一种基于高光谱图像的绝缘子污秽程度可视化方法

技术领域

本发明属于绝缘子污染检测的技术领域，具体涉及一种基于高光谱图像的绝缘子污秽程度可视化方法。

背景技术

绝缘子表面污秽的快速准确检测对于防治污闪、维护电力系统安全稳定运行具有重要意义。传统检测方法依赖于离线检测，需要在断电条件下进行操作。高光谱成像作为一种非接触检测手段，利用绝缘子表面不同污秽程度的区域对光的反射率的差异，能够实现绝缘子表面污秽分布情况的在线检测。高光谱能够同时获取被检测物的谱线与图像信息，高光谱谱线数据反映了被检测物在数百个波段内的光线反射强度情况，包含了丰富的信息，但在数据处理上也带来冗余数据多、处理流程繁琐等问题。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种基于高光谱图像的绝缘子污秽程度可视化方法，以解决现有高光谱成像检测绝缘子表面污秽程度时，其数据冗余、处理流程繁琐的问题。

为达到上述目的，本发明采取的技术方案是：

一种基于高光谱图像的绝缘子污秽程度可视化方法，其包括以下步骤：

S1、将自然积污的复合绝缘子盘面划分为若干个面积相等的扇形区域，对复合绝缘子盘面进行高光谱图像采集，获取得到复合绝缘子盘面的高光谱全波段图像，并清洗各个扇形区域以获取其实际污秽程度；

S2、对高光谱全波段图像进行数据降维处理，并从高光谱数据包含的波段中提取得到若干个特征波长；

S3、计算各个特征波长对应的扇形区域的灰度值平均值，基于该灰度值平均值、采用随机森林算法选取最优特征波长，以构建图像灰度值和污秽程度的对应关系，并计算得到污秽程度的灰度阈值；

S4、根据灰度阈值划分复合绝缘子盘面不同污秽程度区域，并计算各个污秽程度区域面积占比；

S5、将不同污秽程度区域的图像进行叠加，并采用颜色区分绝缘子盘面的污秽程度。

进一步地，步骤S1具体包括：

S1.1、在模拟的自然光照环境中，采集自然积污的复合绝缘子串的高光谱图谱信息；

S1.2、以复合绝缘子盘面中心为圆心，将复合绝缘子盘面划分为若干块面积相等的扇形区域，再将每个扇形区域均分为若干个子扇形区域；

S1.3、清洗每个子扇形区域内的污秽，收集清洗后的污液，并计算该污液在室温θ下的污液体积电导率σ

S1.4、根据污液体积电导率，计算污液的盐度S

S

其中，σ

S1.5、根据污液的盐度，计算附盐密度SDD：

SDD＝S

其中，V为污液的体积，A为清洗区域的面积；、

S1.6、根据附盐密度，划分各子扇形区域的污秽程度。

进一步地，步骤S1.3中计算污液在室温θ下的污液体积电导率σ

σ

其中，b为温度系数。

进一步地，步骤S1.6中划分各子扇形区域的污秽程度，包括：

当SDD为0mg/cm

进一步地，步骤S2具体包括：

S2.1、选取n组高光谱谱线信息，每组高光谱谱线信息包括256个波长数据变量；

S2.2、采用蒙特卡洛采样法，设置采样次数为N，每次随机从数据中抽取70％作为训练集，剩下的30％作为预测集，以构建PLS模型，并计算每次采样过程PLS模型中的回归系数绝对值权重；

S2.3、采用指数衰减函数去除回归系数绝对值权重中小于权重阈值的波长变量；

S2.4、在每次采样时，从上一次采样时的变量数中采用自适应重加权采样选择数量为R

S2.5、在N次蒙特卡洛采样完成后，得到N组候选的特征波长子集以及对应的交互验证均方根值，选择交互验证均方根最小值对应的特征波长子集作为特征波长。

进一步地，步骤S2.2中计算每次采样过程PLS模型中的回归系数绝对值权重，包括：

其中，|b

进一步地，步骤S2.3中根据指数衰减函数计算得到保留的波长变量的比例，包括：

R

其中，μ和k

进一步地，步骤S3具体包括：

S3.1、计算各个特征波长下各子扇形区域的灰度值的平均值；

S3.2、获取M个区域的实际污秽程度和M个区域分别在N个特征波长下的灰度值平均值，得到M组向量，每组向量由N个灰度值平均值数据和对应的实际污秽程度组成，其中，污秽程度I、污秽程度II、污秽程度III、污秽程度IV分别记为C1、C2、C3、C4；

S3.3、将M组向量作为随机森林模型的输入，设定决策树数目为100，测试集占比为20％，对随机森林分类模型进行训练；

S3.4、利用袋外数据计算随机森林模型的预测错误率，得到袋外数据误差，记为OOBerr1；

S3.5、对袋外数据所有样本的特定特征加入噪声干扰，即随机改变样本在该特征波长处的值，再次计算袋外误差，记为OOBerr2；

S3.6、根据OOBerr1和OOBerr2，计算被干扰特征波长的重要性P；

其中，N

S3.7、分别计算C1、C2、C3和C4在其重要性最强的特征下的灰度值平均值的均值，并将计算所得的四个均值分别作为污秽程度I、污秽程度II、污秽程度III和污秽程度IV的灰度阈值。

