马御棠，杨坤，李谦慧,，杨谨铭，潘浩，彭兆裕，颜冰

（1. 云南电网有限责任公司电力科学研究院，昆明 650217；2. 西南交通大学电气工程学院，四川 成都 611756；3. 云南电网有限责任公司研究生工作站，昆明 650217）

0 前言

高压输电线路路线长，线路地形环境复杂，污秽类型与污秽程度多样化[1-3]，传统的污秽采用等值盐密(equivalent salt depositdensity，ESDD) 检测和表面泄漏电流(leakage current，LC)测试法等[5-8]，多用于实验室检测，不能区分污秽分布不均情况。红外热像法[9-10]紫外放电特性检测[11-12]等光电技术，已在绝缘子污秽程度检测中展开了大量研究。但这两类方法的成像分辨率较低，波谱较窄，主要获取临闪前的绝缘子的物理特征现象，间接反映绝缘子的污秽状态，并不利于污秽程度的提前预估。因此，需要一种可识别污秽并给出绝缘子污秽分布不均的技术。

高光谱图像是综合光谱与二维成像的新型3D 图谱数据[13]，其包含位置及外观信息的同时，可获取丰富的连续波段谱线信息，对研究对象‘描述’得更为立体，有助于区分信息的差异。高光谱技术已在食品质检、农作物生长监控、资源勘探、考古调查等领域[14-18]得到较广泛的应用。在输电线路外绝缘检测方面，文献[19]通过试验验证了高光谱技术运用于复合绝缘子的老化状态识别的可行性。文献[16]采用全波段高光谱数据光谱实现了不同污秽程度的单一人工污秽的识别及污秽等级划分。

针对输电线路现场绝缘子污秽并不单一，污秽程度多样化且分布不均匀的特点，本文采用高光谱技术对500 kV 交流绝缘子进行污秽检测与程度识别和可视化研究，通过采集现场绝缘子高光谱谱线信息和图像信息，分别对谱线进行预处理降噪及特征提取，和基于HSI 算法的图像特征提取，最后建立极限学习机分类模型，提高对绝缘子的污秽程度识别，并实现污秽分布的图像可视化。该方法能反映绝缘片上不同区域的污秽的沉积状况，实现对绝缘子污秽程度的准确分类。

1 高光谱污秽检测原理及平台

1.1 高光谱检测原理

高光谱成像原理是基于不同物质由于内在结构表现出的对不同波段光波能量吸收反射差异，获取具有物质特征的光谱“指纹”。高光谱图像具有高分辨率，上百个连续波段信息，使其能获取复杂物质具更多特征，有助于分类模型的建立。

污秽含量差异，导致绝缘子伞裙基材覆盖情况不同，且颗粒密集程度所呈现出的色彩亮度和饱和度不同，污秽堆叠结构对反射光路的影响。且根据前期研究发现，谱线整体反射率数值及波动性与污秽等级有相关性。因此，综合分析污秽反射特征谱图可实现绝缘子污秽等级的划分。

1.2 污秽检测平台

根据高光谱技术成像及检测原理，测试平台包含用于成像的GaiaField-F-V10 光谱仪，用于采集控制的计算机，以及补光灯和用于校正的反射率99%对照白板组成。使用反光布搭建一个小型拍摄空间，三脚架固定和调整仪器位置，镜头距样本120 cm，向下为60°角，光源固定在铁制框架的一侧，等距离分布，如图 1所示。将现场取下的绝缘子串置于成像区域中央采集图谱信息。

图1 高光谱采集平台示意图

2 检测对象

本文研究的实验对象是云南电网500 kV 博尚墨江线、惠历墨江线、通思甲线的运行绝缘子。根据标准 GB/T 26218.1-201 以及 GB/T 22707-2003 对上述绝缘子进行试验，共得到120 组绝缘子的盐密值。将其分为84 组训练集和36 组测试集，依据盐密检测结果，训练集包括11 组轻度污秽样本、23 组中度污秽样本、33 组较重污秽样本、17 组重度污秽样本，测试集包括4种污秽等级的绝缘子样本各9 组。

