一种复合绝缘子憎水性等级辨识方法与流程

1.本发明涉及图像处理技术领域，特别涉及一种复合绝缘子憎水性等级辨识方法。


背景技术：

2.绝缘子是安装在不同电位的导体或导体与接地构件之间的能够耐受电压和机械应力作用的器件。目前，市面上的绝缘子种类繁多，形状各异，不同类型绝缘子的结构和外形虽有较大差别，但都是由绝缘件和连接金具两大部分组成的。
3.复合绝缘子具有憎水性及憎水迁移性，可有效提高绝缘子防污闪水平。绝缘子安装在户外，容易受到紫外线照射、粉尘污染、酸雨等影响，绝缘子的有机材料容易老化，尤其是复合绝缘子的硅橡胶材质逐渐老化，并导致憎水性下降，影响防污闪能力。为保障电力系统安全稳定运行，需对复合绝缘子憎水性等级准确判别，防止事故发生。
4.现有识别过程主要依靠人工对杆塔上的绝缘子进行取样试验，再根据运维经验判断试验对象的憎水性等级，结果准确度低且耗费时间长。随着人工智能技术的兴起，以深度学习为代表的图像特征智能提取与分类技术正快速发展。相比传统方法，深度学习基于多隐层结构实现图像特征逐层自动提取及复杂输入非线性高效逼近。凭借优异的特征表述能力，深度学习在图像识别等诸多领域得到大量应用，并取得较好效果。深度学习基于数据驱动，为保证效果，需大量高质量训练样本。然而，受待检设备老化程度多样等限制，可作为训练样本的复合绝缘子憎水性图像数量有限；此外，由于测试环境复杂，现场采用喷水定级法进行憎水性等级判别时光照条件难以固定，这又进一步削弱了训练样本的全面性和代表性，影响了憎水性等级判别效果。因此，需要对绝缘子憎水性等级的辨识方法进行进一步研究。


技术实现要素：

5.本发明所要解决的主要问题是，针对上述问题提供一种复合绝缘子憎水性等级辨识方法，可以减少人工试验、判断的过程，提高效率，降低成本。
6.本发明是通过如下技术方案实施的：一种复合绝缘子憎水性等级辨识方法，包括以下步骤：步骤1：获取带水绝缘子的图像，初步评估绝缘子伞裙不同局部的憎水等级，获取憎水性最差的区域，并建立样本数据集；通过采用喷水分级法（hc法）进行绝缘子喷水试验，拍摄待检绝缘子憎水性照片，拍摄要求拍清绝缘子伞裙细节，获取hc值，包括hc1至hc7；获取带水绝缘子的目的在于建立样本数据集，同时也需要通过局部情况来评估整体的憎水等级，因为即使是同一片伞裙，不同部分的憎水性也是不同的；绝缘子的某些局部憎水性强，某些局部憎水性弱；因此需要进行检测，通过初步评估明确此种憎水情况下绝缘子运行中的危险程度，憎水性最差的情况也是最危险的情况。
7.本技术第一步就需要初步评估绝缘子伞裙不同局部的憎水等级，把最差部分的憎水性检测出来，作为用以判断整片伞裙以及整串绝缘子的憎水等级的基础。
8.需要注意的是，采集的图片中包含的最大水珠不能包括绝缘子伞裙的边缘淤积水珠，避免边缘效应的影响。
9.步骤2：基于vgg-19网络构建深度特征提取模型：将步骤1中获取的图像，按照尺寸224
×
224
×
64进行分割成互不重叠的憎水样本，形成dt集，即憎水性图像训练样本集；基于imagenet集构建ds，ds训练得到基于vgg-19的imagenet集深度特征提取模型，即模型a。
10.本发明中所述尺寸为rgb尺寸参数。
11.基于vgg-19网络及imagenet集ds训练得到模型a，其主要步骤为：s2.11前向传播阶段；在该阶段，网络第l层输出可表示为：；式中，及分别为第l层网络权值及偏置；f()为激活函数，为relu函数。
12.s2.12反向传播阶段；在该阶段，可基于监督训练方法，通过梯度下降法对各层网络参数进行修正，并可表示为：；式中：w及b分别为网络权重及偏置；α为学习率；j(w,b)为损失函数；对于输出层为softmax层，j(w,b)可采用交叉熵损失函数。
13.s2.13重复步骤s2.11及步骤s2.12过程，直至网络达到要求精度，提取网络参数得到模型a。
