基于输电线路可视化运行系统应用研究

百色能源投资发展集团有限公司输电管理所 李宏伟

近年来，无人机技术在电力系统的不同应用中得到了大规模发展。使用装有人工视觉系统的飞行器执行检查任务越来越普遍。处理和分析图像的目的是检测线路故障，通过使用分段检测算法或具有并行约束的霍夫变换来检测传输线。视觉工业检测是无人机的一个重要应用领域，因为其提供了在困难和危险的区域捕获图像的功能。姿态的导航和控制对电力系统的应用具有一定挑战，目前已经研究了不同的解决方案，如卡尔曼滤波器和PID控制器。然而，以前的两种技术都依赖于使用本体感觉传感器，适合偏差[1-3]。

1 检测算法分析

该检测算法由三个阶段组成：自适应阈值、多任务学习、图像检测，前两个阶段与预处理有关，在最后的第三阶段对预处理进行了调整，以适应核心线检测算法。本文使用自适应阈值来隔离不同光照条件下的输电线路。

无人机可以在输电线路上方的高度飞行，并且相对靠近进行监控拍摄，由于反射而具有良好亮度的输电线容易被判断。然而，偏远地区的输电线在复杂的地形长距离运行，图像或视频背景可以从树木和绿色斑块到不同的平坦空间，如贫瘠的斑块以及房屋和道路等其他物体。自适应阈值算法根据邻域中的像素强度为每帧中的每个像素使用不同的阈值，可以解决这些问题。因此笔者设计了一种新的检测算法，可检测任何不同背景中的线条。

1.1 自适应阈值

通过使用单个全局阈值，将电力线与强度变化的背景隔离变得具有挑战性，此外在帧之间，捕捉到的输电线本身的强度，根据无人机的位置而变化。最后，检查可在一天中的任何时间段进行，即不同的日光亮度条件，并且该算法能够在所有条件下成功检测。

自适应阈值算法可解决图像处理中的图像二值化和分割问题。在图像二值化中，传统的全局阈值算法将整个图像使用一个固定的阈值进行二值化，但对于光照不均匀或背景复杂的图像，会产生较多的错误分类。而自适应阈值算法则能根据图像的局部信息和特性，为不同区域或像素分配不同的阈值，提高二值化的准确性和鲁棒性，尤其在处理有光照变化或背景复杂的情况下效果更好。

在图像分割中，自适应阈值算法可根据图像的特性和需要，将图像中的前景对象从背景中分离出来。通过对图像局部区域的像素信息进行分析，可确定局部区域的特定阈值，并将符合条件的像素分配到前景或背景中。这在自动化的图像分析和对象识别中较为重要，能够准确地分割出精确的对象，为后续的图像处理、分析和识别提供基础。因此，自适应阈值算法在图像处理领域具有广泛的应用前景。

该算法采用模糊函数来计算邻域强度，模糊功能的选择取决于背景特性及其自定义调整。在本文的案例中，电源线只有2～3像素厚，背景绿化、房屋和道路分布在更多的像素上。因此，与任何其他类型或大小的内核相比，使用高斯内核，计算加权平均函数，能够抑制更多的背景，同时保留输电线路图像。这是因为内核是单个像素覆盖了足够的背景，一般覆盖了2～3个像素的粗线。

考虑到卷积层，有几种类型的内核卷积图像及其相应的激活图。在转发阶段，将生成一组新的激活映射。假设一幅二维图像的滤波器权重为W，滤波泛化的公式可以简化为：Y=W×Im，其中：Y是计算矩阵，并且使用二维卷积运算来表示行x和列中的条目，将J和K作为滤波器的尺寸，表示卷积的方程将得到如下结果：

对于子采样阶段，可使用池层来减少激活映射的维数以及网络参数。此任务常用的方法是最大共享一般层。另一方面，完全连接的层通常分配在卷积网络的最后阶段，并对应于大多数参数。

1.2 多任务学习

即使目标是一项特定的分类任务，学习其他目标也可成为一种常见的做法，这也有利于主要任务执行。多任务学习利用个体学习任务之间的内在关系来提高分类性能。因此，在这项工作中，笔者不仅试验了基于单独作业的单独学习任务，还试验了同时将两项任务联合起来的多任务学习。

在三个学习任务的各个情况下，要最小化的损失函数L是交叉熵，定义如下：对于N个观测值和K个类，模型输出每个观测值i∈｛1，…，N｝和类k∈｛1，…，K｝的概率，这与真实标签yi,k形成对比，当观测值i属于类k时，k为1，否则为0。

在多任务的情况下，最终损失L＇将材料L（m）和缺陷L（d）的两个损失组合为简单的未加权和：。

1.3 基于多数的剩余背景形态侵蚀

自适应阈值算法的输出是二维值图像，其中电源线像素厚度从原始图像和某些明亮的背景补丁中保留。在头顶跟踪过程中，正面摄像头电源线的透视图会在图像上产生不同厚度的线。线条在边框底部边缘附近最粗，在图像顶部附近向地平线逐渐变细。

为了得到这样均匀的线条，笔者使用了一种新的基于多数的侵蚀算子。该算子专门用于线检测，因为其通过将线厚度减薄到单个像素来进行操作。当算子的核在图像上移动n×n的全一矩阵时。取或更小的SOP（总和乘积）作为有利的候选输出，将中心像素设置为1或0。前提条件是，任何方向的线在n×n核中的总和乘积不能超过“n2”。

