基于區(qū)域生長(zhǎng)法和BP神經(jīng)網(wǎng)絡(luò)的紅外圖像識(shí)別

陳躍偉,彭道剛,夏 飛,錢玉良

(上海電力學(xué)院自動(dòng)化工程學(xué)院,上海 200090)

1 引 言

目前在變電站巡檢機(jī)器人監(jiān)控系統(tǒng)中針對(duì)變電設(shè)備紅外圖像的識(shí)別問題缺少統(tǒng)一的技術(shù)評(píng)價(jià)指標(biāo),巡檢機(jī)器人拍攝的紅外圖像背景復(fù)雜多樣,遠(yuǎn)程監(jiān)控系統(tǒng)針對(duì)該圖像進(jìn)行識(shí)別時(shí)經(jīng)常存在錯(cuò)識(shí)、漏識(shí)、識(shí)不出等現(xiàn)象,設(shè)備紅外診斷結(jié)果無法正確匹配到相應(yīng)設(shè)備類型,影響變電站監(jiān)控系統(tǒng)的正常運(yùn)行[1]。

紅外圖像中設(shè)備的特征提取與識(shí)別是紅外診斷技術(shù)的重要組成部分,常用的特征提取和識(shí)別方法有邊緣檢測(cè)法、正交矩法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法等[2]。文獻(xiàn)[3]采用SURF法將圖像中絕緣子的特征向量進(jìn)行提取和識(shí)別,縱向統(tǒng)計(jì)經(jīng)角度矯正和形態(tài)學(xué)開運(yùn)算后絕緣子灰度極小值的分布規(guī)律,定位出不良絕緣子,該方法在提取絕緣子特征向量時(shí)忽略絕緣子邊緣模糊帶來的特征向量誤差。文獻(xiàn)[4]針對(duì)110 kV線路絕緣子在不同污穢等級(jí)和濕度下的零值絕緣子紅外圖像識(shí)別問題,提出自適應(yīng)學(xué)習(xí)法和共軛梯度法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,根據(jù)網(wǎng)絡(luò)誤差曲面的變化自適應(yīng)調(diào)整學(xué)習(xí)步長(zhǎng),使得網(wǎng)絡(luò)快速收斂到全局最優(yōu)值,但由于其各層觸發(fā)函數(shù)在高次數(shù)迭代中產(chǎn)生邊緣誤差,使得網(wǎng)絡(luò)收斂時(shí)產(chǎn)生明顯波動(dòng)。

紅外圖像分割技術(shù)是圖像特征提取的基礎(chǔ),其分割目標(biāo)設(shè)備的完整性和準(zhǔn)確性決定后續(xù)圖像特征提取和識(shí)別的效果。文獻(xiàn)[5]將變電站紅外圖像進(jìn)行反轉(zhuǎn)后減去原始圖像以增強(qiáng)圖像中目標(biāo)設(shè)備的邊緣區(qū)域,最大限度地減少背景噪聲,利用Otsu分割方法分割設(shè)備目標(biāo),但該方法存在因設(shè)備邊緣模糊而導(dǎo)致的欠分割問題。文獻(xiàn)[6]采用半自動(dòng)區(qū)域生長(zhǎng)法對(duì)豬食管OCT圖像中粘膜層進(jìn)行精確分割,通過局部平均值判定法確定種子點(diǎn)位置,采用等比例變換縮放圖像法縮短分割時(shí)間,利用最鄰近差值法確定分割閾值,實(shí)現(xiàn)縮放后OCT圖像中粘膜層的分割,最后映射到原圖像中,但其在種子點(diǎn)選取時(shí)采用5×5區(qū)域內(nèi)部取灰度平均值作為種子點(diǎn)像素,容易將種子點(diǎn)特征模糊化。

2 紅外圖像識(shí)別原理

2.1 紅外圖像分割

2.1.1 構(gòu)建圖像溫度場(chǎng)

