CN116912178A - 导线表面痕迹识别方法 - Google Patents

Abstract

本发明公开了一种导线表面痕迹识别方法，用于配电线路下方山火事故原因调查，包括：获取由社会因素引发山火或树线故障引发山火后的导线表面痕迹图像，并对导线表面痕迹进行图像预处理；对目标痕迹图像用自相关函数法进行纹理粗糙度初步描述；根据灰度共生矩阵GLCM得到目标痕迹图像的各项纹理指标；用差分盒子法对导线表面各类目标痕迹图像进行分形维数计算，得到痕迹分形特征；综合自相关函数法、灰度共生矩阵、差分盒子法的分析结果，对导线表面痕迹进行识别，判断导线表面痕迹所属类型，以此确定山火事故原因；本发明能科学快速地通过导线表面痕迹识别山火事故是否由配电线路树线故障产生，可为山火事故原因调查及责任认定提供技术依据。

Description

导线表面痕迹识别方法

技术领域

本发明涉及图像数据处理技术领域，特别是一种导线表面痕迹识别方法。

背景技术

近年来国内外因配电网树线故障引发森林火灾的事故频发，因外在社会因素引发的山火导致输电线路跳闸事故也层出不穷。如何有效辨识两种事故原因的研究尚未见报道，导致目前配电线路下方森林火灾成因鉴定工作缺乏科学依据。

目前关于导线表面痕迹的研究大都建立在导线表面自然积污或人工涂污的基础上，对森林火灾或树线故障等极端环境下积污的研究较少。导线表面痕迹是确定电气森林火灾成因至关重要的依据，鉴定人员可据此判定森林火灾事故是否由树线故障引发，为山火事故责任认定提供技术依据，因此对导线表面痕迹进行识别十分重要。

研究导线表面形貌传统的方法主要是通过宏观法、金相分析法、扫描电镜法研究导线表面痕迹，但在分析时需要截取导线样本，并通过高精度仪器进行观测、检验，增加了检测成本和检验时间，同时截取样本后的线路将无法正常运行，因此传统的分析方法具有一定的局限性。探索一种能够快速准确识别导线表面痕迹的方法尤为重要。

发明内容

为解决现有技术中存在的问题，本发明的目的是一种导线表面痕迹识别方法，本发明用于配电线路下方山火事故原因调查，解决了现有配电线路下方山火事故原因调查和责任认定中主要依靠鉴定人员主观意识而缺乏科学合理依据的问题。

为实现上述目的，本发明采用的技术方案是：一种导线表面痕迹识别方法，用于配电线路下方山火事故原因调查，具体包括以下步骤：

步骤1、获取由社会因素引发山火或树线故障引发山火后的导线表面痕迹图像，并对导线表面痕迹进行图像预处理；

步骤2、对目标痕迹图像用自相关函数法进行纹理粗糙度初步描述；

步骤3、根据灰度共生矩阵GLCM得到目标痕迹图像的各项纹理指标；

步骤4、用差分盒子法对导线表面各类目标痕迹图像进行分形维数计算，得到痕迹分形特征；

步骤5、综合自相关函数法、灰度共生矩阵、差分盒子法的分析结果，对导线表面痕迹进行识别，判断导线表面痕迹所属类型，以此确定山火事故原因。

作为本发明的进一步改进，步骤1中，对导线表面痕迹进行图像预处理具体包括：

以加权平均法进行图像灰度化，根据如下公式计算目标图像灰度值F：

F＝0.299×R+0.587×G+0.114×B

式中R为相机拍摄的痕迹图像的红色分量，G为绿色分量，B为蓝色分量；

以中值滤波消除原始灰度图像中的噪声实现图像降噪；

以自适应阈值法(又称Otsu法)实现痕迹区域的分割以提取所需部分，根据如下公式计算取得最佳分离阈值T₀时的类间方差：

是类间方差，T₀是最佳分离阈值，在/>取得最大值时，得到最佳分离阈值，从而实现痕迹区域的有效分割。

作为本发明的进一步改进，所述步骤2具体如下：

根据自相关函数对不同类型痕迹图像的粗糙度进行分析：

式中f(x，y)是原图像函数，w是标准像素点，(p，k)是每一像素点坐标，f(x-ε，y-μ)是与原图像像素点相距(ε，μ)的图像函数，(∈，μ)是像素点坐标偏离值，上式是对(2w+1)*(2w+1)窗口的每一像素点(p，k)于偏离值(∈，μ)的像素点之间相关值作计算。自相关函数图中，数字下降变化趋势越大对应图像的纹理越复杂，对应痕迹就越粗糙。

