基于图像增强的瓷质绝缘子灰密程度检测方法

黄新波， 杨璐雅， 张 烨， 曹 雯， 李立浧

(1. 西安工程大学电子信息学院, 陕西省西安市 710048； 2. 华南理工大学电力学院， 广东省广州市 510641)

0 引言

绝缘子是高压输电线路的重要组成部分，其工作状态出现异常将会直接威胁到整个电力系统的安全稳定运行，但它却是极易发生故障的一个部件[1-3]。近年来随着中国工农业的快速发展，大气污染物日益增加，绝缘子长期暴露在外界环境中表面会形成污秽层，在大雾、雨等气象条件下吸收水分会导致其电气强度明显下降，极易发生污闪，造成大面积停电、线路停运等严重事故[4-5]。因此，为了保证输电线路的正常运行，定期对绝缘子进行污秽检测显得尤为重要。

目前绝缘子污秽检测方法主要有泄漏电流法[6-7]、等值盐密法[8-9]和可见光图像检测法[10-11]等，由于泄漏电流法受湿度等环境因素影响大，等值盐密法需要停电操作且流程复杂，现有的可见光图像检测法对雾天、光线较暗等恶劣气象条件下拍摄到的绝缘子图像不具备通用性，为此本文提出一种基于图像增强的瓷质绝缘子灰密程度检测方法，先用通用性较强的增强算法对各种条件下的绝缘子图像进行增强，然后再根据其色彩差异来判断绝缘子的灰密程度，可实现恶劣条件下的瓷质绝缘子灰密程度的非接触、在线高效检测，具有良好的通用性，对提高电网的安全运行具有重要的意义。

1 污秽对瓷质绝缘子图像的影响

绝缘子在图像中的体现主要有形状、大小、纹理、颜色等特征，但是绝缘子表面附着有灰尘等污秽物时，通过形状、大小、纹理等特征都不能和干净的绝缘子区分开来，且不同污秽程度的绝缘子图像之间也没有这些特征上的明显差异，因此只能通过颜色差异来区分。污秽在瓷质绝缘子图像中表现为绝缘子盘面积污区域颜色会发生改变，瓷质绝缘子表面本来呈现白色，但是当表面附着有污秽时会覆盖掉绝缘子原本的颜色，使其呈现浅灰白色或浅黄色，因此，瓷质绝缘子和污秽物就可以根据其色彩差异来区分。本文根据灰密将污秽绝缘子划分为非常轻(≤0.2 mg/cm2)、轻(0.2～0.4 mg/cm2)、中等(0.4～0.8 mg/cm2)、重(0.8～2.0 mg/cm2)、非常重(2.0～3.5 mg/cm2)5个程度，通过在不同的颜色空间中提取绝缘子图像的颜色特征，将灰密程度的不同量化为绝缘子颜色特征值的不同，然后利用颜色特征值的差异来实现绝缘子灰密程度的检测。

2 瓷质污秽绝缘子图像分析与图像增强

2.1 算法总体流程

为了实现恶劣条件下瓷质污秽绝缘子图像的灰密程度检测，本文先用改进的带颜色恢复的多尺度Retinex(multiple scale Retinex with color restoration，MSRCR)算法对采集到的一系列绝缘子图像进行增强得到清晰、可读性高的绝缘子图像，然后采用二维最小误差法结合形态学滤波分割提取出绝缘子盘面区域，分别提取6个通道的均值、最大值、最小值等7个特征量，并用Fisher准则函数筛选出分类能力强的特征作为灰密程度的判别特征，最后用思维进化算法(mind evolutionary algorithm，MEA)优化反向传播(back propagation，BP)神经网络进行仿真测试，计算判别准确率。具体流程如图1所示。

图1 改进的MSRCR算法流程图Fig.1 Flow chart of improved MSRCR algorithm

2.2 改进的MSRCR算法

由于绝缘子的颜色特征会直接影响到灰密程度的检测精度，对于雾天、光线暗等恶劣气象条件下拍摄到的绝缘子图像，如何在增强图像的同时又能保证图像的色彩保真度成为最关键的问题。一般的图像增强算法色彩保真度低[12-15]，MSRCR算法[16]色彩保真度较高但亮度偏低，具有一定的局限性，因此本文对其进行了改进，基本原理是通过去除3个通道图像的照射分量来保留反映原始图像本质的反射分量，然后分别对其进行自适应阈值分段线性变换后，合成一幅彩色图像来复原其真实面貌，以达到图像增强目的。

2.2.1提取图像反射分量

由于RGB颜色空间数据量大，因此针对本文采集到的彩色图片，先将其分解为3个单通道，分解公式为：

Y=Rr+Gg+Bb

(1)

式中：Y表示某个特定色；R，G，B表示红、绿、蓝3个基色；r，g，b为三基色的比例系数。对一幅雾天图像进行通道分解如附录A图A1所示。

然后利用MSRCR算法，根据原始图像中各个颜色通道所占的比例(色彩恢复因子C)来提取图像的反射分量。第i个颜色通道的色彩恢复系数为：

(2)

