基于红外图像的绝缘子串钢帽和盘面区域自动提取方法

付 强，姚建刚，李唐兵，汤成艳，于浩祺，胡淋波



基于红外图像的绝缘子串钢帽和盘面区域自动提取方法

付 强1，姚建刚1，李唐兵2，汤成艳1，于浩祺1，胡淋波1

（1.湖南大学电气与信息工程学院，湖南 长沙 410082；2.国网江西省电力科学研究院，江西 南昌 330096）

钢帽和盘面区域的自动提取，是绝缘子红外智能检测的基础。针对现有提取方法的不足，提出一种基于红外图像的绝缘子串钢帽和盘面区域自动提取方法：通过灰度化、双边滤波、OTSU二值分割，进行红外图像预处理；利用特定算法，实现绝缘子串自动定位；利用绝缘子串骨架的回归直线，进行图像角度校正；根据绝缘子串区域列宽分布，分割绝缘子串，提取绝缘子片；运用傅里叶描述子进行验证识别；分离钢帽和盘面，实现绝缘子串钢帽和盘面区域的提取。实验结果表明该方法可以准确地提取绝缘子串钢帽和盘面区域，为后期绝缘子故障智能诊断奠定基础。

绝缘子串；红外图像；双边滤波；图像分割；线性回归；傅里叶描述子

0 引言

绝缘子是将电位不同的导体，在机械上相互连接、在电气上相互绝缘的重要电力设备，在电网中使用量巨大，其状态检测异常繁重[1]。国内外研究者提出多种绝缘子状态检测方法[2-3]，但在电网实际应用中，绝缘子状态检测以火花间隙法、红外热像法两种手段为主[4]。火花间隙法需要人工登杆、逐片测量，检测效率低、工作强度大、安全性差，易造成误检、漏检[5]；红外热像法可实现远程、非接触检测，且不受电磁干扰，安全、可靠，结合图像处理技术，自动定位故障，是绝缘子智能检测的发展方向[6]。

研究表明：低、零值绝缘子的异常发热主要体现在钢帽区域，污秽绝缘子的异常发热主要体现在盘面区域[7]。因此，在红外图像中，准确提取钢帽、盘面区域，是绝缘子红外智能检测的基础。

文献[8]采用最小二乘法拟合单个绝缘子盘面边缘，实现绝缘子盘面区域提取，该方法无法提取钢帽区域，且要求红外图片拍摄必须沿绝缘子串轴线方向，实用性不强；文献[9-12]中绝缘子的提取针对的是整串，不能将单个绝缘子区分开来，其后期状态检测只能以整串的信息为基础，不能准确分析、定位故障；文献[13-14]通过总结归纳绝缘子红外图像的特征规律，提出以图像骨架十字交叉点作为特征点、利用Hough变换进行角度校正的绝缘子综合分割提取方法，该方法可有效提取绝缘子的钢帽和盘面区域，但有可能受到伪十字交叉点的干扰，造成区域提取错误。

本文提出一种基于红外图像的绝缘子串钢帽和盘面区域自动提取方法，通过图像预处理、绝缘子串定位、角度校正、绝缘子片分割提取、验证识别、钢帽和盘面区域提取6个步骤实现。在图像预处理中，采用双边滤波，在去噪的同时保留图像的边缘和细节；在进行角度校正时，利用绝缘子结构上的对称性，对绝缘子串骨架进行线性回归分析；根据绝缘子串区域列宽分布特征，进行绝缘子串分割、金具滤除、绝缘子片提取、钢帽和盘面分离；运用傅里叶描述子进行验证识别，确保提取绝缘子片的准确性。实验结果表明该方法可以准确地提取红外图像中绝缘子的钢帽和盘面区域，为后期绝缘子的故障智能诊断奠定基础。