作为本发明的进一步改进，所述步骤3具体如下：

首先，通过选择空间间隔参数d和空间方向参数构建图像在空间域上的二阶矩阵P(i，j，d，θ)，即为灰度共生矩阵GLCM，表示为：

P(i，j，d，θ)＝#{[(x₁，y₁)，(x₂，y₂)]∈S|f(x₁，y₁)＝i，f(x₂，y₂)＝j}

式中(x₁,y₁),(x₂,y₂)代表像素点坐标，且x₂＝x₁+d×cosθ、y₂＝y₁+d×sinθ；i，j表示像素值向量，具有方向性；d表示i与j之间的距离；θ指i与j之间的方向夹角，即两个像素点连线与坐标横轴正方向的夹角，在原始灰度共生矩阵算法中，θ的取值有四个，分别为0°、45°、90°和135°；S表示目标区域中具体特定空间联系的像素对的集合；#号表示元素数量；

其次，根据所述灰度共生矩阵GLCM得到目标痕迹图像纹理指标，具体包括：

对比度CON：

式中m，n表示像素灰度值，P(m，n)该灰度值出现的概率。对比度反映了不同灰度值之间的差异，当所有像素点灰度值一样时，图像的对比度为0。若图像灰度变化大，对比度就越大，视觉效果也越清晰。

相关度COR：

式中m，n表示像素灰度值，P(m，n)该灰度值出现的概率，μ_x，μ_y坐标偏离量，σ_m，σ_n表示概率方差。相关度大小反映了图像局部灰度的相关程度，COR值越大，矩阵元素越均匀，对应图像越光滑。

作为本发明的进一步改进，所述步骤4具体如下：

将目标痕迹图像的灰度图像转化为三维灰度曲面；

利用边长为r的立方体盒子覆盖整个灰度曲面；

根据下式计算灰度图像的分形维数：

式中r为分形盒子的边长，N_r为覆盖整个灰度曲面所需的盒子数量，改变r的值即可求出一组盒子数N，再利用最小二乘法求得分形维数D。灰度曲面越复杂，其覆盖所需要的盒子数越多，分形维数就越大。

作为本发明的进一步改进，所述步骤5具体如下：

根据痕迹图像的自相关特征、纹理特征指标以及分形维数，构建火烧痕迹、树线放电痕迹、二次痕迹以及二次痕迹擦拭后图像对应的特征向量；

将各痕迹对应的特征向量输入到训练好的支持向量机中，输出结果满足火烧痕迹特征则判定山火由社会原因引发，事故原因与配电线路无关；满足放电痕迹特征则判定山火由树线故障引发，事故原因与配电线路有关。

社会因素引发山火，导线表面仅存在由火焰灼烧导线形成的火烧痕迹；

配电线路树线故障初期未引发山火，导线表面仅存在一次放电痕迹；树线故障引发山火后，火烧痕迹会覆盖一次放电痕迹形成二次痕迹，将二次痕迹擦拭后导线表面仍保留了一次放电痕迹相关特征。

本发明的有益效果是：

本发明仅依据导线表面痕迹经所述多种方法计算得到的特征量，基于训练好的向量机来判断痕迹类型，以此确定山火事故原因，进而对山火事故责任认定提供有力依据；本发明不需要高精度仪器分析痕迹微观特征，大大减小检验成本和时间，并且分析得到的痕迹图像特征与视觉特征保持高度一致性。

附图说明

图1为本发明实施例的流程框图；

图2为本发明实施例中图像预处理得到的树线放电痕迹示意图；

图3为本发明实施例中图像预处理得到的火烧痕迹示意图；

图4为本发明实施例中自相关函数法得到的火烧痕迹示意图；

图5为本发明实施例中自相关函数法得到的树线放电痕迹示意图；

图6为本发明实施例中差分盒子法得到的无痕迹、放电痕迹、火烧痕迹图像的灰度曲面的示意图。

具体实施方式

下面结合附图对本发明的实施例进行详细说明。

实施例

如图1所示，一种导线表面痕迹识别方法，用于配电线路下方山火事故原因调查，具体包括以下步骤：

步骤1、获取由社会因素引发山火和树线故障引发山火后的导线表面痕迹图像。

社会因素引发山火时仅有火焰作用在导线表面形成火烧痕迹；树线故障初期未引发山火时，导线表面仅存在一次放电痕迹；树线故障末期引发山火后，火烧痕迹会覆盖一次放电痕迹而形成二次痕迹，将二次痕迹擦拭后导线表面仍保留了一次放电痕迹相关特征。本实施例主要基于火烧痕迹和放电痕迹不同的分布特征、灰度特征以及分形特征，采用多种图像纹理特征提取方法综合分析不同痕迹特征差异，建立痕迹特征向量数据库，能够快速准确的识别痕迹类型，从而判断山火事故原因。

