基于红外图像的绝缘子串自动提取和状态识别摘要：为解决目前绝缘子低零值检测方法漏判率高、操作繁琐的问题，提出了一种新的绝缘子串红外图像中绝缘子盘面和铁帽区域自动提取方法和状态识别模型.首先将现场拍摄的绝缘子红外图像进行灰度化处理、去噪、二值化；然后从二值图像中提取反映绝缘子的特征点集合；通过特征点对二值图进行角度校正；最后通过区域提取中的特定算法提取出绝缘子的盘面和铁帽区域.通过提取该区域内的绝对温度、纹理和相对温差率作为绝缘子状态识别的特征集.将用电压分布法测得的绝缘子状态信息作为输出向量，通过训练得到优化的识别模型，用于绝缘子状态识别.该方法经过了220kV试验验证，证实了模型的有效性和实用性.关键词：绝缘子；红外图像；二值形态学；Hough变换；自动提取；铁帽；纹理特性：TP301.6；TM85文献标识码：A绝缘子被广泛应用于输电线路中，是输电网络的重要组成部分.因此绝缘子的状态检测将是一个繁重的工作.相较于传统的人工登杆巡线检测方式，利用红外热像仪进行巡线拍摄[1]，并使用图像处理技术自动检测故障的巡线方式更为高效[2]，是目前智能巡线检查的主要发展方向.同串绝缘子污湿状态相似，环境因素也一致，因此各绝缘子承载电压基本一致、发热情况也基本相同，同串才有可比性.正常绝缘子串以铁帽为主要发热中心，其温度分布和电压分布规律相似，也呈现不对称的马鞍型，但相邻绝缘子温差很小.低值绝缘子发热比正常绝缘子温度高，零值绝缘子发热比正常绝缘子温度要低，而表面污秽绝缘子其热像特征以瓷盘面为发热区，表现为瓷盘温升偏高而铁帽温升正常[3].因此，获取绝缘子盘面和铁帽区域的信息至关重要，而红外图像中绝缘子的自动识别提取则是其中的基础步骤.目前有基于航拍图像的绝缘子提取方法，但航拍图像和红外热像图像有本质的不同，航拍图像保留了绝缘子本来的外貌特性和性质，如颜色.而红外热像图像是基于温度的信息.对于绝缘子的零低值检测温度才是最关键的信息.1模型的构建劣化绝缘子的红外识别主要由图像处理、特征集提取以及模式识别这三部分组成.图像处理是在兼顾运行速度的前提下，采用合适的算法将绝缘子串有效地分割出来；特征参数的选取必须能反映出串中正常绝缘子与劣化绝缘子之间的差异；模式识别主要采用人工智能算法，通过挖掘特征参数所含信息来判断是否含有劣化绝缘子.图1为识别模型流程.2绝缘子自动提取的基本原理瓷质绝缘子的红外图像具有以下4个特征[7]：1）瓷质绝缘子为轴对称结构，由铁帽、钢脚和瓷盘面3部分组成；2）红外图像中的单片绝缘子盘面常呈现为椭圆形状，铁帽呈等腰梯形；3）绝缘子一般成串出现，其数量随着输电线路的电压等级而不同，一般110kV输电线路为7片，220kV输电线路为14片；4）同串绝缘子一般由同一型号、物理外形相同的绝缘子组成，在红外图像中表现为尺寸基本一致，且等间距排列.基于绝缘子串的上述特征，本文提出绝缘子红外图像目标区域自动提取的方法，其流程图如图1中右半图所示，实现了自动提取绝缘子盘面和铁帽区域的功能，整个提取过程包括红外图像预处理、特征点提取、角度校正和区域提取4个部分.2.1灰度化和去噪在YUV颜色模型中，Y分量表示的是亮度；将RGB颜色转换成YUV颜色，只取其中的Y分量，即可表示为灰度图像.如下式[8]：[YUV]=[RGB]0.299-0.1480.6150.587-0.289-0.5150.1140.437-0.100f=Y=0.299R+0.587G+0.114B红外热像图像具有大噪声、低对比度的特点，普通的滤波方法虽能滤去部分噪声，但同时也模糊了图像本身，丢失了图像的部分边缘和细节.因此，本文采用自适应平滑滤波算法对其滤波去噪[9].2.2OTSU分割OTSU算法也称最大类间差法[10]，是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响.本文将采用该算法确定阈值T，然后对其进行二值化处理：2.3二值形态学数学形态学中二值图像的形态变换是一种针对集合的处理过程.将二值图像看成是集合，并用结构元素去度量和提取图像中的对应形状，去除不相干的结构，以达到图像分析和识别的目的.它的最基本运算有：腐蚀和膨胀[11].骨架，可以理解为图像的中轴.集合A的骨架化：反复移除图像A的边界像素，但...