張俊林，石冬陽(yáng)，賈 兵，聶 玲

(重慶科技學(xué)院 電氣工程學(xué)院，重慶 401331)

0 引言

絕緣子是分布在輸電線路上的絕緣體，對(duì)輸電線路的正常運(yùn)行起著至關(guān)重要的作用[1-4]。絕緣子長(zhǎng)期處于復(fù)雜多變的環(huán)境之中，受環(huán)境等因素影響，加上自身材料老化等原因容易發(fā)生自爆故障。若絕緣子發(fā)生自爆故障，輕則導(dǎo)致所在區(qū)域范圍性停電，影響所在地居民的正常生活和生產(chǎn)，重則影響整條輸電線路的正常運(yùn)行和電氣設(shè)備的使用壽命，若不能及時(shí)發(fā)現(xiàn)絕緣子存在的故障，則會(huì)給輸電線路帶來(lái)巨大的安全隱患[5-6]。因此，對(duì)輸電線路絕緣子自爆的檢測(cè)具有十分重要的意義。

隨著計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)的發(fā)展，產(chǎn)生了多種檢測(cè)絕緣子自爆的方法，并獲得了良好的故障檢測(cè)效果，一定程度上提升了電力工人輸電線路安全巡檢的效率。但其中絕大多數(shù)絕緣子缺陷檢測(cè)模型都是基于沒(méi)有霧霾的場(chǎng)景，霧霾一旦出現(xiàn)，會(huì)使得無(wú)人機(jī)拍攝到的絕緣子圖像變得模糊不清，重要特征無(wú)法有效呈現(xiàn)，從而導(dǎo)致絕緣子缺陷檢測(cè)模型的精度大大降低。近年來(lái)出現(xiàn)了多種圖像去霧方法，但圖像去霧后仍有噪聲存在圖像中，降低了圖像質(zhì)量和圖像分辨率[7-9]。因此，為了最大程度降低霧霾帶來(lái)的影響，需要在絕緣子缺陷檢測(cè)前對(duì)絕緣子圖像進(jìn)行去霧處理，使其恢復(fù)到無(wú)霧圖像。同時(shí)，還需要在去霧的基礎(chǔ)上保證良好的圖像去噪性能以提升圖像質(zhì)量，進(jìn)而提升絕緣子缺陷檢測(cè)的精度。

1 相關(guān)研究

目前，針對(duì)絕緣子自爆的研究方法都有一定的局限性。賴秋頻等[10]在YOLOv2深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)上建立了絕緣子自爆缺陷檢測(cè)模型,但霧霾天氣對(duì)該模型的識(shí)別精度影響較大。周仿榮等[11]提出一種基于YOLOv3的輸電線路缺陷快速檢測(cè)方法，在保證識(shí)別精度的同時(shí)提升了識(shí)別速度。方挺等[12]提出基于粒子群優(yōu)化參數(shù)的蟻群算法來(lái)檢測(cè)絕緣子輪廓及其數(shù)目，但該方法無(wú)法適應(yīng)霧霾與噪聲等復(fù)雜環(huán)境。嚴(yán)波等[13]串聯(lián)使用Faster R-CNN網(wǎng)絡(luò)對(duì)絕緣子自爆圖像進(jìn)行提取和識(shí)別，提高了檢測(cè)精度，但對(duì)環(huán)境復(fù)雜因素考慮不足。唐小煜等[14]提出了基于U-net和YOLOv4-的絕緣子圖像分割與缺陷檢測(cè)方法，但運(yùn)用優(yōu)化的U-net模型獲取絕緣子區(qū)域掩模圖像的同時(shí)缺少了去霧等預(yù)處理。劉逸凡等[15]提出了基于EfficientDet和雙目攝像頭的絕緣子缺陷檢測(cè)方法，該方法具有良好的效率和適用性，但在絕緣子數(shù)據(jù)集真實(shí)度與復(fù)雜度方面未考慮霧霾的存在。王夢(mèng)[16]通過(guò)訓(xùn)練Resnet-101和vgg16的Faster R-CNN模型，實(shí)現(xiàn)了對(duì)絕緣子自爆缺陷和定位的檢測(cè)，但缺陷檢出率僅為 0.89，檢測(cè)精度較低。

