融合PHOG和BOW-SURF特征的接觸網(wǎng)絕緣子缺陷檢測方法

陳國翠，顧桂梅,2，余曉寧，李占斌

1(蘭州交通大學(xué) 自動化與電氣工程學(xué)院，蘭州 730070) 2(甘肅省人工智能與圖形圖像處理工程研究中心，蘭州 730070) 3(甘肅省軌道交通裝備系統(tǒng)動力學(xué)與可靠性重點(diǎn)實(shí)驗(yàn)室, 蘭州 730070)

1 引 言

絕緣子在接觸網(wǎng)系統(tǒng)中的作用是懸掛并保持懸掛裝置帶電部分與絕緣部分電隔離.長期的疲勞磨損和環(huán)境惡劣引起的裂紋、破損等缺陷嚴(yán)重影響著列車的安全穩(wěn)定運(yùn)行，因此，絕緣子缺陷檢測的精度和速度必須得到保障.

目前，接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測裝置普遍采用人工逐幀判別的方式對圖像進(jìn)行分析[1]，這嚴(yán)重影響缺陷檢測的精度和速度.因此，為了提高絕緣子的缺陷檢測精度和速度，程海燕等人[2]利用3DS MAX建模軟件，生成高品質(zhì)絕緣子圖像，之后以生成后的圖像為檢測樣本，使用卷積神經(jīng)網(wǎng)絡(luò)算法完成絕緣子分類，其分類正確率高達(dá)95.421%，但是需要很多絕緣子訓(xùn)練圖像樣本，并且很耗時.黃新波等人[3]提出了基于紅、藍(lán)色差和改進(jìn)K均值(K-means)的聚類分割算法，根據(jù)目標(biāo)區(qū)域的色差均值實(shí)現(xiàn)航拍正常絕緣子的分類識別，總識別率可達(dá)94.4%，但未對缺陷絕緣子進(jìn)行檢測.賴秋頻等人[4]先是利用YOLOv2網(wǎng)絡(luò)的優(yōu)勢，對絕緣子圖像特性進(jìn)行準(zhǔn)確識別，然后結(jié)合邊緣線的檢測、圖像的旋轉(zhuǎn)和垂直投影進(jìn)行絕緣子缺陷在線診斷，其缺陷診斷的平均正確率為94.4%，該方法卻只識別出破損故障的絕緣子，未對裂紋、燒傷等其他缺陷進(jìn)行檢測.本文在對絕緣子進(jìn)行缺陷檢測時，需要先提取出絕緣子特征，基于特征提取的目標(biāo)識別得到了國外學(xué)者的大量關(guān)注，Chajri Y等人[5]分別提取出手寫字體的GIST、PHOG、Centrist、SURF特征，將每個特征算子和SVM結(jié)合起來進(jìn)行訓(xùn)練，對比研究了各自對手寫字體的識別率.其實(shí)驗(yàn)表明，利用SURF特征算子的目標(biāo)識別精度為73%,而PHOG特征算子的目標(biāo)識別精度高達(dá)98%.

基于此，本文針對單個特征描述子不能描述絕緣子更多細(xì)節(jié)紋理特征以及均值濾波算法預(yù)處理所得絕緣子圖像存在的細(xì)節(jié)紋理特征不明顯和去噪效果較差的缺點(diǎn),提出改進(jìn)的快速導(dǎo)向?yàn)V波算法將原始絕緣子圖像中存在的影響提取特征的亮點(diǎn)進(jìn)行處理，然后對預(yù)處理后的圖像提取PHOG(分層梯度直方圖)和BOW-SURF(快速魯棒性詞袋特征)兩種特征，并將兩種特征進(jìn)行串行融合以提高絕緣子缺陷檢測的精度和速度.

