基于Deeplabv3+与Otsu模型的输电线电晕放电紫外图像分割方法

田 晨,许志浩,李 强,宋云海,康 兵,丁贵立,王宗耀

(1.南昌工程学院电气工程学院,江西 南昌 330099；
2.中国南方电网超高压输电公司,广东 广州 510000)

电力工业是国民经济发展的重要基础[1],随着我国经济的高速增长和人民生活水平的快速提高,社会对电能的需求与日俱增,对安全稳定供电的需求也越来越高[2]。为了提升远距离输电线路的传输能力,降低电力损耗,国家大力开展超高压、特高压输电工程。然而随着输电线路电压的升高,输电线表面会产生电晕放电的现象[3]。电晕放电会产生可听噪音和电磁干扰,造成电能损耗,甚至对输电线路的安全运行构成严重威胁。因此,对电晕放电进行有效的检测成为必要。

目前,针对电晕放电的检测方法主要有红外热像、超高频、超声波和紫外放电检测等。红外热像根据放电引起的温升变化来进行检测,灵敏度不高,易受环境温度、风速等因素的干扰,且检测及时性不足[4]；
超高频法受限于现在的工艺水平,还不能很好的投入生产实际；
脉冲电流法属于接触式检测,且易受无线电干扰,会很大程度影响检测精度；
超声波检测通过接收放电时发出的声波定位放电点,再根据幅值来判断放电情况,检测精度低,易被其他放电干扰。

研究表明,输电设备在产生电晕放电过程中,会释放200～400 nm波长的紫外光信号,其中波段为240～280 nm的太阳辐射紫外光大部分被大气中的臭氧吸收,紫外成像仪正是通过接收这一波段的紫外信号避免太阳光干扰,并采用双通道成像技术合成电晕放电的紫外图像[5]。紫外成像检测技术基于其直观方便、快速准确、抗干扰能力强以及全天候使用等优势,已经成为高压电晕放电的主要检测手段。

目前对于紫外图像中电晕放电检测的研究还在探索中,仍有许多问题亟待解决,譬如图像分割,特征量分析,缺陷诊断等关键性问题。其中放电区域图像准确分割是关键环节,分割准确性直接影响放电强度量化及诊断准确性。文献[6]在处理放电特征比较明显的紫外图像时,直接采用最大散度差阈值分割,数学形态学滤波处理后得到分割结果。然而,当放电区域为彩色时,利用传统阈值分割法难以达到预期效果[7]。于是,文献[8] 利用高斯函数调整彩色放电区域与背景的对比度,再使用阈值分割算法分割放电区域,其还具有运算速度快、计算简便等优点。文献[9]、[10]引入Chan-Vese(C-V)模型对紫外图像直接提取放电区域,且不需要进行滤波处理即可得到连续曲线的边界。

综合以上研究成果,目前对紫外成像放电目标区域的分割提取,都是基于电晕放电区域光斑非常清晰,与背景对比度明显的情况。此外,以上这些方法都是基于日盲型紫外成像仪拍摄的成像效果较好的放电图像,并不适用于夜间型紫外成像仪拍摄的图像。夜间型紫外成像仪拍摄的紫外图像效果受环境影响和设备性能限制,其放电区域与背景对比度不明显,因而识别分割效果并不理想[11]。

因此,本文提出一种基于紫外成像技术的夜间输电线电晕放电精确分割方法。引入Deeplabv3+深度学习语义分割模型对紫外图像放电区域整体进行类别分割,结合改进Otsu阈值算法对语义分割结果进行后处理,从而实现对电晕放电区域的精确分割。

本文提出基于夜间紫外成像技术的输电线电晕放电的分割方法,构建Deeplabv3+与改进Otsu分割模型；
分析夜间紫外成像仪拍摄输电线电晕放电图像特点,探究采用Deeplabv3+语义分割方法和改进Otsu阈值分割方法对放电目标分割精度的实际影响效果。

