CN103440495B - 一种复合绝缘子憎水等级自动识别方法 - Google Patents

Abstract

本发明公开了属于输电线路绝缘子性能检测技术领域的一种复合绝缘子憎水等级自动识别方法。该方法包括图像增强、图像滤波、图像分割、图像特征量提取和建立神经网络识别模型等步骤，通过对复合绝缘子憎水图像进行分析，实现对复合绝缘子憎水等级的自动识别。消除人为因素影响，判断结果准确度高、操作简单，具备对不同电压等级、型号、厂家、污秽度等级、运行年限等绝缘子憎水等级的自动识别能力。

Description

一种复合绝缘子憎水等级自动识别方法

技术领域

本发明属于输电线路绝缘子性能检测技术领域，特别涉及一种复合绝缘子憎水等级自动识别方法。

背景技术

硅橡胶复合绝缘子以其优良的抗污闪性能广泛应用于输电线路外绝缘，而其优良的抗污闪性能主要得益于它本身的憎水性和憎水迁移性。但实际运行经验表明，由于受运行年限、电场、紫外线、污秽等因素的影响，复合绝缘子硅橡胶伞群憎水性将逐步下降，甚至完全丧失，导致复合绝缘子的抗污闪性能下降、输电线路污闪事故发生。为减少污闪事故发生，针对复合绝缘子憎水性开展检测分析势在必行，传统检测方法采用喷水分级方法对输电线路上摘除的复合绝缘子进行喷水，而后通过比对绝缘子表面水滴附着状态与标准图谱上的差异获得绝缘子的憎水等级，这种方法往往具有主观性，不利于快速、准确获得复合绝缘子的憎水状态。为此，通过相关图像分析技术和人工智能技术实现复合绝缘子憎水等级的自动识别，这对于准确获知复合绝缘子憎水性及保障输电线路安全可靠运行具有重要意义。

为了客观分析复合绝缘子表面憎水等级，消除主观因素在憎水等级确定过程中的影响，国内外相关研究人员针对复合绝缘子憎水等级自动识别技术进行了相关研究，如改进形状因子法、SVM决策树等进行复合绝缘子憎水性检测。结果表明这些方法在一定程度上克服主观因素对憎水等级判定的影响,但也存在一定的不足，如改进形状因子法采用最大水珠的形状因子及最大水珠与整幅图像的面积比作为特征量，通过比对这两个特征量与憎水等级的量化关系获得复合绝缘子的憎水等级，但这两个特征量与憎水性等级之间并非线性关系，依据该方法给出的量化关系判定绝缘子憎水状态往往存在误差；复合绝缘子憎水图像千差万别，而SVM决策树针对大规模样本训练难以实施。为此通过建立憎水图像多参量的自动识别方法，将有助于更加准确的获得复合绝缘子的憎水状态，这对于确保输电线路安全可靠运行具有重要意义。

发明内容

本发明的目的是提出一种复合绝缘子憎水等级的自动识别方法，其特征在于，通过对复合绝缘子憎水图像进行分析，实现对复合绝缘子憎水等级的自动识别，所述复合绝缘子憎水等级自动识别方法包括步骤如下：

1）选取运行多年的绝缘子一支，采集绝缘子伞群表面水滴附着的原始图像，并采用自适应直方图均衡算法实现图像增强，通过计算图像的局部直方图，然后自适应的对其进行修正，把原始图像不均衡的直方图变换为均匀分布的形式，增加了灰度值的动态范围，从而达到提高图像整体对比度的效果；

2）图像滤波采用形态学开闭滤波算法实现，该算法是分别用两个不同尺度的结构元素B₁和B₂对图像进行顺序开闭运算，小尺度结构元素B₁去除噪声能力较弱，但能够保持更多的图像边缘细节信息；大尺度结构元素B₂去除噪声能力较强，但会模糊掉很多细节信息，因此，顺序的运用两个形态学结构元素对图像进行开闭滤波既能够去除噪声，又能够保持细节信息，达到平滑图像去除噪声的目的，B₁为3×3十字形的结构元素，B₂为5×5菱形结构元素，

$B_1=\left(\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right)$ $B_2=\left(\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 1& 1& 1& 0\\ 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 0\\ 0& 0& 1& 0& 0\end{array}\right);$

