基于融合色差和神經網絡的防震錘故障識別

田 毅，伍逸群，張 燁，黃新波

(西安工程大學 電子信息學院，陜西 西安 710048)

0 引 言

復雜而又密集的配電網遍布幅員遼闊的中國大陸，中國從1882年開始使用電力至今，個人及工業界對安全、不間斷供電的依賴從未如此之大。常年懸架于山野地區的輸電導線既要經受晴朗微風的良好天氣，又要承受風雪冰凍的惡劣天氣，致使其頻繁發生導線舞動、微風振動及脫冰跳躍[1-3]。導線長期在懸掛點附近區段發生反復折疊，將進一步引發周期性彎曲疲勞斷股，乃至斷線、倒塔事故[4]。目前，中國普遍采用金屬防震錘來吸收或轉移震動能量，以切斷導線震動能量的補給線，達到消除周期性諧震的目的。但由于金屬生銹和螺栓松動等原因，防震錘將失去牢靠的牽制力，而發生位移、缺損等故障，導致其無法切實有效地發揮防震作用。因此，文中研究輸電線路防震錘的缺損故障，對電力系統的安全穩定運行有深遠的意義。

隨著數字智能化的發展和圖像處理技術的成熟，基于計算機視覺技術的輸變電智能巡檢成為了“三型兩網”戰略中的研究熱點[5]。其中，有關于防震錘的研究進行得如火如荼，并且已經取得了一些成果。文獻[6-7]都是立足于巡線機器人的視角，以防震錘的側面為研究對象，前者利用一定的形狀約束條件通過隨機Hough變換檢測防震錘的圓形部分，后者利用分割區域的質心、面積及輪廓進行圓形和半圓弧檢測，以識別防震錘。文獻[8]提出基于小波矩的故障檢測方法，利用小波模極大值來提取圖像的邊緣信息，以實現防震錘的定位。文獻[9]則是利用類Haar特征與級聯AdaBoost算法進行機器學習，對防震錘進行定位，但其訓練圖像背景信息不夠全面，導致個別背景誤判為防震錘。文獻[10]基于少量圖像數據，引入了具有層次的與或圖，構建了層次識別模型，對目標進行分解表達，達到了鑒別防震錘位移故障的目的。文獻[11]結合直方圖均衡化和形態學處理進行防震錘的分割，并利用R分量進行銹蝕檢測，該方法受背景和預處理效果的影響較大。

綜合對上述防震錘相關算法的分析，可以發現，對輸電線路運行現場的防震錘進行狀態監測的研究寥寥無幾。此外，近年來方便快捷、成本低廉的無人機巡線逐漸成為主流[12]。因此，文中以無人機拍攝的高分辨率輸電線路防震錘圖像為處理對象，提出了一種基于防震錘和輸電導線顏色特性的融合色差分割算法，以提取航拍導線中輸電線路前景。同時，分別用倒T型模板和Zernike特征矩對防震錘圖像進行粗識別和精識別。最后將Zernike矩應用于徑向基神經網絡，完成防震錘缺損故障識別。

1 防震錘缺損故障整體算法流程

為了最小化航拍輸電線路圖像中背景部分的干擾，文中首先將原始RGB圖像轉換為HSI圖像，在對I亮度通道進行直方圖均衡化后，再把重新合成的HSI圖像轉回RGB圖像，已得到增強后的圖像。其次，針對輸電導線及防震錘的顏色特征，提出了一種基于RGB顏色通道耦合性的融合色差分割算法，結合基礎形態學處理，實現了對前景輸電線路部分的提取，再運用Hough變換進行輸電導線的標記，并根據導線端點坐標框選出防震錘可能存在防震錘的矩形區域，為后續防震錘缺損識別打下了堅實的基礎。接下來，建立倒T型模板對該區域進行NCC匹配，實現對圖像中防震錘的粗識別，再計算Zernike矩，作為防震錘精識別的依據。最后將8維Zernike矩{Z2，0,Z2,2,Z3,1,Z3,3,Z4,2,Z5,1,Z5,3,Z5,5}作為徑向基神經網絡(RBF)的特征輸入量，完成防震錘缺損故障的識別。具體流程見圖1。

