趙洪山，張則言，孟 航，張峻豪

基于高壓絕緣套管紋理特征的紅外目標檢測

趙洪山，張則言，孟 航，張峻豪

（華北電力大學 電氣與電子工程學院，河北 保定 071003）

在基于傳統(tǒng)圖像分割法的紅外圖像目標檢測中，當背景顏色和被檢測物體顏色相近時，往往難以有效地識別紅外圖像中的被檢測物。所以為了進一步提高絕緣套管在紅外圖像中的識別精度，文中提出一種基于絕緣套管傘裙紋理特征的目標檢測方法。首先為增強圖像紋理特性，將雙邊濾波代替?zhèn)鹘y(tǒng)高斯-拉普拉斯算子中的高斯卷積濾波，通過雙邊-拉普拉斯進行圖像濾波和增強。之后針對高壓絕緣套管外層傘裙的特殊紋理，建立反映傘裙周期性分布的描述子，并通過圖像掃描法進行粗識別。最終基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚類算法，建立其超參數(shù)求解方法，實現(xiàn)離群點剔除和特征聚類，完成高壓絕緣套管的精細分割。通過實驗對比其他絕緣套管紅外圖像的識別算法，文中算法可以有效地精細分割出絕緣套管主體，克服其他圖像分割方法的不足。并在數(shù)據(jù)集上識別率達到85%以上。

高壓絕緣套管；紅外圖像；周期性紋理；目標檢測

0 引言

高壓絕緣套管廣泛存在于變電站各類型設備中，起絕緣和支撐的作用。但在運行過程中一般長期暴露于戶外，易出現(xiàn)內(nèi)部故障甚至閃絡故障，進而引發(fā)停電事故[1]。所以必須定期對高壓絕緣套管進行巡視和檢測，及時發(fā)現(xiàn)早期故障。而紅外圖像監(jiān)測因其非接觸特性使得安裝操作簡單[2]，并可以確保操作人員的安全，被廣泛用于電力設備巡檢中[3]。但是隨著智能變電站和變電站巡檢機器人的進一步發(fā)展與普及[4]，海量的電力設備紅外圖像僅依靠人工難以高效地完成。而計算機視覺分析可以有效地對圖像進行識別、提取和分析，有助于提高工作效率，減少人員依賴[5]。

目前，國內(nèi)外關于電氣設備紅外圖像提取算法的研究，大致分為兩類：基于灰度特征的圖像分割法和基于邊緣特征的圖像分割法。基于邊緣特征的圖像分割法利用了電氣設備的獨特邊緣特征來實現(xiàn)識別。文獻[6]基于非下采樣輪廓變換（Nonsubsampled contourlet transform，NSCT）提出一種邊緣提取算法，以提取絕緣子的邊緣特征。文獻[7]結合Canny邊緣特征和SURF（Speeded-Up Robust Features）點特征提取絕緣子邊緣，進而實現(xiàn)接觸網(wǎng)絕緣子智能識別。文獻[8]采用多尺度形態(tài)學梯度法檢測絕緣子串的邊界，進而通過分割圖像提取目標。但是當部分紅外圖像中的目標邊緣模糊，并且背景較為復雜時，基于邊緣特征的圖像分割法識別效果較差。

基于灰度特征的圖像分割方法主要根據(jù)電氣設備紅外圖像的色彩或灰度與背景區(qū)域之間的差異性，利用圖像分割方法分離被識別物體與背景，并在此基礎上精確定位物體的位置，以此進行識別。文獻[9]提出了利用最大類間方差法進行初步分割，再利用遺傳算法進一步提取絕緣子輪廓。文獻[10]利用HIS（Hue Intensity Saturation）顏色模型，借助中值濾波和梯度法，識別輸電線路高溫區(qū)域。文獻[11]使用Sobel算子計算梯度幅值作為附加限定條件，改進區(qū)域生長法，對電氣設備的紅外圖像進行分割和識別。文獻[12]利用改進的分水嶺算法對圖像進行分割，再通過基于Hsim函數(shù)實現(xiàn)設備識別。上述方法都是利用了被識別物體與背景之間的梯度差，進行邊緣分割。但是當絕緣套管和背景顏色相近時，梯度差較小，會導致識別精度較差，甚至無法識別的問題。

