基于航拍圖像的輸電線路導(dǎo)線損傷識(shí)別技術(shù)*

馮河清，鹿可可，文裕鈞，范 巖

(廣西電網(wǎng)有限責(zé)任公司，廣西 南寧 530000)

作為高壓輸電線路的重要組成部分，鋼芯鋁絞線(Aluminum Conductors Steel-Reinforced，ACSR)在運(yùn)行過(guò)程中起著輸送電能和維持機(jī)械強(qiáng)度的雙重作用。 由于長(zhǎng)期暴露在野外環(huán)境中，受風(fēng)振、覆冰導(dǎo)線舞動(dòng)、環(huán)境侵蝕等影響，鋁絞線容易受到各種類(lèi)型的損傷，從表面損傷到局部斷裂，然后發(fā)展成整個(gè)ACSR 的斷裂。 鋁絞線損壞后，承載能力降低，導(dǎo)線斷裂風(fēng)險(xiǎn)增大，對(duì)導(dǎo)線、輸變電設(shè)備和人身安全構(gòu)成潛在風(fēng)險(xiǎn)[1-3]。

為了有效提高輸電線路的運(yùn)行效率，降低故障頻率，許多研究人員對(duì)輸電導(dǎo)線的組成材料、故障機(jī)理和運(yùn)行狀態(tài)進(jìn)行了大量的研究。 并取得了一些初步的研究成果，如輸電導(dǎo)線組成材料的改進(jìn)，導(dǎo)線表面損傷的微觀變化過(guò)程，斷線的故障檢測(cè)[4-8]。 這些方法大多是從材料和機(jī)理上進(jìn)行預(yù)防，對(duì)運(yùn)行中導(dǎo)線存在的斷損問(wèn)題主要采用人工檢測(cè)，耗時(shí)長(zhǎng)、精度低、安全性差。

近年來(lái)，隨著航空?qǐng)D像傳感器和計(jì)算機(jī)視覺(jué)技術(shù)的巨大進(jìn)步，無(wú)人飛行器檢測(cè)技術(shù)在輸電線路中得到了發(fā)展[9-11]。 一些研究人員提出了不同種類(lèi)的算法來(lái)檢測(cè)和提取航空?qǐng)D像中的電力線[12]。 其他一些研究集中在空中絕緣子圖像的分割和故障檢測(cè)算法[13]以及高功率線路中的鳥(niǎo)巢檢測(cè)[14]。 基于視覺(jué)的技術(shù)還被用于焊縫和軌頭的缺陷檢測(cè)，以及金屬導(dǎo)線的捻距測(cè)量[15]。 然而，由于形成因素的復(fù)雜性、表現(xiàn)形式的多樣性以及圖像采集的局限性，目前僅有較少的基于視覺(jué)的方法來(lái)及時(shí)監(jiān)測(cè)導(dǎo)線斷裂和缺陷，而且相關(guān)方法均需要消耗大量的視覺(jué)信息處理時(shí)間。

本文提出了一種基于航空?qǐng)D像傳感器的無(wú)人飛行器檢測(cè)中輸電導(dǎo)線斷裂和缺陷的測(cè)量方法，該方法利用航空視覺(jué)系統(tǒng)和圖像處理算法獲取運(yùn)行中的輸電導(dǎo)線斷裂和缺陷。 視覺(jué)系統(tǒng)獲取用于提取導(dǎo)線區(qū)域的傳輸導(dǎo)線圖像的多個(gè)視圖，此外，文章通過(guò)采用灰度方差歸一化(Gray Variance Normalization，GVN)的方法大大減少了需要處理的數(shù)據(jù)量，全面提高識(shí)別效率。 通過(guò)分析導(dǎo)線區(qū)域的灰度值分布，可采用所提出的Z 形波形模型來(lái)測(cè)量導(dǎo)線斷裂，并通過(guò)導(dǎo)線區(qū)域的投影算法來(lái)檢測(cè)表面缺陷。 該方法為監(jiān)測(cè)運(yùn)行中輸電導(dǎo)線的斷裂和缺陷提供了一種新的方法。

