基于Hu不變矩的紅外圖像電力設備識別*

陳俊佑，金立軍*，段紹輝，姚森敬，趙 靈

（1.同濟大學 電子與信息工程學院，上海 201804； 2.深圳供電局有限公司，廣東 深圳 518010）

0 引 言

隨著社會的發展，電力需求越來越大，電力設備的負荷也不斷增加，由于電力設備大多位于室外，在長期的風雨侵襲下，不免會產生損壞而引起電力系統故障。熱缺陷是由于設備損壞產生的局部過熱，是電力故障中最常見的一種，熱缺陷危害著電力系統的安全運行，若不能被及時發現，可能導致嚴重的電力事故，造成極大的經濟損失。隨著紅外熱成像診斷技術的普及，其在電力系統在線故障監測方面發揮的作用也越來越重要[1-3]。電力設備種類繁多，不同設備能承受的溫度也有較大差別，因此對電力設備進行分割識別是紅外診斷技術中一個重要環節。紅外圖像目標的特征提取是識別中的關鍵步驟，目前常用的特征提取方法有角點檢測、Hough直線檢測、邊緣檢測、不變矩等。

本研究提取的對象為紅外分割圖像中的電力設備，其在拍攝過程中最易受拍攝角度、距離等的影響，而不變矩具有旋轉、平移、縮放等不變性，因此本研究選擇不變矩特征作為特征提取對象。

1 區域生長法圖像分割

圖像分割即將一幅圖像分割成不同的區域，同一區域內圖像性質相同或相似。對于電力設備紅外熱圖，其目標與背景溫度有較大差異，在圖像中表現為顏色與亮度的不同，研究者可根據這一特性將設備從背景中提取出來以做進一步的分析[4]。

1.1 種子點的選取

在紅外圖像中，電力設備的溫度通常要比背景溫度高，設備中故障點的溫度也會明顯高于其他部位。因此，研究者可選取圖像中溫度最高處（即灰度圖像中灰度值最大）的點作為種子點，根據種子生長準則獲得該點所處的電力設備圖像，進而對該設備做進一步識別與故障判定。

1.2 種子生長準則

種子點選好之后，要按照一定的準則生長出該種子點所在的電力設備圖像。本研究選用一個先進先出的隊列，遍歷從起始點開始生長建立起來的樹。首先，給圖像中每個點標記兩個標簽m、n。m用來判斷是否已生長，m=1表示已生長，m=0表示還未生長；n用來判斷該點是否為邊緣，n=1表示是邊緣，n=0表示不是邊緣。然后，筆者建立一個空的隊列，將選取好的種子點加入隊列。

具體的種子生長流程如圖1所示。

本研究按照以上流程對一幅圖像進行處理，直至隊列為空，表明已經沒有點滿足生長要求。此時，系統掃描整幅圖像中的所有像素點，m=1的點即為目標區域內，n=1的點則處于目標邊緣，由此可獲得整個目標區域的二值圖像。

1.3 生長判決條件

上述生長方式中，生長條件決定著一個點能否進入隊列成為目標點，因此生長條件的選擇至關重要，本研究選擇灰度相似性判決方法[5-6]作為圖像點的生長條件。

設已分割區域像素點灰度均值為x，待測像素點灰度值為y，則待測點與已分割區域像素點相似性為：

圖1 種子生長流程圖

式中：w—非負權值。

若s小于某一設定值，則可認為待測點與已分割區域相似，滿足生長條件，同時需對均值x進行更新：

式中：N—已分割區域像素點數。

1.4 種子生長結果

本研究根據以上生長條件及生長準則，對一幅紅外CT圖像進行分割，區域生長結果如圖2所示。

圖2 區域生長結果

原始紅外圖如圖2（a）所示，所選種子點在圖中用小圓圈標記；區域生長結果圖如圖2（b）所示。從圖2中可以看出，該方法能夠較好地將紅外圖像中的目標區域提取出來，為后續識別過程提供高質量的分割圖像。

2 Hu不變矩及其改進

Hu矩是1964年由Hu提出的[7]，是提取圖像旋轉、縮放特征的二維不變矩理論，具有旋轉、縮放和平移不變性。

設一幅圖像大小為m×n，f(x,y)是圖像中(x,y)點處的灰度值，則圖像的(p+q)階原點矩為：

為保證圖像在旋轉、縮放、平移時的不變性，求其中心距：

式中：x0,y0—整幅圖像的中心坐標，x0=m10/m00，y0=m01/m00；(x0,y0)—圖像的灰度質心。

中心距up q是圖像平移的不變量，對其規范化，可得到平移和縮放的不變矩：

本研究應用代數不變矩理論，對f(x,y)的(p+q)階中心距歸一化后進行線性組合，得7個Hu不變矩，如下式所示：

這7個不變距具有平移、縮放和旋轉的不變性，但由于這7個不變矩變化范圍較大，可能出現負值，因此，實際采用的不變矩為：

在實際應用中，圖像不僅有位置和旋轉的差別，還有尺度、對比度等差別，本研究對式（7）中各不變矩做組合變換[8]，得到具有尺度、位置和旋轉不變性的不變矩，如下式所示：

