基于紅外圖像的絕緣子串鋼帽和盤面區域自動提取方法

付 強，姚建剛，李唐兵，湯成艷，于浩祺，胡淋波

?

基于紅外圖像的絕緣子串鋼帽和盤面區域自動提取方法

付 強1，姚建剛1，李唐兵2，湯成艷1，于浩祺1，胡淋波1

（1.湖南大學電氣與信息工程學院，湖南 長沙 410082；2.國網江西省電力科學研究院，江西 南昌 330096）

鋼帽和盤面區域的自動提取，是絕緣子紅外智能檢測的基礎。針對現有提取方法的不足，提出一種基于紅外圖像的絕緣子串鋼帽和盤面區域自動提取方法：通過灰度化、雙邊濾波、OTSU二值分割，進行紅外圖像預處理；利用特定算法，實現絕緣子串自動定位；利用絕緣子串骨架的回歸直線，進行圖像角度校正；根據絕緣子串區域列寬分布，分割絕緣子串，提取絕緣子片；運用傅里葉描述子進行驗證識別；分離鋼帽和盤面，實現絕緣子串鋼帽和盤面區域的提取。實驗結果表明該方法可以準確地提取絕緣子串鋼帽和盤面區域，為后期絕緣子故障智能診斷奠定基礎。

絕緣子串；紅外圖像；雙邊濾波；圖像分割；線性回歸；傅里葉描述子

0 引言

絕緣子是將電位不同的導體，在機械上相互連接、在電氣上相互絕緣的重要電力設備，在電網中使用量巨大，其狀態檢測異常繁重[1]。國內外研究者提出多種絕緣子狀態檢測方法[2-3]，但在電網實際應用中，絕緣子狀態檢測以火花間隙法、紅外熱像法兩種手段為主[4]。火花間隙法需要人工登桿、逐片測量，檢測效率低、工作強度大、安全性差，易造成誤檢、漏檢[5]；紅外熱像法可實現遠程、非接觸檢測，且不受電磁干擾，安全、可靠，結合圖像處理技術，自動定位故障，是絕緣子智能檢測的發展方向[6]。

研究表明：低、零值絕緣子的異常發熱主要體現在鋼帽區域，污穢絕緣子的異常發熱主要體現在盤面區域[7]。因此，在紅外圖像中，準確提取鋼帽、盤面區域，是絕緣子紅外智能檢測的基礎。

文獻[8]采用最小二乘法擬合單個絕緣子盤面邊緣，實現絕緣子盤面區域提取，該方法無法提取鋼帽區域，且要求紅外圖片拍攝必須沿絕緣子串軸線方向，實用性不強；文獻[9-12]中絕緣子的提取針對的是整串，不能將單個絕緣子區分開來，其后期狀態檢測只能以整串的信息為基礎，不能準確分析、定位故障；文獻[13-14]通過總結歸納絕緣子紅外圖像的特征規律，提出以圖像骨架十字交叉點作為特征點、利用Hough變換進行角度校正的絕緣子綜合分割提取方法，該方法可有效提取絕緣子的鋼帽和盤面區域，但有可能受到偽十字交叉點的干擾，造成區域提取錯誤。

本文提出一種基于紅外圖像的絕緣子串鋼帽和盤面區域自動提取方法，通過圖像預處理、絕緣子串定位、角度校正、絕緣子片分割提取、驗證識別、鋼帽和盤面區域提取6個步驟實現。在圖像預處理中，采用雙邊濾波，在去噪的同時保留圖像的邊緣和細節；在進行角度校正時，利用絕緣子結構上的對稱性，對絕緣子串骨架進行線性回歸分析；根據絕緣子串區域列寬分布特征，進行絕緣子串分割、金具濾除、絕緣子片提取、鋼帽和盤面分離；運用傅里葉描述子進行驗證識別，確保提取絕緣子片的準確性。實驗結果表明該方法可以準確地提取紅外圖像中絕緣子的鋼帽和盤面區域，為后期絕緣子的故障智能診斷奠定基礎。

