融合PHOG和BOW-SURF特征的接触网绝缘子缺陷检测方法

陈国翠，顾桂梅,2，余晓宁，李占斌

1(兰州交通大学 自动化与电气工程学院，兰州 730070) 2(甘肃省人工智能与图形图像处理工程研究中心，兰州 730070) 3(甘肃省轨道交通装备系统动力学与可靠性重点实验室, 兰州 730070)

1 引 言

绝缘子在接触网系统中的作用是悬挂并保持悬挂装置带电部分与绝缘部分电隔离.长期的疲劳磨损和环境恶劣引起的裂纹、破损等缺陷严重影响着列车的安全稳定运行，因此，绝缘子缺陷检测的精度和速度必须得到保障.

目前，接触网悬挂状态检测监测装置普遍采用人工逐帧判别的方式对图像进行分析[1]，这严重影响缺陷检测的精度和速度.因此，为了提高绝缘子的缺陷检测精度和速度，程海燕等人[2]利用3DS MAX建模软件，生成高品质绝缘子图像，之后以生成后的图像为检测样本，使用卷积神经网络算法完成绝缘子分类，其分类正确率高达95.421%，但是需要很多绝缘子训练图像样本，并且很耗时.黄新波等人[3]提出了基于红、蓝色差和改进K均值(K-means)的聚类分割算法，根据目标区域的色差均值实现航拍正常绝缘子的分类识别，总识别率可达94.4%，但未对缺陷绝缘子进行检测.赖秋频等人[4]先是利用YOLOv2网络的优势，对绝缘子图像特性进行准确识别，然后结合边缘线的检测、图像的旋转和垂直投影进行绝缘子缺陷在线诊断，其缺陷诊断的平均正确率为94.4%，该方法却只识别出破损故障的绝缘子，未对裂纹、烧伤等其他缺陷进行检测.本文在对绝缘子进行缺陷检测时，需要先提取出绝缘子特征，基于特征提取的目标识别得到了国外学者的大量关注，Chajri Y等人[5]分别提取出手写字体的GIST、PHOG、Centrist、SURF特征，将每个特征算子和SVM结合起来进行训练，对比研究了各自对手写字体的识别率.其实验表明，利用SURF特征算子的目标识别精度为73%,而PHOG特征算子的目标识别精度高达98%.

基于此，本文针对单个特征描述子不能描述绝缘子更多细节纹理特征以及均值滤波算法预处理所得绝缘子图像存在的细节纹理特征不明显和去噪效果较差的缺点,提出改进的快速导向滤波算法将原始绝缘子图像中存在的影响提取特征的亮点进行处理，然后对预处理后的图像提取PHOG(分层梯度直方图)和BOW-SURF(快速鲁棒性词袋特征)两种特征，并将两种特征进行串行融合以提高绝缘子缺陷检测的精度和速度.

2 改进快速导向滤波算法

导向滤波是何凯明提出的一个各向异性滤波器的保边滤波算法.快速导向滤波算法[6]是在导向滤波算法的基础之上，将原始图像先缩小后放大作出的改进，提高了滤波的执行速度.改进快速导向滤波算法，即将快速导向滤波中的均值平滑fmean改为中值平滑fmedian，其优点为：以去除噪声为前提，具有良好的细节特征保持功能.其原理步骤如下：

1)对导向图像I和滤波图P进行下采样

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)计算输出图像的线性系数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为协方差；ε是a的正规化参数，作用是防止a过大，调用时人为设定ε值.

3)对所得系数提高采样率

mediana=fupsample(mediana,s)

(14)

medianb=fupsample(medianb,s)

(15)

其中，fupsample代表上采样.

4)在原始导向图像上利用提升后的采样系数得最终滤波输出图像

q=mediana.*I+medianb

(16)

本文采用定性和定量分析来验证改进快速导向滤波算法的去噪和保持细节纹理特征的优越性.

①定性分析

中值滤波、均值滤波、快速导向滤波以及改进快速导向滤波算法的仿真结果如图1所示.

图1 滤波仿真结果Fig.1 Filter simulation results

图(a)、(b)和(c)分别为完整、破损和裂纹绝缘子原始图像，绝缘子图像中存在的亮点以及细节纹理特征模糊，对提取的绝缘子特征数量有一定影响；图(a1)、(a2)、(a3)和(a4)分别为完整绝缘子均值滤波、中值滤波、快速导向滤波处理图和改进快速导向滤波处理图；图(b1)、(b2)、(b3)和(b4)分别为破损绝缘子均值滤波、中值滤波、快速导向滤波处理图和改进快速导向滤波处理图.图(c1)、(c2)、(c3)和(c4)分别为均值滤波、中值滤波图像、快速导向滤波处理图和改进快速导向滤波的裂纹绝缘子处理图，图像中较亮的点在逐渐减少而且纹理细节保持地也渐好，相比均值滤波算法，中值滤波和改进快速导向滤波算法使图像细节纹理特征变得更清晰.

