融合PHOG和BOW-SURF特征的接觸網絕緣子缺陷檢測方法

陳國翠，顧桂梅,2，余曉寧，李占斌

1(蘭州交通大學 自動化與電氣工程學院，蘭州 730070) 2(甘肅省人工智能與圖形圖像處理工程研究中心，蘭州 730070) 3(甘肅省軌道交通裝備系統動力學與可靠性重點實驗室, 蘭州 730070)

1 引 言

絕緣子在接觸網系統中的作用是懸掛并保持懸掛裝置帶電部分與絕緣部分電隔離.長期的疲勞磨損和環境惡劣引起的裂紋、破損等缺陷嚴重影響著列車的安全穩定運行，因此，絕緣子缺陷檢測的精度和速度必須得到保障.

目前，接觸網懸掛狀態檢測監測裝置普遍采用人工逐幀判別的方式對圖像進行分析[1]，這嚴重影響缺陷檢測的精度和速度.因此，為了提高絕緣子的缺陷檢測精度和速度，程海燕等人[2]利用3DS MAX建模軟件，生成高品質絕緣子圖像，之后以生成后的圖像為檢測樣本，使用卷積神經網絡算法完成絕緣子分類，其分類正確率高達95.421%，但是需要很多絕緣子訓練圖像樣本，并且很耗時.黃新波等人[3]提出了基于紅、藍色差和改進K均值(K-means)的聚類分割算法，根據目標區域的色差均值實現航拍正常絕緣子的分類識別，總識別率可達94.4%，但未對缺陷絕緣子進行檢測.賴秋頻等人[4]先是利用YOLOv2網絡的優勢，對絕緣子圖像特性進行準確識別，然后結合邊緣線的檢測、圖像的旋轉和垂直投影進行絕緣子缺陷在線診斷，其缺陷診斷的平均正確率為94.4%，該方法卻只識別出破損故障的絕緣子，未對裂紋、燒傷等其他缺陷進行檢測.本文在對絕緣子進行缺陷檢測時，需要先提取出絕緣子特征，基于特征提取的目標識別得到了國外學者的大量關注，Chajri Y等人[5]分別提取出手寫字體的GIST、PHOG、Centrist、SURF特征，將每個特征算子和SVM結合起來進行訓練，對比研究了各自對手寫字體的識別率.其實驗表明，利用SURF特征算子的目標識別精度為73%,而PHOG特征算子的目標識別精度高達98%.

基于此，本文針對單個特征描述子不能描述絕緣子更多細節紋理特征以及均值濾波算法預處理所得絕緣子圖像存在的細節紋理特征不明顯和去噪效果較差的缺點,提出改進的快速導向濾波算法將原始絕緣子圖像中存在的影響提取特征的亮點進行處理，然后對預處理后的圖像提取PHOG(分層梯度直方圖)和BOW-SURF(快速魯棒性詞袋特征)兩種特征，并將兩種特征進行串行融合以提高絕緣子缺陷檢測的精度和速度.

2 改進快速導向濾波算法

導向濾波是何凱明提出的一個各向異性濾波器的保邊濾波算法.快速導向濾波算法[6]是在導向濾波算法的基礎之上，將原始圖像先縮小后放大作出的改進，提高了濾波的執行速度.改進快速導向濾波算法，即將快速導向濾波中的均值平滑fmean改為中值平滑fmedian，其優點為：以去除噪聲為前提，具有良好的細節特征保持功能.其原理步驟如下：

1)對導向圖像I和濾波圖P進行下采樣

I′=fsubsample(I,s)

(1)

P′=fsubsample(P,s)

(2)

r′=r/s

(3)

mediani=fmedian(I′,r′)

(4)

medianp=fmedian(P′,r′)

(5)

其中，s(0

2)計算輸出圖像的線性系數a和b

corri=fmedian(I′.*I′,r′)

(6)

corrip=fmedian(I′.*P′,r′)

(7)

vari=corri-mediani.*mediani

(8)

covip=corri-mediani.*medianp

(9)

a=covip./(vari+ε)

(10)

b=medianp-a.*mediani

(11)

mediana=fmedian(a,r′)

(12)

medianb=fmedian(b,r′)

(13)

其中，corr代表均值；var代表方差；cov為協方差；ε是a的正規化參數，作用是防止a過大，調用時人為設定ε值.

