基于RGB图像传感的电力设备材料的老化特征提取*

周小丽，王 哲

(1.浙江同济科技职业学院 经济与信息学院，浙江 杭州 311231；2.浙江工业大学 土木工程学院，浙江 杭州 310023)

随着传感技术和信息技术的快速发展和应用，RGB图像传感技术的应用得到电力行业的重视[1]。RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色。RGB图像传感技术具备非接触的优势，凭借这一优势可对电力设备材料的相关情况实现无接触检测[2]。近些年来，利用人工方法分析电力设备的相应损坏与破损，效率低并且会受到人为的影响。通过利用RGB图像传感技术，可以实现电力设备材料老化特征的提取与检测，成为电力领域中的一个热点问题[3]。并且在无人机等远程图像采集设备逐渐普及的情况下，有利于快速地完成需要人工才能完成的检测[4]。相关学者也提出了一些较好的方法。

赵丽和黄惠芬[5]提出基于红外激光图像的特征提取方法，并应用到了电力领域。该方法利用小波增强设备图像清晰度，并抑制外界的噪声，检测相关设备图像的奇异性，并根据图像的极大值提取设备图像的特征，完成了对设备状态的判断。该方法简单，并且可以突出图像的细节。但存在特征提取准确率低和平均运行时间长的问题。邹辉和黄福珍[6]提出基于FAsT-Match算法的电力设备材料的老化特征提取方法，利用匹配算法在电力设备图像中做近似模板的匹配，采用FAsT-Match算法提取电力设备材料的老化特征，该方法的电力设备图像分割处理得较好，但平均运行时间较长，实时性差。Jiang A等人[7]分析具有不同老化特征的电力绝缘材料分子结构，利用介电常数、介质损耗和杂质离子参数得出老化程度与外加电场强度之间的关系，获取自由体积的定量分析结果，提出了利用高清图像识别进行电力设备老化特征的提取，该方法可以有效实现电力绝缘材料无损坏性的老化检测，但是由于需要获取较多的参数和高清图像，因此存在运行时间较长的情况。Morette等人[8]提出基于直流局部放电的特征提取与老化状态识别方法，从局部放电原始数据中提取和选择相关特征用于识别高压设备中的绝缘缺陷类型，可以准确识别不同电缆的老化状态。但该方法基于内部局部放电信号，容易受到噪声数据的影响，因此需要较长的信号采集时间。

针对上述方法中存在的问题，本文提出了一种基于RGB图像传感技术的电力设备材料老化特征提取方法。设计模式识别算法，对电力设备材料的老化特征进行有效提取。采用颜色阶矩阵对电力设备材料图像颜色特征进行表达，通过RGB颜色模型求取颜色矩阵的特征参数，实现电力材料图像的预处理。采用灰度共生矩阵的方式，对电力设备相关材料图像进行灰度化处理，量化灰度级，利用滑动窗口选择计算得出纹理特征值矩阵，最终转换为图像特征影像。本文将RGB图像进行灰度图像处理，有效地降低了运行时间。结合能量特征、对比度特征、相关性特征和逆差矩特征的约束值，计算偏差结果，完成电力设备材料老化特征提取与判断。

1 特征提取识别算法的设计

在采集RGB传感图像的基础上，设计模式识别算法对老化图像特征进行提取，通过模式识别算法实现电力设备材料老化特征分析[9]。模式识别又称作模式分类，从处理问题的性质和解决问题的方法等角度，对物体具体模式进行设定[10-11]。由特定的识别问题决定的模式识别算法，在识别系统中对识别对象反复观察后确定具体算法设计。

本文对于电力设备材料的老化特征提取，需要通过无人机采集图像特征，采用矩阵的形式来表示电力设备材料外部颜色的分布情况。相关电力材料的图像信息在低阶矩上，只需使用颜色的一阶、二阶以及三阶矩就能够将图像颜色特征有效表达[12-13]。

一般利用RGB颜色模型来表示材料外部图像颜色，采 用 的 多 是 将RGB转 为HSV(Hue，Saturation，Value)并求取颜色矩阵的特征参数。本文中电力设备的材料样本图中，存在三个颜色分量，分别为红色(R)、绿色(G)、蓝色(B)，转换成灰度图，白、全黑、灰，分量中有三个颜色矩阵，每个颜色均含有一阶、二阶以及三阶矩，则共有九个特征向量。由于RGB图像占用空间较大，在某些场合，需要加快运算速度同时减少存储空间，这就需要对图像进行降维变换处理。图像降维是指将图像从RGB图像变为含有九个特征向量的过程，可以将100×100×3的原图像降维到1×9，说明可以用3×3个特征向量来表征某一像素，是一种有效、紧凑且简洁的低层特征。

对经过预处理后的电力材料图像纹理特征提取，根据电力材料灰度图像量化处理灰度级，通过滑动窗口选择计算特征值P，得出Zr×Zc灰度共生矩阵，最终将纹理特征值矩阵转换成纹理特征影像。灰度共生矩阵用来对方向θ上的图像描述，像素之间的间距为d，一对像素中存在灰度i和j的概率，在选择θ和d时，通常情况下，d为1，θ为0°、45°、90°、135°，表达式分别为:

式中:f表示特征，k、m和l、n分别表示图像上下左右四点像素坐标值，变化于选择的计算窗口中，根据Zr×Zc灰度共生矩阵，对电力设备材料图像的能量特征、对比度特征、相关性特征和逆差矩特征展开计算，首先求得p′聚类数目:式中:R表示整个图像区域；对矩阵像素中存在灰度和的概率(i，j)的归一化结果，通过归一化处理，可以更加简便、准确和定量地获取材料图像特征结果。假设Ng为灰度级数，则能量特征f1的表达式为:

对比度特征f2的表达式为:

相关性特征f3的表达式为:

逆差矩特征f4的表达式为:

式中:μxμy表示聚类中心点的横、纵坐标值；σxσy表示边缘特征点的横、纵坐标值。其中，能量特征可以表示电力设备图像灰度的分布和纹理；对比度特征可以反映采集到图像的清晰程度；相关性特征可以反映图像排列方向的相似度变化现象；逆差矩特征可以反映电力设备图像的局部变化情况。通过偏差计算，可以有效得出结果数值。这些数值的偏差越大，说明越有可能失去原有规则，即出现老化特征。根据电力设备材料图像识别的偏差结果完成老化特征提取。

2 实验结果与数据分析

为了验证基于RGB图像传感技术的电力设备材料老化特征提取方法的有效性，将以电线塔的电线，作为本文的实验对象。无人机选取图像的方法很多[14]，本文实验环境选取某工厂附近，利用无人机飞控控制无人机拍摄并采集电线线圈图像，共计获取300幅电线线圈图像。其中，无人机飞控设置无人机距悬停目标高度保持精度±3 m，航向保持精度±3 m，发动机转速控制精度±1%，采用32位图形处理器TMS34010实现无人机飞行参数及飞行航图的实时显示[15]。无人机飞控如图1所示，电线线圈图像采集现场如图2所示。

图1 无人机飞控

图2 电线线圈无人机图像采集现场

将采集到的电线线圈无人机图像输入到PC端中，PC主机可通过共享存储器读取输入图像，并采用PC主机自动获取电线线圈图像的参数及其数据信息，PC端环境如图3所示。利用MATLAB仿真软件，将输入数据进行可视化处理，得到电线线圈材料截面，为电力设备材料的特征提取做铺垫。MATLAB仿真软件得到的电线截面转化图如图4所示。

图3 电线无人机图像信息可视化处理的PC端环境

图4 MatLab电线截面转化图

首先，我们要在系统中确定电线线圈截面的5条方向线圈主轴，然后，利用MATLAB仿真软件让PC端系统自动检测获取的300幅图片中各个角度的电线线圈是否偏离主轴，以此判线圈材料是否发生老化；反之，则材料状态正常。线圈主轴状态如图5所示。

图5 电线线圈的老化特征

分析图5可知，4号线圈特征采集点明显偏离主轴。由于线圈偏离的主轴，因此可判别该电线线圈材料发生老化，而老化特征产生的原因，是电力设备材料产生破损，电力设备材料的破损情况如图6所示。

图6 电线线圈材料的破损情况

在上述基础上，测试电力设备材料的老化特征提取的准确率。在5次操作中，通过PC端输出线圈材料破损特征提取的准确率，测试结果如图7所示。

分析图7可知，对电力设备材料的老化特征提取时，所提方法所得到的提取准确率大部分在90%，只有第2次实验的准确率相对较低，考虑主要原因应该是无人机获取照片时，操作稳定性导致的误差。文献[5]、文献[6]、文献[7]方法获得的特征提取准确率分别在50%～70%、30%～40%、70%～85%之间，与所提方法相比，由于本文方法利用RGB图像识别，采用多角度获取数据，利用利用MATLAB实现三维还原截面等操作，让本文所提方法准确率更高，说明本文提出方法可以准确地将电力设备材料的老化特征提取出来。

图7 不同方法电力设备材料老化特征提取的准确率

在对其特征提取准确率测试的基础上，进一步测试方法的平均运行时间。利用三种方法分别检测线路老化特征，在PC端分别记录并输出三种方法的平均运行时间，测试结果如图8所示。

图8 不同方法的平均运行时间对比

从图8中可以看出，所提方法的平均运行时间比文献[5]方法、文献[6]、文献[7]方法的平均运行时间低很多，从第10次运行结果上来看，所提方法的平均运行时间约为0.25 s，文献[5]方法的平均运行时间约为0.65 s，文献[6]方法的平均运行时间约为0.7 s，文献[7]是高清识别，用时最长。对比可知，所提方法的运行时间较短，更具有实时性。时间缩短的主要原因是由于本文通过RGB图像识别进行灰度处理，降低了原图片的维度，实现了处理速度的优化。

4 结论

本文利用基于RGB图像传感技术的电力设备材料老化特征提取方法，提取其特征，并对方法的性能展开了相应的测试。①测试了电力设备材料老化特征提取的准确率，所提方法提取的准确率大部分在90%以上，准确率高；②测试了方法的平均运行时间，所提方法的平均运行时间仅约为0.4 s。

从实验结果可以看出，所提方法特征提取准确率较高，运行时间大大缩短，整体试验效果显著，具有较好的实时性。