基于周期性結構特征的絕緣子掉片檢測算法

， ，，，

(國網電力科學院 武漢南瑞科技有限責任公司，武漢 430074)

0 引言

絕緣子作為輸電線路固定和絕緣的重要部件。由于其長期工作于強電場、機械應力、污穢及溫濕度等復雜惡劣環境,經常出現內部裂縫、表面破損、絕緣阻抗降低及污閃等現象，進而造成電網停電事故。因此，自動檢測絕緣子的服役狀態，及時發現絕緣子異常，對保障輸電網絡的安全運行具有重要的應用價值。

目前，絕緣子缺陷檢測方法主要有在線檢測和離線檢測兩大類[1-3]，其中，在線檢測主要有紫外脈沖法、電磁波法、聲發射法和泄漏電流法等，該類檢測方法不需要停運電力系統,大大減少了維護的工作量和登高檢測的危險，但在線檢測系統規模大,建設的硬件成本；而離線檢測包括觀察法、電壓分布檢測法、敏感電阻檢測法、電場分布檢測法、紅外成像檢測、紫外成像檢測、超聲波檢測、激光多普勒振動、計算機斷層掃描、當值鹽密法、表面污層電導率檢測法、微波輻射法以及憎水性圖像檢測法等，離線檢測不僅巡檢工作量巨大，檢測效率低，而且登高檢測也存在一定的安全隱患[1-3]。近年來，隨著航空拍攝測量技術、機器視覺技術以及計算機技術的快速發展，出現了直升機或無人機電力線路巡檢系統，極大地提高了巡檢的工作效率。然而實際應用中，由于絕緣子種類多、結構復雜、視點、光照以及所處環境復雜多變，絕緣子及其缺陷的圖像特征是復雜多變的，絕緣子缺陷異常檢測精度低，對于航拍絕緣子巡檢圖像，仍主要靠人工進行絕緣子定位和異常檢測，自動化和智能化程度低[3]，因而，如何從線路場景圖像中快速、準確的檢測絕緣子異常已成為電力巡檢技術研究的熱點和難點。

1 相關研究工作

近年來,絕緣子及其缺陷圖像檢測技術研究已成為國內外電力系統巡檢應用研究的熱點。絕緣子及其缺陷圖像檢測主要包括絕緣子及其缺陷特征選擇、抽取、目標分割和識別4個處理步驟。針對航拍巡檢圖像，陽武將絕緣子缺陷檢測當作目標分類問題，提出了基于差異特征的絕緣子區域分割和基于稀疏化差異深度置信網絡(D-DBN)的絕緣子及缺陷分類方法[3]，絕緣子及缺陷的分類正確率達到92.98%，提高了絕緣子缺陷檢測對光照、尺度、旋轉變化的適應性，其缺點是不能明確給出絕緣子缺陷的位置；趙振兵根據絕緣子輪廓線的幾何結構特點，提出一種基于Hough檢測和輪廓C-V模型的絕緣子圖像協同分割方法[4]，首先，利用Hough檢測方法，解決輸電線與絕緣子的粘連問題，然后，利用SLIC超像素分割和GHT廣義霍夫變換選取C-V模型的初始輪廓，最后，根據航拍絕緣子圖像幀之間的關系，利用基于幀間圖像C-V模型的絕緣子協同分割方法，抑制了背景、桿塔以及輸電線等偽目標干擾；商俊平根據絕緣子區域的紋理和形態特點，提出了一種基于不變矩特征Adaboost分類器的絕緣子定位和基于相鄰絕緣子歐氏距離的缺陷檢測方法[5]，絕緣子自爆點缺陷檢測的準確率達到87%；陳慶根據絕緣子圖像的深度穩定特征，提出了一種航拍圖像絕緣子卷積神經網絡檢測方法[6]，首先利用自組織特征映射網絡，實現絕緣子區域的顯著性檢測，然后，通過超像素分割和輪廓檢測的絕緣子建模，提出一種絕緣子的自爆故障識別算法，絕緣子檢測的精度達90%以上，自爆缺陷識別準確率達85%以上。針對紅外圖像絕緣子檢測應用，文獻[8]提出了紅外圖像深度卷積特征圖和支撐向量機的絕緣子檢測方法，實驗結果達到了93%的檢測精度；文獻[9]利用FPGA電路實現技術，設計了一種高壓絕緣子探測機器人檢測系統，提高了絕緣子檢測的速度；文獻[10]針對航拍巡檢，采用HOG特征、LBP特征和PCA主分量分析方法，提出了特征融合的絕緣子檢測算法，提高了復雜背景下的絕緣子檢測能力；此外，文獻[11]利用多尺度局部特征和空間秩序，也提出了一種航拍圖像的魯棒的絕緣子檢測方法。然而由于實際應用中絕緣子所處背景、類型、視點、姿態以及光照復雜多變，絕緣子及其缺陷的紋理和形態特征也千變萬化，完備的絕緣子圖像訓練樣本制備困難，絕緣子缺陷檢測的正確率較低，導致傳統的基于絕緣子及其缺陷淺層穩定特征人工設計提取方法和基于絕緣子及其缺陷深度特征的絕緣子缺陷識別方法均難以滿足實際無人機巡檢應用的需要。

