張金鋒 孫明剛 邵先鋒 過(guò)其峰 楊建旭 洪澤

摘要：為了消除非線性亮度變化對(duì)電力系統(tǒng)中的絕緣子定位和刀閘狀態(tài)識(shí)別的影響，提出了一種基于改進(jìn)亮度序（LIOP）描述子的刀閘狀態(tài)識(shí)別算法。首先對(duì)圖像進(jìn)行必要的預(yù)處理以去除噪聲的污染;其次提取感興趣的目標(biāo)區(qū)域，該區(qū)域內(nèi)應(yīng)包含絕緣子和刀閘等目標(biāo)信息;然后利用改進(jìn)的亮度序描述子來(lái)精確定位絕緣子，這是由于亮度序描述子對(duì)圖像非線性亮度變化、尺度變換和旋轉(zhuǎn)變化等具有一定的不變性;最后利用改進(jìn)的Hough變換來(lái)確定刀閘的位置，并計(jì)算直線段間的角度來(lái)對(duì)閘刀狀態(tài)進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果說(shuō)明了該方法可以精確地定位絕緣子和識(shí)別刀閘的狀態(tài)，適用于實(shí)時(shí)性要求較高的電力系統(tǒng)。

關(guān)鍵詞：非線性亮度變化;亮度序描述子;改進(jìn)的Hough變換;絕緣子定位;刀閘狀態(tài)識(shí)別

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)志碼：A

0 引 言

在電力系統(tǒng)中監(jiān)控電力線上的設(shè)備狀態(tài)是最重要的一項(xiàng)工作，為了提高實(shí)時(shí)監(jiān)控的效率，傳統(tǒng)的人工監(jiān)控技術(shù)已經(jīng)被新技術(shù)所取代。計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)可以快速高效地檢測(cè)出電力線上的缺陷，而且通過(guò)自動(dòng)檢測(cè)和識(shí)別輸電線上的電力設(shè)備，可以大大降低人工成本[1]。最近研究者們提出了許多在可見(jiàn)光圖像中利用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)來(lái)識(shí)別刀閘或絕緣子狀態(tài)的算法[2-5]。

毫無(wú)疑問(wèn)正確檢測(cè)絕緣子位置將有助于精確判斷和分析刀閘的狀態(tài)。文獻(xiàn)[6]利用改進(jìn)的Otsu算法和數(shù)學(xué)形態(tài)學(xué)來(lái)分割絕緣子，但在復(fù)雜背景下該算法未能達(dá)到理想的效果。文獻(xiàn)[7]提出了一種基于顏色分割算法來(lái)提取紅外圖像中的目標(biāo)區(qū)域，但該算法要求被檢測(cè)目標(biāo)具有較高的亮度值。文獻(xiàn)[8]利用全局最小主動(dòng)輪廓模型（ Global Minimi-zation Active Contour，GMAC）來(lái)分割絕緣子，該算法具有較好的分割效果，但是該算法使用的全局特征需要大量的計(jì)算時(shí)間，而基于局部特征的目標(biāo)檢測(cè)算法是更加有效的，許多目標(biāo)檢測(cè)算法都利用了局部特征。文獻(xiàn)[9]綜述了局部特征在紋理分類和目標(biāo)分類中的應(yīng)用。文獻(xiàn)[10]通過(guò)訓(xùn)練局部梯度描述子和投票策略來(lái)定位絕緣子。文獻(xiàn)[11]利用詞袋模型（Bag Of Words model，BOW）和空間稀疏編碼來(lái)構(gòu)建有效的結(jié)構(gòu)型目標(biāo)描述子，并將該描述子應(yīng)用到遙感圖像目標(biāo)檢測(cè)算法中。文獻(xiàn)[12]提出一種基于仿射不變特征和聚類分析法來(lái)檢測(cè)重復(fù)結(jié)構(gòu)的新方法，然而該方法僅僅適用于相似目標(biāo)出現(xiàn)在相同圖像里。文獻(xiàn)[13]利用PCNN（ PulseCoupled Neural Network）算法來(lái)分割絕緣子圖像，該算法在某種程度上抑制了背景噪聲，然后將單個(gè)絕緣子作為模板，利用廣義的Hough變換（Generalized Hough Transform.GHT）[14]粗略的定位絕緣子。文獻(xiàn)[15]提出了一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)（Adaptive Neuro-Fuzzy InferenceSystem，ANFIS）的絕緣子檢測(cè)方法，該方法利用k-means聚類獲得所需集群、對(duì)沿行列和對(duì)角線都適當(dāng)?shù)乃邢袼攸c(diǎn)繪制最小矩形框、利用ANFIS獲得絕緣子的定位，該方法在背景相對(duì)簡(jiǎn)單的情況下可以實(shí)現(xiàn)多個(gè)絕緣子的定位，但在復(fù)雜背景下它不能精確定位絕緣子的位置。文獻(xiàn)[16]利用Hough變換和SVM（ Support Vector Machine）來(lái)提取圖像中的絕緣子，但SVM需要很多數(shù)據(jù)集作為輸入來(lái)訓(xùn)練樣本，這可能會(huì)增加絕緣子定位算法的計(jì)算量和復(fù)雜性?；趫D像處理技術(shù)，文獻(xiàn)[4]提出了一種刀閘狀態(tài)識(shí)別算法，該算法首先提取刀閘目標(biāo)的SIFT（Scale Invariant Feature Transform）特征，進(jìn)而構(gòu)建KD樹(shù)，利用聚類分析方法對(duì)特征進(jìn)行匹配，從而完成對(duì)刀閘狀態(tài)的識(shí)別。文獻(xiàn)[5]利用改進(jìn)的Hough變換來(lái)自動(dòng)識(shí)別刀閘狀態(tài)。該方法是簡(jiǎn)單快速，具有較高的刀閘狀態(tài)識(shí)別精度，適合應(yīng)用于實(shí)時(shí)監(jiān)控電力系統(tǒng)中。

