基于改進亮度序描述子的刀閘狀態(tài)識別

張金鋒 孫明剛 邵先鋒 過其峰 楊建旭 洪澤

摘要：為了消除非線性亮度變化對電力系統(tǒng)中的絕緣子定位和刀閘狀態(tài)識別的影響，提出了一種基于改進亮度序（LIOP）描述子的刀閘狀態(tài)識別算法。首先對圖像進行必要的預(yù)處理以去除噪聲的污染;其次提取感興趣的目標區(qū)域，該區(qū)域內(nèi)應(yīng)包含絕緣子和刀閘等目標信息;然后利用改進的亮度序描述子來精確定位絕緣子，這是由于亮度序描述子對圖像非線性亮度變化、尺度變換和旋轉(zhuǎn)變化等具有一定的不變性;最后利用改進的Hough變換來確定刀閘的位置，并計算直線段間的角度來對閘刀狀態(tài)進行識別。實驗結(jié)果說明了該方法可以精確地定位絕緣子和識別刀閘的狀態(tài)，適用于實時性要求較高的電力系統(tǒng)。

關(guān)鍵詞：非線性亮度變化;亮度序描述子;改進的Hough變換;絕緣子定位;刀閘狀態(tài)識別

中圖分類號：TP391.41

文獻標志碼：A

0 引 言

在電力系統(tǒng)中監(jiān)控電力線上的設(shè)備狀態(tài)是最重要的一項工作，為了提高實時監(jiān)控的效率，傳統(tǒng)的人工監(jiān)控技術(shù)已經(jīng)被新技術(shù)所取代。計算機視覺和圖像處理技術(shù)可以快速高效地檢測出電力線上的缺陷，而且通過自動檢測和識別輸電線上的電力設(shè)備，可以大大降低人工成本[1]。最近研究者們提出了許多在可見光圖像中利用計算機視覺和圖像處理技術(shù)來識別刀閘或絕緣子狀態(tài)的算法[2-5]。

毫無疑問正確檢測絕緣子位置將有助于精確判斷和分析刀閘的狀態(tài)。文獻[6]利用改進的Otsu算法和數(shù)學(xué)形態(tài)學(xué)來分割絕緣子，但在復(fù)雜背景下該算法未能達到理想的效果。文獻[7]提出了一種基于顏色分割算法來提取紅外圖像中的目標區(qū)域，但該算法要求被檢測目標具有較高的亮度值。文獻[8]利用全局最小主動輪廓模型（ Global Minimi-zation Active Contour，GMAC）來分割絕緣子，該算法具有較好的分割效果，但是該算法使用的全局特征需要大量的計算時間，而基于局部特征的目標檢測算法是更加有效的，許多目標檢測算法都利用了局部特征。文獻[9]綜述了局部特征在紋理分類和目標分類中的應(yīng)用。文獻[10]通過訓(xùn)練局部梯度描述子和投票策略來定位絕緣子。文獻[11]利用詞袋模型（Bag Of Words model，BOW）和空間稀疏編碼來構(gòu)建有效的結(jié)構(gòu)型目標描述子，并將該描述子應(yīng)用到遙感圖像目標檢測算法中。文獻[12]提出一種基于仿射不變特征和聚類分析法來檢測重復(fù)結(jié)構(gòu)的新方法，然而該方法僅僅適用于相似目標出現(xiàn)在相同圖像里。文獻[13]利用PCNN（ PulseCoupled Neural Network）算法來分割絕緣子圖像，該算法在某種程度上抑制了背景噪聲，然后將單個絕緣子作為模板，利用廣義的Hough變換（Generalized Hough Transform.GHT）[14]粗略的定位絕緣子。文獻[15]提出了一種基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)（Adaptive Neuro-Fuzzy InferenceSystem，ANFIS）的絕緣子檢測方法，該方法利用k-means聚類獲得所需集群、對沿行列和對角線都適當?shù)乃邢袼攸c繪制最小矩形框、利用ANFIS獲得絕緣子的定位，該方法在背景相對簡單的情況下可以實現(xiàn)多個絕緣子的定位，但在復(fù)雜背景下它不能精確定位絕緣子的位置。文獻[16]利用Hough變換和SVM（ Support Vector Machine）來提取圖像中的絕緣子，但SVM需要很多數(shù)據(jù)集作為輸入來訓(xùn)練樣本，這可能會增加絕緣子定位算法的計算量和復(fù)雜性?；趫D像處理技術(shù)，文獻[4]提出了一種刀閘狀態(tài)識別算法，該算法首先提取刀閘目標的SIFT（Scale Invariant Feature Transform）特征，進而構(gòu)建KD樹，利用聚類分析方法對特征進行匹配，從而完成對刀閘狀態(tài)的識別。文獻[5]利用改進的Hough變換來自動識別刀閘狀態(tài)。該方法是簡單快速，具有較高的刀閘狀態(tài)識別精度，適合應(yīng)用于實時監(jiān)控電力系統(tǒng)中。