3）图像分割采用Ostu阈值法实现，该方法是在最小二乘法原理的基础上推导出来的一种自适应阈值确定方法，利用该方法获得的最佳阈值能够将整幅图像的像素分成前景和背景两部分，使前景和背景的差别最大，从而准确的分割出憎水性图像中的水珠或水迹；

设图像像素数为N，灰度范围为[0,L-1]，对应灰度级i的像素数为n_i，其概率为：

p_i=n_i/N(i=0,1,2...L-1) (1)

把图像中的像素用阈值T分成两类C₀和C₁，C₀由灰度值在[0,T]之间的像素组成，C₁由灰度值在[T+1,L-1]之间的像素组成，对于灰度分布概率，整幅图像的均值为：

${\mathrm{\μ}}_T=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ip}}_i---\left(2\right)$

则C₀和C₁的均值为：

${\mathrm{\μ}}_0=\underset{i=0}{\overset{T}{\mathrm{\Σ}}}{\mathrm{ip}}_i/w_0---\left(3\right)$

${\mathrm{\μ}}_1=\underset{i=T+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ip}}_i/w_1---\left(4\right)$

其中w₀和w₁的表达式为:

$w_0=\underset{i=0}{\overset{T}{\mathrm{\Σ}}}{p}_i---\left(5\right)$

$w_1=\underset{i=T+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_i=1-w_0---\left(6\right)$

由式(2)(3)(4)(5)(6)可得：

μ_T=w₀μ₀+w₁μ₁ (7)

则类间方差定义为：

${\mathrm{\σ}}_B^2=w_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_T)}^2+w_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_T)}^2---\left(8\right)$

令T在[0,L-1]范围内依次取值，使最大的T值即为最佳阈值；

4）图像特征量，采用水珠覆盖率A、最大水珠或水迹的形状因子f_c、最大水珠或水迹与整幅图像的面积比K、最大水珠或水迹的偏心率e和最大水珠或水迹的矩形度R，实验证明这五个特征量的值不受绝缘子的伞形结构、污秽分布、拍摄的光照条件、拍摄距离和拍摄角度因素的影响，只与绝缘子的憎水等级相关，它们的表达式如下：

(1)水珠覆盖率

其中，N为识别出的水珠或水迹数，S_i为第i个水珠或水迹的面积，XY表示憎水性图像的面积；

(2)形状因子

其中，S_max为最大水珠或水迹的面积，l为最大水珠或水迹的周长；

(3)最大面积比

其中，S_max为最大水珠或水迹的面积，XY为憎水性图像的面积。

(4)偏心率

其中，a为最大水珠或水迹的外接矩形的长轴，b为最大水珠或水迹的外接矩形的短轴；

(5)矩形度

其中，S_max为最大水珠或水迹的面积，S_MER为最大水珠或水迹的最小外接矩形的面积；

5）LVQ神经网络识别模型的设计

LVQ神经网络是一种用于训练竞争层的有监督学习方法的输入前向神经网络，由3层神经元组成，即输入层、竞争层和线性输出层，网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理，而且它不需要对输入向量进行归一化、正交化处理，只需要直接计算输入向量与竞争层之间的距离，从而实现模式识别，因此简单易行。

（1）网络结构的确定

以图像的特征值作为输入向量，以期望的憎水等级作为输出向量。由于提取的图像特征值总共5个，因此网络输入层神经元个数确定为5，输入向量即为 $X={\left(\begin{array}{ccccc}A& f_c& K& e& R\end{array}\right)}^T;$ 输出为7个憎水等级，因此网络输出层神经元个数确定为7，分别利用1,2,3,4,5,6,7表示7个不同的憎水等级；根据Kolmogorve定理，竞争层神经元个数m与输入层神经元个数n有如下的近似关系：

m=2n+1 （9）

根据式（9）可以确定网络竞争层神经元个数为11。

综上所得，设计出一个三层的LVQ神经网络，结构为5-11-7，即输入层有5个神经元，竞争层有11个神经元，输出层有7个神经元。

（2）网络的训练，网络结构确定以后，然后将训练样本数据输入到设计好的LVQ神经网络中，最后采用LVQ1算法对网络进行训练，训练好的网络模型即可对复合绝缘子的憎水等级进行识别。

所述“LVQ1神经网络算法是在有教师状态下对竞争层进行训练的一种学习算法，该算法的基本思想是：计算距离输入向量最近的竞争层神经元，从而找到与之相连接的线性输出层神经元，若输入向量的类别与线性输出层神经元所对应的类别一致，则对应的竞争层神经元权值沿着输入向量的方向移动；反之，若两者的类别不一致，则对应的竞争层神经元权值沿着输入向量的反方向移动。算法过程如下：