14.模型a中，ds包含样本数达到百万级，包含1000类数据标签。
15.本发明中，vgg-19网络共包括1个输入层、16个卷积层、5个池化层、3个全连接层及1个输出层。
16.vgg-19输入层尺寸为224
×
224
×
64；卷积层通过卷积核实现不同层次特征提取。为增大卷积层深度，提高网络性能，vgg-19采用连续堆叠方式设置卷积层，且各卷积核尺寸均为3
×
3。
17.池化层可实现特征压缩，vgg-19均采用最大池化方式，且池化核尺寸均为2
×
2。
18.全连接层fc1、fc2及fc3的神经元数目分别为4096、4096及1000。
19.输出层一般基于图像识别等任务设置，且多采用softmax格式，由于憎水性等级只有6类，因此此模型最后计算出6种类别的概率，输出置信度最高的种类结果。
20.其中，imagenet集并未包括憎水性图像，dt与ds存在差异。
21.基于憎水性图像训练集dt及迁移学习理论构建憎水性图像深度特征提取模型，即模型b，其主要步骤为：s2.21以vgg-19网络为基础构造模型b，并使其全连接层fc3及输出层神经元数目均为6。
22.s2.22固定模型a除全连接层、输出层外其他参数，并迁移至模型b对应位置。
23.s2.23输入dt至模型b，基于反向传播计算对模型b全连接层及输出层参数进行优化更新。
24.基于憎水性图像深度特征提取模型，可实现任意憎水性图像样本深度特征高效提
取。图像特征经全连接层fc1、fc2及fc3传递，特征维度分别为1
×
4096、1
×
4096及1
×
6。
25.步骤3：构建憎水性图像局部特征提取方法：将憎水样本划分为9个区，获取每个区的任意像素点的lbp值，由图像各点lbp值可得到lbp谱图，可由各点lbp值构造特征向量。
26.基于lbp的憎水性图像局部特征提取方法，其基本步骤如下。
27.s3.1 将憎水样本划分为 9 个区，憎水样本尺寸为224
×
224，将憎水样本纵向沿憎水样本的竖边向内75分别做一条分割线，将憎水样本横向沿憎水样本的横边向内75分别做一条分割线，四条分割线将憎水样本划分为 9 个区，为4个尺寸为75
×
75的区，4个尺寸为74
×
75的区，1个尺寸为74
×
74的区。
28.s3.2分别获取9个区中的任意一个像素点，分别计算获取的像素点的灰度值；将位于中心的区的像素点的灰度值分别与其相邻的另外8个区的像素点的灰度值进行比较，若8个区的像素点的灰度值大于位于中心的区的像素点的灰度值，则该像素点的位置被标记为1，反之则为0。则8个区的像素点经比较可产生8位二进制数，即得到各分区 lbp 谱图，如图3所示。
29.s3.3制作每个区的直方图，即每个区出现的每个数字出现的频率，所述数字即是十进制数lbp值，然后对该直方图进行归一化处理，得到特征向量，且有：式中：、为分区k图像大小；为分区k的lbp谱图中lbp值为j的像素点总数。
30.s3.4将得到的每个区的统计直方图进行连接成为一个特征向量，也就是整幅图的lbp纹理特征向量。
31.基于lbp的憎水性图像局部特征提取方法提取的憎水性图像局部特征其特征维度为1
×
2304。
32.步骤4：基于特征融合法构建憎水性等级判别模型：首先获取憎水性图像深度特征，融合步骤3获取的憎水性图像局部特征，构造特征拼接层；将特征拼接层后接vgg-19的全连接层fc3，在确定fc3网络权值及偏置的基础上，实现深度特征及局部特征的融合。
33.具体操作步骤如下：s4.1以vgg-19全连接层fc2的输出f d
为憎水性图像深度特征。由 vgg-19 网络结构可知:，且为其第m个特征。
34.s4.2提取憎水性图像局部特征f l
。根据步骤3的方法，f l
可表示为，且为其第n个特征值。
35.s4.3构造特征拼接层，且该层输入及输出均为，并有。