當在非線性亮度背景下處理絕緣子和刀閘目標時，上述方法要么無能為力，要么具有較高的計算量和復(fù)雜性。為了解決非線性亮度下刀閘狀態(tài)識別的問題，本文提出了一種基于亮度序描述子的刀閘狀態(tài)識別算法，首先對圖像進行必要的預(yù)處理以減少噪聲的污染。其次提取感興趣的目標區(qū)域，該區(qū)域內(nèi)應(yīng)包含絕緣子和刀閘等目標信息。然后利用亮度序描述子和匹配策略來精確定位絕緣子，這是由于亮度序描述子對圖像非線性亮度變化、尺度變換和旋轉(zhuǎn)變化等具有一定的不變性。因為刀閘和絕緣子總是相輔相成的，確定絕緣子之后利用改進的Hough變換很容易可以確定刀閘的位置。最后通過計算直線段間的角度來判斷閘刀的狀態(tài)，該算法流程圖如圖1。

1 預(yù)處理和目標區(qū)域提取

在進行圖像分析之前，需要對包含絕緣子和刀閘等目標的可見光圖像進行必要的預(yù)處理以減少噪聲等因素的影響。首先利用5×5的高斯核（其標準差為σ=1）濾波器對圖像進行平滑操作以減少噪聲的影響。其次，利用直方圖均衡化來增強圖像的對比度，以消除反射光對絕緣子和刀閘定位的影響。然后利用閾值分割法獲得二值圖像以實現(xiàn)前景和背景的分離，由于在生成二值圖像的過程中會產(chǎn)生椒鹽噪聲，因此利用中值濾波器再一次進行圖像平滑操作。二值圖像中往往存在很多孔洞且邊緣是模糊的，因此需要利用形態(tài)學(xué)濾波器對二值圖像進行侵蝕與膨脹操作，將內(nèi)孔填充且使得邊緣變的平滑且清晰，移除區(qū)域面積小于某閾值的區(qū)域，該閾值設(shè)置為10。圖像預(yù)處理的目的是得到清晰的二值化圖像，可以提高絕緣子和刀閘定位的精度。最后利用Canny算子來獲得圖像邊緣，在圖像邊緣中選取最大面積的閉合區(qū)域作為感興趣的目標區(qū)域，該區(qū)域應(yīng)該包含絕緣子和刀閘等感興趣目標，由此可見本文僅選取原始圖像中最主要的一組絕緣子和刀閘目標，其它組的絕緣子和刀閘目標操作與本文一致。

