張廣東 張玉剛 溫定筠 姚境 王曉飛 高立超 郭陸

摘? ?要：首先采用基于同態(tài)濾波技術(shù)的局部直方圖均衡化算法和自適應(yīng)中值濾波算法消除復(fù)合絕緣子憎水性圖像的高頻噪聲。其次，鑒于憎水性圖像中水珠引起的反光和透明等干擾，采用最大類間方差作為目標(biāo)函數(shù)和遺傳算法作為閾值的優(yōu)化算法，獲取了良好的分割效果。最后，將最大水珠區(qū)域的圖像的面積比、形狀因子、伸長度、7個(gè)不變矩共10個(gè)特征參數(shù)輸入BP神經(jīng)網(wǎng)絡(luò)，對(duì)7個(gè)憎水性等級(jí)進(jìn)行判定，結(jié)果表明訓(xùn)練準(zhǔn)確率和測試準(zhǔn)確率分別高達(dá)94%和90%。

關(guān)鍵詞：憎水性自動(dòng)檢測;同態(tài)濾波;遺傳閾值;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP391.41? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

Investigation on Automatically Hydrophobic Detection Based

on Homomorphic Filtering and GeneticThreshold

ZHANG Guang-dong1 ZHANG Yu-gang2，WEN Ding-jun1，

YAO Jing3，WANG Xiao-fei1，GAO Li-chao1，GUO Lu1

（1. Cansu Electric Power Research Institute of State Grid，Lan Zhou，Gansu 730070，China;

2. Gan Su Electric Power Company of State Grid，Lan Zhou，Gansu 730010，China;

3. School of Electrical and Information Engineering，Hunan University，Changsha，Hunan 410082，China）

Abstract：The high-frequency noise of composite insulator hydrophobic image is firstly eliminated based on the local histogram equalization algorithm for homomorphic filtering and adaptive median filtering algorithm. Then，in view of the reflection and transparency caused by water droplets in the hydrophobic image，good segmentation effect is obtained through adopting maximum interclass variance as objective function and genetic algorithm as a threshold optimization algorithm. Finally，ten feature parameters，including area ratio，shape factor，extension degree，seven invariant moments，are placed into the BPNN，and the results indicate that the training accuracy and testing accuracyare as high as 94% and 90%，respectively.

Key words：automatically hydrophobic detection;homomorphic filtering;genetic threshold;BP neural networks

絕緣子憎水性檢測方法主要有三種：噴水分級(jí)法、靜態(tài)接觸角法和憎水性指示函數(shù)法[1-5]。其中，第一種和第二種是傳統(tǒng)的檢測方法，僅適用于實(shí)驗(yàn)室內(nèi)。憎水性指示函數(shù)法近年來發(fā)展迅速，其利用攝像技術(shù)和數(shù)字圖像處理技術(shù)來判定絕緣子憎水性等級(jí)。它又可細(xì)分為多種方法，典型的有均熵法以及形狀因子法[6-8]。由于其克服了傳統(tǒng)檢測方法的缺點(diǎn)，如測量過程復(fù)雜、實(shí)驗(yàn)環(huán)境受限、實(shí)驗(yàn)條件苛刻等，故引起了眾多工程界和科學(xué)界的學(xué)者的關(guān)注。形狀因子法在判據(jù)的形成過程中沒有考慮拍攝角度和拍攝距離的影響，并且也沒有考慮水跡和水珠形狀等因素，因此準(zhǔn)確率較低[9-11]。均熵法的判據(jù)形成過程不夠明確，缺乏較強(qiáng)的理論依據(jù)，并且需要海量的經(jīng)驗(yàn)數(shù)據(jù)[12-16]。