1 绝缘子串钢帽和盘面区域自动提取方法

盘形悬式瓷绝缘子由钢帽、钢脚和瓷件（盘面）三部分组成，绝缘子通过钢脚与下一片绝缘子的钢帽连接，形成绝缘子串；同一串的绝缘子，一般型号相同，在红外图像中，形状、尺寸基本一致；红外图像中的绝缘子盘面呈现为椭圆形、钢帽呈现为梨形，在两片绝缘子连接的位置，钢帽直径最小；在绝缘子串红外图像的拍摄过程中，不可避免的会受到导线、钢架等复杂背景的干扰。本文通过如下6个步骤实现绝缘子串红外图像钢帽和盘面区域自动提取。

1.1 红外图像预处理

红外图像灰度化是指将格式的图像，转化为格式，并提取其中的分量。根据格式与格式的转化关系，红外图像的灰度求取公式为[15]：

＝＝0.299＋0.587＋0.114(1)

红外图像存在对比度低、边缘模糊、噪声大等缺陷，影响后续特征信息提取。为提高图像质量，保留图像的边缘和细节，本文采用双边滤波进行灰度图像去噪。双边滤波是一种既可有效降低图像噪声又可保持图像边缘和细节的滤波技术，它能同时利用邻域内像素点的空间邻近度和灰度相似度信息[16]，其公式为：

式中：表示以(,)为中心点的(2＋1)×(2＋1)邻域，即滤波窗口；(,)为(,)点的灰度值；(,)为滤波后(,)点的灰度值；(,)为空间域权值；d是空间方差；(,)为灰度域权值；r是灰度方差。、d和r一般人工设定。

最大类间方差法（OTSU）是一种自适应的阈值确定的方法，基本思想是使用一个灰度阈值，将整个图像分成背景和前景两类，使得两类之间的方差最大。该方法被认为是图像二值分割中阈值选取的最佳算法[17]。本文运用该方法确定阈值，然后对滤波后的灰度图像进行二值化处理：

式中：g(i, j)为滤波后点(i, j)的灰度值；h(i, j)为点(i, j)二值化后的结果。

1.2 绝缘子串定位

本文通过绝缘子串自动定位算法，滤除导线、钢架等复杂背景的干扰，提取绝缘子串区域。绝缘子串自动定位算法步骤如下：

Step1：获取图形边界及宽度。对二值图像进行逐行、逐列扫描，获取图形边界；将一行或一列中连续1的区域作如下处理：首尾置为（为该区域连续1的个数），其余置为0。定义为该部分图形的宽度。例如对矩阵[0 1 1 0 0 1 1 1]，处理后为[0 2 2 0 0 3 0 3]。

Step2：滤除导线干扰，保留图形细节。导线的宽度一般较小且基本无变化，设定阈值（本文中取10），提取图中宽度小于阈值的部分。检测相邻行或列（本文中取10），若宽度相差在10%以内且无明显单调变化趋势，则认为是导线部分，滤除；反之认为是图形的细节部分，保留。

Step3：运用连通区域标记法进行区域标记，分别对各连通区域进行逐列检测，若一列中1之间包含0，则滤除该列。

Step4：对各连通区域，滤除最大列宽度的倍的部分，即在细小连接处断开。根据绝缘子钢帽与盘面的尺寸比率，取值范围为[0.25 0.33]。选取最大联通区域，即为绝缘子串区域。

图2 绝缘子串定位

1.3 角度校正

绝缘子串区域确定后，进行角度校正，使绝缘子串成水平分布，可获得最佳的分割效果。文献[18]在确定绝缘子区域后，通过寻找绝缘子串骨架的十字交叉点，运用Hough变换获取直线，进行角度校正。

1.4 提取绝缘子片

实现绝缘子串定位及角度校正后，本文采用绝缘子片分割提取算法，实现绝缘子片提取。绝缘子片分割提取算法步骤如下：

Step1：判断绝缘子串方向。设绝缘子区域矩阵为insArea，定义整数P1＝P2＝0，则各列的图形宽度colWid＝sum(insArea)。从图形区域的第一列开始扫描：若colWid(＋1)－colWid()＞0，则P1＋＋，否则P2＋＋。如果最终P1＞P2，则表示高压导线在右侧，反之高压导线在左侧。