基于Deeplabv3+语义分割方法的引入,有效解决了图像中放电区域与背景区域对比度不明显导致难以分割的问题,由于其放电区域形态与背景区别明显,通过Deeplabv3+可以将放电区域大致分割出来；
改进Otsu阈值分割方法的加入会调整放电图像的类间方差,对放电区域方差自适应加权使得分割阈值接近理想阈值,此时利用改进Otsu方法对Deeplabv3+语义分割结果进行后处理,从而提高放电目标区域的分割精度。图1为针对夜间输电线电晕放电紫外图像的Deeplabv3+与改进Otsu分割模型框架。

图1 输电线电晕放电分割模型框架

语义分割是一种使计算机能够理解图像,并在网络中同时实现对图像中不同对象分类识别和高精度分割的技术[12],已广泛用于电气设备的识别和检测。其中Deeplab[13]系列语义分割算法结合了深度卷积神经网络与条件随机场,使得语义分割结果更加准确。而最新的Deeplabv3+语义分割算法,在Deeplab系列算法优点的基础上,引入了编码-解码(Encode-Decode)结构,成为目前分割效果最好的模型[14]。在输电线电晕放电检测中,夜间型紫外成像仪拍摄的图像,其电火花形态的放电区域与电力设备区别明显,因此,可以通过基于Deeplabv3+的语义分割方法将放电区域整体分割出来。

3.1 Deeplabv3+算法

Deeplabv3+网络由空洞卷积空间金字塔模块(Atrous Spatial Pyramid Pooling,ASPP)[13]与编码-解码结构组成,如图2所示。

图2 Deeplabv3+网络结构图

本文选取ResNet50[15]作为Deeplabv3+网络的特征提取主干网络,该网络用于克服Deeplabv3+网络加深导致的学习效率低、无法有效提高准确率的问题。网络主要由4个卷积残差块(Conv-block)和12个恒等残差块(Identity-block)组成,其中Conv-block用来调整输入图像的尺寸和通道数,Identity-block用以串联网络及增加网络层数。

在编码过程中,首先通过ResNet50网络对输入的放电紫外图像进行特征提取,并由其末端的ASPP接收提取的特征图作为输入,再经过具有多个不同采样率的空洞卷积捕获电晕放电的特征信息,最后得到放电紫外图像的高层次特征,并将高层次特征图像输入到解码模块中进行处理。

在解码过程中,首先将编码模块提取到的高层特征图进行上采样操作,然后将该特征与编码过程中的浅层特征相结合,最后再次将结合后的特征进行上采样处理,还原成与输入时同等尺寸图像,从而完成对电晕放电区域的分割。

3.2 电晕放电图像数据集构建

3.2.1 数据来源与标注

本文使用的紫外图像数据是某网省公司利用FiLin-6夜间型紫外成像仪进行输电线电晕放电检测时保留的巡检图像资料。对获取的紫外检测图像进行逐个处理,处理后的图像大小统一缩放为 640×368,并剔除缺陷图像。

以如下方式构建电晕放电图像数据集:将图像分为电晕光斑和背景两类,背景主要有输电线、其他电力部件、天空等；
图像中能明显判断出电晕光斑的部分逐个标注,标注区域内尽可能包含较完整的光斑；
多个电晕光斑堆叠时,尽量单独标注每个光斑区域。所有图像标签均采用Labelme自行标注,生成 json格式文件,并用于训练。

通过上述工作,构建了共含有1286张图像的电晕放电数据集,图3为训练样本的原始图像及标签图像示例。

图3 原始图像及标签图像示例

3.2.2 数据集划分

随机选取已标注图像中的1028张图像构成电晕放电数据集的训练部分,剩余的258张图像构成了测试部分。

3.2.3 数据集增广

Deeplabv3+网络建立在大数据拟合的基础上,在小样本下难以拟合出最优解,为避免Deeplabv3+网络在进行多层网络训练时出现过拟合以及特征提取能力降低的问题,考虑对图像数据增强,进而扩大数据集。

本文通过图像水平翻转或竖直翻转、平移、旋转、图像亮度调节、添加高斯噪声等方式对电晕放电图像数据集进行增广,如图4所示,将训练集扩充为原来的6倍大小,构成了电晕放电图像基准数据库。

