，， ， ， ，

(1.國網(wǎng)安徽省電力公司 檢修公司，合肥 230022；2.安徽南瑞繼遠電網(wǎng)技術(shù)有限公司，合肥 230088；3.國網(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，在保障輸電線路的安全運行方面起著非常重要的作用。但是絕緣子長期暴露于自然環(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，會使電網(wǎng)解裂，并致使大面積停電，對電力系統(tǒng)的安全穩(wěn)定造成極大危害[1]。依賴于人工對輸電線路進行巡檢和維護的方式不僅效率低、成本高，而且存在著很大的安全性問題。隨著智能技術(shù)的發(fā)展，利用計算機視覺和圖像處理技術(shù)對絕緣子狀態(tài)的進行檢測，自動識別絕緣子缺陷，在保障電力系統(tǒng)的安全運行方面具有非常重要的作用。

近期，研究者們提出了許多識別檢測絕緣子的算法。文獻[1]提出一種基于視覺的絕緣子“掉串”缺陷識別算法,該算法結(jié)合了Lab彩色空間、最大類間方差法以及面積形態(tài)學(xué)，先對絕緣子圖像進行粗分割，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，通過數(shù)學(xué)公式計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[2]通過提取航拍圖像中絕緣子的不變矩、顏色、形狀和小波系數(shù)等多種特征對絕緣子進行特征描述，并對多特征進行特征融合，并通過RBF神經(jīng)網(wǎng)絡(luò)進行絕緣子狀態(tài)識別，對常見的故障進行診斷。文獻[3]利用脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)對航拍圖像中的進行了分割，對分割后的圖像進行廣義Hough變換，最后返回原圖，在原圖上識別絕緣子。文獻[4]通過對傘裙比、平滑度和連通比這3個特征進行提取，采用自適應(yīng)的速率和附加動量相結(jié)合的BP算法來建構(gòu)建神經(jīng)網(wǎng)絡(luò)，識別了絕緣子的污穢、裂紋和掉串3種缺陷。文獻[5]通過霍夫變換檢測圖像中的直線方法來粗略定位絕緣子的位置，然后通過SVM分類器對粗略定位的結(jié)果進行分類最終實現(xiàn)絕緣子的定位，通過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，識別故障絕緣子，但該方法對圖像質(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，同時現(xiàn)場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)確等問題。因此，本文利用GLOH描述子結(jié)合K-Means聚類分析算法作為聚類方法進行精確定位絕緣子，去除背景因素的干擾，然后利用統(tǒng)計形狀模型進行絕緣子的準(zhǔn)確分割，最后對分割出的絕緣子的位置進行分析，以達到檢測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，直接對圖像進行特征提取，往往難以獲取比較理想的特征，在進行圖像處理與分析之前，需要對包含絕緣子的圖像進行必要的預(yù)處理以達到減少噪聲等因素的影響。首先對圖像進行中值濾波，中值濾波的基本原理是將數(shù)字圖像中的像素點的值用該像素點的一個鄰域中各像素點值的中值代替，讓其像素值更接近真實值，從而消除孤立的噪聲點，并且也可以有效地去除邊緣模糊等不利因素，并且同時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增強圖像的對比度，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)檢測的成敗。考慮到拍攝圖像時易受到光照、角度等因素的影響，這些因素都會影響對絕緣子的檢測效果，因此在檢測定位階段，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)描述子來進行特征描述。

在描述子構(gòu)造之前，需要進行局部特征檢測，研究者們提出了很多局部特征檢測的方法，例如：Harris角點檢測[7]、Harris-afine區(qū)域檢測[8]、DoG (difference of gaussian) 特征檢測[9]、Hessian-affine區(qū)域檢測算法[10]等。由于Hessian-Affine區(qū)域檢測算法所檢測的仿射協(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題，因此本文采用Hessian-Affine區(qū)域檢測算法來獲取特征和特征區(qū)域。

在檢測局部特征點后，需要對特征點進行描述。GLOH是一種由 SIFT 描述子擴展而來的，旨在增強其魯棒性和獨特性圖像描述算子，并在剛性物體識別領(lǐng)域獲得了很大的成功。 GLOH算子所提取的圖像特征，對尺度旋轉(zhuǎn)、縮放、光照變化能夠保持不變性， 具有較強的抗噪能力[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，首先利用聚類分析方法來選擇代表性的特征即視覺字典，本文使用K-Means作為聚類方法，K-Means聚類[12]的是一種無監(jiān)督學(xué)習(xí)方法，應(yīng)用非常廣的，是一個迭代的算法，其學(xué)習(xí)策略是最小化所有樣本到對應(yīng)聚類中心的聚類的平方和，從而使生成的相同類簇的樣本盡可能緊湊，不同類別之間的樣本盡可能分開。它是一種簡單、快速的空間聚類方法，也是較為實用的聚類算法。K-Means算法描述如下[13]：

2)其次計算每個樣本點分別到K個中心點的距離，

(1)

并把每個樣本標(biāo)記為離它最近的中心點那一類；

3)根據(jù)當(dāng)前樣本的類別更新中心點

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

最后電力線的視覺字典可以表示為：

L={(T1,μ1),(T2,μ2),…,(Tk,μk)}

(2)

