基于梯度图像融合的接触网绝缘子故障检测

石 杰，张 靖，钟汉华

〈红外应用〉

基于梯度图像融合的接触网绝缘子故障检测

石 杰1，张 靖2，钟汉华1

（1. 华东交通大学 电气与自动化工程学院，江西 南昌 330000；2. 昭通学院 物理与信息工程学院，云南 昭通 657000）

针对单一红外图像或可见光图像不能够实现全天候检测的问题，提出了一种梯度图像融合模型将红外和可见光图像进行融合。先采用加速稳健特征算法（speeded-up robust features，SURF）将两幅图像的特征点进行匹配。接着采样剪切波变换（non-subsampled shearlet transform, NSST）算法将待融合图像进行分解，形成具有高频分量信息和低频分量信息的图，再分别对绝缘子的高频分量图和低频分量图进行融合，实现局部融合。利用NSST的逆变换对高频分量图和低频分量图进行逆变换，得到最终融合图，实现全局融合。对融合图像进行质量评价。采用最小二乘法直线拟合算法在二值图像的基础上来实现绝缘子的自爆检测；采用像素积分投影法来检测绝缘子片裂纹情况；采用颜色特征来检测绝缘子表面是否存在污秽的情况。通过实验对比单张图像和融合图像的检测结果的准确率。实验结果表明，采用基于融合图像的绝缘子自爆、绝缘子片裂纹、绝缘子表面污秽3个故障的识别率分别达到了95%、91%、90%，均高于单一的红外图像或可见光图像的识别率。

接触网绝缘子故障；图像融合；局部融合；全局融合；图像质量评价

0 引言

绝缘子作为接触网中比较重要的设备之一，起到了支撑馈电线和阻断电流流向塔杆的作用。然而接触网绝缘子长期暴露在外界环境中，易受雨雪、雾霾、太阳光、强电场、强机械张力的影响，使得绝缘子出现破损、自爆、污秽等故障[1-2]。这些故障严重威胁着机车的安全运行。

国内外许多学者相继投入到绝缘子故障诊断的研究中来，希望研究出一套比较智能的算法来识别绝缘子的故障。文献[3]提出了根据采集输电线路的红外图像，采用通道阈值对绝缘子图像进行初步分割，再使用简单非迭代聚类（simple non-iterative clustering, SNIC）超像素分割算法来定位绝缘子，使多个绝缘子串在复杂背景中分割出来。文献[4]提出了采用麻雀搜索算法优化支持向量机（sparrow search algorithm-support vector machine, SSA-SVM）的算法来检测绝缘子缺陷，在绝缘子上施加交流电压和直流电压，使绝缘子产生热辐射，通过红外热成像仪采集绝缘子的红外图像，最大类间方差法对红外图像进行分割，最后采用SSA-SVM算法来识别绝缘子的缺陷。文献[5]提出了根据绝缘子图像的Hu不变矩和方向梯度直方图特征，采用支持向量机构建分类器对绝缘子故障进行识别，先对图像的红蓝、红绿色差灰度化，采用Otsu算法对图像进行分割，根据绝缘子在空间形态的一致性来识别绝缘子，并提出了采用UL-PCNN和区域像素比例的方法来检测绝缘子的“自爆”和“电晕放电”故障，并对其进行分类。文献[6]提出了一种基于分水岭修正的全卷积神经网络分割算法来对图像进行分割，解决了图像分割时出现的模糊问题，并提出一种基于云理论的BA算法来识别绝缘子的故障类型，并将该方法与传统的SVM、BP神经网络、卷积神经网络进行对比，验证本方法的优势。文献[7]提出了一种轻量级MobileNet-SSD和MobileNetV2-DeeplabV3＋的方法来实现绝缘子的故障识别，采用语义分割算法对绝缘子图像进行分割，能够从较为复杂的背景下识别出绝缘子的自爆故障。文献[8]提出了一种基于形态-空间域特征相融合的绝缘子定位方法来解决航拍绝缘子存在的定位难的问题，先对航拍图像进行预处理后，采用Canny算子来实现图像的分割，最后采用伞裙形态特征的掉串故障检测方法来识别绝缘子掉串故障。在这些基于图像识别的绝缘子故障检测方案中，采用基于可见光图像识别的方案能够采集到图像细节信息量大，且清晰度高。但是可见光相机它易受环境干扰，透雾能力弱，不能够全天候工作。基于红外图像的识别方法中，红外热成像仪透雾能力强、抗外界环境干扰能力强，能够全天候工作，但是红外成像的像素点、对比度、清晰度都比较低，图像细节信息也不够全面。