圖1 算法流程

2 防震錘區域的提取

受到無人機拍攝角度和輸電導線架設高度的影響，輸電線路航拍圖像中會包含山川、森林、鐵塔等多余的景象。本節旨在鎖定防震錘可能存在的最小矩形區域，達到刪減冗余數據和提高后期識別精度的目的。

2.1 單通道預處理

為了改善無人機航拍防震錘圖像的對比度，文中選擇被廣泛應用的直方圖均衡化算法對防震錘圖像進行增強。由于文中將針對RGB彩色圖像而非灰度圖像進行圖像分割，所以不能在預處理階段舍棄顏色信息。因此，首先將采集的RGB圖像轉換為HSI圖像，并提取出其中的相對較為獨立的I亮度分量。

(2)

其中，R、G、B分別表示圖像中的紅色、綠色、藍色分量；H、S、I分別表示圖像中的色調、飽和度、亮度分量。

其次，對灰度范圍為[L-1]的I亮度分量圖按下式單獨進行直方圖均衡化，以防止彩色圖像失真。

(3)

其中，lk是原圖灰度，IEk是均衡化后灰度，nj是灰度級為lk的像素的個數，pr(lk)是灰度值為lk的概率密度。

最后，結合原來的H、S分量與增強后的I分量生成新的HSI圖像，并將圖像的空間模型重新轉回到RGB模型。

2.2 融合色差分割

圖像分割算法的優劣是決定后續防震錘識別準確率的決定性要點之一。圖像處理中常見的色差法通常用于提取單一顏色較為突出的物體，如色差算子2R-G-B可用于提取紅色的復合絕緣子[13]，色差算子2B-R-G可用于提取黃色的秸稈[14]。

常見的輸電線路防震錘由一根兩端各連接著一個圓柱形生鐵錘的高強度鋼絞線和鉚緊于鋼絞線中部的夾板組成，所以在未生銹前，其整體顏色呈灰黑色。此外，現役輸電導線多是由鋁股有序繞制的鋼芯鋁絞線結構，整體呈現灰白色。白色、黑色、灰色像素的RGB值分別是(0,0,0)、(255,255,255)、(a,a,a)，其中0

因此，剔除或抑制無人機航拍圖像中偏離該對角線的像素，即可實現去除多余背景并保留導線和防震錘。結合航拍防震錘圖像和其RGB像素值進行觀察，可以發現三大特點：

(1)背景中的山林以綠色、黃色為主，G分量較大，而天空呈藍色，B分量較大；

(2)老化的防震錘會出現大面積銹蝕的紅斑，R分量顯著增大；

(3)受到晴朗的藍色天空的影響，有時導線會呈現B分量最大的灰藍色。

針對上述特點，文中提出了一種基于各顏色分量耦合性的融合色差分割算法。首先分別提取R、G、B三種顏色分量，然后依次遍歷整幅防震錘圖像，如若像素點(i,j)滿足式(4)中的其中一個條件，則將該點所有顏色都置為0，呈黑色，該條件中的經驗閾值是反復比對多張運行現場防震錘圖像的測試結果得出的。

(4)

分割結果如圖2(b)所示，其中，防震錘區域內有個別孔洞，但整體提取的較為完整，此外，還有一些與輸電線路部分顏色特征相近的小面積背景塊未被去除。因此，再對分割結果進行常見的形態學處理，以填充孔洞、消除斑塊，結果如圖2(c)所示。

2.3 矩形區域的提取

盡管背景部分已經被剔除，但輸電桿塔也被歸入了輸電線路前景中，為了縮小后續的計算量，接下來對形態學結果進行Hough變換，以確定導線的位置，進而提取可能存在防震錘的矩形區域。

因為塔架由多根鋼條連接而成，所以直接進行Hough變換將識別出多條直線。航拍防震錘圖像中可能存在多條平行分布的輸電導線，并且它們往往帶有一定的傾斜度。因此，對于一張尺寸為M×N的防震錘圖像，文中將設定角度及長度限定條件進行直線的篩選，而后以標記直線的坐標為參照，進行防震錘區域的提取，如圖2(d)所示。

圖2 防震錘區域的提取

步驟1：分別在角度范圍為-25°≤θ≤0和0≤θ≤25°內的識別結果中各標記一條最長直線；

步驟2：再標記與該直線斜率一致且長度差值在M/30像素范圍內的其他直線；

步驟3：所有斜率大于0的標記直線歸入A組，所有斜率小于0的標記直線歸入B組；

步驟4：因為防震錘正常情況下都是固定于導線的下方。對于A組，以直線端點P1(mmin,nmax)作為一個對角點，以另一個直線端點下方的點P2(mmax+M/10,nmin)作為另一個對角點，提取矩形區域A；

