基于无透镜全息成像和 XGBoost 的变压器油中颗粒多特征识别

《Measurement》：Multi-feature identification of particles in transformer oil using lensless holographic imaging and XGBoost

　　

•基于 CMOS 的无镜头全息技术恢复粒子轮廓和相位信息。
•迭代角谱相位检索重构粒子振幅和相位。
•五种可解释的形态学和相位相关特征表征油中粒子。
•XGBoost 在 三类粒子识别中达到 93.2%±0.6% 的准确率。
•相位相关特征贡献了 44.6% 的归一化 SHAP 重要性。

引言
变压器油在油浸式变压器中既作为绝缘介质又作为冷却介质。在长期运行过程中，热老化、局部放电、腐蚀和绝缘纸降解可能会在油中产生纤维素纤维、铜颗粒、碳质颗粒和其他污染物 [[1], [2], [3]]。这些污染物会扭曲局部电场并降低绝缘性能，从而增加局部放电和击穿的风险 [4,5]。因此，准确的粒子检测和识别对于变压器状态评估具有重要意义。
颗粒悬浮液也可能发生沉降和聚集，这可能会在光学采样过程中改变粒子的空间分布和表观尺寸。批量沉降研究表明，沉降行为与粒子浓度、沉降速度和絮体特性密切相关，凸显了在粒子分析过程中控制悬浮状态的重要性 [6]。
目前，变压器油中颗粒污染物的检测方法主要包括局部放电检测、光学颗粒计数和显微成像分析 [[7], [8], [9], [10]]。这些方法在一定程度上能反映油的污染程度和粒子分布，但仍存在明显的局限性。Sharkawy 等人通过分析局部放电信号的特征识别了油中的导电颗粒 [11]。尽管该方法对放电活动敏感，但很难从信号中获得准确的粒子数量信息。Wang 等人开发了一种基于遮光原理的颗粒计数方法，该方法可以估计粒子浓度，但无法确定粒子的来源或类别 [12]。常规光学显微镜可以实现污染物粒子的直接可视化，但自动化粒子分析仍可能受到人工操作、聚焦条件、照明变化和镜头相关成像参数的影响。无镜头成像提供了一种替代的紧凑配置，避免了成像镜头的使用，并实现了粒子形态和相位相关信息的数值恢复 [13,14]。该过程耗时、效率低，且强烈受操作者经验以及成像条件的影响。此外，聚焦精度、照明变化和镜头畸变可能会降低图像质量，导致主观的识别结果。这些缺点限制了常规显微镜在在线和自动化变压器油检测中的应用。
随着光学成像技术的发展，无镜头成像作为一种紧凑的显微成像技术引起了越来越多的关注 [[15], [16], [17]]。与依赖光学镜头的常规显微镜不同，无镜头成像记录样品产生的衍射或干涉图样，并通过数值算法重构振幅和相位信息 [18,19]。由于其结构简单、体积小、成本低和视场宽，该技术已应用于生物医学检测、环境监测和粒子分析 [[20], [21], [22], [23]]。CMOS 传感器可以直接收集光强信息，但不能直接检测反射光的相位。因此，通常需要重构算法来恢复样品信息 [24,25]。
最近的机器学习和深度神经网络方法在弱特征识别和自动化粒子识别方面展示了强大的能力。在变压器油分析中，无镜头全息成像结合改进的目标检测网络进一步实现了混合杂质粒子的自动化识别 [26]。这些方法可以通过显微成像获得粒子的形态特征，并使用算法模型实现自动化识别和分类，从而避免人工分析的低效性和主观性 [27,28]。Xue 等人提出了一种结合无镜头成像技术与深度学习的方法来重构变压器中杂质粒子的全息图，但该方法未充分利用粒子的几何特征 [29]。在无镜头全息成像条件下，相位信息可以反映沿光传播方向的粒子光程差变化，并与粒子的几何特征相关。因此，如果能有效恢复粒子的相位分布并基于物理特征进行分类，可以提高不同类型粒子之间的可区分性。最近的研究进一步推动了使用深度神经网络和不确定性感知正则化方法的数据识别和逆重构。基于深度神经网络的方法展示了对复杂弱特征数据的高精度识别能力 [30]。同时，基于混合不确定性建模和多目标集合论优化的正则化方法提高了不确定条件下逆重构的稳定性和鲁棒性 [31,32]。尽管这些研究针对不同的工程应用，但它们展示了非线性特征学习、重构稳定性和不确定性控制的重要性。这些进展为本研究中结合全息相位重构与多维粒子特征识别提供了有用的方法参考。
对于粒子分类问题，传统方法大多依赖于简单的阈值规则，难以处理多维特征之间的关系。其他工程领域的数据驱动研究也证明了在描述复杂非线性关系时，物理有意义的多维输入和模型比较的重要性 [33]。此外，有限的样本量可能会限制机器学习模型的泛化能力，最近的研究探讨了诸如 WGAN 等数据生成策略以保留特征分布并提高小数据集的学习效果 [34]。这些发现激发了在本粒子分类任务中使用物理可解释的多维特征结合系统的模型比较。近年来，机器学习方法在模式分类领域表现出了良好的性能。其中，极端梯度提升 (XGBoost) 作为一种基于梯度提升决策树的集成学习算法，可以通过构建多个弱学习器并以加权方式组合来有效探索特征之间的非线性关系。它具有高精度、强鲁棒性和良好的泛化能力 [35]。此外，XGBoost 在处理中小规模数据集和多维特征融合问题方面具有明显优势，使其特别适合本研究中的基于几何特征和相位特征的粒子分类任务。
为了解决上述问题，本文提出了一种基于无镜头数字全息成像和 XGBoost 算法的变压器油颗粒污染智能识别方法。首先，使用无镜头数字全息成像系统获取油样中粒子的全息图，并通过基于角谱传播的迭代相位检索算法重构粒子的振幅和相位信息。然后，从重构的相位图像中提取多种形态学和相位相关特征，包括粒子面积、长宽比、圆度、等效相位厚度及相位标准差，以构建粒子特征空间。最后，引入 XGBoost 模型对不同类型的粒子进行分类和识别。同时，将其性能与传统机器学习模型 [[36], [37], [38]] 进行比较，以评估其相对于传统机器学习模型的性能。
本研究的主要贡献如下：
(1) 实现了一套基于 CMOS 的无镜头全息成像系统，用于获取粒子全息图并恢复足够的轮廓和相位信息以进行多维特征提取。
(2) 构建了一种基于角谱传播的迭代相位检索算法，实现了粒子振幅和相位信息的有效重构。
(3) 构建了一套物理可解释的多维特征集，结合面积、长宽比、圆度、相位厚度及相位标准差。这些特征分别表征了粒子尺寸、长宽程度、轮廓紧凑度、轴向结构和粒子内相位变化，从而为粒子分类提供互补信息。
(4) 构建了一个基于 XGBoost 的分类器，用于识别纤维素纤维、铜和击穿产生的碳质颗粒。在五次重复分层训练 - 测试中，模型达到 93.2% ± 0.6% 的平均分类准确率，分别比 RF、SVM 和 KNN 高 3.1、6.8 和 9.6 个百分点。
(5) 引入 SHapley 加性解释 (SHAP) 分析来量化提取特征的判别贡献。长宽比被确定为最具影响力的特征，而面积显示的重要性最低，解释了为什么单独面积无法可靠地区分铜和碳质颗粒。