基于上述原因，本文提出了采用多尺度变换和神经网络算法相结合的方法来进行融合处理，将两者之间进行优势互补。采用非下采样剪切波变换（non-subsampled shearlet transform, NSST）分别将红外和可见光图像分解为高频子带图和低频子带图，在高频子带图部分采用脉冲耦合神经网络（coupled neural net-works，PCNN）进行融合，在低频子带图部分采用加权局部能量（weighted likelihood estimation，WLE）和基于八邻域的改进拉普拉斯算子（weighted sum of eight-neighborhood-based modified Laplacian, WSEML）结合的优化算法（weighted likelihood estimation-weighted sum of eight-neighborhood-based modified Laplacian, WLE-WSEML）进行融合，再利用多尺度逆变换对WLE-WSEML和PCNN融合得到的高频子带图和低频子带图进行逆变换，得到最终融合图，实现全局融合。最后对融合后的绝缘子图像进行检测，先采用融合NSCT和二维最大熵分割方法对融合后的图像进行分割，得到绝缘子的二值图像。采用最小二乘法直线拟合算法在二值图像的基础上来实现绝缘子的自爆检测；采用像素积分投影法来检测绝缘子片裂纹情况；采用颜色特征来检测绝缘子表面是否存在污秽的情况。

1 绝缘子设备图像配准

红外相机和可见光相机在图像采集的时候，两摄像机之间的分辨率、空间位置、物象距离等不同，导致两幅图的特征点描述存在一定的差异，无法完成两幅图的特征点匹配。所以本文将采用加速稳健特征算法（speeded-up robust features, SURF）将两幅或多幅图像的特征点进行匹配[9]。

SURF采用Hessian矩阵来提取图像的特征点，表达式为：

式中：表示图像的尺度；L(,)表示图像在像素点(,)处与的高斯函数的二阶偏导数的卷积值；L(,)、L(,)同理可得。盒子滤波器的Hessian矩阵可以通过下式来表示：

式中：D、D、D均表示源图像在和方向上的二阶导数。

通过盒子滤波器的取值来计算Hessian矩阵[10]的返回图像，并通过3D最大抑制法计算多尺度的特征点，再利用欧拉公式来实现两图像特征点的匹配，实现图像的配准。如图1为本文提出的图像配准流程图，先分别对红外图和可见光图进行边缘提取，得到绝缘子的轮廓图，边缘的提取通过Canny算子[11]来处理。接着通过3D最大抑制法来获取图像的特征点，采用欧拉公式将图像的特征点匹配起来，通过变换参数估计，最终实现图像的配准。

为了查看图像配准时特征点的匹配情况，采用接触网上不同的器件进行配准实验，得到如图2所示的效果图。左图是绝缘子的配准效果图，右图是撑杆的配准效果图。从图中可以看出，本算法能够比较准确地将两幅图的特征点匹配起来。

2 绝缘子图像融合

本文提出了一种梯度图像融合的方法来实现图像的融合，采用NSST将红外图像和可见光图像分解为含有高频信息的高频子带图和含有低频信息的低频子带图，在高频分量部分，采用PCNN进行融合，在低频子带图部分采用加权局部能量[12]（weighted likelihood estimation，WLE）和基于八邻域的改进拉普拉斯算子[13]（WSEML）结合的优化算法（WLE-WSEML）进行融合，从而实现图像的局部融合，再利用多尺度逆变换对WLE-WSEML和PCNN融合得到的高频子带图和低频子带图进行逆变换，得到最终融合图，实现全局融合。最后建立图像质量评价体系，通过图像的边缘信息保持度（AB/F）、熵（EN）、互信息（MI）、空间频率（MSF）、均方误差（MSE）、结构相似度（SSIM）6个维度来评价融合图像的质量。

