劉新伯 李昊 陳強(qiáng) 梁鑒如 郭夢(mèng)茹

關(guān)鍵詞：絕緣子;圖像分割;霍夫變換;定向腐蝕;SNIC

變電站中存在大量的絕緣子，其主要的作用是固定、支持導(dǎo)線使得導(dǎo)線與地絕緣。由于絕緣子長(zhǎng)時(shí)間暴露于室外，易出現(xiàn)絕緣子零值、爆裂和閃絡(luò)等故障。絕緣子屬于電壓致熱型設(shè)備，利用紅外熱像儀的檢測(cè)方法，可以安全、有效地獲得絕緣子的運(yùn)行狀況。紅外熱像儀檢測(cè)是非接觸的檢測(cè)方法，在設(shè)備運(yùn)行狀態(tài)下，獲取致熱型電力設(shè)備表面溫度分布，從而發(fā)現(xiàn)電力設(shè)備內(nèi)部故障的方法得到廣泛應(yīng)用。隨著電力設(shè)備紅外檢測(cè)技術(shù)的完善，通過計(jì)算機(jī)視覺技術(shù)對(duì)紅外圖像進(jìn)行分析、定位和分割的研究顯得十分重要。

目前，國(guó)內(nèi)外對(duì)紅外圖像中絕緣子的提取與分割方法進(jìn)行了大量的研究，主要分為采用傳統(tǒng)方法和采用神經(jīng)網(wǎng)絡(luò)方法。傳統(tǒng)方法中：文獻(xiàn)[4]使用加速健壯特征（Speed-up Robust Feature，SURF）提取特征點(diǎn)，提出改進(jìn)的模糊c均值算法（FuzzyC-Means，F(xiàn)CM）進(jìn)行特征點(diǎn)聚類，來(lái)區(qū)分絕緣子與桿塔。當(dāng)絕緣子被桿塔遮擋時(shí)，區(qū)分效果不佳。文獻(xiàn)[5]通過空間距離定值，加大顏色距離的權(quán)重來(lái)改進(jìn)簡(jiǎn)單的線性迭代聚類（Simple Linear Itera-tive Clustering，SLIC）算法，而后將圖像轉(zhuǎn)換成HSV色彩空間，實(shí)現(xiàn)對(duì)故障區(qū)域的分割。該算法僅鎖定顏色異常區(qū)域，對(duì)電力設(shè)備的識(shí)別未做研究。神經(jīng)網(wǎng)絡(luò)方法中：文獻(xiàn)[6]改進(jìn)了FasterR-CNN，增加了區(qū)域提取網(wǎng)絡(luò)并引入激勵(lì)壓縮環(huán)節(jié)，提高了對(duì)小目標(biāo)的特征提取。文獻(xiàn)[7]在YOLOv3網(wǎng)絡(luò)中加入了金字塔特征注意網(wǎng)絡(luò)，去除了網(wǎng)絡(luò)底層細(xì)節(jié)冗余，減輕了圖像背景對(duì)絕緣子檢測(cè)的干擾。雖然神經(jīng)網(wǎng)絡(luò)算法在絕緣子紅外圖像的處理中得到越來(lái)越多的應(yīng)用，但是神經(jīng)網(wǎng)絡(luò)算法需要數(shù)十萬(wàn)張圖像數(shù)據(jù)、巨大的算力，并且模型的準(zhǔn)確率依托于數(shù)據(jù)集的多樣性。紅外圖像分割中，若采用神經(jīng)網(wǎng)絡(luò)算法，數(shù)據(jù)集的采集需要耗費(fèi)大量的人力和時(shí)間成本，為此，采用傳統(tǒng)的圖像處理方法更適合變電站在線型紅外檢測(cè)。

為了去除紅外圖像中桿塔、電線等背景，分割出紅外圖像中的多個(gè)絕緣子，該方法利用紅外圖像的特點(diǎn)，準(zhǔn)確分割出絕緣子，為絕緣子的紅外圖像故障診斷提供了前期基礎(chǔ)。首先，利用RGB三通道閾值分割去除電線桿等背景;其次，采用霍夫變換直線檢測(cè)橫向桿塔;然后，利用定向腐蝕、全局腐蝕以及連通域排序去除殘留的微小背景噪聲;最后，根據(jù)獲得二值圖像與簡(jiǎn)單非迭代聚類（SimpleNon-Iterative Clustering，SNIC）分割算法融合完成對(duì)復(fù)雜背景下多個(gè)絕緣子串的分割。

1算法設(shè)計(jì)