本实施例首先利用高速相机获取导线表面火烧痕迹、树线放电痕迹、二次痕迹以及二次痕迹擦拭后的图像。

步骤2、对所得的导线表面痕迹图像进行预处理，所述图像预处理操作包括图像灰度化、图像去噪、图像阈值分割等，最后获得高质量灰度图像，将其记为目标灰度图像。图2为经预处理后的树线放电痕迹灰度图像，图3为经预处理后的火烧痕迹灰度图像，从灰度图像中可以明显区分两类痕迹的分布特征和灰度特征。

步骤3、采用自相关函数法对目标灰度图像进行纹理粗糙度描述，得到目标灰度图像的自相关函数图像：

根据自相关函数对不同类型痕迹图像的粗糙度进行分析：

式中f(x，y)是原图像函数，w是标准像素点，(p，k)是每一像素点坐标，f(x-ε，y-μ)是与原图像像素点相距(ε，μ)的图像函数，(∈，μ)是像素点坐标偏离值，上式是对(2w+1)*(2w+1)窗口的每一像素点(p，k)于偏离值(∈，μ)的像素点之间相关值作计算。自相关函数图中，数字下降变化趋势越大对应图像的纹理越复杂，对应痕迹就越粗糙。

通常，森林火灾分布范围广，火焰可完全覆盖导线，形成的火烧痕迹是均匀分布在导线表面，痕迹覆盖面积大，灰度值分布较为单一，因此自相关函数曲面重叠范围小，在坐标系中展开面积更大，如图4所示；树线放电痕迹在导线表面呈局部分布，放电中心为电弧灼烧痕迹，放电中心***是炭黑痕迹，炭黑痕迹与剩余表面存在明显的分界，且灰度值分布变化巨大，纹理特征较为明显。由于放电痕迹在导线表面呈局部分布，因此在自相关函数中曲面重叠部分较多，在坐标系中展开面积更小，如图5所示。其中η、ε是自相关函数定义的偏移量，取值均为20，Z轴代表自相关程度，自相关函数曲面下降趋势越大，表示图像的纹理越复杂，痕迹就越粗糙。

步骤4、利用灰度共生矩阵GLCM计算目标图像的对比度、相关度：

首先，通过选择空间间隔参数d和空间方向参数构建图像在空间域上的二阶矩阵P(i，j，d，θ)，即为灰度共生矩阵GLCM，表示为：

P(i，j，d，θ)＝#{[(x₁，y₁)，(x₂，y₂)]∈S|f(x₁，y₁)＝i，f(x₂，y₂)＝j}

式中(x₁,y₁),(x₂,y₂)代表像素点坐标，且x₂＝x₁+d×cosθ、y₂＝y₁+d×sinθ；i，j表示像素值向量，具有方向性；d表示i与j之间的距离；θ指i与j之间的方向夹角，即两个像素点连线与坐标横轴正方向的夹角，在原始灰度共生矩阵算法中，θ的取值有四个，分别为0°、45°、90°和135°；S表示目标区域中具体特定空间联系的像素对的集合；#号表示元素数量；

其次，根据如下公式计算GLCM的对比度：

式中m，n表示像素灰度值，P(m，n)该灰度值出现的概率。对比度反映了不同灰度值之间的差异，当所有像素点灰度值一样时，图像的对比度为0。若图像灰度变化大，对比度就越大，视觉效果也越清晰。

根据如下公式计算GLCM的相关度：

式中m，n表示像素灰度值，P(m，n)该灰度值出现的概率，μ_x，μ_y坐标偏离量，σ_m，σ_n表示概率方差。相关度大小反映了图像局部灰度的相关程度，COR值越大，矩阵元素越均匀，对应图像越光滑。

