بخشی از مقاله
چکیده -
تشخیص و مکانیابی اتوماتیک مقره در تصویر به منظور بازرسی هوشمند از خطوط انتقال هوایی از اهمیت بالایی برخوردار بوده و پیشنیازي جهت تشخیص نقص و شکستگی در مقره میباشد. در این مقاله روش جدیدي براي یافتن محل مقره در تصاویر خطوط انتقال براساس توصیفگر HOG و دستهبندي کننده SVM ارائه شده است. در مرحله اول، با توجه به ساختار مقره و استفاده از تبدیل هاف، تخمینی از جهت کلی مقره بدست آورده می شود. پس از چرخش تصویر به اندازه زاویه استخراجی، در هر یک از ناحیههاي تصویر، ویژگیهاي فشردهسازي شده HOG استخراج و توسط SVM نسبت به طبقه بندي آنها اقدام می شود تا حضور یا عدم حضور بشقاب مقره در ناحیه مورد نظر مشخص گردد. توصیفگر HOG، توصیفگري سراسري مبتنی بر گرادیان بوده و به دلیل قابلیت بالاي آن در پس زمینه هاي پیچیده از این توصیفگر بهره گرفته شده است.
سرانجام با بکارگیري چندین معیار، تشخیصهاي غلط حذف میگردند. نتایج پیادهسازي روش پیشنهادي بر روي پایگاه داده تشکیل شدهاي از حدود 300 تصویر از انواع مقرههاي عبوري با شرایط و زوایاي تصویربرداري متفاوت، بیانگر کارآیی این روش در تشخیص محل مقره در تصویر میباشد.
-1 مقدمه
از آنجا که خطوط انتقال هوایی به صورت گسترده اي توزیع شده اند و اغلب خارج از شهرها و در محیط طبیعی و مناطق خالی از سکنه قرار دارند؛ تجهیزات انتقال به مدت طولانی در معرض تنش هاي مستمر مکانیکی، تخلیه الکتریکی، فرسایش و خوردگی خواهند بود. اگر قطعات و تجهیزات آسیب دیده بموقع تعمیر یا جایگزین نشوند، ممکن است یک نقص یا خطاي کوچک گسترش یافته و منجر به حوادث خطرناك و خاموشیهاي بزرگ شود. این امر علاوه بر اثرات اجتماعی جدي که بدنبال دارد، ممکن است فعالیت هاي اقتصادي یک کشور را از فعالیت بیندازد. لذا نظارت کامل بر شبکه توزیع برق و بویژه خطوط انتقال با بکارگیري روش هاي نوین، یکی از موضوعاتی است که همواره باید مورد توجه قرار گیرد.
یکی از اساسیترین تجهیزات در خطوط انتقال، مقرهها1 می باشند که با توجه به دارا بودن مقاومت الکتریکی بالا، بین هادي برق دار و سازه هاي نگهدارنده قرار میگیرند. مقرههاي آسیب دیده، کارآیی سیستم توزیع را بطور قابل ملاحظه اي از نظر ولتاژ و جریان نشتی تحت تأثیر قرار داده و در نتیجه موجب خسارات سنگین به شبکه انتقال برق میشوند. شکست کامل مقره نیز اتصال خط به زمین - L-G - و همچنین قطع برق را بدنبال خواهد داشت. از اینرو اطمینان از سلامت مقرهها بخصوص در شرایط بد آب و هوایی از اهمیت خاصی برخوردار است.
استفاده از روش هاي بازرسی مبتنی بر تصویر، علاوه بر کاهش حجم کار بازرسیهاي دورهاي و هزینههاي صرف شده براي این منظور، موجب افزایش بازده و کارآیی خطوط انتقال خواهد شد. شناسایی محل مقره در تصویر، پیش نیاز تشخیص عیوب احتمالی اعم از نقص هاي خارجی همچون شکستگی - که غالباً در اثر صاعقه ایجاد میشود - ، آزاد شدن بشقاب ها، آلودگی سطحی، ترك و سایر موارد مشابه در مقره میباشد. در این مقاله روشی مبتنی بر استخراج ویژگیهاي 2HOG و دسته بندي آنها توسط 3SVM براي تشخیص محل مقره در تصویر ارائه شده است. در ادامه، در بخش 2 مروري بر کارهاي گذشته صورت میگیرد. بخش 3 به بیان روش پیشنهادي جهت شناسایی محل مقره اختصاص یافته است. در بخش 4 نتایج پیادهسازي الگوریتم پیشنهادي ارائه میشود نهایتاًو، بخش 5 به نتیجه گیري و جمعبندي مطالب پرداخته میشود.
