吳婕萍 趙文昊 于文萍

摘要：為實(shí)現(xiàn)絕緣子圖像識(shí)別，本文提出將基于直方圖對(duì)比度的顯著性特征作為絕緣子圖像的識(shí)別特征，再利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法建立絕緣子識(shí)別模型。實(shí)驗(yàn)結(jié)果表明，本文所提出的基于顯著性特征的絕緣子識(shí)別方法的識(shí)別精度為90%，識(shí)別周期為1s。所提出的方法可為后續(xù)絕緣子的外觀形態(tài)檢測(cè)、絕緣子污穢度檢測(cè)等安全性檢測(cè)工作的開展提供有效參考。

Abstract： In this paper， in order to identify insulator image， firstly， a saliency feature based on histogram contrast is proposed as the recognition feature of insulator image. Secondly， the Back Propagation （BP） neural network learning method is utilized to construct a mathematical model to identify insulator image. The experimental results show that the recognition accuracy of the proposed recognition method based on saliency feature is 90%， and the recognition period is 1s. The proposed method can provide an effective reference for safety inspection， such as appearance detection and pollution detection of insulator.

關(guān)鍵詞：絕緣子;顯著性;神經(jīng)網(wǎng)絡(luò);圖像識(shí)別;計(jì)算機(jī)視覺(jué)

Key words： insulator;saliency;neural network;image recognition;computer vision

中圖分類號(hào)：TP391.41;TM216? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1006-4311（2020）27-0162-02

0? 引言

在高壓電力系統(tǒng)中，電力設(shè)備的故障檢測(cè)技術(shù)是重點(diǎn)研究方向。絕緣子是架空輸電線路的主要部件之一，具有支撐導(dǎo)線以及防止電流回地的作用。絕緣子在運(yùn)行過(guò)程中長(zhǎng)期暴露在嚴(yán)酷的自然環(huán)境中，若不能及時(shí)發(fā)現(xiàn)絕緣子的損壞，易導(dǎo)致電網(wǎng)污閃事故的發(fā)生[1]，因此對(duì)絕緣子的檢測(cè)具有必要性。

目前，絕緣子識(shí)別方法主要為傳統(tǒng)的人工實(shí)地檢測(cè)以及無(wú)人機(jī)航拍檢測(cè)，人工檢測(cè)信息采集困難，并且效率低;使用無(wú)人機(jī)巡檢代替人工巡檢是未來(lái)智能化巡檢的發(fā)展趨勢(shì)[2]，但也會(huì)受到拍攝時(shí)的光線影響[3]，同時(shí)人工長(zhǎng)時(shí)間進(jìn)行對(duì)航拍圖像的檢測(cè)容易出現(xiàn)漏檢現(xiàn)象等。

機(jī)器視覺(jué)技術(shù)在檢測(cè)方面具有非接觸式測(cè)量、長(zhǎng)時(shí)間測(cè)量等優(yōu)勢(shì)，利用無(wú)人機(jī)航拍技術(shù)與機(jī)器視覺(jué)技術(shù)相結(jié)合實(shí)現(xiàn)絕緣子外觀識(shí)別，通過(guò)圖像特征提取算法，提取絕緣子圖像特征，最后采用有效算法利用特征信息實(shí)現(xiàn)絕緣子的外觀識(shí)別。既可保證傳統(tǒng)人工實(shí)地檢測(cè)技術(shù)的高精度，還可在實(shí)現(xiàn)自動(dòng)化實(shí)時(shí)檢測(cè)。

特征識(shí)別算法多用于建立可識(shí)別目標(biāo)的數(shù)學(xué)模型，其中BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是能夠?qū)崿F(xiàn)自學(xué)習(xí)的計(jì)算系統(tǒng)，能夠滿足工業(yè)應(yīng)用的需要，是眾多網(wǎng)絡(luò)中應(yīng)用較為廣泛的一種建模工具[9]。

綜上，本文為實(shí)現(xiàn)絕緣子外觀的有效識(shí)別，提出了一種基于顯著性特征的絕緣子外觀圖像識(shí)別方法，即利用直方圖對(duì)比度提取出絕緣子圖像外觀的顯著性特征，再利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)所提取的顯著性特征建立絕緣子外觀的數(shù)學(xué)模型，用于圖像外觀識(shí)別分類。