2 絕緣子定位策略

絕緣子是電力系統(tǒng)中不可或缺的絕緣控件，在高壓輸電線路中起到舉足輕重的作用。絕緣子的定位是刀閘狀態(tài)識別的重要步驟，精確定位絕緣子就可以很容易的檢測刀閘的位置并判斷刀閘的狀態(tài)（閉合或斷開）。局部不變特征具有一定的尺度、亮度、旋轉(zhuǎn)和遮擋不變性，可以應(yīng)用于電力設(shè)備目標檢測中，其步驟通常包括三個：局部特征檢測、特征描述子的生產(chǎn)和特征匹配。由于非線性亮度變化嚴重影響了絕緣子檢測和定位算法的精確，因此本文引入亮度序描述子來抑制非線性亮度變化對絕緣子定位的影響。

研究者們提出了很多局部特征檢測的方法，如H arris角點檢測[17]、DoG （Difference ofGaussian）特征檢測[18]、Harris-af fine區(qū)域檢測[19]、Hessiar：raffine區(qū)域檢測算法[20]等。由于仿射協(xié)變區(qū)域的形狀自適應(yīng)于圖像幾何形變、視角變化和亮度變化等，Hessian-Affine區(qū)域檢測算法運用多尺度迭代算法獲得仿射不變特征，可以檢測出更多特征區(qū)域且具有較高準確性，能有效解決圖像遮擋或局部畸變的問題，因此本文采用Hessian-Affine區(qū)域檢測算法來獲取特征和特征區(qū)域。

在檢測局部特征點后，需要對特征點進行描述。本文利用亮度序來描述Hessian-Affine區(qū)域即得到LIOP描述子。LIOP描述子最大優(yōu)勢是對非線性亮度變化具有不變性，設(shè)R是Hessian-Affine算法檢測的區(qū)域，將該區(qū)域內(nèi)像素按照亮度值進行非降排序：

由文獻[21]可知，LIOP描述子的維數(shù)為N！×B，其中B是劃分子區(qū)域的個數(shù)，N是像素點的鄰域數(shù)，其構(gòu)造流程如圖3（a）所示。LIOP描述子的維數(shù)隨著N的增加而急劇增大，為了降低LIOP描述子的維數(shù)，本文對其進行了改進。本文利用鄰域像素點中任意兩個之間的亮度大小關(guān)系來代替鄰域像素點間的亮度排序。其算法復(fù)雜度僅為o（N²），對于任意像素點，這種改進得到C^N2維向量，相對于原始LIOP描述子得到的N！維向量，大大降低了描述子維數(shù)和算法復(fù)雜度，這樣得到的描述子維數(shù)為C^N2×B，其構(gòu)造流程如圖3（b）所示。

絕緣子定位算法的流程圖如下圖4所示，在訓(xùn)練階段，提取大量特征作為訓(xùn)練集，為了減少冗余的特征，首先利用聚類分析方法來選擇代表性的特征即視覺字典，該文使用k-medoids作為聚類方法，k-medoids聚類[22]的優(yōu)勢是對離群值較為魯棒。首先計算特征間的卡方距離：

其中σ表示支持區(qū)域的尺度。使用閾值對投票矩陣進行處理，便可以獲得絕緣子的區(qū)域。

3 刀閘位置定位和狀態(tài)識別

絕緣子定位后，很容易獲取刀閘的位置，刀閘一定位于檢測的兩個絕緣子之間。刀閘的兩個刀臂可以用直線段來表示，本文利用改進的Hough變換來提取直線段。Hough變換是一種簡單高效的提取邊緣特征的方法，可以提取直線、圓、橢圓、曲線甚至任意形狀的邊緣[23]。Hough變換最突出的優(yōu)點是把相對困難的全局檢測問題轉(zhuǎn)化為在參數(shù)空間中相對容易的局部峰值提取問題。Hough變換對于局部瑕疵是不敏感地，對隨機噪聲是魯棒的，適用于并行處理，其具有很多優(yōu)異性能，常用于圖像處理、模式識別和計算機視覺中[23]。