在一定測(cè)溫范圍內(nèi),紅外圖像中像素點(diǎn)的亮度值與溫度值之間線性相關(guān),通過線性變換可將圖像中像素點(diǎn)的亮度矩陣映射到設(shè)備的溫度場(chǎng)[7]。在紅外圖像中獲取圖像的三維數(shù)值矩陣,通過顏色分量的加權(quán)可將真彩色圖像數(shù)值轉(zhuǎn)換為圖像亮度值,轉(zhuǎn)換公式為:

Y=0.299R+ 0.587G+ 0.114B

(1)

式中,Y為YUV格式中Y分量,R、G、B分別是RGB格式的分量。根據(jù)變電站設(shè)備紅外圖像中標(biāo)定最低溫度Tmin和最高溫度Tmax,在[Tmin,Tmax]等間隔取60個(gè)樣本溫度點(diǎn)。對(duì)每一溫度值的樣本點(diǎn)找到50個(gè)該溫度值點(diǎn)的坐標(biāo),并記錄在臨時(shí)數(shù)組中,同時(shí)計(jì)算出該50個(gè)位置處的像素亮度值,統(tǒng)計(jì)每個(gè)亮度值出現(xiàn)的次數(shù),出現(xiàn)次數(shù)最高的亮度值作為該溫度值對(duì)應(yīng)的像素亮度值,并記錄在相應(yīng)數(shù)組中。找到60個(gè)溫度值對(duì)應(yīng)的亮度值后,對(duì)樣本數(shù)據(jù)進(jìn)行最小二乘法擬合,得到亮度值與溫度值之間的線性關(guān)系,將紅外圖像的亮度陣列用溫度矩陣替代,記錄設(shè)備溫度最高點(diǎn)對(duì)應(yīng)亮度值的位置坐標(biāo)。圖1為穿墻套管亮度值與溫度的線性擬合效果。圖2為圖1(a)中方框內(nèi)溫度場(chǎng)坐標(biāo)分布,其中坐標(biāo)原點(diǎn)為方框的左上角,水平向右、向下分別為x、y軸正方向,圖2中溫度最高區(qū)域?qū)?yīng)圖1(a)中溫度最高區(qū)域。

圖1 亮度與溫度的線性擬合

圖2 設(shè)備溫度場(chǎng)分布

2.1.2 改進(jìn)區(qū)域生長(zhǎng)法

區(qū)域生長(zhǎng)法是像素級(jí)的圖像分割方法,將圖像中具有某些相似特性的像素點(diǎn)集合提取構(gòu)成目標(biāo)區(qū)域,實(shí)現(xiàn)對(duì)復(fù)雜背景進(jìn)行高精確地分割[8]。選取待分割圖像中滿足一定要求的區(qū)域集合作為分割的種子集合,從種子點(diǎn)區(qū)域按照給定的規(guī)則生長(zhǎng),將種子集合鄰域內(nèi)符合條件的像素歸并到種子集合,將合并后的像素集合看作新的種子集合繼續(xù)按照生長(zhǎng)規(guī)則生長(zhǎng),直到?jīng)]有滿足條件的像素存在。

種子點(diǎn)再生長(zhǎng)過程中,利用Otsu法確定的閾值作為種子再生長(zhǎng)的約束。Otsu法是基于閾值的分割方法,設(shè)紅外圖像的灰度范圍為[0,L-1],灰度為i的像素個(gè)數(shù)為N,ni為灰度i的像素個(gè)數(shù),灰度i出現(xiàn)的概率為pi=ni/N,閾值t將圖像灰度級(jí)劃分為C0=(0,1,…,t)和C1=(t+1,t+2,…,L-1),各灰度級(jí)的概率分別為:

(2)

式中,ω0、ω1分別表示C0、C1灰度等級(jí)的概率分布?；叶染捣謩e為:

(3)

式中,μ0、μ1分別表示C0、C1灰度等級(jí)的灰度均值。由式(2)、(3)可得:

μt=ω0μ0+ω1μ1

(4)

式中,μt表示整幅圖像的灰度均值。則類間方差定義為:

σB2=ω0(μ0-μt)2+ω1(μ1-μt)2

=ω0ω1(μ0-μ1)2

(5)