2 改進(jìn)快速導(dǎo)向?yàn)V波算法

導(dǎo)向?yàn)V波是何凱明提出的一個各向異性濾波器的保邊濾波算法.快速導(dǎo)向?yàn)V波算法[6]是在導(dǎo)向?yàn)V波算法的基礎(chǔ)之上，將原始圖像先縮小后放大作出的改進(jìn)，提高了濾波的執(zhí)行速度.改進(jìn)快速導(dǎo)向?yàn)V波算法，即將快速導(dǎo)向?yàn)V波中的均值平滑fmean改為中值平滑fmedian，其優(yōu)點(diǎn)為：以去除噪聲為前提，具有良好的細(xì)節(jié)特征保持功能.其原理步驟如下：

1)對導(dǎo)向圖像I和濾波圖P進(jìn)行下采樣

I′=fsubsample(I,s)

(1)

P′=fsubsample(P,s)

(2)

r′=r/s

(3)

mediani=fmedian(I′,r′)

(4)

medianp=fmedian(P′,r′)

(5)

其中，s(0

2)計(jì)算輸出圖像的線性系數(shù)a和b

corri=fmedian(I′.*I′,r′)

(6)

corrip=fmedian(I′.*P′,r′)

(7)

vari=corri-mediani.*mediani

(8)

covip=corri-mediani.*medianp

(9)

a=covip./(vari+ε)

(10)

b=medianp-a.*mediani

(11)

mediana=fmedian(a,r′)

(12)

medianb=fmedian(b,r′)

(13)

其中，corr代表均值；var代表方差；cov為協(xié)方差；ε是a的正規(guī)化參數(shù)，作用是防止a過大，調(diào)用時人為設(shè)定ε值.

3)對所得系數(shù)提高采樣率

mediana=fupsample(mediana,s)

(14)

medianb=fupsample(medianb,s)

(15)

其中，fupsample代表上采樣.

4)在原始導(dǎo)向圖像上利用提升后的采樣系數(shù)得最終濾波輸出圖像

q=mediana.*I+medianb

(16)

本文采用定性和定量分析來驗(yàn)證改進(jìn)快速導(dǎo)向?yàn)V波算法的去噪和保持細(xì)節(jié)紋理特征的優(yōu)越性.

①定性分析

中值濾波、均值濾波、快速導(dǎo)向?yàn)V波以及改進(jìn)快速導(dǎo)向?yàn)V波算法的仿真結(jié)果如圖1所示.

圖1 濾波仿真結(jié)果Fig.1 Filter simulation results

圖(a)、(b)和(c)分別為完整、破損和裂紋絕緣子原始圖像，絕緣子圖像中存在的亮點(diǎn)以及細(xì)節(jié)紋理特征模糊，對提取的絕緣子特征數(shù)量有一定影響；圖(a1)、(a2)、(a3)和(a4)分別為完整絕緣子均值濾波、中值濾波、快速導(dǎo)向?yàn)V波處理圖和改進(jìn)快速導(dǎo)向?yàn)V波處理圖；圖(b1)、(b2)、(b3)和(b4)分別為破損絕緣子均值濾波、中值濾波、快速導(dǎo)向?yàn)V波處理圖和改進(jìn)快速導(dǎo)向?yàn)V波處理圖.圖(c1)、(c2)、(c3)和(c4)分別為均值濾波、中值濾波圖像、快速導(dǎo)向?yàn)V波處理圖和改進(jìn)快速導(dǎo)向?yàn)V波的裂紋絕緣子處理圖，圖像中較亮的點(diǎn)在逐漸減少而且紋理細(xì)節(jié)保持地也漸好，相比均值濾波算法，中值濾波和改進(jìn)快速導(dǎo)向?yàn)V波算法使圖像細(xì)節(jié)紋理特征變得更清晰.

②定量分析

本文采用PSNR(峰值信噪比)、SD(標(biāo)準(zhǔn)差)和T(時間/s)3種指標(biāo)針對完整絕緣子來對比分析上述濾波算法的優(yōu)劣：

1)PSNR代表了去噪效果標(biāo)準(zhǔn)，消除噪聲的效果及圖像的失真取決于PSNR值的大小，定義為：

(17)

2)一種灰度相對于灰度均值的離散程度取決于SD的大小.SD越大，則灰度級越分散，說明目標(biāo)圖像中包含的細(xì)節(jié)紋理特征越多.定義式為：

(18)

3)T是評估快速性的標(biāo)準(zhǔn)，其值越小，說明濾波所用時間越少.

