自適應特征引流管故障智能識別方法

黃 博，江慎旺，張 增，張 靜，張 巍，許廷發*

(1北京理工大學 光電學院 光電成像系統與技術教育部重點實驗室，北京 100081；2天津航天中為數據系統科技有限公司，天津 300301；3南方電網科學研究院有限責任公司，廣州 510080)

自適應特征引流管故障智能識別方法

黃 博1，江慎旺1，張 增2，張 靜2，張 巍3，許廷發1*

(1北京理工大學 光電學院 光電成像系統與技術教育部重點實驗室，北京 100081；2天津航天中為數據系統科技有限公司，天津 300301；3南方電網科學研究院有限責任公司，廣州 510080)

為了實現對高壓輸電線存在的故障隱患進行自動檢測，本文提出了一種自適應特征引流管故障隱患智能識別算法。首先,分析了故障引流子的紅外熱圖像特征，把故障分為兩類：明顯發熱和微弱發熱;其次，針對引流管所引起的明顯發熱，采用改進的Otsu閾值分割法對紅外圖像進行分割，運用改進的Sobel算子提取輪廓；第三，用種子填充算法分離連通域，通過Thread特征判斷是否為故障引流管；最后，進入引流管所引起的微弱小區域發熱識別，運用高壓輸電線平行特征尋找主干線區域，在主干線區域檢測Harris角點，通過STWN特征判斷是否為故障引流子。實驗結果表明，發熱隱患的識別率為94.6%，漏檢率為2.2%，誤識別率為5.5%。

紅外熱圖像；邊界拓展；形態特征；智能識別

1 引 言

隨著低空技術的廣泛應用，無人機巡檢方式檢查高壓輸電線故障，并進行檢修成為一個研究熱點[1]。研究人員對實時從無人機巡檢設備獲取的視頻圖像中有效提取輸電線路算法進行了研究，通過Hough變換和FCM聚類等方法能夠成功自動識別檢測線路[2]，但并未提出識別輸電線故障的方法。為了解決當輸電線路因為受重力和設計等原因而彎曲非簡單的直線的問題，Shengzhi Du和Chunling Tu提出了分段識別測量的算法[3]，該算法并不能有效容忍復雜背景和各種噪聲的干擾。為了進一步提高巡檢的準確性，紅外探測技術檢測零值絕緣子的方法已經得到應用[4-8]，但完全依賴操作人員的經驗和感知能力識圖存在一定主觀性和盲目性。目前，還沒有完善可靠高壓輸電線故障的智能識別方法。2015年，Fuyu Huang等人提出超大視場空中紅外目標的檢測方法，指出了紅外探測對克服背景復雜、雜波干擾、目標信息少等問題的優勢[9]，本文根據無人機采集的紅外熱圖像[10]故障引流管的特征來進行智能識別，實現了無人機巡檢故障自動診斷的目的，準確性高，能夠克服復雜背景的干擾，得到了較好的實驗效果。

2 自適應特征引流管故障智能識別方法

2.1 引流管故障明顯發熱特征

圖1 引流管引起明顯發熱圖例 Fig.1 Obvious heating caused by drainage tube

圖2 引流管處小區域發熱圖例 Fig.2 Small area heating caused by drainage tube

通過對大量高壓輸電線故障引流管的紅外熱圖像的分析，發現故障引流管引起的發熱普遍出現在線與線的交接處，這種節點發熱一般呈現兩種特征：(1)引流管引起明顯發熱，發熱區域與線路形狀相吻合(如圖1所示)；(2)引流管處微弱發熱，發熱區域較小且呈現不規則形狀，但是線路必然貫穿發熱區域(如圖2所示)。

