CN108108772B - 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 - Google Patents

Abstract

本发明涉及一种基于配电线路航拍图像的绝缘子污闪状态检测方法，其训练绝缘子图像污闪检测分类模型的方法如下：将巡线时的航拍图像RGB空间转换到YCbCr空间；设置分割阈值，根据阈值对图像进行二值化；分离出绝缘子图像，规定背景及正常绝缘子的图像为正样本，含有绝缘子污闪的图像为负样本；数据增强；6)提取所有绝缘子图像在V通道颜色分量的均值、方差、斜度、峰度、熵等5个特征；设计和训练SVM分类器，得到分类器模型，从而得到绝缘子图像污闪检测分类模型。

Description

一种基于配电线路航拍图像的绝缘子污闪状态检测方法

技术领域

本发明属于电力技术和计算机视觉领域，涉及一种基于图像处理技术和机器学习技术的无人机巡检航拍图像中绝缘子污闪状态检测的方法。

背景技术

配电线路是指从降压变电站把电力送到配电变压器或将配电变电站的电力送到用电单位的线路，它作为电力网的末端，直接与用户相连，它能敏锐地反映用户对供电安全、品质等方面的要求，其运行安全性、可靠性和经济性直接关系到社会生产与人们的生活。

在配电线路中绝缘子起到支撑导线和防止电流回地的作用，是高压输电线路中必不可少的设备之一。绝缘子工作状态的好坏将直接影响输电线路的使用和运行寿命。但由于绝缘子通常安装于高空露天环境下，其在使用过程中，经常会被工业粉尘、鸟粪等污秽附着，使得绝缘子绝缘效果降低，进而发生污闪。污闪对供电可靠性危害极大，是电力系统安全运行的主要威胁之一。配电线路绝缘子发生污闪导致线路跳闸时，重合闸的成功率低，甚至可能导致大面积的停电。因此，及时发现并清理绝缘子表面污秽，防止污闪事故的发生对保证电网安全运行极为重要。此因此，开展对配电线路中绝缘子的检测与诊断方法研究，对于及时处理故障，恢复线路正常运行，维护电力系统安全和用户经济利益都有非常重要的意义。

绝缘子污闪的外因包括表面积污、污层湿润和作用电压这三个方面。采取措施抑制或阻止其中的任一因素，都能防止污闪事故的发生。

为了防止绝缘子的污闪，目前采取的措施主要有以下几种：

①根据绝缘子配置状况、气候特点、积污速率等因素划分各地区的污闪区，依据盐密值确定线路的污闪期和污闪等级。但是由于每个地区的盐密值很难准确的得到，所以这种方法有很大的局限性。

②定期清扫绝缘子。一般来说一年清扫一次，时间安排在污闪季节的1～2个月之前。在停电的条件下工作人员逐个登杆并进行手工清扫，除去绝缘子表面的污秽物。这种方法的有点是简单易行，但是缺点很明显：这种方法停电时间长，工作量大，劳动强度很高，质量难以保证。在严重的污闪地区虽频繁清扫，但污闪仍难免，国内曾发生过清扫过十余天即发生污闪事故的实例。此外，设备清扫工作处于被动状态，不能保证设备得到及时有效的清扫。

③采用防污型绝缘子和复合绝缘子，选择合适的爬电比距，恶劣天气下电网降压(限压)运行以及在绝缘子表面涂憎水涂料等，这些措施都起到了一定的作用，但从根本上说都是被动的预防，没有掌握主动权，原因之一是缺少对绝缘子污闪程度全面真实的信息，对减少污闪事故的效果都不是很理想。

因此，寻求使电力系统绝缘子由计划检修向状态检修转变的方法具有重要意义。通过检测运行中绝缘子污秽状态来预测污闪的发生，从而能够在发生污闪之前及时实施绝缘子表面污秽的清扫或带电水冲洗工作，这样既可以减少清扫或带电水冲洗的盲目性，减少不必要劳动，提高工作效率，又能够降低污闪发生的几率。

