，， ， ， ，

(1.國(guó)網(wǎng)安徽省電力公司 檢修公司，合肥 230022；2.安徽南瑞繼遠(yuǎn)電網(wǎng)技術(shù)有限公司，合肥 230088；3.國(guó)網(wǎng)安徽省電力公司，合肥 230061；4.安徽大學(xué) 電子信息工程學(xué)院，合肥 230601)

0 引言

在電力系統(tǒng)中，絕緣子是一種十分重要的絕緣控件，在保障輸電線(xiàn)路的安全運(yùn)行方面起著非常重要的作用。但是絕緣子長(zhǎng)期暴露于自然環(huán)境中，受到雨水、大氣等腐蝕，導(dǎo)致絕緣子出現(xiàn)劣化現(xiàn)象，并導(dǎo)致“掉串”故障，會(huì)使電網(wǎng)解裂，并致使大面積停電，對(duì)電力系統(tǒng)的安全穩(wěn)定造成極大危害[1]。依賴(lài)于人工對(duì)輸電線(xiàn)路進(jìn)行巡檢和維護(hù)的方式不僅效率低、成本高，而且存在著很大的安全性問(wèn)題。隨著智能技術(shù)的發(fā)展，利用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)對(duì)絕緣子狀態(tài)的進(jìn)行檢測(cè)，自動(dòng)識(shí)別絕緣子缺陷，在保障電力系統(tǒng)的安全運(yùn)行方面具有非常重要的作用。

近期，研究者們提出了許多識(shí)別檢測(cè)絕緣子的算法。文獻(xiàn)[1]提出一種基于視覺(jué)的絕緣子“掉串”缺陷識(shí)別算法,該算法結(jié)合了Lab彩色空間、最大類(lèi)間方差法以及面積形態(tài)學(xué)，先對(duì)絕緣子圖像進(jìn)行粗分割，然后根據(jù)分割所獲取的絕緣子圖像，建立相應(yīng)的數(shù)學(xué)模型，通過(guò)數(shù)學(xué)公式計(jì)算絕緣子的中心位置坐標(biāo)和區(qū)域坐標(biāo)等方法判斷絕緣子是否存在掉串現(xiàn)象。文獻(xiàn)[2]通過(guò)提取航拍圖像中絕緣子的不變矩、顏色、形狀和小波系數(shù)等多種特征對(duì)絕緣子進(jìn)行特征描述，并對(duì)多特征進(jìn)行特征融合，并通過(guò)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行絕緣子狀態(tài)識(shí)別，對(duì)常見(jiàn)的故障進(jìn)行診斷。文獻(xiàn)[3]利用脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)對(duì)航拍圖像中的進(jìn)行了分割，對(duì)分割后的圖像進(jìn)行廣義Hough變換，最后返回原圖，在原圖上識(shí)別絕緣子。文獻(xiàn)[4]通過(guò)對(duì)傘裙比、平滑度和連通比這3個(gè)特征進(jìn)行提取，采用自適應(yīng)的速率和附加動(dòng)量相結(jié)合的BP算法來(lái)建構(gòu)建神經(jīng)網(wǎng)絡(luò)，識(shí)別了絕緣子的污穢、裂紋和掉串3種缺陷。文獻(xiàn)[5]通過(guò)霍夫變換檢測(cè)圖像中的直線(xiàn)方法來(lái)粗略定位絕緣子的位置，然后通過(guò)SVM分類(lèi)器對(duì)粗略定位的結(jié)果進(jìn)行分類(lèi)最終實(shí)現(xiàn)絕緣子的定位，通過(guò)提取掉串絕緣子和相應(yīng)裂紋的特征向量構(gòu)建超完備字典，識(shí)別故障絕緣子，但該方法對(duì)圖像質(zhì)量要求較高。

由于絕緣子圖像數(shù)據(jù)獲取易受到傳感器、拍攝環(huán)境、拍攝角度等多種因素的影響，所獲得的圖像存在尺度旋轉(zhuǎn)、縮放、光照變化等復(fù)雜情形，同時(shí)現(xiàn)場(chǎng)的絕緣子圖像都是在自然環(huán)境下拍攝的，大都存在著復(fù)雜的背景，在這種條件下，上述方法存在著定位、提取不夠準(zhǔn)確等問(wèn)題。因此，本文利用GLOH描述子結(jié)合K-Means聚類(lèi)分析算法作為聚類(lèi)方法進(jìn)行精確定位絕緣子，去除背景因素的干擾，然后利用統(tǒng)計(jì)形狀模型進(jìn)行絕緣子的準(zhǔn)確分割，最后對(duì)分割出的絕緣子的位置進(jìn)行分析，以達(dá)到檢測(cè)絕緣子是否存在脫落的目的。

