譜聚類圖像分割在絕緣子憎水性批量檢測系統(tǒng)中的應(yīng)用

柯良斌，李宗剛，杜亞江，朱香將

譜聚類圖像分割在絕緣子憎水性批量檢測系統(tǒng)中的應(yīng)用

柯良斌1,2，李宗剛1,2，杜亞江1,2，朱香將1,2

(1. 蘭州交通大學(xué) 機(jī)電工程學(xué)院，甘肅 蘭州 730070；2. 蘭州交通大學(xué) 機(jī)器人研究所，甘肅 蘭州 730070)

針對現(xiàn)有的復(fù)合絕緣子憎水性檢測效率較低且判定不準(zhǔn)確的問題，設(shè)計(jì)了一個基于譜聚類算法的憎水性批量檢測系統(tǒng)。檢測裝置主要由環(huán)形燈、二軸運(yùn)動平臺及底部的旋轉(zhuǎn)托盤組成。二軸運(yùn)動機(jī)構(gòu)上安裝有攝像頭和噴頭，底部有一個可放置4個絕緣子的旋轉(zhuǎn)托盤，通過步進(jìn)電機(jī)作分度運(yùn)動。經(jīng)過一系列的預(yù)處理，有效減少了環(huán)境對絕緣子圖像質(zhì)量的影響。根據(jù)譜聚類算法對預(yù)處理后的圖像進(jìn)行分割，然后獲取最大水珠，以改進(jìn)的形狀因子法為基礎(chǔ)，供上位機(jī)進(jìn)行憎水性判定。經(jīng)過仿真實(shí)驗(yàn)可知，相比于FCM、K-means等方法，該方法針對絕緣子圖像有較好的分割效果，且該系統(tǒng)既能有效地提高檢測的準(zhǔn)確率和效率，又能實(shí)現(xiàn)批量檢測。

復(fù)合絕緣子；批量檢測機(jī)構(gòu)；HC分級法；譜聚類分割

復(fù)合絕緣子是鐵路、電力系統(tǒng)的重要安全設(shè)備，其性能對系統(tǒng)的可靠性有著重要影響。以鐵路運(yùn)輸為例，冬季由于天氣惡劣，經(jīng)常發(fā)生機(jī)車頂部受電弓處絕緣子閃絡(luò)[1?2]，炸裂事故，造成接觸網(wǎng)停電，對鐵路運(yùn)輸帶來極大損失[3]。由于憎水性是衡量復(fù)合絕緣子絕緣性能的重要指標(biāo)[4]，因此人們相繼提出了多種在線、離線檢測復(fù)合絕緣子憎水性方法[5]。在離線檢測研究中，杜亞江等[6]設(shè)計(jì)了一個封閉檢測環(huán)境，對放入檢測機(jī)的單個絕緣子進(jìn)行檢測，用傳統(tǒng)圖像處理方法進(jìn)行處理；XIA等[7]提出了基于數(shù)學(xué)形態(tài)學(xué)和貝葉斯分割的絕緣子等級檢測方法。對圖像進(jìn)行灰度預(yù)處理和降噪處理后，用所提算法對圖像進(jìn)行分割。采用聯(lián)合形態(tài)濾波的方法獲得圖像分割結(jié)果；靳華中等[8]分別利用云模型和譜聚類對圖像進(jìn)行分割比較，得出云模型適用于灰度圖像的分割，而譜聚類適用的圖像種類無限制；汪佛池等[9]用改進(jìn)的canny算子和BP神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行等級判定，其采集圖像過程中用人工噴灑裝置進(jìn)行實(shí)驗(yàn)；張浩等[10]以影響絕緣子憎水性的2個參數(shù)為基礎(chǔ)，利用軟件設(shè)計(jì)檢測系統(tǒng)?；谝陨显?，本文擬設(shè)計(jì)一個全自動復(fù)合絕緣子憎水性等級檢測設(shè)備，主要研究工作包括：首先設(shè)計(jì)一個主要由二軸運(yùn)動平臺和盤形旋轉(zhuǎn)裝置構(gòu)成的憎水性檢測機(jī)，針對憎水性檢測效率較低的問題，旋轉(zhuǎn)托盤增加到4個工位；對于人工噴灑不均勻和圖像獲取環(huán)境多變的問題，二軸運(yùn)動平臺上霧化噴頭和移動的攝像頭保證了水珠的均勻和圖像的質(zhì)量。其次，引入譜聚類Ncut算法[11]，并將其運(yùn)用到絕緣子憎水性檢測中，通過對FCM，K-Means和譜聚類Ncut算法3種方法進(jìn)行仿真對比、分割結(jié)果評估，綜合得到相比FCM和K-Means算法，譜聚類Ncut算法填補(bǔ)了數(shù)字圖像處理的“硬分割”和FCM，K-Means易陷入局部最優(yōu)解的欠缺[12]，在絕緣子水滴彩色圖像分割方面的適用性和效果更好。

