輸電線路除冰機器人視覺定位方法研究

李輝熠，李希，謝景偉

（1.湖南大眾傳媒職業(yè)技術學院，湖南 長沙 410100；2.湖南師范大學，湖南 長沙 410081）

1 引言

由于輸電線路覆冰、積雪等原因經(jīng)常引起一些事故，如線路舞動、絕緣子閃絡等，從而造成重大的經(jīng)濟損失，嚴重威脅著電網(wǎng)的安全運行[1]。傳統(tǒng)的手動除冰方法具有高風險和低效率等問題，隨著科學技術的發(fā)展，用機器人代替人工除冰已是大勢所趨，但現(xiàn)階段仍有許多亟待解決的問題。特別是機器人需要執(zhí)行一些復雜功能時，如障礙物穿越和手臂抓線控制等[2]。因此，為了實現(xiàn)電力線的自主操作，除冰機器人需要具有越障功能，而解決越障的首要問題是實現(xiàn)電纜線位置的自主識別。

由于高壓輸電線路的障礙物多樣且復雜，輸電線路的環(huán)境也相對惡劣。當前，國內外現(xiàn)有的輸電線路作業(yè)機械人大多不具備越障功能，因此自主抓線是一個迫切需要解決又難度較大的問題。在文獻[3]中，提出了一種單目測距算法，用于巡線機器人的視覺導航。利用Hough變換檢測視頻幀圖像中巡線機器人的行走導線的兩側，獲得障礙物和鏡頭之間的距離，并執(zhí)行線性校正。經(jīng)過測試，具有很高的準確性和魯棒性。在文獻[4]中，提出一種粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡識別方法，用于高壓輸電線路除冰機械人對輸電線路進行障礙物識別和分類。測試結果表明，該方法可以有效識別輸電線路障礙物。在文獻[5]中，基于懸臂運動的仿生原理，提出一種新型的除冰機器人雙臂越障結構。通過分析，闡述了雙臂交叉避障的原理，并使用軟件仿真了結構驅動模型。結果表明，仿生雙臂交叉結構可有效提高除冰機器人除冰過程的穩(wěn)定性和效率。在文獻[6]中，在當前輸電線路除冰機器人研究現(xiàn)狀的基礎上，提出一種新型的在線越障行走機構，并介紹了自主研發(fā)的除冰機器人。這些研究為解決除冰機器人在輸電線路上的視覺定位問題提供了理論依據(jù)?；诖耍o出一種用于輸電線路除冰機械人的視覺定位方法，用于機器人越障時的機械臂對準。使用Gabor變換把電纜線從背景中提取出來，然后使用最小二乘法檢測電纜位置。通過不同光照度實驗驗證該定位方法的準確性和魯棒性。

2 系統(tǒng)框架

除冰機器人是一個復雜的機電一體化系統(tǒng)。采用分級智能控制方式，如圖1所示。高壓輸電線路除冰機械人控制系統(tǒng)由兩部分組成，地面監(jiān)控系統(tǒng)和機器人本體控制系統(tǒng)。地面監(jiān)控系統(tǒng)：由監(jiān)控主機和無線網(wǎng)卡模塊組成。監(jiān)控主機主要用于顯示和存儲機器人采集的圖像。使用由無線網(wǎng)卡組成的網(wǎng)絡進行遠程圖像傳輸，通過無線網(wǎng)絡進行除冰機器人力的遠程控制［7］。機器人主體控制系統(tǒng)：負責分解、協(xié)調和任務執(zhí)行。機器人主體控制系統(tǒng)通過無線網(wǎng)卡與地面通信，指揮機器人進行除冰。

圖1 系統(tǒng)框架Fig.1 System Framework

3 定位算法

電纜線定位方法步驟如下所示：（1）對原始圖像進行預處理，以減少光線對電纜線紋理圖像的影響。（2）檢測圖像的邊緣并估計電力電纜的紋理方向。將（2）獲得的紋理方向作為Gabor濾波器方向參數(shù)，并將邊緣檢測到的圖像與其卷積獲得增強圖像［8］。（3）進行閾值分割提出電纜的紋理區(qū)域，然后用最小二乘法檢測電纜線位置。算法流程圖，如圖2所示。

圖2 定位算法流程Fig.2 Positioning Algorithm Flow

3.1 圖像預處理

由于電力線的環(huán)境復雜，在圖像拍攝過程中，機械臂監(jiān)控相機容易在電力電纜附近產(chǎn)生局部反射。這樣的反射會損壞電力電纜圖像的圖像質量并模糊邊緣［9］。此外，如果監(jiān)視相機直接暴露在陽光下，會導致圖像的整個前景變暗。這些影響是無法人為控制，為提高機器人監(jiān)控相機在一些復雜環(huán)境中可靠性，需要優(yōu)化視覺算法［10］。

