朱文天，胡立坤，王帥軍

(廣西大學(xué) 電氣工程學(xué)院，廣西 南寧 530004)

0 引言

絕緣子是輸電線路中的重要金具，起到了電氣絕緣及線路支撐的作用，必須對(duì)其進(jìn)行定期狀況監(jiān)測。隨著電力系統(tǒng)自動(dòng)化的發(fā)展，計(jì)算機(jī)視覺技術(shù)被越來越多地運(yùn)用到電力設(shè)備巡檢中，用來對(duì)目標(biāo)進(jìn)行識(shí)別定位與在線監(jiān)測[1-3]。近幾年,通過計(jì)算機(jī)視覺及圖像處理技術(shù)對(duì)輸電線絕緣子進(jìn)行監(jiān)測和故障診斷已成為研究熱點(diǎn)[4-6]，而絕緣子識(shí)別定位是其中的關(guān)鍵環(huán)節(jié)。

目前國內(nèi)外進(jìn)行絕緣子識(shí)別定位的主流方法包括機(jī)器學(xué)習(xí)、非機(jī)器學(xué)習(xí)以及兩者相結(jié)合的方法。文獻(xiàn)[7]結(jié)合絕緣子特征點(diǎn)的局部灰度信息和梯度信息形成408維的特征向量，建立正負(fù)樣本特征庫進(jìn)行訓(xùn)練，最后通過依靠特征匹配識(shí)別出圖像中的絕緣子。文獻(xiàn)[8-9]通過多核的SVM算法對(duì)絕緣子顏色、鄰域特征進(jìn)行訓(xùn)練分類。文獻(xiàn)[10]利用卷積神經(jīng)網(wǎng)絡(luò)不用人工尋找特征的特殊性，直接使用絕緣子圖像的正負(fù)樣本訓(xùn)練經(jīng)典架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)在復(fù)雜航拍背景中絕緣子檢測。文獻(xiàn)[11]通過建立絕緣子標(biāo)準(zhǔn)圖庫，將待測圖像與標(biāo)準(zhǔn)圖庫進(jìn)行ASIFT特征點(diǎn)匹配，并依據(jù)特征點(diǎn)匹配個(gè)數(shù)來識(shí)別絕緣子。文獻(xiàn)[12]也是用分類器進(jìn)行訓(xùn)練，不過采用的是絕緣子的不變矩特征。這些方法的模式是使用絕緣子圖像的某種特征或多種特征，再利用這些特征向量訓(xùn)練分類器，最終利用訓(xùn)練好的分類器進(jìn)行絕緣子檢測。這類方法的特點(diǎn)是受拍攝角度影響較小，識(shí)別率高，但需要大量正負(fù)樣本集，特征向量維數(shù)高，通常是以固定窗口掃遍整幅圖像進(jìn)行匹配分類，耗時(shí)長。對(duì)計(jì)算機(jī)硬件要求偏高。并且樣本數(shù)量的過多或過少會(huì)導(dǎo)致分類器過擬合或者欠擬合。

文獻(xiàn)[13]采用主動(dòng)輪廓模型算法檢測絕緣子輪廓，但絕緣子實(shí)驗(yàn)圖像并非從輸電線中采集，并且圖像中背景單一簡單，而輸電線路中的絕緣子周圍物體密集，圖像背景復(fù)雜，因此該算法適用范圍較窄。文獻(xiàn)[14]通過檢測圖像中的圓形輪廓的方式來檢測絕緣子片，但該檢測方法需要以理想角度拍攝絕緣子，當(dāng)拍攝角度不理想會(huì)降低檢測的準(zhǔn)確率。文獻(xiàn)[15]先基于顏色對(duì)比和結(jié)構(gòu)對(duì)比的顯著性檢測，確定出絕緣子串候選區(qū)域，然后利用絕緣子獨(dú)特的結(jié)構(gòu)性質(zhì)，將候選區(qū)域進(jìn)行水平、垂直方兩個(gè)方向上的投影，根據(jù)投影曲線識(shí)別出絕緣子串。文獻(xiàn)[16]結(jié)合紅藍(lán)色差灰度化和加權(quán)灰度化，選擇兩種灰度化后對(duì)比度較大的灰度圖進(jìn)行K-means聚類分割，能有效分割出復(fù)雜背景中的絕緣子，但該算法對(duì)褐色的絕緣子效果不理想。

1 絕緣子色差灰度化分割算法

黃新波等[16]提出的紅藍(lán)色差灰度化及K-means聚類分割方法(后文中簡稱紅藍(lán)色差法)在分割深褐色的絕緣子時(shí)往往效果不理想。本文利用Otsu算法進(jìn)行預(yù)處理，引入紅綠色差灰度化方法并結(jié)合紅藍(lán)色差灰度化方法。在原算法分割效果的基礎(chǔ)上也能分割出深褐色絕緣子，提升了算法性能。

