基于梯度圖像融合的接觸網絕緣子故障檢測

石 杰，張 靖，鐘漢華

〈紅外應用〉

基于梯度圖像融合的接觸網絕緣子故障檢測

石 杰1，張 靖2，鐘漢華1

（1. 華東交通大學 電氣與自動化工程學院，江西 南昌 330000；2. 昭通學院 物理與信息工程學院，云南 昭通 657000）

針對單一紅外圖像或可見光圖像不能夠實現(xiàn)全天候檢測的問題，提出了一種梯度圖像融合模型將紅外和可見光圖像進行融合。先采用加速穩(wěn)健特征算法（speeded-up robust features，SURF）將兩幅圖像的特征點進行匹配。接著采樣剪切波變換（non-subsampled shearlet transform, NSST）算法將待融合圖像進行分解，形成具有高頻分量信息和低頻分量信息的圖，再分別對絕緣子的高頻分量圖和低頻分量圖進行融合，實現(xiàn)局部融合。利用NSST的逆變換對高頻分量圖和低頻分量圖進行逆變換，得到最終融合圖，實現(xiàn)全局融合。對融合圖像進行質量評價。采用最小二乘法直線擬合算法在二值圖像的基礎上來實現(xiàn)絕緣子的自爆檢測；采用像素積分投影法來檢測絕緣子片裂紋情況；采用顏色特征來檢測絕緣子表面是否存在污穢的情況。通過實驗對比單張圖像和融合圖像的檢測結果的準確率。實驗結果表明，采用基于融合圖像的絕緣子自爆、絕緣子片裂紋、絕緣子表面污穢3個故障的識別率分別達到了95%、91%、90%，均高于單一的紅外圖像或可見光圖像的識別率。

接觸網絕緣子故障；圖像融合；局部融合；全局融合；圖像質量評價

0 引言

絕緣子作為接觸網中比較重要的設備之一，起到了支撐饋電線和阻斷電流流向塔桿的作用。然而接觸網絕緣子長期暴露在外界環(huán)境中，易受雨雪、霧霾、太陽光、強電場、強機械張力的影響，使得絕緣子出現(xiàn)破損、自爆、污穢等故障[1-2]。這些故障嚴重威脅著機車的安全運行。

國內外許多學者相繼投入到絕緣子故障診斷的研究中來，希望研究出一套比較智能的算法來識別絕緣子的故障。文獻[3]提出了根據(jù)采集輸電線路的紅外圖像，采用通道閾值對絕緣子圖像進行初步分割，再使用簡單非迭代聚類（simple non-iterative clustering, SNIC）超像素分割算法來定位絕緣子，使多個絕緣子串在復雜背景中分割出來。文獻[4]提出了采用麻雀搜索算法優(yōu)化支持向量機（sparrow search algorithm-support vector machine, SSA-SVM）的算法來檢測絕緣子缺陷，在絕緣子上施加交流電壓和直流電壓，使絕緣子產生熱輻射，通過紅外熱成像儀采集絕緣子的紅外圖像，最大類間方差法對紅外圖像進行分割，最后采用SSA-SVM算法來識別絕緣子的缺陷。文獻[5]提出了根據(jù)絕緣子圖像的Hu不變矩和方向梯度直方圖特征，采用支持向量機構建分類器對絕緣子故障進行識別，先對圖像的紅藍、紅綠色差灰度化，采用Otsu算法對圖像進行分割，根據(jù)絕緣子在空間形態(tài)的一致性來識別絕緣子，并提出了采用UL-PCNN和區(qū)域像素比例的方法來檢測絕緣子的“自爆”和“電暈放電”故障，并對其進行分類。文獻[6]提出了一種基于分水嶺修正的全卷積神經網絡分割算法來對圖像進行分割，解決了圖像分割時出現(xiàn)的模糊問題，并提出一種基于云理論的BA算法來識別絕緣子的故障類型，并將該方法與傳統(tǒng)的SVM、BP神經網絡、卷積神經網絡進行對比，驗證本方法的優(yōu)勢。文獻[7]提出了一種輕量級MobileNet-SSD和MobileNetV2-DeeplabV3＋的方法來實現(xiàn)絕緣子的故障識別，采用語義分割算法對絕緣子圖像進行分割，能夠從較為復雜的背景下識別出絕緣子的自爆故障。文獻[8]提出了一種基于形態(tài)-空間域特征相融合的絕緣子定位方法來解決航拍絕緣子存在的定位難的問題，先對航拍圖像進行預處理后，采用Canny算子來實現(xiàn)圖像的分割，最后采用傘裙形態(tài)特征的掉串故障檢測方法來識別絕緣子掉串故障。在這些基于圖像識別的絕緣子故障檢測方案中，采用基于可見光圖像識別的方案能夠采集到圖像細節(jié)信息量大，且清晰度高。但是可見光相機它易受環(huán)境干擾，透霧能力弱，不能夠全天候工作?；诩t外圖像的識別方法中，紅外熱成像儀透霧能力強、抗外界環(huán)境干擾能力強，能夠全天候工作，但是紅外成像的像素點、對比度、清晰度都比較低，圖像細節(jié)信息也不夠全面。