1 基于航空?qǐng)D像傳感器的輸電線路導(dǎo)線斷裂和缺陷測(cè)量技術(shù)綜述

本文提出的基于航空視覺(jué)傳感器的導(dǎo)線斷裂和表面缺陷在線測(cè)量技術(shù)由三部分組成:基于航空視覺(jué)傳感器和無(wú)人機(jī)(Unmanned Aerial Vehicle，UAV)的在線監(jiān)測(cè)裝置、4G 通信網(wǎng)絡(luò)和安裝有導(dǎo)線斷裂和缺陷分析軟件的監(jiān)測(cè)中心。 在所提UAV 巡檢系統(tǒng)中，安裝在無(wú)人機(jī)上的高清數(shù)碼相機(jī)，在無(wú)人機(jī)通過(guò)輸電線路時(shí)，用來(lái)捕捉輸電導(dǎo)線的圖像，然后將得到的圖像解壓縮，通過(guò)4G 通信網(wǎng)絡(luò)發(fā)送到監(jiān)控中心。然后使用嵌入了所提出的相應(yīng)算法的導(dǎo)線斷裂和缺陷分析軟件來(lái)自動(dòng)分析導(dǎo)線斷裂和缺陷。 所提出的技術(shù)的框圖如圖1 所示。

圖1 導(dǎo)線在線監(jiān)測(cè)系統(tǒng)示意圖

2 識(shí)別導(dǎo)線斷裂和表面缺陷的分析算法

圖像分析算法模塊包括3 個(gè)主要模塊:導(dǎo)線提取、導(dǎo)線斷裂檢測(cè)和導(dǎo)線表面缺陷識(shí)別。

2.1 導(dǎo)線提取

航空傳輸線圖像大多是彩色(RGB)圖像。 為了減少要處理的數(shù)據(jù)量，并提高操作效率，突出顯示導(dǎo)線區(qū)域，需要對(duì)航空?qǐng)D像進(jìn)行顏色模型轉(zhuǎn)換或灰度處理。 由于在線圖像采集裝置受到自然光的影響，航拍圖像中導(dǎo)線區(qū)域的表面顏色容易呈灰色和暗淡。 此外，航空?qǐng)D像具有導(dǎo)線區(qū)域的銳度高于背景中的樹(shù)、建筑物和道路的特征，即導(dǎo)線的灰度值高度分散。 本文提出了GVN 來(lái)進(jìn)行航空?qǐng)D像的灰度處理。 GVN 方法將傳統(tǒng)的直接處理每個(gè)像素灰度值的思想轉(zhuǎn)化為像素灰度值離散度的處理。 GVN的具體計(jì)算步驟如式(1)所示:

式中:ˉQ是模板中每個(gè)像素的平均灰度值，Qi表示模板中第i個(gè)像素的灰度值，然后可以根據(jù)式(2)計(jì)算每個(gè)處理單元中灰度值的方差:

式中:q5是模板中帶有陰影顏色的中心像素的灰度變化。 遍歷整個(gè)圖像可以獲得對(duì)應(yīng)于原始圖像的完整灰度方差圖。 此外，每個(gè)像素的灰度方差進(jìn)行歸一化，如式(3)所示:

式中:m(x，y)是坐標(biāo)(x，y)處的歸一化灰度值，qmax軸是灰度方差圖中的最大灰度值，而qmin是最小灰度值，q(x，y)是灰度方差圖中坐標(biāo)(x，y)處的灰度值。

GVN 算法的背景純度和對(duì)比度越高，目標(biāo)越清晰，魯棒性越好。 導(dǎo)線區(qū)域的分割基于GVN 結(jié)果。采用通用自適應(yīng)閾值分割和形態(tài)學(xué)處理相結(jié)合的方法進(jìn)行導(dǎo)線分割。 與基于普通灰度處理或增強(qiáng)圖像的分割方法相比，該方法對(duì)導(dǎo)線區(qū)域的分割效果更好。