最佳閾值為:

(6)

式中,t*為σB2的最大值。從灰度值最小到最大找出使得式(6)中t*為最大值時(shí)L的灰度值即為分割的最佳閾值。采用類間方差衡量灰度分布均勻性時(shí),當(dāng)類間方差取最大值,圖像中目標(biāo)設(shè)備和背景的像素差別最大,錯(cuò)分的概率最小,此時(shí)的L可作為分割的最佳閾值[9]。改進(jìn)區(qū)域生長(zhǎng)法的描述如下:

(1)種子點(diǎn)的獲取

種子點(diǎn)代表目標(biāo)區(qū)域的一個(gè)或一組像素,紅外圖像的亮度反映目標(biāo)區(qū)域的溫度信息,利用上述建立的圖像溫度場(chǎng)選擇圖像中設(shè)定溫度范圍對(duì)應(yīng)的像素區(qū)域作為種子點(diǎn)。

(2)生長(zhǎng)準(zhǔn)則

設(shè)已生長(zhǎng)合并的區(qū)域?yàn)镽,R中像素點(diǎn)個(gè)數(shù)為N,灰度均值為μR,T1是經(jīng)Otsu法確定的最優(yōu)閾值,T2為灰度相似性閾值,待合并像素點(diǎn)(x,y)的鄰域內(nèi)灰度均值為:

(7)

生長(zhǎng)準(zhǔn)則可用如下式表示:

(8)

式中,T1為Otsu確定的3×3鄰域內(nèi)最優(yōu)閾值,T2為圖像灰度相似性閾值。對(duì)于滿足式(8)的像素點(diǎn),可將其作為新的種子并合并到已分割區(qū)域,此時(shí)區(qū)域R的均值可表示為:

(9)

式中,μold、μnew分別為合并前、后的圖像灰度均值。如果待檢測(cè)的像素點(diǎn)與種子點(diǎn)像素灰度值之差的絕對(duì)值大于設(shè)定門限值或者不滿足式(8),可認(rèn)為該像素不符合生長(zhǎng)規(guī)則,終止對(duì)該像素點(diǎn)的合并,繼續(xù)進(jìn)行其他像素的合并,直至該截屏窗口內(nèi)部完全分割。在區(qū)域生長(zhǎng)過程中引入最佳分割閾值T1和灰度相似性閾值T2后,可避免因紅外圖像中目標(biāo)設(shè)備灰度變化過大而導(dǎo)致的目標(biāo)設(shè)備過分割,同時(shí)生長(zhǎng)規(guī)則中加入T1的約束,也可避免因紅外圖像中目標(biāo)設(shè)備邊緣模糊而導(dǎo)致的目標(biāo)圖像欠分割。

為定量地評(píng)價(jià)分割算法性能,采用假陰性率(False Negative Ratio,FNR)、分割錯(cuò)誤率(Ratio of Segmentation Error,RSE)、Dice相似性系數(shù)(Dice Similarity Coefficient,DSC)來檢驗(yàn)改進(jìn)區(qū)域生長(zhǎng)法的分割精度[10]。設(shè)S1為文中方法分割得到的設(shè)備圖像,S2為人工分割圖像邊界,則上述評(píng)價(jià)準(zhǔn)則定義如下:

(10)

式中,N(·)為封閉區(qū)域內(nèi)像素?cái)?shù)目,FNR、RSE值越接近0,DSC值越接近1,說明分割精度越高。

2.2 設(shè)備形狀特征提取

變電站電氣設(shè)備的形狀不因工作狀態(tài)和環(huán)境變化而改變,具有較強(qiáng)的穩(wěn)定性,可使用其形狀作為分類識(shí)別的依據(jù)。根據(jù)上述方法對(duì)紅外圖像中目標(biāo)設(shè)備進(jìn)行形狀分割提取后,利用Hu矩計(jì)算其形狀特征向量。