步驟5：對于B組，以直線端點P3(mmin,nmin)作為一個對角點，以另一個直線端點下方的點P2(mmax+M/10,nmax)作為另一個對角點，提取矩形區域B。如果只有一組標記直線，則矩形區域A和B將只存在一個。

3 輸電線路防震錘故障診斷

3.1 基于倒T型模板的NCC粗識別

防震錘的對稱雙垂頭加夾板的形狀類似于T型，所以根據常見的防震錘型號參數設計了各邊比為Ta∶Tb∶Tc∶Td=1∶1∶1∶7.5的倒T型模板，來表征完好防震錘，如圖3(a)所示。并在此模板的基礎上，延伸出如圖3(b)所示的缺損故障防震錘模板，其中，Ta∶Te=1∶4.25。

歸一化互相關系數(NCC)是基于灰度的匹配算法，能對防震錘圖像和倒T型模板進行近似程度的線

(a)完好防震錘 (b)缺損防震錘

性描述，但該算法對旋轉、形變等變換較為敏感[15]。又因為防震錘往往是平行地掛在導線上的，所以可直接以導線與水平方向的夾角作為圖3中的匹配模板的旋轉角度，然后使旋轉后的模板以步長0.1在[0.3,1]倍范圍內進行縮放變換的同時，以10像素為步長在2.3節提取的矩形區域內進行基于模板匹配的NCC粗識別。

(5)

(6)

(7)

防震錘的粗識別的結果允許存在一定的誤判，并且NCC值越大則匹配度越高。所以文中取R(u,v)∈[0.75,1]范圍內的粗識別結果作為下一步精識別的樣本集。

3.2 基于Zernike特征矩的精識別

Zernike特征矩是二維函數f(x,y)在單位圓內的Zernike正交多項式基函數的映射，擁有良好的旋轉不變性和比例不變性[16]。其核函數的定義如下：

(8)

Rnm(ρ)=

(9)

其中，Rnm(ρ)是徑向多項式，ρ是原點到點(x,y)的矢量長，θ是矢量ρ與水平軸逆時針方向的夾角，j是單位負數，n和m分別是矩的階數和重數，且m是非復整數，n滿足m-|n|是偶數和|m|≤n兩個條件。

Vnm(ρ,θ)滿足以下正交性條件：

(10)

(11)

其中，*是復數共軛符號。

對于一幅離散防震錘圖像f(x,y)，它的n階m重Zernike矩為：

(12)

Zernike矩的低階矩可描述一幅圖像目標的整體形狀，而高階矩則可描述圖像目標的細節部分。所以文中選擇五階矩以下的全部8個Zernike矩{Z2，0,Z2,2,Z3,1,Z3,3,Z4,2,Z5,1,Z5,3,Z5,5}作為特征描述子，進行防震錘的精識別。圖4所示的分別是完好防震錘、缺損防震錘和粗識別中誤判的為防震錘的其他物體二值圖的Zernike矩。

Z2,0=1 358.648 6Z2,0=1 361.279 2Z2,0=738.894 7Z2,2=388.444 9Z2,2=268.299 7Z2,2=320.386 6Z3,1=18.558 6Z3,1=91.582 4Z3,1=147.547 9Z3,3=46.186 7Z3,3=98.592 8Z3,3=163.938 1Z4,2=186.423 6Z4,2=176.926 1Z4,2=185.835 0Z5,1=20.918 9Z5,1=7.626 1Z5,1=48.916 4Z5,3=50.617 0Z5,3=70.366 1Z5,3=80.632 2Z5,5=55.570 3Z5,5=41.292 3Z5,5=10.986 7

3.3 基于徑向基函數神經網絡的故障診斷

徑向基函數(RBF)神經網絡于1989年由J.Moody和C.Darken提出，是單隱層的三層前饋式神經網絡[17]。第一層是輸入層，用于接收數據的特征向量，相當于神經網絡的門；第二層是隱含層，通過徑向基函數實現從門到內部高維空間的非線性映射變換；第三層是輸出層，用以對輸入的向量做出響應，與第二層之間直接是線性權值連接。

