一种基于目标去重的缺陷检测巡检报告生成方法研究

李彬,丁国斌

（1．南方电网数字电网研究院有限公司，广东广州 510663；2．广州致讯信息科技有限责任公司智能电网研发部，广东广州 510700）

1 引言

随着图像信息处理技术的发展，采用图像传感信息处理方法，建立输电线路缺陷检测模型，通过计算机视觉特征分析和特征点定位识别，实现对输电线路缺陷检测和主动定位识别，提高输电线路缺陷检测和定位能力，相关的输电线路缺陷检测研究在提高输电线路缺陷检测的输出稳定性方面具有重要意义[1]。

国外对输电线路缺陷检测研究起步较早，很多发达国家在上个世纪60年代后期就开始运用机器视觉检测技术来判断输电线路缺陷情况。Herbert在图象建立过程中基于像素分类的局部特征对缺陷形态、信号和噪声进行分析。德国学者用基于摄像机模型的立体射线实时成像系统对输电线路部件内部缺陷进行三维分析。美国学者提出一种用于铸件距离图像中缺陷检测的自动化视觉CAD 的三维检测系统。我国对于视觉检测技术的研究始于90年代，进入21世纪后，各行各业对采用图像和机器视觉技术的工业自动化需求广泛被运用。林刚[2]等人提出一种基于改进Faster-RCNN的巡检图像多目标检测及定位方法，基于实际巡检图像样本库，对卷积神经网络进行训练，以改善参数学习效果；最后利用正则化方法优化参数权重，提高检测速度；李致金[3]等人依据深度学习算法可以自主进行特征学习和识别的特点，提出一种基于主成分分析法的深度学习模型，从而进行信息提取和信息监测。但传统方法无法有效生成输电线路部件缺陷的巡检报告，对输电线路部件缺陷检测的自动化水平不高。针对上述问题，本文提出基于目标去重的缺陷检测巡检报告生成方法。在构建输电线路缺陷的视觉目标跟踪模型基础上，采用图像传感器实现对输电线路部件缺陷的图像采集和融合分析，采用粒子滤波的视觉目标跟踪方法进行缺陷检测巡检分析，然后结合目标去重方法构建输电线路缺陷特征标定模型，通过梯度优化函数实现对缺陷的区域套索和边缘轮廓检测，通过颜色概率分布的差异性和像素维度深度的异常分布，生成巡检报告。最后通过实验证明，本文方法在提高缺陷检测巡检报告生成能力方面具有优越性。

2 缺陷检测图像采集和视觉分析

一般进行缺陷目标检测后的输出会直接作为后续应用的输入，这一过程极有可能多次重复检测到同一个缺陷目标的情况，这种情况一般是不可避免的。这是因为一个缺陷目标物体在视觉目标跟踪模型中会多次作为目标检测服务的输入，以至于增加信息采集的成本。为此基于目标去重方法对其进行优化，目标去重的过程如图1所示。

图1 目标去重方法处理过程

2.1 缺陷检测图像采集

为了实现基于目标去重的缺陷检测巡检报告生成，构建输电线路缺陷的视觉目标跟踪模型，采用图像传感器实现对缺陷的图像采集，假设f1为首次采集的输电线路图像，fn为最终的输电线路图像，利用图像插值方法[4]，可知工作距离、视野范围和成像面大小之间满足以下关系：

式中，v表示图像的宽度，V表示被摄目标宽度，h表示图像长度，H表示被摄目标长度，D表示被摄物体至镜头的距离。假定原始图像f(x，y)的灰度范围为[a，b]，灰度映射后的图像g(x，y)的灰度范围线性扩展至[c，d]。由于输电线路部件的纹理缺陷损伤深度的差异性，结合边缘轮廓检测的方法[5]，得到加权融合后的输电线路部件扩展图像为：

采取了两阶段的检测方法，构建输电线路部件的纹理分布式检测模型，表示为：

式中，ω表示输电线路部件的纹理缺陷分割参数，k表示纹理分布空间维度，N表示最大维度范围。利用特征信息来源，在候选区域中，对输电线路部件的缺陷信息进行视觉定位，求解x，y的位移值，得到缺陷的图像梯度分布为：

式中，η表示输电线路部件缺陷融合参数，J表示缺陷信息进行视觉定位的参考指标。根据候选区域的中心点坐标分布，得到缺陷检测的图像采集模型。

2.2 视觉目标跟踪模型

在候选区域的简单回归后，判断纹理缺陷视差特征分布点，得到最优的网络模型参数，选取窗口为3×3，用Xi，j来表示（i，j）位置处像素点处输电线路部件的纹理缺陷灰度值，采用联合训练分析的方法[6-7]，得到输电线路部件的缺陷分布能量函数E(i，j)，底层特征层的高分辨率回归分析模型为：

对输电线路部件进行视觉像素重构处理，得到对输电线路部件进行缺陷视觉检测的三维定点坐标为：

式中，u表示一个规范常量，对目标分类和输电线路部件边框回归分析，实现视觉定位，得到输电线路部件缺陷点锚点为：

式中，Fd表示输电线路部件缺陷融合的视差分量。利用较小目标的检测依赖性，提取缺陷边界，以此求得输电线路部件缺陷融合图像的相对运动参数zi，j，采用目标去重的方法，得到较小目标的检测输出为：