針對變電站設備中廣泛存在的高壓絕緣套管，提出了一種以絕緣套管傘裙紋理特征為基礎的目標檢測方法。該方法首先為了增強圖像紋理，用雙邊濾波代替?zhèn)鹘y(tǒng)高斯-拉普拉斯算子（Laplacian of Gaussian，LOG）中的高斯卷積濾波，提出雙邊-拉普拉斯（Laplacian of Bilateral，LOB）算法過濾圖像。之后統(tǒng)計絕緣套管外部傘裙的紋理特性，將其中特有的周期性作為描述子。其次通過圖像掃描法提取絕緣套管主要區(qū)域，實現(xiàn)粗識別。最后利用DBSCAN（density based spatial clustering of applications with noise）密度聚類算法分區(qū)域剔除孤立描述子，并實現(xiàn)特征聚類和精細識別。

1 基于紋理特征的變電站高壓絕緣套管識別

高壓絕緣套管主要應用于變壓器、電抗器、斷路器等電力設備中，主要作用是引線絕緣，當載流導體通過電位不同的設備時，就要用到絕緣套管[13]。雖然絕緣套管的設備類型很多，但是高壓絕緣套管為了增加耐受電壓值，在外表面上都會有傘裙結構。以110kV電容式電壓互感器為例，其基本結構如圖1所示。

圖1 110kV電容式電壓互感器結構圖

絕緣套管的傘裙部分等間隔重復出現(xiàn)。其紋理在紅外圖像中呈現(xiàn)一定周期性。文中通過橫向掃描整個圖像的方式，篩選出具有周期特征的區(qū)域。為了進一步降低特征區(qū)域離群點的影響，通過DBSCAN密度聚類的形式確定所有特征區(qū)域中的主要區(qū)域，將離群點作為噪聲剔除，實現(xiàn)精細分割。

具體流程可以分為如下5部分：①基于LOB的圖像濾波和增強算法；②高壓絕緣套管的周期性紋理特性提??；③基于圖像掃描法的特征區(qū)域粗識別；④基于DBSCAN算法的圖像精細分割算法；⑤確定目標檢測識別方框。

1.1 基于LOB的圖像濾波和增強算法

為了對高壓絕緣套管的紋理進行分析，首先需要對圖像進行濾波。在盡可能減少離散點和噪聲的同時增加邊緣對比度，以此突出絕緣套管的紋理。

傳統(tǒng)LOG算子屬于二階差分算子，是先利用高斯卷積濾波進行降噪處理，再通過拉普拉斯算子進行邊緣檢測[14]。雖然LOG相比于一階差分算子（如Sobel）可以有效地抑制噪聲，但是高斯濾波在平滑噪聲的同時也會模糊邊緣。所以文中提出采用LOB進行圖像濾波和增強。該算法是在傳統(tǒng)LOG算子的基礎上，將雙邊濾波代替高斯卷積濾波，并將濾波圖像和檢測邊緣相疊加，以提高邊緣對比度。

雙邊濾波是利用高斯分布，將周邊像素亮度值的加權平均代表某個像素的強度，反映了空間鄰域信息和灰度相似度。具體算法如下[15]：

式中：

式中：(,)為濾波后的像素強度；(,)和(,)分別為圖像的坐標(,)和(,)的像素強度；(,,,)為權值系數(shù)；d和r為空間域標準差和值域標準差。

拉普拉斯算子屬于二階差分算子，通過二維圖像中的各向同性的二階導數(shù)提取邊緣，但是對噪點無法做到有效的篩選。所以LOB是在上述雙邊濾波的基礎上，再對圖像進行二階求導，如下所示：