基于上述原因，本文提出了采用多尺度變換和神經網絡算法相結合的方法來進行融合處理，將兩者之間進行優(yōu)勢互補。采用非下采樣剪切波變換（non-subsampled shearlet transform, NSST）分別將紅外和可見光圖像分解為高頻子帶圖和低頻子帶圖，在高頻子帶圖部分采用脈沖耦合神經網絡（coupled neural net-works，PCNN）進行融合，在低頻子帶圖部分采用加權局部能量（weighted likelihood estimation，WLE）和基于八鄰域的改進拉普拉斯算子（weighted sum of eight-neighborhood-based modified Laplacian, WSEML）結合的優(yōu)化算法（weighted likelihood estimation-weighted sum of eight-neighborhood-based modified Laplacian, WLE-WSEML）進行融合，再利用多尺度逆變換對WLE-WSEML和PCNN融合得到的高頻子帶圖和低頻子帶圖進行逆變換，得到最終融合圖，實現(xiàn)全局融合。最后對融合后的絕緣子圖像進行檢測，先采用融合NSCT和二維最大熵分割方法對融合后的圖像進行分割，得到絕緣子的二值圖像。采用最小二乘法直線擬合算法在二值圖像的基礎上來實現(xiàn)絕緣子的自爆檢測；采用像素積分投影法來檢測絕緣子片裂紋情況；采用顏色特征來檢測絕緣子表面是否存在污穢的情況。

1 絕緣子設備圖像配準

紅外相機和可見光相機在圖像采集的時候，兩攝像機之間的分辨率、空間位置、物象距離等不同，導致兩幅圖的特征點描述存在一定的差異，無法完成兩幅圖的特征點匹配。所以本文將采用加速穩(wěn)健特征算法（speeded-up robust features, SURF）將兩幅或多幅圖像的特征點進行匹配[9]。

SURF采用Hessian矩陣來提取圖像的特征點，表達式為：

式中：表示圖像的尺度；L(,)表示圖像在像素點(,)處與的高斯函數(shù)的二階偏導數(shù)的卷積值；L(,)、L(,)同理可得。盒子濾波器的Hessian矩陣可以通過下式來表示：

式中：D、D、D均表示源圖像在和方向上的二階導數(shù)。

通過盒子濾波器的取值來計算Hessian矩陣[10]的返回圖像，并通過3D最大抑制法計算多尺度的特征點，再利用歐拉公式來實現(xiàn)兩圖像特征點的匹配，實現(xiàn)圖像的配準。如圖1為本文提出的圖像配準流程圖，先分別對紅外圖和可見光圖進行邊緣提取，得到絕緣子的輪廓圖，邊緣的提取通過Canny算子[11]來處理。接著通過3D最大抑制法來獲取圖像的特征點，采用歐拉公式將圖像的特征點匹配起來，通過變換參數(shù)估計，最終實現(xiàn)圖像的配準。

為了查看圖像配準時特征點的匹配情況，采用接觸網上不同的器件進行配準實驗，得到如圖2所示的效果圖。左圖是絕緣子的配準效果圖，右圖是撐桿的配準效果圖。從圖中可以看出，本算法能夠比較準確地將兩幅圖的特征點匹配起來。

