一種基于監督學習的輸電線監測中桿塔的檢測方法

王孝余，李丹丹，張立穎

（1.國網黑龍江省電力有限公司電力科學研究院，黑龍江 哈爾濱 150030；2.國網遼寧省電力有限公司電力科學研究院，遼寧 沈陽 110006）

應用研究

一種基于監督學習的輸電線監測中桿塔的檢測方法

王孝余1，李丹丹1，張立穎2

（1.國網黑龍江省電力有限公司電力科學研究院，黑龍江 哈爾濱 150030；2.國網遼寧省電力有限公司電力科學研究院，遼寧 沈陽 110006）

為保證電力可靠配送，輸電線路需要定期巡檢，目前研究聚焦于自動檢測輸電線路，如檢測桿塔，檢查輸電線缺陷損傷或分析安全距離等。對此提出一種基于監督學習來自動檢測桿塔的方法，該方法利用方向梯度直方圖特征訓練支持向量機，從而支持向量機分類器，可將桿塔從背影中分離出來。試驗結果證明，這種監督學習方法檢測桿塔有效且高效。

方向梯度直方圖；支持向量機；桿塔；檢測

1 概述

輸電線路巡檢是保障電力可靠配送的重要工作，以前采用人工巡線方式，費時費力，效率低下，尤其有些沼澤輸電線路地段工人無法進入，后來普遍采用航空手段沿線檢測，租用直升機，裝備多種傳感器，如差分GPS、慣導設備、激光雷達、可見光、紅外和紫外攝像機等，安裝于穩像吊艙上，配有機組人員，不停記錄和采集沿線數據，飛行后人工檢查潛在的缺陷損傷，如電纜、桿塔、絕緣子等，采用這種方式造價昂貴，也容易人為出錯。考慮到這些問題，電力企業積極尋找不同的線路檢測途徑。在過去20年，開展了多種互補的研究，用于輸電線路的自動監測。

一個重點研究方向是采用機器來自動監測輸電線路［1－3］。2條研究主線是無人機和爬行機器人。最近，有些研究者提出混合爬行與飛行的機器人，把無人機與爬行機器人的優勢結合到一種平臺下。主要目標是設計和開發相應的技術使得無人的無線平臺能完全實現自動導航和輸電線路檢測。

另一個重點研究方向是應用已有的或適當改進的計算機視覺算法，以實現自動檢測的需要。輸電線檢測常分為數據收集和缺陷確認2步，這2步計算機視覺都可幫助實現自動。自動數據收集需要無線機器人能夠自主導航并獲取相關的傳感器數據，只需要最少的人工介入，在這一步，計算機視覺方法主要應用在無人機和遠程遙控飛行器上，包括視覺控制、線路跟蹤、桿塔跟蹤［4－5］以及障礙檢測。第2步輸電線路中基礎設施的缺陷檢測，通常是數據收集后離線完成，自動檢測和定位輸電線、桿塔、絕緣子、金屬架具等，在獲取的圖像數據中，利用計算機視覺算法實現。目前研究的熱點是輸電線和桿塔的檢測，輸電線和桿塔的檢測可以用于發現輸電線路基礎設施中各種缺陷。

最近幾年，國內外的研究工作主要集中在輸電線檢測，如在光學圖像中檢測直線段，并找出形成輸電線的線段。直線檢測主要在檢測輸電線下垂或樹木、人造建筑物等逼近輸電線時有用。有些研究者也重點研究光學圖像中利用直線段進行桿塔的檢測與分割，因為線段在區分圖像中是輸電線或桿塔等大多數相似的區域時是非常常用和有效的特征。對于從一系列相似的候選區域中定位和分割出桿塔，有些研究者采用進一步的濾波或預定義一些啟發式的規則，以濾除干擾的直線段。剩下的直線段被認為是屬于桿塔的，有些研究者采用不同的分割方法提取完整的桿塔，例如模板匹配、基于圖切的圖像分割方法、基于規則的分水嶺分割方法。也有研究者不是使用直線段，而是采用提取角點的方法來檢測和分割出桿塔，利用改進的角點檢測方法來跟蹤桿塔的頂端。盡管關于桿塔檢測與分割已經提出的方法取得了一定成果，但這些結果需要按照研究者假定的觀察角度來透視投影。實際應用中，桿塔并非只有一種，桿塔的形狀、外觀以及材質都有可能不同，因此只能針對一種桿塔的檢測和分割方法顯然不具有擴展性。為了實現完全自動化檢測，研究者必須要研究探索更通用的方法，能夠同時檢測多種桿塔，而在圖像中預先檢測直線段，再進一步定義規則和約束來捕獲出桿塔的方法，并不是一般的通用方法，而且對于多種桿塔的檢測沒有效果。

本文將桿塔的檢測看作是監督學習的問題。采用監督學習的方法進行桿塔檢測在國內的研究中尚未報道過，本文采用提取圖像的方向梯度直方圖特征，通過支持向量機訓練學習，實現桿塔的快速檢測和分割。與其他方法不同的是不假定桿塔的外觀形狀，不提取桿塔本身的局部特征。

2 檢測方法

2.1 流程

檢測桿塔目的是檢測出桿塔在圖像中的位置，采用方向梯度直方圖 （HOG）特征訓練支持向量機 （SVM），當訓練完成后，就可以快速檢測輸電線中的桿塔。

檢測流程中，為實現基于學習訓練的桿塔檢測，彩色圖像首先被轉換為灰度圖像，用滑動窗口的方式掃描整幅圖像，滑動窗口的大小主要是參考桿塔在圖像中所占的區域進行定義，對每個滑動窗口內的圖像數據提取HOG特征，并把提取的特征矢量作為SVM分類器的輸入，由2類SVM分類器將窗口內的圖像分類為桿塔或背景，將分類為桿塔的圖像窗口矩形區域保存，掃描完整幅圖像后，將所有保存的矩形區域取并集，從而找到能框出整個桿塔的區域。