通過式(3)可以提取圖像邊緣，最后將式(1)中的濾波圖像和式(3)中提取的邊緣疊加，實現(xiàn)增強圖像的效果，如下所示：

(,)＝?2(,)＋(,) (4)

式中：(,)為通過LOB算法得到的圖像。

相比于其他圖像濾波算法，對比結果如圖2所示。圖2(b)中的高斯濾波雖然可以一定程度濾除噪聲，但是會同時模糊邊緣。圖2(c)中的LOG濾波相比于圖2(d)中的LOB濾波，因為LOG中的高斯濾波算子模糊邊緣，所以LOG濾波的邊緣響應較差，在紅外圖像中體現(xiàn)的邊緣增強不明顯。圖1(d)中的Sobel這類一階差分算子在增強邊緣的同時也增大噪聲。所以文中采用在降低噪聲的同時，增強邊緣的LOB算法進行濾波。

圖2 典型濾波算子對比圖

1.2 高壓絕緣套管紅外紋理特征提取

由圖1可知，傘裙占據(jù)了整個絕緣套管外表面的大部分面積，所以提取傘裙的紋理特性作為描述子，并通過采樣直線提取特征。

在紅外圖像中，絕緣套管因傘裙等間隔重復出現(xiàn)，所以其紋理會呈現(xiàn)明顯的周期性特點。如圖3所示。1和2為采樣直線。采樣直線1經(jīng)過絕緣套管的部分，沿線強度呈現(xiàn)明顯的周期性。而采樣直線2經(jīng)過背景中其他物體，并不會在圖像強度分布上呈現(xiàn)周期性。

圖3 采樣直線周期性特征

通過上述出現(xiàn)的特殊周期性建立描述子。首先對采樣直線所得的圖像強度值進行歸一化處理：

式中：L為歸一化前強度數(shù)列中的第個元素；L￠為歸一化后對應的強度。上述周期性的特點是，相鄰極大值出現(xiàn)的位置較近，有一定規(guī)律性。不同于一般噪聲的是，相鄰極大值和極小值之間的幅值差在一定范圍內(nèi)。所以需通過對￠的二階差分求得極大值集合和極小值集合。其中和都包括了￠對應的序列位置（）和幅值（）。當序列滿足如下條件時，認為該采樣直線包含傘裙的周期性特點。

式中：d為極大值相鄰兩點位置之間的距離；為距離差值；h為相鄰極大值和極小值之間的幅值差；、、1和2（0＜1、2＜1）均為參數(shù)，依據(jù)經(jīng)驗取值。一般為20，為10，1為0.1，2為0.3。在￠中，滿足式(6)的點，必須連續(xù)出現(xiàn)才能說明采樣直線上的該區(qū)域為傘裙的周期性區(qū)域。所以將滿足式(6)的點賦值為1，不滿足的點賦值為0，得到2。即當2中連續(xù)為1的區(qū)間大于一定長度時，才能說明該區(qū)域為傘裙的周期性區(qū)域。如式(7)所示：

long{L2＝1}＞(7)

式中：long代表2中連續(xù)為1的數(shù)列長度；為參數(shù)。的具體取值和絕緣套管的傘裙長度成正比。

通過上述對周期性的描述建立描述子：

={,,,} (8)

即當采樣直線中存在區(qū)間滿足式(8)的描述子，說明當前采樣直線經(jīng)過絕緣套管。

通過本節(jié)算法，可以有效地提取采樣直線中周期性明顯的區(qū)域，反映了在采樣直線中絕緣套管的位置。

1.3 基于圖像掃描法的區(qū)域粗識別

文中按圖像中的單列像素為采樣直線，為了具體確定圖像中絕緣套管的大致位置，提出將采樣直線通過從左向右掃描，即提取每一列像素的強度分布，反映圖像中絕緣套管的大致位置。

