基于聚合通道特征的防震錘銹蝕缺陷識別算法

孫長翔 邱翔 羅希 黃前華 曹成功

摘? ?要：高壓輸電線路中防震錘銹蝕會危害輸電線路的安全運行?；趫D像處理技術(shù)提出了一種基于聚合通道特征的防震錘檢測和銹蝕缺陷識別的算法。該算法首先引入聚合通道特征（Aggregate Channel Features，ACF）分別提取無人機拍攝的輸電線路圖像中的顏色、梯度幅值和梯度方向直方圖，構(gòu)建多尺度ACF金字塔;利用滑窗法和Adaboost分類器檢測圖像中的防震錘，并使用非極大抑制操作得到最佳防震錘的位置;再結(jié)合Graph Cuts算法實現(xiàn)防震錘圖像的分割;最后采用RGB顏色模型識別防震錘銹蝕缺陷。實驗結(jié)果表明：該算法對防震錘位置的檢測和銹蝕識別的精度較高。

關(guān)鍵詞：聚合通道特征;滑窗法;Adaboost分類器;Graph Cuts算法

中圖分類號：TM433? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼：A

文章編號：1003—6199（2020）02—0128—05

Abstract：The anti-vibration hammer corrosion in high-voltage transmission lines will endanger the safe operation of transmission lines.Based on the image processing technology，an algorithm for seismic hammer detection and rust defect recognition based on aggregate channel features was proposed. The algorithm firstly introduced the Aggregate Channel Features （ACF） to extract the color，gradient amplitude and gradient direction histograms of the transmission line images were taken by the drone to construct a multi-scale ACF pyramids. The sliding window method and Adaboost classifier were used to detect the anti-vibration hammer in the image，and the optimal position of the hammer was obtained by non-maximum suppression operation.The image of the anti-vibration hammer was segmented by the Graph Cuts algorithm. finally，the RGB color model was used to identify the anti-vibration hammer corrosion defect.The accuracy of the algorithm for the detection of the position of the anti-vibration hammer and the recognition of corrosion can be obtained from the experimental results.

Key words：aggregation channel feature;sliding window method;Adaboost classifier;Graph Cuts algorithm

在整個電網(wǎng)系統(tǒng)中，輸電線路上會包含各種各樣的金屬部件，但是這些金屬部件都是長期的暴露在自然環(huán)境中，非常容易發(fā)生銹蝕而最終掉落，這些銹蝕的部件給輸電線路的安全運行帶來巨大的隱患。輸電線路中防震錘的設(shè)計是為了減少導(dǎo)線因風(fēng)力引起振動，發(fā)生銹蝕后容易墜落。因此，對高壓輸電線路上的防震錘銹蝕缺陷進行識別非常有必要[1，2]。隨著計算機技術(shù)的快速發(fā)展，對于高壓輸電線路上零部件的銹蝕檢測可以通過無人機拍攝的照片來實現(xiàn)，將計算模式識別技術(shù)引用到電力系統(tǒng)的智能巡檢中，現(xiàn)在逐漸成為智能電網(wǎng)建設(shè)的主要研究方向。目前，運用圖像處理技術(shù)對防震錘檢測與識別的研究已經(jīng)取得了一定的進展。宋偉等人[3]先形態(tài)學(xué)對圖像進行處理，然后使用直方圖均衡化與RGB彩色模型方法相結(jié)合，達到對輸電線路中防震錘的銹蝕檢測的目的。但是這種檢測的方法存在只能用于檢測一些背景相對簡單、防震錘的形狀較為單一的缺點，同時，必須保證防震錘的邊緣較為明確。戴玉靜等人[4]將提取的顏色特征和紋理特征進行特征融合，通過設(shè)定閾值，對檢測的區(qū)域進行判斷是否發(fā)生銹蝕，從而達到對輸電線路銹蝕區(qū)域的檢測。杜京義等人[5]首先采用亮度色度非線性重組對腐蝕圖像進行增強處理，采用Gabor濾波器濾波，再在彩色空間中提取圖像的顏色、紋理和梯度幅值等特征;第二步運用蜂群算法來計算出圖像的最佳種子點以及圖像的最佳相似值，進而將原圖像分割成一個個較小的區(qū)域;最后，度量這些小的區(qū)域的相似性來完成腐蝕等級的分析。

