基于聚合通道特征的防震锤锈蚀缺陷识别算法

孙长翔 邱翔 罗希 黄前华 曹成功

摘   要：高压输电线路中防震锤锈蚀会危害输电线路的安全运行。基于图像处理技术提出了一种基于聚合通道特征的防震锤检测和锈蚀缺陷识别的算法。该算法首先引入聚合通道特征（Aggregate Channel Features，ACF）分别提取无人机拍摄的输电线路图像中的颜色、梯度幅值和梯度方向直方图，构建多尺度ACF金字塔;利用滑窗法和Adaboost分类器检测图像中的防震锤，并使用非极大抑制操作得到最佳防震锤的位置;再结合Graph Cuts算法实现防震锤图像的分割;最后采用RGB颜色模型识别防震锤锈蚀缺陷。实验结果表明：该算法对防震锤位置的检测和锈蚀识别的精度较高。

关键词：聚合通道特征;滑窗法;Adaboost分类器;Graph Cuts算法

中图分类号：TM433                                       文献标识码：A

文章编号：1003—6199（2020）02—0128—05

Abstract：The anti-vibration hammer corrosion in high-voltage transmission lines will endanger the safe operation of transmission lines.Based on the image processing technology，an algorithm for seismic hammer detection and rust defect recognition based on aggregate channel features was proposed. The algorithm firstly introduced the Aggregate Channel Features （ACF） to extract the color，gradient amplitude and gradient direction histograms of the transmission line images were taken by the drone to construct a multi-scale ACF pyramids. The sliding window method and Adaboost classifier were used to detect the anti-vibration hammer in the image，and the optimal position of the hammer was obtained by non-maximum suppression operation.The image of the anti-vibration hammer was segmented by the Graph Cuts algorithm. finally，the RGB color model was used to identify the anti-vibration hammer corrosion defect.The accuracy of the algorithm for the detection of the position of the anti-vibration hammer and the recognition of corrosion can be obtained from the experimental results.

Key words：aggregation channel feature;sliding window method;Adaboost classifier;Graph Cuts algorithm

在整个电网系统中，输电线路上会包含各种各样的金属部件，但是这些金属部件都是长期的暴露在自然环境中，非常容易发生锈蚀而最终掉落，这些锈蚀的部件给输电线路的安全運行带来巨大的隐患。输电线路中防震锤的设计是为了减少导线因风力引起振动，发生锈蚀后容易坠落。因此，对高压输电线路上的防震锤锈蚀缺陷进行识别非常有必要[1，2]。随着计算机技术的快速发展，对于高压输电线路上零部件的锈蚀检测可以通过无人机拍摄的照片来实现，将计算模式识别技术引用到电力系统的智能巡检中，现在逐渐成为智能电网建设的主要研究方向。目前，运用图像处理技术对防震锤检测与识别的研究已经取得了一定的进展。宋伟等人[3]先形态学对图像进行处理，然后使用直方图均衡化与RGB彩色模型方法相结合，达到对输电线路中防震锤的锈蚀检测的目的。但是这种检测的方法存在只能用于检测一些背景相对简单、防震锤的形状较为单一的缺点，同时，必须保证防震锤的边缘较为明确。戴玉静等人[4]将提取的颜色特征和纹理特征进行特征融合，通过设定阈值，对检测的区域进行判断是否发生锈蚀，从而达到对输电线路锈蚀区域的检测。杜京义等人[5]首先采用亮度色度非线性重组对腐蚀图像进行增强处理，采用Gabor滤波器滤波，再在彩色空间中提取图像的颜色、纹理和梯度幅值等特征;第二步运用蜂群算法来计算出图像的最佳种子点以及图像的最佳相似值，进而将原图像分割成一个个较小的区域;最后，度量这些小的区域的相似性来完成腐蚀等级的分析。

由于高压输电线的环境复杂，简单的图像处理方法已经不能满足现在电力系统锈蚀检测的需求。因此，以无人机拍摄的高压输电线图像为研究对象，首先，提取输电线路图像的多尺度聚合通道特征（ACF），利用滑窗法和Adaboost分类器实现防震锤的检测;结合Graph Cuts算法完成被检测的防震锤的分割，根据锈蚀防震锤RGB颜色通道模型像素值的直方图分布选锈蚀判别的通道和阈值，在一定程度上避免了防震锤锈蚀程度判断的主观性，从而节约人力资源，降低成本。

