基于显著性特征的绝缘子外观识别方法研究

吴婕萍 赵文昊 于文萍

摘要：为实现绝缘子图像识别，本文提出将基于直方图对比度的显著性特征作为绝缘子图像的识别特征，再利用BP神经网络学习方法建立绝缘子识别模型。实验结果表明，本文所提出的基于显著性特征的绝缘子识别方法的识别精度为90%，识别周期为1s。所提出的方法可为后续绝缘子的外观形态检测、绝缘子污秽度检测等安全性检测工作的开展提供有效参考。

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.

关键词：绝缘子;显著性;神经网络;图像识别;计算机视觉

Key words： insulator;saliency;neural network;image recognition;computer vision

中图分类号：TP391.41;TM216                       文献标识码：A                                  文章编号：1006-4311（2020）27-0162-02

0  引言

在高壓电力系统中，电力设备的故障检测技术是重点研究方向。绝缘子是架空输电线路的主要部件之一，具有支撑导线以及防止电流回地的作用。绝缘子在运行过程中长期暴露在严酷的自然环境中，若不能及时发现绝缘子的损坏，易导致电网污闪事故的发生[1]，因此对绝缘子的检测具有必要性。

目前，绝缘子识别方法主要为传统的人工实地检测以及无人机航拍检测，人工检测信息采集困难，并且效率低;使用无人机巡检代替人工巡检是未来智能化巡检的发展趋势[2]，但也会受到拍摄时的光线影响[3]，同时人工长时间进行对航拍图像的检测容易出现漏检现象等。

机器视觉技术在检测方面具有非接触式测量、长时间测量等优势，利用无人机航拍技术与机器视觉技术相结合实现绝缘子外观识别，通过图像特征提取算法，提取绝缘子图像特征，最后采用有效算法利用特征信息实现绝缘子的外观识别。既可保证传统人工实地检测技术的高精度，还可在实现自动化实时检测。

特征识别算法多用于建立可识别目标的数学模型，其中BP（Back Propagation）神经网络是能够实现自学习的计算系统，能够满足工业应用的需要，是众多网络中应用较为广泛的一种建模工具[9]。

综上，本文为实现绝缘子外观的有效识别，提出了一种基于显著性特征的绝缘子外观图像识别方法，即利用直方图对比度提取出绝缘子图像外观的显著性特征，再利用BP神经网络算法对所提取的显著性特征建立绝缘子外观的数学模型，用于图像外观识别分类。

1  基于直方图的显著性特征提取

显著性特征提取算法，即HC（Histogram based Contrast）[10]算法，是一种基于直方图对比度的图像识别方法，可以减少图像的冗余信息，从而提高识别精度。根据显著性特征的描述，一幅图像的显著性值S为一个像素与图像中其它像素的色差，即：

（1）

式中I为输入图像，D（Ik，Ii）是空间L*a*b中像素Ik与不同像素Ii的距离，不考虑空间关系，则颜色值相同的像素具有相同的显著值，空间中具有相同颜色值的像素被匹配到一起，就得到每个颜色的显著值，显著性特征值可进一步描述为：

（2）

式中，cl是像素Ik中具有的相同颜色值，n是像素颜色的总量，fj是像素颜色cj在图像I中出现的频率。

2  基于显著性特征的绝缘子外观识别方法

2.1 特征提取

为提取绝缘子外观的图像特征信息，采用HC方法将绝缘子作为感兴趣的区域，通过计算该区域的像素色彩具有显著性值，产生全绝缘子外观的显著性图像，其实现步骤如图1所示。

HC方法的实现需先量化颜色通道，找出图像中的颜色总数以及对应的像素总数，再按照从大到小对像素总数进行排序。找出像素数目覆盖图像的高频和低频颜色，把低频颜色的像素归类到与它lab颜色距离相距最近的高频颜色中。通过公式（1）以实现颜色距离的计算，按照距离从小到大排序，同时按照公式（2）计算每一种颜色的显著值。最后将较大显著值分配给感兴趣信息，最小显著值分配给无关信息[11]，从而获取显著性特征。经过HC方法处理之后，绝缘子区域表现的较为突出，图中冗杂信息被有效除去，减少干扰之后提高了后续分类学习的拟合度与准确性。