目前，在线绝缘子污闪测定方法主要有等值附盐密度(ESDD)法、积分表面污层电导率法、脉冲计数法、泄露电流法和绝缘子污闪电压梯度法等，其中应用最多的是等值附盐密度法和泄露电流法：等值附盐密度法采用电导率仪测量出清洗绝缘子的清洗液的电导率，然后经温度补偿查表计算求出等值附盐密度，通过将绝缘子表面污物转化为每平方厘米含多少毫克氯化钠的表示方法对绝缘子污秽程度进行测定。泄露电流法通过测定在运行电压下绝缘子受潮时流经表面污层到达地的电流与绝缘子临闪状态的泄漏电流间的关系进行污闪判定。

考虑到复杂的地形，多变的气象条件，大范围的配电线路等因素，上述物理类方法或多或少存在一定的安全隐患，且操作复杂。针对以上方法存在的问题，近年来对配电线路已有相当数量的图像在线监测系统或图像巡视系统，比如利用无人机装载可见光摄像机等进行巡线。但是在巡视结束后，这些系统会获取大量的图像信息，而大量的图像依然是由人来检查，智能化程度不高，而且如果对这些数据采用工作人员主观判断而没有图像自动分析功能的话，极易出现误判或漏判的情况，难以准确发现配电设备的安全隐患，不能满足智能电网建设的需要。[1]雷琴.绝缘子污闪的检测及诊断方法评述[J].电气试验,2005(2):30-36.

[2]徐平伟.配电线路绝缘子污闪成因分析[J].电子制作,2016(15):80-80.

[3]邢国辉,郭春东,田长升.配电线路污闪故障分析及防控措施探讨[J].科技与企业,2015(8):250-250.

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的是提供一种基于图像处理的一种基于配电线路航拍图像的绝缘子污闪状态检测方法，高效、准确地对航拍图像分类，将正常的图片和有绝缘子污闪的图片分开，减轻工作人员的工作量，并能够更快的定位和发现问题，满足智能输配电建设的需要。技术方案如下：

一种基于配电线路航拍图像的绝缘子污闪状态检测方法，该方法首先训练绝缘子图像污闪检测分类模型，之后利用训练好的模型进行绝缘子污闪状态。其中，训练绝缘子图像污闪检测分类模型的方法如下：

1)将将巡线时的航拍图像预处理并按照一定比例分成训练集和测试集两个部分，并将训练集的图片从RGB空间转换到YCbCr空间；

2)对训练集的图像设置分割阈值，根据阈值对图像进行二值化，在YCbCr范围内的像素点为白色，其余像素点为黑色，将图像分割开来；

3)对分割之后的图像进行形态学图像处理；

4)根据绝缘子在图像中的尺寸，对经过3)步处理后提取的区域进行筛选，分离出绝缘子图像并归入训练集，规定背景及正常绝缘子的图像为正样本，含有绝缘子污闪的图像为负样本。

5)考虑到训练集中正负样本数量不均衡，对训练集中的负样本进行数据增强；

6)对步骤5)的绝缘子图像分别在HSV和RGB颜色空间进行分解，得到绝缘子图像的H、S、V、R、G、B六个通道颜色分量，选择绝缘子V分量作为最能体现绝缘子污闪信息的可见光特征值，提取所有绝缘子图像在V通道颜色分量的均值、方差、斜度、峰度、熵等5个特征；

8)提取步骤7)中所得的训练集的5个特征值组成分类器的训练集，并制作符合SVM格式的标签文件，将分类器训练集的正样本类别标签置为1，负样本的类别标签置为-1。

9)设计和训练SVM分类器，得到分类器模型，从而得到绝缘子图像污闪检测分类模型。

该方法根据污闪状态下绝缘子的图像颜色特征的不同，利用图像处理技术和机器学习算法，通过训练绝缘子图像状态分类模型，能快速有效地对绝缘子的污闪状态做出准确可靠分析，为及时清理故障绝缘子提供基础，以减少绝缘子污闪停电事故。