綜上所述，大多數(shù)絕緣子自爆研究方法取得了較好的檢測(cè)效果，但忽略了霧霾等復(fù)雜環(huán)境的影響。

2 傳統(tǒng)絕緣子缺陷檢測(cè)模型

為了有效避免圖像中霧霾的影響，提升絕緣子缺陷檢測(cè)模型的精度，以文獻(xiàn)[10]的缺陷檢測(cè)模型為研究基礎(chǔ)。絕緣子圖像檢測(cè)傳統(tǒng)模型的基本原理見(jiàn)圖1。

圖1 絕緣子圖像檢測(cè)傳統(tǒng)模型基本原理框圖

2.1 Canny邊緣檢測(cè)

2.1.1圖像灰度化

Canny算法的處理對(duì)象為灰度圖，故需先將圖像進(jìn)行灰度轉(zhuǎn)換。結(jié)果由圖像RGB三個(gè)通道的采樣值加權(quán)平均得到，計(jì)算式為：

Gray=0.299R+0.587G+0.114B

(1)

RGB代表光學(xué)三原色中3個(gè)通道的亮度。

2.1.2高斯濾波處理

Canny算法常用高斯濾波器來(lái)降低圖像高斯噪聲的影響，即與圖像進(jìn)行卷積以濾除圖像中的噪聲[17]。高斯分布函數(shù)為：

(2)

σ是高斯濾波器的參數(shù)，其選取還需參考具體圖像的實(shí)際情況。原圖像I(x,y)與式(2)進(jìn)行卷積，得到處理后圖像H(x,y)，表達(dá)式為：

H(x,y)=G(x,y)*I(x,y)

(3)

2.1.3計(jì)算梯度幅值和方向

Canny算法計(jì)算梯度值時(shí)采用一階有限差分，圖像在x和y方向上的偏導(dǎo)數(shù)矩陣為：

Wx(i,j)=[I(i,j+1)-I(i,j)+

I(i+1,j+1)-I(i+1,j)]/2

(4)

Wy(i,j)=[I(i,j)-I(i+1,j)+

I(i,j+1)-I(i+1,j+1)]/2

(5)

梯度幅值和方向可由式(6)和式(7)的W(i,j)和θ(i,j)表示。

(6)

(7)

2.1.4對(duì)梯度幅值進(jìn)行非極大值抑制

由于圖像中噪聲的影響，處理后的結(jié)果可能會(huì)出現(xiàn)偽邊緣的現(xiàn)象。非極大值抑制通過(guò)尋找梯度方向上的非零點(diǎn)，然后對(duì)該點(diǎn)方向?qū)?shù)上相鄰兩點(diǎn)的梯度值進(jìn)行比較來(lái)消除圖像偽邊緣。

2.1.5雙閾值檢測(cè)和連接邊緣

雙閾值法通常先設(shè)定一個(gè)高低閾值來(lái)區(qū)分邊緣像素，判斷其邊緣點(diǎn)8鄰域中是否存在高于高閾值的像素值。如果存在，則認(rèn)為該邊緣屬于真實(shí)邊緣；若不存在，則直接舍棄。

2.2 Hough直線檢測(cè)

霍夫變換的基本原理是將圖像空間中的直線分別映射到 Hough 參數(shù)空間的點(diǎn)，同時(shí)運(yùn)用累加器來(lái)檢測(cè)參數(shù)空間中的峰值點(diǎn)。運(yùn)用該峰值點(diǎn)可以確定圖像空間中對(duì)應(yīng)直線的信息參數(shù)，即峰值點(diǎn)的值與圖像空間中的直線是一一對(duì)應(yīng)的，從而快速準(zhǔn)確地實(shí)現(xiàn)圖像空間中直線檢測(cè)。

2.3 圖像旋轉(zhuǎn)

考慮到邊緣檢測(cè)后的絕緣子圖像普遍存在相對(duì)水平位置傾斜的問(wèn)題，將絕緣子邊緣圖像進(jìn)行水平旋轉(zhuǎn)。旋轉(zhuǎn)角度近似等于直線檢測(cè)結(jié)果中若干條直線斜率平均值，計(jì)算式為：

(8)

式中：gθ指旋轉(zhuǎn)角度；hi指直線斜率；n指直線數(shù)量。

2.4 垂直投影

使用垂直投影對(duì)水平位置的絕緣子邊緣圖像處理后的圖像能充分反映絕緣子邊緣形狀的變化規(guī)律，獲得絕緣子是否發(fā)生自爆的信息。

3 傳統(tǒng)絕緣子缺陷檢測(cè)模型的改進(jìn)

