姚楠　蔡越　苗佳

摘 要： 為了提高變電站設備絕緣子的故障診斷能力，提出一種基于智能圖像信息融合和邊緣輪廓分割檢測的變電站設備絕緣子破裂裂紋識別方法。采用激光三維掃描技術(shù)進行變電站設備絕緣子的圖像采集，對采集的絕緣子破裂裂紋圖像進行圖像信息融合處理，采用三維區(qū)域輪廓掃描方法進行變電站設備絕緣子破裂裂紋的邊緣輪廓分割檢測和信息增強，在仿射不變區(qū)域內(nèi)對變電站設備絕緣子破裂裂紋角點分布信息進行直方圖均衡化處理，實現(xiàn)變電站設備絕緣子破裂裂紋的識別。仿真結(jié)果表明，采用該方法進行變電站設備絕緣子破裂裂紋識別的準確性較高，輸出圖像的峰值信噪比較高，說明對破裂裂紋圖像識別的性能較好。

關鍵詞： 智能圖像； 變電站設備； 絕緣子； 破裂裂紋識別

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）22?0176?03

Abstract： In order to improve the fault diagnosis capability of substation equipment insulators， a crack identification method based on intelligent image information fusion and edge contour segmentation detection is proposed for detecting cracks on substation equipment insulators. The laser 3D scanning technology is adopted to collect images of substation equipment insulators and perform information fusion for the collected images in which insulators with cracks are identified. The 3D area contour scanning method is adopted to perform edge contour segmentation detection and information enhancement for cracks on substation equipment insulators. The crack corner distribution information of substation equipment insulators are processed with histogram equalization in affine invariant areas to realize the crack identification of substation equipment insulators. The simulation results show that the method has high accuracy for crack identification of substation equipment insulators and high peak signal?to?noise ratios （SNRs） of output images， which indicates its good identification performance of images with cracks on the insulators.

Keywords： intelligent image； substation equipment； insulator； crack identification

0 引 言

隨著圖像處理技術(shù)的發(fā)展，采用圖像智能處理方法進行變電站設備的破裂裂紋識別和檢測具有可行性，研究變電站設備絕緣子破裂裂紋識別方法，在變電站設備的故障診斷、在線監(jiān)測和變電站維護等領域具有廣泛應用價值[1]。傳統(tǒng)的裂紋檢測方法主要有子空間聚類方法、自適應像素分割檢測方法和角點檢測方法，把提取特征輸入到分類器中，實現(xiàn)變電站設備絕緣子破裂裂紋識別和監(jiān)控[2]，但其存在計算開銷過大，抗干擾性能不好的問題。針對上述問題，提出基于智能圖像信息融合的變電站設備絕緣子破裂裂紋識別方法。實驗對比結(jié)果表明，本文方法提高了變電站設備絕緣子破裂裂紋識別性能方面的優(yōu)越性。

1 變電站設備絕緣子破裂裂紋圖像預處理

為了實現(xiàn)變電站設備絕緣子破裂裂紋的智能識別，圖像采集是第一步[3]，本文采用三維區(qū)域輪廓掃描和激光三維掃描方法進行變電站設備絕緣子破裂裂紋圖像采集和幾何形狀分析判斷，將激光掃描儀布置在變電站設備的監(jiān)測區(qū)域[2]，選[α]和[90°]角度作為激光掃描的相位角，根據(jù)布爾模型得到變電站設備絕緣子破裂裂紋圖像采樣掃描的幀數(shù)為[V=C1，C2，…，Ck]，圖像掃描的傳感節(jié)點[v]的簇滿足[Ci?V]，[1≤i≤k]，[k≤V]，不同變電站設備絕緣子破裂裂紋[x]和[y]的間距[distance（x，y）≤d]。計算兩破裂裂紋節(jié)點的分布距離[μ∈-∞，+∞，σ≥0]，對任一圖像像素采樣序列[j∈1，k]，[i≠j]，有[Ci?Cj=?]。

在三維網(wǎng)格頂點[y]，[y∈Ci]，變電站設備絕緣子破裂裂紋的初始像素級為[v0]，在均勻像素采樣下，裂紋的邊緣輪廓重構(gòu)的像素偏移值為：

[vt=v0+0taxdx] （1）

式中，[ax]為初始像素采樣信息。根據(jù)上述對變電站設備絕緣子破裂裂紋的圖像采集結(jié)果進行圖像識別和裂紋特征提取處理。

對采集的絕緣子破裂裂紋圖像進行圖像信息融合處理[4]，定義變電站設備絕緣子破裂裂紋圖像像素的占空比[Rarea=RARB]，長寬比[RHW=RHRW]，RH，RW分別是變電站設備絕緣子破裂裂紋邊緣輪廓外接矩形的長和寬，在仿射不變區(qū)域中，根據(jù)裂紋邊緣分布的像素值空間分布向量[gi=（gix，giy，giz）（i=0，1，2，…，Ng-1）]，得到破裂裂紋邊緣輪廓檢測的三維分布結(jié)構(gòu)模型為：endprint

