一种基于稀疏表示的绝缘子掉串缺陷检测方法与流程

本发明涉及输电线路零配件检测的技术领域，特别是一种基于稀疏表示的绝缘子掉串缺陷检测方法。

背景技术：

绝缘子是一种特殊的绝缘控件，能够在架空输电线路中起到重要作用。早年间绝缘子多用于电线杆，慢慢发展于高型高压电线连接塔的一端挂了很多盘状的绝缘体，它是为了增加爬电距离的，通常由玻璃或陶瓷制成，就叫绝缘子。绝缘子不应该由于环境和电负荷条件发生变化导致的各种机电应力而失效，否则绝缘子就不会产生重大的作用，如时有发生的掉串缺陷，是外观破损的典型代表，就会损害整条线路的使用和运行寿命。定期进行绝缘子缺陷检测，并根据检测结果及时对其进行更换可有效防止因绝缘子损坏而导致的输电线路重大事故的发生，避免巨大的经济损失。以前对绝缘子进行检测维护需要大量的人力进行沿着输电线路进行检测，耗费大量的时间和金钱，随着电子图像处理的发展，运用图像处理技术对绝缘子进行分析处理，进而实现自动检测绝缘子缺陷，可有效降低工作人员负担，对输电线路自动巡检具有现实意义，但已有检测技术存在精度低、缺陷定位不准确的问题。

技术实现要素：

本发明的目的是提供一种不受绝缘子串大小及朝向的影响，具有较高的鲁棒性和实用性，相比其他方法具有更高的识别精度、且缺陷定位准确的基于稀疏表示的绝缘子掉串缺陷检测方法。

为了实现上述目的，本发明所采取的技术手段是：

一种基于稀疏表示的绝缘子掉串缺陷检测方法，包括以下步骤：

第一步，手工提取多个绝缘子可见光图像的单个盘片组成样本库，包括正常无故障及带有掉串缺陷的两种；

第二步，提取样本库中所有样本的HOG特征，得到样本的HOG特征矩阵H；

第三步，对H用PCA降维构造超完备字典D；

第四步，对于待检测绝缘子串，提取所有单个盘片Block_ij，i＝1,2,...,n，j＝1,2,...,m，n表示待检测绝缘子串的个数，m表示每个绝缘子串的盘片个数；

第五步，对每个Block_ij，计算其HOG特征，并用PCA进行降维，得到降维后的特征向量HP_ij；

第六步，将HP_ij输入到稀疏表示分类器SRC中计算其与H矩阵中正常绝缘子盘片类和掉串绝缘子盘片类的误差，Block_ij对应误差较小的类别，以此判断Block_ij是否存在掉串缺陷；

第七步，如果Block_ij为掉串缺陷，则记录其位置，待所有Block_ij检测完毕后统一标记掉串缺陷位置。

所述的第四步中，还包括利用图像分割算法进行绝缘子图像分割的步骤，剔除背景干扰，将图像分割成多个互不联通的区域，即疑似绝缘子区域块。

所述的第四步中，还包括使用Otsu算法进行绝缘子图像分割，然后需要利用ASIFT(Affine scale-invariant feature transform)算法进行疑似绝缘子区域块的识别，将所有疑似绝缘子区域块进行ASIFT匹配，并与给定的阈值进行比较，当匹配点个数高于该阈值时，确定该区域为绝缘子区域；否则，该区域不含有绝缘子，为干扰因素，去除该区域。

所述的第四步中，绝缘子串单盘片的提取方法包括，

S411、确定绝缘子串在图像的具体位置，即需要确定贯穿绝缘子盘片的直线，称为绝缘子串的主轴方向，初次选用半径为1的圆形结构元素进行腐蚀，然后以步长为1的方式增大结构元素的半径，直到能够得到多个极小区域块BM_i为止，根据两点确定一条直线的原理，要求极小区域块的数量不少于2个，计算每个BM_i的质心(x_i,y_i)，利用这些质心坐标拟合出一条直线，该直线即为绝缘子的中轴；

S412、确定单个绝缘子盘片的高度h，在求得绝缘子主轴的基础上，根据直线的斜率计算出主轴与X轴的夹角θ，顺时针旋转θ-90°将其调整到垂直状态，假定调整到垂直状态的绝缘子串图像为P，将P图像在Y轴上投影，得到图像关于Y轴坐标的直方图曲线，即Y轴每个坐标点对应图像P上绝缘子串点的个数，利用局部加权回归散点平滑法去除毛刺，平滑曲线，针对平滑后的曲线记录所有波谷在Y轴上的坐标为n表示波谷的数量，定义函数ρ(x_i)表示相邻波谷之间距离，ρ(x_i)的定义为