由于高壓輸電線的環(huán)境復(fù)雜，簡單的圖像處理方法已經(jīng)不能滿足現(xiàn)在電力系統(tǒng)銹蝕檢測的需求。因此，以無人機拍攝的高壓輸電線圖像為研究對象，首先，提取輸電線路圖像的多尺度聚合通道特征（ACF），利用滑窗法和Adaboost分類器實現(xiàn)防震錘的檢測;結(jié)合Graph Cuts算法完成被檢測的防震錘的分割，根據(jù)銹蝕防震錘RGB顏色通道模型像素值的直方圖分布選銹蝕判別的通道和閾值，在一定程度上避免了防震錘銹蝕程度判斷的主觀性，從而節(jié)約人力資源，降低成本。

1? ?防震錘檢測

1.1? ?防震錘圖像的ACF特征

聚合通道特征是由積分通道特征優(yōu)化得到的一種特征表示方法，它可以更好、更全面的表達出圖像的信息。聚合通道特征就是將提取的多個通道的特征進行聚合，從而形成一種聚合特征，本文將該特征引入到對輸電線路圖像中防震錘銹蝕部分的檢測。為了更好的表示出防震錘的圖像信息，因此為了盡可能多的提取到表達圖像信息的特征，本文提取輸電線路圖像的10個特征通道，其中包含了3個LUV顏色通道[7]還有一個梯度的幅值通道以及6個方向的梯度方向直方圖通道[8]，然后對這10個特征通道進行聚合，更好的反映輸電線路圖像的信息。具體操作為：首先使用 的模板對得到的10個特征通道進行濾波預(yù)處理，去除干擾信息，然后將每個通道按的大小分隔成互不重疊的小方塊;根據(jù)下采樣雙線性插值方式求出每個小方塊所有像素和的平均像素;最后，再利用 的模板對采取到的特征進行平滑處理并排列得到的特征描述稱為聚合通道特征（ACF）[11]，并利用ACF來表示圖像每一個窗口的特征。

為了解決不同大小的防震錘圖像檢測問題并提高檢測的精度，需要建立圖像特征通道金字塔[7]，即對于每個尺度上的原始圖像計算出它所對應(yīng)的通道特征，每個通道上的特征進行融合最后形成多尺度通道特征集。多尺度ACF特征提取過程如圖1所示：

1.2? ?防震錘檢測算法

對于防震錘目標(biāo)檢測的分類方法是將事先準(zhǔn)備的數(shù)據(jù)集和標(biāo)注文件作為輸入，投入到Adaboost弱分類器中進行訓(xùn)練。Adaboost是一種迭代分類算法[12]，通常可以選擇不同的分類器作為弱分類器，進行迭代計算。采用兩層的2048棵決策樹分類器進行分類，通過對每個決策樹分類器在輸電線路圖像訓(xùn)練集樣本上進行訓(xùn)練，然后根據(jù)訓(xùn)練得到的結(jié)果，增大訓(xùn)練較好的分類器的權(quán)重，減小訓(xùn)練較差的分類器的權(quán)重，不斷的調(diào)整各決策樹分類器的權(quán)重參數(shù)，最終得到各分類器的最優(yōu)權(quán)重參數(shù);最后使用級聯(lián)的方法把這些訓(xùn)練得到的2048棵決策樹弱分類器根據(jù)不同的權(quán)值構(gòu)成一個強分類器，并將強分類器的分類結(jié)果最為最后的結(jié)果輸出。

