基于邊緣特征的絕緣子故障檢測

譚慧敏,丁 進(jìn),Ipyana Isaac Mbugi,譚 平

(浙江科技學(xué)院 自動(dòng)化與電氣工程學(xué)院,杭州 310023)

中國高速鐵路總里程已達(dá)3.79萬km,是中國綜合交通運(yùn)輸體系的重要骨干。高速鐵路接觸網(wǎng)是高速鐵路的關(guān)鍵系統(tǒng),是高速列車運(yùn)行的動(dòng)力之源。接觸網(wǎng)腕臂絕緣子是接觸網(wǎng)關(guān)鍵部件,具有重要的支撐和絕緣隔離作用,絕緣子故障將會(huì)影響高速鐵路的運(yùn)輸效率甚至運(yùn)行安全。絕緣子數(shù)量巨大,進(jìn)行絕緣子故障及缺陷的智能化檢測對提高檢測效率和檢測精確度具有非常重要的研究及工程應(yīng)用價(jià)值。

目前絕緣子故障檢測算法主要通過定位識(shí)別[1]來檢測絕緣子的故障,可以有效檢測小的故障[2]。Gao等[3]針對絕緣子的細(xì)小缺陷,提出了一種采用批歸一卷積塊注意模塊和特征融合模塊的絕緣子檢測網(wǎng)絡(luò),提高了絕緣子細(xì)微故障檢測的精確度。Zhang等[4]通過缺陷檢測生成對抗網(wǎng)絡(luò)來克服缺少故障絕緣子樣本的問題,從而提高絕緣子故障檢測的精確度。Ji等[5]在基于區(qū)域的更快卷積神經(jīng)網(wǎng)絡(luò)(faster region-based convolutional neural network,Faster R-CNN)引入特征圖金字塔網(wǎng)絡(luò)來定位絕緣子位置,并提出了一種基于導(dǎo)航-教導(dǎo)-審查網(wǎng)絡(luò)(navigator-teacher-scrutinizer network,NTS-Net)細(xì)粒度分類的絕緣子缺陷識(shí)別,提高了Faster R-CNN的魯棒性,進(jìn)而提高了故障絕緣子檢測的精確度。張子健[6]采用旋轉(zhuǎn)區(qū)域候選框網(wǎng)絡(luò)定位斜臂絕緣子,然后進(jìn)行絕緣子片與片的比較以檢測故障絕緣子,保障了圖片的一致性,降低了對比的干擾從而獲得更高的精確度。Li等[7]通過將檢測和分割網(wǎng)絡(luò)級聯(lián),同時(shí)設(shè)計(jì)了一種融合二進(jìn)制交叉熵?fù)p失和骰子系數(shù)的混合損失來解決類不平衡問題,大幅降低了漏檢率。Han等[8]提出了一種針對絕緣子瓷片破損與夾雜異物的基于局部周期異常變化的缺陷檢測方法,絕緣子的誤報(bào)率降到了9.63%。Liu等[9]將缺陷區(qū)域視作背景,提出了一種無監(jiān)督學(xué)習(xí)的絕緣子缺陷檢測方法,能準(zhǔn)確地檢測出污穢嚴(yán)重的懸鏈線絕緣子缺陷。Tan等[10]提出了一種基于棚輪廓特征和灰度相似匹配的絕緣子匹配算法,取得了較高的精確度和召回率。

在上述研究的基礎(chǔ)上,我們選擇通過Faster R-CNN定位絕緣子的位置,并將其截取下來進(jìn)行精確的故障檢測。通過分析既有絕緣子樣本的故障特征,可以發(fā)現(xiàn)故障絕緣子邊緣特征與正常絕緣子的邊緣特征存在差別。最常見的邊緣特征的提取方法有二值化、Canny算法[11]、形態(tài)學(xué)處理等,對算法的改進(jìn)主要通過計(jì)算圖像信息自適應(yīng)選擇閾值[12],或?qū)V波方式[13]、比較范圍[14]進(jìn)行改進(jìn),但這些方式提取的邊緣特征無法直接用于絕緣子邊緣特征匹配。由于接觸網(wǎng)巡檢車采集的圖片一致性較差且絕緣子故障具有不可預(yù)測性,因此需要研究具有較強(qiáng)泛化能力、較高檢測精確度的算法。本研究基于絕緣子故障特征提出改進(jìn)的特征提取算法,實(shí)現(xiàn)了一種基于絕緣子邊緣特征的故障檢測,并對絕緣子缺陷檢測模型進(jìn)行試驗(yàn)驗(yàn)證。