按照1.2中的條件，掃描每列像素的強度分布。當出現(xiàn)滿足式(8)的采樣直線后，對該直線進行編號為1；當不滿足式(8)時，對該直線編號為0，如圖4所示。若出現(xiàn)連續(xù)為1的采樣直線，說明當前掃描的區(qū)域基本包含絕緣套管。所以按照式(7)進行連續(xù)性篩選，保留滿足條件的區(qū)間＝{1,2, …,C}。如圖4所示。經(jīng)過連續(xù)性的篩選后，掃描結果中減少了一部分非連續(xù)為1的采樣直線。并且采樣直線中編號為1的部分基本對應出現(xiàn)絕緣套管的區(qū)域。實現(xiàn)了圖像的初步區(qū)域粗識別。

但是經(jīng)過圖像掃描的初步篩選，只能確定所有掃描區(qū)域中絕緣套管的大致范圍，所以需要進一步進行精準識別。

圖4 圖像掃描法的粗識別

1.4 基于DBSCAN算法的圖像精細分割算法

為了對上述粗識別得到的區(qū)域進行進一步的精細識別，需要篩選出區(qū)域中的離群點，將其作為噪聲剔除。并保留主要聚類區(qū)域作為特征聚類，以此實現(xiàn)精細分割。

本節(jié)利用DBSCAN聚類算法，通過建立其超參數(shù)求解方法，進而實現(xiàn)圖像離群點檢測。相比于K-means聚類和層次聚類算法，該算法無需事先確定聚類中心的數(shù)量，并可以識別出任意形狀的簇類，且具有較強的抗噪聲能力，更加適合圖像中離群點的檢測。

1.4.1 DBSCAN算法

DBSCAN是一種基于密度的聚類算法[16-17]，其目的是盡可能形成密度可達的數(shù)據(jù)點最大簇。它能夠快速進行聚類，并對噪聲加以區(qū)分。

該算法的本質(zhì)是給定聚類半徑Eps和樣本數(shù)目MinPts來確定樣本分布的疏密情況，并通過密度相連的關系最終實現(xiàn)聚類。具體的DBSCAN聚類算法如下：

1）設置數(shù)據(jù)集、半徑Eps和樣本數(shù)目MinPts。

2）確定Eps的鄰域。對于空間內(nèi)的任意一點?∈，以為圓心、Eps為半徑的區(qū)域內(nèi)樣本點的集合，即：

式中：Eps()表示樣本鄰域集合。(,)表示樣本到中心的距離。

3）判斷輸入樣本點是否為核心點。對于樣本點，其鄰域內(nèi)至少包含MinPts個樣本點，即：

則被稱為核心點。

4）若輸入樣本為核心點，找出其鄰域內(nèi)所有直接密度可達點，即滿足式(9)的點。

5）重復步驟2）、3）和4）直至所有樣本判斷完成。

6）合并一些密度可達對象，并根據(jù)所有核心點鄰域內(nèi)的直接密度可達點找到最大密度相連點的集合。

7）重復執(zhí)行步驟6），直至遍歷完所有核心點鄰域。

1.4.2 基于DBSCAN算法的圖像離群點剔除算法

通過上述1.3中的算法，能夠得到多個滿足條件的區(qū)間＝{C,C, …,C}，每個區(qū)間含有多條編號為1的采樣直線。針對單一區(qū)間C（C∈C）將每條采樣直線中的連續(xù)區(qū)間中心點{x,y}作為DBSCAN算法的聚類數(shù)據(jù)集樣本，如圖5所示。所以中的個區(qū)間共對應個數(shù)據(jù)集，并利用DBSCAN算法對每個數(shù)據(jù)集分別進行聚類分析。

圖5 基于DBSCAN密度聚類的離群點剔除

根據(jù)1.4.1的DBSCAN算法，確定輸入?yún)?shù)聚類半徑Eps和樣本數(shù)目MinPts。關于聚類半徑Eps的計算如下：

1）計算相鄰采樣直線的y差值D，即：

D()＝|y()－y(＋1)|,＝1, 2, …,－1 (11)