目前，對(duì)絕緣子憎水性檢測的研究集中在兩個(gè)部分：憎水性圖像的濾波和憎水性圖像的分割。暫未形成自動(dòng)檢測的憎水性分級(jí)體系[17-21]。影響絕緣子憎水性判定的因素很多，迄今為止仍然沒有找到可以完全表征絕緣子憎水性的特征參數(shù)，也未探索出諸如溫濕度、水珠大小、水珠形狀等因素與絕緣子的憎水性之間的定量關(guān)系[22]。

復(fù)合絕緣子的表面的背景圖像較為復(fù)雜，以及水珠的透明性導(dǎo)致背景與目標(biāo)的灰度值差比較小，加之水對(duì)光的反射會(huì)使得向光一側(cè)的邊緣非常模糊等原因，導(dǎo)致傳統(tǒng)的數(shù)字濾波技術(shù)和圖像分割技術(shù)應(yīng)用效果欠佳。本文采用同態(tài)濾波和遺傳閾值分割的方法極大地提高了憎水性分級(jí)的準(zhǔn)確率。

1? ?基于同態(tài)濾波的局部直方圖均衡化

在絕緣子憎水性圖像的捕獲過程中會(huì)不可避免地染噪，當(dāng)噪聲較強(qiáng)時(shí)，直接進(jìn)行圖像的直方圖均衡化，將導(dǎo)致噪聲隨之放大。故需先使用同態(tài)濾波的方法將圖像的高頻部分濾除，該技術(shù)可使用高斯型高通濾波器來實(shí)現(xiàn)：

a為高斯函數(shù)的幅值，b為高斯函數(shù)的偏置，c為高斯函數(shù)的標(biāo)準(zhǔn)差。采用大小為7×7的高斯型高通濾波器與經(jīng)對(duì)數(shù)變換后的圖像作卷積，即可實(shí)現(xiàn)同態(tài)濾波。

單一的均衡方法無法增強(qiáng)較暗的水珠，為展示暗水珠的細(xì)節(jié)信息，需對(duì)均衡后的圖像進(jìn)行局部的對(duì)比度增強(qiáng)處理。采用大小為3×3的模板進(jìn)行局部的直方圖均衡化，設(shè)同態(tài)濾波后的圖像為f（i，j），系數(shù)k值范圍為0-1，aver為f（i，j）的均值，z為對(duì)圖像f（i，j）采用3×3模板鄰域標(biāo)準(zhǔn)差卷積后的結(jié)果，aver1為對(duì)圖像f（i，j）采用3×3模板鄰域平均值卷積后的結(jié)果，則權(quán)衡系數(shù)B可表示為：

式（1.3）中，G為進(jìn)行局部均衡化后的結(jié)果，但經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，憎水性圖像的部分區(qū)域?qū)Ρ榷炔粔蛎黠@，因此還需增強(qiáng)局部對(duì)比度。加強(qiáng)后的圖像表示為：

aver2為模板的均值，m為比例系數(shù)，G（i，j）為模板的中心像素。采用3×3大小的模板沿目標(biāo)圖像滑動(dòng)，依次求取窗口的均值獲取更新后的G（i，j）。

如圖1所示，可以看到傳統(tǒng)的均衡化方法在部分區(qū)域產(chǎn)生了“白光”現(xiàn)象，而且不能較好地抑制水珠背光側(cè)的陰影部分，但通過同態(tài)濾波技術(shù)的局部直方圖均衡化和對(duì)比度增強(qiáng)處理，憎水性圖像的局部細(xì)節(jié)更加清楚，陰影部分也得到了較大的抑制。

2? ?自適應(yīng)中值濾波算法

自適應(yīng)中值濾波方法不直接使用圖像窗口數(shù)據(jù)的中值，而是通過自適應(yīng)的方法決定中心像素。自適應(yīng)中值濾波算法既要求出中值，也要求出每次窗口圖像中的最大值和最小值。

