基于霍夫直線檢測的輸電導(dǎo)線過熱檢測方法研究

劉云飛， 李光澤， 韓岳松， 張新春

（1.安徽送變電工程有限公司，合肥 231202； 2.華北電力大學(xué)機(jī)械工程系，河北保定 071003）

我國電力資源分布與消費(fèi)區(qū)域存在明顯的不匹配現(xiàn)象. 為提高電力資源配置能力，保障線路安全工作，必須發(fā)展快速、有效且可靠的輸電線路巡檢方法. 由于紅外成像技術(shù)具有能適應(yīng)多種天候、能進(jìn)行遠(yuǎn)程無接觸式檢測等優(yōu)點(diǎn)，使其在輸電線路巡檢工作中得到了廣泛應(yīng)用［1-2］. 在紅外檢測過程中，如何更高效地提取圖像中的有效信息是提升檢測效率的關(guān)鍵. 因此，研究紅外檢測技術(shù)的高效圖像提取方法對輸電線路巡檢具有重要意義.

目前，關(guān)于圖像提取和識別方面的大量研究業(yè)已展開. 比如，楊政勃等［3］應(yīng)用HSI顏色空間轉(zhuǎn)換獲得圖像邊緣信息，利用改進(jìn)的中值濾波排除干擾，并采用梯度法提取了圖像中的溫度最高區(qū)域. 徐向軍等［4］基于Canny算子提取圖像邊緣后對所得模板進(jìn)行高斯尺度空間分解，將分解結(jié)果和輸入圖像進(jìn)行基于GHT的模板匹配，最后結(jié)合絕緣子的形狀特征值識別出絕緣子. 王淼等［5］采用LSD線段檢測法以及深度卷積神經(jīng)網(wǎng)絡(luò)提取紅外圖像中的導(dǎo)線、絕緣子區(qū)域，在其中進(jìn)行溫度和灰度分析提取發(fā)熱點(diǎn). 梁興等［6］采用粒子濾波算法去噪后，通過RGB色彩通道轉(zhuǎn)換對紅外圖像的故障區(qū)域進(jìn)行劃分，利用共軛梯度法對區(qū)域中的故障點(diǎn)進(jìn)行識別和定位. 孫苗苗等［7］在采用基于SIFT的圖像配準(zhǔn)算法實(shí)現(xiàn)圖像拼接后，將所得圖像的重合部分進(jìn)行幀間差分，初步實(shí)現(xiàn)了輸電線的初步分割. Yao等［8］通過顏色直方圖法、顏色相干向量法和顏色相關(guān)圖法，實(shí)現(xiàn)了對特高壓輸電線路接地網(wǎng)圖像中腐蝕區(qū)域特征的提取. 裴慧坤等［9］利用SIFT圖像配準(zhǔn)算法拼接圖像，幀間差分得到拼接圖像重合部分，對紅外圖像進(jìn)行分割；并基于特征提取結(jié)果選用Roberts算子，完成了對同塔雙回特高壓輸電線路紅外圖像的邊緣檢測. 彭向陽等［10］提出一種從無人機(jī)紅外影像中自動(dòng)識別絕緣子的方法，首先對影像進(jìn)行拉普拉斯邊緣提取，然后遍歷穿過影像的直線集，根據(jù)沿線的強(qiáng)度直方圖探測影像中的周期紋理特征，再通過角度內(nèi)特征聚類與角度間特征聚類，自動(dòng)識別紅外影像中的絕緣子中心線. 近年來，基于深度學(xué)習(xí)的方法也越來越廣泛應(yīng)用于圖像識別領(lǐng)域. 魏業(yè)文等［11］提出了一種改進(jìn)的Faster-RCNN深度學(xué)習(xí)識別算法. 利用Faster-RCNN 對目標(biāo)進(jìn)行檢測，由子網(wǎng)絡(luò)區(qū)域提議模型生成目標(biāo)候選框和快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Fast-RCNN）進(jìn)行參數(shù)調(diào)優(yōu)，并在Faster-RCNN 輸出部分增加目標(biāo)特征的分類細(xì)化和回歸細(xì)化，實(shí)現(xiàn)目標(biāo)的精確分類以及坐標(biāo)定位. 周仿榮等［12］提出一種基于YOLO v3的輸電線路缺陷快速檢測方法，通過建立輸電線路缺陷樣本庫并進(jìn)行訓(xùn)練，實(shí)現(xiàn)輸電線路缺陷檢測. 劉悅和黃新波［13］將改進(jìn)的分水嶺算法與YOLO v4的深度學(xué)習(xí)相結(jié)合，提出了一種可以快速識別出絕緣子主體和缺陷位置的自動(dòng)檢測方法.唐睿等［14］構(gòu)造絕緣子數(shù)據(jù)集，在YOLO v3的模型上加入了SPP模塊提出了一種基于深度學(xué)習(xí)單階圖像識別框架的絕緣子在線識別模型. 結(jié)合輸電線路工程背景，如何更為精準(zhǔn)地進(jìn)行目標(biāo)提取與背景抑制，提升圖像識別的準(zhǔn)確率，也是輸電線路巡檢技術(shù)領(lǐng)域亟待解決的關(guān)鍵課題之一.