式中：為數(shù)據(jù)集內(nèi)樣本的數(shù)量；y為采樣直線連續(xù)區(qū)間的中心點縱坐標，如圖5所示。

2）對D進行升序排序，得到D￠。

3）提取D￠中的差分數(shù)列最大值，即：

￠max＝D￠(－2)|D￠()＝max{D￠} (12)

式中：為D￠中最大值對應的索引值。

4）確定聚類半徑。得到Eps＝￠max。

樣本數(shù)目MinPts需正比于數(shù)據(jù)集內(nèi)樣本的數(shù)量，即MinPts＝×，（0＜≤1）為比例系數(shù)，一般取0.5。

將計算得到的MinPts和Eps帶入1.4.1中的DBSCAN算法，并只保留結果中核心點鄰域作為特征聚類，并將離群點作為噪聲進一步剔除。在1.3的基礎上實現(xiàn)絕緣套管的精確分割。如圖5所示，將算法識別的離群點1和離群點2剔除，保留簇1和簇2作為特征聚類，即為精細分割區(qū)域。

1.5 確定目標檢測識別方框

文中通過檢測方框的形式進行目標檢測。在剔除了孤立點后，保留的主要區(qū)域即為精細分割的特征聚類，將目標檢測結果以識別方框{B,B,B,B}的形式表示，分別代表識別方框的橫縱坐標，高度和寬度。即：

式中：和為剔除離群點后，所有特征聚類區(qū)域中各點的橫、縱坐標集合。C￠代表在1.3節(jié)粗識別區(qū)域C的基礎上，通過1.4節(jié)精細分割后的區(qū)間。如圖6所示。

圖6 目標檢測識別方框

2 實驗分析

實驗中以Matlab 2019a為實驗平臺，通過兩個實驗驗證文中提出算法的有效性和魯棒性。一是對比不同絕緣套管識別算法的識別效果；二是針對數(shù)據(jù)集對比識別精準度。

2.1 實驗數(shù)據(jù)

文中采用某變電站巡檢過程中采集的圖像，采集時間為2019年8月7號，周圍環(huán)境溫度22℃，空氣質(zhì)量良好。選取其中帶有高壓絕緣套管的50張圖片作為數(shù)據(jù)集，紅外圖像采集設備詳情如表1所示。

表1 紅外圖像采集設備介紹

2.2 對比實驗

文中的算法是基于絕緣套管的自身紋理特征進行目標檢測。為了驗證本文算法的優(yōu)勢和有效性，實驗對比了本文算法，文獻[18]和文獻[19]中的算法。

文獻[18]是將標記分水嶺模型與Krawtchouk不變矩相結合的改進算法。其中標記分水嶺模型會針對整個圖像得出分割閾值，再通過不變矩進行分類和識別。文獻[19]主要是通過將區(qū)域生長法和最大熵檢測器相結合，首先通過區(qū)域生長法對目標進行粗識別，之后利用最大熵檢測器篩選粗識別范圍內(nèi)的像素，最終確定目標。這3類算法在紅外圖像目標檢測中的效果如圖7、8所示。其中圖7(f)和圖8(f)為文中1.4節(jié)算法處理后的結果。

圖7 算法分割及識別效果對比圖一

圖8 算法分割及識別效果對比圖二

在圖7(b)和圖8(b)中，文獻[18]中的標記分水嶺算法提供統(tǒng)一的閾值，將顏色相近的區(qū)域合為同一類，基本無法有效區(qū)分顏色相近的噪聲和被識別物體。

在圖7(d)和圖8(d)中，文獻[19]中的區(qū)域生長法存在相同的問題，當出現(xiàn)被識別物體和顏色相近的干擾物體相連時，難以做到有效的粗識別。同時最大熵檢測器無法有效地篩選出粗識別范圍內(nèi)所有的背景像素點。

