楊鼎革，遲清，左坤，萬康鴻，尚宇，吳經(jīng)鋒

（1.國網(wǎng)陜西省電力公司電力科學研究院，陜西 西安 710100；2.國網(wǎng)陜西省電力公司，陜西 西安 710048）

隨著國家經(jīng)濟的快速發(fā)展，用電需求隨之激增，電力系統(tǒng)規(guī)模不斷擴大，電力設備的數(shù)量也日益龐大。電力設備的故障不僅會造成供電系統(tǒng)意外停電而導致電力企業(yè)經(jīng)濟效益減少，而且有可能造成用戶的重大經(jīng)濟損失，因此電力設備的可靠性及運行情況直接決定了整個電力系統(tǒng)的安全和穩(wěn)定運行。

目前，電力設備的巡檢主要靠人工完成。人工巡檢方式具有工作模式艱苦、勞動強度大、安全性低、巡檢效率低及缺陷發(fā)現(xiàn)不及時不全面的缺點。除此之外，電力設備所在的特殊環(huán)境也給巡檢人員帶來了一定的危險性。隨著無人機、機器人等技術(shù)的逐漸成熟，結(jié)合此類移動平臺的半人工巡檢方式也逐漸推廣開來，但是依舊止步于電力設備圖像的采集工作，無法對圖像進行智能化分析。

對電力設備的缺陷進行智能識別與分析，并借助各種先進的算法判斷電力設備故障的類型，以便及時發(fā)現(xiàn)設備的故障隱患，采取相應措施，實現(xiàn)科學的設備故障診斷和檢修，對電力系統(tǒng)運行的可靠性、安全性具有重要意義。

在電力設備缺陷智能檢測方面，計算機視覺技術(shù)逐漸應用到各個方面，如利用計算機視覺進行電容器鋁殼端面缺陷檢測[1]、光纖端面檢測[2]、倉儲管理[3]、無人機清障[4]等，主要為利用紅外線[5-8]、紫外線[9]圖片進行檢測，獲取圖像的成本較高，算法能夠檢測的缺陷也較為單一?？梢姽鈭D片的獲取成本較低，但是在無人機或機器人巡檢的過程中，存在由于拍攝時間、角度引起的圖像光照變化、旋轉(zhuǎn)畸變問題，使得缺陷檢測的難度較高。利用可見光圖片處理的方式，主要包括兩種，一種為利用傳統(tǒng)的人工特征進行處理[10-11]，但是由于圖片拍攝過程中的光照變化、旋轉(zhuǎn)畸變，給識別帶來了難度；另一種為利用深度神經(jīng)網(wǎng)絡對圖片進行識別[12]，但存在識別效果對數(shù)據(jù)集質(zhì)量依賴強，且實際可用數(shù)據(jù)集不足的問題，導致識別效果不佳。

針對巡檢機器人或無人機拍攝的時間、天氣狀況不同引起的光照變化問題，本文利用直方圖均衡法使圖像的光照度均勻化，減弱光照變化對識別率的影響。針對巡檢機器人或無人機在巡檢過程中，拍攝角度的變化引起固定場景下所拍攝的圖片存在旋轉(zhuǎn)、畸變問題，本文通過特征點的提取、匹配以及特征點對的篩選，計算出兩幅圖像的投射變換矩陣，矯正兩幅圖像的相對旋轉(zhuǎn)和畸變。最后，本文對兩幅圖像進行差分，利用邊界去噪和形態(tài)學去噪的混合去噪方法降低差分圖中的噪聲，完成缺陷定位。相比于深度學習的方法，本文提出的方法不依賴于數(shù)據(jù)集、計算成本低、消耗時間少，且對硬件要求也不高，有利于在嵌入式平臺部署。