2.2 分类学习

BP神经网络是模拟生物神经网络的一种学习方法，具有智能化处理的特征。采用BP神经网络对所提取的绝缘子图像特征进行分类学习，包括训练和测试两个过程。其中训练过程用于建立绝缘子的识别模型，该模型能自主学习，记忆信息及推理，具有良好的容错性，而最终的测试过程用于检验所建模型的可靠性。

3  实验过程及结果分析

实验采集90张绝缘子图像作为样本，其中40个样本输入到MATLAB软件建立的BP神经网络中用于作为网络的训练集，建立能够对绝缘子进行判断的分类器，另外50个样本作为测试集用于检测识别精度。

3.1 模型训练

BP神经网络将提取的绝缘子图像的显著性特征用于建立识别模型，确定和选择网络结构，确定节点的转移函数、误差函数类型和选择各个可调参数值之后开始搭建模型。

训练之后所建立的数学模型可以通过回归曲线反映其建模的准确性。即数据的分散程度越集中，Fit曲线与Y=T曲线的重合率越高，反应训练效果的R值越接近于1，其拟合度越高，建模的效果越好。首先使用绝缘子原图样本进行神经网络训练，得到最终所建模型对应的回归曲线，如图2所示。在相同的参数条件下，对绝缘子原图进行HC方法的显著性特征处理，再次训练得到最终的回归曲线如图3所示。通过对比可以看出，经过HC方法特征提取后的训练样本，较直接使用原图进行训练建模相比，显著性的特征提取有效的减少了图像中其它冗杂信息的干扰，最终的训练建模效果更好。（图2、图3）

3.2 模型测试

利用BP神经网络学习方法构建的识别模型对随机选择50个实验样本进行模型测试。若识别模型判断图片中的物体为绝缘子，则输出“yes”，否则输出“no”。

实验结果表明50个实验样本中，能正确识别的样本数量为45，识别精度为90%，识别周期为1s，所提出的方法仍受图像干扰信息影响，以及BP神经网络学习方法在模型训练上存在局限，因此存在误判现象。

4  结束语

本文针对绝缘子的识别工作，提出一种基于显著性的图像识别技术，通过神经网络学习得到了绝缘子的有效分类器，同时显著性处理的加入，有效地减少原图中大量冗杂数据与信息，提高了后续利用神经网络学习建模的训练效果，拟合度得到较大提升，使得绝缘子的识别精度有相应的提高。实验结果表明，所提出的方法的识别精度为90%，识别周期为1s。识别工作的实现，为后续绝缘子的相应检测工作奠定了较好的基础。

参考文献：

[1]王鹏.输电线路在线监测与故障诊断技术研究[J].通讯世界，2017（22）：275-276.

[2]戚银城，王磊，赵振兵，等.基于时空上下文的航拍视频绝缘子跟踪算法[J].科学技术与工程，2018，18（04）：58-64.

[3]姜云土，韩军，丁建，等.基于多特征融合的玻璃绝缘子识别及自爆缺陷的诊断[J].中国电力，2017，50（05）：52-58.

[4]花卉.多視觉特征结合有约束简化群优化的显著性目标检测[J].计算机工程，2015，41（11）：257-262.

基金项目：四川省科技厅创新苗子工程项目（2019107）;成都工业学院重点项目（2019ZR002）;成都工业学院重点项目（2019ZR003）;四川省大学生创新训练项目（S201911116042）。

作者简介：吴婕萍（1991-），女，四川自贡人，硕士，助教，主要从事电力图像检测等领域的教学研究工作;赵文昊（2000-），男，四川绵阳人，本科生;于文萍（通讯作者）（1994-），女，四川乐山人，硕士，助教，主要从事电力图像检测等领域的教学研究工作。