從上述絕緣子缺陷檢測(cè)模型中可以看出，這些模型沒(méi)有考慮圖像中霧霾因素的影響。Fang等[18]在大氣散射模型的基礎(chǔ)上，通過(guò)統(tǒng)計(jì) 5 000 多幅圖像的特征，提出了暗通道先驗(yàn)算法(DCP算法)。該算法因具有結(jié)構(gòu)簡(jiǎn)單、性能優(yōu)越的特點(diǎn)在各領(lǐng)域得到了廣泛應(yīng)用，故本文中運(yùn)用該算法進(jìn)行去霧預(yù)處理。為了保證圖像在去霧后具有一定的抗噪性能，在暗通道先驗(yàn)去霧算法的基礎(chǔ)上融入高斯濾波算法與圖像對(duì)數(shù)增強(qiáng)算法進(jìn)行圖像去噪和增強(qiáng)，并對(duì)圖像亮度進(jìn)行調(diào)整使圖像特征更加明顯。從理論上來(lái)說(shuō)，采用該方法的圖像具有更高的峰值信噪比，同時(shí)縮小了與原圖之間的差距。改進(jìn)后模型的結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)后絕緣子缺陷檢測(cè)模型結(jié)構(gòu)框圖

3.1 暗通道先驗(yàn)去霧算法

霧霾圖像的散射模型為

I(x)=j(x)t(x)+A(1-t(x))

(9)

其中：I(x)指輸入的霧霾圖像；j(x)指去霧處理后圖像；t(x)為透射率；A為全局大氣光值。由此可知，只要得到A與t(x)，就能獲得去霧后圖像。

3.1.1定義暗通道

根據(jù)相關(guān)研究，在大量無(wú)霧圖像的暗通道圖數(shù)據(jù)中，超過(guò)90%的無(wú)霧圖像像素值極低，其中75%無(wú)霧圖像像素值為0。無(wú)霧圖像可由式(10)表示。

(10)

其中：jc(y)指j的任意一個(gè)顏色通道；Ω(x)指像素點(diǎn)x處的窗口；c指RGB三個(gè)通道。

由上述定義可得知

jdark→0

(11)

3.1.2求解全球大氣光值

利用暗通道圖與霧霾原圖像的對(duì)應(yīng)關(guān)系，通過(guò)獲取暗通道圖中前0.1%亮度像素點(diǎn)的位置來(lái)對(duì)應(yīng)原霧霾圖像中相應(yīng)位置較高亮度的值，以此選作全球大氣光值。

3.1.3透射公式

對(duì)式(9)兩側(cè)同時(shí)除以大氣光值：

(Ic(x))/Ac=t(x)(jc(x))/Ac+1-t(x)

(12)

(13)

根據(jù)暗通道先驗(yàn)定義可得：

(14)

代入式(13)可得：

(15)

在實(shí)際情況中，即使晴天遠(yuǎn)處也會(huì)存在霧，因此需引入因子ω。為使圖片保留一定的霧霾，常取值0.95。此時(shí)透射率為：

(16)

3.1.4有霧圖像處理公式

由于透射率t的值會(huì)直接影響j的值，若t的值過(guò)小，會(huì)導(dǎo)致圖像去霧效果出現(xiàn)整體白場(chǎng)的現(xiàn)象，此時(shí)需設(shè)定下限值t0。當(dāng)值t

j(x)=(I(x)-A)/(max(t(x),t0))+A

(17)

3.2 高斯濾波算法的融入

針對(duì)圖片中存在的高斯噪聲，利用高斯濾波算法來(lái)濾除圖像中的高斯噪聲已成為計(jì)算機(jī)視覺(jué)領(lǐng)域最常用的方法[19]。高斯濾波的步驟如下：

步驟1移動(dòng)相關(guān)核的中心元素，使其位于輸入圖像待處理像素的正上方；

步驟2將輸入圖像的像素值作為權(quán)重，通過(guò)與圖像進(jìn)行卷積處理濾除圖像中的噪聲，選用的高斯分布函數(shù)為：

(18)

式中σ為高斯濾波器的參數(shù)。原圖像I(x,y)與高斯分布函數(shù)作卷積之后得到圖H(x,y)，可表示為：

H(x,y)=G(x,y)*I(x,y)