1 絕緣子串鋼帽和盤面區域自動提取方法

盤形懸式瓷絕緣子由鋼帽、鋼腳和瓷件（盤面）三部分組成，絕緣子通過鋼腳與下一片絕緣子的鋼帽連接，形成絕緣子串；同一串的絕緣子，一般型號相同，在紅外圖像中，形狀、尺寸基本一致；紅外圖像中的絕緣子盤面呈現為橢圓形、鋼帽呈現為梨形，在兩片絕緣子連接的位置，鋼帽直徑最小；在絕緣子串紅外圖像的拍攝過程中，不可避免的會受到導線、鋼架等復雜背景的干擾。本文通過如下6個步驟實現絕緣子串紅外圖像鋼帽和盤面區域自動提取。

1.1 紅外圖像預處理

紅外圖像灰度化是指將格式的圖像，轉化為格式，并提取其中的分量。根據格式與格式的轉化關系，紅外圖像的灰度求取公式為[15]：

＝＝0.299＋0.587＋0.114(1)

紅外圖像存在對比度低、邊緣模糊、噪聲大等缺陷，影響后續特征信息提取。為提高圖像質量，保留圖像的邊緣和細節，本文采用雙邊濾波進行灰度圖像去噪。雙邊濾波是一種既可有效降低圖像噪聲又可保持圖像邊緣和細節的濾波技術，它能同時利用鄰域內像素點的空間鄰近度和灰度相似度信息[16]，其公式為：

式中：表示以(,)為中心點的(2＋1)×(2＋1)鄰域，即濾波窗口；(,)為(,)點的灰度值；(,)為濾波后(,)點的灰度值；(,)為空間域權值；d是空間方差；(,)為灰度域權值；r是灰度方差。、d和r一般人工設定。

最大類間方差法（OTSU）是一種自適應的閾值確定的方法，基本思想是使用一個灰度閾值，將整個圖像分成背景和前景兩類，使得兩類之間的方差最大。該方法被認為是圖像二值分割中閾值選取的最佳算法[17]。本文運用該方法確定閾值，然后對濾波后的灰度圖像進行二值化處理：

式中：g(i, j)為濾波后點(i, j)的灰度值；h(i, j)為點(i, j)二值化后的結果。

1.2 絕緣子串定位

本文通過絕緣子串自動定位算法，濾除導線、鋼架等復雜背景的干擾，提取絕緣子串區域。絕緣子串自動定位算法步驟如下：

Step1：獲取圖形邊界及寬度。對二值圖像進行逐行、逐列掃描，獲取圖形邊界；將一行或一列中連續1的區域作如下處理：首尾置為（為該區域連續1的個數），其余置為0。定義為該部分圖形的寬度。例如對矩陣[0 1 1 0 0 1 1 1]，處理后為[0 2 2 0 0 3 0 3]。

Step2：濾除導線干擾，保留圖形細節。導線的寬度一般較小且基本無變化，設定閾值（本文中取10），提取圖中寬度小于閾值的部分。檢測相鄰行或列（本文中取10），若寬度相差在10%以內且無明顯單調變化趨勢，則認為是導線部分，濾除；反之認為是圖形的細節部分，保留。

Step3：運用連通區域標記法進行區域標記，分別對各連通區域進行逐列檢測，若一列中1之間包含0，則濾除該列。

Step4：對各連通區域，濾除最大列寬度的倍的部分，即在細小連接處斷開。根據絕緣子鋼帽與盤面的尺寸比率，取值范圍為[0.25 0.33]。選取最大聯通區域，即為絕緣子串區域。

圖2 絕緣子串定位

1.3 角度校正

絕緣子串區域確定后，進行角度校正，使絕緣子串成水平分布，可獲得最佳的分割效果。文獻[18]在確定絕緣子區域后，通過尋找絕緣子串骨架的十字交叉點，運用Hough變換獲取直線，進行角度校正。

1.4 提取絕緣子片

實現絕緣子串定位及角度校正后，本文采用絕緣子片分割提取算法，實現絕緣子片提取。絕緣子片分割提取算法步驟如下：

Step1：判斷絕緣子串方向。設絕緣子區域矩陣為insArea，定義整數P1＝P2＝0，則各列的圖形寬度colWid＝sum(insArea)。從圖形區域的第一列開始掃描：若colWid(＋1)－colWid()＞0，則P1＋＋，否則P2＋＋。如果最終P1＞P2，則表示高壓導線在右側，反之高壓導線在左側。