2 裂紋識別算法改進

2.1 邊緣輪廓分割檢測

在采用激光三維掃描技術(shù)進行變電站設備絕緣子的圖像采集和信息融合預處理的基礎上，進行裂紋識別算法改進設計，本文提出一種基于智能圖像信息融合和邊緣輪廓分割檢測的變電站設備絕緣子破裂裂紋識別方法。采用三維區(qū)域輪廓掃描方法進行變電站設備絕緣子破裂裂紋的邊緣輪廓分割檢測和信息增強，變電站設備絕緣子破裂裂紋覆蓋區(qū)域信息化模量為：

2.2 破裂裂紋檢測

在仿射不變區(qū)域內(nèi)對變電站設備絕緣子破裂裂紋角點分布信息進行直方圖均衡化處理，提取變電站設備絕緣子破裂裂紋像素點和正常部位像素點像素級視覺差異性特征，并進行特征分解，結(jié)果為：

3 仿真與結(jié)果分析

為了測試本文方法在實現(xiàn)變電站設備絕緣子破裂裂紋識別中的應用性能，進行仿真實驗，實驗硬件環(huán)境：主處理器為Intel[?]Pentium[?] Dual，主頻為1.8 GHz計算機，軟件為Matlab 7。邊緣輪廓檢測的閾值為[a]=0.48，變電站設備絕緣子破裂裂紋輪廓線尺度分割系數(shù)為0.23，提取分割線鄰域大小為22×24，破裂裂紋的邊緣誤差為[a]=0.23，其他仿真參數(shù)設定為[θ]=0.5，[λ1]=2，[λ2]=2， [μ]=0.021×232×200，實驗所用破裂裂紋采集速度v=1，識別時長[Δt]=0.24。根據(jù)上述仿真環(huán)境和參量設定，進行變電站絕緣子設備破裂裂紋檢測仿真實驗，得到原始圖像采集結(jié)果如圖1所示。

以圖1所示的圖像為研究對象，進行裂紋識別仿真，采用三維區(qū)域輪廓掃描方法進行變電站設備絕緣子破裂裂紋邊緣輪廓分割檢測和信息增強，得到絕緣子破裂裂紋檢測圖像輸出如圖2所示。

分析圖2可知，采用本文方法進行絕緣子破裂裂紋識別，能準確檢測到裂紋分布邊緣輪廓，實現(xiàn)裂紋區(qū)域定位，輸出圖像峰值信噪比較高。為了定量分析裂紋識別性能，采用本文方法和傳統(tǒng)方法，得裂紋識別準確性對比結(jié)果如圖3所示。

分析圖3得知，采用本文方法進行識別準確性較高。

4 結(jié) 語

本文提出基于智能圖像信息融合和邊緣輪廓分割檢測的變電站設備絕緣子破裂裂紋識別方法。在仿射不變區(qū)域內(nèi)對變電站設備絕緣子破裂裂紋角點分布信息進行直方圖均衡化處理，實現(xiàn)變電站設備絕緣子破裂裂紋像素特征點提取和分類識別。研究結(jié)果表明，采用該方法進行變電站設備絕緣子破裂裂紋識別的準確性較高，對破裂裂紋圖像識別的性能較好。

參考文獻

[1] LI T， HE X， TENG Q， et al. Adaptive bi?lp?l2?norm based blind super?resolution reconstruction for single blurred image [J]. Journal of computer applications， 2017， 37（8）： 2313?2318.

[2] REN W， CAO X， PAN J， et al. Image deblurring via enhanced low?rank prior [J]. IEEE transactions on image processing， 2016， 25（7）： 3426?3437.

[3] 陳昕.基于變電站模擬支柱絕緣子的汕頭電網(wǎng)自然積污特性研究[J].華北水利水電大學學報（自然科學版），2015，36（1）：70?75.

[4] ZHANG L， QIAO T Z. An binary segmentation algorithm for infrared image [J]. Infrared technology， 2014， 36（8）： 649?651.

[5] 文繼鋒，盛海華，周強，等.智能變電站繼電保護在線監(jiān)測系統(tǒng)設計與應用[J].電力工程技術(shù)，2015，34（1）：21?24.

[6] PAN J， LIU R， SU Z， et al. Kernel estimation from salient structure for robust motion deblurring [J]. Signal processing： image communication， 2013， 28（9）： 1156?1170.endprint