圖2顯示了對(duì)5×5的圖像窗口求取最大值、中值和最小值的過程。首先將圖2（a）中 5×5的圖像窗口的各列像素按照箭頭方向作列降冪排列，如圖2（b），然后接著將每行像素按照箭頭方向作行降冪排列，如圖2（c），各點(diǎn)數(shù)據(jù)的位次具有如下特點(diǎn)：

F11和F55分別為25個(gè)像素中的最小值和最大值;F12為原始列中的最小值并小于F13、F14、F15所在列的所有值，總計(jì)小于或者等于19個(gè)數(shù)，故不為中值;F13為原始列中的次小值和F14、F15所在列的4個(gè)值，總計(jì)小于或者等于14個(gè)數(shù)，故不為中值;F21為原始列的次小值并小于F22、F23、F24、F25所在列的所有值，總計(jì)小于或者等于19個(gè)數(shù)，故不為中值;F22為原始列的次小值并小于F23、F24、F25所在列的4個(gè)值，總計(jì)小于或者等于14個(gè)數(shù)，故不為中值。依次推斷，可以排除掉12個(gè)數(shù)，這些數(shù)不進(jìn)入下一次的比較，剩下的13個(gè)數(shù)沿箭頭所示方向作降冪排列，如圖2（d），各點(diǎn)數(shù)據(jù)的位次具有如下特點(diǎn)：

E52至少大于原始列的1個(gè)值和E43、E34、E25原始列的4個(gè)值，故不為中值;E43至少大于原始列的1個(gè)值和E34、E25原始列的所有值，故不為中值。依次推斷，可排除10個(gè)數(shù)，余下的E33、E41、E25沿箭頭方向作降冪排列，如圖2（e），G33即為中值。

3? ?基于最大類間方差的遺傳閾值分割算法

基于最大類間方差的閾值分割算法的基本思路是目標(biāo)內(nèi)的像素灰度值應(yīng)該相近并且背景內(nèi)的像素灰度值也要相近，因此合理的分割應(yīng)體現(xiàn)相同目標(biāo)或者背景區(qū)域的相似性和不同目標(biāo)或者背景區(qū)域的差異性，通過選擇最優(yōu)閾值，使得目標(biāo)和背景區(qū)域之間的總體方差最大。

設(shè)憎水性圖像中的像素總個(gè)數(shù)為N，灰度值為i的像素總個(gè)數(shù)為ni，其概率則為pi = ni /N。假如以灰度值k作為閾值把圖像分為目標(biāo)和背景兩部分，分別用R1和R2表示，則R1和R2的概率為：

整幅圖像的平均灰度值為：

區(qū)域R1和R2的平均灰度值分別為：

區(qū)域R1和R2的方差為：

可以看出區(qū)域R1和R2的方差隨k的變化而變化，當(dāng)σ2（k）取得最大值時(shí)的k值即為達(dá)到最大類間方差的閾值。

遺傳算法（GA）是近年來熱門的優(yōu)化算法，其參照遺傳學(xué)的規(guī)律，通過選擇、遺傳和變異等機(jī)制來提高種群的適應(yīng)性。遺傳算法模擬生物的基因隨機(jī)選擇、基因交叉和基因突變等現(xiàn)象，在每次迭代中都保留最優(yōu)個(gè)體，流程圖如圖3所示。

初始種群對(duì)遺傳算法的性能影響很大;種群大時(shí)雖然可以提高優(yōu)化信息，但也會(huì)增大計(jì)算量，導(dǎo)致收斂速度慢。本文選取的種群數(shù)量為20，迭代次數(shù)為100。選擇算子則采用10%的精英策略和90%的輪盤賭法。交叉概率大時(shí)個(gè)體更新快，但也會(huì)導(dǎo)致具有高適應(yīng)度值的個(gè)體被淘汰，概率小時(shí)，交叉操作的次數(shù)會(huì)減少，從而導(dǎo)致搜索的停滯以及算法不收斂。本文設(shè)置前50次搜索交叉概率為0.8，后50次概率為0.6。算法終止迭代的條件是前一次與后一次的平均群體適應(yīng)度的差值的絕對(duì)值不大于0.07。通過遺傳閾值算法，憎水性圖像的分割結(jié)果如圖4所示。