1 基于縱坐標(biāo)方向連續(xù)單像素邊緣提取算法

為提高絕緣子片邊緣特征提取的精確度,我們研究基于縱坐標(biāo)方向連續(xù)單像素邊緣提取算法。采用骨架提取算法得到絕緣子片縱坐標(biāo)方向連續(xù)單像素邊緣。由于接觸網(wǎng)巡檢車相機(jī)向斜上方拍攝絕緣子,拍攝角度的傾斜導(dǎo)致圖像上的絕緣子兩端與絕緣子片邊緣連在一起,在骨架提取時(shí),絕緣子兩端邊緣特征會(huì)影響絕緣子片邊緣提取,因此需進(jìn)一步研究干擾邊緣過濾的算法。

1.1 骨架提取

絕緣子圖像如圖1所示,將圖像通過Sobel算子實(shí)現(xiàn)邊緣增強(qiáng)之后進(jìn)行二值化,得到的圖像如圖2所示。為得到單像素邊緣,采用骨架提取算法[15]細(xì)化邊緣。最終得到的絕緣子圖像如圖3所示。在y軸方向上單絕緣子片超過了圖像的80%,因此需計(jì)算絕緣子片的最小外接矩,若在y軸方向上的最小外接矩超過圖像的80%即為連通的絕緣子片,利用上述方法保留絕緣子片邊緣。但是如圖3(a)、(c)和(d)所示,由于故障及光線的影響在提取絕緣子片邊緣時(shí)不連通,導(dǎo)致故障絕緣子及過度曝光的絕緣子被誤過濾,因此需要對位置進(jìn)行邊緣精確檢測以提高本算法的精確度。

圖1 絕緣子圖像

圖2 二值化后的絕緣子圖像

圖3 骨架提取之后的絕緣子圖像

1.2 干擾邊緣濾除

絕緣子片的邊緣做骨架提取后,為濾除因拍攝角度引起的絕緣子兩端邊緣特征對絕緣子片邊緣特征的影響及過濾干擾邊緣過多的非兩端絕緣子片,如圖3(b)、(c)和(d)所示,我們研究了去干擾邊緣的算法。算法由以下兩部分組成。

首先定位出干擾邊緣所在位置,左旋的絕緣子在最左側(cè)絕緣子片上出現(xiàn)絕緣子端干擾,右旋的絕緣子在最右側(cè)絕緣子片出現(xiàn)。將絕緣子片邊緣特征點(diǎn)中y值最小點(diǎn)設(shè)置為采樣初始點(diǎn)P(x1,y1+1),統(tǒng)計(jì)(x1-1,y1+1)、(x1,y1+1)、(x1+1,y1+1)這3鄰域范圍內(nèi)灰度值為255的點(diǎn)。若鄰域范圍內(nèi)滿足條件的點(diǎn)個(gè)數(shù)大于1,則該處存在干擾邊緣;若鄰域范圍內(nèi)滿足條件的點(diǎn)個(gè)數(shù)等于1,則將采樣點(diǎn)更新為3鄰域內(nèi)灰度值為255的點(diǎn),保存采樣點(diǎn)。

其次，若端絕緣子片存在干擾邊緣,則設(shè)置采樣點(diǎn)為(x1,y1+1),繼續(xù)向下尋找,同時(shí)將3鄰域改為5鄰域,統(tǒng)計(jì)鄰域范圍內(nèi)灰度值為255的點(diǎn)。若滿足條件的點(diǎn)個(gè)數(shù)大于1,則將(x1,(y1+1)+1)設(shè)置為新的采樣點(diǎn),繼續(xù)向下一行搜索5鄰域,直到鄰域范圍內(nèi)滿足條件的點(diǎn)個(gè)數(shù)重新為1;再次將5鄰域變?yōu)?鄰域,一直到邊緣特征結(jié)束。因?yàn)楣羌芴崛≈?干擾邊緣與正確的絕緣子片邊緣方向是不同的,并且隨著向下追溯,干擾邊緣距離真正的絕緣子片越來越遠(yuǎn)。若其他絕緣子片存在干擾邊緣,則過濾掉。去除干擾邊緣之后的絕緣子如圖4所示。