當(dāng)在非線性亮度背景下處理絕緣子和刀閘目標(biāo)時(shí)，上述方法要么無(wú)能為力，要么具有較高的計(jì)算量和復(fù)雜性。為了解決非線性亮度下刀閘狀態(tài)識(shí)別的問(wèn)題，本文提出了一種基于亮度序描述子的刀閘狀態(tài)識(shí)別算法，首先對(duì)圖像進(jìn)行必要的預(yù)處理以減少噪聲的污染。其次提取感興趣的目標(biāo)區(qū)域，該區(qū)域內(nèi)應(yīng)包含絕緣子和刀閘等目標(biāo)信息。然后利用亮度序描述子和匹配策略來(lái)精確定位絕緣子，這是由于亮度序描述子對(duì)圖像非線性亮度變化、尺度變換和旋轉(zhuǎn)變化等具有一定的不變性。因?yàn)榈堕l和絕緣子總是相輔相成的，確定絕緣子之后利用改進(jìn)的Hough變換很容易可以確定刀閘的位置。最后通過(guò)計(jì)算直線段間的角度來(lái)判斷閘刀的狀態(tài)，該算法流程圖如圖1。

1 預(yù)處理和目標(biāo)區(qū)域提取

在進(jìn)行圖像分析之前，需要對(duì)包含絕緣子和刀閘等目標(biāo)的可見(jiàn)光圖像進(jìn)行必要的預(yù)處理以減少噪聲等因素的影響。首先利用5×5的高斯核（其標(biāo)準(zhǔn)差為σ=1）濾波器對(duì)圖像進(jìn)行平滑操作以減少噪聲的影響。其次，利用直方圖均衡化來(lái)增強(qiáng)圖像的對(duì)比度，以消除反射光對(duì)絕緣子和刀閘定位的影響。然后利用閾值分割法獲得二值圖像以實(shí)現(xiàn)前景和背景的分離，由于在生成二值圖像的過(guò)程中會(huì)產(chǎn)生椒鹽噪聲，因此利用中值濾波器再一次進(jìn)行圖像平滑操作。二值圖像中往往存在很多孔洞且邊緣是模糊的，因此需要利用形態(tài)學(xué)濾波器對(duì)二值圖像進(jìn)行侵蝕與膨脹操作，將內(nèi)孔填充且使得邊緣變的平滑且清晰，移除區(qū)域面積小于某閾值的區(qū)域，該閾值設(shè)置為10。圖像預(yù)處理的目的是得到清晰的二值化圖像，可以提高絕緣子和刀閘定位的精度。最后利用Canny算子來(lái)獲得圖像邊緣，在圖像邊緣中選取最大面積的閉合區(qū)域作為感興趣的目標(biāo)區(qū)域，該區(qū)域應(yīng)該包含絕緣子和刀閘等感興趣目標(biāo)，由此可見(jiàn)本文僅選取原始圖像中最主要的一組絕緣子和刀閘目標(biāo)，其它組的絕緣子和刀閘目標(biāo)操作與本文一致。

