趙利鴻，高 強，于 曉，李大華

基于紅外圖像的絕緣子提取方法

趙利鴻，高 強，于 曉，李大華

（天津理工大學(xué) 電氣電子工程學(xué)院，天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點實驗室，天津 300384）

絕緣子是輸電線路上的重要設(shè)備，若發(fā)生故障會給電力設(shè)備帶來巨大損失，從拍攝的輸電線路紅外圖像中定位和提取絕緣子，基本上能反映多種絕緣子故障，在絕緣子的識別和故障診斷中更具實用性。本文提出了一種基于紅外圖像的絕緣子提取方法，依次使用Speeded Up Robust Features（SURF）算法提取測試紅外圖像的關(guān)鍵特征點、基于改進Fuzzy C-means（FCM）算法聚類劃分特征點、根據(jù)絕緣子的形狀特征值識別和定位絕緣子、基于改進的圖像開運算精確提取絕緣子。該方法充分發(fā)揮了紅外圖像的優(yōu)點，能夠準(zhǔn)確提取絕緣子，為基于紅外圖像的絕緣子故障診斷奠定了基礎(chǔ)。

絕緣子；紅外圖像；SURF特征點；FCM算法；圖像開運算；

0 引言

輸電線路檢測是保證電網(wǎng)安全可靠運行的重要工作，絕緣子檢測是其中的重要內(nèi)容之一[1]。由于受地形環(huán)境、人員素質(zhì)、氣象條件等因素的影響，傳統(tǒng)的長周期人工巡線效率低、精度不高[2]。近年來，直升機和無人機的智能檢測正逐步取得進展[3]，但檢測所獲得的數(shù)據(jù)需要人工處理，工作人員需要查看大量的視頻和圖像來查找故障，這一過程容易出現(xiàn)問題，且耗時長[4]。

近年來，圖像識別技術(shù)開始應(yīng)用于航空影像中的絕緣子識別，進而對絕緣子故障進行診斷，但由于可見光圖像易受天氣和輸電線路周圍環(huán)境的影響，實際結(jié)果不能滿足現(xiàn)場的要求[5]，近年來開始使用紅外圖像對絕緣子故障進行檢測。

為了提高紅外圖像目標(biāo)的提取精度，國內(nèi)外學(xué)者提出了多種方法，主要有閾值[6]、馬爾可夫隨機場（Markov Random Field）[7]、主動輪廓模型[8]、模糊c均值（FCM）聚類[9]和神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）[10]等。文獻[11]基于閾值的方法在灰度差較小的圖像中，由于沒有考慮空間信息，容易產(chǎn)生誤分類。文獻[12]基于MRF的方法具有嚴(yán)格的數(shù)學(xué)理論和較強的可擴展性，但是，它們可能會陷入局部最優(yōu)，因此需要一個合適的初值。文獻[13]基于主動輪廓模型的方法可以自動處理拓撲變化，具有捕獲局部變形的優(yōu)點，但對初始曲線敏感。文獻[10]基于神經(jīng)網(wǎng)絡(luò)的方法需要大量的紅外圖像進行訓(xùn)練，訓(xùn)練的準(zhǔn)確率與訓(xùn)練涉及的圖像數(shù)量有關(guān)。

本文提出了一種基于紅外圖像的絕緣子提取方法，該方法充分發(fā)揮了紅外圖像的優(yōu)點，能夠準(zhǔn)確提取絕緣子，為基于紅外圖像的絕緣子故障診斷奠定了基礎(chǔ)。首先，提取圖像的SURF特征點；其次，基于改進FCM算法聚類特征點；最后，找到所有相關(guān)的每個類的區(qū)域，計算最小外接矩形以及每個區(qū)域的形狀特征值以識別絕緣子，并通過矩形框?qū)⑵涠ㄎ唬蝗缓蠡诟倪M的圖像開運算精確提取絕緣子。該方法可作為絕緣子故障檢測基于圖像處理技術(shù)診斷的依據(jù)。

