基于霍夫直线检测的输电导线过热检测方法研究

刘云飞， 李光泽， 韩岳松， 张新春

（1.安徽送变电工程有限公司，合肥 231202； 2.华北电力大学机械工程系，河北保定 071003）

我国电力资源分布与消费区域存在明显的不匹配现象. 为提高电力资源配置能力，保障线路安全工作，必须发展快速、有效且可靠的输电线路巡检方法. 由于红外成像技术具有能适应多种天候、能进行远程无接触式检测等优点，使其在输电线路巡检工作中得到了广泛应用［1-2］. 在红外检测过程中，如何更高效地提取图像中的有效信息是提升检测效率的关键. 因此，研究红外检测技术的高效图像提取方法对输电线路巡检具有重要意义.

目前，关于图像提取和识别方面的大量研究业已展开. 比如，杨政勃等［3］应用HSI颜色空间转换获得图像边缘信息，利用改进的中值滤波排除干扰，并采用梯度法提取了图像中的温度最高区域. 徐向军等［4］基于Canny算子提取图像边缘后对所得模板进行高斯尺度空间分解，将分解结果和输入图像进行基于GHT的模板匹配，最后结合绝缘子的形状特征值识别出绝缘子. 王淼等［5］采用LSD线段检测法以及深度卷积神经网络提取红外图像中的导线、绝缘子区域，在其中进行温度和灰度分析提取发热点. 梁兴等［6］采用粒子滤波算法去噪后，通过RGB色彩通道转换对红外图像的故障区域进行划分，利用共轭梯度法对区域中的故障点进行识别和定位. 孙苗苗等［7］在采用基于SIFT的图像配准算法实现图像拼接后，将所得图像的重合部分进行帧间差分，初步实现了输电线的初步分割. Yao等［8］通过颜色直方图法、颜色相干向量法和颜色相关图法，实现了对特高压输电线路接地网图像中腐蚀区域特征的提取. 裴慧坤等［9］利用SIFT图像配准算法拼接图像，帧间差分得到拼接图像重合部分，对红外图像进行分割；并基于特征提取结果选用Roberts算子，完成了对同塔双回特高压输电线路红外图像的边缘检测. 彭向阳等［10］提出一种从无人机红外影像中自动识别绝缘子的方法，首先对影像进行拉普拉斯边缘提取，然后遍历穿过影像的直线集，根据沿线的强度直方图探测影像中的周期纹理特征，再通过角度内特征聚类与角度间特征聚类，自动识别红外影像中的绝缘子中心线. 近年来，基于深度学习的方法也越来越广泛应用于图像识别领域. 魏业文等［11］提出了一种改进的Faster-RCNN深度学习识别算法. 利用Faster-RCNN 对目标进行检测，由子网络区域提议模型生成目标候选框和快速区域卷积神经网络（Fast-RCNN）进行参数调优，并在Faster-RCNN 输出部分增加目标特征的分类细化和回归细化，实现目标的精确分类以及坐标定位. 周仿荣等［12］提出一种基于YOLO v3的输电线路缺陷快速检测方法，通过建立输电线路缺陷样本库并进行训练，实现输电线路缺陷检测. 刘悦和黄新波［13］将改进的分水岭算法与YOLO v4的深度学习相结合，提出了一种可以快速识别出绝缘子主体和缺陷位置的自动检测方法.唐睿等［14］构造绝缘子数据集，在YOLO v3的模型上加入了SPP模块提出了一种基于深度学习单阶图像识别框架的绝缘子在线识别模型. 结合输电线路工程背景，如何更为精准地进行目标提取与背景抑制，提升图像识别的准确率，也是输电线路巡检技术领域亟待解决的关键课题之一.

本文针对实际线路中采集的输电导线红外图像的特点，结合霍夫直线检测、边缘提取等图像处理算法，研究对图像中背景进行抑制、对目标进行提取的有效方法，给出了基于霍夫直线检测的导线过热快速故障诊断程序. 本文的研究将对输电线路红外图像自动检测速度和精度的进一步提升提供理论依据.

