CN110264448B - 一种基于机器视觉的绝缘子故障检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的绝缘子故障检测方法，对待处理的图像进行预处理；绝缘子边缘检测；利用机器学习分类方法提取有效边缘；通过检测绝缘子区域和边缘的形状特征判定故障并进行故障评级。本发明能够有效的对接触网绝缘子进行故障检测，算法的计算量较小，针对性地利用决策树算法筛选出有效的绝缘子边缘，从而避免了各种噪声干扰，保障了故障检测的准确率。漏检率在1.4％以下，故障检测准确率在98％以上，均符合实际工程需要。本发明尤其对负样本不足的基于机器视觉的故障检测提供了一个可行的方案，并提出了一项判断故障等级的指标，有助于工程上综合安全性和经济性的因素考虑做出合理的应对。

Description

一种基于机器视觉的绝缘子故障检测方法

技术领域

本发明属于图像处理与分析技术领域，具体涉及一种接触网绝缘子故障检测和故障方法。

背景技术

接触网是电气化输电线路建设中的重要部分，它通过沿线支柱设备架设在铁路沿线线路。电力机车主要通过接触网传输获得运行所需要的电能，因此时刻保证接触网良好的工作状态至关重要。在接触网系统中，绝缘子是除机械支架之外悬挂装置中重要部件之一，一方面使接触网带电导体之间有足够的距离，另一方面让带电导体与大地之间保证绝缘。由于绝缘子工作环境需要长期暴露在大气环境中，还需长期经受强电场和强机械应力，出现故障的几率较大，绝缘子难免会产生不同程度的破损。绝缘子瓷体发生破损会降低其绝缘强度，如果长时间不被发现并且得不到更换，将会导致瓷瓶断裂而引发电路中其他不可预知的故障。而目前，传统的人工检测效率低、工作强度大、危险系数高，电场法不能检测一些不影响电场的外绝缘缺陷，这些检测方法都不具备一定的实用性。在保证电力机车安全运行的同时，提高检测效率实现智能化巡检对于逐渐增多的铁路里程显得尤为重要，因此，研究智能巡检技术在未来铁路发展中具有重要意义。

近年来，随着数字图像处理技术和机器学习技术的发展，计算机视觉技术已被广泛应用于各种物体检测和工业故障检测的任务中。故本发明基于计算机视觉技术提出一种接触网绝缘子故障检测方法，通过基于深度学习的目标检测算法，对工业相机拍摄到的接触网区域内超高清视频和图片中的绝缘子实现目标检测和分类，进而通过计算机视觉技术对检测到的绝缘子提取边缘的几何特征和区域的纹理特征，最后通过机器学习分类算法和边缘跟踪检测算法实现故障的诊断。本发明将有助于绝缘子缺陷的非接触、在线监测的实现，为接触网悬挂装置的故障诊断提供了新思路。具有重要的科学意义和实际应用价值。

发明内容

本发明的目的是提供一种基于机器视觉的绝缘子故障检测方法，能高效的识别接触网绝缘子是否存在故障，并设定了一项绝缘子故障程度评价指标。步骤如下：

步骤(1)：通过接触网悬挂状态检测装置拍摄接触网区域，得到接触网支撑装置的图像，筛选出图像中有绝缘子的作为研究样本，并把这些图像制作成带有标签的数据。

步骤(2)：根据各张图像制作绝缘子检测训练样本，再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型。

步骤(3)：通过目标检测网络模型检测待处理的测试图像，得到绝缘子区域并截取该区域。

步骤(4)：对截取的绝缘子区域进行预处理。

考虑到研究图像存在噪声的情况，首先要对图像进行中值滤波，中值滤波就是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。中指的一个常见的作用就是去除椒盐噪声。

步骤(5)：对经过预处理的区域进行特征提取，包括绝缘子两侧区域的提取，边缘检测和有效边缘提取。

定义一个表面的斜率和方向，数学上是通过梯度来实现的，

式中I(x)表示原图像，J(x)表示I(x)的局部梯度方向，指向亮度函数的极速上升的方向。

但是，求取图像的导数强调了高频率的部分因而放大了噪声，因为噪声和信号的比例在高频部分较大，因此在计算梯度之前需要先考虑将图像用一个低通滤波器进行平滑。高斯函数是是唯一可分离的圆对称滤波器。因为微分是一个线性操作，所以它和其他线性滤波操作可交换，因此一个平滑后的梯度图形可以写作：

