架空输电线路本体缺陷图像自动识别技术

文/王刚

针对架空输电线路本体缺陷图像进行高效、准确的分割则是对电气设备工作状态进行故障检测和诊断的基础，本文利用状态检测方法对架空输电线路本体缺陷图像进行智能化、自动化故障分析,实现了对架空输电线路工作的稳定性进行动态性能监测，进而保证电网运行的可靠性和安全性。

1 前言

目前国内外已经开展“机巡+人巡”协同巡视的工作，其主要功能及工作重点在无人机设备管理，数据采集、数据处理、数据分析等降低巡视操作难度，巡视流程制度化管理等方面，但在缺陷图像、视频的计算机自动化识别、处理方面，还处于待开发阶段。随着管理要求的提高，精细化巡检成为趋势, 巡检过程产生大量的图像视频资料。目前电力线进行日常巡查过程中对现场巡查后获得的架空输电线路本体的巡检视频图像和照片资料缺陷数据进行比对与校验工作一般都是由人工来完成，存在工作量大、费时且易产生疏漏等缺点。而且由于需要校验的图像较多以及图像上所涉及到的缺陷数据与输电线路能否安全运行有紧密的关系，为达到精确确认，工作人员面临巨大的考验。伴随着计算机技术的迅猛发展，如何实现架空输电线路本体缺陷图像自动识别和校验这一课题逐渐走进人们的视野。

为了实现对图像进行处理的目的，开始时要对图像进行预处理操作，除去图像中包含的噪声等，提高图像的信噪比。对于那些识别起来有困难的图像还要对其进行增强，满足人们对图像进行分析的要求。

综上所述，如何实现对架空输电线路本体缺陷图像自动识别就成为摆在电力系统管理者面前的一大难题。

2 架空输电线路本体缺陷图像自动识别方法

针对架空输电线路本体常见的绝缘子自爆、导地线断股、塔身鸟窝、悬挂异物及塔材、螺栓、销针等缺陷的图片(如图1所示)及视频运用机器视觉对数字图像进行增强、去噪、图像分割、边缘检测，采用基于深度学习的机器学习算法，对图像进行缺陷识别，解决缺陷分类问题及缺陷标记的问题。

图1：输电线路现场实例

根据业务需求，对杆塔本体进行数据采集，对绝缘子、导地线、鸟窝、悬挂异物、螺栓、销针等物体分类进行拍摄拍照。筛选素材，选取样本，将样本分为正负样本，标出正样本特征。建立识别模型，输入少量数据进行演算，查看匹配程度。输入大量数据进行模型精度训练，丰富特征样本。融合各子分类训练模型，集成为识别引擎。最后编写上层应用程序，提供对底层识别引擎的调用接口。

建立杆塔、绝缘子、螺栓、金具、线缆、建筑、车辆等物体，以及滑坡、结冰、悬挂异物等场景的识别模型。通过图像识别算法，结合大量巡检样本的深度学习训练、以及GPU计算技术，对无人机拍摄的照片、视频进行快速识别，发现问题、找出缺陷和隐患；利用热成像设备，对线路发热、电弧问题进行自动识别，快速报警。避免传统人工观看照片、视频产生的疏忽、漏报现象，提高巡检影像的识别效率和准确度。

基于深度学习的多种图像特征学习模型，经过长时间的摸索和积累，构建了针对车辆识别、路面识别、架空输变线路本体及通道物体识别等引擎。通过GPU辅助运算，大幅度提高识别的效率和准确率。

通过对海量图片特征进行提取、训练，实现通过图像特征信息进行图像内容自动识别的一种人工智能识别技术，可以简单认为其是一个“见多识广”的智能机器人，可在无人工干预的状态下进行自动识别工作，且无需任何样本库比对，通过训练可广泛用于图像、视频内容的检测。

针对架空输电线路本体缺陷图像本文采用的技术处理步骤如下：

首先进行图像增强——由于成像过程中原始图像受污迹或噪声干扰或需要监测的区域不明显,因此先将图像首先分成5x5个子图像,再分别对每个子图像具体增强。图像增强方法主要分为空间域增强和变换域增强两大类，本文采用了对每个子图像采用不同增强系数的算法。先计算出每个子图像的平均灰度，以及每个子图像中心点附近的灰度均值和均方差值，然后依据原图与平均灰度的差异，灰度变化越大的部分其放大倍数越小，这样不同的地方采用不同的放大倍数，将“差异”放大，实现了图像增强的效果。

之后进行图像去噪——包括滤除图像的随机噪声、高斯噪声等以减弱噪声的影响。先将图像从空间域转换到变换域，再对变换域中的变换系数进行处理，再进行反变换将图像从变换域转换到空间域来达到去除图像嗓声的目的。本文采用K-L变换法，由于根据图像的协方差矩阵来决定相应的变换矩阵，因此本方法与图像匹配效果较好。

下一步进行图像边缘检测——边缘主要存在于目标与目标，目标与背景或区域与区域之间，是图像灰度不连续性的反映，图像边缘检测是检测图像函数不连续点的过程表示。采用基于一阶微分算子检测边缘图像通过matlab来实现。一阶微分边缘算子又称梯度边缘算子，它是利用图像在边缘处的阶跃性，及图像梯度在边缘去得极大值得特征性进行边缘检测。canny算子主要在原一阶微分算子基础上进行了扩展，增加了非最大值抑制和双阈值两项改进。利用非最大值抑制不仅可以有效地抑制多响应边缘，而且还可以提高边缘的定位精度。利用双阈值可以有效减少边缘的漏检率。主要分为四步进行：高斯平滑去噪、计算梯度与方向角、非最大值抑制、滞后阈值化。

最后进行图像特征提取——为了识别出某图像所属的类别，我们需要将它与其他不同类别的图像区分开来。这就要求选取的特征不仅要能够很好地描述图像，更重要的是还要能够很好地区分不同类别的图像。在满足分类识别正确率要求的前提下，使用较少的特征就能完成分类设别任务是最佳方案。选择那些在同类图像之间差异较小，在不同类别的图像之间差异较大的图像特征可以满足这一要求。同样通过Matlab中的函数regionprops来计算每幅图像的特征点，该函数是用来度量图像区域属性的函数，获得每幅图像的曲率数据和骨架数据，能用来做更细致的特征提取。将有疑问的图像向量与前文学习所获得的图库中图像的特征指相比较，相似比例超过事先设定好的阈值的就认为是同样的缺陷。

通过以上处理流程，初步实现了架空输电线路本体缺陷图像的分割与特征提取，为后续自动识别缺陷奠定了技术基础。

3 总结

终上所述，通过计算机系统图像自动识别技术，实现对架空输电线路缺陷图像的快速自动识别，提高巡检员工的工作效率，避免靠人力操控，靠经验、无标准可遵循的巡检流程，实现数字化、智能化、精细化的管理。如果该技术能够被开发应用在国家电网公司以及其他单位，就可以节省一部分人力资源，并且提高员工的劳动生产率，更为重要的是提高了准确度，降低了事故隐患。