圖4 去除干擾邊緣之后的絕緣子邊緣圖像

2 改進(jìn)的Canny邊緣檢測算法

傳統(tǒng)的Canny算法雙閾值設(shè)置較高,連通性較差,設(shè)置偏低,偽邊緣多,且不同圖像的質(zhì)量不同,適用閾值也不盡相同；因此，為了既提高連通性又減少偽邊緣,我們提出了一種基于多峰梯度直方圖的閾值分割和邊緣跟蹤的改進(jìn)的Canny算法來提取被誤過濾的絕緣子片的邊緣特征。改進(jìn)的Canny邊緣檢測流程如圖5所示。

圖5 改進(jìn)的Canny算法流程

2.1 截取過濾絕緣子片

由于縱坐標(biāo)方向連續(xù)單像素邊緣提取算法中邊緣不連通,出現(xiàn)干擾邊緣的內(nèi)部絕緣子片被過濾,其邊緣特征無法得知,因此截取過濾絕緣子片進(jìn)行改進(jìn)的Canny算法邊緣檢測。絕緣子片大小相同且分布規(guī)律,根據(jù)縱坐標(biāo)方向連續(xù)單像素邊緣提取算法,得到連通的絕緣子片中心坐標(biāo)及外接矩形的高和寬,進(jìn)而定位出不連通的絕緣子片中心坐標(biāo)及外接矩形的高和寬。定位過濾絕緣子片的位置有以下方式。

1) 待檢測絕緣子有11片絕緣子片,連通的絕緣子片不足11片且絕緣子片之間有規(guī)律地分布。絕緣子兩端與絕緣子片相比縱坐標(biāo)值較小,因此以連通的兩端絕緣子片為起點(diǎn),連通絕緣子片的寬為寬,圖像的寬為長,統(tǒng)計(jì)縱坐標(biāo)的最小值和最大值,計(jì)算與連通的絕緣子片縱坐標(biāo)最小值和最大值的差值。若差值均小于20個(gè)像素點(diǎn),則該處存在絕緣子片,對該處截取圖像進(jìn)行精確提取邊緣特征。若加上定位的絕緣子片仍小于11片,則說明過濾絕緣子片頂端或底端存在缺陷,所以該絕緣子是故障絕緣子。

2) 待檢測絕緣子有11片絕緣子片,連通絕緣子片不足11片且相鄰絕緣子片中心橫坐標(biāo)之間的差值大于其他相鄰絕緣子中心橫坐標(biāo)差值的1.5倍,存在被過濾的絕緣子片。以連通絕緣子片的寬為寬,圖像的寬為長截取圖像進(jìn)行精確提取邊緣特征。

圖6 絕緣子片

3) 干擾邊緣過多的連通絕緣子,以其最小外接矩的寬為寬,圖像的寬為長截取圖像，進(jìn)行邊緣特征精確提取。按照上述3種方法定位出的絕緣子片圖像如圖6所示。

2.2 改進(jìn)的Canny算法

采用Canny算法對圖像進(jìn)行邊緣特征提取。為保障Canny提取邊緣的完整性,我們設(shè)定圖像低閾值為20,高閾值為60。將Canny算法檢測的邊緣特征點(diǎn)的梯度幅值保存為其灰度值,Canny算法檢測圖像如圖7所示。

絕緣子偽邊緣主要由絕緣子邊緣的陰影造成,因此絕緣子片梯度幅值大于偽邊緣,采用梯度直方圖波谷處的值作為閾值對絕緣子片圖像進(jìn)行閾值分割,來保

圖7 Canny算法檢測圖像

留絕緣子的邊緣。以10為一個(gè)閾值段,統(tǒng)計(jì)梯度幅值分布在該閾值段內(nèi)的邊緣特征點(diǎn)的數(shù)量。理想情況下,梯度直方圖為雙峰直方圖,但試驗(yàn)過程中,由于光線、拍攝角度的影響,多為多峰直方圖。判斷直方圖是否為多峰直方圖,需通過零點(diǎn)定理求出其波峰、波谷,表示如下:

Z=(y-y1)×(y2-y)。

(1)

式(1)中:y為當(dāng)前點(diǎn)縱坐標(biāo);y1為當(dāng)前點(diǎn)前一個(gè)點(diǎn)縱坐標(biāo);y2為當(dāng)前點(diǎn)后一個(gè)點(diǎn)縱坐標(biāo);若Z>0,則表示該處存在波峰或者波谷。若滿足y-y1<0,y2-y>0為波谷,則滿足y-y1>0,y2-y<0為波峰。

