用于電力巡檢機器人的掛空異物智能檢測方法

王興濤，李文永，陳 亮

(華能新疆吉木薩爾發(fā)電有限公司，新疆 昌吉 831799)

0 引言

電力能源作為我國幾大主要能源之一，在社會生產(chǎn)與日常生活中占據(jù)著至關(guān)重要的地位。只有電力安全地持續(xù)穩(wěn)定供應(yīng)，才能使工業(yè)進(jìn)程與生活需求得到最高程度保障。隨著電力信息化戰(zhàn)略[1]的提出與計算機視覺[2]的飛速發(fā)展，巡檢機器人在電力領(lǐng)域中得到了越來越廣泛的應(yīng)用與普及，進(jìn)一步推動了智能電網(wǎng)的建設(shè)進(jìn)度。為提升巡檢機器人的智能化水平，眾多相關(guān)領(lǐng)域人員將其作為研究課題，從多個角度展開了優(yōu)化。

周振宇等[3]就巡檢機器人的通信與計算需求，提出一種聯(lián)合能量感知的高可靠低時延移動邊緣計算方法，令機器人的效用最大化；李榮等[4]面向變電站室內(nèi)外一體化巡檢機器人，構(gòu)建一種全向四驅(qū)結(jié)構(gòu)的運動控制系統(tǒng)，增加機器人的可控性；崔坤坤等[5]為巡檢機器人設(shè)計的動態(tài)雙窗口下視覺導(dǎo)航與特征識別方法，很好地強化了導(dǎo)航精度與巡檢點特征識別的魯棒性。

由于變電站的設(shè)立環(huán)境多為空曠的平原地帶，經(jīng)常受到塑料袋、鳥巢等異物的侵?jǐn)_，對電網(wǎng)造成安全隱患，危害電力系統(tǒng)穩(wěn)定運行。因此，本文研究出一種適用于電力巡檢機器人的掛空異物智能檢測方法，確保輸電線路通暢。根據(jù)光照強度、天氣狀況、前景與背景的分割閾值等條件，采用不同的濾波處理方法與對比度增強方法來預(yù)處理采集圖像，增加檢測準(zhǔn)確度；基于局部二值模式圖像特征點匹配策略來完成異物檢測，有效解決對外部數(shù)據(jù)的依賴問題。

1 電力巡檢機器人采集圖像預(yù)處理

電力線路環(huán)境相對復(fù)雜，機器人采集到的圖像通常存在一定噪聲，影響后續(xù)檢測準(zhǔn)確度。因此，利用多種處理手段，預(yù)處理線路采集圖像，為異物檢測奠定基礎(chǔ)。

1.1 圖像濾波

機器人采集圖像時，會因光照強度、天氣狀況等因素，令背景差異較大，故需根據(jù)表1所示的不同顏色空間變量值與背景特征關(guān)聯(lián)，采用不同的濾波方式。

表1 圖像類別及其濾波方法

各濾波方式具體實現(xiàn)內(nèi)容如下所述：

a.均值濾波。根據(jù)線路形態(tài)顏色，增強線路邊緣,可通過均值濾波的數(shù)學(xué)界定公式實現(xiàn)，即

(1)

z(k,l)為模板中心像素灰度值；ψ(α,β)為模板中像素灰度值；n為模板內(nèi)所有像素數(shù)。

b.高斯濾波。根據(jù)可視度與外界干擾，更好地保留邊緣細(xì)節(jié)，利用的高斯濾波的數(shù)學(xué)界定公式為

(2)

Wα β為坐標(biāo)(α,β)的加權(quán)值。

c.中值濾波。同理，去除孤立噪聲點采用的中值濾波表達(dá)式為

z(k,l)=median{ψ(α,β)}

(3)

d.雙邊濾波。該處理方式將像素灰度值差異所占權(quán)重作為考量因素之一，結(jié)合空間鄰近度與像素值相似度，抑制低頻干擾，其定義式為

(4)

w(α,β,k,l)為坐標(biāo)點(α,β)的權(quán)重因子。

1.2 對比度增強

面向模糊不清的采集圖像，需利用式(5)所示的對比度拉伸公式，合理分配前景與背景區(qū)間的像素占比灰度值，使線路邊緣更加突出。

(5)

