基于数字图像处理的电力线异物识别方法研究

梁新福 罗日成 党世轩 周 晶 阳冠菲

基于数字图像处理的电力线异物识别方法研究

梁新福 罗日成 党世轩 周 晶 阳冠菲

（长沙理工大学，长沙 410114）

针对架空线路异物搭挂的潜在威胁，本文提出一种快速识别航拍图像中异物的方法。首先运用直线段检测（LSD）算法从预处理后的图像中提取电力线，并基于架空导线上异物特征设计针对异物的识别算法，提取导线异物；接着对其进行边缘检测，提取缺陷画框并在巡检图像中标识；最后，通过多组样本数据对算法实用性能进行评估。实验结果表明，该方法能对输电导线上搭挂异物的情况进行有效识别，在无人机电力巡检中具有一定的应用价值。

输电线路；异物识别；直线段检测（LSD）；边缘检测

0 引言

输电线路是电力输送的主要载体，直接影响配电与用电系统的正常运行。随着远距离输电线路的增加，输电线路贯穿地形地貌日趋复杂，我国电力巡检面临着巨大挑战[1]。近年来，由于风筝、气球、塑料垃圾等异物的入侵，使线路故障率常年居高不下。线路上悬挂异物会导致线路对地绝缘距离缩短，易引起线路跳闸。因此，能够及时识别出异物并采取措施清理，对电力系统的安全稳定运行具有重要的意义。

现有的人工巡线作业方式劳动强度大、效率低，已经不能适应现代化电网建设与发展的需求。无人机电力巡检系统具有不受地形环境限制、巡线速度快和巡检质量高等优势[2-4]。出于建设坚强智能电网的需要，无人机巡线作为一种先进、科学、高效的电力巡线方式，开始逐步实现工程化应用，大大提高了巡检效率。无人机通过搭载可见光成像设备对高压输电线路进行图像收集，然后经过计算机图像处理技术对收集的图片进行筛查，判断线路上是否存在异物。文献[5]通过分析输电线在图像中的形态特征，提出针对输电线交叉及异物附着干扰的断股诊断方法。文献[6]提出对图像空间直线的提取和检测方法，为输电线路是否存在异物的识别提供了思路。文献[7]通过最大类间方差法（OTSU）和Hough变换原理对输电导线进行提取和检测，通过对输电导线进行卷积操作判断是否存在异物。

针对输电导线异物搭挂问题，本文提出一种基于直线段检测（line segment detection, LSD）算法与多约束特征的输电导线异物识别方法。首先对图像进行预处理，之后使用LSD算法提取输电导线，最后依据异物特征，设计异物的识别算法，实现导线上的异物检测。

1 图像预处理

无人机在线路巡检的过程中，往往受到各种干扰因素的影响，其中最主要的是：

1）受气流的影响引起机身轻微晃动，导致采集的图像模糊。

2）搭载的成像设备受光照、天气及图像传输过程等因素的影响会掺杂噪声（主要为椒盐噪声）。

为了提高图像后期处理的精度和效率，需要对图像进行相应的预处理操作[8-9]。本文采用维纳滤波和中值滤波相结合的方法对航拍图像进行预处理。待处理的航拍图像如图1所示。

图1 待处理的航拍图像

由于维纳滤波器对图像的复原效果、抗噪性能较好且计算简便，因此广泛应用于图像复原领域。本文对采集到的图像通过维纳滤波器进行滤波。为了有效去除噪声，对复原后的图像采用中值滤波。中值滤波能够有效去除图像中的颗粒噪声，同时也能很好地保护图像的细节，其实现方法为：设置模板窗口，使其中心与图像中某个中心像素的位置重合，将模板窗口对应的中心像素的灰度值按大小排序，找出中值，并赋值给对应模板中心位置的像素，依次遍历整个图像。其数学描述为