3)對所得系數提高采樣率

mediana=fupsample(mediana,s)

(14)

medianb=fupsample(medianb,s)

(15)

其中，fupsample代表上采樣.

4)在原始導向圖像上利用提升后的采樣系數得最終濾波輸出圖像

q=mediana.*I+medianb

(16)

本文采用定性和定量分析來驗證改進快速導向濾波算法的去噪和保持細節紋理特征的優越性.

①定性分析

中值濾波、均值濾波、快速導向濾波以及改進快速導向濾波算法的仿真結果如圖1所示.

圖1 濾波仿真結果Fig.1 Filter simulation results

圖(a)、(b)和(c)分別為完整、破損和裂紋絕緣子原始圖像，絕緣子圖像中存在的亮點以及細節紋理特征模糊，對提取的絕緣子特征數量有一定影響；圖(a1)、(a2)、(a3)和(a4)分別為完整絕緣子均值濾波、中值濾波、快速導向濾波處理圖和改進快速導向濾波處理圖；圖(b1)、(b2)、(b3)和(b4)分別為破損絕緣子均值濾波、中值濾波、快速導向濾波處理圖和改進快速導向濾波處理圖.圖(c1)、(c2)、(c3)和(c4)分別為均值濾波、中值濾波圖像、快速導向濾波處理圖和改進快速導向濾波的裂紋絕緣子處理圖，圖像中較亮的點在逐漸減少而且紋理細節保持地也漸好，相比均值濾波算法，中值濾波和改進快速導向濾波算法使圖像細節紋理特征變得更清晰.

②定量分析

本文采用PSNR(峰值信噪比)、SD(標準差)和T(時間/s)3種指標針對完整絕緣子來對比分析上述濾波算法的優劣：

1)PSNR代表了去噪效果標準，消除噪聲的效果及圖像的失真取決于PSNR值的大小，定義為：

(17)

2)一種灰度相對于灰度均值的離散程度取決于SD的大小.SD越大，則灰度級越分散，說明目標圖像中包含的細節紋理特征越多.定義式為：

(18)

3)T是評估快速性的標準，其值越小，說明濾波所用時間越少.

分別計算圖2中的均值、中值3×3模板圖像以及改進前后快速導向濾波算法PSNR、SD和T,其結果如表1所示.

表1 完整絕緣子圖像去噪結果定量分析表Table 1 Quantitative analysis of complete insulator image denoising results

由表1可知，改進快速導向濾波算法的PSNR(82.8166)大于中值、均值濾波的PSNR(73.5120、70.8955)，證明了其去噪優越性；改進快速導向濾波算法的SD(38.9007)大于中值、均值濾波的SD(38.8231、39.8272),證明了其細節紋理特征保留優越性；改進快速導向濾波算法的T(0.978s)小于中值、均值濾波的T(1.318s、1.430s)，證明了其快速性.上述指標綜合驗證了改進快速導向濾波算法在保持快速性的同時，具備了去噪效果和保持邊緣細節特征兼優的特點.

3 PHOG和BOW-SURF融合特征的SVM分類器

3.1 PHOG特征

PHOG[8,9]是基于HOG基礎上由Anna Bosch提出的算法，其原始圖像的大小是固定的，首先對原始圖像進行塔層分割，將每一層劃分為m×n個區域；然后對上一步所分的區域進行卷積運算后便得到每個像素的梯度方向(0～2π)和振幅，并將2π劃分為若干相等的部分(bin);最后拼接得到的PHOG特征為m×n×bin維.特征提取流程圖如圖2所示.

分層提取絕緣子的PHOG特征直方圖如圖3所示.