2 絕緣子圖像融合

本文提出了一種梯度圖像融合的方法來實現(xiàn)圖像的融合，采用NSST將紅外圖像和可見光圖像分解為含有高頻信息的高頻子帶圖和含有低頻信息的低頻子帶圖，在高頻分量部分，采用PCNN進行融合，在低頻子帶圖部分采用加權局部能量[12]（weighted likelihood estimation，WLE）和基于八鄰域的改進拉普拉斯算子[13]（WSEML）結合的優(yōu)化算法（WLE-WSEML）進行融合，從而實現(xiàn)圖像的局部融合，再利用多尺度逆變換對WLE-WSEML和PCNN融合得到的高頻子帶圖和低頻子帶圖進行逆變換，得到最終融合圖，實現(xiàn)全局融合。最后建立圖像質量評價體系，通過圖像的邊緣信息保持度（AB/F）、熵（EN）、互信息（MI）、空間頻率（MSF）、均方誤差（MSE）、結構相似度（SSIM）6個維度來評價融合圖像的質量。

圖1 圖像配準流程

圖2 圖像配準實驗效果

圖像融合流程圖如圖3所示。

2.1 基于NSST的圖像分解

利用改進的剪切波濾波器（shearlet filter，SF）[14]構造Meyer窗函數(shù)來對NSP分解后的圖像進行多個方向上的分解，得出不同方向上的子帶圖。具體為：對SF進行坐標變換，將其從偽極化坐標系變換到笛卡爾坐標系中，構造Meyer窗函數(shù)與分解后的子帶圖像進行卷積計算，得出這些子帶圖的系數(shù)，根據(jù)這些系數(shù)來劃分圖像，進而實現(xiàn)對圖像的分解。如圖4所示。

2.2 低頻子帶圖融合

NSST對圖像的分解是有限的，無法將圖像全部過濾成高頻圖像，圖像中的低頻部分中含有圖像的結構化信息和詳細信息，缺失任何一項都會影響圖像融合的效果。所以本文采用加權局部能量[15]（WLE）和基于八領域的改進拉普拉斯算子[16]（WSEML）來構造一種圖像融合模型（WLE-WSEML）對低頻子帶圖進行融合，在保留了結構化信息同時還能實現(xiàn)對詳細信息的提取。

WLE用來保留圖像中的結構化信息，定義為：

式中：(,)表示紅外或可見光圖像在(,)處的低頻子帶圖；WLE(,)表示紅外或可見光圖像在(,)處的加權局部能量；為(2＋1)×(2＋1)的一個矩陣，將中的元素設定為2－d，表示的半徑，中每個元素的表示為它到中心的四鄰接元素之間的距離。

圖3 圖像梯度融合流程

Fig.3 Image gradient fusion process

圖4 NSST圖像分解

WSEML用來提取圖像的詳細信息，定義為：

式中：和EML均表示加權矩陣，其中EML能夠較好地利用相鄰元素的信息，表示為：

獲取了WLE和WSEML后，就可以通過式(4)和(5)提出的規(guī)則來計算融合的低頻子帶圖，表示為：

采用WLE-WSEML算法對低頻子帶圖進行融合時，需要得出WLE-WSEML的最優(yōu)閾值點，這個閾值介于0.3～0.8之間，可以通過計算圖像的邊緣信息保持度（AB/F）、熵（EN）、互信息（MI）、空間頻率（MSF）、均方誤差（MSE）、結構相似度（SSIM）等6個維度的加權來評判閾值選取的合理性。各維度的得分和排名如表1所示。

從表中可以看出，＝0.6的時候，各個性能指標都比較好，且加權排名最高，所以設置WLE-WSEML的最優(yōu)閾值點為0.6。

2.3 高頻子帶圖融合

高頻子帶圖中含有原始圖像的輪廓邊界等細節(jié)信息，本文采用PCNN對紅外和可見光圖像的高頻子帶圖進行融合，以圖像的空間頻率（modified spatial frequency, MSF）作為PCNN的輸入，拉普拉斯能量和（modified sum of Laplacian energy, MSLP）作為PCNN的連接強度，接著計算出PCNN迭代次后的點火頻率，根據(jù)點火頻率來實現(xiàn)圖像高頻分量的融合。這種方法能夠最大限度地保留源圖像的信息。最后通過NSST逆變換即可得到融合圖像。如圖5所示為PCNN網絡模型。