Step2：定义列宽比率矩阵ratio。当colWid()≠0时，令ratio()＝colWid(＋1)/colWid()；当colWid()＝0时，令ratio()＝0。搜索ratio的极大值、极小值所在的列。

Step3：绝缘子串分割。设绝缘子串包含insN片绝缘子，若P1＞P2，在ratio最小的insN个极小值所在的列，切开绝缘子串；若P1＜P2，在ratio最大的insN个极大值所在的列，切开绝缘子串。

Step4：滤除金具，提取绝缘子片。采用连通区域标记法进行区域标记，检测各区域列宽分布，若列宽最小值位置在该连通区域中部，则为金具，滤除。

图4(a)中包含两条曲线，其中虚线为绝缘子区域列宽分布，实线为放大后的相邻两列宽度比值分布，放大倍数＝max(colWid)/max(ratio)。从图中可以看出：实曲线的极小值所在列，对应两片绝缘子的连接处；极大值所在列，对应钢帽和盘面的连接处。因此，文中将ratio的极小值、极大值所在列，作为分割位置。

从绝缘子区域列宽度分布曲线可以看出：绝缘子区域最小列宽在两片绝缘子连接处，即绝缘子片的边缘位置；金具最小列宽在其的中间位置。根据这一差别，滤除金具。

图4 绝缘子片提取

1.5 绝缘子片验证识别

所提取的绝缘子区域是否准确，需要进一步验证。文献[19]比较各种典型形状识别方法的能力，得出基于物体轮廓坐标序列的傅里叶描述子，具有最佳的形状识别性能。傅里叶描述子具有明确的物理几何意义，直观性强，计算原理简单。归一化的傅里叶描述子具有平移、旋转、尺度、起点变换的不变性[20]。利用归一化的傅里叶描述子，可以方便、准确的比较图形的相似度。本文采用傅里叶描述子进行绝缘子区域验证识别。

1.5.1 傅里叶描述子识别理论

运用傅里叶描述子进行形状识别时，首先提取目标区域的轮廓，获取边界坐标序列{((),())}，＝0, 1, 2, …,－1，为目标轮廓坐标点数。用复数的形式将二维坐标表示为一维序列：()＝()＋j()，其中j2＝－1。对()进行傅里叶变换，得到该目标的傅里叶描述子：

然后运用如下公式，对傅里叶描述子进行归一化：

根据傅里叶描述子能量分布的低频集中性[21]，取归一化的傅里叶描述子的前维，比较、两个形状的相似度，比较公式为：

越大，表示两个形状的相似性越低，反之则越高。本文作如下划分：当＝0时，两形状完全相同；当0＜≤0.25时，两形状相似性高；当0.25＜≤0.5时，两形状相似性较高；当＞0.5时，两形状相似性较低。

1.5.2 运用傅里叶描述子进行验证识别

运用傅里叶描述子进行绝缘子片验证识别的步骤：

Step1：选取样本绝缘子，提取傅里叶描述子并归一化；

Step2：采用连通区域标记法，对提取的绝缘子区域进行区域标记；

Step3：依次提取各区域的图形边界，得到归一化的傅里叶描述子，并与样本绝缘子比较相似度；

Step4：滤除相似度大于0.25的区域，即获得验证识别后的绝缘子区域。

图5 样本绝缘子

绝缘子区域从左到右，与样本绝缘子的相似度依次为：0.1756、0.2477、0.2400、0.2172、0.2232、0.2154、0.1965、0.1787、0.1608、0.1298、0.1049、0.1038、0.0819、0.0726。相似度均小于0.25，表明1.4中提取绝缘子片区域是准确的。