图4 图像数据增强效果

3.3 网络训练与结果分析

3.3.1 Deeplabv3+网络训练

实验过程需要大量的图像计算,对计算机内存和GPU性能的要求比较高,本文实验平台的软硬件环境如表1所示。

表1 实验平台参数设置

对Deeplabv3+网络进行训练时,经过多次实验优化,最终参数设置为:训练最小批次为20,初始学习率为0.001,最大迭代次数为300次以控制模型训练时间成本。Deeplabv3+网络采用交叉熵作为损失函数,定义如式(1)所示:

(1)

其中,wc为类别c的损失权重；
pc(zj)为像素zj属于真实类别c的概率。训练过程如图5所示,模型在epoch为250左右趋于收敛,验证准确率为 84.94%,验证损失为 0.164。

图5 DeepLabv3+网络模型训练过程

3.3.2 语义分割评价指标

为了验证DeepLabv3+语义分割模型的性能,以平均交并比[16](Mean Intersection over Union,MIoU)和平均一次迭代的运行时间作为量化指标,评价模型的分割精度和运算效率。MIoU表示的是真实标签与分割结果的交集与并集之比的平均值,可以用来反映真实标签与模型分割目标区域的重合度。计算公式如下:

(2)

式中,m为类别总数,pii表示真实标签为类别i,分割结果也为类别i的像素数量,而pij表示真实标签为类别i,分割结果为类别j的像素数量。

3.3.3 算法效果评估

为分析Deeplabv3+分割模型的有效性,将Deeplabv3+与Unet、FCN以及Segnet等三种经典语义分割模型分别进行实验对比,各分割模型在测试集上的测试效果如表2所示。

表2 不同模型的分割性能

由表2可知,基于Deeplabv3+语义分割模型的分割精度优于另外三种经典语义分割算法,且运算效率也远高于经典分割算法,说明Deeplabv3+分割模型具有极强的优越性。

在测试过程中,基于Deeplabv3+语义分割模型的测试结果如图6所示。

图6 基于Deeplabv3+分割效果图

其中(a)为测试样本原图,(b)为Deeplabv3+模型分割结果图,(c)为测试原图与模型预测结果融合后的图像。从分割结果可以看出,Deeplabv3+模型能够从复杂背景中识别分割出放电位置,得到大致的放电区域,但仍难以避免会误分割一些非放电背景区域。

紫外放电图像在经过语义分割处理后,其电晕放电区域的灰度值与背景的灰度值对比明显,从而便于阈值分割算法从语义分割结果中精确分割出放电区域。根据语义分割后放电图像特点,本文采用改进Otsu算法对变换后的灰度图像分别进行阈值分割。

4.1 Otsu算法

Otsu是一种自适应阈值分割算法,也称为最大类间方差阈值分割法[17],其通过计算图像的最大类间方差来分离背景与目标,当背景部分与目标部分的方差达到最大时,其分割效果最佳。

其分割原理为:假设图像像素点总数为N,将其灰度分为k个等级(1～k),xi表示图像灰度级为i时的像素点数量,则灰度级i出现的概率为:pi=xi/N；
引入初始阈值t,根据灰度级是否大于t可将图像的像素点分成M0、M1(目标和背景)两类,灰度级为[1,t]的像素点属于M0类,灰度级为[t+1,k]的像素点属于M1类。P0(t),P1(t)分别表示M0类和M1类的出现的概率；
Q0(t),Q1(t)分别表示M0类和M1类的平均灰度级[18-19]。则有:

(3)

(4)

(5)

(6)

类间方差定义为:

(7)

4.2 改进的Otsu算法

文献[20]提出Otsu阈值等于式(7)中Q0(tbest),Q1(tbest)两类平均灰度级的平均值,即:

(8)

Otsu算法中,阈值会靠近方差较大的一类,将其所属类别的区域分割成方差较小的另一类,使得两类区域大小接近。由于检测紫外图像放电目标区域较小,背景区域较大,需要使放电区域方差变小才能使Otsu分割阈值接近理想阈值。于是,考虑对放电目标区域方差加权使之小于原始方差,改进Otsu算法类间方差定义为:

(9)

其中,ω为权重,其值范围为[0,1]。本文令ω=P0(t),P0(t)表示放电目标区域出现的概率,当图像中光斑比较多,P0(t)值较大,赋予放电目标区域方差的权重ω较大,反之,ω较小,从而实现对放电目标区域方差自适应加权。

