黃 博，江慎旺，張 增，張 靜，張 巍，許廷發(fā)*

(1北京理工大學(xué) 光電學(xué)院 光電成像系統(tǒng)與技術(shù)教育部重點實驗室，北京 100081；2天津航天中為數(shù)據(jù)系統(tǒng)科技有限公司，天津 300301；3南方電網(wǎng)科學(xué)研究院有限責(zé)任公司，廣州 510080)

自適應(yīng)特征引流管故障智能識別方法

黃 博1，江慎旺1，張 增2，張 靜2，張 巍3，許廷發(fā)1*

(1北京理工大學(xué) 光電學(xué)院 光電成像系統(tǒng)與技術(shù)教育部重點實驗室，北京 100081；2天津航天中為數(shù)據(jù)系統(tǒng)科技有限公司，天津 300301；3南方電網(wǎng)科學(xué)研究院有限責(zé)任公司，廣州 510080)

為了實現(xiàn)對高壓輸電線存在的故障隱患進(jìn)行自動檢測，本文提出了一種自適應(yīng)特征引流管故障隱患智能識別算法。首先,分析了故障引流子的紅外熱圖像特征，把故障分為兩類：明顯發(fā)熱和微弱發(fā)熱;其次，針對引流管所引起的明顯發(fā)熱，采用改進(jìn)的Otsu閾值分割法對紅外圖像進(jìn)行分割，運用改進(jìn)的Sobel算子提取輪廓；第三，用種子填充算法分離連通域，通過Thread特征判斷是否為故障引流管；最后，進(jìn)入引流管所引起的微弱小區(qū)域發(fā)熱識別，運用高壓輸電線平行特征尋找主干線區(qū)域，在主干線區(qū)域檢測Harris角點，通過STWN特征判斷是否為故障引流子。實驗結(jié)果表明，發(fā)熱隱患的識別率為94.6%，漏檢率為2.2%，誤識別率為5.5%。

紅外熱圖像；邊界拓展；形態(tài)特征；智能識別

1 引 言

隨著低空技術(shù)的廣泛應(yīng)用，無人機巡檢方式檢查高壓輸電線故障，并進(jìn)行檢修成為一個研究熱點[1]。研究人員對實時從無人機巡檢設(shè)備獲取的視頻圖像中有效提取輸電線路算法進(jìn)行了研究，通過Hough變換和FCM聚類等方法能夠成功自動識別檢測線路[2]，但并未提出識別輸電線故障的方法。為了解決當(dāng)輸電線路因為受重力和設(shè)計等原因而彎曲非簡單的直線的問題，Shengzhi Du和Chunling Tu提出了分段識別測量的算法[3]，該算法并不能有效容忍復(fù)雜背景和各種噪聲的干擾。為了進(jìn)一步提高巡檢的準(zhǔn)確性，紅外探測技術(shù)檢測零值絕緣子的方法已經(jīng)得到應(yīng)用[4-8]，但完全依賴操作人員的經(jīng)驗和感知能力識圖存在一定主觀性和盲目性。目前，還沒有完善可靠高壓輸電線故障的智能識別方法。2015年，F(xiàn)uyu Huang等人提出超大視場空中紅外目標(biāo)的檢測方法，指出了紅外探測對克服背景復(fù)雜、雜波干擾、目標(biāo)信息少等問題的優(yōu)勢[9]，本文根據(jù)無人機采集的紅外熱圖像[10]故障引流管的特征來進(jìn)行智能識別，實現(xiàn)了無人機巡檢故障自動診斷的目的，準(zhǔn)確性高，能夠克服復(fù)雜背景的干擾，得到了較好的實驗效果。