检测所有ρ(x_i)，如果绝缘子串存在掉串或者绝缘子盘片与其他背景粘连，则此处的ρ(x_i)将明显有别于其他ρ(x_i)，剔除这些异常值，剩余k个ρ(x_i)，据此即可计算单个绝缘子盘片的高度h，其计算公式为

S413、确定单个绝缘子盘片的宽度w，根据盘片的高度h及波谷在Y轴的坐标将图像P等分为高度为h的m个矩形块HB_i，i＝1,2,...m，每个矩形块包含一个绝缘子盘片，对每一个HB_i在X轴上投影，提取其投影的最小值和最大值组成所有绝缘子盘片投影的最小值集合和最大值集合正常垂直的绝缘子串，其盘片是大小相同的，其在X轴上的投影也是一致的，但在实际中，受分割效果及其他因素的影响，其值并不一定完全相同，但误差一般在一个很小的范围内，因此，去掉S_Min集合和S_Max集合中的异常点，得到新的和则单个绝缘子盘片最左侧和最右侧在X轴上对应的坐标分别为和据此给出绝缘子盘片的宽度w计算公式为

所述的第六步中，还包括SRC稀疏表示分类器的构建，其流程包括，

S31、根据训练样本构造超完备字典D＝[D₁,D₂,...,D_N]∈R^M×N，原子D_i是训练样本的灰度值列向量表示，测试样本x∈R^M，逼近误差容限ε；

S32、构造凸优化方程

S33、求解测试样本x在字典D上的稀疏表示系数

S34、对于每一类k＝1,2,...,p，计算残差

S35、最小残差对应的类别即为测试样本x的类别。

在第四步中，利用ASIFT算法匹配时模板和疑似绝缘子区域块使用二值图像，ASIFT算法的具体步骤包括：

S421、选取采样参数，模拟不同经度与纬度的图像。

S422、利用SIFT算法计算模拟图像的特征。

S423、结合所有的模拟图像的特征，进行特征匹配。

所述的第二步中，方向梯度直方图HOG的建立流程包括设I为输入图像，I(x,y)表示图像在像素点(x,y)处的灰度值，

S21、Gamma矫正和颜色归一化，Gamma压缩公式为

I'(x,y)＝cI(x,y)^γ

其中，c和γ为常数，以下仍用I表示归一化后的图像；

S22、计算图像梯度，计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值，计算公式为

G_x(x,y)＝I(x+1,y)-I(x-1,y)

G_y(x,y)＝I(x,y+1)-I(x,y-1)

然后，利用该点在x、y上的梯度计算该点梯度幅值G(x,y)及方向计算公式为

G(x,y)＝G_x²+G_y²

S23、以单元为单位，构建梯度方向直方图，将梯度方向划分为k个均匀的空间(Bin)，对单元内每个像素用梯度方向在直方图中进行加权投影，得到这个单元的梯度方向直方图；

S24、将单元组成大的块，块内归一化梯度直方图，归一化之后的块描述符(向量)称为HOG特征描述符；

S25、构建检测窗口的HOG特征，将窗口中所有块内经过归一化的HOG梯度直方图组合起来就构成了检测窗口的HOG特征。

本发明的有益效果是：在绝缘子图像分割及绝缘子区域块识别的基础上，利用渐进腐蚀思想实现绝缘子单盘片的提取的方法，该方法通过手工构建绝缘子单盘片库，库中包含正常绝缘子盘片和含掉串缺陷的绝缘子盘片，提取绝缘子单盘片库的HOG特征，组成稀疏表示分类器的超完备字典，利用PCA对超完备字典进行降维，去除干扰，将待识别的绝缘子图像分割为多个单盘片，提取每个盘片的HOG特征并降维，输入到稀疏表示分类器中，实现单盘片的掉串检测。该方法在掉串缺陷检测时不受绝缘子串大小及朝向的影响，具有较高的鲁棒性和实用性。相比其他方法具有更高的识别精度、且缺陷定位准确。