1 圖像照度均勻化

灰度直方圖是多種圖像空間域處理技術(shù)的基礎(chǔ)，且在軟件中計算簡單，已成為實時圖像處理的流行工具。

對于灰度級范圍為[0，L-1]的數(shù)字圖像（L為灰度階數(shù)），其直方圖是離散函數(shù)，可表示為

式中：rk為第k級灰度值；nk為圖像中灰度為rk的像素個數(shù)。

歸一化后的直方圖函數(shù)表示為

式中：p（rk）為灰度級rk在圖像中出現(xiàn)的概率；M，N分別為數(shù)字圖像像素點的行數(shù)和列數(shù)。

對于輸入圖像中每個具有灰度值r的像素產(chǎn)生一個輸出灰度值s，其灰度映射關(guān)系如下：

在圖像處理中，一種特別重要的變換函數(shù)有如下形式：

式中：pr（ω）為輸入圖像灰度值ω的概率密度函數(shù)。由公式（4）可推導出下式：

由概率論可知，輸出圖像灰度值s的概率密度函數(shù)與輸入圖像灰度值r的概率密度函數(shù)有如下關(guān)系：

由式（5）、式（6）可推出：

由此可知，ps（s）是一個均勻概率密度函數(shù)，輸入圖像灰度值r經(jīng)過T（r）灰度映射后，輸出圖像灰度值s的概率密度函數(shù)是均勻的，可減弱光照變換對實驗結(jié)果的影響。

2 圖像配準

圖像配準是眾多計算機視覺任務中的基礎(chǔ)，為了比較固定場景下，樣本圖和測試圖的不同之處，并以此定位缺陷的位置，需要對兩幅圖像進行配準。

2.1 特征點提取

特征點提取方法有很多，較為常用的有尺度不變換特征[13]（scale-invariant feature transform，SIFT）、加速穩(wěn)健特征[14]（speeded up robust feature，SURF）、方向旋轉(zhuǎn)不變性特征[15]（oriented FAST and rotated BRIEF，ORB）、快速提取特征器（features from accelerated segment test，F(xiàn)AST）、二進制魯棒獨立的基本特征（binary robust independent elementary features，BRIEF）等等。SIFT特征提取算法具有旋轉(zhuǎn)不變性和尺度不變性特性，對兩幅圖像在相對旋轉(zhuǎn)和尺度變換的情況下，能穩(wěn)定地提取出相似的特征點，但是其計算成本很高，不適合實時性高的任務。SURF特征提取算法是對SIFT的一種改進，加快了其計算過程，在有多個圖形處理單元（graphics processing unit，GPU）的硬件設備上有著良好的表現(xiàn)，但卻對設備的要求有著相應的提高，同時多個GPU也必然造成設備的體積有所增大。相比之下，ORB特征提取算法，計算成本較低，可應用于構(gòu)造較為簡單的硬件上，同時速度高于SIFT算法兩個數(shù)量級，可以滿足實時運算的要求，且其特征提取的性能在大部分應用場景下不遜色于SIFT與SURF算法。所以本文使用ORB特征提取算法用于提取樣本圖和測試圖的特征點。

SIFT，SURF及ORB特征提取器的效果如圖1所示。

圖1 不同特征提取器效果Fig.1 Effects of different feature extractors

圖1a為原始圖片，圖1b為原始圖片的SIFT特征圖，圖1c為原始圖片的SURF特征圖，圖1d為原始圖片的ORB特征圖。以上三種特征圖，初始特征都非常多且雜亂，需要進一步進行篩選。

2.2 特征點匹配

常用的特征點匹配算法有暴力特征匹配器（brute force matcher，BFMatcher）及基于快速臨近算法的特征匹配器（fast library for approximate nearestneighbors based matcher，F(xiàn)lannBased-Matcher）。BFMatcher總是嘗試所有可能的匹配，從而總能夠找到最佳匹配，而FlannBased-Matcher更快但找到的是最近鄰近似匹配。為了提高圖像配準的精度，本文選擇了BFMatcher，用于樣本圖特征點和測試圖特征點之間的匹配。同時，F(xiàn)lannBasedMatcher由于數(shù)據(jù)格式與ORB特征提取器的數(shù)據(jù)格式不兼容，也是選擇BFMatcher的原因。BFMatcher特征匹配器的效果如圖2所示。