3 特征提取

特征提取是指從圖像中提取出目標的特征，以做進一步的分析識別。本研究提取的對象為紅外分割圖像中的電力設備不變矩特征，獲得6個不變矩組成的特征向量為I=(β1,β2,β3,β4,β5,β6)。

由以上分析可知，Hu不變矩具有平移、縮放和旋轉的不變性，為驗證該特性，本研究選擇CT紅外圖像做旋轉、縮放變換后進行分割，計算而得其不變矩特征如表1所示。

表1 CT紅外圖像不變矩特征提取

從表1可以看出，經旋轉、縮放后CT紅外圖像的Hu不變矩與原始圖像基本保持不變，保留了CT圖像的特征，因此，其在實際應用中不會受到拍攝角度、拍攝距離等的影響。

為實現對不同電力設備的識別，本研究選擇CT、變壓器、母線接頭和避雷針將軍帽4種電力設備的紅外圖像進行分析，得到它們的不變矩如表2所示。

表2 不同電力設備的不變矩特征提取

通過研究表1和表2中數據可知，筆者提取得到的不同電力設備不變矩特征向量有較大差別，而相同電力設備的特征向量差別很小，因此本研究可根據分割圖像的特征向量來對電力設備做進一步識別，并結合種子點的溫度值來判斷該設備是否產生故障。

4 BP神經網絡分類器識別

特征提取的結果需要進行分類以確定設備類型，本研究選擇BP神經網絡設計一個多輸出型分類器，其結構如圖3所示。

分類器采用多輸出型的3層BP神經網絡，其拓撲結構為6—7—4。其中，6為輸入節點數，即特征向量的維數；4為輸出節點數，即輸出的4個類；7為隱節點數，可根據分類器要求的訓練時間和分類精度共同決定[9-11]。

BP網絡結構確定之后，研究者要通過輸入和輸出樣本集對網絡進行訓練，即對網絡的閾值和權值進行學習和修正，以使網絡實現給定的輸入/輸出映射關系，訓練好的網絡即可用于對未知樣本的識別。

圖3 BP分類器結構

訓練和識別流程圖如圖4所示。

圖4 BP網絡識別流程

本研究選擇紅外CT、變壓器、母線接頭和避雷針將軍帽各20幅圖像，并對每幅圖像做旋轉60°、120°、180°、240°和放大0.5、2倍處理，共計得到560幅圖像作為輸入樣本，對BP網絡進行訓練，訓練誤差為0.05。

訓練誤差曲線如圖5所示。

圖5 網絡誤差曲線圖

本研究對4種電力設備的紅外圖像各選取50張作為未知樣本，輸入訓練好的分類器中進行識別。

BP網絡分類器識別結果如表3所示。

通過分析表3數據可知，平均每幅圖像的識別時間為0.2 s，可以滿足實際應用的要求。該分類器的平均識別率為98%，其中不能識別的原因是由于紅外拍攝過程中周圍環境的反射太強，致使圖像中背景亮度與設備邊緣亮度比較接近，區域生長過程中出現邊緣選擇的錯誤，因此，研究者在拍攝過程中需盡量避免反射性強的環境。

表3 BP網絡分類器識別結果

5 結束語

本研究依據電力設備紅外圖像的特點，提出了采用區域生長的方法對紅外圖像進行分割，有效地去除了背景，獲得了獨立的電力設備二值圖像；然后在Hu不變矩所具有的平移、旋轉、縮放不變性基礎上對其進行改進，并通過實際電力設備圖像對以上特性做出驗證，用于提取分割后圖像中電力設備的不變矩特征；最后采用BP神經網絡設計分類器，對提取出的不變矩特征向量作分類識別。

試驗結果表明，該方法識別準確率高，在電力系統在線故障監測中有著良好的應用前景。

（References）：

[1] 梁利利，趙高長.變電站紅外圖像的識別與故障診斷[D].西安：西安科技大學理學院，2010.

[2] 張益滔.紅外線檢測技術判斷電氣事故[J].高電壓技術，2006，32（2）：112-113.

[3] 張 浩，王 偉.圖像識別技術在電力設備監測中的應用[J].電力系統保護與控制，2010，38（6）：88-91.

[4] GONZALEZ R C.Digital Image Processing[M].Beijing：Publishing House of Electronics Industry，2010.

[5] 夏 晶，孫繼根.基于區域生長的前視紅外圖像分割方法[J].激光與紅外，2011，41（1）：107-111.

[6] 周 赟，李久賢，夏良正.基于區域生長的紅外圖像分割[J].南京理工大學學報，2002，26（S1）：75-78.

[7] HU M K.Visual pattern recognition by moment invariant[J].IEEE Transactions on Information Theory，1962，8（2）：179-187.

[8] 田秋紅，孫政榮.基于Hu不變矩和BP網絡的條形碼圖像識 別 方 法[J].計 算 機 工 程 與 設 計 ，2012，33（4）：1563-1568.

[9] 張德豐.MATLAB神經網絡應用設計[M].2版.北京：機械工業出版社，2012.

[10] 張 憲，江愛榮.遺傳算法優化的神經網絡熔深預測模型[J].輕工機械，2011，29（3）：27-31.

[11] 沈鳳龍，畢 娟.基于BP神經網絡分類器的多目標識別方法研究[J].遼東學院學報：自然科學版，2008，15（4）：205-209.