附图说明

图1专利流程图

图2绝缘子提取过程(a)原图(b)YCbCr图像(c)图像二值化结果(d)形态学图像处理结果(e)绝缘子提取结果

图3正负样本图

图4数据增强结果(a)原图(b)图像噪声(c)尺度放缩(d)调整JPEG质量

图5标签文件

图6参数寻优流程图

具体实施方式

为使本发明的技术方案更加清楚，下面结合附图对本发明具体实施方式做进一步地描述。实施方案流程图如图1所示。

1.训练绝缘子图像污闪检测分类模型，其具体步骤如下：

1)将巡线后得到的包含绝缘子的图片收集起来，按照一定的比例分为训练集和测试集，原图如图2(a)所示。对训练集的图片做YCbCr变换，从RGB空间转换为YCbCr空间，YCbCr空间由Y，Cb和Cr三个基组成，其中Y是亮度分量，Cb是蓝色偏移量，Cr是红色偏移量。从RGB颜色空间到YCbCr颜色空间的转换公式如下所示:

转换后的图像如图2(b)所示。

2)对训练集的图片设置分割阈值，并进行二值化。在YCBCR颜色空间中，Y表示明亮度数值，Cb代表蓝色偏移量，Cr代表红色偏移量。在本专利中经过试验，Y值限定在97到255之间，Cb值限定到128到137之间，Cr值限定到130到137之间，可以取得较好的效果。这些数据是陶瓷绝缘子的像素特征，可以被认为是潜在绝缘子区域。根据阈值对图像进行二值化，在YCbCr范围内的像素点为白色，其余像素点为黑色，将图像分割开来，分割后的图像如图2(c)所示。

3)对分割之后的图像进行形态学图像处理。经过上一步的图像分割，绝缘子区域基本上被提取出来，但是还有一些噪声以及与陶瓷绝缘子颜色相近的像素也一同被分割出来，不利于后续的绝缘子提取与分类。所以还需要进行形态学图像处理，主要包含以下三个方面：

A.腐蚀

腐蚀是数学形态学的两种最为基本的运算之一，腐蚀在数学形态学中的作用是消除物体边界点，使边界向内部收缩的过程。它的作用是消除物体边界点，使目标缩小，可以把小于结构元素的物体去除，比如结构元素的噪声点。选取不同大小的结构元素可以去除不同大小的物体。设A是输入二值图像，B是结构元素，表示为AΘB的B对A的腐蚀定义为：

B.膨胀

膨胀是数学形态学中除腐蚀之外的另一种基本运算。膨胀在数学形态学中的作用与腐蚀的作用正好相反，它是对二值化图像中的物体边界点进行扩充，将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。它的作用是将与物体接触的所有背景点合并到物体中，使目标增大，如果两个物体之间的距离比较近，则膨胀运算可能会把两个物体连通到一起，可以填补图像分割后物体中的空洞。设A是输入二值图像，B是结构元素，表示为

的B对A的膨胀定义为：

C.孔洞填充

一个孔洞可被定义为由前景像素相连接的边界所包围的一个背景区域。而孔洞填充是基于轮廓的一个图像填充算法，这个算法首先确定目标的边间轮廓并添加标记以记录。在目标区域内部选择一个起源点，以外界轮廓为边界使内部进行生长，直至抵达目标对象轮廓的每一个点，最后在消除目标对象的外围轮廓记录。从而达到对目标内部的漏洞进行填充的目的，使目标经过孔洞填充之后，形成一个没有漏洞的实体。设A是输入二值图像，其元素是8联通的边界，每个边界包围一个背景区域(即一个孔洞)，B是结构元素。当给定每个孔洞的一个点后，目的就是用1填充所有的孔洞。我们从形成一个由0组成的阵列X₀开始，用1填充所有的孔洞，公式如(4)所示：