將圖像的分割結(jié)果作二值化處理后發(fā)現(xiàn)水滴區(qū)域的內(nèi)部有很多的小孔，因此需要使用腐蝕、膨脹和鄰域等算法來填補(bǔ)這些孔洞來并找出最大的水滴。腐蝕是通過使邊界向內(nèi)收縮來消除邊界，因此可消除面積微小的水滴。本文將以半徑為3的圓形區(qū)域作為參考，小于該區(qū)域的水滴都被消掉。為計(jì)算出水滴的面積，需要對(duì)腐蝕后的憎水性圖像進(jìn)行膨脹。設(shè)X為二值化圖像的連通域，結(jié)構(gòu)元素S是半徑為3的圓形。當(dāng)S的圓心移到點(diǎn)（x，y）處時(shí)，如果S完全被X包含，則設(shè)置腐蝕后的圖像上的該點(diǎn)為1，否則設(shè)置為0。當(dāng)S的圓心移動(dòng)到（x，y）處時(shí)，如果S至少包含一個(gè)灰度值為1的點(diǎn)，那么在膨脹后的圖像上該點(diǎn)設(shè)置為1，否則設(shè)置為0。鄰域算法的基本思路是以待處理的像素作為中心像素，如果中心像素的周邊有5個(gè)鄰域超過1，則中心像素的灰度值設(shè)置為1，否則設(shè)置為0。按照上述方式進(jìn)行圖像的全局掃描，可以消除大部分水滴內(nèi)部的“小孔”現(xiàn)象。

4? ?憎水性圖像特征參數(shù)提取

為找出二值化圖像中面積最大的水珠，有必要對(duì)圖像中所有的水珠作標(biāo)記，即每個(gè)水珠區(qū)域都有唯一的編號(hào)，不同編號(hào)代表不同水滴。本文采用八連接法來判斷像素點(diǎn)是屬于同一區(qū)域還是不同區(qū)域。如果像素灰度值為1的點(diǎn)的八個(gè)近鄰中至少有1個(gè)點(diǎn)的像素灰度值為1，則屬于八連接。依據(jù)其鄰域往下查找，直至沒有符合要求的鄰域點(diǎn)為止。

八連接就是如果兩個(gè)像素以邊或角相連，即無論水平和垂直還是對(duì)角方向相連均視為同一對(duì)象。如圖5所示，A與B屬于八連接，因此是同一對(duì)象。

經(jīng)過八連接算法預(yù)處理后，圖像的所有像素均有了標(biāo)記，然后統(tǒng)計(jì)包含的總像素，可求出最大水珠的位置，再次進(jìn)行二值化操作，即可得到僅包含最大水珠區(qū)域的二值化圖像。

圖6顯示了圖像標(biāo)記的部分結(jié)果，標(biāo)記5和6分別代表不同的水珠區(qū)域。求出的最大水珠區(qū)域如圖7所示。

在圖7中，最大水珠區(qū)域包含的總像素個(gè)數(shù)為1557，為了驗(yàn)證算法的有效性，改變憎水性圖像的水珠大小，接著再作濾波、分割、尋找最大水珠區(qū)域，仍可成功找出最大水珠區(qū)域，過程和結(jié)果如圖8所示。因此，本算法對(duì)不同大小的憎水性圖像具有普適性。

憎水性圖像的特征參數(shù)由面積比、形狀因子、伸長度、7個(gè)不變矩特征共10個(gè)參數(shù)組成。

5? ?基于BP神經(jīng)網(wǎng)絡(luò)的憎水性等級(jí)判別

10個(gè)特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，因此神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為10。憎水性圖像分為7個(gè)等級(jí)，本文采用三位二進(jìn)制數(shù)來表示，編碼方式為：HC1-001，HC2-010，HC3-011，HC4-100，HC5-101，HC6-110，HC7-111，因此神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為3個(gè)。

