裴少通， 楊家駿， 馬子儒， 劉云鵬

(華北電力大學河北省輸變電設備安全防御重點實驗室， 保定 071003)

輸變電高壓電氣設備的外絕緣如果存在損壞及缺陷，則在運行過程中會持續(xù)產(chǎn)生電暈放電現(xiàn)象，電暈放電現(xiàn)象不僅會帶來一定電能的損耗，同時還會產(chǎn)生無線電電磁干擾和噪聲干擾[1-2]。因此，對輸變電高壓設備由于損壞及缺陷所導致的放電進行及時有效檢測，對高壓設備損壞缺陷程度的判斷評估及運行維護具有重要意義[3-5]。

近年來，日盲型紫外成像儀已逐漸推廣應用于輸變電設備的放電檢測中[6-10]。然而在現(xiàn)場工程應用中，存在著紫外光散射以及背景噪聲等問題，會出現(xiàn)紫外成像儀顯示界面小光斑，可能導致巡檢人員對電氣設備放電產(chǎn)生誤判。因此，尋找一種可從日盲型紫外成像儀圖像中將電暈放電主光斑有效分離從而真正實現(xiàn)對高壓電氣設備放電狀態(tài)表征的方法是十分必要的。

近年來，中外相關學者已針對上述問題進行了相關研究[11-16]。文獻[11-13]利用數(shù)字圖像處理技術，通過圖像灰度化、閾值分割二值化、數(shù)學形態(tài)學濾波、小區(qū)域消除以及多區(qū)域邊界跟蹤等步驟，實現(xiàn)了放電區(qū)域的提取與量化，但此類算法人為設定的步驟較多，預處理方式以及閾值的設定無法滿足多復雜場景下的紫外光斑提??；文獻[14]提出一種基于Chan-Vese(C-V)模型的水平集紫外圖像分割方法，且引入光斑面積與光斑邊界周長特征量，實現(xiàn)了光斑的分割提取與放電狀態(tài)表征，但該方法主要針對單放電點的紫外圖像，而高壓電氣設備電暈放電可能同時存在多放電點，且需人工設定圖像初始輪廓曲線；在傳統(tǒng)C-V模型基礎上，文獻[15]提出一種基于改進 C-V 模型的絕緣子紫外圖像放電光斑提取方法，實現(xiàn)了單光斑與多光斑紫外圖像的分割提取，且該方法效率高、速度快、抗干擾能力強，但仍需人工設定圖像初始輪廓曲線；文獻[16]提出一種基于改進幾何活動輪廓(geometric active contour，GAC)模型的紫外放電區(qū)域提取方法，為紫外放電的歸一化研究和量化分析提供了參考，但該方法需根據(jù)待處理目標與背景，人為設定相關參數(shù)，且處理過程較為復雜?，F(xiàn)針對當前研究現(xiàn)狀，結合深度學習理論，引入全卷積網(wǎng)絡(fully convolutional networks，F(xiàn)CN)模型，通過對大量紫外放電圖譜進行有監(jiān)督自主學習，提取紫外圖譜放電主光斑的抽象特征，并將紫外圖譜小光斑以及復雜背景等干擾因素排除，最終實現(xiàn)高壓電氣設備紫外圖譜電暈放電主光斑的自主分割提取。

1 數(shù)據(jù)來源概況

紫外圖譜拍攝的地點位于南方電網(wǎng)公司所屬的8個變電站。采用南非CoroCAM 504日盲型紫外成像儀，對高壓設備放電圖譜進行采集，紫外成像儀的詳細參數(shù)如表1所示。利用紫外成像儀對變電站中的高壓電氣設備進行拍照檢測并儲存圖譜，構建了一個包含166張存在電暈放電缺陷的高壓設備紫外圖譜數(shù)據(jù)集。典型電力設備的紫外圖譜電暈放電樣圖如圖1所示。

圖1 高壓設備電暈放電紫外圖譜數(shù)據(jù)集樣圖Fig.1 Sample images of UV data set for corona discharge of high voltage equipment

