基于OpenCV的高壓電氣設備放電紫外成像檢測圖像量化參數提取

王勝輝　劉　鵬　馮宏恩　廖一帆

1(華北電力大學河北省輸變電設備安全防御重點實驗室　河北 保定 071003)2(南方電網科學研究院　廣東 廣州 510080)

?

基于OpenCV的高壓電氣設備放電紫外成像檢測圖像量化參數提取

王勝輝1劉鵬1馮宏恩1廖一帆2

1(華北電力大學河北省輸變電設備安全防御重點實驗室河北 保定 071003)2(南方電網科學研究院廣東 廣州 510080)

日盲紫外成像是一種可視化的高壓設備放電檢測新方法。為能量化分析放電，利用OpenCV的圖形處理功能，對紫外圖像進行數字圖像處理并提取放電區域相關參數。介紹數字圖像處理的相應算法原理以及實現該算法的OpenCV中相關函數；利用OpenCV對紫外檢測放電圖像進行圖像灰度化、二值化、圖像除噪及輪廓提取，實現了對放電光斑面積、周長等參數的提取。最后利用VC++編寫了相關程序，通過調用OpenCV函數實現了上述圖像處理。該軟件人機界面友好、使用方便。相關研究成果為今后電力系統中量化分析高壓電氣設備放電提供了一種新的方法。

紫外成像OpenCV數字圖像處理VC++

0　引　言

現場運行的高壓電氣設備在長期的電、熱、機械應力和環境因素的作用下，其絕緣性能會逐步下降，在一定條件下會發生放電甚至沿面閃絡，嚴重威脅電網的安全穩定運行。通過對放電進行檢測有助于及時發現絕緣隱患，提前采取相關預防性措施。高壓設備放電時會輻射出紫外光，近幾年一種能探測紫外光信號并能對放電區域進行成像的日盲紫外成像儀開始應用于高壓設備的放電檢測，儀器的工作原理如圖1所示。

圖1　日盲紫外成像原理圖

紫外成像儀采用了雙通道成像技術，在圖1中，可見光通道對設備本體進行成像，紫外通道采用了100%日盲濾光片，僅讓240-280 nm波段紫外光信號通過，從而避免了外界太陽光信號的干擾。儀器采用了圖像融合算法，將紫外通道圖像疊加到了可見光圖像上，從而定位出放電位置[1,2]。相對于傳統的放電檢測方法，紫外成像法具有非接觸、探測距離遠以及靈敏度高的優點，并能準確定位放電位置，因而近幾年在電力系統中得到逐步推廣應用[3,4]。

紫外成像儀直觀顯示的參數為“光子數”，但光子數受觀測距離、增益及環境的影響很大，而且必須人工讀取，放電不穩定時該參數讀取較困難。另外，該參數為儀器計數框內總的光子數，當存在多個放電點時，難以對各獨立放電點的放電進行量化分析。為將紫外成像法應用于放電的定量化分析之中，需要提出新的量化參數，紫外成像儀輸出的最直觀信號為紫外圖像，圖像中的白色區域即為放電光斑。本文實驗研究發現，放電光斑大小會隨放電強弱而變化，有學者從圖形處理的角度提出光斑面積表征放電強度。如文獻[5]利用多張紫外圖像的光斑面積結合人工神經網絡進行設備故障診斷，文獻[6,7]經過實驗研究表明了光斑面積表征放電強度的可行性。但直接利用Delphi和Matlab等軟件實現相關圖像處理算法編程工作量較大，基于此，本文提出運用OpenCV相關圖像處理函數對紫外檢測圖像進行數字圖像處理并提取圖像量化參數的新方法。

基于上述研究現狀，本文利用OpenCV中的相關函數對放電圖像進行了有效分割，提取了光斑面積、光斑周長、等效長軸短軸等相關圖像參數，實現了高壓設備放電強弱的量化分析，且能夠用于分析多放電點紫外圖像。利用VC++開發了紫外圖像處理和參數提取軟件，該軟件能在脫離VC++和OpenCV環境下獨立運行，大大提高了圖像處理和參數提取效率。本文的研究成果將為今后電力系統中高壓設備紫外成像檢測時量化分析放電提供一種新方法。