Step2：定義列寬比率矩陣ratio。當colWid()≠0時，令ratio()＝colWid(＋1)/colWid()；當colWid()＝0時，令ratio()＝0。搜索ratio的極大值、極小值所在的列。

Step3：絕緣子串分割。設絕緣子串包含insN片絕緣子，若P1＞P2，在ratio最小的insN個極小值所在的列，切開絕緣子串；若P1＜P2，在ratio最大的insN個極大值所在的列，切開絕緣子串。

Step4：濾除金具，提取絕緣子片。采用連通區域標記法進行區域標記，檢測各區域列寬分布，若列寬最小值位置在該連通區域中部，則為金具，濾除。

圖4(a)中包含兩條曲線，其中虛線為絕緣子區域列寬分布，實線為放大后的相鄰兩列寬度比值分布，放大倍數＝max(colWid)/max(ratio)。從圖中可以看出：實曲線的極小值所在列，對應兩片絕緣子的連接處；極大值所在列，對應鋼帽和盤面的連接處。因此，文中將ratio的極小值、極大值所在列，作為分割位置。

從絕緣子區域列寬度分布曲線可以看出：絕緣子區域最小列寬在兩片絕緣子連接處，即絕緣子片的邊緣位置；金具最小列寬在其的中間位置。根據這一差別，濾除金具。

圖4 絕緣子片提取

1.5 絕緣子片驗證識別

所提取的絕緣子區域是否準確，需要進一步驗證。文獻[19]比較各種典型形狀識別方法的能力，得出基于物體輪廓坐標序列的傅里葉描述子，具有最佳的形狀識別性能。傅里葉描述子具有明確的物理幾何意義，直觀性強，計算原理簡單。歸一化的傅里葉描述子具有平移、旋轉、尺度、起點變換的不變性[20]。利用歸一化的傅里葉描述子，可以方便、準確的比較圖形的相似度。本文采用傅里葉描述子進行絕緣子區域驗證識別。

1.5.1 傅里葉描述子識別理論

運用傅里葉描述子進行形狀識別時，首先提取目標區域的輪廓，獲取邊界坐標序列{((),())}，＝0, 1, 2, …,－1，為目標輪廓坐標點數。用復數的形式將二維坐標表示為一維序列：()＝()＋j()，其中j2＝－1。對()進行傅里葉變換，得到該目標的傅里葉描述子：

然后運用如下公式，對傅里葉描述子進行歸一化：

根據傅里葉描述子能量分布的低頻集中性[21]，取歸一化的傅里葉描述子的前維，比較、兩個形狀的相似度，比較公式為：

越大，表示兩個形狀的相似性越低，反之則越高。本文作如下劃分：當＝0時，兩形狀完全相同；當0＜≤0.25時，兩形狀相似性高；當0.25＜≤0.5時，兩形狀相似性較高；當＞0.5時，兩形狀相似性較低。

1.5.2 運用傅里葉描述子進行驗證識別

運用傅里葉描述子進行絕緣子片驗證識別的步驟：

Step1：選取樣本絕緣子，提取傅里葉描述子并歸一化；

Step2：采用連通區域標記法，對提取的絕緣子區域進行區域標記；

Step3：依次提取各區域的圖形邊界，得到歸一化的傅里葉描述子，并與樣本絕緣子比較相似度；

Step4：濾除相似度大于0.25的區域，即獲得驗證識別后的絕緣子區域。

圖5 樣本絕緣子

絕緣子區域從左到右，與樣本絕緣子的相似度依次為：0.1756、0.2477、0.2400、0.2172、0.2232、0.2154、0.1965、0.1787、0.1608、0.1298、0.1049、0.1038、0.0819、0.0726。相似度均小于0.25，表明1.4中提取絕緣子片區域是準確的。

