基于機(jī)器學(xué)習(xí)的GIS典型缺陷的智能識別研究

劉榮海 耿磊昭 楊迎春 鄭欣

摘要：GIS設(shè)備的安全運(yùn)行直接影響整個(gè)電網(wǎng)的安全穩(wěn)定運(yùn)行。隨著GIS設(shè)備數(shù)量的增多，面對日益突出的GIS典型缺陷，本文采用支持向量機(jī)（Support Vector Machine，簡稱SVM）的機(jī)器學(xué)習(xí)方法，并結(jié)合圖像處理技術(shù)設(shè)計(jì)開發(fā)了一套GIS典型缺陷的智能識別軟件?軟件首先對GIS圖像進(jìn)行預(yù)處理研究，然后通過對缺陷樣本的訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)對GIS典型缺陷的智能識別，從而提高對GIS設(shè)備的檢測效率。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；圖像處理；SVM；智能識別；GIS

中圖分類號：TM930.1 文獻(xiàn)標(biāo)識碼：A DOI：10.3969/j.issn.l003-6970.2017.08.036

引言

GIS，即SF6氣體絕緣全封閉組合電器（GasInsulted Switchgear）。GIS設(shè)備運(yùn)行安全可靠、配置靈活和維護(hù)簡便、檢修周期長，加之在技術(shù)上的先進(jìn)性和經(jīng)濟(jì)上的優(yōu)越性，已得到廣泛應(yīng)用。但GIS設(shè)備一旦發(fā)生故障，特別是內(nèi)部放電故障，或者因?yàn)槿毕菪枰獧z修，由于檢修故障間隔的檢修時(shí)間相對較長必然導(dǎo)致所需停電的時(shí)間長，將會(huì)嚴(yán)重影響到整個(gè)電網(wǎng)的安全穩(wěn)定運(yùn)行。隨著GIS變電站的增多，面對日益突出的GIS設(shè)備缺陷，迫切需要對設(shè)備常見缺陷及其處理方法進(jìn)行分析研究，確保設(shè)備的可靠性以及電網(wǎng)的穩(wěn)定運(yùn)行。目前GIS內(nèi)部缺陷的檢測方法主要有脈沖電流法、化學(xué)檢測法、光學(xué)檢測法、超聲波法。但是這些方法不能實(shí)現(xiàn)對GIS典型缺陷的智能識別。目前基于計(jì)算機(jī)視覺的缺陷檢測已經(jīng)廣泛應(yīng)用于工業(yè)領(lǐng)域，本文將圖像處理技術(shù)應(yīng)用于GIS缺陷的智能識別，采用支持向量機(jī)（Support Vector Machine，簡稱SVM的機(jī)器學(xué)習(xí)算法設(shè)計(jì)開發(fā)了一套具有自動(dòng)識別功能的GIS典型缺陷的系統(tǒng)軟件。本文首先利用內(nèi)窺攝像頭對GIS設(shè)備內(nèi)部圖像進(jìn)行獲取，進(jìn)而對得到的圖像進(jìn)行預(yù)處理、特征提取與判別。系統(tǒng)軟件的識別流程圖如圖1所示：

1 圖像預(yù)處理技術(shù)

隨著現(xiàn)代半導(dǎo)體技術(shù)的不斷發(fā)展，計(jì)算機(jī)圖像處理也得到了快速的應(yīng)用，結(jié)合缺陷圖像的分析，能夠?qū)θ毕萏卣鬟M(jìn)行定量計(jì)算，彌補(bǔ)傳統(tǒng)檢測方法的不足，促進(jìn)GIS缺陷分析技術(shù)的智能化和自動(dòng)化。在弱光條件下的圖像，由于光照明暗程度，設(shè)備性能優(yōu)劣等因素的存在，圖像中往往存在各種各樣的噪點(diǎn)和畸變，對缺陷的識別準(zhǔn)確性產(chǎn)生干擾。因此需要對識別對象圖形進(jìn)行一些預(yù)處理研究，圖像的預(yù)處理技術(shù)主要包括了圖像灰度化、圖像增強(qiáng)和圖像分割等一些功能。如圖2所示為本文針對GIS典型缺陷圖像文件的預(yù)處理基本流程圖：