1   防震锤检测

1.1   防震锤图像的ACF特征

聚合通道特征是由积分通道特征优化得到的一种特征表示方法，它可以更好、更全面的表达出图像的信息。聚合通道特征就是将提取的多个通道的特征进行聚合，从而形成一种聚合特征，本文将该特征引入到对输电线路图像中防震锤銹蚀部分的检测。为了更好的表示出防震锤的图像信息，因此为了尽可能多的提取到表达图像信息的特征，本文提取输电线路图像的10个特征通道，其中包含了3个LUV颜色通道[7]还有一个梯度的幅值通道以及6个方向的梯度方向直方图通道[8]，然后对这10个特征通道进行聚合，更好的反映输电线路图像的信息。具体操作为：首先使用 的模板对得到的10个特征通道进行滤波预处理，去除干扰信息，然后将每个通道按的大小分隔成互不重叠的小方块;根据下采样双线性插值方式求出每个小方块所有像素和的平均像素;最后，再利用 的模板对采取到的特征进行平滑处理并排列得到的特征描述称为聚合通道特征（ACF）[11]，并利用ACF来表示图像每一个窗口的特征。

为了解决不同大小的防震锤图像检测问题并提高检测的精度，需要建立图像特征通道金字塔[7]，即对于每个尺度上的原始图像计算出它所对应的通道特征，每个通道上的特征进行融合最后形成多尺度通道特征集。多尺度ACF特征提取过程如图1所示：

1.2   防震锤检测算法

对于防震锤目标检测的分类方法是将事先准备的数据集和标注文件作为输入，投入到Adaboost弱分类器中进行训练。Adaboost是一种迭代分类算法[12]，通常可以选择不同的分类器作为弱分类器，进行迭代计算。采用两层的2048棵决策树分类器进行分类，通过对每个决策树分类器在输电线路图像训练集样本上进行训练，然后根据训练得到的结果，增大训练较好的分类器的权重，减小训练较差的分类器的权重，不断的调整各决策树分类器的权重参数，最终得到各分类器的最优权重参数;最后使用级联的方法把这些训练得到的2048棵决策树弱分类器根据不同的权值构成一个强分类器，并将强分类器的分类结果最为最后的结果输出。

在测试阶段，通过滑动窗口扫描整幅输电线路图像记录下每一个小区间的ACF特征，再将所有小区间的ACF特征进行串联得到输电线路图像的ACF特征，然后利用Adaboost构成的强分类器进行分类，进而将被识别到的具有防震锤特征的窗口标记为候选窗，同时记录下候选窗的窗口坐标以及得分，最后使用非极大值抑制（NMS）[10]算法得到最终的目标区域。

具体的防震锤检测算法流程图如图2所示，检测过程如图3所示。

2   防震锤锈蚀识别

2.1   防震锤图像分割

为了更加有效的实现对防震锤锈蚀情况的识别，对需要识别防震锤图像利用Graph Cuts算法[9]进行分割，消除因防震锤图像复杂的自然背景给识别带来的困难。

在Graph Cuts分割方法中，根据RGB图像中待分割物体和背景的不同，分别利用高斯混合模型（Gaussian mixture model，GMM）[13]的方法对其进行建模，分别利用两个GMM来表示图像中某个像素点属于待分割物体还是图像背景的概率。接下来，根据能量函数描述整幅图像，然后利用迭代求解最优值的方法求解出最优的参数并作为GMM的最优参数。Grab Cut分割方法中能量函数公式如下：

上式中 表示平滑项，表示的是数据项，而对于高斯混合模型来说，每个模型都含有k个分量，这k个分量中每个分量又包含有三个参数估计。

其中参数β的值是由图像中的对比度所决定，常数 取值通常为50。平滑项 表示图像中相邻的像素m和n之间的不连续惩罚，如果这个值很小则表示这两个相邻域像素点的差别比较小，那么这两个像素点就有很大可能属于同一待分割物体或者属于相同背景;如果这个值很大，这两个像素点属于不同的背景的可能性就比较大。

使用ACF算法对输电线路图像中防震锤检测的结果如图4所示，为了得到减少复杂背景给防震锤的检测带来的影响，使用Graph Cut算法迭代两次对输电线路图像中防震锤进行分割，分割的结果如图5所示。