图1 图像配准流程

图2 图像配准实验效果

图像融合流程图如图3所示。

2.1 基于NSST的图像分解

利用改进的剪切波滤波器（shearlet filter，SF）[14]构造Meyer窗函数来对NSP分解后的图像进行多个方向上的分解，得出不同方向上的子带图。具体为：对SF进行坐标变换，将其从伪极化坐标系变换到笛卡尔坐标系中，构造Meyer窗函数与分解后的子带图像进行卷积计算，得出这些子带图的系数，根据这些系数来划分图像，进而实现对图像的分解。如图4所示。

2.2 低频子带图融合

NSST对图像的分解是有限的，无法将图像全部过滤成高频图像，图像中的低频部分中含有图像的结构化信息和详细信息，缺失任何一项都会影响图像融合的效果。所以本文采用加权局部能量[15]（WLE）和基于八领域的改进拉普拉斯算子[16]（WSEML）来构造一种图像融合模型（WLE-WSEML）对低频子带图进行融合，在保留了结构化信息同时还能实现对详细信息的提取。

WLE用来保留图像中的结构化信息，定义为：

式中：(,)表示红外或可见光图像在(,)处的低频子带图；WLE(,)表示红外或可见光图像在(,)处的加权局部能量；为(2＋1)×(2＋1)的一个矩阵，将中的元素设定为2－d，表示的半径，中每个元素的表示为它到中心的四邻接元素之间的距离。

图3 图像梯度融合流程

Fig.3 Image gradient fusion process

图4 NSST图像分解

WSEML用来提取图像的详细信息，定义为：

式中：和EML均表示加权矩阵，其中EML能够较好地利用相邻元素的信息，表示为：

获取了WLE和WSEML后，就可以通过式(4)和(5)提出的规则来计算融合的低频子带图，表示为：

采用WLE-WSEML算法对低频子带图进行融合时，需要得出WLE-WSEML的最优阈值点，这个阈值介于0.3～0.8之间，可以通过计算图像的边缘信息保持度（AB/F）、熵（EN）、互信息（MI）、空间频率（MSF）、均方误差（MSE）、结构相似度（SSIM）等6个维度的加权来评判阈值选取的合理性。各维度的得分和排名如表1所示。

从表中可以看出，＝0.6的时候，各个性能指标都比较好，且加权排名最高，所以设置WLE-WSEML的最优阈值点为0.6。

2.3 高频子带图融合

高频子带图中含有原始图像的轮廓边界等细节信息，本文采用PCNN对红外和可见光图像的高频子带图进行融合，以图像的空间频率（modified spatial frequency, MSF）作为PCNN的输入，拉普拉斯能量和（modified sum of Laplacian energy, MSLP）作为PCNN的连接强度，接着计算出PCNN迭代次后的点火频率，根据点火频率来实现图像高频分量的融合。这种方法能够最大限度地保留源图像的信息。最后通过NSST逆变换即可得到融合图像。如图5所示为PCNN网络模型。

图5中每个神经元之间的关系与两个源图像中像素点之间的关系一一对应。PCNN的数学表达式为：

式中：表示算法迭代的次数；I表示输入；Y表示输出；表示神经元之间的连接强度；L表示连接强度的输入；U表示神经元之间传递的信息；E表示产生脉冲时所需阈值；L表示连接强度的放大系数，一般设置为1；E表示产生脉冲时所需阈值的放大系数，一般设置为20；W表示神经元之间的权重，神经元的个数决定了W的取值。

