基于顯著性邊緣的絕緣子區(qū)域分割與缺陷檢測(cè)

匡小兵 馮小軍 高輝 徐暢 鄭欣

摘要：近年來(lái)，無(wú)人機(jī)巡檢已經(jīng)逐步取代了人工巡檢，故本文提出基于視覺(jué)顯著性的航拍圖像絕緣子區(qū)域分割與缺陷檢測(cè)方法，使用基于圖論的視覺(jué)顯著性算法對(duì)絕緣子初步定位，利用結(jié)構(gòu)化隨機(jī)森林算法提取出圖像的顯著性邊緣，以顯著性邊緣經(jīng)過(guò)的超像素區(qū)域?yàn)榉N子區(qū)域，向外進(jìn)行擴(kuò)張，實(shí)現(xiàn)絕緣子的區(qū)域分割，最后使用滑動(dòng)窗口對(duì)其進(jìn)行逐段局部分析，找出絕緣子的自爆位置。該算法通用性好，在輸電線路巡檢、變電站巡檢等各類電力場(chǎng)景下均適用，可以節(jié)省大量人力物力。

關(guān)鍵詞：絕緣子;顯著性;邊緣;超像素;分割;缺陷檢測(cè)

1?引言

要實(shí)現(xiàn)輸電線路絕緣子狀態(tài)的自動(dòng)分析，首先需要檢測(cè)絕緣子在圖像中的位置。絕緣子目標(biāo)的檢測(cè)與普通的目標(biāo)檢測(cè)是相似的，傳統(tǒng)的絕緣子檢測(cè)方法，有利于點(diǎn)特征、紋理特征、形態(tài)學(xué)特征以及多特征融合的方法，但每種方法都有其局限性。視覺(jué)顯著性檢測(cè)算法就是模擬人類的對(duì)顯著區(qū)域快速定位的能力，可以提取出圖像中的顯著區(qū)域，自底向上的顯著性檢測(cè)算法，由圖像本質(zhì)特征提取顯著的區(qū)域，根據(jù)顏色、亮度、方向等一系列特征找出圖像中與其他位置差別大的區(qū)域，航拍圖像中的絕緣子往往與周圍區(qū)域有明顯的不同，因此本文利用基于圖論的視覺(jué)顯著性檢測(cè)算法[1] 對(duì)圖像中的絕緣子進(jìn)行定位。絕緣子長(zhǎng)期暴露在自然環(huán)境中，可能會(huì)出現(xiàn)各種缺陷，本文針對(duì)絕緣子可能發(fā)生的自爆缺陷，利用霍夫直線擬合算法對(duì)絕緣子進(jìn)行傾斜矯正，然后利用滑動(dòng)窗口的方法找出絕緣子的自爆區(qū)域。經(jīng)過(guò)測(cè)試，可以較為準(zhǔn)確的識(shí)別出圖像中的絕緣子，并檢測(cè)出絕緣子的自爆位置。

2?算法實(shí)現(xiàn)

2.1?絕緣子的初步定位

自頂向下的顯著性檢測(cè)方法，通用性差，同樣不能適用于所有的絕緣子。但是圖像中的絕緣子紋理通常與周邊背景紋理差異性較大，與周圍具有較強(qiáng)對(duì)比度即與周圍有明顯不同，因此選擇受到數(shù)據(jù)自身特點(diǎn)驅(qū)動(dòng)的自底向上的顯著性檢測(cè)方法，本文對(duì)基于圖論的視覺(jué)顯著性檢測(cè)算法（GBVS，Graph-Based?Visual?Saliency）[1] ，對(duì)多幅航拍圖像進(jìn)行測(cè)試，結(jié)果如下。

圖1?視覺(jué)顯著性檢測(cè)效果圖

在GBVS算法求得的顯著性圖中，絕緣子是圖像的顯著性目標(biāo)，計(jì)算速度較快，可以滿足實(shí)時(shí)性的要求。通過(guò)GBVS算法計(jì)算出的顯著圖做一個(gè)簡(jiǎn)單的分割，找出大于顯著圖灰度圖均值的區(qū)域，進(jìn)行連通域檢測(cè)，截取這個(gè)連通域的最小外接矩形，這就實(shí)現(xiàn)了絕緣子的初步定位。

