基于圖像識別的無人機輸電線路絕緣子故障檢測方法研究

韓正新　喬耀華　孫陽　李偉靖

摘 要： 針對絕緣子的自爆缺陷故障，基于圖像識別技術，設計并實現了一套無人機輸電線路絕緣子故障檢測方法。該方法依次進行圖像色彩轉換、圖像載入和預處理、OTSU或最大熵值分割法分割以及絕緣子輪廓檢測工作，實現了對絕緣子間無明顯重疊和有明顯重疊圖像的前景提取與識別功能；采用基于空間序列關系建立的特征檢測算法，實現對圖像中部無明顯重疊絕緣子的自爆缺陷故障檢測和定位工作。經測試，自爆缺陷故障檢測和定位準確率較高，速度較快，具有一定的應用價值，并能為類似絕緣子故障的檢測研究提供參考。

關鍵詞： 圖像識別； 無人機； 輸電線路； 絕緣子故障檢測

中圖分類號： TN911.73?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2017）22?0179?03

Abstract： Aiming at the fault caused by spontaneous explosion defect of the insulator， an insulator fault detection method for transmission line of unmanned aerial vehicle （UVA） was designed and implemented based on the image recognition technology. The operations of image color conversion， image loading and pretreatment， OTSU or segmentation with maximum entropy segmentation method， and insulator contour detection are performed in the method successively to realize the foreground extraction and recognition functions of the images with unobvious overlap and obvious overlap in the intervals of the insulators. The feature detection algorithm established on the basis of the spatial series relation is used to realize the spontaneous explosion defect′s fault detection and location for the insulators without obvious overlap in the image. The test results show that the method has high accuracy and fast speed of the fault detection and location for the spontaneous explosion defect， which has a certain application value， and can provide a reference for the detection and research of the similar insulator faults.

Keywords： image recognition； unmanned aerial vehicle； transmission line； insulator fault detection

0 引 言

電力能源的可靠性、穩定性和供電質量對國家經濟發展起著至關重要的作用[1]。我國輸電線路覆蓋廣，所處地貌復雜，為其正常運行、檢測和維護提出了更大的挑戰。傳統的人工巡視檢測方式效率低、周期長、要求高、安全性低，無法滿足當前國情下的輸電線路維護需求[2?3]。而以無人機為核心的無人機巡視檢測方式能在高空通過攜帶的攝像設備近距離觀測輸電線路和絕緣子，返回圖像以供檢測。其具有成本低、易操作、安全性高以及機動靈活等優勢，故而成為了近年來輸電線路檢測研究的焦點。值得注意的是，國內對無人機巡視檢測方式仍大多停留在人工檢查拍攝視頻和圖像的階段，對計算機自動識別圖像亦或是視頻來檢測輸電線路與絕緣子的研究甚少，與國外研究相比還存在較大的差距[4?5]。

因此，本文針對絕緣子故障，基于圖像識別技術，設計并實現了一套無人機輸電線路絕緣子故障檢測方法。該方法利用拍攝圖像的S，H分量，結合最大類間方法（OTSU）或者最佳熵值圖像分割方法，并分別采用圖像處理算法和直方圖統計法對絕緣子間無明顯重疊及有明顯重疊的圖像進行前景圖像提取與輪廓識別；針對絕緣子無明顯重疊圖像，使用由空間序列關系導出的特征檢測算法對圖像中部絕緣子的自爆缺陷故障進行檢測和定位。經實際運行測試發現，本方法能夠較為準確地完成圖像中部絕緣子缺陷故障的檢測與定位工作。

1 預處理技術

1.1 圖像增強和濾波

本文采用直方圖均衡化方法對圖像進行增強，拉開圖像中的灰度間距，均勻化灰度分布，進而提高對比度；采用高效中值濾波，除去無關噪聲干擾[6]。

1.2 前景圖像一次提取

無人機拍攝的圖像中，絕緣子前景特征通常表現為一片具有特定形態特征的連通區域，前景圖像一次提取在對上述特征邊緣進行初步檢測（線條邊緣檢測方法）后，借助圖像分割技術（全局或自適應灰度閾值分割方法）將其與背景進行初步分離[7]。

1.3 實驗測試算法平臺搭建

本文實驗測試平臺算法框架圖如圖3所示。本平臺涵蓋了圖像讀取、基本信息處理、預處理算法、前景提取和目標識別的相關算法。endprint

2 絕緣子識別和提取

本文針對絕緣子建立的識別、提取流程依次為載入圖像并預處理、OTSU分割、輪廓檢測和結果顯示。

2.1 前景圖像提取

本文同時使用H以及S分量對圖像進行處理，避免了絕緣子因季節、光照導致的色度色散影響；采用OTSU（自適應閾值）分割方法對絕緣子間無明顯重疊的圖像依據灰度特性進行分割，將圖像的背景和目標分開，并計算兩者的類間方差，以獲得最佳分割閾值。如圖4所示，即為對絕緣子圖像H，S分量（圖2）分割的效果圖。從圖4可以看到，H，S分量圖像中分別對電力線和建筑物、草地產生了誤分割。因此，需要將兩者結果取交集（圖4（c）），從而在充分利用圖像的色彩信息的同時，避免了不必要的誤分割。