章节摘要
无镜头全息成像系统
图 1 显示了所提出的同轴无镜头全息成像系统，由窄带 LED、针孔、样品架、载玻片和 CMOS 传感器组成。525 nm 照明部分被粒子散射和调制，而未调制分量作为参考波。它们的干涉被 CMOS 传感器记录为数字全息图 [39,40]：
I(x,y)=|Uo(x,y,z2)+Ur(x,y,z2)|2
其中 Uo 表示被样品调制的透射光场，Ur 表示

粒子样品制备
为了获得包含能代表变压器实际运行条件的杂质的油样，在严格控制的实验条件下制备了几组被不同类型粒子污染的变压器油样品。这些样品用于后续的显微成像、数据采集和分析。实验中使用的基础油是克拉玛依 25 号变压器油。使用前，对其进行了真空过滤和脱气，

无镜头重构结果分析
为了评估无镜头全息重构算法恢复结构细节的能力，使用标准分辨率测试图评估了重构质量。实验结果如图 4 所示。
图 4(a) 显示了原始全息图，图 4(b) 显示了 20 次迭代后的初步重构结果，图 4(c) 显示了 100 次迭代后的最终重构结果。在第 0 次迭代时，尚未进行相位检索，且该

结论
本研究表明，无镜头全息成像可以为识别变压器油中的污染物粒子提供互补的形态学和相位相关信息。通过整合面积、长宽比、圆度、等效相位厚度和相位标准差，XGBoost 分类器在五次重复分层训练 - 测试分区中达到 93.2% ± 0.6% 的平均准确率，优于 SVM、RF 和 KNN。SHAP 分析进一步显示，长宽

CRediT 作者贡献声明
Daoyuan Liu：写作 - 审查与编辑，写作 - 原始草稿，数据管理，概念化。Wenbing Zhu：验证，软件，形式分析。Xiaolong Wang：监督，资源，项目管理，资金获取。Shiji Zhang：方法论，调查，形式分析。Shenqi Liu：软件，方法论，调查。Yufu Wang：可视化，验证，软件。Tong Zhao：监督，资源，项目管理。Chenlei Liu：可视化，验证，

利益冲突声明
作者声明，他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢
资金：这项工作得到了山东省重点研发计划（科技型中小企业创新能力提升项目）的支持 [批准号 2025TSGCCZZB0070]。

Daoyuan Liu|Wenbing Zhu|Xiaolong Wang|Shiji Zhang|Shenqi Liu|Yufu Wang|Tong Zhao|Chenlei Liu|Yadi Liu