賈竣淇　杜文　劉津如　張吉夢

摘要：為獲取最優(yōu)的絕緣子識別和提取方法，采用最大似然法、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)算法處理復(fù)雜背景下的圖片。結(jié)果表明：神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、最大似然法的平均精度依次為95.727%，95.386%和95.52%;在復(fù)雜背景的電力絕緣子識別和提取中，神經(jīng)網(wǎng)絡(luò)算法的精度略好。

關(guān)鍵詞：絕緣子;監(jiān)督分類;小斑塊去除;識別與提取

中圖分類號：TP391.4;TP18? ? 文獻(xiàn)標(biāo)識碼：A? ? 文章編號：1674-1161（2021）06-0050-03

在架空線路中，絕緣子的主要作用是使載流導(dǎo)體與桿塔、大地之間保持絕緣。然而，由于受環(huán)境因素（如雨、霧天氣）和機(jī)械應(yīng)力的影響，絕緣子可能出現(xiàn)磨損、老化、傘裙開裂等狀況，給電網(wǎng)的安全運(yùn)行帶來極大隱患，因此采取措施定期對絕緣子及架空線路進(jìn)行巡檢十分必要。巡檢方式有很多種，如人工巡檢、直升機(jī)巡檢、無人機(jī)巡檢等。其中，無人機(jī)巡檢融合當(dāng)下各種先進(jìn)技術(shù)，是未來電力巡檢發(fā)展的主要方向。無人機(jī)巡檢先通過航拍得到絕緣子圖像，再對圖像進(jìn)行自動處理，提取出圖像中的絕緣子區(qū)域，最后根據(jù)提取結(jié)果判斷絕緣子是否存在外部故障。由于絕緣子所處的環(huán)境紛繁復(fù)雜，航拍圖中絕緣子的形態(tài)可能不夠明顯，因此利用圖像處理技術(shù)精準(zhǔn)地提取出絕緣子區(qū)域具有十分重要的意義。

1 絕緣子識別方法

采用監(jiān)督分類法提取絕緣子，分為選取樣本、選擇分類器、分類后處理和精度評價(jià)4個步驟。

1.1 選取樣本

選取樣本時，需要對原始圖像進(jìn)行拉伸和全屏處理，調(diào)整到最好角度。分別在絕緣子和其他類圖像上選取多個圖像樣本，用不同的顏色進(jìn)行標(biāo)注。為便于分類的精準(zhǔn)，樣本選擇要力求多、全、細(xì)。樣本選擇不能太大，否則會難以識別，如圖1所示。

選擇樣本后，如果兩類樣本之間特征差異不大，在后續(xù)分類過程中可能會出現(xiàn)錯分、誤分的情況。因此，需要比較兩類樣本之間的相似度。只有在相似度足夠低的情況下，才能準(zhǔn)確地分類。在ENVI5.1中，相似度由樣本可分離性表示。樣本可分離性的兩個參數(shù)在0～2之間取值，參數(shù)值越大，兩類樣本的特征差異越明顯。在參數(shù)值大于1.8的情況下，系統(tǒng)能準(zhǔn)確地劃分出兩種物像;如果參數(shù)值小于1，就需要重新選擇樣本，如圖2所示。

1.2 選擇分類器

選擇分類器實(shí)際上是選擇分類算法，依據(jù)不同種類樣本對整張圖像進(jìn)行劃分。只選取絕緣子和其它兩類樣本，將圖像被劃分為2個區(qū)域，其中一部分是絕緣子區(qū)域。采用支持向量機(jī)算法的分類結(jié)果見圖3。

1.3 分類后處理

在完成對圖像的整體劃分后，還需要對分類結(jié)果進(jìn)行處理，因?yàn)椴还苣囊环N分類器，都會存在一些分類誤差，將某些像元劃分到錯誤的樣本類別中，會使分類后的圖像中存在面積很小的圖斑。常用的去除圖斑方法有Majority和Minority分析法、聚類處理法和過濾處理法。分別使用3種方法對圖像中的小斑塊進(jìn)行處理，比較3種方法的處理效果。Majority和Minority分析處理結(jié)果見圖4，聚類處理結(jié)果見圖5，過濾處理結(jié)果見圖6。

經(jīng)過比較，Majority 和 Minority分析對原始分類結(jié)果小斑塊的處理效果好于其他2種方法，原始分類結(jié)果的碎斑歸為背景類別后更加平滑。

1.4 精度評價(jià)

精度評價(jià)過程是對比分類后的樣本與參考樣本，分類樣本的像元劃分越是接近參考樣本，分類精度就越高。參考樣本可以是標(biāo)準(zhǔn)分類圖，也可以通過在更高分辨率的原圖上選取樣本的方式獲得。精度評價(jià)的指標(biāo)包括總體分類精度、Kappa 系數(shù)、錯分誤差、漏分誤差、制圖精度、用戶精度等，如圖7所示。

2 分類算法的精度比較

ENVI5.1提供12種常見的分類算法，現(xiàn)選取支持向量機(jī)、最大似然、神經(jīng)網(wǎng)絡(luò)3種算法對10張絕緣子圖像進(jìn)行分類，樣本和分類結(jié)果如圖8-11所示。