在測試階段，通過滑動窗口掃描整幅輸電線路圖像記錄下每一個小區(qū)間的ACF特征，再將所有小區(qū)間的ACF特征進行串聯(lián)得到輸電線路圖像的ACF特征，然后利用Adaboost構(gòu)成的強分類器進行分類，進而將被識別到的具有防震錘特征的窗口標(biāo)記為候選窗，同時記錄下候選窗的窗口坐標(biāo)以及得分，最后使用非極大值抑制（NMS）[10]算法得到最終的目標(biāo)區(qū)域。

具體的防震錘檢測算法流程圖如圖2所示，檢測過程如圖3所示。

2? ?防震錘銹蝕識別

2.1? ?防震錘圖像分割

為了更加有效的實現(xiàn)對防震錘銹蝕情況的識別，對需要識別防震錘圖像利用Graph Cuts算法[9]進行分割，消除因防震錘圖像復(fù)雜的自然背景給識別帶來的困難。

在Graph Cuts分割方法中，根據(jù)RGB圖像中待分割物體和背景的不同，分別利用高斯混合模型（Gaussian mixture model，GMM）[13]的方法對其進行建模，分別利用兩個GMM來表示圖像中某個像素點屬于待分割物體還是圖像背景的概率。接下來，根據(jù)能量函數(shù)描述整幅圖像，然后利用迭代求解最優(yōu)值的方法求解出最優(yōu)的參數(shù)并作為GMM的最優(yōu)參數(shù)。Grab Cut分割方法中能量函數(shù)公式如下：

上式中 表示平滑項，表示的是數(shù)據(jù)項，而對于高斯混合模型來說，每個模型都含有k個分量，這k個分量中每個分量又包含有三個參數(shù)估計。

其中參數(shù)β的值是由圖像中的對比度所決定，常數(shù) 取值通常為50。平滑項 表示圖像中相鄰的像素m和n之間的不連續(xù)懲罰，如果這個值很小則表示這兩個相鄰域像素點的差別比較小，那么這兩個像素點就有很大可能屬于同一待分割物體或者屬于相同背景;如果這個值很大，這兩個像素點屬于不同的背景的可能性就比較大。

使用ACF算法對輸電線路圖像中防震錘檢測的結(jié)果如圖4所示，為了得到減少復(fù)雜背景給防震錘的檢測帶來的影響，使用Graph Cut算法迭代兩次對輸電線路圖像中防震錘進行分割，分割的結(jié)果如圖5所示。

2.2? ?銹蝕識別

對于防震錘的銹蝕識別問題，選擇了RGB模型[14]作為銹蝕判斷的方法，RGB模型中R代表紅色，G代表綠色，B代表藍色。對分割后的防震錘圖像進行通道分離，進而求解得到三個通道像素的直方圖，然后通過設(shè)定閾值，對選取的顏色通道求取均值與閾值進行大小比較，若均值大于設(shè)定值顯示正常，否則就顯示發(fā)生銹蝕。其中圖5中防震錘的三個通道像素值直方圖分布如圖5所示，從圖中可以看出可以很好的根據(jù)R通道來判斷銹蝕情況。

3? ?實驗結(jié)果及分析

實驗訓(xùn)練集圖像選用的是300張不同背景下的輸電線路圖像，實驗環(huán)境為：Window10系統(tǒng)，Intel（R） Core（TM） i5-6200U，4 GB內(nèi)存。防震錘部分圖像如圖6所示。

實驗的測試圖像選取無人機拍攝的輸電線路圖像，利用本算法首先進行防震錘檢測，部分檢測的結(jié)果如圖7所示，然后對檢測正確的防震錘進行銹蝕識別。發(fā)現(xiàn)提高了防震錘檢測階段的精度，即檢測正確率達到了94.2%，而Haar特征[7]的方法檢測正確率為88.3%;并且對于檢測正確的防震錘銹蝕識別的正確識率達到了96.7%，實驗證明本方法在防震錘的檢測和銹蝕缺陷的識別都達到較好的效果。具體實驗結(jié)果如表1和表2所示。