进一步地，步骤S4具体包括：

S4.1、采用二值分割法，根据污秽程度I、污秽程度II、污秽程度III、污秽程度IV对应的灰度阈值进行分割，得到区域D1、D2、D3和D4；

S4.2、根据区域内像素点总数与复合绝缘子盘面图像像素点总数的比例，得到各区域的面积占比P

其中，污秽程度I的区域面积占比为P

进一步地，步骤S5具体包括：对复合绝缘子盘面灰度图像上灰度值大于不同污秽程度灰度阈值的像素点赋以不同的权重，再对图像实行伪彩色化处理，即区域内污秽程度与颜色深度成正比。

本发明提供的基于高光谱图像的绝缘子污秽程度可视化方法，具有以下有益效果：

本发明综合利用高光谱的图谱数据能够更准确更高效地实现绝缘子表面污秽情况的检测，在检测流程上减小了数据处理量，简化了可视化流程，在检测效果上，实现了绝缘子污秽分布情况的非接触在线检测，为绝缘子清洁工作提供了指引，提高了输电线路运行的可靠性与安全性。

附图说明

图1为基于高光谱图像的绝缘子污秽程度可视化方法的流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1

参考图1，本实施例的基于高光谱图像的绝缘子污秽程度可视化方法，利用高光谱的谱线和图像信息，并通过图像特征实现绝缘子表面污秽分布情况与可视化，其具体包括以下步骤：

步骤S1、将自然积污的复合绝缘子盘面划分为若干个面积相等的扇形区域，对复合绝缘子盘面进行高光谱图像采集，获取得到复合绝缘子盘面的高光谱全波段图像，并清洗各个扇形区域以获取其实际污秽程度；

步骤S2、对高光谱全波段图像进行降维数据处理，并从高光谱数据包含的波段中提取得到若干个特征波长；

步骤S3、计算各个特征波长对应的扇形区域的灰度值平均值，基于该灰度值平均值、采用随机森林算法选取最优特征波长，以构建图像灰度值和污秽程度的对应关系，并计算得到污秽程度的灰度阈值；

步骤S4、根据灰度阈值划分复合绝缘子盘面不同污秽程度区域，并计算各个污秽程度区域面积占比；

步骤S5、将不同污秽程度区域的图像进行叠加，并采用颜色区分绝缘子盘面的污秽程度。

本实施例充分利用了高光谱图像所包含的信息，利用谱线数据选取特征波长，再通过随机森林算法选取最优特征波长，以此确定最具有代表性的灰度图像，再以灰度图像所包含的信息对污秽程度进行检测与可视化。

实施例2

本实施例为对实施例1的进一步说明，并基于高光谱的谱线和图像信息，通过图像特征实现绝缘子表面污秽分布情况与可视化，其具体包括以下步骤：

步骤S1、将自然积污的复合绝缘子盘面划分为若干面积近似相等的扇形区域，使得各区域内污秽程度大致相同，并通过清洗获取各区域的实际污秽程度，再对复合绝缘子盘面进行高光谱图像采集，其具体包括以下步骤：

步骤S1.1、利用便携式高光谱成像仪搭配三脚架，选择合适角度，在暗室中以卤素灯模拟自然光照环境，对自然积污的复合绝缘子串进行高光谱图谱信息的采集；

步骤S1.2、以复合绝缘子盘面中心为圆心，将复合绝缘子盘面近似划分为若干块面积相等的扇形区域，再将每个区域均分为若干个小扇形区域，即子扇形区域，使每个子扇形区域内的污秽程度情况大致相同；

步骤S1.3、采用软毛刷和蒸馏水对绝缘子盘面上每个区域的污秽进行采集，测量清洗后污液在室温θ下的体积电导率σ

σ

得到20℃下的污液体积电导率σ

步骤S1.4、根据污液体积电导率，计算求得污液的盐度S

S

步骤S1.5、根据污液的盐度，计算求得附盐密度SDD(mg/cm

SDD＝S

其中，V(cm

步骤S1.6、根据附盐密度，划分各区域的污秽程度，具体划分为：

当SDD为0mg/cm

本步骤具体将每片绝缘子沿半径划分为8个扇形区域，再将8个扇形区域沿垂直于半径方向一分为二，从而在一片绝缘子上得到16个面积近似相等的区域。在绝缘子表面对所选区域边界进行标记，利用洁净的棉花或者小毛刷粘取去离子水擦拭绝缘子表面选定区域，对污秽进行收集，反复擦拭表面区域并且每次将棉花或小毛刷浸于去离子水中30～60秒以保证污秽完全处于去离子水中；

本步骤屏蔽其它光源的干涉而以卤素灯照射能够更好地模拟在室外条件下自然光的照射效果，通过等值盐密法确定绝缘子盘面各区域的实际污秽程度，作为随后建立的分类模型的输入，对分类模型进行训练。

