在無人機(jī)航拍圖像中對(duì)輸電線路絕緣子的識(shí)別定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于Gabor特征的半監(jiān)督學(xué)習(xí)隨機(jī)森林算法實(shí)現(xiàn)在無人機(jī)航拍圖 像中對(duì)輸電線路絕緣子的識(shí)別定位方法，屬于圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 輸電線路作為國家電力系統(tǒng)中的重要組成部分，其安全狀態(tài)關(guān)乎大眾安全。輸電 線路中使用最多的電力設(shè)備是絕緣子，它的作用是防止電流回地，其性能好壞直接決定電 力輸送系統(tǒng)的可靠性。
[0003] 目前，絕緣子運(yùn)行狀態(tài)的檢測(cè)方法主要有超聲波檢測(cè)法、紅外測(cè)溫法、脈沖電流法 等，運(yùn)些方法大多存在操作復(fù)雜、成本高、危險(xiǎn)性大、受氣候影響大等缺點(diǎn)。近年來，隨著計(jì) 算機(jī)圖像處理技術(shù)的發(fā)展和無人機(jī)巡檢技術(shù)的日益成熟，絕緣子檢測(cè)方法有了新的突破。
[0004] 由于基于無人機(jī)輸電線路航拍圖像的絕緣子不良狀態(tài)檢測(cè)結(jié)果受背景影響較大， 問題復(fù)雜，成果較少，目前研究還處在發(fā)展階段，其很大程度上依賴于輸電線路圖像中絕緣 子的準(zhǔn)確識(shí)別和定位。因此如何有效區(qū)分背景和絕緣子，從復(fù)雜背景圖像中準(zhǔn)確識(shí)別絕緣 子成為檢測(cè)工作的難點(diǎn)。
[0005] 近年來許多學(xué)者致力于研究利用數(shù)字圖像處理技術(shù)從航拍圖像中提取絕緣子圖 像，主要從邊緣檢測(cè)方法，基于闊值分割方法W及利用絕緣子楠圓特性的化U曲變換方法定 位絕緣子。但由于航拍圖像通常背景復(fù)雜，基于邊緣檢測(cè)的方法會(huì)引入大量干擾邊緣，檢測(cè) 精度不高;基于闊值分割方法利用絕緣子顏色特性能粗略檢出疑似絕緣子的目標(biāo)區(qū)域，但 當(dāng)光照或背景變化時(shí)，檢測(cè)算法魯棒性低;基于絕緣子楠圓特性的方法受圖像中絕緣子狀 態(tài)影響，對(duì)于遮擋、連續(xù)排列的絕緣子檢測(cè)效果差。
[0006] 此外，隨機(jī)機(jī)器學(xué)習(xí)技術(shù)的推廣，一些學(xué)者提出利用監(jiān)督學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn) 行絕緣子圖像的識(shí)別，運(yùn)種算法依賴無窮多的樣本數(shù)，計(jì)算代價(jià)高；當(dāng)樣本數(shù)較少時(shí)檢測(cè)準(zhǔn) 確率低。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明所要解決的技術(shù)問題是:提出一種在無人機(jī)航拍圖像中對(duì)輸電線路絕緣子 的識(shí)別定位方法，解決傳統(tǒng)技術(shù)中對(duì)絕緣子的識(shí)別算法檢測(cè)精度不高、魯棒性低、容易受樣 本數(shù)影響的問題。
[000引本發(fā)明解決上述技術(shù)問題所采用的方案是：
[0009]在無人機(jī)航拍圖像中對(duì)輸電線路絕緣子的識(shí)別定位方法，包括W下步驟：
[0010] A、構(gòu)建樣本訓(xùn)練數(shù)據(jù)集；
[0011] B、采用半監(jiān)督學(xué)習(xí)隨機(jī)森林算法對(duì)步驟A中的樣本訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，獲得絕 緣子識(shí)別模型；