1? 基于直方圖的顯著性特征提取

顯著性特征提取算法，即HC（Histogram based Contrast）[10]算法，是一種基于直方圖對(duì)比度的圖像識(shí)別方法，可以減少圖像的冗余信息，從而提高識(shí)別精度。根據(jù)顯著性特征的描述，一幅圖像的顯著性值S為一個(gè)像素與圖像中其它像素的色差，即：

（1）

式中I為輸入圖像，D（Ik，Ii）是空間L*a*b中像素Ik與不同像素Ii的距離，不考慮空間關(guān)系，則顏色值相同的像素具有相同的顯著值，空間中具有相同顏色值的像素被匹配到一起，就得到每個(gè)顏色的顯著值，顯著性特征值可進(jìn)一步描述為：

（2）

式中，cl是像素Ik中具有的相同顏色值，n是像素顏色的總量，fj是像素顏色cj在圖像I中出現(xiàn)的頻率。

2? 基于顯著性特征的絕緣子外觀識(shí)別方法

2.1 特征提取

為提取絕緣子外觀的圖像特征信息，采用HC方法將絕緣子作為感興趣的區(qū)域，通過(guò)計(jì)算該區(qū)域的像素色彩具有顯著性值，產(chǎn)生全絕緣子外觀的顯著性圖像，其實(shí)現(xiàn)步驟如圖1所示。

HC方法的實(shí)現(xiàn)需先量化顏色通道，找出圖像中的顏色總數(shù)以及對(duì)應(yīng)的像素總數(shù)，再按照從大到小對(duì)像素總數(shù)進(jìn)行排序。找出像素?cái)?shù)目覆蓋圖像的高頻和低頻顏色，把低頻顏色的像素歸類到與它lab顏色距離相距最近的高頻顏色中。通過(guò)公式（1）以實(shí)現(xiàn)顏色距離的計(jì)算，按照距離從小到大排序，同時(shí)按照公式（2）計(jì)算每一種顏色的顯著值。最后將較大顯著值分配給感興趣信息，最小顯著值分配給無(wú)關(guān)信息[11]，從而獲取顯著性特征。經(jīng)過(guò)HC方法處理之后，絕緣子區(qū)域表現(xiàn)的較為突出，圖中冗雜信息被有效除去，減少干擾之后提高了后續(xù)分類學(xué)習(xí)的擬合度與準(zhǔn)確性。

2.2 分類學(xué)習(xí)

BP神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)網(wǎng)絡(luò)的一種學(xué)習(xí)方法，具有智能化處理的特征。采用BP神經(jīng)網(wǎng)絡(luò)對(duì)所提取的絕緣子圖像特征進(jìn)行分類學(xué)習(xí)，包括訓(xùn)練和測(cè)試兩個(gè)過(guò)程。其中訓(xùn)練過(guò)程用于建立絕緣子的識(shí)別模型，該模型能自主學(xué)習(xí)，記憶信息及推理，具有良好的容錯(cuò)性，而最終的測(cè)試過(guò)程用于檢驗(yàn)所建模型的可靠性。

3? 實(shí)驗(yàn)過(guò)程及結(jié)果分析

實(shí)驗(yàn)采集90張絕緣子圖像作為樣本，其中40個(gè)樣本輸入到MATLAB軟件建立的BP神經(jīng)網(wǎng)絡(luò)中用于作為網(wǎng)絡(luò)的訓(xùn)練集，建立能夠?qū)^緣子進(jìn)行判斷的分類器，另外50個(gè)樣本作為測(cè)試集用于檢測(cè)識(shí)別精度。

3.1 模型訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)將提取的絕緣子圖像的顯著性特征用于建立識(shí)別模型，確定和選擇網(wǎng)絡(luò)結(jié)構(gòu)，確定節(jié)點(diǎn)的轉(zhuǎn)移函數(shù)、誤差函數(shù)類型和選擇各個(gè)可調(diào)參數(shù)值之后開始搭建模型。

