魏 超

(烟台黄金职业学院招生与就业指导处，山东 烟台 265401)

电气设备长期运行后往往会出现故障，具体表现之一为局部或整体异常发热，结合设备发热特征对设备故障进行诊断，可有效保证电力设备安全与稳定运行。传统的识别方法是采用人工红外成像技术对设备进行现场诊断，但这种方法过度依赖现场人员的经验，且耗时长、效率低。此后，人们开始引入计算机辅助识别技术进行故障诊断，如基于人工特征的红外图像识别方法，通过从区域中提取特征信息进行故障识别，但这种方法识别速度慢，且通用性不强，难以在实际中大范围推广。

随着深度学习算法的崛起，人们开始将目光集中到卷积神经网络对红外图像进行识别的应用上，并进行了大量学术研究。邢科等[1]提出对GoogLeNet网络结构进行改进，以达到提高丰富空间特征、增强特征多样性的目的；贾鑫[2]提出在采用卷积算法对图像进行识别前，通过聚类、SLIC超像素处理结合OTSU算法对图像进行预处理，以提高卷积神经网络对图像的识别率；周仿荣等[3]运用双通道CNN网络和随机森林算法完成对红外图像的识别，提高了故障的识别率；韩纪普等[4]提出了一种基于SLIC和区域生长的图像分割方法，再通过卷积神经网络进行图像识别。由此可以看出，对卷积神经网络进行改进，提高对包括红外图像在内的识别效率是研究的重点，对图像进行预处理，也是保证提高识别率的又一重要途径和方式。本文在上述文献研究结果的基础上，结合电气设备红外图像具有对比度低和信噪比低的特点，参考文献[2]、[4]关于图像处理的聚类思路和区域生长算法，对图像进行预处理与分割，然后通过卷积神经网络对图像特征进行提取与识别，以提高整体红外电气设备图像的识别率。

1 图像预处理

与传统的可见光图片相比，红外图像具有低信噪比、低对比度的特点。因此，在对红外图像进行特征提取前，首先对图像进行灰度化和噪声处理，然后参考文献[2]图像分割的聚类思路，通过K均值聚类对图像像素进行聚类，再后通过区域生长算法分割出图像中最亮的区域，以此分割出可能的故障区域，方便后续对图像的识别。

1.1 灰度化处理

红外图像其色彩由R、G、B组成，因此需采用加权平均的方法对图像进行灰度化处理，具体处理公式为：

f(i,j)=0.298 9R(i,j)+0.587 0G(i,j)+

0.114 1B(i,j)

(1)

式中：f(i,j)为原图像F的噪声值，(i,j)表示像素点；R(i,j)为红色的灰度值；G(i,j)为绿色的灰度值；B(i,j)为蓝色的灰度值。

1.2 噪声处理

红外图像获取过程中，由于受相机故障等因素的影响，可能导致获取的电气设备红外图像存在噪声，因此本文采用线性滤波和非线性滤波结合的方式对红外图像噪声进行处理。

1)线性滤波。

(2)

式中：g(i,j)为经过均值滤波后图像G的灰度值；S为中心像素为(i,j) 的邻域像素集合；N为集合元素数量。

2)非线性滤波。

非线性滤波采用中值滤波器，具体滤波公式为：

yi=Med{f1,…,fi,…,fn}

(3)

式中：fi为采样值；yi为采样中值。

2 基于K均值聚类的区域生长图像分割

文献[2]在超像素图像处理过程中提出采用K均值聚类(K-means)对图像进行聚类处理，从而找到像素内的最亮区域。聚类的原理是筛选出k个中心，然后计算每个样本到各中心的距离，与哪个中心的距离小，那么就将样本归纳为该类。本文对图像像素的聚类步骤可分为以下几步：

1)输入经过灰度化、噪声处理的图像，选定像素中的k个像素点作为初始聚类中心；

2)遍历图像中的每个像素，计算其与每一类聚类中心像素灰度值的均值，并将该均值作为新的聚类中心；

3)根据新聚类中心，按照聚类最小原则对各个样本与新聚类中心的距离进行计算，从而对样本重新划分；

4)若聚类中心的变化小于给定的阈值，或者是迭代计算次数达到最大，则算法终止，否则返回步骤2)。

在完成图像像素聚类后，在该图像中存在k个样本均值，选择样本均值最大的作为区域生长的种子点。生长准则为：

|μm-f(m,n)|

|Tmax-f(m,n)|

(4)

式中：f(m,n)为待测像素(m,n)的灰度值；μm为种子点为3×3的邻域内所有像素的灰度均值；Tmax为灰度均值中的最大值；k1,k2依据红外电气设备图像故障处自身的特点选定。通过区域生长得到的图像则为最终提取的“最亮图像”。

3 基于卷积神经网络的图像识别

3.1 基于GoogLeNet的特征提取

目前，主流的神经网络包括GoogLeNet、VGGNet-16和Alex Net 3种，其中GoogLeNet神经网络凭借其良好的性能被广泛应用。Christian Szegedy(2014)创造性地提出了GoogLeNet模型，从而构建起一种网中网(Network in Network)的结构。相较于VGGNet-16网络结构，GoogLeNet模型中的inception模块居于核心地位。传统的inception模块如图1所示。

图1 inception 模块

在inception模块中，通过使用3×3和5×5的卷积核来提取高抽象性的特向特征，但这种设置的弊端是5×5卷积会增大网络开销，使得inception进一步发生变化。因此，为解决该问题，在GoogLeNet网络设置上，搭建一个 1×1 的卷积，通过该卷积作用于3×3和5×5的卷积上，从而减少计算量，起到修正线性激活的作用，具体 inception 模块改进如图2所示。