[0012] C、采用步驟B中訓(xùn)練獲得的絕緣子識(shí)別模型對(duì)無人機(jī)航拍圖像中輸電線路絕緣子 進(jìn)行識(shí)別及定位。
[0013] 作為進(jìn)一步優(yōu)化，步驟A中，所述構(gòu)建樣本訓(xùn)練數(shù)據(jù)集的方法具體包括：
[0014] 將無人機(jī)航拍圖像轉(zhuǎn)換為灰度圖像，從灰度圖像中提取用于訓(xùn)練的樣本圖像，抽 取樣本圖像Gabor特征組成訓(xùn)練數(shù)據(jù)集。
[0015] 作為進(jìn)一步優(yōu)化，為保證不同樣本圖像所提取的Gabor特征維數(shù)一致，在提取完訓(xùn) 練樣本圖像之后要將所有樣本圖像統(tǒng)一變換至同一尺寸，且將提取的訓(xùn)練樣本圖像中已知 類別（是絕緣子和不是絕緣子兩類）的圖像分為帶標(biāo)簽的樣本圖像和不帶標(biāo)簽的樣本圖像 (樣本類別未知）。
[0016] 作為進(jìn)一步優(yōu)化，在提取樣本圖像Gabor特征時(shí)，采用不同方向和尺度Gabor核組 成一組Gabor小波基，分別與樣本圖像做卷積，得到多個(gè)與樣本大小相同的特征矩陣，再將 運(yùn)些特征矩陣按列與列之間相連接，組成一個(gè)多維特征矢量用來描述該樣本圖像;最后分 別將帶標(biāo)簽樣本的特征矢量和不帶標(biāo)簽樣本的特征矢量對(duì)應(yīng)歸類到帶標(biāo)簽樣本訓(xùn)練數(shù)據(jù) 集和不帶標(biāo)簽樣本訓(xùn)練數(shù)據(jù)集中。
[0017] 作為進(jìn)一步優(yōu)化，步驟B中，所述采用半監(jiān)督學(xué)習(xí)隨機(jī)森林算法對(duì)步驟A中的樣本 訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，獲得絕緣子識(shí)別模型的具體方法包括：
[0018] B1、訓(xùn)練參數(shù)初始化:設(shè)定更新標(biāo)記樣本集合的置信度闊值0、隨機(jī)森林中所含決 策樹個(gè)數(shù)n、每棵決策樹所用訓(xùn)練數(shù)據(jù)子集的選擇方式和數(shù)據(jù)子集所含樣本數(shù)、決策樹所需 特征屬性個(gè)數(shù)、決策樹節(jié)點(diǎn)分裂準(zhǔn)則；
[0019] B2、對(duì)帶標(biāo)簽樣本訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練得到初始隨機(jī)森林分類器:通過一定的樣 本抽取方式在帶標(biāo)簽樣本數(shù)據(jù)集中提取n個(gè)數(shù)據(jù)子集，并用一定的抽取算法選擇特征屬性 子集進(jìn)行訓(xùn)練得到含有n個(gè)決策樹的隨機(jī)森林分類器:H=化l，h2, . . .，hn};
[0020] B3、對(duì)無標(biāo)簽樣本數(shù)據(jù)集預(yù)測(cè)，更新每個(gè)數(shù)據(jù)子集:對(duì)于分類器集合H中的每個(gè)決 策樹hi，其余n-1個(gè)決策樹所組成的分類器集合，稱為hi的對(duì)等分類器集合，記做出;使用對(duì) 等分類器集合出對(duì)無標(biāo)簽數(shù)據(jù)集Xu中的樣本執(zhí)行多數(shù)投票的方式進(jìn)行預(yù)測(cè)，使用標(biāo)簽的一 致性表示樣本的置信度，選擇置信度大于默認(rèn)闊值0的無標(biāo)簽樣本，復(fù)制到分類器hi的數(shù)據(jù) 子集中，實(shí)現(xiàn)每個(gè)決策樹的訓(xùn)練集更新；