2 絕緣子定位策略

絕緣子是電力系統(tǒng)中不可或缺的絕緣控件，在高壓輸電線路中起到舉足輕重的作用。絕緣子的定位是刀閘狀態(tài)識(shí)別的重要步驟，精確定位絕緣子就可以很容易的檢測(cè)刀閘的位置并判斷刀閘的狀態(tài)（閉合或斷開(kāi)）。局部不變特征具有一定的尺度、亮度、旋轉(zhuǎn)和遮擋不變性，可以應(yīng)用于電力設(shè)備目標(biāo)檢測(cè)中，其步驟通常包括三個(gè)：局部特征檢測(cè)、特征描述子的生產(chǎn)和特征匹配。由于非線性亮度變化嚴(yán)重影響了絕緣子檢測(cè)和定位算法的精確，因此本文引入亮度序描述子來(lái)抑制非線性亮度變化對(duì)絕緣子定位的影響。

研究者們提出了很多局部特征檢測(cè)的方法，如H arris角點(diǎn)檢測(cè)[17]、DoG （Difference ofGaussian）特征檢測(cè)[18]、Harris-af fine區(qū)域檢測(cè)[19]、Hessiar：raffine區(qū)域檢測(cè)算法[20]等。由于仿射協(xié)變區(qū)域的形狀自適應(yīng)于圖像幾何形變、視角變化和亮度變化等，Hessian-Affine區(qū)域檢測(cè)算法運(yùn)用多尺度迭代算法獲得仿射不變特征，可以檢測(cè)出更多特征區(qū)域且具有較高準(zhǔn)確性，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。本文利用亮度序來(lái)描述Hessian-Affine區(qū)域即得到LIOP描述子。LIOP描述子最大優(yōu)勢(shì)是對(duì)非線性亮度變化具有不變性，設(shè)R是Hessian-Affine算法檢測(cè)的區(qū)域，將該區(qū)域內(nèi)像素按照亮度值進(jìn)行非降排序：

由文獻(xiàn)[21]可知，LIOP描述子的維數(shù)為N！×B，其中B是劃分子區(qū)域的個(gè)數(shù)，N是像素點(diǎn)的鄰域數(shù)，其構(gòu)造流程如圖3（a）所示。LIOP描述子的維數(shù)隨著N的增加而急劇增大，為了降低LIOP描述子的維數(shù)，本文對(duì)其進(jìn)行了改進(jìn)。本文利用鄰域像素點(diǎn)中任意兩個(gè)之間的亮度大小關(guān)系來(lái)代替鄰域像素點(diǎn)間的亮度排序。其算法復(fù)雜度僅為o（N²），對(duì)于任意像素點(diǎn)，這種改進(jìn)得到C^N2維向量，相對(duì)于原始LIOP描述子得到的N！維向量，大大降低了描述子維數(shù)和算法復(fù)雜度，這樣得到的描述子維數(shù)為C^N2×B，其構(gòu)造流程如圖3（b）所示。

絕緣子定位算法的流程圖如下圖4所示，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(lái)選擇代表性的特征即視覺(jué)字典，該文使用k-medoids作為聚類方法，k-medoids聚類[22]的優(yōu)勢(shì)是對(duì)離群值較為魯棒。首先計(jì)算特征間的卡方距離：

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 刀閘位置定位和狀態(tài)識(shí)別

絕緣子定位后，很容易獲取刀閘的位置，刀閘一定位于檢測(cè)的兩個(gè)絕緣子之間。刀閘的兩個(gè)刀臂可以用直線段來(lái)表示，本文利用改進(jìn)的Hough變換來(lái)提取直線段。Hough變換是一種簡(jiǎn)單高效的提取邊緣特征的方法，可以提取直線、圓、橢圓、曲線甚至任意形狀的邊緣[23]。Hough變換最突出的優(yōu)點(diǎn)是把相對(duì)困難的全局檢測(cè)問(wèn)題轉(zhuǎn)化為在參數(shù)空間中相對(duì)容易的局部峰值提取問(wèn)題。Hough變換對(duì)于局部瑕疵是不敏感地，對(duì)隨機(jī)噪聲是魯棒的，適用于并行處理，其具有很多優(yōu)異性能，常用于圖像處理、模式識(shí)別和計(jì)算機(jī)視覺(jué)中[23]。