圖5中每個神經元之間的關系與兩個源圖像中像素點之間的關系一一對應。PCNN的數(shù)學表達式為：

式中：表示算法迭代的次數(shù)；I表示輸入；Y表示輸出；表示神經元之間的連接強度；L表示連接強度的輸入；U表示神經元之間傳遞的信息；E表示產生脈沖時所需閾值；L表示連接強度的放大系數(shù)，一般設置為1；E表示產生脈沖時所需閾值的放大系數(shù)，一般設置為20；W表示神經元之間的權重，神經元的個數(shù)決定了W的取值。

表1 不同評價指標的得分和排名

圖5 PCNN網絡模型

當輸入一張圖片時，PCNN對圖片進行掃描處理，通過L、L、W來計算像素點的U，將U與E進行比較，當U＞E時，即可激活神經元，此時脈沖產生域的輸出滿足了Y＝1，產生點火頻率，反之Y＝0，不產生點火頻率，一直迭代這個過程，直到滿足設置的條件才會停止迭代運算，將所有的點火頻率記錄下來。

輸入PCNN中的圖像空間頻率有行頻率、列頻率，表示為：

式中：MSF表示圖像空間頻率；RF2、CF2分別表示圖像的行頻率、列頻率。

一般在基于PCNN的圖像融合算法中，PCNN的連接強度取固定值，這樣會使得人眼容易忽視圖像的邊緣信息，因此神經元之間的連接強度應該是變化的。而MSLP能夠彌補這一缺陷，即采用MSLP作為PCNN的連接強度。MSLP的表達式為：

式中：

式中：step為圖像中像素點的間距，一般設為1；(,)表示通過NSST分解后的源圖像中像素點(,)的高頻子帶系數(shù)；(,)表示高頻子帶系數(shù)的權重；MSLR(,)表示源圖像中像素點(,)的拉普拉斯能量和，該值就是PCNN的連接強度。

由于PCNN是以圖像的MSF作為PCNN的輸入，MSLP作為PCNN的連接強度，所以令MSF(,)＝F,j()，MSLR(,)＝,j()，對像素點迭代后的點火頻率進行比較：

式中：R()和V()分別表示兩圖像迭代次后得到的點火頻率。

通過一致性驗證方法來獲取點火頻率的映射圖，表示為：

式中：1表示以源圖像中像素點(,)為中心的3×3窗口，得出高頻子帶系數(shù)為：

2.4 全局融合

采用NSST的逆變換過程將得到的低頻子帶圖和高頻子帶圖進行重構，使得融合后的低頻子帶圖和高頻子帶圖再次融合到一起，得出紅外與可見光圖像的融合圖像。得到如圖6所示的融合圖像。

3 絕緣子融合圖像質量評價

圖像融合算法使用是否合理，相對其他常用方法是否更具有優(yōu)勢，可直接對融合后的質量進行評估。每一張圖像從不同的角度就會有不同的評價標準，也就是說衡量一張圖片的質量是沒有絕對的標準的，而應該根據(jù)圖像的用途、使用場景等來評價圖像的好壞。融合圖像的質量可以從主觀和客觀兩個方面進行評價。

3.1 主觀評價

主觀評價就是通過人工來判斷圖像的好壞，主要查看圖像的清晰度、對比度、是否殘缺等。如圖7所示為常見的幾種融合方法得到的融合效果圖，從圖中可以直觀地看出，采用LAB顏色空間轉換算法（Commission Internationale de l'Eclairage LAB，LAB）、IHS顏色空間轉換算法（Intensity, Hue, and Saturation algorithm，IHS）、加權平均法融合后的圖像邊緣存在一定的模糊現(xiàn)象，Brovey算法得到的融合圖像比較暗淡，小波變換法融合后的圖像失真度較高，圖像不收斂，PCA融合后的圖像灰度值相差較小，目標亮度較低。而本文提出的梯度圖像融合模型算法得到的融合圖像較為清晰，且目標比較明顯。

3.2 客觀評價

為了對不同算法融合得到的圖像質量有個更加科學的評價，分別從圖像的邊緣信息保持度（AB/F）、熵（EN）、互信息（MI）、空間頻率（MSF）、均方誤差（MSE）、結構相似度（SSIM）6個維度對不同融合方法得到的圖像質量評價，主要對比正常絕緣子的融合圖像質量和非正常絕緣子融合的圖像質量。