同態(tài)濾波被廣泛用于不均勻照明下的圖像校正。同態(tài)濾波不僅降低低頻，而且增加高頻，降低光照變化，使細節(jié)邊緣更加清晰。將同態(tài)濾波方法應用于電力電纜圖像的預處理，以減少圖像上不均勻的光干擾。

在光反射模型中，圖像f(x，y)如式（1）所示，用入射分量i(x，y)與反射分量r(x，y)的乘積［11］。

同態(tài)濾波的原理是通過濾波功能抑制入射分量，增強反射分量，從而實現(xiàn)圖像的照度補償，減少照度干擾。圖像同態(tài)濾波步驟如下：

（1）用對數(shù)變換和傅立葉變換來分離圖像f(x，y)的兩個頻率變量。

（2）選擇適當?shù)耐瑧B(tài)濾波器傳遞函數(shù)來變換入射和反射，獲得增強圖像。

（3）對處理后的頻域圖像進行傅立葉變換和指數(shù)變換以獲得增強圖像。

對式（1）取對數(shù)，如式（2）所示［12］。

對式（2）進行傅里葉變換［13］，如式（3）所示。

假設濾波器函數(shù)為H(x，y)變換，如式（4）所示。

對式（4）進行傅里葉逆變換，如式（5）所示：

對式（5）進行指數(shù)變換，得到處理后圖像，如式（6）所示。

3.2 邊緣檢測和方向場估計

在同態(tài)濾波之后進行邊緣檢測，以便直觀展示圖像紋理的細節(jié)。使用Canny邊緣檢測方法，

定義了三個基準［13］。

（1）所檢測的邊緣信息具有最低的誤檢測率和漏檢率，評價參數(shù)的信噪比SNR最大。（2）觀察到的邊緣信息應盡量接近實際邊緣，使定位精度最大化。（3）邊緣響應次數(shù)最少為一個。

在Canny的邊緣檢測中，高斯平滑的質量對檢測結果有直接的影響。因此，濾波器被定義為f(x)，G(x)表示邊緣圖像。假設邊緣的中心在x=0處，則濾波器的相應結果HG，如式（7）所示［14］。

假設濾波器具有有限脈沖響應，范圍[?w，+w]。

噪聲的均方根Hn，如式（8）所示。

根據(jù)式（7）和式（8），SNR如式（9）所示。

定位精度為所提取邊界與真實邊界誤差，如式（10）所示。

根據(jù)邊緣響應次數(shù)唯一，如式（11）所示。

選擇了高斯平滑濾波器。高斯模糊一般用于減小圖像尺寸。對于欠采樣通常在采樣之前對圖像進行低通濾波。這樣，可以確保采樣圖像中沒有虛假的高頻信息，如式（12）所示[15]。

4)利用有限站點的地基GPS了解成都地區(qū)的水汽分布,這為在不同地區(qū)進一步建設地基GPS站提供了參考依據(jù)。

其中高斯核參數(shù)為，μ=0，方差σ=1.4。選擇不同的高斯核函數(shù)對圖像進行卷積并獲得不同的結果。

方向場直接影響了Gabor濾波器的紋理匹配。將預處理的圖像進行分塊，以獲取每個塊中所有像素的梯度方向[16]。然后，將像素梯度方向上的所有向量之和作為塊的梯度方向。紋理梯度的方向通常垂直于場方向，可以通過簡單的變換來獲得塊方向場方向。

3.3 Gabor濾波紋理匹配

Gabor變換是短時傅立葉變換。實質是向傅立葉變換中添加高斯窗函數(shù)。因為高斯函數(shù)在傅立葉變換中保持不變，所以Gabor變換有時頻局部化特性[17]。具Gabor有和人類眼睛同樣的生物學功能，接近人視覺的頻域和方向，因此被廣泛應用于紋理識別。

Gabor 濾波器由兩部分組成（實部和虛部），相互正交。Gabor函數(shù)的復數(shù)形式，如式（13）、式（14）所示。

式中：θ—Gabor 濾波器的方向角；λ—高斯函數(shù)的尺度參數(shù)；f—Gabor濾波器帶寬的中心頻率；Gabor函數(shù)的實部和虛部如式（15）和式（16）所示。

在不同的方位角、尺度和寬帶中心頻率下，Gabor濾波器在像面上的顯示方式會有所不同。

3.4 中線擬合

Gabor濾波后得到的圖像實際上是一些離散點，這些離散點主要集中在電纜紋理區(qū)域。為了最終確定電力電纜的位置，需要對這些離散點進行擬合，得到電力電纜中心線的位置［18］。在離散點的線性擬合中，最小二乘法應用廣泛，既簡單又實用。在XY直角坐標系中，假設線性方程，如式（17）所示。