其中，圖3(a)為絕緣子原圖的HOG特征直方圖；圖3(b)、圖3(c)及圖3(d)分別為從2×2 區域、4×4區域和8×8區域中提取的PHOG特征圖，8×8區域中的特征直方圖便可精確地描述圖像的局部特征.隨著區域數量的增加，提取出的絕緣子PHOG特征越明顯，包含的細節特征越多，絕緣子特征向量維數越大，而維數過大會影響提取圖像特征的速度.故本文取分3層時的絕緣子PHOG特征，其特征向量為FPHOG.

3.2 BOW-SURF特征

BOW作為信息檢索領域中的一種文檔表示方法，它計算了BAG中每個WORD在文檔中出現的頻率，構建文檔的直方圖特征向量.構建BOW-SURF特征描述子的前提條件是生成絕緣子圖像的SURF[10-12]特征描述子,步驟如下：

圖2 PHOG特征提取流程圖Fig.2 PHOG feature extraction flow chart

3.2.1 構建Hessian矩陣

Hessian矩陣的行列式構成了提取特征點的轉換圖像，為：

(19)

其中，g(x,y)為點(x,y)處的像素值.

對圖像進行濾波處理后，再利用卷積計算出g(x,y)的二階偏導數，得到的H矩陣為：

(20)

其中，σ為絕緣子圖像尺度；Lxx、Lxy、Lyy為點x′=(x,y)處圖像與相應高斯模板進行的卷積運算，那么每個絕緣子圖像像素的H矩陣行列式的估值為：

det(H)=Dxx*Dyy-(0.9*Dxy)

(21)

其中，Dxx、Dxy、Dyy為引入誤差權重w后Lxx、Lxy、Lyy的近似數值；0.9為加權系數以平衡由于使用盒式濾波器而引起的誤差.

3.2.2 構建尺度空間

尺度空間SURF算法可以被配置為處理一個倒金字塔，由g、h表示(g代表金字塔數，h代表金字塔層數).

3.2.3 特征點定位

通過H矩陣處理的每個像素與鄰近的26個點進行比較, 然后從這些點中篩選出最終的穩定特征點.

3.2.4 確定特征點主方向

以特征點為中心，6s(s為穩定絕緣子特征點尺度值)為半徑，計算出π/3中所有點在x和y方向的Haar小波響應總和，然后將π/3范圍內的響應相加構成新的矢量，最后在整個圓形區域內最長矢量的方向為絕緣子特征點主方向.

圖3 絕緣子的PHOG特征直方圖Fig.3 PHOG histogram of bar insulator

3.2.5 生成特征描述子

區域塊(4×4)為特征點周圍所取的有效區域，之后統計區域內像素的水平(水平方向上的值、水平方向上的絕對值)與垂直(垂直方向上的值、垂直方向上的絕對值)的haar小波特征，然后將上步中的4個值作為各子區域的SURF特征向量(4×16=64維).絕緣子特征點提取如圖4所示.

圖4 絕緣子特征點提取圖Fig.4 Feature point extraction diagram of rod insulator

得到SURF特征描述子后，構建絕緣子BOW-SURF特征過程如下：

1)將訓練集中絕緣子圖像樣本進行視覺單詞劃分并過濾；

2)提取每個視覺單詞的SURF特征，并運用K-means聚類算法將SURF特征描述子向量進行區域劃分，將視覺單詞聚為k類(k=1000)；

3)將每一類的聚類中心(向量維數為64維)作為對應視覺單詞的描述，構建大小為k的視覺字典，最終可得到k×64維的絕緣子特征點視覺詞袋向量.將統計到的每幅圖像在詞袋中特征點出現的頻率向量FBOW-SURF作為絕緣子圖像特征.

FBOW-SURF=[fB1,fB2,…,fBn]

(22)

其中,fBn表示第n個視覺單詞出現的次數.

3.3 PHOG和BOW-SURF特征融合

串行融合為特征級融合中的一種融合算法，它直接將樣本空間中的兩組特征向量相連得到新的特征向量，其過程運算量小.串行融合定義式為：

(23)

融合結果如圖5所示.

