CN113781498A - 一种复合绝缘子智能诊断方法 - Google Patents

Abstract

本发明公开了一种复合绝缘子智能诊断方法，属于电力系统设备检测领域。为了应对输电线路上的复合绝缘子运行环境恶劣，事故不断发生的现象，解决基层巡检人员人工判断故障的低效率问题。通过FasterRCNN网络从无人机航拍图像中定位到目标复合绝缘子，经过图像增强等预处理方法之后，使用椭圆检测找到绝缘子伞裙，分割出只包含复合绝缘子伞裙的区域，对其破损、污秽、粉化等外部缺陷采取不同处理方法进行识别与分级。该方法与传统的图像处理算法相比较可以获得更好的效果，具有普适性，能够对不同类型的复合绝缘子进行识别，响应速度快，漏检率较少等优点。

Description

一种复合绝缘子智能诊断方法

技术领域

本发明属于电力系统设备检测技术领域，具体涉及一种复合绝缘子智能诊断方法。

背景技术

绝缘子是输电线路中用量庞大、种类最多的零部件之一，不仅对输电线路起绝缘作用，也要起悬挂稳固作用。随着投运时间的增长，绝缘子容易受到外界环境而产生故障，其安全运行问题也会直接决定整个电力系统的安全性和可靠性。

根据不完全统计，2015年至今，江西电网共发生9次瓷绝缘子掉串事件，主要是因为产品的质量导致的。从电压等级看，110kV线路4次,220kV线路5次，500kV线路没有出现。当复合绝缘子端部压接式工艺的推广应用与内楔式工艺复合绝缘子的全面排查更换，如今江西公司还未出现复合绝缘子掉串故障。

与传统的瓷绝缘子、玻璃绝缘子等相比，桂橡胶复合绝缘子具有重量轻、机械强度高、耐污闪性能强、憎水性能力优秀、无零值与维护少等诸多优点，在电力系统中应用程度越来越高。一旦绝缘子的运行年限增加且在不利的工作环境影响下，复合绝缘子出现缺陷使输电线路的安全性显著降低。运行中的复合绝缘子主要受到局放、热老化、紫外老化、大气腐蚀等影响，材料将不可避免出现各种问题，而且投运时间过长，复合绝缘子的安全性能将进一步下降，出现异常状态的可能也在逐渐上升，将会严重影响到电网的安全稳定运行。以复合绝缘子为突破口，掌握电力设备的智能检测技术，实现复合绝缘子的自主识别、缺陷检测与评级，解决输电线路当中绝缘子检测费时费力且容易误判、评价无法定量的问题。

发明内容

本发明的目的是针对现有方法的不足，提出一种复合绝缘子智能诊断方法。该方法充分分析了评价复合绝缘子状态的困难与重要性，通过图像处理技术和深度学习算法，实现绝缘子本体识别；使用图像增强技术解决航拍图像的过曝光现象；利用椭圆检测实现复合绝缘子的伞裙定位与分割。研究了复合绝缘子典型缺陷的智能检测与分级，分别对复合绝缘子伞裙破损、污秽程度、老化粉化等典型问题进行分析，并搭建学习网络，实现了缺陷的智能识别与分级。

本发明的技术方案是：利用神经网络自主定位航拍图像中的复合绝缘子，使用图像增强等操作，减少航拍过程中经常发生的过曝光、反光等现象所带来的影响，然后通过椭圆检测把复合绝缘子伞裙区域分割出来，最后通过不同手段分别对复合绝缘子伞裙的破损、污秽及粉化现象进行检测，探究这些故障的智能识别方法与故障的分级规则，以确定是否需要及时更换设备，减少威胁。

本发明的一种复合绝缘子智能诊断方法，该方法包括以下步骤：

S1：获取当地的历史无人机航拍图像，建立好复合绝缘子本体数据库和复合绝缘子故障数据库，建立Faster RCNN网络模型，对复合绝缘子进行检测；

S2：对新拍摄的航拍图像进行图像增强等预处理，以去除亮度不均与反光等影响；

S3：边缘检测确定伞裙的大致位置，采用随机Hough变换进行椭圆检测，得到只含有伞裙的图像；

S4：对伞裙图像分别进行破损检测、污秽检测与粉化检测，以确定目标绝缘子是否具有缺陷。

本发明的有益效果是：

(1)该方法分别考虑了复合绝缘子与瓷、玻璃绝缘子的区别，其破损评价考虑到了整体的轮廓性，用裂纹与伞裙椭圆的交点作为评价指标，能够精准的判断复合绝缘子破损的程度。

(2)其污秽评价舍弃常用的RGB色彩空间，使用了HSV色彩空间，能够更好的描述出污秽绝缘子的颜色特征，便于进行智能评价。

(3)与传统的研究复合绝缘子材料老化程度、研究复合绝缘子表面粗糙度等方法相比，本方法以复合绝缘子粉化与憎水性的关系入手，以复合绝缘子憎水性分级来判断其粉化的程度，不仅更加快速，而且能够保证准确性。

