基于智能图像的变电站设备绝缘子破裂裂纹识别研究

姚楠　蔡越　苗佳

摘 要： 为了提高变电站设备绝缘子的故障诊断能力，提出一种基于智能图像信息融合和边缘轮廓分割检测的变电站设備绝缘子破裂裂纹识别方法。采用激光三维扫描技术进行变电站设备绝缘子的图像采集，对采集的绝缘子破裂裂纹图像进行图像信息融合处理，采用三维区域轮廓扫描方法进行变电站设备绝缘子破裂裂纹的边缘轮廓分割检测和信息增强，在仿射不变区域内对变电站设备绝缘子破裂裂纹角点分布信息进行直方图均衡化处理，实现变电站设备绝缘子破裂裂纹的识别。仿真结果表明，采用该方法进行变电站设备绝缘子破裂裂纹识别的准确性较高，输出图像的峰值信噪比较高，说明对破裂裂纹图像识别的性能较好。

关键词： 智能图像； 变电站设备； 绝缘子； 破裂裂纹识别

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）22?0176?03

Abstract： In order to improve the fault diagnosis capability of substation equipment insulators， a crack identification method based on intelligent image information fusion and edge contour segmentation detection is proposed for detecting cracks on substation equipment insulators. The laser 3D scanning technology is adopted to collect images of substation equipment insulators and perform information fusion for the collected images in which insulators with cracks are identified. The 3D area contour scanning method is adopted to perform edge contour segmentation detection and information enhancement for cracks on substation equipment insulators. The crack corner distribution information of substation equipment insulators are processed with histogram equalization in affine invariant areas to realize the crack identification of substation equipment insulators. The simulation results show that the method has high accuracy for crack identification of substation equipment insulators and high peak signal?to?noise ratios （SNRs） of output images， which indicates its good identification performance of images with cracks on the insulators.

Keywords： intelligent image； substation equipment； insulator； crack identification

0 引 言

随着图像处理技术的发展，采用图像智能处理方法进行变电站设备的破裂裂纹识别和检测具有可行性，研究变电站设备绝缘子破裂裂纹识别方法，在变电站设备的故障诊断、在线监测和变电站维护等领域具有广泛应用价值[1]。传统的裂纹检测方法主要有子空间聚类方法、自适应像素分割检测方法和角点检测方法，把提取特征输入到分类器中，实现变电站设备绝缘子破裂裂纹识别和监控[2]，但其存在计算开销过大，抗干扰性能不好的问题。针对上述问题，提出基于智能图像信息融合的变电站设备绝缘子破裂裂纹识别方法。实验对比结果表明，本文方法提高了变电站设备绝缘子破裂裂纹识别性能方面的优越性。

1 变电站设备绝缘子破裂裂纹图像预处理

为了实现变电站设备绝缘子破裂裂纹的智能识别，图像采集是第一步[3]，本文采用三维区域轮廓扫描和激光三维扫描方法进行变电站设备绝缘子破裂裂纹图像采集和几何形状分析判断，将激光扫描仪布置在变电站设备的监测区域[2]，选[α]和[90°]角度作为激光扫描的相位角，根据布尔模型得到变电站设备绝缘子破裂裂纹图像采样扫描的帧数为[V=C1，C2，…，Ck]，图像扫描的传感节点[v]的簇满足[Ci?V]，[1≤i≤k]，[k≤V]，不同变电站设备绝缘子破裂裂纹[x]和[y]的间距[distance（x，y）≤d]。计算两破裂裂纹节点的分布距离[μ∈-∞，+∞，σ≥0]，对任一图像像素采样序列[j∈1，k]，[i≠j]，有[Ci?Cj=?]。

在三维网格顶点[y]，[y∈Ci]，变电站设备绝缘子破裂裂纹的初始像素级为[v0]，在均匀像素采样下，裂纹的边缘轮廓重构的像素偏移值为：

[vt=v0+0taxdx] （1）

式中，[ax]为初始像素采样信息。根据上述对变电站设备绝缘子破裂裂纹的图像采集结果进行图像识别和裂纹特征提取处理。

对采集的绝缘子破裂裂纹图像进行图像信息融合处理[4]，定义变电站设备绝缘子破裂裂纹图像像素的占空比[Rarea=RARB]，长宽比[RHW=RHRW]，RH，RW分别是变电站设备绝缘子破裂裂纹边缘轮廓外接矩形的长和宽，在仿射不变区域中，根据裂纹边缘分布的像素值空间分布向量[gi=（gix，giy，giz）（i=0，1，2，…，Ng-1）]，得到破裂裂纹边缘轮廓检测的三维分布结构模型为：endprint