1 憎水性檢測系統(tǒng)簡述

所設(shè)計(jì)的復(fù)合絕緣子憎水性檢測系統(tǒng)由上位機(jī)控制系統(tǒng)、機(jī)械手和檢測機(jī)組成。其中上位機(jī)控制系統(tǒng)主要功能在于協(xié)調(diào)各組成部分按照檢測流程自動完成檢測過程，同時對所獲取的憎水性圖像進(jìn)行處理，獲取憎水性等級；機(jī)械手子系統(tǒng)負(fù)責(zé)復(fù)合絕緣子在儲存單元和檢測機(jī)之間的自動搬運(yùn)；檢測機(jī)由盤型旋轉(zhuǎn)裝置、自動噴淋裝置、光照子系統(tǒng)以及攝像子系統(tǒng)構(gòu)成，構(gòu)建了標(biāo)準(zhǔn)化的絕緣子圖像獲取環(huán)境，從而一定程度上避免了因環(huán)境變化導(dǎo)致檢測結(jié)果誤差大的缺點(diǎn)，也為不同檢測算法的比較提供了標(biāo)準(zhǔn)平臺。

1.1 批量檢測機(jī)構(gòu)設(shè)計(jì)

檢測機(jī)主要由二軸運(yùn)動平臺和盤型旋轉(zhuǎn)裝置組成。其中二軸運(yùn)動平臺底部安裝有霧化噴頭、攝像頭和光照子系統(tǒng)，攝像頭和霧化噴頭可在水平導(dǎo)軌上做平移運(yùn)動，平臺整體可沿垂直方向?qū)к壸錾颠\(yùn)動，如圖1(a)所示；盤型旋轉(zhuǎn)裝置安裝在機(jī)箱底部，具有4個絕緣子放置工位，用于承載待檢測復(fù)合絕緣子，實(shí)現(xiàn)批量檢測，如圖1(b)所示。

(a) 二軸運(yùn)動平臺；(b) 盤型旋轉(zhuǎn)裝置

系統(tǒng)工作時，盤型旋轉(zhuǎn)裝置在齒輪副驅(qū)動下繞中心軸線轉(zhuǎn)動，與二軸運(yùn)動平臺相協(xié)同，逐次使待檢測復(fù)合絕緣子頂部傘面與攝像頭和噴水裝置保持合理的位置關(guān)系，實(shí)現(xiàn)焦距微調(diào)，為圖像采集提供良好條件。

1.2 標(biāo)準(zhǔn)環(huán)境及圖像獲取

檢測環(huán)境對絕緣子憎水性檢測方法的應(yīng)用有著重要的影響，為消除光照變化、攝像頭與絕緣子傘面關(guān)系不確定等因素造成的檢測結(jié)果不準(zhǔn)確，設(shè)計(jì)了標(biāo)準(zhǔn)化的檢測環(huán)境。一是光照子系統(tǒng)采用環(huán)形防水燈，固定在二軸運(yùn)動平臺頂部，朝向復(fù)合絕緣子傘面，光強(qiáng)900流明左右；二是自動噴淋系統(tǒng)霧化噴頭與絕緣子上傘面之間的距離為15~35 cm之間[3]；三是攝像頭平行于傘面安裝，距離傘面比噴頭稍近一些，使得被測傘面充滿攝像頭的取景框，實(shí)現(xiàn)憎水性圖像的獲取。

2 絕緣子圖像預(yù)處理

在標(biāo)準(zhǔn)檢測環(huán)境中所獲取的圖像仍需要做一系列預(yù)處理，達(dá)到消除無關(guān)信息，增強(qiáng)所需信息的目的。根據(jù)預(yù)處理流程，通過灰度化、直方圖均衡、濾波等手段對所獲得的圖像進(jìn)行處理[13]。