附图说明

图1是本发明的一种复合绝缘子智能诊断方法流程图；

图2是图像增强算法流程图；

图3是随机Hough变换的椭圆检测示意图；

图4是绝缘子缺陷检测中破损检测算法流程图；

图5是步骤(1)结果图；

图6是步骤(2)结果图；

图7是步骤(4)结果图；

图8是步骤(5)破损检测结果图；(a)为裂纹；(b)为半破损；(c)为破损；

图9是步骤(5)污秽检测结果图；(a)为无污秽；(b)为轻微污秽；(c)为严重污秽；

图10是步骤(5)粉化检测结果图；(a)为未粉化；(b)为轻微粉化；(c)为严重粉化。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。

本发明的一种复合绝缘子智能诊断方法具体实施方式如下：如图1所示，包括以下步骤：

(1)获取当地的历史无人机航拍图像，建立好复合绝缘子本体数据库和复合绝缘子故障数据库，建立Faster RCNN网络模型，对复合绝缘子进行检测；其过程如下：

1)首先制作好Faster RCNN数据集，并对样本进行预处理，然后使用LabelImg标签软件进行正负样本的标注，生成XML文件，正负样本中都按照4：1的比例分成训练集与测试集；

2)固定好图片的大小，利用预训练模型VGG16提取复合绝缘子特征图；

3)使用RPN网络对测试图像生成候选区域，经过一个3×3的卷积与两个2×2的卷积得到候选框区域；

4)对候选框剪裁过滤之后使用softmax函数判断候选框是物体还是背景；

5)感兴趣区域池化(ROI pooling)把特征图固定到和全连接层一样的输入维度；

6)最后把判断好的候选区域映射到ROI pooling特征图上进行边框回归和分类；

步骤(1)结果如图5所示。

(2)对新拍摄的航拍图像进行图像增强预处理，以去除亮度不均与反光的影响；如图2所示，其过程如下：

1)首先进行多尺度Retinex操作，最大程度去除光照带来的影响；

2)进行图像的非局部均值获取；

灰度化归一化后的图像为I_in(x,y)，非局部均值滤波后的图像为I_out(x,y)

其中B为搜索区域，W(x,y)为权值，表示两个相似框之间的相似度，它的值是R和T的欧式距离来决定的

其中d是矩形的边长(如果是彩色图像，则d²系数变为3)，Z(x,y)为归一化系数，h为平滑参数，用以控制高斯函数的衰减程度。

3)进行对比度自适应增强；

S(x,y)为非线性指数函数增强后的灰度值，T是参数，C₁,C₂为常量，经过多次试验选择了0.1，0.5；ε＝0.001，主要是为了避免上式被除数为0。

4)进行亮度自适应增强；

为了保证使用三次泰勒级数进行滤波后在输出图像上的局部对比度相同，在这里定义如下公式：

U_out(x,y)是图像邻域亮度均值，U(x,y)是图像经过亮度自适应调整后的值，K(x,y)∈(0,2)。

对

做三次泰勒展开，输入图像S(x,y)的三次泰勒展开式为：

在这里S'(x,y)为一次偏导数，当邻域m，n为x，y时，代入

进行卷积，得到：

能够得到调整后的局部亮度：

U(x,y)＝K(x,y)×U_out(x,y)＝U₁+U₂+U₃+U₄

泰勒公式需要截断，只取有限项，函数展开成三次泰勒级数后，舍去了余项，这样就变成了一个另类的低通滤波器，U₁，U₂，U₃，U₄分别是U的四个分量，U-[U₁+U₂+U₃+U₄]为图像的高频分量，也是噪声部分。为了保护图像的边缘信息，U₁为图像近似分量；U₂为亮度调整分量；U₃为对比调整分量；U₄为边缘保护分量(U₂，U₃，U₄都有正有负)。

与其他低通滤波器不同的是，在实验中发现当U＝U₁-U₂+U₃-U₄时，效果最佳。

5)自适应色彩还原

还原公式定义如下：

其中I_in ^RGB(x,y)为未经任何变换的RGB三通道图像，包含I_in ^R(x,y)、I_in ^G(x,y)、I_in ^B(x,y)，ε＝0.001，F^RGB(x,y)为最后输出图像。