1.6 钢帽和盘面区域的提取

绝缘子区域确认后，提取钢帽和盘面区域，具体方法是：

若P1＞P2，则在ratio最大的insN个极大值所在的列，切开绝缘子，采用连通区域标记后，编号为奇数的区域为钢帽区域，编号为偶数的区域为盘面区域；若P1＜P2，则在ratio最小的insN个极小值所在的列，切开绝缘子，编号为偶数的区域为钢帽区域，编号为奇数的区域为盘面区域。

然后对钢帽和盘面区域进行角度还原，即围绕图像中心点逆时针旋转-角度。在原始图像上，标出相应位置，实现绝缘子钢帽和盘面区域提取。

图6 钢帽和盘面区域的提取

2 试验结果与分析

本文方法与文献[14]有明显的不同：文献[14]在图像预处理后，直接提取骨架并寻找骨架的十字交叉点，运用Hough变换，进行角度校正，可能会受到伪十字交叉点的干扰；根据绝缘子串区域宽度频率，进行绝缘子分割提取，会造成过分割；滤除宽度较小的部分以排除导线干扰，丢失了部分图像细节；多次运用腐蚀、膨胀算法，丢失了部分边界信息。此外，文献[14]由于缺少验证识别环节，容易出现区域误提取。

为验证本文提出的基于红外图像的绝缘子串钢帽和盘面区域自动提取方法的可靠性，将其与文献[14]的方法进行对比。试验选取包含导线、钢架等复杂背景且绝缘子面积小于钢架的变电站现场红外图片。在双边滤波中，选择5×5的滤波窗口，取d＝3、r＝0.1；在进行验证识别时，运用图5(b)中样本绝缘子轮廓，取归一化傅里叶描述子前16维比较相似度。两种方法提取结果如图7所示。

从图7中可以看出：从提取的准确性来说，文献[14]提取的区域包含金具以及部分导线，属于误提取；从提取区域的完整性来说，文献[14]对钢帽和盘面的提取，丢失部分边界区域，提取的区域不够完整。本文方法不仅准确提取绝缘子钢帽和盘面区域，而且更好的保留钢帽和盘面区域的边缘部分。

为进一步对比分析两种方法的实用性，随机选取江西省某地区220kV变电站100幅现场拍摄的复杂背景下绝缘子串红外图像，利用两种方法批量处理，进行绝缘子盘面和钢帽区域的提取，结果如表1所示。

表1 两种方法提取效果对比

由表1可知，相对文献[14]，本文提出的绝缘子钢帽和盘面区域提取方法，较大地提高了目标区域提取的成功率，具备较高的实用价值。

3 结论

本文提出一种基于红外图像的绝缘子串钢帽和盘面区域自动提取方法，实现红外图像中绝缘子钢帽和盘面区域的自动提取，为绝缘子状态智能识别奠定基础。在图像分割提取过程中，保留图形的边缘和细节，使得提取的区域完整性较高；采用简单实用的线性回归分析，实现绝缘子串区域角度校正；根据绝缘子区域列宽分布，实现绝缘子串分割、金具滤除、钢帽和盘面分离；运用傅里叶描述子进行验证识别，确保提取绝缘子片的准确性。实验结果表明该方法对红外图像中绝缘子钢帽和盘面区域提取的准确率高，具备较高的实用价值。

本文不足之处有：双边滤波的空间方差d、灰度方差r是多次测试，根据滤波效果，人工选取的，不一定是最佳的；本文方法注重保留图形的边缘和细节，导致在图像处理过程中耗时较多。因此，本文下一步工作是研究实现自适应选取d、r以及优化算法、提高图像处理效率。

[1] 关志成. 绝缘子及输变电设备外绝缘[M]. 北京:清华大学出版社, 2006.

GUAN Zhicheng.[M]. Beijing: Tsinghua University Press, 2006.

[2] 王雪, 张冠军, 严璋. 国内高压绝缘子在线检测方法综述[J]. 电瓷避雷器, 2002(6): 3-8.

WANG Xue, ZHANG Guanjun, YAN Zhang. Discussion on the methods of on-line insulators monitoring in China[J]., 2002(6): 3-8.