圖像灰度化可以減少所需的數(shù)據(jù)量，提高算法的速度和判別的準(zhǔn)確性。鑒于絕緣子憎水性圖像為RGB模式，因此需要對其3個分量分別根據(jù)式(1)進(jìn)行灰度化。3個分量以不同的權(quán)重進(jìn)行加權(quán)平均。人眼對綠色敏感最高，對藍(lán)色敏感最低，故采用灰度公式：

式中：代表加權(quán)灰度值；,和分別代表色圖的紅、綠、藍(lán)分量，分量也稱通道分量。分量法是對于水珠或者背景的每個像素的，和分量的差異性總結(jié)出的方法。基于式(1)，對所得圖像分別采用分量法、均值法、加權(quán)平均法[14]和灰度化所得結(jié)果如圖2所示。

(a) 原圖；(b) 平均化；(c) 加權(quán)平均；(d) 圖像分量

圖2 彩色圖像灰度化

Fig. 2 Color image graying

圖2(b)平均化后對比度很低，未能突出水滴邊緣；圖2(c)和2(d)均能較好地實(shí)現(xiàn)灰度化,但是對于絕緣子圖像而言，分量最大，分量是最小的，因此相對于水珠和背景，分量所得灰度差最大，結(jié)合文獻(xiàn)[6]可知，通道分量圖對比度明顯優(yōu)于其他，故以圖2(d)作為灰度化后的圖形，供后續(xù)圖像處理。為了更進(jìn)一步地凸顯圖像特征，對所得灰度圖像進(jìn)行直方圖均衡化處理。該方法的本質(zhì)是通過對灰度圖像的非線性拉伸，重新分配象元，從而凸顯圖像關(guān)鍵特征，其函數(shù)表達(dá)式為：

(a) 直方圖；(b) 均衡化后直方圖

圖3 灰度直方圖均衡

Fig. 3 Gray histogram equalization

為了盡量保證圖像細(xì)節(jié)且突出邊緣，對均衡化后的圖像選用以下3種常用方法進(jìn)行濾波處理，去除圖像中的噪點(diǎn)，如圖4所示。由圖4可知，中值濾波生成的圖像較適合于邊緣像素的標(biāo)定，因此選擇中值濾波進(jìn)行去噪處理[15]。

(a) b分量均衡化；(b) 均值濾波；(c) 高斯濾波；(d) 中值濾波

圖4 圖像濾波

Fig. 4 Image filtering

3種濾波方法處理后的圖像如圖4所示，對于效果基本一致的均值和中值濾波后的圖像，采用峰值信噪比PSNR(Peak Signal to Noise Ratio)和均方誤差MSE(Mean-Square Error)來評價。

PSNR稱為峰值信噪比，是最普遍、使用最廣泛的圖像處理后評價方法，常用對數(shù)分貝來表示。PSNR值越大則圖像質(zhì)量越好。MSE則是原圖像和處理后圖像像素差值的均方誤差，通過均方值的大小確定失真程度。

表1 濾波結(jié)果比較

通過以上2個指標(biāo)的定量比較，中值濾波的信噪比較大，且均方差較小，濾波后失真較小，由此說明中值濾波方法更適合本文的圖像進(jìn)行去噪預(yù)處理。

3 譜聚類分割在絕緣子圖像中的應(yīng)用

譜聚類是一種應(yīng)用廣泛的聚類算法，通過對所有像素組成的圖像進(jìn)行切割，使不同子圖之間的邊緣權(quán)重特別的低，但是子圖內(nèi)的邊緣權(quán)重盡可能高，從而達(dá)到分割的目的[16]。

與傳統(tǒng)的K均值算法相比，譜聚類算法對數(shù)據(jù)分布的適應(yīng)性更強(qiáng)，同時，譜聚類算法中的Ncut算法效率優(yōu)于FCM算法和K-means算法，而且譜聚類不受樣本空間形狀的限制，能收斂于全局最優(yōu)解，因此本文選用Ncut算法對圖像進(jìn)行處理。

