基于霍夫直线变换的输电线路异物识别应用研究

赵永生++徐海青++吴立刚++袁睿智++梁翀

摘要：本文主要针对输电线路上的漂浮异物搭挂潜在故障进行图像识别研究，提出利用霍夫直线变换对输电线路进行提取，然后对输电线所处的小块区域进行卷积操作，结合实际误差来对输电线路异物进行识别。通过及时定位输电线路安全隐患点和故障点，缩短巡检周期，提升检修工作人员的工作效率，降低巡检人力成本，进一步增强输电线路相关设备的状态巡维能力，为有效监测分析奠定基础，具有较高的工程应用价值。

关键词：霍夫直线变换；图像识别；输电线路；异物识别

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2017）03-0127-03

Abstract：This paper mainly aims at the potential failure on the transmission line of foreign bodies floating to research image recognition， presents a method of extracting transmission lines using Hough linear transformation， then carries out the convolution operation of the small area of the transmission line， identification of foreign bodies in transmission line based on actual error. Through the timely positioning of transmission line safety hidden points and fault points， shortens the inspection cycle， reduces manpower cost， improves the efficiency of the maintenance staff， and further enhances the ability of the state of the transmission line equipment， provides a basis for effective monitoring and analysis， and has high application value in engineering.

Key Words：Hough linear transformation；image recognition；transmission line； foreign body recognition

1 引言

电力是我国能源的大動脉，而输电线路网则是电力传输的主要载体，维护输电线路正常运行显得尤为重要。搭建这些输电线路较为迅速，但是长期维护需要巨大的人力、财力和物力。近年来，各地因为风筝、气球等悬挂异物危及电网安全的事件屡见不鲜。输电线路悬挂异物会使高压电的极限放电距离缩短，甚至会造成大面积停电的严重后果。因此，及时识别出输电线路上的异物具有十分重要的意义。

由于传统人工巡线的方式存在安全隐患大，工作效率低，且针对一些复杂地形的输电线路操作难度大等缺点，近几年出现了借助飞行器作为运载工具，装载可见光成像检测设备对110～1000kV高压输电线走廊进行巡检的方法[1]，并应用计算机智能处理巡检带回的大量图像数据来判断线路上是否存在异物。文献[2-6]针对图像空间直线进行了提取和检测，为输电线路的识别提供了思路。本文主要利用Otsu法（最大类间方差法）来进行图像分割，然后基于Hough变换原理提取含有异物的输电线路特征向量，对输电线进行卷积操作，将提取到的输电线与正常输电线进行比较，以判断输电线是否悬挂异物。

2 图像预处理

航拍巡检图像往往受到光照、天气和湿度等因素影响，得到的图像往往有很多噪声等干扰因素，为了消除这些干扰因素，提高识别精度和识别效率，需要对图像进行相应的预处理操作。本文主要采用中值滤波和形态学处理来进行预处理：

2.1 中值滤波

常见的滤波器包括高斯滤波[7]、中值滤波[8]和双边滤波[9]等方法，经过试验最终我们选取中值滤波作为本文的滤波器，以保证能够有效去除噪声，又不影响算法的时效性。中值滤波是一种非线性滤波方法，基本思想：以某像素为中心的窗口中所有像素的灰度按从小到大排列，取排序结果的中间值作为该像素的灰度值。该方法运算简单方便，能较好地保护边界。实验结果如图1所示。

根据大量的测试实验结果，本文采用5×5中值滤波。

2.2 形态学运算

最基本的形态学转换是膨胀和腐蚀。分析采集图像，我们采用闭运算对图像进行先膨胀后腐蚀操作，以消除图像噪声点，连接图像中相邻元素。

3 图像分割

巡检图像背景往往是我国复杂的地貌，对图像处理和目标异物检测精度带来极大的干扰，因此，必须准确地分割航拍图像背景。本文采用Otsu法来进行图像分割得到待识别二值图。

Otsu法[10]又叫最大类间方差法，是由 Otsu与1979年提出的一种阈值分割方法，它是建立在一幅图像的灰度直方图基础上的，依据类间距离极大准则来确定区域分割门限，根据门限阈值来得到所需要的二值图。

Otsu法按图像的灰度特性，将图像分成背景和前景两部分。背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大，当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。

具体实现方法如下：

（1）设图像有L个灰度级，灰度值是i的像素为n，则总的像素数是N= n1+n2+n3+…..+nL-1。各灰度值出现的概率pi=ni/N，很显然p1+p2+p3+…..+pL-1=1。