χ為經(jīng)過拉伸的灰度級；nl為當(dāng)前及其之前的灰度級含有的像素；nmin為極小灰度級含有的像素；N為像素總數(shù)。

為更好地拉伸開灰度分布較窄區(qū)間，增加圖像清晰度，采用最大類間方差法[6]計算出前景與背景的分割閾值T和平均灰度值H，并以此為依據(jù)來改變分段區(qū)間與拉伸區(qū)間，如表2所示，再通過對比度拉伸公式適當(dāng)增強圖像對比度。

表2 灰度分段區(qū)間與拉伸區(qū)間

2 掛空異物智能檢測

2.1 輸電線路識別

根據(jù)輸電線路的直線特征，采用霍夫變換直線提取法[7]明確電線范圍。假設(shè)某平面極坐標(biāo)系[8]內(nèi)存在1條直線L，其與原點的間距為ρ，垂線段和x軸間的夾角為θ。結(jié)合點線對偶屬性[9]，按照以下流程完成基于霍夫變換的輸電線路識別：

a.量化處理參數(shù)空間為m×n塊，設(shè)定初始值是0的累加器矩陣。

b.使累加器與各空間塊一一對應(yīng)。

c.已知某像素點坐標(biāo)(xi,yi)，將空間塊作為步長標(biāo)準(zhǔn)，在夾角θ為[0,π]中求解所有ρ值，若解值與某空間塊吻合，則該塊的累加器加1?？臻g塊累加器的數(shù)值與共線像素點數(shù)量相一致。

d.當(dāng)全部像素點經(jīng)過遍歷后，統(tǒng)計空間各累加器值，參數(shù)ρ、θ是累加器極大值對應(yīng)空間塊的數(shù)值。若L′條直線周圍分布著圖像空間的點，則在取得累加器值后，選取對應(yīng)于前L′個極大值空間塊的ρL′、θL′，即可完成多條輸電線路識別。

2.2 輸電線路擬合

識別出的直線有可能是屬于同一條輸電線路的局部導(dǎo)線，因此，設(shè)計出一種擬合恢復(fù)方法使線路完整。

為準(zhǔn)確判定出巡檢機器人采集圖像中的平行直線段L1、L2屬于同一條線路邊緣，需先計算出2條線段之間的垂直距離。已知線段L1、L2的2個端點坐標(biāo)各是P11(a1,b1)、P12(a2,b2)、P21(a3,b3)、P22(a4,b4)。根據(jù)直線方程Ax+By+C=0與任意點P坐標(biāo)(x0,y0)，計算該點與直線的垂直距離d，求解出端點P11(a1,b1)與線段L2的間距D112。同理，得到端點P12(a2,b2)與線段L2的間距、端點P21(a3,b3)、P22(a4,b4)與線段L1的間距，求出2條線段間的平均垂直距離M1，通過對比預(yù)設(shè)閾值M，判斷出圖像中的2條線段是否屬于相同線路，若M1

若線段L1與圖像邊界交于點Q1、Q2，解得2個交點坐標(biāo)，基于此擬合出完整的線路邊緣，以便后續(xù)掛空異物檢測：

(6)

(7)

m為機器人采集圖像長度。同理擬合出圖像中剩余直線段的完整線路。

2.3 掛空異物檢測

基于局部二值模式圖像特征點匹配策略[10]，降低異物檢測過程對外部數(shù)據(jù)的依賴。

假設(shè)輸電線路L1上有1個掛空異物，該線段上點的集合是Pi(i=1,2,…,n)，對應(yīng)坐標(biāo)是(xi,yi)，且xi-xi-1=λ，點P1與端點Q1重疊?；邳cP1建立長寬各是λ、h的矩形興趣范圍，遍歷該范圍中的所有像素點，當(dāng)像素點屬于黑色前景時，求解出該點與線段L1的垂直距離，與距離閾值d作對比后，若呈大于關(guān)系，則該像素點不是線路像素點，而是異物像素點，即異點，解得矩形范圍中全部異點數(shù)量Ni。對于線路L1上的異物智能檢測流程如下所述：

a.基于點Pi(xi,yi)，當(dāng)xi+λ超出采集圖像右側(cè)時，不需建立矩形范圍，跳至第d步；若未超出圖像右側(cè)，則建立矩形范圍，進(jìn)行下一步。

b.獲取矩形范圍中所有異點數(shù)Ni，若其與采集圖像長度m之間呈大于關(guān)系，則判定局部或全部異物存在于矩形范圍中，標(biāo)記點坐標(biāo)Pi(xi,yi)，進(jìn)行下一步。