其中二维高斯函数的一般形式为：

式中，参数σ反映了高斯函数的带宽。

再将边界基元连成链状，提取特征，具体的处理步骤为：

1)对边缘检测得到的曲线进行8-连接规范化处理，即使得线条中的任意像素点最多只能有两个线上的点与之相邻；

2)消除分支点；

3)若任意两曲线端点距离小于3个像素点，且端点处的斜率与端点连接线的斜率相近，则将此两条曲线为相连。

采用基于边缘元素邻域灰度矩阵提取绝缘子有效边缘的方法：采取决策树算法将用边缘检测算子得到的边缘进行聚类筛选，使用决策树进行决策的过程是：从根节点开始，测试待分类项中特征属性，并按照属性值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果，决策树方法步骤如下：

1)将通过边缘检测算子得到的图像分割为独立的连通区域，以此作为训练集；

2)选择曲线左侧和右侧像素点灰度作为划分属性，若左侧灰度值小于右侧，则标记为无效边缘，反之，则继续下一步分类；

3)选择曲线长度作为划分属性，若曲线长度在(d₁，d₂)范围内，则继续下一步分类，反之，则标记为无效边缘，用于排除绝缘子纹理干扰，d₁，d₂的取值由截得的图像像素和绝缘子尺寸决定；

4)选择曲线质心偏离度，曲线质心偏离度指曲线的质心与区域骨架的最短距离，区域骨架是由原图像经过阈值分割、反复细化得到的，它保持了物体在图像中基本的拓扑结构和位置信息)作为划分属性，若其值大于D₁，D₁的取值由图像尺寸决定，则标记为无效边缘，用于排除背景干扰，反之，则继续下一步分类；

5)选择曲线离心率作为划分属性，若离心率在(e₁，e₂)范围内，则标记为有效边缘，反之，则标记为无效边缘。

为了提取完整的绝缘子两侧边缘，且避免边缘不规则纹理对边缘提取的影响，采取的区域分割算法是以背景点为起点的区域生长算法，区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程，从一组生长点开始，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止，然后进行特征提取，需要提取的轮廓形状特征有：

a)边界长度

边界长度L是边界基本的属性，垂直和水平的步幅为单位长度，在8连通下的对角步幅的长度为

b)边界曲率

遍历一条平面曲线，假设A是曲线上点B邻域内的一个点、δ是这两个点的正向切线所形成的交角，AB表示点A和点B的距离，AB定义连续的边界曲率k为：

在二值图像中，利用曲线上某点A_i与其前驱点A_i-bp和后继点A_i+bs的位置关系，近似为曲线上距离该点某一棋盘距离的两点，通过A_i-bp，A_i，A_i+bs这三个点确定的前驱数字直线分割计算边界曲率，算法如下：