在本专利中，先对二值化图像进行腐蚀操作，去除小于结构元素的物体和噪声；接下来进行膨胀操作，连接绝缘子区域；最后进行孔洞填充，填充所有的孔洞。形态学图像处理后的图片如图2(d)所示。

4)在4000×2250的图像中，绝缘子的尺寸大概是50×50以上，基于这一特征，对第三步中提取的区域进行筛选，只保留面积大于2500的区域，并寻找最大外接矩形，如图2(e)所示。并将红色方框里的图片分离出来，并归入训练集。规定背景及正常绝缘子的图像为正样本，含有绝缘子污闪的图像为负样本，如图3所示。

5)经过上一步的提取，训练集的图片一共提取了452张正样本图片和48张负样本图片，很明显正负样本非常不均衡，这会对分类的结果产生非常不利的影响，所以需要对训练集里的负样本进行数据增强，即增加一些反例使得正、反例数目接近，然后再进行学习。数据增强的方式有3种，加入图像噪声，尺度放缩和调整JPEG质量。

A.加入图像噪声。对一幅输入图像f(x,y)进行处理，产生一幅退化后的图像g(x,y)。给定f(x,y)、退化函数H和加性噪声项η(x,y)，空间域中退化图像可由下式给出：

g(x,y)＝h(x,y)*f(x,y)+η(x,y)

在频域上：

G(u,v)＝H(u,v)F(u,v)+N(u,v)

图像噪声及其参数如表1所示：

表1图像噪声种类及其参数

B.尺度放缩。对图像做预处理时有三种方式，分别是最近邻域内插，双线性内插和双三次内插。

双线性内插是利用4个最近邻去估计给定位置的灰度。令为我们想要赋以灰度值的位置的坐标，并令表示灰度值，则对于双线性内插来说，赋值公式是由下式得到的：

v(x,y)＝ax+by+cxy+d

双三次内插包括16个最近邻点。赋予点的灰度值是使用下式得到的：

其中，16个系数可由16个用(x,y)点最近邻点写出的未知方程确定。

C.调整JPEG质量。将JPEG图像按照JPEG编码规范降低质量，参数包括60％、75％和90％。

经过数据增强后，正负样本数目大致相等，数据增强后的图片如图4所示。

6)对步骤5的绝缘子图像分别在HSV和RGB颜色空间进行分解，得到绝缘子图像的H、S、V、R、G、B六个通道颜色分量。本发明通过研究污闪绝缘子样本，选择绝缘子V分量作为最能体现绝缘子污闪信息的可见光特征值，提取所有样本图像在V通道颜色分量的均值、方差、斜度、峰度、熵等5个特征，并组成一个n*5维的数据集，其中n表示样本个数。这些特征描述了图像在各颜色分量的灰度分布特性。各特征值的计算公式如下：

均值：

方差：

偏度：

峰度：

熵：

式中，H和W分别表示图像的宽和高，f(i,j)表示图像里的像素值，N表示颜色通道的灰度级总数(本专利中为256)。

7)对训练集的数据进行归一化处理，采用的归一化映射如下：

归一化的结果是原始数据被规整到[0,1]范围内，即y_i∈[0,1]，y＝1,2…,n。

8)提取步骤7中所得的训练集的5个特征值组成分类器的训练集，并制作符合SVM格式的标签文件，如图5所示。将分类器训练集和测试集的正样本类别标签置为1，负样本的类别标签置为-1。

