雾霾场景下绝缘子缺陷检测模型的建立与仿真

2022-11-09石冬阳聂翱翔庞迎春张雨欣

重庆科技学院学报（自然科学版） 2022年5期

石冬阳聂玲杨欣聂翱翔庞迎春张雨欣

(重庆科技学院电气工程学院，重庆 401331)

0 前言

绝缘子是一种特殊的绝缘控件，在保证电力系统的安全、稳定中发挥着极为重要的作用[1]。绝缘子在输电线路中一般呈等距分布，当绝缘子发生自爆故障时，可能会导致电网瘫痪。这不仅给当地居民的生活带来不便，而且给输电线路运行的安全性和稳定性带来一定的威胁。因此，绝缘子自爆缺陷检测就显得尤为重要。

近年来，随着深度学习技术的发展，出现了多种绝缘子自爆缺陷检测方法。赖秋频等人提出了一种绝缘子自爆缺陷检测模型[2]。左钰等人在无雾场景下，对改进SSD算法识别出的绝缘子串与图像背景进行分割，利用形态学处理法检测绝缘子[3]。王凯等人利用GC-SPP-YOLOv3绝缘子缺陷检测算法对缺陷图像进行特征提取[4]。王书坤等人建立轻量型YOLOv5模型对自爆绝缘子进行缺陷检测[5]。严波等人利用串联的Faster R-CNN网络实现了自爆绝缘子的缺陷识别[6]。上述方法忽略了雾霾等环境因素的影响。雾霾天气下，绝缘子缺陷检测模型的精度大大降低，图像中的目标变得模糊，无法及时有效地识别出边缘细节[7-9]。因此，为了提高绝缘子缺陷检测精度，本次研究选择性能优越的图像去雾算法进行预处理。

1 传统绝缘子缺陷检测模型

本次研究以基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型[1]为基础，传统绝缘子图像检测模型如图1所示。

图1 传统绝缘子图像检测模型

1.1 Canny边缘检测

1.1.1 图像灰度化

Canny边缘检测处理的图像为灰度图，需要对无人机航拍得到的彩色图进行灰度化，即对图像各个通道的采样值进行加权平均。以RGB格式的彩图为例，RGB转换为灰度图像的公式如式(1)所示：

Gray=0.299R+0.587G+0.114B

(1)

式中：R、G、B分别表示红、绿、蓝3个颜色通道的亮度。

1.1.2 高斯滤波处理

Canny边缘检测使用高斯滤波器与图像进行卷积，以消除图像噪声[10]，选用的高斯分布函数如式(2)所示：

(2)

式中：G(x,y) ——高斯分布函数；

σ—— 标准差。

将原图像I(x,y)与式(2)进行卷积处理，如式(3)所示：

H(x,y)=G(x,y)*I(x,y)

(3)

式中：* —— 卷积。

1.1.3 计算梯度幅值和方向

采用一阶有限差分计算梯度幅值和方向，得到图像在x、y方向上的偏导数，如式(4)、式(5)所示：

Wx(i,j)=(I(i,j+1)-I(i,j)+I(i+1,j+1)-

I(i+1,j))/2

(4)

Wy(i,j)=(I(i,j)-I(i+1,j)+I(i,j+1)-

I(i+1,j+1))/2

(5)

计算梯度幅值和方向，如式(6)、式(7)所示：

(6)

(7)

1.1.4 梯度幅值的非极大值抑制

非极大值抑制一般是先寻找梯度方向的非零点，然后比较该点方向导数上相邻两点的梯度值。非极大值抑制处理的图像可能包含噪声所产生的伪边缘，仍需要进一步处理。

1.1.5 双阈值检测和边缘连接

双阈值法可以减少伪边缘数量，通常设定一个高阈值和一个低阈值来区分边缘像素。当边缘点8邻域中有超过高阈值的像素值时，则保留该点；反之，则不保留。

1.2 Hough直线检测

Hough变换算法主要基于笛卡尔坐标系与极坐标系之间的点 — 线对称性特点，受图像噪声的影响较小，常用于图像中直线和圆的检测。

Hough变换的基本原理是：将图像空间的每条直线映射到 Hough 参数空间的每个点上，运用累加器检测参数空间的峰值点，确定图像空间中对应直线的信息参数，即参数空间的峰值点与图像空间的直线完成了一一对应，实现了图像空间的直线检测。