為完成在復(fù)雜背景中對(duì)多個(gè)絕緣子串的有效分割，提出了一種絕緣子串紅外圖像分割方法，其流程如圖1所示。

1.1圖像預(yù)處理

1.1.1顏色閾值處理

紅外熱像儀獲取物體發(fā)射的電磁波，通過光電效應(yīng)與電路處理，利用熱像儀鐵紅調(diào)色盤將圖像處理成偽彩色，并顯示色帶及其對(duì)應(yīng)溫度，為符合人視覺習(xí)慣，高溫用暖色調(diào)來(lái)表達(dá)，低溫用冷色調(diào)表達(dá)，如圖2所示。

電力設(shè)備在工作狀態(tài)下，其表面溫度會(huì)高于環(huán)境溫度。獲取到的紅外圖像大多數(shù)是基于RGB顏色模型，每個(gè)像素點(diǎn)由紅色、綠色和藍(lán)色三種顏色按照不同比例疊加而成，每個(gè)顏色通道的取值范圍為0～255。當(dāng)溫度越高時(shí)，顯示顏色越接近橙色和黃色。由RGB顏色空問知識(shí)可知黃色與橙色主要由紅色通道和綠色通道的顏色疊加而成。而RGB顏色空間的標(biāo)準(zhǔn)橙色為（255，128，0）。如圖3所示，以絕緣子紅外圖像為例，利用灰度直方圖來(lái)查看三個(gè)顏色通道中各像素值的分布。通過三個(gè)顏色通道的直方圖分布與前文分析，進(jìn)行閾值分割，紅色通道選擇200以上的像素點(diǎn)，綠色通道選擇100以上的像素點(diǎn)，藍(lán)色通道選擇15以下的像素點(diǎn)。

1.1.2霍夫變換直線檢測(cè)

在紅外圖像中，絕緣子串與其附近的桿塔、支架的顏色相近。為了消除背景的干擾，可以利用支架和桿塔幾何形狀為直線的特征，首先采用Canny邊緣檢測(cè)算子獲得圖像中邊緣信息，然后采用Hough變換確定支架和桿塔，并獲取其位置，如圖4所示。

Canny邊緣檢測(cè)具有減少噪聲響應(yīng)，通過非極大值抑制來(lái)細(xì)化邊緣處理等優(yōu)點(diǎn)。其算法描述主要如下：

（1）利用高斯濾波平滑處理，使得邊緣成為數(shù)據(jù)嶺。

（2）應(yīng)用Nobel檢測(cè)算子，利用水平方向和垂直方向的兩個(gè)掩碼獲取圖像的邊緣強(qiáng)度和方向。

（3）應(yīng)用非極大值抑制，找到邊緣強(qiáng)度數(shù)據(jù)中的最高點(diǎn)。

（4）連接邊緣點(diǎn)的滯后閾值處理，通過上限閾值與下限閾值來(lái)確定邊緣點(diǎn)并使其連接。

獲得圖像的邊緣信息后，采用Hough變換檢測(cè)對(duì)圖像中橫向的塔架進(jìn)行定位。Hough變換實(shí)現(xiàn)了從圖像點(diǎn)到Hough空間的映射，通過目標(biāo)形狀的映射完成對(duì)圖像中形狀的定位。目前，應(yīng)用最為廣泛，且被證明最有效的是極坐標(biāo)Hough變換直線檢測(cè)。通過設(shè)圖像任意一點(diǎn)（x，y）為垂直通過圖像原點(diǎn)的直線的角度的函數(shù)，該直線與垂直原點(diǎn)直線的交點(diǎn)為：

其中，為垂直直線與x軸的夾角，其取值范圍是180°;p為原點(diǎn)到直線的距離。通過極坐標(biāo)Hough變換，圖像中的邊緣點(diǎn)映射成累加器空間的曲線。累加器數(shù)組大小由與圖像尺寸決定。直線會(huì)在累加器空間中呈現(xiàn)出明顯的峰值。

1.2.1定向腐蝕運(yùn)算

在1.1.2節(jié)中，通過Hough變換直線檢測(cè)，可以獲得橫向塔架的位置信息。在此基礎(chǔ)上，采用改進(jìn)的定向腐蝕算法，使其結(jié)構(gòu)元素的中心沿著獲取到的直線位置進(jìn)行腐蝕。由1.1.2節(jié)，獲取檢測(cè)直線的兩個(gè)端點(diǎn)（x1，y1）和（x2，y2），假設(shè)x1

隨后將x1到x2的x軸坐標(biāo)整數(shù)升序排列代入直線方程，獲得該直線的y軸坐標(biāo)。然后對(duì)獲得y軸的坐標(biāo)進(jìn)行取整操作，最終獲得圖像上該直線所經(jīng)過的所有像素點(diǎn)集合。設(shè)置5×5的卷積核，將卷積核的中心沿著直線像素點(diǎn)集合進(jìn)行滑動(dòng)卷積，從而完成去除橫向桿塔的效果。

