自適應(yīng)特征引流管故障智能識(shí)別方法

黃 博，江慎旺，張 增，張 靜，張 巍，許廷發(fā)*

(1北京理工大學(xué) 光電學(xué)院 光電成像系統(tǒng)與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100081；2天津航天中為數(shù)據(jù)系統(tǒng)科技有限公司，天津 300301；3南方電網(wǎng)科學(xué)研究院有限責(zé)任公司，廣州 510080)

自適應(yīng)特征引流管故障智能識(shí)別方法

黃 博1，江慎旺1，張 增2，張 靜2，張 巍3，許廷發(fā)1*

(1北京理工大學(xué) 光電學(xué)院 光電成像系統(tǒng)與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100081；2天津航天中為數(shù)據(jù)系統(tǒng)科技有限公司，天津 300301；3南方電網(wǎng)科學(xué)研究院有限責(zé)任公司，廣州 510080)

為了實(shí)現(xiàn)對(duì)高壓輸電線(xiàn)存在的故障隱患進(jìn)行自動(dòng)檢測(cè)，本文提出了一種自適應(yīng)特征引流管故障隱患智能識(shí)別算法。首先,分析了故障引流子的紅外熱圖像特征，把故障分為兩類(lèi)：明顯發(fā)熱和微弱發(fā)熱;其次，針對(duì)引流管所引起的明顯發(fā)熱，采用改進(jìn)的Otsu閾值分割法對(duì)紅外圖像進(jìn)行分割，運(yùn)用改進(jìn)的Sobel算子提取輪廓；第三，用種子填充算法分離連通域，通過(guò)Thread特征判斷是否為故障引流管；最后，進(jìn)入引流管所引起的微弱小區(qū)域發(fā)熱識(shí)別，運(yùn)用高壓輸電線(xiàn)平行特征尋找主干線(xiàn)區(qū)域，在主干線(xiàn)區(qū)域檢測(cè)Harris角點(diǎn)，通過(guò)STWN特征判斷是否為故障引流子。實(shí)驗(yàn)結(jié)果表明，發(fā)熱隱患的識(shí)別率為94.6%，漏檢率為2.2%，誤識(shí)別率為5.5%。

紅外熱圖像；邊界拓展；形態(tài)特征；智能識(shí)別

1 引 言

隨著低空技術(shù)的廣泛應(yīng)用，無(wú)人機(jī)巡檢方式檢查高壓輸電線(xiàn)故障，并進(jìn)行檢修成為一個(gè)研究熱點(diǎn)[1]。研究人員對(duì)實(shí)時(shí)從無(wú)人機(jī)巡檢設(shè)備獲取的視頻圖像中有效提取輸電線(xiàn)路算法進(jìn)行了研究，通過(guò)Hough變換和FCM聚類(lèi)等方法能夠成功自動(dòng)識(shí)別檢測(cè)線(xiàn)路[2]，但并未提出識(shí)別輸電線(xiàn)故障的方法。為了解決當(dāng)輸電線(xiàn)路因?yàn)槭苤亓驮O(shè)計(jì)等原因而彎曲非簡(jiǎn)單的直線(xiàn)的問(wèn)題，Shengzhi Du和Chunling Tu提出了分段識(shí)別測(cè)量的算法[3]，該算法并不能有效容忍復(fù)雜背景和各種噪聲的干擾。為了進(jìn)一步提高巡檢的準(zhǔn)確性，紅外探測(cè)技術(shù)檢測(cè)零值絕緣子的方法已經(jīng)得到應(yīng)用[4-8]，但完全依賴(lài)操作人員的經(jīng)驗(yàn)和感知能力識(shí)圖存在一定主觀(guān)性和盲目性。目前，還沒(méi)有完善可靠高壓輸電線(xiàn)故障的智能識(shí)別方法。2015年，F(xiàn)uyu Huang等人提出超大視場(chǎng)空中紅外目標(biāo)的檢測(cè)方法，指出了紅外探測(cè)對(duì)克服背景復(fù)雜、雜波干擾、目標(biāo)信息少等問(wèn)題的優(yōu)勢(shì)[9]，本文根據(jù)無(wú)人機(jī)采集的紅外熱圖像[10]故障引流管的特征來(lái)進(jìn)行智能識(shí)別，實(shí)現(xiàn)了無(wú)人機(jī)巡檢故障自動(dòng)診斷的目的，準(zhǔn)確性高，能夠克服復(fù)雜背景的干擾，得到了較好的實(shí)驗(yàn)效果。