1.1 紅藍(lán)色差灰度化及紅綠色差灰度化

紅藍(lán)色差法提出一種紅藍(lán)色差歸一化的灰度化方法，用RGB顏色空間表示航拍絕緣子圖像中各像素點(diǎn)，根據(jù)式(1)計(jì)算整幅圖像的紅藍(lán)色差grb為：

grb=(R-B)/(R+B)，

(1)

由于grb的范圍是[-1,1]，因此根據(jù)式(2)歸一化得到g1，然后根據(jù)式(3)得到最終灰度圖g2

g1=(grb+1)/2，

(2)

g2=255g1，

(3)

最后利用K-means算法聚類分割灰度圖g2，提取出圖像中絕緣子部分。

但實(shí)驗(yàn)發(fā)現(xiàn)，紅藍(lán)色差法針對(duì)紅褐色、深褐色等復(fù)合絕緣子時(shí)灰度化效果不理想，導(dǎo)致算法最終不能有效分割絕緣子，并且在分割時(shí)易分割出過多背景，如表1所示。

表1 紅藍(lán)色差法的不理想分割結(jié)果

(4)

因此，本文根據(jù)這些特點(diǎn)提出紅綠色差灰度化，紅綠色差grg方法，計(jì)算公式如式(5)：

grg=(R-G)/(R+G)。

(5)

將式(4)分別帶入式(1)、式(5)中，比較兩種色差度化后褐色絕緣子像素點(diǎn)與背景像素點(diǎn)的灰度值，存在如表2所示的關(guān)系。經(jīng)過紅綠色差灰度化后，絕緣子與背景的灰度值差值相較紅藍(lán)色差灰度化更大，類別區(qū)分更明顯，因此有利于后一步的聚類分割。以絕緣子圖像1作示例，灰度化效果如圖1所示。

紅藍(lán)色差灰度化

紅綠色差灰度化

表2 兩種灰度化方法的灰度值關(guān)系

Tab.2 Gray value relations of two gray leveling methods

像素點(diǎn)類別灰度值關(guān)系褐色絕緣子grb<∽grg背景grb>∽grg

1.2 最大類間方差法(Otsu)預(yù)處理

“1.1”節(jié)提出的紅綠色差灰度化方法在針對(duì)褐色類絕緣子圖像時(shí)效果優(yōu)異，但應(yīng)用于藍(lán)色玻璃絕緣子圖像效果不如紅藍(lán)色差灰度化方法。因此，不同類別的絕緣子需用不同的色差灰度化方法。故本文提出在原圖像進(jìn)行灰度化前，用最大類間方差法進(jìn)行預(yù)處理及映射，剔除掉部分背景的同時(shí)，還能針對(duì)性使用不同的色差灰度化方法。

最大類間方差法[17]，簡稱Otsu。是一種自適應(yīng)的閾值確定的方法。對(duì)于圖像I(x,y),記T為前景和背景的分割閾值，前景的像素點(diǎn)數(shù)占整幅圖像的比例記為ω0，平均灰度為μ0；背景像素點(diǎn)數(shù)占整幅圖像的比例為ω1，其平均灰度為μ1。圖像的總平均灰度記為μ,類間方差記為g，則有：

μ=ω0×μ0+ω1×μ1，

(6)

g=ω0×(μ0-μ)2+ω1×(μ1-μ)2，

(7)

聯(lián)立式(6)、(7)可得：

g=ω0×ω1×(μ0-μ1)2，

(8)

當(dāng)方差g最大時(shí)，可以認(rèn)為此時(shí)前景和背景差異最大，此時(shí)的閾值T達(dá)到最佳。Otsu法選取出來的閾值對(duì)各種情況的表現(xiàn)都較為良好。

Otsu法無法直接將絕緣子從背景復(fù)雜的航拍圖像中分割出來，只能將絕緣子與部分背景分割，這個(gè)過程會(huì)剔除掉部分背景。并且藍(lán)色絕緣子在進(jìn)行Otsu法分割時(shí)，絕大部分會(huì)被分割為1值(白色)，而褐色絕緣子在進(jìn)行最大類間方差法分割時(shí)，會(huì)被分割為0值(黑色)。

本文利用這一特點(diǎn)，將Otsu分割圖分別按白色和黑色像素映射回原圖中，得到藍(lán)色絕緣子和褐色絕緣子預(yù)處理圖，預(yù)處理過程如表3所示。經(jīng)過Otsu預(yù)處理及映射后，白色像素映射圖像進(jìn)行紅藍(lán)色差灰度化，黑色像素映射圖像進(jìn)行紅綠色差灰度化，實(shí)現(xiàn)不同類別絕緣子圖像用不同的灰度化方法。