1.2.2形態(tài)學(xué)開運(yùn)算

腐蝕和膨脹屬于數(shù)學(xué)形態(tài)學(xué)處理范疇，可以實(shí)現(xiàn)去除圖像中的某些部分或?qū)δ繕?biāo)進(jìn)行擴(kuò)充。傳統(tǒng)的腐蝕、膨脹操作是通過設(shè)定結(jié)構(gòu)元素對(duì)圖像進(jìn)行全局操作。形態(tài)學(xué)開運(yùn)算利用結(jié)構(gòu)元素B對(duì)圖像A先進(jìn)行腐蝕運(yùn)算再進(jìn)行膨脹運(yùn)算。其定義式為：

先采用定向腐蝕運(yùn)算去除橫向桿塔，再對(duì)整張圖像進(jìn)行開運(yùn)算，以達(dá)到去除電線等背景信息的同時(shí)，保留絕緣子串目標(biāo)信息的效果。

1.3 SNIC算法

SNIC算法是SLIC算法的升級(jí)版本。SNIC算法首先將圖像設(shè)為K個(gè)區(qū)域，把RGB顏色空間轉(zhuǎn)換為L(zhǎng)ab色彩空間，隨后根據(jù)像素點(diǎn)間顏色差異和空間距離作為聚類的判斷條件，通過優(yōu)先級(jí)隊(duì)列實(shí)現(xiàn)非迭代聚類。設(shè)空間信息為x=[x，y]，Lab色彩空間的信息為c=[L，a，6]，則第j個(gè)待處理像素與其初始劃分的第K個(gè)聚類中心的顏色距離為d，空間距離為d，最后聚類判據(jù)為d：

在SNIC超像素分割算法中，每個(gè)超像素是根據(jù)像素點(diǎn)間的位置和顏色特征來(lái)獲得的，且大小相近，超像素的邊緣與圖像目標(biāo)邊緣的召回率很高，以此為基礎(chǔ)對(duì)絕緣子串進(jìn)行精細(xì)化分割。

1.4絕緣子定位與精細(xì)化分割

經(jīng)過預(yù)處理和形態(tài)學(xué)運(yùn)算后，紅外圖像中還會(huì)存留部分局部背景，形成噪聲點(diǎn)，導(dǎo)致絕緣子串主體的邊緣召回率很低。預(yù)處理和形態(tài)學(xué)處理后的紅外圖像為二值圖像，其像素值為1或0（保留區(qū)域?yàn)?，去除區(qū)域?yàn)?）。利用連通域?qū)Χ祱D像進(jìn)行分析，對(duì)像素值為1的區(qū)域進(jìn)行排序，因?yàn)榻^緣子串所占像素個(gè)數(shù)遠(yuǎn)大于殘留背景區(qū)域，所以可以通過這一特征來(lái)去除殘留的小背景，以此來(lái)達(dá)到絕緣子串定位的工作。

經(jīng)過連通域處理后的二值圖像與SNIC算法生成的超像素分割圖像進(jìn)行融合，以每個(gè)超像素為處理單元，獲取在二值圖像中相同位置的像素值，計(jì)算其像素值為1的像素個(gè)數(shù)占該超像素中像素總數(shù)的比值。當(dāng)比值大于該超像素大小的1/3時(shí)，則認(rèn)定該超像素為正樣本，即絕緣子串;否則，認(rèn)定該超像素為負(fù)樣本，即背景。逐個(gè)對(duì)每個(gè)超像素進(jìn)行篩選，最終顯示正樣本的超像素，完成絕緣子串的精細(xì)化分割。

2實(shí)驗(yàn)結(jié)果與分析

2.1實(shí)驗(yàn)過程與結(jié)果

測(cè)試環(huán)境：處理器：Intel（R）Core（TM）i5-6500CPU@3.20 GHz-3.19 GHz;內(nèi)存：8.00 GB;操作系統(tǒng)：Window 10（64位）;應(yīng)用軟件：Mat-lab2020a。

通過實(shí)驗(yàn)來(lái)驗(yàn)證算法的有效性，對(duì)絕緣子紅外圖像進(jìn)行測(cè)試，其中部分實(shí)驗(yàn)圖像數(shù)據(jù)來(lái)源于文獻(xiàn)[16]所建立的紅外絕緣子圖像數(shù)據(jù)庫(kù)。圖5列舉了一張復(fù)雜環(huán)境下多絕緣子串分割方程的過程。