Hu矩描述圖像設(shè)備區(qū)域特征,具有平移、縮放、旋轉(zhuǎn)和尺度不變性,是基于目標(biāo)設(shè)備形狀識(shí)別的重要參數(shù)[11]。設(shè)二維離散函數(shù)f(x,y)的(p+q)階矩為:

mpq=∑x∑yxpyqf(x,y)

(11)

由式(11)可得到零階矩m00=∑x∑yf(x,y),則圖像的質(zhì)心為:

(12)

式中,m10和m01為一階矩。二維離散圖像的中心矩為:

(13)

歸一化的中心矩為:

(14)

式中,γ=(p+q)/2+1,則Hu矩為:

φ1=η20+η02

φ3=(η30-3η12)2+(3η21-η03)2

φ4=(η30+η12)2+(η21+η03)2

φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+3(η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]

φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]

(15)

由于Hu矩的7個(gè)特征φ1～φ7量的數(shù)量級(jí)差別較大且有正有負(fù),工程上采用變換后的Hu矩作為圖像形狀特征,式(15)變換后的Hu矩為:

φ′=|log10|φ||

(16)

為描述不同設(shè)備形狀的相似度,選擇設(shè)備形狀特征向量間的歐氏距離來表示[12],其定義為:

(17)

式中,X、Y分別為不同設(shè)備形狀特征向量；xi、yi為向量?jī)?nèi)元素。設(shè)備形狀特征向量間距離越小,說明設(shè)備形狀差別越小,反之亦然。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型

2.3.1 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化

針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)存在的不足,廣泛應(yīng)用的改進(jìn)算法有共軛梯度法、附加動(dòng)量法、Levenberg- Marquardt法、自適應(yīng)學(xué)習(xí)率法等,本文采用附加動(dòng)量和自適應(yīng)調(diào)整學(xué)習(xí)率來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型[13-14]。引入附加動(dòng)量后,傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值的迭代關(guān)系為:

wuv(n+1)=wuv(n)+Δwuv(n+1)

(18)

式中,mcΔwuv(n)為附加動(dòng)量;mc為動(dòng)量因子,進(jìn)而可得:

(19)

由式(19)可得:

(20)

上式中附加動(dòng)量項(xiàng)系數(shù)增加為η/(1-mc),BP神經(jīng)網(wǎng)絡(luò)誤差在反向傳播過程中,給各個(gè)權(quán)值都加上一個(gè)正比于上一次權(quán)值變化的量,可彌補(bǔ)傳統(tǒng)BP網(wǎng)絡(luò)在權(quán)值調(diào)整時(shí)易陷入局部最優(yōu)的不足。同時(shí)為避免恒定學(xué)習(xí)速率帶來的網(wǎng)絡(luò)收斂誤差,保證BP網(wǎng)絡(luò)訓(xùn)練過程中迭代收斂穩(wěn)定性,引入自適應(yīng)調(diào)整學(xué)習(xí)率,其根據(jù)權(quán)值修正值是否有效降低誤差函數(shù)作相應(yīng)變化,如果誤差函數(shù)降低過大,說明學(xué)習(xí)率較小,自適應(yīng)學(xué)習(xí)速率法會(huì)自動(dòng)增大學(xué)習(xí)率,反之亦然,其定義如下:

(21)

式中,kinc為學(xué)習(xí)率增長(zhǎng)比;kdec為學(xué)習(xí)率下降比;E(k)、E(k+1)為第k、k+1迭代誤差。

2.3.2 基于Hu矩的BP網(wǎng)絡(luò)模型

在基于變電設(shè)備形狀的識(shí)別過程中,將設(shè)備形狀的Hu矩特征向量輸入到BP網(wǎng)絡(luò)第一層的節(jié)點(diǎn)中,經(jīng)過隱藏層反向傳播輸出層的誤差,修正各神經(jīng)元的權(quán)值,直至迭代精度滿足要求。設(shè)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為輸入層-隱藏層-輸出層的3層結(jié)構(gòu),所有節(jié)點(diǎn)的激活函數(shù)均采用S型函數(shù)。BP神經(jīng)網(wǎng)絡(luò)輸入元素的個(gè)數(shù)等于識(shí)別對(duì)象特征向量的維數(shù),針對(duì)同一設(shè)備不同類型的形狀特征向量,BP網(wǎng)絡(luò)的輸入元素個(gè)數(shù)也不同,而輸出元素的個(gè)數(shù)為訓(xùn)練樣本中的設(shè)備種類的數(shù)目[15]。使用Hu矩作為形狀特征向量,網(wǎng)絡(luò)輸入元素為7維,同時(shí)輸入向量按照下式作歸一化處理:

(22)

式中,Z、Z′為設(shè)備Hu矩歸一化前、后特征向量,Zmax、Zmin為Hu特征向量中最大、最小值。隱藏層節(jié)點(diǎn)數(shù)目的確定是通過多次實(shí)驗(yàn)對(duì)比驗(yàn)證來確定的,取為12,輸出層主要識(shí)別8種設(shè)備,可設(shè)置3個(gè)輸出層,通過二進(jìn)制編碼確定輸出設(shè)備類型。當(dāng)網(wǎng)絡(luò)輸出的全局誤差小于期望誤差或者迭代步數(shù)達(dá)到最大時(shí),網(wǎng)絡(luò)迭代終止,而網(wǎng)絡(luò)的全局誤差e定義為:

(23)

式中,N為輸入樣本數(shù),N取7;q為輸出樣本維度,q取3;k為樣本序列;o為網(wǎng)絡(luò)隱藏層到輸出層的樣本序列;do(k)、yo(k)分別為期望輸出和實(shí)際輸出。

基于優(yōu)化區(qū)域生長(zhǎng)法和BP神經(jīng)網(wǎng)絡(luò)對(duì)紅外圖像識(shí)別的流程如圖3所示。

圖3 紅外圖像識(shí)別流程圖

3 實(shí)驗(yàn)結(jié)果分析

3.1 紅外圖像分割結(jié)果

在給定設(shè)備運(yùn)行溫度范圍條件下采用區(qū)域生長(zhǎng)法分割紅外圖像時(shí),根據(jù)圖像溫度場(chǎng)關(guān)系確定種子點(diǎn)位置,作為改進(jìn)區(qū)域生長(zhǎng)法的起始點(diǎn)。圖4(a1)中方框內(nèi)部為種子點(diǎn)主要匯集區(qū)域,圖中溫度為[20,50] ℃,熱點(diǎn)溫度為48 ℃,設(shè)置溫度>44 ℃區(qū)域?yàn)榉N子點(diǎn),根據(jù)上述建立的溫度場(chǎng)分布定位出種子點(diǎn)區(qū)域。截取100×100像素的窗口并使其包含導(dǎo)線熱點(diǎn)區(qū)域,利用Otsu原理計(jì)算該窗口內(nèi)最優(yōu)閾值T1約為204,灰度相似性閾值T2設(shè)為20.5,在該窗口上按照3×3步長(zhǎng)進(jìn)行分割,再將分割的結(jié)果映射到原圖像上,完成此次窗口的分割。然后再重新設(shè)定溫度范圍,將溫度>38 ℃的像素點(diǎn)按上述方法進(jìn)行分割,窗口大小、分割步長(zhǎng)保持不變,重新利用Otsu計(jì)算該窗口內(nèi)部最優(yōu)閾值T1約為137,灰度相似性閾值T2設(shè)為23.7,最終實(shí)現(xiàn)此窗口的分割結(jié)果并將其映射到原圖像中。如此重復(fù)分割直至分割溫度設(shè)為30 ℃后停止,最終完成導(dǎo)線區(qū)域分割,分割結(jié)果如圖4(a3)所示。圖4(a2)為傳統(tǒng)區(qū)域生長(zhǎng)法分割結(jié)果,圖中導(dǎo)線內(nèi)部細(xì)小局部邊緣存在欠分割,導(dǎo)線絕緣子掛柄處因污損產(chǎn)熱而出現(xiàn)過分割,使得圖像的特征向量存在較大干擾,而本文方法可有效地排除紅外圖像中目標(biāo)設(shè)備與背景間的連接干擾,有效地避免傳統(tǒng)區(qū)域生長(zhǎng)法閾值恒定帶來的欠分割或過分割的不足。同時(shí)將經(jīng)本方法分割得到的導(dǎo)線故障區(qū)域圖像與變電站運(yùn)行人員人工分割的導(dǎo)線故障區(qū)域進(jìn)行對(duì)比,求取FNR、RSE、DSC等指標(biāo)定量分析本方法的分割效果,結(jié)果如表1所示。運(yùn)用本方法分割圖像的FNR、RSE參數(shù)比經(jīng)傳統(tǒng)區(qū)域生長(zhǎng)法分割圖像得到的參數(shù)小,而且非常接近于0,說明本方法分割錯(cuò)誤率較傳統(tǒng)區(qū)域生長(zhǎng)法低,而經(jīng)本方法分割圖像的DSC較傳統(tǒng)區(qū)域生長(zhǎng)法高,而且接近于1,說明本方法分割出的導(dǎo)線邊緣與真實(shí)導(dǎo)線邊緣更加接近,分割精度較高。圖4(b)電壓互感器的溫度范圍為[25,70] ℃,將溫度>50 ℃像素區(qū)域作為初次分割窗口的種子點(diǎn),主要位于圖4(b1)中方框內(nèi),分割窗口設(shè)為60×100,該窗口內(nèi)Otsu最優(yōu)閾值T1為213,灰度相似性閾值T2為20.5,分割步長(zhǎng)為3×3,最后將截屏窗口分割結(jié)果映射到原圖像中。按照上述分割方法繼續(xù)分割,直至目標(biāo)設(shè)備從原圖像中完全分割出來,最終結(jié)果如圖4(b3)所示。