（1）初始化输入层与输出层之间的权值ω_ij，初始学习速率设为η(0)（η>0）、误差精度设为g、最大训练次数设为t_m。

（2）将输入向量 $X={\left(\begin{array}{cccc}A& f_c& K& e\end{array}\right)}^T$ 送入到输入层，并根据式（10）计算竞争层神经元与输入向量的距离：

$\begin{array}{cc}{d}_i=\sqrt{\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{(x_j-{\mathrm{\ω}}_{\mathrm{ij}})}^2}& i=\mathrm{1,2},...S\end{array}---\left(10\right)$

式中，ω_ij为输入层神经元j与竞争层神经元i之间的权值，S为竞争层神经元个数。

（3）选择与输入向量距离最小的竞争层神经元，若d_i最小，则记与之连接的线性输出层神经元的类标签为C_i。

（4）判断分类是否正确，记输入向量对应的类标签为C_x，若分类正确，即C_i=C_x，则根据式（11）调整权值；否则，根据式（12）进行权值更新：

ω_{ij_new}=ω_{ij_old}+η(x-ω_{ij_old}) （11）

ω_{ij_new}=ω_{ij_old}-η(x-ω_{ij_old}) （12）

（5）更新学习速率，即

$\mathrm{\η}\left(t\right)=\mathrm{\η}\left(0\right)(1-\frac{t}{t_m})---\left(13\right)$

式（13）中，t表示第t次网络训练；η(t)表示第t次网络训练时的学习速率；

（6）转到步骤（2），重复各步骤，直到达到预设的训练次数t_m或误差精度g。误差精度g的表达公式为：

$g=\frac{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(t_k-a_k)}^2}{N}---\left(14\right)$

式（14）中，N为输出层神经元个数；a_k为第k个输出层神经元的实际输出值；t_k为第k个输出层神经元的目标值。

按照以上步骤将LVQ神经网络训练好以后，就可以用于绝缘子憎水等级的识别。

本发明的有益效果是通过对复合绝缘子憎水图像进行分析，实现对复合绝缘子憎水等级的自动识别，消除人为因素影响，判断结果准确度高、操作简单，具备对不同电压等级、型号、厂家、污秽度等级、运行年限等绝缘子憎水等级的自动识别能力。

附图说明

图1为分别利用直方图均衡和自适应直方图均衡对图像进行增强的增强效果图，其中a原图像，b.直方图均衡图像，c自适应直方图均衡图像。

图2为分别利用中值滤波、维纳滤波和形态学滤波对图像进行平滑降噪的降噪效果图,其中，a噪声原图像，b.维纳降噪图像，c.中值滤波降噪图像，d.形态学滤波降噪图像。

图3为分别利用区域生长法、迭代法Ostu阈值法对图像进行分割的分割效果图，a.原始图像，b.区域生长法，c.迭代法.d.Ostu阈值法。

具体实施方式

本发明提出一种复合绝缘子憎水等级的自动识别方法，通过对复合绝缘子憎水图像进行分析，建立神经网络识别模型，实现对复合绝缘子憎水等级的自动识别，下面结合附图和实施例对本发明予以说明。

案例1

选取运行多年的绝缘子一支，分别利用直方图均衡和自适应直方图均衡对图像进行增强，增强效果如图1所示。从图1中a原图像，b.直方图均衡图像，c自适应直方图均衡图像比较，可以看出，c自适应直方图均衡处理过的图像对比度明显提高，很多细节信息表现的也更加清晰；b.直方图均衡处理的图像对比度虽然也比a原图像好很多，但是出现了局部过增强现象，即有些水珠的边缘较黑暗，使得边缘信息模糊。所以采用自适应直方图均衡对图像进行增强处理是较为合理的。

案例2

选取运行多年的绝缘子一支，分别利用中值滤波、维纳滤波和形态学滤波对图像进行平滑降噪，降噪效果如图2所示。从图2中a噪声原图像，b.维纳降噪图像，c.中值滤波降噪图像，d.形态学滤波降噪图像。可以看出，b.维纳降噪效果最差，降噪后还有很多噪声存在；c.中值滤波虽然将噪声全部消除，但是局部图像较为模糊；d.形态学滤波不仅将噪声全部消除，且图像整体也较为清晰。因此选择形态学作为滤波器能够准确获得复合绝缘子的原始图像。

