基于數(shù)字圖像處理的電力線異物識(shí)別方法研究

梁新福 羅日成 黨世軒 周 晶 陽(yáng)冠菲

基于數(shù)字圖像處理的電力線異物識(shí)別方法研究

梁新福 羅日成 黨世軒 周 晶 陽(yáng)冠菲

（長(zhǎng)沙理工大學(xué)，長(zhǎng)沙 410114）

針對(duì)架空線路異物搭掛的潛在威脅，本文提出一種快速識(shí)別航拍圖像中異物的方法。首先運(yùn)用直線段檢測(cè)（LSD）算法從預(yù)處理后的圖像中提取電力線，并基于架空導(dǎo)線上異物特征設(shè)計(jì)針對(duì)異物的識(shí)別算法，提取導(dǎo)線異物；接著對(duì)其進(jìn)行邊緣檢測(cè)，提取缺陷畫(huà)框并在巡檢圖像中標(biāo)識(shí)；最后，通過(guò)多組樣本數(shù)據(jù)對(duì)算法實(shí)用性能進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果表明，該方法能對(duì)輸電導(dǎo)線上搭掛異物的情況進(jìn)行有效識(shí)別，在無(wú)人機(jī)電力巡檢中具有一定的應(yīng)用價(jià)值。

輸電線路；異物識(shí)別；直線段檢測(cè)（LSD）；邊緣檢測(cè)

0 引言

輸電線路是電力輸送的主要載體，直接影響配電與用電系統(tǒng)的正常運(yùn)行。隨著遠(yuǎn)距離輸電線路的增加，輸電線路貫穿地形地貌日趨復(fù)雜，我國(guó)電力巡檢面臨著巨大挑戰(zhàn)[1]。近年來(lái)，由于風(fēng)箏、氣球、塑料垃圾等異物的入侵，使線路故障率常年居高不下。線路上懸掛異物會(huì)導(dǎo)致線路對(duì)地絕緣距離縮短，易引起線路跳閘。因此，能夠及時(shí)識(shí)別出異物并采取措施清理，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要的意義。

現(xiàn)有的人工巡線作業(yè)方式勞動(dòng)強(qiáng)度大、效率低，已經(jīng)不能適應(yīng)現(xiàn)代化電網(wǎng)建設(shè)與發(fā)展的需求。無(wú)人機(jī)電力巡檢系統(tǒng)具有不受地形環(huán)境限制、巡線速度快和巡檢質(zhì)量高等優(yōu)勢(shì)[2-4]。出于建設(shè)堅(jiān)強(qiáng)智能電網(wǎng)的需要，無(wú)人機(jī)巡線作為一種先進(jìn)、科學(xué)、高效的電力巡線方式，開(kāi)始逐步實(shí)現(xiàn)工程化應(yīng)用，大大提高了巡檢效率。無(wú)人機(jī)通過(guò)搭載可見(jiàn)光成像設(shè)備對(duì)高壓輸電線路進(jìn)行圖像收集，然后經(jīng)過(guò)計(jì)算機(jī)圖像處理技術(shù)對(duì)收集的圖片進(jìn)行篩查，判斷線路上是否存在異物。文獻(xiàn)[5]通過(guò)分析輸電線在圖像中的形態(tài)特征，提出針對(duì)輸電線交叉及異物附著干擾的斷股診斷方法。文獻(xiàn)[6]提出對(duì)圖像空間直線的提取和檢測(cè)方法，為輸電線路是否存在異物的識(shí)別提供了思路。文獻(xiàn)[7]通過(guò)最大類(lèi)間方差法（OTSU）和Hough變換原理對(duì)輸電導(dǎo)線進(jìn)行提取和檢測(cè)，通過(guò)對(duì)輸電導(dǎo)線進(jìn)行卷積操作判斷是否存在異物。

針對(duì)輸電導(dǎo)線異物搭掛問(wèn)題，本文提出一種基于直線段檢測(cè)（line segment detection, LSD）算法與多約束特征的輸電導(dǎo)線異物識(shí)別方法。首先對(duì)圖像進(jìn)行預(yù)處理，之后使用LSD算法提取輸電導(dǎo)線，最后依據(jù)異物特征，設(shè)計(jì)異物的識(shí)別算法，實(shí)現(xiàn)導(dǎo)線上的異物檢測(cè)。

