同塔双回特高压输电线路红外图像检测研究

裴慧坤，杨 兴，侯立群

(1.深圳供电局有限公司,广东 深圳 518000;2.东北电力大学建筑工程学院,吉林 吉林 132012)

0 引 言

伴随着社会经济的发展，社会对于用电需求持续扩大。因此不断提高电压等级，很大程度的提升系统输送潮流功率，由于同塔双回线路具有运维简单、经济价值较高、节省输电走廊等特点，因此所表现出来的优势明显，逐步变成重要的电力传输方式[1]。但是该线路的导线之间存在耦合系数很大的问题，导线与大地、导线之间都有着很强的静电耦合以及电磁耦合，以此该设备在架设方面存在困难[2]。同塔双回特高压输电线路已然成为国家电力系统的重要组成部分，其安全稳定运行与否会对国家电力系统安全产生直接影响，该线路与主要交通干线相背离，经过的地理环境结构复杂，在长期运行中输电线路易容易受到人为破坏和自然灾害损伤[3-4]。为此，应时刻关注同塔双回特高压输电线路运行状况，及时检测线路故障，确保同塔双回特高压输电线路稳定、安全运行。

由于上述因素，使用无人机以及红外检测仪对对输电线路进行巡检已然成为未来智能巡检趋势。之所以利用使用红外检测，是因为其拥有具有不停电、远距离以及不接触等优势，能对很多种的电力设备进行检验，为线路巡检提供了新思路[5]。所以，可以利用该设备巡检输电线路，此种巡检方式会有多种红外图像以及视频数据产生，从反馈回来的图像可以对输电线路进行检测，因此，检测同塔双回特高压输电线路红外图像成为关键。

红外图像检测技术是一项使用范围极大的技术手段。因为背景信息很多，能够获取部分输电线图像，会受其干扰，影响对输电线的定位及提取，图像检测效果不佳[6-7]。通过翻阅大量资料，对以往的研究经验进行研究，以红外成像特点为基础，结合实际案例，本文提出一种同塔双回特高压输电线路红外图像检测方法，主要分为红外图像预处理与分割、红外图像特征提取、红外图像检测三部分，为处理同塔双回特高压输电线路红外图像提供有效手段。

1 同塔双回特高压输电线路红外图像预处理与分割

1.1 红外图像增强预处理

利用变换函数，将图像中所给定的灰度级进行映射操作，把灰度区间及感兴趣的目标突出显示[8]。

图1 分段线性灰度变换

其的数学表达式为：

(1)

上述公式中，原来的红外图像灰度用f(x,y)表示，分段线性灰度变换后的用g(x,y)表示，a、b是像素节点，红外图像的分段节点在通过灰度变换后用c、d表示，原图像和灰度变换后图像的像素灰度最大分别为Mf、Mg。

在上述红外图像增强预处理结果基础上，对红外图像进行去噪处理，由于红外图像主要存在高斯噪声，采用高斯去噪方法。在此基础上，进而完成同塔双回特高压输电线路的红外图像预处理。

1.2 红外图像分割

在预处理完成的红外图像基础上，本文以尺度不变特征变换(Scale Invariant Feature Transform, SIFT)为基础，对红外图像进行特征提取并匹配，利用红外图像的帧间差分，对两幅图像的重合部分进行识别获取[9,10]，得出输电线路分割结果。

1.2.1 SIFT算法原理

本文采取基于SIFT的图像配准算法，以此获得图像的局部性特征。该算法在尺度空间之内对极值点进行查找，主要是为了获得极值点的旋转不变量、位置以及尺度。在高斯差分(Difference of Gaussian，DoG)空间内对极值点的尺度进行检测，方法如下：

(2)

公式(2)属于高斯核函数，利用该函数改变原始图像的尺度，最后获取高斯空间。高斯核卷积红与外二维图像得到公式(3)：

L(x,y,σ)=G(x,y,σ)*I(x,y)

(3)

根据公式对不同尺度下红外图像的高斯空间进行获取，其中，图像的尺度空间用L(x,y,σ)表示。对相邻两尺度空函数进行相减操作，之后获得DoG空间，以D(x,y,σ)表达，采用公式(4)计算：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*

I(x,y)=L(x,y,kσ)-L(x,y,σ)

(4)