圖3 閾值分割 Fig.3 Threshold segmentation

由圖1可以看出，引流管故障的明顯特征就是發熱區域與輸電線路線路形狀相吻合，因此發熱的線路與背景存在明顯的灰度差，通過閾值分割將發熱區域當作前景色從背景中分離出來。但是背景色中較亮的區域也會被當作發熱區域給分離出來，因此，算法對其進行分類處理:(1)誤判的區域與發熱線路并沒有連通，可以通過種子填充法形態判斷來去除誤判區域；(2)誤判區域與發熱線路有連通像素，直接從圖像中提取出所需的發熱線路具有一定的難度，因此本文提出一種Otsu算法與Sobel算法邊界拓展融合的分割方法，然后再用種子填充法形貌判斷是否是故障引流子引起的發熱線路區域。在實際熱紅外圖像的采集過程中，將會存在各種各樣復雜的背景，閾值的選取不當，將會導致對輸電線隱患的誤識別。采用Otsu法[11-13]自動進行閾值分割，可以得到較好效果，如圖3(b)所示。但是當背景較亮，如圖3中第一組圖片，直接用Otsu進行閾值分割將會得到大面積的誤判區域，所以將Otsu法取得閾值升高30灰度級進行分割，在不丟失故障發熱區域的情況下可以得到更好效果。經過大量紅外熱圖像的實驗，該操作可以有效減少細小噪聲，使算法更加準確實用，如圖3(c)。

2.2 邊界拓展提取輪廓

提取輪廓的方法有很多，其中使用一階微分梯度算法較為簡單，并且也能夠準確檢測邊緣。一階微分梯度算法要求在圖像的每個位置計算偏導?f/?x和?f/?x，算法用一點的鄰域上偏導數的數字近似。通過Sobel算子[14]處理后的結果如圖4所示。

圖4 Sobel算子邊緣檢測 Fig.4 Edge detection of Sobel operator

選用Sobel算法對X和Y方向提取邊緣，采用Sobel檢測的邊緣對Otsu處理后的二值圖像進行漫水法分割，效果如圖5(b)所示。

圖5 區域劃分 Fig.5 Region division

由圖5(a)可以看出，直接用Sobel的結果進行分割，得不到有效分離的效果，因為Sobel的邊界并不是連續的，必須進行邊界拓展，才可以將更多的支線邊界信息提取出來，得到更好的分割效果。

圖6 Sobel邊緣數據圖像 Fig.6 Sobel edge data image

由圖6可以看出，Sobel產生的輪廓信息，在8向鄰域內并不全部連通，邊界會存在隔斷的情況，將應該連續的邊界連通起來。算法如下：

z1z2z3z4z5z6z7z8z9

如果z5為邊緣點，在z5(x,y)的8向鄰域中，如果只存在一個邊界輪廓點，那么將z(x,y)標記為可疑間斷點，以邊界點z(x,y)為中心找到邊界輪廓點(x0,y0)對稱點(2x-x0,2y-y0)，以對稱點2x-x0,2y-y0)為基點，以z(x,y)與邊界輪廓點(x0,y0)的反方向，劃定小范圍的拓展區域,如圖7所示。在拓展區域搜索是否有可以間斷點，如果有則將其連接起來，沒有則劃除可疑間斷點的屬性。最后邊界拓展后效果如圖8(b)所示。

圖7 邊界拓展原理圖 Fig.7 Principle diagram of boundary extension

圖8 直接分離與邊界拓展后分離對比 Fig.8 Comparison of the images obtained by direct separation and boundary extension

種子填充算法是圖形學中的算法，是輪廓提取算法的逆過程，如目前漫水法、邊界填充算法、掃描線種子填充等各種成熟的實現算法[15]，其基本方法就是從一組已知的“種子標記像素點(x,y)”開始，將與種子預先定義的性質相似的那些鄰域像素(四鄰域或八鄰域。四鄰域即從區域一點出發，通過4個方向上、下、左、右來檢索，而八鄰域加上了左上、左下、右上、右下4個方向)添加到每個種子上來形成生長區域。