2 GIS典型缺陷的智能識別

2.1 特征提取

在完成缺陷圖像提取之后，GIS內(nèi)部圖像中的缺陷區(qū)域被分割出來。但是相對于原始圖像而言，經(jīng)過處理的缺陷圖像在數(shù)據(jù)量上已經(jīng)有了很大的降低。但是對于分類器而言，需要分析的數(shù)據(jù)量依然比較大。因此需要進(jìn)行更多的特征提取從而更好地分類樣本數(shù)據(jù)。比較常用的特征包括，紋理特征、灰度特征和幾何特征。因?yàn)樘崛〉娜毕菰趲缀涡螒B(tài)上往往具有不確定性，同一種類型的特征也許在幾何形態(tài)上差異較大。因此，本文選取灰度特征和紋理特征作為初始特征。

2.1.1 提取紋理特征

紋理是指存在于圖像中某個(gè)范圍內(nèi)較小形狀或半規(guī)律性排列圖案，在圖像判定中使用紋理特征來表示粗糙程度、均勻程度等變化，常使用圖像灰度等級變化來表示。對于拉傷、碰傷等缺陷類型，一般具有比較明顯的紋理信息，因此紋理特征在區(qū)分這些缺陷類型時(shí)具有很好的效果。

灰度共生矩陣可以考慮到圖像像素間的相關(guān)性，它建立在圖像一階組合條件概率密度函數(shù)基礎(chǔ)上，通過計(jì)算特定距離和特定方向上的兩點(diǎn)間的灰度相關(guān)性來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息，計(jì)算0°、45°、90°和135°四個(gè)方向上的灰度共生矩，本文采用最常用的四個(gè)灰度共生矩特征作為紋理特征。計(jì)算公式分別為：

通過上述公式的計(jì)算，在對分割圖像進(jìn)行提取紋理特征時(shí)，在圖像的每一個(gè)方向上可以分別獲得能量、對比度、熵和相關(guān)度四個(gè)四個(gè)紋理特征，從而四個(gè)方向上總共可以獲得16個(gè)紋理特征作為圖像特征提取的條件。

2.1.2 提取灰度特征

對于其他類型特殊的故障圖像，提取灰度特征可以更準(zhǔn)確的判別其特征信息。一些故障缺陷信息會(huì)在圖像上呈現(xiàn)較高的亮度，并且其灰度頻度主要集中在較高的數(shù)值范圍內(nèi)，一些內(nèi)含雜質(zhì)類的缺陷，其在圖像中上亮度往往比較暗淡，灰度頻度集中在較小的數(shù)值范圍。因此選用灰度特征作為判別特征可以有效的識別此類缺陷。根據(jù)灰度直方圖的定義內(nèi)容，可以提取提取以下六個(gè)特征：

均值：

方差：

歪度：

峭度：

能量：

2.2 分類器的設(shè)計(jì)

選擇合適的分類方法對圖像數(shù)字化處理后的GIS圖像進(jìn)行模式識別是本系統(tǒng)軟件需要解決的關(guān)鍵技術(shù)。支持向量機(jī)（Support Vector Machine，簡稱SVM）是是由Vapnik領(lǐng)導(dǎo)的AT&TBell;實(shí)驗(yàn)室研究小組在1963年提出的一種新的非常有潛力的分類技術(shù)，SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識別方法，主要應(yīng)用于模式識別領(lǐng)域。它具有的優(yōu)點(diǎn)是可以更好地解決小樣本、非線性及髙維模式識別。因此，針對實(shí)驗(yàn)室以及現(xiàn)場應(yīng)用中存在的GIS典型缺陷圖像樣本數(shù)量比較少，軟件采用了以現(xiàn)代統(tǒng)計(jì)學(xué)理論為基礎(chǔ)的支持向量機(jī)實(shí)現(xiàn)對圖像數(shù)字化處理后的GIS圖像進(jìn)行模式識別。

2.2.1 多類分類器的選擇

在GIS缺陷圖像分類識別應(yīng)用中，支持向量機(jī)是一種二分類分類器。因此，如何通過二分類的支持向量機(jī)構(gòu)造有效的多類分類器，是選擇分類器需要解決的一個(gè)關(guān)鍵問題。通常兩類分類器構(gòu)造多類分類器的方法大致可以分為一對一方法和一對多方法兩種途徑。

（1）一對多方法

一對多方法是最早被提出的基于兩類分類器構(gòu)造多類分類器的方法。假如樣本共有k個(gè)類型，那么一共構(gòu)造k個(gè)SVM模型。在訓(xùn)練第i個(gè)模型時(shí)，將第i個(gè)類型作為一類，其他所有類型單獨(dú)作為一類。從而能夠得到1份數(shù)據(jù)，乃；），其中：C 且乃{(lán)l，."，/}表示xi的類型。