1)计算

l_p＝||A_i-bp，A_i||，l_s＝||A_i，A_i+bs||，

δ_p＝|Θ_p-Θ|，δ_s＝|Θ_s-Θ|

其中l_p，l_s分别为点A_i与其前驱点和后继点的距离，Θ_p，Θ_s分别为前驱倾斜角和后继倾斜角，δ_p，δ_s分别为前驱偏转角和后继偏转角；

x_i+bs，y_i+bs分别为后继点A_i+bs的横坐标和纵坐标，

x_i-bp，y_i-bp分别为前驱点A_i-bp的横坐标和纵坐标，

x_i，y_i分别为点A_i的横坐标和纵坐标。

2)在A_i点的边界曲率k(A_i)为

各个像素点处于一个离散的空间中，切线的倾斜角近似为曲线上距离该点一定棋盘距离的两点的倾斜角。

c)弯曲能量

边界的弯曲能量BE是把一个横杆弯曲成所要求的形状所需要的能量，计算为边界曲率k(A_i)的平方和除以边界像素点个数N：

需要提取的区域形状特征有：

a)面积

区域的面积指闭合区域内包含的像素个数。

b)投影

分别定义水平和垂直的区域投影g_h(u)和g_v(j)为

f(u，j)为图像函数。

c)离心率

离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比。

d)中心矩

区域的矩表示把一个归一化的灰度级图像函数当作为一个二维随机变量的概率密度，中心矩表示为

其中p、q表示矩的阶，x_c，y_c是区域重心的坐标。

步骤(6)：进行特征检测与匹配，完成目标的故障检测。

故障分为两个部分，1)两侧边缘异常检测，根据步骤(5)提取绝缘子两侧边缘区域形状特征面积、投影、离心率和中心矩，用支持向量机实现异常的识别；2)中间边缘异常检测，正常的绝缘子中间边缘是平滑的，即曲线上点的切线斜率应该是单调变化的，但由于二值图像中曲线不是严格的曲线，而是一条8-连接的像素点组成的，导致像素点上的切线的倾斜角变化是震荡的，将绝缘子中间边缘曲线上各个像素点切线的倾斜角绘制在直角坐标系上，并对该序列图像进行平滑处理，即：将曲线上除端点外每一像素点灰度值迭代为该点和与之相邻两点的平均灰度，迭代的次数为曲线的长度，观察平滑图像的单调性，作为边缘是否异常的判定依据，算法的具体步骤如下：

遍历一条平面曲线I，曲线的长度，即像素点个数为n，则曲线上的点用p₁，p₂…p_i…p_n来表示；

对于曲线I上的任意一个点p_i，2＜i＜n-1，该点的坐标为

该点的切线的斜率定义为：

点p_i的切线倾斜角表示为：

将曲线上点切线的倾斜角绘制直角坐标系上，横坐标为点序列，纵坐标为点切线倾斜角，将

的值进行m次平滑迭代处理：

1＜i＜n，j为当前迭代次数，m＝INT(βn)，INT是取整函数，β取值范围是0～1的常数，表明迭代次数与像素点个数是正相关关系；

将更新的倾斜角绘制直角坐标系上，若得到图像为非单调变化的曲线，表明边缘故障。

为了在保证绝缘子装置在不影响使用的前提下，需尽量使得费用最小化，对绝缘子受损的程度进行量化评级，并设定评级标准以判断该绝缘子是否能继续使用，具体方法为：

1)对于某一类的绝缘子选择2000个以上的单条绝缘子边缘曲线正常样本，并获取水平投影宽度p_h、竖直投影宽度p_v和弯曲能量BE；

2)构建BP神经网络模型，以1)中随机选择95％数量的样本作为训练样本，用于网络训练，其余5％的样本作为测试数据，用于测试网络的训练性能，其中p_h、p_v为输入，BE为输出；BP神经网络结构为2-5-1，即输入层有两个节点，隐含层有5个节点，输出层有1个节点；

3)选择检测出的故障绝缘子图像，提取任意边缘检测中有异常的曲线，将其水平投影宽度、竖直投影宽度放入2)已训练好的模型中得到预测的参考值

则得到弯曲能量偏差ΔBE为

弯曲能量的相对偏差为

先设定两个阈值ε₁，ε₂；当γ＞ε₂时，绝缘子一级故障，表明该绝缘子出现严重的缺口或损坏，需要紧急处理；当ε₁＜γ＜ε₂时，绝缘子二级故障，表明该绝缘子出现较为明显的缺损，有一定的安全隐患，需进行定期的复检；当γ＜ε₁时，绝缘子三级故障，表明该缺陷不影响装置功能，可以继续使用。

阈值ε₁取值为3％～5％，ε₂取值为25％～30％。

所述的β取值为0.8。

所述的d₁，d₂的取值由截得的图像像素和绝缘子尺寸决定，d₁的范围是(300，350)，d₂的范围是(400，450)。

D₁的取值由图像尺寸决定，D₁的范围是(20，30)。

所述的离心率(e₁，e₂)范围为(1.5，2)。

本发明能够有效对接触网绝缘子进行故障检测，算法的计算量较小，在存在干扰(阴影干扰、绝缘子纹理干扰、背景噪声干扰)的情况，本发明针对性的利用决策树算法筛选出有效的绝缘子边缘，从而避免了各种噪声干扰，保障了故障检测的准确率。在本发明具体的实践案例中，漏检率达到了1.4％以下，故障检测准确率在98％以上，均符合实际工程需要。本发明尤其对负样本不足的基于图像处理的故障检测提供了一个可行的方案，并提出了一个判断故障等级的指标，有助于工程上综合安全性和经济性的因素考虑做出合理的应对。

