基于衛(wèi)星遙感影像的輸電線路異物故障特征分析

聶鼎，黃然，周仿榮，趙現(xiàn)平，沈志，方明，馬儀

（1.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217；2.云南電網(wǎng)有限責(zé)任公司帶電作業(yè)分公司，昆明 650000；3.云南電網(wǎng)有限責(zé)任公司，昆明 650051）

0 前言

遙感監(jiān)測是綜合多種學(xué)科的一種探測技術(shù)，通過攝像和其他方式獲取被測目標(biāo)的影像和數(shù)據(jù)，這種技術(shù)在上個世紀(jì)70 年代初就已經(jīng)被美國成功使用了。現(xiàn)如今，該技術(shù)在多個領(lǐng)域被廣泛的應(yīng)用，是人們認(rèn)識世界的重要手段。

高壓線是國民正常生活和安全生產(chǎn)的重要保證，但由于受到復(fù)雜地理環(huán)境的危害無法安全運行，給民眾和企業(yè)帶來了重大的損失。氣候變換和外來異物是影響高壓線正常運行的主要原因，如果異物一直懸掛在輸電線路上，可能會導(dǎo)致輸電線路斷裂，造成電力能源輸送中斷，給企業(yè)和居民帶來損失。以往采用的人工巡檢方式需要耗費大量的人力和物力，在受到地理環(huán)境和氣候影響時，無法精確檢測輸電線路異物故障的情況。新型的航拍技術(shù)是以機器人視覺技術(shù)為學(xué)科背景，將目標(biāo)技術(shù)應(yīng)用于輸電線路安全運行的檢測中。應(yīng)用圖像處理和模式識別等多種理論，提取異物區(qū)域懸掛的信息，有效提高輸電線路巡檢的自動水平，具有穩(wěn)定性好和提取率高的特點[1]。

1 輸電線路異物故障特征分析算法

1.1 輸電特征節(jié)點的關(guān)鍵幀篩選

現(xiàn)代遙感航拍等技術(shù)是依據(jù)人腦的工作原理分析影像并提取相關(guān)信息，關(guān)鍵幀提取對分析輸電線路異物故障的原因非常重要。其中包含著輸電特征節(jié)點的主要信息，本次基于航拍影像對輸電線路異物故障進(jìn)行特征分析[2-3]。

傳統(tǒng)的電力線及異物提取方法有Ratio 算法提取，F(xiàn)reeman 鏈碼算法提取輸電線路，并通過SIFT、SURF、FAST 方法提取特征異物點，但傳統(tǒng)算法所得結(jié)果與其他地物相比，輸電線路及檢測成果并不突出，常會存在很多噪聲，掩蓋了提取目標(biāo)及特征，而通過Mean-Shift 方法來預(yù)測當(dāng)前幀中的異物區(qū)域，并提取特征點的計算速度較快，并且特征點提取的準(zhǔn)確度高，基于此，研究基于Mean-Shift 算法對異物故障特征指標(biāo)進(jìn)行計算。

首先，對輸電特征節(jié)點的關(guān)鍵幀進(jìn)行篩選，分析數(shù)據(jù)中數(shù)據(jù)結(jié)構(gòu)的特征，采用預(yù)估漂移區(qū)域篩選法，提取關(guān)鍵幀信息。預(yù)估漂移區(qū)域篩選法是在時間和空間的基礎(chǔ)上，對圖像的信息進(jìn)行描述，圖像中包含輸電線路和各種懸掛物等目標(biāo)信息，測量人員可以有針對性的對輸電線路安全性做一個具體的判定，判定公式如下。

公式（1）中，f表示相鄰時刻v 的像素點數(shù)目，ti表示(a,j) 共有的等級個數(shù)[4]。當(dāng)(a,j) 與數(shù)值1 的差值越小時，說明兩幀具有極高的相似度?？紤]到輸電線路相鄰幀之間幀差較小的情況，運用該方法解決幀差波動的情況，準(zhǔn)確提取關(guān)鍵幀并減少信息冗余量。

1.2 計算異物故障特征指標(biāo)

篩選后的關(guān)鍵幀圖像分辨率較高，但是會受外界變換的影響，無法快速地檢測輸電線路異物，達(dá)到跟蹤異物的效果。進(jìn)而使用Mean-Shift 算法對異物故障特征指標(biāo)進(jìn)行計算，這種方法具有較好的抗噪特性，適應(yīng)于圖像信息復(fù)雜的情況。在一段影像序列中，關(guān)鍵幀的更新速度會直接影響計算的準(zhǔn)確度，若當(dāng)前幀和參考幀相隔較大，說明兩者間的重疊區(qū)域較大。若兩幅圖像的區(qū)域逐漸減少，說明相機有可能出現(xiàn)平移的可能性。為了可以準(zhǔn)確分析出異物故障的特征，基于Mean-Shift 算法設(shè)計異物故障特征指標(biāo)，對異物的具體情況進(jìn)行準(zhǔn)確的分析[5]。幀差法求取公式如下所示。