系統的輸入是單張彩色圖像，輸出是桿塔的矩形位置。具體實現流程如圖1所示。

圖1 檢測流程

2.2 HOG描述子

本文檢測方法中采用HOG（histograms of oriented gradients）作為特征描述桿塔的形狀，之所以采用HOG作為特征是因為一個物體的局部外觀和形狀通常可以由其在圖像中的灰度梯度的分布或邊緣方向來描述。

算法的第一步是沿水平和垂直2個方向計算梯度以獲取每個像素的梯度幅值和梯度方向，這種計算可以采用一維的卷積算子［－1， 0， 1］和［－1， 0， 1］T來實現。將滑動窗口的大小重新縮放為64×128，窗口內包含多個塊，每個塊由2×2個胞元組成，每個胞元為8×8像素的領域，對于每個胞元，按9個間隔統計一維梯度方向的直方圖，9個間隔平分0°到180°，即每個間隔20°。計算好的直方圖需要進行歸一化，以消除光照帶來的影響，從而具有光照強弱和圖像前景背景對比不變性，這一過程主要是由2×2胞元組成的塊每次滑動一個胞元，從而塊與塊之間重疊50%，使得每個胞元直方圖為最后特征矢量提供多次組成，這些組成部分可根據不同的胞元塊進行歸一化，最后的HOG特征由收集所有歸一化以后塊的值組成，采用該特征即可進行桿塔檢測。

2.3 SVM分類器

支持向量機 （SVM）分類方法是建立在統計學習的Vapnik-Chervonenkis維理論和結構風險最小原理基礎上，根據有限的樣本信息在模型的復雜性和學習能力 （即識別樣本的準確性）之間尋求最佳折衷，在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，廣泛用于各類機器學習問題中。采用SVM訓練檢測桿塔的流程如圖2所示。

a. 收集足夠的訓練樣本，手動裁剪。將所有正樣本，即圖像中只有桿塔的放在一個目錄下；將所有負樣本，即任意背景圖像的放在一個目錄下；并將所有訓練樣本縮放到同樣的尺寸大小，本文是將樣本縮放為64×128進行訓練。

b.提取所有正、負樣本的HOG特征。

c. 對所有正負樣本賦予樣本標簽。例如所有正樣本標記為1，負樣本標記為0。

d.將正負樣本的HOG特征，正負樣本的標簽都輸入到SVM中進行訓練；考慮到速度問題，采用線性SVM進行訓練，SVM訓練之后，將結果保存為文本文件。

圖2 SVM訓練檢測流程

用SVM訓練檢測桿塔的正樣本示例如圖3所示，負樣本示例如圖4所示。

3 試驗結果

圖3 SVM訓練的正樣本示例

圖4 SVM訓練的負樣本示例

本文共收集正樣本120張圖像，負樣本800張圖像，測試圖像200張，采用C＋＋進行程序實現，檢測結果：虛警率2.5%，即有5張背景圖像被檢測為桿塔圖像；漏警率4%，即有8張桿塔圖像被檢測為背景；整體檢測率在96%以上。試驗結果圖像如圖5所示。

圖5 試驗結果圖像

4 結束語

采用這種監督學習的方法，對于檢測不同種類的桿塔，只需要增強相應的種類樣本進行學習訓練即可，是一種切實可行的基于機器學習進行電力設備運行狀態監測的途徑，但目前漏警率高于虛警率，仍有待克服。

［1］ 周寧寧.衛星通信在智能電網中的應用分析 ［J］.東北電力技術， 2016， 37 （9）： 32－34.

［2］ 白 晗，張勁松，鄒明賀，等.電纜線路實時在線三維監測管理系統實施及應用 ［J］.東北電力技術，2014，35（7）： 48－52.

［3］ 張宏志，曹淑偉，董云鵬，等.耐張絕緣子檢測機器人的研究 ［J］.東北電力技術， 2013， 34 （5）： 4－6.

［4］ C.Whitworth， A.Duller， D.Jones， and G.Earp.Aerial video inspection of overhead power lines ［J］.Power Engineering Journal， 2001， 15 （1）： 25－32.

［5］ C.Sun， R.Jones， H.Talbot， X.Wu， K.Cheong， R.Beare，M.Buckley，and M.Berman.Measuring the distance of vegetation from powerlines using stereo vision ［J］.ISPRS journal of photogrammetry and remote sensing， 2006， 60 （4）： 269－283.

A Supervised Approach to Electric Tower Detection for Power Line Inspection

WANG Xiaoyu1， LIDandan1， ZHANG Liying2

（1.Electric Power Research Institute of State Grid Heilongjiang Electric Power Co.， Ltd.， harbin， heilongjiang 150030， China；2.Electric Power Research Institute of State Grid Liaoning Electric Power Co.， Ltd.， Shenyang， Liaoning 110006， China）

Inspection of power line infrastructuresmustbe periodically conducted in order to ensure reliable electric power distribution.Research efforts are focused on automating the power line inspection process： detect transmission towers， check for defects， analyze security distances and so on.Following this direction the paper proposes a supervised learning approach for solving the tower detection where HOG features are used to train SVM.Then SVM classifier can be used to separate tower from background.Results show this learning-based approach is a promising and efficiency technique for power line inspection.

HOG；SVM；tower detection

國家電網公司科技項目 （SGRIJSKJ［2017］203）

TM75

A

1004－7913（2017）11－0012－03

王孝余 （1986），男，碩士，工程師，從事輸變電設備智能巡檢、信息安全技術研究。

2017－06－27）