附图说明

图1为本发明提供的绝缘子故障检测流程示意图；

图2为本发明提供的研究对象绝缘子的一个实例的示意图；

图3为本发明提供的利用决策树算法提取有效边缘的流程示意图；

图4为本发明提供的利用决策树算法提取有效边缘的一个实施例的示意图，(a)为原始图像，(b)为方向校正后的图像，(c)为边缘算子处理后的图像，(d)决策树算法处理后的图像；

图5为本发明提供的利用区域生长法进行图像分割和边缘提取的一个实施例的示意图，(a)为原始图像，(b)为Canny算子处理后的图像(c)为区域生长法进行图像分割的图像(d)为根据(c)提取的边缘图像。

图6为本发明提供的绝缘子边缘曲线像素点的切线倾斜角序列示意图；

图7为本发明提供的经过平滑迭代处理后的绝缘子边缘曲线像素点的切线倾斜角序列示意图。

具体实施方式

为使本发明的技术方案和实现步骤更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参照图1所示，本实施例中，接触网关键部件目标检测方法的步骤如下：

一、获取样本图像

获取高清摄像机在列车行车过程中采集到的触网支撑装置图像，筛选出图像中有绝缘子的作为研究样本，并把这些图像制作成带有标签的数据。采集到的样本图像的尺寸为4000*6000。

二、绝缘子目标检测与分类

要检测绝缘子的故障，首先要实现绝缘子的目标检测，目前应用效果最好的方法就是基于深度学习的目标检测网络。把步骤一中的标签数据放到深度学习网络中训练，本发明采用one stage的方法进行绝缘子的目标检测和分类。

三、图片预处理

步骤二得到的绝缘子图像如图2所示。考虑到研究图像存在噪声的情况，首先要对图像进行中值滤波，去除椒盐噪声，椒盐噪声是由图像系统中的解码误差等原因产生的，导致图像中出现白点和黑点。中值滤波一般使用模板的方法实现，对模板内的像素按照像素点灰度值的大小进行排序，生成单调上升(或下降)的二维数据序列，并使用下面的公式进行输出：

g(x，y)＝med{f(x-m，y-n)，(m，n∈W)}

其中，f(x，y)表示原始的图像，而g(x，y)表示处理后的图像，W为二维模板，m和n分别为W的行和列。

中值滤波一般使用二维模板，滤波窗口通常为3*3，5*5，7*7区域，在本发明中采用3*3矩形区域。实现方法是通过从图像中的某个采样窗口取出奇数个数据进行排序。用排序后的中值取代要处理的数据即可。

四、边缘提取与区域分割算法

从数学的角度定义一个表面的斜率和方向是通过它的梯度来实现的。

式中I(x)表示原图像，J(x)表示局部梯度方向，指向亮度函数的极速上升的方向；

但是，求取图像的导数强调了高频率的部分因而放大了噪声，因为噪声和信号的比例在高频部分较大，因此在计算梯度之前需要先考虑将图像用一个低通滤波器进行平滑。高斯函数是是唯一可分离的圆对称滤波器。因为微分是一个线性操作，所以它和其他线性滤波操作可交换。因此一个平滑后的梯度图形可以写作

其中二维高斯函数的一般形式为：

式中，参数σ反映了高斯函数的带宽。

在此基础上，为了更好的分离各独立的绝缘子边缘并防止边缘因旋转、椒盐噪声出现断开的情况，本发明根据曲线特征将边界连成链状以便提取特征，具体的处理步骤：1)对边缘检测得到的曲线进行8-连接规范化处理，即使得线条中的任意像素点最多只能有两个线上的点与之相邻；2)消除分支点；3)若任意两曲线端点距离小于3个像素点，且端点处的斜率与端点连接线的斜率相近，则将此两条曲线为相连。