表1 圖像分割精度對(duì)比

圖4 各方法分割對(duì)比

3.2 設(shè)備的特征提取

將紅外圖像進(jìn)行種子點(diǎn)定位,利用Otsu優(yōu)化區(qū)域生長(zhǎng)法分割目標(biāo)設(shè)備,提取出設(shè)備的二值形態(tài)圖像后,取圖5中(a)為導(dǎo)線連接觸頭、(b)為電流互感器、(c)為絕緣子片、(d)為電壓互感器、(e)為變壓器出線套管、(f)、(g)、(h)為避雷器等設(shè)備形狀圖像進(jìn)行Hu矩運(yùn)算,得到各設(shè)備的形狀特征向量,表2為圖5中設(shè)備形狀圖像的Hu矩特征向量。

圖5 變電站電氣設(shè)備二值圖像

為比較不同電氣設(shè)備形狀特征向量間的歐式距離,需先對(duì)提取的設(shè)備形狀特征向量作歸一化處理,再計(jì)算形狀特征向量間的距離,用圖5(f)分別與其他圖像比較,結(jié)果如表3所示。

表2 變電站電氣設(shè)備二值圖像特征提取

表3 不同設(shè)備間特征向量的距離

圖5(f)～(h)為避雷器的旋轉(zhuǎn)和縮放二值圖,三種形狀特征向量間的歐式距離分別為0、0.00001和0.0001,可認(rèn)為Hu矩對(duì)同一設(shè)備的縮放、旋轉(zhuǎn)等尺度變化具有良好的不變性。圖5(f)與(a)(b)(c)(d)(e)的特征向量距離較大,其值分別為0.90517、0.81262、0.84607、0.82014和0.83176,可認(rèn)為它們屬于不同的設(shè)備。特征向量距離反映其形狀差別的大小,可看出Hu矩具有較好的類間區(qū)分度,可將Hu矩作為圖像識(shí)別的特征向量。