1　OpenCV簡介

OpenCV是一種開放源代碼的計算機視覺庫。由一些C函數和C++類所組成，提供了針對各種格式的視頻圖像的幀提取函數和多種標準圖像處理算法，可以實現例如圖像分割、運動分析與跟蹤、特征檢測以及三維重建等功能。這些函數可以直接調用以完成復雜龐大的開發任務，縮短工程的開發周期[8]。

OpenCV主要由5個大模塊組成[9,10]，其優點如下[11,12]：① 可在具有C/C++編譯器系統下運行；② 包含不受外部庫影響的500多種函數，具有良好的獨立性；③ 具備強大的圖像和矩陣運算能力；④ 源代碼公開，設計人員可以對其修改，實現自己想要的效果；⑤ 針對 Intel 的處理器進行了優化，運算速度快。

2　基于OpenCV的紫外圖像處理和參數提取

圖2為下雪前在某220 kV變電站，利用CoroCAM 504紫外成像儀拍攝到的絕緣子放電紫外圖像。

圖2　紫外檢測圖像

由圖2可知，絕緣子上有兩個明顯的放電點，周圍還存在許多較小的白色干擾點，同時圖像上還存在白色取景框及時間信息，這些對象可看作干擾點。因此在提取參數之前需要對圖像進行濾波，只保留放電區域。根據上述圖像特點，本文提出的圖像處理流程如圖3所示。

圖3　圖像處理流程圖

在圖3中，首先對圖像進行預處理，包括灰度化及分割、形態學濾波、 小區域面積消除和輪廓提取；然后計算各放電區域圖像的面積、周長、長軸和短軸等參數。本文在此以圖2為例，分別對上述圖像處理算法和OpenCV的實現方法進行介紹。

2.1圖像預處理

1) 圖像灰度化及分割

a) 圖像灰度化

紫外成像儀輸出圖像為RGB彩色圖像，為了提取放電區域，首先需對圖像灰度化，即令R=G=B=Y，計算Y值的方法很多，在OpenCV中cvCvtColor()函數采用加權法計算Y值以實現彩色圖像向灰度圖像的轉換，其公式如下：

Y=0.299R+0.587G+0.114B

(1)

其中，Y為灰度值，其范圍為0～255。

b) 圖像分割

分割圖像的方法很多，鑒于放電光斑區域的灰度值和背景圖像的灰度值相差較大，本文采用了閾值分割算法將圖像二值化。其原理為將灰度圖的各像素在某特定值范圍內賦予其為白色(Y=255)或黑色(Y=0)，其數學模型為：

(2)

式中t為閾值；g(x,y)為二值化后的灰度值；f(x,y)為二值化前的灰度值。

OpenCV中cvThreshold()函數可以實現對灰度圖像的二值化操作。其原理就是將圖像數組中每一個元素與設定的閾值對比而進行相關處理，可以通過選擇函數中的閾值類型實現式(2)， 其操作為：

dsti=(srci>t) ? 255∶0

(3)

其中，dsti為處理后的第i個像素值，srci為原圖像的第i個像素值，t為設定的閾值。經函數cvThreshold()處理后得到如圖4所示。

圖4　閾值法分割后的圖像

2) 數學形態學濾波

圖像經過二值化后雖然可以達到一定的去噪效果，但從圖4可知，對于一些灰度值接近于放電區域的點經過二值化后仍無法去除。為了更準確地提取放電區域，本文采用數學形態學的開閉運算對二值圖像進行了濾波處理。

形態學基本運算包括腐蝕與膨脹。腐蝕與膨脹運算是指將原圖像A與核(結構元素)B進行卷積，前者是計算結構元素B所覆蓋區域中最小像素值，并將該值賦給結構元素B中參考點所指定的像素點；后者是計算結構元素B所覆蓋區域中最大像素值，同樣將該值賦給結構元素B中參考點所指定的像素點[13]。若用集合和向量位移運算表示腐蝕與膨脹運算：