窗口的尺寸越大，需要比较的次数越多，由试验对比可知，采用3×3窗口的计算量和滤波效果最好，滤波后的航拍图像如图2所示。

图2 滤波后的航拍图像

2 输电导线的识别

2.1 LSD算法

LSD算法通过计算图像中像素点梯度的大小和方向，将梯度方向变化小且邻近的点定义为一个连通域。根据域中的矩形度判断是否需要按照规则将其断开以形成多个矩形度较大的域。通过对生成的所有的域进行改善和筛选，保留其中满足条件的域，即为最终直线检测结果[10-14]。相比于其他直线检测算法，LSD算法具有结果准确、误检可控且无需调节参数的优点。具体算法流程如下：

1）高斯降采样，采样率为0.8，将输入图像缩小0.8倍，以消除锯齿效应的影响；计算图像各像素点梯度的大小和方向，根据梯度值大小排序。

2）图像中变化较缓或平滑的区域对应的梯度值较小，为非目标区域，因此设置梯度阈值，将小于的点状态设置为USED，其余为UNUSED，并取排序表中状态为UNUSED的点。

3）设置方向变化最大容忍值，在状态为UNUSED的点中取梯度最大的点为种子点进行区域生长（region grow），获得线支持区域，并构造包含该区域所有方向变化小于的点的矩形（即待检测线段），该矩形方向为主惯性轴方向；计算生长得到的区域的对齐点密度。

式中：为图像长度；为图像宽度；为值的个数；为对齐点的概率；(·)为矩形对应噪声模型中对齐点的数量不小于实际模型的概率；()为第个矩形框中像素的总个数；(,)为第个矩形框中对齐点的个数。

对第1节中经滤波处理后的图像执行LSD算法，检测结果如图3所示。

图3 LSD算法检测结果

2.2 检测结果的筛选与识别

从直线检测结果中可以看出，图像中除了输电导线以外还存在其他具有直线特征的伪目标。因此需要根据电力线的特征，提出电力线的筛选标准：①电力线完整且较长；②电力线是一组倾角相近的直线。

首先根据特征①设置长度阈值len对图像进行第一次直线筛选，保留长度大于阈值的直线，标记出保留直线中的最长直线；在第一次筛选的基础上，获得最长直线的角度，并设置为角度阈值，根据特征②对剩余直线进行第二次筛选，排除差别较大的直线；接着以为旋转标准，对图像进行倾斜校正，对校正后的图像进行Hough直线检测并转化为二值图像[15]。对检测到的直线进行连通域提取，并在校正后的原图中标记。电力线目标区域识别的结果如图4所示。

图4 电力线目标区域的识别结果

3 电力线上的异物识别

在航拍图像中要准确识别并定位异物的位置，首先要对异物进行提取，本文通过OTSU算法分割目标与背景，基于含异物的电力线与正常电力线的差异提取并定位异物的位置。

3.1 OTSU图像分割算法

最大类间方差法又称OTSU算法，是由日本学者大津在1979年提出的一种自适应的阈值分割算法[16-19]，其原理是根据图像灰度直方图的数据计算得到最优分割阈值，将图像分割，去除背景，得到含有目标前景的二值图像。

阈值的获取步骤如下：

2）设阈值能将图像的所有像素分为两类C1（背景）和C2（前景），通过式（3）计算像素被分为C1、C2的概率1、2，通过式（4）计算C1、C2的均值1、2。

图像的全局均值为

从而得到类间方差表达式为

类间方差越大，则C1和C2的分割效果就越好，求使式（6）的类间方差最大化对应的灰度级，即所求取的最佳阈值。根据阈值设置判定式对图像进行像素处理，得到目标图像，对图像进行滤波，去除独立的噪声点并进行倾斜校正，得到的二值图像如图5所示。

图5 二值图像

3.2 异物识别与定位

图6 截取目标区域示意图

在校正后的导线检测图中，依次对每条电力线截取目标区域，同理，在阈值分割后的二值图像中对应区域截取含异物的电力线目标区域子图，两者相减，并进行连通域提取，可得到输电导线上的异物，结果如图7（a）所示。