傳統(tǒng)的Hough變換把變換域離散化為許多子區(qū)域，并計算子區(qū)域內(nèi)聚集點的數(shù)目，然而離散化過程不可避免地會產(chǎn)生統(tǒng)計誤差[24]。在本文中，線檢測算法從長到短的順序進行直線檢測，最長直線被檢測后，為了不影響下一直線的檢測，其上的所有點將在變換域內(nèi)被去除，直到最后一條直線被檢測。采用這種方式，雖然變換域仍是離散的，但已檢測直線上的所有點全被去除，這樣就消除了由離散化而產(chǎn)生的統(tǒng)計誤差。

刀閘必然位于兩個檢測的絕緣子之間，如果沒有在兩個絕緣子之間的區(qū)域內(nèi)檢測到刀閘直線，則認為該刀閘處于斷開狀態(tài)。對于刀閘，若處于閉合狀態(tài)兩，則個刀臂之間的夾角應(yīng)該在一個區(qū)間內(nèi)。若檢測的兩個刀臂對應(yīng)直線段間的測量夾角不在此區(qū)間內(nèi)，則說明該刀閘處于斷開狀態(tài)。因此檢測到的直線段之間的夾角可以反應(yīng)刀閘的閉合/斷開狀態(tài)，而直線段間的夾角可以通過幾何關(guān)系來獲得。對于兩個非平行的直線段，可以構(gòu)造一個三角形，直線段間的夾角可以就可以根據(jù)余弦定理來獲得。若兩刀臂間的夾角與180°差的絕對值小于某個閾值，則認為該刀閘處于閉合狀態(tài)，否則處于斷開狀態(tài)，該閾值取經(jīng)驗值9。

4 實驗結(jié)果與分析

本文使用100個含有絕緣子的圖像區(qū)域和100個僅含背景的圖像區(qū)域來訓(xùn)練樣本，使用50個含有絕緣子和刀閘的圖像作為測試樣本，所有樣本來源于合肥某小區(qū)變電站，通過攝像機拍攝所得，其特點是在不同的非線性亮度變化下獲取的。實驗是在Windows 7環(huán)境下，編譯軟件為VisualStudi0 2010和OpenCV 2.4.9，實驗硬件為Pentium Dual-Core CPU 2.50 GHz。

圖5是本文算法對絕緣子定位和刀閘狀態(tài)識別的結(jié)果示例，從圖中可知，圖像中含有多組絕緣子和刀閘目標，本文僅選取最主要的一組絕緣子和刀閘目標，其它組的識別結(jié)果與本文一致。圖中不規(guī)則區(qū)域代表檢測的一個絕緣子區(qū)域，該區(qū)域不僅包含絕緣子目標，一般還包含刀臂、傳輸線、底座等目標。矩形區(qū)域代表本文算法定位的絕緣子區(qū)域，可以看出，該算法具有較好的定位精度，區(qū)域內(nèi)的其它電力設(shè)備會影響絕緣子的定位，如圖5（b）中鋼架的遮擋一定程度上影響了該算法的精度，但仍有很好的定位效果，這說明本文算法具有較強的魯棒性。此外圖5中四組圖像是在不同的光照強度下獲得的，這說明基于亮度序描述子的絕緣子定位算法對非線性亮度變化具有一定的不變性。圖5中直線代表改進Hough變換檢測的刀臂位置，注意Hough變換可能檢測到許多近似平行的刀臂直線，將這些直線進行擬合，得到圖中黃色的直線。

從圖5（a）和（b）可以得出，其刀臂對應(yīng)直線（圖中直線）之間夾角分別是176.35°和174.28，根據(jù)刀閘狀態(tài)判斷條件，該夾角與180°差的絕對值小于預(yù)先設(shè)定閾值9，則說明這兩個刀閘都處于閉合狀態(tài)。而從圖5（c）和（d）中得知，兩幅刀閘圖像中刀臂直線（圖中直線）之間夾角分別是153.19°和23.41°，其與180°差的絕對值遠遠大于設(shè)定閾值，則說明這兩個刀閘都處于斷開狀態(tài)。