圖9 去除噪聲后輸出 Fig.9 Output after removing noise

2.3 特征判斷提取區域

通過上面的處理，已經把各個可以漏電區域提取分離了，對該類引流管故障進行分析可以得知，輸電線支線漏電的特征有：(1)最小寬度窄，(2)長度較長，(3)X、Y方向上不存在寬度像素都超過30的區域。處理過程如下：對分離區域進行行列的掃描，記錄寬度小于10像素的行數或者列數(判斷是豎直漏電支線和橫向漏電支線)；如果橫向寬度和縱向寬度都小于50，則不符合故障引流管特征，將該區域刪除；再判斷行數和列數兩個方向像素寬度都超過30，并且行數或者列數不少于50，則認定其并不是“細線”型，將其刪除；最后未被刪除的區域為故障引流管區域。

圖10 輸電線發熱區域輸出 Fig.10 Output of heating zone of transmission line

3 自適應故障識別

如圖2所示，當引流管處微弱發熱，發熱區域較小且呈現不規則形狀，如果直接進行Otsu閾值處理來分離引流管處微弱發熱區域，那么許多背景的噪聲也會誤判為發熱區域，所以算法必須先縮小微弱引流管發熱可能存在的位置。因為引流管是線路主干線與線路支線的交點，存在的一個特征就是分布在主干線的周圍。算法先確定主干線路的位置，然后從主干線路附近區域出發來尋找引流管微弱發熱區域，這樣將大大減少引流管微弱發熱區域的誤判率。

3.1 主干線區域識別

首先需要識別到主干線路所在位置，通過分析大量紅外圖像，發現高壓主干線路一般都近似直線，并且一般為多股線路，擁有平行特征。因此，算法首先通過霍夫變換來檢測直線，運用輸電線路的平行特征，濾除不必要的噪聲直線，進而確定主干線路的位置。具體處理過程如下：對Canny算子邊緣檢測后的邊緣圖做霍夫變換[16]處理得到直線，得到大量直線信息，其中包含很多錯誤的直線信息，即噪聲。對噪聲進行濾波，濾波原則：通過分析大量紅外圖像可知主干線路一般大于兩條，也就是說，至少存在4條邊界，而4條邊界近似平行。濾波過程中對所有直線循環處理，將沒有平行邊界或平行邊界較少的直線全部濾除。處理結果如圖11所示。

圖11 高壓輸電線路主干線區域識別 Fig.11 Main line area identification of high voltage transmission line

3.2 故障引流子識別

當確定主干線路的位置后，在主干線路附近五個像素的范圍內進行搜索，可搜索區域如圖12(a)所示。在可搜索區域內做Harris角點檢測[17-20]，找到灰度值變化巨大的位置，如圖12(b)所示，直接Harris判斷得到的角點存在很多的誤檢測，最后通過灰度及形態特征判斷確定微弱發熱的位置。

圖12 故障引流子識別 Fig.12 Fault drainage identification

灰度及形態判斷準則：因為引流管處故障不明顯情況下一般呈現為點狀，具有小目標(Small Target)特征，所以規定在角點附近20×20像素的區域內，如果超過200個像素為前景色(灰度值較大)，則不滿足引流管小目標(Small Target)的屬性，因此該角點區域不為故障引流子；如果灰度值全部為背景色或者在區域內前景色的像素不超過5個，該點為噪聲，也不是故障引流子，以此達到削弱噪聲(Weaken Noise)的目的；剩余的位置判定為故障引流子。最后得到結果圖如圖12(c)所示。

3.3 實驗結果與分析

本文實驗中，無人機所搭載的紅外數據采集設備為德國AVT 公司的Goldeye P/CL-008 SWIR型號紅外相機，其硬件相關的重要參數如下：波長范圍9～17 μm；工作溫度：-30～+40 ℃；探測器：非制冷焦平面；探測元：320×256，30 μm。

本文所采集的數據是無人機由上向下采集，輸電線背景多為草地、灌木叢、樹林等，較為復雜，背景干擾較多。由圖13可以看出，由于背景輻射放熱的影響，故障引流子與背景信息十分相似，即使肉眼也很難將其分辨出來，因此識別故障引流子具有較大的困難。當引流子明顯故障時，如圖1所示，此時，由于發熱現象明顯，引流子溫度相對于背景明顯增大，導致背景在圖像中被抑制，基本呈現黑色。