附图说明

图1为本发明的流程图。

图2为本发明中绝缘子主轴调整示意图。

图3为本发明与SVM方法识别率对比图。

图4为本发明实施例中采用的原始图片。

图5为本发明实施例中分割后的图片。

图6为本发明实施例中最终识别结果的图片。

具体实施方式

本发明为一种基于稀疏表示的绝缘子掉串缺陷检测方法，如图4所示，首先使用图像分割算法对拍摄到的原始含绝缘子串的图像进行图像分割，剔除积雪及输电线等背景干扰，将图像分割成多个互不联通的区域，如图5所示；然后，将这些互不联通的区域与绝缘子串库中的绝缘子进行ASIFT匹配，匹配点个数高于设定阈值的即为绝缘子串区域；接着，将识别出的绝缘子串区域进行绝缘子单盘片分割，得到多个绝缘子小盘片；最后，利用稀疏表示分类器对每个绝缘子小盘片进行分类标识，识别单个小盘片是否存在掉串缺陷，并在原始图像中进行定位标识，如图6所示。

下面结合附图和具体实施例对本发明做进一步说明。

具体实施例，如图1所示，一种基于稀疏表示的绝缘子掉串缺陷检测方法，包括以下步骤：

第一步，手工提取多个绝缘子可见光图像的单个盘片组成样本库，包括正常无故障及带有掉串缺陷的两种；

第二步，提取样本库中所有样本的HOG特征，得到样本的HOG特征矩阵H；

第三步，对H用PCA降维构造超完备字典D；

第四步，对于待检测绝缘子串，提取所有单个盘片Block_ij，i＝1,2,...,n，j＝1,2,...,m，n表示待检测绝缘子串的个数，m表示每个绝缘子串的盘片个数；

第五步，对每个Block_ij，计算其HOG特征，并用PCA进行降维，得到降维后的特征向量HP_ij；

第六步，将HP_ij输入到稀疏表示分类器SRC中计算其与H矩阵中正常绝缘子盘片类和掉串绝缘子盘片类的误差，Block_ij对应误差较小的类别，以此判断Block_ij是否存在掉串缺陷；

第七步，如果Block_ij为掉串缺陷，则记录其位置，待所有Block_ij检测完毕后统一标记掉串缺陷位置。

其中，第四步中需要利用Otsu图像分割算法进行绝缘子图像分割：

Otsu是一种全局化的动态阈值方法，又称大津法，是一种典型的分割算法，具有算法简单、有效的优点。其基本原理为：使用某一个阈值将灰度图像根据灰度大小，分成目标部分和背景部分两类，当这两部分的类内方差最小，类间方差最大的时候，得到的阈值是最优的二值化阈值，根据求的阈值将图像变换为一个二值分割图像。一般，得到的二值图像可分割为多个互不联通的区域，这些区域中可能含有绝缘子图像，称为疑似绝缘子区域块。

第四步中还要利用ASIFT算法进行疑似绝缘子区域块的识别：

绝缘子图像在拍摄过程中受拍摄距离和拍摄设备焦距的影响，即使对于同一绝缘子，多次巡视拍摄的结果也不尽相同，使得绝缘子在图像中的大小存在较大差异。因此，在得到的疑似绝缘子区域块中并不能确定绝缘子的具体朝向，且疑似绝缘子块大小不一，使得目前常用的识别方法识别效果较差，甚至失效。ASIFT(Affine scale-invariant feature transform)算法是一种具有完全仿射不变性的特征检测方法，该方法在图像放大、缩小及旋转的情况下均可以得到很好的匹配结果。将ASIFT算法应用到绝缘子区域块的识别可解决绝缘子串朝向各异，大小不一的问题。为了进一步提高算法的有效性，算法匹配时模板和疑似绝缘子区域块使用二值图像。ASIFT算法的具体步骤包括：

S421、选取采样参数，模拟不同经度与纬度的图像。

S422、利用SIFT算法计算模拟图像的特征。

S423、结合所有的模拟图像的特征，进行特征匹配。

将所有疑似绝缘子区域块进行ASIFT匹配，并与给定的阈值进行比较，当匹配点个数高于该阈值时，确定该区域为绝缘子区域；否则，该区域不含有绝缘子，为干扰因素，去除该区域。

第四步中绝缘子串单盘片提取方法包括：

若要实现绝缘子单个盘片的提取，需解决以下几个问题：

(1)绝缘子串在图像的具体位置，即需要确定贯穿绝缘子盘片的直线，称为绝缘子串的主轴方向；

(2)单个绝缘子盘片的高度h；

(3)单个绝缘子盘片的宽度w。

解决了上述三个问题，根据绝缘子主轴的方向将其调整至垂直状态，计算单个盘片的h和w即可提取出每个绝缘子盘片。

S411、针对第一个问题，给出一种渐进腐蚀的方式确定绝缘子主轴的方法，通常绝缘子串沿其主轴方向是对称的，由于掉串或其他背景影响，在绝缘子串中也可能存在不对称的盘片，但一般情况下，多数盘片是对称的。基于此假设，利用形态学的腐蚀算法对绝缘子串进行腐蚀细化。由于无法预知绝缘子串的大小，因此，腐蚀操作是渐进进行的：初次选用半径为1的圆形结构元素进行腐蚀，然后以步长为1的方式增大结构元素的半径，直到能够得到多个极小区域块BM_i为止。根据两点确定一条直线的原理，要求极小区域块的数量不少于2个。