(19)

步驟3 將上述各步驟得到的結(jié)果相加作為輸出。

3.3 Log變換算法的融入

對(duì)數(shù)變換的基本原理是將圖像的低灰度值部分進(jìn)行擴(kuò)展，高灰度值部分進(jìn)行壓縮以強(qiáng)調(diào)低灰度部分。其變換公式如下：

s=c·Logv+1(1+v·r)

(20)

式中：v為底數(shù)；c為增強(qiáng)系數(shù)；s為輸出強(qiáng)度；r的取值范圍為[0,1]。

由圖3可知，x=0.4時(shí)，對(duì)應(yīng)s在0.8左右，因此x軸的0～0.4的低灰度部分經(jīng)過(guò)變換擴(kuò)展到0～0.8的部分，而整個(gè)剩余部分則被壓縮到0.8～1的區(qū)間，達(dá)到擴(kuò)展強(qiáng)調(diào)低灰度部分的目的。

圖3 對(duì)數(shù)增強(qiáng)算法原理曲線

根據(jù)圖3中曲線變化規(guī)律可知，底數(shù)v越大，對(duì)低灰度部分?jǐn)U展強(qiáng)調(diào)的作用就越強(qiáng)。因此，對(duì)數(shù)變換可以對(duì)圖像邊緣形成強(qiáng)化的作用，從而增強(qiáng)圖像的細(xì)節(jié)特征。

3.4 圖像亮度調(diào)整

經(jīng)過(guò)上述3個(gè)步驟的處理，減小了圖像中霧霾和噪聲的影響，使得圖像信息變得清晰。考慮到圖像亮度直接影響其可視化效果和細(xì)節(jié)特征的呈現(xiàn)，故須對(duì)圖像亮度進(jìn)行調(diào)整。

通過(guò)RGB模型向HIS模型轉(zhuǎn)化，將去霧、去噪后圖片的RGB分量轉(zhuǎn)換成HIS分量，此時(shí)H代表色調(diào)，I代表圖像的亮度，S代表飽和度。本次針對(duì)亮度I進(jìn)行增強(qiáng)，利用兩模型間的轉(zhuǎn)換關(guān)系，將重新得到的HSI分量轉(zhuǎn)化為RGB分量，從而實(shí)現(xiàn)對(duì)圖像亮度的提升。

4 實(shí)驗(yàn)設(shè)計(jì)與分析

4.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

同態(tài)濾波、直方圖均衡化算法、Retinex算法、暗通道先驗(yàn)去霧算法是當(dāng)前的主流去霧算法,具有不錯(cuò)的去霧效果。對(duì)比以上4種主流去霧算法與本文算法去霧后的性能，并驗(yàn)證本文方法去霧效果的優(yōu)越性。實(shí)驗(yàn)配置：Intel(R)Core(TM)i7-10750H CPU @ 2.60GHz，16.0 GB內(nèi)存，NVIDIA GeForce GTX 1650 Ti顯卡，實(shí)驗(yàn)平臺(tái)為MatlabR2020b。

4.2 實(shí)驗(yàn)結(jié)果可視化

設(shè)計(jì)5組實(shí)驗(yàn)，如圖4—8所示。每組實(shí)驗(yàn)的6幅圖片分別代表絕緣子霧霾原圖、同態(tài)濾波算法處理結(jié)果、直方圖均衡化算法處理結(jié)果、SSR算法處理結(jié)果、暗通道先驗(yàn)去霧算法處理結(jié)果、本文算法處理結(jié)果。

圖4 實(shí)驗(yàn)1結(jié)果

圖5 實(shí)驗(yàn)2結(jié)果

圖6 實(shí)驗(yàn)3結(jié)果

圖7 實(shí)驗(yàn)4結(jié)果

4.3 實(shí)驗(yàn)結(jié)果分析

4.3.1性能評(píng)價(jià)指標(biāo)

從5組實(shí)驗(yàn)中可以看出，運(yùn)用直方圖均衡化算法與SSR算法處理后的結(jié)果圖像存在顏色方面的失真現(xiàn)象；運(yùn)用暗通道先驗(yàn)去霧算法處理后的圖像整體顏色較為深沉；運(yùn)用本文算法處理后的圖像具有較好的圖像可視化效果。為客觀評(píng)價(jià)運(yùn)用以上5種去霧算法得到的結(jié)果，介紹以下2種去霧性能評(píng)價(jià)指標(biāo)。