圖13 Goldeye P/CL-008 SWIR采集紅外熱圖像 Fig.13 Infrared thermal image acquisition with Goldeye P/CL-008 SWIR camera

圖14 故障引流子 Fig.14 Fault drainage

對含有故障引流子的圖像進行處理，可以準確的得到故障引流子的位置和區域，如圖14所示，白色圓圈區域為找到的故障引流子。

運用上述方法處理92幅紅外圖像，其中含有故障發熱的圖像為38幅，沒有明顯故障發熱圖像54幅，最后正確檢測到33幅含有故障發熱的圖片，誤檢5幅，漏檢2幅。正確率為94.6%，誤檢率5.5%，漏檢率2.2%，具體結果如表1。

表1 92幅紅外圖像處理結果

主要的誤檢類型有漏檢以及多檢，漏檢多是由于引流子故障不明顯，發熱現象極弱、背景極其復雜和主干線區域不明顯的紅外圖像，如圖15所示；多檢主要是由于主干線路區域存在背景亮點，引起多檢以及錯檢，如圖16所示。該圖存在一個故障引流子，但是由于背景噪聲的影響，檢測出來兩個故障引流子，引流子無故障時則會引起錯檢現象。

圖15 發熱極弱、背景復雜導致引流子故障不明顯 Fig.15 Drainage fault is not obvious due to the very weak heat and the complicated background

圖16 背景噪聲造成的錯檢現象 Fig.16 False detection caused by background noise

閾值的選取對檢測結果也有很大的影響。同樣的一幅紅外圖像，當閾值選取不一樣時，檢測的結果也會有所不同。這些不同的結果主要是故障區域灰度值與背景灰度值的差異來引起的。如圖17所示，當選取閾值為Otsu動態閾值上調15個灰度值時，該圖像檢測結果為引流管引起明顯發熱；當選取閾值為Otsu動態閾值上調30個灰度值時，該圖像檢測結果為引流管處小區域發熱。

圖17 閾值選取對檢測的影響 Fig.17 Effect of threshold selection on detection

圖17(c)的輸電線分支線線路上的灰度值確實高于背景灰度值，但是它的灰度值與左邊豎立著塔架的灰度值相差無二，所以不認為其屬于故障發熱區域。本文通過對大量圖像分析，最終采用閾值上調30個灰度級的方案是比較合理的。

本文提出的自適應特征引流管故障智能識別方法，原理簡單、易于實現，受環境的影響較小。利用本文中方法對多個樣本進行測試，故障識別率較高，誤檢率較低，取得了比較理想的結果，具有較強的穩定性，也驗證了本文的方法用于輸電線紅外序列圖像中故障引流子的自動提取和診斷的可行性和有效性。

4 結 論

直升機巡檢輸電線路，利用先進的拍攝儀器，通過對設備進行多角度俯視、側視檢測，能細致全面地檢查和捕捉線路上的設備運行情況，是未來電力巡檢的趨勢。本文通過紅外熱圖像識別輸電線路引流管故障，將引流管故障引起發熱分為明顯區域發熱和微弱小區域發熱兩種類型，采用改進的Otsu閾值分割算法，使其更加實用。此外，本文采用的邊界拓展進行漫水法區域劃分及主干線周圍Harris角點檢測來識別故障發熱區域，具有良好的效果。最后，對92幅紅外熱圖像進行實驗，正確識別率為94.6%，誤檢率5.5%，漏檢率2.2%，算法的識別準確率較高。

[1] 陳韜.直升機在輸電線路運檢工作中的技術研究[D].北京:華北電力大學,2010. CHEN T. Research on the technology of helicopter in the operation of transmission line inspection[D]. Beijing:North China Electric Power University,2010.(in Chinese)

[2] TANG W Y,HANG Y,QIU Q R，etal.. Overhead Power Line Detection from UAV Video Images[C]. 19th international conference on Mechatronics and Machine Vision in Practice. Auckland,New Zealand,2012:74-79.

[3] DU SH ZH,TU CH L. Power line inspection using segment measurement based on HT butterfly[C]. International Conference on Signal Processing, Communications and Computing. Xi′an,2011:1-4.