2 自適應(yīng)特征引流管故障智能識(shí)別方法

2.1 引流管故障明顯發(fā)熱特征

圖1 引流管引起明顯發(fā)熱圖例 Fig.1 Obvious heating caused by drainage tube

圖2 引流管處小區(qū)域發(fā)熱圖例 Fig.2 Small area heating caused by drainage tube

通過(guò)對(duì)大量高壓輸電線(xiàn)故障引流管的紅外熱圖像的分析，發(fā)現(xiàn)故障引流管引起的發(fā)熱普遍出現(xiàn)在線(xiàn)與線(xiàn)的交接處，這種節(jié)點(diǎn)發(fā)熱一般呈現(xiàn)兩種特征：(1)引流管引起明顯發(fā)熱，發(fā)熱區(qū)域與線(xiàn)路形狀相吻合(如圖1所示)；(2)引流管處微弱發(fā)熱，發(fā)熱區(qū)域較小且呈現(xiàn)不規(guī)則形狀，但是線(xiàn)路必然貫穿發(fā)熱區(qū)域(如圖2所示)。

圖3 閾值分割 Fig.3 Threshold segmentation

由圖1可以看出，引流管故障的明顯特征就是發(fā)熱區(qū)域與輸電線(xiàn)路線(xiàn)路形狀相吻合，因此發(fā)熱的線(xiàn)路與背景存在明顯的灰度差，通過(guò)閾值分割將發(fā)熱區(qū)域當(dāng)作前景色從背景中分離出來(lái)。但是背景色中較亮的區(qū)域也會(huì)被當(dāng)作發(fā)熱區(qū)域給分離出來(lái)，因此，算法對(duì)其進(jìn)行分類(lèi)處理:(1)誤判的區(qū)域與發(fā)熱線(xiàn)路并沒(méi)有連通，可以通過(guò)種子填充法形態(tài)判斷來(lái)去除誤判區(qū)域；(2)誤判區(qū)域與發(fā)熱線(xiàn)路有連通像素，直接從圖像中提取出所需的發(fā)熱線(xiàn)路具有一定的難度，因此本文提出一種Otsu算法與Sobel算法邊界拓展融合的分割方法，然后再用種子填充法形貌判斷是否是故障引流子引起的發(fā)熱線(xiàn)路區(qū)域。在實(shí)際熱紅外圖像的采集過(guò)程中，將會(huì)存在各種各樣復(fù)雜的背景，閾值的選取不當(dāng)，將會(huì)導(dǎo)致對(duì)輸電線(xiàn)隱患的誤識(shí)別。采用Otsu法[11-13]自動(dòng)進(jìn)行閾值分割，可以得到較好效果，如圖3(b)所示。但是當(dāng)背景較亮，如圖3中第一組圖片，直接用Otsu進(jìn)行閾值分割將會(huì)得到大面積的誤判區(qū)域，所以將Otsu法取得閾值升高30灰度級(jí)進(jìn)行分割，在不丟失故障發(fā)熱區(qū)域的情況下可以得到更好效果。經(jīng)過(guò)大量紅外熱圖像的實(shí)驗(yàn)，該操作可以有效減少細(xì)小噪聲，使算法更加準(zhǔn)確實(shí)用，如圖3(c)。

2.2 邊界拓展提取輪廓

提取輪廓的方法有很多，其中使用一階微分梯度算法較為簡(jiǎn)單，并且也能夠準(zhǔn)確檢測(cè)邊緣。一階微分梯度算法要求在圖像的每個(gè)位置計(jì)算偏導(dǎo)?f/?x和?f/?x，算法用一點(diǎn)的鄰域上偏導(dǎo)數(shù)的數(shù)字近似。通過(guò)Sobel算子[14]處理后的結(jié)果如圖4所示。