表1 不同评价指标的得分和排名

图5 PCNN网络模型

当输入一张图片时，PCNN对图片进行扫描处理，通过L、L、W来计算像素点的U，将U与E进行比较，当U＞E时，即可激活神经元，此时脉冲产生域的输出满足了Y＝1，产生点火频率，反之Y＝0，不产生点火频率，一直迭代这个过程，直到满足设置的条件才会停止迭代运算，将所有的点火频率记录下来。

输入PCNN中的图像空间频率有行频率、列频率，表示为：

式中：MSF表示图像空间频率；RF2、CF2分别表示图像的行频率、列频率。

一般在基于PCNN的图像融合算法中，PCNN的连接强度取固定值，这样会使得人眼容易忽视图像的边缘信息，因此神经元之间的连接强度应该是变化的。而MSLP能够弥补这一缺陷，即采用MSLP作为PCNN的连接强度。MSLP的表达式为：

式中：

式中：step为图像中像素点的间距，一般设为1；(,)表示通过NSST分解后的源图像中像素点(,)的高频子带系数；(,)表示高频子带系数的权重；MSLR(,)表示源图像中像素点(,)的拉普拉斯能量和，该值就是PCNN的连接强度。

由于PCNN是以图像的MSF作为PCNN的输入，MSLP作为PCNN的连接强度，所以令MSF(,)＝F,j()，MSLR(,)＝,j()，对像素点迭代后的点火频率进行比较：

式中：R()和V()分别表示两图像迭代次后得到的点火频率。

通过一致性验证方法来获取点火频率的映射图，表示为：

式中：1表示以源图像中像素点(,)为中心的3×3窗口，得出高频子带系数为：

2.4 全局融合

采用NSST的逆变换过程将得到的低频子带图和高频子带图进行重构，使得融合后的低频子带图和高频子带图再次融合到一起，得出红外与可见光图像的融合图像。得到如图6所示的融合图像。

3 绝缘子融合图像质量评价

图像融合算法使用是否合理，相对其他常用方法是否更具有优势，可直接对融合后的质量进行评估。每一张图像从不同的角度就会有不同的评价标准，也就是说衡量一张图片的质量是没有绝对的标准的，而应该根据图像的用途、使用场景等来评价图像的好坏。融合图像的质量可以从主观和客观两个方面进行评价。

3.1 主观评价

主观评价就是通过人工来判断图像的好坏，主要查看图像的清晰度、对比度、是否残缺等。如图7所示为常见的几种融合方法得到的融合效果图，从图中可以直观地看出，采用LAB颜色空间转换算法（Commission Internationale de l'Eclairage LAB，LAB）、IHS颜色空间转换算法（Intensity, Hue, and Saturation algorithm，IHS）、加权平均法融合后的图像边缘存在一定的模糊现象，Brovey算法得到的融合图像比较暗淡，小波变换法融合后的图像失真度较高，图像不收敛，PCA融合后的图像灰度值相差较小，目标亮度较低。而本文提出的梯度图像融合模型算法得到的融合图像较为清晰，且目标比较明显。

3.2 客观评价

为了对不同算法融合得到的图像质量有个更加科学的评价，分别从图像的边缘信息保持度（AB/F）、熵（EN）、互信息（MI）、空间频率（MSF）、均方误差（MSE）、结构相似度（SSIM）6个维度对不同融合方法得到的图像质量评价，主要对比正常绝缘子的融合图像质量和非正常绝缘子融合的图像质量。

图6 红外和可见光图像融合的图像

图7 不同方法下的图像融合

如表2～5所示，经过梯度图像融合模型算法融合后，图像的AB/F、EN、MI、MSF、MSE、SSIM 6个维度的值均高于其他6种方法，表明本文提出的梯度图像融合模型算法融合后的图像质量更高。