-2 مروری بر کارهای پیشین
1] و [2 از روشی استفاده میکنند که امکان پردازش بیشتر و با سرعت بالا را فراهم میآورد، اما مکانیابی این روشها به یک سناریوي خاص به عنوان مثال پس زمینه بدون بافت یا دوربین رو به آسمان محدود میباشد و از اینرو در پسزمینه هاي پیچیده خوب عمل نکرده و بسیار غیردقیق هستند. Kawamura و همکارانش در [3]، روشی را به منظور مکانیابی دقیق مقرهها مبتنی بر تطبیق الگوي 3D، جهت تعامل با ربات منتشر نمودند. این روش هزینه محاسباتی بالایی داشته و بطور خاص براي امر مکانیابی 3D طراحی شده است. روشی ساده به منظور تشخیص مقره توسط Zhang و همکاران وي در [4] ارائه شده است.
در این روش از آستانهگذاري رنگ استفاده میشودام، ا این روش فقط قادر به تشخیص مقرههاي شیشهاي میباشد که با مشخصه رنگ تعیین شده مطابقت دارند. علاوه بر این به پارامتر آستانهاي نیاز دارد که به صورت مطلوبی تنظیم شده باشد که کاربرد آن را به صورت قابل ملاحظه اي محدود میسازد.
در [5]، از توصیفگر 4SESIF و Li و همکاران در [6]، از 5MPEG-7 EHD بهبود یافته به منظور تشخیص مقره استفاده نمودند. هر دو روش، توصیفگرهاي لبه را روي یک شبکه متراکم محاسبه کرده که تعداد زیادي تشخیص مثبت کاذب ایجاد میکنند؛ بنابراین قابلیت اجراي محدودي در محیط هاي پیچیده دارند. علاوه بر این توصیفگرهاي لبه به اندازه کافی متمایز کننده نیستند که این امر توسط نرخ بالاي مثبت کاذب آنها مشخص میگردد.
Zhao و همکارانش در [7] از یک میدان تصادفی مارکوف براي مدل کردن ساختار هندسی تکرار شونده یک مقره استفاده کردند که در محیط هاي شلوغ، تغییرناپذیر و مقاوم عمل میکند. نتایج این روش تنها براي مقرههاي ترکیب شده در گروه هاي دو یا چهارگانه ارائه شده است و در حالی که بسیاري از مقرهها به تنهایی به خطوط متصل شدهاند، این روش نمیتواند مدل هاي هندسی خود را مقداردهی اولیه کرده و در تشخیص با خطا مواجه خواهد شد.
Wu و همکارانش در [8]، از کمینهسازي سراسري مدل کانتور فعال - GMAC - جهت بخشبندي تصویر مقره استفاده نمودند. در روش آنها کیفیت بخشبندي مقره در پسزمینههاي پیچیده مطلوب میباشد، ولی با این حال الگوریتمی که از ویژگیهاي سراسري به منظور بخش بندي تصویر استفاده میکند، بویژه در تصاویري با وضوح بالا، به زمان محاسباتی زیادي نیاز دارد.
-3 تشخیص محل مقره در تصویر
از دیدگاه تشخیص، مقرهها اشیایی با بافت کم هستند که این امر تشخیص آنها را در تصویر سخت میسازد. در مقابل مقره، داراي یک فرم سخت و محکم با ساختار هندسی تکرار شونده و شکل مدور متمایز براي هر بشقاب میباشد که این ویژگیها میتوانند در مکانیابی6 مقره مورد استفاده قرار گیرند. در شکل 1، دو نمونه از تصاویر مقره نشان داده شده است.
شکل :1 نمونههایی تصاویر مقره
در این مقاله، به منظور تشخیص محل مقره در تصویر، ابتدا زاویهي کلی مقره را بدست آورده، با چرخش تصویر به اندازه زاویه استخراج شده، توصیفگر HOG در تصویر ورودي محاسبه میشود. محل دقیق محل مقره، با اعمال توصیفگرهاي حاصل به مدل آموزش داده شده SVM در مرحله آموزش و پس از حذف تشخیص هاي غلط شناسایی میشود. در شکل 2، نمایی کلی از مراحل تشخیص مقره نشان داده شده است. در ادامه هریک از مراحل الگوریتم پیشنهادي بررسی میشوند.