本发明采用基于边缘元素邻域灰度矩阵提取绝缘子有效边缘的方法：采取决策树算法将用边缘检测算子得到的边缘进行聚类筛选。使用决策树进行决策的过程就是从根节点开始，测试待分类项中相应的特征属性，并按照其值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。本发明针对具体实例的决策树方法步骤如下：1)将通过边缘检测算子得到的图像分割为独立的连通区域，以此作为训练集；2)选择曲线左侧和右侧像素点灰度作为划分属性，若左侧灰度值小于右侧，则标记为无效边缘(排除阴影干扰)，反之，则继续下一步分类；3)选择曲线长度作为划分属性，若曲线长度在(d₁，d₂)范围内，则继续下一步分类，反之，则标记为无效边缘(排除绝缘子纹理干扰)，d₁，d₂的取值由步骤(3)截得的图像尺寸和绝缘子边缘曲线特点决定；4)选择曲线质心偏离度(曲线质心偏离度指曲线的质心与区域骨架的最短距离，区域骨架是由原图像经过阈值分割、反复细化得到的，它保持了物体在图像中基本的拓扑结构和位置信息)作为划分属性，若其值大于D₁(D₁的取值由图像尺寸决定)，则标记为无效边缘(排除背景干扰等)，反之，则继续下一步分类；5)选择曲线离心率作为划分属性，若离心率在(e₁，e₂)范围内，则标记为有效边缘，反之，则标记为无效边缘，e₁，e₂的取值由绝缘子边缘平均曲率决定。其过程示意图和作用效果图如图3、图4所示。

为了提取完整的绝缘子两侧边缘，且避免边缘不规则纹理对边缘提取的影响，本发明采取的区域分割算法主要为以背景点为起点的区域生长算法。区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长点开始(生长点可以是单个像素，也可以是某个小区域)，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止。效果图如图5所示。

五、特征提取

需要提取的轮廓形状特征有：

a)边界长度

边界长度L是边界基本的属性，垂直和水平的步幅为单位长度，在8连通下的对角步幅的长度为

b)边界曲率

遍历一条平面曲线，假设A是曲线上点B邻域内的一个点、δ是这两个点的正向切线所形成的交角，AB表示点A和点B的距离，AB定义连续的边界曲率k为：

在二值图像中，利用曲线上某点A_i与其前驱点A_i-bp和后继点A_i+bs的位置关系，近似为曲线上距离该点某一棋盘距离的两点，通过A_i-bp，A_i，A_i+bs这三个点确定的前驱数字直线分割计算边界曲率。算法可以被简要概述如下：