c.求解出點坐標(biāo)Pi+1(xi+1,yi+1)后，返回第a步。

d.如果第b步?jīng)]有對應(yīng)點標(biāo)記，表明線路上無掛空異物，跳至第f步；如果有對應(yīng)點標(biāo)記，則進(jìn)行下一步。

e.兩兩比對所有標(biāo)記點，解得各橫坐標(biāo)差值，當(dāng)差值不超過[λ,3λ]時，判定2個矩形范圍中的異物屬于同一異物，去除第2個標(biāo)記點，待全部標(biāo)記點處理完全后，進(jìn)行下一步。

f.解得剩余標(biāo)記點相應(yīng)矩形范圍幾何中心坐標(biāo)并輸出。

3 仿真實驗分析

3.1 實驗參數(shù)設(shè)定

按照表3所示的數(shù)值設(shè)置相關(guān)算法參數(shù)。

表3 相關(guān)參數(shù)設(shè)置

3.2 智能檢測效果主觀性分析

根據(jù)某國網(wǎng)省檢修公司電力巡檢機器人提供的風(fēng)箏異物檢測處理過程圖像(如圖1所示)可以看出，該方法根據(jù)不同顏色空間變量值與背景特征之間的關(guān)聯(lián)，采用對應(yīng)的濾波方式，基于前景與背景的分割閾值及平均灰度值，結(jié)合各背景類別的分段區(qū)間與拉伸區(qū)間，實現(xiàn)對比度增強。因此，各處理步驟均得到較好進(jìn)行，最終理想地檢測出線路上的掛空異物。

圖1 異物檢測處理過程

為檢驗方法適用性，讓巡檢機器人檢測不同背景下的不同異物，如圖2所示。從塑料袋異物檢測處理過程圖像可以看出，雜亂背景中的異物在該方法的處理下同樣得到了準(zhǔn)確的檢測。這說明本文方法因基于局部二值模式圖像特征點匹配策略，大幅降低了異物檢測過程對外部數(shù)據(jù)的依賴，所以能夠有效檢測出各類背景中的異物。

圖2 復(fù)雜背景下異物檢測處理過程

3.3 智能檢測效果客觀性分析

采用異物檢測的正確數(shù)量、錯誤數(shù)量、遺漏數(shù)量以及消耗時間等多項指標(biāo)，從客觀角度分析本文方法性能。

3.3.1 檢測過程各階段耗時分析

針對風(fēng)箏、塑料袋2種掛空異物及無異物等3種情況展開消耗時間指標(biāo)評估。已知風(fēng)箏、塑料袋掛空異物的采集圖像中分別含有651 632個像素與982 196個像素，無異物的采集圖像中含有324 888個像素，檢測方法中各處理流程的耗費時間如圖3所示。從掛空異物的不同情況可知，所用時長隨像素數(shù)量的增加而呈比例延長；從各處理流程所需時長可知，預(yù)處理階段的對比度增強過程最耗費時間，其次便是輸電線路識別階段。因此，應(yīng)將2個階段的耗時問題作為今后研究的重點課題。

圖3 不同異物檢測過程中各階段耗時

3.3.2 不同數(shù)量異物的檢測效果分析

在機器人為期1個月的巡檢工作中，分別對不同數(shù)量的掛空異物展開檢測，檢測結(jié)果如表4所示。通過多個掛空異物的檢測結(jié)果可以看出，本文方法通過建立矩形興趣范圍，遍歷了該范圍中的所有像素點，相對準(zhǔn)確地判定了各像素點的歸屬，故在異物數(shù)量較少時檢測準(zhǔn)確度較高。下一階段需就較多異物數(shù)量時產(chǎn)生的誤檢與漏檢情況作進(jìn)一步優(yōu)化，避免因此而引發(fā)電力事故隱患。

表4 不同異物數(shù)量檢測效果

4 結(jié)束語

本文通過設(shè)計一種掛空異物智能檢測方法，旨在拓寬機器人在電網(wǎng)領(lǐng)域的市場前景。為使本文方法能夠更高效地實時檢測出掛空異物，防止線路事故發(fā)生，需嘗試引用更快速的處理技術(shù)與算法，針對預(yù)處理階段中的對比度增強方法與輸電線路識別方法作進(jìn)一步優(yōu)化；需完善掛空異物數(shù)據(jù)集，增加異物種類，使其不再僅僅局限于氣球、風(fēng)箏等物品，降低異物類別對檢測效果的影響。