傳統(tǒng)的Hough變換把變換域離散化為許多子區(qū)域，并計(jì)算子區(qū)域內(nèi)聚集點(diǎn)的數(shù)目，然而離散化過(guò)程不可避免地會(huì)產(chǎn)生統(tǒng)計(jì)誤差[24]。在本文中，線檢測(cè)算法從長(zhǎng)到短的順序進(jìn)行直線檢測(cè)，最長(zhǎng)直線被檢測(cè)后，為了不影響下一直線的檢測(cè)，其上的所有點(diǎn)將在變換域內(nèi)被去除，直到最后一條直線被檢測(cè)。采用這種方式，雖然變換域仍是離散的，但已檢測(cè)直線上的所有點(diǎn)全被去除，這樣就消除了由離散化而產(chǎn)生的統(tǒng)計(jì)誤差。

刀閘必然位于兩個(gè)檢測(cè)的絕緣子之間，如果沒(méi)有在兩個(gè)絕緣子之間的區(qū)域內(nèi)檢測(cè)到刀閘直線，則認(rèn)為該刀閘處于斷開(kāi)狀態(tài)。對(duì)于刀閘，若處于閉合狀態(tài)兩，則個(gè)刀臂之間的夾角應(yīng)該在一個(gè)區(qū)間內(nèi)。若檢測(cè)的兩個(gè)刀臂對(duì)應(yīng)直線段間的測(cè)量夾角不在此區(qū)間內(nèi)，則說(shuō)明該刀閘處于斷開(kāi)狀態(tài)。因此檢測(cè)到的直線段之間的夾角可以反應(yīng)刀閘的閉合/斷開(kāi)狀態(tài)，而直線段間的夾角可以通過(guò)幾何關(guān)系來(lái)獲得。對(duì)于兩個(gè)非平行的直線段，可以構(gòu)造一個(gè)三角形，直線段間的夾角可以就可以根據(jù)余弦定理來(lái)獲得。若兩刀臂間的夾角與180°差的絕對(duì)值小于某個(gè)閾值，則認(rèn)為該刀閘處于閉合狀態(tài)，否則處于斷開(kāi)狀態(tài)，該閾值取經(jīng)驗(yàn)值9。

4 實(shí)驗(yàn)結(jié)果與分析

本文使用100個(gè)含有絕緣子的圖像區(qū)域和100個(gè)僅含背景的圖像區(qū)域來(lái)訓(xùn)練樣本，使用50個(gè)含有絕緣子和刀閘的圖像作為測(cè)試樣本，所有樣本來(lái)源于合肥某小區(qū)變電站，通過(guò)攝像機(jī)拍攝所得，其特點(diǎn)是在不同的非線性亮度變化下獲取的。實(shí)驗(yàn)是在Windows 7環(huán)境下，編譯軟件為VisualStudi0 2010和OpenCV 2.4.9，實(shí)驗(yàn)硬件為Pentium Dual-Core CPU 2.50 GHz。

圖5是本文算法對(duì)絕緣子定位和刀閘狀態(tài)識(shí)別的結(jié)果示例，從圖中可知，圖像中含有多組絕緣子和刀閘目標(biāo)，本文僅選取最主要的一組絕緣子和刀閘目標(biāo)，其它組的識(shí)別結(jié)果與本文一致。圖中不規(guī)則區(qū)域代表檢測(cè)的一個(gè)絕緣子區(qū)域，該區(qū)域不僅包含絕緣子目標(biāo)，一般還包含刀臂、傳輸線、底座等目標(biāo)。矩形區(qū)域代表本文算法定位的絕緣子區(qū)域，可以看出，該算法具有較好的定位精度，區(qū)域內(nèi)的其它電力設(shè)備會(huì)影響絕緣子的定位，如圖5（b）中鋼架的遮擋一定程度上影響了該算法的精度，但仍有很好的定位效果，這說(shuō)明本文算法具有較強(qiáng)的魯棒性。此外圖5中四組圖像是在不同的光照強(qiáng)度下獲得的，這說(shuō)明基于亮度序描述子的絕緣子定位算法對(duì)非線性亮度變化具有一定的不變性。圖5中直線代表改進(jìn)Hough變換檢測(cè)的刀臂位置，注意Hough變換可能檢測(cè)到許多近似平行的刀臂直線，將這些直線進(jìn)行擬合，得到圖中黃色的直線。