36.s4.4特征拼接层后接全连接层fc3，在确定fc3网络权值及偏置的基础上，实现深度特征及局部特征的融合。
37.本发明专利的特征拼接层神经元数目为6400，vgg-19的输出层softmax层的神经元数目为7。
38.步骤5：复合绝缘子憎水性等级判定：利用融合后的憎水性等级判别模型对复合绝缘子喷水图像进行憎水性等级判断，获取憎水性识别等级结果，经过softmax函数输出置信度最高的种类，从而完成绝缘子憎水性的识别。
39.本发明创新点在于构建了深度特征提取模型和憎水性图像局部特征提取方法；然后基于特征融合法，将深度特征与局部特征进行融合，构建憎水性等级判别模型；并以vgg-19卷积神经网络为基础，构造憎水性等级判别模型。
40.本发明具有显著的有益效果：（1）本发明首先通过vgg-19卷积神经网络构建憎水性图像深度特征提取模型，并基于迁移学习理论实现训练样本数量受限条件下模型优化；（2）基于局部二值模式提取憎水性图像局部特征，并以vgg-19网络为基础，通过融合深度特征及局部特征，构建憎水性等级判别模型，改善实测环境光照条件多变对判别结果的不利影响；（3）本发明方法识别速度快，憎水性等级判别效果较高，同时减小光照条件对憎水性等级判别结果的影响。
附图说明
41.图1为vgg-19网络结构示意图。
42.图2为憎水性图像深度特征提取模型网络结构示意图。
43.图3为憎水性图像分区划分方法。
44.图4为本发明深度特征与局部特征进行融合后的网络结构示意图。
具体实施方式
45.为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
46.实施例1一种复合绝缘子憎水性等级辨识方法，包括以下步骤：步骤1：获取带水绝缘子的图像，初步评估绝缘子伞裙不同局部的憎水等级，获取憎水性最差的区域，并建立样本数据集；通过采用喷水分级法（hc法）进行绝缘子喷水试验，拍摄待检绝缘子憎水性照片，拍摄要求拍清绝缘子伞裙细节，获取hc值，包括hc1至hc7；获取带水绝缘子的目的在于建立样本数据集，同时也需要通过局部情况来评估整体的憎水等级，因为即使是同一片伞裙，不同部分的憎水性也是不同的；绝缘子的某些局部憎水性强，某些局部憎水性弱；因此需要进行检测，通过初步评估明确此种憎水情况下绝缘子运行中的危险程度，憎水性最差的情况也是最危险的情况。
47.本技术第一步就需要初步评估绝缘子伞裙不同局部的憎水等级，把最差部分的憎水性检测出来，作为用以判断整片伞裙以及整串绝缘子的憎水等级的基础。
48.需要注意的是，采集的图片中包含的最大水珠不能包括绝缘子伞裙的边缘淤积水珠，避免边缘效应的影响。
49.步骤2：基于vgg-19网络构建深度特征提取模型：将步骤1中获取的图像，按照像素224
×
224
×
64进行分割成互不重叠的憎水样本，形成dt集，即憎水性图像训练样本集；基于imagenet集构建ds，ds训练得到基于vgg-19的imagenet集深度特征提取模型，即模型a。
50.基于vgg-19网络及imagenet集ds训练得到模型a，其主要步骤为：s2.11前向传播阶段；在该阶段，网络第l层输出可表示为：；式中，及分别为第l层网络权值及偏置；f()为激活函数，为relu函数。
51.s2.12反向传播阶段；在该阶段，可基于监督训练方法，通过梯度下降法对各层网络参数进行修正，并可表示为：；式中：w及b分别为网络权重及偏置；α为学习率；j(w,b)为损失函数；对于输出层为softmax层，j(w,b)可采用交叉熵损失函数。
52.s2.13重复步骤s2.11及步骤s2.12过程，直至网络达到要求精度，提取网络参数得到模型a。
53.模型a中，ds包含样本数达到百万级，包含1000类数据标签。
