基于深度学习的红外图像中劣化绝缘子片的分割方法

刘云鹏，张喆，裴少通，武建华，梁利辉，马子儒

(1.华北电力大学 电力工程系，河北 保定 071003； 2.国网河北省电力有限公司检修分公司，石家庄050000)

0 引 言

绝缘子是电力系统中使用范围较广、数量较大的重要电工原件，其能否正常运行直接关系到电网能否稳定运行。然而，由于绝缘子本身的工艺缺陷和长期处在复杂的环境条件中，长此以往，绝缘子很容易出现劣化，劣化后的绝缘子则更容易成为零值绝缘子，零值绝缘子容易使绝缘子串发生闪络或者掉串。一旦绝缘子串发生闪络或者掉串，电网将出现大面积停电[1]。所以，对劣化绝缘子的检测一直是电力检修中重要的组成部分。

研究者提出多种绝缘子状态检测方法[2-5]，但在电网实际应用中，绝缘子状态检测以火花间隙法、红外成像法两种手段为主[6]。火花间隙法需要人工登杆、逐片测量，检测效率低、工作强度大、安全性差，易造成误检、漏检[7]；红外成像法可实现远程、非接触检测，且不受电磁干扰，安全、可靠，结合图像处理技术，自动定位故障，是绝缘子智能检测的发展方向[8]。

目前的红外图像劣化绝缘子片分割算法思路主要如下：对红外图像进行灰度化、双边滤波、OTSU二值分割等预处理；通过设计特定的边缘检测算法，提取绝缘子串的边缘图像；通过统计分析或拟合的方式确定劣化绝缘子的位置[9-11]。

综合以上的研究成果不难发现，由于过于依赖图像预处理中的阈值设定和人为设计特征提取器，当前的劣化绝缘子片分割提取算法不足以涵盖多发热源、多拍摄角度、多阻值、多位置和复杂背景等多种情况下的劣化绝缘子片分割提取。随着人工智能邻域深度学习方法的不断发展，文章引入了全卷积神经网络模型，首次实现了深度学习方法在红外图像劣化绝缘子片分割提取中的应用。通过对红外图像大量的有监督学习训练，自动学习并提取劣化绝缘子片的形状、纹理等特征，同时有效排除其他发热点、复杂背景等干扰源，实现复杂场景下红外图像中劣化绝缘子的像素级分割。

1 构建数据集

1.1 瓷质劣化绝缘子发热原理

红外热成像属于非接触式检测方法，可以实现物体表面的温度测量。正常的绝缘子绝缘性能良好，泄漏电流主要存在于绝缘子表层的污秽层中，当正常绝缘子表面污秽度较高、湿度较大时，泄漏电流会在一定程度上增加。正常绝缘子的钢帽和瓷件同时均匀发热。而对于劣化绝缘子来说，常常表现为瓷件裂纹、表面烧灼等特征，导致绝缘性能降低。因此劣化绝缘子的绝缘缺陷形成新的泄露电流通道，导致本应流过瓷件污秽层表面的泄露电流从缺陷处分流，最终表征为瓷件表面不发热或微弱发热，而钢帽处有异常发热。根据绝缘子的不同发热特征，可以通过对绝缘子的红外检测进行判别[12]。

1.2 劣化绝缘子红外检测实验方法

为了获得具有典型代表性的劣化绝缘子发热红外图片，进行了如下试验，选用现场撤换下来的三伞瓷质劣化绝缘子为试品，其阻值分别为7.5 MΩ、19 MΩ及150 MΩ。所用红外成像仪型号为Fluke Ti55(参数如表1所示)，发射率选择0.9。试验平台搭建示意图如图1所示。

表1 Fluke Ti55红外成像仪主要参数

图1 劣化绝缘子红外检测实验原理图

试验在不同污秽等级，温度范围为7℃～25℃，相对湿度为20%～80%的环境下进行。选取劣化绝缘子置于绝缘子串的2号、 5号和7号位置进行试验，其余六片均为正常片。在高压端对绝缘子串施加65.9 kV工频电压，实验进行2 h，每隔0.5 h用红外成像仪对其拍摄一次。实验结束待绝缘子完全冷却，再更换剩余不同阻值的低值绝缘子并依次重复以上步骤，最终拍摄到一系列污秽、温度、湿度、拍摄角度、劣化绝缘子位置等劣化程度不同情况下的绝缘子串红外发热图像。

1.3 数据集整理及标识

试验所收集的典型的劣化绝缘子红外图像如图2所示。可以发现在红外图像数据集构建中设置了多种拍摄角度及拍摄背景，且劣化绝缘子片的钢冒部分有明显的异常发热。从所收集的共401张红外图像中，选取320张为训练集用来训练全卷积神经网络的模型参数，40张为验证集用来监督训练过程，41张为测试集用来测试最终的模型效果。