[0021] B4、使用更新的數(shù)據(jù)子集依次訓(xùn)練對(duì)應(yīng)決策樹，直到模型趨于穩(wěn)定即可得到最終 的隨機(jī)森林分類器模型作為絕緣子識(shí)別模型。
[0022] 作為進(jìn)一步優(yōu)化，步驟C中，所述采用步驟B中訓(xùn)練獲得的絕緣子識(shí)別模型對(duì)無人 機(jī)航拍圖像中輸電線路絕緣子進(jìn)行識(shí)別及定位，具體包括：
[0023] CU將輸入航拍圖像轉(zhuǎn)換為灰度圖并獲得對(duì)應(yīng)多尺度圖；
[0024] C2、用與樣本圖像大小一致的檢測(cè)窗口從左到右，從上到下遍歷不同尺度下的航 拍圖像，得到圖像塊；
[0025] C3、提取圖像塊的Gabor特征，送入絕緣子識(shí)別模型進(jìn)行識(shí)別，標(biāo)記并保存識(shí)別到 的絕緣子候選框的中屯、點(diǎn)坐標(biāo)；
[0026] C4、重復(fù)步驟C2和C3,直到所有尺度下的航拍圖像都遍歷完成；
[0027] C5、將不同尺度下檢測(cè)到的絕緣子候選框根據(jù)尺度變換因子轉(zhuǎn)換到原始尺度下， 采用非極大值抑制最終鎖定并標(biāo)記航拍圖像中的絕緣子。
[002引本發(fā)明的有益效果是：
[0029] 1)二維Gabor小波是對(duì)高級(jí)脊椎動(dòng)物視覺平層中神經(jīng)元的良好逼近，基于Gabor濾 波器的特征比較接近于人眼觀察到的特征，可W根據(jù)Gabor濾波器的不同頻率和方向?qū)D 像濾波結(jié)果提取某些參數(shù)作為其紋理特征，從而達(dá)到紋理分析的目的；本發(fā)明通過Gabor函 數(shù)提取絕緣子在不同尺度、不同方向上的特征，可W很好地描述無人機(jī)在不同拍攝視角下 得到的不同姿態(tài)的絕緣子，進(jìn)一步提高絕緣子的識(shí)別率。
[0030] 2)采用半監(jiān)督學(xué)習(xí)隨機(jī)森林的機(jī)器學(xué)習(xí)算法，通過有放回地獲得數(shù)據(jù)子集和隨機(jī) 抽取特征屬性地方式在訓(xùn)練過程中引入隨機(jī)性，使得每棵決策樹之間保持獨(dú)立性，并且它 能在不進(jìn)行特征選擇或特征刪除等降維處理情況下，直接進(jìn)行大規(guī)模高維數(shù)據(jù)的處理，且 具有良好的性能。此外，半監(jiān)督學(xué)習(xí)的隨機(jī)森林算法，利用帶標(biāo)簽樣本訓(xùn)練得到分類器，然 后對(duì)無標(biāo)簽數(shù)據(jù)進(jìn)行預(yù)測(cè)，將置信度高的樣本加入到訓(xùn)練集合中，然后利用新的訓(xùn)練數(shù)據(jù) 重新進(jìn)行分類器的訓(xùn)練，通過有標(biāo)簽和無標(biāo)簽兩類數(shù)據(jù)集和綜合利用，克服了非監(jiān)督學(xué)習(xí) 的盲目性和監(jiān)督學(xué)習(xí)的數(shù)據(jù)類別標(biāo)記困難的問題，通過決策樹間的并行預(yù)測(cè)可W有效提高 分類效率。
【附圖說明】
[0031 ]圖1為航拍圖像在單一尺度下絕緣子檢測(cè)識(shí)別流程圖；
[0032] 圖2為數(shù)據(jù)子集更新流程圖。
【具體實(shí)施方式】
[0033] 本發(fā)明旨在提出一種在無人機(jī)航拍圖像中對(duì)輸電線路絕緣子的識(shí)別定位方法，解 決傳統(tǒng)技術(shù)中對(duì)絕緣子的識(shí)別算法檢測(cè)精度不高、魯棒性低、容易受樣本數(shù)影響的問題。