BP神經(jīng)網(wǎng)絡(luò)的其他參數(shù)設(shè)定：中間節(jié)點(diǎn)個(gè)數(shù)為10，權(quán)值和偏置隨機(jī)初始化，訓(xùn)練次數(shù)最大為1000次，動(dòng)量系數(shù)設(shè)置為0.95，網(wǎng)絡(luò)的最小誤差設(shè)置為10-8。BP算訓(xùn)練過程如下：

（1）根據(jù)前饋網(wǎng)絡(luò)的傳遞函數(shù)計(jì)算網(wǎng)絡(luò)的輸出。

（2）比較網(wǎng)絡(luò)的實(shí)際輸出和期望輸出，如果誤差大于設(shè)定值，則進(jìn)行后向傳播，學(xué)習(xí)速率根據(jù)誤差調(diào)整，如果誤差變化平緩，則提高學(xué)習(xí)速率，否則適當(dāng)降低學(xué)習(xí)速率。

（3）更新權(quán)值和偏置，如不滿足誤差收斂條件且未達(dá)到最大迭代次數(shù)，則跳轉(zhuǎn)步驟（2）;如滿足收斂條件，則輸出分類結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果如圖9所示?？梢钥闯鲈摼W(wǎng)絡(luò)收斂，訓(xùn)練正確率為94%。另外測試樣本數(shù)量為350個(gè)，測試正確率為90%。對(duì)數(shù)據(jù)結(jié)果進(jìn)行分析，大部分樣本的誤判集中在HC3和HC4之間，即HC3誤判為HC4而HC4誤判為HC3。其它憎水性等級(jí)的識(shí)別準(zhǔn)確率為100%?？赡茉蛴校阂环矫妫琀C3與HC4的特征參數(shù)非常相似，另一方面，訓(xùn)練樣本較少導(dǎo)致神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力不足。

6? ?結(jié)? ?論

首先采用基于同態(tài)濾波技術(shù)的局部直方圖均衡化算法濾除高頻噪聲，然后采用自適應(yīng)的中值濾波算法進(jìn)一步消除噪聲，很好地提高了絕緣子憎水性圖像的質(zhì)量。

由于獲取絕緣子憎水性圖像的環(huán)境非常復(fù)雜，如水珠的反光性和透明性，傳統(tǒng)的閾值方法和目標(biāo)函數(shù)難以正確分割水珠，采用基于最大類間方差的遺傳閾值獲取了滿意的分割效果。

最后，采用八鄰域連接法標(biāo)記不同水珠區(qū)域，并成功找出最大水珠區(qū)域。將包括最大水珠區(qū)域的圖像的面積比、形狀因子、伸長度、7個(gè)不變矩共10個(gè)特征參數(shù)輸入BP神經(jīng)網(wǎng)絡(luò)，對(duì)7個(gè)憎水性等級(jí)的判別準(zhǔn)確率高達(dá)90%，表明本文的方法可以有效地用于復(fù)合絕緣子憎水性自動(dòng)檢測中。

參考文獻(xiàn)

[1]? ? 唐利明，方壯，向長城，等. 結(jié)合BV-L～2分解的CV變分水平集模型[J]. 重慶大學(xué)學(xué)報(bào)，2018，41（03）：82—90.

[2]? ? 張亞博，劉博，朱云峰，等. 基于無人機(jī)技術(shù)的復(fù)合絕緣子憎水性檢測方法[J]. 電工技術(shù)，2018（01）：68—70.

[3]? ? 李轉(zhuǎn). 基于Canny算子和神經(jīng)網(wǎng)絡(luò)復(fù)合絕緣子憎水性研究[D]. 鄭州：華北水利水電大學(xué)，2017.