式中：a—直線的斜率；b—Y軸的截距；a、b—帶估的參數(shù)；(xi，yi)—第i個離散點的坐標。根據(jù)最小二乘法，最小化所有離散點與直線線性方程偏差的加權平方和。如式（18）所示［19］。

上面的方程可以理解為二元二次方程求極值，如式（19）和式（20）所示。

得到如式（21）所示：

整理得到方程組（22）所示。

通過求解方程可以得到a、b的最佳估計值，如式（23）、式（24）所示［20］?？梢允褂蒙鲜龅墓剑玫诫娏€紋理圖像離散點的擬合直線，即電力線的中心線。

4 實驗結果與分析

將定位算法用于三臂除冰機器人進行實驗，工作狀態(tài)，如圖3所示。為了驗證算法的準確性和魯棒性，實驗是在不同光源下進行的。首先，機器人前臂上的相機采集圖像要盡可能均勻地散開，然后預處理針孔相機的球面變形。后臂相機未做球形變形校正，使用聚光燈直射相機模擬室外直射陽光。后臂拍攝越障過程同態(tài)濾波前后的比較，如圖4所示。后臂濾波前后邊緣檢測的對比，如圖5所示。前臂拍攝越障過程同態(tài)濾波前后的比較，如圖6所示。前臂濾波前后邊緣檢測的對比，如圖7所示。

圖3 三臂除冰機器人實驗狀態(tài)Fig.3 Experimental State of Three Arm Deicing Robot

圖4 后臂同態(tài)濾波前后對比Fig.4 Comparison Before and After Homomorphic Filtering of Back Arm

圖5 后壁濾波前后邊緣檢測結果Fig.5 Edge Detection Results Before and After Back Wall Filtering

圖6 前臂同態(tài)濾波前后對比Fig.6 Comparison of Forearm Homomorphic Filtering Before and After

圖7 前臂濾波前后檢測結果對比Fig.7 Comparison of Detection Results Before and After Forearm Filtering

如圖4、圖5所示，在同態(tài)濾波之后，進行邊緣檢測了直觀的展示圖像紋理的細節(jié)。同態(tài)濾波后的圖像光暈得到了明顯抑制，電纜紋理比未處理的圖像更飽滿，這也說明了圖像的低頻成分得到了抑制，高頻成分得到了加強。

從圖6、圖7 中可以看到，前臂圖像具有自然清晰的電纜紋理。經(jīng)過同態(tài)濾波后，邊緣檢測會保留更多紋理細節(jié)。此外，正常光照圖像中的紋理很飽滿，提取的紋理非常穩(wěn)定和可靠。Gabor小波模板與邊緣檢測圖像進行卷積以最大化電纜的紋理區(qū)域，然后通過閾值劃分獲得圖8 的處理效果。這里閾值大小為200。

圖8 前后臂圖像Gabor濾波后閥值分割圖Fig.8 Threshold Segmentation of Forearm and Forearm Images After Gabor Filtering

比較圖8中的兩個紋理提取結果，可以看到正常光圖像的文獻較為飽滿，并且提取的紋理非常穩(wěn)定且可靠。而高光球面體變形的圖像中，由于不均勻的局部對比度而缺失了一些紋理。在經(jīng)過上述步驟后，對圖像進行直線擬合結果，如圖9所示。

圖9 前后臂去噪前提取結果Fig.9 Extract Results Before Denoising of Forearm and Forearm

從圖9中可以看到，擬合的中心線非常接近電纜的預期中心線。然而，中心線之外的一些奇異點仍會影響最終擬合結果。為了獲得更準確的結果，將擬合線的垂直距離大于30像素點視為奇異點。并從原始圖像中刪除。執(zhí)行最小二乘擬合以獲取新的中心線位置，作為最終中心線位置輸出。最終的擬合結果，如圖10所示。

圖10 前后臂去噪后提取結果Fig.10 Extract Results After Denoising of Forearm and Forearm

比較兩組圖像的處理結果，可以看到正常光照圖像的紋理飽滿，紋理提取和最終定位非常可靠。而高光度的球面變形圖像中，由于局部對比度不均勻而導致一些紋理缺失，而強光會產(chǎn)生光暈。不僅干擾紋理提取，而且也干擾擬合，但是該算法可以相對準確地確定電纜的中心線和邊界。結果表明，該算法具有良好的魯棒性。

5 結論

給出一種用于輸電線路除冰機械人的視覺定位方法，用于解決高壓輸電線路除冰機器人越障時機器臂對準的問題。使用Gabor變換從背景提取電纜線，然后使用最小二乘法檢測電纜位置。通過不同光照度實驗驗證該定位方法的準確性和魯棒性。

實驗結果表明，該檢測方法可以在正常光照下準確定位，在高光局部紋理缺失的條件下具有較強的魯棒性?？紤]到當前的實驗設備和數(shù)據(jù)規(guī)模，仍處于起步階段。在此基礎上，下一步的工作重點是逐步改進和完善。