方案推荐 | 基于高光谱技术的绝缘子污秽等级检测方法及可视化

位于直流电线路的绝缘子表面易沉淀污秽，输电线路绝缘子的闪络一直是电网安全稳定运行待解决的的关键问题，其中绝缘子污秽闪络对电力系统具有极强破坏性。污闪通常有两大特点：一是多点同时，即在雾、露、毛毛雨等潮湿天气条件下环境相似、爬距相同的多条线路绝缘子会同时发生故障;二是重合闸不易成功而造成线路长时间接地事故。因此，污闪易引发系统失去稳定而导致大面积停电事故。随着工农业的迅猛发展，雾霾、盐雾等恶劣天气情况增多，由于输电线路绝缘子长时间暴露在大气环境中，积污问题愈加严重，同时随着特高压线路的大力建设，一旦发生污闪事件将造成更大的危害。

为了防止污闪的发生，多种绝缘子污秽检测方法已经应用于实验室与现场，高光谱技术是基于成像光谱学的新型综合性影像数据技术，具有多波段、分辨率高、图谱合一等特点，其优势在于采集到的图像信息量丰富，识别度较高和数据描述模型多。本文通过获取不同污秽等级的人工污秽样本的高光谱图像，经过预处理后提取样本标签图像感兴趣区的全波段高光谱曲线，建立支持向量机多值分类模型，将标签样本全波段数据作为训练样本数据，从而实现对绝缘子污秽等级的检测。该方法属于非接触式绝缘子污秽检测方法，能快速、无损地对绝缘子污秽等级进行检测，结果证明该方法能够应用于绝缘子污染等级检测，且等级划分准确率高。

高光谱图像不仅提高了信息的丰富程度，而且更为合理有效地对处理技术中的光谱数据进行分析和处理。

不同成分的污秽呈现出不同的反射特性，以绝缘子表面常见的可溶盐成分和微溶盐成分为例进行分析。如下图所示，样品在成像谱段参数范围400-1000nm间构成连续的谱线。由于表层物质比例不同，不同污秽等级样品光谱曲线的波峰、波谷稍向左偏移;由于不同污秽等级样品的污秽量不同，在400-980nm整个波段的反射率都呈现出随着污秽等级升高反射率降低的规律。

污秽样本在400-1000nm间构成连续的谱线，随着污秽量增多，表面污秽层对光线的吸收减少，反射增多，在400-980nm的整个波段反射率都呈现出反射率随着污染程度升高而升高的规律。污染未完全覆盖基材与完全覆盖基材时谱线波峰、波谷有较大差异，如下图所示。

上述反射特性可作为污秽等级划分的理论依据。

本次采用复合绝缘子FXBW4-10/70作为实例验证样本。通过人工积污试验使和高岭土混合污秽沉积于复合绝缘子伞裙上，积污后的绝缘子如下图所示。由于绝缘子伞径大小与人工浸污基的尺寸不同，因此通过面积换算，仅用蒸馏水清洗绝缘子伞裙上与人工污秽试验基材(5 cm×5 cm硅橡胶绝缘片)面积相等的扇形区域，测得伞裙1的盐密为0.06 mg/cm2，灰密为0.18 mg/cm2，对应污秽等级为II;伞裙2的盐密为0.04 mg/cm2，灰密为0.13 mg/cm2，对应污秽等级为I。绝缘子积污后，首先采集其高光谱图像，经黑白图像校正和多元散射校正后获取伞裙1和伞裙2图像感兴趣区域的高光谱谱线(各计10组)。

高光谱反映了高分辨率光学信息的特征，其利用很多很窄的电磁波波段(通常<10nm)从感兴趣的物体获取有关数据。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收也不同，在某个特定波长下图像对某个缺陷会有较显著的反映，而光谱信息能充分反映样品内部的物理结构、化学成分的差异。因此，利用高光谱特性可以将NaCl、与绝缘子分离开，并且与无人机进行结合，可以大面积快速监测。