1 算法設(shè)計

為了在復(fù)雜背景下從航拍圖像中提取絕緣子，提出一種基于紅外圖像的絕緣子提取方法。圖1是該方法的流程圖。

圖1 絕緣子提取流程圖

1.1 SURF特征點檢測

利用SURF算法提取紅外圖像的SURF特征點。SURF算法定位“興趣點”，這些點是明確的，在局部和全局?jǐn)_動下保持穩(wěn)定，不隨圖像的縮放和旋轉(zhuǎn)改變，甚至對噪聲，遮擋，3D視角轉(zhuǎn)變，仿射變換和照明變化都具有魯棒性。在一定尺度空間水平上計算積分圖像和行列式響應(yīng)，對行列式響應(yīng)圖進行尺度歸一化和非極大值抑制，以便在尺度空間定位“興趣點”。然后將非極大值抑制結(jié)果與預(yù)先確定的閾值進行比較。最后，實現(xiàn)“興趣點”在尺度空間的定位。

1.2 改進的FCM算法

由于電氣設(shè)備的存在，紅外圖像具有邊緣模糊、電氣設(shè)備強度突出、噪聲污染嚴(yán)重的特點。電氣設(shè)備紅外圖像的特點增加了電氣設(shè)備故障診斷的難度，F(xiàn)CM算法是解決這一問題的合適方法。然而，F(xiàn)CM算法存在非自適應(yīng)、復(fù)雜度高、忽略背景干擾等缺點。為了彌補這些不足，提高設(shè)備故障檢測的準(zhǔn)確性，本文提出了一種改進的FCM算法。

1.2.1 初始化聚類參數(shù)

原始紅外圖像對初始聚類中心的敏感性和低對比度都會影響聚類結(jié)果。本文提出一種顯著性檢測算法來獲取顯著性圖像，該算法可以確定聚類中心。將像素之間的差異度定義為：

(p,p)＝gray(p,p)×exp(－×position(p,p)) (1)

式中：gray(p,p)是指像素p和p在灰度空間的歐式距離；position(p,p)是指像素p和p在位置空間的歐式距離。將gray(p,p)和position(p,p)標(biāo)準(zhǔn)化到[0,1]。是空間距離的權(quán)重因子。當(dāng)像素p高度不同于其他所有像素點，就認為像素點p是顯著點。實際上，只需要考慮與中心像素點p最相似的像素。因此，我們在圖像中以像素p為中心尋找個最相似的像素{q}＝1。像素點p的顯著值定義為：

式中：(p)是空間優(yōu)先加權(quán)項，定義為：

(p)＝exp(－9d2) (3)

式中：d是像素p到圖像中心的距離。像素坐標(biāo)標(biāo)準(zhǔn)化到[0,1]。根據(jù)以上步驟，得到顯著性圖像。

根據(jù)顯著性圖像將原始圖像劃分為多個區(qū)域，每個區(qū)域可以得到一個直方圖。在每個直方圖中，根據(jù)最大密度準(zhǔn)則確定一個聚類中心，計算方法如下：

式中：是聚類的數(shù)量。是窗口的大小，窗口在直方圖上從左向右滑動，滑動步長為，start是第個子直方圖的起始灰度，I是第個直方圖中灰度值為的像素個數(shù)。當(dāng)K為最大值時，第個聚類中心可以確定為：

1.2.2 具有局部空間約束的FCM算法

模糊聚類算法基于一定準(zhǔn)則，通過最小化目標(biāo)函數(shù)對未標(biāo)記數(shù)據(jù)進行分類。聚類標(biāo)準(zhǔn)函數(shù)定義為：

式中：是聚類的數(shù)量；是加權(quán)指數(shù)，可以控制聚類結(jié)果的模糊度；(＝×)是圖像的總像素；u∈[0,1]是屬于第個聚類的第個像素的模糊隸屬度。所有像素的隸屬度可以構(gòu)成一個矩陣＝[u]，矩陣的大小是×。d＝||x－v||是指第個像素到第個聚類中心的歐氏距離。是聚類中心的集合。

在目標(biāo)函數(shù)中引入提高局部鄰域像素相似度度量水平的智能控制因子G，并將其定義為：

D＝||x－v||2(8)