②定量分析

本文采用PSNR(峰值信噪比)、SD(标准差)和T(时间/s)3种指标针对完整绝缘子来对比分析上述滤波算法的优劣：

1)PSNR代表了去噪效果标准，消除噪声的效果及图像的失真取决于PSNR值的大小，定义为：

(17)

2)一种灰度相对于灰度均值的离散程度取决于SD的大小.SD越大，则灰度级越分散，说明目标图像中包含的细节纹理特征越多.定义式为：

(18)

3)T是评估快速性的标准，其值越小，说明滤波所用时间越少.

分别计算图2中的均值、中值3×3模板图像以及改进前后快速导向滤波算法PSNR、SD和T,其结果如表1所示.

表1 完整绝缘子图像去噪结果定量分析表Table 1 Quantitative analysis of complete insulator image denoising results

由表1可知，改进快速导向滤波算法的PSNR(82.8166)大于中值、均值滤波的PSNR(73.5120、70.8955)，证明了其去噪优越性；改进快速导向滤波算法的SD(38.9007)大于中值、均值滤波的SD(38.8231、39.8272),证明了其细节纹理特征保留优越性；改进快速导向滤波算法的T(0.978s)小于中值、均值滤波的T(1.318s、1.430s)，证明了其快速性.上述指标综合验证了改进快速导向滤波算法在保持快速性的同时，具备了去噪效果和保持边缘细节特征兼优的特点.

3 PHOG和BOW-SURF融合特征的SVM分类器

3.1 PHOG特征

PHOG[8,9]是基于HOG基础上由Anna Bosch提出的算法，其原始图像的大小是固定的，首先对原始图像进行塔层分割，将每一层划分为m×n个区域；然后对上一步所分的区域进行卷积运算后便得到每个像素的梯度方向(0～2π)和振幅，并将2π划分为若干相等的部分(bin);最后拼接得到的PHOG特征为m×n×bin维.特征提取流程图如图2所示.

分层提取绝缘子的PHOG特征直方图如图3所示.

其中，图3(a)为绝缘子原图的HOG特征直方图；图3(b)、图3(c)及图3(d)分别为从2×2 区域、4×4区域和8×8区域中提取的PHOG特征图，8×8区域中的特征直方图便可精确地描述图像的局部特征.随着区域数量的增加，提取出的绝缘子PHOG特征越明显，包含的细节特征越多，绝缘子特征向量维数越大，而维数过大会影响提取图像特征的速度.故本文取分3层时的绝缘子PHOG特征，其特征向量为FPHOG.

3.2 BOW-SURF特征

BOW作为信息检索领域中的一种文档表示方法，它计算了BAG中每个WORD在文档中出现的频率，构建文档的直方图特征向量.构建BOW-SURF特征描述子的前提条件是生成绝缘子图像的SURF[10-12]特征描述子,步骤如下：

图2 PHOG特征提取流程图Fig.2 PHOG feature extraction flow chart

3.2.1 构建Hessian矩阵

Hessian矩阵的行列式构成了提取特征点的转换图像，为：

(19)

其中，g(x,y)为点(x,y)处的像素值.

对图像进行滤波处理后，再利用卷积计算出g(x,y)的二阶偏导数，得到的H矩阵为：

(20)

其中，σ为绝缘子图像尺度；Lxx、Lxy、Lyy为点x′=(x,y)处图像与相应高斯模板进行的卷积运算，那么每个绝缘子图像像素的H矩阵行列式的估值为：

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

(21)

其中，Dxx、Dxy、Dyy为引入误差权重w后Lxx、Lxy、Lyy的近似数值；0.9为加权系数以平衡由于使用盒式滤波器而引起的误差.

3.2.2 构建尺度空间

尺度空间SURF算法可以被配置为处理一个倒金字塔，由g、h表示(g代表金字塔数，h代表金字塔层数).

3.2.3 特征点定位

通过H矩阵处理的每个像素与邻近的26个点进行比较, 然后从这些点中筛选出最终的稳定特征点.

3.2.4 确定特征点主方向

以特征点为中心，6s(s为稳定绝缘子特征点尺度值)为半径，计算出π/3中所有点在x和y方向的Haar小波响应总和，然后将π/3范围内的响应相加构成新的矢量，最后在整个圆形区域内最长矢量的方向为绝缘子特征点主方向.

图3 绝缘子的PHOG特征直方图Fig.3 PHOG histogram of bar insulator

3.2.5 生成特征描述子

区域块(4×4)为特征点周围所取的有效区域，之后统计区域内像素的水平(水平方向上的值、水平方向上的绝对值)与垂直(垂直方向上的值、垂直方向上的绝对值)的haar小波特征，然后将上步中的4个值作为各子区域的SURF特征向量(4×16=64维).绝缘子特征点提取如图4所示.

