绝缘子是电力系统中最重要的外绝缘设备之其绝缘性能的优劣直接影响着输电线路能否安全稳定运行。发生污秽闪络时线路重合闸概率低，易造成长时间、大面积停电，会对电力系统造成巨大损失。污秽绝缘子在雨雪、雾露等潮湿天气下，由于表面受潮后绝缘性能大幅下降，极易发污闪事故。为减少污闪事故发生，运维人员通过申报停电检修计划，经由人工或者无人机的方式对在运污秽绝缘子进行清洗。但高电压等级的输电线路停电清洗将带来较大的经济损失。且通过清洗的方式不能确定绝缘子表面的污秽成分及污秽等级，无法根据实际染污情况指导线路绝缘子的选型。基于高光谱成像技术，通过对不同材质绝缘子表面污秽成分进行检测，获取不同污秽成分下的高光谱图像，建立绝缘子污秽识别高光谱图库，以期为绝缘子表面污秽成分在线监测与诊断提供理论参考。

1、污秽成分的高光谱分类识别原理

1.1 高光谱技术原理

高光谱技术是集信息采集、信息处理、光谱捕捉及分析等多领域于一体的新型综合性影像技术，能够同时记录目标图像及光谱数据。其中，成像光谱仪的光谱辐射、校准和光谱信息处理是光谱成像的关键技术。高光谱成像的分光原理包括干涉型、滤光片型和色散型。其中，色散型光谱分辨率高、成像稳定，可对直线上所有像素点同时计算，因此本实验选用了基于光栅色散原理的高光谱成像仪。图１为光栅色散成像原理：光经过光栅后，因波长差异产生不同的衍射角，进而使光发生色散，将同一点的入射光分解成不同波长处的能量分布，并由传感器像元进行测量，同时获得目标物体一条线上的光谱信息，通过移动待测样品或镜头可实现整体成像。

图１光栅色散成像原理

绝缘子表面污秽成分复杂多样，其中可溶性成分主要为CaSO₄，近海地区绝缘子污秽中NaCl含量较高，不溶物则主要为Al₂O₃和SiO₂。污秽成分的微观结构不同，在不同波段下对光的吸收和反射程度也不同，因此不同物质的反射光入射到探测器后，波段之间的能量存在差异，进而可生成该物质独有的“指纹”曲线，依据此特性能够对物质实现精准识别。高光谱技术由于其具有广泛波段及高分辨率特性，能够远远距离、高精确度、无损地对污秽成分进行识别。

１.２反向传播神经网络原理

反向传播(BP)神经网络是通过对误差进行逆向传播从而校正结果的方法，利用梯度下降法实现网络输出值与真实值误差均方差最小化，对解决非线性工程问题有较好的效果。图２为BP神经网络示意图。如图２所示，通过输入层将原始数据读取至系统内，经隐藏层进行计算，最后获得对应的输出结果，训练时输出层与实际的误差经过反向传播用于提高结果精度。BP神经网络的计算主要分为两个过程，首先进行网络状态初始化，而后按照规则前向计算。在建立绝缘子表面污秽成分。识别模型时，可以将不同污秽成分谱线的特征波段作为输入层信息，经过训练函数得出对应的结果，通过与标签进行对比减小误差，从而提高分类识别的精确度。BP神经网络具有较好的非线性映射能力，并且能够快速开展现场检测，因此本实验利用该算法建立污秽成分的分类识别模型。

图２反向传播神经网络示意图

2、实验样品和数据

图３高光谱线扫描平台

图４背景基材

图５试验样品

陶瓷基材底色为较光滑的纯白色，当涂覆污秽量较少时，背景基材对光线的反射效果更明显，从而影响了实际污秽成分的光谱检测结果。此外，部分单一污秽例如NaCl、MgCl_２、KCl和Al₂O₃在污层干燥后会析出细小颗粒，不能完全覆盖基材。当基材为硅橡胶片时，上述４种污秽成分受到基材背景像素的谱线影响，整体趋势相似。而CaSO₄与高岭土呈现细密的白色颗粒，基材对其影响较小，此两种污秽成分的谱线更相近；而当基材为陶瓷片时，由于NaCl、MgCl_２、KCl和Al₂O₃的覆盖面小，陶瓷片的反射率高，影响着整体的谱线趋势，整体均与CaSO₄和高岭土谱线接近，因此造成了识别准确率的下降。为此，在对陶瓷绝缘子进行高光谱成分检测时，需要注意污层较薄的位置数据可能与真实值存在明显差距，检测时应尽量避免检测污层较稀薄的位置。

图７单一污秽成分标准谱线

如图７所示，不同物质的标准谱线差别较大，因此可作为污秽物质分类识别的基础。此外，由于不同波段上的反射强度和峰谷特征不同，则需通过机器学习的方式更好地捕捉细微特征，从而进行物质区分。

推荐：

无人机高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。