表1是LIOP和改進LIOP描述子在不同參數(shù)下刀閘狀態(tài)識別精度，可知隨著N和B的增加，算法識別精度也隨之提高。但隨著N的增加，描述子的維數(shù)也隨之急劇提高，如N-4，B-6時LIOP（改進的LIOP）描述子維數(shù)為144（72），而當N-8，B-6時LIOP（改進的LIOP）描述子維數(shù)卻達到241920（168），因此本文設(shè)置N=4。隨著參數(shù)B的增加，算法識別精度的提高幅度越來越小，為了平衡算法的維數(shù)和精度，本文設(shè)置N=6。同時也可以看出本文改進的LIOP描述子的優(yōu)勢，即同等參數(shù)條件下當LIOP描述子維數(shù)達到241920時，改進的LIOP描述子維數(shù)僅為168°表2是使用不同局部描述子時的刀閘狀態(tài)識別精度和識別效率，所使用的描述子分別為改進的LIOP、LIOP和SIFT，本文中LIOP描述子參數(shù)設(shè)置為N=4和B=6，因此LIOP描述子的維數(shù)是144，而本文改進的LIOP描述子維數(shù)是72，SIFT描述子維數(shù)為128°從表2中結(jié)果可知，本文改進的LIOP描述子在一定程度上提高了識別精度，降低了算法復(fù)雜度。表3是在不同算法下的識別精度和識別效率，可見，相對于其它算法，本文刀閘識別算法具有較高的識別精度和較快的運行速率。

5 結(jié)語

絕緣子定位和刀閘狀態(tài)識別是電力傳輸系統(tǒng)中至關(guān)重要的問題，為了解決非線性亮度變換下刀閘狀態(tài)識別問題，本文提出了一種基于亮度序描述子的刀閘狀態(tài)識別算法。該算法利用對非線性亮度變化、尺度變換、旋轉(zhuǎn)變化和圖像遮擋等具有一定不變性的亮度序描述子來精確定位絕緣子，然后在兩個絕緣子之間很容易的利用改進Hough變換獲取刀閘位置，并利用刀臂之間的夾角判斷刀閘的狀態(tài)。從實驗結(jié)果可以看出，本文算法可以較為準確的定位絕緣子的位置和識別刀閘的狀態(tài)，是一種較為簡單快速的刀閘狀態(tài)識別算法。

參考文獻

[1] LIAO S，AN J.A robust insulator detection algorithm basedon local features and spatial orders for aerial images [J].IEEE Geoscience and Remote Sensing Letters，2015，12（5）：963-967.

[2] REDDY M J B，CHANDRA B K，MOHANTA D K.Condition monitoring of 11 kV distribution system insulatorsincorporating complex imagery using combined DOST-SVMapproach [J].IEEE Transactions on Dielectrics and ElectricalInsulation，2013，20（2）：664-674.

[3] MURTHY V S，GUPTA S，MOHANTA D K.Digitalimageprocessing approach using combined wavelet hidden Markovmodel （HMM） for well-being analysis of insulators [J].IETImage Processing，2011，5（2）：171-183.

[4]

YAN B，CHEN H，HUANG W.Study on the method ofswitch state detection based on image recognition insubstation sequence control[C]，/Proceedings of the 2014International Conference on Power System Technology.Chengdu，China：IEEE， 2014： 2504- 2510.

[5] ZHANG G7ZHANG D，LI D，et al.The automatic identifica-tion method of switch state [J].lnternational Journal of Sim-ulation：Systems，Science and Technology; 2016 ，17（ 19）： 21.1- 21.4.

[6]

JIN L，ZHANG D.Contamination grades recognition ofceramic insulators using fused features of infrared and ultra-violet images [J].Energies，2015 ，8（2）：837- 858.