8 幅圖像在不同條件下的分割如表1 所示。 基于灰度或增強(qiáng)處理后的圖像的分割結(jié)果顯示在第三列，其中仍然有一些背景噪聲或內(nèi)部的一些洞，并且一些分割結(jié)果是不完整的。 另一方面，基于GVN 圖像的8 幅圖像分割效果都比較理想，可以有效避免外界因素的影響。

表1 圖像分割

2.2 導(dǎo)線斷裂檢測(cè)

導(dǎo)線區(qū)域分割后，可以在沒(méi)有背景干擾的情況下，重點(diǎn)分析導(dǎo)線區(qū)域。 提取的導(dǎo)線區(qū)域需要映射回其GVN 圖像，因?yàn)閷?dǎo)線區(qū)域的GVN 圖像上的灰度值分布是導(dǎo)線斷裂檢測(cè)算法中的基本參數(shù)。 本節(jié)以圖2 中的圖像為例，全面分析了導(dǎo)線斷裂檢測(cè)算法。

圖2 導(dǎo)線區(qū)域的GVN 圖像

對(duì)于導(dǎo)線斷線檢測(cè)算法，有3 個(gè)重要的步驟:提取灰度值分布、方波變換(Square wave transformation，SWT)和斷線識(shí)別。 外部鋁絞線的灰度值分布直接反映了導(dǎo)線的表面完整性，SWT 突出了其灰度值分布的周期性。 最后，通過(guò)分析每個(gè)采集到的Z 形波形的寬度，簡(jiǎn)單地得到傳輸導(dǎo)線的斷股情況。

①灰度值分布的提取

如圖2 所示，每根鋁絞線的表面具有比彼此之間的邊緣間隙更高的灰度值，并且外部鋁絞線在結(jié)構(gòu)上具有循環(huán)特性，使得未斷裂導(dǎo)線表面的灰度分布呈現(xiàn)循環(huán)特性。 由于輸電導(dǎo)線常年裸露，受各種噪聲影響，導(dǎo)線表面的高灰度區(qū)往往會(huì)出現(xiàn)一些低灰度值點(diǎn)。 這將影響循環(huán)灰度值分布的準(zhǔn)確提取，并導(dǎo)致斷股的錯(cuò)誤檢測(cè)。 因此，在提取軸的灰度值分布時(shí)，需要中值濾波處理，如圖3 所示。

圖3 斷裂導(dǎo)線各軸上的灰度值分布

②SWT

本文提出SWT 方法以更好地描述灰度分布的循環(huán)特性。 在該方法中，采用閾值對(duì)圖3 中獲得的波形進(jìn)行二值化處理，以實(shí)現(xiàn)方波變換。 并且將最大灰度值和最小灰度值的平均值(nmax+nmin)/2 設(shè)為二值化閾值，并通過(guò)式(4)所示規(guī)則處理圖3 中獲得的波形，如圖4 所示。

圖4 灰度分布波形圖

式中:n表示圖3 中所獲得波形上任意點(diǎn)的灰度值，nmax為最大灰度值，nmin為最小灰度值，p表示二值化處理的結(jié)果。 其中單個(gè)Z 形波形的寬度可用于表征單個(gè)鋁絞線的寬度。

③斷股的識(shí)別

為了清楚地表征每個(gè)Z 形波形的寬度變化，有必要對(duì)每個(gè)Z 形波形的寬度P進(jìn)行統(tǒng)計(jì)分析。 每個(gè)軸上的統(tǒng)計(jì)結(jié)果如圖5 所示。

圖5 每個(gè)Z 形波形的寬度統(tǒng)計(jì)圖

如圖5 所示，x坐標(biāo)表示每個(gè)Z 形波形的標(biāo)記號(hào)，y坐標(biāo)是以像素為單位的每個(gè)Z 形波形的寬度。圖5 顯示大部分的Z 形波形在寬度上是接近的，并且它們代表完整的單根鋁絞線。 根據(jù)攝像機(jī)標(biāo)定，可以得到單根鋁線直徑所占的像素?cái)?shù)，圖6 中用w表示。 此外，已知外部鋁線以固定角度α纏繞(本文忽略其微小變化)。 因此，單根鋁絞線的水平寬度可以表示為圓形(w/sinα)。

