，最后得到输出图片中的像素值，从而实现不同局部的抽象特征提取，如图3所示。

图3 卷积计算原理图Fig.3 Schematic diagram of convolution calculation

2.1.2 池化层

池化层(pooling layer)：池化层的主要作用是下采样(downsampling)。通过二次取样运算，对特征图进行降维，在一定程度上也控制了过拟合现象。

2.1.3 反卷积层

反卷积又被称为上采样过程(upsampling)。反卷积层可将经CNN处理后尺寸缩小的特征图经过上采样操作，将其恢复至和输入图片尺寸一致的分割处理图片。

2.2 多尺度特征融合

日盲型紫外成像仪拍摄的紫外图谱包含较多细节信息，如放电主光斑的轮廓、形状等；放电光斑的紫外图谱经过多个卷积层的降维处理，许多细节特征会丢失，因此若直接进行上采样，所得的结果较为不理想。将全卷积神经网络FCN-32s、 FCN-16s、FCN-8s 3种子模型进行多尺度融合，通过测试结果选取最优的FCN模型架构。3种FCN子模型多尺度融合结构如图4所示。

图4 FCN多尺度融合模型结构示意图Fig.4 Schematic diagram of FCN multi-scale fusion model

3 模型训练与测试

将日盲型紫外成像仪拍摄的紫外图谱数据集分别在FCN-32s、FCN-16s、FCN-8s 3种子模型中进行训练及测试，流程图如图5所示。

图5 模型实验流程图Fig.5 Model experiment flow chart

3.1 数据集划分与数据标注

将在变电站收集的电晕放电缺陷紫外图谱数据集中的120张用于FCN模型的训练，剩余的46张用于模型测试。采用人工描绘电晕放电主光斑轮廓的方式对紫外放电图谱进行语义标注，放电主光斑的填充色为白色，其余为黑色，而后用于FCN模型的有监督训练。

3.2 模型训练

选用服务器作为FCN模型的训练测试计算平台，其性能参数如表2所示。选用具有12 G显存的GeForce1080Ti显卡来满足模型训练对GPU及算力的需求。

表2 实验服务器计算平台参数Table 2 Parameters of the experimental server computing platform

VGG 16[25]为FCN网络的初始模型；FCN网络利用随机梯度下降(stochastic gradient descent，SGD)算法[26-27]将紫外图谱训练集中的图像依次输入FCN网络模型进行正反向传播以完成模型的训练及网络参数的更新。

表3为FCN模型的训练参数，选用1×10-8、1×10-10、1×10-123种定步长训练策略进行实验。对比观察不同训练步长训练过程中的正确率及误差率变化曲线，实现对FCN网络模型训练步长的最优选取。

表3 全卷积神经网络训练参数Table 3 Training parameters of a full convolutional neural network

3.3 模型参数可视化

如图6所示，将模型训练完成后所生成文件中的模型参数进行灰度着色，可将FCN模型中的多层结构进行可视化展示，可以更为直观地了解FCN网络模型的参数分布。

在图6所示的可视化结构中，随着FCN网络中卷积层的逐渐深入，卷积层的特征图也逐渐多样化，FCN网络对紫外图谱放电主光斑边缘轮廓的感知也越为敏感；而后，通过反卷积层输出与输入图片尺寸一致的紫外图谱放电主光斑分割图像；最终，实现对紫外图谱电晕放电主光斑的自主分割提取。

图6 卷积神经网络模型多层可视化Fig.6 Multi-layer visualisation of the convolutional neural network model

综上所述，基于FCN的紫外图谱光斑分割方法是通过对训练集的自主学习不断完善模型，不需要人工设计特征提取器的介入。FCN网络通过多个卷积层以及池化运算，完成了对输入图片的特征提取，最后通过反卷积层输出光斑分割图像。该方法为紫外图谱电晕放电主光斑的分割提取提供了新思路。