其中:Tk表示第k個視覺單詞的直方圖向量，它是第k類中所有特征向量的平均值。μi(i=1,…,k)為匹配閾值，通過訓(xùn)練樣本來獲得。

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

(3)

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

3 基于統(tǒng)計形狀模型絕緣子“掉串”檢測

3.1 統(tǒng)計形狀模型

統(tǒng)計形狀模型(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[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題。受此啟發(fā)，考慮到絕緣子串的形狀特征以及單個絕緣子之間的相似性，本文選用SSMs來分割絕緣子。該模型通過表面上的一系列標(biāo)記點來描述形狀，一般采用網(wǎng)格化的方法來選取標(biāo)記點，假設(shè)一個形狀可以用k個n維的標(biāo)記點來表示，則可以用一個kn維的向量來表示該形狀。例如：若k個二維標(biāo)記點坐標(biāo)為(xi,yi),i=1,2,…,k，則可以用(x1,y1,…,xk,yk)通過點分布模型[17](point distribution model, PDM)來描述該形狀。

3)通過旋轉(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)前平均形狀對齊；

4)重新計算對齊的所有樣本的平均樣本；

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

為樣本總數(shù)。

(4)

然后對對齊后的形狀進行主成分分析(principal component analysis，PCA)，經(jīng)過統(tǒng)計分析后，得到一個統(tǒng)計模型來描述形狀。最后，使用模型指導(dǎo)分割的過程中，通過調(diào)整模型特征參數(shù)，迭代模型使之不斷與目標(biāo)匹配而達到分割目標(biāo)的目的，詳見文獻[15]。

3.2 絕緣子“掉串”檢測

對于一副輸入圖像，首先利用第1節(jié)中圖像預(yù)處理方法對其進行預(yù)處理，然后通過第2節(jié)中絕緣子定位方法進行定位，再通過3.1節(jié)的統(tǒng)計形狀模型對絕緣子串進行分割，以獲得單個絕緣子的完整圖像。

在獲取單個絕緣子的完整圖像之后，統(tǒng)計絕緣個的個數(shù)，假設(shè)有m個絕緣子，記為I1,I2,…,Im，并計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個絕緣子到第i個絕緣子中心之間的距離。將di進行分類統(tǒng)計，假設(shè)分為p類，考慮到計算的誤差，按照下述方法進行分類，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 實驗結(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，實驗是在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是本文算法對絕緣子脫落的檢測結(jié)果。圖2(a)是原始圖像，從圖中可以看出，圖像中含有兩個絕緣子串，并且還有導(dǎo)線、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)計形狀模型分割出的單個絕緣子，從圖中可以發(fā)現(xiàn)，絕緣子串中的單個絕緣子均得到了準(zhǔn)確的提取，用紅色框標(biāo)出。從圖2(c)中容易發(fā)現(xiàn)若相鄰兩個絕緣子之間若存在脫落現(xiàn)象，則這兩個絕緣子之間的距離會成倍的增加，根據(jù)3.2節(jié)中的判斷方法，兩個絕緣子串中絕含有23個絕緣子，經(jīng)過對分割出的絕緣子的位置進行分析、計算，最終檢測出脫落1個絕緣子，如圖2(d)所示，脫落位置用藍色框標(biāo)出。圖3是其他兩組實驗檢測結(jié)果，圖3(a)所示絕緣子串中脫落2個絕緣子，圖3(b)所示絕緣子串中脫落3個絕緣子，脫落情況均得到了正確的檢測。

從上述實驗可以看出，如果直接從圖像中去檢測絕緣子，圖像中的復(fù)雜背景會干擾檢測，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型的絕緣子，這是利用統(tǒng)計形狀模型分割絕緣子的先決條件，從實驗中可以看出，統(tǒng)計形狀模型能夠準(zhǔn)確地分割出絕緣子，同時絕緣子串中的絕緣子呈直線狀排列，這為計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)絕緣子的位置計算絕緣子中心之間的距離，通過距離可以判斷出是否脫落情況，若存在脫落情況，也可以計算出脫落多少個絕緣子。

圖2 絕緣子脫落檢測過程

圖3 絕緣子脫落檢測結(jié)果

5 結(jié)論

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

本文算法只是對絕緣子是否脫落進行了檢測，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，在可見光圖像中，劣化絕緣子可能與正常絕緣子的形狀之間并無大的差別，這為檢測帶來了很大的難度，這也是我們今后的研究內(nèi)容和方向。

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

[2] 仝衛(wèi)國，基于航拍圖像的輸電線路識別與狀態(tài)檢測方法研究[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, 于浩進,等. 基于神經(jīng)網(wǎng)絡(luò)的絕緣子故障診斷[J]. 計算機仿真, 2013, 30(9): 310-313.

[5]李 紅，基于稀疏表示的絕緣子狀態(tài)識別方法研究[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別[J]，計算機應(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)計形狀模型的肝臟分割算法的研究與實現(xiàn)[D]，沈陽：東北大學(xué)，2013.