在规划的研究区域，根据需求采集高光谱影像。具体步骤如下：无人机端设置：组装无人机高光谱设备,设置航高、航速，根据相机参数和影像重叠度需求设置影像航线间距;相机端设置：根据航高航速设置相机帧率，根据白板测量值设置积分时间(曝光时间);标准反射率白板：在航线区域摆放标准反射率白板，采集影像时需拍摄到白板。

由于采集高光谱图像过程中可能存在光线分布不均，光强分布弱的波段存在图像噪声和暗电流的情况，往往需要对实验获得的原始图像进行预处理，以便后续的高光谱数据分析。

无人机高光谱影像数据采集后，需要进行以下预处理工作：

采集的原始影像没有波长信息，需要添加波长定标文件;

高光谱采用推扫式成像，需要对采集的测区影像进行裁剪;

对裁剪后的测区影像进行地理配准或相对配准，之后对配准后的影像拼接成完整影像;

在采集高光谱图像数据之前，为了克服光强分布弱的波段存在的图像噪声和暗电流的影响，首先在采集样本的高光谱图像时，同时扫描标准白板采集反射率为99%的全白标定图像，然后盖上镜头盖采集反射率为0的全黑标定图像。通过黑白校正可实现对所采集高光谱数据的反射率校正，校正算法为：

式中：S表示原始光谱图象数据;D表示全黑标定图像数据;W表示全白标定数据图像数据;R表示黑白校正后的图像数据。经黑白校正后的样品谱线，毛刺相对减少，谱线更加平滑，如下图所示：

多元散射校正方法是现阶段多波长定标建模常用的一种数据处理方法，经过散射校正后得到的光谱数据可以有效消除散射影响，增强了与成分含量相关的光谱吸收信息。本次采取多元散射校正对获取的样本高光谱原始图像进行了校正。

首先计算样本高光谱的平均光谱，将计算得到的平均光谱作为标准光谱，每组样品的高光谱与标准光谱进行一元线性回归运算，求得各光谱相对于标准光谱的线性平移量和倾斜偏移量，在每组样品原始光谱中减去线性平移量同时除以回归系数修正光谱的基线相对倾斜，从而每个光谱的基线平移和偏移都在标准光谱的参考下予以修正，而和样品成分含量所对应的光谱吸收信息在数据处理的全过程中没有任何影响，所以提高了光谱的信噪比。

经多元散射校正后的NaCl、CASO4样品谱线分 散性减小，谱线出现汇聚的现象(如下图所示)，经验证便于后续采用样品反射率谱线进行污秽等级的划分。

支持向量机(support vector machine，SVM)是基于建立的分类超平面，其作为决策曲面使得正例和反例之间的隔离边缘最大化。由于SVM能较好地解决小样本、非线性、高维数和局部极小点等实际问题，本研究将SVM理论引入绝缘子污秽等级划分问题，考虑到此问题是多值分类问题，因此设计了“一对一”SVM多值分类器。SVM分类器的精度与它所选的内核函数及参数有着密切的关系。本研究采用交叉验证(cross validation，CV)的方法，确定SVM模型中的最优惩罚参数c和gamma函数参数g，有效避免了过学习和欠学习的问题。经交叉验证确定的参数如下表所示。

将每组谱线数据作为测试样本的输入，代入上述建立的的SVM分类模型，划分结果如下图所示。其中，1—10号样本数据取自伞裙2，真实污秽等级为I;11—20号样本数据取自伞裙1，真实污秽等级为II。

下图划分结果表明对第1、6、9、10个样本数据的划分出现错误，准确率为80%。人工积污绝缘子污秽分布呈现不均匀分布状态，高光谱数据取自区域的局部，谱线反映的是局部污秽程度，而所测得的扇形区域的污秽程度为区域内均值，因此可能出现实测均值与局部值不对应的情况，从而导致部分预测结果出现偏差。

故：基于人工浸污样品高光谱谱线数据建立的SVM分类模型可对人工积污绝缘子不同伞裙的污秽等级进行划分，准确率为 80%，该方法可为绝缘子污秽等级的在线检测提供技术参考。