圖6 紅外和可見光圖像融合的圖像

圖7 不同方法下的圖像融合

如表2～5所示，經過梯度圖像融合模型算法融合后，圖像的AB/F、EN、MI、MSF、MSE、SSIM 6個維度的值均高于其他6種方法，表明本文提出的梯度圖像融合模型算法融合后的圖像質量更高。

表2 正常絕緣子在不同融合方法下的圖像質量評價指標

表3 絕緣子自爆情況下不同融合方法下的圖像質量評價指標

表4 絕緣子裂紋情況下裂紋在不同融合方法下的圖像質量評價指標

表5 絕緣子污穢在不同融合方法下的圖像質量評價指標

4 絕緣子故障檢測

絕緣子在鐵路接觸網中起到了支撐承力索、接觸線和電氣隔離的作用，每條線路上的絕緣子不盡其數(shù)，絕大部分在野外，運行環(huán)境比較復雜。不僅承受著承力索的機械拉力，還受到雨雪、太陽光暴曬等惡劣氣候的影響，使得絕緣子表面老化、絕緣性能降低。且長期暴露在野外工作的絕緣子容易出現(xiàn)自爆、裂紋、污穢等故障。采用融合非下采樣輪廓波變換（nonsubsampled contourlet，NSCT）和二維最大熵分割方法[17]對融合后圖像進行分割，將絕緣子從背景圖像中分割出來，得到絕緣子的二值圖像。其中NSCT能有效地將具有復雜背景的圖像分割出來，二維最大熵分割方法是一種灰度梯度共生矩陣的圖像分割技術，將這兩種方法結合起來能夠在去除噪聲的同時改善分割效果。如圖8為分割后的絕緣子效果圖。

圖8 融合NSCT和二維最大熵分割方法分割效果

4.1 絕緣子自爆檢測

本文采用了最小二乘法直線擬合[18]來檢測絕緣子自爆情況。從圖像分割后的絕緣子圖像上來看，絕緣子基本就在一條直線上。將這條直線方程設為：

＝＋(14)

式中：和分別表示直線的斜率和截距，通過直線擬合計算出分割線邊緣點的坐標(x,y)，從而計算出和的值。計算出觀察值與實際值之間的最小誤差：

計算和的偏導數(shù)：

整理后可得：

計算得出和的值為：

計算出和的值后即可得到擬合方程，建立起絕緣子串的數(shù)學模型。

接著采用Hough變換來檢測絕緣子串，得到擬合直線上的橢圓中心參數(shù)，根據(jù)接觸網絕緣子的標準絕緣子片個數(shù)來對比識別后的數(shù)量，當識別數(shù)量低于實際數(shù)量，則表示絕緣子自爆/掉串。

4.2 絕緣子表面裂紋檢測

絕緣子分割出來后，若絕緣子片上出現(xiàn)裂紋，那么這條裂縫在水平方向和垂直方向上的像素將會發(fā)生改變。所以本文采用像素積分投影法[19]對絕緣子片裂紋的長度和寬度進行計算分析，當裂縫寬度或長度發(fā)生變化時，在水平和豎直方向上的投影長度比即發(fā)生變化。經過圖像分割后的圖像已成為二值化圖像，因此每個像素在水平方向上的投影累加即為水平積分投影，同理在豎直方向上的像素累加即為垂直積分投影。水平和垂直方向上的積分投影公式如下：

式中：(,)表示圖像的像素值；表示水平積分投影；表示垂直積分投影。圖9為絕緣子裂紋圖像積分投影。

從圖中可以看出，完好絕緣子的垂直、水平方向上的像素積分與裂紋絕緣子的垂直、水平方向上的像素積分存在明顯的區(qū)別，所以通過像素積分投影法能夠實現(xiàn)對絕緣子片裂紋的檢測。

4.3 絕緣子表面污穢檢測

絕緣子表面受到污染時，其形狀特征與干凈的絕緣子基本相同，但是其表面顏色有所區(qū)別。因此可以通過識別外表顏色來判別絕緣子污穢情況[20]。采集污穢絕緣子和干凈絕緣子的圖像，并提取其表面的顏色特征。將絕緣子片分解成6個通道，然后將每個通道的特征值都計算出來。計算方法為：

最大值：max＝maxg(23)