1 圖像預(yù)處理

無(wú)人機(jī)在線路巡檢的過(guò)程中，往往受到各種干擾因素的影響，其中最主要的是：

1）受氣流的影響引起機(jī)身輕微晃動(dòng)，導(dǎo)致采集的圖像模糊。

2）搭載的成像設(shè)備受光照、天氣及圖像傳輸過(guò)程等因素的影響會(huì)摻雜噪聲（主要為椒鹽噪聲）。

為了提高圖像后期處理的精度和效率，需要對(duì)圖像進(jìn)行相應(yīng)的預(yù)處理操作[8-9]。本文采用維納濾波和中值濾波相結(jié)合的方法對(duì)航拍圖像進(jìn)行預(yù)處理。待處理的航拍圖像如圖1所示。

圖1 待處理的航拍圖像

由于維納濾波器對(duì)圖像的復(fù)原效果、抗噪性能較好且計(jì)算簡(jiǎn)便，因此廣泛應(yīng)用于圖像復(fù)原領(lǐng)域。本文對(duì)采集到的圖像通過(guò)維納濾波器進(jìn)行濾波。為了有效去除噪聲，對(duì)復(fù)原后的圖像采用中值濾波。中值濾波能夠有效去除圖像中的顆粒噪聲，同時(shí)也能很好地保護(hù)圖像的細(xì)節(jié)，其實(shí)現(xiàn)方法為：設(shè)置模板窗口，使其中心與圖像中某個(gè)中心像素的位置重合，將模板窗口對(duì)應(yīng)的中心像素的灰度值按大小排序，找出中值，并賦值給對(duì)應(yīng)模板中心位置的像素，依次遍歷整個(gè)圖像。其數(shù)學(xué)描述為

窗口的尺寸越大，需要比較的次數(shù)越多，由試驗(yàn)對(duì)比可知，采用3×3窗口的計(jì)算量和濾波效果最好，濾波后的航拍圖像如圖2所示。

圖2 濾波后的航拍圖像

2 輸電導(dǎo)線的識(shí)別

2.1 LSD算法

LSD算法通過(guò)計(jì)算圖像中像素點(diǎn)梯度的大小和方向，將梯度方向變化小且鄰近的點(diǎn)定義為一個(gè)連通域。根據(jù)域中的矩形度判斷是否需要按照規(guī)則將其斷開(kāi)以形成多個(gè)矩形度較大的域。通過(guò)對(duì)生成的所有的域進(jìn)行改善和篩選，保留其中滿足條件的域，即為最終直線檢測(cè)結(jié)果[10-14]。相比于其他直線檢測(cè)算法，LSD算法具有結(jié)果準(zhǔn)確、誤檢可控且無(wú)需調(diào)節(jié)參數(shù)的優(yōu)點(diǎn)。具體算法流程如下：

1）高斯降采樣，采樣率為0.8，將輸入圖像縮小0.8倍，以消除鋸齒效應(yīng)的影響；計(jì)算圖像各像素點(diǎn)梯度的大小和方向，根據(jù)梯度值大小排序。

2）圖像中變化較緩或平滑的區(qū)域?qū)?yīng)的梯度值較小，為非目標(biāo)區(qū)域，因此設(shè)置梯度閾值，將小于的點(diǎn)狀態(tài)設(shè)置為USED，其余為UNUSED，并取排序表中狀態(tài)為UNUSED的點(diǎn)。

3）設(shè)置方向變化最大容忍值，在狀態(tài)為UNUSED的點(diǎn)中取梯度最大的點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)（region grow），獲得線支持區(qū)域，并構(gòu)造包含該區(qū)域所有方向變化小于的點(diǎn)的矩形（即待檢測(cè)線段），該矩形方向?yàn)橹鲬T性軸方向；計(jì)算生長(zhǎng)得到的區(qū)域的對(duì)齊點(diǎn)密度。

式中：為圖像長(zhǎng)度；為圖像寬度；為值的個(gè)數(shù)；為對(duì)齊點(diǎn)的概率；(·)為矩形對(duì)應(yīng)噪聲模型中對(duì)齊點(diǎn)的數(shù)量不小于實(shí)際模型的概率；()為第個(gè)矩形框中像素的總個(gè)數(shù)；(,)為第個(gè)矩形框中對(duì)齊點(diǎn)的個(gè)數(shù)。

對(duì)第1節(jié)中經(jīng)濾波處理后的圖像執(zhí)行LSD算法，檢測(cè)結(jié)果如圖3所示。

圖3 LSD算法檢測(cè)結(jié)果

2.2 檢測(cè)結(jié)果的篩選與識(shí)別

從直線檢測(cè)結(jié)果中可以看出，圖像中除了輸電導(dǎo)線以外還存在其他具有直線特征的偽目標(biāo)。因此需要根據(jù)電力線的特征，提出電力線的篩選標(biāo)準(zhǔn)：①電力線完整且較長(zhǎng)；②電力線是一組傾角相近的直線。