为检测到DOG函数的极值点，就必须要进行比较操作，比较的对象为尺度空间的所有相邻像素、空间中每一个像素点和其周围所有像素，保证在所有空间内这些点都属于极值点。

利用上述方法获取极值点，该极值点都具有离散性。为精确找到的特征点位置及尺度，需要进行下一步操作，对已获得的极值点进行插值操作，最后获取连续空间极值点[11]。尺度空间函数D(x,y,σ)在(x0,y0,σ)处的表示如下：

(5)

公式中，DT是D的转置矩阵，如公式(6)所示：

(6)

对公式(5)求导，使得导函数为0，得：

(7)

在横向边缘有时DOG函数的极值会有很大的主曲率产生，而在纵向边缘时，发生的几率很小，因而就会有边缘效应产生，最后获取特征点具有不稳定性[12]。如果想要较为稳定的特征点，就必须要对不稳定的特征点进行剔除操作。其主曲率能够利用 Hessian 矩阵的特征点获得：

(8)

tr(H)=Dxx+Dyy=α+β

(9)

Det(H)=DxxDyy-(Dxy)2=αβ

(10)

因为H矩阵的特征值与主曲率D成正比，根据公式(9)和公式(10)，将其比值比例ratio用公式(11)表示：

(11)

为了让特征点既有旋转不变性特征，DoG空间中内，采集的红外图像像素的方向以及梯度的分布特点是：

m(x,y)=

(12)

(13)

梯度模值利用公式(10)表述，梯度方向以公式(11)表述。在一圆周内，以10°对一个方向柱进行划分，在直方图中，峰值表示该点的主方向。由此，就使SIFT特征向量具有稳定性。

1.2.2 红外图像帧间差分

本文的红外图像除了包含输电线信息，还含有大量背景信息，如果想要将得到的红外图像中准确分离其中的输电线，如均值漂移等一般分割方法不仅仅是计算量大，而且算法较为复杂，分割效果并不理想[13]。本文采取措施解决目标难以分割的问题，尽力消除背景信息，在图像处理之中，对背景进行减除属于基本操作。利用上述方法，获得消除背景之后的图像，其消除取得很好的效果[14]。经过拼接操作之后，会得到两幅图像重合的部分，之后拆分重合的部分，完成背景信息消除工作。

对重合部分进行减除，其表达式dij(x,y)为：

(14)

公式中，图像获取时间分别为ti和tj，Th为像素阈值；f(x,y,ti)、f(x,y,tj)分别为ti、tj时间在像素点(x,y)处的灰度值。

1.3 同塔双回特高压输电线路元件区域红外图像特征提取

在上述分割完成图像基础上提取线路元件区域。以线性检测算子(Line Segment Detection, LSD)算法为基础，获取图像线段，之后将线段连接起来，进过一系列的判断以及筛选，最后得到图像之中的导线组。因此，两组导线的重合部分以及一组导线的端点范围就会被认成线路元件区域。该算法主要用于直线检测分割，在线性时间之内，它能够通过计算获得图像精度。其算法流程如下：

(1)利用高斯算法，对输入的红外图像进行采样工作；

(2)获得各个点的梯度值与方向；

(3)通过排序所有获得的点，并构建状态列表；

(4)剔除状态表中梯度值小于ρ(ρ=2/sinτ)的点；

(5)将所构建的列表中找出伪排列的第一个点，也就是梯度值最大的点，将此作为种子点，将该点的梯度角作为初始区域角度，将范围设定在[-τ,τ]内，搜索范围内周围方向的阈值点，不间断的更新的角度，以此得到区域R；

(6)得出上述矩形的虚警数量，如果比设定的阈值小，于是直接把此区域输出，否则就对区域R进行判定，认定此区域无效。

根据检测到的直线段，选取角度的范围设定在(-π/4,π/4)内，以该线段的位置、间距以及斜率为基础，对图像中的导线进行以下操作。

(1)导线连接：连接符合条件的任意两线段L1和L2。

①L1和L2的角度差小π/24；

②L1和L2中最小长度比L1和L2的近邻点距离的一半还要小。

(2)导线筛选：以获得的线段集为基础，在每一个类别中选择最长线段，如果所得线段宽度比红外图像宽度的四分之一大，处在该类别中的线段都会被认为是导线。

1.4 同塔双回特高压输电线红外图像目标检测

同塔双回特高压输电线红外图像目标检测本质为对背景与对象之间的交界线进行提取。根据原始图像进行检测属于经典的边缘检测算子，在像素邻域内观察每一个的像素的灰度变化，根据二阶或者一阶导线检测边缘[17]。常用的检测算子较多，文章采用性能较优的Roberts检测算子检测同塔双回特高压输电线红外图像目标。