图7 异物识别

对提取的异物先进行形态学开运算（先腐蚀再膨胀）去除图像中较小的白色像素点，再进行闭运算（先膨胀再腐蚀），填充图像中的凹角，结果如图7（b）所示。

对形态学处理后的图像进行滤波处理，通过canny算子进行边缘检测，依据边缘轮廓绘制外接矩形框，从而得到缺陷画框，结果如图7（c）所示。

设集合为待修正集合，为结构元素，膨胀处理是将物体接触的所有背景点合并到该物体中，使边界向外扩张的过程[24]，定义为

腐蚀与膨胀是对偶操作，用于消除小且无意义的物体，定义为

从图7（c）可以看出，在异物识别过程中受到防振锤等部件的影响产生了伪画框，因此要对缺陷画框进行筛选。悬挂在输电导线上的异物，多数为风筝、塑料、飘带等物体，其产生的缺陷画框的特点与防振锤等部件有着明显的差异。因此通过设置缺陷画框的长宽比与面积的取值范围，可筛除掉伪画框，结果如图7（d）所示。经过缺陷筛选后，在校正原图上定位搭挂异物的位置，算法处理结果如图8所示。

4 验证分析

本文以输电导线为研究对象，提出识别导线搭挂异物的检测方法。算法流程如图9所示。

本文选取64张图像，其中缺陷样本30张，平均分为4组依次导入识别算法，部分图像识别结果如图10所示。

图8 算法处理结果

图9 异物检测算法流程

为验证该算法的实用性，以检测率和平均耗时为评价指标，对算法性能进行分析。

式中：为图片被正确识别效率；为被正确识别的样本数；为样本总数。

图10 部分图像识别结果

式中：为平均每张图片的耗时；为样本检测总时耗。

算法的平均耗时和检测率见表1。

表1 算法的平均耗时和检测率

结合图10与表1的实验结果，本文算法不仅平均耗时短，而且检测率也相对较高，具有较好的鲁棒性。

5 结论

本文首先对航拍图像进行预处理，以消除干扰因素对图像处理效果的影响；对输电导线的提取采用LSD算法与Hough变换相结合的方法，显著提高了识别率；之后依据设计的异物识别算法提取异物，计算量小且耗时短；最后进行边缘检测，提取缺陷画框并在巡检图像中标识。本文方法能够快速有效地从航拍图像中识别电力线并定位异物所在位置，应用在输电线路无人机巡检中，可有效提升巡线效率和精度，具有一定的工程应用价值。

[1] 曹翊军, 董兴辉, 曹年红, 等. 基于图像采集与识别的输电线路覆冰监测系统[J]. 电气技术, 2010, 11(8): 51-53.

[2] 陈肇隆. 基于无人机图像的输电线路附件识别与缺陷检测[D]. 广州: 华南理工大学, 2020.

[3] 陈瑞. 基于航拍图像的输电线路关键部件故障识别方法[D]. 保定: 华北电力大学, 2019.

[4] 金立军, 姚春羽, 闫书佳, 等. 基于航拍图像的输电线路异物识别[J]. 同济大学学报(自然科学版), 2013, 41(2): 277-281.

[5] 赵雨田. 基于数字图像处理的输电线路异物识别技术研究[D]. 南京: 南京理工大学, 2017.

[6] 邹栋. 输电线路中关键部件图像识别及异常检测方法研究[D]. 保定: 华北电力大学, 2017.

[7] 赵永生, 徐海青, 吴立刚, 等. 基于霍夫直线变换的输电线路异物识别应用研究[J]. 数字技术与应用, 2017(3): 127-129, 132.

[8] 张永强, 郭诚, 张豪俊, 等. 基于图像识别技术的气体绝缘金属封闭开关设备中开关触头位置监测系统[J]. 电气技术, 2019, 20(5): 51-54, 68.