第i個(gè)SVM模型通過以下方法求得：

其中訓(xùn)練xi通過核函數(shù)O和懲罰因子C映射到高維空間。最小化是為了使得^最大化，它描述了數(shù)據(jù)集與分類超平面的幾何間隔。如果數(shù)據(jù)集線性不可分，那么懲罰項(xiàng)cfg可以盡可能的抑制噪聲的影響。經(jīng)過以上計(jì)算能夠得到k個(gè)決策函數(shù)。

對于未知樣本X，將X帶入各個(gè)決策函數(shù)中，在哪個(gè)決策函數(shù)中獲得最大值，就判定X屬于哪一個(gè)類型：

（2）—對一方法

一對一方法是構(gòu)造k（k-l）/2個(gè)分類器，每個(gè)分類器的訓(xùn)練集分別來自樣本集的兩個(gè)類型數(shù)據(jù)。對于第i個(gè)類型和第j個(gè)類型的訓(xùn)練集，構(gòu)造以下二次

規(guī)劃方程：

在完成個(gè)分類器的訓(xùn)練后，對于未知x數(shù)據(jù)的判別有多種不同的方法。比較常用的方法是

投票法如果決策函數(shù)+瀘顯示是屬于第類的，那么在第x類中的票數(shù)加一。在所有決策函數(shù)給出判別結(jié)果之后，選取獲得票數(shù)最多的類型作為對x的判別結(jié)果。假如在兩種類型中獲得了相同的票數(shù)，那么簡單的選取具有較小編號的類型作為判別結(jié)果。

基于上述討論，結(jié)合對GIS典型缺陷圖像分類實(shí)際需求和識別系統(tǒng)軟件要求的考量，最終選擇通過一對多的方法構(gòu)造GIS典型缺陷圖像分類器。

3 GIS典型缺陷自動(dòng)識別軟件的設(shè)計(jì)與實(shí)現(xiàn)

由于GIS圖像典型缺陷檢測系統(tǒng)的核心是檢測算法，所以本系統(tǒng)選擇Visual Studio2010的開發(fā)平臺(tái)，開發(fā)方便快捷，同時(shí)其中NET框架也縮短了上位機(jī)的開發(fā)周期。本系統(tǒng)使用了OpenCV（Open Source Computer Vision Library，簡稱Open CV）計(jì)算機(jī)圖形庫與NET Framework相結(jié)合的方式實(shí)現(xiàn)檢測算法的軟件實(shí)現(xiàn)，從而使軟件開發(fā)變得更加方便快捷，使用方便，使得圖像處理速度加快。

識別軟件是本自動(dòng)識別系統(tǒng)的重要組成部分，軟件設(shè)計(jì)的內(nèi)容主要包括了GIS圖像預(yù)處理、圖像分割、特征參數(shù)計(jì)算和模式識別等幾個(gè)功能模塊，如圖3所示為自動(dòng)識別軟件的功能框圖。

3.1 基于SVM的GIS缺陷分類器的訓(xùn)練和測試應(yīng)用SVM建立的GIS典型缺陷自動(dòng)識別軟件系統(tǒng)的主要工作內(nèi)容包括了兩個(gè)方面，第一就是選擇合適的特征值作為輸入向量，隨機(jī)抽取數(shù)量相近的缺陷類別作為訓(xùn)練樣木；設(shè)置的主要參數(shù)，構(gòu)造合適的核函數(shù)（參數(shù)主要有懲罰系-數(shù)C，核函數(shù)核寬度0。如圖4所示為GIS典型缺陷圖像自動(dòng)識別的流程框圖，由圖4可知，基于SVM的GIS識別分類器的設(shè)計(jì)主要包括了訓(xùn)練和測試兩部分。

3.1.1 軟件的訓(xùn)練研究

選擇GIS圖像訓(xùn)練的數(shù)據(jù)中每種缺陷類型樣本數(shù)為1000組，并劃分3類GIS缺陷類別。樣本訓(xùn)練的步驟如下：

（1）將所有內(nèi)部缺陷的缺陷樣本，識別結(jié)果標(biāo)為+1；其他所有樣本歸為-1，將多分類轉(zhuǎn)換為二分類問題。將標(biāo)序好的樣本數(shù)據(jù)輸入到SVM中，并對其進(jìn)行訓(xùn)練，得到相應(yīng)1號缺陷分類器和最優(yōu)分類面。該分類器用來識別1號缺陷類型；