3.1 Ncut算法的基本原理

Ncut切圖與Ratiocut切圖比較相似，區(qū)別就是用(A)替換Ratiocut的分母|A|。由于子圖的樣本數(shù)目在權(quán)重上不一定是很大的，因此根據(jù)權(quán)重對圖進(jìn)行切割，這樣做更符合目標(biāo)，因而Ncut切圖通常優(yōu)于Ratiocut。

由此，極小化優(yōu)化目標(biāo)轉(zhuǎn)化為為：

3.2 Ncut算法的基本步驟

用輸入的相似矩陣生成方式建立相似度矩陣，然后根據(jù)相似矩陣構(gòu)建鄰接矩陣；

2) 用式(10)計(jì)算度矩陣，d表示圖中第個點(diǎn)的度數(shù)；

3.3 Ncut算法在絕緣子圖像中的應(yīng)用

對上述處理后的圖像及不同憎水性的水滴圖進(jìn)行譜聚類分割，得出的聚類分割效果圖如5所示。

為了證明譜聚類算法針對絕緣子圖像的普適性，采集3組不同憎水性的圖像進(jìn)行仿真對比。并通過改變拍攝環(huán)境來減小水滴與背景的對比度。

第1和2組圖像中人為加入顏料，增強(qiáng)了對比度，這樣得到的邊緣更清晰；為了驗(yàn)證算法的普適性，在第3組中不加顏料進(jìn)行仿真，并且使得從第1組到第3組憎水性依次降低。

3個組的圖像分別進(jìn)行K-means, FCM及譜聚類分割結(jié)果如圖5所示。由于圖像存在反光點(diǎn)、邊緣不連續(xù)，黏連水珠較多問題，利用傳統(tǒng)的二值化、形態(tài)學(xué)的填充腐蝕處理，使得邊緣更加突出、平 滑[6]；之后再進(jìn)行連通域標(biāo)記處理，以獲得最大水珠。最后根據(jù)以上提及的改進(jìn)的形狀因子法提供給上位機(jī)進(jìn)行憎水性等級計(jì)算，改進(jìn)的形狀因子判定依據(jù)如表2所示。

圖5 邊緣分割

表2 改進(jìn)的形狀因子判定準(zhǔn)則

表征憎水性的因子很多，比如離心率，水跡覆蓋比等，都不能很好地映射其與等級之間的函數(shù)關(guān)系，因此以改進(jìn)的形狀因子法為基礎(chǔ)進(jìn)行等級判定。改進(jìn)的形狀因子法就是將最大水珠(水膜)的面積比和形狀因子f2個特征結(jié)合起來進(jìn)行判定的一種方法。但是在實(shí)際判定過程中將以面積比為主導(dǎo)，形狀因子輔助其完成判定過程。其中，面積比由下式給出：

代表最大水珠/水膜的面積比；表示最大水珠/水膜面積；表示圖像的總面積；其中面積都是以像素點(diǎn)計(jì)算的；日本學(xué)者T. Tokoro提出用形狀因子來表征憎水性等級。形狀因子f可用公式表示為：

為最大水珠或水膜的面積；為最大水珠或水膜的周長。水滴越接近圓，f的值就趨近于1，隨著等級的增大，憎水性越來越小，相應(yīng)的f的值離1就越遠(yuǎn)。

為了定量評價分割效果，本文用圖像分割交并比IOU和假陽性率FPR作為評價的指標(biāo)：

圖6 分割結(jié)果的位置關(guān)系

代表原分割圖像；代表已分割的圖像；代表兩者的交疊率。FCM算法，K-Means算法以及本文譜聚類算法的分割交并比和假陽性率如表3所示。

表3 聚類結(jié)果比較

表4 圖像分割結(jié)果

表3對圖5所給的不同環(huán)境下采集的3組圖片的分割結(jié)果進(jìn)行定量評價。由評價結(jié)果可知，不但所采集的對比度較大的第2組圖片符合假陽性率的評定，而且在環(huán)境變化后的第1和3組中，譜聚類算法分割后的圖像IOU都比其他2種方法的稍大，除了個別數(shù)據(jù)波動之外，譜聚類分割后的假陽性率FPR均比K-means和FCM的較小。