在RBF神經網絡中，對第二層中非線性傳遞函數的選取尤為重要。文中采用形式簡單、對稱衰減且解析性能良好的高斯函數作為非線性傳遞函數：

(13)

其中，hk是第k個隱層單元的輸出，Ck是隱含層第k個節點的中心矢量，σk是第k個隱層單元的基寬度。

文中選取了輸電線路運行現場航拍防震錘圖像210幅，其中150幅作為訓練樣本集，其余60幅作為測試樣本集。訓練樣本集中分別包含85幅完好防震錘圖像和65幅缺損防震錘圖像。通過3.2節所述方法獲取各個防震錘的8維特征，構成多組8維特征，作為RBP神經網絡的訓練數據。神經網絡的輸入層包含8個單元，輸出層為2個單元，輸出狀態1對應完好防震錘圖像，輸出狀態2對應缺損防震錘圖像。只要一張圖片中有一個破損的防震錘，就將該圖列為狀態2。將150組Zernike特征矩數據和對應的運行狀態標簽輸入RBP神經網絡，對其進行訓練，確定模型的參數(如圖5所示)。

圖5 RBF神經網絡訓練過程

4 實驗結果與分析

為驗證文中提出的基于融合色差和徑向基神經網絡的防震錘缺損故障識別算法的有效性，選擇了不同背景下的防震錘圖像作為實驗研究對象。實驗圖像均由無人機搭載的高清攝像頭采集，其分辨率為3 200×2 400。但是圖像分辨率越高，付出的時間代價越大，所以文中將所有采集幀壓縮成分辨率為800×600的圖像，不僅保證了圖像的清晰度，而且縮短了處理時間。實驗在內存為8 G，CPU為i5-3240@3.40 GHz的計算機上運行，使用MATLAB R2012a圖像處理軟件。

(a)原圖 (b)最大類間方差分割 (c)K-means分割(K=2) (d)文中方法

4.1 防震錘分割算法性能測試

文中提出的針對輸電線路防震錘的分割算法是根據其顏色特征，結合基于各顏色分量耦合性的融合色差算法和形態學處理，進行輸電線路前景部分的提取，再依據防震錘和導線之間的空間關系，利用Hough變換獲取可能存在防震錘的最小矩形區域。圖6是不同分割方法的效果對比。

根據圖6的處理結果，最大類間方差分割和K-means聚類分割的效果都不盡人意，不但有大部分背景區域被誤分割為前景，并且所需要的輸電線路部分也沒有完全被提取到。而文中算法的分割效果良好，在最大程度上保證前景部分完整性的同時剔除了絕大多數的背景干擾，實用性較強。

4.2 防震錘缺損故障診斷性能測試

根據3.3節所述，在模型訓練完成后，選取60幅航拍防震錘圖像作為測試樣本圖集進行仿真測試，其中完好防震錘和缺損防震錘圖像各30幅。表1所示是完好防震錘和缺損防震錘的識別結果以及文中采用的RBF神經網絡和BP神經網絡的故障識別準確率對比結果，可以發現RBF神經網絡性能更優，總樣本識別準確率可達91.67%，遠高于BP神經網絡。

表1 不同神經網絡故障識別效果對比 %

通過對所有診斷結果的核實與審查，發現有個別被桿塔遮擋的防震錘沒有被定位到或是誤判為了缺損防震錘，此外，對個別因發生滑移故障而相撞的防震錘也出現了判斷失誤的情況。

5 結束語

野外的輸電線路飽受惡劣天氣的摧殘，一旦其配件出現損傷或缺失，都可能釀成嚴重的電力安全事故。因此，文中針對輸電線路配件故障檢測問題，開展了基于圖像處理的防震錘缺損故障識別的研究，提出了一種基于融合色差和徑向基神經網絡的故障識別算法，能準確區分完好防震錘與缺損防震錘，識別準確率超過九成，能夠為相關電力檢修人員提供可靠的參考信息，促進輸電線路狀態監測智能化水平的提升，讓智能電網更加堅強。

但是，該算法仍然存在些許不足，對于被輸電桿塔或異物遮擋的防震錘無能為力。因此，結合紋理細節與形狀特征進行各項輸電線路故障研究將是接下來的工作方向。