基于GLOH描述子和GVF Snake的絕緣子覆冰檢測算法

程登峰 趙常威 嚴波 操松元 李森林 楊為 楊海濤 陳忠 姚強

摘要：利用計算機視覺和圖像處理技術對絕緣子覆冰情況進行檢測，在保障電力系統的安全運行方面具有非常重要的作用。提出了一種基于GLOH描述子和GVF Snake的絕緣子覆冰檢測算法，該算法首先對輸入圖像進行預處理;其次提取感興趣的目標區域，該區域內包含絕緣子信息;然后利用GLOH描述子來定位絕緣子，再利用GVF Snake模型來精確檢測絕緣子輪廓;最后對絕緣子輪廓進行分析，通過計算最大徑向距離來確定絕緣于是否存在覆冰情況，并在覆冰情況下計算覆冰的厚度。實驗結果說明了此方法可以有效地判斷出絕緣于是否存在覆冰現象。

關鍵詞：絕緣子;GVF Snake;GLOH描述子;K-means聚類;覆冰

中圖分類號：TP391.41

文獻標志碼：A

1 引 言

在電力系統中，絕緣子覆冰對于電網安全一直是一個很大的威脅。特別是在寒冷的冬天，絕緣子覆冰情況時常發生，而覆冰閃絡是一種輸電線路中時常發生較大的危害，對線路的絕緣性以及系統的安全運行有著很大的安全隱患，因而對絕緣子覆冰進行檢測具有重要的意義。隨著機器視覺技術和圖像處理技術的發展，利用視覺和圖像處理技術對絕緣子狀態進行檢測，自動識別絕緣子覆冰情況，在保障電力系統的安全運行方面具有非常重要的作用。

近期，研究者們提出了許多識別檢測絕緣子覆冰情況的算法。文獻[1]分析了絕緣子覆冰特征，利用圖像處理技術對絕緣子覆冰的情況以及絕緣子圖形特征量進行分析和識別，應用圖像平滑處理和閾值變換等算法獲取絕緣子輪廓圖像，并計算了覆冰厚度等參數;文獻[2]通過模板匹配技術在圖像中實現絕緣子的定位，然后通過圖像預處理、圖像分割、邊緣提取等技術，提取出圖像中覆冰前后絕緣子邊緣，然后對比區域像素個數來判斷有無覆冰;文獻[3]基于紋理特征描述算子建立玻璃絕緣子的冰類型識別方法，該方法利用一致局部二值模式和改進的一致局部二值模式用于提取六種類型覆冰圖像的紋理特征，通過紋理直方圖的相關系數計算來識別覆冰類型。文獻[4]報道了自1999年以來IEEE-PES工作組一直開發的絕緣子結冰測試方法和推薦的選擇標準，包括獲得可重復結果和建模的重要因素。文獻[5]基于小波的圖像邊緣檢測方法來提取輪廓進行覆冰厚度的測量，并在模擬人工氣候實驗室中進行了實驗驗證。文獻[6]通過圖像的三維重建來進行絕緣子覆冰在線監測，利用計算機雙目視覺技術，采用兩臺放置在不同位置的攝像機采集絕緣子圖像，通過圖像間的視差進行絕緣子的三維點云模型重建，從而計算得到覆冰的厚度。

現有圖像監測法中，大多只是對在實驗室這種理想環境下的絕緣子覆冰情況進行識別，在距離實際應用還存在著一定的差距。由于圖像獲取的復雜性，絕緣子與背景常常融為一體，傳統的方法很難將其完整分離。本文結合了GLOH描述子和GVF Snake模型，提出一種絕緣子覆冰檢測算法。首先利用GLOH描述子進行精確定位絕緣子，去除背景因素的干擾，然后利用GVF Snake算法對絕緣子串進行檢測，以獲得絕緣子串的完整輪廓圖像，最后對絕緣子輪廓圖像進行分析，以達到檢測絕緣子覆冰檢測目的。

2 圖像預處理

絕緣子的圖像中常常包含較大的背景噪聲，并且圖像往往是不同氣候條件下拍攝的照片，其顏色深淺度都不太相同。想要克服這些噪聲、顏色等差異的影響，就需要對包含絕緣子的圖像進行必要的預處理以達到減少噪聲等因素的影響。