54.vgg-19是卷积神经网络代表结构，其综合考虑了网络深度与计算复杂度的关系，且特征提取能力强；图1为vgg-19网络结构示意图，vgg-19网络共包括1个输入层、16个卷积层、5个池化层、3个全连接层及1个输出层。
55.vgg-19输入层尺寸为224
×
224
×
64；卷积层通过卷积核实现不同层次特征提取。为增大卷积层深度，提高网络性能，vgg-19采用连续堆叠方式设置卷积层，且各卷积核尺寸均为3
×
3。
56.池化层可实现特征压缩，vgg-19均采用最大池化方式，且池化核尺寸均为2
×
2。
57.全连接层fc1、fc2及fc3的神经元数目分别为4096、4096及1000。
58.输出层一般基于图像识别等任务设置，且多采用softmax格式，由于憎水性等级只有6类，因此此模型最后计算出6种类别的概率，输出置信度最高的种类结果。
59.其中，imagenet集并未包括憎水性图像，dt与ds存在差异。
60.在实际研究过程中，发现基于vgg-19网络，构建复合绝缘子憎水性深度特征提取模型存在局限性。
61.深度特征对原憎水性图像的表述能力强，可有效提高憎水性等级判别效果；然而，研究表明，实现vgg-19网络训练，需数十万高质量带标签训练样本，但受待检设备及检测环境等诸多限制，现场可用的高质量憎水性图像训练样本数量有限；为此，本发明提出基于迁移学习的憎水性图像深度特征提取方法。
62.由于dt及ds均为rgb型图像样本集，故可充分利用模型a样本学习及特征提取能力，基于迁移学习理论辅助构建模型b。
63.然而，imagenet集并未包括憎水性图像，dt与ds存在差异，直接将模型a各网络参数固定并迁移至模型b，其效果并不理想。
64.因此，本发明提出基于憎水性图像训练集dt及迁移学习理论构建憎水性图像深度特征提取模型，即模型b，其主要步骤为：s2.21以vgg-19网络为基础构造模型b，并使其全连接层fc3及输出层神经元数目均为6。
65.s2.22固定模型a除全连接层、输出层外其他参数，并迁移至模型b对应位置。
66.s2.23输入dt至模型b，基于反向传播计算对模型b全连接层及输出层参数进行优化更新。
67.基于憎水性图像深度特征提取模型，可实现任意憎水性图像样本深度特征高效提取。图像特征经全连接层fc1、fc2及fc3传递，特征维度分别为1
×
4096、1
×
4096及1
×
6。
68.步骤3：构建憎水性图像局部特征提取方法：将憎水样本划分为9个区，获取每个区的任意像素点的lbp值，由图像各点lbp值可得到lbp谱图，可由各点lbp值构造特征向量。
69.vgg-19 网络提取的特征具有平移不变性，且憎水性图像水珠分布形态具有旋转不变性，上述特征提高了训练样本代表性。然而，vgg-19 网络特征提取效果对光照敏感，由于测试环境复杂，采用喷水定级法进行憎水性判别时光照条件难以稳定，为减小光照条件对憎水性等级判别结果的影响，本发明提出基于局部二值模式lbp的憎水性图像局部特征提取方法；lbp是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。
70.图像样本中任一像素点 (x, y) 的 lbp 值， 其计算方法如下：式中：为像素点 (x, y) 的灰度值；为与 (x, y) 相邻 8 个方向像素点灰度值，其示意图如图3 所示。 s(x) 为符号函数，并有；lbp 值仅取决于中心及邻域像素点间灰度值的差值，而与绝对数值无关；此外，lbp 仅分析 3
×
3局部像素范围，当光照条件变化时，该局部范围内灰度值差值关系变化微弱，故lbp值具有光照不变性。
71.由图像各点lbp值可得到lbp谱图，可由各点lbp值直接构造特征向量；但对于224
×
224的憎水性图像，该方式特征维度达到50176，不利于后续分析。