圖4 Sobel算子邊緣檢測(cè) Fig.4 Edge detection of Sobel operator

選用Sobel算法對(duì)X和Y方向提取邊緣，采用Sobel檢測(cè)的邊緣對(duì)Otsu處理后的二值圖像進(jìn)行漫水法分割，效果如圖5(b)所示。

圖5 區(qū)域劃分 Fig.5 Region division

由圖5(a)可以看出，直接用Sobel的結(jié)果進(jìn)行分割，得不到有效分離的效果，因?yàn)镾obel的邊界并不是連續(xù)的，必須進(jìn)行邊界拓展，才可以將更多的支線(xiàn)邊界信息提取出來(lái)，得到更好的分割效果。

圖6 Sobel邊緣數(shù)據(jù)圖像 Fig.6 Sobel edge data image

由圖6可以看出，Sobel產(chǎn)生的輪廓信息，在8向鄰域內(nèi)并不全部連通，邊界會(huì)存在隔斷的情況，將應(yīng)該連續(xù)的邊界連通起來(lái)。算法如下：

z1z2z3z4z5z6z7z8z9

如果z5為邊緣點(diǎn)，在z5(x,y)的8向鄰域中，如果只存在一個(gè)邊界輪廓點(diǎn)，那么將z(x,y)標(biāo)記為可疑間斷點(diǎn)，以邊界點(diǎn)z(x,y)為中心找到邊界輪廓點(diǎn)(x0,y0)對(duì)稱(chēng)點(diǎn)(2x-x0,2y-y0)，以對(duì)稱(chēng)點(diǎn)2x-x0,2y-y0)為基點(diǎn)，以z(x,y)與邊界輪廓點(diǎn)(x0,y0)的反方向，劃定小范圍的拓展區(qū)域,如圖7所示。在拓展區(qū)域搜索是否有可以間斷點(diǎn)，如果有則將其連接起來(lái)，沒(méi)有則劃除可疑間斷點(diǎn)的屬性。最后邊界拓展后效果如圖8(b)所示。

圖7 邊界拓展原理圖 Fig.7 Principle diagram of boundary extension

圖8 直接分離與邊界拓展后分離對(duì)比 Fig.8 Comparison of the images obtained by direct separation and boundary extension

種子填充算法是圖形學(xué)中的算法，是輪廓提取算法的逆過(guò)程，如目前漫水法、邊界填充算法、掃描線(xiàn)種子填充等各種成熟的實(shí)現(xiàn)算法[15]，其基本方法就是從一組已知的“種子標(biāo)記像素點(diǎn)(x,y)”開(kāi)始，將與種子預(yù)先定義的性質(zhì)相似的那些鄰域像素(四鄰域或八鄰域。四鄰域即從區(qū)域一點(diǎn)出發(fā)，通過(guò)4個(gè)方向上、下、左、右來(lái)檢索，而八鄰域加上了左上、左下、右上、右下4個(gè)方向)添加到每個(gè)種子上來(lái)形成生長(zhǎng)區(qū)域。

圖9 去除噪聲后輸出 Fig.9 Output after removing noise

2.3 特征判斷提取區(qū)域

通過(guò)上面的處理，已經(jīng)把各個(gè)可以漏電區(qū)域提取分離了，對(duì)該類(lèi)引流管故障進(jìn)行分析可以得知，輸電線(xiàn)支線(xiàn)漏電的特征有：(1)最小寬度窄，(2)長(zhǎng)度較長(zhǎng)，(3)X、Y方向上不存在寬度像素都超過(guò)30的區(qū)域。處理過(guò)程如下：對(duì)分離區(qū)域進(jìn)行行列的掃描，記錄寬度小于10像素的行數(shù)或者列數(shù)(判斷是豎直漏電支線(xiàn)和橫向漏電支線(xiàn))；如果橫向?qū)挾群涂v向?qū)挾榷夹∮?0，則不符合故障引流管特征，將該區(qū)域刪除；再判斷行數(shù)和列數(shù)兩個(gè)方向像素寬度都超過(guò)30，并且行數(shù)或者列數(shù)不少于50，則認(rèn)定其并不是“細(xì)線(xiàn)”型，將其刪除；最后未被刪除的區(qū)域?yàn)楣收弦鞴軈^(qū)域。