2.2   锈蚀识别

对于防震锤的锈蚀识别问题，选择了RGB模型[14]作为锈蚀判断的方法，RGB模型中R代表红色，G代表绿色，B代表蓝色。对分割后的防震锤图像进行通道分离，进而求解得到三个通道像素的直方图，然后通过设定阈值，对选取的颜色通道求取均值与阈值进行大小比较，若均值大于设定值显示正常，否则就显示发生锈蚀。其中图5中防震锤的三个通道像素值直方图分布如图5所示，从图中可以看出可以很好的根据R通道来判断锈蚀情况。

3   实验结果及分析

实验训练集图像选用的是300张不同背景下的输电线路图像，实验环境为：Window10系统，Intel（R） Core（TM） i5-6200U，4 GB内存。防震锤部分图像如图6所示。

实验的测试图像选取无人机拍摄的输电线路图像，利用本算法首先进行防震锤检测，部分检测的结果如图7所示，然后对检测正确的防震锤进行锈蚀识别。发现提高了防震锤检测阶段的精度，即检测正确率达到了94.2%，而Haar特征[7]的方法检测正确率为88.3%;并且对于检测正确的防震锤锈蚀识别的正确识率达到了96.7%，实验证明本方法在防震锤的检测和锈蚀缺陷的识别都达到较好的效果。具体实验结果如表1和表2所示。

4   结   论

针对针高压输电线背景复杂、缺乏有效锈蚀检测的问题，给出了一种基于图像处理的防震锤检测和锈蚀缺陷识别的算法。通过首先使用Graph Cuts方法对数据样本进行分割，然后提取训练样本中输电线路图像的多尺度聚合通道特征，利用Adaboost迭代分类算法对训练集图像进行训练，然后将2048个弱分类器根据权重级构成强分类器对数据样本进行分类，利用滑窗法和非极大抑制检测测试图像中的防震锤;最后对检测到的防震锤进行分割，分析锈蚀防震锤的RGB颜色直方图分布，从而选择合适的颜色通道和阈值识别锈蚀的防震锤。

参考文献

[1]    张洁. 输电线路缺陷在线监控系统设计与实现[D]. 成都：电子科技大学，2015.

[2]    王思华，景弘. 一种接触网绝缘子污闪预测方法的研究[J]. 铁道学报，2018，40（03）：58-67.

[3]    宋伟，左丹，邓邦飞，等. 高压输电线防震锤锈蚀检测[J]. 仪器仪表学报，2016，37（S1）：113-117.

[4]    戴玉静，吕东辉，郭松鸽，等. 基于颜色和纹理特征的输电线路锈蚀区域检测[J]. 工业控制计算机，2018，31（9）：39-43.

[5]    杜京义，刘文恵. 基于颜色和纹理特征提取的接地网腐蚀等级分析[J]. 计算机科学，2015，42（s2）：169-172.

[6]    DOLLAR P，BELONGIE S，BELONGIE S，et al. Fast feature pyramids for object detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，36（8）：1532-1545.

[7]    刘雅蓉，汪西莉. LUV色彩空间中多层次化结构Nystr-m方法的自适应谱聚类算法[J]. 中国图象图形学报，2012，17（04）：530-536.

[8]    刘军，白雪. 基于梯度方向直方图与高斯金字塔的车牌模糊汉字识别方法[J]. 计算机应用，2016，36（02）：586-590.

[9]    BOYKOV Y，KOLMOGOROV V. An experimental comparison of min-cut/max-flow algorithms for energy minization in vision[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence，2004，26（9）：1124-1137.

[10]  NEUBECK A，VAN GOOL L. Efficient non-maximum suppression[C]// Proceedings of International Conference on Pattern Recognition，Washington，DC，USA，2006：850-855.

[11]  赵文清，严海，邵绪强. 改进的非极大值抑制算法的目标检测[J]. 中国图象图形学报，2018，23（11）：1676-1685.

[12]  VIOLA P，JONES M. Rapid object detection using a boosted cascade of simple features [J]. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001，Kauai，HI，USA，2001：990517.

[13]  WU X，ZHU M，WU R，et al. Aself-adapting GMM based voice activity detection[C]//2018 IEEE 23rd International Conference on Digital Signal Processing （DSP），Shanghai，China，2018：1-5.

[14]  楊康叶，邬春学. 基于RGB模型颜色相似性的彩色图像分割[J]. 计算机系统应用，2013，22（03）：128-131.