表2 正常绝缘子在不同融合方法下的图像质量评价指标

表3 绝缘子自爆情况下不同融合方法下的图像质量评价指标

表4 绝缘子裂纹情况下裂纹在不同融合方法下的图像质量评价指标

表5 绝缘子污秽在不同融合方法下的图像质量评价指标

4 绝缘子故障检测

绝缘子在铁路接触网中起到了支撑承力索、接触线和电气隔离的作用，每条线路上的绝缘子不尽其数，绝大部分在野外，运行环境比较复杂。不仅承受着承力索的机械拉力，还受到雨雪、太阳光暴晒等恶劣气候的影响，使得绝缘子表面老化、绝缘性能降低。且长期暴露在野外工作的绝缘子容易出现自爆、裂纹、污秽等故障。采用融合非下采样轮廓波变换（nonsubsampled contourlet，NSCT）和二维最大熵分割方法[17]对融合后图像进行分割，将绝缘子从背景图像中分割出来，得到绝缘子的二值图像。其中NSCT能有效地将具有复杂背景的图像分割出来，二维最大熵分割方法是一种灰度梯度共生矩阵的图像分割技术，将这两种方法结合起来能够在去除噪声的同时改善分割效果。如图8为分割后的绝缘子效果图。

图8 融合NSCT和二维最大熵分割方法分割效果

4.1 绝缘子自爆检测

本文采用了最小二乘法直线拟合[18]来检测绝缘子自爆情况。从图像分割后的绝缘子图像上来看，绝缘子基本就在一条直线上。将这条直线方程设为：

＝＋(14)

式中：和分别表示直线的斜率和截距，通过直线拟合计算出分割线边缘点的坐标(x,y)，从而计算出和的值。计算出观察值与实际值之间的最小误差：

计算和的偏导数：

整理后可得：

计算得出和的值为：

计算出和的值后即可得到拟合方程，建立起绝缘子串的数学模型。

接着采用Hough变换来检测绝缘子串，得到拟合直线上的椭圆中心参数，根据接触网绝缘子的标准绝缘子片个数来对比识别后的数量，当识别数量低于实际数量，则表示绝缘子自爆/掉串。

4.2 绝缘子表面裂纹检测

绝缘子分割出来后，若绝缘子片上出现裂纹，那么这条裂缝在水平方向和垂直方向上的像素将会发生改变。所以本文采用像素积分投影法[19]对绝缘子片裂纹的长度和宽度进行计算分析，当裂缝宽度或长度发生变化时，在水平和竖直方向上的投影长度比即发生变化。经过图像分割后的图像已成为二值化图像，因此每个像素在水平方向上的投影累加即为水平积分投影，同理在竖直方向上的像素累加即为垂直积分投影。水平和垂直方向上的积分投影公式如下：

式中：(,)表示图像的像素值；表示水平积分投影；表示垂直积分投影。图9为绝缘子裂纹图像积分投影。

从图中可以看出，完好绝缘子的垂直、水平方向上的像素积分与裂纹绝缘子的垂直、水平方向上的像素积分存在明显的区别，所以通过像素积分投影法能够实现对绝缘子片裂纹的检测。

4.3 绝缘子表面污秽检测

绝缘子表面受到污染时，其形状特征与干净的绝缘子基本相同，但是其表面颜色有所区别。因此可以通过识别外表颜色来判别绝缘子污秽情况[20]。采集污秽绝缘子和干净绝缘子的图像，并提取其表面的颜色特征。将绝缘子片分解成6个通道，然后将每个通道的特征值都计算出来。计算方法为：

最大值：max＝maxg(23)

图9 完好绝缘子像素积分投影（左）和裂纹绝缘子像素积分投影（右）

式中：g和p分别表示图像的灰度级及其出现的概率。

利用Fisher准则来筛选上述特征向量，设样本的总数是，可以分为类，每一类的样本数是N，计算这些样本的类间、类内方差为：

式中：m和m分别表示类样本的均值和所有样本的均值；a表示样本的第维特征；L表示特征类别。一个特征的Fisher准则表示为：

计算出每个通道的特征值后，的均值、最大值、方差的是最高的，所以采用这3个特征来判别绝缘子污秽程度。绝缘子的污秽等级由其表面的灰度等级来表示，并将污秽等级划分成极轻、轻、中等、重、严重等5个等级，每个等级对应的灰度密度等级分别是极轻（≤0.2mg/cm2）、轻（0.2～0.4mg/cm2）、中等（0.4～0.8mg/cm2）、重（0.8～2.0mg/cm2）、严重（2.0～3.5mg/cm2）。