圖10 輸電線(xiàn)發(fā)熱區(qū)域輸出 Fig.10 Output of heating zone of transmission line

3 自適應(yīng)故障識(shí)別

如圖2所示，當(dāng)引流管處微弱發(fā)熱，發(fā)熱區(qū)域較小且呈現(xiàn)不規(guī)則形狀，如果直接進(jìn)行Otsu閾值處理來(lái)分離引流管處微弱發(fā)熱區(qū)域，那么許多背景的噪聲也會(huì)誤判為發(fā)熱區(qū)域，所以算法必須先縮小微弱引流管發(fā)熱可能存在的位置。因?yàn)橐鞴苁蔷€(xiàn)路主干線(xiàn)與線(xiàn)路支線(xiàn)的交點(diǎn)，存在的一個(gè)特征就是分布在主干線(xiàn)的周?chē)?。算法先確定主干線(xiàn)路的位置，然后從主干線(xiàn)路附近區(qū)域出發(fā)來(lái)尋找引流管微弱發(fā)熱區(qū)域，這樣將大大減少引流管微弱發(fā)熱區(qū)域的誤判率。

3.1 主干線(xiàn)區(qū)域識(shí)別

首先需要識(shí)別到主干線(xiàn)路所在位置，通過(guò)分析大量紅外圖像，發(fā)現(xiàn)高壓主干線(xiàn)路一般都近似直線(xiàn)，并且一般為多股線(xiàn)路，擁有平行特征。因此，算法首先通過(guò)霍夫變換來(lái)檢測(cè)直線(xiàn)，運(yùn)用輸電線(xiàn)路的平行特征，濾除不必要的噪聲直線(xiàn)，進(jìn)而確定主干線(xiàn)路的位置。具體處理過(guò)程如下：對(duì)Canny算子邊緣檢測(cè)后的邊緣圖做霍夫變換[16]處理得到直線(xiàn)，得到大量直線(xiàn)信息，其中包含很多錯(cuò)誤的直線(xiàn)信息，即噪聲。對(duì)噪聲進(jìn)行濾波，濾波原則：通過(guò)分析大量紅外圖像可知主干線(xiàn)路一般大于兩條，也就是說(shuō)，至少存在4條邊界，而4條邊界近似平行。濾波過(guò)程中對(duì)所有直線(xiàn)循環(huán)處理，將沒(méi)有平行邊界或平行邊界較少的直線(xiàn)全部濾除。處理結(jié)果如圖11所示。

圖11 高壓輸電線(xiàn)路主干線(xiàn)區(qū)域識(shí)別 Fig.11 Main line area identification of high voltage transmission line

3.2 故障引流子識(shí)別

當(dāng)確定主干線(xiàn)路的位置后，在主干線(xiàn)路附近五個(gè)像素的范圍內(nèi)進(jìn)行搜索，可搜索區(qū)域如圖12(a)所示。在可搜索區(qū)域內(nèi)做Harris角點(diǎn)檢測(cè)[17-20]，找到灰度值變化巨大的位置，如圖12(b)所示，直接Harris判斷得到的角點(diǎn)存在很多的誤檢測(cè)，最后通過(guò)灰度及形態(tài)特征判斷確定微弱發(fā)熱的位置。

圖12 故障引流子識(shí)別 Fig.12 Fault drainage identification

灰度及形態(tài)判斷準(zhǔn)則：因?yàn)橐鞴芴幑收喜幻黠@情況下一般呈現(xiàn)為點(diǎn)狀，具有小目標(biāo)(Small Target)特征，所以規(guī)定在角點(diǎn)附近20×20像素的區(qū)域內(nèi)，如果超過(guò)200個(gè)像素為前景色(灰度值較大)，則不滿(mǎn)足引流管小目標(biāo)(Small Target)的屬性，因此該角點(diǎn)區(qū)域不為故障引流子；如果灰度值全部為背景色或者在區(qū)域內(nèi)前景色的像素不超過(guò)5個(gè)，該點(diǎn)為噪聲，也不是故障引流子，以此達(dá)到削弱噪聲(Weaken Noise)的目的；剩余的位置判定為故障引流子。最后得到結(jié)果圖如圖12(c)所示。

