基于Hu不变矩的红外图像电力设备识别*

陈俊佑，金立军*，段绍辉，姚森敬，赵 灵

（1.同济大学 电子与信息工程学院，上海 201804； 2.深圳供电局有限公司，广东 深圳 518010）

0 引 言

随着社会的发展，电力需求越来越大，电力设备的负荷也不断增加，由于电力设备大多位于室外，在长期的风雨侵袭下，不免会产生损坏而引起电力系统故障。热缺陷是由于设备损坏产生的局部过热，是电力故障中最常见的一种，热缺陷危害着电力系统的安全运行，若不能被及时发现，可能导致严重的电力事故，造成极大的经济损失。随着红外热成像诊断技术的普及，其在电力系统在线故障监测方面发挥的作用也越来越重要[1-3]。电力设备种类繁多，不同设备能承受的温度也有较大差别，因此对电力设备进行分割识别是红外诊断技术中一个重要环节。红外图像目标的特征提取是识别中的关键步骤，目前常用的特征提取方法有角点检测、Hough直线检测、边缘检测、不变矩等。

本研究提取的对象为红外分割图像中的电力设备，其在拍摄过程中最易受拍摄角度、距离等的影响，而不变矩具有旋转、平移、缩放等不变性，因此本研究选择不变矩特征作为特征提取对象。

1 区域生长法图像分割

图像分割即将一幅图像分割成不同的区域，同一区域内图像性质相同或相似。对于电力设备红外热图，其目标与背景温度有较大差异，在图像中表现为颜色与亮度的不同，研究者可根据这一特性将设备从背景中提取出来以做进一步的分析[4]。

1.1 种子点的选取

在红外图像中，电力设备的温度通常要比背景温度高，设备中故障点的温度也会明显高于其他部位。因此，研究者可选取图像中温度最高处（即灰度图像中灰度值最大）的点作为种子点，根据种子生长准则获得该点所处的电力设备图像，进而对该设备做进一步识别与故障判定。

1.2 种子生长准则

种子点选好之后，要按照一定的准则生长出该种子点所在的电力设备图像。本研究选用一个先进先出的队列，遍历从起始点开始生长建立起来的树。首先，给图像中每个点标记两个标签m、n。m用来判断是否已生长，m=1表示已生长，m=0表示还未生长；n用来判断该点是否为边缘，n=1表示是边缘，n=0表示不是边缘。然后，笔者建立一个空的队列，将选取好的种子点加入队列。

具体的种子生长流程如图1所示。

本研究按照以上流程对一幅图像进行处理，直至队列为空，表明已经没有点满足生长要求。此时，系统扫描整幅图像中的所有像素点，m=1的点即为目标区域内，n=1的点则处于目标边缘，由此可获得整个目标区域的二值图像。

1.3 生长判决条件

上述生长方式中，生长条件决定着一个点能否进入队列成为目标点，因此生长条件的选择至关重要，本研究选择灰度相似性判决方法[5-6]作为图像点的生长条件。

设已分割区域像素点灰度均值为x，待测像素点灰度值为y，则待测点与已分割区域像素点相似性为：

图1 种子生长流程图

式中：w—非负权值。

若s小于某一设定值，则可认为待测点与已分割区域相似，满足生长条件，同时需对均值x进行更新：

式中：N—已分割区域像素点数。

1.4 种子生长结果

本研究根据以上生长条件及生长准则，对一幅红外CT图像进行分割，区域生长结果如图2所示。

图2 区域生长结果

原始红外图如图2（a）所示，所选种子点在图中用小圆圈标记；区域生长结果图如图2（b）所示。从图2中可以看出，该方法能够较好地将红外图像中的目标区域提取出来，为后续识别过程提供高质量的分割图像。

2 Hu不变矩及其改进

Hu矩是1964年由Hu提出的[7]，是提取图像旋转、缩放特征的二维不变矩理论，具有旋转、缩放和平移不变性。

设一幅图像大小为m×n，f(x,y)是图像中(x,y)点处的灰度值，则图像的(p+q)阶原点矩为：

为保证图像在旋转、缩放、平移时的不变性，求其中心距：

式中：x0,y0—整幅图像的中心坐标，x0=m10/m00，y0=m01/m00；(x0,y0)—图像的灰度质心。

中心距up q是图像平移的不变量，对其规范化，可得到平移和缩放的不变矩：

本研究应用代数不变矩理论，对f(x,y)的(p+q)阶中心距归一化后进行线性组合，得7个Hu不变矩，如下式所示：

这7个不变距具有平移、缩放和旋转的不变性，但由于这7个不变矩变化范围较大，可能出现负值，因此，实际采用的不变矩为：

在实际应用中，图像不仅有位置和旋转的差别，还有尺度、对比度等差别，本研究对式（7）中各不变矩做组合变换[8]，得到具有尺度、位置和旋转不变性的不变矩，如下式所示：