由表4可知：在憎水性較好的第1組中，雖然3種方法得到的等級一樣，但是譜聚類算法對邊緣信息更敏感，能較多地分割出黏連水珠；第2組中譜聚類分割的效果明顯優(yōu)于其他2個，且能分割更多的小水滴；隨著憎水性的變差及圖形的復(fù)雜，譜聚類算法優(yōu)勢變小且仿真時耗時變得特別大，但是總體趨勢跟前2組的類似，還是較好于K-means和FCM算法。

4 結(jié)論

1) 設(shè)計(jì)了一種裝有攝像頭和霧化噴頭的二軸運(yùn)動平臺，配合置放絕緣子的旋轉(zhuǎn)托盤以及機(jī)械臂，能很好地提升檢測的效率，實(shí)現(xiàn)批量檢測。

2) 水滴圖像是噪聲含量較高的彩色圖像， FCM處理噪聲影響嚴(yán)重的圖片不具優(yōu)勢且K- means算法和FCM都易陷入局部最優(yōu)解，而譜聚類算法能較好地收斂于全局最優(yōu)解；表3中對3種方法分割結(jié)果用交并比IOU和假陽性率FPR進(jìn)行評價；表4得出了憎水性等級分割結(jié)果，在邊緣信息及水滴數(shù)量的檢測中，譜聚類算法更加突出，綜上所述，本文所用算法能較好地適用于絕緣子水滴圖像的分割。

[1] 李從洋, 丁晶, 田智勇, 等. 高速列車車頂絕緣子均壓環(huán)的優(yōu)化設(shè)計(jì)[J]. 高壓電器, 2019, 55(6): 164?169.LI Congyang, DING Jing, TIAN Zhiyong, et al. Optimized design of the equalizing ring for the roof insulator of high-speed trains[J]. High Voltage Apparatus, 2019, 55(6): 164?169.

[2] TAO Weiliang, WANG Xianpei, WANG Quande, et al. Research of measurement on insulator's contact angles based on image processing[C]// Proceedings of 1st International Conference on Intelligent Networks & Intelligent Systems, 2008: 453?456.

[3] 劉強(qiáng)兵. 基于圖像處理的復(fù)合絕緣子憎水性檢測[D].蘭州: 蘭州交通大學(xué), 2015. LIU Qiangbing. The hydrophobicity detection of composite insulator based on image processing[D]. Lanzhou: Lanzhou Jiaotong University, 2015.

[4] CHEN Xiujuan, LI Chengrong,HUANG Xingquan, et al. On-line estimating the level of hydrophobicity of composite insulators using the digital images[C]// Proceedings of Electrical Insulation Conference & Electrical Manufacturing Expo, 2006: 216?221.

[5] 楊洋. 復(fù)合絕緣子憎水性檢測方法研究[J]. 電子制作, 2016(增1): 63?64. YANG Yang. Study on testing method for hydrophobicity of composite insulators[J]. Practical Electronics, 2016(Suppl 1): 63?64.

[6] 杜亞江, 李賀, 李宗剛. 種標(biāo)準(zhǔn)化的復(fù)合絕緣子憎水性檢測系統(tǒng)研究[J]. 鐵道科學(xué)與工程學(xué)報, 2018, 15(3): 755?762. DU Yajiang, LI He, LI Zonggang. Research on a standardized hydrophobicity detection system for composite insulator [J]. Journal of Railway Science and Engineering, 2008, 15(3): 755?762.

[7] XIA Fei, TIE Haifeng, SHI Enwei, et al. Insulator recognition based on mathematical morphology and Bayesian segmentation[C]// International Congress on Image & Signal Processing. IEEE, 2018.

[8] 靳華中, 周祺, 劉智華. 云模型和譜聚類的圖像分割特性分析[J]. 軟件導(dǎo)刊, 2010, 9(12): 201?203. JIN Huazhong, ZHOU Qi, LIU Zhihua. Analysis of image segmentation characteristics of cloud model and spectral clustering[J]. Software Guide, 2010, 9(12): 201? 203.

[9] 汪佛池, 閆康, 張重遠(yuǎn), 等. 基于改進(jìn)的Canny算子的憎水性圖像分割方法的研究[J]. 高壓電器, 2014, 50(1): 97?101. WANG Fuchi, YAN Kang, ZHANG Chongyuan, et al. Study on segmentation method of hydrophobic image based on improved Canny operator[J]. High Voltage Electrical Appliance, 2014, 50(1): 97?101.

