基于紋理特征的絕緣子檢測方法

楊翠茹

（華北電力大學，北京 102206）

1 引言

電力系統中絕緣子運行狀態的完好對于輸電線路的安全運行起著重要作用，因此絕緣子狀態監控與故障診斷是一個有實際意義的研究課題，利用圖像/視頻監控方法實現絕緣子故障診斷是實現自動化故障診斷的發展趨勢之一。其中，絕緣子的檢測和定位工作[1-2]是首要前提。

本文提出了一種基于紋理特征的絕緣子檢測方法。該方法首先利用圖像的灰度共生矩陣方法提取出絕緣子的基本紋理特征，然后利用特征選擇算法挑選出一組最有效、分類效果最好的特征；最后利用這組最有效特征可以準確檢測到絕緣子。

2 絕緣子檢測方法研究

2.1 基于一種紋理特征的絕緣子檢測方法

最簡單的絕緣子檢測方法是僅采用絕緣子的一種紋理特征灰度直方圖的統計矩[2]。該方法的原理是利用圖像/視頻監控技術對現場所拍攝到的絕緣子圖像進行一些處理后劃分為若干個小區域圖像，對這些小區域圖像分別進行灰度直方圖矩的計算，最后根據灰度直方圖矩的大小來檢測和定位絕緣子的位置。

令r為一個代表灰度級的隨機變量，并令f(ri)為對應的直方圖。其中，i=0，1，2，…，L-1，L是可區分的灰度級數目。則關于r的均值的第n階矩如公式（1）所示。

對在現場所拍攝到的絕緣子圖像進行測試，實驗工具軟件主要應用Matlab7.0，所編寫的文件函數為grayhistmoment (image, m, n)（image：指所輸入的圖像；m：把整幅圖像劃分為m×m像素的各個小圖像；n：指n階矩；）。此函數功能為：輸入一幅圖像，根據m的值把整幅圖像劃分為若干個m×m像素的小圖像，再由所輸入的參數n的值來求出每幅小圖像的n階矩（n=1, 2, 3…）。

以一幅像素為2448×3264的絕緣子圖像為例，劃分為640×640像素塊的灰度直方圖的2階矩，其顯示效果如圖1所示。

圖1 灰度直方圖的二階矩——grayhistmoment (image, 640, 2)

從圖1可以看出，絕緣子存在的地方，2階矩就越大。經過大量的圖像進行測試可得：紋理性越強的地方，n階矩就越大。紋理性越弱，越光滑的地方，n階矩就越小。從圖1也可以看出，此種方法具有一定的局限性，因為對于紋理性較強的背景圖像也會被認為是絕緣子圖像。

2.2 基于多種紋理特征的絕緣子檢測方法

上述方法僅考慮了絕緣子的一種紋理特征，存在一定的局限性。由于絕緣子的紋理性比較強，存在許多種不同種類的紋理特征。但是在這些特征中，有些紋理特征與區分背景特征有關，然而有些紋理特征與區分背景特征無關，選擇與提取出優質的特征可以提高檢查的效率和準確率[3]。因此，這就需要利用特征選擇算法提取出一組最有效、分類性能最好的特征，通過這組特征可以正確地檢測和識別到絕緣子。測試過程的框架如圖2所示。

圖2 絕緣子檢測過程的框架圖

（1) 圖像選取

本文以100幅絕緣子圖像和100幅紋理性較強的背景圖像作為兩類測試圖像，其中分別選出各自70%的圖像作為訓練集，剩余30%的圖像作為測試集。

（2）特征提取

利用灰度共生矩陣方法產生出每幅圖像6個常用的紋理特征值：①能量：

（3）特征選擇

特征選擇是指從所提取的特征中挑選出一組最有效的特征，以達到降低特征空間維數的目的[4]。經常采用樣本類內距和類間距判定分類效果。即特征選擇就是選擇那些在特征空間中類間距離大而類內距離小的特征。

對以上所求得的6個特征值（Energy Entropy Contrast Correlation Homogeneity n_order moment）進行任意組合，利用類內矩和類間矩求出每一種組合所對應的J( k)值，并求出每一類相同組合數的最大J( k)值。

1）可分離性判據

2）類內散布矩陣

3）類間散布矩陣

（4）分類決策

分類決策實現的是將被識別的對象歸為某一類，在這里也就是區分絕緣子圖像和背景圖像，以達到準確識別到絕緣子的目的。本文所采用的是k近鄰分類器。利用查全率Recall(k)、和準確率Precision(k)作為評價準則進行測量比較。利用平均準確率AvgAccuracy衡量整體分類性能。最后根據所得的數據判斷J( k)值最大所對應的特征組合分類效果是否最好。

3 實驗與分析

在以上所述的6個特征值中任選兩個特征進行分類測試，可求得每種組合方式的三項指標：準確率Precision(k)、查全率Recall(k)和平均準確率AvgAccuracy，如表1所示。

表1 兩個特征值的示例分類結果

由表1可得，前提條件相同，而且在選取特征個數相同的情況下，所求得J(k)的值越大，平均準確率AvgAccuracy就越高，利用k近鄰分類器分類的效果就越好。

考慮全部種類的組合方式進行分類測試，對每一類分別求出它的最大J(k)值和對應的平均準確率AvgAccuracy，如表2所示。

表2 每一類組合方式的示例分類結果

由表2可得，并不是特征個數越多，分類效果越好，差的特征反而會大大降低系統的性能。選擇一種最優的特征，不僅與這組特征所對應的J(k)值有關（J(k)的取值范圍為：0～0.5），而且還與所選取的近鄰數k有關。我們從圖表中可以看出（1，5）或（1，4，5）組合的分類效果比較好。

4 結論

本文提出了一種利用特征選擇算法檢測絕緣子的方法。該算法能夠在較低的成本下，達到準確檢測到絕緣子的目的。實驗表明，對絕緣子的所有特征進行特征選擇，可以提高了絕緣子的識別率，是一種有效的圖像檢測方法。然而，文中只列舉了絕緣子的一些典型特征作為實驗。由于絕緣子的形狀各異，特征也可能存在差別，若把絕緣子所有類型的特征都考慮進去，按本文特征選擇的算法，不同組合的方式會很多。在這種情況下，考慮每種組合方式，計算量會相當大。因此，設計出一種具有高可靠性和健壯性的特征選擇算法將是筆者下一步的工作重點。

[1] 仲莉恩,馮輝,隋立林.一種利用邊緣方向直方圖定位絕緣子的方法[J].電氣技術,2010(1):22-25.

[2] 轟一雄,尹項根.絕緣子在線檢測方法的探討[J].電瓷避雷器,2002(2): 3-7.

[3] 范勁松,方廷健.特征選擇和提取要素的分析及其評價[J]. 計算機工程與應用,13(2),2005:95-99.

[4] 邵美珍,黃潔.模式識別原理和應用[M]. 西安:西安電子科技大學出版社, 2008:72-100.

[5] D. G. Lowe. Distinctive image features from scaleinvariant key points[J]. Int’l Journal of Computer Vision, 60(2), 2004:91-110.

[6] 薄華,馬縛龍,焦李成.圖像紋理的灰度共生矩陣計算問題的分析[J].電子學報,2006,34(1).

[7] 楊曉元,郭璇,張敏情.特征選擇在隱秘圖像檢測中的應用[J].計算機工程,2008,34(8).

[8] L.Yu, H. Liu. Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution[C].Proc. 20th Int’l Conf. Machine Learning,2003:856-863.