基于紅外圖像分割與SSA-SVM的 復合絕緣子缺陷檢測方法

董懿飛 舒勝文 陳 誠 金 銘 王 建

（1.福州大學電氣工程與自動化學院，福州 350108； 2.國網新疆電力有限公司電力科學研究院，烏魯木齊 830013）

0 引言

隨著國家能源互聯和“一帶一路”戰略的穩步推進，特高壓輸電工程承擔著至關重要的角色。復合絕緣子具有質量輕、機械強度高、抗污閃的優越性能，被廣泛應用于特高壓輸電系統。在實際運行中，復合絕緣子會因電氣、機械和外界環境共同作用出現內部缺陷，嚴重時導致斷串、掉線、擊穿等重大事故[1]。因此，定期開展復合絕緣子檢測評估工作，及時發現并消除缺陷，對于保障輸電系統的安全運行具有重大的意義。

紅外熱像檢測法因其操作便捷高效、檢測準確率高、無需停電等優點，在絕緣子缺陷檢測中廣泛應用[2-3]。國內外利用紅外圖像技術開展了很多復合絕緣子缺陷檢測研究，但主要集中在交流方面：文獻[4]利用無人機航巡的機載紅外設備對復合絕緣子內部缺陷進行在線檢測；文獻[5]拍攝了大量交流10kV不同污穢等級復合絕緣子的紅外圖片，通過提取溫度特征量來實現污穢等級的識別；文獻[6]利用紅外圖像技術研究了不同均壓環配置方式和積污程度對交流500kV復合絕緣子異常發熱的影響。然而，紅外圖像技術應用于直流復合絕緣子的缺陷檢測較少，原因是復合絕緣子在直流電壓作用下不存在極化損耗，發熱量明顯低于交流復合絕緣子，因此紅外圖像技術可檢測出直流復合絕緣子的缺陷類型明顯低于交流復合絕緣子。

隨著深度學習方法的不斷推廣，其在絕緣子圖像識別和缺陷檢測中得到了廣泛應用。文獻[7]采用改進種子區域生長法分割得到絕緣子盤面區域，并設計支持向量機多值分類器進行污穢等級的劃分。文獻[8]利用一種改進的色差方法和最大類間方差自適應閾值算法，實現了復合絕緣子目標的準確識別。文獻[9]利用Hough變換和形態學實現絕緣子紅外圖像區域的分割，建立BP神經網絡模型實現故障的定位與識別。上述研究為利用紅外圖像技術對交直流復合絕緣子進行內部缺陷檢測提供了可能性。

本文提出一種基于紅外圖像分割和麻雀搜索算法（sparrow search algorithm, SSA）-支持向量機（support vector machine, SVM）的交直流復合絕緣子內部缺陷檢測方法。首先，制作直流±1 100kV復合絕緣子短樣，并人工設置四種不同類型的模擬缺陷，分別施加等價的交、直流電壓，采用紅外熱像儀得到正常和各種缺陷類型下復合絕緣子的紅外圖像樣本；然后，對圖像進行閾值分割，提取絕緣子區域，計算并選擇有效的溫度特征量；最后，以選擇后的溫度特征量作為SSA-SVM模型的輸入量，以缺陷類型作為輸出量，建立交直流復合絕緣子缺陷類型的診斷模型，并進行模型有效性驗證。

1 缺陷模擬實驗

1.1 內部模擬缺陷設置

根據復合絕緣子內部界面擊穿的機理，可對界面內部的碳化通道和電樹枝這兩種不同程度的缺陷進行研究。但實際運行中，很難尋找到存在局部放電且暫未開裂的復合絕緣子，所以許多研究人員通過建立模擬故障的復合絕緣子模型來開展檢測方法的研究?，F場發現斷裂復合絕緣子斷裂口大多位于距高壓端第一、二片傘裙處，選擇在此位置進行故障模擬。本文選取FXBZ—±1100/300復合絕緣子的1/10短樣，采用埋入銅絲和碳纖維棒來分別模擬電樹枝和碳化通道，且根據缺陷是否與高壓端相連，將缺陷分為導通型缺陷與懸浮型缺陷[10]。具體的缺陷模擬方法見表1，得到的實際模擬缺陷如圖1所示。