首先對圖像進行中值濾波，中值濾波可以去除邊緣模糊和噪聲等問題，可以較好地將絕緣子的邊緣信息保留下來;利用直方圖均衡化來增強圖像的對比度，以方便絕緣子的定位。

3 絕緣子定位

絕緣子的定位是絕緣子狀態檢測的重要步驟?？紤]到拍攝圖像時易受到光照、角度等因素的影響，因此在檢測定位階段，需要具有一定的尺度、亮度、旋轉和遮擋不變的局部特征幫助定位絕緣子，本文采用了梯度定位方向直方圖（ GLOH）描述子[7]來進行特征描述。

在描述子構造之前，需要對圖像進行局部特征檢測，研究者們提出了很多用于局部特征檢測的方法，如H arris角點檢測[8]、Harris-affine區域檢測[9]、DoG特征檢測[10]、Hessiarraffine區域檢測[11]等。由于仿射協變區域的形狀自適應于圖像幾何形變、視角變化和亮度變化等，H essian-Affine區域檢測算法通過多尺度迭代的方式獲得仿射不變特征，能有效檢測出仿射協變區域，因此本文采用Hessian-Affine區域檢測算法來獲取特征和特征區域。

在檢測局部特征點后，需要對特征點進行描述。GLOH是由SIFT描述子發展而來的，具有更強獨特性和魯棒性。GLOH算子所提取的圖像特征，能夠對尺度縮放、旋轉、光照等變化保持不變性，抗噪能力強[12]。

絕緣子定位算法的流程圖如圖1所示，在訓練階段，提取大量特征作為訓練集，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，本文使用K-Means作為聚類方法，K -Means聚類[13]的是一種無監督學習方法，應用非常廣的，是一個迭代算法，其學習目標是將所有樣本到對應聚類中心的平方和最小化，從而使生成的同類的樣本盡可能接近，不同類樣本盡可能分開。它是一種簡單、快速、較為實用的聚類算法。K -Means算法描述如下[14]：

1）首先隨機初始化K個中心點T1，T2，…，T_k;

2）其次計算每個樣本點分別到K個中心點的

其中T_k表示第k個視覺單詞的直方圖向量，它是第k類中所有特征向量的平均值。μ_i（i =1，…，k）為匹配閾值，通過訓練樣本來獲得。

在匹配階段，對任意輸入圖像均可以得到一系列特征描述子，注意其中包含許多絕緣子特征描述子，記為{T¹，T²，…，T^z）。然后將這些特征與L中每個視覺單詞進行匹配，并用L中對應的閾值來判斷其是否為絕緣子的特征，這樣就可以排除大多數非絕緣子的特征，留下所有絕緣子的特征。

經過特征匹配后，目標位置顯而易見，便可以獲得含有絕緣子的區域。

4.2 絕緣子覆冰檢測

對于一副輸入圖像，先利用第2節中圖像預處理方法對其進行預處理，然后通過第3節中絕緣子定位方法進行定位，再通過4.1節的GVF Snake模型對絕緣子串進行檢測，以獲得絕緣子串的輪廓圖像。

覆冰在圖像上的直接表現就是會增大絕緣子的徑向距離，在獲取絕緣子串的輪廓圖像之后，為了判斷覆冰情況，需要計算圖像中絕緣子的徑向距離，注意到直接從圖像中測出的絕緣子最大徑向距離是指圖像中以單個象素為單位的距離，假設測出的絕緣子最大徑向距離為d，未覆冰情況下的圖像中絕緣子徑向距離為d'，而絕緣子實際的距離為d″，若|d-d′|>δ則認為絕緣子存在覆冰情況，δ為了避免計算誤差而設定的較小閾值。依據所測參數，也可以計算覆冰的厚度D=0.5（d -d′）d″/d′。

本文算法的流程圖如下：5實驗

本文使用大量含有絕緣子的圖像作為訓練樣本，實驗是在Windows 7環境下，編譯軟件為Visual Studi0 2010和Matlab 2012（b），電腦配置為Intel core 17-4790 CPU@3.6GHz，8核。

