无人机图像的输电线断股检测方法研究

2021-01-28苏素平孙志毅孙前来

太原科技大学学报 2021年1期

苏素平，李虹，孙志毅，孙前来，王银

(太原科技大学电子信息工程学院，太原 030024)

由于输电线长期处于自然环境中，受到恶劣天气、施工的外力破坏以及输电线路老化、腐蚀等问题，容易造成输电线断股或散股的现象。输电线断股会严重影响线路载流量、引发电晕、降低线路机械性能以及降低输电线输送电能的效率，从而引发安全事故[1]。因此要对输电线路定期进行巡视与检查。

随着科技的不断进步与发展，无人机得以推广与应用，传统的人员巡检慢慢被无人机巡检所取代。为了实现输电线路巡视的智能化及自动化，可以把图像处理技术与无人机相结合应用到输电线的巡视工作中。近几年，在利用图像处理方法对输电线故障巡检的相关文献中，蒋兴良[2]等提出对输电线分割提取可以用Gabor滤波器，主要是用于有一定规则纹理的导线上，并且一般适用于近距离采集的图像；Katrasnik J[3]等利用移动机器人来进行巡检作业，提出了一种图像特征分类的缺陷检测方法；李安[4]在其论文中为了检测断股缺陷，使用模板匹配的方法并设计了相关输电导地线断股点处的交叉点结构模板；赵振兵[5]和王万国[6]在文献中采用深度学习算法来检测出输电线路重要和关键部件，但是计算量较大；张晶晶[7]在文献中通过输电线的宽度变化，即比较断股区域的像素值与整幅图像的平均像素值的来检测是否存在断股，然而该方法的缺点是没有将安装在输电线路上的一些设备以及金具考虑在内，这些部件会对缺陷检测的结果造成误判；刘鲲鹏[8]等选取Freeman链码来检测断股缺陷的具体位置，但是这种方法对采集的图像要求较高，所采集的图像中输电线皆为水平方向。

本文研究了一种针对输电线路断股特征分析的方法，通过对提取的输电线进行骨架化，找到所有端点，然后再计算出端点到正常输电线的距离，以便可以迅速地检测出断股缺陷的位置。

1 图像的预处理

无人机巡检在采集图像的过程中常常会受到光照、噪声的影响，从而造成图像有大量噪声、图像明暗不均衡及图像质量下降等[9]问题。因此要对采集回来的原始图像进行预处理。由于主要获取输电线的灰度信息和边缘信息，不考虑图像颜色[10]，为了减少计算量和加快计算机的运行速度，首先将采集的原始图像转换为灰度图像(如图1所示)，再进行之后的处理。

图1 灰度图Fig.1 The grayscale image

1.1 图像的增强

图像增强就是有选择性地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，将图像中目标与背景的对比度从弱变强的过程。为了增强图像的对比度，提出了各种图像增强算法[11]。直方图均衡化是一种广泛使用的技术，直方图均衡化的优点就是能够自适应地改变图像亮度的动态范围，但是会导致图像出现伪轮廓，如图2所示。

图2 直方均衡化图像Fig.2 Histogram equalization image

无人机在采集图像过程中，都会受到光照的影响，出现图像曝光不均衡。为了改善图像，本文将采用Gamma校正对图像进行增强。由于Gamma校正算法主要用于改变和调整图像的整体亮度[12]，简单易于实现，已成为计算机的图像处理和机器视觉领域中一种常用的图像灰度变换方法[13]。Gamma校正的公式如下：

g=Iγ2

(1)

其中：I对应亮度，γ对应修正参数，调整图像的效果时可通过设置不同的γ值[14]。当γ=1时，校正前后图像的亮度相同；当γ>1时，即减少原图像的亮度较高的部分而扩大较暗的部分；当γ<1时，扩大原图像的亮度较高的部分而减少较暗的部分。

由于输电线在采集过程中常常处于阳光下，输电线部分在灰度值较高区域[15]，本文通过测试，发现γ为2时效果最好。图3是经过Gamma 校正后的结果(本文采用的γ为2).从图3中可以很明显的看出输电线与图像的背景有了较大的区别，因此采用Gamma校正算法可以改善图像的质量。

图3 伽马校正Fig.3 Gamma correction

1.2 边缘检测

对图3进行二值化处理，也就是阈值分割。将图像的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。本文采用最大类间方差法进行阈值分割，然后再进行边缘检测提取输电线与背景之间的边缘线。本文使用Canny边缘检测进行输电线边缘信息的提取，它有三个准则[16]：信噪比准则(低错误率)、定位精度准则和单边缘响应准则。

Canny算法的基本思想是找寻一幅图像中灰度强度变化最明显的位置。所谓变化最明显，即指梯度方向。对于梯度的求取方法一般有Sobel算子、Prewitt算子、Roberts算子等一阶微分模板来进行。本文采用3×3的Sobel算子：

(2)

其中Sx、Sy分别为x与y方向的掩膜，由此可以计算出该方向的梯度幅值：

(3)

其中Gx和Gy分别为x和y方向的梯度幅值；f(x，y)为图像数据。进一步就可以求出输电线图像的梯度幅值G和方向θ：

(4)

(5)

Canny边缘检测的步骤为:

(1)采用高斯滤波滤除图像中的噪声；

(2)采用一阶微分算子计算梯度幅值和方向；

(3)对梯度进行“非极大值抑制”；

(4)采用双阈值算法消除虚假响应，并连接边缘。

如图4所示，使用Canny边缘检测可以得到平滑的输电线边缘。

图4 边缘检测图像Fig.4 Edge detection image

2 输电线路的提取

在图4中，利用Canny边缘检测可以检测出轮廓边界的像素，但是它并没有将输电线作为一个整体，接下来根据输电线断股分叉的特点检测轮廓并把检测到的输电线轮廓提取出来。

2.1 查找并提取输电线轮廓

首先查找轮廓，即遍历二值图像中所有的像素点，将获得的第一个像素点当成该轮廓的起点，再查看该起点8邻域内是否存在像素点，按照一定的顺序，寻找轮廓上第二个点。同时将第二个点作为中心点，寻找轮廓中下一个点，直到提取出当前这个轮廓边界。接下来，以第一个轮廓的终点为新的起始点开始查找下一个轮廓，以此类推，直至提取出图像中所有的轮廓。

然后采用多边形逼近方法来形成更加准确的轮廓。多边形逼近就是不断找多边形最远的点加入，形成新的多边形，直到最短距离小于指定的精度。多边形逼近的目的就是使轮廓的顶点数目减少，使轮廓看起来更加圆滑。

再判断轮廓的大小，进行筛选，由于断股的输电线轮廓比正常输电线的大，因此找到最大输电线的轮廓即为断股输电线轮廓。最后创建一幅全黑的图片，将找到的最大输电线轮廓显示在上面。为了后续骨架化操作，本文采用闭运算对图像进行先膨胀后腐蚀的操作，以白色像素填充轮廓内区域，如图5所示。