1 圖像預(yù)處理

由于圖像獲取的復(fù)雜性，直接對(duì)圖像進(jìn)行特征提取，往往難以獲取比較理想的特征，在進(jìn)行圖像處理與分析之前，需要對(duì)包含絕緣子的圖像進(jìn)行必要的預(yù)處理以達(dá)到減少噪聲等因素的影響。首先對(duì)圖像進(jìn)行中值濾波，中值濾波的基本原理是將數(shù)字圖像中的像素點(diǎn)的值用該像素點(diǎn)的一個(gè)鄰域中各像素點(diǎn)值的中值代替，讓其像素值更接近真實(shí)值，從而消除孤立的噪聲點(diǎn)，并且也可以有效地去除邊緣模糊等不利因素，并且同時(shí)可以較好地保留絕緣子的邊緣信息；其次利用利用直方圖均衡化來(lái)增強(qiáng)圖像的對(duì)比度，以方便絕緣子的定位。

2 絕緣子定位

絕緣子的定位是絕緣子狀態(tài)檢測(cè)的重要步驟，精確定位絕緣子與否可以直接影響到絕緣子狀態(tài)檢測(cè)的成敗。考慮到拍攝圖像時(shí)易受到光照、角度等因素的影響，這些因素都會(huì)影響對(duì)絕緣子的檢測(cè)效果，因此在檢測(cè)定位階段，需要具有一定的尺度、亮度、旋轉(zhuǎn)、遮擋不變的魯棒性較高的局部特征幫助定位絕緣子，本文采用了梯度定位方向直方圖[6](gradient location-orientation histogram,GLOH)描述子來(lái)進(jìn)行特征描述。

在描述子構(gòu)造之前，需要進(jìn)行局部特征檢測(cè)，研究者們提出了很多局部特征檢測(cè)的方法，例如：Harris角點(diǎn)檢測(cè)[7]、Harris-afine區(qū)域檢測(cè)[8]、DoG (difference of gaussian) 特征檢測(cè)[9]、Hessian-affine區(qū)域檢測(cè)算法[10]等。由于Hessian-Affine區(qū)域檢測(cè)算法所檢測(cè)的仿射協(xié)變區(qū)域的形狀能夠自適應(yīng)于圖像幾何形變、視角變化和亮度變化等，并且其所運(yùn)用多尺度迭代算法獲得仿射不變特征，能有效解決圖像遮擋或局部畸變的問(wèn)題，因此本文采用Hessian-Affine區(qū)域檢測(cè)算法來(lái)獲取特征和特征區(qū)域。

在檢測(cè)局部特征點(diǎn)后，需要對(duì)特征點(diǎn)進(jìn)行描述。GLOH是一種由 SIFT 描述子擴(kuò)展而來(lái)的，旨在增強(qiáng)其魯棒性和獨(dú)特性圖像描述算子，并在剛性物體識(shí)別領(lǐng)域獲得了很大的成功。 GLOH算子所提取的圖像特征，對(duì)尺度旋轉(zhuǎn)、縮放、光照變化能夠保持不變性， 具有較強(qiáng)的抗噪能力[11]。

在訓(xùn)練階段，提取大量特征作為訓(xùn)練集，為了減少冗余的特征，首先利用聚類(lèi)分析方法來(lái)選擇代表性的特征即視覺(jué)字典，本文使用K-Means作為聚類(lèi)方法，K-Means聚類(lèi)[12]的是一種無(wú)監(jiān)督學(xué)習(xí)方法，應(yīng)用非常廣的，是一個(gè)迭代的算法，其學(xué)習(xí)策略是最小化所有樣本到對(duì)應(yīng)聚類(lèi)中心的聚類(lèi)的平方和，從而使生成的相同類(lèi)簇的樣本盡可能緊湊，不同類(lèi)別之間的樣本盡可能分開(kāi)。它是一種簡(jiǎn)單、快速的空間聚類(lèi)方法，也是較為實(shí)用的聚類(lèi)算法。K-Means算法描述如下[13]：

2)其次計(jì)算每個(gè)樣本點(diǎn)分別到K個(gè)中心點(diǎn)的距離，

(1)