4? ?結(jié)? ?論

針對針高壓輸電線背景復(fù)雜、缺乏有效銹蝕檢測的問題，給出了一種基于圖像處理的防震錘檢測和銹蝕缺陷識別的算法。通過首先使用Graph Cuts方法對數(shù)據(jù)樣本進行分割，然后提取訓(xùn)練樣本中輸電線路圖像的多尺度聚合通道特征，利用Adaboost迭代分類算法對訓(xùn)練集圖像進行訓(xùn)練，然后將2048個弱分類器根據(jù)權(quán)重級構(gòu)成強分類器對數(shù)據(jù)樣本進行分類，利用滑窗法和非極大抑制檢測測試圖像中的防震錘;最后對檢測到的防震錘進行分割，分析銹蝕防震錘的RGB顏色直方圖分布，從而選擇合適的顏色通道和閾值識別銹蝕的防震錘。

參考文獻

[1]? ? 張潔. 輸電線路缺陷在線監(jiān)控系統(tǒng)設(shè)計與實現(xiàn)[D]. 成都：電子科技大學(xué)，2015.

[2]? ? 王思華，景弘. 一種接觸網(wǎng)絕緣子污閃預(yù)測方法的研究[J]. 鐵道學(xué)報，2018，40（03）：58-67.

[3]? ? 宋偉，左丹，鄧邦飛，等. 高壓輸電線防震錘銹蝕檢測[J]. 儀器儀表學(xué)報，2016，37（S1）：113-117.

[4]? ? 戴玉靜，呂東輝，郭松鴿，等. 基于顏色和紋理特征的輸電線路銹蝕區(qū)域檢測[J]. 工業(yè)控制計算機，2018，31（9）：39-43.

[5]? ? 杜京義，劉文恵. 基于顏色和紋理特征提取的接地網(wǎng)腐蝕等級分析[J]. 計算機科學(xué)，2015，42（s2）：169-172.

[6]? ? DOLLAR P，BELONGIE S，BELONGIE S，et al. Fast feature pyramids for object detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，36（8）：1532-1545.

[7]? ? 劉雅蓉，汪西莉. LUV色彩空間中多層次化結(jié)構(gòu)Nystr-m方法的自適應(yīng)譜聚類算法[J]. 中國圖象圖形學(xué)報，2012，17（04）：530-536.

[8]? ? 劉軍，白雪. 基于梯度方向直方圖與高斯金字塔的車牌模糊漢字識別方法[J]. 計算機應(yīng)用，2016，36（02）：586-590.

[9]? ? BOYKOV Y，KOLMOGOROV V. An experimental comparison of min-cut/max-flow algorithms for energy minization in vision[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence，2004，26（9）：1124-1137.

[10]? NEUBECK A，VAN GOOL L. Efficient non-maximum suppression[C]// Proceedings of International Conference on Pattern Recognition，Washington，DC，USA，2006：850-855.

[11]? 趙文清，嚴(yán)海，邵緒強. 改進的非極大值抑制算法的目標(biāo)檢測[J]. 中國圖象圖形學(xué)報，2018，23（11）：1676-1685.

[12]? VIOLA P，JONES M. Rapid object detection using a boosted cascade of simple features [J]. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001，Kauai，HI，USA，2001：990517.

[13]? WU X，ZHU M，WU R，et al. Aself-adapting GMM based voice activity detection[C]//2018 IEEE 23rd International Conference on Digital Signal Processing （DSP），Shanghai，China，2018：1-5.

[14]? 楊康葉，鄔春學(xué). 基于RGB模型顏色相似性的彩色圖像分割[J]. 計算機系統(tǒng)應(yīng)用，2013，22（03）：128-131.