基于全卷积神经网络的绝缘设备紫外图像评估算法研究

王小超，张 勇

（巢湖学院 信息工程学院，安徽 合肥238000）

0 引言

随着大气污染的加剧，电网输变电的绝缘子表面容易积聚污秽，在不利天气条件下容易发生污秽闪络，甚至可能造成停电事故［1-3］.污秽度等级是衡量绝缘子表面污秽沉积程度的重要指标，对于输电运行维护、防范污秽闪络具有重要意义［4-6］.

紫外成像检测技术在电力检测方面已有大量研究，在高压输电线路、变电站的绝缘、导线等电力设备的检测及状态评估方面应用广泛.绝缘子发生电晕放电的紫外图像中蕴含着绝缘子污秽程度的信息，是实现绝缘子污秽度评估和污秽闪络预防的重要数据［7-10］.如何结合人工智能技术充分挖掘绝缘子电晕放电紫外图像信息，实现智能化的污秽度评估是有待解决的重要问题.

因此本文基于绝缘子紫外图像开展绝缘子污秽度评估算法研究，提出基于全卷积神经网络的绝缘子紫外图像污秽度评估算法，并通过仿真算例验证文中所提方法的正确性.

1 全卷积神经网络

1.1 理论原理

人工神经网络（artificial neural network，ANN）是当前人工智能技术的重要发展方向.人工神经网络核心思想是模拟人类脑神经元网络处理信息的机制，其结构由大量的神经单元经过权值相互连接形成.人工神经网络在智能化控制、医学、经济等领域的应用已取得较大的突破，但由于人工神经网络存在着大量的参数，容易发生过度拟合、训练时间长等问题［11］.

卷积神经网络由传统人工神经网络发展而来，属于多层感知机的变种.卷积神经网络通过神经单元的局部连接和权值共享能够有效减小模型参数规模，使得模型易于优化，同时能够防止模型过度拟合.其在处理图像数据时，该优点表现得更为显著，能够避免传统神经网络中复杂的特征提取、数据重建的过程；能够自动提取图像的颜色、纹理等特征，具有良好的稳定性和计算效率，在图像分类、检测领域应用效果明显.虽然卷积神经网络对于图像级别的识别分类有效，但难以做到更加精细的、像素级别的分割，不能准确地确定物体的具体轮廓［12］.因此，有学者提出了全卷积神经网络模型.

全卷积神经网络在卷积神经网络末端将全连接层替换成反卷积层，由此实现增大图像分辨率的目的［13-16］.全卷积神经网络的典型结构，如图1所示.

图1 全卷积神经网络结果图

（1）卷积层

卷积层由多个卷积单元组成，通过卷积运算实现图像抽象特征的提取.第一层卷积层提取的是一些简单的图像特征，如边界、轮廓、形状等.通过多层卷积层的叠加，实现更加复杂的图像特征提取；通过滑动卷积核实现图像不同局部特征的提取.

卷积运算方法如下：

（2）池化层

池化层处于连续的卷积层中间，通过池化操作达到缩小图像分辨率的目的，同时能够防止图像特征的过渡拟合.池化层在图像压缩过程中去除的只是无关紧要的冗余信息，仍然保留了最能表达图像的特征，即在实现特征降维的过程中，能够保持特征的不变性.

池化运算方法如下：

通常池化运算的方法有最大池化、均值池化等，前者输出池化滤波器覆盖卷积单元的最大值；后者输出池化滤波器覆盖卷积单元的均值.常见池化滤波器规模为2×2，即N l=4.

（3）全连接层

“全连接”表征该神经网络各层之间的所有神经单元均通过权值相互连接，即是与传统神经网络的连接结构相同.全连接层通常出现在卷积神经网络的尾端部分.

（4）反卷积层

输入图像经过卷积层、池化层和全连接层的计算，输出图像的尺寸变小.为了便于后续进一步的处理，需要将图像扩大恢复为原始尺寸，这种实现图像由小分辨率映射到大分辨率的操作称为上采样.上采样操作通常采用的方法有双线性差值、反卷积和反池化等方法.本文选取的是反卷积方法，反卷积层即是经过反卷积运算后得到的神经单元构成的图像层.反卷积运算并不是卷积运算的逆过程，而是一种通过填充实现图像扩大的特殊正向卷积操作.卷积操作输出图像尺寸为：

式中，i为输入图像尺寸；k为卷积核的大小；s为滑动步长；p为边界扩充尺寸；o为输出图像尺寸；[·]为向下取整运算.

反卷积操作过程如下：

1）对输入图像进行扩充变化

在输入图像的相邻元素之间添加（s-1）个零元素，经过扩充后，输入图像尺寸由i变为：

2）计算扩充变换后图像

对扩充变换后的图像按照卷积操作计算输出图像尺寸：

3）计算反卷积输出图像尺寸

将式（4）代入式（3），化简得：

由式（3）和式（5）可知，当s=1时，卷积与反卷积输出图像尺寸相同.也进一步说明了反卷积是一种特殊的卷积，而非卷积的逆操作.