并把每個(gè)樣本標(biāo)記為離它最近的中心點(diǎn)那一類(lèi)；

3)根據(jù)當(dāng)前樣本的類(lèi)別更新中心點(diǎn)

4)如果中心點(diǎn)沒(méi)更新則結(jié)束否則轉(zhuǎn)到2)繼續(xù)迭代

最后電力線(xiàn)的視覺(jué)字典可以表示為：

L={(T1,μ1),(T2,μ2),…,(Tk,μk)}

(2)

其中:Tk表示第k個(gè)視覺(jué)單詞的直方圖向量，它是第k類(lèi)中所有特征向量的平均值。μi(i=1,…,k)為匹配閾值，通過(guò)訓(xùn)練樣本來(lái)獲得。

經(jīng)過(guò)特征匹配后，目標(biāo)的位置是顯而易見(jiàn)的，根據(jù)獲得的局部特征點(diǎn)定義投票矩陣[14]：

(3)

其中:σ表示支持區(qū)域的尺度。使用閾值對(duì)投票矩陣進(jìn)行處理，便可以獲得絕緣子的區(qū)域。

3 基于統(tǒng)計(jì)形狀模型絕緣子“掉串”檢測(cè)

3.1 統(tǒng)計(jì)形狀模型

統(tǒng)計(jì)形狀模型(statistical shape models，SSMs)[15]是一種在醫(yī)學(xué)圖像領(lǐng)域中應(yīng)用非常廣泛的圖像分割算法。文獻(xiàn)[16]提出一種基于SIMs(statistical interspace models)的人體脊柱分割算法，該算法以SSMs為基礎(chǔ)，主要區(qū)別是SIMs解決了椎骨重合遮擋問(wèn)題。受此啟發(fā)，考慮到絕緣子串的形狀特征以及單個(gè)絕緣子之間的相似性，本文選用SSMs來(lái)分割絕緣子。該模型通過(guò)表面上的一系列標(biāo)記點(diǎn)來(lái)描述形狀，一般采用網(wǎng)格化的方法來(lái)選取標(biāo)記點(diǎn)，假設(shè)一個(gè)形狀可以用k個(gè)n維的標(biāo)記點(diǎn)來(lái)表示，則可以用一個(gè)kn維的向量來(lái)表示該形狀。例如：若k個(gè)二維標(biāo)記點(diǎn)坐標(biāo)為(xi,yi),i=1,2,…,k，則可以用(x1,y1,…,xk,yk)通過(guò)點(diǎn)分布模型[17](point distribution model, PDM)來(lái)描述該形狀。

3)通過(guò)旋轉(zhuǎn)、縮放和平移等全局變換使得訓(xùn)練集中所有樣本均與當(dāng)前平均形狀對(duì)齊；

4)重新計(jì)算對(duì)齊的所有樣本的平均樣本；

5)計(jì)算當(dāng)前訓(xùn)練平均樣本形狀和上次的差異，如果沒(méi)有達(dá)到一定的誤差ε，則轉(zhuǎn)至3)，若收斂至ε則停止；

為樣本總數(shù)。

(4)

然后對(duì)對(duì)齊后的形狀進(jìn)行主成分分析(principal component analysis，PCA)，經(jīng)過(guò)統(tǒng)計(jì)分析后，得到一個(gè)統(tǒng)計(jì)模型來(lái)描述形狀。最后，使用模型指導(dǎo)分割的過(guò)程中，通過(guò)調(diào)整模型特征參數(shù)，迭代模型使之不斷與目標(biāo)匹配而達(dá)到分割目標(biāo)的目的，詳見(jiàn)文獻(xiàn)[15]。

3.2 絕緣子“掉串”檢測(cè)

對(duì)于一副輸入圖像，首先利用第1節(jié)中圖像預(yù)處理方法對(duì)其進(jìn)行預(yù)處理，然后通過(guò)第2節(jié)中絕緣子定位方法進(jìn)行定位，再通過(guò)3.1節(jié)的統(tǒng)計(jì)形狀模型對(duì)絕緣子串進(jìn)行分割，以獲得單個(gè)絕緣子的完整圖像。