2 自適應(yīng)特征引流管故障智能識別方法

2.1 引流管故障明顯發(fā)熱特征

圖1 引流管引起明顯發(fā)熱圖例 Fig.1 Obvious heating caused by drainage tube

圖2 引流管處小區(qū)域發(fā)熱圖例 Fig.2 Small area heating caused by drainage tube

通過對大量高壓輸電線故障引流管的紅外熱圖像的分析，發(fā)現(xiàn)故障引流管引起的發(fā)熱普遍出現(xiàn)在線與線的交接處，這種節(jié)點發(fā)熱一般呈現(xiàn)兩種特征：(1)引流管引起明顯發(fā)熱，發(fā)熱區(qū)域與線路形狀相吻合(如圖1所示)；(2)引流管處微弱發(fā)熱，發(fā)熱區(qū)域較小且呈現(xiàn)不規(guī)則形狀，但是線路必然貫穿發(fā)熱區(qū)域(如圖2所示)。

圖3 閾值分割 Fig.3 Threshold segmentation

由圖1可以看出，引流管故障的明顯特征就是發(fā)熱區(qū)域與輸電線路線路形狀相吻合，因此發(fā)熱的線路與背景存在明顯的灰度差，通過閾值分割將發(fā)熱區(qū)域當(dāng)作前景色從背景中分離出來。但是背景色中較亮的區(qū)域也會被當(dāng)作發(fā)熱區(qū)域給分離出來，因此，算法對其進(jìn)行分類處理:(1)誤判的區(qū)域與發(fā)熱線路并沒有連通，可以通過種子填充法形態(tài)判斷來去除誤判區(qū)域；(2)誤判區(qū)域與發(fā)熱線路有連通像素，直接從圖像中提取出所需的發(fā)熱線路具有一定的難度，因此本文提出一種Otsu算法與Sobel算法邊界拓展融合的分割方法，然后再用種子填充法形貌判斷是否是故障引流子引起的發(fā)熱線路區(qū)域。在實際熱紅外圖像的采集過程中，將會存在各種各樣復(fù)雜的背景，閾值的選取不當(dāng)，將會導(dǎo)致對輸電線隱患的誤識別。采用Otsu法[11-13]自動進(jìn)行閾值分割，可以得到較好效果，如圖3(b)所示。但是當(dāng)背景較亮，如圖3中第一組圖片，直接用Otsu進(jìn)行閾值分割將會得到大面積的誤判區(qū)域，所以將Otsu法取得閾值升高30灰度級進(jìn)行分割，在不丟失故障發(fā)熱區(qū)域的情況下可以得到更好效果。經(jīng)過大量紅外熱圖像的實驗，該操作可以有效減少細(xì)小噪聲，使算法更加準(zhǔn)確實用，如圖3(c)。

2.2 邊界拓展提取輪廓

提取輪廓的方法有很多，其中使用一階微分梯度算法較為簡單，并且也能夠準(zhǔn)確檢測邊緣。一階微分梯度算法要求在圖像的每個位置計算偏導(dǎo)?f/?x和?f/?x，算法用一點的鄰域上偏導(dǎo)數(shù)的數(shù)字近似。通過Sobel算子[14]處理后的結(jié)果如圖4所示。

圖4 Sobel算子邊緣檢測 Fig.4 Edge detection of Sobel operator

選用Sobel算法對X和Y方向提取邊緣，采用Sobel檢測的邊緣對Otsu處理后的二值圖像進(jìn)行漫水法分割，效果如圖5(b)所示。

圖5 區(qū)域劃分 Fig.5 Region division

由圖5(a)可以看出，直接用Sobel的結(jié)果進(jìn)行分割，得不到有效分離的效果，因為Sobel的邊界并不是連續(xù)的，必須進(jìn)行邊界拓展，才可以將更多的支線邊界信息提取出來，得到更好的分割效果。

圖6 Sobel邊緣數(shù)據(jù)圖像 Fig.6 Sobel edge data image

由圖6可以看出，Sobel產(chǎn)生的輪廓信息，在8向鄰域內(nèi)并不全部連通，邊界會存在隔斷的情況，將應(yīng)該連續(xù)的邊界連通起來。算法如下：

z1z2z3z4z5z6z7z8z9

如果z5為邊緣點，在z5(x,y)的8向鄰域中，如果只存在一個邊界輪廓點，那么將z(x,y)標(biāo)記為可疑間斷點，以邊界點z(x,y)為中心找到邊界輪廓點(x0,y0)對稱點(2x-x0,2y-y0)，以對稱點2x-x0,2y-y0)為基點，以z(x,y)與邊界輪廓點(x0,y0)的反方向，劃定小范圍的拓展區(qū)域,如圖7所示。在拓展區(qū)域搜索是否有可以間斷點，如果有則將其連接起來，沒有則劃除可疑間斷點的屬性。最后邊界拓展后效果如圖8(b)所示。