2.2 絕緣子輪廓檢測方法

如圖5所示的絕緣子圖像發生相互重疊，可將其作為一個圓角矩形（或菱形）整體進行處理。此時邊緣呈現為波浪形，且連通域面積較大（與角鋼等輸電線路其他物體連通域面積相差懸殊）。由于前景提取存在鐵塔區域的誤檢，需要采用腐蝕及膨脹運算進行形態學濾波處理，效果如圖6（a）所示。再結合OpenCV圖像處理庫中提供的FindContours（）輪廓檢測函數，按照連通域面積閾值核實是否為雙層輪廓濾除噪聲干擾，獲得的絕緣子相互重疊時的最終輪廓檢測效果見圖6（b）。

如圖4（c）所示的絕緣子圖像未發生相互重疊，絕緣子串前景圖像呈現橢圓形子序列。此時采用雙結構級聯的形態學濾波除去噪聲，并利用OpenCV中的橢圓檢測函數即可對孤立絕緣子串進行輪廓檢測，見圖7（a）。由于將左下方水泥墻誤檢為絕緣子，考察重點應為圖像中部存在自爆缺陷故障的絕緣子串，引入直方圖統計方法，統計連通區域的傾斜角及面積在圖像中的分布區間，將前景圖像中面積為1 600～2 500像素之間且傾斜角處于60°～80°之間的絕緣子留下，濾除其他輪廓，獲得輪廓檢測效果如圖7（b）所示。

3 絕緣子缺陷故障檢測

3.1 缺陷故障檢測方法

絕緣子串未重疊但存在自爆缺陷故障的圖像通常具有等間距等大橢圓形狀絕緣子整齊排列，但單片自爆處存在2倍絕緣子相鄰間距缺口的特征。因此，可設計針對圖像中部未重疊絕緣子串缺陷故障檢測和定位算法，算法流程如圖8所示。

實現效果見圖9（a），絕緣子串中的自爆位置用矩形框顯示。此外，本文對存在大量角鋼塔和植被的無人機拍攝圖像中的絕緣子缺陷故障進行檢測，后者絕緣子雖存在一定的重疊，但由于光線使前景提取的絕緣子相互獨立，也能符合算法使用要求，檢測效果如圖9（b）和圖9（c）所示。

3.2 測試結果與分析

本文將無人機拍攝采集到的50幅絕緣子缺陷圖像作為樣本進行算法測試。但其中有27幅圖像存在不同程度絕緣子重疊，10幅雖無重疊但自爆缺陷處于圖像邊緣，不滿足算法使用條件；剩余13幅滿足缺陷故障算法的絕緣子圖像，成功檢測并提取輪廓12幅，定位確定缺陷故障10幅。故本方法對圖像中部絕緣子自爆缺陷的檢測成功率是76.9%，單張圖像算法平均處理時間為302 ms。

4 結 語

針對絕緣子自爆缺陷故障，本文基于圖像識別技術，設計并實現了一套無人機輸電線路絕緣子故障檢測方法。該方法依次經過圖像色彩轉換、圖像載入和預處理、OTSU或最大熵值法分割以及絕緣子輪廓檢測工作對絕緣子間無明顯重疊和有明顯重疊的圖像進行前景提取與識別；并針對絕緣子無明顯重疊的圖像，使用基于空間序列關系建立的特征檢測算法對圖像中部絕緣子的自爆缺陷故障進行檢測和定位。經測試，本方法能較為準確地檢測出圖像中部絕緣子的自爆缺陷故障，具有一定的應用價值。

參考文獻

[1] 劉國嵩，賈繼強.無人機在電力系統中的應用及發展方向[J].東北電力大學學報，2012，32（1）：53?56.

[2] 呂明，羅新，劉正云.無人直升機線路巡檢技術實用化研究[J].湖北電力，2012，36（3）：10?12.

[3] 石曉亮.飛行機器人架空電力線路巡檢視頻評價挖掘系統的設計與實現[D].北京：華北電力大學，2014.

[4] BAHDANAU D， CHO K， BENGIO Y. Neural machine translation by jointly learning to align and translate [C]// Proceedings of 2015 ICLR. [S.l.]： ICLR， 2015： 1?15.

[5] MENENDEZ O A， PEREZ M， AUAT CHEEIN F A. Vision based inspection of transmission lines using unmanned aerial vehicles [C]// Proceedings of 2016 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems. Baden： IEEE， 2016： 412?417.

[6] DEKA B， HANDIQUE M， DATTA S. Sparse regularization method for the detection and removal of random?valued impulse noise [J]. Multimedia tools & applications， 2016， 76（5）： 6355?6388.

[7] 劉雅坤.基于圖論的圖像分割和并行化研究[D].北京：北京交通大學，2014.

[8] 吳懷群，黃宵寧，王建，等.一種基于熵值的自動閾值圖像分割方法[J].應用科技，2011，38（8）：1?4.endprint