表1 缺陷模擬方法

圖1 實際模擬缺陷

1.2 實驗平臺和方法

實驗接線原理和現場實際布置分別如圖2和圖3所示。實驗時分別施加-110kV的直流電壓和77.8kV的等效單相交流電壓。紅外熱像儀選用德圖公司生產的Testo890，空間分辨率0.68mrad，熱靈敏度＜0.04℃；拍攝前需設置硅橡膠材料所對應的發射率0.95，輸入實際環境溫度、濕度、測量距離等一系列參數，拍攝得到BMT格式的紅外圖片，將圖片導入相機配套的IRSOFT分析軟件進行處理，得到清晰的絕緣子紅外圖像。操作完畢后導出整幅圖片每個像素點對應的溫度數據?？紤]到實際的安全距離，拍攝距離為3m。加壓30min后溫升幾乎穩定，開始拍攝，將拍攝角度分為0°、90°、180°，正對缺陷為0°。

圖2 實驗接線原理

圖3 實驗現場布置

1.3 實驗結果及初步分析

圖4和圖5分別為交流和直流電壓下導通導電缺陷絕緣子3個角度的紅外圖像。從圖中可以看出，復合絕緣子在缺陷處出現溫度升高現象，正對缺陷埋設方向處的發熱最為明顯。

圖4 交流導通導電缺陷紅外圖像

圖5 直流導通導電缺陷紅外圖像

圖6和圖7分別為交、直流電壓作用下缺陷復合絕緣子中心軸線相對溫升對比曲線。從圖中可以看出，直流復合絕緣子由于不存在介損發熱，故相對溫差不大，而交流電壓作用下復合絕緣子缺陷的發熱程度比直流電壓作用下劇烈。

圖6 交流缺陷復合絕緣子溫升對比曲線

圖7 直流缺陷復合絕緣子溫升對比曲線

2 缺陷檢測方法及驗證

2.1 紅外圖像分割與特征選擇

將復合絕緣子區域從紅外圖像中分割出來是進行缺陷識別的首要前提。結合本文模擬缺陷的發熱情況，首先考慮將復合絕緣子高壓端前5片傘裙的部分從紅外圖像中分割出來，與整幅圖的溫度數據相對應，讀取絕緣子部分的溫度值。

閾值分割思想是：選取一個最佳閾值，將圖像的每個像素灰度與該閾值做比較，把圖像分成背景與目標兩部分，使兩個部分之間的灰度值差異最大，每個部分之間的灰度差異最小。合理選擇閾值是使用閾值分割方法的前提，常見的方法有最頻值法、最大類間方差法、熵方法、矩量保持法、最小誤差法等，其中最大類間方差法的閾值選取準則是讓目標與背景這兩部分類間方差最大，它具有計算簡單、不受圖像亮度和對比度影響、分割效果穩定等優點，該算法被普遍認為是圖像分割中閾值選取的最佳算法之一[11]。利用最大類間方差算法進行閾值分割后的二值化圖像如圖8所示。

圖8 二值化圖像

根據DL/T 664—2016《帶電設備紅外診斷應用規范》，選取低壓端附近的溫度作為環境溫度，絕緣子的相對溫度為實際溫度與環境溫度之差[12]。以閾值分割出來的絕緣子區域相對溫度的均值、中值、最大值、最小值、眾數、極差、方差、偏度、峰度、能量和熵等11個統計量作為溫度特征量。Fisher準則是目前較為常用的特征選擇方法，其思想是通過投影使多維問題轉化為低維問題來進行處理[13]。對于類內方差小、類間方差大的特征量，其區分能力最強。依據判別函數JF值的大小來選擇表征缺陷能力大小的特征量，各特征量的JF值大小如圖9所示?？梢钥闯?，由于交流和直流復合絕緣子發熱情況不一致，各特征量之間JF大小排序不同，分別選擇兩類JF值排名前8位的特征量作為識別模型的輸入量。