[7] JAFFERY Z A，DUBEY A K.Design of early fault detectiontechnique for electrical assets using infrared thermograms[J].International Journal of Electrical Power and Energy Sys-tems，2014，63：753-759.

[8]

WU Q，AN J，LIN B.A texture segmentation algorithm basedon PCA and global minimization active contour model for aer-ial insulator images [J].IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing， 2012，5（5）：1509-1518.

[9]

ZHANG J G，MARSZALEK M，SCHMID C.Local featuresand kernels for classification of texture and object categories：a comprehensive study [C]// Proceedings of the 2006 Con-ference on Computer Vision and Pattern Recognition Work-shop.New York：IEEE，2006：13-21.

[10]

OBERWEGER M，WENDEL A，BISCHOF H.Visual recog-nition and fault detection for power line insulators [C]//Proceedings of the 19th Computer Vision Winter Workshop.Krtiny，Czech Republic：lnstitute of Computer Graphics andVision，2014，1-8.

[11]

SUN H，SUN X，WANG H，Li Y，et al.Automatic target de-tection in higlrresolution remote sensing images usingspatial sparse coding bag-of-words model [J].IEEE Geosci-ence and Remote Sensing Letters，2012，9 （1）：109 -113.

[12]

JADIN M S，TAIB S，GHAZALI K H.Finding region of in-terest in the infrared image of electrical installation [Jl.In-frared Physics and Technology，2015 ，71：329- 338.

[13] 鄭濤，基于PCNN的航拍絕緣子圖像的分割及定位研究[D].大連：大連海事大學(xué)，2011：23-45.

[14]

WINDSOR C G，CAPINERI L，F(xiàn)ALORNI P.A data pairla-beled generalized Hough transform for radar location of buried objects [J].IEEE Geoscience and Remote Sensing Let-ters，2014，11（1）：124-127

[15] REDDY M J B，CHANDRA B K，and MOHANTA D K.ADOST based approach for the condition monitoring of llkVdistribution line insulators [J].IEEE Transactions on Die-lectrics and Electrical Insulation，2011，18（2）：588 - 595.

[16]

MURTHY V S，Tarakanath K，MOHANTA D K，et al.ln-sulator condition analysis for overhead distribution linesusmg comhned wavelet Support Vector Machine （SVM）[J].IEEE Transactions on Dielectrics and Electrical Insula-tion，2010，17（1）：89-99.

[17] HARRIS C，STEPHENS M.A combined corner and edgedetection [C]// Proceedings of the 4th Alvey Vision Con-ference.Manchester， UK： Elsevier，1988：147 - 152.

[18] LOWE D G.Distinctive image features from scale-invariantkeypoints [J].International Journal of Computer Vision，2004，60，（2） ：91-110.

[19] MIKOLAJCZYK K，SCHMID C.Scale and affine invariantinterest point detectors[J].International Journal ofComputer Vision，2004，60， （1）：63- 86.

[20] MIKOLAJCZYK K，TUYTELAARS T，SCHMID C，et al.A comparison of affine region detectors [J].InternationalJournal of Computer Vision，2005，65， （1/2）：43- 72.

[21] WANG Z，F(xiàn)AN B，WU F.Local intensity order pattern forfeature description [C]// Proceedings of the 2011 IEEE In-ternational Conference on Computer Vision. Barcelona：IEEE，2011：603-610.

[22] PARK H S，JUN C H.A simple and fast algorithm for K-medoids clustering [J].Expert Systems with Applications，2009，36（2） ：3336-3341.

[23] REN D，WANG Q，SUN F.A fast and effective algorithmbased on improved Hough transform [J]. Journal of theIndian Society of Remote Sensing，2016，44（3）：465-469.

[24]丁四海，數(shù)字圖像識別用于電氣控制柜開關(guān)狀態(tài)檢測的研究[D].上海：上海交通大學(xué)，2012：43-47.