图2 改进的inception 模块

3.2 卷积神经网络训练改进

传统的图像识别运用支持向量机(SVM)、BP神经网络(back propagation，BP)等传统算法[5-7]。本文通过引入softmax损失和中心损失两种监督信号对GoogLeNet网络进行改进。利用softmax loss监督信号把多个神经元的输出映射至(0，1)，最小化分类概率和真实分布的交叉熵，使得分类概率趋向于真实类别；利用center loss监督信号配合softmax loss监督信号进行训练，具体来说，在softmax loss监督信号训练过程中，center loss监督信号对各个种类的样本和该种类样本中心的偏移进行惩罚，促使同一类别中的不同样本共同趋近于该类别的特征中心，从而优化网络的训练过程。这样做的目的是为了防范梯度回传消失的问题出现。

Softmax loss函数[8-9]：

(5)

Center loss函数：

(6)

式中：bi,bj为偏值；wj为全连接层参数矩阵第j列的权重；xi为第i类别的样本特征；ci为第i类的特征中心；Lc为Center loss函数；Ls为Softmax loss函数。

同时为平衡两损失函数，引入超参数λ，由此确定新的loss函数L为：

(7)

4 实验测试与分析

4.1 数据来源

实验用图像数据来源于某电力公司的电气设备红外图像数据库，总计2万多幅，大小为256像素×256像素～1 024像素×1 024像素，包含杆塔、变压器、绝缘子、断路器等多种电气设备故障图像。在这些图像中，归纳出10多种具体设备故障，如避雷器整体过热、变压器套管-柱头发热、变压器外壳温度异常、隔离开关转头过热等。每一种故障图像均有1 000多张。

4.2 数据集处理

根据卷积神经网络的训练需求，首先对图像数据集进行处理，以保证训练过程的精度。具体进行以下两方面的工作：1)将图像进行规范化处理，处理后的图像大小均为256像素×256像素；2)将图像的数据格式全部转变为leveldb格式。

4.3 测试环境搭建

本次实验配置：64位Windows7操作系统，Intel Core i5-5200U处理器，内存4 GB，显卡AMD Radeon R7M260；编程工具：Visual Studio 2017、Python2.7、MATLAB R2017b，Caffe深度学习框架。

4.4 实验结果

4.4.1图像与处理结果

在图像预处理部分，选择主变高压套管将军帽故障图像进行预处理。同时选择K-means+区域生长、Canny、Otsu、K-means对图像进行分割，得到的实验测试结果如图3所示。

图3 主变高压套管将军帽故障图像分割实验对比图

由图3可以看出，K-means+区域生长能更好地提取电力设备故障区域图像，因此本文选择该方法进行图像分割。

4.4.2特征提取

为了清晰地描述卷积网络特征提取的过程，本文进行了以下实验。

1)图4展示了输入网络中的故障图像，其中，图4(a)展示的是待识别的故障图像，图4(b)展示的是提取故障设备后的图像，对比可见，GoogLeNet成功提取了视觉特征，未发热设备并未出现在图4(b)中。

图4 特征图像提取

2)把图4(b)导入GoogLeNet模型中，在完成第一层卷积层处理以后收获了64张特征图，特征图的尺寸均为112像素×112像素，如图5所示；在完成第二层卷积层处理以后，收获了196张特征图，特征图的尺寸均为56像素×56像素，如图6所示。

图5 第一层卷积后的图像

图6 第二层卷积后的图像

观察发现，卷积层成功提取了边缘信息以及不同方向的色团、团块、直线、点等特征信息。不同层级所对应的卷积核权重存在差异，各特征图所突出的区域是不一致的，应用的卷积核数量越多，就能够提取出越多的特征信息。综上看出，本文采取GoogLeNet模型进行特征提取，在增加网络宽度和深度的同时，可借助于inception模块实现特征图的降维，因而无需使用过多的参数。

4.4.3识别算法精度分析

在本次训练中，训练集包含500张图片，测试集包含200张图片，根据测试集数量=测试时迭代次数(test_iter) ×根据测试集中批处理尺寸(batch_size)，计算得出测试集批处理尺寸(batch_size)为10，测试时迭代次数(test_iter)为20。本文设定最大迭代次数为1 500，设定学习率u为0.001，超参数λ为0.003。

分别运用4种深度学习模型(VGGNet、AlexNet、GoogLeNet、改进GoogLeNet)对电气设备红外故障图像数据集进行训练及测试，每进行500次迭代执行1次准确率测试，记录每次迭代的运算结果。同时以编号S1～S5对应5种电气设备故障，依次是：断路器均压电容过热、变压器套管-柱头发热、避雷器整体过热、架空线路导线连接处过热、合成绝缘子球头过热，利用以上4种模型分别对5种电气设备故障进行识别，识别结果见表1。

表1 电气设备故障识别 %

由表1可以看出，在识别率方面，本文构建的改进GoogLeNet算法的识别率要明显高于其他3种模型，验证了本文改进算法的可行性与准确性。

5 结论

为解决传统卷积神经网络识别率低的问题，本文在K均值聚类与区域生长图像分割处理基础上，提出一种基于改进损失函数的卷积神经网络识别模型，得到以下结论：

1)在对卷积神经网络训练前，对红外图像进行图像分割可有效提高电气设备故障图像的识别精度；

2)与单层的CNN卷积相比，采用多层的卷积可在降维的同时，提取多个图像特征；

3)改进损失函数的卷积神经网络在图像识别方面要明显高于其他的算法，且准确率高。