3.3 BP網(wǎng)絡(luò)識(shí)別結(jié)果

選取圖5中8種變電設(shè)備圖像400幅,每種設(shè)備各50幅,隨機(jī)對(duì)各設(shè)備圖像進(jìn)行旋轉(zhuǎn)、縮放和尺度變化及加入隨機(jī)噪聲等處理后,計(jì)算各圖像的Hu矩特征向量,將歸一化后的Hu矩作為BP神經(jīng)網(wǎng)絡(luò)的輸入,運(yùn)用附加動(dòng)量法和自適應(yīng)調(diào)整學(xué)習(xí)率法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)不同設(shè)備的識(shí)別。在400幅圖像中隨機(jī)選取300幅求取其Hu矩特征向量,歸一化后作為BP網(wǎng)絡(luò)的輸入樣本,余下圖像的Hu矩作為網(wǎng)絡(luò)測(cè)試樣本。BP網(wǎng)絡(luò)結(jié)構(gòu)為7-12-3,期望最小誤差e為0.01,動(dòng)量因子mc為0.852,學(xué)習(xí)增長(zhǎng)、下降比kinc、kdec分別為1.017、0.657,最大迭代次數(shù)為7000。在多次訓(xùn)練BP網(wǎng)絡(luò)過程中,平均迭代次數(shù)為2950時(shí),迭代誤差約為0.00987,BP神經(jīng)網(wǎng)絡(luò)迭代誤差如圖6所示,BP網(wǎng)絡(luò)對(duì)設(shè)備識(shí)別的結(jié)果如表4所示。由圖6和表4可知:

(1)采用附加動(dòng)量和自適應(yīng)學(xué)習(xí)率優(yōu)化BP神經(jīng)網(wǎng)絡(luò)并采用S型激活函數(shù),使得BP網(wǎng)絡(luò)以較快的迭代收斂速度達(dá)到誤差允許范圍內(nèi),在迭代收斂過程中有效地避免陷入局部最優(yōu)值。圖6中迭代誤

差曲線局部出現(xiàn)少許尖波跳動(dòng),整體平穩(wěn)收斂,說明全局最優(yōu)值在局部誤差曲面中以較快速度逃離該平坦區(qū)域,最終很快收斂到0.01以下。

圖6 BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)與誤差曲線

(2)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠根據(jù)歸一化后的Hu矩準(zhǔn)確識(shí)別出設(shè)備對(duì)應(yīng)的二進(jìn)制編碼,但對(duì)于經(jīng)過旋轉(zhuǎn)縮放處理的避雷器圖片,由于其Hu矩特征向量相同,該網(wǎng)絡(luò)僅僅識(shí)別出第一次訓(xùn)練網(wǎng)絡(luò)所用的正常避雷器圖像,說明Hu矩具有良好的不變性和類間區(qū)分度。實(shí)驗(yàn)統(tǒng)計(jì)400幅設(shè)備二值圖像的Hu矩特征向量識(shí)別結(jié)果中正確識(shí)別設(shè)備類型為92.74%,錯(cuò)誤識(shí)別設(shè)備為5.78%,未識(shí)別設(shè)備僅為1.48%。

表4 部分測(cè)試數(shù)據(jù)和結(jié)果

4 結(jié) 論

針對(duì)變電站巡檢機(jī)器人遠(yuǎn)程監(jiān)控系統(tǒng)中紅外圖像設(shè)備識(shí)別存在的錯(cuò)識(shí)、漏識(shí)、識(shí)不出等問題,提出基于優(yōu)化區(qū)域生長(zhǎng)法和BP神經(jīng)網(wǎng)絡(luò)的紅外圖像設(shè)備分割與識(shí)別方法。利用最小二乘法擬合紅外圖像中圖像亮度與溫度之間的線性關(guān)系,建立基于像素的紅外圖像溫度場(chǎng),根據(jù)設(shè)定溫度范圍來確定區(qū)域生長(zhǎng)法的種子點(diǎn)位置,利用Otsu法確定使得截屏窗口灰度分布均勻性最大時(shí)的最優(yōu)分割閾值,結(jié)合其灰度相似性閾值,確定區(qū)域生長(zhǎng)的分割準(zhǔn)則；將分割后設(shè)備二值圖像的Hu矩作為設(shè)備的形狀特征向量,并對(duì)其進(jìn)行不變性和類間區(qū)分度驗(yàn)證；采用引入附加動(dòng)量法和自適應(yīng)調(diào)整學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)導(dǎo)線連接、電流互感器、電壓互感器、絕緣子、變壓器出線套管、避雷器等電氣設(shè)備的分類識(shí)別,優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)具有迭代收斂快,誤差波動(dòng)性小,分類準(zhǔn)確度高等特點(diǎn),實(shí)驗(yàn)數(shù)據(jù)表明本方法具有很強(qiáng)的適用性。