步骤(2)结果如图6所示。

(3)Canny算子边缘检测确定伞裙的大致位置；

(4)采用随机Hough变换进行椭圆检测，得到只含有伞裙的图像；其过程如下，示意图如图3：

1)把所以边缘点加入边缘集合D，初始化参数单元E＝NULL,，计数器f＝0,计数值Score，设定阈值dm、δ，容许偏差Q，α是随机选点的切线角，f_max表示能够容忍的最大循环次数。

2)在集合D中随机选取两个点d₁,d₂，d₁、d₂的两条切线交于点O，在线段d₁d₂上取中点M，在线段OM上取中点N(只寻找一边节省时间)。

3)假如线段d₁d₂的长度≥dm，α₁-α₂≥α时，如果满足则继续，如果不满足则返回(2)重新选取。

4)在线段MN上逐点寻找d3，若找到则判断d3切线与线段d₁d₂的关系，若近似平行则继续，否则都跳到(8)。

5)计算3点确定的二次曲线参数p，若有解则判断是否满足二次曲线中椭圆的关系，满足则继续，否则都转到(8)。

6)在E中找一个参数单元Ea，令其Score＝1，如果p-Ea≤Q，则继续，否则将p插入参数单元E中，然后转到(8)。

7)让Ea的Score加1，并更新参数单元Ea，若Ea的Score大于阈值δ(一般为3)则跳到(9)，否则则继续。

8)f＝f+1，若f大于f_max，则结束，否则跳回(2)。

9)Ea为可能椭圆的参数，落在该可能椭圆上的点与其周长的比来判断该椭圆是否为真，若真则继续；若假，则从集合E中去除Ea，跳回(2)。

10)画出参数为Ea的椭圆，并判断已画出的椭圆数是否达到预计数量，未达到则跳到(2)；如果达到，则程序结束。

步骤(4)结果如图7所示。

(5)对伞裙图像分别进行破损检测、污秽检测与粉化检测，以确定目标绝缘子是否具有缺陷。其过程如下：

1)破损检测。把伞裙边缘与椭圆检测出的轮廓对比，就能较为有效的实现破损检测。如图4所示，具体步骤如下：在随机椭圆检测结果中选择一个椭圆，搜索该椭圆的所有边缘点；如果这些边缘点在其他椭圆的边界上，则将这些点舍弃；计算这些点到椭圆边界的最短距离L_min。如果L_min>0.07b(b为短轴长度)，则N＝N+1。当N>δ1(因随着分辨率调整)时，认为复合绝缘子存在裂纹。否则，则是无破损；椭圆中距离边界最大的像素点(只取一个最大像素点原因是只要检测最严重的区域来判断整个伞裙的损坏程度)，其邻域到边界的平均距离为L_avg。如果L_avg>0.15b，M＝M+1。当0＜M＜δ2(因随着分辨率调整)则认为破损类型为半破损；当M≥δ3(因随着分辨率调整)，则认为复合绝缘子伞裙存在破损。破损检测结果如图8所示。

2)污秽检测。复合绝缘子在出厂的时候一般呈红色，运行期间经过各种污秽附着在伞裙上，使其颜色变暗，尤其是重污秽地区，绝缘子表面颜色呈黑灰状。在常用的RGB色彩空间中加入黑色，RGB三个分量同时都会改变许多，辨别效果不明显。而新出厂的复合绝缘子饱和度(S分量)较高，经过污秽影响后饱和度下降明显，因此使用HSV色彩空间来衡量污秽情况会比RGB更佳契合人眼的认知。在LS-SVM分类器中输入为H、S、V的均值和中值，输出为绝缘子的污秽等级。等级分别为无污秽a、轻微污秽b、严重污秽c共3个污秽等级。对正常样本和污秽样本进行一次分类，再对污秽样本进行第二次分类。污秽检测结果如图9所示。

3)粉化检测。在研究复合绝缘子粉化方面已经发现：当绝缘子良好时，表面的憎水性也同样优秀；当绝缘子粉化后，表面的憎水性逐渐丧失；当把表面粉化层刮掉以后，绝缘子憎水性又重新出现。因此，把复合绝缘子的憎水性分为A、B两类，A类为HC1-HC3表示未分化的绝缘子类，B类为HC4-HC7表示粉化的绝缘子类，使用SVM分类器进行二分类可以较为清晰迅速的分辨粉化与否。粉化检测结果如图10所示。