圖7 邊界拓展原理圖 Fig.7 Principle diagram of boundary extension

圖8 直接分離與邊界拓展后分離對比 Fig.8 Comparison of the images obtained by direct separation and boundary extension

種子填充算法是圖形學(xué)中的算法，是輪廓提取算法的逆過程，如目前漫水法、邊界填充算法、掃描線種子填充等各種成熟的實現(xiàn)算法[15]，其基本方法就是從一組已知的“種子標(biāo)記像素點(x,y)”開始，將與種子預(yù)先定義的性質(zhì)相似的那些鄰域像素(四鄰域或八鄰域。四鄰域即從區(qū)域一點出發(fā)，通過4個方向上、下、左、右來檢索，而八鄰域加上了左上、左下、右上、右下4個方向)添加到每個種子上來形成生長區(qū)域。

圖9 去除噪聲后輸出 Fig.9 Output after removing noise

2.3 特征判斷提取區(qū)域

通過上面的處理，已經(jīng)把各個可以漏電區(qū)域提取分離了，對該類引流管故障進(jìn)行分析可以得知，輸電線支線漏電的特征有：(1)最小寬度窄，(2)長度較長，(3)X、Y方向上不存在寬度像素都超過30的區(qū)域。處理過程如下：對分離區(qū)域進(jìn)行行列的掃描，記錄寬度小于10像素的行數(shù)或者列數(shù)(判斷是豎直漏電支線和橫向漏電支線)；如果橫向?qū)挾群涂v向?qū)挾榷夹∮?0，則不符合故障引流管特征，將該區(qū)域刪除；再判斷行數(shù)和列數(shù)兩個方向像素寬度都超過30，并且行數(shù)或者列數(shù)不少于50，則認(rèn)定其并不是“細(xì)線”型，將其刪除；最后未被刪除的區(qū)域為故障引流管區(qū)域。

圖10 輸電線發(fā)熱區(qū)域輸出 Fig.10 Output of heating zone of transmission line

3 自適應(yīng)故障識別

如圖2所示，當(dāng)引流管處微弱發(fā)熱，發(fā)熱區(qū)域較小且呈現(xiàn)不規(guī)則形狀，如果直接進(jìn)行Otsu閾值處理來分離引流管處微弱發(fā)熱區(qū)域，那么許多背景的噪聲也會誤判為發(fā)熱區(qū)域，所以算法必須先縮小微弱引流管發(fā)熱可能存在的位置。因為引流管是線路主干線與線路支線的交點，存在的一個特征就是分布在主干線的周圍。算法先確定主干線路的位置，然后從主干線路附近區(qū)域出發(fā)來尋找引流管微弱發(fā)熱區(qū)域，這樣將大大減少引流管微弱發(fā)熱區(qū)域的誤判率。

3.1 主干線區(qū)域識別

首先需要識別到主干線路所在位置，通過分析大量紅外圖像，發(fā)現(xiàn)高壓主干線路一般都近似直線，并且一般為多股線路，擁有平行特征。因此，算法首先通過霍夫變換來檢測直線，運用輸電線路的平行特征，濾除不必要的噪聲直線，進(jìn)而確定主干線路的位置。具體處理過程如下：對Canny算子邊緣檢測后的邊緣圖做霍夫變換[16]處理得到直線，得到大量直線信息，其中包含很多錯誤的直線信息，即噪聲。對噪聲進(jìn)行濾波，濾波原則：通過分析大量紅外圖像可知主干線路一般大于兩條，也就是說，至少存在4條邊界，而4條邊界近似平行。濾波過程中對所有直線循環(huán)處理，將沒有平行邊界或平行邊界較少的直線全部濾除。處理結(jié)果如圖11所示。