[1] GUO R,HAN L,SUN Y,et al.A mobile robot for inspection of substation equipments[C]//2010 1st International Conference on Applied Robotics for the Power Industry.Montreal,Canada:IEEE,2010:1-5.

[2] WANG B,GUO R,LI B,et al.Smart guard:an autonomous robotic system for inspecting substation equipment[J].Journal of Field Robotics,2012,29(1):123-137.

[3] YANG Hongmei,LIU Zhigang,HAN Ye,et al.Defective condition detection of insulators in electrified railway based on feature matching of speeded-up robust features[J].Power System Technology,2013,37(8):2297-2302.(in Chinese)

楊紅梅,劉志剛,韓燁,等.基于快速魯棒性特征匹配的電氣化鐵路絕緣子不良狀態(tài)檢測(cè)[J].電網(wǎng)技術(shù),2013,37(8):2297-2302.

[4] YAO Jiangang,GUAN Shilei,LU Jiazheng,et al.Identification of zero resistance insulators by combining relative temperature distribution characteristics with artificial neural network[J].Power System Technology,2012,36(2):170-176.(in Chinese)

姚建剛,關(guān)石磊,陸佳政,等.相對(duì)溫度分布特征與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的零值絕緣子識(shí)別方法[J].電網(wǎng)技術(shù),2012,36(2):170-176.

[5] Jadin M S,Taib S.Infrared image enhancement and segmentation for extracting the thermal anomalies in electrical equipment[J].Electronics and Electrical Engineering,2012,4(120):107-112.

[6] 曹彪.基于區(qū)域生長(zhǎng)的OCT圖像分割算法研究[D].北京:北京理工大學(xué),2014.

[7] SONG X,Fan S,Yang B.Implementation of infrared measuring temperature on remote image monitoring and control system in transformersubstation[C]//International Conference on Image Analysis and Signal Processing,Hong Kong,2012:1-4.

[8] 崔金濤,牛林,戰(zhàn)杰,等.基于圖像處理的變電設(shè)備異常自動(dòng)識(shí)別方法:中國(guó),CN104331521A[P].2015.

[9] GAO Song,LI Fudong.Regional joint segmentation and active contour model of the image edge extraction[J].Laser & Infrared,2013,43(1):94-99.(in Chinese)

高頌,李富棟.圖像邊緣提取的區(qū)域聯(lián)合分割與主動(dòng)輪廓模型[J].激光與紅外,2013,43(1):94-99.

[10] Refael C Gonzalez,Richard E.Woods.Digital Image Processing(Third Edition)[M].Pearson Education,2010:115-200.

[11] B Vanajakshi,Dr.K.Sri Rama Krishna.Classification of boundary and region shapes using Hu-moment invariants[J].Indian Journal of Computer Science and Engineering,2012,3(2):386-393.

[12] Fadwa Al-Azzo,Arwa Mohammed Taqi,Mariofanna Milanova.3D human action recognition using Hu-moment invariants and Euclidean distance classifier [J].International Journal of AdvancedComputer Science and Applications,2017,8(4):13-21.

[13] Ming Yu,HeRong Wang,Ting Lan.The BP neural network for improvement of classification accuracy in remote sensing image [J].International Journal of Environmental Protection and Policy,2016,4(3):93-97.

[14] MingYu,He-RongWang,Ting Lan.The BP neural network for improvement of classification accuracy in remote sensing image[J].International Journal of Environmental Protection and Policy,2016,4(3):93-97.

[15] 任新輝.基于紅外技術(shù)的變電站設(shè)備識(shí)別與熱故障診斷[D].西安:西安交通大學(xué),2016.