[4] 張來明,郭勁,楊貴龍,等.中波紅外激光技術最新進展[J].中國光學,2013,6(4):501-512. ZHANG L M,GUO J,YANG G L,etal.. The latest progress in mid infrared laser technology[J].ChineseOptics,2013,6(4):501-512.(in Chinese)

[5] 趙建川,王弟男,陳長青,等.紅外激光主動成像和識別[J].中國光學,2013,6(5):795-802 ZHAO J CH,WANG D N,CHEN C Q,etal.. Infrared laser active imaging and recognition[J].ChineseOptics,2013,6(5):795-802.(in Chinese)

[6] 唐攀龍.高壓輸電線路絕緣子紅外監測方法的研究[D].長沙:長沙理工大學,2009:8-11 TANG P L. Research on infrared monitoring method of high voltage transmission line insulator[D]. Changsha:Changsha University of Science and Technology,2009:8-11.(in Chinese)

[7] 陳豪,陳原,趙雪松,等.紅外測溫技術在復合絕緣子檢測中的應用[J].電力設備,2006,7(9):42-43. CHEN H,CHEN Y,ZHAO X S,etal.. Application of infrared temperature measurement technology in the detection of composite insulators[J].ElectricPowerEquipment,2006,7(9):42-43.(in Chinese)

[8] 王燦進,石寧寧,孫濤.同態非局部濾波在激光主動成像散斑抑制中的應用研究[J].液晶與顯示,2016,31(2):193-200. WANG C J,SHI N N,SUN T. Application of homomorphic non-local filters in speckle noise suppression for laser active imaging[J].ChineseJ.LiquidCrystalsandDisplays,2016,31(2):193-200.(in Chinese)

[9] 黃富瑜,沈學舉,劉旭敏,等.基于空時域融合處理檢測超大視場紅外目標[J].光學 精密工程,2015,23(8):2328-2338. HUANG F Y,SHEN X J,LIU X M,etal.. Detection of super wide-field infrared target based on spatial-temporal fusion processing[J].Opt.PrecisionEng.,2015,23(8):2328-2338.(in Chinese)

[10] 魯劍鋒.無人機光電載荷圖像處理器的設計[J].中國光學,2011,4(5):448-452. LU J F. Design of UAV photo electric load image processor[J].ChineseOptics,2011,4(5):448-452.(in Chinese)

[11] 陳冬嵐,劉京南,余玲玲.幾種圖像分割閾值選取方法的比較與研究[J].機械制造與自動化,2003(1):77-80. CHEN D L,LIU J N,YU L L. Comparison and Research on threshold selection methods of several kinds of image segmentation[J].MachineryManufacturingandAutomation,2003(1):77-80.(in Chinese)

[12] 袁小翠,吳祿慎,陳華偉.基于Otsu方法的鋼軌圖像分割[J].光學 精密工程,2016,24(7):1772-1781. YUAN X C,WU L SH,CHEN H W. Rail image segmentation based on Otsu method[J].Opt.PrecisionEng.,2016,24(7):1772-1781.(in Chinese)

[13] 孟亞州,馬瑜,白冰,等.基于粒子群優化的Otsu肺組織分割算法[J].液晶與顯示,2015,30(6):1000-1007. MENG Y ZH,MA Y,BAI B,etal. Improved lung segmentation algorithm based on 2 D Otsu optimized by PSO[J].ChineseJ.LiquidCrystalsandDisplays,2015,30(6):1000-1007.(in Chinese)

[14] 王智文.幾種邊緣檢測算子的性能比較研究[J].制造業自動化,2012,34(11):14-16. WANG ZH W. A comparative study on the performance of several edge detection operators[J].ManufacturingAutomation,2012.34(11):14-16.(in Chinese)

[15] 張正峰,馬少飛,李瑋.新的種子點區域填充算法[J].計算機工程與應用,2009(6):201-202. ZHANG ZH F,MA SH F,LI W. New seed point region filling algorithm[J].ComputerEngineeringandApplications,2009(6):201-202.(in Chinese)

[16] MUKHOPADHYAY P,CHAUDHURI B B. A survey of hough transform[J].PatternRecognition,2015,48(3):993-1010.