-1-3 تخمین جهت کلی مقره
اولین مرحله در شناسایی محل مقره، تخمین جهت کلی آن میباشد. چرخش تصویر با زاویه استخراجی به دلیل آنکه توصیفگر HOG مورد استفاده حساس به چرخش است، ضروري میباشدغالباً. ساختار مقره به گونه اي است که در کل تصویر امتداد دارد. این امر میتواند براي تخمین جهت کلی مقره مورد استفاده قرار گیرد. براي این منظور عملیات مورفولوژي به همراه اپراتور تشخیص لبه Sobel به جهت استخراج لبه هاي مقره به کار گرفته شده است و سپس با استفاده از تبدیل هاف زاویه مقره در تصویر محاسبه خواهد شد.
شکل :2 نمایی کلی از مراحل تشخیص مقره در تصویر
۳-۱-۱- عملیات مورفولوﮊی
عملیات مورفولوژي ، ساختار هندسی دو بعدي تصویر را با استفاده از یک المان ساختاري مورد تغییر قرار داده و جهت استخراج اجزاي مفید و یا حذف قسمتهاي زائد تصویر، بکار گرفته می شوند. در تصویر باینري شده مقره، همانطور که در شکل 3 - الف - نشان داده شده است، از مورفولوژي به منظور حذف قسمت هاي زائد تصویر و حفظ بخشی که در تصویر داراي بیشترین مساحت میباشد، بهره گرفته شده است.
۳-۱-۲- تبدیل هاف
به منظور تشکیل تصویر لبه مورد استفاده در تبدیل هاف، از عملگر [12] Sobel استفاده میشود. این روش، از لحاظ دقت، از برتري قابل ملاحظه اي نسبت به عملگر Canny برخوردار نبوده ولی پیچیدگی محاسباتی کمتر و در نتیجه سرعت بالاتري دارد و با توجه به حذف نویز و قسمت هاي زائد تصویر در مرحله قبل در روش پیشنهادي پاسخ مطلوبی میدهد. شکل 3 - ب - نتیجه اعمال این عملگر را به تصویر نشان میدهد. تبدیل هاف[13] 8، به منظور تشخیص منحنیهاي مشخصی همانند خط، دایره، بیضی و ... در تصویر مورد استفاده قرار میگیرد. مزیت اصلی تبدیل هاف این است که قابلیت تحمل گسستگی در توصیف ویژگیهاي مرزي را دارا بوده و از اینرو در برابر نویز مقاوم میباشد.
در الگوریتم پیشنهادي، تبدیل هاف، به تصویر خروجی عملگر Sobel اعمال شده تا با متصل کردن لبه هاي مستقیم، زاویه بلندترین پاره خط موجود در تصویر محاسبه شود. همانطور که در شکل 3 - ج - ، مشاهده میشود، زاویه بلندترین پاره خط موجود در تصویر که با رنگ آبی مشخص شده، 6/5° میباشد. بدین ترتیب تخمینی از جهت کلی مقره بدست خواهد آمد و از این جهت استخراجی به منظور تصحیح تصویر با چرخش آن استفاده میشود.
شکل :3 - الف - شاکله استخراج شده مقره - ب - استخراج لبههاي تصویر توسط عملگر Sobel - ب - اعمال تصویر هاف به تصویر خروجی مرحله قبل
-2-3 استخراج ویژگی
بطور معمول، مسئله بازشناسی یک مورد خاص از شیء، با استخراج توصیفگرهایی از یک مجموعه پراکندة نقاط مورد توجه [17] در تصویر و سپس تطبیق آنها با توصیفگرهاي استخراج شده از سایر تصاویر مدنظر، انجام میشود. روش هاي مختلفی به منظور استخراج توصیفگر در تصاویر ارائه شده است .[14] بسیاري از این روش ها همانند [15] SIFT و [16] SURF، جهت بازشناسی یک مورد خاص از شیء9، تطابق 10 و یا تشخیص نماهاي مختلف یک جسم در دو یا چند تصویر متفاوت طراحی شده اند.
ویژگی هاي هیستوگرام گرادیان جهت دار - HOG - براي اولین بار در سال 2005 توسط Dalal و Triggs جهت شناسایی عابر پیاده در تصویر [18]، ارائه و در سال 2010، Felzenszwalb و همکاران، مدل بخشی HOG را با ساختار ستاره اي به منظور تشخیص شیء در تصویر [19] پیشنهاد نمودند و در تحقیقات اخیر نیز انواع دیگري از این روش استخراج ویژگی در کاربردهاي مختلف معرفی شده است.