5 绝缘子故障检测实验分析

分别采集200张完好绝缘子、绝缘子自爆、绝缘子片裂纹、绝缘子表面污秽的红外和可见光图（红外图100张，可见光图100张），对比通过不同的图像识别不同故障绝缘子的准确率。图像采集的过程中设置不同的场景，如采用树叶遮挡摄像机和红外热成像仪，使得摄像机无法采集到完整的图像，但是红外热成像仪能够采集到完整的红外图。其次就是采集未通电的绝缘子，使其不产生热量，使红外热成像仪上产生图像比较模糊。比较不同类图像下采用的绝缘子自爆检测、绝缘子片裂纹检测、绝缘子表面污秽检测的准确率。如表6为绝缘子故障检测的准确率对比。

从表6中可以看出，在张完好绝缘子、绝缘子自爆、绝缘子片裂纹、绝缘子表面污秽4种故障类型的检测结果中可以看出，采用基于融合图像的绝缘子自爆、绝缘子片裂纹、绝缘子表面污秽3个故障的识别率分别达到了95%、91%、90%。即融合后的图像识别准确率均高于了红外和可见光图像的准确率。

6 总结

本文主要解决传统红外图像或可见光图像等单一信息源对接触网绝缘子故障识别中存在的缺陷问题。将绝缘子的红外图像和可见光图像进行融合，实现两者的优势互补，使系统能够全天候工作，不易受外界环境的干扰。从而得出以下结论：

表6 绝缘子故障检测的准确率对比

通过NSST分别将红外和可见光图像分解成低频子带图和高频子带图，在低频子带图融合部分。将WLE和WSEML结合起来对低频图像进行融合，在保留了图像结构化信息同时还能实现对详细信息的提取。在高频子带图融合部分，分析了PCNN的模型，并采用MSF作为PCNN的输入，MSLP作为PCNN的连接强度，并计算出PCNN迭代次后的点火频率来实现图像高频分量的融合。利用NSST的逆变换来讲高频子带图和低频子带图进行逆变换，得到最终融合图。采用客观评价方法来评价融合图像的质量。

对融合后的绝缘子图像进行检测，先采用融合NSCT和二维最大熵分割方法对融合后的图像进行分割，得到绝缘子的二值图像。采用最小二乘法直线拟合算法在二值图像的基础上来实现绝缘子的自爆检测；采用像素积分投影法来检测绝缘子片裂纹情况；采用颜色特征来检测绝缘子表面是否存在污秽的情况。

通过实验对比了常见的图像融合方法（LAB算法、IHS算法、加权平均法、Brovey、小波变换法、PCA）与本文提出的梯度图像融合方案效果，计算出了绝缘子在不同融合方法下的图像质量评价指标，并完成了对完好绝缘子、绝缘子自爆、绝缘子片裂纹、绝缘子表面污秽识别的准确率进行实验。

[1] 顾桂梅, 陈国翠. 改进GA-BP算法的棒式绝缘子表面缺陷识别[J]. 铁道科学与工程学报, 2022, 19(2): 546-553.

GU Guimei, CHEN Guocui. Surface defect identification of rod insulator with improved GA-BP algorithm[J]., 2022, 19(2): 546-553.

[2] 谭平, 李旭峰, 丁进, 等. 基于Mask R-CNN和多特征聚类模型的接触网绝缘子识别和缺陷检测（英文）[J]. 浙江大学学报-理学A(应用物理与工程) , 2022, 23(9): 745-757.

TAN Ping, LI Xufeng, DING Jin, et al. Insulator identification and defect detection of catenary based on Mask R-CNN and multi-feature clustering model[J].(Applied Physics and Engineering), 2022, 23(9): 745-757.