3 特征提取

特征提取是指从图像中提取出目标的特征，以做进一步的分析识别。本研究提取的对象为红外分割图像中的电力设备不变矩特征，获得6个不变矩组成的特征向量为I=(β1,β2,β3,β4,β5,β6)。

由以上分析可知，Hu不变矩具有平移、缩放和旋转的不变性，为验证该特性，本研究选择CT红外图像做旋转、缩放变换后进行分割，计算而得其不变矩特征如表1所示。

表1 CT红外图像不变矩特征提取

从表1可以看出，经旋转、缩放后CT红外图像的Hu不变矩与原始图像基本保持不变，保留了CT图像的特征，因此，其在实际应用中不会受到拍摄角度、拍摄距离等的影响。

为实现对不同电力设备的识别，本研究选择CT、变压器、母线接头和避雷针将军帽4种电力设备的红外图像进行分析，得到它们的不变矩如表2所示。

表2 不同电力设备的不变矩特征提取

通过研究表1和表2中数据可知，笔者提取得到的不同电力设备不变矩特征向量有较大差别，而相同电力设备的特征向量差别很小，因此本研究可根据分割图像的特征向量来对电力设备做进一步识别，并结合种子点的温度值来判断该设备是否产生故障。

4 BP神经网络分类器识别

特征提取的结果需要进行分类以确定设备类型，本研究选择BP神经网络设计一个多输出型分类器，其结构如图3所示。

分类器采用多输出型的3层BP神经网络，其拓扑结构为6—7—4。其中，6为输入节点数，即特征向量的维数；4为输出节点数，即输出的4个类；7为隐节点数，可根据分类器要求的训练时间和分类精度共同决定[9-11]。

BP网络结构确定之后，研究者要通过输入和输出样本集对网络进行训练，即对网络的阈值和权值进行学习和修正，以使网络实现给定的输入/输出映射关系，训练好的网络即可用于对未知样本的识别。

图3 BP分类器结构

训练和识别流程图如图4所示。

图4 BP网络识别流程

本研究选择红外CT、变压器、母线接头和避雷针将军帽各20幅图像，并对每幅图像做旋转60°、120°、180°、240°和放大0.5、2倍处理，共计得到560幅图像作为输入样本，对BP网络进行训练，训练误差为0.05。

训练误差曲线如图5所示。

图5 网络误差曲线图

本研究对4种电力设备的红外图像各选取50张作为未知样本，输入训练好的分类器中进行识别。

BP网络分类器识别结果如表3所示。

通过分析表3数据可知，平均每幅图像的识别时间为0.2 s，可以满足实际应用的要求。该分类器的平均识别率为98%，其中不能识别的原因是由于红外拍摄过程中周围环境的反射太强，致使图像中背景亮度与设备边缘亮度比较接近，区域生长过程中出现边缘选择的错误，因此，研究者在拍摄过程中需尽量避免反射性强的环境。

表3 BP网络分类器识别结果

5 结束语

本研究依据电力设备红外图像的特点，提出了采用区域生长的方法对红外图像进行分割，有效地去除了背景，获得了独立的电力设备二值图像；然后在Hu不变矩所具有的平移、旋转、缩放不变性基础上对其进行改进，并通过实际电力设备图像对以上特性做出验证，用于提取分割后图像中电力设备的不变矩特征；最后采用BP神经网络设计分类器，对提取出的不变矩特征向量作分类识别。

试验结果表明，该方法识别准确率高，在电力系统在线故障监测中有着良好的应用前景。

（References）：

[1] 梁利利，赵高长.变电站红外图像的识别与故障诊断[D].西安：西安科技大学理学院，2010.

[2] 张益滔.红外线检测技术判断电气事故[J].高电压技术，2006，32（2）：112-113.

[3] 张 浩，王 伟.图像识别技术在电力设备监测中的应用[J].电力系统保护与控制，2010，38（6）：88-91.

[4] GONZALEZ R C.Digital Image Processing[M].Beijing：Publishing House of Electronics Industry，2010.

[5] 夏 晶，孙继根.基于区域生长的前视红外图像分割方法[J].激光与红外，2011，41（1）：107-111.

[6] 周 赟，李久贤，夏良正.基于区域生长的红外图像分割[J].南京理工大学学报，2002，26（S1）：75-78.

[7] HU M K.Visual pattern recognition by moment invariant[J].IEEE Transactions on Information Theory，1962，8（2）：179-187.

[8] 田秋红，孙政荣.基于Hu不变矩和BP网络的条形码图像识 别 方 法[J].计 算 机 工 程 与 设 计 ，2012，33（4）：1563-1568.

[9] 张德丰.MATLAB神经网络应用设计[M].2版.北京：机械工业出版社，2012.

[10] 张 宪，江爱荣.遗传算法优化的神经网络熔深预测模型[J].轻工机械，2011，29（3）：27-31.

[11] 沈凤龙，毕 娟.基于BP神经网络分类器的多目标识别方法研究[J].辽东学院学报：自然科学版，2008，15（4）：205-209.