從圖5（a）和（b）可以得出，其刀臂對(duì)應(yīng)直線（圖中直線）之間夾角分別是176.35°和174.28，根據(jù)刀閘狀態(tài)判斷條件，該夾角與180°差的絕對(duì)值小于預(yù)先設(shè)定閾值9，則說(shuō)明這兩個(gè)刀閘都處于閉合狀態(tài)。而從圖5（c）和（d）中得知，兩幅刀閘圖像中刀臂直線（圖中直線）之間夾角分別是153.19°和23.41°，其與180°差的絕對(duì)值遠(yuǎn)遠(yuǎn)大于設(shè)定閾值，則說(shuō)明這兩個(gè)刀閘都處于斷開(kāi)狀態(tài)。

表1是LIOP和改進(jìn)LIOP描述子在不同參數(shù)下刀閘狀態(tài)識(shí)別精度，可知隨著N和B的增加，算法識(shí)別精度也隨之提高。但隨著N的增加，描述子的維數(shù)也隨之急劇提高，如N-4，B-6時(shí)LIOP（改進(jìn)的LIOP）描述子維數(shù)為144（72），而當(dāng)N-8，B-6時(shí)LIOP（改進(jìn)的LIOP）描述子維數(shù)卻達(dá)到241920（168），因此本文設(shè)置N=4。隨著參數(shù)B的增加，算法識(shí)別精度的提高幅度越來(lái)越小，為了平衡算法的維數(shù)和精度，本文設(shè)置N=6。同時(shí)也可以看出本文改進(jìn)的LIOP描述子的優(yōu)勢(shì)，即同等參數(shù)條件下當(dāng)LIOP描述子維數(shù)達(dá)到241920時(shí)，改進(jìn)的LIOP描述子維數(shù)僅為168°表2是使用不同局部描述子時(shí)的刀閘狀態(tài)識(shí)別精度和識(shí)別效率，所使用的描述子分別為改進(jìn)的LIOP、LIOP和SIFT，本文中LIOP描述子參數(shù)設(shè)置為N=4和B=6，因此LIOP描述子的維數(shù)是144，而本文改進(jìn)的LIOP描述子維數(shù)是72，SIFT描述子維數(shù)為128°從表2中結(jié)果可知，本文改進(jìn)的LIOP描述子在一定程度上提高了識(shí)別精度，降低了算法復(fù)雜度。表3是在不同算法下的識(shí)別精度和識(shí)別效率，可見(jiàn)，相對(duì)于其它算法，本文刀閘識(shí)別算法具有較高的識(shí)別精度和較快的運(yùn)行速率。

5 結(jié)語(yǔ)

絕緣子定位和刀閘狀態(tài)識(shí)別是電力傳輸系統(tǒng)中至關(guān)重要的問(wèn)題，為了解決非線性亮度變換下刀閘狀態(tài)識(shí)別問(wèn)題，本文提出了一種基于亮度序描述子的刀閘狀態(tài)識(shí)別算法。該算法利用對(duì)非線性亮度變化、尺度變換、旋轉(zhuǎn)變化和圖像遮擋等具有一定不變性的亮度序描述子來(lái)精確定位絕緣子，然后在兩個(gè)絕緣子之間很容易的利用改進(jìn)Hough變換獲取刀閘位置，并利用刀臂之間的夾角判斷刀閘的狀態(tài)。從實(shí)驗(yàn)結(jié)果可以看出，本文算法可以較為準(zhǔn)確的定位絕緣子的位置和識(shí)別刀閘的狀態(tài)，是一種較為簡(jiǎn)單快速的刀閘狀態(tài)識(shí)別算法。

參考文獻(xiàn)

[1] LIAO S，AN J.A robust insulator detection algorithm basedon local features and spatial orders for aerial images [J].IEEE Geoscience and Remote Sensing Letters，2015，12（5）：963-967.

[2] REDDY M J B，CHANDRA B K，MOHANTA D K.Condition monitoring of 11 kV distribution system insulatorsincorporating complex imagery using combined DOST-SVMapproach [J].IEEE Transactions on Dielectrics and ElectricalInsulation，2013，20（2）：664-674.

[3] MURTHY V S，GUPTA S，MOHANTA D K.Digitalimageprocessing approach using combined wavelet hidden Markovmodel （HMM） for well-being analysis of insulators [J].IETImage Processing，2011，5（2）：171-183.