3 绝缘子污秽的高光谱图谱特征提取

3.1 图谱信息处理流程

图谱信息处理流程如图2 所示，在对现场绝缘子进行盐密值检测后划分为不同的污秽等级，并分为84 组训练集和36 组测试集。采集训练集样品的高光谱图像，提取感兴趣区域的高光谱谱线，经黑白校正和SG 平滑处理后进行特征波段提取，减少冗余信息。同时，采用HSI 算法提取图像特征，选取与污秽等级最为相关的S（色饱和度）分量，结合图谱信息特征建立极限学习机（ELM）分类模型，从而对测试集绝缘子样品进行污秽等级的识别，进而基于污秽等级分类模型试验绝缘子表面污秽等级的可视化。

图2 图谱信息处理流程图

3.2 谱线特征提取

3.2.1 谱线采集

使用高光谱成像仪对84 组污秽样本进行拍摄，实现高光谱图像的获取，并进行黑白校正。经黑白校正后的人工污秽样品高光谱图像中可提取不同污秽成分的光谱反射率值，以波长作为横坐标，以反射率作为纵坐标，形成连续谱线。使用ENVI5.3.1 分析实验样本的高光谱图像，提取绝缘片污秽分布较为均匀的感兴趣区域的反射率光谱曲线。实验选取的现场绝缘子样本反射率曲线如图3 所示。

图3 不同污秽等级样品原始高光谱曲线图

其中，从84 组训练集绝缘子污秽样本中通过选取感兴趣区域共提取 193 组数据作为训练样本数据；同样地，从每个污秽等级样本提取9 组数据作为测试样本数据，共 36 组。并使用Savitzky-Golay (SG）算法进行平滑处理，去除无关噪声（图4）。

图4 SG平滑后的样品高光谱曲线

3.2.2 特征波段提取

本研究采用竞争性自适应重加权采样[21](competitive adaptive reweighted sampling ，CARS)对四种污秽成分的高光谱标准谱线进行特征波长选择，选择后的波段组合将用作后续污秽成分特征识别的基准谱段。本次研究将采样次数设置为 500 次，具体 CARS 提取特征波长过程如图 6 所示。

图5(a) 表示选择建模变量数量随采样次数的变化趋势，采样前期变量数量下降较快体现了前期的粗选过程，后期随采样次数增加变量数量下降趋势趋于平缓体现了后期精选过程；图5(b)表示交叉验证均方根误差（RMSECV）随采样次数的变化趋势即基于CARS 选择的特征波长建立的极限学习机（ELM）模型的预测效果，RMSECV 越小测量精度越高，在第68次采样之前，RMSECV 值波动较小，随着采样次数增加，关键变量被删除后RMSECV 值急剧增大，模型测量精度下降；图5(c) 表示每个波长变量回归系数随采样次数的变化趋势，* 对应为RMSECV 值最小的位置，ELM 模型选择最小RMSECV 值确定最终选择的波长变量最优组合，因此选择维数更低即选择波长变量数量更少的特征波长组合，对应第68 次采样。本研究在CARS 运算后选择的特征波长分 别 为405.6 nm、430.8477.1 nm、601 nm、647.4 nm、664.7 nm、679.5 nm、704.5 nm、709.5 nm、719.5 nm、752.3 nm、793.1 nm、805.9 nm、816.2 nm、847.3 nm、868.2 nm、881.3 nm、918.2 nm、939.4 nm、979.5 nm，共选择20 个特征波长，如图6 所示。

图5 CARS提取波长过程图

图6 CARS选取的特征光谱波段图

3.3 图像特征提取

3.3.1 HSI算法原理

HSI(Hue,Saturation,Intensity) 空间是由图像RGB 空间变换的色彩模型，其通过色相（H）、明亮度（I）以及彩度（S）对二维图像进行描述，如图7 所示。由于本文研究对象为污秽量的多少，HSI 特征因接近视觉成像，更易捕捉由于自然污秽粉末覆积绝缘表面而引起的色彩特征差异。有利于建模过程中对积污程度更细致地辨别。

