基于复杂背景下的绝缘子图像识别与提取

贾竣淇　杜文　刘津如　张吉梦

摘要：为获取最优的绝缘子识别和提取方法，采用最大似然法、支持向量机和神经网络算法处理复杂背景下的图片。结果表明：神经网络、支持向量机、最大似然法的平均精度依次为95.727%，95.386%和95.52%;在复杂背景的电力绝缘子识别和提取中，神经网络算法的精度略好。

关键词：绝缘子;监督分类;小斑块去除;识别与提取

中图分类号：TP391.4;TP18    文献标识码：A    文章编号：1674-1161（2021）06-0050-03

在架空线路中，绝缘子的主要作用是使载流导体与杆塔、大地之间保持绝缘。然而，由于受环境因素（如雨、雾天气）和机械应力的影响，绝缘子可能出现磨损、老化、伞裙开裂等状况，给电网的安全运行带来极大隐患，因此采取措施定期对绝缘子及架空线路进行巡检十分必要。巡检方式有很多种，如人工巡检、直升机巡检、无人机巡检等。其中，无人机巡检融合当下各种先进技术，是未来电力巡检发展的主要方向。无人机巡检先通过航拍得到绝缘子图像，再对图像进行自动处理，提取出图像中的绝缘子区域，最后根据提取结果判断绝缘子是否存在外部故障。由于绝缘子所处的环境纷繁复杂，航拍图中绝缘子的形态可能不够明显，因此利用图像处理技术精准地提取出绝缘子区域具有十分重要的意义。

1 绝缘子识别方法

采用监督分类法提取绝缘子，分为选取样本、选择分类器、分类后处理和精度评价4个步骤。

1.1 选取样本

选取样本时，需要对原始图像进行拉伸和全屏处理，调整到最好角度。分别在绝缘子和其他类图像上选取多个图像样本，用不同的颜色进行标注。为便于分类的精准，样本选择要力求多、全、细。样本选择不能太大，否则会难以识别，如图1所示。

选择样本后，如果两类样本之间特征差异不大，在后续分类过程中可能会出现错分、误分的情况。因此，需要比较两类样本之间的相似度。只有在相似度足够低的情况下，才能准确地分类。在ENVI5.1中，相似度由样本可分离性表示。样本可分离性的两个参数在0～2之间取值，参数值越大，两类样本的特征差异越明显。在参数值大于1.8的情况下，系统能准确地划分出两种物像;如果参数值小于1，就需要重新选择样本，如图2所示。

1.2 选择分类器

选择分类器实际上是选择分类算法，依据不同种类样本对整张图像进行划分。只选取绝缘子和其它两类样本，将图像被划分为2个区域，其中一部分是绝缘子区域。采用支持向量机算法的分类结果见图3。

1.3 分类后处理

在完成对图像的整体划分后，还需要对分类结果进行处理，因为不管哪一种分类器，都会存在一些分类误差，将某些像元划分到错误的样本类别中，会使分类后的图像中存在面积很小的图斑。常用的去除图斑方法有Majority和Minority分析法、聚类处理法和过滤处理法。分别使用3种方法对图像中的小斑块进行处理，比较3种方法的处理效果。Majority和Minority分析处理结果见图4，聚类处理结果见图5，过滤处理结果见图6。

经过比较，Majority 和 Minority分析对原始分类结果小斑块的处理效果好于其他2种方法，原始分类结果的碎斑归为背景类别后更加平滑。

1.4 精度评价

精度评价过程是对比分类后的样本与参考样本，分类样本的像元划分越是接近参考样本，分类精度就越高。参考样本可以是标准分类图，也可以通过在更高分辨率的原图上选取样本的方式获得。精度评价的指标包括总体分类精度、Kappa 系数、错分误差、漏分误差、制图精度、用户精度等，如图7所示。

2 分类算法的精度比较

ENVI5.1提供12种常见的分类算法，现选取支持向量机、最大似然、神经网络3种算法对10张绝缘子图像进行分类，样本和分类结果如图8-11所示。

对分类结果进行精度评价，并将精度评价报表中的总体分类精度（Overall Accuracy）记录下来，如表1所示。由于条件限制，无法获取标准分类图或更高分辨率的原图，因此将原分类结果与在原有图像上重新选取样本进行分类的结果进行比较。二者的分类结果相似，导致精度很高，甚至可达99%左右。