圖11 高壓輸電線路主干線區(qū)域識別 Fig.11 Main line area identification of high voltage transmission line

3.2 故障引流子識別

當(dāng)確定主干線路的位置后，在主干線路附近五個像素的范圍內(nèi)進(jìn)行搜索，可搜索區(qū)域如圖12(a)所示。在可搜索區(qū)域內(nèi)做Harris角點檢測[17-20]，找到灰度值變化巨大的位置，如圖12(b)所示，直接Harris判斷得到的角點存在很多的誤檢測，最后通過灰度及形態(tài)特征判斷確定微弱發(fā)熱的位置。

圖12 故障引流子識別 Fig.12 Fault drainage identification

灰度及形態(tài)判斷準(zhǔn)則：因為引流管處故障不明顯情況下一般呈現(xiàn)為點狀，具有小目標(biāo)(Small Target)特征，所以規(guī)定在角點附近20×20像素的區(qū)域內(nèi)，如果超過200個像素為前景色(灰度值較大)，則不滿足引流管小目標(biāo)(Small Target)的屬性，因此該角點區(qū)域不為故障引流子；如果灰度值全部為背景色或者在區(qū)域內(nèi)前景色的像素不超過5個，該點為噪聲，也不是故障引流子，以此達(dá)到削弱噪聲(Weaken Noise)的目的；剩余的位置判定為故障引流子。最后得到結(jié)果圖如圖12(c)所示。

3.3 實驗結(jié)果與分析

本文實驗中，無人機所搭載的紅外數(shù)據(jù)采集設(shè)備為德國AVT 公司的Goldeye P/CL-008 SWIR型號紅外相機，其硬件相關(guān)的重要參數(shù)如下：波長范圍9～17 μm；工作溫度：-30～+40 ℃；探測器：非制冷焦平面；探測元：320×256，30 μm。

本文所采集的數(shù)據(jù)是無人機由上向下采集，輸電線背景多為草地、灌木叢、樹林等，較為復(fù)雜，背景干擾較多。由圖13可以看出，由于背景輻射放熱的影響，故障引流子與背景信息十分相似，即使肉眼也很難將其分辨出來，因此識別故障引流子具有較大的困難。當(dāng)引流子明顯故障時，如圖1所示，此時，由于發(fā)熱現(xiàn)象明顯，引流子溫度相對于背景明顯增大，導(dǎo)致背景在圖像中被抑制，基本呈現(xiàn)黑色。

圖13 Goldeye P/CL-008 SWIR采集紅外熱圖像 Fig.13 Infrared thermal image acquisition with Goldeye P/CL-008 SWIR camera

圖14 故障引流子 Fig.14 Fault drainage

對含有故障引流子的圖像進(jìn)行處理，可以準(zhǔn)確的得到故障引流子的位置和區(qū)域，如圖14所示，白色圓圈區(qū)域為找到的故障引流子。

運用上述方法處理92幅紅外圖像，其中含有故障發(fā)熱的圖像為38幅，沒有明顯故障發(fā)熱圖像54幅，最后正確檢測到33幅含有故障發(fā)熱的圖片，誤檢5幅，漏檢2幅。正確率為94.6%，誤檢率5.5%，漏檢率2.2%，具體結(jié)果如表1。

表1 92幅紅外圖像處理結(jié)果

主要的誤檢類型有漏檢以及多檢，漏檢多是由于引流子故障不明顯，發(fā)熱現(xiàn)象極弱、背景極其復(fù)雜和主干線區(qū)域不明顯的紅外圖像，如圖15所示；多檢主要是由于主干線路區(qū)域存在背景亮點，引起多檢以及錯檢，如圖16所示。該圖存在一個故障引流子，但是由于背景噪聲的影響，檢測出來兩個故障引流子，引流子無故障時則會引起錯檢現(xiàn)象。