圖9 各特征量JF值對比

2.2 SSA-SVM算法

SVM由Vapink在1995年首次提出，它在解決小樣本、高維度的非線性問題上具有明顯的優勢。該算法的原理是將輸入量映射到高維空間，在高維空間求一個最優超平面實現樣本的分類。算法的重 點是選取合適的核函數及核函數參數。核函數的作用是將線性不可分的數據映射到高維空間，實現線性可分[14-15]。其中徑向基核函數（radial basis function, RBF）僅有懲罰系數C和核參數σ兩個參數，計算簡單，可將數據映射到高維，從而準確高效地實現分類問題，因此本文選用徑向基核函數，其表達式為

式中，σ為核函數參數。

支持向量機的分類結果好壞取決于懲罰系數C和核參數σ，近年來許多學者采用不同的優化算法來解決這兩個參數的優化問題。麻雀搜索算法是于2020年根據麻雀覓食并逃避捕食者的行為提出的種群智能優化算法[16]。該算法的主要思路是根據捕食發現者和跟隨者位置的不斷更新和偵察者預警行為來尋求最佳位置。

設n只麻雀組成的位置信息矩陣為

式中，m為變量的維數。

發現者的位置更新公式為

式中：t為當前迭代次數；Tmax為最大迭代次數；xij為第i只麻雀的第j維的位置信息；α∈(0, 1)，為隨機數；R2∈[0, 1]，代表預警值；ST∈[0.5, 1]，代表安全值；Q為服從正態分布的隨機數；L為1×M的全1矩陣。當R2＜ST，說明未發現捕食者，可以大膽取覓食；當R2≥ST，說明已發現捕食者的存在，需要改變位置前往其他安全區域。

跟隨者位置更新公式為

偵察者位置更新公式為

SSA優化SVM的流程如圖10所示，具體步驟如下：

圖10 SSA優化SVM流程

1）將輸入樣本集分為訓練集和測試集，并進行數據歸一化處理以提高分類速度。

2）設置SSA的種群數量為20，迭代次數為200，發現者和預警者比例均為20%，安全值為0.8；設置SVM參數C、σ的取值范圍。

3）初始化種群，每一只麻雀位置對應一組參數（C,σ），計算其適應度值并排序，選擇出當前最佳適應度值及其所對應的位置。

4）利用式（3）～式（5）進行三類麻雀位置的更新，得到一組新的麻雀位置并計算其適應度值，進行排序選擇出最佳適應度值及所對應的位置。若當前值比上次的最佳適應度值更優，則進行位置更新，反之則不更新。

5）當滿足迭代條件時，輸出全局最佳適應度值fg和最佳位置xbj，最佳位置信息即代表最優的懲罰系數C和核參數σ。

6）利用最優參數，建立復合絕緣子缺陷檢測SSA-SVM模型，對絕緣子缺陷類型進行識別分類。

2.3 算法驗證與分析

復合絕緣子狀態包括正常和導通導電缺陷、導通半導電缺陷、懸浮導電缺陷和懸浮半導電缺陷4種缺陷，共5類。交流和直流電壓作用下紅外圖片數均為45×5=225張，每種類型測試集與訓練集的圖片數均分別為34張和11張。通過紅外特征提取，并將利用Fisher準則進行特征選擇后的特征量作為SSA-SVM缺陷檢測模型輸入，絕緣子缺陷類型作為模型輸出。交流和直流電壓作用下，優化后的參數分別為C=0.697 8，σ=7.683 3和C=1.754 3，σ=6.142 0。識別結果見表2。從結果可以看出，所提的方法能有效檢測出交直流復合絕緣子的缺陷類型。