在不同阶段被抽样出的特征图中得到输电线路部件视觉缺陷像素特征点输出为：

由此完成了三维输电线路部件视觉帧点检测，根据结构对底层特征加以复用的结果，实现输电线路部件视觉缺陷跟踪定位。

3 缺陷巡检报告生成优化

3.1 缺陷特征提取

采用粒子滤波的视觉目标跟踪方法进行缺陷检测巡检分析，构建输电线路部件数字图像的像素视觉差分匹配模型，得到固定尺寸的特征图，采用多分类视觉特征分析方法和目标去重方法[8-9]，提取输电线路部件缺陷特征定位参数，通过采样技术，得到输电线路部件图像缺陷特征点的并行定位输出表达式：

特征图在经过二次融合后，得到输电线路部件图像缺陷特征分布的表面信息，对图像特征空间的进行二次规划建模，基于高频信息增强的方法，得到输电线路部件缺陷特征约束关系不等式可以表示为：

式中，A表示在不同衰减尺度下输电线路部件视觉图像下的缺陷特征分布集，t(x)为输电线路部件视觉图像的相似度区分值，m(x)表示输电线路部件的缺陷损失函数。对目标分类和输电线路部件边框回归分析，实现视觉定位，得到视觉信息特征增量为：

采用视觉特征分布融合，得到输电线路部件缺视觉缺陷信息的分布特征系数表示如下：

式中，d(i，j)表示每个像素位置的输电线路部件缺陷融合特征分量。将数字图像中的像素值转换输电线路部件的缺陷特征分量，结合模型构建和缺陷参数融合的方法，得到输电线路部件缺陷的视觉信息分量，采用颜色特征分析和输电线路部件缺陷视觉分析的方法，得到原始深度图像的灰度特征，采用目标去重的方法，分析高层特征层的综合融合参数，得到缺陷的小目标检测特征提取结果为：

式中，Q为输电线路部件缺陷点的邻域块数目，W为输电线路部件缺陷的图谱累积块大小。结合视觉跟踪识别，建立缺陷特征提取模型，提高缺陷巡检报告生成的智能性。

3.2 缺陷检测巡检报告生成优化输出

根据颜色概率分布的差异性和像素维度深度的异常分布，构建缺陷巡检报告分析模型，结合区域标记的方法，得到输电线路部件缺陷点定位的梯度信息为：

式中，dx表示输电线路部件视觉图像在x轴方向的水平分割系数。采用非全局最优轨迹分析，得到输电线路部件视觉图像Vc在聚类中心的窗口大小，得到M×N函数，采用目标去重，实现输电线路部件缺陷检测的迭代搜索，表示如下：

式中，f(i，j)表示输电线路部件缺陷的差异性特征量。在视觉状态空间中获得输电线路部件缺陷图像的样本分布集为(xi，yi)，用xi表示输电线路部件缺陷检测输入参数，yi表示输电线路部件缺陷检测输出参数，结合局部运动状态跟踪识别，得到输出状态表达式为：

式中，b为输电线路部件缺陷的最大灰度集，T表示分布权比重。通过模糊度控制和信息定位，得到输电线路部件缺陷纹理信息分布为：

式中，ct为第t时刻目标块的缺陷分布差异度水平，xi表示缺陷分布相似度水平。综上算法设计，获得输电线路部件缺陷纹理分布信息，得出缺陷检测巡检报告结果。

4 仿真测试

为了验证本文方法在生成缺陷检测巡检报告方面的实际应用能力，在MATLAB 仿真环境下进行实验，设定视觉信息定位的像素集为150*150，滤波器参数为0．58，迭代次数为1500，缺陷检测的自适应学习权重为0．15，初始像素为350*350，定位缺陷点的中心间距为1．57mm，仿真时长为25ms，根据上述参数设定，得到原始输电线路某位置部件视觉图像如图2所示。

图2 原始输电线路图像采集结果

运用本文方法对图2的原始输电线路某位置部件视觉图像采集结果进行缺陷检测定位，得到检测结果如图3所示。

分析图3得知，本文方法对输电线路部件缺陷分布点的定位效果较好，能有效实现对输电线路部件的缺陷检测。

测试不同方法进行输电线路部件缺陷巡检的准确性，得到收敛性曲线和检测精度曲线对比结果如图4所示。

图4 检测性能对比

分析图4得知，本文方法进行输电线路部件缺陷检测的精度较高，缺陷检测巡检报告生成的准确性和稳定性较好。

5 结束语

通过计算机视觉特征分析和特征点定位识别，实现对输电线路部件缺陷检测和主动定位识别，本文提出基于目标去重的缺陷检测巡检报告生成方法。结合目标去重方法构建输电线路部件缺陷特征标定的参数分析模型，通过采样技术，得到输电线路部件图像缺陷特征点的并行定位输出，结合局部运动状态跟踪识别，得到输出状态特征分布表达式，实现缺陷检测巡检报告的生成。研究得知，本文方法对输电线路部件缺陷检测的精度较高，性能较好。