步骤5、用差分盒子法对导线表面各类痕迹图像进行分形维数计算，得到痕迹分形特征：

对于一维图像，其分形维数FD＝1，设一直线长度为L，盒子边长为r，则覆盖此直线需要的盒子数为对于二维图像，其分形维数FD＝2，则边长为L的平面所需要的盒子数为/>所以处于一维和二维之间的曲线需要的盒子数应大于覆盖直线的盒子数，同时小于覆盖平面的盒子数，即曲线的分形维数在[1,2)区间，以此类推处于二维和三维之间的曲面分形维数在[2,3)区间。因此差分盒子法本质是用边长相等的盒子数去度量图像灰度曲面的分形维数，灰度曲面越复杂，其覆盖所需要的盒子数越多，分形维数就越大。

将目标痕迹的灰度图像转化为三维灰度曲面，具体为：

将目标痕迹图像压缩至256*256大小，同灰度等级一致然后在MATLAB R2020b中将压缩后的灰度图像转化为灰度曲面，在灰度曲面中，纵轴Z代表灰度等级，且数值0至255的变化对应导线表面黑色到白色的渐变过程(其中0代表纯黑色，255代表纯白色)，同时XOY平面显示原图像的二维灰度，其中η、ε是自相关函数定义的偏移量，取值均为20，范围同分辨率一致，因此根据灰度曲面灰度值特征即可判断灰度曲面上对应灰度值的大小和相对位置。

利用边长为r的立方体盒子覆盖整个灰度曲面；

根据下式计算灰度图像的分形维数：

式中r为分形盒子的边长，N_r为覆盖整个灰度曲面所需的盒子数量，改变r的值即可求出一组盒子数N，再利用最小二乘法求得分形维数D。灰度曲面越复杂，其覆盖所需要的盒子数越多，分形维数就越大。

在灰度曲面中，纵轴Z代表灰度等级，数值0至255的变化对应导线表面黑色到白色的渐变过程(其中0代表纯黑色，255代表纯白色)。图6为各种痕迹图像的灰度曲面，其中无痕迹导线的两股铝线之间的灰度等级均呈现高——低——高的规律，高灰度值表示导线表面无污染，低灰度值则是由于多股铝线铰缝处无法正常曝光使拍摄到的缝隙较暗，导致灰度值较小。无痕迹导线灰度曲面保留了单股铝线的三维特征，因此关注导线痕迹变化主要以铝线灰度值变化为参考量，单股铝线高灰度值区域越小(或低灰度值区域越大)代表被痕迹侵蚀越严重，灰度曲面越复杂，分形维数就越大。

在导线无痕迹污染时，铝线表面主要是高灰度值区域，当导线被放电痕迹污染时，表面炭黑处具有明显的灰度特征。相较于无痕迹导线，树线放电痕迹图像中单股铝线上的高灰度值区域明显减少，灰度变换复杂无规律，使整个灰度曲面粗糙，灰度值变化明显，因此分形维数相对更大。由于导线被火烧痕迹污染后整个表面均匀地附着了炭黑，同时填补了铝线铰缝处的空隙，使得整个平面更加平整，灰度曲面数值变化几乎无较大差异。火烧故障后导线表面痕迹的灰度曲面比导线放电痕迹和无痕迹的灰度曲面更加规则，因此分形维数应较小；导线表面二次痕迹的灰度曲面较为平整，整个曲面灰度值均在同一水平上，灰度特征无明显差异，其原因是火烧痕迹覆盖铝线表面的同时填补了铝线绞合处缝隙，使得拍摄图像看起来更加平整均匀，因此分形维数应小于一次痕迹分形维数。将导线表面痕迹擦拭后得到的灰度曲面与原一次痕迹图像灰度曲面相似，且两股铝线之间均满足灰度值由高——低——高的特征，因此分形维数应与一次痕迹分形维数接近。

步骤6、综合上述三种方法得到的痕迹特征向量，将不同种类痕迹对应的特征向量输入支持向量机进行训练和分类，输出结果满足火烧痕迹特征则判定山火由社会原因引发；满足放电痕迹特征则判定山火由树线故障引发。