若統(tǒng)計(jì)的梯度直方圖為單峰直方圖,則認(rèn)為檢測到準(zhǔn)確的邊緣特征,不進(jìn)行閾值分割;若為如圖8所示的多峰直方圖,則選擇波谷處的值作為分割閾值。選

圖8 多峰直方圖

取分割閾值作為閾值對圖像進(jìn)行閾值分割,統(tǒng)計(jì)分割后仍為邊緣特征點(diǎn)的數(shù)量,最靠近F的值作為最佳分割閾值。因?yàn)樘卣髌ヅ湫枰獦?gòu)造在縱坐標(biāo)上連續(xù)的邊緣特征,待檢測的圖像縱坐標(biāo)長度為400,所以選擇400作為閾值選取標(biāo)準(zhǔn)(F)。為了保證邊緣的連通性,若是閾值分割后的點(diǎn)的數(shù)量小于F/2,則直接刪除該閾值,不作為考慮范圍。

保存梯度幅值超過最佳分割閾值的特征點(diǎn),忽略梯度幅值小于閾值的特征點(diǎn),最終得到閾值分割后的圖像如圖9所示,閾值分割后邊緣的完整性會(huì)受影響。

圖9 閾值分割后的圖像

為保證得到的絕緣子片邊緣特征在縱坐標(biāo)上連續(xù)單像素,首先對閾值分割后的點(diǎn)進(jìn)行處理,將相同縱坐標(biāo)下連續(xù)的點(diǎn)取中間值作為該行連續(xù)點(diǎn)的有效坐標(biāo),保留間斷的坐標(biāo)。然后選擇在相同縱坐標(biāo)下單像素且上一行或者下一行的不是單像素點(diǎn)的點(diǎn)作為采樣點(diǎn),以采樣點(diǎn)中縱坐標(biāo)最小的點(diǎn)作為起點(diǎn)P1(x,y),在Canny算法檢測出來的邊緣圖像按照先向上、再向下的方向進(jìn)行3鄰域跟蹤(3鄰域是指橫坐標(biāo)為x-1、x、x+1縱坐標(biāo)由跟蹤方向決定+1還是-1的3個(gè)點(diǎn)組成),若點(diǎn)滿足兩個(gè)條件,一是鄰域范圍內(nèi)有特征點(diǎn),二是自身灰度值不為0,則認(rèn)為是邊緣特征點(diǎn);同時(shí)將新的邊緣點(diǎn)更新為采樣點(diǎn),直到3鄰域內(nèi)沒有邊緣特征點(diǎn)。在每次鄰域跟蹤結(jié)束后,比較跟蹤到的點(diǎn)在縱坐標(biāo)上是否連續(xù),若沒有,則繼續(xù)選擇新的采樣點(diǎn)進(jìn)行跟蹤,直至在縱坐標(biāo)上連續(xù)。

圖10 3鄰域跟蹤后的圖像

若鄰域跟蹤的邊緣在縱坐標(biāo)上無法連續(xù),即截取的絕緣子片圖像中不連續(xù)位置處梯度幅值極小,則無法提取邊緣。過度曝光的絕緣子片在絕緣子片中間位置灰度值極高,導(dǎo)致該位置的梯度值極小,因此當(dāng)2個(gè)邊緣端點(diǎn)的橫坐標(biāo)差值的絕對值小于10個(gè)像素點(diǎn),并且縱坐標(biāo)滿足兩個(gè)條件,一是差值超過1個(gè)像素點(diǎn),二是縱坐標(biāo)處于圖像長的1/2處上下各50個(gè)像素點(diǎn)之間,則將兩個(gè)端點(diǎn)直接相連,構(gòu)造出在縱軸上連續(xù)的邊緣特征。3鄰域跟蹤后的圖像如圖10所示。

3 基于邊緣特征相似度匹配的缺陷檢測

絕緣子缺陷檢測是基于均勻采樣的邊緣特征點(diǎn)計(jì)算相鄰點(diǎn)之間的角度而進(jìn)行相似度計(jì)算,以此構(gòu)建絕緣子缺陷檢測模型并進(jìn)行測試驗(yàn)證。

3.1 絕緣子缺陷檢測模型

按照上述的邊緣特征提取算法提取在縱坐標(biāo)上連續(xù)的絕緣子片邊緣特征進(jìn)行匹配,為了線性化出邊緣特征,在邊緣特征曲線上均勻地采n+1個(gè)特征點(diǎn),用離散點(diǎn)之間的角度來線性化表示曲線段的弧度,將相鄰兩個(gè)特征點(diǎn)之間的斜率求出,轉(zhuǎn)換成角度(角度范圍為0°～360°),公式如下:

(2)

式(2)中:αn為第n個(gè)點(diǎn)與第n+1個(gè)點(diǎn)的角度。

根據(jù)式(2)得到的角度構(gòu)成n維向量,采用歐氏距離公式計(jì)算匹配距離

(3)

式(3)中:Ai為待匹配絕緣子片特征向量的第i個(gè)分量;Bi為待匹配絕緣子相鄰的絕緣子片特征向量的第i個(gè)分量。D衡量絕緣子片之間的差異,D值越大,兩絕緣子片之間的差異越大。

將絕緣子a、b、c、d先進(jìn)行邊緣特征提取,然后選取n=15構(gòu)造特征向量進(jìn)行片與片的匹配,匹配結(jié)果如圖11所示。由圖11可知,絕緣子a、b是無缺陷絕緣子,其D值無明顯波動(dòng),小于4;絕緣子c的D值在5、6處高于其他位置,高達(dá)17,由此可以推出其缺陷片是第9片絕緣子片;絕緣子d在8、9處的D值明顯高于其他位置,高達(dá)34,由此可以推出缺陷位置為第6片絕緣子片。測試結(jié)果均與實(shí)際相符。

圖11 匹配結(jié)果

3.2 試驗(yàn)結(jié)果驗(yàn)證

試驗(yàn)采用315個(gè)正常絕緣子和91個(gè)故障絕緣子(包括臟污和缺陷絕緣子)共406個(gè)絕緣子,選擇n=15構(gòu)造特征向量,進(jìn)行算法驗(yàn)證。當(dāng)絕緣子存在片與片之間匹配的距離超過4或者連續(xù)2片的匹配距離在3以上時(shí),則認(rèn)為該絕緣子為故障絕緣子;當(dāng)絕緣子不存在片與片匹配距離超過4或者沒有連續(xù)2片的匹配距離大于3時(shí),則認(rèn)為該絕緣子為正常絕緣子。絕緣子的檢測結(jié)果見表1。

表1 絕緣子的檢測結(jié)果

召回率(R)為測試集中所有檢出的無缺陷絕緣子中,被正確識(shí)別為無缺陷絕緣子的比例,計(jì)算公式如下:

(4)

式(4)中:NTP為正常絕緣子被正確識(shí)別為正常絕緣子的數(shù)量;NFN為無缺陷絕緣子被錯(cuò)誤識(shí)別為缺陷絕緣子的數(shù)量。計(jì)算得到算法的召回率是98.7%。

精確度(P)為NTP在識(shí)別出為缺陷絕緣子中所占的比率,計(jì)算公式如下:

(5)

式(5)中:NFP為正常絕緣子被識(shí)別為缺陷絕緣子的數(shù)量。計(jì)算得算法的精確度為99%。

本算法絕緣子4個(gè)誤檢是由于背景的干擾。如圖12(a)所示,提取的絕緣子片邊緣特征與背景的邊緣特征連在一起對匹配過程造成干擾；提取的邊緣特征如圖12(b)所示,計(jì)算的D值達(dá)到7,超過設(shè)定的閾值,因此造成誤檢。

圖12 誤檢的絕緣子

4 結(jié) 語

本試驗(yàn)基于Visual Studio平臺(tái)采用C++進(jìn)行編寫,試驗(yàn)結(jié)果表明,Sobel強(qiáng)化邊緣+二值化+骨架提取+去偽邊緣能夠提取到連通的絕緣子邊緣特征,對過濾絕緣子片進(jìn)行改進(jìn)的Canny算法檢測,去除大部分偽邊緣,提取到準(zhǔn)確的邊緣特征?；谔崛〉倪吘壧卣?用均勻采樣的邊緣特征點(diǎn)計(jì)算相鄰點(diǎn)之間的角度,構(gòu)造特征向量進(jìn)行相似度計(jì)算,超過閾值視為絕緣子不匹配。經(jīng)過試驗(yàn)證明,本算法精確度達(dá)到99%,召回率達(dá)到98.7%,滿足運(yùn)營維修保養(yǎng)的要求。試驗(yàn)結(jié)果也表明,復(fù)雜背景會(huì)影響絕緣子的匹配結(jié)果,未來可以定位不匹配的位置,融合其他特征來分析背景引起的誤匹配。