圖15 發(fā)熱極弱、背景復(fù)雜導(dǎo)致引流子故障不明顯 Fig.15 Drainage fault is not obvious due to the very weak heat and the complicated background

圖16 背景噪聲造成的錯檢現(xiàn)象 Fig.16 False detection caused by background noise

閾值的選取對檢測結(jié)果也有很大的影響。同樣的一幅紅外圖像，當(dāng)閾值選取不一樣時，檢測的結(jié)果也會有所不同。這些不同的結(jié)果主要是故障區(qū)域灰度值與背景灰度值的差異來引起的。如圖17所示，當(dāng)選取閾值為Otsu動態(tài)閾值上調(diào)15個灰度值時，該圖像檢測結(jié)果為引流管引起明顯發(fā)熱；當(dāng)選取閾值為Otsu動態(tài)閾值上調(diào)30個灰度值時，該圖像檢測結(jié)果為引流管處小區(qū)域發(fā)熱。

圖17 閾值選取對檢測的影響 Fig.17 Effect of threshold selection on detection

圖17(c)的輸電線分支線線路上的灰度值確實高于背景灰度值，但是它的灰度值與左邊豎立著塔架的灰度值相差無二，所以不認(rèn)為其屬于故障發(fā)熱區(qū)域。本文通過對大量圖像分析，最終采用閾值上調(diào)30個灰度級的方案是比較合理的。

本文提出的自適應(yīng)特征引流管故障智能識別方法，原理簡單、易于實現(xiàn)，受環(huán)境的影響較小。利用本文中方法對多個樣本進(jìn)行測試，故障識別率較高，誤檢率較低，取得了比較理想的結(jié)果，具有較強的穩(wěn)定性，也驗證了本文的方法用于輸電線紅外序列圖像中故障引流子的自動提取和診斷的可行性和有效性。

4 結(jié) 論

直升機巡檢輸電線路，利用先進(jìn)的拍攝儀器，通過對設(shè)備進(jìn)行多角度俯視、側(cè)視檢測，能細(xì)致全面地檢查和捕捉線路上的設(shè)備運行情況，是未來電力巡檢的趨勢。本文通過紅外熱圖像識別輸電線路引流管故障，將引流管故障引起發(fā)熱分為明顯區(qū)域發(fā)熱和微弱小區(qū)域發(fā)熱兩種類型，采用改進(jìn)的Otsu閾值分割算法，使其更加實用。此外，本文采用的邊界拓展進(jìn)行漫水法區(qū)域劃分及主干線周圍Harris角點檢測來識別故障發(fā)熱區(qū)域，具有良好的效果。最后，對92幅紅外熱圖像進(jìn)行實驗，正確識別率為94.6%，誤檢率5.5%，漏檢率2.2%，算法的識別準(zhǔn)確率較高。

[1] 陳韜.直升機在輸電線路運檢工作中的技術(shù)研究[D].北京:華北電力大學(xué),2010. CHEN T. Research on the technology of helicopter in the operation of transmission line inspection[D]. Beijing:North China Electric Power University,2010.(in Chinese)

[2] TANG W Y,HANG Y,QIU Q R，etal.. Overhead Power Line Detection from UAV Video Images[C]. 19th international conference on Mechatronics and Machine Vision in Practice. Auckland,New Zealand,2012:74-79.

[3] DU SH ZH,TU CH L. Power line inspection using segment measurement based on HT butterfly[C]. International Conference on Signal Processing, Communications and Computing. Xi′an,2011:1-4.