圖9 完好絕緣子像素積分投影（左）和裂紋絕緣子像素積分投影（右）

式中：g和p分別表示圖像的灰度級及其出現(xiàn)的概率。

利用Fisher準則來篩選上述特征向量，設樣本的總數(shù)是，可以分為類，每一類的樣本數(shù)是N，計算這些樣本的類間、類內方差為：

式中：m和m分別表示類樣本的均值和所有樣本的均值；a表示樣本的第維特征；L表示特征類別。一個特征的Fisher準則表示為：

計算出每個通道的特征值后，的均值、最大值、方差的是最高的，所以采用這3個特征來判別絕緣子污穢程度。絕緣子的污穢等級由其表面的灰度等級來表示，并將污穢等級劃分成極輕、輕、中等、重、嚴重等5個等級，每個等級對應的灰度密度等級分別是極輕（≤0.2mg/cm2）、輕（0.2～0.4mg/cm2）、中等（0.4～0.8mg/cm2）、重（0.8～2.0mg/cm2）、嚴重（2.0～3.5mg/cm2）。

5 絕緣子故障檢測實驗分析

分別采集200張完好絕緣子、絕緣子自爆、絕緣子片裂紋、絕緣子表面污穢的紅外和可見光圖（紅外圖100張，可見光圖100張），對比通過不同的圖像識別不同故障絕緣子的準確率。圖像采集的過程中設置不同的場景，如采用樹葉遮擋攝像機和紅外熱成像儀，使得攝像機無法采集到完整的圖像，但是紅外熱成像儀能夠采集到完整的紅外圖。其次就是采集未通電的絕緣子，使其不產生熱量，使紅外熱成像儀上產生圖像比較模糊。比較不同類圖像下采用的絕緣子自爆檢測、絕緣子片裂紋檢測、絕緣子表面污穢檢測的準確率。如表6為絕緣子故障檢測的準確率對比。

從表6中可以看出，在張完好絕緣子、絕緣子自爆、絕緣子片裂紋、絕緣子表面污穢4種故障類型的檢測結果中可以看出，采用基于融合圖像的絕緣子自爆、絕緣子片裂紋、絕緣子表面污穢3個故障的識別率分別達到了95%、91%、90%。即融合后的圖像識別準確率均高于了紅外和可見光圖像的準確率。

6 總結

本文主要解決傳統(tǒng)紅外圖像或可見光圖像等單一信息源對接觸網絕緣子故障識別中存在的缺陷問題。將絕緣子的紅外圖像和可見光圖像進行融合，實現(xiàn)兩者的優(yōu)勢互補，使系統(tǒng)能夠全天候工作，不易受外界環(huán)境的干擾。從而得出以下結論：

表6 絕緣子故障檢測的準確率對比

通過NSST分別將紅外和可見光圖像分解成低頻子帶圖和高頻子帶圖，在低頻子帶圖融合部分。將WLE和WSEML結合起來對低頻圖像進行融合，在保留了圖像結構化信息同時還能實現(xiàn)對詳細信息的提取。在高頻子帶圖融合部分，分析了PCNN的模型，并采用MSF作為PCNN的輸入，MSLP作為PCNN的連接強度，并計算出PCNN迭代次后的點火頻率來實現(xiàn)圖像高頻分量的融合。利用NSST的逆變換來講高頻子帶圖和低頻子帶圖進行逆變換，得到最終融合圖。采用客觀評價方法來評價融合圖像的質量。

對融合后的絕緣子圖像進行檢測，先采用融合NSCT和二維最大熵分割方法對融合后的圖像進行分割，得到絕緣子的二值圖像。采用最小二乘法直線擬合算法在二值圖像的基礎上來實現(xiàn)絕緣子的自爆檢測；采用像素積分投影法來檢測絕緣子片裂紋情況；采用顏色特征來檢測絕緣子表面是否存在污穢的情況。

通過實驗對比了常見的圖像融合方法（LAB算法、IHS算法、加權平均法、Brovey、小波變換法、PCA）與本文提出的梯度圖像融合方案效果，計算出了絕緣子在不同融合方法下的圖像質量評價指標，并完成了對完好絕緣子、絕緣子自爆、絕緣子片裂紋、絕緣子表面污穢識別的準確率進行實驗。

[1] 顧桂梅, 陳國翠. 改進GA-BP算法的棒式絕緣子表面缺陷識別[J]. 鐵道科學與工程學報, 2022, 19(2): 546-553.

GU Guimei, CHEN Guocui. Surface defect identification of rod insulator with improved GA-BP algorithm[J]., 2022, 19(2): 546-553.