1)计算

l_p＝||A_i-bp，A_i||，l_s＝||A_i，A_i+bs||，

δ_p＝|Θ_p-Θ|，δ_s＝|Θ_s-Θ|

其中l_p，l_s分别为点与其前驱点和后继点的距离，Θ_p，Θ_s分别为前驱倾斜角和后继倾斜角，δ_p，δ_s分别为前驱偏转角和后继偏转角。

x_i+bs，y_i+bs分别为后继点A_i+bs的横坐标和纵坐标，

x_i-bp，y_i-bp分别为前驱点A_i-bp的横坐标和纵坐标，

x_i，y_i分别为点A_i的横坐标和纵坐标。

2)在A_i点的曲率k(A_i)为

在数字图像处理中，各个像素点处于一个离散的空间中，切线的倾斜角可以近似为曲线上距离该点一定棋盘距离的两点的倾斜角。

c)弯曲能量

边界的弯曲能量(BE)是把一个横杆弯曲成所要求的形状所需要的能量，可以计算为边界曲率k(A_i)的平方和除以边界像素点个数N。

需要提取的区域形状特征主要有：

a)面积

区域的面积指闭合区域内包含的像素个数；

b)投影

分别定义水平和垂直的区域投影g_h(u)和g_v(j)为

f(u，j)为图像函数；

c)离心率

离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比。

d)中心矩

区域的矩表示把一个归一化的灰度级图像函数理解为一个二维随机变量的概率密度。中心矩表示为

其中p、q表示矩的阶，x_c，y_c是区域重心的坐标。

六、故障检测与故障评级

本发明中的故障可分为两个部分，1)两侧边缘异常检测。由于两侧边缘的曲率变化和受噪声干扰的影响较大，不方便根据轮廓特征判断是否异常，所以本发明先提取绝缘子两侧边缘区域形状特征(所涉及的区域特征如步骤五中的面积、投影、离心率和中心矩等)，再用支持向量机实现异常的识别。2)中间边缘异常检测。正常的绝缘子中间边缘应该是平滑的，即曲线上点的切线斜率应该是单调变化的，但由于二值图像中曲线不是严格的曲线，而是一条8连接的像素点组成的，因此像素点上的切线的倾斜角变化也是震荡的，基于此，本发明将绝缘子中间边缘曲线上各个像素点切线的倾斜角绘制在直角坐标系上，并对该序列图像进行平滑处理(将曲线上除端点外每一像素点灰度值迭代为该点和与之相邻两点的平均灰度，迭代的次数为曲线的长度)。观察平滑图像的单调性，以此作为边缘是否异常的一项判定依据。

该算法的具体步骤如下：

1)遍历一条平面曲线I，曲线的长度(即像素点)为n，则曲线上的点可以用p₁，p₂...p_i...p_n来表示；

2)对于曲线I上的任意一个点p_i(2＜i＜n-1)，该点的坐标为

该点的切线的斜率可以被粗略定义为：

3)对于点p_i的切线倾斜角可以表示为：

4)将曲线上点切线的倾斜角绘制直角坐标系上，横坐标为点序列，纵坐标为点切线倾斜角，以图2为实例，其处理结果如图6所示；

5)将

的值进行m次平滑迭代处理：

j为当前迭代次数，m＝INT(βn)，INT是取整函数，β取值范围是0～1的常数，表明迭代次数与像素点个数是正相关关系；。

6)将更新的倾斜角绘制直角坐标系上，若得到图像为非单调变化的曲线，表明边缘故障，如图7所示。

故障程度评级。为了在保证绝缘子装置在不影响使用的前提下，需尽量使得费用最小化。因此，需要对绝缘子受损的程度进行量化评级，并设定评级标准以判断该绝缘子是否能继续使用。本发明以单个绝缘子边缘曲线的弯曲能量作为绝缘子缺陷程度的判定依据。具体的实施方法为：

1)对于某一类的绝缘子选择2000个以上的单条绝缘子边缘曲线正常样本，并获取水平投影宽度p_h、竖直投影宽度p_v和弯曲能量BE；

2)构建BP神经网络模型，以1)中随机选择95％数量的样本作为训练样本，用于网络训练，其余5％的样本作为测试数据，用于测试网络的训练性能，其中p_h、p_v为输入，BE为输出；BP神经网络结构为2-5-1，即输入层有两个节点，隐含层有5个节点，输出层有1个节点；

3)提取任意边缘检测中有异常的曲线，将其水平投影宽度、竖直投影宽度放入2)已训练好的模型中得到预测的参考值

则得到弯曲能量偏差ΔBE为

弯曲能量的相对偏差为

先设定两个阈值ε₁，ε₂；当γ＞ε₂时，绝缘子一级故障，表明该绝缘子出现严重的缺口或损坏，需要紧急处理；当ε₁＜γ＜ε₂时，绝缘子二级故障，表明该绝缘子出现较为明显的缺损，有一定的安全隐患，需进行定期的复检；当γ＜ε₁时，绝缘子三级故障，表明该缺陷不影响装置功能，可以继续使用。在本发明实施案例中，当阈值ε₁取值为3％～5％，ε₂取值为25％～30％时，能得到较好的实际检测效果。

Claims (5)

1.一种基于机器视觉的绝缘子故障检测方法，其特征在于包括以下步骤：

步骤(1)：通过接触网悬挂状态检测装置拍摄接触网区域，得到接触网支撑装置的图像，筛选出图像中有绝缘子的作为研究样本，并把这些图像制作成带有标签的数据；

步骤(2)：根据各张图像制作绝缘子检测训练样本，再把这些样本放到深度卷积网络中训练得到绝缘子目标检测模型；

步骤(3)：通过目标检测模型检测待处理的测试图像，得到绝缘子区域并截取该区域；

步骤(4)：对截取的绝缘子区域进行滤波预处理；

步骤(5)：对经过预处理的区域进行特征提取，包括绝缘子两侧区域的提取，边缘检测和有效边缘提取:

定义一个表面的斜率和方向，数学上是通过梯度来实现的，

式中I(x)表示原图像，J(x)表示I(x)的局部梯度方向，指向亮度函数的极速上升的方向；

考虑到求取图像的导数强调了高频率的部分而放大了噪声，在计算梯度之前将图像用一个低通滤波器进行平滑，选用高斯函数作为圆对称滤波器，平滑后的梯度图形写作：

其中二维高斯函数的一般形式为：

式中，参数σ反映了高斯函数的带宽；

再将边界基元连成链状，提取特征，具体的处理步骤为：

1)对边缘检测得到的曲线进行8-连接规范化处理，即使得线条中的任意像素点最多只能有两个线上的点与之相邻；

2)消除分支点；

3)若任意两曲线端点距离小于3个像素点，且端点处的斜率与端点连接线的斜率相近，则将此两条曲线为相连；

采用基于边缘元素邻域灰度矩阵提取绝缘子有效边缘的方法：采取决策树算法将用边缘检测算子得到的边缘进行聚类筛选，使用决策树进行决策的过程是：从根节点开始，测试待分类项中特征属性，并按照属性值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果，决策树方法步骤如下：

1)将通过边缘检测算子得到的图像分割为独立的连通区域，以此作为训练集；

2)选择曲线左侧和右侧像素点灰度作为划分属性，若左侧灰度值小于右侧，则标记为无效边缘，反之，则继续下一步分类；

3)选择曲线长度作为划分属性，若曲线长度在(d₁,d₂)范围内，则继续下一步分类，反之，则标记为无效边缘，用于排除绝缘子纹理干扰，d₁,d₂的取值由截得的图像像素和绝缘子尺寸决定；

4)选择曲线质心偏离度，曲线质心偏离度指曲线的质心与区域骨架的最短距离，区域骨架是由原图像经过阈值分割、反复细化得到的，保持了物体在图像中基本的拓扑结构和位置信息，作为划分属性，若其值大于D₁，D₁的取值由图像尺寸决定，则标记为无效边缘，用于排除背景干扰，反之，则继续下一步分类；

5)选择曲线离心率作为划分属性，若离心率在(e₁，e₂)范围内，则标记为有效边缘，反之，则标记为无效边缘；

为了提取完整的绝缘子两侧边缘，且避免边缘不规则纹理对边缘提取的影响，采取的区域分割算法是以背景点为起点的区域生长算法，区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程，从一组生长点开始，将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止，然后进行特征提取，需要提取的轮廓形状特征有：

a)边界长度

边界长度L是边界基本的属性，垂直和水平的步幅为单位长度，在8连通下的对角步幅的长度为

b)边界曲率

遍历一条平面曲线，假设A是曲线上点B邻域内的一个点、δ是这两个点的正向切线所形成的交角，AB表示点A和点B的距离，AB定义连续的边界曲率k为：

在二值图像中，利用曲线上某点A_i与其前驱点A_i-bp和后继点A_i+bs的位置关系，近似为曲线上距离该点某一棋盘距离的两点，通过A_i-bp，A_i，A_i+bs这三个点确定的前驱数字直线分割计算边界曲率，算法如下：