對(duì)于從具有多數(shù)絕緣子串的紅外圖像（絕緣子串?dāng)?shù)目>3）中分割出各絕緣子區(qū)域的任務(wù)。本方法與K-means算法、FCM和基于超像素的快速模糊c均值聚類算法（Superpixel-Based Fast FuzzyC-Means Clustering，SFFCM）等進(jìn)行對(duì)比實(shí)驗(yàn)的結(jié)果如圖6所示。

2.2實(shí)驗(yàn)分析

通過對(duì)比實(shí)驗(yàn)的結(jié)果圖，實(shí)現(xiàn)復(fù)雜背景下同時(shí)存在多個(gè)絕緣子串的紅外圖像分割，本算法可以準(zhǔn)確獲得絕緣子分割圖像，明顯優(yōu)于其他對(duì)比算法。而傳統(tǒng)的K-means算法、FCM和SFFCM算法雖能分割出多個(gè)絕緣子串，但是同時(shí)也分割出大量背景區(qū)域，無(wú)法實(shí)現(xiàn)對(duì)圖像中絕緣子圖像的定位，沒有實(shí)現(xiàn)對(duì)絕緣子串的精細(xì)化分割。

通過定量分析來(lái)進(jìn)一步分析，選擇Dice相關(guān)系數(shù)、過分割率（Over—segmentation Rate，OR）、欠分割率（Under—segmentation Rate，UR）以及算法運(yùn)行時(shí)間（Total time）作為各類算法實(shí)驗(yàn)對(duì)比的指標(biāo)。其中Dice系數(shù)用來(lái)計(jì)算兩個(gè)樣本的相似度，范圍是0～1，分割結(jié)果越好，Dice系數(shù)越接近1;過分割率表示誤將背景分割成目標(biāo)的概率，欠分割率表示將目標(biāo)分成背景的概率，兩個(gè)指標(biāo)的范圍都是0～1，并且值越小，表示分割效果越好。公式如下：

其中，A表示實(shí)驗(yàn)算法分割出目標(biāo)的像素點(diǎn)個(gè)數(shù);B表示標(biāo)準(zhǔn)參考圖像目標(biāo)的像素點(diǎn)個(gè)數(shù);Rove，表示實(shí)驗(yàn)算法分割出目標(biāo)多于標(biāo)準(zhǔn)參考圖像的像素點(diǎn)個(gè)數(shù);Runde，表示標(biāo)準(zhǔn)參考圖像目標(biāo)存在，但是實(shí)驗(yàn)算法未能分割出的像素點(diǎn)個(gè)數(shù)。

采用4種實(shí)驗(yàn)算法對(duì)4幅圖像進(jìn)行指標(biāo)測(cè)試，其結(jié)果如表1所示。由表1可知，對(duì)比算法中，K-means算法、FCM算法和SFFCM算法分割結(jié)果，雖然欠分割率很低，僅有1.5%，但是相似度僅僅達(dá)到50%左右，并且過分割率高達(dá)60%左右，雖然較高地保留了絕緣子串的整體，但是同時(shí)也保留了大量的背景信息，可以說(shuō)是無(wú)效的分割。算法處理后的圖像與參考圖像的相似度較高，可達(dá)到88%，并且同時(shí)保證了較低的過分割率和欠分割率，分別為8%與12%。在算法運(yùn)行時(shí)間上，F(xiàn)CM算法是對(duì)K-means算法的優(yōu)化，可以看出有0.33s的優(yōu)化結(jié)果，SFFCM與本算法均用到了超像素分割的算法，算法復(fù)雜度比FCM和K-means高，但是本算法相較于SFFCM有0.87 s的提升，且平均處理一張圖像的時(shí)間為1.98 s，滿足在復(fù)雜背景下對(duì)多串絕緣子串進(jìn)行分割的要求，也為后續(xù)的絕緣子故障精準(zhǔn)定位提供了前期基礎(chǔ)。

3結(jié)論

介紹了一種在復(fù)雜背景下對(duì)紅外圖像中多個(gè)絕緣子串進(jìn)行分割的方法。首先，根據(jù)顏色閾值去除紅外圖像中大部分背景，然后采用霍夫變換直線檢測(cè)去除與絕緣子串顏色相似的橫向塔架，隨后利用定向腐蝕和全局形態(tài)學(xué)處理獲得包含絕緣子串和少數(shù)背景的二值圖像，最后SNIC超像素分割算法根據(jù)獲得二值圖像進(jìn)行絕緣子串位置確定完成分割。在測(cè)試的紅外絕緣子圖像中，通過實(shí)驗(yàn)驗(yàn)證了方法的有效性。