[2] 譚平, 李旭峰, 丁進, 等. 基于Mask R-CNN和多特征聚類模型的接觸網絕緣子識別和缺陷檢測（英文）[J]. 浙江大學學報-理學A(應用物理與工程) , 2022, 23(9): 745-757.

TAN Ping, LI Xufeng, DING Jin, et al. Insulator identification and defect detection of catenary based on Mask R-CNN and multi-feature clustering model[J].(Applied Physics and Engineering), 2022, 23(9): 745-757.

[3] 劉新伯, 李昊, 陳強, 等. 復雜背景下多個絕緣子串紅外圖像分割方法[J]. 計算技術與自動化, 2022, 41(2): 125-130.

LIU Xinbo, LI Hao, CHEN Qiang, et al. Infrared image segmentation of multiple insulator strings in complex background[J]., 2022, 41(2): 125-130.

[4] 董懿飛, 舒勝文, 陳誠, 等. 基于紅外圖像分割與SSA-SVM的復合絕緣子缺陷檢測方法[J]. 電氣技術, 2021, 22(11): 73-79.

DONG Yifei, SHU Shengwen, CHEN Cheng, et al. Composite insulator defect detection method based on infrared image segmentation and SSA-SVM [J]., 2021, 22(11): 73-79.

[5] 朱文天. 輸電線路絕緣子識別與光譜缺陷檢測技術研究[D]. 南寧: 廣西大學, 2019.

ZHU W T. Research on Insulator Identification and Spectral Defect Detection Technology of Transmission Line[D]. Nanning: Guangxi University, 2019.

[6] 高世闖. 基于全卷積神經網絡的絕緣子識別與故障檢測[D]. 石家莊: 石家莊鐵道大學, 2020.

GAO Shichuang. Insulator Identification and Fault Detection Based on Convolutional Neural Network[D]. Shijiazhuang: Shijiazhuang Railway University, 2020.

[7] 汝承印, 張仕海, 張子淼, 等. 基于輕量級MobileNet-SSD和MobileNetV2-DeeplabV3+的絕緣子故障識別方法[J]. 高電壓技術, 2022, 48(9): 3670-3679.

RU Chengyin, ZHANG Shihai, ZHANG Zimiao, et al. Insulator fault identification method based on lightweight MobileNet-SSD and MobileNetV2-DeeplabV3+[J]., 2022, 48(9): 3670-3679.

[8] 馬巧慧. 基于多特征融合的絕緣子定位與故障識別的研究[D]. 大慶: 東北石油大學, 2021.

MA Qiaohui. Research on Insulator Location and Fault Identification Based on Multi-feature Fusion[D]. Daqing: Northeast Petroleum University, 2021.

[9] 周亮君, 肖世德, 李晟堯, 等. 基于SURF與GPU加速數(shù)字圖像處理[J]. 傳感器與微系統(tǒng), 2022, 41(3): 98-100.

ZHOU Liangjun, XIAO Shide, LI Shengyao, et al. Digital image processing accelerated by SURF and GPU[J]., 2022, 41(3): 98-100.

[10] 陳熹, 張娜娜. 基于Hessian矩陣的車道線檢測方法[J]. 電視技術, 2022, 46(2): 168-172.

CHEN Xi, ZHANG Nana. Lane line detection method based on hessian matrix [J]., 2022, 46(2): 168-172.

[11] 余波, 吳靜, 周琦賓. 一種基于改進Canny算子的邊緣檢測算法[J]. 制造業(yè)自動化, 2022, 44(8): 24-26, 43.

YU Bo, WU Jing, ZHOU Qibin. An edge detection algorithm based on improved Canny operator[J]., 2022, 44(8): 24-26, 43.

[12] 崔曉榮, 沈濤, 黃建魯, 等. FABEMD和改進局部能量窗口的紅外中波和長波圖像融合[J]. 光譜學與光譜分析, 2021, 41(7): 2043-2049.

CUI Xiaorong, SHEN Tao, HUANG Jianlu, et al. FABEMD and improved local energy window for infrared medium and long wave image fusion[J]., 2021, 41(7): 2043-2049.

[13] 楊曉城, 楊真乙, 閻敬業(yè), 等. 基于拉普拉斯算子的綜合孔徑輻射計成像算法[J]. 電子學報, 2022, 50(2): 339-345.