表1 CoroCAM 504日盲紫外成像儀主要參數(shù)Table 1 Main parameters of CoroCAM 504 daily blind UV imager

2 算法理論

2.1 全卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)在當今的圖像分類、檢測、分割等領域中應用較為廣泛[17-19]。但傳統(tǒng)CNN應用于圖像分割任務時仍存在耗費存儲量、計算效率不高、感知區(qū)域受限制等缺陷。

2015年，Long等[20]提出了應用于圖像分割領域的全卷積網(wǎng)絡(FCN)。FCN算法的誕生將卷積神經(jīng)網(wǎng)絡對圖像類別的分類演變?yōu)閷ο袼丶墑e的分類[21-24]。

基于FCN的紫外圖譜放電光斑分割提取算法可將紫外放電主光斑以及紫外圖像中包括復雜背景、紫外圖譜噪聲小光斑等的非放電主光斑元素進行二分類，實現(xiàn)紫外放電主光斑的自主分割提?。蝗矸e神經(jīng)網(wǎng)絡(FCN)主體結構如圖2所示。

圖2 全卷積神經(jīng)網(wǎng)絡結構圖Fig.2 Full convolutional neural network structure

2.1.1 卷積層

卷積層是圖片抽象特征的提取層。卷積層主要通過卷積核的滑動，依次遍歷圖片上的所有像素點，卷積核與圖片疊合區(qū)域中每一像素值與卷積核中與之對應的權重相乘，而后求和，再與偏置相加，最后得到輸出圖片中的像素值，從而實現(xiàn)不同局部的抽象特征提取，如圖3所示。

圖3 卷積計算原理圖Fig.3 Schematic diagram of convolution calculation

2.1.2 池化層

池化層(pooling layer)：池化層的主要作用是下采樣(downsampling)。通過二次取樣運算，對特征圖進行降維，在一定程度上也控制了過擬合現(xiàn)象。

2.1.3 反卷積層

反卷積又被稱為上采樣過程(upsampling)。反卷積層可將經(jīng)CNN處理后尺寸縮小的特征圖經(jīng)過上采樣操作，將其恢復至和輸入圖片尺寸一致的分割處理圖片。

2.2 多尺度特征融合

日盲型紫外成像儀拍攝的紫外圖譜包含較多細節(jié)信息，如放電主光斑的輪廓、形狀等；放電光斑的紫外圖譜經(jīng)過多個卷積層的降維處理，許多細節(jié)特征會丟失，因此若直接進行上采樣，所得的結果較為不理想。將全卷積神經(jīng)網(wǎng)絡FCN-32s、 FCN-16s、FCN-8s 3種子模型進行多尺度融合，通過測試結果選取最優(yōu)的FCN模型架構。3種FCN子模型多尺度融合結構如圖4所示。

圖4 FCN多尺度融合模型結構示意圖Fig.4 Schematic diagram of FCN multi-scale fusion model

3 模型訓練與測試

將日盲型紫外成像儀拍攝的紫外圖譜數(shù)據(jù)集分別在FCN-32s、FCN-16s、FCN-8s 3種子模型中進行訓練及測試，流程圖如圖5所示。

圖5 模型實驗流程圖Fig.5 Model experiment flow chart

3.1 數(shù)據(jù)集劃分與數(shù)據(jù)標注

將在變電站收集的電暈放電缺陷紫外圖譜數(shù)據(jù)集中的120張用于FCN模型的訓練，剩余的46張用于模型測試。采用人工描繪電暈放電主光斑輪廓的方式對紫外放電圖譜進行語義標注，放電主光斑的填充色為白色，其余為黑色，而后用于FCN模型的有監(jiān)督訓練。

3.2 模型訓練

選用服務器作為FCN模型的訓練測試計算平臺，其性能參數(shù)如表2所示。選用具有12 G顯存的GeForce1080Ti顯卡來滿足模型訓練對GPU及算力的需求。

