林亞君，陳學(xué)軍

(1.莆田學(xué)院 機電工程學(xué)院，福建 莆田 351100;2.新能源裝備檢測福建高校重點實驗室，福建 莆田 351100)

紅外成像技術(shù)憑借其非接觸、安全可靠、檢測快速等優(yōu)勢，成為電氣設(shè)備故障在線檢測的重要手段[1-2]。隨著圖像處理技術(shù)的發(fā)展[3]，為保證在線檢測的準確性和實時性，電力故障紅外圖像處理自動化應(yīng)運而生[4-5]。作為紅外圖像與故障分析的橋梁，如何有效地提取故障區(qū)域成為科研的熱點[6-7]。

通常，紅外圖像中故障區(qū)域具有固有的特征：(1)呈亮黃色，亮度高于非故障區(qū)域；(2)與非故障區(qū)域之間有一定邊界?；谶@兩個特征，文獻[8]提出采用Otsu算法(大津法)將電氣設(shè)備作為目標區(qū)從背景圖像中分割出來；文獻[9] 采用K-means聚類算法對電力設(shè)備紅外圖像進行分割，并用馬爾可夫模型進一步優(yōu)化。然而，基于閾值分割的方法通常由于其閾值會偏向方差大(電力故障區(qū)域往往較小，背景的方差較大)的一側(cè)導(dǎo)致誤分割，改變了故障區(qū)域的特征信息，從而增加后續(xù)故障識別的難度。PCNN模型具有生物特

征的乘積耦合和非線性點火的特點，可以有效判別圖像的目標和背景，使其在圖像分割上具有極大優(yōu)勢，從而被廣泛應(yīng)用于電力故障區(qū)域提取[10-11]。PCNN模型的參數(shù)若選擇不當(dāng)將大大影響目標提取性能，需進一步增強圖像分割自適應(yīng)性。

1 基礎(chǔ)算法

1.1 PCNN模型

基本PCNN是一種有連接域的網(wǎng)絡(luò)模型，由若干個神經(jīng)元互連形成的反饋型神經(jīng)網(wǎng)絡(luò)，具有良好的脈沖傳播性能，能夠完整保留圖像的區(qū)域信息，在圖像分割領(lǐng)域具有極大優(yōu)勢[12]。構(gòu)成PCNN的神經(jīng)元系統(tǒng)是一個復(fù)雜的非線性動態(tài)系統(tǒng)。其中一個PCNN神經(jīng)元由3個部分組成：接收部分、非線性調(diào)制部分和脈沖產(chǎn)生部分，基本模型如圖1所示。

圖1 PCNN模型Fig.1 PCNN model

簡化PCNN模型在運行過程中每個神經(jīng)元按照以下步驟進行迭代計算。

接收部分：接收外部和相鄰神經(jīng)元的信息輸入，分別為Fij、Lij輸入通道。其中外部輸入表示為輸入圖像，如式(1)所示：

Fij(n)=Iij

(1)

式中Fij(n)為(i,j)位置的神經(jīng)元反饋輸入，n表示第n次迭代；Iij為外部輸入的圖像信息。

連接通道輸入Lij通過權(quán)重矩陣W接收來自8個領(lǐng)域神經(jīng)元的信息，如式(2)所示：

(2)

式中(k,l)為8個領(lǐng)域神經(jīng)元的圖像像素位置；Wij,kl為Lij和Ykl的鏈接權(quán)值；Ykl(n-1)是上一次迭代后(k,l)位置的脈沖輸出信號。

在這一部分中，我們試圖探索房子的地理位置、經(jīng)緯度、是否處于學(xué)區(qū)以及是否臨近地鐵站這些信息對房價的影響。這部分我們試圖通過這些數(shù)據(jù)，尋找住房的外界地理環(huán)境因素對房價的影響。

非線性調(diào)制部分：調(diào)節(jié)Fij、Lij輸入信號，通過耦合調(diào)制對其進行正的單位偏置，得到內(nèi)部活動項Uij，如式(3)所示：

Uij(n)=Fij(n)(1+βLij(n))

(3)

其中β表示神經(jīng)元突觸間的連接強度，也稱耦合連接系數(shù)。

脈沖產(chǎn)生部分：由閾值函數(shù)和脈沖產(chǎn)生器兩部分構(gòu)成。比較內(nèi)部活動項與閾值的關(guān)系，當(dāng)Uij≥θij(n)時，神經(jīng)元發(fā)出脈沖，否則熄滅。其中閾值函數(shù)如式(4)所示，脈沖輸出如式(5)所示。