本文將根據絕緣子結構的對稱性和傘裙間距的周期性具有尺度、旋轉、光照以及背景變化不變的特點，提出一種基于彩色直方圖的輸電線路場景圖像絕緣子掉片檢測算法，首先，采用基于彩色直方圖的自適應分割方法，提取絕緣子區域圖像，并進行水平傾斜校正，然后，利用歸一化彩色直方圖匹配方法，估計絕緣子幾何結構的周期性參數，最后，利用歸一化彩色直方圖周期性異常，檢測絕緣子掉片的位置，以提高檢測對背景、類型、視點、姿態以及光變化的適應性。

2 基于彩色直方圖的絕緣子分割與傾斜校正算法

由于絕緣子的類型，所處背景、視點、姿態以及光照等復雜的多變性，絕緣子的圖像紋理和幾何形態會出現很大的變化，因而如何快速、準確地提取和識別絕緣子的穩定不變特征，已經成為國外學者研究的熱點和難點。在絕緣子航拍巡檢實踐中，我們發現單個絕緣子的組成材料相同，區域呈狹窄長條形態，其圖像紋理不僅具有很好的相似性，而且，與其鄰近背景具有很大的差異性，因此，本文將根據具有尺度、旋轉和光照變化不變的歸一化彩色直方圖統計特征，利用基于直方圖自適應聚類的分割方法，粗略地提取絕緣子區域，然后，針對提取的絕緣子區域，估計和校正絕緣子圖像的水平傾斜失真，以提高絕緣子種類、尺度、旋轉、光照以及所處背景變化條件下緣子缺陷檢測的精確性和魯棒性。

2.1 彩色直方圖的相似性評估方法

假設H1,H2分別為兩個直方圖統計特征，H1={h11,h12,…,h1N},H2={h21,h22,…,h2N},其維數均為N。考慮到同一幅絕緣子圖像中光照比較均勻，絕緣子傘裙圖像不僅分布均勻，而且，與其背景存在著顯著的差異，因而本文采用去均值歸一化互相關方法，來計算兩彩色直方圖間的相似性度量:

(1)

2.2 基于彩色直方圖自適應聚類的絕緣子分割算法

2.2.1 絕緣子子區域的直方圖初始化

如圖1所示，一般情況下絕緣子的長寬比大于4。假設絕緣子圖像的長度和寬度分別為L和W，直方圖統計的子塊大小為d×d，其大小為，

(2)

假設絕緣子彩色圖像的RGB分量都是8比特的分辨率。考慮到人眼對顏色分辨率較低，在彩色直方圖統計時，本文采用顏色分辨率處理技術，使單分量直方圖統計的維數為32,則子區域的彩色直方圖統計可得到32×3=96維的特征矢量，以絕緣子圖像中心4個子塊A、B、C、D作為絕緣子區域的候選子塊，其直方圖統計特征做均值平滑濾波處理后作為絕緣子區域的統計特征hI,以與其距離最大的圖像子塊直方圖統計特征作為背景特征hb。

圖1 絕緣子圖像各子區域直方圖統計特征分析

2.2.2 基于彩色直方圖最近自適應聚類的絕緣子分割算法

首先,以上述hI和hb兩個直方圖特征計算絕緣子和背景的初始類中心mI,mb,

(3)

設定聚類分析判別門限為,

Thd=|mI-mb|/4

(4)

再對絕緣子圖像各子區域進行最近鄰聚類分析。如果DI=dis{h1,hI}和Db=dis{h1,hb}小于Thd，則將該子區域判斷為較小者的類；如果DI=dis{h1,hI}和Db=dis{h1,hb}均大于Thd，則該子區域判斷為未分類子區。然后，再對所有已分類的子區作直方圖統計，得到更新后的hI,hb,mI,mb；然后，將未分類子區分成分成子區，再對絕緣子圖像各未分類子區域進行最近鄰聚類分析。如果DI

圖2 基于彩色直方圖自適應聚類的絕緣子分割和校正結果

2.3 絕緣子區域的傾斜估計與校正算法

針對上述提取的絕緣子區域分割結構，利用連通域分析方法，提取最大的連通區域，然后，利用最小外接矩形方法，估計絕緣子區域最小外接矩形的中心坐標、長度、寬度和水平傾斜姿態角度θ[7]，最后，再利用旋轉變換公式(5)和雙線形差值方法進行水平傾斜失真校正。圖3為校正后的絕緣子彩色圖像。

(5)