[4]

YAN B，CHEN H，HUANG W.Study on the method ofswitch state detection based on image recognition insubstation sequence control[C]，/Proceedings of the 2014International Conference on Power System Technology.Chengdu，China：IEEE， 2014： 2504- 2510.

[5] ZHANG G7ZHANG D，LI D，et al.The automatic identifica-tion method of switch state [J].lnternational Journal of Sim-ulation：Systems，Science and Technology; 2016 ，17（ 19）： 21.1- 21.4.

[6]

JIN L，ZHANG D.Contamination grades recognition ofceramic insulators using fused features of infrared and ultra-violet images [J].Energies，2015 ，8（2）：837- 858.

[7] JAFFERY Z A，DUBEY A K.Design of early fault detectiontechnique for electrical assets using infrared thermograms[J].International Journal of Electrical Power and Energy Sys-tems，2014，63：753-759.

[8]

WU Q，AN J，LIN B.A texture segmentation algorithm basedon PCA and global minimization active contour model for aer-ial insulator images [J].IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing， 2012，5（5）：1509-1518.

[9]

ZHANG J G，MARSZALEK M，SCHMID C.Local featuresand kernels for classification of texture and object categories：a comprehensive study [C]// Proceedings of the 2006 Con-ference on Computer Vision and Pattern Recognition Work-shop.New York：IEEE，2006：13-21.

[10]

OBERWEGER M，WENDEL A，BISCHOF H.Visual recog-nition and fault detection for power line insulators [C]//Proceedings of the 19th Computer Vision Winter Workshop.Krtiny，Czech Republic：lnstitute of Computer Graphics andVision，2014，1-8.

[11]

SUN H，SUN X，WANG H，Li Y，et al.Automatic target de-tection in higlrresolution remote sensing images usingspatial sparse coding bag-of-words model [J].IEEE Geosci-ence and Remote Sensing Letters，2012，9 （1）：109 -113.

[12]

JADIN M S，TAIB S，GHAZALI K H.Finding region of in-terest in the infrared image of electrical installation [Jl.In-frared Physics and Technology，2015 ，71：329- 338.

[13] 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)，2011：23-45.

[14]

WINDSOR C G，CAPINERI L，F(xiàn)ALORNI P.A data pairla-beled generalized Hough transform for radar location of buried objects [J].IEEE Geoscience and Remote Sensing Let-ters，2014，11（1）：124-127

[15] REDDY M J B，CHANDRA B K，and MOHANTA D K.ADOST based approach for the condition monitoring of llkVdistribution line insulators [J].IEEE Transactions on Die-lectrics and Electrical Insulation，2011，18（2）：588 - 595.

[16]

MURTHY V S，Tarakanath K，MOHANTA D K，et al.ln-sulator condition analysis for overhead distribution linesusmg comhned wavelet Support Vector Machine （SVM）[J].IEEE Transactions on Dielectrics and Electrical Insula-tion，2010，17（1）：89-99.

[17] HARRIS C，STEPHENS M.A combined corner and edgedetection [C]// Proceedings of the 4th Alvey Vision Con-ference.Manchester， UK： Elsevier，1988：147 - 152.

[18] LOWE D G.Distinctive image features from scale-invariantkeypoints [J].International Journal of Computer Vision，2004，60，（2） ：91-110.

[19] MIKOLAJCZYK K，SCHMID C.Scale and affine invariantinterest point detectors[J].International Journal ofComputer Vision，2004，60， （1）：63- 86.

[20] MIKOLAJCZYK K，TUYTELAARS T，SCHMID C，et al.A comparison of affine region detectors [J].InternationalJournal of Computer Vision，2005，65， （1/2）：43- 72.

[21] WANG Z，F(xiàn)AN B，WU F.Local intensity order pattern forfeature description [C]// Proceedings of the 2011 IEEE In-ternational Conference on Computer Vision. Barcelona：IEEE，2011：603-610.

[22] PARK H S，JUN C H.A simple and fast algorithm for K-medoids clustering [J].Expert Systems with Applications，2009，36（2） ：3336-3341.

[23] REN D，WANG Q，SUN F.A fast and effective algorithmbased on improved Hough transform [J]. Journal of theIndian Society of Remote Sensing，2016，44（3）：465-469.

[24]丁四海，數(shù)字圖像識(shí)別用于電氣控制柜開(kāi)關(guān)狀態(tài)檢測(cè)的研究[D].上海：上海交通大學(xué)，2012：43-47.