表2 SSA-SVM識別結果

為了證明SSA在優化SVM參數上的優越性，與網格搜索（grid search, GS）算法、粒子群優化算法（particle swarm optimization, PSO）、遺傳算法（genetic algorithm, GA）進行了對比，檢測結果對比見表3。從各類優化方法的結果對比分析可知，SSA在尋優時間和識別正確率方面均有明顯優勢。這也體現了SSA具有搜索能力強、收斂速度快、魯棒性能好等優點，因此SSA優化的SVM模型可以實現復合絕緣子缺陷的快速準確檢測。

表3 不同方法檢測結果對比

此外，從表2和表3可以看出，由于部分缺陷類型的直流復合絕緣子發熱不明顯，導致在識別正確率上略低于交流復合絕緣子。

2.4 現場應用案例分析及不足

以某省500kV交流線路48、107、168、193、359號共5基塔異常發熱復合絕緣子為例，運用直升機帶電紅外測溫，得到5基桿塔異常發熱紅外圖片如圖11所示。觀察發熱位置位于高壓端金具附近或從高壓端算起的第4～6片傘裙處，發熱區域溫度較環境參考溫度的溫升分別為12.9℃、7.1℃、18.9℃、11.8℃和8.7℃。通過本文構建的缺陷檢測模型，初步判定48、168號桿塔復合絕緣子缺陷類型為懸浮導電缺陷，107、193和359號桿塔復合絕緣子缺陷類型為懸浮半導電缺陷。將現場更換下來的絕緣子進行解體分析，缺陷狀況與模型識別結果基本吻合。 經診斷，該5基桿塔復合絕緣子酥朽進入中晚期，存在較大的酥斷風險。

圖11 5基桿塔異常發熱紅外圖片

需要指出的是，直流復合絕緣子由于不存在介損發熱，即便通過人為埋入銅絲和碳纖維棒來分別模擬電樹枝和碳化通道，缺陷處的溫升只有0.5℃，在實際線路中，考慮環境溫度的影響，直流復合絕緣子紅外檢出率較低。本文在實驗室環境下針對直流復合絕緣子的缺陷檢測主要是作為一種方法探討，當現場樣本積累到能對模型進行充分訓練時，有望提高方法對直流復合絕緣子缺陷的檢出有效性。

此外，本文利用紅外圖像特征分析檢測出絕緣子缺陷的具體類型，是在參考其他文獻做法的基礎上進行的一種大致的分類，這些缺陷類型并不是基于現場大量解剖實驗進行定義的，只是作為現場判斷缺陷嚴重程度的一種參考。在實際巡檢中，只要檢測出異常溫升就必須要進行關注和維護，具體是哪種內部缺陷，只是作為一種參考。

3 結論

本文研究并實現了一種基于紅外圖像分割和SSA-SVM的交直流復合絕緣子內部缺陷分類識別方法，得出了以下結論：

1）所提出的方法能夠有效檢測出交直流復合絕緣子的內部缺陷，檢測正確率分別達到了89.09%和87.27%；通過SSA算法優化得到的SVM模型與其他優化算法得到的模型相比，計算速度更快，識別準確率更高，且對現場絕緣子的缺陷具有初步的良好檢測效果。

2）相比于交流復合絕緣子，直流復合絕緣子不存在介質損耗發熱，發熱主要來源于表面泄漏電流引起的電阻損耗，故直流復合絕緣子缺陷發熱不太明顯，利用紅外熱像儀可檢測出的缺陷類型明顯低于交流復合絕緣子。

3）所提出的方法對500kV交流復合絕緣子缺陷具有良好的初步識別效果，直流復合絕緣子檢出率相對較低，需要積累更多的現場樣本對模型進行充分訓練。