圖2 BFMatcher特征匹配器效果Fig.2 Effects of BFMatcher feature matcher

2.3 特征點篩選

經(jīng)過特征點匹配，會產(chǎn)生一系列的特征點對，但是這些特征點對中會存在一些誤匹配。為了去除誤匹配的特征點對，使用隨機抽樣一致算法（random sample consensus，RANSAC）尋找最佳單應性矩陣H。利用單應性矩陣H，完成測試圖到樣本圖的透射變換，矯正測試圖相對樣本圖的旋轉(zhuǎn)和畸變。單應性矩陣H的定義如下：

式中：s為尺度因子；fx，fy，μ0，v0，γ為由于制造誤差產(chǎn)生的偏斜參數(shù)，通常很?。籑為整個相機內(nèi)部參數(shù)；最后一項為相機外部參數(shù)。

3 缺陷檢測

3.1 圖像差分

使用矯正后的測試圖，與樣本圖進行差分，相對異常的位置會產(chǎn)生較為明顯的灰度變化，即為缺陷的大體位置。然后使用最大類間方差法，對差分圖進行二值化，為下一步的去噪工作作準備。樣本圖與測試圖的差分圖及其差分圖的二值圖如圖3所示。

圖3 樣本圖與測試圖的差分圖及其差分圖的二值圖Fig.3 The diagram of the difference between sample picture and test picture and its binary

圖3a為開關(guān)柜異常狀態(tài)的灰度圖，圖3b為開關(guān)柜正常狀態(tài)的灰度圖，圖3c為兩圖的差值圖，圖3d為差值圖的二值圖?？梢姸祱D中主體目標較為清晰，但還存在較多的噪點，需要進一步去除。

3.2 混合去噪

3.2.1 邊界去噪

由于拍攝習慣，缺陷一般位于圖像較為中心的位置，所以可以認為邊界的區(qū)域為噪點，首先去除邊界的噪點，如圖4所示。

圖4 去除邊界噪聲Fig.4 Cut off edge noise

圖4a為開關(guān)柜正常狀態(tài)與異常狀態(tài)的差值圖經(jīng)過二值化操作，得到的二值圖；圖4b為二值圖去除邊界噪聲后的圖片。由圖4b可見邊界去噪有效地去除了二值圖邊界噪聲，但是圖內(nèi)部還存在細小的噪聲需要進一步去除。

3.2.2 形態(tài)學去噪

去除邊界的噪聲后，差分圖的內(nèi)部、在缺陷周圍仍有一些細小的噪點，會對缺陷的定位產(chǎn)生干擾。通過形態(tài)學腐蝕可以去除這些細小的噪點，但同時缺陷區(qū)域也會被腐蝕變小，使得定位區(qū)域會小于缺陷區(qū)域。通過形態(tài)學膨脹，可以在去除內(nèi)部細小噪點后，還原缺陷區(qū)域。其效果如圖5所示。

中國共產(chǎn)黨領(lǐng)導人民在長期的歷史實踐中衍生出了井崗山精神、蘇區(qū)精神、長征精神、延安精神、西柏坡精神等新型道德規(guī)范，黨不僅倡導人民樹立正確的價值觀，而且認真踐行正確的價值觀。隨著社會主義市場經(jīng)濟的深入發(fā)展，社會意識也出現(xiàn)了多樣化的趨勢，人民在道德判斷和實踐行為方面出現(xiàn)了許多矛盾，甚至出現(xiàn)道德失范的情況，比如“路人跌倒扶不扶”的問題，引發(fā)了人們對價值觀實踐的困境的思考。因此，要以社會主義道德規(guī)范為基礎(chǔ)，把公民道德建設推向縱深發(fā)展的軌道，激勵人們愛國守法、明理誠信、尊老愛幼、互幫互助。