图2 训练数据集部分典型样本

按照Sift-Flow数据样本集的标准格式，对所得到的红外图像做像素级的人工标记作为模型参数监督训练的基础事实(如图3所示)。其中黑色区域为劣化绝缘子区域。

图3 制作训练样本库示意图

2 算法理论

2.1 全卷积神经网络

卷积神经网络自从2012年以来，在图像的检测以及图像的分类等方面取得突破性的成果和越来越广泛的应用。卷积神经网络的强大之处在于它的多层结构可以实现自主性多维度地学习图像特征以更好地抵消图像中背景噪声的干扰，有助于分割识别性能的提高。

文献[13]在2015年IEEE计算机视觉和模式识别会议中首次提出了全卷积神经网络用于图像的语义分割，其从卷积神经网络特征图中恢复出原始输入图像每个像素所属的类别，从卷积神经网路图像类别的识别进一步延展到对像素级别的分类。

实现了对输入红外图像中对劣化绝缘子片和其他部分的像素级别的二分类。通过全卷积神经网络把卷积神经网络中的全连接层替换成卷积层，同时对最后一个卷积层特征图进行上采样计算，使得该特征图恢复到与输入图像同样大小，在保留输入原始图像空间信息的前提下，也保留了对输入的每个像素进行分类输出预测值，实现了对输入红外图像中劣化绝缘子片的分割提取。全卷积神经网络整体结构如图4所示，以下详细描述构成全卷积神经网络的主要结构层实现原理。

图4 全卷积神经网络结构图

卷积层：为抽象特征提取层，如图5所示每个卷积层中包含多个卷积神经元，通过滑动的卷积核实现对不同局部特征提取，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来。每个输出的特征图包含与多个输入特征图的卷积。

图5 卷积计算原理图

(1)

池化层(Pooling Layer)：即为经过二次取样运算得到的特征图层。对于池化层来说，输入的特征图与输出的特征图总数量相等。通过二次取样运算后，每个输出的特征图进行降维：

(2)

式中down表示一个下采样函数，二次取样运算使得输出的图像在维度上缩小了n倍，每个输出特征图都得回应一个属于自己的乘性偏置β和一个加性偏置b。所采用的下采样的n=2，即经过二次取样运算后的图像维度缩小了2倍。

反卷积层：从某种意义来说反卷积同样可以叫做转置卷积或者上采样过程，由于卷积神经网络的结构通过抽象提取缩小了特征图尺寸，而在全卷积神经网络中我们需要输出和输入尺寸相同的分割图片，因此需要上采样反卷积的计算，主要通过将图片转为矩阵和调用GEMM计算两个步骤实现。

2.2 多尺度特征融合

由于红外成像仪保存下的图片中包含劣化绝缘子的轮廓、特征、形状等很多细节信息，如果将具有红外劣化绝缘子的红外图像经过全卷积层后直接进行反卷积，由于经过多层卷积计算的图像降维，会丢失很多的细节特征，得到的结果较为粗糙。因此为了实现对劣化绝缘子片更好分割效果，实现经典全卷积神经网络FCN-32s模型以外，结合更浅卷积层细节特征，实现多尺度融合FCN-16s、FCN-8s两种网络结构模型，最终通过实验效果来确定最优的全卷积网络结构模型。图6为多尺度三种网络模型结构示意图。

图6 多尺度三种网络模型结构示意图

综上所述，全卷积神经网络的分割方法不需要人工设计特征提取器，而是由模型算法自身通过大量样本的训练自主学习获得，摆脱了传统机器学习技术在处理原始形态的自然数据方面很大的局限性，为红外图像中劣化绝缘子的分割提取提供了新思路。

3 训练测试实验

分别将收集到的数据集在不同尺度特征细节融合的模型FCN-32s、FCN-16s和FCN-8s三种网络结构进行模型训练，同时对测试集代入训练后形成的模型参数通过正向传播计算测试，完整的训练及模型验证的流程如图7所示。

图7 模型实验流程图

模型训练采用工作站作为模型的训练测试计算平台，相关参数指标如表2所示。考虑到深度学习全卷积神经网络训练过程对GPU显存及计算速度要求较高，所以采用具有11G显存的英伟达GeForce1080Ti型号的显卡，同时配置CUDA进行计算加速。全卷积神经网络的主网络模型为VGG-16，使用ImageNet图片数据集上已经训练结束的模型参数作为训练的初始化参数，选用随机梯度下降算法将训练集的每一张图像为一批次，进行模型的正向传播以及反向传播实现模型训练及模型参数更新。表3为全卷积神经网络训练的训练参数，通过调节优化训练参数，通过观测模型训练过程正确率以及误差率的训练曲线，实现对模型参数的优化。所采用的训练步长分别为1×10-8、1×10-10和1×10-12三种训练步长，采用较为常用的固定步长训练策略，对于训练过程分析将会在结果分析章节详细描述。