對分類結(jié)果進(jìn)行精度評價(jià)，并將精度評價(jià)報(bào)表中的總體分類精度（Overall Accuracy）記錄下來，如表1所示。由于條件限制，無法獲取標(biāo)準(zhǔn)分類圖或更高分辨率的原圖，因此將原分類結(jié)果與在原有圖像上重新選取樣本進(jìn)行分類的結(jié)果進(jìn)行比較。二者的分類結(jié)果相似，導(dǎo)致精度很高，甚至可達(dá)99%左右。

由表1可以看出：神經(jīng)網(wǎng)絡(luò)算法在10次比較中，有4次精度最高，分別為99.2%，91.81%，97.89%，91.54%;支持向量機(jī)算法有4次精度最高，分別為99.54%，99.70%，91.06%，99.82%;最大似然算法有2次精度最高，分別為95.10%，92.74%。神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、最大似然法的平均精度依次為95.727%，95.386%，95.52%?？偟膩砜矗窠?jīng)網(wǎng)絡(luò)算法的精度略好。

3 結(jié)論與展望

絕緣子長時間運(yùn)行后容易生銹、破損，需要按時對其進(jìn)行巡檢，基于圖像處理技術(shù)識別絕緣子具有非常重要的實(shí)際意義。分別選取基于傳統(tǒng)統(tǒng)計(jì)分析學(xué)的最大似然算法、基于模式識別的支持向量機(jī)算法和基于神經(jīng)網(wǎng)絡(luò)算法識別和提取絕緣子。要保證分類結(jié)果精準(zhǔn)，樣本選擇非常重要，要盡量多選、選全，且可分離性計(jì)算盡可能接近2.0。同時，原始圖像的像素越高，顏色區(qū)分越明顯，識別效果也越好。使用的方法雖然能成功的識別和提取絕緣子，但對圖像的顏色區(qū)分和像素要求比較高，仍存在一定的局限性。在選擇樣本時，如果絕緣子區(qū)域與背景區(qū)域的色彩特征相似，樣本的分離度就達(dá)不到1.8;當(dāng)絕緣子串的排列不規(guī)則或邊緣融入背景較為模糊時，提取出的絕緣子串可能不完整，難以看出其外部是否有缺陷。隨著計(jì)算機(jī)信息技術(shù)和圖像處理技術(shù)的深度開發(fā)研究，以及對提取算法的深入挖掘，復(fù)雜背景下的絕緣子提取將會更加精準(zhǔn)和完善。

參考文獻(xiàn)

[1] 張宏微.基于深度學(xué)習(xí)的復(fù)雜背景下接觸網(wǎng)絕緣子圖像識別與提取研究[D].蘭州：蘭州交通大學(xué)，2020.

[2] 楊罡，張娜，晉濤，等.基于YOLO算法的無人機(jī)航拍圖片絕緣子缺失檢測[J].科技資訊，2018，16（24）：30-31

[3] 李楠，王雪林.基于ENVI的遙感圖像分類方法研究[J].科技創(chuàng)新與生產(chǎn)力，2020（5）：63-65.

[4] 李超，宋方.基于監(jiān)督分類的遙感影像分類方法研究[J].西部探礦工程，2020，32（12）：159-162.

[5] 童威.基于ENVI的遙感影像監(jiān)督分類方法的研究[J].科技創(chuàng)新與應(yīng)用，2019（23）：6-9.

[6] 何予霄，周江.ENVI中幾種監(jiān)督分類方法精度比較[J].科技創(chuàng)新與應(yīng)用，2018（13）：22-24.

[7] 紀(jì)揚(yáng).基于深度學(xué)習(xí)的高鐵接觸網(wǎng)絕緣子檢測算法研究[D].杭州：浙江大學(xué)，2020.

[8] 胡立.基于深度學(xué)習(xí)的高鐵接觸網(wǎng)絕緣子圖像分析技術(shù)研究[D].杭州：浙江大學(xué)，2020.

[9] 虢韜，楊恒，時磊，等.基于Faster RCNN的絕緣子自爆缺陷識別[J].電瓷避雷器，2019（3）：183-189.

[10] 張曉宇，何文思，段紅燕，等.改進(jìn)的SURF特征提取與匹配算法[J].機(jī)械設(shè)計(jì)與制造工程，2018，47（11）：58-62.

[11] 申澤浩.航拍架空輸電線路絕緣子缺陷檢測方法研究[D].天津：天津工業(yè)大學(xué)，2020.

Insulator Image Recognition and Extraction Based on Complicated Background

JIA Junqi， DU Wen*，LIU Jinru，ZHANG Jimeng

（College of Information and Electrical Engineering， Shenyang Agricultural University， Shenyang 110866， China）

Abstract： In this paper， in order to obtain the optimal insulator recognition and extraction method， the maximum likelihood method， support vector machine and neural network algorithm are used to process the images under complicated background. The results show that： The average accuracy of neural network， support vector machine and maximum likelihood method are 95.727%， 95.386% and 95.52% respectively; In recognition and extraction of power insulators under complicated background， the accuracy of neural network algorithm is slightly better.

Key words： insulator; supervised classification; small spot removal; identification and extraction

收稿日期：2021-04-15

作者簡介：賈竣淇（1999—），男，從事農(nóng)業(yè)遙感、圖像處理相關(guān)研究。

通信作者：杜 文（1989—），女，博士，講師，從事農(nóng)業(yè)遙感、圖像處理相關(guān)研究。