式中：x是位于窗口(N)的鄰域像素；D是第個像素和第個聚類中心之間的距離。v是第個聚類的聚類中心。d表示第個像素和第個像素之間的歐氏距離。

本文中，采用灰度表示像素來壓縮數(shù)據(jù)空間。在預(yù)處理階段，計算每個像素所屬的灰度。在每次迭代中只需要計算一次灰度，從而降低了模糊聚類方法的計算復(fù)雜度。

為了以較少的迭代次數(shù)實現(xiàn)算法的收斂，D重新定義為：

D￠＝||x2－v2||(9)

提出一種新的局部空間約束，定義為：

像素的模糊隸屬度發(fā)生顯著變化，加快了算法的收斂性。將灰度和局部空間約束G￠引入到目標(biāo)函數(shù)中，將改進的FCM定義為：

式中：是圖像中灰度的總數(shù)；()是紅外圖像的直方圖；＝0,1,…,－1表示圖像灰度級；N代表以灰度為的像素為中心的8鄰域窗口；是N中的一個像素點。這種改進可以有效降低計算復(fù)雜程度。

1.3 識別和定位絕緣子

絕緣子的形狀特征值有細長度、圓形度、占空比和u不變矩。從拍攝的絕緣子紅外圖像中，隨機選取40張，本文計算細長度和占空比兩個特征值。

1）細長度lwratio

細長度是指該區(qū)域的最小外接矩形的縱橫比。細長度的計算公式如下：

式中：length和width分別為最小外接矩形的長和寬。

圖2為選取的絕緣子紅外圖像中，絕緣子和背景區(qū)域的最小外接矩形的細長比。由圖可知，絕緣子的細長比在[2.1386, 7.9532]之間，而背景區(qū)域細長度則普遍較小。

圖2 各區(qū)域的細長度

2）占空比dutyfactor

占空比是指目標(biāo)區(qū)域占外接矩形的比例。占空比的計算公式如下：

式中：area表示目標(biāo)區(qū)域的面積；boundingbox表示區(qū)域外接矩形的面積。

圖3顯示了選取的絕緣子紅外圖像中，絕緣子和背景區(qū)域的占空比。圖中絕緣子的占空比在[0.5261, 0.7936]之間，背景區(qū)域具有寬范圍的占空比變化，很強的隨機性，并且大多數(shù)都低于絕緣子。

圖3 各區(qū)域的占空比

由以上分析可知，一般情況下絕緣子的細長比和占空比大于塔架，本文利用這兩個指標(biāo)來找出絕緣子。利用改進的FCM算法聚類特征點，聚類的連通區(qū)域視為可疑目標(biāo)。如果一個聚類的形狀特征值滿足條件，則可以將其定義為絕緣子。因此，所有區(qū)域都可以獲得并計算最小外接矩形和每個區(qū)域的形狀特征值來識別絕緣子。用長方形標(biāo)記絕緣子，所有的絕緣子可以被識別和定位出來。

1.4 絕緣子的精確提取

絕緣子故障檢測需要從圖像中提取出純粹的絕緣子串圖像。在確定絕緣子區(qū)域后，從中提取最大連通域。使用絕緣子區(qū)域定位后，即使圖像主要部分仍然是塔架和電線，也可以精確地分離絕緣子區(qū)域。盡管定位效果好，但通過傳統(tǒng)方法獲得的圖像中仍有不屬于絕緣子部分如電線和一些小的結(jié)構(gòu)，這會干擾分割結(jié)果，從而降低了結(jié)果的質(zhì)量和效果。

圖像的開運算可以達到斷開細小連接并去除圖像邊緣上的毛刺的效果。圖像開運算是圖像形態(tài)處理的基本操作，是先腐蝕目標(biāo)圖像然后進行膨脹的過程。

本文提出一種改進的圖像開運算方法。

1）選用較小的結(jié)構(gòu)元素來腐蝕圖像，以減少圖像本身的變化，還可以消除干擾。

2）提取最大連通域。

3）膨脹連通域，避免由于結(jié)構(gòu)太小導(dǎo)致的本應(yīng)分離的結(jié)構(gòu)發(fā)生重新連接。

即在圖像的開運算過程中，在腐蝕和膨脹之間，加入提取最大連通域。

2 實驗結(jié)果與分析

2.1 實驗結(jié)果

為了驗證該方法的有效性，做了大量實驗。但考慮到空間的限制，僅詳細列舉了其中一張絕緣子紅外圖像的提取過程如圖4。

本文選取4組不同場景下拍攝的絕緣子紅外圖像，從中提取絕緣子區(qū)域。在聚類特征點時，分別采用傳統(tǒng)FCM算法、K-means算法、均值漂移聚類算法、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）算法提取絕緣子最終結(jié)果和本文算法進行對比實驗，實驗結(jié)果如圖5所示。