（2）设阈值为t，则t将图像分割为两个区域，即把灰度级分为两类：

背景类A={0，1，2，…...，t}

前景类B={t+1，t+2，……，L-1}

两类出现的概率分别为：

A，B两类的灰度均值分别为：

图像总的灰度均值为：

由此可以得到A，B两个区域的类间方差：

类间方差越大，两类灰度差别就越大，则使类间方差最大的t值就是我们所要求的阈值。最后我们根据所求的阈值t，将t以上的像素值设为255，将t以下的像素值设为0，就得到了最后待识别的二值图片。

4 输电线路异物识别

如图2所示，本文针对此图片进行异物识别。

本文的识别流程如图3所示。

4.1 图像识别前处理

为了提取更好结果的输电线，对图像进行灰度化和中值滤波后，利用Otsu法进行图像分割，再进行Canny边缘检测，然后利用形态学对所得二值图进行相应处理。实验结果如图4所示。

4.2 异物识别

（1）霍夫直线变换。本文采用OpenCV提供的霍夫直线变换[11，12]函数来检测输电线路。霍夫直线变换的基本原理是对图像中每一个像素点进行遍历，然后对经过这个点的所有直线进行频率统计，出现频率较大的直线作为该图像中的被检测到的直线。但是在实际操作中，本文发现用（a，b）表示直线存在斜率 a 为无穷时无法表示等问题，因此本文采用极坐标来标识直线，从而来解决这一弊端。OpenCV 提供了两种变换：标准霍夫变换（SHT）和累计概率霍夫变换（PPHT），本文采用累计概率霍夫变换。

（2）识别异物。获取图像中所有的直线序列后，首先提取出正常的输电线，上述提到，正常输电线的斜率大都在区间 [0，0.2]内。在识别异物的方法，本文采用的是对提取的正常的输电线进行卷积操作，即输电线周围制作一个高度为10像素，宽度为直线两个端点的 x 坐标的差的绝对值这么多像素的矩形，为了便于计算，本文选取直线两个端点的“最低点”（即x 和 y坐标最小的点），并以该点的上4个像素和该点的下5个像素共同构成矩形的高度。接下来，对每条正常输电线计算像素值为255的点总数n，并且约定如果n 除以矩形的高度与宽度之积超过某个值resultRate（称为“异点率”）就表示出现异物，根据大量实验，resultRate设定为0.3。上述过程的流程图如图5所示。

针对图2所示图片，利用本文算法进行检测的识别结果如图6所示（将检测到的直线像素点设为绿色，将異物像素点设置为红色）。

可以看出本文识别算法良好，对输电线路中的异物识别准确率较高。

5 结语

本文提出一种经过图像预处理和霍夫直线变换后，利用异物附在输电线路周围这一特征提出对输电线路进行卷积操作的算法思想，对一般的异物识别结果较好，能满足对基本的巡检图像进行异物检测识别需求。将本文算法应用在输电线路巡检中，对于降低巡检人力成本，提高巡检效率和精度都将具有很大的工程应用价值，为输电线路异物识别提供了新的手段。

参考文献

[1]肖世杰.构建中国智能电网技术思考[J].电力系统自动化，2009，33（9）：1-4.

[2]Li Z，Liu Y，Walker R，et al. Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform[J].Machine Vision and Applications，2010，21（5）：677-686.

[3]Chan T S，Yip R K K. Line Detection Algorithm[C]// International Conference on Pattern Recognition.IEEE Xplore，1996：126-130 vol.2.

[4]Aggarwal N，Karl W C. Line detection in images through regularized Hough transform.[J].Image Processing IEEE Transactions on，2006，15（3）：582-91.

[5]张春森.基于Hough变换的空间点位自动检测[J].计算机工程，2006，32（13）：200-202.

[6]王化楠.Hough变换在视觉检测系统中的应用研究[D].大连理工大学，2006.

[7]刘西成.随机噪声滤除及运动模糊图像复原技术研究[D].西北工业大学，2006.

[8]吴玉莲.图像处理的中值滤波方法及其应用[D].西安电子科技大学，2006.

[9]李俊峰.双边滤波算法的快速实现及其在图像处理的应用[D].南方医科大学，2013.

[10]胡颖.Otsu算法的研究及改进[J].枣庄学院学报，2009，26（5）：68-72.

[11]夏磊，蔡超，周成平，等.一种用Hough变换检测圆的快速算法[J].计算机应用研究，2007，24（10）：197-199.

[12]欧祥印.基于HOUGH变换对已知形状的图像识别与特征点的计算[D].吉林大学，2005.