[3] 刘新伯, 李昊, 陈强, 等. 复杂背景下多个绝缘子串红外图像分割方法[J]. 计算技术与自动化, 2022, 41(2): 125-130.

LIU Xinbo, LI Hao, CHEN Qiang, et al. Infrared image segmentation of multiple insulator strings in complex background[J]., 2022, 41(2): 125-130.

[4] 董懿飞, 舒胜文, 陈诚, 等. 基于红外图像分割与SSA-SVM的复合绝缘子缺陷检测方法[J]. 电气技术, 2021, 22(11): 73-79.

DONG Yifei, SHU Shengwen, CHEN Cheng, et al. Composite insulator defect detection method based on infrared image segmentation and SSA-SVM [J]., 2021, 22(11): 73-79.

[5] 朱文天. 输电线路绝缘子识别与光谱缺陷检测技术研究[D]. 南宁: 广西大学, 2019.

ZHU W T. Research on Insulator Identification and Spectral Defect Detection Technology of Transmission Line[D]. Nanning: Guangxi University, 2019.

[6] 高世闯. 基于全卷积神经网络的绝缘子识别与故障检测[D]. 石家庄: 石家庄铁道大学, 2020.

GAO Shichuang. Insulator Identification and Fault Detection Based on Convolutional Neural Network[D]. Shijiazhuang: Shijiazhuang Railway University, 2020.

[7] 汝承印, 张仕海, 张子淼, 等. 基于轻量级MobileNet-SSD和MobileNetV2-DeeplabV3+的绝缘子故障识别方法[J]. 高电压技术, 2022, 48(9): 3670-3679.

RU Chengyin, ZHANG Shihai, ZHANG Zimiao, et al. Insulator fault identification method based on lightweight MobileNet-SSD and MobileNetV2-DeeplabV3+[J]., 2022, 48(9): 3670-3679.

[8] 马巧慧. 基于多特征融合的绝缘子定位与故障识别的研究[D]. 大庆: 东北石油大学, 2021.

MA Qiaohui. Research on Insulator Location and Fault Identification Based on Multi-feature Fusion[D]. Daqing: Northeast Petroleum University, 2021.

[9] 周亮君, 肖世德, 李晟尧, 等. 基于SURF与GPU加速数字图像处理[J]. 传感器与微系统, 2022, 41(3): 98-100.

ZHOU Liangjun, XIAO Shide, LI Shengyao, et al. Digital image processing accelerated by SURF and GPU[J]., 2022, 41(3): 98-100.

[10] 陈熹, 张娜娜. 基于Hessian矩阵的车道线检测方法[J]. 电视技术, 2022, 46(2): 168-172.

CHEN Xi, ZHANG Nana. Lane line detection method based on hessian matrix [J]., 2022, 46(2): 168-172.

[11] 余波, 吴静, 周琦宾. 一种基于改进Canny算子的边缘检测算法[J]. 制造业自动化, 2022, 44(8): 24-26, 43.

YU Bo, WU Jing, ZHOU Qibin. An edge detection algorithm based on improved Canny operator[J]., 2022, 44(8): 24-26, 43.

[12] 崔晓荣, 沈涛, 黄建鲁, 等. FABEMD和改进局部能量窗口的红外中波和长波图像融合[J]. 光谱学与光谱分析, 2021, 41(7): 2043-2049.

CUI Xiaorong, SHEN Tao, HUANG Jianlu, et al. FABEMD and improved local energy window for infrared medium and long wave image fusion[J]., 2021, 41(7): 2043-2049.

[13] 杨晓城, 杨真乙, 阎敬业, 等. 基于拉普拉斯算子的综合孔径辐射计成像算法[J]. 电子学报, 2022, 50(2): 339-345.

YANG Xiaocheng, YANG Zhenyi, YAN Jingye, et al. Integrated aperture radiometer imaging algorithm based on Laplace operator[J]., 2022, 50(2): 339-345.