在獲取單個(gè)絕緣子的完整圖像之后，統(tǒng)計(jì)絕緣個(gè)的個(gè)數(shù)，假設(shè)有m個(gè)絕緣子，記為I1,I2,…,Im，并計(jì)算相鄰絕緣子之間的距離di=|Ii+1-Ii|,(i=1,2,…,m-1)，di表示第i+1個(gè)絕緣子到第i個(gè)絕緣子中心之間的距離。將di進(jìn)行分類(lèi)統(tǒng)計(jì)，假設(shè)分為p類(lèi)，考慮到計(jì)算的誤差，按照下述方法進(jìn)行分類(lèi)，即取較小的數(shù)ε′，若|di-dj|<ε′,(i,j=1,2…,m-1)，則認(rèn)為di與dj為同一類(lèi)Dk,(1≤k≤p)，將：

(5)

本文算法的流程圖如圖1。

圖1 本文算法流程圖

4 實(shí)驗(yàn)結(jié)果與分析

本文使用大量含有絕緣子的圖像作為訓(xùn)練樣本，實(shí)驗(yàn)是在windows 7環(huán)境下，編譯軟件為Visual Studio 2010和matlab 2012(b)_，電腦配置為Intel core i7-4790 CPU@3.6 GHz，8核。

圖2是本文算法對(duì)絕緣子脫落的檢測(cè)結(jié)果。圖2(a)是原始圖像，從圖中可以看出，圖像中含有兩個(gè)絕緣子串，并且還有導(dǎo)線(xiàn)、植被等復(fù)雜背景。圖2(b)是利用GLOH描述子定位出的含有絕緣子的區(qū)域，可以看出雖然定位出的區(qū)域內(nèi)含有少量背景，但基本上包含了所有絕緣子，為后續(xù)的絕緣子分割奠定了較好的基礎(chǔ)。圖2(c)是利用統(tǒng)計(jì)形狀模型分割出的單個(gè)絕緣子，從圖中可以發(fā)現(xiàn)，絕緣子串中的單個(gè)絕緣子均得到了準(zhǔn)確的提取，用紅色框標(biāo)出。從圖2(c)中容易發(fā)現(xiàn)若相鄰兩個(gè)絕緣子之間若存在脫落現(xiàn)象，則這兩個(gè)絕緣子之間的距離會(huì)成倍的增加，根據(jù)3.2節(jié)中的判斷方法，兩個(gè)絕緣子串中絕含有23個(gè)絕緣子，經(jīng)過(guò)對(duì)分割出的絕緣子的位置進(jìn)行分析、計(jì)算，最終檢測(cè)出脫落1個(gè)絕緣子，如圖2(d)所示，脫落位置用藍(lán)色框標(biāo)出。圖3是其他兩組實(shí)驗(yàn)檢測(cè)結(jié)果，圖3(a)所示絕緣子串中脫落2個(gè)絕緣子，圖3(b)所示絕緣子串中脫落3個(gè)絕緣子，脫落情況均得到了正確的檢測(cè)。

從上述實(shí)驗(yàn)可以看出，如果直接從圖像中去檢測(cè)絕緣子，圖像中的復(fù)雜背景會(huì)干擾檢測(cè)，而絕緣子定位可以有效去除絕大部分的干擾背景，絕緣子串中的絕緣子大部分情況下都是同類(lèi)型的絕緣子，這是利用統(tǒng)計(jì)形狀模型分割絕緣子的先決條件，從實(shí)驗(yàn)中可以看出，統(tǒng)計(jì)形狀模型能夠準(zhǔn)確地分割出絕緣子，同時(shí)絕緣子串中的絕緣子呈直線(xiàn)狀排列，這為計(jì)算絕緣子之間的距離提供了方便，在分割出絕緣子之后，依據(jù)絕緣子的位置計(jì)算絕緣子中心之間的距離，通過(guò)距離可以判斷出是否脫落情況，若存在脫落情況，也可以計(jì)算出脫落多少個(gè)絕緣子。

圖2 絕緣子脫落檢測(cè)過(guò)程

圖3 絕緣子脫落檢測(cè)結(jié)果

5 結(jié)論

絕緣子檢測(cè)是電力傳輸系統(tǒng)中非常重要的問(wèn)題，本文提出了一種基于統(tǒng)計(jì)形狀模型絕緣子“掉串”檢測(cè)算法，該算法首先對(duì)輸入圖像進(jìn)行預(yù)處理，提取感興趣的目標(biāo)區(qū)域；然后利用GLOH描述子來(lái)精確定位絕緣子，再利用統(tǒng)計(jì)形狀模型在圖像分割方面的優(yōu)勢(shì)來(lái)精確分割絕緣子；最后對(duì)分割出的絕緣子的位置進(jìn)行分析、計(jì)算，依據(jù)絕緣子中心之間的距離來(lái)檢測(cè)絕緣子是否存在脫落現(xiàn)象，該算法融合了GLOH描述子、K-means聚類(lèi)分析方法、形狀統(tǒng)計(jì)模型等技術(shù)，實(shí)驗(yàn)結(jié)果也證實(shí)了本文算法的有效性。

