基于圖像處理的復合絕緣子憎水性智能識別方法

楊秋玉，鄭小剛，李建興，林立偉，韓 云

（1. 福建工程學院 電子電氣與物理學院，福建 福州 350118；2. 福建華青電氣有限公司，福建 福州 350109）

0 引言

硅橡膠復合絕緣子由于具有優良的耐污閃能力、強度高、質量輕等特性，在電力系統中得到了廣泛的應用[1]。然而，由于硅橡膠復合絕緣子工作在戶外，極易在嚴酷的環境下發生老化和損壞[2-7]，導致絕緣性能下降、閃絡電壓降低，從而引發電網故障，造成嚴重的經濟損失。

復合絕緣子表面的憎水性是衡量其老化程度的重要指標之一，為了防止污閃現象的發生，需要定期對復合絕緣子進行人工檢查，檢測其憎水性能是否達標。由于應用在電網中復合絕緣子數量龐大，通過人工對其憎水性進行檢測工作量巨大，導致復合絕緣子的運行維護成為目前的一大挑戰。

檢測復合絕緣子憎水性的方法主要包括接觸角法、表面張力法和噴水法3 種[8]。接觸角法[9]是通過測量復合絕緣子表面與水滴邊緣之間的夾角來表征其憎水性，包括靜態接觸角法和動態接觸角法，其中靜態接觸角法需要采用接觸角測量儀器等設備[10]，因此該方法一般在實驗室進行。表面張力法[11]是通過在復合絕緣子表面噴灑不同表面張力的液體來反映復合絕緣子的憎水性能，由于噴灑的部分液體對人體有害，因此工程實際中很少采用該方法。噴水法[12]又稱噴水分級法，該方法操作簡單，是目前普遍使用的方法。噴水法是通過向復合絕緣子表面噴灑一定量的水霧，并在規定時間內觀察復合絕緣子表面水珠的分布情況來判斷憎水性等級。根據水珠在復合絕緣子表面的形態、尺寸、面積等特征，將復合絕緣子分為7個憎水性等級（hydrophobicity class，HC）HC1～HC7，HC1 憎水性最強，HC7代表完全喪失憎水性。檢測人員通過與標準HC 圖像進行對比，進而判斷復合絕緣子的HC 等級，結果受檢測人員專業技術水平的影響較大。

為了克服人工判斷復合絕緣子憎水性等級存在的主觀影響、效率低等不足，實現憎水性的智能識別，研究者們將圖像處理技術應用于憎水性圖像的分類。文獻[13]將遷移學習的思想運用到復合絕緣子憎水性等級的判別中，利用VGG-19 網絡融合深度特征與局部特征，構建基于遷移學習和特征融合的復合絕緣子憎水性等級判別模型。文獻[14]利用卷積神經網絡自動提取復合絕緣子憎水性圖像特征，并實現憎水性等級的智能識別。文獻[15]提出了一種基于一致性測度區間分類的復合絕緣子憎水性圖像處理與識別的方法，通過提取憎水性圖像中的水珠/水跡特征，利用支持向量機對所提取的特征進行分類，從而實現復合絕緣子憎水性的智能識別。文獻[16]提出多重分形法對憎水性圖像的分形特征進行量度，構建標準廣義維數譜（Dq-q）曲線用于判斷復合絕緣子憎水性圖像，實現對未知憎水性圖像的識別。文獻[17]發現分形維數可表征憎水性圖像表面水珠/水跡分布的復雜程度，提出利用憎水性圖像盒維數、最大水珠盒維數以及最大水珠盒維數比作為定量分析復合絕緣子憎水性等級的特征參量。

本研究提出一種基于Otsu 閾值分割的復合絕緣子憎水性智能識別方法，通過對復合絕緣子憎水性圖像進行直方圖均衡化、濾波以及Otsu 閾值分割，進而提取圖像的水珠/水跡特征，構建各憎水性等級特征向量，最后利用神經網絡實現憎水性等級的智能識別。

1 復合絕緣子噴水圖像增強處理

在對復合絕緣子的噴水圖像進行拍照后，可以獲得整個復合絕緣子的俯視圖，俯視圖涵蓋了復合絕緣子的芯棒和傘裙區域，以及復合絕緣子以外的區域。可以用來判斷復合絕緣子憎水性等級的是絕緣子傘裙上的水跡特征，因此，為了方便后續處理，需要截取傘裙區域。本研究根據所拍攝圖像的大小，截取像素為700×700的傘裙區域進行分析，如圖1所示。

圖1 復合絕緣子憎水性圖像Fig.1 Composite insulator hydrophobic images

由于RGB圖像有三個分量，直接進行處理的計算量較大，而灰度圖像只有一個分量，計算方便且計算量較小；另外RGB圖像的彩色部分內容對憎水性等級的識別沒有幫助，因此，本研究將剪裁后的圖像進行灰度化處理，如圖2(a)所示。