1 基于霍夫直线检测的导线红外图像分割方法

1.1 红外成像技术的应用

当前，在线路巡检过程中，对于导线过热的检测主要借助无人机搭载的红外成像系统来完成. 无人机通过人工操作或基于高精度点云数据的智能控制算法进行巡线［15］并在适宜点位利用红外成像系统进行拍照，将所拍摄的红外图像上传到后台，由人工或智能检测程序进行故障诊断，可发现线路中诸如导线过热等一系列温度异常的故障，如图1所示［16］.

图1 可利用红外成像技术检测的故障Fig.1 Faults detected by infrared imaging technology

为提升对输电线路故障诊断的准确率，在对无人机拍摄的红外图像进行识别的过程中，需要对采集的图像进行分割，去除图像中的无用信息，突出检测构件主体.分割出构件主体后，便可根据温度等信息设定阈值，判断是否发生故障.

1.2 霍夫直线检测原理

笛卡尔坐标图像空间中任一条直线y=kx+b，可改写为极坐标方程形式，即式中：r为笛卡尔坐标中一点到原点的距离；θ为该点到原点的连线与x轴的夹角.

该直线唯一对应两个极坐标参数r0、θ0，故可在以r、θ为坐标轴的极坐标参数空间中找到其唯一对应的一点（r0，θ0）. 如图2所示，笛卡尔坐标图像空间中的任一点(xi,yi)，均可在极坐标参数空间中找到其唯一对应的一条曲线r=xicosθ+yisinθ,(i=1,2)［17］.

图2 图像空间到极坐标参数空间的转换Fig.2 Transformation from image space to polar parameter space

在图像空间中共线的两点，在参数空间中对应的两条直线必交于一点，该交点即对应着图像空间中同时通过两点的直线. 图像空间中在一条直线上的点越多，这条直线在参数空间中对应的点所通过的曲线也越多. 设定阈值，取符合该阈值的局部极大值点，其在图像空间中对应的直线即为所求的解.

1.3 基于霍夫直线检测的红外图像处理

针对输电导线的红外图像背景，提出了基于霍夫直线检测的红外图像分割方法. 具体步骤如下：

1）灰度处理

红外热灰度图像的灰度值与实际物体的温度成正比，温度越高，灰度值也越高. 因此，灰度处理有利于直接从图像中提取温度信息. 另外，进行灰度处理也是基于图像灰度值的图像边缘提取的前提.

2）图像边缘提取

本方法中的图像边缘提取借助Sobel算子来实现. Sobel算子是基于一阶微分的边缘检测方法，首先进行邻域平均或加权平均，然后进行一阶微分处理，检测出边缘点［18］. Sobel算子方法简单，处理速度快，与利用霍夫变换提取直线相配合能取得更为理想的效果.

3）利用霍夫变换提取直线

利用霍夫变换原理，在原图构建笛卡尔坐标系，计算出原点位置以及原点到直线距离最大值后，以此建立极坐标参数空间. 在参数空间的极坐标中标识各直线通过的点，相同点累加，最终形成第一个数组. 设定一个最小阈值，第一个数组中累加数大于该阈值的点存入第二个数组，则第二个数组中的点即对应图像空间中所求直线. 将这些点通过图像空间与参数空间的对应关系，转化为图像空间中的直线输出，即可得到输出为二值图像的原图像目标直线.

4）图像膨胀及填充

得到由霍夫直线检测输出的目标直线后，使用图像膨胀及图像填充的方法，可以合理扩大二值图像中选中的直线区域，使得选中区域可以更多地囊括目标导线，提高后续检测的可靠性.

5）掩膜

将经膨胀和填充后的二值图像作为模板，对原图像或灰度图像进行掩膜操作，可最终将目标导线从背景中分割出来.

1.4 导线过热快速诊断程序

针对已知设备参数的红外图像，根据红外测温原理，灰度值X与物体实际温度T满足以下两个方程，即

式中：I为红外图像实际热值；X为物体在灰度图像中的灰度值；R为红外成像仪的热范围；L为红外成像仪的热平；τ 为透射率；ξ为物体发射率；T为物体实际温度；A和B为红外成像仪设备的标定曲线常数［19］.