首先根據(jù)特征①設(shè)置長(zhǎng)度閾值len對(duì)圖像進(jìn)行第一次直線篩選，保留長(zhǎng)度大于閾值的直線，標(biāo)記出保留直線中的最長(zhǎng)直線；在第一次篩選的基礎(chǔ)上，獲得最長(zhǎng)直線的角度，并設(shè)置為角度閾值，根據(jù)特征②對(duì)剩余直線進(jìn)行第二次篩選，排除差別較大的直線；接著以為旋轉(zhuǎn)標(biāo)準(zhǔn)，對(duì)圖像進(jìn)行傾斜校正，對(duì)校正后的圖像進(jìn)行Hough直線檢測(cè)并轉(zhuǎn)化為二值圖像[15]。對(duì)檢測(cè)到的直線進(jìn)行連通域提取，并在校正后的原圖中標(biāo)記。電力線目標(biāo)區(qū)域識(shí)別的結(jié)果如圖4所示。

圖4 電力線目標(biāo)區(qū)域的識(shí)別結(jié)果

3 電力線上的異物識(shí)別

在航拍圖像中要準(zhǔn)確識(shí)別并定位異物的位置，首先要對(duì)異物進(jìn)行提取，本文通過(guò)OTSU算法分割目標(biāo)與背景，基于含異物的電力線與正常電力線的差異提取并定位異物的位置。

3.1 OTSU圖像分割算法

最大類(lèi)間方差法又稱OTSU算法，是由日本學(xué)者大津在1979年提出的一種自適應(yīng)的閾值分割算法[16-19]，其原理是根據(jù)圖像灰度直方圖的數(shù)據(jù)計(jì)算得到最優(yōu)分割閾值，將圖像分割，去除背景，得到含有目標(biāo)前景的二值圖像。

閾值的獲取步驟如下：

2）設(shè)閾值能將圖像的所有像素分為兩類(lèi)C1（背景）和C2（前景），通過(guò)式（3）計(jì)算像素被分為C1、C2的概率1、2，通過(guò)式（4）計(jì)算C1、C2的均值1、2。

圖像的全局均值為

從而得到類(lèi)間方差表達(dá)式為

類(lèi)間方差越大，則C1和C2的分割效果就越好，求使式（6）的類(lèi)間方差最大化對(duì)應(yīng)的灰度級(jí)，即所求取的最佳閾值。根據(jù)閾值設(shè)置判定式對(duì)圖像進(jìn)行像素處理，得到目標(biāo)圖像，對(duì)圖像進(jìn)行濾波，去除獨(dú)立的噪聲點(diǎn)并進(jìn)行傾斜校正，得到的二值圖像如圖5所示。

圖5 二值圖像

3.2 異物識(shí)別與定位

圖6 截取目標(biāo)區(qū)域示意圖

在校正后的導(dǎo)線檢測(cè)圖中，依次對(duì)每條電力線截取目標(biāo)區(qū)域，同理，在閾值分割后的二值圖像中對(duì)應(yīng)區(qū)域截取含異物的電力線目標(biāo)區(qū)域子圖，兩者相減，并進(jìn)行連通域提取，可得到輸電導(dǎo)線上的異物，結(jié)果如圖7（a）所示。

圖7 異物識(shí)別

對(duì)提取的異物先進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算（先腐蝕再膨脹）去除圖像中較小的白色像素點(diǎn)，再進(jìn)行閉運(yùn)算（先膨脹再腐蝕），填充圖像中的凹角，結(jié)果如圖7（b）所示。

對(duì)形態(tài)學(xué)處理后的圖像進(jìn)行濾波處理，通過(guò)canny算子進(jìn)行邊緣檢測(cè)，依據(jù)邊緣輪廓繪制外接矩形框，從而得到缺陷畫(huà)框，結(jié)果如圖7（c）所示。

設(shè)集合為待修正集合，為結(jié)構(gòu)元素，膨脹處理是將物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外擴(kuò)張的過(guò)程[24]，定義為

腐蝕與膨脹是對(duì)偶操作，用于消除小且無(wú)意義的物體，定義為

從圖7（c）可以看出，在異物識(shí)別過(guò)程中受到防振錘等部件的影響產(chǎn)生了偽畫(huà)框，因此要對(duì)缺陷畫(huà)框進(jìn)行篩選。懸掛在輸電導(dǎo)線上的異物，多數(shù)為風(fēng)箏、塑料、飄帶等物體，其產(chǎn)生的缺陷畫(huà)框的特點(diǎn)與防振錘等部件有著明顯的差異。因此通過(guò)設(shè)置缺陷畫(huà)框的長(zhǎng)寬比與面積的取值范圍，可篩除掉偽畫(huà)框，結(jié)果如圖7（d）所示。經(jīng)過(guò)缺陷篩選后，在校正原圖上定位搭掛異物的位置，算法處理結(jié)果如圖8所示。