1.3 图像水平旋转

无人机拍摄的绝缘子图像并不总是处于水平方向，为了使绝缘子边缘检测图像处于水平位置，实现垂直投影，需要对图像进行水平旋转。取直线检测结果中直线斜率的平均值作为旋转角度(g)，计算公式如式(8)所示：

(8)

式中:hi—— 直线i的斜率;

n—— 直线数量。

1.4 图像垂直投影

对处于水平位置的绝缘子边缘图像进行垂直投影，能够很好地反映绝缘子形状的变化规律，是物体缺陷识别的重要方式之一。通过垂直投影，可以准确得到绝缘子自爆信息。

2 绝缘子缺陷检测改进模型

在雾霾场景下，绝缘子缺陷检测的精度大大降低。近年来，暗通道先验去雾算法由于结构简单、去雾效果优越等特点在多领域得到了广泛应用[11]。因此，本次研究采用暗通道先验去雾算法进行图像预处理，以提升绝缘子缺陷检测精度。绝缘子缺陷检测改进模型如图2所示。

图2 绝缘子缺陷检测改进模型

有雾图像散射模型如式(9)所示：

f(x)=J(x)t(x)+A(1-t(x))

(9)

式中：f(x) —— 输入的有雾图像；

J(x) —— 输出的无雾图像；

t(x) —— 透射率；

A—— 全球大气光值。

由此可知，只需估计全球大气光值和透射率，就可以实现有雾图像的去雾化处理。

2.2 暗通道先验去雾算法

通过对大量无雾图像的暗通道图数据统计发现，约75%的像素值为0，且90%的像素值非常低。因此，无雾图像的暗通道如式(10)所示：

(10)

式中：Jc(y) —— 图像的颜色通道；

Ω(x) —— 以x为中心的局部区域。

根据暗通道先验理论得出：

Jd(x)→0

(11)

2.3 估计全球大气光值

根据暗通道图从有雾图像中获得全球大气光值。首先，从暗通道图中按照亮度大小取前0.1%的像素点；然后，在这些位置的原始有雾图像中寻找对应的具有最高亮度的值，将其作为全球大气光值。

2.4 估计透射率

将式(9)变换为式(12)：

(12)

(13)

根据暗通道先验理论得出：

(14)

将式(14)代入式(13)可得：

(15)

在实际生活中，即使是晴天，看远方的物体还是能够感觉到雾的影响，因此，有必要引入因子ω来保留一定程度的雾，修正透射率如式(16)所示：

(16)

2.5 有雾图像处理

当透射率t(x)的值较小时，将导致J(x) 的值较大，因此需设定一个定值t0，当t

有雾图像处理公式如式(17)所示：

(17)

3 仿真实验

3.1 检测结果对比

近年来，直方图均衡化去雾算法与单尺度Retinex(SSR)去雾算法在多领域得到了广泛应用，并取得了良好的去雾效果，是经典的图像去雾方法。为了验证暗通道先验去雾算法的优越性，分别运用直方图均衡化去雾算法、SSR去雾算法、暗通道先验去雾算法等3种算法对3幅有雾图像进行去雾处理。实验操作系统为Win10 64位系统，内存为4 GiB，仿真软件为Matlab r 2018 b。绝缘子原图如图3所示，雾霾场景下的绝缘子图像如图4所示。运用直方图均衡化去雾算法、SSR去雾算法、暗通道先验去雾算法对图4中的图像进行去雾处理，结果如图5、图6、图7所示。