1.6 鋼帽和盤面區域的提取

絕緣子區域確認后，提取鋼帽和盤面區域，具體方法是：

若P1＞P2，則在ratio最大的insN個極大值所在的列，切開絕緣子，采用連通區域標記后，編號為奇數的區域為鋼帽區域，編號為偶數的區域為盤面區域；若P1＜P2，則在ratio最小的insN個極小值所在的列，切開絕緣子，編號為偶數的區域為鋼帽區域，編號為奇數的區域為盤面區域。

然后對鋼帽和盤面區域進行角度還原，即圍繞圖像中心點逆時針旋轉-角度。在原始圖像上，標出相應位置，實現絕緣子鋼帽和盤面區域提取。

圖6 鋼帽和盤面區域的提取

2 試驗結果與分析

本文方法與文獻[14]有明顯的不同：文獻[14]在圖像預處理后，直接提取骨架并尋找骨架的十字交叉點，運用Hough變換，進行角度校正，可能會受到偽十字交叉點的干擾；根據絕緣子串區域寬度頻率，進行絕緣子分割提取，會造成過分割；濾除寬度較小的部分以排除導線干擾，丟失了部分圖像細節；多次運用腐蝕、膨脹算法，丟失了部分邊界信息。此外，文獻[14]由于缺少驗證識別環節，容易出現區域誤提取。

為驗證本文提出的基于紅外圖像的絕緣子串鋼帽和盤面區域自動提取方法的可靠性，將其與文獻[14]的方法進行對比。試驗選取包含導線、鋼架等復雜背景且絕緣子面積小于鋼架的變電站現場紅外圖片。在雙邊濾波中，選擇5×5的濾波窗口，取d＝3、r＝0.1；在進行驗證識別時，運用圖5(b)中樣本絕緣子輪廓，取歸一化傅里葉描述子前16維比較相似度。兩種方法提取結果如圖7所示。

從圖7中可以看出：從提取的準確性來說，文獻[14]提取的區域包含金具以及部分導線，屬于誤提取；從提取區域的完整性來說，文獻[14]對鋼帽和盤面的提取，丟失部分邊界區域，提取的區域不夠完整。本文方法不僅準確提取絕緣子鋼帽和盤面區域，而且更好的保留鋼帽和盤面區域的邊緣部分。

為進一步對比分析兩種方法的實用性，隨機選取江西省某地區220kV變電站100幅現場拍攝的復雜背景下絕緣子串紅外圖像，利用兩種方法批量處理，進行絕緣子盤面和鋼帽區域的提取，結果如表1所示。

表1 兩種方法提取效果對比

由表1可知，相對文獻[14]，本文提出的絕緣子鋼帽和盤面區域提取方法，較大地提高了目標區域提取的成功率，具備較高的實用價值。

3 結論

本文提出一種基于紅外圖像的絕緣子串鋼帽和盤面區域自動提取方法，實現紅外圖像中絕緣子鋼帽和盤面區域的自動提取，為絕緣子狀態智能識別奠定基礎。在圖像分割提取過程中，保留圖形的邊緣和細節，使得提取的區域完整性較高；采用簡單實用的線性回歸分析，實現絕緣子串區域角度校正；根據絕緣子區域列寬分布，實現絕緣子串分割、金具濾除、鋼帽和盤面分離；運用傅里葉描述子進行驗證識別，確保提取絕緣子片的準確性。實驗結果表明該方法對紅外圖像中絕緣子鋼帽和盤面區域提取的準確率高，具備較高的實用價值。

本文不足之處有：雙邊濾波的空間方差d、灰度方差r是多次測試，根據濾波效果，人工選取的，不一定是最佳的；本文方法注重保留圖形的邊緣和細節，導致在圖像處理過程中耗時較多。因此，本文下一步工作是研究實現自適應選取d、r以及優化算法、提高圖像處理效率。

[1] 關志成. 絕緣子及輸變電設備外絕緣[M]. 北京:清華大學出版社, 2006.

GUAN Zhicheng.[M]. Beijing: Tsinghua University Press, 2006.

[2] 王雪, 張冠軍, 嚴璋. 國內高壓絕緣子在線檢測方法綜述[J]. 電瓷避雷器, 2002(6): 3-8.