2 裂纹识别算法改进

2.1 边缘轮廓分割检测

在采用激光三維扫描技术进行变电站设备绝缘子的图像采集和信息融合预处理的基础上，进行裂纹识别算法改进设计，本文提出一种基于智能图像信息融合和边缘轮廓分割检测的变电站设备绝缘子破裂裂纹识别方法。采用三维区域轮廓扫描方法进行变电站设备绝缘子破裂裂纹的边缘轮廓分割检测和信息增强，变电站设备绝缘子破裂裂纹覆盖区域信息化模量为：

2.2 破裂裂纹检测

在仿射不变区域内对变电站设备绝缘子破裂裂纹角点分布信息进行直方图均衡化处理，提取变电站设备绝缘子破裂裂纹像素点和正常部位像素点像素级视觉差异性特征，并进行特征分解，结果为：

3 仿真与结果分析

为了测试本文方法在实现变电站设备绝缘子破裂裂纹识别中的应用性能，进行仿真实验，实验硬件环境：主处理器为Intel[?]Pentium[?] Dual，主频为1.8 GHz计算机，软件为Matlab 7。边缘轮廓检测的阈值为[a]=0.48，变电站设备绝缘子破裂裂纹轮廓线尺度分割系数为0.23，提取分割线邻域大小为22×24，破裂裂纹的边缘误差为[a]=0.23，其他仿真参数设定为[θ]=0.5，[λ1]=2，[λ2]=2， [μ]=0.021×232×200，实验所用破裂裂纹采集速度v=1，识别时长[Δt]=0.24。根据上述仿真环境和参量设定，进行变电站绝缘子设备破裂裂纹检测仿真实验，得到原始图像采集结果如图1所示。

以图1所示的图像为研究对象，进行裂纹识别仿真，采用三维区域轮廓扫描方法进行变电站设备绝缘子破裂裂纹边缘轮廓分割检测和信息增强，得到绝缘子破裂裂纹检测图像输出如图2所示。

分析图2可知，采用本文方法进行绝缘子破裂裂纹识别，能准确检测到裂纹分布边缘轮廓，实现裂纹区域定位，输出图像峰值信噪比较高。为了定量分析裂纹识别性能，采用本文方法和传统方法，得裂纹识别准确性对比结果如图3所示。

分析图3得知，采用本文方法进行识别准确性较高。

4 结 语

本文提出基于智能图像信息融合和边缘轮廓分割检测的变电站设备绝缘子破裂裂纹识别方法。在仿射不变区域内对变电站设备绝缘子破裂裂纹角点分布信息进行直方图均衡化处理，实现变电站设备绝缘子破裂裂纹像素特征点提取和分类识别。研究结果表明，采用该方法进行变电站设备绝缘子破裂裂纹识别的准确性较高，对破裂裂纹图像识别的性能较好。

参考文献

[1] LI T， HE X， TENG Q， et al. Adaptive bi?lp?l2?norm based blind super?resolution reconstruction for single blurred image [J]. Journal of computer applications， 2017， 37（8）： 2313?2318.

[2] REN W， CAO X， PAN J， et al. Image deblurring via enhanced low?rank prior [J]. IEEE transactions on image processing， 2016， 25（7）： 3426?3437.

[3] 陈昕.基于变电站模拟支柱绝缘子的汕头电网自然积污特性研究[J].华北水利水电大学学报（自然科学版），2015，36（1）：70?75.

[4] ZHANG L， QIAO T Z. An binary segmentation algorithm for infrared image [J]. Infrared technology， 2014， 36（8）： 649?651.

[5] 文继锋，盛海华，周强，等.智能变电站继电保护在线监测系统设计与应用[J].电力工程技术，2015，34（1）：21?24.

[6] PAN J， LIU R， SU Z， et al. Kernel estimation from salient structure for robust motion deblurring [J]. Signal processing： image communication， 2013， 28（9）： 1156?1170.endprint