[14] 吴肖楚. 基于非下采样剪切波变换的低照度图像增强算法研究[D]. 南京: 南京邮电大学, 2020.

WU Xiaochu. Research on Low Illuminance Image Enhancement Algorithm Based on Non Downsampling Shear Wave Transform[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2020.

[15] 石森, 李小平, 徐家梁. 基于能量加权溶解气体分析的IPSO-BP变压器早期故障诊断[J]. 制造业自动化, 2022, 44(5): 43-45, 50.

SHI Sen, LI Xiaoping, XU Jialiang. Early fault diagnosis of IPSO-BP transformer based on energy weighted dissolved gas analysis[J]., 2022, 44(5): 43-45, 50.

[16] 张捍卫, 李晓玲, 杨永勤, 等. 拉普拉斯算子[J/OL] [2022-10-13]. 导航定位学报: 1-8. https://www.doc88.com/p-39339696421316.html.

ZHANG Hanwei, LI Xiaoling, YANG Yongqin, et al. Laplace operator [J/OL] [2022-10-13].: 1-8. https://www.doc88.com/p-39339696421316.html.

[17] 刘子英, 张靖, 邓芳明. 基于BP神经网络的高压隔离开关分合闸监测识别[J]. 电力系统保护与控制, 2020, 48(5): 134-140.

LIU Ziying, ZHANG Jing, DENG Fangming. Monitoring and identification of high voltage isolation switch opening and closing based on BP neural network[J]., 2020, 48(5): 134-140.

[18] York D. Least squares fitting of a straight line with correlated errors[J]., 1968, 5: 320-324.

[19] 崔庆华, 程科, 李肇基. 积分投影与连通域法结合的人眼定位[J]. 计算机与数字工程, 2019, 47(4): 949-953.

CUI Qinghua, CHENG Ke, LI Zhaoji. The combination of integral projection and connected domain method for human eye localization[J]., 2019, 47(4): 949-953.

[20] 赵文竹. 基于图像颜色特征提取的维生素C含量测定方法研究[D].淮北: 淮北师范大学, 2021.

ZHAO Wenzhu. Research on the Method for Determining Vitamin C Content Based on Image Color Feature Extraction[D]. Huaibei: Huaibei Normal University, 2021.

Catenary Insulator Fault Detection Based on Gradient Image Fusion

SHI Jie1，ZHANG Jing2，ZHONG Hanhua1

(1.,y,330000,; 2.,657000,)

To accurately identify a single infrared or visible image under all weather conditions, a gradient image fusion model is proposed to fuse infrared and visible images. First, the accelerated up robust features algorithm is used to match the feature points of the two images. Further, the sampled shear wave transform (NSST) algorithm decomposes the image to be fused to form a map with high-frequency and low-frequency component information and then fuses the high-frequency and low-frequency component maps of insulators to achieve local fusion. The high- and low-frequency component maps are inversely transformed by the inverse transform of the NSST to obtain the final fusion map and achieve global fusion. The quality of the fused images is also evaluated. The line fitting algorithm based on the least-squares method is used to detect insulator self-explosions based on a binary image, the pixel integral projection method is used to detect cracks in the insulator, and color features are used to detect whether the insulator surface is polluted. The accuracies of the detection results of a single image and fusion image were compared through experiments. The experimental results show that the recognition rates of insulator self-explosion, insulator cracks, and insulator surface contamination based on fusion images are 95%, 91%, and 90%, respectively, which are higher than the recognition rates of single infrared image or visible image.

OCS insulator fault, image fusion, local fusion, global integration, image quality evaluation

TM854，TP391.4

A

1001-8891(2023)10-1106-12

2022-11-27；

2023-01-19.

石杰（1990-），男，硕士，研究方向：电力系统故障分析与诊断。E-mail：1003569980@qq.com。

张靖（1994-），男，硕士，研究方向：电气设备故障诊断，E-mail：1780040544@qq.com。

江西省教育厅青年基金项目（GJJ2200659）；国家自然科学基金（52267015）。