1)峰值信噪比(PSNR)

峰值信噪比在圖像質(zhì)量評(píng)估方面運(yùn)用廣泛，PSNR值越高，說(shuō)明圖像噪聲含量越低，受到的污染越小[20]。其表達(dá)式為：

(21)

(22)

MAX=2B-1

(23)

MSE指圖像均方差，m和n分別指圖像的高度和寬度，I(x,y)指初始霧霾圖像，K(x,y)指去霧后圖像。MAX指圖像的灰度級(jí)，B指編碼1個(gè)像素所用的二進(jìn)制位數(shù)，即B=8，故MAX=255。

2)結(jié)構(gòu)相似性(SSIM)

SSIM基于人類視覺(jué)系統(tǒng)，從亮度、結(jié)構(gòu)和對(duì)比度3個(gè)方面來(lái)衡量圖像的相似度。其表達(dá)式為：

SSIM=L(I,J)×C(I,J)×S(I,J)

(24)

L(I,J)為亮度，C(I,J)為對(duì)比度，S(I,J)為結(jié)構(gòu)。SSIM的取值范圍為[0,1]，其值越大，代表兩幅圖像相似度越高[21]。

4.3.2實(shí)驗(yàn)結(jié)果性能對(duì)比及驗(yàn)證

對(duì)5組實(shí)驗(yàn)圖像進(jìn)行MSE值、PSNR值、SSIM值測(cè)試。圖像評(píng)價(jià)結(jié)果如表1所示。

表1 圖像評(píng)價(jià)結(jié)果

從數(shù)據(jù)結(jié)果中可以發(fā)現(xiàn)，運(yùn)用暗通道先驗(yàn)去霧算法處理后的圖像質(zhì)量相對(duì)于運(yùn)用同態(tài)濾波、直方圖均衡化算法、SSR算法處理之后的結(jié)果具有較高的PSNR值與SSIM值，驗(yàn)證了暗通道先驗(yàn)去霧算法圖像去霧的優(yōu)越性和去霧方法的正確性。當(dāng)圖像中存在霧霾影響時(shí)，運(yùn)用以上圖像去霧算法得到的圖像PSNR值均小于運(yùn)用本文算法得到的圖像PSNR值，說(shuō)明本文算法在進(jìn)行圖像去霧的同時(shí)很好地提升了圖像的抗噪性能，一定程度上降低了噪聲對(duì)圖像質(zhì)量的影響。從圖像結(jié)構(gòu)相似度性能的角度看，運(yùn)用本文算法得到的SSIM值也達(dá)到了最高，取得了較好的圖像去霧效果，減小了與原圖之間的失真程度；運(yùn)用直方圖均衡化進(jìn)行圖像去霧的效果并不理想，說(shuō)明該算法在進(jìn)行圖像去霧的同時(shí)放大了圖像中的噪聲。

為了驗(yàn)證本文算法的普適應(yīng)與優(yōu)越性，另取30組含有霧霾的圖像按照相同的方法進(jìn)行仿真驗(yàn)證。將30組實(shí)驗(yàn)得到的圖像PSNR值和圖像SSIM的平均值進(jìn)行對(duì)比分析，見(jiàn)圖9-10所示。

圖9 多樣本圖像PSNR平均值曲線

由圖9和圖10可知，當(dāng)圖像含有霧霾時(shí)，運(yùn)用同態(tài)濾波算法、直方圖均衡化算法、SSR算法、暗通道先驗(yàn)去霧算法處理后得到的圖像PSNR平均值均小于運(yùn)用本文算法得到的PSNR值，說(shuō)明本文算法在去霧的同時(shí)具備了良好的抗噪性能，而運(yùn)用直方圖均衡化算法處理得到的結(jié)果并不理想，圖像PSNR值達(dá)到了最低；在30組實(shí)驗(yàn)中，運(yùn)用本文算法得到的圖像PSNR平均值達(dá)到37.5 dB，相對(duì)于改進(jìn)前平均提升6.8 dB；圖像SSIM平均值達(dá)到0.865,相對(duì)于改進(jìn)前平均提升0.143，說(shuō)明本文算法具有較好的圖像復(fù)原效果，同時(shí)驗(yàn)證了本文算法的普適性，與以上5組實(shí)驗(yàn)得到的結(jié)論相一致。

