论文部分内容阅读
摘要：近年来，无人机巡检已经逐步取代了人工巡检，故本文提出基于视觉显著性的航拍图像绝缘子区域分割与缺陷检测方法，使用基于图论的视觉显著性算法对绝缘子初步定位，利用结构化随机森林算法提取出图像的显著性边缘，以显著性边缘经过的超像素区域为种子区域，向外进行扩张，实现绝缘子的区域分割，最后使用滑动窗口对其进行逐段局部分析，找出绝缘子的自爆位置。该算法通用性好，在输电线路巡检、变电站巡检等各类电力场景下均适用，可以节省大量人力物力。
关键词：绝缘子;显著性;边缘;超像素;分割;缺陷检测
1 引言
要实现输电线路绝缘子状态的自动分析，首先需要检测绝缘子在圖像中的位置。绝缘子目标的检测与普通的目标检测是相似的，传统的绝缘子检测方法，有利于点特征、纹理特征、形态学特征以及多特征融合的方法，但每种方法都有其局限性。视觉显著性检测算法就是模拟人类的对显著区域快速定位的能力，可以提取出图像中的显著区域，自底向上的显著性检测算法，由图像本质特征提取显著的区域，根据颜色、亮度、方向等一系列特征找出图像中与其他位置差别大的区域，航拍图像中的绝缘子往往与周围区域有明显的不同，因此本文利用基于图论的视觉显著性检测算法[1] 对图像中的绝缘子进行定位。绝缘子长期暴露在自然环境中，可能会出现各种缺陷，本文针对绝缘子可能发生的自爆缺陷，利用霍夫直线拟合算法对绝缘子进行倾斜矫正，然后利用滑动窗口的方法找出绝缘子的自爆区域。经过测试，可以较为准确的识别出图像中的绝缘子，并检测出绝缘子的自爆位置。
2 算法实现
2.1 绝缘子的初步定位
自顶向下的显著性检测方法，通用性差，同样不能适用于所有的绝缘子。但是图像中的绝缘子纹理通常与周边背景纹理差异性较大，与周围具有较强对比度即与周围有明显不同，因此选择受到数据自身特点驱动的自底向上的显著性检测方法，本文对基于图论的视觉显著性检测算法（GBVS，Graph-Based Visual Saliency）[1] ，对多幅航拍图像进行测试，结果如下。
图1 视觉显著性检测效果图
在GBVS算法求得的显著性图中，绝缘子是图像的显著性目标，计算速度较快，可以满足实时性的要求。通过GBVS算法计算出的显著图做一个简单的分割，找出大于显著图灰度图均值的区域，进行连通域检测，截取这个连通域的最小外接矩形，这就实现了绝缘子的初步定位。
2.2 绝缘子的区域分割
首先利用结构化随机森林算法[2] ，提取显著性区域的边缘，这种边缘提取算法很大程度上排除了光照不均以及云雾的干扰，准确的识别出图像的强边缘和弱边缘，并以灰度图的形式展示强边缘和弱边缘，因为是在显著性区域内提取的边缘，所以将强边缘定义为显著性边缘。使用简单的线性迭代聚类算法即SLIC算法，对绝缘子位置的外接矩形区域图像进行超像素分割，根据显著性边缘选择超像素区域作为种子区域进行扩张，主要利用灰度共生矩阵[3] 描述纹理相似度，利用LAB颜色空间的距离表示颜色相似度，根据这两个特征进行扩张，实现绝缘子串的分割。
2.3 绝缘子的缺陷检测
主要利用形态学运算和滑动窗口的方法来找到绝缘子自爆缺失的具体位置。首先对绝缘子区域做了孔洞填充等操作后，对绝缘子图像做膨胀处理，利用圆盘形状的膨胀因子，扩大周围的空白，留下绝缘子的骨架，利用霍夫直线检测算法对绝缘子的骨架图像做直线的拟合。选取最长的拟合直线，对分割出的绝缘子做倾斜矫正。
然后将利用滑动窗口找出绝缘子自爆的位置，当检测到绝缘子占比小于阈值的情况，就认为这个位置发生了绝缘子的自爆，记录当前位置。最后通过逆向的运算，计算出绝缘子的自爆在最初的绝缘子航拍图像的位置，并标记出来，如图2所示。
3 总结与展望
本文使用基于图论的视觉显著性检测算法实现绝缘子的初步定位，该方法对环境和绝缘子种类的敏感度低，可应用于多种环境、多种绝缘子的初步定位中;使用基于结构化随机森林的边缘提取算法计算出图像的显著性边缘，以显著性边缘经过的超像素区域为种子区域，根据纹理和颜色特征向外进行扩张，分割出真实的绝缘子区域;对绝缘子进行倾斜矫正后，利用形态学操作和滑动窗口的方式计算窗口内的绝缘子占比，找出绝缘子的自爆位置。
图2 绝缘子自爆检测效果
参考文献：
[1] Harel J，Koch C，Perona P.Graph-Based Visual Saliency[C]// Advances in Neural Information Processing Systems 19，Proceedings of the Twentieth Annual Conference on Neural Information Processing Systems，Vancouver，British Columbia，Canada，December 4-7，2006.MIT Press，2006.
[2] Dollár，Piotr，Zitnick C L.Fast Edge Detection Using Structured Forests[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2014，37（8）：1558-1570.
[3] 高程程，惠晓威.基于灰度共生矩阵的纹理特征提取[J].计算机系统应用，2010，19（6）：195-198.