图7 HSI颜色空间

3.3.2 HSI特征提取

绝缘片表面色彩与拍摄背景在颜色上较为接近，如图8 所示。仅以RGB 空间而HSI 颜色空间边缘差异明显，易于去除背景区域。因此，对采集后的绝缘子有效区域光谱图象进行RGB到HSI 的色彩空间变换。

H（色调）分量图像中绝缘子与周围区域几乎混为一体，无法区分；I（亮度）分量反映图像的亮度，绝缘子及周围区域的亮度都处于较低区域，区分效果较差；S（色饱和度）分量图像中绝缘子区域突出，可作为图像特征进行后续绝缘子区域分割和污秽等级划分。

图8 不同提取方法下的图像特征

图9 H、S、I三通道图像

将去除无关背景后的84 个现场绝缘子污秽样本进行S 分量值提取，如图10 所示，不同污秽程度的绝缘子在S 分量值上存在明显的差异，因此样品的图像特征S 分量可用于识别绝缘子的污秽等级。

图10 不同污秽等级绝缘子表面S分量均值图

4 基于图谱特征建立污秽识别模型及可视化

4.1 污秽识别模型

选择高效、参量少的极限学习机[25-26]（ELM）对图谱特征联合污秽程度进行建模。随机初始化各网络层参数值，根据最小化损失函数进行反馈训练，并依据广义逆矩阵Moore-Penrose（MP）求解最终结果[25]。

图11 为极限学习机的模型结构：

图11 极限学习机算法网络模型图

结合训练集样品绝缘子的特征波段数据和图像特征S 分量，建立基于图谱信息的绝缘子污秽识别模型。

采集测试集高光谱图像，经SG 平滑校正后获取4 种污秽等级绝缘子的高光谱曲线和图像特征S 分量(各计9 组)，将每组谱线数据进行特征波段提取后结合S 分量平均值，代入前述建立的ELM 分类模型，划分结果如图12 所示。其中，1—9 号样本数据真实污秽等级为a；10—18 号样本数据真实污秽等级为b，19—27号样本数据真实污秽等级为c，28—36 号样本数据真实污秽等级为d,划分结果表明对第3、6、11、26、33 样本数据的划分出现错误，识别准确率达86.1%。

图12 现场绝缘子污秽等级划分结果图

4.2 图像可视化

通过采集现场绝缘子的上段、中段、下段的高光谱图像，去除图像无关背景后提取绝缘子伞裙表面所有像素点的高光谱数据。将每个像素点的图谱信息作为输入利用上文所建模型来进行分类，从而得到高光谱图像每个像素点的污秽等级，实现现场绝缘子表面积污分布可视化。

图13 现场绝缘子表面污秽可视化图

图13 显示了现场绝缘子串表面不同位置处的污秽等级分布。图中顶部从渐变的颜色条所给出的不同颜色代表了不同的污秽等级。蓝色和绿色表示污秽含量较低，红色、橙色和黄色则表示含量较高。

如图所示，绝缘片上表面污秽积聚多于下表面且污秽多向支柱积聚。分析结果与现场绝缘串表面污秽分布基本吻合，进一步验证了基于现场绝缘子的图谱信息建立的污秽等级分类模型对污秽等级可视化分布的可行性和准确性。

5 结束语

1）不同污秽等级的现场绝缘子，其高光谱谱线的吸收峰、反射峰位置、变化趋势基本相同，但幅值差异明显。依据此反射特征可使用高光谱实现模式识别。

2）通过HSI 算法分析的绝缘子高光谱图像，绝缘子图像特征与污秽等级有很强的相关性，污秽等级越高，基材被覆盖的面积越大，图像整体饱和度也就越低。

3）基于图谱信息建立的深度学习机绝缘子污秽等级分类模型准确率可达86.1%，表明高光谱图谱信息结合的方法可为绝缘子污秽等级的在线检测提供技术参考。

针对500 kV 现场绝缘子的图谱信息识别与可视化，有效地对现场绝缘子进行了污秽等级识别，为实现无损，非接触的现场绝缘子污秽检测提供了一种新思路。