θij(n)=e-αθθij(n-1)+VθYij(n-1)

(4)

(5)

式中θij(n)為隨時間指數(shù)衰減的動態(tài)閾值；αθ為θij(n)的時間衰減常數(shù)；Vθ為閾值的放大系數(shù)。

從式(4)可以看出神經(jīng)元點火后，由于Yij(n-1)的值躍變成1，在放大系數(shù)Vθ作用下，閾值θij(n)驟增。隨后在衰減參數(shù)αθ影響下，θij(n)逐漸衰減直至下一次點火，故圖像中的各神經(jīng)元均具有一定的點火頻率。另一方面，神經(jīng)元之間存在耦合連接，點火神經(jīng)元會觸發(fā)其領(lǐng)域具有相似特性的神經(jīng)元同步點火，即產(chǎn)生同步振蕩現(xiàn)象，從而實現(xiàn)提取圖像相似區(qū)域。這與提取電氣設(shè)備紅外圖像中故障區(qū)域即亮度區(qū)域不謀而合。

1.2 二維Otsu算法

Otsu是一種自適應(yīng)的閾值確定方法[13]，具有計算簡潔、穩(wěn)定、自適應(yīng)等優(yōu)點，廣泛應(yīng)用于圖像分割中。但是傳統(tǒng)Otsu算法沒有考慮圖像像素點之間的位置關(guān)系，圖像中如果有噪聲會導(dǎo)致分割效果不理想。因此，劉建莊等人在1993年提出了二維的Otsu算法[14]，提高了算法的抗噪性能。

(6)

(7)

對應(yīng)的均值矢量分別為μb、μo：

(8)

(9)

整個圖像的均值矢量為μT：

(10)

一般情況下，認為目標遠離對角線的概率很小，于是有：

(11)

離散測度矩陣為：

S(s,t)=ωb(μb-μT)(μb-μT)T+

ωo(μo-μT)(μo-μT)T

(12)

圖像的離散測度為：

(13)

離散測度越大，類間方差也越大，說明構(gòu)成圖像的兩個部分的差別越大，當(dāng)tr(S(s,t))取得最大值時，(s*,t*)為初始閾值，即：

(14)

在圖像分割時，二維Otsu算法較傳統(tǒng)Otsu具有更強的抗噪能力，更快的計算速度。

2 改進PCNN模型

PCNN應(yīng)用于圖像分割時，初始閾值的選擇往往依賴于經(jīng)驗，如果選擇不合理會導(dǎo)致首次迭代時的神經(jīng)脈沖的錯誤發(fā)放，會大大增加迭代次數(shù)。如何確定合適的初始閾值至關(guān)重要。本研究選擇二維Otsu算法優(yōu)化初始閾值，即根據(jù)式(14)選取的最優(yōu)分割閾值作為初始閾值，使其對不同圖像都有一定的自適應(yīng)性。

另一方面，傳統(tǒng)PCNN 模型對圖像分割時存在迭代次數(shù)無法確定問題，目前常用的迭代結(jié)束的判據(jù)是根據(jù)圖像中的神經(jīng)元是否全部完成點火，再選取迭代終止前一次的結(jié)果作為圖像分割最終結(jié)果。這種方式不僅迭代次數(shù)過多，甚至需要人工判斷迭代過程中出現(xiàn)的最優(yōu)分割結(jié)果，與紅外圖像處理自動化的初衷相悖。受Otsu算法的啟發(fā)，本研究采用最大類間方差作為收斂判據(jù)，即判別式為式(13)。類間方差越大，說明構(gòu)成圖像的明、暗兩類的差別越大。若把背景或者目標錯分會導(dǎo)致兩部分的差別變小，以此作為收斂判據(jù)，不僅實現(xiàn)了圖像自動分割，分割效果也很理想，算法流程如圖2所示。