[10] 張浩, 朱弘釗, 岳靈平, 等. 復(fù)合絕緣子憎水性帶電檢測系統(tǒng)研究[J]. 電瓷避雷器, 2013(5): 36?39, 43. ZHANG Hao, ZHU Hongzhao, YUE Lingping, et al. Study on hydrophobic live detection system of composite insulator[J]. Electric Porcelain Arrester, 2013(5): 36?39, 43.

[11] 鄒小林, 秦書南. 基于譜聚類的高鐵對沿線城市影響研究[J]. 韶關(guān)學(xué)院學(xué)報, 2017(3): 14?19. ZOU Xiaolin, QIN Shunan. Study on the impact of high-speed rail on cities along the route based on spectral clustering[J]. Journal of Shaoguan University, 2017(3): 14?19.

[12] 王焱, 王卉蕾. 改進(jìn)的譜聚類算法在圖像分割中的應(yīng)用[J]. 測控技術(shù), 2018, 37(4): 16?20. WANG Yan, WANG Huilei. Application of improved spectral clustering algorithm in image segmentation[J]. Measurement and Control Technology, 2018, 37(4): 16? 20.

[13] 項(xiàng)陽, 潘新. 印鑒圖像預(yù)處理方法研究[J]. 微型機(jī)與應(yīng)用, 2017, 36(15): 41?44. XIANG Yang, PAN Xin. Research on seal image preprocessing method[J]. Microcomputer and Application, 2017, 36(15): 41?44.

[14] 李曉芳. 基于自適應(yīng)線性加權(quán)的彩色圖像灰度化算法研究[D]. 蘭州: 蘭州大學(xué), 2019. LI Xiaofang. Research on color image graying algorithm based on adaptive linear weighting[D]. Lanzhou: Lanzhou University, 2019.

[15] Kuninobu Y, Seiki T, Kanamaru S, et al. Edge detection of composite insulators hydrophobic image based on improved canny operator[J]. Energy & Power Engineering, 2016, 5(4): 593?596.

[16] LIU Zhongmin, LI Zhanming, LI Bohao, et al. Spectral clustering image segmentation based on sparse matrix [J]. Journal of Jilin University, 2017, 47(4): 1308?1313.

Application of spectral clustering image segmentation in insulator hydrophobicity batch detection system

KE Liangbin1, 2, LI Zonggang1, 2, DU Yajiang1, 2, ZHU Xiangjiang1, 2

(1. School of Mechatronic Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China;2. Robot Research Institute, Lanzhou Jiaotong University, Lanzhou 730070, China)

Aiming at the problem that the existing composite insulators have low hydrophobic detection efficiency and inaccurate grade determination, a hydrophobic batch inspection system was designed.The detection device is mainly composed of a ring light, a two-axis motion platform, and a rotating tray at the bottom. The two-axis motion mechanism is equipped with a camera and a nozzle. The bottom has a rotating tray for placing four insulators. The stepping motor is used for indexing movement. After image graying, histogram equalization, filtering, morphological processing and other pre-processing, reducing the impact of the environment on the image quality of the insulator effectively.The pre-processed image is segmented according to the spectral clustering algorithm, then obtained the maximum water droplet. Based on the improved shape factor method, the host computer is used for hydrophobic detection determination. The simulation experiment shows that compared with FCM, K-means and other methods, this method has better segmentation effect for the insulator image. The system can improve the accuracy and efficiency of detection effectively, and also can realize batch detection.

composite insulator; batch testing mechanism; HC classification method; spectral clustering segmentation

10.19713/j.cnki.43?1423/u.T20190974

TP391

A

1672 ? 7029(2020)07 ? 1833 ? 08

2019?11?05

國家自然科學(xué)基金資助項(xiàng)目(61663020)；甘肅省高等學(xué)校科研項(xiàng)目成果轉(zhuǎn)化項(xiàng)目(2018D-10)；蘭州交通大學(xué)“百人計(jì)劃”項(xiàng)目

李宗剛(1975?)，男，寧夏西吉人，教授，博士，從事智能仿生機(jī)器人、多智能體系統(tǒng)協(xié)作控制、智能信息處理等方向的研究；E?mail：lizongg@126.com

(編輯 陽麗霞)