[3] 朱虎, 李卫国, 林冶.绝缘子检测方法的现状与发展[J]. 电瓷避雷器, 2006(6): 13-17.

ZHU Hu, LI Weiguo, LIN Ye. Present and future development of detection methods for composite insulator[J]., 2006(6): 13-17.

[4] 李唐兵, 陈国锋, 饶斌斌, 等. 一种改进的劣化盘形悬式绝缘子红外热像诊断方法[J]. 电瓷避雷器, 2014(6): 8-13.

LI Tangbing, CHEN Guofeng, RAO Binbin, et al. A improved method of detecting deterioration insulator based on infrared thermal image[J]., 2014(6): 8-13.

[5] 柏克寒. 用火花间隙检测绝缘子的一些问题[J].高电压技术, 1993, 19(3): 51-53.

BO Kehan. Discussion on the detection of insulators by spark gaps[J]., 1993, 19(3): 51-53.

[6] 仝卫国, 苑津莎, 李宝树. 图像处理技术在直升机巡检输电线路中的应用综述[J]. 电网技术, 2010, 34(12): 204-208.

TONG Weiguo, YUAN Jinsha, LI Baoshu. Application of image processing in patrol inspection of overhead transmission line by helicopter[J]., 2010, 34(12): 204-208.

[7] 胡世征. 劣化绝缘子的发热机理及热像特征[J]. 电网技术, 1997, 21(10): 44-46.

HU Shizheng. Heating mechanism and thermograph of degradated insulators[J]., 1997, 21(10): 44-46.

[8] 陈芳, 姚建刚, 李佐胜. 绝缘子串红外图像中单个绝缘子盘面的提取方法[J]. 电网技术, 2010(5): 220-224.

CHEN Fang, YAO Jiangang, LI Zuosheng, et al. The method to extract shed surface image of a single insulator from infrared image of a insulator string[J] ., 2010(5): 220-224.

[9] 李唐兵, 龚磊, 姚建刚. 基于红外热像和权值直接确定神经网络的零值绝缘子识别方法[J]. 红外技术, 2013, 35(11): 707-711.

LI Tangbing, GONG Lei, YAO Jiangang. On-site identification of zero resistance insulator based on infrared thermal image and neural network of one-step weights-determination[J]., 2013, 35(11): 707-711.

[10] 姚建刚, 关石磊, 陆佳政, 等. 相对温度分布特征与人工神经网络相结合的零值绝缘子识别方法[J]. 电网技术, 2012, 36(2): 170-175.

YAO Jiangang, GUAN Shilei, LU Jiazheng, et al. Identification of zero resistance insulators by combining relative temperature distribution characteristics with artificial neural network[J]., 2012, 36(2): 170-175.

[11] 张彦, 姚建刚, 毛田, 等. WebGIS红外热像零值绝缘子在线检测系统[J]. 电力系统及其自动化学报, 2013, 25(4): 51-57.

ZHANG Yan, YAO Jiangang, MAO Tian, et al. Infrared thermal imaging on-line detection system of zero value insulator based on WebGIS[J]., 2013, 25(4): 51-57.

[12] 徐向军, 王生鹏, 纪青春, 等. 基于高斯尺度空间GHT的绝缘子红外图像识别方法[J]. 红外技术, 2014, 36(7): 596-599.

XU Xiangjun，WANG Shengpeng，JI Qingchun，et al. Insulator infrared image recognition method based on Gaussian scale- space and GHT[J]., 2014, 36(7): 596-599.

[13] 姚建刚, 付鹏, 李唐兵, 等. 基于红外图像的绝缘子串自动提取和状态识别[J]. 湖南大学学报: 自然科学版, 2015, 42(2) : 74-80.

YAO Jiangang, FU Peng, LI Tangbing, et al. Algorithm research of automatically extracting the erea of insulator from infrared image and state identification[J].,2015, 42(2) : 74-80.