圖2 憎水性圖像灰度化及其灰度級分布Fig.2 Hydrophobic image graying and its gray level distribution

從圖2(a)可以看出，灰度化后的圖像效果并不理想，對比度不高，水珠/水跡比較模糊。這是由于其灰度級分布不均衡，集中在某一范圍內，如圖2(b)所示。

為了提高水珠/水跡的清晰度，對灰度圖像進行直方圖均衡化處理，結果如圖3(a)所示。從圖3(a)可以看出，經過直方圖均衡化后的水珠/水跡變得更加突出，其灰度級分布比較均衡（如圖3(b)所示），有利于后續準確提取水珠/水跡特征。

圖3 直方圖均衡化及其灰度級分布Fig.3 Histogram equalization and its gray level distribution

為了進一步增強水珠/水跡邊緣信息，去除水珠/水跡內部及圖像其他區域的噪聲，經綜合對比分析，采用雙邊濾波對直方圖均衡化后的圖像進行進一步處理，如圖4 所示。雙邊濾波是一種非線性濾波方法，是結合圖像的空間鄰近度與像素值相似度的一種折中處理方法，同時考慮空域信息和灰度相似性，在濾除噪聲、平滑圖像的同時，又能夠很好地保存圖像的邊緣信息，即雙邊濾波具有保邊去噪的作用。從圖4 可以看出，雙邊濾波后的憎水性圖像中水珠/水跡邊緣更加清晰，且圖像整體的清晰度也有較明顯的改善。

圖4 雙邊濾波前后圖像對比Fig.4 Contrast of images before and after bilateral filtering

2 Otsu閾值分割與邊緣檢測

2.1 Otsu閾值分割

為了提取水珠/水跡定量特征，需將圖像二值化轉換為二值圖像，再將水珠/水跡分割出來以提取量化特征。選取合理的分割閾值是準確分割出水珠/水跡的前提，如果閾值選取的不合理，那么就無法得到正確的水珠/水跡特征。

Otsu 法是一種確定圖像二值化分割閾值的算法，該方法又稱為最大類間方差法，是圖像分割中閾值選取的最佳算法，其計算簡單、不受圖像亮度和對比度的影響。假設復合絕緣子憎水性圖像尺寸為M×N，圖像灰度級范圍為[0，L-1]，灰度級為i的像素點個數為ni，灰度級為i的概率為pi=ni/(M×N)。單閾值分割將圖像分割為兩類：灰度級為[0，T]的像素點C1類和灰度級為[T+1，L-1]的像素點C2類。設P1(T)、P2(T)分別表示C1類和C2類的概率，u1(T)、u2(T)分別表示C1類和C2類的平均灰度級，則P1(T)、P2(T)、u1(T)、u2(T)可表示為式（1）～（4）。

圖像的平均灰度級（u）可表示為式（5）。

圖像的類內方差δ2w(T)如式（7）所示。

類間方差最大時對應的閾值為最優分割閾值T'，如式（8）所示。

當類內方差最小時對應的閾值為最優分割閾值T'時，如式（9）所示。

2.2 水珠/水跡邊緣檢測

以圖5(a)所示的圖像為例，基于2.1所述計算方法，對其進行Otsu閾值分割，結果如圖5(b)所示。從圖5(b)可以看出，經Otsu 閾值分割后水珠/水跡邊緣較粗糙，含有許多小顆粒噪點，影響后續水珠/水跡特征量的準確計算，因此需要進行處理。

圖5 Otsu閾值分割結果Fig.5 Otsu threshold segmentation result

利用開運算結合像素填充的方法解決上述問題。首先利用開運算對水珠/水跡邊界進行平滑處理，再對圖像中像素點小于200 的區域進行填充處理，結果如圖6(a)所示。從圖6(a)可以看到，經過處理后水珠/水跡的邊緣較清晰。圖6(b)為偽彩色處理后的圖像，可以看出，各個水珠/水跡被成功地檢測出來。

圖6 圖像開運算及偽彩色處理Fig.6 Image open operation and false color processing

3 水珠/水跡特征值提取

對分割處理后的憎水性圖像進行水珠/水跡特征值提取，提取水珠/水跡數量fe1、水珠/水跡覆蓋率fe2、最大水珠/水跡面積比fe3、水珠/水跡平均尺寸fe4、水珠/水跡形狀因子fe5這5 個特征量，它們與復合絕緣子的憎水性等級密切相關。各特征量具體定義如下：