圖5 融合后絕緣子圖像特征圖Fig.5 Image feature diagram of rod insulator after fusion

3.4 SVM分類器

支持向量機[13,14]是一種傳統的機器學習分類算法，屬于前饋網絡類型.非線性可分SVM分類器的原理為：

第1步.(x1,y1)，(x2,y2)，…，(xn,yn)為m維樣本空間中的n個樣本數據，在研究的樣本空間中，超平面為：

f(xi)=wT·xi+b=0

(24)

其中，f(xi)<0為第1類，f(xi)≥0為第2類.

第2步.對x進行非線性變換，記z=φ(x),利用棒式絕緣子樣本集訓練SVM求解的分類器為：

(25)

其中sgn為符號函數,αi(i=1,…,n)是式(26)二次優化問題的解：

(26)

b通過使式(27)成立的樣本xi求得：

(27)

其中，K(xi·yi)為RBF(徑向基)核函數,且K(xi·yi)=(φ(xi)·φ(xj))；C(C=5)為懲罰系數，其值越大，被分錯的可能性越小.本文算法流程圖如圖6所示.

圖6 本文算法流程圖Fig.6 Algorithm flow chart of this paper

4 實驗結果與分析

本文選取京哈高速4C圖像實驗數據，以Win10+VS2015+Opencv3.1.0為仿真平臺，其硬件配置為Intel(R)Core CPU，仿真機器為主頻1.80GHz，內存8.00GB，雙顯卡的計算機.在試驗數據庫中，訓練集中正負樣本各1000張，測試集中正樣本512張、負樣本1298張，正樣本為缺陷絕緣子圖像，負樣本為正常絕緣子圖像.

實驗1.將改進的快速導向濾波算法與PHOG+SVM結合，其試驗的缺陷檢測的精度為92%.其試驗的缺陷檢測的精度為92%.

實驗2.本文提取了經改進快速導向濾波算法處理后絕緣子圖像的PHOG和BOW-SURF特征,然后利用串行融合算法將它們融合到支持向量機中進行訓練,其缺陷檢測所用時間為2′12″.試驗精度結果圖如圖7所示.

圖7 實驗精度結果圖Fig.7 Experimental accuracy result diagram

由圖7可知，正負樣本檢測錯誤的個數(Re1、Re0)均為0，正、負樣本檢測精度(Rec1、Rec0)均為100%，平均檢測分類精度(average)為100%.

對比試驗的精度結果如表2所示.

表2 實驗精度對比Table 2 Comparison of experimental accuracy

由表2可知,本文算法可以取得較高的缺陷檢測精度，并且比兩種特征單獨使用時的性能要好，驗證了多個特征描述子更能描述出絕緣子的更多細節特征.

5 結 論

1)針對均值濾波算法的缺點,即保留細節特征和去除噪聲不能兼優，改進的快速導向濾波算法首先對導向圖像和濾波輸入圖像進行下采樣；然后利用去噪函數fmedian對輸出圖像中部分系數進行計算；最后使其計算出的系數進行上采樣，從而達到快速去噪效果.試驗結果表明，改進的快速導向濾波算法具有有效消除噪聲、保留圖像細節紋理特征和快速性兼具的優點.這為下一步提取PHOG和BOW-SURF特征奠定了堅實的基礎.

2)針對單個特征描述子不足以描述絕緣子更多細節特征的缺點，提出了一種基于PHOG和BOW-SURF融合特征的絕緣子缺陷檢測方法.首先對經過改進快速導向濾波算法處理后的絕緣子圖像提取PHOG特征(L=3)和經視覺單詞劃分并過濾后的SURF特征；然后用K均值算法對視覺詞進行聚類，構建出絕緣子圖像的BOW-SURF特征；最后將PHOG和BOW-SURF特征進行串行融合并將融合后的特征送入SVM進行訓練.研究結果表明，本文算法能夠將正常與缺陷絕緣子進行準確地檢測，其檢測精度為100%，平均每張圖像的處理時間為0.039s.這為電氣化鐵路接觸網零部件的缺陷檢測奠定了基礎，本文方法的普適性將是下一步的研究方向.