華北電力大學 控制與計算機工程學院，河北保定 071003

一、引言

絕緣子是輸電線路中的重要元件，起到電氣絕緣及線路支撐的作用，同時也是故障頻發(fā)元件，自爆、破損、裂紋和異物等故障嚴重威脅著輸電線的安全可靠運行[1]。據(jù)統(tǒng)計，因絕緣子故障導致的跳閘事故占目前輸電線路事故的81.3%[2]。

因此，定期監(jiān)測絕緣子狀況，及時發(fā)現(xiàn)絕緣子故障至關(guān)重要。近幾年，因無人機巡線的高效、快捷、可靠、成本低、不受地域影響等優(yōu)點[1]，通過對無人機巡線采集的圖像數(shù)據(jù)進行分析處理，從而發(fā)現(xiàn)絕緣子故障已成為研究熱點。而實現(xiàn)絕緣子的精確定位是實現(xiàn)絕緣子故障自動診斷的重要前提。

輸電線路中使用的絕緣子種類繁多，根據(jù)絕緣子片結(jié)構(gòu)型式可分為盤形絕緣子、針式絕緣子、蝶形絕緣子和棒形絕緣子[3]。但是各類絕緣子串具有以下相同特點：絕緣子串的片狀結(jié)構(gòu)具有平行排列的規(guī)律特征。

因此，本文提出一種基于聚類分析與Adaboost算法的絕緣子串識別方法，通過聚類分析初步確定絕緣子串區(qū)域，通過Adaboost分類器對初識別結(jié)果進行進一步判定，實現(xiàn)絕緣子串的準確識別，識別準確率達到91.5%。

二、算法思路

本文所提絕緣子串識別方法的思路如圖1所示。首先對待測航拍巡檢圖像進行預處理后，采用LSD算法檢測直線段，通過聚類分析檢測平行線段，初步確定絕緣子串區(qū)域。由于航拍背景中有可能存在其他同樣具備平行特征的目標，通過建立正負樣本集，提取不變矩特征進行學習訓練，得到Adaboost級聯(lián)分類器，用此分類器對絕緣子串初始識別結(jié)果進行進一步判定，得到最終識別結(jié)果。

三、聚類分析

1、LSD線段檢測

LSD[4]是一種線段檢測子，相比于其它線段檢測算法，它具有運算時間短，不需要人工設(shè)置參數(shù)等優(yōu)點。該算法的核心思想是區(qū)域生長和誤差控制，具體處理過程如下所示：

（1）梯度特征計算

首先對圖像進行高斯下采樣來消除鋸齒效應(yīng)，并計算圖像中每一個像素點的梯度值和梯度方向。

（2）像素點偽排序

根據(jù)梯度值對所有的點進行偽排序，建立狀態(tài)列表，所有的點初始狀態(tài)均為UNUSED，將梯度值小于閾值ρ的點的狀態(tài)設(shè)為USED。

（3）區(qū)域生長

取出列表偽排序中數(shù)值最大的點作為種子點，以該點為起點搜索周圍狀態(tài)為UNUSED且梯度方向滿足閾值[-t,t]的點，修改滿足條件點的狀態(tài)為USED，生成包含所有滿足條件點的矩形。

（4）一致性判斷

判斷該矩形內(nèi)一致性點密度是否滿足閾值要求，將不滿足的矩形切斷為多個矩形，并重復本步驟，直至滿足閾值要求。點一致性判別公式為：

式中：region_ang(t) —第t個區(qū)域的方向角；

ang(i,j)—像素(i,j)的梯度方向角。

（5）線段判斷

用一個隨機分配平均分布于[0-2π]像素值且不包含直線段的噪聲圖像作為模板，計算NFA值，定義如下：

式中：N—當前圖像中直線（矩形框）的數(shù)量；

k(r,l)—模板圖片l中r矩形內(nèi)一致性點的個數(shù)；

k(r,i)—測試圖片i中r矩形內(nèi)一致性點的個數(shù)。

如果NFA值很大，則認為當前區(qū)域是背景中的一部分，相反，如果NFA值小于閾值，此時矩形框內(nèi)的區(qū)域則認定為線段，并輸出，線段檢測效果如圖2所示。

2、聚類分析

統(tǒng)計每一條直線段的長度、方向和中心點坐標，依據(jù)絕緣子串的特點，線段本身滿足平行性， 線段中心點保持在一條直線上，線段的長度、相鄰線段之間的距離保持在一定的范圍內(nèi)。根據(jù)這些特征，給出一種 ADKC（adaptive dynamic k-means clustering）聚類算法[5]對直線段進行聚類，檢測出滿足以上特征的平行線段。