图4 绝缘子特征点提取图Fig.4 Feature point extraction diagram of rod insulator

得到SURF特征描述子后，构建绝缘子BOW-SURF特征过程如下：

1)将训练集中绝缘子图像样本进行视觉单词划分并过滤；

2)提取每个视觉单词的SURF特征，并运用K-means聚类算法将SURF特征描述子向量进行区域划分，将视觉单词聚为k类(k=1000)；

3)将每一类的聚类中心(向量维数为64维)作为对应视觉单词的描述，构建大小为k的视觉字典，最终可得到k×64维的绝缘子特征点视觉词袋向量.将统计到的每幅图像在词袋中特征点出现的频率向量FBOW-SURF作为绝缘子图像特征.

FBOW-SURF=[fB1,fB2,…,fBn]

(22)

其中,fBn表示第n个视觉单词出现的次数.

3.3 PHOG和BOW-SURF特征融合

串行融合为特征级融合中的一种融合算法，它直接将样本空间中的两组特征向量相连得到新的特征向量，其过程运算量小.串行融合定义式为：

(23)

融合结果如图5所示.

图5 融合后绝缘子图像特征图Fig.5 Image feature diagram of rod insulator after fusion

3.4 SVM分类器

支持向量机[13,14]是一种传统的机器学习分类算法，属于前馈网络类型.非线性可分SVM分类器的原理为：

第1步.(x1,y1)，(x2,y2)，…，(xn,yn)为m维样本空间中的n个样本数据，在研究的样本空间中，超平面为：

f(xi)=wT·xi+b=0

(24)

其中，f(xi)<0为第1类，f(xi)≥0为第2类.

第2步.对x进行非线性变换，记z=φ(x),利用棒式绝缘子样本集训练SVM求解的分类器为：

(25)

其中sgn为符号函数,αi(i=1,…,n)是式(26)二次优化问题的解：

(26)

b通过使式(27)成立的样本xi求得：

(27)

其中，K(xi·yi)为RBF(径向基)核函数,且K(xi·yi)=(φ(xi)·φ(xj))；C(C=5)为惩罚系数，其值越大，被分错的可能性越小.本文算法流程图如图6所示.

图6 本文算法流程图Fig.6 Algorithm flow chart of this paper

4 实验结果与分析

本文选取京哈高速4C图像实验数据，以Win10+VS2015+Opencv3.1.0为仿真平台，其硬件配置为Intel(R)Core CPU，仿真机器为主频1.80GHz，内存8.00GB，双显卡的计算机.在试验数据库中，训练集中正负样本各1000张，测试集中正样本512张、负样本1298张，正样本为缺陷绝缘子图像，负样本为正常绝缘子图像.

实验1.将改进的快速导向滤波算法与PHOG+SVM结合，其试验的缺陷检测的精度为92%.其试验的缺陷检测的精度为92%.

实验2.本文提取了经改进快速导向滤波算法处理后绝缘子图像的PHOG和BOW-SURF特征,然后利用串行融合算法将它们融合到支持向量机中进行训练,其缺陷检测所用时间为2′12″.试验精度结果图如图7所示.

图7 实验精度结果图Fig.7 Experimental accuracy result diagram

由图7可知，正负样本检测错误的个数(Re1、Re0)均为0，正、负样本检测精度(Rec1、Rec0)均为100%，平均检测分类精度(average)为100%.

对比试验的精度结果如表2所示.

表2 实验精度对比Table 2 Comparison of experimental accuracy

由表2可知,本文算法可以取得较高的缺陷检测精度，并且比两种特征单独使用时的性能要好，验证了多个特征描述子更能描述出绝缘子的更多细节特征.

5 结 论

1)针对均值滤波算法的缺点,即保留细节特征和去除噪声不能兼优，改进的快速导向滤波算法首先对导向图像和滤波输入图像进行下采样；然后利用去噪函数fmedian对输出图像中部分系数进行计算；最后使其计算出的系数进行上采样，从而达到快速去噪效果.试验结果表明，改进的快速导向滤波算法具有有效消除噪声、保留图像细节纹理特征和快速性兼具的优点.这为下一步提取PHOG和BOW-SURF特征奠定了坚实的基础.

2)针对单个特征描述子不足以描述绝缘子更多细节特征的缺点，提出了一种基于PHOG和BOW-SURF融合特征的绝缘子缺陷检测方法.首先对经过改进快速导向滤波算法处理后的绝缘子图像提取PHOG特征(L=3)和经视觉单词划分并过滤后的SURF特征；然后用K均值算法对视觉词进行聚类，构建出绝缘子图像的BOW-SURF特征；最后将PHOG和BOW-SURF特征进行串行融合并将融合后的特征送入SVM进行训练.研究结果表明，本文算法能够将正常与缺陷绝缘子进行准确地检测，其检测精度为100%，平均每张图像的处理时间为0.039s.这为电气化铁路接触网零部件的缺陷检测奠定了基础，本文方法的普适性将是下一步的研究方向.