基于RGB圖像傳感的電力設備材料的老化特征提取*

周小麗，王 哲

(1.浙江同濟科技職業學院 經濟與信息學院，浙江 杭州 311231；2.浙江工業大學 土木工程學院，浙江 杭州 310023)

隨著傳感技術和信息技術的快速發展和應用，RGB圖像傳感技術的應用得到電力行業的重視[1]。RGB即是代表紅、綠、藍三個通道的顏色，這個標準幾乎包括了人類視力所能感知的所有顏色。RGB圖像傳感技術具備非接觸的優勢，憑借這一優勢可對電力設備材料的相關情況實現無接觸檢測[2]。近些年來，利用人工方法分析電力設備的相應損壞與破損，效率低并且會受到人為的影響。通過利用RGB圖像傳感技術，可以實現電力設備材料老化特征的提取與檢測，成為電力領域中的一個熱點問題[3]。并且在無人機等遠程圖像采集設備逐漸普及的情況下，有利于快速地完成需要人工才能完成的檢測[4]。相關學者也提出了一些較好的方法。

趙麗和黃惠芬[5]提出基于紅外激光圖像的特征提取方法，并應用到了電力領域。該方法利用小波增強設備圖像清晰度，并抑制外界的噪聲，檢測相關設備圖像的奇異性，并根據圖像的極大值提取設備圖像的特征，完成了對設備狀態的判斷。該方法簡單，并且可以突出圖像的細節。但存在特征提取準確率低和平均運行時間長的問題。鄒輝和黃福珍[6]提出基于FAsT-Match算法的電力設備材料的老化特征提取方法，利用匹配算法在電力設備圖像中做近似模板的匹配，采用FAsT-Match算法提取電力設備材料的老化特征，該方法的電力設備圖像分割處理得較好，但平均運行時間較長，實時性差。Jiang A等人[7]分析具有不同老化特征的電力絕緣材料分子結構，利用介電常數、介質損耗和雜質離子參數得出老化程度與外加電場強度之間的關系，獲取自由體積的定量分析結果，提出了利用高清圖像識別進行電力設備老化特征的提取，該方法可以有效實現電力絕緣材料無損壞性的老化檢測，但是由于需要獲取較多的參數和高清圖像，因此存在運行時間較長的情況。Morette等人[8]提出基于直流局部放電的特征提取與老化狀態識別方法，從局部放電原始數據中提取和選擇相關特征用于識別高壓設備中的絕緣缺陷類型，可以準確識別不同電纜的老化狀態。但該方法基于內部局部放電信號，容易受到噪聲數據的影響，因此需要較長的信號采集時間。

針對上述方法中存在的問題，本文提出了一種基于RGB圖像傳感技術的電力設備材料老化特征提取方法。設計模式識別算法，對電力設備材料的老化特征進行有效提取。采用顏色階矩陣對電力設備材料圖像顏色特征進行表達，通過RGB顏色模型求取顏色矩陣的特征參數，實現電力材料圖像的預處理。采用灰度共生矩陣的方式，對電力設備相關材料圖像進行灰度化處理，量化灰度級，利用滑動窗口選擇計算得出紋理特征值矩陣，最終轉換為圖像特征影像。本文將RGB圖像進行灰度圖像處理，有效地降低了運行時間。結合能量特征、對比度特征、相關性特征和逆差矩特征的約束值，計算偏差結果，完成電力設備材料老化特征提取與判斷。

1 特征提取識別算法的設計

在采集RGB傳感圖像的基礎上，設計模式識別算法對老化圖像特征進行提取，通過模式識別算法實現電力設備材料老化特征分析[9]。模式識別又稱作模式分類，從處理問題的性質和解決問題的方法等角度，對物體具體模式進行設定[10-11]。由特定的識別問題決定的模式識別算法，在識別系統中對識別對象反復觀察后確定具體算法設計。

本文對于電力設備材料的老化特征提取，需要通過無人機采集圖像特征，采用矩陣的形式來表示電力設備材料外部顏色的分布情況。相關電力材料的圖像信息在低階矩上，只需使用顏色的一階、二階以及三階矩就能夠將圖像顏色特征有效表達[12-13]。

一般利用RGB顏色模型來表示材料外部圖像顏色，采 用 的 多 是 將RGB轉 為HSV(Hue，Saturation，Value)并求取顏色矩陣的特征參數。本文中電力設備的材料樣本圖中，存在三個顏色分量，分別為紅色(R)、綠色(G)、藍色(B)，轉換成灰度圖，白、全黑、灰，分量中有三個顏色矩陣，每個顏色均含有一階、二階以及三階矩，則共有九個特征向量。由于RGB圖像占用空間較大，在某些場合，需要加快運算速度同時減少存儲空間，這就需要對圖像進行降維變換處理。圖像降維是指將圖像從RGB圖像變為含有九個特征向量的過程，可以將100×100×3的原圖像降維到1×9，說明可以用3×3個特征向量來表征某一像素，是一種有效、緊湊且簡潔的低層特征。

對經過預處理后的電力材料圖像紋理特征提取，根據電力材料灰度圖像量化處理灰度級，通過滑動窗口選擇計算特征值P，得出Zr×Zc灰度共生矩陣，最終將紋理特征值矩陣轉換成紋理特征影像?；叶裙采仃囉脕韺Ψ较颚壬系膱D像描述，像素之間的間距為d，一對像素中存在灰度i和j的概率，在選擇θ和d時，通常情況下，d為1，θ為0°、45°、90°、135°，表達式分別為:

式中:f表示特征，k、m和l、n分別表示圖像上下左右四點像素坐標值，變化于選擇的計算窗口中，根據Zr×Zc灰度共生矩陣，對電力設備材料圖像的能量特征、對比度特征、相關性特征和逆差矩特征展開計算，首先求得p′聚類數目:式中:R表示整個圖像區域；對矩陣像素中存在灰度和的概率(i，j)的歸一化結果，通過歸一化處理，可以更加簡便、準確和定量地獲取材料圖像特征結果。假設Ng為灰度級數，則能量特征f1的表達式為:

對比度特征f2的表達式為:

相關性特征f3的表達式為:

逆差矩特征f4的表達式為:

式中:μxμy表示聚類中心點的橫、縱坐標值；σxσy表示邊緣特征點的橫、縱坐標值。其中，能量特征可以表示電力設備圖像灰度的分布和紋理；對比度特征可以反映采集到圖像的清晰程度；相關性特征可以反映圖像排列方向的相似度變化現象；逆差矩特征可以反映電力設備圖像的局部變化情況。通過偏差計算，可以有效得出結果數值。這些數值的偏差越大，說明越有可能失去原有規則，即出現老化特征。根據電力設備材料圖像識別的偏差結果完成老化特征提取。

2 實驗結果與數據分析

為了驗證基于RGB圖像傳感技術的電力設備材料老化特征提取方法的有效性，將以電線塔的電線，作為本文的實驗對象。無人機選取圖像的方法很多[14]，本文實驗環境選取某工廠附近，利用無人機飛控控制無人機拍攝并采集電線線圈圖像，共計獲取300幅電線線圈圖像。其中，無人機飛控設置無人機距懸停目標高度保持精度±3 m，航向保持精度±3 m，發動機轉速控制精度±1%，采用32位圖形處理器TMS34010實現無人機飛行參數及飛行航圖的實時顯示[15]。無人機飛控如圖1所示，電線線圈圖像采集現場如圖2所示。

圖1 無人機飛控

圖2 電線線圈無人機圖像采集現場

將采集到的電線線圈無人機圖像輸入到PC端中，PC主機可通過共享存儲器讀取輸入圖像，并采用PC主機自動獲取電線線圈圖像的參數及其數據信息，PC端環境如圖3所示。利用MATLAB仿真軟件，將輸入數據進行可視化處理，得到電線線圈材料截面，為電力設備材料的特征提取做鋪墊。MATLAB仿真軟件得到的電線截面轉化圖如圖4所示。

圖3 電線無人機圖像信息可視化處理的PC端環境

圖4 MatLab電線截面轉化圖

首先，我們要在系統中確定電線線圈截面的5條方向線圈主軸，然后，利用MATLAB仿真軟件讓PC端系統自動檢測獲取的300幅圖片中各個角度的電線線圈是否偏離主軸，以此判線圈材料是否發生老化；反之，則材料狀態正常。線圈主軸狀態如圖5所示。

圖5 電線線圈的老化特征

分析圖5可知，4號線圈特征采集點明顯偏離主軸。由于線圈偏離的主軸，因此可判別該電線線圈材料發生老化，而老化特征產生的原因，是電力設備材料產生破損，電力設備材料的破損情況如圖6所示。

圖6 電線線圈材料的破損情況

在上述基礎上，測試電力設備材料的老化特征提取的準確率。在5次操作中，通過PC端輸出線圈材料破損特征提取的準確率，測試結果如圖7所示。

分析圖7可知，對電力設備材料的老化特征提取時，所提方法所得到的提取準確率大部分在90%，只有第2次實驗的準確率相對較低，考慮主要原因應該是無人機獲取照片時，操作穩定性導致的誤差。文獻[5]、文獻[6]、文獻[7]方法獲得的特征提取準確率分別在50%～70%、30%～40%、70%～85%之間，與所提方法相比，由于本文方法利用RGB圖像識別，采用多角度獲取數據，利用利用MATLAB實現三維還原截面等操作，讓本文所提方法準確率更高，說明本文提出方法可以準確地將電力設備材料的老化特征提取出來。

圖7 不同方法電力設備材料老化特征提取的準確率

在對其特征提取準確率測試的基礎上，進一步測試方法的平均運行時間。利用三種方法分別檢測線路老化特征，在PC端分別記錄并輸出三種方法的平均運行時間，測試結果如圖8所示。

圖8 不同方法的平均運行時間對比

從圖8中可以看出，所提方法的平均運行時間比文獻[5]方法、文獻[6]、文獻[7]方法的平均運行時間低很多，從第10次運行結果上來看，所提方法的平均運行時間約為0.25 s，文獻[5]方法的平均運行時間約為0.65 s，文獻[6]方法的平均運行時間約為0.7 s，文獻[7]是高清識別，用時最長。對比可知，所提方法的運行時間較短，更具有實時性。時間縮短的主要原因是由于本文通過RGB圖像識別進行灰度處理，降低了原圖片的維度，實現了處理速度的優化。

4 結論

本文利用基于RGB圖像傳感技術的電力設備材料老化特征提取方法，提取其特征，并對方法的性能展開了相應的測試。①測試了電力設備材料老化特征提取的準確率，所提方法提取的準確率大部分在90%以上，準確率高；②測試了方法的平均運行時間，所提方法的平均運行時間僅約為0.4 s。

從實驗結果可以看出，所提方法特征提取準確率較高，運行時間大大縮短，整體試驗效果顯著，具有較好的實時性。