圖3是本文算法對絕緣子覆冰的檢測結果，實驗中，取δ=l。圖3（a）是原始圖像，從圖中可以看出，圖像中含有絕緣子串存在覆冰情況，并且還有線纜、植被等復雜背景。圖3（b）經過預處理后的圖像，圖3（c）是利用GLOH描述子定位出的含有絕緣子的區域。圖3（d）是利用GVF Snake模型獲取的絕緣子串的輪廓形狀。圖3（e）是未經絕緣子定位，直接通過GVF Snake模型提取的輪廓圖像，線纜的輪廓也被提取，會影響覆判斷，可見絕緣子定位的重要性。經過對圖3（d）中絕緣子串的輪廓進行分析、計算得到，d =128，d′=123，d″=255mm所以覆冰厚度D=5.18mm，該絕緣子存在覆冰情況。圖4是另一組實驗，按照本文算法檢測，d>d′+1，也存在覆冰情況。

6結論

電力系統中絕緣子覆冰檢測是電力傳輸系統中非常重要的問題，為了解決絕緣子覆冰問題，本文提出了一種基于GLOH描述子和GVF Snake的絕緣子覆冰檢測算法，該算法利用GLOH描述子結合K-means聚類進行絕緣子定位，并通過GVF Snake模型獲取絕緣子串的輪廓，最后對絕緣子輪廓圖像進行分析，達到了檢測絕緣子覆冰檢測的目的，并計算了覆冰的厚度。

參考文獻

[1]張成，盛戈嗥，江秀臣，等，基于圖像處理技術的絕緣子覆冰自動識別[J]，華東電力，2009，37（1）：146-149.

[2]張燁，馮玲，穆靖宇，等，劉新慧輸電線路絕緣子覆冰厚度圖像識別算法[J]，電力系統自動化，2016，40（21）：195-202.

[3] YANG Lin， JIANG Xiao-lan，HAO Yarrpeng，et al.Recog-nition of natural ice types on irrservice glass insulators basedon texture feature descriptor[J]， IEEE Transactions on Dirlectrics and Electrical Insulation， 2017， 24（1）：535- 542.

[4]FARZANEH M，CHISHOLM W A.Insulator Icing TestMethods， Selection Criteria and Mitigation Alternatives[J]，IEEE Transactions on Dielectrics and Electrical Insulation，2007， 14（6）： 1462-1473.

[5]王小朋，胡建林，孫才新，等，應用圖像邊緣檢測方法在線監測輸電線路覆冰厚度研究[J].高壓電器，2009，45（6）：69-74.

[6] 楊浩，無畏，基于三維重建的絕緣子覆冰圖像監測[J].電力自動化設備，2013，33 （2）：92-98.

[7] MIKOLAJCZYK K， SCHMID C A Performance Evaluationof Local Descriptors[J].IEEE Trans.on Pattern Analysis andMachine Intelligence，2005，27（10）： 1615-1630.

[8] HARRIS C， STEPHENS M.A combined corner and edgedetection[C]. Proc. 4th Alvey Vision Conf.， Manchester，UK， Aug. 1988， pp. 147-152.

[9] MIKOLAJCZYK K， SCHMID C.Scale and affine invariantinterest point detectors[J]. Int.J.Comput. Vis.， 2004， 60（1）：63-86.

[10]LOWE D G. Distinctive image features from scalrinvariantkeypoints[J]. Int.J. Comput. Vis.， 2004， 60（2）： 91-110.

[11] MIKOLAJCZYK K， TUYTELAARS T， SCHMID C， etal.A comparison of affine region detectors[J]. Int.J. Com-put. Vis.， 2005， 65（1/2）： 43-72.

[12]郜曉晶，潘新，王亮，基于GLOH算子和局部特征融合的人臉識別[J]，計算機應用與軟件，2013， 30（5） ：271-274.

[13]MAcoUEEN J.Some methods for classification andanalysis of multivariate observations[C]. Berkeley Symposi-um on Mathematical Statistics and Probability， 1967： 281 -297.

[14] 吳文峰，基于局部特征字典的圖像分類算法研究[D]，深圳大學，2012.

[15]KASS M， WITKIN A， TERZOPOLOUS D. Snakes： activecontour models， Int.J.Comput. Vision，1987，1 （4）： 321 - 331.

[16]朱述龍，孟偉燦，朱寶山.運用GVF Snake算法提取水域的不規則邊界[J]，遙感學報，2013，17（4）：750-758.

[17] XU C Y， PRINCE J L.Snakes，shapes，and gradient vectorflow.IEEE Transactions on Image Processing[J]，1998，7（3）：359-369.

[18] 韓海梅，姚礪，萬燕，基于K-means和GVF Snake模型的纖維圖像分割[J]，2011，37（1） ：66-71.