公式（2）中[Yti,Yt2...Ytn]代表相鄰幀間差，|Xti－Xt2...Xtn| 代表當(dāng)前幀和參考幀之間的差。結(jié)合公式（1）在輸電線路航拍視頻的關(guān)鍵幀集合中，任意選擇異物出現(xiàn)的五幀圖像。并將它們標(biāo)記起來，依據(jù)判定公式，保留大于閾值的像素點，篩選完整的異物區(qū)域，并標(biāo)注出目標(biāo)位置的變化情況。該算法是在初始幀中尋找目標(biāo)的前提下使用的，通過圖像處理手段，分析異物故障的特征。基于特征點的方法考慮目標(biāo)區(qū)域的特征點，有效降低算法的運算量[6]。

在構(gòu)建指標(biāo)的過程中，要依據(jù)Mean-Shift算法公式進(jìn)行卷積計算，在進(jìn)行二次抽樣，但該算法只允許在尺度空間的范圍內(nèi)使用，可以有效解決反復(fù)抽樣的問題。在Fenix 特征點檢測方面，要注意每層圖像只包含5 個特征點，每個像素點與相鄰像素點都有共同特征，就需要對輸電線路特征節(jié)點進(jìn)行篩選。若節(jié)點閾值大于預(yù)期值，說明圖像層數(shù)不夠緊密，存在誤差[7]。這時需要重新選擇尺度空間的節(jié)點數(shù)量，從而保證特征點提取的準(zhǔn)確性。至此，實現(xiàn)輸電線路異物故障特征分析算法的設(shè)計。

2 實驗論證

通過上述論證，說明輸電線路異物故障特征算法可以有效解決異物故障的問題。為了保證算法具備較高的精準(zhǔn)度和可靠性，選擇了一段輸電線路影像數(shù)據(jù)進(jìn)行仿真實驗。首先，結(jié)合公式（1）和公式（2）計算相鄰幀差；其次，在120 幀的備選關(guān)鍵幀中選取較大的背景區(qū)域，經(jīng)過預(yù)估漂移區(qū)域法篩選后，選擇10 幀關(guān)鍵幀；最后，在關(guān)鍵幀中提取關(guān)鍵信息。為了增強實驗結(jié)果的說明性，采用傳統(tǒng)輸電線路異物故障算法與本文設(shè)計的輸電線路異物故障算法作為對比，選擇10 幀關(guān)鍵幀，對兩種算法的檢測效果進(jìn)行統(tǒng)計和分析。實驗檢測數(shù)據(jù)如表1 所示。

表1 實驗檢測數(shù)據(jù)

表1 是本次實驗檢測的10 幀關(guān)鍵幀；對比實驗結(jié)果如圖1 所示。

從圖1 實驗結(jié)果中可以看出，輸電線路異物故障特征分析算法在分析這10 個關(guān)鍵幀的特征點時相比傳統(tǒng)算法更精準(zhǔn)，從波動速度上來看，前五組關(guān)鍵幀的內(nèi)容變化較小，后五組關(guān)鍵幀受傾斜程度和光照強度的影響，波動較為明顯，該算法是通過目標(biāo)區(qū)域面積比計算的，在保證關(guān)鍵幀信息的前提下進(jìn)行特征分析。

圖1 實驗結(jié)果

3 試驗場實際異物提取

為驗證影像對電網(wǎng)高壓線異物提取算法有效性，在云南電網(wǎng)呈貢區(qū)試驗場布置了不同種類高壓線異物附著場景。包括塑料袋，鳥窩，斷股散股等。試驗場地理坐標(biāo)為：24°56‘53.00“北，102°50’46.03”東。

從試驗場現(xiàn)場圖可以看到現(xiàn)場布置的“塑料袋”以及高壓輸電線存在的“斷線”、“斷股”。

為了驗證通過該算法提取輸電線路異物的效果，本次實驗采用了Worldview3 遙感影像數(shù)據(jù)進(jìn)行輸電線路異物提取。

通過拍攝的衛(wèi)星數(shù)據(jù)進(jìn)行觀測，遙感影像可以清晰的分辨出實驗場地的輸電塔桿，基于Worldview3 的衛(wèi)星影像可以提取出試驗場地高壓線上的疑似異物，目前可提取出疑似鳥窩、疑似塑料袋等。

經(jīng)過處理之后的裁剪出的試驗場鐵塔圖可以清晰分辨出其中的鐵塔，并且隱約可以看到電線的脈絡(luò)；可以更為清晰的辨識圖像，對圖像進(jìn)行增強算法處理后，可以更好識別電線鐵塔和異物分布，效果較為清晰。

4 結(jié)束語

實驗論證，本次基于遙感影像的輸電線路異物故障特征分析算法具有極高的有效性，比傳統(tǒng)算法提取的特征點準(zhǔn)確度更高。在輸電線路航拍的關(guān)鍵幀集合中，任意選擇異物出現(xiàn)的圖像，并進(jìn)行標(biāo)記，保留大于閾值的像素點，篩選完整的異物區(qū)域，并標(biāo)出目標(biāo)位置的變化情況，研究算法在云南電網(wǎng)呈貢區(qū)試驗場加以試用，結(jié)果與實際大體相符，采用本文的提取算法后可以識別出輸電線路上的疑似異物，如疑似鳥窩、疑似塑料袋等異物，實現(xiàn)了對輸電線路微小形變的檢測提取工作，并取得了較為理想的效果，可以為有效解決異物故障的問題提供參考依據(jù)。