表3 Otsu分割預(yù)處理

1.3 K-means聚類分割

K-means算法根據(jù)歐氏距離進(jìn)行分類，通過比較歐式距離和標(biāo)記過程，將距離較近及相似對(duì)象劃分到同一類，是一種最常用的基于全局的聚類劃分方法[18-19]。根據(jù)本文分類要求，選定2兩個(gè)聚類中心值μ1和μ2，由于在算法迭代過程中，兩個(gè)中心值隨聚類樣本變化的，因此初始值的選取所以初始值延用紅藍(lán)色差法的初始值，即μ1=64，μ2=192。聚類樣本為灰度化圖像中各像素點(diǎn)的灰度值g(x,y)，因此樣本是值為0～255的一維數(shù)據(jù)。

K-means算法具體步驟如下：

① 遍歷整幅圖像，根據(jù)式(9)分別計(jì)算各像素點(diǎn)的灰度值到兩個(gè)聚類中心μ1和μ2的距離d1、d2。其中，x∈[1,N]，y∈[1,M]，N×M為圖像的尺寸。

(9)

② 若d1≤d2，將圖像中的像素點(diǎn)(x,y)對(duì)應(yīng)的灰度值g(x,y)分配到聚簇C1；若d1>d2，則將該像素點(diǎn)的灰度值g(x,y)分配到聚簇C2。

③ 根據(jù)聚簇C1、C2更新聚類中心μ1和μ2，具體公式為

圖2 絕緣子候選圖

。(10)

④ 當(dāng)聚類中心值μ1和μ2不再改變時(shí)，以二值圖像形式輸出兩個(gè)聚簇中包含的像素點(diǎn)的集合，分割出絕緣子和背景區(qū)域。否則重復(fù)步驟①。

分割結(jié)果通常包含有較多小面積干擾連通域。因此利用形態(tài)學(xué)濾波，過濾小面積的偽目標(biāo)區(qū)域。一幅航拍采集的絕緣子圖像，經(jīng)預(yù)處理、灰度化及聚類分割后，會(huì)得到兩幅絕緣子候選圖。其中一幅包含分割出的絕緣子(候選圖1)，另一幅則是背景偽目標(biāo)(候選圖2)，如圖2所示。

2 投影特征判定

絕緣子規(guī)律性的形狀是其區(qū)別偽目標(biāo)的重要特性，本文用投影特征來描述這一特性。首先需要將候選圖1、候選圖2作傾斜校正：選取圖中最大連通域作膨脹處理，利用Hough變換[20]檢測最長直線和傾斜角，然后根據(jù)傾斜角旋轉(zhuǎn)校正。

對(duì)校正后的兩幅候選圖作垂直及水平投影，為了消除投影曲線的毛刺干擾，采用平滑處理后得到投影曲線，如圖3所示。其中圖3(a)、圖3(b)為候選圖1(絕緣子部分)的垂直和水平投影曲線，圖3(c)、圖3(d)為候選圖1(背景部分)的垂直和水平投影曲線。大量實(shí)驗(yàn)表明，絕緣子水平投影曲線的波峰個(gè)數(shù)為1～2，這由絕緣子串是單串還是雙串所決定。而絕緣子的垂直投影波峰個(gè)數(shù)跟絕緣子的傘片有關(guān)，拍攝到的絕緣子串越長，其垂直投影波峰個(gè)數(shù)越多，平均值為12個(gè)。而背景圖像由于雜亂無章，其垂直和水平投影曲線沒有規(guī)律，兩種投影曲線的波峰數(shù)很高。

(a)候選圖1垂直投影

(b)候選圖1水平投影

(c)候選圖2垂直投影

(d)候選圖2水平投影

圖3 候選圖垂直及水平投影曲線

Fig.3 Vertical and horizontal projection curves of candidate images

圖4 本文算法流程圖

由于分割結(jié)果可能只保留了絕緣子片而丟失絕緣子串連桿信息，傾斜角檢測存在90°的誤差，導(dǎo)致絕緣子水平、垂直兩個(gè)方向互換，但不影響其投影特征，即絕緣子某一方向上(水平或垂直)投影曲線的波峰數(shù)為1～2個(gè)，而另一個(gè)方向的投影曲線的波峰數(shù)平均值為12個(gè)。

因此，本文利用投影曲線的特征來判定哪一幅候選圖是絕緣子圖像。設(shè)候選圖的水平投影波峰個(gè)數(shù)為nh，垂直投影波峰個(gè)數(shù)為nv，波峰個(gè)數(shù)差值為nd。同時(shí)滿足以下兩個(gè)判決式的即為絕緣子圖像：

nh≤2 ornv≤2，

(11)

nd=|nh-nv|≥5。

(12)