72.由于lbp值为0~255间整数，可计算各lbp值出现频次，并以此对lbp谱图进行表征，但该方式忽略了谱图位置信息；通过对图像分区的方式解决了该缺陷，并提出综合考虑特征提取效果及计算复杂度，可将原图像划分为9个分区。
73.因此，基于lbp的憎水性图像局部特征提取方法，其基本步骤如下。
74.s3.1 将憎水样本划分为 9 个区，憎水样本尺寸为224
×
224，将憎水样本纵向沿憎水样本的竖边向内75分别做一条分割线，将憎水样本横向沿憎水样本的横边向内75分别做一条分割线，四条分割线将憎水样本划分为 9 个区，为4个尺寸为75
×
75的区，4个尺寸
为74
×
75的区，1个尺寸为74
×
74的区。
75.s3.2分别获取9个区中的任意一个像素点，分别计算获取的像素点的灰度值；将位于中心的区的像素点的灰度值分别与其相邻的另外8个区的像素点的灰度值进行比较，若8个区的像素点的灰度值大于位于中心的区的像素点的灰度值，则该像素点的位置被标记为1，反之则为0。则8个区的像素点经比较可产生8位二进制数，即得到各分区 lbp 谱图，如图3所示。
76.s3.3制作每个区的直方图，即每个区出现的每个数字出现的频率，所述数字即是十进制数lbp值，然后对该直方图进行归一化处理，得到特征向量，且有：式中：、为分区k图像大小；为分区k的lbp谱图中lbp值为j的像素点总数。
77.s3.4将得到的每个区的统计直方图进行连接成为一个特征向量，也就是整幅图的lbp纹理特征向量。
78.基于lbp的憎水性图像局部特征提取方法提取的憎水性图像局部特征其特征维度为1
×
2304。
79.步骤4：基于特征融合法构建憎水性等级判别模型：首先获取憎水性图像深度特征，融合步骤3获取的憎水性图像局部特征，构造特征拼接层；将特征拼接层后接vgg-19的全连接层fc3，在确定fc3网络权值及偏置的基础上，实现深度特征及局部特征的融合。
80.为提高憎水性等级判别效果，并改善光照条件变化不利影响，本发明将深度特征与局部特征进行融合，并以 vgg-19 深度学习网络为基础，构造憎水性等级判别模型；进行特征融合时，需考虑各特征的权重；进一步分析可知，全连接层可实现特征加权及特征重组，vgg-19 末端全连接层 fc3将接入vgg-19输出层softmax层，而次末端全连接层fc2的输出仍可基于fc3进行特征组合及特征加权。
81.具体操作步骤如下：s4.1以vgg-19全连接层fc2的输出f d
为憎水性图像深度特征。由 vgg-19 网络结构可知:，且为其第m个特征。
82.s4.2提取憎水性图像局部特征f l
。根据步骤3的方法，f l
可表示为，且为其第n个特征值。
83.s4.3构造特征拼接层，且该层输入及输出均为，并有。
84.s4.4 特征拼接层后接全连接层fc3，在确定fc3网络权值及偏置的基础上，实现深度特征及局部特征的融合。
85.对该模型进行训练时，可固定除fc3及softmax层外，其他网络参数，并利用复合绝缘子憎水性图像训练样本集d t，基于反向传播方法对fc3及输出层softmax层参数进行优化更新。
86.综上，本文构建了基于迁移学习和特征融合的复合绝缘子憎水性等级判别模型，其网络结构如图4所示。
87.本发明专利的特征拼接层神经元数目为6400，vgg-19的输出层softmax层的神经元数目为7。
88.步骤5：复合绝缘子憎水性等级判定：利用融合后的憎水性等级判别模型对复合绝缘子喷水图像进行憎水性等级判断，获取憎水性识别等级结果，经过softmax函数输出置信度最高的种类，从而完成绝缘子憎水性的识别。
89.本发明创新点在于构建了深度特征提取模型和憎水性图像局部特征提取方法；然后基于特征融合法，将深度特征与局部特征进行融合，构建憎水性等级判别模型；并以 vgg-19卷积神经网络为基础，构造憎水性等级判别模型。