圖6 單股鋁絞線水平寬度示意圖

在上述分析的基礎(chǔ)上，取圓(w/sinα)作為參考對(duì)象，并根據(jù)實(shí)際需要選擇合適的檢測(cè)精度v(以像素為單位)。

如果Z形波形的寬度滿足｜Pi-round(w/sinα)｜≤v，其中Pi表示第i個(gè)Z 形波形的寬度(如圖4 中波形寬度)，則它被識(shí)別為代表完整的單根鋁絞線的正常波形。 如果Z 形波形的寬度滿足｜Pi-round(w/sinα)｜＞v，則它被識(shí)別為代表斷裂鋁絞線的異常波形。

2.3 導(dǎo)線缺陷識(shí)別

根據(jù)導(dǎo)線區(qū)域的分割結(jié)果，提取的導(dǎo)線區(qū)域需要被映射到其GVN 圖像，結(jié)果如圖7 所示。 比較圖7(a)和圖7(b)，可以觀察到表面缺陷比導(dǎo)線區(qū)域的GVN 圖像中的其他區(qū)域具有更高的灰度值，此外，缺陷的像素聚集在一起。 因此，如果列存在缺陷，則列方向上的歸一化灰度方差值之和將較大。類(lèi)似地，如果行存在缺陷，則局部區(qū)域的行方向上的和也是大的，因此提出PGVN 算法。

圖7 導(dǎo)線區(qū)域的圖像

PGVN 算法包括三個(gè)主要步驟:垂直投影、局部水平投影和缺陷識(shí)別。

①垂直投影

給定圖7(b)中導(dǎo)線區(qū)域的GVN 圖像，其垂直投影的具體計(jì)算過(guò)程如式(5)所示:

式中:F(x，y)是坐標(biāo)(x，y)處的歸一化灰度方差值，my代表每列中F(x，y)的總和。

為了突出缺陷的可疑位置，需要通過(guò)閾值處理垂直投影的結(jié)果，其中閾值T被設(shè)置為垂直投影中最大和最小灰度值的平均值，其表示為T(mén)=(M′max+M′min)/2。 如果my大于T，則將其設(shè)為與閾值T的差值，否則設(shè)為零。 圖8 示出了閾值處理結(jié)果。

圖8 閾值處理結(jié)果

此外，圖8 中的閾值結(jié)果需要通過(guò)高通濾波器進(jìn)行濾波，并設(shè)濾波器窗口的大小為單股鋁線的半徑r。 如果水平軸上峰值的像素范圍小于r，則將其過(guò)濾，否則保持原值。 圖9(a)示出了過(guò)濾后的結(jié)果，圖9(b)示出了相應(yīng)的缺陷的水平可疑位置。 最后，包含可疑缺陷的局部子圖像如圖9(c)所示。

圖9 導(dǎo)線上的水平可疑缺陷

②局部水平投影

局部水平投影類(lèi)似于垂直投影，只是水平投影是通過(guò)分析由上述垂直投影確定的局部子圖像中每一行的歸一化灰度方差值之和來(lái)進(jìn)行的。

首先，以圖9(c)中的局部子圖像之一為例，其水平投影的具體計(jì)算過(guò)程如式(6)所示:

式中:F(x，y)是坐標(biāo)(x，y)處的歸一化灰度方差值，mx表示每行中F(x，y)的總和。mx也通過(guò)中值濾波平滑。mx通過(guò)閾值處理、高通濾波和缺陷標(biāo)記順序處理。 最后，根據(jù)高通濾波結(jié)果對(duì)應(yīng)的水平坐標(biāo)，得到可疑缺陷的起始行和結(jié)束行。

③缺陷識(shí)別

根據(jù)輸電線路運(yùn)行規(guī)范，如果缺陷深度超過(guò)單股鋁線厚度的四分之一，則運(yùn)行中的輸電線路需要修復(fù)。 因此，在單根鋁線厚度四分之一處的參數(shù)長(zhǎng)度被用作閾值，即3r。 并考慮傳輸線的具體結(jié)構(gòu)模型，如圖10 所示，假設(shè)α是單根鋁線的邊緣切線與水平線的夾角。