[4] 張來明,郭勁,楊貴龍,等.中波紅外激光技術(shù)最新進(jìn)展[J].中國光學(xué),2013,6(4):501-512. ZHANG L M,GUO J,YANG G L,etal.. The latest progress in mid infrared laser technology[J].ChineseOptics,2013,6(4):501-512.(in Chinese)

[5] 趙建川,王弟男,陳長青,等.紅外激光主動成像和識別[J].中國光學(xué),2013,6(5):795-802 ZHAO J CH,WANG D N,CHEN C Q,etal.. Infrared laser active imaging and recognition[J].ChineseOptics,2013,6(5):795-802.(in Chinese)

[6] 唐攀龍.高壓輸電線路絕緣子紅外監(jiān)測方法的研究[D].長沙:長沙理工大學(xué),2009:8-11 TANG P L. Research on infrared monitoring method of high voltage transmission line insulator[D]. Changsha:Changsha University of Science and Technology,2009:8-11.(in Chinese)

[7] 陳豪,陳原,趙雪松,等.紅外測溫技術(shù)在復(fù)合絕緣子檢測中的應(yīng)用[J].電力設(shè)備,2006,7(9):42-43. CHEN H,CHEN Y,ZHAO X S,etal.. Application of infrared temperature measurement technology in the detection of composite insulators[J].ElectricPowerEquipment,2006,7(9):42-43.(in Chinese)

[8] 王燦進(jìn),石寧寧,孫濤.同態(tài)非局部濾波在激光主動成像散斑抑制中的應(yīng)用研究[J].液晶與顯示,2016,31(2):193-200. WANG C J,SHI N N,SUN T. Application of homomorphic non-local filters in speckle noise suppression for laser active imaging[J].ChineseJ.LiquidCrystalsandDisplays,2016,31(2):193-200.(in Chinese)

[9] 黃富瑜,沈?qū)W舉,劉旭敏,等.基于空時域融合處理檢測超大視場紅外目標(biāo)[J].光學(xué) 精密工程,2015,23(8):2328-2338. HUANG F Y,SHEN X J,LIU X M,etal.. Detection of super wide-field infrared target based on spatial-temporal fusion processing[J].Opt.PrecisionEng.,2015,23(8):2328-2338.(in Chinese)

[10] 魯劍鋒.無人機光電載荷圖像處理器的設(shè)計[J].中國光學(xué),2011,4(5):448-452. LU J F. Design of UAV photo electric load image processor[J].ChineseOptics,2011,4(5):448-452.(in Chinese)

[11] 陳冬嵐,劉京南,余玲玲.幾種圖像分割閾值選取方法的比較與研究[J].機械制造與自動化,2003(1):77-80. CHEN D L,LIU J N,YU L L. Comparison and Research on threshold selection methods of several kinds of image segmentation[J].MachineryManufacturingandAutomation,2003(1):77-80.(in Chinese)

[12] 袁小翠,吳祿慎,陳華偉.基于Otsu方法的鋼軌圖像分割[J].光學(xué) 精密工程,2016,24(7):1772-1781. YUAN X C,WU L SH,CHEN H W. Rail image segmentation based on Otsu method[J].Opt.PrecisionEng.,2016,24(7):1772-1781.(in Chinese)

[13] 孟亞州,馬瑜,白冰,等.基于粒子群優(yōu)化的Otsu肺組織分割算法[J].液晶與顯示,2015,30(6):1000-1007. MENG Y ZH,MA Y,BAI B,etal. Improved lung segmentation algorithm based on 2 D Otsu optimized by PSO[J].ChineseJ.LiquidCrystalsandDisplays,2015,30(6):1000-1007.(in Chinese)

[14] 王智文.幾種邊緣檢測算子的性能比較研究[J].制造業(yè)自動化,2012,34(11):14-16. WANG ZH W. A comparative study on the performance of several edge detection operators[J].ManufacturingAutomation,2012.34(11):14-16.(in Chinese)

[15] 張正峰,馬少飛,李瑋.新的種子點區(qū)域填充算法[J].計算機工程與應(yīng)用,2009(6):201-202. ZHANG ZH F,MA SH F,LI W. New seed point region filling algorithm[J].ComputerEngineeringandApplications,2009(6):201-202.(in Chinese)

[16] MUKHOPADHYAY P,CHAUDHURI B B. A survey of hough transform[J].PatternRecognition,2015,48(3):993-1010.

