陳俊佑,金立軍*,段紹輝,姚森敬,趙 靈
(1.同濟(jì)大學(xué) 電子與信息工程學(xué)院,上海 201804; 2.深圳供電局有限公司,廣東 深圳 518010)
隨著社會(huì)的發(fā)展,電力需求越來越大,電力設(shè)備的負(fù)荷也不斷增加,由于電力設(shè)備大多位于室外,在長期的風(fēng)雨侵襲下,不免會(huì)產(chǎn)生損壞而引起電力系統(tǒng)故障。熱缺陷是由于設(shè)備損壞產(chǎn)生的局部過熱,是電力故障中最常見的一種,熱缺陷危害著電力系統(tǒng)的安全運(yùn)行,若不能被及時(shí)發(fā)現(xiàn),可能導(dǎo)致嚴(yán)重的電力事故,造成極大的經(jīng)濟(jì)損失。隨著紅外熱成像診斷技術(shù)的普及,其在電力系統(tǒng)在線故障監(jiān)測方面發(fā)揮的作用也越來越重要[1-3]。電力設(shè)備種類繁多,不同設(shè)備能承受的溫度也有較大差別,因此對(duì)電力設(shè)備進(jìn)行分割識(shí)別是紅外診斷技術(shù)中一個(gè)重要環(huán)節(jié)。紅外圖像目標(biāo)的特征提取是識(shí)別中的關(guān)鍵步驟,目前常用的特征提取方法有角點(diǎn)檢測、Hough直線檢測、邊緣檢測、不變矩等。
本研究提取的對(duì)象為紅外分割圖像中的電力設(shè)備,其在拍攝過程中最易受拍攝角度、距離等的影響,而不變矩具有旋轉(zhuǎn)、平移、縮放等不變性,因此本研究選擇不變矩特征作為特征提取對(duì)象。
圖像分割即將一幅圖像分割成不同的區(qū)域,同一區(qū)域內(nèi)圖像性質(zhì)相同或相似。對(duì)于電力設(shè)備紅外熱圖,其目標(biāo)與背景溫度有較大差異,在圖像中表現(xiàn)為顏色與亮度的不同,研究者可根據(jù)這一特性將設(shè)備從背景中提取出來以做進(jìn)一步的分析[4]。
在紅外圖像中,電力設(shè)備的溫度通常要比背景溫度高,設(shè)備中故障點(diǎn)的溫度也會(huì)明顯高于其他部位。因此,研究者可選取圖像中溫度最高處(即灰度圖像中灰度值最大)的點(diǎn)作為種子點(diǎn),根據(jù)種子生長準(zhǔn)則獲得該點(diǎn)所處的電力設(shè)備圖像,進(jìn)而對(duì)該設(shè)備做進(jìn)一步識(shí)別與故障判定。
種子點(diǎn)選好之后,要按照一定的準(zhǔn)則生長出該種子點(diǎn)所在的電力設(shè)備圖像。本研究選用一個(gè)先進(jìn)先出的隊(duì)列,遍歷從起始點(diǎn)開始生長建立起來的樹。首先,給圖像中每個(gè)點(diǎn)標(biāo)記兩個(gè)標(biāo)簽m、n。m用來判斷是否已生長,m=1表示已生長,m=0表示還未生長;n用來判斷該點(diǎn)是否為邊緣,n=1表示是邊緣,n=0表示不是邊緣。然后,筆者建立一個(gè)空的隊(duì)列,將選取好的種子點(diǎn)加入隊(duì)列。
具體的種子生長流程如圖1所示。
本研究按照以上流程對(duì)一幅圖像進(jìn)行處理,直至隊(duì)列為空,表明已經(jīng)沒有點(diǎn)滿足生長要求。此時(shí),系統(tǒng)掃描整幅圖像中的所有像素點(diǎn),m=1的點(diǎn)即為目標(biāo)區(qū)域內(nèi),n=1的點(diǎn)則處于目標(biāo)邊緣,由此可獲得整個(gè)目標(biāo)區(qū)域的二值圖像。
上述生長方式中,生長條件決定著一個(gè)點(diǎn)能否進(jìn)入隊(duì)列成為目標(biāo)點(diǎn),因此生長條件的選擇至關(guān)重要,本研究選擇灰度相似性判決方法[5-6]作為圖像點(diǎn)的生長條件。
設(shè)已分割區(qū)域像素點(diǎn)灰度均值為x,待測像素點(diǎn)灰度值為y,則待測點(diǎn)與已分割區(qū)域像素點(diǎn)相似性為:
圖1 種子生長流程圖
式中:w—非負(fù)權(quán)值。
若s小于某一設(shè)定值,則可認(rèn)為待測點(diǎn)與已分割區(qū)域相似,滿足生長條件,同時(shí)需對(duì)均值x進(jìn)行更新:
式中:N—已分割區(qū)域像素點(diǎn)數(shù)。
本研究根據(jù)以上生長條件及生長準(zhǔn)則,對(duì)一幅紅外CT圖像進(jìn)行分割,區(qū)域生長結(jié)果如圖2所示。
圖2 區(qū)域生長結(jié)果