(4)

(5)

式(4)表示在A被結構元素B覆蓋的區域中計算最小像素點，則這樣的像素點所構成的集合為腐蝕運算后的像素點。式(5)表示在A被結構元素B覆蓋的區域中計算最大像素點，則這樣的像素點所構成的集合為膨脹運算后的像素點。n1、n2為整數，與B的尺寸有關。

所以可知，若對圖像單純運用腐蝕或膨脹運算，會影響后續的參數計算。但是兩種運算并不互逆，因此可以級聯運用，先腐蝕再膨脹為開運算，先膨脹再腐蝕為閉運算，其定義如下：

A°B=(AΘB)⊕B

(6)

A·B=(A⊕B)ΘB

(7)

其中°、·分別表示開運算與閉運算。

開運算可以消除高于其鄰近點的孤立點，在不明顯改變其面積的情況下消除物體邊界間的纖細點，同時起到平滑作用；閉運算可以消除低于其鄰近點的孤立點，在不明顯改變其面積的情況下填充并平滑鄰近物體的邊界。考慮到放電區域通常呈圓形，因此選擇的結構元素為圓形結構。

在OpenCV中，cvCreateStructuringElementEx()作用是創建結構元素， 對于圓形結構元素可定義為圓形直徑，本文默認為5；參考點的相對水平和垂直偏移量，本文固定為2。cvErode()、cvDilate()分別為腐蝕與膨脹運算函數。

利用以上三個函數再根據式(6)、式(7)可實現圖像的開閉運算處理，如圖5所示。圖5與圖4相比，消除了部分噪點，去除了細長的白色紫外光子數計數框和時間日期等數字信息。

圖5　形態學處理后的圖像

3) 小區域面積消除

從圖5可知，經過數學形態濾波處理后，圖中仍然有大量的干擾點，但與放電光斑相比其面積小得多。為此本文采用了二值圖像的小區域面積消除算法去除圖中干擾點，該算法的基本步驟如下：

a) 檢測圖5中每一個高亮區域，獲取每一個區域的邊界信息；

b) 通過邊界信息獲取每個連通區域的面積大小；

c) 設定一個閾值，依次將每個區域面積與該閾值進行對比，大于該閾值的區域保留下來，而小于該閾值的區域會被消除。

基于上述方法，可運用OpenCV函數cvContourArea()求得各個區域的面積，該函數將在參數提取中具體介紹。并且通過cvSeqRemove()函數將小于閾值的區域內的像素點置為0。本文設置閾值為230，經小區域消除算法處理后的圖像如圖6所示。

圖6　小區域面積消除后的圖像

4) 輪廓提取

為計算各放電區域的面積、周長等參數，本文提取了濾波后圖像中各個光斑區域邊界輪廓點坐標。

運用OpenCV實現邊界提取利用了cvFindContours()函數，該函數可以從二值圖像中檢索輪廓，將輪廓作為一整體存儲在序列中，并返回檢測到的輪廓的個數。設置不同的檢測模式和不同的輪廓近似方法，會得到不同的輪廓檢測效果。

本文將檢索邊緣的模式mode定為CV_RETR_CCOMP，表示檢索所有的輪廓同時將輪廓定義為兩層，即各區域的外部邊界和空洞的邊界；近似方法method定為CV_CHAIN_CODE，表示使用Freeman鏈碼輸出輪廓。

Freeman鏈碼一般是采用8個方向，即0、1、2、3、4、5、6、7的方式進行輪廓檢測的，八個方向示意如圖7所示。

圖7　Freeman鏈碼對應的八個方向

以初始點為中心，以逆時針或順時針的方式檢測八個方向的像素值，并按照從上到下、從左到右的方式檢測整個圖。當檢測到邊界點時，則定義該點為檢測邊緣起始點，并保存在鏈碼內，以此繼續向下檢測，直到回到邊緣起始點，則完成了一個輪廓的檢測，并將表示輪廓的八個方向的編碼存儲于鏈碼內[14]。其可表示形式如表1所示。