通過對比圖8(c)、圖8(e)和圖8(g)，當絕緣套管溫度較低，在紅外圖像中與環(huán)境顏色較為接近時，文獻[18]中的算法和文獻[19]中的算法會將其作為背景，難以識別。而文中通過提取絕緣套管特殊的紋理分布識別成功，如圖8(g)所示。

通過對比圖7(b)、圖7(d)和圖7(f)，圖7(f)中的識別效果更好，說明本文算法并不受高低溫區(qū)域的影響，并且受周圍背景溫度的影響較小。充分體現(xiàn)文中算法的優(yōu)勢。

通過本節(jié)對比實驗及分析，得到如下結論：1）文獻[18]的算法對噪聲較為敏感，難以區(qū)分高溫背景區(qū)域和高壓絕緣套管；2）文獻[19]的算法受高壓絕緣套管周圍背景區(qū)域的影響，難以實現(xiàn)精準分割；3）本文算法可準確、有效地分割出紅外圖像中的高壓絕緣套管，并且受噪聲和環(huán)境背景溫度的影響較小。

2.3 算法目標檢測精度

為定量分析文中算法識別結果的準確性，引入交并比和精準度，作為衡量指標。

交并比為算法的預測區(qū)域和實際標注區(qū)域之間的比值，即：

式中：IoU為交并比；B為算法的預測邊界框；T為實際邊框，是按照最佳識別效果人工標注的。本實驗將交并比閾值設立為0.5，即當交并比大于0.5時，認為該方框為識別正確的正例。

精準度反映了被判定為正例中真正正例樣本的比例，公式如下：

式中：pre代表精準度；P表示預測結果和真實結果相同的數(shù)量；P表示預測結果為絕緣套管、真實結果為非絕緣套管的數(shù)量。

文中通過50張含有變電站絕緣套管的紅外圖像進行實驗驗證，圖片的特點是絕緣套管和周圍物體及背景的溫度相近，即在紅外圖像中的顏色相近。得到結果如表2所示。

表2 測試數(shù)據(jù)檢測結果

在表2中，本文算法的識別精準度比文獻[18]高19.9%，比文獻[19]高12.6%。所以文中的方法能在變電站紅外圖像中，有效準確地識別和定位絕緣套管。相比于其他算法具有更好的識別精度。

3 總結

文章提出一種基于高壓絕緣套管周期性紋理特征的目標檢測方法。首先提出LOB算法進行圖像濾波和增強，之后利用傘裙分布的周期性建立描述子對圖像進行粗提取，最后通過DBSCAN算法進行精細分割。通過對比文獻[18]中的標記分水嶺模型改進算法和文獻[19]的區(qū)域生長法改進算法，本文算法識別精度較高，能夠?qū)崿F(xiàn)絕緣套管的精準分割，并受噪聲和環(huán)境背景溫度的影響較小。

文中提出基于變電站絕緣套管紅外圖像紋理特征的目標檢測方法，解決了背景顏色和被檢測物體顏色相近情況下的目標檢測，為變電站絕緣套管紅外圖像的自動識別奠定了基礎。

[1] 徐肖偉, 廖維, 王科, 等. 基于Havriliak-Negami介電模型的油浸式套管受潮狀態(tài)評估[J]. 電測與儀表, 2018, 55(1): 53-59.

XU Xiaowei, LIAO Wei, WANG Ke, et al. Moisture assessment of oil-impregnated bushing based on Havriliak-Negami dielectric relaxation model[J]., 2018, 55(1): 53-59.

[2] 楊武, 王小華, 榮命哲, 等. 基于紅外測溫技術的高壓電力設備溫度在線監(jiān)測傳感器的研究[J]. 中國電機工程學報, 2002(9): 114-118．

YANG Wu, WANG Xiaohua, RONG Mingzhe, et al. On-line temperature measurements with infrared technology on high voltage device[J]., 2002(9): 114-118.