原始紅外圖如圖2(a)所示,所選種子點(diǎn)在圖中用小圓圈標(biāo)記;區(qū)域生長結(jié)果圖如圖2(b)所示。從圖2中可以看出,該方法能夠較好地將紅外圖像中的目標(biāo)區(qū)域提取出來,為后續(xù)識(shí)別過程提供高質(zhì)量的分割圖像。
Hu矩是1964年由Hu提出的[7],是提取圖像旋轉(zhuǎn)、縮放特征的二維不變矩理論,具有旋轉(zhuǎn)、縮放和平移不變性。
設(shè)一幅圖像大小為m×n,f(x,y)是圖像中(x,y)點(diǎn)處的灰度值,則圖像的(p+q)階原點(diǎn)矩為:
為保證圖像在旋轉(zhuǎn)、縮放、平移時(shí)的不變性,求其中心距:
式中:x0,y0—整幅圖像的中心坐標(biāo),x0=m10/m00,y0=m01/m00;(x0,y0)—圖像的灰度質(zhì)心。
中心距up q是圖像平移的不變量,對(duì)其規(guī)范化,可得到平移和縮放的不變矩:
本研究應(yīng)用代數(shù)不變矩理論,對(duì)f(x,y)的(p+q)階中心距歸一化后進(jìn)行線性組合,得7個(gè)Hu不變矩,如下式所示:
這7個(gè)不變距具有平移、縮放和旋轉(zhuǎn)的不變性,但由于這7個(gè)不變矩變化范圍較大,可能出現(xiàn)負(fù)值,因此,實(shí)際采用的不變矩為:
在實(shí)際應(yīng)用中,圖像不僅有位置和旋轉(zhuǎn)的差別,還有尺度、對(duì)比度等差別,本研究對(duì)式(7)中各不變矩做組合變換[8],得到具有尺度、位置和旋轉(zhuǎn)不變性的不變矩,如下式所示:
特征提取是指從圖像中提取出目標(biāo)的特征,以做進(jìn)一步的分析識(shí)別。本研究提取的對(duì)象為紅外分割圖像中的電力設(shè)備不變矩特征,獲得6個(gè)不變矩組成的特征向量為I=(β1,β2,β3,β4,β5,β6)。
由以上分析可知,Hu不變矩具有平移、縮放和旋轉(zhuǎn)的不變性,為驗(yàn)證該特性,本研究選擇CT紅外圖像做旋轉(zhuǎn)、縮放變換后進(jìn)行分割,計(jì)算而得其不變矩特征如表1所示。
表1 CT紅外圖像不變矩特征提取
從表1可以看出,經(jīng)旋轉(zhuǎn)、縮放后CT紅外圖像的Hu不變矩與原始圖像基本保持不變,保留了CT圖像的特征,因此,其在實(shí)際應(yīng)用中不會(huì)受到拍攝角度、拍攝距離等的影響。
為實(shí)現(xiàn)對(duì)不同電力設(shè)備的識(shí)別,本研究選擇CT、變壓器、母線接頭和避雷針將軍帽4種電力設(shè)備的紅外圖像進(jìn)行分析,得到它們的不變矩如表2所示。
表2 不同電力設(shè)備的不變矩特征提取
通過研究表1和表2中數(shù)據(jù)可知,筆者提取得到的不同電力設(shè)備不變矩特征向量有較大差別,而相同電力設(shè)備的特征向量差別很小,因此本研究可根據(jù)分割圖像的特征向量來對(duì)電力設(shè)備做進(jìn)一步識(shí)別,并結(jié)合種子點(diǎn)的溫度值來判斷該設(shè)備是否產(chǎn)生故障。
特征提取的結(jié)果需要進(jìn)行分類以確定設(shè)備類型,本研究選擇BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)一個(gè)多輸出型分類器,其結(jié)構(gòu)如圖3所示。
分類器采用多輸出型的3層BP神經(jīng)網(wǎng)絡(luò),其拓?fù)浣Y(jié)構(gòu)為6—7—4。其中,6為輸入節(jié)點(diǎn)數(shù),即特征向量的維數(shù);4為輸出節(jié)點(diǎn)數(shù),即輸出的4個(gè)類;7為隱節(jié)點(diǎn)數(shù),可根據(jù)分類器要求的訓(xùn)練時(shí)間和分類精度共同決定[9-11]。
BP網(wǎng)絡(luò)結(jié)構(gòu)確定之后,研究者要通過輸入和輸出樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,即對(duì)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正,以使網(wǎng)絡(luò)實(shí)現(xiàn)給定的輸入/輸出映射關(guān)系,訓(xùn)練好的網(wǎng)絡(luò)即可用于對(duì)未知樣本的識(shí)別。
圖3 BP分類器結(jié)構(gòu)