案例3

选取运行多年的绝缘子一支，分别利用区域生长法、迭代法Ostu阈值法对图像进行分割，分割效果如图3所示。从图3中a.原始图像，b.区域生长法，c.迭代法，d.Ostu阈值法；可以看出，d.Ostu阈值法的分割效果最好，水珠之间基本没有粘连，而且也没有边缘缺失现象，有效获得了各水滴的真实图像，效果良好。

案例4

选取运行多年的绝缘子一支，喷水后细致对比伞群表面水滴附着状态与标准图谱的相似度获得其憎水等级为HC3。通过图像增强、滤波、图像分割及特征量提取后获得水珠覆盖率A、最大水珠或水迹的形状因子f_c、最大水珠或水迹与整幅图像的面积比K、最大水珠或水迹的偏心率e和最大水珠或水迹的矩形度R这五个特征量，当以水珠覆盖率A、最大水珠或水迹的形状因子f_c和最大水珠或水迹与整幅图像的面积比K这三个特征量作为输入向量时，LVQ神经网络识别模型识别出的憎水等级为HC5；当以水珠覆盖率A、最大水珠或水迹的形状因子f_c、最大水珠或水迹与整幅图像的面积比K和最大水珠或水迹的偏心率e这四个特征量作为输入向量时，LVQ神经网络识别模型识别出的憎水等级为HC2；当特征量选择水珠覆盖率A、最大水珠或水迹的形状因子f_c、最大水珠或水迹与整幅图像的面积比K、最大水珠或水迹的偏心率e和最大水珠或水迹的矩形度R这五个特征量作为输入向量时，LVQ神经网络识别模型识别出的憎水性等级为HC3。可见，本发明选择5个特征量作为识别的特征向量能够更为准确的获得复合绝缘子的憎水等级。

案例5

选取三支运行年限分别为3年、5年和10年的绝缘子试样，通过喷水并比对绝缘子伞群表面水滴附着状态确定其憎水等级为HC2、HC3和HC5，通过图像增强、滤波、图像分割及特征量提取及LVQ神经网络识别模型获得的该三支绝缘子的憎水等级也为HC2、HC3和HC5，与实际憎水性等级相吻合，表明该方法准确可靠。

案例6

选取污秽等级分别为I、II、III和IV级的绝缘子试样4支，通过喷水并比对绝缘子伞群表面水滴附着状态确定其憎水等级分别为HC2、HC4、HC3和HC2，通过图像增强、滤波、图像分割及特征量提取及LVQ神经网络识别模型获得该四支绝缘子的憎水性等级分别为HC2、HC4、HC3和HC2，与实际憎水性等级相吻合，表明该方法对污秽绝缘子表面憎水状态识别准确可靠。

Claims (2)

1.一种复合绝缘子憎水等级的自动识别方法，其特征在于，通过对复合绝缘子憎水图像进行分析，实现对复合绝缘子憎水等级的自动识别，所述复合绝缘子憎水等级自动识别方法包括步骤如下：

1)选取运行多年的绝缘子一支，采集绝缘子伞群表面水滴附着的原始图像，并采用自适应直方图均衡算法实现图像增强，通过计算图像的局部直方图，然后自适应的对其进行修正，把原始图像不均衡的直方图变换为均匀分布的形式，增加了灰度值的动态范围，从而达到提高图像整体对比度的效果；

2)图像滤波采用形态学开闭滤波算法实现，该算法是分别用两个不同尺度的结构元素B₁和B₂对图像进行顺序开闭运算，小尺度结构元素B₁去除噪声能力较弱，但能够保持更多的图像边缘细节信息；大尺度结构元素B₂去除噪声能力较强，但会模糊掉很多细节信息，因此，顺序的运用两个形态学结构元素对图像进行开闭滤波既能够去除噪声，又能够保持细节信息，达到平滑图像去除噪声的目的，B₁为3×3十字形的结构元素，B₂为5×5菱形结构元素，

$\begin{array}{cc}{B}_1=\left(\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right)& B_2=\left(\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 1& 1& 1& 0\\ 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 0\\ 0& 0& 1& 0& 0\end{array}\right)\end{array};$