分別計(jì)算圖2中的均值、中值3×3模板圖像以及改進(jìn)前后快速導(dǎo)向?yàn)V波算法PSNR、SD和T,其結(jié)果如表1所示.

表1 完整絕緣子圖像去噪結(jié)果定量分析表Table 1 Quantitative analysis of complete insulator image denoising results

由表1可知，改進(jìn)快速導(dǎo)向?yàn)V波算法的PSNR(82.8166)大于中值、均值濾波的PSNR(73.5120、70.8955)，證明了其去噪優(yōu)越性；改進(jìn)快速導(dǎo)向?yàn)V波算法的SD(38.9007)大于中值、均值濾波的SD(38.8231、39.8272),證明了其細(xì)節(jié)紋理特征保留優(yōu)越性；改進(jìn)快速導(dǎo)向?yàn)V波算法的T(0.978s)小于中值、均值濾波的T(1.318s、1.430s)，證明了其快速性.上述指標(biāo)綜合驗(yàn)證了改進(jìn)快速導(dǎo)向?yàn)V波算法在保持快速性的同時，具備了去噪效果和保持邊緣細(xì)節(jié)特征兼優(yōu)的特點(diǎn).

3 PHOG和BOW-SURF融合特征的SVM分類器

3.1 PHOG特征

PHOG[8,9]是基于HOG基礎(chǔ)上由Anna Bosch提出的算法，其原始圖像的大小是固定的，首先對原始圖像進(jìn)行塔層分割，將每一層劃分為m×n個區(qū)域；然后對上一步所分的區(qū)域進(jìn)行卷積運(yùn)算后便得到每個像素的梯度方向(0～2π)和振幅，并將2π劃分為若干相等的部分(bin);最后拼接得到的PHOG特征為m×n×bin維.特征提取流程圖如圖2所示.

分層提取絕緣子的PHOG特征直方圖如圖3所示.

其中，圖3(a)為絕緣子原圖的HOG特征直方圖；圖3(b)、圖3(c)及圖3(d)分別為從2×2 區(qū)域、4×4區(qū)域和8×8區(qū)域中提取的PHOG特征圖，8×8區(qū)域中的特征直方圖便可精確地描述圖像的局部特征.隨著區(qū)域數(shù)量的增加，提取出的絕緣子PHOG特征越明顯，包含的細(xì)節(jié)特征越多，絕緣子特征向量維數(shù)越大，而維數(shù)過大會影響提取圖像特征的速度.故本文取分3層時的絕緣子PHOG特征，其特征向量為FPHOG.

3.2 BOW-SURF特征

BOW作為信息檢索領(lǐng)域中的一種文檔表示方法，它計(jì)算了BAG中每個WORD在文檔中出現(xiàn)的頻率，構(gòu)建文檔的直方圖特征向量.構(gòu)建BOW-SURF特征描述子的前提條件是生成絕緣子圖像的SURF[10-12]特征描述子,步驟如下：

圖2 PHOG特征提取流程圖Fig.2 PHOG feature extraction flow chart

3.2.1 構(gòu)建Hessian矩陣

Hessian矩陣的行列式構(gòu)成了提取特征點(diǎn)的轉(zhuǎn)換圖像，為：

(19)

其中，g(x,y)為點(diǎn)(x,y)處的像素值.

對圖像進(jìn)行濾波處理后，再利用卷積計(jì)算出g(x,y)的二階偏導(dǎo)數(shù)，得到的H矩陣為：

(20)

其中，σ為絕緣子圖像尺度；Lxx、Lxy、Lyy為點(diǎn)x′=(x,y)處圖像與相應(yīng)高斯模板進(jìn)行的卷積運(yùn)算，那么每個絕緣子圖像像素的H矩陣行列式的估值為：

det(H)=Dxx*Dyy-(0.9*Dxy)

(21)

其中，Dxx、Dxy、Dyy為引入誤差權(quán)重w后Lxx、Lxy、Lyy的近似數(shù)值；0.9為加權(quán)系數(shù)以平衡由于使用盒式濾波器而引起的誤差.