為能較大程度上保留絕緣子圖像，本文認(rèn)為絕緣子串至少有6個(gè)絕緣子片，因此將參數(shù)nd設(shè)置為5。綜上，本文算法流程如圖4所示。

3 實(shí)驗(yàn)分析

本文提出的絕緣子識(shí)別分割算法是對(duì)紅藍(lán)色差法所提算法的改進(jìn)。在原算法的基礎(chǔ)上利用Otsu算法預(yù)處理，并提出紅綠色差灰度化方法。為驗(yàn)證本文算法的有效，用40張藍(lán)色玻璃絕緣子航拍圖像、40張褐色絕緣子航拍圖像作為樣本集進(jìn)行驗(yàn)證，并與紅藍(lán)色差法的方法進(jìn)行對(duì)比分析，部分分割結(jié)果如表4所示。

從表4中可以看出，航拍圖像因背景中存在多種偽目標(biāo)，包含的顏色信息更多，比純色的天空背景更復(fù)雜。在分割褐色絕緣子圖像時(shí)，本文算法相較紅藍(lán)色差法算法處理效果更優(yōu)，能有效分割提取出該類絕緣子。在處理藍(lán)色絕緣子圖像時(shí)，由于利用Otsu算法進(jìn)行預(yù)處理，過濾了一部分的背景信息，所以分割效果也有一定增強(qiáng)。但在灰度化聚類分割時(shí)，則會(huì)損失一些絕緣子的邊緣信息，絕緣子完整度受到一定影響。

針對(duì)該樣本集，本文用兩種指標(biāo)進(jìn)行評(píng)估，漏分率和錯(cuò)分率。漏分率pm：無效分割的圖像數(shù)與總樣本的比率；錯(cuò)分率pe：有效分割結(jié)果中背景所占的比率。以絕緣子分割完整度超過70 %、80 %、90 %，作為三種有效分割標(biāo)準(zhǔn)，評(píng)估算法性能。評(píng)估結(jié)果見表5。

表4 絕緣子圖像分割結(jié)果

表5 算法評(píng)估結(jié)果

從表5中可以看出，本文算法在三種有效分割標(biāo)準(zhǔn)下，漏分率都比紅藍(lán)色差法算法低，主要原因是紅藍(lán)色差法的紅藍(lán)色差算法在分割褐色絕緣子圖像時(shí)，易將絕緣子部分當(dāng)作背景分割掉。而本文的K-means聚類算法因?yàn)閷?duì)相似像素點(diǎn)不具備歸類能力，加上預(yù)處理中的Otsu分割算法僅以方差最大為標(biāo)準(zhǔn)，容易損失一些絕緣子信息，所以在以完整度超過90 %作為有效分割時(shí)，也出現(xiàn)了較多的漏分割。但也由于使用了Otsu算法，預(yù)處理中剔除了部分背景，因此本文的錯(cuò)分率要低于紅藍(lán)色差法算法。

表6比較了兩種算法的分割時(shí)間。因?yàn)楸疚臑楦行ёR(shí)別深褐色絕緣子，在算法上增加了預(yù)處理和判別算法。因此本文方法相較紅藍(lán)色差法分割方法的處理時(shí)間均相對(duì)較長。實(shí)驗(yàn)平臺(tái)為PC，配置為處理器：i5-6300HQ，顯卡：GTX-960m，開發(fā)軟件是Matlab。

表6 算法處理時(shí)間

根據(jù)算法的性能評(píng)估與處理時(shí)間進(jìn)行分析，可以看出本文算法雖然增加了整體的處理時(shí)間，但降低了漏分率和錯(cuò)分率，說明本文算法擁有更高的魯棒性和穩(wěn)定性。

4 結(jié)論與展望

① 本文提出的Otsu算法與色差法相結(jié)合的灰度化方法，克服紅藍(lán)色差法分割褐色絕緣子效果差、分割結(jié)果背景過多的問題。雖然犧牲了一些絕緣子串的邊緣信息，但不影響絕緣子的完整度信息，分割后的絕緣子圖像依然可以進(jìn)一步的絕緣子自爆缺陷檢測。

② 本文的識(shí)別方法相對(duì)目前流行的機(jī)器學(xué)習(xí)算法識(shí)別絕緣子，有效利用了絕緣子和背景的顏色信息，不受絕緣子旋轉(zhuǎn)和圖像尺度的影響。分割純凈度高，計(jì)算復(fù)雜度低，針對(duì)目前輸電線路中的絕緣子具有通用性。

針對(duì)本文算法在分割結(jié)果中偶然會(huì)丟失絕緣子的部分邊緣信息這一問題，下一步將研究分割過程中相似像素點(diǎn)的歸類問題，保證絕緣子部分的完整度，以便進(jìn)一步的絕緣子缺陷檢測算法研究。