3)图像分割采用Ostu阈值法实现，该方法是在最小二乘法原理的基础上推导出来的一种自适应阈值确定方法，利用该方法获得的最佳阈值能够将整幅图像的像素分成前景和背景两部分，使前景和背景的差别最大，从而准确的分割出憎水性图像中的水珠或水迹；

设图像像素数为N，灰度范围为[0,L-1]，对应灰度级i的像素数为n_i，其概率为：

把图像中的像素用阈值T分成两类C₀和C₁，C₀由灰度值在[0,T]之间的像素组成，C₁由灰度值在[T+1,L-1]之间的像素组成，对于灰度分布概率，整幅图像的均值为：

${\mathrm{\μ}}_T=\underset{i=0}{\overset{L-1}{\Σ}}{\mathrm{ip}}_i---\left(2\right)$

则C₀和C₁的均值为：

${\mathrm{\μ}}_0=\underset{i=0}{\overset{T}{\Σ}}{\mathrm{ip}}_i/w_0---\left(3\right)$

${\mathrm{\μ}}_1=\underset{i=T+1}{\overset{L-1}{\Σ}}{\mathrm{ip}}_i/w_1---\left(4\right)$

其中w₀和w₁的表达式为:

$w_0=\underset{i=0}{\overset{T}{\Σ}}{p}_i---\left(5\right)$

$w_1=\underset{i=T+1}{\overset{L-1}{\Σ}}{p}_i=1-w_0---\left(6\right)$

由式(2)(3)(4)(5)(6)可得：

μ_T＝w₀μ₀+w₁μ₁ (7)

则类间方差定义为：

${\mathrm{\σ}}_B^2=w_0{({\mathrm{\μ}}_0-{\mathrm{\μ}}_T)}^2+w_1{({\mathrm{\μ}}_1-{\mathrm{\μ}}_T)}^2---\left(8\right)$

令T在[0,L-1]范围内依次取值，使最大的T值即为最佳阈值；

4)图像特征量，采用水珠覆盖率A、最大水珠或水迹的形状因子f_c、最大水珠或水迹与整幅图像的面积比K、最大水珠或水迹的偏心率e和最大水珠或水迹的矩形度R，实验证明这五个特征量的值不受绝缘子的伞形结构、污秽分布、拍摄的光照条件、拍摄距离和拍摄角度因素的影响，只与绝缘子的憎水等级相关，它们的表达式如下：

(1)水珠覆盖率

其中，N为识别出的水珠或水迹数，S_i为第i个水珠或水迹的面积，XY表示憎水性图像的面积；

(2)形状因子

其中，S_max为最大水珠或水迹的面积，l为最大水珠或水迹的周长；

(3)最大面积比

其中，S_max为最大水珠或水迹的面积，XY为憎水性图像的面积；

(4)偏心率

其中，a为最大水珠或水迹的外接矩形的长轴，b为最大水珠或水迹的外接矩形的短轴；

(5)矩形度

其中，S_max为最大水珠或水迹的面积，S_MER为最大水珠或水迹的最小外接矩形的面积；

5)LVQ神经网络识别模型的设计

(1)网络结构的确定

以图像的特征值作为输入向量，以期望的憎水等级作为输出向量，由于提取的图像特征值总共5个，因此网络输入层神经元个数确定为5，输入向量即为X＝(A f_c K e R)^T；输出为7个憎水等级，因此网络输出层神经元个数确定为7，分别利用1,2,3,4,5,6,7表示7个不同的憎水等级；根据Kolmogorve定理，竞争层神经元个数m与输入层神经元个数n有如下的近似关系：

m＝2n+1 (9)

根据式(9)可以确定网络竞争层神经元个数为11；

综上所得，设计出一个三层的LVQ神经网络，结构为5-11-7，即输入层有5个神经元，竞争层有11个神经元，输出层有7个神经元；

(2)网络训练

网络结构确定以后，然后将训练样本数据输入到设计好的LVQ神经网络中，最后采用LVQ1算法对网络进行训练，训练好的网络模型即可对复合绝缘子的憎水等级进行识别。

2.根据权利要求1所述一种复合绝缘子憎水等级的自动识别方法，其特征在于，所述步骤5)中LVQ神经网络是一种用于训练竞争层的有监督学习方法的输入前向神经网络，由3层神经元组成，即输入层、竞争层和线性输出层，网络结构简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理，而且它不需要对输入向量进行归一化、正交化处理，只需要直接计算输入向量与竞争层之间的距离，从而实现模式识别，因此简单易行。