WANG Xue, ZHANG Guanjun, YAN Zhang. Discussion on the methods of on-line insulators monitoring in China[J]., 2002(6): 3-8.

[3] 朱虎, 李衛國, 林冶.絕緣子檢測方法的現狀與發展[J]. 電瓷避雷器, 2006(6): 13-17.

ZHU Hu, LI Weiguo, LIN Ye. Present and future development of detection methods for composite insulator[J]., 2006(6): 13-17.

[4] 李唐兵, 陳國鋒, 饒斌斌, 等. 一種改進的劣化盤形懸式絕緣子紅外熱像診斷方法[J]. 電瓷避雷器, 2014(6): 8-13.

LI Tangbing, CHEN Guofeng, RAO Binbin, et al. A improved method of detecting deterioration insulator based on infrared thermal image[J]., 2014(6): 8-13.

[5] 柏克寒. 用火花間隙檢測絕緣子的一些問題[J].高電壓技術, 1993, 19(3): 51-53.

BO Kehan. Discussion on the detection of insulators by spark gaps[J]., 1993, 19(3): 51-53.

[6] 仝衛國, 苑津莎, 李寶樹. 圖像處理技術在直升機巡檢輸電線路中的應用綜述[J]. 電網技術, 2010, 34(12): 204-208.

TONG Weiguo, YUAN Jinsha, LI Baoshu. Application of image processing in patrol inspection of overhead transmission line by helicopter[J]., 2010, 34(12): 204-208.

[7] 胡世征. 劣化絕緣子的發熱機理及熱像特征[J]. 電網技術, 1997, 21(10): 44-46.

HU Shizheng. Heating mechanism and thermograph of degradated insulators[J]., 1997, 21(10): 44-46.

[8] 陳芳, 姚建剛, 李佐勝. 絕緣子串紅外圖像中單個絕緣子盤面的提取方法[J]. 電網技術, 2010(5): 220-224.

CHEN Fang, YAO Jiangang, LI Zuosheng, et al. The method to extract shed surface image of a single insulator from infrared image of a insulator string[J] ., 2010(5): 220-224.

[9] 李唐兵, 龔磊, 姚建剛. 基于紅外熱像和權值直接確定神經網絡的零值絕緣子識別方法[J]. 紅外技術, 2013, 35(11): 707-711.

LI Tangbing, GONG Lei, YAO Jiangang. On-site identification of zero resistance insulator based on infrared thermal image and neural network of one-step weights-determination[J]., 2013, 35(11): 707-711.

[10] 姚建剛, 關石磊, 陸佳政, 等. 相對溫度分布特征與人工神經網絡相結合的零值絕緣子識別方法[J]. 電網技術, 2012, 36(2): 170-175.

YAO Jiangang, GUAN Shilei, LU Jiazheng, et al. Identification of zero resistance insulators by combining relative temperature distribution characteristics with artificial neural network[J]., 2012, 36(2): 170-175.

[11] 張彥, 姚建剛, 毛田, 等. WebGIS紅外熱像零值絕緣子在線檢測系統[J]. 電力系統及其自動化學報, 2013, 25(4): 51-57.

ZHANG Yan, YAO Jiangang, MAO Tian, et al. Infrared thermal imaging on-line detection system of zero value insulator based on WebGIS[J]., 2013, 25(4): 51-57.

[12] 徐向軍, 王生鵬, 紀青春, 等. 基于高斯尺度空間GHT的絕緣子紅外圖像識別方法[J]. 紅外技術, 2014, 36(7): 596-599.

XU Xiangjun，WANG Shengpeng，JI Qingchun，et al. Insulator infrared image recognition method based on Gaussian scale- space and GHT[J]., 2014, 36(7): 596-599.

[13] 姚建剛, 付鵬, 李唐兵, 等. 基于紅外圖像的絕緣子串自動提取和狀態識別[J]. 湖南大學學報: 自然科學版, 2015, 42(2) : 74-80.

YAO Jiangang, FU Peng, LI Tangbing, et al. Algorithm research of automatically extracting the erea of insulator from infrared image and state identification[J].,2015, 42(2) : 74-80.