[3] 劉齊, 王茂軍, 高強, 等. 基于紅外成像技術的電氣設備故障檢測[J]. 電測與儀表, 2019, 56(10): 122-126, 152.

LIU Qi, WANG Maojun, GAO Qiang, et al. Fault detection of electrical equipment based on infrared imaging technology[J]., 2019, 56(10): 122-126, 152.

[4] 馬承志, 王宇雷, 楊璽, 等. 用于變電站自主巡視機器人的圖像傳輸系統(tǒng)研究[J]. 電力系統(tǒng)保護與控制, 2014, 42(18): 105-109．

MA Chengzhi, WANG Yulei, YANG Xi, et al. Research on image transmission system for substation autonomous patrol robot[J]., 2014, 42(18): 105-109.

[5] 黃山, 吳振升, 任志剛, 等. 電力智能巡檢機器人研究綜述[J]. 電測與儀表, 2020, 57(2): 26-38.

HUANG Shan, WU Zhensheng, REN Zhigang, et al. Review of electric power intelligent inspection robot[J]., 2020, 57(2): 26-38.

[6] 趙振兵, 金思新, 劉亞春. 基于 NSCT 的航拍絕緣子圖像邊緣提取方法[J]. 儀器儀表學報, 2012, 33(9): 2045-2052．

ZHAO Zhenbing, JIN Sixin, LIU Yachun. Aerial insulator image edge extraction method based on NSCT[J]., 2012, 33(9): 2045-2052.

[7] 姚曉通, 劉力, 李致遠. 基于Canny邊緣特征點的接觸網(wǎng)絕緣子識別方法[J].電瓷避雷器, 2020(1): 142-148.

YAO Xiaotong, LIU Li, LI Zhiyuan. Identification Method of Catenary Insulator Based on Canny Edge Feature Point[J]., 2020(1): 142-148.

[8] 劉洋, 陸倚鵬, 高嵩, 等. 邊緣檢測在盤形懸式瓷絕緣子串紅外圖像上的應用[J]. 電瓷避雷器, 2020(1): 198-203.

LIU Yang, LU Yipeng, GAO Song, et al. Edge Detection on Infrared Image of High Voltage Porcelain Disc Type Suspension Insulator Strings[J]., 2020(1): 198-203.

[9] 方挺, 董沖, 胡興柳, 等. 航拍圖像中絕緣子串的輪廓提取和故障檢測[J]. 上海交通大學學報, 2013, 47(12): 1818-1822．

FANG Ting, DONG Chong, HU Xingliu, et al. Contour extraction and fault detection of insulator strings in aerial images[J]., 2013, 47(12): 1818-1822.

[10] 楊政勃, 金立軍, 張文豪, 等. 基于紅外圖像識別的輸電線路故障診斷[J]. 現(xiàn)代電力, 2012, 29(2): 76-79.

YANG Zhenbo, JIN Lijun, ZHANG Wenhao, et al. The Fault Diagnosis of Transmission Line Based on the Infrared Image Recognition[J]., 2019, 29(2): 76-79.

[11] SHI J Y, LIU J. Mentation based on modified region growing algorithm[J]., 2017, 43(4): 381-384.

[12] 崔巨勇, 曹云東, 王文杰. 基于分水嶺與Krawtchouk不變矩相結合的改進方法在變電站巡檢圖像處理中的應用[J]. 中國電機工程學報, 2015, 35(6): 1329-1335.

CUI Juyong, CAO Yundong, WANG Wenjie. Application of an Improved Algorithm Based on Watershed Combined With Krawtchouk Invariant Moment in Inspection Image Processing of Substations[J]., 2015, 35(6): 1329-1335.

[13] 王媛彬, 尹陽. 基于紅外弱目標提取的絕緣設備故障檢測研究[J].紅外技術, 2018, 40(2): 193-199.