圖10 多樣本圖像SSIM平均值曲線

4.4 模型改進(jìn)前后絕緣子邊緣檢測(cè)效果的對(duì)比

為了對(duì)比模型改進(jìn)前后對(duì)絕緣子缺陷檢測(cè)精度的影響，以圖4(b)為例，分別運(yùn)用改進(jìn)前后的模型進(jìn)行絕緣子缺陷檢測(cè)，邊緣檢測(cè)結(jié)果分別如圖11和圖12所示。

由圖11可知，當(dāng)圖像中同時(shí)含有霧霾噪聲時(shí)，運(yùn)用改進(jìn)前模型得到的邊緣檢測(cè)結(jié)果出現(xiàn)了斷裂漏檢的情況，絕緣子邊緣并不完整，圖像細(xì)節(jié)信息丟失，使得模型無(wú)法判定絕緣子自爆的位置，從而直接影響該模型后續(xù)缺陷檢測(cè)的精度。由圖12可知，經(jīng)過(guò)本文算法圖像預(yù)處理后檢測(cè)得到的絕緣子邊緣較為完整，結(jié)果中基本不存在斷裂漏檢的情況，對(duì)絕緣子缺陷檢測(cè)模型精度影響較低，說(shuō)明本文算法能夠提升圖像質(zhì)量，有效減小圖像邊緣信息的損失。

圖11 去霧前邊緣檢測(cè)結(jié)果

圖12 去霧后邊緣檢測(cè)結(jié)果

為了對(duì)比模型改進(jìn)前后對(duì)絕緣子缺陷檢測(cè)精度的影響，取50幅含有霧霾的絕緣子樣本圖像進(jìn)行缺陷檢測(cè)，得到檢測(cè)結(jié)果1。將以上50幅樣本圖像運(yùn)用暗通道先驗(yàn)去霧算法進(jìn)行處理，再次進(jìn)行缺陷檢測(cè)，得到檢測(cè)結(jié)果2。最后將以上50幅樣本圖像運(yùn)用本文算法進(jìn)行圖像去霧處理，得到檢測(cè)結(jié)果3。缺陷檢測(cè)結(jié)果如表2所示。

表2 缺陷檢測(cè)結(jié)果

由以上數(shù)據(jù)可知，圖像中含有霧霾嚴(yán)重影響絕緣子缺陷檢測(cè)的精度，檢測(cè)精度只有56%；運(yùn)用本文算法得到的絕緣子缺陷檢測(cè)精度相對(duì)于運(yùn)用改進(jìn)前DCP算法提升了12%，再次驗(yàn)證了本文算法的優(yōu)勢(shì)。

5 結(jié)論

為減小環(huán)境中霧霾對(duì)絕緣子缺陷檢測(cè)精度的影響，以絕緣子缺陷檢測(cè)模型為基礎(chǔ)進(jìn)行圖像去霧預(yù)處理?？紤]到圖像去霧后仍有噪聲保留在原圖像中會(huì)降低圖像質(zhì)量，使得圖像特征模糊不清，故在暗通道先驗(yàn)去霧算法的基礎(chǔ)上融合高斯濾波算法、對(duì)數(shù)增強(qiáng)算法。為了獲得良好的圖像可視化效果，使得圖像特征更加明顯，對(duì)處理后圖像亮度進(jìn)行相應(yīng)調(diào)整，通過(guò)5組實(shí)驗(yàn)說(shuō)明了本文算法的優(yōu)越性。通過(guò)30組多樣本仿真實(shí)驗(yàn)表明了本文算法的普適性和優(yōu)越性。本研究的創(chuàng)新之處在于在原模型的基礎(chǔ)上考慮到環(huán)境中霧霾的影響，并對(duì)暗通道先驗(yàn)去霧算法進(jìn)行改進(jìn)，獲得了性能更加優(yōu)越的圖像去霧效果，提升了絕緣子缺陷檢測(cè)的精度。不足之處在于尚未解決圖像中存在的嚴(yán)重霧霾問(wèn)題。由于絕緣子處于復(fù)雜多變的環(huán)境之中，如何在去除圖像中較為嚴(yán)重的霧霾的同時(shí)提高圖像抗噪性能是難點(diǎn)，也是未來(lái)研究的重要內(nèi)容。