表1　一個輪廓的Freeman連碼表結構

其中(x0，y0)為邊界跟蹤起始點的坐標，n為邊界上點的總數，Bx為連碼序列。

得到各個區域的輪廓后，本文利用函數cvAddWeighted()，使其與原圖像進行重合。原理是將原圖數組與處理后圖像數組按照式(8)進行加權和，同時利用cvPutText()將輪廓序列號顯示在圖像中。

dst=src1×alpha+src2×beta+gamma

(8)

其中alpha為第一個圖像數組的權值，本文定為1；beta為第二個圖像數組的權值，本文定為0.8；gamma為常數項，本文為0。經處理后得到的圖像如圖8所示。

圖8　放點區域邊界提取圖

從圖8中可以看出，圖像的邊界與原圖幾乎重合，采用本文提出的上述圖像處理算法在濾除噪聲的同時，還能有效地分割出放電光斑，并且對光斑區域的畸變作用很小。

2.2參數提取

經過輪廓提取后，會產生各區域的連碼表，將連碼表經線性變換可得到線段表，線段表內存有放電區域邊界上各點坐標。因此通過連碼表和線段表可以求出放電區域的面積、周長、等效長軸、等效短軸等參數。

1) 放電面積計算

區域面積的計算方法是指定區域內點的總數和。若將二值圖像中放電區域灰度值為255的點定義為1，則面積為該區域中1的總數。計算式如下：

S=∑(x,y)∈A1

(9)

其中A為某一放電區域。

2) 光斑周長的計算

(10)

3) 等效直徑、等效長軸短軸計算

由于放電區域近似圓形，所以計算放電光斑的直徑時，利用圓面積計算公式得出等效直徑。

等效長軸計算即計算放電區域內通過區域中心連接兩端的最長距離。等效短軸為放電區域內通過區域中心連接兩端的最短距離。

4) 運用OpenCV進行參數提取

在利用函數cvFindContours()得到各個區域的輪廓頂點序列后，以序列CvSeq的指針變量作為函數cvContour Area()、cvArcLength()的輪廓點數組參數，可以對指定序列進行面積與周長計算。而通過函數cvGetSeqElem()及邊界序列可得到區域邊界上的每一像素點的坐標。以此可以求得放電區域的等效長軸及短軸。表2為參數計算結果。

表2　區域參數計算結果

3　VC++界面設計

為調用OpenCV的相關圖像處理函數，首先在VC++中對OpenCV進行了相關配置，然后運用VC++開發了紫外圖像處理及參數提取軟件，圖9為軟件的操作主界面。

圖9　程序操作界面

該軟件通過調用上述OpenCV中的相關圖像處理函數，實現了對紫外放電區域的分割、濾波處理，并計算得到了面積、周長、等效直徑、等效長軸和短軸5個參數。仍然以圖2為例，計算得到的兩個光斑區域的圖像參數如圖10所示。

圖10　參數顯示界面

由圖10可知，使用OpenCV圖像處理函數能有效提取上述兩個光斑區域的圖像參數，從而實現了對高壓設備放電強弱的定量分析。

4　結　語

針對高壓設備表面放電的紫外圖像特征，本文采用了數字圖像處理算法對圖像進行了灰度化、閾值分割、形態學濾波、小區域面積消除及輪廓提取，介紹了OpenCV的相關圖像處理函數。

利用VC++編寫了相關程序，通過調用OpenCV函數實現了上述圖像處理算法，該軟件人機界面友好、使用方便。

[1] Lindner M，Elstein M，Lindner P，et al.Daylight corona discharge imager[C]//High Voltage Engineering Symposium. London，1999,4:349-352.

[2] 王勝輝.基于紫外成像的污穢懸式絕緣子放電檢測及評估[D].保定：華北電力大學，2011.