表2 實驗服務器計算平臺參數(shù)Table 2 Parameters of the experimental server computing platform

VGG 16[25]為FCN網(wǎng)絡的初始模型；FCN網(wǎng)絡利用隨機梯度下降(stochastic gradient descent，SGD)算法[26-27]將紫外圖譜訓練集中的圖像依次輸入FCN網(wǎng)絡模型進行正反向傳播以完成模型的訓練及網(wǎng)絡參數(shù)的更新。

表3為FCN模型的訓練參數(shù)，選用1×10-8、1×10-10、1×10-123種定步長訓練策略進行實驗。對比觀察不同訓練步長訓練過程中的正確率及誤差率變化曲線，實現(xiàn)對FCN網(wǎng)絡模型訓練步長的最優(yōu)選取。

表3 全卷積神經(jīng)網(wǎng)絡訓練參數(shù)Table 3 Training parameters of a full convolutional neural network

3.3 模型參數(shù)可視化

如圖6所示，將模型訓練完成后所生成文件中的模型參數(shù)進行灰度著色，可將FCN模型中的多層結構進行可視化展示，可以更為直觀地了解FCN網(wǎng)絡模型的參數(shù)分布。

在圖6所示的可視化結構中，隨著FCN網(wǎng)絡中卷積層的逐漸深入，卷積層的特征圖也逐漸多樣化，F(xiàn)CN網(wǎng)絡對紫外圖譜放電主光斑邊緣輪廓的感知也越為敏感；而后，通過反卷積層輸出與輸入圖片尺寸一致的紫外圖譜放電主光斑分割圖像；最終，實現(xiàn)對紫外圖譜電暈放電主光斑的自主分割提取。

圖6 卷積神經(jīng)網(wǎng)絡模型多層可視化Fig.6 Multi-layer visualisation of the convolutional neural network model

綜上所述，基于FCN的紫外圖譜光斑分割方法是通過對訓練集的自主學習不斷完善模型，不需要人工設計特征提取器的介入。FCN網(wǎng)絡通過多個卷積層以及池化運算，完成了對輸入圖片的特征提取，最后通過反卷積層輸出光斑分割圖像。該方法為紫外圖譜電暈放電主光斑的分割提取提供了新思路。

4 測試結果分析

4.1 紫外圖譜放電光斑分割結果

分別將測試集中的紫外放電圖譜輸入訓練結束的FCN子模型中進行測試。測試集在3種FCN子模型中的部分測試效果如圖7所示。

如圖7所示，F(xiàn)CN-8s子模型因融合了較多細節(jié)特征，其對紫外圖譜放電主光斑紋理的提取分割更為細致；但當紫外圖譜存在如1號和2號測試圖所示的大面積放電光斑時，F(xiàn)CN-8s不能完成放電主光斑中心區(qū)域無紋理像素點的完整提取分割。相反，F(xiàn)CN-32s子模型因無細節(jié)特征的融合，其對紫外圖譜放電主光斑輪廓的分割提取較為粗略；因此，F(xiàn)CN-32s在提取分割紫外圖譜放電主光斑時，會出現(xiàn)小面積放電主光斑的提取丟失現(xiàn)象如2號和4號測試圖所示。而FCN-16s子模型因只融合了部分細節(jié)特征，其對紫外圖譜放電主光斑的分割提取較為適中；因此，F(xiàn)CN-16s在提取放電主光斑時未出現(xiàn)因融合較多細節(jié)特征而導致的放電主光斑中心區(qū)域分割丟失以及因未融合細節(jié)特征而導致的小面積放電主光斑分割丟失等現(xiàn)象。

圖7 紫外放電圖譜FCN分割效果圖Fig.7 The effect of the UV discharge pattern segmentation based on the FCN algorithm

綜上所述，F(xiàn)CN-16s模型結合了FCN-8s模型和FCN-32s模型的優(yōu)勢，分割效果較好，其為紫外圖譜電暈放電主光斑分割提取的最優(yōu)模型。