圖10 輸電線路導(dǎo)線模型圖

為了進(jìn)一步篩選獲得的可疑缺陷，打算將可疑缺陷區(qū)域的長(zhǎng)度p與直徑長(zhǎng)度3r進(jìn)行比較，圖11示出了最終的缺陷識(shí)別結(jié)果。

圖11 損傷區(qū)域識(shí)別結(jié)果

3 現(xiàn)場(chǎng)實(shí)驗(yàn)結(jié)果和分析

本次實(shí)驗(yàn)拍攝工具采用分辨率為1 200 萬(wàn)像素、快門(mén)速度為8 s～1/8 000 s 的相機(jī)。 利用4G 通信模塊向地面監(jiān)控中心傳輸導(dǎo)線圖像，通過(guò)應(yīng)用發(fā)現(xiàn)整體照片的效果較為理想。 在此建議，為確保安全性以及后期處理的準(zhǔn)確性，相機(jī)的分辨率盡可能確保在800 萬(wàn)像素之上。

3.1 現(xiàn)場(chǎng)安裝

將圖像采集裝置安裝在UAV 上的方式已經(jīng)廣泛應(yīng)用于許多架空輸電線路的日常巡檢。 其后臺(tái)軟件包含圖像讀取、導(dǎo)線提取、導(dǎo)線斷線檢測(cè)、導(dǎo)線表面缺陷檢測(cè)等功能模塊。

3.2 導(dǎo)線斷線檢測(cè)算法的性能測(cè)試

①算法驗(yàn)證

為了系統(tǒng)地驗(yàn)證本文提出的導(dǎo)線斷線檢測(cè)算法的有效性和實(shí)用性，以兩幅現(xiàn)場(chǎng)圖像為例進(jìn)行處理和分析，一幅是破損的三股鋁線導(dǎo)線圖像，另一幅是未破損的導(dǎo)線圖像。 檢測(cè)過(guò)程的流程圖如圖12 所示。

圖12 導(dǎo)線斷線檢測(cè)流程圖

原始圖像如圖12(a)所示。 圖12(b)是每個(gè)圖像的導(dǎo)線區(qū)域的中心軸提取結(jié)果。 圖12(c)示出了導(dǎo)線的三個(gè)橫軸上的灰度值分布圖。 可以觀察到完整導(dǎo)線軸上的灰度值分布具有完美的周期循環(huán)特性。 對(duì)于斷裂的導(dǎo)線，如果它的一部分沒(méi)有被破壞，其灰度值仍然呈現(xiàn)一定的周期性分布，而如果軸穿過(guò)斷裂的鋁絞線區(qū)域，其周期性的灰度分布就會(huì)被破壞。 圖12(d)示出了SWT 的結(jié)果，很明顯，未斷裂導(dǎo)線圖像的Z 形波形彼此具有幾乎相同的寬度，而對(duì)應(yīng)于斷裂鋁絞線部分的Z 形波形具有局部突然增加或連續(xù)減小的寬度。 這種現(xiàn)象在圖12(e)所示各軸上Z 形波形寬度的統(tǒng)計(jì)分布中更為明顯。圖12(f)為相鄰異常Z 形波形的寬度疊加結(jié)果。 在圖12(f)中，斷裂的鋁絞線在整個(gè)導(dǎo)線上的位置一目了然。 由Z 形波形寬度疊加結(jié)果中的最大值可見(jiàn)，在斷裂的導(dǎo)線中有三根斷裂的鋁絞線，其與實(shí)際情況一致。

②現(xiàn)場(chǎng)數(shù)據(jù)集驗(yàn)證

表2 示出了由無(wú)人機(jī)捕獲的1 200 幅簡(jiǎn)單背景下的場(chǎng)圖像和1 200 幅復(fù)雜背景下的場(chǎng)圖像的數(shù)據(jù)集，以驗(yàn)證導(dǎo)線斷裂檢測(cè)算法的有效性和魯棒性。結(jié)果表明，簡(jiǎn)單條件下的檢測(cè)精度高于復(fù)雜條件下的檢測(cè)精度，整體平均檢測(cè)精度可達(dá)90.81%，能有效地檢測(cè)出輸電線路中的導(dǎo)線斷線。