本文針對實(shí)際線路中采集的輸電導(dǎo)線紅外圖像的特點(diǎn)，結(jié)合霍夫直線檢測、邊緣提取等圖像處理算法，研究對圖像中背景進(jìn)行抑制、對目標(biāo)進(jìn)行提取的有效方法，給出了基于霍夫直線檢測的導(dǎo)線過熱快速故障診斷程序. 本文的研究將對輸電線路紅外圖像自動(dòng)檢測速度和精度的進(jìn)一步提升提供理論依據(jù).

1 基于霍夫直線檢測的導(dǎo)線紅外圖像分割方法

1.1 紅外成像技術(shù)的應(yīng)用

當(dāng)前，在線路巡檢過程中，對于導(dǎo)線過熱的檢測主要借助無人機(jī)搭載的紅外成像系統(tǒng)來完成. 無人機(jī)通過人工操作或基于高精度點(diǎn)云數(shù)據(jù)的智能控制算法進(jìn)行巡線［15］并在適宜點(diǎn)位利用紅外成像系統(tǒng)進(jìn)行拍照，將所拍攝的紅外圖像上傳到后臺，由人工或智能檢測程序進(jìn)行故障診斷，可發(fā)現(xiàn)線路中諸如導(dǎo)線過熱等一系列溫度異常的故障，如圖1所示［16］.

圖1 可利用紅外成像技術(shù)檢測的故障Fig.1 Faults detected by infrared imaging technology

為提升對輸電線路故障診斷的準(zhǔn)確率，在對無人機(jī)拍攝的紅外圖像進(jìn)行識別的過程中，需要對采集的圖像進(jìn)行分割，去除圖像中的無用信息，突出檢測構(gòu)件主體.分割出構(gòu)件主體后，便可根據(jù)溫度等信息設(shè)定閾值，判斷是否發(fā)生故障.

1.2 霍夫直線檢測原理

笛卡爾坐標(biāo)圖像空間中任一條直線y=kx+b，可改寫為極坐標(biāo)方程形式，即式中：r為笛卡爾坐標(biāo)中一點(diǎn)到原點(diǎn)的距離；θ為該點(diǎn)到原點(diǎn)的連線與x軸的夾角.

該直線唯一對應(yīng)兩個(gè)極坐標(biāo)參數(shù)r0、θ0，故可在以r、θ為坐標(biāo)軸的極坐標(biāo)參數(shù)空間中找到其唯一對應(yīng)的一點(diǎn)（r0，θ0）. 如圖2所示，笛卡爾坐標(biāo)圖像空間中的任一點(diǎn)(xi,yi)，均可在極坐標(biāo)參數(shù)空間中找到其唯一對應(yīng)的一條曲線r=xicosθ+yisinθ,(i=1,2)［17］.

圖2 圖像空間到極坐標(biāo)參數(shù)空間的轉(zhuǎn)換Fig.2 Transformation from image space to polar parameter space

在圖像空間中共線的兩點(diǎn)，在參數(shù)空間中對應(yīng)的兩條直線必交于一點(diǎn)，該交點(diǎn)即對應(yīng)著圖像空間中同時(shí)通過兩點(diǎn)的直線. 圖像空間中在一條直線上的點(diǎn)越多，這條直線在參數(shù)空間中對應(yīng)的點(diǎn)所通過的曲線也越多. 設(shè)定閾值，取符合該閾值的局部極大值點(diǎn)，其在圖像空間中對應(yīng)的直線即為所求的解.

1.3 基于霍夫直線檢測的紅外圖像處理

針對輸電導(dǎo)線的紅外圖像背景，提出了基于霍夫直線檢測的紅外圖像分割方法. 具體步驟如下：

1）灰度處理

紅外熱灰度圖像的灰度值與實(shí)際物體的溫度成正比，溫度越高，灰度值也越高. 因此，灰度處理有利于直接從圖像中提取溫度信息. 另外，進(jìn)行灰度處理也是基于圖像灰度值的圖像邊緣提取的前提.