步骤如下：如果施加全1，n×n内核后的总和乘积＞n个像素，则前景包含电源线以外的其他图像，其应该被抑制；如果SOP=n，其有一条沿着核主对角线的任何旋转相交的电源线，而没有其他图像，必须保留；若SOP＜n，其有一条沿核的一个小对角线的任何旋转相交的电源线，而没有其他图像，必须保留。

形态学算子用于保留二维值图像中的线条并去除其他任何内容，基本上是一个形状保持器，在该应用中，形状是线条。前景面片的内部将被删除，仅保留其边缘。运算符的大小是根据行之间的间隔距离来选择的，很明显，对于n×n核，线条之间的距离应该是最小的“n”像素所确定的距离，以便保留两条线。图像表明，大小为3×3的内核最大限度地减少了假阴性，而大小为7×7的内核最大限度地减少了伪阳性，即折中。

1.4 启发式的直线检测

众所周知，金属物体会反射其上的视觉波段中的大部分电磁辐射，因此除了典型的头顶框架中地平线上方的可见视野外，框架内的其他伪影都不会跟像素强度矩阵中捕捉到的那样具有高强度。由于使用了侵蚀操作，可以容易捕捉天空画面，因此在侵蚀后的框架中，电力线仍然是最明亮的。在试验中也观察到了同样的情况，作为处理的所有阶段：从彩色图像到HSV（颜色模型）表示的图像，再到二维值图像。具体而言，在图像的HSV表示中，沿着所捕获的细电源线的表面，电源线在值维度上始终显示强度＞65%。视频中捕捉到的电源线是3个像素宽的。然而，在前置摄像头拍摄的透视图中，输电线路的平行边缘与地平线交汇。因此，线条厚度随着其与摄影机的距离增加而逐渐变细。

上述性质在侵蚀后也成立。侵蚀后，线条为单像素宽，由于相机CCD背板上的图像捕获网格的头顶检测和离散性，线条也具有预期的略微交错的外观。较小的交错，即向右或向左均匀倾斜1个像素，表现为以阶梯方式一个接一个堆叠的小垂直线段。在架空检测过程中，线路越垂直，线段的长度就越大，抖动越小。笔者使用这种一致的启发式方法来追踪线条，研究中也以不同的形式使用了这种启发式方法。

在头顶检测中，电源线通常从图像矩阵的底部延伸到顶部。追踪这些线，首先必须确定其的起始位置，前置摄像头可看到图像底部最接近的线条。因此，图像的底部具有在所有帧中最突出的线条，中间没有破损。在侵蚀后矩阵的底部几行中，注意所有1的垂直运行。假设线之间相隔至少3个像素的距离，因此使用窗口来局部识别起始位置。一旦确定了起始位置，就继续从下到上逐行扫描，重复地检测和累积线路长度，直到遇到线路中断。

2 实例分析

本文算法使用OpenCV软件包实现，该算法在大约800帧上进行了测试，为了展示算法的有效性，本文中展示了两个特定帧中的电力线跟踪。这两张照片的背景不同了，选择其是为了表明所提出的方法在不同条件下都能较好地工作。图1（a）的背景比图2（a）的背景更为复杂，完成处理和跟踪后的图像分别如图1（b）和图2（b）所示。结果定性地表明，能够检测到大多数架空电力线，对于作为电力线检查下一阶段的故障来说，电力线检测的初步成功至关重要。

图1 样本帧1中的线条检测

为了以跟踪线长度的形式对结果进行定量分析，提出了算法的最坏情况和平均情况分析。在进行分析之前，讨论以像素为单位的两个连续帧捕获之间需要跟踪的线长度的下限。无人机以大约10m/s的速度飞行，帧捕获率为24帧/s。因此，在两次帧捕捉之间，无人机飞行距离约为0.4m，对于根据网格设计相距100m的两极，其之间的导线覆盖图像长度的3/4，即360像素。因此，0.4m对应于1.44像素的距离。在头顶检测中，帧间距离对直线跟踪提出了重要的要求，这样前置摄像头正下方的线段的检测效果会更好。

为了进行统计分析，笔者选择了281个样本帧，其在真实视频序列中均匀地间隔3帧放置。从对所有这些图像帧的检测长度数据的分析中可看出，只有9/281帧具有很少的误报。对于所有其他帧，再次看到检测到的最小长度是从帧底部起大约17个像素，每帧中的电源线大约有300个像素长。然而，当将其与要求进行比较时，即能够从每帧底部跟踪至少1.44个像素，那么即使在最坏的情况下，也可以实现。

转到平均案例分析，通过对平均值周围10%的变化进行阈值处理，对每帧中的长短线进行分类。发现只有13%的线路具有小于检测到的短线路数量。这意味着在大多数帧中，检测到的行距足够长。此外，还获得了所有帧中所有此类检测线的全局平均值，在视频中，真实线的300像素长的表示中，179个像素的全局平均值不仅比要求的边界好125倍，而且覆盖了直到地平线的可见网格总长度的60%。

3 结语

在本文中，算法的设计基于一种新的形态学侵蚀算子，以及一种鲁棒的图像像素空间启发式算法来提取电力线路图像，覆盖了直到地平线的60%的可见线长度。因此，当涉及重要线段时不会发生漏检。目前，正致力于在两个计数上进一步提高每帧中检测到的线路长度的程度。每当电力线下有一块明亮的贫瘠斑块时，就会发现并提取。因此，总的来说该电力线检测算法足够稳健，具有良好的性能，因此也可应用于任何其他真实户外视频中的任何线路检测场景。