3.3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)中，無(wú)人機(jī)所搭載的紅外數(shù)據(jù)采集設(shè)備為德國(guó)AVT 公司的Goldeye P/CL-008 SWIR型號(hào)紅外相機(jī)，其硬件相關(guān)的重要參數(shù)如下：波長(zhǎng)范圍9～17 μm；工作溫度：-30～+40 ℃；探測(cè)器：非制冷焦平面；探測(cè)元：320×256，30 μm。

本文所采集的數(shù)據(jù)是無(wú)人機(jī)由上向下采集，輸電線(xiàn)背景多為草地、灌木叢、樹(shù)林等，較為復(fù)雜，背景干擾較多。由圖13可以看出，由于背景輻射放熱的影響，故障引流子與背景信息十分相似，即使肉眼也很難將其分辨出來(lái)，因此識(shí)別故障引流子具有較大的困難。當(dāng)引流子明顯故障時(shí)，如圖1所示，此時(shí)，由于發(fā)熱現(xiàn)象明顯，引流子溫度相對(duì)于背景明顯增大，導(dǎo)致背景在圖像中被抑制，基本呈現(xiàn)黑色。

圖13 Goldeye P/CL-008 SWIR采集紅外熱圖像 Fig.13 Infrared thermal image acquisition with Goldeye P/CL-008 SWIR camera

圖14 故障引流子 Fig.14 Fault drainage

對(duì)含有故障引流子的圖像進(jìn)行處理，可以準(zhǔn)確的得到故障引流子的位置和區(qū)域，如圖14所示，白色圓圈區(qū)域?yàn)檎业降墓收弦髯印?/p>

運(yùn)用上述方法處理92幅紅外圖像，其中含有故障發(fā)熱的圖像為38幅，沒(méi)有明顯故障發(fā)熱圖像54幅，最后正確檢測(cè)到33幅含有故障發(fā)熱的圖片，誤檢5幅，漏檢2幅。正確率為94.6%，誤檢率5.5%，漏檢率2.2%，具體結(jié)果如表1。

表1 92幅紅外圖像處理結(jié)果

主要的誤檢類(lèi)型有漏檢以及多檢，漏檢多是由于引流子故障不明顯，發(fā)熱現(xiàn)象極弱、背景極其復(fù)雜和主干線(xiàn)區(qū)域不明顯的紅外圖像，如圖15所示；多檢主要是由于主干線(xiàn)路區(qū)域存在背景亮點(diǎn)，引起多檢以及錯(cuò)檢，如圖16所示。該圖存在一個(gè)故障引流子，但是由于背景噪聲的影響，檢測(cè)出來(lái)兩個(gè)故障引流子，引流子無(wú)故障時(shí)則會(huì)引起錯(cuò)檢現(xiàn)象。

圖15 發(fā)熱極弱、背景復(fù)雜導(dǎo)致引流子故障不明顯 Fig.15 Drainage fault is not obvious due to the very weak heat and the complicated background

圖16 背景噪聲造成的錯(cuò)檢現(xiàn)象 Fig.16 False detection caused by background noise

閾值的選取對(duì)檢測(cè)結(jié)果也有很大的影響。同樣的一幅紅外圖像，當(dāng)閾值選取不一樣時(shí)，檢測(cè)的結(jié)果也會(huì)有所不同。這些不同的結(jié)果主要是故障區(qū)域灰度值與背景灰度值的差異來(lái)引起的。如圖17所示，當(dāng)選取閾值為Otsu動(dòng)態(tài)閾值上調(diào)15個(gè)灰度值時(shí)，該圖像檢測(cè)結(jié)果為引流管引起明顯發(fā)熱；當(dāng)選取閾值為Otsu動(dòng)態(tài)閾值上調(diào)30個(gè)灰度值時(shí)，該圖像檢測(cè)結(jié)果為引流管處小區(qū)域發(fā)熱。