[14] 李唐兵, 付鵬, 朱向前, 等. 絕緣子串紅外圖像中絕緣子盤面和鋼帽區域的自動提取方法[J]. 紅外技術, 2014, 36(8): 644-648.

LI Tangbing, FU Peng, ZHU Xiangqian, et al. Algorithm research on automatically extracting the disks and steel caps area of insulator from infrared image of an insulator string[J].2014, 36(8): 644-648.

[15] 馮玲, 黃新波, 朱永燦. 基于圖像處理的輸電線路覆冰厚度測量[J]. 電力自動化設備, 2011, 31(10): 76-80.

FENG Ling, HUANG Xinbo, ZHU Yongcan．Transmission line icing thickness measuring based on image processing[J]., 2011, 31(10):76-80.

[16] 張闖, 遲健男, 張朝暉, 等. 基于邊緣檢測與雙邊濾波的彩色圖像去噪[J]. 電子學報, 2010, 38(8):1777-1783.

ZHANG Chuang, CHI Jiannan, ZHANG Zhaohui, et al. Removing noise of color images based on edge detection and bilateral filter[J]., 2010, 38(8): 1777-1783.

[17] Otsu N. A threshold selection method from gray-level Histograms[J].,, 1979, 9(1): 62-66.

[18] 胡淋波, 姚建剛, 孔維輝, 等. 基于紅外圖像的高壓絕緣子串自動定位方法[J]. 紅外技術, 2015, 37(12): 1047-1051.

HU Linbo, YAO Jiangang, KONG Weihui, et al. High voltage insulator string automatic location method based on infrared image[J]., 2015, 37(12): 1047-1051.

[19] Kauppien H, Sepanen T. An experiment comparison of autoregressive and Fourier-based descriptors in 2D shape classification[J]., 1995, 17(2): 201-207.

[20] 付波, 周建中, 陳文清, 等. 一種基于傅里葉描述子的軸心軌跡自動識別方法[J]. 電力系統自動化, 2004, 28(12): 40-44.

FU Bo, ZHOU Jianzhong, CHEN Wenqing, et al. A method based on FOURIER descriptors to recognize shaft orbit[J]., 2004, 28(12): 40-44.

[21] 萬瑋, 馮學智, 肖鵬峰, 等. 基于傅里葉描述子的高分辨率遙感圖像地物形狀特征表達[J]. 遙感學報, 2011, 15(1): 73-87.

WAN Wei, FENG Xuezhi, XIAO Pengfeng, et al. Shape feature representation of ground objects from high-resolution remotely sensed imagery base on Fourier descriptors[J]., 2011, 15(1): 73-87.

The Automatic Extraction Method of the Insulator String's Steel Capsand Disks Area Based on Infrared Image

FU Qiang1，YAO Jiangang1，LI Tangbing2，TANG Chengyan1，YU Haoqi1，HU Linbo1

(1.,,410082,; 2.,330096,)

The extraction of the steel caps and disks area is the basis of the insulator intelligent detection by infrared technology. Aiming at the shortage of the existing extraction methods, an automatic extraction method of the insulator string's steel caps and disks area is proposed based on infrared images. Through gray processing, bilateral filtering, and OTSU binary segmentation, infrared image preprocessing is made; the specific algorithm is used to realize the automatic location of insulator string; the linear regression of the insulator string’s skeleton is used to correct the image angle; according to the distribution of insulator string's columns width, insulator string is segmented and insulator areas are extracted; the Fourier Descriptor is used for insulator areas identification; the steel cap and disk are separated to realize the extraction of the steel caps and disks area. The experimental results show that the method can accurately extract the steel caps and disks area of the insulator and provide the basis for the intelligent fault diagnosis of insulator.

insulator string，infrared image，bilateral filtering，image segmentation，linear regression，Fourier Descriptor

TN219

A

1001-8891(2016)04-0969-07

2016-03-03；

2016-04-20.

付強（1988-），男，碩士研究生，主要研究方向：高電壓外絕緣、電氣設備智能檢測與圖像處理。

國網江西省電力公司科技項目（52182015000P）。