4 驗(yàn)證分析

本文以輸電導(dǎo)線為研究對(duì)象，提出識(shí)別導(dǎo)線搭掛異物的檢測(cè)方法。算法流程如圖9所示。

本文選取64張圖像，其中缺陷樣本30張，平均分為4組依次導(dǎo)入識(shí)別算法，部分圖像識(shí)別結(jié)果如圖10所示。

圖8 算法處理結(jié)果

圖9 異物檢測(cè)算法流程

為驗(yàn)證該算法的實(shí)用性，以檢測(cè)率和平均耗時(shí)為評(píng)價(jià)指標(biāo)，對(duì)算法性能進(jìn)行分析。

式中：為圖片被正確識(shí)別效率；為被正確識(shí)別的樣本數(shù)；為樣本總數(shù)。

圖10 部分圖像識(shí)別結(jié)果

式中：為平均每張圖片的耗時(shí)；為樣本檢測(cè)總時(shí)耗。

算法的平均耗時(shí)和檢測(cè)率見(jiàn)表1。

表1 算法的平均耗時(shí)和檢測(cè)率

結(jié)合圖10與表1的實(shí)驗(yàn)結(jié)果，本文算法不僅平均耗時(shí)短，而且檢測(cè)率也相對(duì)較高，具有較好的魯棒性。

5 結(jié)論

本文首先對(duì)航拍圖像進(jìn)行預(yù)處理，以消除干擾因素對(duì)圖像處理效果的影響；對(duì)輸電導(dǎo)線的提取采用LSD算法與Hough變換相結(jié)合的方法，顯著提高了識(shí)別率；之后依據(jù)設(shè)計(jì)的異物識(shí)別算法提取異物，計(jì)算量小且耗時(shí)短；最后進(jìn)行邊緣檢測(cè)，提取缺陷畫(huà)框并在巡檢圖像中標(biāo)識(shí)。本文方法能夠快速有效地從航拍圖像中識(shí)別電力線并定位異物所在位置，應(yīng)用在輸電線路無(wú)人機(jī)巡檢中，可有效提升巡線效率和精度，具有一定的工程應(yīng)用價(jià)值。

[1] 曹翊軍, 董興輝, 曹年紅, 等. 基于圖像采集與識(shí)別的輸電線路覆冰監(jiān)測(cè)系統(tǒng)[J]. 電氣技術(shù), 2010, 11(8): 51-53.

[2] 陳肇隆. 基于無(wú)人機(jī)圖像的輸電線路附件識(shí)別與缺陷檢測(cè)[D]. 廣州: 華南理工大學(xué), 2020.

[3] 陳瑞. 基于航拍圖像的輸電線路關(guān)鍵部件故障識(shí)別方法[D]. 保定: 華北電力大學(xué), 2019.

[4] 金立軍, 姚春羽, 閆書(shū)佳, 等. 基于航拍圖像的輸電線路異物識(shí)別[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 41(2): 277-281.

[5] 趙雨田. 基于數(shù)字圖像處理的輸電線路異物識(shí)別技術(shù)研究[D]. 南京: 南京理工大學(xué), 2017.

[6] 鄒棟. 輸電線路中關(guān)鍵部件圖像識(shí)別及異常檢測(cè)方法研究[D]. 保定: 華北電力大學(xué), 2017.

[7] 趙永生, 徐海青, 吳立剛, 等. 基于霍夫直線變換的輸電線路異物識(shí)別應(yīng)用研究[J]. 數(shù)字技術(shù)與應(yīng)用, 2017(3): 127-129, 132.

[8] 張永強(qiáng), 郭誠(chéng), 張豪俊, 等. 基于圖像識(shí)別技術(shù)的氣體絕緣金屬封閉開(kāi)關(guān)設(shè)備中開(kāi)關(guān)觸頭位置監(jiān)測(cè)系統(tǒng)[J]. 電氣技術(shù), 2019, 20(5): 51-54, 68.

[9] 印峰, 汪沨, 毛建旭, 等. 基于數(shù)字圖像處理技術(shù)的絕緣子表面電荷測(cè)量標(biāo)度問(wèn)題的研究[J]. 電工技術(shù)學(xué)報(bào), 2009, 24(7): 16-20.