（1）水珠/水跡數量fe1

式（10）中，M為水珠/水跡的總個數。

（2）水珠/水跡覆蓋率fe2

式（11）中：Sn為第n個水珠/水跡的面積；S為圖像的總面積。

（3）最大水珠/水跡面積比fe3

式（12）中，Sm為最大水珠/水跡面積。

（4）水珠/水跡平均尺寸fe4

（5）水珠/水跡形狀因子fe5

式（14）中，Lm為最大水珠/水跡周長。

表1中給出了各個憎水性等級的典型噴水圖像原圖、標記的連通區域以及相應的5 個特征值。從表1 可以看出，不同憎水性等級噴水圖像的5 個特征量存在較大的差異。

表1 典型HC1～HC7噴水圖像、連通區域及5個特征值對比Tab.1 Contrast of typical HC1-HC7 hydropho bic images,connected regions,and five feature values

4 復合絕緣子憎水性智能識別

支持向量機（support vector machine，SVM）[18]是基于統計學習理論中的VC 維理論以及結構風險最小原理，根據有限樣本在模型的復雜性和學習能力之間尋求最佳平衡，以獲得最優泛化能力的一種分類算法。鑒于SVM在解決小樣本、非線性以及高維模式識別等方面具有的獨特優勢，本研究選用SVM構建復合絕緣子憎水性智能識別模型。

SVM 可以在高維特征空間中建立一個最優分類超平面來正確劃分訓練樣本(xi,yi)；i=1,2,…,l，其中xi為第i個輸入樣本，yi為與xi對應的輸出樣本，l為訓練樣本數量。該分類超平面可表示為式（15）。

式（15）中：w為權值系數；b為閾值；?(xi)為高維特征空間。

求解最優分類超平面問題可以轉化為求解以下約束條件最優化問題，如式（16）所示。

式（16）中：C為懲罰因子；ξi為松弛變量。

經過一系列的求解，可以得到訓練樣本的最優分類決策函數，如式（17）所示。

SVM 的具體應用可參考文獻[19-23]，本研究在

此不再贅述。

通過噴水分級法獲取不同憎水性等級的圖像，每個憎水性等級選取70 張圖像。將7 個等級共490張圖像依次進行增強、分割與邊緣檢測處理，最后進行特征提取，把特征值fe1～fe5放入Feature 的數組中。建立標簽數組Label與特征數組Feature之間的對應關系，用于構建SVM模型。隨機抽取不同憎水性等級的70%圖像用于訓練SVM 模型，將剩余30%圖像用于測試模型的有效性。采用網格搜索法對SVM 模型中的懲罰因子C和核函數中的gamma函數g參數進行尋優，其他參數為默認設置。

測試結果表明，利用上述fe1～fe5等5 維特征，得到的模型識別準確率非常低，僅為20%左右。經過多次試驗發現，這是由于水珠/水跡總數及尺寸受拍攝距離的影響，拍攝距離不同，獲取的憎水性圖像中水珠/水跡總數及尺寸亦不同。如果采用水珠/水跡覆蓋率、最大水珠/水跡面積比、水珠/水跡形狀因子3維特征，而不采用水珠/水跡數量及水珠/水跡平均尺寸，得到的識別準確率是最高的，說明水珠/水跡數量及平均尺寸不適合作為區分復合絕緣子憎水性等級的特征參量，應舍去。

為了說明測試結果的普遍性，一共進行了5 次測試，各次測試的樣本均為隨機抽取。表2 給出了各次測試結果，包括各個憎水性等級的識別準確率以及總識別準確率。從表2 可以看出，每次識別的平均準確率均保持在80%以上（平均準確率根據各憎水性等級HC1～HC7 識別準確率的平均值計算得到），其中識別HC1、HC2 和HC7 的準確率基本為100%，綜合各次試驗結果，得到的平均識別情況如圖7所示。

圖7 復合絕緣子憎水性等級識別情況Fig.7 Recognition situation of composite insulator hydrophobicity grade

表2 復合絕緣子憎水性等級識別結果Tab.2 Identification results of composite insulator hydrophobicity grade

常規復合絕緣子檢測方法如接觸角法、表面張力法由于需要特殊的設備或試液，一般適用于實驗室條件下的憎水性檢測；而目前的噴水分級法需檢測人員對比標準的憎水性圖形，存在費時費力和主觀因素影響等方面的不足。本研究提出的憎水性智能識別方法克服了常規復合絕緣子憎水性檢測方法的不足，無需特殊設備和試液，能夠實現對噴水圖像的智能識別，檢測效率較高且不受主觀性的影響。

5 結論

（1）通過對復合絕緣子憎水性圖像的增強、分割等處理，提取表征憎水性等級的水珠/水跡特征，并利用SVM對提取的特征進行分類，實現了復合絕緣子憎水性等級的智能識別，平均識別準確率在80%以上。

（2）采用水珠/水跡數量、水珠/水跡覆蓋率、最大水珠/水跡面積比、水珠/水跡平均尺寸和水珠/水跡形狀因子評價復合絕緣子憎水性等級時，識別準確率僅為20%左右。而僅采用水珠/水跡覆蓋率、最大水珠/水跡面積比、水珠/水跡形狀因子作為識別憎水性等級特征參量時，識別準確率較高。