基于卷积神经网络的 GIS缺陷图像识别方法研究

赵晓迪

摘要：为了提高气体绝缘金属封闭开关（GIS）缺陷的检测效率，提出了一种基于计算机卷积神经网络的GIS中典型缺陷图像识别和分类方法。利用内窥镜获取GIS的不同类型的缺陷图像并建立相应的样本数据库。预处理数据库中的图像。设计相应的卷积神经网络，并利用预处理后的图像对卷积神经网络进行训练和测试，实现对缺陷图像的识别。应用的算法由matlab软件实现。测试结果证明，基于卷积神经网络的GIS缺陷图像识别方法的测试结果和样本图像的实际类型基本一致，该方法可以实现对GIS内部缺陷类型进行检测。

关键词：GIS；神经网络；自动识别

0引言

GIS是电网中大量使用的高压设备，具备安全性高、受外界影响小以及配置灵活等优点。在使用GIS设备的过程中，如果发生故障，将对相关电气设备造成严重损坏，影响电力系统的安全性和稳定性，因此有必要研究GIS设备的典型缺陷。

当GIS设备内部出现故障时，目前通过脉冲电流法^[1,2]，化学检测法，光学检测法和超声波法等传统方法进行监测和诊断。为了能够采取有效措施消除故障，确保电网安全稳定运行。但这些传统方法多数是通过间接的方式诊断出故障点来解决问题，不能直观的对缺陷进行分析。

目前，许多GIS设备通过内窥镜获取内部图像，并通过图像人为地判断设备的缺陷。但人对缺陷图像进行判断缺乏客观性、并且效率较低。本文将计算机图像处理技术应用于GIS中典型缺陷的识别，提高了缺陷识别的效率。本文采用matlab对缺陷图像进行预处理，训练卷积神经网络实现图像的自动识别和分类。

1缺陷图像的预处理

1.1图像预处理

卷积神经网络的卷积层可以直接与二维数据卷积，因此预处理步骤不需要图像的特征提取。训练神经网络时直接把图像的像素作为输入量，但为了减少数据冗余，节省训练时间，本文把输入的图像的像素数据做归一化处理。

本文对缺陷图像的像素进行比例缩放，就是重新对图像数据的每一个维度的值进行调节，使数据值落在区间[0，1]内。本文把图像的像素值除以255，把数据缩放到[0，1]中。

2卷积神经网络的设计

2.1BP缺陷图像分类

GIS绝缘部件失效的原因大致可分为凸起引起的电晕放电，自由移动的金属颗粒引起的放电现象和铸件的内部缺陷损坏。本文把缺陷分为突出物缺陷、自由微粒缺陷以及浇铸物缺陷，加上正常设备一共四种类型。

2.2卷积神经网络的设计

卷积神经网络模型如图1所示。

图1卷积神经网络结构图

（1）输入层

输入图像数据，输入层大小为32×32。

（2）C1卷基层

卷积核数量是20，卷积核的大小是5×5。每个卷积核具有25个参数和一个偏移参数，要学习的参数是（5×5 + 1）×20 = 520。

(3) S2层下采样层

S2下采样层的采样区域是2×2。

(4) C3层卷积层

卷积核数量是50，卷积核的大小为5×5。每个卷积核具有25个参数加上总共（5×5 + 1）×50 = 1300个参数的偏移参数。

(5) S4下采样层

S4下采样层方式与S2相同。

(6) F5 全连接层

120个神经节点，其中每一个节点都连接到S4层上全部神经节点。

(7) 输出层

本文将图像分为4种类型，因此输出层节点的数量为4。

2.3 卷积神经网络的训练

为了训练卷积神经网络，首先，初始化网络的权重并将偏移值设置为常数。然后，从训练集中选择一批训练样本，并且训练样本通过网络向前传播以计算网络的输出。计算网络的实际输出与预测输出之间的误差值。如果误差值小于期望阈值或训练达到设定的迭代次数，则停止训练，否则继续网络训练。以最小化方式反向传播错误以更新网络的权重。回到第二步，重复以上流程。

2.4 卷积神经网络的测试

使用训练好的网络参数初始化网络的权值，然后从测试集中随机选择一个测试样本，测试样本通过网络进行前向传播，计算得到网络的输出。最后，将计算机输出值与测试样本的实际设定值进行比较，并输出结果。

本文利用模拟的四种不同类型的缺陷图像来训练卷积神经网络。其中训练集400张，测试集100张。实验使用 sigmoid函数将网络的学习率设置为2，将惯性系数设置为0.5，将每次训练样本的数量设置为10，将训练迭代次数设置为200。使用的迭代次数是终止训练的条件,训练结果如图2和图3所示。卷积神经网络的误差已降低到0.1％，构造的卷积神经网络可用于识别缺陷图像。

图2卷积神经网络误差曲线图

图3卷积神经网络训练结果图

2.4 测试结果及分析

在完成卷积神经网络的训练之后，可以测试未经训练的GIS缺陷图像。选择四种不同类型的图像进行测试。在表格1中列出了测试结果，包括了测试样本数量，识别个数以及缺陷的识别率。

表1测试结果

缺陷类型	突出物缺陷	表面裂纹	自由金属微粒缺陷	正常设备
测试样本个数	50	50	50	50
正确识别个数	48	46	46	46
识别率	96%	92%	92%	92%

3结论

卷积神经网络用于学习和训练不同GIS缺陷类型的图像样本，以实现缺陷图像的识别和分类。对测试样本进行实验，结果证明，卷积神经网络能够准确识别各种类型的缺陷图像，具有实际的应用价值。

参考文献

赵毅锋,刘晴岩,严晓东,朱中山,方雨. 电站气体绝缘金属封闭开关闸刀位置远程目视监控系统设计与应用[J].无损检测,2016,38(07):53-55.

汪沨, 邱毓昌. 气体绝缘开关装置(GIS)的近期发展动向[J]. 电网技术, 2003(2): 54-57.