计算每个BM_i的质心(x_i,y_i)，利用这些质心坐标拟合出一条直线，该直线即为绝缘子的中轴。

S412、针对第二个问题，在求得绝缘子主轴的基础上，根据直线的斜率计算出主轴与X轴的夹角θ，如图2所示，顺时针旋转θ-90°将其调整到垂直状态。

假定调整到垂直状态的绝缘子串图像为P，将P图像在Y轴上投影，得到图像关于Y轴坐标的直方图曲线，即Y轴每个坐标点对应图像P上绝缘子串点的个数。受分割算法及背景因素影响，通常得到的曲线会有毛刺，影响后续分析，为此，利用局部加权回归散点平滑法(LOWESS，Locally Weighted ScatterPlot Smoothing)去除毛刺，平滑曲线。

针对平滑后的曲线记录所有波谷在Y轴上的坐标为n表示波谷的数量，定义函数ρ(x_i)表示相邻波谷之间距离，ρ(x_i)的定义为

检测所有ρ(x_i)，如果绝缘子串存在掉串或者绝缘子盘片与其他背景粘连，则此处的ρ(x_i)将明显有别于其他ρ(x_i)，剔除这些异常值，剩余k个ρ(x_i)，据此即可计算单个绝缘子盘片的高度h，其计算公式为

S413、针对第三个问题，根据盘片的高度h及波谷在Y轴的坐标将图像P等分为高度为h的m个矩形块HB_i，i＝1,2,...m，每个矩形块包含一个绝缘子盘片。对每一个HB_i在X轴上投影，提取其投影的最小值和最大值组成所有绝缘子盘片投影的最小值集合和最大值集合正常垂直的绝缘子串，其盘片是大小相同的，其在X轴上的投影也是一致的，但在实际中，受分割效果及其他因素的影响，其值并不一定完全相同，但误差一般在一个很小的范围内，因此，去掉S_Min集合和S_Max集合中的异常点，得到新的和则单个绝缘子盘片最左侧和最右侧在X轴上对应的坐标分别为和据此给出绝缘子盘片的宽度w计算公式为

如图5所示，经过上述三个步骤即可提取出绝缘子串的每个盘片，同时也可以在绝缘子原始图像上提取未经分割的原始绝缘子单个盘片，为后期的绝缘子掉串缺陷检测做必要的准备。

在第六步中，基于稀疏表示的绝缘子掉串缺陷检测，绝缘子掉串缺陷的检测本质是分类问题。为了实现高精度检测，首先需要选择高精度分类器。稀疏表示分类器(Sparse Representation-based Classifier，SRC)基于稀疏表示理论构建，在分类精度方面表现优秀，在各个识别领域均取得了很好的识别效果。鉴于SRC的优秀特性，拟采用该方法实现对绝缘子掉串缺陷的检测。其次，还需要解决绝缘子掉串缺陷的特征描述问题。方向梯度直方图特征描述方法具有计算量小、对物体的边缘和形状信息刻画能力强等优点，被广泛应用于各种目标识别中。稀疏表示分类器和方向梯度直方图的基本原理如下：

稀疏表示分类器

设x∈R^M是一幅图像的向量表示，D＝[D₁,D₂,...,D_N]∈R^M×N是一个M×N维矩阵，其中M＜＜N，由于D的行数远小于列数，字典D一般称为超完备字典或者冗余字典，字典中的每个列向量D_i＝[d_1,i,d_2,i,...,d_M,i]^T∈R^M称为字典D的原子。图像x可以表示为

式中，α＝[0...0 α_j 0...0]^T∈R^N(0＜j＜N)是由k个非零值α_j组成的稀疏向量，α中的非零元素越少，表示α越稀疏。由式(4)可以看出，超完备字典D的原子个数远大于向量x的维数，因此，线性方程式(4)的求解是欠定的，即无法得到α的唯一解。为了得到该线性方程式的唯一解，需要在求解时附加一定的限定条件，有理论证明信号x可由稀疏向量α求解最优化l₀范式精确表示为