WANG Yuanbin, YIN Yang. Research on the Insulation Equipment Fault Detection Based on Infrared Weak Target Extraction[J]., 2018, 40(2): 193-199.

[14] 劉元寧, 劉帥, 朱曉冬, 等. 基于高斯拉普拉斯算子與自適應優(yōu)化伽柏濾波的虹膜識別[J]. 吉林大學學報: 工學版, 2018, 48(5): 1606-1613.

LIU Yuanning, LIU Shuai, ZHU Xiaodong, et al. LOG operator and adaptive optimization Gabor filtering for iris recognition[J].: Engineering and Technology Edition, 2018, 48(5): 1606-1613.

[15] 曾雅瓊, 陳錢. 基于改進的雙邊濾波的單幀紅外弱小目標背景抑制[J]. 紅外技術, 2011, 33(9): 537-540．

CENG Yaqiong, CHENG Qian. Dim and Small Target Background Suppression Based on Improved Bilateral Filtering for Single Infrared Image[J]., 2011, 33(9): 537-540.

[16] CASSISI C, FERRO A, GIUGNO R, et al. Enhancing density-based clustering: Parameter reduction and outlier detection[J]., 2013, 38(3): 317-330.

[17] KUMAR K M, REDDY A R M. A fast DBSCAN clustering algorithm by accelerating neighbor searching using Groups method[J]., 2016, 58: 39-48.

[18] 崔巨勇, 曹云東, 王文杰. 基于分水嶺與Krawtchouk不變矩相結合的改進方法在變電站巡檢圖像處理中的應用[J]. 中國電機工程學報, 2018, 35(6): 1329-1335.

CUI Juyong, CAO Yundong, WANG Wenjie. Application of an Improved Algorithm Based on Watershed Combined With Krawtchouk Invariant Moment in Inspection Image Processing of Substations[J]., 2018, 35(6): 1329-1335.

[19] 呂欣欣. 紅外圖像分割算法研究及其在電氣設備故障診斷中的應用[D]. 天津: 天津理工大學, 2019.

LV Xinxin. Research on Infrared Image Segmentation Algorithm and its Application in the Fault Diagnosis of Electrical Equipment[D]. Tianjin: Tianjin University of Technology, 2019.

Infrared Target Detection of High Voltage Insulation Bushing Based on Textural Features

ZHAO Hongshan，ZHANG Zeyan，MENG Hang，ZHANG Junhao

(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003, China)

In infrared image target detection based on the traditional image segmentation method, when the background color and the color of the detected object are similar, it is often difficult to identify the detected object effectively in the infrared image. Therefore, to further improve the recognition accuracy of insulating bushings in infrared images, this paper proposes a target detection method based on the texture features of insulation bushings. First, to enhance the texture of the image, bilateral filtering is used to replace the Gaussian convolution filtering in the traditional Laplacian of Gaussian, and image filtering and enhancement are performed through Laplace of bilateral filtering. Then, based on the special texture of the outer sheds and insulation bushing, a descriptor reflecting the periodic distribution of sheds was established and rough identification was performed using the image scanning method. Finally, based on the DBSCAN clustering algorithm, a method for solving its hyper parameters was established to achieve outlier elimination and feature clustering, and to complete the fine identification of the high-voltage insulation bushing. By experimentally comparing other recognition algorithms for infrared images of insulating bushings, the algorithm in this study can effectively segment the insulation bushing main body and overcome the shortcomings of traditional image segmentation methods. The recognition rate on the dataset reached over 85%.

high voltage insulation bushing, infrared image, periodic texture, target detection

TP391.41

A

1001-8891(2021)03-0258-08

2020-05-26；

2020-06-29.

趙洪山（1965-），男，漢族，河北滄州人，教授，博士生導師，研究方向為電力系統(tǒng)分析、運行與控制、智能配電網(wǎng)載波通信與自動化、電力設備故障預測與優(yōu)化檢修等。E-mail：zhaohshcn@126.com。