基于VSA-UNet的电气设备紫外图像分割_陈思林.pdf

2302023 adio Engineering Vol.53 No.1doi:103969/jissn10033106202301029引用格式:陈思林，秦伦明，王悉，等基于 VSA-UNet 的电气设备紫外图像分割 J 无线电工程，2023，53(1):230238 CHENSilin，QIN Lunming，WANG Xi，et al Ultraviolet Image Segmentation of Electrical Equipment Based on VSA-UNetJ adioEngineering，2023，53(1):230238基于 VSA-UNet 的电气设备紫外图像分割陈思林1，秦伦明1*，王悉2，杨苏航1，左安全1(1 上海电力大学 电子信息工程学院，上海 201306;2 北京交通大学 电子信息工程学院，北京 100044)摘要:提高电气设备紫外图像分割精确度对设备放电程度的准确评估具有重要意义。由于存在噪声干扰与紫外光斑形状、大小不规则等问题，目标分割区域存在过分割和欠分割现象，因此提出一种基于多模块的 VSA-UNet(VGG16Net，Improved SENet，and ASPP based U-Net)分割网络。为强化网络特征提取能力，减少过分割现象，使用 VGG16Net 的卷积层代替 U-Net 网络的编码部分;将编码部分末端卷积层替换成空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模块，获取紫外图像的多尺度信息，解决大区域的欠分割问题;在跳跃连接部分加入改进 SENet 模块，加强有用信息的提取，补充细节损失，提升整体网络性能。基于自建紫外图像数据集的实验表明，改进网络在分割紫外图像时平均交并比(Mean Intersection over Union，MIoU)达到 81.78%，平均精确率为 95.97%。与 U-Net 网络相比，提出的 VSA-UNet 模型明显提升了紫外图像分割的准确性。关键词:语义分割;紫外图像;U-Net;注意力机制;空洞空间金字塔池化中图分类号:TP391文献标志码:A开放科学(资源服务)标识码(OSID):文 章 编 号:10033106(2023)01023009Ultraviolet Image Segmentation of Electrical EquipmentBased on VSA-UNetCHEN Silin1，QIN Lunming1*，WANG Xi2，YANG Suhang1，ZUO Anquan1(1 College of Electronics and Information Engineering，Shanghai University of Electric Power，Shanghai 201306，China;2 School of Electronic and Information Engineering，Beijing Jiaotong University，Beijing 100044，China)Abstract:Improving the accuracy of ultraviolet image segmentation of electrical equipment is of great significance to the accurateevaluation of the discharge degree of the equipment Due to the problems of noise interference and irregular shape and size of ultravioletlight spots，the target segmentation area has over-segmentation and under-segmentation Therefore，a multi-module-based VSA-UNet(VGG16Net，Improved SENet，and ASPP based U-Net)is proposed to split the network Firstly，in order to strengthen the networkfeature extraction capability and reduce the phenomenon of over-segmentation，the convolutional layer of VGG16Net is used to replacethe encoding part of the U-Net network Secondly，the end convolution layer of the encoding part is replaced with an Atrous SpatialPyramid Pooling(ASPP)module to obtain multi-scale information of ultraviolet images and solve the problem of under-segmentation inlarge areas Finally，an improved SENet module is added to the skip connection part to enhance the extraction of useful information，supplement the loss of details，and improve the overall network performance Experiments based on the self-built ultraviolet imagedataset show that the