作者简介：
匡小兵（1974-），男，汉族，江苏建湖人，国网江苏省电力有限公司盐城供电分公司高级工程师，学士学位，研究方向为输电线路的运维与检修。
（作者单位：1.国网江苏省电力有限公司盐城供电分公司;2.河海大学物联网工程学院;3.江苏优埃唯智能科技有限公司）
关键词：绝缘子;显著性;边缘;超像素;分割;缺陷检测
1 引言
要实现输电线路绝缘子状态的自动分析，首先需要检测绝缘子在圖像中的位置。绝缘子目标的检测与普通的目标检测是相似的，传统的绝缘子检测方法，有利于点特征、纹理特征、形态学特征以及多特征融合的方法，但每种方法都有其局限性。视觉显著性检测算法就是模拟人类的对显著区域快速定位的能力，可以提取出图像中的显著区域，自底向上的显著性检测算法，由图像本质特征提取显著的区域，根据颜色、亮度、方向等一系列特征找出图像中与其他位置差别大的区域，航拍图像中的绝缘子往往与周围区域有明显的不同，因此本文利用基于图论的视觉显著性检测算法[1] 对图像中的绝缘子进行定位。绝缘子长期暴露在自然环境中，可能会出现各种缺陷，本文针对绝缘子可能发生的自爆缺陷，利用霍夫直线拟合算法对绝缘子进行倾斜矫正，然后利用滑动窗口的方法找出绝缘子的自爆区域。经过测试，可以较为准确的识别出图像中的绝缘子，并检测出绝缘子的自爆位置。
2 算法实现
2.1 绝缘子的初步定位
自顶向下的显著性检测方法，通用性差，同样不能适用于所有的绝缘子。但是图像中的绝缘子纹理通常与周边背景纹理差异性较大，与周围具有较强对比度即与周围有明显不同，因此选择受到数据自身特点驱动的自底向上的显著性检测方法，本文对基于图论的视觉显著性检测算法（GBVS，Graph-Based Visual Saliency）[1] ，对多幅航拍图像进行测试，结果如下。
图1 视觉显著性检测效果图
在GBVS算法求得的显著性图中，绝缘子是图像的显著性目标，计算速度较快，可以满足实时性的要求。通过GBVS算法计算出的显著图做一个简单的分割，找出大于显著图灰度图均值的区域，进行连通域检测，截取这个连通域的最小外接矩形，这就实现了绝缘子的初步定位。
2.2 绝缘子的区域分割
首先利用结构化随机森林算法[2] ，提取显著性区域的边缘，这种边缘提取算法很大程度上排除了光照不均以及云雾的干扰，准确的识别出图像的强边缘和弱边缘，并以灰度图的形式展示强边缘和弱边缘，因为是在显著性区域内提取的边缘，所以将强边缘定义为显著性边缘。使用简单的线性迭代聚类算法即SLIC算法，对绝缘子位置的外接矩形区域图像进行超像素分割，根据显著性边缘选择超像素区域作为种子区域进行扩张，主要利用灰度共生矩阵[3] 描述纹理相似度，利用LAB颜色空间的距离表示颜色相似度，根据这两个特征进行扩张，实现绝缘子串的分割。
2.3 绝缘子的缺陷检测
主要利用形态学运算和滑动窗口的方法来找到绝缘子自爆缺失的具体位置。首先对绝缘子区域做了孔洞填充等操作后，对绝缘子图像做膨胀处理，利用圆盘形状的膨胀因子，扩大周围的空白，留下绝缘子的骨架，利用霍夫直线检测算法对绝缘子的骨架图像做直线的拟合。选取最长的拟合直线，对分割出的绝缘子做倾斜矫正。
然后将利用滑动窗口找出绝缘子自爆的位置，当检测到绝缘子占比小于阈值的情况，就认为这个位置发生了绝缘子的自爆，记录当前位置。最后通过逆向的运算，计算出绝缘子的自爆在最初的绝缘子航拍图像的位置，并标记出来，如图2所示。
3 总结与展望
本文使用基于图论的视觉显著性检测算法实现绝缘子的初步定位，该方法对环境和绝缘子种类的敏感度低，可应用于多种环境、多种绝缘子的初步定位中;使用基于结构化随机森林的边缘提取算法计算出图像的显著性边缘，以显著性边缘经过的超像素区域为种子区域，根据纹理和颜色特征向外进行扩张，分割出真实的绝缘子区域;对绝缘子进行倾斜矫正后，利用形态学操作和滑动窗口的方式计算窗口内的绝缘子占比，找出绝缘子的自爆位置。
图2 绝缘子自爆检测效果
参考文献：
[1] Harel J，Koch C，Perona P.Graph-Based Visual Saliency[C]// Advances in Neural Information Processing Systems 19，Proceedings of the Twentieth Annual Conference on Neural Information Processing Systems，Vancouver，British Columbia，Canada，December 4-7，2006.MIT Press，2006.
[2] Dollár，Piotr，Zitnick C L.Fast Edge Detection Using Structured Forests[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2014，37（8）：1558-1570.
[3] 高程程，惠晓威.基于灰度共生矩阵的纹理特征提取[J].计算机系统应用，2010，19（6）：195-198.
作者简介：
匡小兵（1974-），男，汉族，江苏建湖人，国网江苏省电力有限公司盐城供电分公司高级工程师，学士学位，研究方向为输电线路的运维与检修。
（作者单位：1.国网江苏省电力有限公司盐城供电分公司;2.河海大学物联网工程学院;3.江苏优埃唯智能科技有限公司）