由表1可以看出：神經网络算法在10次比较中，有4次精度最高，分别为99.2%，91.81%，97.89%，91.54%;支持向量机算法有4次精度最高，分别为99.54%，99.70%，91.06%，99.82%;最大似然算法有2次精度最高，分别为95.10%，92.74%。神经网络、支持向量机、最大似然法的平均精度依次为95.727%，95.386%，95.52%。总的来看，神经网络算法的精度略好。

3 结论与展望

绝缘子长时间运行后容易生锈、破损，需要按时对其进行巡检，基于图像处理技术识别绝缘子具有非常重要的实际意义。分别选取基于传统统计分析学的最大似然算法、基于模式识别的支持向量机算法和基于神经网络算法识别和提取绝缘子。要保证分类结果精准，样本选择非常重要，要尽量多选、选全，且可分离性计算尽可能接近2.0。同时，原始图像的像素越高，颜色区分越明显，识别效果也越好。使用的方法虽然能成功的识别和提取绝缘子，但对图像的颜色区分和像素要求比较高，仍存在一定的局限性。在选择样本时，如果绝缘子区域与背景区域的色彩特征相似，样本的分离度就达不到1.8;当绝缘子串的排列不规则或边缘融入背景较为模糊时，提取出的绝缘子串可能不完整，难以看出其外部是否有缺陷。随着计算机信息技术和图像处理技术的深度开发研究，以及对提取算法的深入挖掘，复杂背景下的绝缘子提取将会更加精准和完善。

参考文献

[1] 张宏微.基于深度学习的复杂背景下接触网绝缘子图像识别与提取研究[D].兰州：兰州交通大学，2020.

[2] 杨罡，张娜，晋涛，等.基于YOLO算法的无人机航拍图片绝缘子缺失检测[J].科技资讯，2018，16（24）：30-31

[3] 李楠，王雪林.基于ENVI的遥感图像分类方法研究[J].科技创新与生产力，2020（5）：63-65.

[4] 李超，宋方.基于监督分类的遥感影像分类方法研究[J].西部探矿工程，2020，32（12）：159-162.

[5] 童威.基于ENVI的遥感影像监督分类方法的研究[J].科技创新与应用，2019（23）：6-9.

[6] 何予霄，周江.ENVI中几种监督分类方法精度比较[J].科技创新与应用，2018（13）：22-24.

[7] 纪扬.基于深度学习的高铁接触网绝缘子检测算法研究[D].杭州：浙江大学，2020.

[8] 胡立.基于深度学习的高铁接触网绝缘子图像分析技术研究[D].杭州：浙江大学，2020.

[9] 虢韬，杨恒，时磊，等.基于Faster RCNN的绝缘子自爆缺陷识别[J].电瓷避雷器，2019（3）：183-189.

[10] 张晓宇，何文思，段红燕，等.改进的SURF特征提取与匹配算法[J].机械设计与制造工程，2018，47（11）：58-62.

[11] 申泽浩.航拍架空输电线路绝缘子缺陷检测方法研究[D].天津：天津工业大学，2020.

Insulator Image Recognition and Extraction Based on Complicated Background

JIA Junqi， DU Wen*，LIU Jinru，ZHANG Jimeng

（College of Information and Electrical Engineering， Shenyang Agricultural University， Shenyang 110866， China）

Abstract： In this paper， in order to obtain the optimal insulator recognition and extraction method， the maximum likelihood method， support vector machine and neural network algorithm are used to process the images under complicated background. The results show that： The average accuracy of neural network， support vector machine and maximum likelihood method are 95.727%， 95.386% and 95.52% respectively; In recognition and extraction of power insulators under complicated background， the accuracy of neural network algorithm is slightly better.

Key words： insulator; supervised classification; small spot removal; identification and extraction

收稿日期：2021-04-15

作者簡介：贾竣淇（1999—），男，从事农业遥感、图像处理相关研究。

通信作者：杜 文（1989—），女，博士，讲师，从事农业遥感、图像处理相关研究。