2）圖像邊緣提取

本方法中的圖像邊緣提取借助Sobel算子來實(shí)現(xiàn). Sobel算子是基于一階微分的邊緣檢測方法，首先進(jìn)行鄰域平均或加權(quán)平均，然后進(jìn)行一階微分處理，檢測出邊緣點(diǎn)［18］. Sobel算子方法簡單，處理速度快，與利用霍夫變換提取直線相配合能取得更為理想的效果.

3）利用霍夫變換提取直線

利用霍夫變換原理，在原圖構(gòu)建笛卡爾坐標(biāo)系，計(jì)算出原點(diǎn)位置以及原點(diǎn)到直線距離最大值后，以此建立極坐標(biāo)參數(shù)空間. 在參數(shù)空間的極坐標(biāo)中標(biāo)識各直線通過的點(diǎn)，相同點(diǎn)累加，最終形成第一個(gè)數(shù)組. 設(shè)定一個(gè)最小閾值，第一個(gè)數(shù)組中累加數(shù)大于該閾值的點(diǎn)存入第二個(gè)數(shù)組，則第二個(gè)數(shù)組中的點(diǎn)即對應(yīng)圖像空間中所求直線. 將這些點(diǎn)通過圖像空間與參數(shù)空間的對應(yīng)關(guān)系，轉(zhuǎn)化為圖像空間中的直線輸出，即可得到輸出為二值圖像的原圖像目標(biāo)直線.

4）圖像膨脹及填充

得到由霍夫直線檢測輸出的目標(biāo)直線后，使用圖像膨脹及圖像填充的方法，可以合理擴(kuò)大二值圖像中選中的直線區(qū)域，使得選中區(qū)域可以更多地囊括目標(biāo)導(dǎo)線，提高后續(xù)檢測的可靠性.

5）掩膜

將經(jīng)膨脹和填充后的二值圖像作為模板，對原圖像或灰度圖像進(jìn)行掩膜操作，可最終將目標(biāo)導(dǎo)線從背景中分割出來.

1.4 導(dǎo)線過熱快速診斷程序

針對已知設(shè)備參數(shù)的紅外圖像，根據(jù)紅外測溫原理，灰度值X與物體實(shí)際溫度T滿足以下兩個(gè)方程，即

式中：I為紅外圖像實(shí)際熱值；X為物體在灰度圖像中的灰度值；R為紅外成像儀的熱范圍；L為紅外成像儀的熱平；τ 為透射率；ξ為物體發(fā)射率；T為物體實(shí)際溫度；A和B為紅外成像儀設(shè)備的標(biāo)定曲線常數(shù)［19］.

基于方程（2）和（3），可由紅外灰度圖像中目標(biāo)物體的灰度值得到實(shí)際溫度. 在紅外圖像自動(dòng)檢測的過程中，將物體的溫度閾值轉(zhuǎn)換為其在灰度圖像中的灰度閾值，利用程序?qū)D像灰度值的檢測完成故障診斷.當(dāng)金屬導(dǎo)線熱點(diǎn)溫度大于80 ℃可判斷為嚴(yán)重缺陷，大于110 ℃可判斷為危急缺陷［20］. 運(yùn)用灰度閾值法，將經(jīng)圖像分割的導(dǎo)線紅外圖像轉(zhuǎn)為灰度圖像后，分別以80 ℃和110 ℃對應(yīng)的灰度值為下限閾值進(jìn)行二次分割.檢測二次分割后的圖像中是否有值為1的像素點(diǎn)，便可確定目標(biāo)導(dǎo)線中是否存在缺陷以及缺陷的級別.

基于以上圖像分割方法，可設(shè)計(jì)檢測程序?qū)?dǎo)線紅外圖像進(jìn)行自動(dòng)檢測，程序流程如圖3 所示. 運(yùn)用該程序可實(shí)現(xiàn)針對輸電導(dǎo)線過熱的快速診斷.