圖17 閾值選取對(duì)檢測(cè)的影響 Fig.17 Effect of threshold selection on detection

圖17(c)的輸電線(xiàn)分支線(xiàn)線(xiàn)路上的灰度值確實(shí)高于背景灰度值，但是它的灰度值與左邊豎立著塔架的灰度值相差無(wú)二，所以不認(rèn)為其屬于故障發(fā)熱區(qū)域。本文通過(guò)對(duì)大量圖像分析，最終采用閾值上調(diào)30個(gè)灰度級(jí)的方案是比較合理的。

本文提出的自適應(yīng)特征引流管故障智能識(shí)別方法，原理簡(jiǎn)單、易于實(shí)現(xiàn)，受環(huán)境的影響較小。利用本文中方法對(duì)多個(gè)樣本進(jìn)行測(cè)試，故障識(shí)別率較高，誤檢率較低，取得了比較理想的結(jié)果，具有較強(qiáng)的穩(wěn)定性，也驗(yàn)證了本文的方法用于輸電線(xiàn)紅外序列圖像中故障引流子的自動(dòng)提取和診斷的可行性和有效性。

4 結(jié) 論

直升機(jī)巡檢輸電線(xiàn)路，利用先進(jìn)的拍攝儀器，通過(guò)對(duì)設(shè)備進(jìn)行多角度俯視、側(cè)視檢測(cè)，能細(xì)致全面地檢查和捕捉線(xiàn)路上的設(shè)備運(yùn)行情況，是未來(lái)電力巡檢的趨勢(shì)。本文通過(guò)紅外熱圖像識(shí)別輸電線(xiàn)路引流管故障，將引流管故障引起發(fā)熱分為明顯區(qū)域發(fā)熱和微弱小區(qū)域發(fā)熱兩種類(lèi)型，采用改進(jìn)的Otsu閾值分割算法，使其更加實(shí)用。此外，本文采用的邊界拓展進(jìn)行漫水法區(qū)域劃分及主干線(xiàn)周?chē)鶫arris角點(diǎn)檢測(cè)來(lái)識(shí)別故障發(fā)熱區(qū)域，具有良好的效果。最后，對(duì)92幅紅外熱圖像進(jìn)行實(shí)驗(yàn)，正確識(shí)別率為94.6%，誤檢率5.5%，漏檢率2.2%，算法的識(shí)別準(zhǔn)確率較高。

[1] 陳韜.直升機(jī)在輸電線(xiàn)路運(yùn)檢工作中的技術(shù)研究[D].北京:華北電力大學(xué),2010. CHEN T. Research on the technology of helicopter in the operation of transmission line inspection[D]. Beijing:North China Electric Power University,2010.(in Chinese)

[2] TANG W Y,HANG Y,QIU Q R，etal.. Overhead Power Line Detection from UAV Video Images[C]. 19th international conference on Mechatronics and Machine Vision in Practice. Auckland,New Zealand,2012:74-79.

[3] DU SH ZH,TU CH L. Power line inspection using segment measurement based on HT butterfly[C]. International Conference on Signal Processing, Communications and Computing. Xi′an,2011:1-4.

[4] 張來(lái)明,郭勁,楊貴龍,等.中波紅外激光技術(shù)最新進(jìn)展[J].中國(guó)光學(xué),2013,6(4):501-512. ZHANG L M,GUO J,YANG G L,etal.. The latest progress in mid infrared laser technology[J].ChineseOptics,2013,6(4):501-512.(in Chinese)

[5] 趙建川,王弟男,陳長(zhǎng)青,等.紅外激光主動(dòng)成像和識(shí)別[J].中國(guó)光學(xué),2013,6(5):795-802 ZHAO J CH,WANG D N,CHEN C Q,etal.. Infrared laser active imaging and recognition[J].ChineseOptics,2013,6(5):795-802.(in Chinese)