[17] 王崴,張宇紅,洪軍,等.一種改進的Harris角點提取算法[J].光學 精密工程,2008,16(10):1995-2001. WANG W,ZHANG Y H,HONG J,etal.. An improved Harris corner detection algorithm[J].Opt.PrecisionEng.,2008,16(10):1995-2001.(in Chinese)

[18] 李海,張憲民,陳忠.基于直線檢測的棋盤格角點自動提取[J].光學 精密工程,2015,23(12):3480-3489. LI H,ZHANG X M,CHEN ZH. Automatic extraction of corner points of a chess board based on line detection[J].Opt.PrecisionEng.,2015,23(12):3480-3489.(in Chinese)

[19] 劉博超,趙建,孫強.基于邊緣改進的Harris角點檢測方法[J].液晶與顯示,2013,28(6):939-942. LIU B CH,ZHAO J,SUN Q. Improved Harris corner detection method based on edge[J].ChineseJ.LiquidCrystalsandDisplays,2013,28(6):939-942.(in Chinese)

[20] 楊云,岳柱.基于融合圖像輪廓矩和Harris角點方法的遮擋人體目標識別研究[J].液晶與顯示,2013,28(2):273-277. YANG Y,YUE ZH. Human body target recognition under occlusion based on fusion of image contour moment and Harris angular points[J].ChineseJ.LiquidCrystalsandDisplays,2013,28(2):273-277. (in Chinese)

Intelligent identification algorithm of adaptive feature drainage tube fault

HUANG Bo1, JIANG Shen-wang1, ZHANG Zeng2, ZHANG Jin2, ZHANG Wei3, XU Ting-fa1*

(1.KeyLaboratoryofOptoelectronicImagingSystemandTechnology,MinistryofEducation,SchoolofOptoelectronics,BeijingInstituteofTechnology,Beijing100081,China；2.TianjinAerospaceScienceandTechnologyCo.,Ltd.fortheDataSystem,Tianjin300301,China；3.SouthernPowerGridScienceResearchInstituteCo.,Ltd,Guangzhou510080,China)

In this paper, an intelligent recognition algorithm for hidden danger of drainage tube is presented in order to realize the automatic detection of the faults of the high voltage transmission line. First, the thermal image feature of faults is analyzed, and the faults can be divided into two types:obvious heating and weak heating. Second in view of the obvious heating caused by the drainage tube, the improved Ostu threshold segmentation method is used to implement infrared image segmentation and the improved Sobel operator is used to implment contour extraction. Third, the seed filling algorithm separation is used to connect domains, and we can determine whether the drainage tube is fault through the thread characteristics. Finally, we check the weak heating caused by the drainage tube, applying high pressure transmission line parallel features to find the region of trunk line, and then get the Harris corner around the trunk region and determine whether it is fault drainage through the STWN characteristics. Experimental results show that the successful identification rate of hidden heat fault is 94.6%, false negative rate is 2.2%, and false recognition rate is 5.5%.

infrared thermal image;boundary development;morphological feature;intelligent recognition

2017-01-19；

2017-03-27

南方電網直升機重大專項資助項目(No.K-KY2014-500) Supported by Helicopter Major Project of China Southern Power Grid(No.K-KY2014-500)

2095-1531(2017)03-0340-08

TP317.4； TN219

A

10.3788/CO.20171003.0340

黃博(1993—)，男，重慶長壽人，碩士研究生，主要從事光電成像探測與識別、目標跟蹤、光電測量和可見光通信方面的研究。E-mail:a1039377853@163.com

許廷發(1968—)，男，黑龍江肇東人，博士，教授，博士生導師，1992年、2000年于東北師范大學分別獲得學士、碩士學位，2004年于中國科學院長春光學精密機械與物理研究所獲得博士學位，2006年于華南理工大學博士后出站，主要從事光電成像探測與識別等方面的研究。E-mail:xutingfa@163.com

*Correspondingauthor,E-mail:xutingfa@163.com