圖5 形態(tài)學方法去除內(nèi)部細小噪聲Fig.5 Cut off inside noise by morphological operations

圖5a為二值圖去除邊界噪聲后的圖，圖中仍存在大量的細小噪聲；圖5b為對圖5a進行形態(tài)學腐蝕操作后的腐蝕圖，可見圖中的細小噪聲已經(jīng)被消除，但是目標也被腐蝕，導致檢測目標范圍變小；圖5c為圖5b經(jīng)過形態(tài)學膨脹后的膨脹圖，由圖可見有效地還原了目標范圍，為目標的定位做好了準備。

3.3 缺陷定位

對差分圖進行混合去噪后，差分圖中只剩缺陷部分，框選差分圖剩余的部分，即可完成缺陷定位的任務。其效果如圖6所示。

圖6 缺陷定位Fig.6 Location of defects

圖6a為開關(guān)柜異常狀態(tài)圖；圖6b為開關(guān)柜異常狀態(tài)與正常狀態(tài)的差值圖的二值圖，然后去除邊界噪聲之后的效果；圖6c為圖6b經(jīng)過形態(tài)學腐蝕膨脹之后的效果；圖6d為缺陷位置在原圖的定位，由圖可見目標款較為完整的包括了缺陷的位置。

4 實驗結(jié)果

實驗樣本庫中包含10類場景，各類場景包含1張樣本圖片，共10張樣本圖片。測試庫中包含與樣本庫10類場景對應的30張測試圖片，每種場景下各有3張測試圖片。為了增加測試樣本數(shù)量，以增強實驗結(jié)果的可靠性，將30張測試圖片分別以36°每次的速度旋轉(zhuǎn)10次，增加到300張測試樣本。

此類預測問題只判斷測試庫中的圖片是否異常，是典型的二分類問題。二分類問題的評價標準，一般包含正確率、精確率、召回率、虛警率及漏警率，其定義分別如下。

1）正確率（accuracy）表示所有測試圖片中，被正確分類的比例：

式中：NTP為測試圖片異常且預測結(jié)果也為異常的測試圖片數(shù)量；NTN為測試圖片異常但預測結(jié)果正常的測試圖片數(shù)量；NFP為測試圖片正常但預測結(jié)果異常的測試圖片數(shù)量；NFN為測試圖片正常且預測結(jié)果正常的測試圖片數(shù)量。

2）精確率（precision）表示所有預測為異常的樣本圖片中，預測正確的比例：

3）召回率（recall）表示所有預測正確的測試圖片中，異常樣本圖片的比例：

4）虛警率（false alarm）表示所有預測錯誤的測試圖片中，正常圖片被預測為異常圖片的比例：

5）漏警率（missing alarm）表示所有預測正確的測試圖片中，正常樣本的比例：

實驗分別測試了SIFT，SURF，ORB三種特征點提取方式，結(jié)合BFMacher特征點匹配及RANSAC特征點對篩選方法，完成圖像配準及缺陷檢測的實際效果。測試結(jié)果如表1所示。

表1 SIFT，SURF，ORB不同特征測試結(jié)果Tab.1 Results of SIFT，SURF，ORB feature extractor

實驗結(jié)果表明，SIFT，SURF，ORB特征點提取算法在此實驗中正確率、精確率、召回率、虛警率及漏警率基本無差別，考慮到實驗樣本較少及SIFT，SURF，ORB特征點算法提取的原理，SIFT及SURF的特征描述子非常復雜，占用了大量的計算時間，但是相對精確一些，而ORB的特征描述子較為簡單，計算速度較快，同時精度并未下降很多，更為適合實際應用。

5 結(jié)論

本文針對固定場景下電力設備的缺陷定位，提出了一種有效的缺陷定位方法，即利用直方圖均衡法弱化光照變化對結(jié)果的影響；利用ORB特征點提取算法、BFMatcher匹配器及RANSAC特征點對篩選法完成樣本圖與測試圖之間的配準，矯正旋轉(zhuǎn)畸變；利用混合去噪的方法，完成缺陷的定位。

經(jīng)過實驗證明，本文所提方法的正確率在80%以上，且所需的時間成本也小，對硬件的要求也不高，適合對實時性要求較高的任務，同時也可搭載于移動設備，如巡檢機器人、無人機上，對采集的圖片做初步判斷。