1.2 训练方法

全卷积神经网络模型的训练包括两个阶段：前向传播阶段和后向传播阶段.前者将训练组中的图像样本作为网络的输入，经过卷积层、池化层、全连接层和反卷积层的逐层计算，输出计算结果；后者根据实际输出与理想输出的误差，按最小化误差的方法调整卷积核权值参数.全卷积神经网络模型的训练流程，如图2所示.

图2 全卷积神经网络训练流程

2 绝缘设备紫外图像评估算法

目前紫外图像量化的参数包括光斑面积、光斑周长、光斑直径等，采用的相关处理方法包括二值化分割、滤波、小光斑消除等.但在实际应用过程中，无放电区域也会出现形状各异的小光斑，同时天空、树木等背景也会对主光斑的提取分割造成干扰.因此本文首先采用全卷积神经网络对绝缘子紫外图像主光斑进行提取分割，然后将提取的绝缘子紫外光斑图像输入至卷积神经网络，对绝缘子的污秽度进行评估.文中所提的绝缘设备紫外图像评估方法结构，如图3所示.

图3 绝缘设备紫外图像评估方法结构

绝缘子紫外图像主光斑的分割提取效果对于污秽度评估的准确度至关重要，若紫外图像主光斑分割提取能够准确分割放电主光斑、消除其他干扰的影响，则一定程度上提高污秽度评估的准确性.

本文采用全卷积神经网络进行主光斑分割提取，但若直接将全卷积神经网络的输出结果作为实现污秽度评估的卷积神经网络的输入，则会丢失较多紫外图像细节特征，影响污秽度评估的准确性.因此文中提出基于全卷积神经网络的紫外放电光斑分割模型，如图4所示.除了典型的全卷积神经网络FCN-32s模型外，还包括融合更多浅层细节特征的FCN-16s和FCN-8s模型.

图4 基于全卷积神经网络的紫外图像放电光斑分割模型

基于全卷积神经网络的紫外放电光斑分割模型的训练步骤，如图5所示.将绝缘子放电紫外图像按一定比例划分为：训练组、测试组和验证组.训练组用于FCN模型的训练过程，实现权值参数的更新；测试组用于训练过程中测试网络的性能，测试结果进行网络结构调整或增加训练迭代次数；验证组用于验证衡量训练完成后的网络性能.

图5 紫外图像放电光斑分割模型训练步骤

3 算例分析

为验证本文所提方法的正确性和有效性，采用某电网公司绝缘子放电紫外图像作为数据集.总样本数为200张，按130∶50∶20的比例分为训练组、测试组和验证组.

3.1 紫外放电光斑提取效果分析

三种全卷积神经网络用于绝缘子紫外放电光斑提取效果的对比，如图6所示.由图可知，FCN-8s模型融合更多浅层细节特征，对于紫外放电光斑的分割更为精细，但对于大面积的主光斑如图6（a）不能保持主光斑中央像素点的准确分割；而FCN-32s模型直接采用反卷积层输出作为分割结果，对于紫外放电光斑的轮廓分割不明显，但对于小光斑容易出现漏分割如图6（b）；而FCN-16s模型则兼具二者的优点，融合浅层细节特征适度，不会因融合过多细节特征而出现大面积光斑中央的漏分割，也不会因为细节特征的遗失而遗漏小面积光斑，具有良好的光斑分割效果.

图6 紫外放电光斑分割效果的对比

3.2 污秽度评估准确性分析

绝缘子污秽度等级依据盐度和灰度进行划分，如表1所示.

表1 污秽度等级划分

将本文所提方法与直接将紫外图像作为卷积神经网络输入的方法进行对比，结果见表2所示.由结果可知，文中所提算法的污秽度评估准确度均在90%以上，最大评估准确度达到96.6%；而传统卷积神经网络评估算法准确度均在85%以下.本文所提算法经过全卷积神经网络的紫外放电光斑分割，能够实现光斑面积、形状等特征的提取，消除背景、反光等干扰因素的影响，具有更优的污秽度评估准确度.

表2 污秽度评估结果对比

4 结束语

本文开展了基于绝缘子紫外图像的污秽度评估算法研究，结果表明：FCN-16s模型相比于FCN-8s和FCN-32s模型，融合紫外图像浅层细节特征程度适中，更加适用于紫外放电光斑的分割.基于FCN-CNN算法的绝缘子污秽度评估相比于CNN算法，经过紫外放电光斑的分割提取，能够消除背景等干扰，具有更高的污秽度评估准确度.但文中所提算法仅实现绝缘子污秽度的评估，对于绝缘子故障状态、剩余寿命等无法实现预测评估，这有待下一步开展其相关研究.