9.)选择核函数类型、SVM所涉及的惩罚因子c，gamma参数g以及核函数所用相关参数，利用步骤8得到的训练集训练分类器模型，得到分类器模型。在SVM分类器设计过程中，让c和g在一定的范围内取值，对于取定的c和g，把训练集作为原始数据集并利用K重交叉验证法方法得到在某一组c和g下训练集验证分类准确率，最终取使得训练集验证分类准确率最高的那组c和g作为最佳的参数。若最高准确率有多个，则选取c值最小的参数，如果对应最小的c有多组g，就选取搜索到的第一组c和g作为最佳的参数，因为过高的c会导致过拟合状态发生，即训练集分类准确率很高而测试集分类准确率很低(分类器的泛化能力降低)。K重交叉验证法是指把数据集分为k份大小相等的互斥子集，然后在寻找参数过程中每次将其中k－1份数据作为训练数据，而将剩下的一份数据作为测试数据，最终返回的是这k个结果的均值。参数寻优流程图如图6所示。

2.输入测试集图像，利用训练好的分类器进行分类，输出最终分类结果。

1)对待检测绝缘子彩色图像进行预处理，包括转换为YCbCr图像，阈值分割，形态学图像处理，绝缘子区域提取等处理。

2)得到的绝缘子彩色图像分别在HSV和RGB颜色空间进行分解，得到绝缘子彩色图像的H、S、V、R、G、B六个通道颜色分量。

3)提取所有样本图像在V通道颜色分量的均值、方差、斜度、峰度、熵等5个特征，生成特征向量。

4)将特征向量送入SVM分类器进行分类，根据分类器分类结果输出绝缘子是否污闪，若分类结果为1，则表明绝缘子正常；若分类结果为-1，则表明绝缘子污闪。

Claims (1)

1.一种基于配电线路航拍图像的绝缘子污闪状态检测方法，该方法首先训练绝缘子图像污闪检测分类模型，之后利用训练好的模型进行绝缘子污闪状态检测，其中，训练绝缘子图像污闪检测分类模型的方法如下：

1)将巡线时的航拍图像预处理并按照一定比例分成训练集和测试集两个部分，并将训练集的图片从RGB空间转换到YCbCr空间，从RGB颜色空间到YCbCr颜色空间的转换公式如下所示:

2)对训练集的图像设置分割阈值，根据阈值对图像进行二值化，在YCbCr范围内的像素点为白色，其余像素点为黑色，将图像分割开来；

3)对分割之后的图像进行形态学图像处理，包括腐蚀、膨胀和孔洞填充；

4)根据绝缘子在图像中的尺寸，对经过3)步处理后提取的区域进行筛选，分离出绝缘子图像并归入训练集，规定背景及正常绝缘子的图像为正样本，含有绝缘子污闪的图像为负样本；

5)考虑到训练集中正负样本数量不均衡，对训练集中的负样本进行数据增强，数据增强的手段包括加入图像噪声，尺度放缩和调整JPEG质量，其中，在尺度放缩中，采用最近邻域内插，双线性内插和双三次内插三种方式；

6)对步骤5)的绝缘子图像分别在HSV和RGB颜色空间进行分解，得到绝缘子图像的H、S、V、R、G、B六个通道颜色分量，选择绝缘子V分量作为最能体现绝缘子污闪信息的可见光特征值，提取所有绝缘子图像在V通道颜色分量的均值、方差、斜度、峰度、熵5个特征；

7)对训练集的数据进行归一化处理；

8)提取步骤7)中所得的训练集的5个特征值组成分类器的训练集，并制作符合SVM格式的标签文件，将分类器训练集的正样本类别标签置为1，负样本的类别标签置为-1；

9)设计和训练SVM分类器，得到分类器模型，从而得到绝缘子图像污闪检测分类模型，方法如下：

选择核函数类型、SVM所涉及的惩罚因子c，gamma参数g以及核函数所用相关参数，让c和g在一定的范围内取值，对于取定的c和g，把训练集作为原始数据集并利用K重交叉验证法方法得到在某一组c和g下训练集验证分类准确率，最终取使得训练集验证分类准确率最高的那组c和g作为最佳的参数；若最高准确率有多个，则选取c值最小的参数，如果对应最小的c有多组g，就选取搜索到的第一组c和g作为最佳的参数。

Images