表2 实验计算平台参数

表3 全卷积神经网络训练参数

4 结果分析

4.1 劣化绝缘子分割识别结果

对比FCN-8s、FCN-16s、FCN-32s三种不同程度融合更多细节特征的FCN模型，通过训练结束的FCN模型参数对测试集中的红外图像进行测试，图8为测试集在三种FCN模型中的测试效果图。同时将通过传统的图像处理方法分割得到结果一并加入对比。

图8 红外图片中劣化绝缘子FCN分割效果图

从图8中不难发现：传统分割方法无法剔除背景中其他干扰热源的影响；不进行细节特征融合的FCN-32s模型的分割结果较为粗略，只能定位出劣化绝缘子所在的位置，而对劣化绝缘子钢冒和瓷片的细节轮廓分割不明显，无法达到实际应用的要求，所以FCN-32s模型不适合红外图像中劣化绝缘子的分割；融合了部分细节特征的FCN-16s模型的分割结果比较精细，能大致分割出钢冒和瓷片的轮廓，但在钢冒和瓷片的连接处的分割比较粗略，同样不是红外图像中劣化绝缘子分割的最佳模型；融合更多细节特征的FCN-8s模型的分割结果对红外劣化绝缘子纹理特征的分割更为细致，能准确地分割出钢冒和瓷片的细节轮廓，所以FCN-8s模型的分割效果要优于FCN-16s和FCN-32s。综上所述，FCN-8s为红外图像中劣化绝缘子片分割最优模型。

4.2 模型训练过程分析

为进一步优化全卷积神经网络模型参数，实现红外图像劣化绝缘子片最优的全卷积神经网络模型效果，在模型训练的过程中分别对FCN-32s、FCN-16s和FCN-8s三种融合不同底层细节的模型进行10万次的迭代训练，并讨论模型训练的基础学习率参数对训练过程的影响。

均方误差作为模型反向传播计算的重要参数，其可以直观反映模型在训练过程中的收敛速度与程度。由图9知，学习率为1×10-8、1×10-10、1×10-12时，均方误差随着模型训练进行最终均稳定在较低的值域范围内。在较高的学习率1×10-8下，训练稳定时均方误差维持在一个比较高的水平，此时FCN模型的参数无法取到使均方误差尽可能小的相对较优值；在较低的学习率1×10-12下，随着训练次数的增加均方误差下降速度过于缓慢，因此在此学习率下训练模型需要耗费大量的时间；而在训练速取值为1×10-10时，均方误差能在较少的训练次数中迅速达到稳定的低值，因此为最佳的学习率。

图9 不同学习率下训练次数与均方误差关系

由图10知，在合理的学习率情况下，训练次数的增加与深度卷积神经网络正确率成正相关的关系。直观可以发现当训练次数达到10万次时，三种模型的平均分割准确率已经趋向稳定。其中FCN-32s模型分割的平均准确率稳定在85.10%，FCN-16s模型分割的平均准确率稳定在87.01%，而FCN-8s模型分割的平均准确率稳定在89.23%。我们发现FCN-8s模型的像素集分割的准确率最高，而这也从理论上佐证了FCN-8s是相较于前两者更加精确的分割模型，可以达到更加精细的分割效果。

图10 训练次数与准确率关系

总之，一个相对合适的模型训练速率参数对于深度卷积神经网络的正确率来说是非常重要的。图9、图10表明，在选择合适训练速率的情况下，会提升全卷积神经网络模型对红外劣化绝缘子分割提取的有效性。

5 结束语

(1)搭建实验平台，用红外成像仪采集拍摄220 kV陶瓷式绝缘子片红外图片，提出一种基于深度学习的劣化绝缘子片分割提取方法，利用全卷积神经网络模型学习劣化绝缘子的纹理、形状等特征，并实现了对红外图谱中的劣化绝缘子片进行自动分割提取。FCN网络模型避免了传统分割模型复杂的特征选择过程，提升了分割的鲁棒性和泛化能力，实现了端到端的特征提取的自主化与智能化；

(2)采用多尺度特征的融合方法模型，实现了3种FCN模型对红外图像中劣化绝缘子的提取，通过进行实验及相关分析选择出了对红外图片中劣化绝缘子分割效果最优的FCN-8s。该模型通过对底层细节信息的特征融合，取得了较好的分割识别效果。对于批量测试的红外图像数据集，最优方法的平均整体正确率为89.23%，FCN对红外图像中劣化绝缘子的分割提取有较好的识别效果；

(3)方法识别速度较快，利用GPU中相关加速运算资源，优化提升了FCN全卷积模型的训练与识别速度和效率，运行时间满足工程化的需求；

(4)研究结果表明，所描述的方法从人工智能理论中的新方法去对红外成像图谱中的劣化绝缘子片进行分割提取，为进一步实现对其他高压电气设备的异常发热区域的提取打下基础，具有广阔的应用前景。