2.2?絕緣子的區(qū)域分割

首先利用結(jié)構(gòu)化隨機(jī)森林算法[2] ，提取顯著性區(qū)域的邊緣，這種邊緣提取算法很大程度上排除了光照不均以及云霧的干擾，準(zhǔn)確的識(shí)別出圖像的強(qiáng)邊緣和弱邊緣，并以灰度圖的形式展示強(qiáng)邊緣和弱邊緣，因?yàn)槭窃陲@著性區(qū)域內(nèi)提取的邊緣，所以將強(qiáng)邊緣定義為顯著性邊緣。使用簡(jiǎn)單的線性迭代聚類算法即SLIC算法，對(duì)絕緣子位置的外接矩形區(qū)域圖像進(jìn)行超像素分割，根據(jù)顯著性邊緣選擇超像素區(qū)域作為種子區(qū)域進(jìn)行擴(kuò)張，主要利用灰度共生矩陣[3] 描述紋理相似度，利用LAB顏色空間的距離表示顏色相似度，根據(jù)這兩個(gè)特征進(jìn)行擴(kuò)張，實(shí)現(xiàn)絕緣子串的分割。

2.3?絕緣子的缺陷檢測(cè)

主要利用形態(tài)學(xué)運(yùn)算和滑動(dòng)窗口的方法來(lái)找到絕緣子自爆缺失的具體位置。首先對(duì)絕緣子區(qū)域做了孔洞填充等操作后，對(duì)絕緣子圖像做膨脹處理，利用圓盤形狀的膨脹因子，擴(kuò)大周圍的空白，留下絕緣子的骨架，利用霍夫直線檢測(cè)算法對(duì)絕緣子的骨架圖像做直線的擬合。選取最長(zhǎng)的擬合直線，對(duì)分割出的絕緣子做傾斜矯正。

然后將利用滑動(dòng)窗口找出絕緣子自爆的位置，當(dāng)檢測(cè)到絕緣子占比小于閾值的情況，就認(rèn)為這個(gè)位置發(fā)生了絕緣子的自爆，記錄當(dāng)前位置。最后通過(guò)逆向的運(yùn)算，計(jì)算出絕緣子的自爆在最初的絕緣子航拍圖像的位置，并標(biāo)記出來(lái)，如圖2所示。

3?總結(jié)與展望

本文使用基于圖論的視覺(jué)顯著性檢測(cè)算法實(shí)現(xiàn)絕緣子的初步定位，該方法對(duì)環(huán)境和絕緣子種類的敏感度低，可應(yīng)用于多種環(huán)境、多種絕緣子的初步定位中;使用基于結(jié)構(gòu)化隨機(jī)森林的邊緣提取算法計(jì)算出圖像的顯著性邊緣，以顯著性邊緣經(jīng)過(guò)的超像素區(qū)域?yàn)榉N子區(qū)域，根據(jù)紋理和顏色特征向外進(jìn)行擴(kuò)張，分割出真實(shí)的絕緣子區(qū)域;對(duì)絕緣子進(jìn)行傾斜矯正后，利用形態(tài)學(xué)操作和滑動(dòng)窗口的方式計(jì)算窗口內(nèi)的絕緣子占比，找出絕緣子的自爆位置。

圖2?絕緣子自爆檢測(cè)效果

參考文獻(xiàn)：

[1] ?Harel?J，Koch?C，Perona?P.Graph-Based?Visual?Saliency[C]//?Advances?in?Neural?Information?Processing?Systems?19，Proceedings?of?the?Twentieth?Annual?Conference?on?Neural?Information?Processing?Systems，Vancouver，British?Columbia，Canada，December?4-7，2006.MIT?Press，2006.

[2] ?Dollár，Piotr，Zitnick?C?L.Fast?Edge?Detection?Using?Structured?Forests[J].IEEE?Transactions?on?Pattern?Analysis?&?Machine?Intelligence，2014，37（8）：1558-1570.

[3] ?高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19（6）：195-198.

作者簡(jiǎn)介：

匡小兵（1974-），男，漢族，江蘇建湖人，國(guó)網(wǎng)江蘇省電力有限公司鹽城供電分公司高級(jí)工程師，學(xué)士學(xué)位，研究方向?yàn)檩旊娋€路的運(yùn)維與檢修。

（作者單位：1.國(guó)網(wǎng)江蘇省電力有限公司鹽城供電分公司;2.河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院;3.江蘇優(yōu)埃唯智能科技有限公司）