4 测试结果分析

4.1 紫外图谱放电光斑分割结果

分别将测试集中的紫外放电图谱输入训练结束的FCN子模型中进行测试。测试集在3种FCN子模型中的部分测试效果如图7所示。

如图7所示，FCN-8s子模型因融合了较多细节特征，其对紫外图谱放电主光斑纹理的提取分割更为细致；但当紫外图谱存在如1号和2号测试图所示的大面积放电光斑时，FCN-8s不能完成放电主光斑中心区域无纹理像素点的完整提取分割。相反，FCN-32s子模型因无细节特征的融合，其对紫外图谱放电主光斑轮廓的分割提取较为粗略；因此，FCN-32s在提取分割紫外图谱放电主光斑时，会出现小面积放电主光斑的提取丢失现象如2号和4号测试图所示。而FCN-16s子模型因只融合了部分细节特征，其对紫外图谱放电主光斑的分割提取较为适中；因此，FCN-16s在提取放电主光斑时未出现因融合较多细节特征而导致的放电主光斑中心区域分割丢失以及因未融合细节特征而导致的小面积放电主光斑分割丢失等现象。

图7 紫外放电图谱FCN分割效果图Fig.7 The effect of the UV discharge pattern segmentation based on the FCN algorithm

综上所述，FCN-16s模型结合了FCN-8s模型和FCN-32s模型的优势，分割效果较好，其为紫外图谱电晕放电主光斑分割提取的最优模型。

4.2 模型训练过程评价

在模型训练中，预设基础训练速率分别为：1×10-8、1×10-10、1×10-12，并在不同的训练速率下进行10万次的迭代训练以选择最优的模型训练参数完成FCN模型的优化。

FCN模型准确率随训练次数的变化曲线如图8所示。当模型的基础训练速率为1×10-12时，最终模型准确率可达99.30%；但由于基础训练速率较小，可能会出现模型局限于局部最优而无法实现全局最优的情况。当模型的基础训练速率为1×10-8时，由于训练步长较大，在模型训练过程中易出现越过全局最优而无法实现最优，最终模型准确率均保持在96.59%。当模型的基础训练速率为1×10-10时，FCN模型可实现快速收敛并达到99.43%的高准确率，且随着训练次数的增多，模型准确率最终可稳定在99.34%，高于另外两种训练速率下的最终模型准确率。

图8 训练次数与准确率关系Fig.8 Relationship between training times and accuracy

FCN模型在训练中的收敛速度与程度可以由均方误差反映。如图9所示，在3种不同的基础训练速率下，均方误差均会随着训练次数的增加最终稳定在较低水平。当基础训练速率为1×10-8和1×10-12时，均方误差随着训练次数的增加均会稳定在较高的数值；当基础训练速率为1×10-10时，模型在初始训练阶段的收敛速度稍慢于另两种训练速率下的收敛速度，但随着训练的进行其均方差的最终稳定值(约为1 103)低于另外两种训练速率下的均方差稳定值。

图9 训练次数与均方误差关系Fig.9 Relationship between number of training iterations and mean square error

综上所述，FCN网络模型的准确率在一定程度上由模型训练速率决定，本FCN网络模型的最佳学习率为1×10-10。结合图8和图9可得，合适的训练速率可以改善FCN网络模型对紫外图谱放电主光斑的分割提取效果。

5 结论

(1)利用日盲型紫外成像仪进行实地拍摄，并构建了一个具有电晕放电缺陷的变电站高压电力设备紫外图谱数据集。提出了一种基于FCN模型的紫外图谱放电主光斑分割提取方法，该方法改善了传统紫外图谱光斑分割方法中存在的复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等弊端，具有良好的提取分割效果。通过FCN模型实现了对紫外图谱主光斑抽象特征提取的智能化。

(2)结合多尺度特征融合方法，完成了FCN-32s、 FCN-16s、FCN-8s 3种FCN子模型对紫外图谱放电主光斑的自主分割提取，通过验证及分析得出紫外图谱光斑分割最优模型为FCN-16s。通过紫外图谱测试集验证，FCN-16s模型的平均准确率可达99.34%。FCN-16s模型可实现对底层信息的适当特征融合，最终实现对紫外图谱光斑的高效精准分割。

(3)提出的方法结合GPU中的加速运算资源，实现了紫外图谱放电主光斑的快速精准分割提取，该方法满足实际工程的应用需求。

(4)研究结果表明，提出的方法结合深度学习理论中的新方法实现了对紫外成像图谱中放电主光斑的自主分割提取，为紫外光斑的量化提取及高压电气设备放电缺陷的紫外诊断提供了参考。