表2 導(dǎo)線斷線識(shí)別結(jié)果

3.3 導(dǎo)線表面缺陷檢測(cè)算法的性能測(cè)試

①算法驗(yàn)證

為了驗(yàn)證本文提出的導(dǎo)線表面缺陷識(shí)別算法的有效性和實(shí)用性，以含有多個(gè)表面缺陷的場(chǎng)圖像為例進(jìn)行了驗(yàn)證。 檢測(cè)過(guò)程的流程如圖13 所示。

從圖13(a)可以看出，通過(guò)導(dǎo)線區(qū)域GVN 圖像的垂直投影和高通濾波，可以有效地突出水平方向上包含缺陷的可疑列，有效地縮小可疑導(dǎo)線缺陷區(qū)域的檢測(cè)范圍，然后通過(guò)列分割得到三個(gè)包含缺陷的子圖像。 此后，如圖13(b)所示，其與垂直投影相同，首先分別計(jì)算每個(gè)子圖像的局部水平投影，并且通過(guò)中值濾波、閾值處理和高通濾波連續(xù)處理每個(gè)投影結(jié)果。 接著對(duì)每個(gè)子圖像進(jìn)行行分割，可以定位和識(shí)別可疑缺陷的位置。 最后，根據(jù)篩選原則，對(duì)小干擾區(qū)域進(jìn)行篩選，最終結(jié)果如圖13(c)所示。

圖13 導(dǎo)線缺陷檢測(cè)流程圖

②現(xiàn)場(chǎng)數(shù)據(jù)集驗(yàn)證

為了驗(yàn)證導(dǎo)線缺陷檢測(cè)算法的有效性和魯棒性，以400 幅簡(jiǎn)單背景下的航空?qǐng)D像和1 200 幅復(fù)雜背景下的航空?qǐng)D像作為數(shù)據(jù)集。 表3 中的實(shí)驗(yàn)結(jié)果表明，簡(jiǎn)單條件下的檢測(cè)精度高于復(fù)雜條件下的檢測(cè)精度，整體平均檢測(cè)精度可達(dá)91.85%，可有效檢測(cè)輸電線路中的導(dǎo)線表面缺陷。

表3 導(dǎo)線缺陷識(shí)別結(jié)果

4 結(jié)束語(yǔ)

本文提出了一種基于航空?qǐng)D像的輸電線路導(dǎo)線斷裂和表面損傷識(shí)別技術(shù)，并通過(guò)實(shí)驗(yàn)分析證明了所提方法的有效性、魯棒性和實(shí)用性，具體如下:

①所提出的GVN 增強(qiáng)處理方法能夠突出不同背景的無(wú)人機(jī)航拍圖像中的導(dǎo)線，進(jìn)一步促進(jìn)后續(xù)導(dǎo)線區(qū)域分割。

②通過(guò)分析導(dǎo)線區(qū)域GVN 圖像上的灰度值分布來(lái)識(shí)別和定位導(dǎo)線斷點(diǎn)。 同時(shí)，導(dǎo)線表面缺陷也可以通過(guò)導(dǎo)線區(qū)域GVN 圖像的垂直投影和水平投影來(lái)識(shí)別和定位。

③所提方法的導(dǎo)線斷裂識(shí)別平均故障檢測(cè)準(zhǔn)確率可達(dá)90.81%，導(dǎo)線表面缺陷識(shí)別的平均故障檢測(cè)準(zhǔn)確率可達(dá)91.85%。 因此，該技術(shù)可應(yīng)用于輸電線路無(wú)人機(jī)巡檢系統(tǒng)中。

此外，由于航拍飛行器的原因，針對(duì)導(dǎo)線底面或是角度特別之處的較小缺陷是無(wú)法通過(guò)圖像拍攝體現(xiàn)的，這也是本課題組后續(xù)的研究方向。