圖3 校正后的絕緣子彩色圖像

3 基于灰度歸一化相關匹配的絕緣子掉片檢測算法

3.1 絕緣子子區域圖像的初始化

首先針對校正后的絕緣子彩色圖像，計算整體直方圖統計特征；然后，將絕緣子彩色圖像水平均勻分成個子段區域，取與整體直方圖統計特征最相似的子段作為匹配的參考子區域。圖4給出了正常區域和缺陷區域的原始圖像和直方圖。

圖4 絕緣子不同部位直方圖統計特征

3.2 基于灰度歸一化相關匹配的相似性估計

首先，計算參考子區域的直方圖統計特征hr；然后，針對校正后的絕緣子彩色圖像，hr作為匹配的參考特征沿水平方向進行相關匹配，估計水平方向的直方圖匹配的相關函數曲線c(x)，取相關函數門限tp為0.8，并按照下式(6)得到相關函數峰值曲線cp(x)，

(6)

針對相關函數曲線cp(x)進行平滑濾波處理,得到平滑后的相關函數曲線.圖6(a)為正常子塊圖像直方圖匹配的相關函數曲線,圖6(b)為異常子塊圖像直方圖匹配的相關函數曲線。從圖中可以看出,與正常子塊相比,異常子塊的相關函數最大值顯著高于其他周期性的峰值,此外,利用局部極大值點檢測方法,還可以計算出各個相鄰相關峰之間的距離,進而估計相關峰值間的周期均值md，它可作為周期異常的判別門限。

圖6 基于直方圖匹配的相關函數曲線

3.3 絕緣字傘裙間距周期異常檢測

首先，根據md的大小，選擇周期異常檢測匹配參考子塊，然后，計算相鄰相關峰的間距di，并以di的平均值md作為絕緣字傘裙間距判別門限td，即有，td=1.5md。若di>td，則判斷該位置出現絕緣字傘裙間距周期異常。圖7基于直方圖匹配的缺陷檢測結果。

圖7 基于直方圖匹配的缺陷檢測結果

4 實驗結果與分析

我們針對幾種不同場景下巡檢無人機航拍采集到的809張含絕緣子缺陷的圖片數據,利用本文提出的算法進行絕緣子缺陷檢測試驗。即首先，利用基于彩色直方圖自適應聚類的絕緣子分割算法進行絕緣子圖像分割，并利用絕緣子區域的傾斜估計與校正算法對絕緣子區域進行水平幾何失真校正(如圖3所示)；然后，從校正后的絕緣子區域圖像中左、中、右部分選擇3個子塊(如圖4所示)，并分別利用這3個子塊從左到右移動滑動串口，利用基于灰度歸一化相關匹配的相似性估計算法，計算各子塊的歸一化互相關函數曲線(如圖6所示)，從3個相關曲線中選擇周期性良好的作為基準，再根據歸一化互相關函數曲線估計相鄰相關峰的平均間距di；最后，利用相應的子塊以平均間距di搜索校正后的絕緣子區域圖像；當相鄰灰度相關峰值之間的間距大于1.5倍平均間距di時，則認為該相鄰灰度相關峰值之間出現絕緣子周期性異常。針對幾種不同場景下巡檢無人機航拍采集到的809張含絕緣子缺陷的圖片數據，成功檢測出缺陷775張,漏檢34張,準確率和召回率分別達到了95.8%和91.9%,與傳統的基于絕緣子及其缺陷淺層穩定特征人工設計提取方法和基于絕緣子及其缺陷深度特征的絕緣子缺陷檢測方法相比，本文提出的方法利用了絕緣子傘裙間距的周期性深度穩定特征，絕緣子缺陷檢測的漏檢率低，不僅對尺度、旋轉、光照以及背景變化具有良好的適應性，而且，對不同類型絕緣子的紋理和形態變化也具有很好的適應性，可滿足高壓輸電線路巡檢實際應用的需要。

表1 絕緣子爆片缺陷檢測對比 %

5 結論

本文根據絕緣子結構的對稱性和傘裙間距的周期性具有尺度、旋轉、光照以及背景變化不變的特點，提出一種基于彩色直方圖的絕緣子掉片檢測算法，首先，采用基于彩色直方圖的自適應分割方法，提取絕緣子區域圖像，并進行水平傾斜校正，然后，利用絕緣子傘裙間距的周期性結構特點,利用歸一化彩色灰度匹配方法，估計絕緣子幾何結構的周期性參數，最后，利用歸一化彩色灰度相關匹配的周期性異常，來檢測絕緣子掉片的位置。其優點是不需要事先利用大樣本進行統計學習,就可準確檢測絕緣子掉片的位置，缺陷檢測處理速度快、精度高，不僅提高了尺度、旋轉、光照、背景變化條件下絕緣子掉片檢測的適應性，而且對絕緣子種類的紋理和形態多樣性變化也具有很強的適應性。