ADKC不需要初始確定聚類質(zhì)心，只需要執(zhí)行一次循環(huán)遍歷即可獲得最終聚類結(jié)果，且每次聚類結(jié)果相同。具體操作過程如下：

假設(shè)直線段集合S={x1,x2,…,xn}，其中直線x1的方程為：y=m1x+b1。

（1）構(gòu)建樣本距離矩陣D

其中：di,j—樣本集中兩兩之間的距離

（2）計算距離矩陣中非對角原始的均值和方差

其中，1{·}—表示指示函數(shù)。

（3）計算閾值

其中，δ—正常數(shù)。

（4）平行段聚類

初始化樣本集的聚類數(shù)為1，樣本聚類中為μ1=x1，第1聚類結(jié)果為S1={x1}，計算待處理樣本xi到所有聚類中心的距離，并獲得該樣本屬于的聚類類別jmin，如果該樣本的最小距離小于閾值ξ，說明樣本屬于第jmin類，并記錄該直線段樣本的長度、方向、中心點位置，以此對所有直線段進行處理后，對K個聚類結(jié)果執(zhí)行權(quán)重歸一化操作，并計算直線段聚類結(jié)果。

通過聚類分析后，平行線段檢測結(jié)果如圖3所示。

四、不變矩特征與Adaboost算法

1、不變矩特征提取

矩是一種線性特征，矩特征對于圖像的旋轉(zhuǎn)、比例和平移具有不變性，因而被用來描述圖像中的區(qū)域特征[6]。

一幅數(shù)字圖像f(x,y)的二維(p+q)階矩定義為：

其中，p,q=0, 1, 2……。

相應(yīng)中心矩定義為：

歸一化（p+q）階中心矩定義為：

Hu[7]利用上述矩理論構(gòu)造了7個具有平移、比例和旋轉(zhuǎn)不變性的矩不變量，即Hu不變矩。

2、Adaboost分類器的構(gòu)建

Adaboost算法[8]起源于Schapire在1959年提出的Boosting算法，它是一種能夠提升任意給定學習算法精度的普適方法。其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。

其算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權(quán)值。將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。使用Adaboost分類器可以排除一些不必要的訓練數(shù)據(jù)特征，并放在關(guān)鍵的訓練數(shù)據(jù)上面。

AdaBoost算法的具體步驟如下：

1、給定訓練樣本集S：

其中，X和Y—分別對應(yīng)于正例樣本和負例樣本；

T—訓練的最大循環(huán)次數(shù)。

2、初始化樣本權(quán)重為1/n，即為訓練樣本的初始概率分布；

3、第一次迭代：

（1）訓練樣本的概率分布相似的情況下，訓練弱分類器；

（2）計算弱分類器的錯誤率；

（3）選取合適閾值，使得誤差最?。?/p>

（4）更新樣本權(quán)重；

經(jīng)T次循環(huán)后，得到T個弱分類器，按更新的權(quán)重疊加，最終得到的強分類器。

圖4是Adaboost算法訓練過程。

五、實驗

利用上述方法對絕緣子串進行識別，本文選取500張正樣本（絕緣子串）圖像和500張負樣本（背景）圖像，分別提取正負樣本的7個Hu不變矩后，采用Adaboost算法進行分類器訓練，得到一個級聯(lián)分類器，運用該分類器對聚類分析初始識別區(qū)域進行進一步識別，最終識別效果如圖5所示。該算法在VS2008，opencv2.4.3的環(huán)境下編程實現(xiàn)。

將本文算法與文獻[9]的方法進行比較，算法的平均時耗和檢測率見表1。

表1 算法的平均耗時與檢測率比較

六、結(jié)束語

在輸電線路識別中，準確識別絕緣子串位置是檢測絕緣子串故障的前提，本文針對絕緣子串的特點，提出了一種有效的絕緣子串識別方法，通過聚類分析檢測平行線段，通過Adaboost分類器進一步識別絕緣子串。實驗證明，本文提出的絕緣子串方法具有以下特點。

（1）魯棒性強。對于不同背景下的輸電線路航拍圖像，只要圖像中絕緣子串結(jié)構(gòu)清晰，該算法就能對絕緣子串進行準確識別與定位。

（2）識別效果好。對于不同種類的絕緣子串都能準確定位，檢測率能夠達到91%以上。

（3）實時性好。該算法利用聚類分析檢測平行線段的方式對絕緣子串區(qū)域進行預定位，大大減少了機器學習遍歷搜索的區(qū)域，整體計算用時少，保證了算法的實時性。

本文所提的絕緣子串識別方法面向電力系統(tǒng)工程應(yīng)用，具有魯棒性強、定位效果好、實時性高等優(yōu)點，在工程實際中有很好的應(yīng)用前景。