式中：Ci(x,y)为第i个通道的整数域色彩恢复系数；Si(x,y)为第i个通道的输入图像，本文RGB图像一共有3个通道。

第i个颜色通道的输出图像为：

(3)

式中：Ri(x,y)为第i个颜色通道的整数域输出图像；K为尺度个数，K=3时增强效果和处理速度都比较理想;假设图像尺寸为(m,n)，令h=min(m,n)，本文选取3个尺度分别为0.05h(小尺度)、0.15h(中尺度)和0.4h(大尺度)，Wk表示第k个尺度的权值，本文选取W1=W2=W3=1/3;Fk(x,y)表示第k个尺度的高斯卷积模板;*表示卷积。

第i个颜色通道带颜色恢复系数的输出图像为：

RiCi(x,y)=exp(ri(x,y)+ci(x,y))

(4)

RiCi(x,y)即为反射分量，R，G，B这3个通道的反射分量及对应直方图如附录A图A2所示。

2.2.2自适应阈值分段线性变换

为了克服传统MSRCR算法图像对比度低、亮度偏暗、灰度值集中、精确性差等缺点，本文提出一种自适应阈值分段线性变换算法。由于最小误差法受目标值的影响小、精度高、速度快，二维直方图可以充分利用图像信息、受噪声干扰小等优点，因此用二维最小误差法来自动获得分段变换的两个端点[17-19]。二维最小误差法如下：

J(s,t)= 1-P0(s,t)lnP0(s,t)-

P1(s,t)lnP1(s,t)+

P0(s,t)lnδ00(s,t)δ01(s,t)+

P1(s,t)lnδ10(s,t)δ11(s,t)+

(5)

当J(s,t)取最小值时获得最佳阈值：

(6)

利用二维最小误差法进行2次阈值计算：第1次计算得到目标段和过渡段的分界点x2，对过渡段进行第2次计算得到过渡段和背景段的分界点x1(x1x2)，将其作为分段线性变换的2个分段点，公式如下：

g′(i,j)=

(7)

式中：g′(i,j)为输出值；g(i,j)为输入值；x1和x2为分段点横坐标；y1和y2为分段点纵坐标；ran为灰度值的最大范围。

对3个通道的反射分量分别进行分段线性变换，其直方图如附录A图A3所示，直方图中灰度分布均匀，图像对比度和亮度增强。

2.2.3通道合并

将R，G，B增强图像合并得到改进MSRCR算法处理后的增强图，如附录A图A4所示，增强图的清晰度有了较大的改善。

附录A表A1为图像特征对比，增强图的灰度均值和灰度方差比原图大，说明其整体亮度和对比度较高，信息熵比原图大说明其内部灰度分布更均匀。将本文提出的增强算法与其他几种增强算法进行对比，增强效果对比和增强处理时间对比如附录A表A2和表A3所示，其他增强算法都只对部分图片处理效果好，而本文增强算法适用于各种恶劣条件下的绝缘子图像，合成后的彩色图像清晰度和色彩保真度更高。与处理效果相对较好的模糊法相比，本文算法的处理时间更短，具有实时性。

3 瓷质污秽绝缘子颜色特征提取及筛选

3.1 图像分割及特征提取

RGB颜色空间将色调、饱和度和亮度放在一起表示，光线、阴影等外界因素对3个通道分量的影响都较大，难以实现目标的分割提取。而HSI颜色空间由色调(H)、饱和度(S)和亮度(I)单独组成，H分量受外界因素影响较小且性能相对稳定[20-21]，因此本文选取H分量进行分割。

由于采集到的瓷质污秽绝缘子图像亮度偏低、对比度不明显，难以分割出绝缘子盘面区域及其颜色特征，因此要先用上文中提到的改进MSRCR算法进行图像增强，然后再用上文中提到的二维最小误差法分割H分量得到大致的绝缘子盘面区域，结合形态学滤波去除一些干扰小区域及消除绝缘子之间的孔洞，得到完整的绝缘子盘面区域。过程如图2所示。

图2 图像分割过程Fig.2 Segmentation process of image

接着分别提取绝缘子盘面区域6个通道(R，G，B，H，S，I)的7个特征值(均值、最大值、最小值、极差、方差、灰度熵、灰度各向异性)作为原始特征量(共42个特征)，部分特征计算公式如下。

均值：

(8)

式中：gi为灰度值；pi为该灰度值出现的概率。

最大值：

(9)

方差：

(10)

灰度熵：

(11)

3.2 特征筛选

为了提高灰密程度检测的实时性和准确性，采用Fisher准则对上面得到的特征量进行筛选[22-24]。定义数据集Ω中一共有N个样本分别属于n个类L1,L2,…,Ln，每类包含Ni个样本，样本第j维特征的类间方差和类内方差表达式如下：

(12)

(13)

故单个特征的Fisher准则函数为：

(14)

经过计算，F值最大的3个特征量依次为样本均值Smean、样本最大值Smax和样本方差Svar，因此选取这3个特征量作为灰密程度判别特征。不同灰密程度绝缘子图像的Smean,Smax,Svar及三维特征灰密程度分布如附录A图A5所示，Smean和Smax的5个灰密程度的折线之间没有交叉，Svar的非常轻和轻灰密程度的折线之间有部分交叉，三维特征灰密程度分布图中5个程度的散点之间没有交集，达到了较好的分离效果。