Mean Intersection over Union(MIoU)of the improved network in segmenting ultraviolet images reaches 8178%，and the average accuracy is 9597%Compared with the U-Net network，the proposed VSA-UNet model significantly improves theaccuracy of UV image segmentationKeywords:semantic segmentation;ultraviolet image;U-Net;attention mechanism;atrous spatial pyramid pooling收稿日期:20220907基金项目:国家自然科学基金(62073024)Foundation Item:National Natural Science Foundation of China(62073024)工程与应用2023 年 无线电工程 第 53 卷 第 1 期2310引言随着社会和经济的发展，在自身需求的驱动和社会外部的压力下，提高电网供电稳定性和安全性成为电力行业追求的目标1。电力设备的正常运行是电网系统安全稳定运行的必要条件之一。一些电气设备由于长期处于暴晒、雨淋、高压和大电流等恶劣环境，容易出现各种各样的问题。据统计，电网20%的故障是由外绝缘放电引起的，并且故障后电网恢复难度较高。因此，有效解决电力设备放电故障对维护电网的稳定和安全十分重要。电气设备放电评估需要精准的数据支撑，而电气设备电晕放电的紫外图像分割能提供放电面积数据。因此，紫外图像分割的准确度直接影响放电评估的结果。传统的图像分割方法有很多，例如文献 2 根据对不同增益下的紫外图像灰度值相加求平均，再选取合适阈值进行分割。该方法简单易行，但对灰度值较高的非放电区域过于敏感，会对噪声进行误判，产生的结果存在较大误差。文献 35 在进行边缘检测时分别采用了改进 Sobel 算子、Canny 算子和改进 Canny 算子。这 3 种方法检测的边缘并不是连续的，大多呈现离散型，因此还要加入构建完整边缘轮廓的算法进行补充。文献 6 以数学形态学方法进行图像分割，首先对紫外图像进行图像增强，再选取适当的结构元素进行数学形态学分割。文献 7 通过判断有无紫外信号，获取泊松概率映射图，最后利用改进大津算法进行分割。这 2 种方法流程比较复杂且不易实现。以上传统方法在进行图像分割时，都先要对图像进行预处理，例如图像增强和滤波去噪等。因此，增强方法与滤波器性能的好坏直接影响最终分割精度，加大了分割的复杂性。从文献 89 可知，近期利用紫外图像面积预测放电强度仍然使用传统方法分割图像，出现了大量噪声，影响了预测精度。从上述研究来看，目前紫外图像放电区域分割方法不够智能，且分割结果存在过分割和欠分割现象。卷积神经网络(Convolutional Neural Network，CNN)是深度学习的代表算法之一，因其高自动化程度与高泛化能力等优点受到学者们的关注。在图像分类、识别等领域 CNN 都优于传统方法，但其并不适合端到端的图像分割领域。直到 2015 年，全卷积神经网络(Fully Convolutional Network，FCN)10 利用全连接层，直接获取每个像素的分割结果，但其并没有考虑像素与像素之间的关系，缺少全局信息的指导。所以在 FCN 的基础上学者们又提出了许多优秀的语义分割网络，如 PSPNet11，U-Net12，Deep-Labv313，DeepLabv3+14，LEDNet15 和 SPNet16 等模型。其中，U-Net 网络多用于数据集少、分割类别少且准确度要求高的医学图像，故将其应用在同样条件紫外图像分割任务中。但传统 U-Net 网络在紫外图像分割时，对小区域、大区域和多区域的分割效果都存在过分割以及欠分割的现象。针对上述问题，本文提出了 VSA-UNet(VGG16Net，Improved SENet，and ASPP based U-Net)网络来提高紫外图像分割精度。该网络以 U-Net 为基础，首先引入 VGG16Net17 来减少紫外区域过分割现象，但在一定程度上增加了欠分割现象。其次利用空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，AS-PP)模块获得不同尺度的特征信息，增大感受野的同时，提高对大面积目标的分割准确度，减少欠分割现象。最后利用密集连接卷积网络(Densely Con-nected Convolutional Network，DenseNet)18 的特征重用思 想，改 进 压 缩 和 激 励 网 络(Squeeze andExcitation Network，SENet)19 模块。在改变通道权重的同时，有效防止了由于卷积操作造成的图像细节丢失问题，从而全面提高分割结果的准确性。1算法原理11基于 VGG16Net 的 U-Net 改进U-Net 网络模型在 FCN 模型的基础上提出，因形似 U 而得名。为了使分割结果与原图重合，去掉了原网络的剪切部分。上采样阶段只改变图像尺寸，并没有增加上采样通道数，以减小计算量，其结构如图 1(a)所示。左半部分为用于特征提取的编码器，右半部分为与之对应的解码器，用于恢复图像尺寸。下方的虚线为跳跃连接部分，用于拼接编码器中低级语义特征与解码器中的高级语义特征。由文献 20 可知，VGG16Net 是常见的 CNN 模型之一，结构如图 1(b)所示。该网络所有卷积层都采用大小为 33，步长为 2 的卷积核，池化层均采用22 的最大池化核。相比经典网络 AlexNet21 中较大的卷积核与池化核，小卷积核具有参数少、梯度爆炸可能性小的优点，同时小的池化核能够捕获更多的细节信息。此外，VGG16Net 结构深度更深，对特征信息的提取