以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种复合绝缘子智能诊断方法，其特征在于：包括以下步骤：

S1：获取当地的历史无人机航拍图像，建立好复合绝缘子本体数据库和复合绝缘子故障数据库，建立Faster RCNN网络模型，对复合绝缘子进行检测；

S2：对新拍摄的航拍图像进行图像增强预处理，以去除亮度不均与反光的影响；

S3：边缘检测确定伞裙的大致位置，采用随机Hough变换进行椭圆检测，得到只含有伞裙的图像；

S4：对伞裙图像分别进行破损检测、污秽检测与粉化检测，以确定目标绝缘子是否具有缺陷。

2.根据权利要求1所述的一种复合绝缘子智能诊断方法，其特征在于：S2中所述的图像增强过程：

S2.1：首先进行多尺度Retinex操作，最大程度去除光照带来的影响；

S2.2：进行图像的非局部均值获取；

灰度化归一化后的图像为I_in(x,y)，非局部均值滤波后的图像为I_out(x,y)；

其中B为搜索区域，W(x,y)为权值，表示两个相似框之间的相似度，它的值是R和T的欧式距离来决定的；

其中d是矩形的边长，Z(x,y)为归一化系数，h为平滑参数，用以控制高斯函数的衰减程度；

S2.3：进行对比度自适应增强；

S(x,y)＝I_in(x,y)^T，

S(x,y)为非线性指数函数增强后的灰度值，T是参数，C₁,C₂为常量，ε＝0.001；

S2.4：进行亮度自适应增强；

为了保证使用三次泰勒级数进行滤波后在输出图像上的局部对比度相同，在这里定义如下公式：

U_out(x,y)是图像邻域亮度均值，U(x,y)是图像经过亮度自适应调整后的值，K(x,y)∈(0,2)；

对

做三次泰勒展开，输入图像S(x,y)的三次泰勒展开式为：

在这里S'(x,y)为一次偏导数，当邻域m，n为x，y时，代入

进行卷积，得到：

能够得到调整后的局部亮度：

U(x,y)＝K(x,y)×U_out(x,y)＝U₁+U₂+U₃+U₄

泰勒公式需要截断，只取有限项，函数展开成三次泰勒级数后，舍去了余项，这样就变成了一个另类的低通滤波器，U₁，U₂，U₃，U₄分别是U的四个分量，U-[U₁+U₂+U₃+U₄]为图像的高频分量，也是噪声部分；为了保护图像的边缘信息，U₁为图像近似分量；U₂为亮度调整分量；U₃为对比调整分量；U₄为边缘保护分量；

与其他低通滤波器不同的是，当U＝U₁-U₂+U₃-U₄时，效果最佳；

S2.5：自适应色彩还原；

还原公式定义如下：

其中I_in ^RGB(x,y)为未经任何变换的RGB三通道图像，包含I_in ^R(x,y)、I_in ^G(x,y)、I_in ^B(x,y)，ε＝0.001，F^RGB(x,y)为最后输出图像。

3.根据权利要求1所述的一种复合绝缘子智能诊断方法，其特征在于：S4所述的分别对伞裙图像进行缺陷检测：

1)破损检测；

把伞裙边缘与椭圆检测出的轮廓对比，就能较为有效的实现破损检测；具体步骤如下：在随机椭圆检测结果中选择一个椭圆，搜索该椭圆的所有边缘点；如果这些边缘点在其他椭圆的边界上，则将这些点舍弃；计算这些点到椭圆边界的最短距离L_min；如果L_min>0.07bb为短轴长度，则N＝N+1；当N>δ1时，认为复合绝缘子存在裂纹；否则，则是无破损；椭圆中距离边界最大的像素点，其邻域到边界的平均距离为L_avg；如果L_avg>0.15b，M＝M+1；当0＜M＜δ2，则认为破损类型为半破损；当M≥δ3，则认为复合绝缘子伞裙存在破损；

2)污秽检测；

使用HSV色彩空间来衡量污秽情况；在LS-SVM分类器中输入为H、S、V的均值和中值，输出为绝缘子的污秽等级；等级分别为无污秽a、轻微污秽b、严重污秽c共3个污秽等级；对正常样本和污秽样本进行一次分类，再对污秽样本进行第二次分类；

3)粉化检测；

把复合绝缘子的憎水性分为A、B两类，A类为HC1-HC3表示未分化的绝缘子类，B类为HC4-HC7表示粉化的绝缘子类，使用SVM分类器进行二分类分辨粉化与否。

Images