吳婕萍 趙文昊 于文萍



摘要:為實現絕緣子圖像識別,本文提出將基于直方圖對比度的顯著性特征作為絕緣子圖像的識別特征,再利用BP神經網絡學習方法建立絕緣子識別模型。實驗結果表明,本文所提出的基于顯著性特征的絕緣子識別方法的識別精度為90%,識別周期為1s。所提出的方法可為后續絕緣子的外觀形態檢測、絕緣子污穢度檢測等安全性檢測工作的開展提供有效參考。
Abstract: In this paper, in order to identify insulator image, firstly, a saliency feature based on histogram contrast is proposed as the recognition feature of insulator image. Secondly, the Back Propagation (BP) neural network learning method is utilized to construct a mathematical model to identify insulator image. The experimental results show that the recognition accuracy of the proposed recognition method based on saliency feature is 90%, and the recognition period is 1s. The proposed method can provide an effective reference for safety inspection, such as appearance detection and pollution detection of insulator.
關鍵詞:絕緣子;顯著性;神經網絡;圖像識別;計算機視覺
Key words: insulator;saliency;neural network;image recognition;computer vision
中圖分類號:TP391.41;TM216? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼:A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號:1006-4311(2020)27-0162-02
0? 引言
在高壓電力系統中,電力設備的故障檢測技術是重點研究方向。絕緣子是架空輸電線路的主要部件之一,具有支撐導線以及防止電流回地的作用。絕緣子在運行過程中長期暴露在嚴酷的自然環境中,若不能及時發現絕緣子的損壞,易導致電網污閃事故的發生[1],因此對絕緣子的檢測具有必要性。
目前,絕緣子識別方法主要為傳統的人工實地檢測以及無人機航拍檢測,人工檢測信息采集困難,并且效率低;使用無人機巡檢代替人工巡檢是未來智能化巡檢的發展趨勢[2],但也會受到拍攝時的光線影響[3],同時人工長時間進行對航拍圖像的檢測容易出現漏檢現象等。
機器視覺技術在檢測方面具有非接觸式測量、長時間測量等優勢,利用無人機航拍技術與機器視覺技術相結合實現絕緣子外觀識別,通過圖像特征提取算法,提取絕緣子圖像特征,最后采用有效算法利用特征信息實現絕緣子的外觀識別。既可保證傳統人工實地檢測技術的高精度,還可在實現自動化實時檢測。
特征識別算法多用于建立可識別目標的數學模型,其中BP(Back Propagation)神經網絡是能夠實現自學習的計算系統,能夠滿足工業應用的需要,是眾多網絡中應用較為廣泛的一種建模工具[9]。
綜上,本文為實現絕緣子外觀的有效識別,提出了一種基于顯著性特征的絕緣子外觀圖像識別方法,即利用直方圖對比度提取出絕緣子圖像外觀的顯著性特征,再利用BP神經網絡算法對所提取的顯著性特征建立絕緣子外觀的數學模型,用于圖像外觀識別分類。
1? 基于直方圖的顯著性特征提取
顯著性特征提取算法,即HC(Histogram based Contrast)[10]算法,是一種基于直方圖對比度的圖像識別方法,可以減少圖像的冗余信息,從而提高識別精度。根據顯著性特征的描述,一幅圖像的顯著性值S為一個像素與圖像中其它像素的色差,即:
(1)
式中I為輸入圖像,D(Ik,Ii)是空間L*a*b中像素Ik與不同像素Ii的距離,不考慮空間關系,則顏色值相同的像素具有相同的顯著值,空間中具有相同顏色值的像素被匹配到一起,就得到每個顏色的顯著值,顯著性特征值可進一步描述為:
(2)
式中,cl是像素Ik中具有的相同顏色值,n是像素顏色的總量,fj是像素顏色cj在圖像I中出現的頻率。
2? 基于顯著性特征的絕緣子外觀識別方法
2.1 特征提取
為提取絕緣子外觀的圖像特征信息,采用HC方法將絕緣子作為感興趣的區域,通過計算該區域的像素色彩具有顯著性值,產生全絕緣子外觀的顯著性圖像,其實現步驟如圖1所示。
HC方法的實現需先量化顏色通道,找出圖像中的顏色總數以及對應的像素總數,再按照從大到小對像素總數進行排序。找出像素數目覆蓋圖像的高頻和低頻顏色,把低頻顏色的像素歸類到與它lab顏色距離相距最近的高頻顏色中。通過公式(1)以實現顏色距離的計算,按照距離從小到大排序,同時按照公式(2)計算每一種顏色的顯著值。最后將較大顯著值分配給感興趣信息,最小顯著值分配給無關信息[11],從而獲取顯著性特征。經過HC方法處理之后,絕緣子區域表現的較為突出,圖中冗雜信息被有效除去,減少干擾之后提高了后續分類學習的擬合度與準確性。
2.2 分類學習
BP神經網絡是模擬生物神經網絡的一種學習方法,具有智能化處理的特征。采用BP神經網絡對所提取的絕緣子圖像特征進行分類學習,包括訓練和測試兩個過程。其中訓練過程用于建立絕緣子的識別模型,該模型能自主學習,記憶信息及推理,具有良好的容錯性,而最終的測試過程用于檢驗所建模型的可靠性。
3? 實驗過程及結果分析
實驗采集90張絕緣子圖像作為樣本,其中40個樣本輸入到MATLAB軟件建立的BP神經網絡中用于作為網絡的訓練集,建立能夠對絕緣子進行判斷的分類器,另外50個樣本作為測試集用于檢測識別精度。
3.1 模型訓練
BP神經網絡將提取的絕緣子圖像的顯著性特征用于建立識別模型,確定和選擇網絡結構,確定節點的轉移函數、誤差函數類型和選擇各個可調參數值之后開始搭建模型。
訓練之后所建立的數學模型可以通過回歸曲線反映其建模的準確性。即數據的分散程度越集中,Fit曲線與Y=T曲線的重合率越高,反應訓練效果的R值越接近于1,其擬合度越高,建模的效果越好。首先使用絕緣子原圖樣本進行神經網絡訓練,得到最終所建模型對應的回歸曲線,如圖2所示。在相同的參數條件下,對絕緣子原圖進行HC方法的顯著性特征處理,再次訓練得到最終的回歸曲線如圖3所示。通過對比可以看出,經過HC方法特征提取后的訓練樣本,較直接使用原圖進行訓練建模相比,顯著性的特征提取有效的減少了圖像中其它冗雜信息的干擾,最終的訓練建模效果更好。(圖2、圖3)
3.2 模型測試
利用BP神經網絡學習方法構建的識別模型對隨機選擇50個實驗樣本進行模型測試。若識別模型判斷圖片中的物體為絕緣子,則輸出“yes”,否則輸出“no”。
實驗結果表明50個實驗樣本中,能正確識別的樣本數量為45,識別精度為90%,識別周期為1s,所提出的方法仍受圖像干擾信息影響,以及BP神經網絡學習方法在模型訓練上存在局限,因此存在誤判現象。
4? 結束語
本文針對絕緣子的識別工作,提出一種基于顯著性的圖像識別技術,通過神經網絡學習得到了絕緣子的有效分類器,同時顯著性處理的加入,有效地減少原圖中大量冗雜數據與信息,提高了后續利用神經網絡學習建模的訓練效果,擬合度得到較大提升,使得絕緣子的識別精度有相應的提高。實驗結果表明,所提出的方法的識別精度為90%,識別周期為1s。識別工作的實現,為后續絕緣子的相應檢測工作奠定了較好的基礎。
參考文獻:
[1]王鵬.輸電線路在線監測與故障診斷技術研究[J].通訊世界,2017(22):275-276.
[2]戚銀城,王磊,趙振兵,等.基于時空上下文的航拍視頻絕緣子跟蹤算法[J].科學技術與工程,2018,18(04):58-64.
[3]姜云土,韓軍,丁建,等.基于多特征融合的玻璃絕緣子識別及自爆缺陷的診斷[J].中國電力,2017,50(05):52-58.
[4]花卉.多視覺特征結合有約束簡化群優化的顯著性目標檢測[J].計算機工程,2015,41(11):257-262.
基金項目:四川省科技廳創新苗子工程項目(2019107);成都工業學院重點項目(2019ZR002);成都工業學院重點項目(2019ZR003);四川省大學生創新訓練項目(S201911116042)。
作者簡介:吳婕萍(1991-),女,四川自貢人,碩士,助教,主要從事電力圖像檢測等領域的教學研究工作;趙文昊(2000-),男,四川綿陽人,本科生;于文萍(通訊作者)(1994-),女,四川樂山人,碩士,助教,主要從事電力圖像檢測等領域的教學研究工作。