[17] 王崴,張宇紅,洪軍,等.一種改進(jìn)的Harris角點提取算法[J].光學(xué) 精密工程,2008,16(10):1995-2001. WANG W,ZHANG Y H,HONG J,etal.. An improved Harris corner detection algorithm[J].Opt.PrecisionEng.,2008,16(10):1995-2001.(in Chinese)

[18] 李海,張憲民,陳忠.基于直線檢測的棋盤格角點自動提取[J].光學(xué) 精密工程,2015,23(12):3480-3489. LI H,ZHANG X M,CHEN ZH. Automatic extraction of corner points of a chess board based on line detection[J].Opt.PrecisionEng.,2015,23(12):3480-3489.(in Chinese)

[19] 劉博超,趙建,孫強.基于邊緣改進(jìn)的Harris角點檢測方法[J].液晶與顯示,2013,28(6):939-942. LIU B CH,ZHAO J,SUN Q. Improved Harris corner detection method based on edge[J].ChineseJ.LiquidCrystalsandDisplays,2013,28(6):939-942.(in Chinese)

[20] 楊云,岳柱.基于融合圖像輪廓矩和Harris角點方法的遮擋人體目標(biāo)識別研究[J].液晶與顯示,2013,28(2):273-277. YANG Y,YUE ZH. Human body target recognition under occlusion based on fusion of image contour moment and Harris angular points[J].ChineseJ.LiquidCrystalsandDisplays,2013,28(2):273-277. (in Chinese)

Intelligent identification algorithm of adaptive feature drainage tube fault

HUANG Bo1, JIANG Shen-wang1, ZHANG Zeng2, ZHANG Jin2, ZHANG Wei3, XU Ting-fa1*

(1.KeyLaboratoryofOptoelectronicImagingSystemandTechnology,MinistryofEducation,SchoolofOptoelectronics,BeijingInstituteofTechnology,Beijing100081,China；2.TianjinAerospaceScienceandTechnologyCo.,Ltd.fortheDataSystem,Tianjin300301,China；3.SouthernPowerGridScienceResearchInstituteCo.,Ltd,Guangzhou510080,China)

In this paper, an intelligent recognition algorithm for hidden danger of drainage tube is presented in order to realize the automatic detection of the faults of the high voltage transmission line. First, the thermal image feature of faults is analyzed, and the faults can be divided into two types:obvious heating and weak heating. Second in view of the obvious heating caused by the drainage tube, the improved Ostu threshold segmentation method is used to implement infrared image segmentation and the improved Sobel operator is used to implment contour extraction. Third, the seed filling algorithm separation is used to connect domains, and we can determine whether the drainage tube is fault through the thread characteristics. Finally, we check the weak heating caused by the drainage tube, applying high pressure transmission line parallel features to find the region of trunk line, and then get the Harris corner around the trunk region and determine whether it is fault drainage through the STWN characteristics. Experimental results show that the successful identification rate of hidden heat fault is 94.6%, false negative rate is 2.2%, and false recognition rate is 5.5%.

infrared thermal image;boundary development;morphological feature;intelligent recognition

2017-01-19；

2017-03-27

南方電網(wǎng)直升機重大專項資助項目(No.K-KY2014-500) Supported by Helicopter Major Project of China Southern Power Grid(No.K-KY2014-500)

2095-1531(2017)03-0340-08

TP317.4； TN219

A

10.3788/CO.20171003.0340

黃博(1993—)，男，重慶長壽人，碩士研究生，主要從事光電成像探測與識別、目標(biāo)跟蹤、光電測量和可見光通信方面的研究。E-mail:a1039377853@163.com

許廷發(fā)(1968—)，男，黑龍江肇東人，博士，教授，博士生導(dǎo)師，1992年、2000年于東北師范大學(xué)分別獲得學(xué)士、碩士學(xué)位，2004年于中國科學(xué)院長春光學(xué)精密機械與物理研究所獲得博士學(xué)位，2006年于華南理工大學(xué)博士后出站，主要從事光電成像探測與識別等方面的研究。E-mail:xutingfa@163.com

*Correspondingauthor,E-mail:xutingfa@163.com