（2）取所有工具異物的磨粒樣本，識別結(jié)果標(biāo)為+2重復(fù)（1）中的步驟，對2號分類器進(jìn)行訓(xùn)練，用來識別工具異物缺陷；

（3）完成SVM分類器的訓(xùn)練。

利用OpenCV實(shí)現(xiàn)SVM缺陷分類器的訓(xùn)練主要使用^11（：?：：（>8?]＼4類，具體步驟如圖5所示：

3.1.2 軟件的測試研究

系統(tǒng)檢測過程中對4個(gè)SVM分類器完成了訓(xùn)練，利用軟件對它們進(jìn)行相應(yīng)的測試，從而評價(jià)SVM的識別能力是否能夠達(dá)到識別系統(tǒng)的預(yù)期和要求。測試的樣本為每個(gè)類型選取50組，在已知缺陷類型的情況下對完成訓(xùn)練的進(jìn)行測試。

如圖6所示為本系統(tǒng)SVM識別結(jié)果界面，系統(tǒng)對輸入的圖像進(jìn)行預(yù)處理、分割、特征值提取，最后得到識別結(jié)果。

如下在表格1中列出了SVM分類器的測試結(jié)果，包括了測試樣本數(shù)量，識別個(gè)數(shù)以及缺陷的識別率。

實(shí)驗(yàn)結(jié)果表明：SVM分類器存在一定的誤識率，但其整體的識別率仍然能夠滿足GIS典型缺陷圖像檢測的需要。并且支持向量機(jī)SVM對小樣本分類的優(yōu)越性和基于OpenCV實(shí)現(xiàn)分類器訓(xùn)練的簡捷性，實(shí)現(xiàn)了3種狀態(tài)的識別，并且具有良好的推廣性。

3.1.3 識別軟件的模塊化功能

（1）用戶管理模塊

根據(jù)系統(tǒng)功能模塊的劃分，在用戶管理模塊里面，管理員可以添加、刪除其他的用戶。因此管理員可以對用戶數(shù)據(jù)表和檢測結(jié)果數(shù)據(jù)表進(jìn)行操作，如圖7所示可以對用戶信息進(jìn)行查詢。

（2）用戶登錄界面

由于本系統(tǒng)軟件的主要目的是針對GIS內(nèi)部圖像進(jìn)行圖像識別檢測，所以在設(shè)計(jì)登錄界面時(shí)，沒有太多的權(quán)限要求，所以本系統(tǒng)軟件的登錄界面設(shè)計(jì)采用了固定的用戶信息和密碼信息來進(jìn)行登錄。登錄界面如圖8所示。

（3）系統(tǒng)主體界面

當(dāng)用戶正確登錄之后，進(jìn)入系統(tǒng)主界面，可進(jìn)行歷史記錄查詢、圖像上傳檢測、刪除等操作，主界面如圖9所示：

主界面可以顯示上傳的原始圖像，經(jīng)過預(yù)處理的圖像以及對應(yīng)的分析結(jié)果、上傳人和上傳時(shí)間。在線上傳的圖片經(jīng)過預(yù)處理，特征提取，分類器判別即可完成分析。

4 結(jié)論與展望

本文采用圖像處理技術(shù)對GIS圖像進(jìn)行預(yù)處理，利用機(jī)器智能學(xué)習(xí)的方法開發(fā)了一套智能識別軟件。通過研究支持向量機(jī)（SVM）的原理和數(shù)學(xué)模型，建立了GIS工具異物類和金屬異物類的缺陷樣本，通過OpenCV完成了基于SVM的GIS典型缺陷分類器的設(shè)計(jì)。實(shí)驗(yàn)結(jié)果表明，本文設(shè)計(jì)的GIS典型缺陷自動(dòng)識別軟件能夠有效地識別GIS的典型缺陷。

本文同時(shí)體現(xiàn)了機(jī)器學(xué)習(xí)在GIS設(shè)備缺陷診斷和檢測中的應(yīng)用價(jià)值，可以為GIS設(shè)備的診斷和檢測提供一條新的技術(shù)途徑。

同時(shí)，由于訓(xùn)練成本的限制不能實(shí)現(xiàn)百分之百的識別率，為了更加優(yōu)化缺陷識別的自動(dòng)化和智能化以及提高識別的準(zhǔn)確率。未來可以選取其他機(jī)器學(xué)習(xí)的方法，增加缺陷樣本的數(shù)據(jù)，實(shí)現(xiàn)更簡捷、更高效的智能識別技術(shù)。