[3] Costa E G， Ferreira T V, Neri M G, et al.Characterization of polymeric insulators using thermal and UV imaging under laboratory condition[J]．IEEE Trans. on Dielectrics and Electrical Insulation，2009，16(4)：985-992.

[4] Zhou W J，Li H， Yi X， et al．A criterion for UV detection of AC corona inception in a rod-plane air gap [J]． IEEE Trans. on Dielectrics and Electrical Insulation，2011， 18(1)：232-237.

[5] 馬立新，陶博豪，徐如鈞，等．放電故障紫外檢測系統及其狀態識別方法[J]．計算機測量與控制，2012，20(7)：1803-1805.

[6] 律方成，戴日俊，王勝輝，等．基于紫外成像圖像信息的絕緣子表面放電量化方法[J]．電工技術學報，2012，27(2)：261-268.

[7] 王勝輝，李楠，廖鵬．放電日盲紫外成像檢測圖像參數提取方法研究[J]．華北電力大學學報:自然科學版，2013，40(6)：40-45.

[8] 黎松，平西建，丁益洪．開放源代碼的計算機視覺類庫 OpenCV 的應用 [J]．計算機應用與軟件，2005，22(8)：134-136.

[9] 陰法明.基于OpenCV的圖像處理[J].科技信息,2009(32):220.

[10] 馬新明，趙曉莉，時雷，等．基于 OpenCV 的圖像處理系統設計與實現[J]．河南農業大學學報，2014，48(1)：87-90.

[11] 秦小文，溫志芳，喬維維．基于OpenCV的圖像處理[J]．電子測試，2011，31(7)：39-41.

[12] 賈小軍，喻擎蒼．基于開源計算機視覺庫OpenCV的圖像處理[J]．計算機應用與軟件，2008，25(4)：276-278.

[13] Gary Bradski，Adrian Kaehler．Learning OpenCV[M].于仕琪，劉瑞禎，譯.北京：清華大學出版社，2009：135-137.

[14] 陽建中，禤世麗，韋小鈴．基于Freeman鏈碼連通體邊界檢測及其在坭興陶圖像中的應用[J]．現代計算機，2014，31(12)：32-35.

EXTRACTING QUANTISATION PARAMETERS OF DETECTION IMAGE USING ULTRAVIOLET IMAGING FOR DISCHARGE OF HIGH-VOLTAGE ELECTRICAL EQUIPMENTS BASED ON OPENCV

Wang Shenghui1Liu Peng1Feng Hong’en1Liao Yifan2

1(Hebei Provincial Key Laboratory of Power Transmission Equipment Security Defense， North China Electric Power University， Baoding 071003, Hebei, China)2(ScientificResearchInstituteofChinaSouthernPowerGrid,Guangzhou510080,Guangdong,China)

Solar blind ultraviolet imaging is a new visualised detection method for discharge of high-voltage equipments. In order to analyse the discharge quantitatively, in this paper we make use of the graphics processing functions of OpenCV to carry out digital image processing on UV images and extract the related parameters of discharge area. The paper introduces the principle of corresponding algorithm of digital image processing and the related functions in OpenCV while realising the algorithm. OpenCV is used to process the UV detection discharge image including graying the image, binarisation, image denoising and contour extraction, thus the extraction of parameters such as discharge spot area and perimeter is achieved. At last, the paper compiles the related programme with VC++ and realises the above image processing by calling OpenCV function. This software has friendly human-machine interface and operates easily. The relevant study achievement of this paper provides a new method for power system to quantitatively analyse the high-voltage electrical equipment discharge.

Ultraviolet imagerOpenCVDigital image processingVC++

2015-03-30。國家自然科學基金項目(51077054)；特高壓工程技術(昆明、廣州)國家工程實驗室開放基金項目(NEL2015 08)。王勝輝，講師，主研領域：電氣設備在線監測與故障診。劉鵬，碩士生。馮宏恩，碩士生。廖一帆，工程師。

TP3

A

10.3969/j.issn.1000-386x.2016.09.040