本文算法只是對(duì)絕緣子是否脫落進(jìn)行了檢測(cè)，但在電力系統(tǒng)中，絕緣子還常常存在著劣化現(xiàn)象，這關(guān)系著電力系統(tǒng)的安全，在可見(jiàn)光圖像中，劣化絕緣子可能與正常絕緣子的形狀之間并無(wú)大的差別，這為檢測(cè)帶來(lái)了很大的難度，這也是我們今后的研究?jī)?nèi)容和方向。

[1] 王銀立，閆 斌，基于視覺(jué)的絕緣子“掉串”缺陷的檢測(cè)與定位[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2014,5(2): 583-587.

[2] 仝衛(wèi)國(guó)，基于航拍圖像的輸電線(xiàn)路識(shí)別與狀態(tài)檢測(cè)方法研究[D].北京：華北電力大學(xué), 2011.

[3] 鄭濤，基于PCNN 的航拍絕緣子圖像的分割及定位研究[D]. 大連：大連海事大學(xué), 2011.

[4] 仝衛(wèi)國(guó), 于浩進(jìn),等. 基于神經(jīng)網(wǎng)絡(luò)的絕緣子故障診斷[J]. 計(jì)算機(jī)仿真, 2013, 30(9): 310-313.

[5]李 紅，基于稀疏表示的絕緣子狀態(tài)識(shí)別方法研究[D].北京：華北電力大學(xué), 2016.

[6]Kristina Mikolajczyk， Cordelia Schmid． A Performance Evaluation of Local Descriptors[J]．IEEE Trans． on Pattern Analysis and Machine Intelligence，2005，27(10) : 1615-1630．

[7] Harris C, Stephens M. A combined corner and edge detection[A]. Proc. 4th Alvey Vision Conf [C]. Manchester, UK, Aug. 1988,147-152.

[8]Mikolajczyk K, Schmid C. Scale and affine invariant interest point detectors[J]. Int. J. Comput. Vis., 2004, 60, (1): 63-86.

[9] Lowe D G. Distinctive image features from scale-invariant keypoints[J]. Int. J. Comput. Vis., 2004, 60, (2): 91-110.

[10] Mikolajczyk K, Tuytelaars T, Schmid C, et al. A comparison of affine region detectors[J]. Int. J. Comput. Vis., 2005, 65, (1/2): 43-72.

[11]郜曉晶，潘 新，王 亮，基于GLOH算子和局部特征融合的人臉識(shí)別[J]，計(jì)算機(jī)應(yīng)用與軟件，2013, 30(5):271-274.

[12] Macqueen J. Some methods for classification and analysis of multivariate observations[A]. Berkeley Symposium on Mathematical Statistics and Probability[C]. 1967:281-297.

[13]吳文峰，基于局部特征字典的圖像分類(lèi)算法研究[D].深圳大學(xué)，2012.

[14] Zhang J G, Marszalek M, and Schmid C. Local features and kernels for classification of texture and object categories: A comprehensive study[A]. in Proc. IEEE CVPRW[C]. 2006, 13-21.

[15] T. Cootes, C. Taylor, and J. Graham, Active shape models- their training and applications[J], Comput. Vis. Image Understand., 1995, 61(1): 38-59.

[16] Isaac Castro-Mateos, Jose M. Pozo, Marco Pereanez, etc. Statistical Interspace Models (SIMs): Application to Robust 3D Spine Segmentation[J],IEEE Transactions on Medical Imaging, 2015,34(8): 1663-1675.

[17] Cootes T F, Taylor C J. Active Shape Models-‘Smart Snakes’[C]. BMVC, London: Springer, 1992. 266-275.

[18] Goodall C., Procrustes methods in statistical analysis of shape[J], J. Roy. Stat. Soc. B. 1991, 53(2):285-339.

[19]劉景明，基于統(tǒng)計(jì)形狀模型的肝臟分割算法的研究與實(shí)現(xiàn)[D]，沈陽(yáng)：東北大學(xué)，2013.