Roberts算子根据局部差分，以此来寻找边缘算子，定义Roberts算子为：

Δxf=f(x,y)-f(x+1,y+1)

(15)

Δyf=f(x,y+1)-f(x+1,y)

(16)

该算子的梯度幅值可表示为：

(17)

Roberts算子在对角线方向利用相邻两个像素差值的近似梯度值来对图像目标的边缘进行检测。上述算法垂直目标的效果以及检测水平明显比斜向目标更优，定位精确度高，敏感度好。通过边缘检测，获取红外图像边缘轮廓的草图，以此获得完整的边缘轮廓，更需要对获得的边缘轮廓草图进行连接以及跟踪，最后将边缘草图组成事件。

中边缘跟踪就是以一个边缘点为出发点，先对边缘点进行搜索，进而进行连接，因此逐渐对所有边缘进行检测的方法。其步骤为：(1)将计算获得的梯度进行搜索，寻找边缘跟踪的开始点，对其的具体要求就是梯度要大于某一阈值A。(2)在设定范围内查找点A的最大梯度值，将找到的点作为边缘，并且将该点当作是下次进行搜索的起始位置。(3)以梯度最大值为搜索标准，直至在设定范围之内搜索到某一个点的最大梯度值小于某一阈值B，或是搜索点处在边缘位置，才会完成一次搜索工作。对以上步骤进行重复，在梯度图中对于梯度大于阈值A的点进行再次搜索，最终获取的边缘点则是总体红外图像的边缘，实现红外图像边缘的准确检测。

2 实验结果分析

为验证本文所提方法的有效性，对采集到的同塔双回特高压输电线路红外图像展开目标检测实验。

2.1 同塔双回特高压输电线路红外图像检测结果分析

为突出本文方法的优势，引用Sobel算子、Prewitt算子、Laplace算子展开对比测试。采用包括本文方法在内的4种边缘检测算子检测同塔双回特高压输电线路红外图像。

分析图2可以看出，采用本文方法连接图像轮廓边缘后，同塔双回特高压输电线路红外图像边缘轮廓连接无损，不存在间断。

图2 测试操作员测试结果的比较

2.2 同塔双回特高压输电线路红外图像检测精确度分析

为突出本文方法检测同塔双回特高压输电线路红外图像目标的优势，采用基于序列小目标的红外图像检测方法以及基于形态滤波的红外图像检测方法展开对比实验。从同塔双回特高压输电线路红外图像库中选取100幅符合要求的红外图像，平均分成10组，采用三种方法识别图像中的目标，计算三种方法在每组图像中的检测精确度均值，制成表格如表1所示。分析该表得到，本文方法的检测精确度均值为98.2%，高于其它方法，并且本文方法在10组图像中的检测精确度都在97.3%～99.2%之间波动，具有较低的变化幅度，稳定性高。

表1 不同检测精度方法的比较

分析表1能够看出，本文方法的检测精确度均值为98.2%，相比基于序列小目标的红外图像检测方法以及基于形态滤波的红外图像检测方法高13.6%、22.7%，突出了本文方法检测同塔双回特高压输电线路红外图像目标精确度高的优势。另外，本文方法在10组图像中的检测精确度在97.3%～99.2%之间，波动较小，稳定性较强；基于序列小目标的红外图像检测方法的检测精确度在80.1%～89.3%之间，相对本文方法而言，波动较大，稳定性稍弱；基于形态滤波的红外图像检测方法的检测精确度在65.5%～88.6%之间，最大值与最值差高达23.1%，由此验证该方法的检测精确度波动较大，稳定性差。对比三种方法的实验结果可知，本文方法具有检测精确度高、稳定性强的优势，可有效用于同塔双回特高压输电线路红外图像检测。

3 结 语

本文方法采用分段灰度线性变换方法增强图像并去除图像噪声，获取红外图像分割结果；以LSD线段检测法为基础，进而对红外图像导线进行提取，完成线路元件区域特征提取；选择Roberts算子对图像目标进行检测，以目标图像的不连续边缘进行连接为基础，获取连续清晰的图像边缘。高压输电线路的红外图像目标提供技术支持。经过多次实验验证，本文方法在同塔双回特高压输电线路红外图像检测方面精确度较高，精确度均值高达98.2%，但同时存在缺点，目前本文方法不能对所有输电线进行分割定位，有待改进，以便更好地用于同塔双回特高压输电线路红外图像检测领域。