1)计算

l_p＝||A_i-bp，A_i||，l_s＝||A_i，A_i+bs||，

δ_p＝|Θ_p-Θ|，δ_s＝|Θ_s-Θ|

其中l_p，l_s分别为点A_i与其前驱点和后继点的距离，Θ_p，Θ_s分别为前驱倾斜角和后继倾斜角，δ_p，δ_s分别为前驱偏转角和后继偏转角；

x_i+bs，y_i+bs分别为后继点A_i+bs的横坐标和纵坐标，

x_i-bp，y_i-bp分别为前驱点A_i-bp的横坐标和纵坐标，

x_i，y_i分别为点A_i的横坐标和纵坐标；

2)在A_i点的边界曲率k(A_i)为

各个像素点处于一个离散的空间中，切线的倾斜角近似为曲线上距离该点一定棋盘距离的两点的倾斜角；

c)弯曲能量

边界的弯曲能量BE是把一个横杆弯曲成所要求的形状所需要的能量，计算为边界曲率k(A_i)的平方和除以边界像素点个数N：

需要提取的区域形状特征有：

a)面积

区域的面积指闭合区域内包含的像素个数；

b)投影

分别定义水平和垂直的区域投影g_h(u)和g_v(j)为

f(u，j)为图像函数；

c)离心率

离心率e特征是区域最长弦Q和垂直于Q的最长弦P的长度比；

d)中心矩

区域的矩表示把一个归一化的灰度级图像函数当作为一个二维随机变量的概率密度，中心矩表示为

其中p、q表示矩的阶，x_c，y_c是区域重心的坐标；

步骤(6)：进行特征检测与匹配，完成目标的故障检测和评级

故障分为两个部分，1)两侧边缘异常检测，根据步骤(5)提取绝缘子两侧边缘区域形状特征面积、投影、离心率和中心矩，用支持向量机实现异常的识别；2)中间边缘异常检测，正常的绝缘子中间边缘是平滑的，即曲线上点的切线斜率应该是单调变化的，但由于二值图像中曲线不是严格的曲线，而是一条8连接的像素点组成的，导致像素点上的切线的倾斜角变化是震荡的，将绝缘子中间边缘曲线上各个像素点切线的倾斜角绘制在直角坐标系上，并对该序列图像进行平滑处理，即：将曲线上除端点外每一像素点灰度值迭代为该点和与之相邻两点的平均灰度，迭代的次数为曲线的长度，观察平滑图像的单调性，作为边缘是否异常的判定依据，算法的具体步骤如下：

遍历一条平面曲线I，曲线的长度，即像素点个数为n，则曲线上的点用p₁，p₂...p_i...p_n来表示；

对于曲线I上的任意一个点p_i，2＜i＜n-1，该点的坐标为

该点的切线的斜率定义为：

点p_i的切线倾斜角表示为：

将曲线上点切线的倾斜角绘制直角坐标系上，横坐标为点序列，纵坐标为点切线倾斜角，将

的值进行m次平滑迭代处理：

1＜i＜n，j为当前迭代次数，m＝INT(βn)，INT是取整函数，β取值范围是0～1的常数，表明迭代次数与像素点个数是正相关关系；

将更新的倾斜角绘制直角坐标系上，若得到图像为非单调变化的曲线，表明边缘故障；

为了在保证绝缘子装置在不影响使用的前提下，需尽量使得费用最小化，对绝缘子受损的程度进行量化评级，并设定评级标准以判断该绝缘子是否能继续使用；

具体方法为：

1)对于某一类的绝缘子选择2000个以上的单条绝缘子边缘曲线正常样本，并获取水平投影宽度p_h、竖直投影宽度p_v和弯曲能量BE；

2)构建BP神经网络模型，以1)中随机选择95％数量的样本作为训练样本，用于网络训练，其余5％的样本作为测试数据，用于测试网络的训练性能，其中p_h、p_v为输入，BE为输出；BP神经网络结构为2-5-1，即输入层有两个节点，隐含层有5个节点，输出层有1个节点；

3)选择检测出的故障绝缘子图像，提取任意边缘检测中有异常的曲线，将其水平投影宽度、竖直投影宽度放入2)已训练好的模型中得到预测的参考值

则得到弯曲能量偏差ΔBE为

弯曲能量的相对偏差为

先设定两个阈值ε₁，ε₂；当γ＞ε₂时，绝缘子一级故障，表明该绝缘子出现严重的缺口或损坏，需要紧急处理；当ε₁＜γ＜ε₂时，绝缘子二级故障，表明该绝缘子出现较为明显的缺损，有一定的安全隐患，需进行定期的复检；当γ＜ε₁时，绝缘子三级故障，表明该缺陷不影响装置功能，可以继续使用。

2.如权利要求1所述的一种基于机器视觉的绝缘子故障检测方法，其特征在于：所述的β取值为0.8。

3.如权利要求1所述的一种基于机器视觉的绝缘子故障检测方法，其特征在于：所述的阈值ε₁取值为3％～5％，ε₂取值为25％～30％。

4.如权利要求1所述的一种基于机器视觉的绝缘子故障检测方法，其特征在于：所述的d₁，d₂的取值由截得的图像像素和绝缘子尺寸决定，d₁的范围是(300，350)，d₂的范围是(400，450)。

5.如权利要求1所述的一种基于机器视觉的绝缘子故障检测方法，其特征在于：D₁的取值由图像尺寸决定，D₁的范围是(20，30)。

Images