4 绝缘子灰密程度检测模型

同一灰密程度下绝缘子图像的色彩特征也会存在一定差异，也就是说每一灰密程度绝缘子的颜色特征没有一个固定的范围，所以不能直接根据线性方法对灰密程度进行分类，需要建立一个通用且稳定的模型[25-28]。本文采用MEA优化BP神经网络[29-30]模型，MEA的原理是把群体分为优胜子群体和临时子群体两大类，采用趋同算子和异化算子搜索全局最优解，不断迭代直到输出最优解作为神经网络的初始权值和阈值。总体流程如图3所示，具体步骤如下。

步骤1：编码长度S=S1S2+S2S3+S2+S3，S1为输入层节点数，S2为隐含层节点数，S3为输出层节点数。将训练数据的解空间映射到编码空间，然后设置迭代次数、种群大小等参数。

步骤2：定义得分函数Vval=1/mse(T-Tout)，T为期望输出，Tout为实际输出，mse(T-Tout)为均方误差。筛选出得分最高的若干优胜个体和临时个体并以此为中心产生若干优胜子种群和临时子种群。

步骤3：在各个子种群内部执行趋同操作直至该子种群成熟(得分不再增加)，以该子种群内最优个体的得分作为该子种群的得分，子种群之间执行异化操作，计算出全局最优个体及其得分。

步骤4：判断迭代结束条件，若不满足则返回步骤3继续执行，直到迭代结束后输出最优个体并进行解码，产生BP神经网络的初始权值和阈值。

步骤5：创建一个BP神经网络并设置其训练参数，将步骤4中优化得到的初始权值和阈值赋值给网络，用训练数据对BP神经网络进行训练后得到灰密程度判别神经网络。

步骤6：利用测试数据对步骤5中得到的灰密程度判别神经网络进行仿真测试，将判别输出和目标输出进行对比，计算本文算法的准确率。

图3 MEA优化BP神经网络流程Fig.3 Flow chart of optimization of BP neural network by MEA

5 实验结果与分析

本文选取实验环境下拍摄到的绝缘子图像，选取每个灰密程度各40个样本作为训练样本，神经网络的输入层为3(Smean,Smax,Svar)，输出层为5(非常轻、轻、中等、重、非常重)。提取200个训练样本的Smean,Smax,Svar作为神经网络的输入，灰密程度作为输出，对BP神经网络进行训练。然后选取每个灰密程度各20个样本作为测试样本对判别神经网络进行仿真测试，输出相应的判别灰密程度。

部分测试样本结果如附录A表A4所示，不同灰密程度绝缘子的Smean,Smax,Svar存在明显的差异。100个测试样本的实际输出与目标输出如附录A图A6所示，重和非常重灰密程度的绝缘子图像全部判别正确，非常轻和轻灰密程度的绝缘子图像判别错误率较高，是因为非常轻程度的绝缘子表面几乎没有污秽，轻程度的绝缘子表面也只附着了极少的污秽，其色彩特征极为相似，所以容易误判别。

本文也对概率神经网络和粒子群优化(PSO)算法优化BP神经网络进行了仿真测试，如表1所示，本文神经网络的准确率为95.00%，明显高于概率神经网络和PSO算法优化BP神经网络，实现了绝缘子灰密程度的准确判别。

表1 灰密程度判别结果对比Table 1 Comparison of recognition result of non-soluble deposit density levels

6 现场运行测试

本文提出的瓷质绝缘子灰密程度检测方法初步应用于不同电压的输电线路图像监测与智能化分析技术中。图像监测装置安装在现场输电线路杆塔上，绝缘子灰密程度分析软件安装在监控中心[31-32]，由于摄像机必须捕获包含有完整绝缘子区域的现场图像，因此需要根据要求适当地设置安装位置、平台和局域网。

针对图2中的5幅现场图像，分析其绝缘子的灰密程度并与现场人工测试灰密值进行对比，结果如附录A表A5所示，表明本文方法可以检测并判别绝缘子的实际灰密程度，结果一致性较好。且本文另选取了不同现场下的100幅运行绝缘子图像进行分析和对比，准确率为92%，可以较准确地判别运行绝缘子表面的灰密程度，充分验证了本文提出的瓷质绝缘子灰密程度检测方法的可行性和实用性。

7 结语

本文提出一种改进的MSRCR图像增强算法并将其用于现场环境下运行绝缘子灰密程度检测，MEA优化BP神经网络模型在实验室环境和现场环境下的识别准确率分别为95.00%和92.00%，比传统方法准确度高，为复杂环境下的电网故障诊断奠定了基础。

然而本文方法只是针对瓷质绝缘子的污秽情况进行了分析研究，且由于摄像机、外界条件等因素的限制导致采集到的绝缘子图像质量有一定的局限性。因此下一步将继续改进图像增强算法并进一步研究玻璃、复合等其他材质绝缘子的污秽情况。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。