5.1 评价指标

为了评判分割效果,引入平均像素精度(Mean Pixel Accuracy,MPA)、平均交并比(MIoU)这两个指标作为衡量本文分割方法精度的标准。MPA表示所有类别像素正确分类概率的均值,如式(10)所示,其侧重表现像素分类的准确率,而MIoU侧重表现模型分割目标区域的完整性以及分割位置的准确性。

(10)

式中,m为类别总数,pii表示真实标签为类别i,分割结果也为类别i的像素数量,而pij表示真实标签为类别i,分割结果为类别j的像素数量。MIoU定义如式(2)。

5.2 算法效果评估

为了说明本文构建的电晕放电紫外图像分割方法的有效性,先使用传统的Otsu算法对电晕放电目标进行分割,进行实验对比,发现Otsu算法能够分割部分放电区域,但是图像中还存在大量噪声,分割效果不佳。而后使用本文提出的精确分割法,实验表明,本方法具有良好的分割效果。实验过程中先使用基础模型分割,即传统Otsu算法对Deeplabv3+网络处理得到的放电区域进行分割,然后对Otsu算法进行改进,引入本文分割方法再次进行实验,实验对比结果如表3所示。

表3 实验结果量化对比

以上三种分割方法的实验结果对比如图7所示,其中(a)为测试样本原图;(b)为传统Otsu算法分割结果,从图中可以看出传统Otsu算法分割结果存在大量噪声,对电晕放电的检测能力差,由于夜间型紫外成像仪拍摄的放电图像中光斑与背景的对比度不明显,从而无法实现有效识别及分割；
(c)为DeepLabv3+语义分割模型的实验结果图；
(d)为基础模型分割放电区域的结果,可以较好地分割出电晕放电信息,但对于光斑细节处分割不佳,这是因为紫外图像中光斑区域较小,其分割阈值大于理想阈值,于是在对DeepLabv3+语义分割结果进行后处理分割时,导致会误分割部分背景区域；
(e)为本文改进分割方法,考虑了放电区域较小情况下,对放电目标区域方差加权使之小于原始方差,从而实现对放电目标区域方差自适应加权,改善了对背景区域误分割的问题,能够完整地分割电晕放电区域,效果最好。

图7 实验结果对比图

针对夜间输电线电晕放电紫外图像的分割问题,提出了放电目标区域精确分割方法。首先通过Deeplabv3+模型对紫外图像放电区域整体进行类别分割得到大致区域,再利用自适应加权Otsu阈值算法对语义分割结果进行后处理,从而得到对电晕放电区域精确分割的结果。实验表明:(1)传统Otsu阈值分割方法无法对夜间电晕放电紫外图像进行有效的识别分割；
(2)本文提出的DeepLabv3+结合改进Otsu分割方法,平均像素精度为93.97%,平均交并比为 90.85%,分割效果良好；
(3)本方法可用于对输电线巡检的紫外图像实现电晕放电区域精准快速分割。

本文所做研究为基于目标区域的电晕放电区域分割,后续将在此基础上,实现对分割区域放电强度的量化及输电线缺陷诊断。

猜你喜欢输电线电晕方差概率与统计(2)——离散型随机变量的期望与方差中学生数理化(高中版.高考数学)(2021年3期)2021-06-09方差越小越好?中学生数理化·七年级数学人教版(2019年6期)2019-06-25计算方差用哪个公式中学生数理化·七年级数学人教版(2019年6期)2019-06-25方差生活秀初中生世界·九年级(2017年10期)2017-11-08高压架空输电线磁场环境分析通信电源技术(2016年3期)2016-03-26电晕笼内导线交流电晕起始电压判断方法中国学术期刊文摘(2016年2期)2016-02-13电晕笼内导线三维电场强度分布浅析四川电力技术(2015年5期)2015-12-19基于时域波形特征的输电线雷击识别电测与仪表(2015年2期)2015-04-09降低输电线雷电侵入波的仿真分析电测与仪表(2014年21期)2014-04-04500kV绝缘子串含零值绝缘子时的电晕放电分析电测与仪表(2014年6期)2014-04-04