3.2.2 構(gòu)建尺度空間

尺度空間SURF算法可以被配置為處理一個倒金字塔，由g、h表示(g代表金字塔數(shù)，h代表金字塔層數(shù)).

3.2.3 特征點(diǎn)定位

通過H矩陣處理的每個像素與鄰近的26個點(diǎn)進(jìn)行比較, 然后從這些點(diǎn)中篩選出最終的穩(wěn)定特征點(diǎn).

3.2.4 確定特征點(diǎn)主方向

以特征點(diǎn)為中心，6s(s為穩(wěn)定絕緣子特征點(diǎn)尺度值)為半徑，計(jì)算出π/3中所有點(diǎn)在x和y方向的Haar小波響應(yīng)總和，然后將π/3范圍內(nèi)的響應(yīng)相加構(gòu)成新的矢量，最后在整個圓形區(qū)域內(nèi)最長矢量的方向?yàn)榻^緣子特征點(diǎn)主方向.

圖3 絕緣子的PHOG特征直方圖Fig.3 PHOG histogram of bar insulator

3.2.5 生成特征描述子

區(qū)域塊(4×4)為特征點(diǎn)周圍所取的有效區(qū)域，之后統(tǒng)計(jì)區(qū)域內(nèi)像素的水平(水平方向上的值、水平方向上的絕對值)與垂直(垂直方向上的值、垂直方向上的絕對值)的haar小波特征，然后將上步中的4個值作為各子區(qū)域的SURF特征向量(4×16=64維).絕緣子特征點(diǎn)提取如圖4所示.

圖4 絕緣子特征點(diǎn)提取圖Fig.4 Feature point extraction diagram of rod insulator

得到SURF特征描述子后，構(gòu)建絕緣子BOW-SURF特征過程如下：

1)將訓(xùn)練集中絕緣子圖像樣本進(jìn)行視覺單詞劃分并過濾；

2)提取每個視覺單詞的SURF特征，并運(yùn)用K-means聚類算法將SURF特征描述子向量進(jìn)行區(qū)域劃分，將視覺單詞聚為k類(k=1000)；

3)將每一類的聚類中心(向量維數(shù)為64維)作為對應(yīng)視覺單詞的描述，構(gòu)建大小為k的視覺字典，最終可得到k×64維的絕緣子特征點(diǎn)視覺詞袋向量.將統(tǒng)計(jì)到的每幅圖像在詞袋中特征點(diǎn)出現(xiàn)的頻率向量FBOW-SURF作為絕緣子圖像特征.

FBOW-SURF=[fB1,fB2,…,fBn]

(22)

其中,fBn表示第n個視覺單詞出現(xiàn)的次數(shù).

3.3 PHOG和BOW-SURF特征融合

串行融合為特征級融合中的一種融合算法，它直接將樣本空間中的兩組特征向量相連得到新的特征向量，其過程運(yùn)算量小.串行融合定義式為：

(23)

融合結(jié)果如圖5所示.

圖5 融合后絕緣子圖像特征圖Fig.5 Image feature diagram of rod insulator after fusion

3.4 SVM分類器

支持向量機(jī)[13,14]是一種傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法，屬于前饋網(wǎng)絡(luò)類型.非線性可分SVM分類器的原理為：

第1步.(x1,y1)，(x2,y2)，…，(xn,yn)為m維樣本空間中的n個樣本數(shù)據(jù)，在研究的樣本空間中，超平面為：

f(xi)=wT·xi+b=0

(24)

其中，f(xi)<0為第1類，f(xi)≥0為第2類.

第2步.對x進(jìn)行非線性變換，記z=φ(x),利用棒式絕緣子樣本集訓(xùn)練SVM求解的分類器為：

(25)

其中sgn為符號函數(shù),αi(i=1,…,n)是式(26)二次優(yōu)化問題的解：

(26)

b通過使式(27)成立的樣本xi求得：

(27)

其中，K(xi·yi)為RBF(徑向基)核函數(shù),且K(xi·yi)=(φ(xi)·φ(xj))；C(C=5)為懲罰系數(shù)，其值越大，被分錯的可能性越小.本文算法流程圖如圖6所示.