圖4 絕緣子圖片

圖5 實驗結(jié)果對比圖

由實驗結(jié)果對比可以定性地分析出，在絕緣子紅外圖像中，本文算法可以準(zhǔn)確獲得絕緣子的完整形態(tài)，提取出純粹絕緣子串。傳統(tǒng)FCM算法、K-means算法、均值漂移聚類算法、DBSCAN算法在聚類特征點時，效果不好，導(dǎo)致絕緣子定位失敗，最終提取效果不好。雖也提取到完整的絕緣子區(qū)域，但也提取出大量背景區(qū)域，提取純粹絕緣子失敗。

2.2 實驗分析

本文選擇真陽率（TPR），假陽率（FPR）和準(zhǔn)確率（ACC）作為各類算法結(jié)果對比的指標(biāo)，公式如下：

TPR＝t/(14)

FPR＝f/(15)

式中：t表示實驗提取絕緣子結(jié)果與標(biāo)準(zhǔn)參考圖像目標(biāo)點一致的像素點數(shù)；表示參考絕緣子的目標(biāo)區(qū)域；f表示實驗提取結(jié)果中應(yīng)是背景部分但被誤分為絕緣子的像素點數(shù)；t表示實驗提取結(jié)果與參考圖像背景點一致的像素點數(shù)；表示參考圖像的背景區(qū)域。

實驗中所用各類算法對4幅原圖的檢測結(jié)果指標(biāo)數(shù)值如表1所示。

由表1可以看出，本文算法在達到真陽率較高的同時，也保證了假陽率較低，可以準(zhǔn)確地完成絕緣子目標(biāo)區(qū)域的提取，而其他算法達到了真陽率高的同時，沒有保證較低的假陽率，表示提取到的絕緣子區(qū)域面積過大，除了絕緣子串，還包含較多背景區(qū)域。

由以上分析可知，本文算法所提取到的絕緣子更為準(zhǔn)確，幾乎沒有背景區(qū)域的干擾，與真實絕緣子區(qū)域的重合度較高。

表1 不同算法定量分析對比

3 結(jié)論

本文介紹了一種基于紅外圖像的絕緣子提取方法。首先，使用SURF提取測試紅外圖像的關(guān)鍵特征點，然后根據(jù)基于改進FCM聚類算法將特征點劃分為個互斥類。找到每個類別的連接區(qū)域，并計算最小外接矩形和每個區(qū)域的形狀特征值以識別絕緣子，并通過矩形框定位絕緣子。最后，利用在圖像的開運算過程中穿插最大連通域提取的融合方法，精確提取絕緣子。在測試的絕緣子紅外圖像中，本文通過實驗結(jié)果定量分析驗證了這種方法的有效性。

[1] 王淼, 杜偉, 孫鴻博, 等. 基于紅外圖像識別的輸電線路故障診斷方法[J]. 紅外技術(shù), 2017, 39(4): 383-386.

WANG Miao，DU Wei，SUN Hongbo, et al. Transmission Line Fault Diagnosis Method Based on Infrared Image Recognition[J]., 2017, 39(4): 383-386.

[2] 劉正庭, 尹駿剛, 李凱迪, 等. 基于分水嶺算法的絕緣子串紅外圖像分割方法[J]. 電瓷避雷器, 2020(2): 216-221, 228.

LIU Zhengting, YIN Jungang, LI Kaidi, et al. Infrared Image Segmentation of Insulator Strings Based on Watershed Algorithm[J]., 2020(2): 216-221, 228.