[14] 李唐兵, 付鹏, 朱向前, 等. 绝缘子串红外图像中绝缘子盘面和钢帽区域的自动提取方法[J]. 红外技术, 2014, 36(8): 644-648.

LI Tangbing, FU Peng, ZHU Xiangqian, et al. Algorithm research on automatically extracting the disks and steel caps area of insulator from infrared image of an insulator string[J].2014, 36(8): 644-648.

[15] 冯玲, 黄新波, 朱永灿. 基于图像处理的输电线路覆冰厚度测量[J]. 电力自动化设备, 2011, 31(10): 76-80.

FENG Ling, HUANG Xinbo, ZHU Yongcan．Transmission line icing thickness measuring based on image processing[J]., 2011, 31(10):76-80.

[16] 张闯, 迟健男, 张朝晖, 等. 基于边缘检测与双边滤波的彩色图像去噪[J]. 电子学报, 2010, 38(8):1777-1783.

ZHANG Chuang, CHI Jiannan, ZHANG Zhaohui, et al. Removing noise of color images based on edge detection and bilateral filter[J]., 2010, 38(8): 1777-1783.

[17] Otsu N. A threshold selection method from gray-level Histograms[J].,, 1979, 9(1): 62-66.

[18] 胡淋波, 姚建刚, 孔维辉, 等. 基于红外图像的高压绝缘子串自动定位方法[J]. 红外技术, 2015, 37(12): 1047-1051.

HU Linbo, YAO Jiangang, KONG Weihui, et al. High voltage insulator string automatic location method based on infrared image[J]., 2015, 37(12): 1047-1051.

[19] Kauppien H, Sepanen T. An experiment comparison of autoregressive and Fourier-based descriptors in 2D shape classification[J]., 1995, 17(2): 201-207.

[20] 付波, 周建中, 陈文清, 等. 一种基于傅里叶描述子的轴心轨迹自动识别方法[J]. 电力系统自动化, 2004, 28(12): 40-44.

FU Bo, ZHOU Jianzhong, CHEN Wenqing, et al. A method based on FOURIER descriptors to recognize shaft orbit[J]., 2004, 28(12): 40-44.

[21] 万玮, 冯学智, 肖鹏峰, 等. 基于傅里叶描述子的高分辨率遥感图像地物形状特征表达[J]. 遥感学报, 2011, 15(1): 73-87.

WAN Wei, FENG Xuezhi, XIAO Pengfeng, et al. Shape feature representation of ground objects from high-resolution remotely sensed imagery base on Fourier descriptors[J]., 2011, 15(1): 73-87.

The Automatic Extraction Method of the Insulator String's Steel Capsand Disks Area Based on Infrared Image

FU Qiang1，YAO Jiangang1，LI Tangbing2，TANG Chengyan1，YU Haoqi1，HU Linbo1

(1.,,410082,; 2.,330096,)

The extraction of the steel caps and disks area is the basis of the insulator intelligent detection by infrared technology. Aiming at the shortage of the existing extraction methods, an automatic extraction method of the insulator string's steel caps and disks area is proposed based on infrared images. Through gray processing, bilateral filtering, and OTSU binary segmentation, infrared image preprocessing is made; the specific algorithm is used to realize the automatic location of insulator string; the linear regression of the insulator string’s skeleton is used to correct the image angle; according to the distribution of insulator string's columns width, insulator string is segmented and insulator areas are extracted; the Fourier Descriptor is used for insulator areas identification; the steel cap and disk are separated to realize the extraction of the steel caps and disks area. The experimental results show that the method can accurately extract the steel caps and disks area of the insulator and provide the basis for the intelligent fault diagnosis of insulator.

insulator string，infrared image，bilateral filtering，image segmentation，linear regression，Fourier Descriptor

TN219

A

1001-8891(2016)04-0969-07

2016-03-03；

2016-04-20.

付强（1988-），男，硕士研究生，主要研究方向：高电压外绝缘、电气设备智能检测与图像处理。

国网江西省电力公司科技项目（52182015000P）。