4.2 模型訓練過程評價

在模型訓練中，預設基礎訓練速率分別為：1×10-8、1×10-10、1×10-12，并在不同的訓練速率下進行10萬次的迭代訓練以選擇最優(yōu)的模型訓練參數(shù)完成FCN模型的優(yōu)化。

FCN模型準確率隨訓練次數(shù)的變化曲線如圖8所示。當模型的基礎訓練速率為1×10-12時，最終模型準確率可達99.30%；但由于基礎訓練速率較小，可能會出現(xiàn)模型局限于局部最優(yōu)而無法實現(xiàn)全局最優(yōu)的情況。當模型的基礎訓練速率為1×10-8時，由于訓練步長較大，在模型訓練過程中易出現(xiàn)越過全局最優(yōu)而無法實現(xiàn)最優(yōu)，最終模型準確率均保持在96.59%。當模型的基礎訓練速率為1×10-10時，F(xiàn)CN模型可實現(xiàn)快速收斂并達到99.43%的高準確率，且隨著訓練次數(shù)的增多，模型準確率最終可穩(wěn)定在99.34%，高于另外兩種訓練速率下的最終模型準確率。

圖8 訓練次數(shù)與準確率關系Fig.8 Relationship between training times and accuracy

FCN模型在訓練中的收斂速度與程度可以由均方誤差反映。如圖9所示，在3種不同的基礎訓練速率下，均方誤差均會隨著訓練次數(shù)的增加最終穩(wěn)定在較低水平。當基礎訓練速率為1×10-8和1×10-12時，均方誤差隨著訓練次數(shù)的增加均會穩(wěn)定在較高的數(shù)值；當基礎訓練速率為1×10-10時，模型在初始訓練階段的收斂速度稍慢于另兩種訓練速率下的收斂速度，但隨著訓練的進行其均方差的最終穩(wěn)定值(約為1 103)低于另外兩種訓練速率下的均方差穩(wěn)定值。

圖9 訓練次數(shù)與均方誤差關系Fig.9 Relationship between number of training iterations and mean square error

綜上所述，F(xiàn)CN網(wǎng)絡模型的準確率在一定程度上由模型訓練速率決定，本FCN網(wǎng)絡模型的最佳學習率為1×10-10。結合圖8和圖9可得，合適的訓練速率可以改善FCN網(wǎng)絡模型對紫外圖譜放電主光斑的分割提取效果。

5 結論

(1)利用日盲型紫外成像儀進行實地拍攝，并構建了一個具有電暈放電缺陷的變電站高壓電力設備紫外圖譜數(shù)據(jù)集。提出了一種基于FCN模型的紫外圖譜放電主光斑分割提取方法，該方法改善了傳統(tǒng)紫外圖譜光斑分割方法中存在的復雜背景及小光斑分離困難、特征選取復雜、分割精準度低等弊端，具有良好的提取分割效果。通過FCN模型實現(xiàn)了對紫外圖譜主光斑抽象特征提取的智能化。

(2)結合多尺度特征融合方法，完成了FCN-32s、 FCN-16s、FCN-8s 3種FCN子模型對紫外圖譜放電主光斑的自主分割提取，通過驗證及分析得出紫外圖譜光斑分割最優(yōu)模型為FCN-16s。通過紫外圖譜測試集驗證，F(xiàn)CN-16s模型的平均準確率可達99.34%。FCN-16s模型可實現(xiàn)對底層信息的適當特征融合，最終實現(xiàn)對紫外圖譜光斑的高效精準分割。

(3)提出的方法結合GPU中的加速運算資源，實現(xiàn)了紫外圖譜放電主光斑的快速精準分割提取，該方法滿足實際工程的應用需求。

(4)研究結果表明，提出的方法結合深度學習理論中的新方法實現(xiàn)了對紫外成像圖譜中放電主光斑的自主分割提取，為紫外光斑的量化提取及高壓電氣設備放電缺陷的紫外診斷提供了參考。