圖3 導(dǎo)線過熱診斷程序流程圖Fig.3 Flow chart of wire overheating diagnostic procedure

2 實(shí)驗(yàn)結(jié)果與分析

2.1 直線提取

本文比較了常用的微分算子在針對具有復(fù)雜背景的導(dǎo)線圖像的邊緣提取過程中的實(shí)際應(yīng)用效果. 研究發(fā)現(xiàn)，LOG算子和Canny算子對于邊緣信息更為敏感，提取出的邊緣更加完整連續(xù)，但兩算子易受背景圖像影響，不利于過濾背景信息. 而利用邊緣處梯度最大進(jìn)行檢測的Prewitt算子、Sobel算子，能過濾絕大部分背景信息，有利于后期進(jìn)行直線提取，同時(shí)目標(biāo)主體的有效信息損失較少，配合霍夫直線檢測使用，能夠取得更好的直線提取效果，如圖4所示.

圖4 結(jié)合各種邊緣提取微分算子的導(dǎo)線紅外圖像霍夫直線檢測結(jié)果Fig.4 Hough line detection results of cable infrared images combined with various edge extraction differential operators

2.2 圖像分割結(jié)果

本文以某一線路巡檢過程中所得導(dǎo)線紅外圖像為例，如圖4（a）. 使用基于霍夫直線檢測的導(dǎo)線紅外圖像分割法對紅外圖像中的導(dǎo)線區(qū)域進(jìn)行分割，最終所得圖像如圖5所示.

所采用的霍夫直線檢測具有對圖像中直線殘缺部分的不敏感性，可彌補(bǔ)邊緣提取算法提取出的邊緣信息像素點(diǎn)不連續(xù)的缺點(diǎn). 同時(shí)，結(jié)合圖像膨脹、圖像填充的方法，利用紅外圖像中的導(dǎo)線區(qū)域形狀較為規(guī)則的特點(diǎn)，彌補(bǔ)所用的Sobel算子相較于LOG算子和Canny算子邊緣信息缺失較多的缺點(diǎn). 從圖5 中可以看出，經(jīng)該法分割后的導(dǎo)線紅外圖像，在濾過大部分無效背景信息的同時(shí)能保留絕大部分目標(biāo)圖像. 該方法不僅適用于背景中含有大量不規(guī)則形狀物體的導(dǎo)線紅外圖像，對于背景中含有大量干擾直線的圖像，該法依然能夠取得良好的效果. 圖6給出了含大量干擾直線的導(dǎo)線圖像及其分割結(jié)果. 該方法可過濾背景中所有干擾直線，同時(shí)保留目標(biāo)主體90%有效信息. 經(jīng)圖像分割提取出目標(biāo)導(dǎo)線后，根據(jù)實(shí)際環(huán)境以及紅外成像設(shè)備情況，設(shè)定其溫度閾值，提取出的圖像主體超過該閾值便提示故障，從而完成故障診斷.

圖5 導(dǎo)線紅外圖像分割結(jié)果Fig.5 Result of wire infrared image segmentation

圖6 含大量干擾直線的導(dǎo)線圖像及其分割結(jié)果Fig.6 Cable image with a large number of interference lines and its segmentation result

2.3 導(dǎo)線過熱快速檢測

根據(jù)圖3所示流程設(shè)計(jì)導(dǎo)線過熱快速檢測程序，定義輸出綠色圖像代表正?；蛞话闳毕荩敵鳇S色圖像代表嚴(yán)重缺陷，輸出紅色圖像代表危急缺陷. 基于霍夫直線檢測的紅外圖像分割方法，分割后的某導(dǎo)線放電紅外圖像轉(zhuǎn)為灰度圖像如圖7所示. 作為檢測程序的輸入圖像，所得輸出圖像顏色為黃色，可判斷該段導(dǎo)線存在嚴(yán)重缺陷，需要進(jìn)行檢修. 研究方法表明，本方法能夠?qū)崿F(xiàn)導(dǎo)線過熱的快速檢測.

圖7 導(dǎo)線過熱快速檢測結(jié)果Fig.7 Results of rapid detection of cable overheating

3 結(jié)論

針對架空輸電線路無人機(jī)巡檢，本文提出了基于霍夫直線檢測原理的紅外圖像分割方法，可有效分割出圖像中的導(dǎo)線區(qū)域，在濾過大部分無效背景信息的同時(shí)保留絕大部分目標(biāo)圖像. 使用灰度閾值法，還給出了一套針對導(dǎo)線過熱的自動(dòng)檢測流程，通過該流程的自動(dòng)檢測程序識別出了紅外圖像中的部分導(dǎo)線是否含有異常高溫部分，并判斷出故障是否發(fā)生和故障的種類，能夠?qū)崿F(xiàn)導(dǎo)線過熱的快速檢測. 本文的研究可為輸電線路紅外圖像自動(dòng)檢測速度和精度的進(jìn)一步提升提供理論依據(jù).