基于方程（2）和（3），可由红外灰度图像中目标物体的灰度值得到实际温度. 在红外图像自动检测的过程中，将物体的温度阈值转换为其在灰度图像中的灰度阈值，利用程序对图像灰度值的检测完成故障诊断.当金属导线热点温度大于80 ℃可判断为严重缺陷，大于110 ℃可判断为危急缺陷［20］. 运用灰度阈值法，将经图像分割的导线红外图像转为灰度图像后，分别以80 ℃和110 ℃对应的灰度值为下限阈值进行二次分割.检测二次分割后的图像中是否有值为1的像素点，便可确定目标导线中是否存在缺陷以及缺陷的级别.

基于以上图像分割方法，可设计检测程序对导线红外图像进行自动检测，程序流程如图3 所示. 运用该程序可实现针对输电导线过热的快速诊断.

图3 导线过热诊断程序流程图Fig.3 Flow chart of wire overheating diagnostic procedure

2 实验结果与分析

2.1 直线提取

本文比较了常用的微分算子在针对具有复杂背景的导线图像的边缘提取过程中的实际应用效果. 研究发现，LOG算子和Canny算子对于边缘信息更为敏感，提取出的边缘更加完整连续，但两算子易受背景图像影响，不利于过滤背景信息. 而利用边缘处梯度最大进行检测的Prewitt算子、Sobel算子，能过滤绝大部分背景信息，有利于后期进行直线提取，同时目标主体的有效信息损失较少，配合霍夫直线检测使用，能够取得更好的直线提取效果，如图4所示.

图4 结合各种边缘提取微分算子的导线红外图像霍夫直线检测结果Fig.4 Hough line detection results of cable infrared images combined with various edge extraction differential operators

2.2 图像分割结果

本文以某一线路巡检过程中所得导线红外图像为例，如图4（a）. 使用基于霍夫直线检测的导线红外图像分割法对红外图像中的导线区域进行分割，最终所得图像如图5所示.

所采用的霍夫直线检测具有对图像中直线残缺部分的不敏感性，可弥补边缘提取算法提取出的边缘信息像素点不连续的缺点. 同时，结合图像膨胀、图像填充的方法，利用红外图像中的导线区域形状较为规则的特点，弥补所用的Sobel算子相较于LOG算子和Canny算子边缘信息缺失较多的缺点. 从图5 中可以看出，经该法分割后的导线红外图像，在滤过大部分无效背景信息的同时能保留绝大部分目标图像. 该方法不仅适用于背景中含有大量不规则形状物体的导线红外图像，对于背景中含有大量干扰直线的图像，该法依然能够取得良好的效果. 图6给出了含大量干扰直线的导线图像及其分割结果. 该方法可过滤背景中所有干扰直线，同时保留目标主体90%有效信息. 经图像分割提取出目标导线后，根据实际环境以及红外成像设备情况，设定其温度阈值，提取出的图像主体超过该阈值便提示故障，从而完成故障诊断.

图5 导线红外图像分割结果Fig.5 Result of wire infrared image segmentation

图6 含大量干扰直线的导线图像及其分割结果Fig.6 Cable image with a large number of interference lines and its segmentation result

2.3 导线过热快速检测

根据图3所示流程设计导线过热快速检测程序，定义输出绿色图像代表正常或一般缺陷，输出黄色图像代表严重缺陷，输出红色图像代表危急缺陷. 基于霍夫直线检测的红外图像分割方法，分割后的某导线放电红外图像转为灰度图像如图7所示. 作为检测程序的输入图像，所得输出图像颜色为黄色，可判断该段导线存在严重缺陷，需要进行检修. 研究方法表明，本方法能够实现导线过热的快速检测.

图7 导线过热快速检测结果Fig.7 Results of rapid detection of cable overheating

3 结论

针对架空输电线路无人机巡检，本文提出了基于霍夫直线检测原理的红外图像分割方法，可有效分割出图像中的导线区域，在滤过大部分无效背景信息的同时保留绝大部分目标图像. 使用灰度阈值法，还给出了一套针对导线过热的自动检测流程，通过该流程的自动检测程序识别出了红外图像中的部分导线是否含有异常高温部分，并判断出故障是否发生和故障的种类，能够实现导线过热的快速检测. 本文的研究可为输电线路红外图像自动检测速度和精度的进一步提升提供理论依据.