YANG Xiaocheng, YANG Zhenyi, YAN Jingye, et al. Integrated aperture radiometer imaging algorithm based on Laplace operator[J]., 2022, 50(2): 339-345.

[14] 吳肖楚. 基于非下采樣剪切波變換的低照度圖像增強算法研究[D]. 南京: 南京郵電大學, 2020.

WU Xiaochu. Research on Low Illuminance Image Enhancement Algorithm Based on Non Downsampling Shear Wave Transform[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2020.

[15] 石森, 李小平, 徐家梁. 基于能量加權溶解氣體分析的IPSO-BP變壓器早期故障診斷[J]. 制造業(yè)自動化, 2022, 44(5): 43-45, 50.

SHI Sen, LI Xiaoping, XU Jialiang. Early fault diagnosis of IPSO-BP transformer based on energy weighted dissolved gas analysis[J]., 2022, 44(5): 43-45, 50.

[16] 張捍衛(wèi), 李曉玲, 楊永勤, 等. 拉普拉斯算子[J/OL] [2022-10-13]. 導航定位學報: 1-8. https://www.doc88.com/p-39339696421316.html.

ZHANG Hanwei, LI Xiaoling, YANG Yongqin, et al. Laplace operator [J/OL] [2022-10-13].: 1-8. https://www.doc88.com/p-39339696421316.html.

[17] 劉子英, 張靖, 鄧芳明. 基于BP神經網絡的高壓隔離開關分合閘監(jiān)測識別[J]. 電力系統(tǒng)保護與控制, 2020, 48(5): 134-140.

LIU Ziying, ZHANG Jing, DENG Fangming. Monitoring and identification of high voltage isolation switch opening and closing based on BP neural network[J]., 2020, 48(5): 134-140.

[18] York D. Least squares fitting of a straight line with correlated errors[J]., 1968, 5: 320-324.

[19] 崔慶華, 程科, 李肇基. 積分投影與連通域法結合的人眼定位[J]. 計算機與數(shù)字工程, 2019, 47(4): 949-953.

CUI Qinghua, CHENG Ke, LI Zhaoji. The combination of integral projection and connected domain method for human eye localization[J]., 2019, 47(4): 949-953.

[20] 趙文竹. 基于圖像顏色特征提取的維生素C含量測定方法研究[D].淮北: 淮北師范大學, 2021.

ZHAO Wenzhu. Research on the Method for Determining Vitamin C Content Based on Image Color Feature Extraction[D]. Huaibei: Huaibei Normal University, 2021.

Catenary Insulator Fault Detection Based on Gradient Image Fusion

SHI Jie1，ZHANG Jing2，ZHONG Hanhua1

(1.,y,330000,; 2.,657000,)

To accurately identify a single infrared or visible image under all weather conditions, a gradient image fusion model is proposed to fuse infrared and visible images. First, the accelerated up robust features algorithm is used to match the feature points of the two images. Further, the sampled shear wave transform (NSST) algorithm decomposes the image to be fused to form a map with high-frequency and low-frequency component information and then fuses the high-frequency and low-frequency component maps of insulators to achieve local fusion. The high- and low-frequency component maps are inversely transformed by the inverse transform of the NSST to obtain the final fusion map and achieve global fusion. The quality of the fused images is also evaluated. The line fitting algorithm based on the least-squares method is used to detect insulator self-explosions based on a binary image, the pixel integral projection method is used to detect cracks in the insulator, and color features are used to detect whether the insulator surface is polluted. The accuracies of the detection results of a single image and fusion image were compared through experiments. The experimental results show that the recognition rates of insulator self-explosion, insulator cracks, and insulator surface contamination based on fusion images are 95%, 91%, and 90%, respectively, which are higher than the recognition rates of single infrared image or visible image.

OCS insulator fault, image fusion, local fusion, global integration, image quality evaluation

TM854，TP391.4

A

1001-8891(2023)10-1106-12

2022-11-27；

2023-01-19.

石杰（1990-），男，碩士，研究方向：電力系統(tǒng)故障分析與診斷。E-mail：1003569980@qq.com。

張靖（1994-），男，碩士，研究方向：電氣設備故障診斷，E-mail：1780040544@qq.com。

江西省教育廳青年基金項目（GJJ2200659）；國家自然科學基金（52267015）。