圖6 本文算法流程圖Fig.6 Algorithm flow chart of this paper

4 實(shí)驗(yàn)結(jié)果與分析

本文選取京哈高速4C圖像實(shí)驗(yàn)數(shù)據(jù)，以Win10+VS2015+Opencv3.1.0為仿真平臺，其硬件配置為Intel(R)Core CPU，仿真機(jī)器為主頻1.80GHz，內(nèi)存8.00GB，雙顯卡的計(jì)算機(jī).在試驗(yàn)數(shù)據(jù)庫中，訓(xùn)練集中正負(fù)樣本各1000張，測試集中正樣本512張、負(fù)樣本1298張，正樣本為缺陷絕緣子圖像，負(fù)樣本為正常絕緣子圖像.

實(shí)驗(yàn)1.將改進(jìn)的快速導(dǎo)向?yàn)V波算法與PHOG+SVM結(jié)合，其試驗(yàn)的缺陷檢測的精度為92%.其試驗(yàn)的缺陷檢測的精度為92%.

實(shí)驗(yàn)2.本文提取了經(jīng)改進(jìn)快速導(dǎo)向?yàn)V波算法處理后絕緣子圖像的PHOG和BOW-SURF特征,然后利用串行融合算法將它們?nèi)诤系街С窒蛄繖C(jī)中進(jìn)行訓(xùn)練,其缺陷檢測所用時間為2′12″.試驗(yàn)精度結(jié)果圖如圖7所示.

圖7 實(shí)驗(yàn)精度結(jié)果圖Fig.7 Experimental accuracy result diagram

由圖7可知，正負(fù)樣本檢測錯誤的個數(shù)(Re1、Re0)均為0，正、負(fù)樣本檢測精度(Rec1、Rec0)均為100%，平均檢測分類精度(average)為100%.

對比試驗(yàn)的精度結(jié)果如表2所示.

表2 實(shí)驗(yàn)精度對比Table 2 Comparison of experimental accuracy

由表2可知,本文算法可以取得較高的缺陷檢測精度，并且比兩種特征單獨(dú)使用時的性能要好，驗(yàn)證了多個特征描述子更能描述出絕緣子的更多細(xì)節(jié)特征.

5 結(jié) 論

1)針對均值濾波算法的缺點(diǎn),即保留細(xì)節(jié)特征和去除噪聲不能兼優(yōu)，改進(jìn)的快速導(dǎo)向?yàn)V波算法首先對導(dǎo)向圖像和濾波輸入圖像進(jìn)行下采樣；然后利用去噪函數(shù)fmedian對輸出圖像中部分系數(shù)進(jìn)行計(jì)算；最后使其計(jì)算出的系數(shù)進(jìn)行上采樣，從而達(dá)到快速去噪效果.試驗(yàn)結(jié)果表明，改進(jìn)的快速導(dǎo)向?yàn)V波算法具有有效消除噪聲、保留圖像細(xì)節(jié)紋理特征和快速性兼具的優(yōu)點(diǎn).這為下一步提取PHOG和BOW-SURF特征奠定了堅(jiān)實(shí)的基礎(chǔ).

2)針對單個特征描述子不足以描述絕緣子更多細(xì)節(jié)特征的缺點(diǎn)，提出了一種基于PHOG和BOW-SURF融合特征的絕緣子缺陷檢測方法.首先對經(jīng)過改進(jìn)快速導(dǎo)向?yàn)V波算法處理后的絕緣子圖像提取PHOG特征(L=3)和經(jīng)視覺單詞劃分并過濾后的SURF特征；然后用K均值算法對視覺詞進(jìn)行聚類，構(gòu)建出絕緣子圖像的BOW-SURF特征；最后將PHOG和BOW-SURF特征進(jìn)行串行融合并將融合后的特征送入SVM進(jìn)行訓(xùn)練.研究結(jié)果表明，本文算法能夠?qū)⒄Ｅc缺陷絕緣子進(jìn)行準(zhǔn)確地檢測，其檢測精度為100%，平均每張圖像的處理時間為0.039s.這為電氣化鐵路接觸網(wǎng)零部件的缺陷檢測奠定了基礎(chǔ)，本文方法的普適性將是下一步的研究方向.