訓(xùn)練之后所建立的數(shù)學(xué)模型可以通過(guò)回歸曲線反映其建模的準(zhǔn)確性。即數(shù)據(jù)的分散程度越集中，F(xiàn)it曲線與Y=T曲線的重合率越高，反應(yīng)訓(xùn)練效果的R值越接近于1，其擬合度越高，建模的效果越好。首先使用絕緣子原圖樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到最終所建模型對(duì)應(yīng)的回歸曲線，如圖2所示。在相同的參數(shù)條件下，對(duì)絕緣子原圖進(jìn)行HC方法的顯著性特征處理，再次訓(xùn)練得到最終的回歸曲線如圖3所示。通過(guò)對(duì)比可以看出，經(jīng)過(guò)HC方法特征提取后的訓(xùn)練樣本，較直接使用原圖進(jìn)行訓(xùn)練建模相比，顯著性的特征提取有效的減少了圖像中其它冗雜信息的干擾，最終的訓(xùn)練建模效果更好。（圖2、圖3）

3.2 模型測(cè)試

利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法構(gòu)建的識(shí)別模型對(duì)隨機(jī)選擇50個(gè)實(shí)驗(yàn)樣本進(jìn)行模型測(cè)試。若識(shí)別模型判斷圖片中的物體為絕緣子，則輸出“yes”，否則輸出“no”。

實(shí)驗(yàn)結(jié)果表明50個(gè)實(shí)驗(yàn)樣本中，能正確識(shí)別的樣本數(shù)量為45，識(shí)別精度為90%，識(shí)別周期為1s，所提出的方法仍受圖像干擾信息影響，以及BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法在模型訓(xùn)練上存在局限，因此存在誤判現(xiàn)象。

4? 結(jié)束語(yǔ)

本文針對(duì)絕緣子的識(shí)別工作，提出一種基于顯著性的圖像識(shí)別技術(shù)，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到了絕緣子的有效分類器，同時(shí)顯著性處理的加入，有效地減少原圖中大量冗雜數(shù)據(jù)與信息，提高了后續(xù)利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)建模的訓(xùn)練效果，擬合度得到較大提升，使得絕緣子的識(shí)別精度有相應(yīng)的提高。實(shí)驗(yàn)結(jié)果表明，所提出的方法的識(shí)別精度為90%，識(shí)別周期為1s。識(shí)別工作的實(shí)現(xiàn)，為后續(xù)絕緣子的相應(yīng)檢測(cè)工作奠定了較好的基礎(chǔ)。

參考文獻(xiàn)：

[1]王鵬.輸電線路在線監(jiān)測(cè)與故障診斷技術(shù)研究[J].通訊世界，2017（22）：275-276.

[2]戚銀城，王磊，趙振兵，等.基于時(shí)空上下文的航拍視頻絕緣子跟蹤算法[J].科學(xué)技術(shù)與工程，2018，18（04）：58-64.

[3]姜云土，韓軍，丁建，等.基于多特征融合的玻璃絕緣子識(shí)別及自爆缺陷的診斷[J].中國(guó)電力，2017，50（05）：52-58.

[4]花卉.多視覺(jué)特征結(jié)合有約束簡(jiǎn)化群優(yōu)化的顯著性目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程，2015，41（11）：257-262.

基金項(xiàng)目：四川省科技廳創(chuàng)新苗子工程項(xiàng)目（2019107）;成都工業(yè)學(xué)院重點(diǎn)項(xiàng)目（2019ZR002）;成都工業(yè)學(xué)院重點(diǎn)項(xiàng)目（2019ZR003）;四川省大學(xué)生創(chuàng)新訓(xùn)練項(xiàng)目（S201911116042）。

作者簡(jiǎn)介：吳婕萍（1991-），女，四川自貢人，碩士，助教，主要從事電力圖像檢測(cè)等領(lǐng)域的教學(xué)研究工作;趙文昊（2000-），男，四川綿陽(yáng)人，本科生;于文萍（通訊作者）（1994-），女，四川樂(lè)山人，碩士，助教，主要從事電力圖像檢測(cè)等領(lǐng)域的教學(xué)研究工作。