步骤S2、对采集到的高光谱全波段图像进行数据降维，利用竞争性自适应重加权算法(CARS)从高光谱数据包含的256个波段中提取若干特征波长，保留特征波长对应的信息，去除其他波长下的冗余信息，其具体包括以下步骤：

步骤S2.1、选取若干组高光谱谱线信息，记数量为n，每组信息包含256个波长数据变量；

步骤S2.2、采用蒙特卡洛采样法，采样次数设置为N，每次随机从n组数据中抽取70％作为训练集，剩下的30％作为预测集以建立偏最小二乘回归(PLS)模型；

计算每次采样过程PLS模型中的回归系数绝对值权重：

其中，|b

步骤S2.3、利用指数衰减函数(EDF)去除w

R

其中，n为原始波长变量数，取256；μ和k是常数；

步骤S2.4、在每次采样时，从上一次采样时的变量数中采用自适应重加权采样(ARS)选择数量为R

步骤S2.5、在N次蒙特卡洛采样完成后，得到N组候选的特征波长子集以及对应的RMSECV值，选择RESECV最小值对应的波长变量子集作为特征波长。

在本发明的一个实施例中，对采集到的高光谱图像先进行了图像的预处理，包括黑白校正和多元散射校正，黑白校正为：

其中，R为校正后的高光谱数据，R

多元散射校正的公式为：

按照式(1)计算高光谱数据平均值，其中，n表示图像数据中样本点个数，f代表样本数，f＝1,2,…,n；d代表第d个波段，d＝1,2,……,256；A

本步骤对高光谱图像包含的256个波段进行筛选，保留特征波长对应的数据，对其他冗余数据进行剔除，极大地减小了数据处理量，且对检测精准度的影响可以忽略。

步骤S3、取特征波长处的灰度图像，获取各区域内的灰度值平均值，采用随机森林算法选取最优特征，利用最优特征波长下的灰度图像特征，构建图像灰度值与污秽程度的对应关系，其具体包括以下步骤：

步骤S3.1、高光谱图像包含256个波长下的灰度图像，取步骤S2中确定的特征波长对应的灰度图像，根据步骤S1划分的区域，计算各个特征波长下各区域的灰度值的平均值；

步骤S3.2、获取M个区域的实际污秽程度和在它们分别在N个特征波长下的灰度值平均值，得到M组向量，每组向量由N个灰度值平均值数据和对应的实际污秽程度组成，其中，污秽程度I、污秽程度II、污秽程度III、污秽程度IV分别记为C1、C2、C3、C4；

步骤S3.3、将原始向量集作为随机森林模型的输入，设定决策树数目为100，测试集占比为20％，对随机森林分类模型进行训练；

步骤S3.4、一次采样中，有约1/3的数据未被利用，称为袋外数据(out of bag,OOB)；采用袋外数据计算模型的预测错误率，得到袋外数据误差，记为OOBerr1；

步骤S3.5、对袋外数据所有样本的特定特征加入噪声干扰，即随机改变样本在该特征波长处的值，再次计算袋外误差，记为OOBerr2；

步骤S3.6、根据OOBerr1和OOBerr2，计算干扰特征的重要性P：

其中，N

步骤S3.7、根据步骤S3.6的计算结果，记重要性最强的特征为x

同理，分别计算C2、C3和C4在其重要性最强的特征下的灰度值平均值的均值，并将计算所得的三个均值分别作为污秽程度II、污秽程度III和污秽程度IV的灰度阈值。

本步骤采用袋外数据误差的变化可以计算出各特征的改变对检测准确率产生的影响，从而对所有特征进行重要程度排序以选取最优特征波长；最优特征波长对应下的灰度图更具有代表性；将各污秽程度区域在最优特征波长下的灰度值均值作为该污秽程度的灰度阈值，建立了污秽程度与高光谱图像灰度值的对应关系。

步骤S4、确定不同污秽程度对应的灰度值，通过灰度值阈值的划分，实现绝缘子盘面不同污秽程度区域的提取以及各污秽程度区域面积占比的计算，其具体包括以下步骤：

步骤S4.1、利用二值分割法，根据步骤S3确定的灰度阈值，对绝缘子盘面在x

步骤S4.2、根据区域内像素点总数与复合绝缘子盘面图像像素点总数的比例，得到各区域的面积占比P

其中，污秽程度I的区域面积占比为P

步骤S5、将不同污秽程度区域的图像进行叠加，使污秽程度的轻重以颜色深浅区分，实现绝缘子盘面的污秽分布情况的可视化图像展示，其具体包括：

对绝缘子盘面灰度图像上灰度值大于不同污秽程度灰度阈值的像素点赋以不同的权重，再对图像实行伪彩色化处理，污秽程度越重的区域呈现的颜色越深，实现对绝缘子盘面污秽分布情况的可视化展示。

本步骤根据灰度阈值对不同污秽程度区域进行分割，并计算各区域面积占比与对不同污秽程度区域分布情况进行可视化，更直观清晰地反映绝缘子表面污秽分布情况。

虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。