本实施例首先获取由社会因素引发山火和树线故障引发山火后的导线表面痕迹图像；对所得导线表面痕迹图像进行预处理，得到目标灰度图像；对目标痕迹图像用自相关函数法进行纹理粗糙度初步描述；通过选择空间间隔参数d和空间方向参数构建图像在空间域上的二阶矩阵，刻画图像中相似灰度像素点的分布特性，反映纹理单元的分布特性，同时通过计算GLCM的对比度、相关度进一步表征图像的纹理特性；用差分盒子法对导线表面各类痕迹图像进行分形维数计算，得到痕迹分形特征；综合自相关函数法、灰度共生矩阵、差分盒子法的分析结果，将痕迹特征向量输入到支持向量机中进行训练分类，从而对导线表面痕迹进行识别，判断痕迹所属类型，以此确定山火事故原因。本实施例仅依据导线表面痕迹经所述多种方法计算得到的特征量，基于训练好的向量机来判断痕迹类型，以此确定山火事故原因，进而对山火事故责任认定提供有力依据，具有科学性和便捷性。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种导线表面痕迹识别方法，其特征在于，用于配电线路下方山火事故原因调查，具体包括以下步骤：

步骤1、获取由社会因素引发山火或树线故障引发山火后的导线表面痕迹图像，并对导线表面痕迹进行图像预处理；

步骤2、对目标痕迹图像用自相关函数法进行纹理粗糙度初步描述；

步骤3、根据灰度共生矩阵GLCM得到目标痕迹图像的各项纹理指标；

步骤4、用差分盒子法对导线表面各类目标痕迹图像进行分形维数计算，得到痕迹分形特征；

步骤5、综合自相关函数法、灰度共生矩阵、差分盒子法的分析结果，对导线表面痕迹进行识别，判断导线表面痕迹所属类型，以此确定山火事故原因。

2.根据权利要求1所述的导线表面痕迹识别方法，其特征在于，步骤1中，对导线表面痕迹进行图像预处理具体包括：

用加权平均法对目标图像进行灰度化、用中值滤波进行图像去噪、用自适应阈值法进行图像阈值分割。

3.根据权利要求1或2所述的导线表面痕迹识别方法，其特征在于，所述步骤2具体如下：

根据自相关函数对不同类型痕迹图像的粗糙度进行分析：

式中f(x，y)是原图像函数，w是标准像素点，(p，k)是每一像素点坐标，f(x-∈，y-μ)是与原图像像素点相距(∈，μ)的图像函数，(∈，μ)是像素点坐标偏离值，上式是对(2w+1)*(2w+1)窗口的每一像素点(p，k)于偏离值(∈，μ)的像素点之间相关值作计算。

4.根据权利要求3所述的导线表面痕迹识别方法，其特征在于，所述步骤3具体如下：

首先，通过选择空间间隔参数d和空间方向参数构建图像在空间域上的二阶矩阵P(i，j，d，θ)，即为灰度共生矩阵GLCM，表示为：

P(i，j，d，θ)＝#{[(x₁，y₁)，(x₂，y₂)]∈S|f(x₁，y₁)＝i，f(x₂，y₂)＝j}

式中(x₁,y₁),(x₂,y₂)代表像素点坐标，且x₂＝x₁+d×cosθ、y₂＝y₁+d×sinθ；i，j表示像素值向量，具有方向性；d表示i与j之间的距离；θ指i与j之间的方向夹角，即两个像素点连线与坐标横轴正方向的夹角；S表示目标区域中具体特定空间联系的像素对的集合；#号表示元素数量；

其次，根据所述灰度共生矩阵GLCM得到目标痕迹图像纹理指标，具体包括：

对比度CON：

相关度COR：

式中m，n表示像素灰度值，P(m，n)表示该灰度值出现的概率，μ_x，μ_y表示坐标偏离量，σ_m，σ_n表示概率方差。

5.根据权利要求4所述的导线表面痕迹识别方法，其特征在于，所述步骤4具体如下：

将目标痕迹图像的灰度图像转化为三维灰度曲面；

利用边长为r的立方体盒子覆盖整个灰度曲面；

根据下式计算灰度图像的分形维数：

式中r为分形盒子的边长，N_r为覆盖整个灰度曲面所需的盒子数量，改变r的值即可求出一组盒子数N，再利用最小二乘法求得分形维数D。

6.根据权利要求5所述的导线表面痕迹识别方法，其特征在于，所述步骤5具体如下：

根据痕迹图像的自相关特征、纹理特征指标以及分形维数，构建火烧痕迹、树线放电痕迹、二次痕迹以及二次痕迹擦拭后图像对应的特征向量；

将各痕迹对应的特征向量输入到训练好的支持向量机中，输出结果满足火烧痕迹特征则判定山火由社会原因引发，事故原因与配电线路无关；满足放电痕迹特征则判定山火由树线故障引发，事故原因与配电线路有关。