[4]? ? 李賀. 基于圖像處理的復(fù)合絕緣子憎水性離線檢測系統(tǒng)研究與開發(fā)[D]. 蘭州：蘭州交通大學(xué)，2017.

[5]? ? 王永浩. 復(fù)合絕緣子運(yùn)行狀態(tài)在線非接觸檢測技術(shù)研究[D].石堰：湖北工業(yè)大學(xué)，2016.

[6]? ? 宋凡峰，吳廣祥.基于多重分形的復(fù)合絕緣子憎水性等級(jí)判定方法[J]. 絕緣材料，2016，49（07）：72—78.

[7]? ? 胡小為，劉宏申，徐國雄，等. 一種結(jié)合GVF和CV模型的水平集圖像分割方法[J]. 安徽工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，33（03）：289—294.

[8]? ? 尚俊霞. 復(fù)合絕緣子憎水性檢測與等級(jí)判斷的研究[J]. 電瓷避雷器，2016（03）：30—36.

[9]? ? 王子斌. 列車用復(fù)合絕緣子清洗及憎水性檢測系統(tǒng)研究與應(yīng)用[D]. 蘭州：蘭州交通大學(xué)，2016.

[10]? 謝望君. 基于圖像處理的復(fù)合絕緣子憎水性帶電檢測系統(tǒng)研究[D]. 長沙：湖南大學(xué)，2016.

[11]? 蔡日，張笑迪，揭毅，等. 基于PNN的變壓器復(fù)合絕緣子套管憎水性檢測[J]. 武漢大學(xué)學(xué)報(bào)：工學(xué)版，2016，49（02）：309—314.

[12]? 楊洋.復(fù)合絕緣子憎水性檢測方法研究[J]. 電子制作，2016（Z1）：63—64.

[13]? 雷博. 輸電線路復(fù)合絕緣子運(yùn)行性能試驗(yàn)與研究[D]. 大連：大連理工大學(xué)，2016.

[14]? 廖國虎，黃歡，羅洪，等. 復(fù)合絕緣子憎水性在線檢測技術(shù)研究[J]. 電測與儀表，2015，52（14）：59—65.

[15]? 錢磊. 復(fù)合絕緣子憎水性水珠圖像識(shí)別與分級(jí)[D]. 武漢：中南民族大學(xué)，2015.

[16]? 劉強(qiáng)兵. 基于圖像處理的復(fù)合絕緣子憎水性檢測[D]. 蘭州：蘭州交通大學(xué)，2015.

[17]? 閆康，趙輝，許慶旺，等. 基于圖像處理與RBF神經(jīng)網(wǎng)絡(luò)的絕緣子憎水性識(shí)別方法的研究[J].高壓電器，2015，51（01）：30—35.

[18]? 汪佛池，閆康，張重遠(yuǎn)，等. 采用圖像分析與神經(jīng)網(wǎng)絡(luò)識(shí)別絕緣子憎水性[J]. 電機(jī)與控制學(xué)報(bào)，2014，18（11）：78—83.

[19]? 唐利明，田學(xué)全，黃大榮，等. 結(jié)合FCMS與變分水平集的圖像分割模型[J]. 自動(dòng)化學(xué)報(bào)，2014，40（06）：1233—1248.

[20]? 劉莉. 圖像分割技術(shù)在絕緣子憎水性分析中的應(yīng)用研究[D].石堰：湖北工業(yè)大學(xué)，2014.

[21]? 閆康. 基于圖像處理技術(shù)的復(fù)合絕緣子憎水性識(shí)別方法的研究[D]. 鄭州：華北電力大學(xué)，2014.

[22]? 王芳梅，范虹，Yi WANG. 利用改進(jìn)CV模型連續(xù)水平集算法的核磁共振乳腺圖像分割[J].西安交通大學(xué)學(xué)報(bào)，2014，48（02）：38—43.