基于角點特征的電力絕緣子視覺識別方法

彭思遠, 張宏偉, 江 維, 嚴 宇

（1.武漢紡織大學 機械工程與自動化學院,湖北 武漢 430073;2.國網湖南省電力有限公司超高壓變電公司,湖南 長沙 410004）

絕緣子串是電力系統的重要設備,一旦出現故障會影響整個電力系統安全穩定運行。 長時間服役于惡劣環境會使絕緣子串出現故障的概率大大增加,因此需要定期檢修。 檢修前最重要的是檢測線路上的絕緣子。 目前絕緣子視覺檢測的方法主要有兩大類,第一類是基于機器學習[1-2]的檢測方法,如傳統的HOUGH變換邊緣檢測方法[3]、幾何特征檢測方法[4],這些算法可以檢測到背景簡單的絕緣子,但對于圖像背景復雜的系統檢測效果欠佳,而且算法復雜度過大會影響視覺伺服控制的實時性。 第二類是基于深度學習[5-7]的絕緣子檢測方法,如基于卷積神經網絡的檢測方法[8-9]、YOLO 網絡檢測方法[10-11]等,雖然這些方法檢測精度更高、速度更快,但是它們要求的硬件平臺費用較高,同時檢測精度以算法模型復雜度為代價,在實際移動控制終端中難以部署,算法模型難以普及。 因此,尋求一種性價比高的絕緣子檢測算法,使其既能夠滿足檢測要求,又能夠盡可能地降低平臺成本,是目前研究的一個重要方向。

本研究提出了一種基于角點特征的絕緣子視覺識別方法,通過絕緣子串幾何特征分析和角點提取算法將絕緣子串的角點提取出來,各角點連接所形成的閉環區域即檢測所得到的絕緣子。 該方法能夠較為精準地實現絕緣子串的檢測,且對系統平臺要求不高,性價比較高,能夠滿足系統檢測要求。 同時,該方法檢測的是絕緣子邊緣形狀突出的位置,分布于絕緣子上的不同污穢區并不會對角點檢測造成過大影響,算法整體對于自身盤面污穢具有一定的自適應性。 本研究可為線路絕緣子智能檢修提供有力的技術保障,對電力系統運維管理具有重要理論意義與實際應用價值。

1 Shi-Tomasi 角點檢測算法的基本原理

1.1 絕緣子角點特征分析

角點即圖像上明顯突出的點,在計算機視覺領域,角點是圖像中梯度值和梯度方向變化速率都很高的點。 角點具有明顯的特征,常被用于圖像特征提取。 立式絕緣子及其單片片狀絕緣子在不同角度的角點分布見圖1。 通過絕緣子角點分布和幾何特征可知,角點個數較多的區域就是所檢測到的絕緣子串。因此,可以通過算法提取絕緣子串上的角點,通過角點區域檢測絕緣子串。

圖1 絕緣子角點分布Fig.1 Insulator corner point distribution

1.2 角點特征檢測的理論模型

Harris 角點檢測算法和Shi-Tomasi 算法都是常用的角點檢測算法,后者是前者的改進。 Harris 角點檢測算法的原理是構建一個圖像變化函數,用滑動窗口試圖尋找合適參數使其圖像變換函數最大化,以實現尋找圖像中灰度明顯變化的點。 該算法首先構建圖像變化函數E（u,v） :

式中:w（x,y） 為高斯函數像素權重;I（x,y） 為初始位置局部像素窗口;I（x+u,y+v） 為x方向尋找u個長度、y方向尋找v個長度的局部像素窗口。 對始末位置的像素窗口計算差值的平方來表述圖像局部像素的變化。 角點位于該圖像變化函數局部最大值處,由此計算該函數局部最大值。 對E（u,v） 中的I（x+u,y+v） 進行泰勒展開:

將式（2） 寫成矩陣形式:

矩陣乘以向量的幾何意義是將這個向量旋轉,且向量的值也會改變,可將[uv]×P和PT×[uv]T分別計算:

式中:u′、v′為旋轉之后的變換向量。E（u,v） 可變換為

展開式（6） 并寫成橢圓形式:

1.3 角點特征的判別方法

基于上述分析,Harris 角點檢測算法在滑動窗口期判斷角點時,只需要計算特征值λ1、λ2,在λ1、λ2均很大時,可視為角點。 但是,如調整λ1、λ2為兩個很大且較為分散的參數,就有必要簡化為一個參數R,從而更好地概括λ1、λ2的均變大特性。 Harris 角點檢測算法按式（8） 來確定參數R:

當λ1、λ2都很大且相近時,R也很大,就可視為角點。 Harris 角點檢測算法具有旋轉不變性,但公式（8） 中,K值是靠經驗設定的,無法取到最佳值。 而在Shi-Tomasi 算法中要使得λ1、λ2兩特征值均取最大值,只需要將其中較小的特征值最大化即可,即R= min（λ1,λ2） ,這樣就避免了經驗設定K值帶來的非最佳角點問題。

2 絕緣子的角點視覺檢測方法

絕緣子視覺定位檢測流程如圖2 所示。 整個系統分為現場層、算法處理層和應用層,其中現場層是現場采集絕緣子樣本圖片的輸電線場景,應用層是將獲得的處理結果應用于視覺伺服控制,核心部分是算法處理層。 在算法處理層,先通過雙邊濾波增強邊緣特征,再通過自適應閾值均衡化極大增強絕緣子清晰度,之后通過閾值分割和邊緣提取操作得到絕緣子的邊緣輪廓,采用形態學閉運算填充空洞,突出角點,最后通過Shi-Tomasi 角點檢測算法提取角點。 將提取到的角點作為矩形的角點繪制最大旋轉矩形,即可得到絕緣子定位框選圖。 由于提取角點必定會出現角點冗余的情況,因此需要使用Shi-Tomasi 算法用于角點檢測,指定檢測到的角點個數、質量和各角點間的歐氏距離,由此查找篩選最合適的角點。 此時,待測絕緣子圖片角點特征較為明顯,角點集中于絕緣子傘裙內外邊緣,通過篩選即可得到最合適的角點。 將檢測到的角點繪制出最小旋轉矩形,即可定位絕緣子位置。

圖2 絕緣子視覺定位檢測流程Fig.2 Insulator visual positioning inspection process

3 仿真實驗

為驗證基于角點特征的絕緣子視覺識別算法的可行性,對采集的絕緣子現場圖片進行定位,實驗平臺使用Open CV 計算機視覺庫、機器學習函數庫和NumPy 數學函數庫,選取兩張絕緣子串圖片進行仿真實驗,定位效果如圖3 所示。 從圖3 可以看出,對原始圖片進行一系列處理可以得到絕緣子串的角點,角點區域連接得到的矩形可以涵蓋絕緣子串。

圖3 絕緣子識別定位效果Fig.3 Insulator identification and positioning effect

為驗證算法的準確率,分別對絕緣子串進行5 次檢測實驗,得到了正常角點數和異常角點數,從而獲取每輪檢測的準確率和算法的響應速度等性能,結果如表1 所示。 由表1 可知,本算法的平均準確率為89.33%,平均響應速度為0.193 9 s,能夠滿足絕緣子串實時檢測需求。 為進一步驗證算法的優勢,將本算法與傳統的HOUGH 變換算法及YOLOv4 深度學習算法進行了對比,結果如表2 所示。 由表2 可知,YOLOv4算法的平均檢測準確率可以達到92.98%,在3 種算法中最高。 但是,YOLOv4 算法檢測需要建立大量的樣本庫,且對檢測平臺硬件的要求較高。 小型檢測系統采用傳統機器學習檢測算法性價比較高,同時角點檢測算法比HOUGH 變換算法的平均精度要高。 因此,角點檢測算法是一種性價比高且能夠實現電力系統絕緣子串圖像視覺檢測與識別的算法。

表1 算法檢測性能Tab.1 Algorithm detection performance

表2 不同算法檢測性能對比Tab.2 Comparison of detection performance of different algorithms

4 結論與展望

本研究針對電力絕緣子串的視覺檢測,提出了一種基于絕緣子角點特征的絕緣子串視覺檢測方法。 首先對絕緣子串不同形態特征進行分析,詳細闡述了角點檢測的相關理論,然后給出了絕緣子串角點檢測流程,并在Open CV 環境下對角點檢測算法進行仿真,驗證了該算法對于電力絕緣子串檢測的有效性。 然而實際的絕緣子串服役于野外環境,其背景相當復雜,同時外界因素也會影響絕緣子串成像質量,因此后續絕緣子串識別算法需要重點考慮光照、復雜背景等因素,以提高算法對野外環境的自適應能力。