式中，||α||₀表示向量α的零范数，表示向量α中非0元素个数。由于实际处理的信号往往带有一定的噪声，不能精确重构原始信号。因此，在实际使用时，该模型被转化成为

公式(6)表示一个不等式优化模型，其中ε表示逼近误差容限。

在字典D的构建上，其每个原子D_i表示一个图像样本，假定图像大小为w×h，则D_i为一个wh×1的列向量，其内容由图像各列向量首尾连接而成。假定字典D的N个原子包含p类图像，第i类对应D中的n_i个原子，由稀疏表示原理可知，对于一个未知图像I，计算其在D上的稀疏表示系数理想情况下，应该是只有与I同类别的原子所对应的系数不为0，其他类别的原子所对应的系数均为0，然而，在实际中，受噪声及其他因素的影响，一般无法达到这种理想状态，但的总体趋势不变，即与I同类别的原子所对应的系数较大，而其他类别的原子所对应的系数较小。

SRC利用的这一特点实现分类，对于每一个类k，引入特征函数表示选取系数中与第k类有关的元素，而将系数中其余类元素为置0，那么测试样本I关于第k类的估计值为于是，计算I关于每一类k(k＝1,2,...,p)的误差并且取最小误差对应的那一类为I所属的类别，计算公式为

SRC算法流程如下：

S31、根据训练样本构造超完备字典D＝[D₁,D₂,...,D_N]∈R^M×N，原子D_i是训练样本的灰度值列向量表示，测试样本x∈R^M，逼近误差容限ε；

S32、构造凸优化方程

S33、求解测试样本x在字典D上的稀疏表示系数

S34、对于每一类k＝1,2,...,p，计算残差

S35、最小残差对应的类别即为测试样本x的类别。

方向梯度直方图，设I为输入图像，I(x,y)表示图像在像素点(x,y)处的灰度值。

S21、Gamma矫正和颜色归一化，为了减少光照因素的影响，首先需要将图像进行归一化。在图像的纹理强度中，局部的表层曝光贡献的比重较大，所以，这种压缩处理能够有效地降低图像局部的阴影和光照变化。因为颜色信息作用不大，通常先转化为灰度图，Gamma压缩公式为

I'(x,y)＝cI(x,y)^γ (8)

其中，c和γ为常数，以下仍用I表示归一化后的图像。

S22、计算图像梯度，计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值。该操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响，计算公式为

G_x(x,y)＝I(x+1,y)-I(x-1,y) (9)

G_y(x,y)＝I(x,y+1)-I(x,y-1) (10)

然后，利用该点在x、y上的梯度计算该点梯度幅值G(x,y)及方向计算公式为

S23、以单元为单位，构建梯度方向直方图，将梯度方向划分为k个均匀的空间(Bin)，对单元内每个像素用梯度方向在直方图中进行加权投影，得到这个单元的梯度方向直方图。其中权值的选取方法有多种，一种简单的方法是直接将该点的梯度幅值作为投影的权值。经过此步骤后会得到一个表示单元特征的k维向量。

S24、将单元组成大的块，块内归一化梯度直方图，由于局部光照的变化以及前景、背景对比度的变化，使得梯度强度的变化范围非常大，这就需要对梯度强度做归一化。归一化能够进一步对光照、阴影和边缘进行压缩。采用把各个单元组合成大的、空间上连通的块，这样，一个块内所有单元的特征向量串联起来得到该块的HOG特征。这些块之间是可以重叠的，这就意味着：每一个单元的特征会以不同的结果多次出现在最后的特征向量中。归一化之后的块描述符(向量)称为HOG特征描述符。

S25、构建检测窗口的HOG特征，将窗口中所有块内经过归一化的HOG梯度直方图组合起来就构成了检测窗口的HOG特征。

最后，绝缘子掉串缺陷检测

根据提取绝缘子单盘片的方法在绝缘子原始图像上提取绝缘子串的所有单个盘片，提出利用HOG特征和SRC分类器检测绝缘子掉串的新方法，得到如图6所示的识别结果图片。

实验结果如图3所示，由图3的实验结果可以看出，PCA对HOG特征进行降维时可有效提取区分能力更强的特征，SVM方法和所提方法均在特征维数为120时达到了最大值，分别为94.667％和97.667％，这也充分说明了PCA降维的必要性。随着HOG特征维数的增加，两种方法的识别率有所下降，主要原因是引入了一些额外的HOG特征分量，反而降低了HOG特征的区分能力。