訓(xùn)練和識(shí)別流程圖如圖4所示。
圖4 BP網(wǎng)絡(luò)識(shí)別流程
本研究選擇紅外CT、變壓器、母線接頭和避雷針將軍帽各20幅圖像,并對(duì)每幅圖像做旋轉(zhuǎn)60°、120°、180°、240°和放大0.5、2倍處理,共計(jì)得到560幅圖像作為輸入樣本,對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練誤差為0.05。
訓(xùn)練誤差曲線如圖5所示。
圖5 網(wǎng)絡(luò)誤差曲線圖
本研究對(duì)4種電力設(shè)備的紅外圖像各選取50張作為未知樣本,輸入訓(xùn)練好的分類器中進(jìn)行識(shí)別。
BP網(wǎng)絡(luò)分類器識(shí)別結(jié)果如表3所示。
通過分析表3數(shù)據(jù)可知,平均每幅圖像的識(shí)別時(shí)間為0.2 s,可以滿足實(shí)際應(yīng)用的要求。該分類器的平均識(shí)別率為98%,其中不能識(shí)別的原因是由于紅外拍攝過程中周圍環(huán)境的反射太強(qiáng),致使圖像中背景亮度與設(shè)備邊緣亮度比較接近,區(qū)域生長過程中出現(xiàn)邊緣選擇的錯(cuò)誤,因此,研究者在拍攝過程中需盡量避免反射性強(qiáng)的環(huán)境。
表3 BP網(wǎng)絡(luò)分類器識(shí)別結(jié)果
本研究依據(jù)電力設(shè)備紅外圖像的特點(diǎn),提出了采用區(qū)域生長的方法對(duì)紅外圖像進(jìn)行分割,有效地去除了背景,獲得了獨(dú)立的電力設(shè)備二值圖像;然后在Hu不變矩所具有的平移、旋轉(zhuǎn)、縮放不變性基礎(chǔ)上對(duì)其進(jìn)行改進(jìn),并通過實(shí)際電力設(shè)備圖像對(duì)以上特性做出驗(yàn)證,用于提取分割后圖像中電力設(shè)備的不變矩特征;最后采用BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)分類器,對(duì)提取出的不變矩特征向量作分類識(shí)別。
試驗(yàn)結(jié)果表明,該方法識(shí)別準(zhǔn)確率高,在電力系統(tǒng)在線故障監(jiān)測中有著良好的應(yīng)用前景。
(References):
[1] 梁利利,趙高長.變電站紅外圖像的識(shí)別與故障診斷[D].西安:西安科技大學(xué)理學(xué)院,2010.
[2] 張益滔.紅外線檢測技術(shù)判斷電氣事故[J].高電壓技術(shù),2006,32(2):112-113.
[3] 張 浩,王 偉.圖像識(shí)別技術(shù)在電力設(shè)備監(jiān)測中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制,2010,38(6):88-91.
[4] GONZALEZ R C.Digital Image Processing[M].Beijing:Publishing House of Electronics Industry,2010.
[5] 夏 晶,孫繼根.基于區(qū)域生長的前視紅外圖像分割方法[J].激光與紅外,2011,41(1):107-111.
[6] 周 赟,李久賢,夏良正.基于區(qū)域生長的紅外圖像分割[J].南京理工大學(xué)學(xué)報(bào),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] 田秋紅,孫政榮.基于Hu不變矩和BP網(wǎng)絡(luò)的條形碼圖像識(shí) 別 方 法[J].計(jì) 算 機(jī) 工 程 與 設(shè) 計(jì) ,2012,33(4):1563-1568.
[9] 張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].2版.北京:機(jī)械工業(yè)出版社,2012.
[10] 張 憲,江愛榮.遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)熔深預(yù)測模型[J].輕工機(jī)械,2011,29(3):27-31.
[11] 沈鳳龍,畢 娟.基于BP神經(jīng)網(wǎng)絡(luò)分類器的多目標(biāo)識(shí)別方法研究[J].遼東學(xué)院學(xué)報(bào):自然科學(xué)版,2008,15(4):205-209.