[0034] 由于無人機(jī)航拍圖像中絕緣子的角度、大小會(huì)隨著無人機(jī)拍攝視角和高度的不同 而異，傳統(tǒng)的特征描述子無法適應(yīng)不同角度的絕緣子檢測(cè)。本發(fā)明通過提取絕緣子圖像不 同尺度和方向的Gabor特征，使提取的特征向量對(duì)絕緣子尺度和角度變換不敏感，適用于不 同姿態(tài)的絕緣子檢測(cè)。此外，本發(fā)明采用半監(jiān)督學(xué)習(xí)的隨機(jī)森林算法，相比于監(jiān)督學(xué)習(xí)，本 發(fā)明可有效減少準(zhǔn)備帶標(biāo)簽樣本的工作量;相比于非監(jiān)督學(xué)習(xí)，本發(fā)明能有效干預(yù)模型訓(xùn) 練過程，不需要無窮多個(gè)樣本，計(jì)算代價(jià)相對(duì)較低。
[0035] 本發(fā)明利用不同尺度和不同方向的一組Gabor小波基與訓(xùn)練樣本圖像做卷積，形 成一組特征矢量W準(zhǔn)確描述樣本圖像紋理特征;采用半監(jiān)督學(xué)習(xí)方式的隨機(jī)森林機(jī)器學(xué)習(xí) 算法訓(xùn)練已知類別和未知類別的樣本數(shù)據(jù)集，得到絕緣子識(shí)別模型。通過從左到右從上到 下的方式，用與訓(xùn)練樣本大小一致的檢測(cè)窗口遍歷不同尺度下的輸入圖像，并結(jié)合識(shí)別模 型檢測(cè)和定位不同尺度下的輸入圖像中絕緣子的位置;再利用非極大值抑制方法最終確定 絕緣子在輸入圖像原始尺度下的準(zhǔn)確位置。
[0036] 在具體實(shí)現(xiàn)上，本發(fā)明中的對(duì)輸電線路絕緣子的識(shí)別定位方法步驟如下：
[0037] 步驟一:準(zhǔn)備訓(xùn)練數(shù)據(jù)集:將無人機(jī)航拍圖像轉(zhuǎn)換為灰度圖像，從灰度圖像中提取 用于訓(xùn)練的樣本圖像，抽取樣本圖像Gabor特征組成訓(xùn)練數(shù)據(jù)集;為保證不同樣本圖像所提 取的Gabor特征維數(shù)一致，在提取完訓(xùn)練樣本圖像之后要將所有樣本圖像統(tǒng)一變換至同一 尺寸，運(yùn)些樣本中應(yīng)包含部分已知類別（是絕緣子和不是絕緣子兩類）的正負(fù)樣本;在提取 樣本圖像Gabor特征時(shí)，我們用不同方向和尺度Gabor核組成一組Gabor小波基，分別與樣本 圖像做卷積，得到多個(gè)與樣本大小的特征矩陣，再將運(yùn)些特征矩陣按列與列之間相連接組 成一個(gè)多維特征矢量來描述樣本圖像。所有樣本圖像的特征矢量即可組成訓(xùn)練數(shù)據(jù)集。
[0038] 設(shè)Kx, y)是一幅樣本圖像，用Gabor基對(duì)其進(jìn)行特征抽取的過程就是一個(gè)卷積運(yùn) 算，即：
[0039] Omv(Z) = I(Z)帥",V(Z)
[0040] 其中，Z為圖像坐標(biāo)(x，y)，恥,V(Z)表示Gabor小波核函數(shù)，其表示形式如下：
kmax表不最大義樣頻 率。y和V分別表示Gabor小波的方向和尺度因子，且ii、v為整數(shù)，O為高斯窗口的寬度與正弦 波的波長(zhǎng)的比率。
[0043] 此時(shí)再將運(yùn)些卷積之后得到的圖像特征矩陣按列與列之間相連接組成一個(gè)1*M的 多維特征矢量(M大小與y、v、樣本圖像大小有關(guān)）：
[0044] X = (〇〇'〇T, 〇〇, 1了，. . .，0",yT)
[0045] 步驟二:利用半監(jiān)督學(xué)習(xí)隨機(jī)森林算法對(duì)步驟一數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行訓(xùn)練，得到 絕緣子識(shí)別模型。
[0046] 1)訓(xùn)練參數(shù)初始化:設(shè)定更新標(biāo)記樣本集合的置信度闊值0、隨機(jī)森林中所含決策 樹個(gè)數(shù)