[6] 唐攀龍.高壓輸電線(xiàn)路絕緣子紅外監(jiān)測(cè)方法的研究[D].長(zhǎng)沙:長(zhǎng)沙理工大學(xué),2009:8-11 TANG P L. Research on infrared monitoring method of high voltage transmission line insulator[D]. Changsha:Changsha University of Science and Technology,2009:8-11.(in Chinese)

[7] 陳豪,陳原,趙雪松,等.紅外測(cè)溫技術(shù)在復(fù)合絕緣子檢測(cè)中的應(yīng)用[J].電力設(shè)備,2006,7(9):42-43. CHEN H,CHEN Y,ZHAO X S,etal.. Application of infrared temperature measurement technology in the detection of composite insulators[J].ElectricPowerEquipment,2006,7(9):42-43.(in Chinese)

[8] 王燦進(jìn),石寧寧,孫濤.同態(tài)非局部濾波在激光主動(dòng)成像散斑抑制中的應(yīng)用研究[J].液晶與顯示,2016,31(2):193-200. WANG C J,SHI N N,SUN T. Application of homomorphic non-local filters in speckle noise suppression for laser active imaging[J].ChineseJ.LiquidCrystalsandDisplays,2016,31(2):193-200.(in Chinese)

[9] 黃富瑜,沈?qū)W舉,劉旭敏,等.基于空時(shí)域融合處理檢測(cè)超大視場(chǎng)紅外目標(biāo)[J].光學(xué) 精密工程,2015,23(8):2328-2338. HUANG F Y,SHEN X J,LIU X M,etal.. Detection of super wide-field infrared target based on spatial-temporal fusion processing[J].Opt.PrecisionEng.,2015,23(8):2328-2338.(in Chinese)

[10] 魯劍鋒.無(wú)人機(jī)光電載荷圖像處理器的設(shè)計(jì)[J].中國(guó)光學(xué),2011,4(5):448-452. LU J F. Design of UAV photo electric load image processor[J].ChineseOptics,2011,4(5):448-452.(in Chinese)

[11] 陳冬嵐,劉京南,余玲玲.幾種圖像分割閾值選取方法的比較與研究[J].機(jī)械制造與自動(dòng)化,2003(1):77-80. CHEN D L,LIU J N,YU L L. Comparison and Research on threshold selection methods of several kinds of image segmentation[J].MachineryManufacturingandAutomation,2003(1):77-80.(in Chinese)

[12] 袁小翠,吳祿慎,陳華偉.基于Otsu方法的鋼軌圖像分割[J].光學(xué) 精密工程,2016,24(7):1772-1781. YUAN X C,WU L SH,CHEN H W. Rail image segmentation based on Otsu method[J].Opt.PrecisionEng.,2016,24(7):1772-1781.(in Chinese)

[13] 孟亞州,馬瑜,白冰,等.基于粒子群優(yōu)化的Otsu肺組織分割算法[J].液晶與顯示,2015,30(6):1000-1007. MENG Y ZH,MA Y,BAI B,etal. Improved lung segmentation algorithm based on 2 D Otsu optimized by PSO[J].ChineseJ.LiquidCrystalsandDisplays,2015,30(6):1000-1007.(in Chinese)

[14] 王智文.幾種邊緣檢測(cè)算子的性能比較研究[J].制造業(yè)自動(dòng)化,2012,34(11):14-16. WANG ZH W. A comparative study on the performance of several edge detection operators[J].ManufacturingAutomation,2012.34(11):14-16.(in Chinese)

[15] 張正峰,馬少飛,李瑋.新的種子點(diǎn)區(qū)域填充算法[J].計(jì)算機(jī)工程與應(yīng)用,2009(6):201-202. ZHANG ZH F,MA SH F,LI W. New seed point region filling algorithm[J].ComputerEngineeringandApplications,2009(6):201-202.(in Chinese)

[16] MUKHOPADHYAY P,CHAUDHURI B B. A survey of hough transform[J].PatternRecognition,2015,48(3):993-1010.