[10] 王定松. 基于無(wú)人機(jī)的輸電線路立體巡檢系統(tǒng)設(shè)計(jì)及圖像處理研究[D]. 揚(yáng)州: 揚(yáng)州大學(xué), 2021.

[11] 劇成宇, 師艷, 高首都, 等. 基于LSD算法的航攝正射影像電力線提取[J]. 電力勘測(cè)設(shè)計(jì), 2020(增刊2): 166-170.

[12] 劉思雨, 呂開(kāi)云, 劉盈. 基于LSD算法的航拍影像電力線提取[J]. 江西科學(xué), 2019, 37(6): 825-831.

[13] 李一波, 荊磊, 秦帥濤. 基于改進(jìn)LSD算法的機(jī)場(chǎng)跑道檢測(cè)[J]. 沈陽(yáng)航空航天大學(xué)學(xué)報(bào), 2020, 37(2): 63-69.

[14] 王冬梅, 謝鑫. 基于信息熵的自適應(yīng)高斯金字塔的LSD算法改進(jìn)[J]. 吉林大學(xué)學(xué)報(bào)(信息科學(xué)版), 2020, 38(6): 647-655.

[15] 王盛譽(yù), 毛鵬飛, 謝曉君. 智能識(shí)別技術(shù)在無(wú)人機(jī)電力巡檢中的應(yīng)用[J]. 集成電路應(yīng)用, 2021, 38(3): 98-99.

[16] 曾艷陽(yáng), 謝高森, 張建春. 基于截距直方圖和Otsu融合的弱光圖像分割[J]. 激光與光電子學(xué)進(jìn)展, 2021, 58(20): 219-227.

[17] 婁聯(lián)堂, 何慧玲. 基于圖像灰度變換的OTSU閾值優(yōu)化算法[J]. 中南民族大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021, 40(3): 325-330.

[18] 張鵬帆, 席劍輝, 朱琳琳. 基于梯度極值Otsu算法的Canny邊緣檢測(cè)改進(jìn)[J]. 沈陽(yáng)航空航天大學(xué)學(xué)報(bào), 2021, 38(5): 58-65.

[19] 張少平, 楊忠, 黃宵寧, 等. 航拍圖像中玻璃絕緣子自爆缺陷的檢測(cè)及定位[J]. 太赫茲科學(xué)與電子信息學(xué)報(bào), 2013, 11(4): 609-613.

[20] 焦圣喜, 王海洋. 基于ORB算法的輸電線路異物識(shí)別研究[J]. 科學(xué)技術(shù)與工程, 2016, 16(27): 236-240.

[21] 龔鋼軍, 張帥, 吳秋新, 等. 基于TensorFlow的高壓輸電線路異物識(shí)別[J]. 電力自動(dòng)化設(shè)備, 2019, 39(4): 204-209, 216.

[22] 周豪. 電力輸電線路異物檢測(cè)方法研究[D]. 重慶: 重慶理工大學(xué), 2021.

[23] 趙文青. 圖像識(shí)別技術(shù)在輸電線路視頻監(jiān)控中的研究與應(yīng)用[D]. 濟(jì)南: 齊魯工業(yè)大學(xué), 2021.

[24] 宋冬梅. 數(shù)學(xué)形態(tài)學(xué)在數(shù)字圖像處理中的應(yīng)用研究[J]. 計(jì)算技術(shù)與自動(dòng)化, 2021, 40(2): 136-139.

Research on foreign object recognition method of power line based on digital image processing

LIANG Xinfu LUO Richeng DANG Shixuan ZHOU Jing YANG Guanfei

(Changsha University of Science and Technology, Changsha 410114 )

Aiming at the potential threat of foreign objects hanging on overhead lines, a method for quickly identifying foreign objects in aerial images is proposed. First uses the linear segment detection (LSD) algorithm to extract the power line from the preprocessed image, and designs a foreign body recognition algorithm based on the foreign body feature on the overhead wire to extract the wire foreign body; then performs edge detection on it, extracts the defect frame and identifies it in the inspection image; finally, the practical performance of the algorithm is evaluated through multiple sets of sample data. The experimental results show that this method can effectively identify foreign objects hanging on the transmission wires, and it has great application value in the power inspection of unmanned aerial vehicles (UAVs).

transmission line; foreign object recognition; linear segment detection (LSD); edge detection

2021-07-13

2021-09-27

梁新福（1996—），男，河南省洛陽(yáng)市人，碩士研究生，主要從事圖像處理方向的研究工作。

廣東電網(wǎng)有限責(zé)任公司科技項(xiàng)目資助（GDKJXM20184782）