[3] 付強, 姚建剛, 李唐兵, 等. 基于紅外圖像的絕緣子串鋼帽和盤面區(qū)域自動提取方法[J]. 紅外技術(shù), 2016, 38(11): 969-974, 979.

FU Qiang，YAO Jiangang，LI Tangbing, et al. The Automatic Extraction Method of the Insulator String's Steel Capsand Disks Area Based on Infrared Image[J]., 2016, 38(11): 969-974, 979.

[4] 張曉春, 歐陽廣澤, 何洪英, 等. 基于紅外圖像匹配的零值絕緣子檢測[J]. 電測與儀表, 2019, 56(6): 100-105.

ZHANG Xiaochun, OUYANG Guangze, HE Hongying, et al. Zero-insulator detection based on infrared images matching[J]., 2019, 56(6): 100-105.

[5] 張也, 彭子健, 付強, 等. 環(huán)境濕度對瓷質(zhì)絕緣子串電壓分布及紅外熱像檢測的影響分析[J]. 電網(wǎng)技術(shù), 2018, 42(4): 1342-1349.

ZHANG Ye, PENG Zijiang, FU Qiang, et al. Analysis of Environment Humidity Influence on Voltage Distribution and Infrared ThermalImage Detection of Porcelain Insulator Strings[J]., 2018, 42(4): 1342-1349.

[6] Oliveira J P S de, Conci A, Pérez M G, et al. Segmentation of infrared images: A new technology for early detection of breast diseases[C]//, 2015: 1765-1771.

[7] ZHAO Q, Xiao-li L, YU L, et al. A fuzzy clustering image segmentation algorithm based on Hidden Markov Random Field models and Voronoi Tessellation[J]., 2017, 85(1): 49-55.

[8] ZHANG R, ZHU S, ZHOU Q. A novel gradient vector flow snake model based on convex function for infrared image segmentation[J]., 2016, 16(10): 1756.

[9] BAI X,WANG Y, GUO S. Symmetry Information Based Fuzzy Clustering for Infrared Pedestrian Segmentation[J]., 2018, 26(4): 1946-1959.

[10] ZHANG H, HONG X. Infrared image segmentation for photovoltaic panels based on Res-UNet[C]//, 2019: 611-622.

[11] HE L, HUANG S. Modified firefly algorithm based multi-level thresholding for color image segmentation[J]., 2017, 240(5): 152-174.

[12] YANG X, GAO X, TAO D, et al. An efficient MRF embedded level set method for image segmentation[C]//, 2015, 24(1): 9-21.

[13] NIU S, CHEN Q, JI Z, et al. Robust noise region-based active contour model via local similarity factor for image segmentation[J]., 2017, 61(7): 104-119.

Insulator Extraction Method Based on Infrared Image

ZHAO Lihong，GAO Qiang，YU Xiao，LI Dahua

(School of Electrical & Electronic Engineering, and Tianjin Key Laboratory for Control Theory & Applications in Complicated Systems, Tianjin University of Technology, Tianjin 300384, China)

Insulators are important equipment on the transmission line. if fault occurs, it will bring huge loss to power equipments. Locating and extracting insulator from infrared image of transmission line can basically reflect a variety of insulator faults, which is more practical in insulator identification and fault diagnosis.This paper proposes an insulator recognition method based on infrared images, which sequentially use the Speeded Up Robust Features (SURF) algorithm to extract the key feature points of the test infrared images, cluster the feature points based on the improved Fuzzy C-means (FCM) algorithm, identify and locate the insulators according to the shape feature values of the insulators and precise extraction of insulators based on improved image opening operation. This method makes full use of the advantages of infrared images and can accurately extract insulators, which lays a foundation for insulator fault diagnosis based on infrared images.

insulator, infrared image, SURF feature points, FCM algorithm, image opening operation

TN219

A

1001-8891(2020)09-0840-06

2020-06-16；

2020-09-07.

趙利鴻（1995-），女，碩士研究生，主要研究領(lǐng)域為圖像處理。E-mail: 1532124982@qq.com。

天津市自然科學(xué)基金資助項目（18JCQNJC01000）；國家自然科學(xué)基金資助項目（61502340）；天津市教委科研計劃項目（2018KJ133）。