[17] 王崴,張宇紅,洪軍,等.一種改進(jìn)的Harris角點(diǎn)提取算法[J].光學(xué) 精密工程,2008,16(10):1995-2001. WANG W,ZHANG Y H,HONG J,etal.. An improved Harris corner detection algorithm[J].Opt.PrecisionEng.,2008,16(10):1995-2001.(in Chinese)

[18] 李海,張憲民,陳忠.基于直線(xiàn)檢測(cè)的棋盤(pán)格角點(diǎn)自動(dòng)提取[J].光學(xué) 精密工程,2015,23(12):3480-3489. LI H,ZHANG X M,CHEN ZH. Automatic extraction of corner points of a chess board based on line detection[J].Opt.PrecisionEng.,2015,23(12):3480-3489.(in Chinese)

[19] 劉博超,趙建,孫強(qiáng).基于邊緣改進(jìn)的Harris角點(diǎn)檢測(cè)方法[J].液晶與顯示,2013,28(6):939-942. LIU B CH,ZHAO J,SUN Q. Improved Harris corner detection method based on edge[J].ChineseJ.LiquidCrystalsandDisplays,2013,28(6):939-942.(in Chinese)

[20] 楊云,岳柱.基于融合圖像輪廓矩和Harris角點(diǎn)方法的遮擋人體目標(biāo)識(shí)別研究[J].液晶與顯示,2013,28(2):273-277. YANG Y,YUE ZH. Human body target recognition under occlusion based on fusion of image contour moment and Harris angular points[J].ChineseJ.LiquidCrystalsandDisplays,2013,28(2):273-277. (in Chinese)

Intelligent identification algorithm of adaptive feature drainage tube fault

HUANG Bo1, JIANG Shen-wang1, ZHANG Zeng2, ZHANG Jin2, ZHANG Wei3, XU Ting-fa1*

(1.KeyLaboratoryofOptoelectronicImagingSystemandTechnology,MinistryofEducation,SchoolofOptoelectronics,BeijingInstituteofTechnology,Beijing100081,China；2.TianjinAerospaceScienceandTechnologyCo.,Ltd.fortheDataSystem,Tianjin300301,China；3.SouthernPowerGridScienceResearchInstituteCo.,Ltd,Guangzhou510080,China)

In this paper, an intelligent recognition algorithm for hidden danger of drainage tube is presented in order to realize the automatic detection of the faults of the high voltage transmission line. First, the thermal image feature of faults is analyzed, and the faults can be divided into two types:obvious heating and weak heating. Second in view of the obvious heating caused by the drainage tube, the improved Ostu threshold segmentation method is used to implement infrared image segmentation and the improved Sobel operator is used to implment contour extraction. Third, the seed filling algorithm separation is used to connect domains, and we can determine whether the drainage tube is fault through the thread characteristics. Finally, we check the weak heating caused by the drainage tube, applying high pressure transmission line parallel features to find the region of trunk line, and then get the Harris corner around the trunk region and determine whether it is fault drainage through the STWN characteristics. Experimental results show that the successful identification rate of hidden heat fault is 94.6%, false negative rate is 2.2%, and false recognition rate is 5.5%.

infrared thermal image;boundary development;morphological feature;intelligent recognition

2017-01-19；

2017-03-27

南方電網(wǎng)直升機(jī)重大專(zhuān)項(xiàng)資助項(xiàng)目(No.K-KY2014-500) Supported by Helicopter Major Project of China Southern Power Grid(No.K-KY2014-500)

2095-1531(2017)03-0340-08

TP317.4； TN219

A

10.3788/CO.20171003.0340

黃博(1993—)，男，重慶長(zhǎng)壽人，碩士研究生，主要從事光電成像探測(cè)與識(shí)別、目標(biāo)跟蹤、光電測(cè)量和可見(jiàn)光通信方面的研究。E-mail:a1039377853@163.com

許廷發(fā)(1968—)，男，黑龍江肇東人，博士，教授，博士生導(dǎo)師，1992年、2000年于東北師范大學(xué)分別獲得學(xué)士、碩士學(xué)位，2004年于中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所獲得博士學(xué)位，2006年于華南理工大學(xué)博士后出站，主要從事光電成像探測(cè)與識(shí)別等方面的研究。E-mail:xutingfa@163.com

*Correspondingauthor,E-mail:xutingfa@163.com