圖2 圖2算法流程圖Fig.2 Algorithm flowchart

3 實驗結(jié)果

為驗證改進PCNN對電力故障區(qū)域提取的準確性與時效性,圖3列出了3種常見故障的紅外圖像：(1)電流互感器內(nèi)部缺陷，圖3(a)所示為互感器B相內(nèi)部缺陷，紅外圖像中B相位置局部發(fā)亮；(2)瓷絕緣子發(fā)熱、表面污穢，如圖3(b)所示3片絕緣子發(fā)亮，存在多個故障區(qū)域；(3)隔離開關(guān)內(nèi)轉(zhuǎn)頭發(fā)熱，如圖3(c)所示內(nèi)轉(zhuǎn)頭部位發(fā)亮。從圖3可見，故障區(qū)域占整幅圖像的比例都偏小?；贛ATLAB平臺對上述3種常見故障的紅外圖像進行測試，并與Otsu算法、K-Means算法、傳統(tǒng)PCNN對比，測試結(jié)果及對比結(jié)果如圖4～圖7所示，故障提取所耗時間如表1。

圖3 原始紅外圖像Fig.3 Infrared images

圖4 Otsu算法Fig.4 Segmentation graphs by using Otsu algorithm

圖5 K-means算法Fig.5 Segmentation graphs by using K-means algorithm

圖6 傳統(tǒng)PCNNFig.6 Segmentation graphs by using traditional PCNN

圖7 改進的算法Fig.7 Segmentation graphs by using the proposed algorithm

表1 圖像分割耗時Tab.1 Comparison of time consumption of different algorithms

比較圖7與圖4～6可見，由于電力設(shè)備紅外缺陷圖中故障區(qū)域很小，即原始紅外圖像中亮度區(qū)域較小，采用傳統(tǒng)Otsu、K-means分割圖像時會有過分割現(xiàn)象，而PCNN對于分割小目標具有顯著優(yōu)勢。然而，如表1所示，PCNN的模型特性使其分割耗時大大增加。各算法具體對比分析如下：

(1)Otsu算法，綜合考慮了整幅圖像，但故障區(qū)域所占比例太小、故障區(qū)域邊界模糊，閾值選擇偏向背景，導(dǎo)致將一部分非故障區(qū)誤分割進來造成過度分割。

(2)K-means算法，將圖像分成兩類，得到的分割結(jié)果基本上把目標區(qū)域融合進背景，極大地增大了后續(xù)處理的工作量。

(3)PCNN，在分割的準確性上明顯優(yōu)于前面兩種算法，然而圖6所示的分割結(jié)果并不是最終迭代結(jié)果，而是通過人為判斷將迭代過程中分割效果最好的圖像進行展示(圖像1為收斂前一次的分割結(jié)果，圖像2為收斂當(dāng)次的分割結(jié)果，圖像3為收斂前一次的分割結(jié)果)。這樣處理不僅無法自動選取最優(yōu)結(jié)果，還增加了迭代時長。當(dāng)然，增加時長還有一個因素是由于初始閾值設(shè)置的不合理導(dǎo)致的。另一方面，與圖7相比，圖6的噪點明顯比較嚴重，目標輪廓不清晰，影響后續(xù)故障類型識別。

(4)改進的算法，能夠?qū)⒐收蠀^(qū)域完整、準確，并且較快速地提取出來。通過二維Otsu算法優(yōu)化迭代的初始閾值，不僅可以減少迭代次數(shù)，還提高了抗噪能力。以最大類間方差作為收斂判據(jù)，實現(xiàn)圖像自動分割。該算法吸收了PCNN模型對于小目標分割的優(yōu)勢，并且通過Otsu算法優(yōu)化了初始值設(shè)置和迭代判據(jù)，圖像分割耗時縮短，目標輪廓更加清晰，具有良好的故障區(qū)域提取性能。

4 結(jié)論

針對傳統(tǒng)PCNN分割耗時長、目標輪廓模糊以及需要人為觀察選取最優(yōu)分割結(jié)果等問題，提出了基于二維Otsu算法優(yōu)化PCNN的電力故障區(qū)域提取方法。通過Otsu算法計算圖像的分割閾值作為PCNN迭代的初始閾值，并以最大類間方差作為收斂判據(jù)，實現(xiàn)最優(yōu)分割自動選取。實驗結(jié)果表明：

1) 該算法具有PCNN對于小目標分割的優(yōu)勢，相較于Otsu、K-means算法能更加準確提取電力故障區(qū)域，并且輪廓清晰。

2) 該算法優(yōu)化了初始值設(shè)置和迭代判據(jù)，相較于傳統(tǒng)PCNN，不僅能自動選取最優(yōu)提取結(jié)果，并且耗時更短，抗噪性能更優(yōu)。