[9] 印峰, 汪沨, 毛建旭, 等. 基于数字图像处理技术的绝缘子表面电荷测量标度问题的研究[J]. 电工技术学报, 2009, 24(7): 16-20.

[10] 王定松. 基于无人机的输电线路立体巡检系统设计及图像处理研究[D]. 扬州: 扬州大学, 2021.

[11] 剧成宇, 师艳, 高首都, 等. 基于LSD算法的航摄正射影像电力线提取[J]. 电力勘测设计, 2020(增刊2): 166-170.

[12] 刘思雨, 吕开云, 刘盈. 基于LSD算法的航拍影像电力线提取[J]. 江西科学, 2019, 37(6): 825-831.

[13] 李一波, 荆磊, 秦帅涛. 基于改进LSD算法的机场跑道检测[J]. 沈阳航空航天大学学报, 2020, 37(2): 63-69.

[14] 王冬梅, 谢鑫. 基于信息熵的自适应高斯金字塔的LSD算法改进[J]. 吉林大学学报(信息科学版), 2020, 38(6): 647-655.

[15] 王盛誉, 毛鹏飞, 谢晓君. 智能识别技术在无人机电力巡检中的应用[J]. 集成电路应用, 2021, 38(3): 98-99.

[16] 曾艳阳, 谢高森, 张建春. 基于截距直方图和Otsu融合的弱光图像分割[J]. 激光与光电子学进展, 2021, 58(20): 219-227.

[17] 娄联堂, 何慧玲. 基于图像灰度变换的OTSU阈值优化算法[J]. 中南民族大学学报(自然科学版), 2021, 40(3): 325-330.

[18] 张鹏帆, 席剑辉, 朱琳琳. 基于梯度极值Otsu算法的Canny边缘检测改进[J]. 沈阳航空航天大学学报, 2021, 38(5): 58-65.

[19] 张少平, 杨忠, 黄宵宁, 等. 航拍图像中玻璃绝缘子自爆缺陷的检测及定位[J]. 太赫兹科学与电子信息学报, 2013, 11(4): 609-613.

[20] 焦圣喜, 王海洋. 基于ORB算法的输电线路异物识别研究[J]. 科学技术与工程, 2016, 16(27): 236-240.

[21] 龚钢军, 张帅, 吴秋新, 等. 基于TensorFlow的高压输电线路异物识别[J]. 电力自动化设备, 2019, 39(4): 204-209, 216.

[22] 周豪. 电力输电线路异物检测方法研究[D]. 重庆: 重庆理工大学, 2021.

[23] 赵文青. 图像识别技术在输电线路视频监控中的研究与应用[D]. 济南: 齐鲁工业大学, 2021.

[24] 宋冬梅. 数学形态学在数字图像处理中的应用研究[J]. 计算技术与自动化, 2021, 40(2): 136-139.

Research on foreign object recognition method of power line based on digital image processing

LIANG Xinfu LUO Richeng DANG Shixuan ZHOU Jing YANG Guanfei

(Changsha University of Science and Technology, Changsha 410114 )

Aiming at the potential threat of foreign objects hanging on overhead lines, a method for quickly identifying foreign objects in aerial images is proposed. First uses the linear segment detection (LSD) algorithm to extract the power line from the preprocessed image, and designs a foreign body recognition algorithm based on the foreign body feature on the overhead wire to extract the wire foreign body; then performs edge detection on it, extracts the defect frame and identifies it in the inspection image; finally, the practical performance of the algorithm is evaluated through multiple sets of sample data. The experimental results show that this method can effectively identify foreign objects hanging on the transmission wires, and it has great application value in the power inspection of unmanned aerial vehicles (UAVs).

transmission line; foreign object recognition; linear segment detection (LSD); edge detection

2021-07-13

2021-09-27

梁新福（1996—），男，河南省洛阳市人，硕士研究生，主要从事图像处理方向的研究工作。

广东电网有限责任公司科技项目资助（GDKJXM20184782）