圖像處理技術在無人機電力線路巡檢中的應用

錢金菊+韓正偉+易琳+向林+許志海

摘要：高效、安全的無人機電力巡線已經成為了高壓輸電線路巡檢的一種重要的方式。通過對無人機航拍采集到的通道圖像進行分析與處理，我們可以發現線路部件是否出現缺陷。圖像處理技術可以突破處理海量圖像的技術瓶頸，替代人工觀察檢測圖像，降低了因為人為導致的誤檢率，在無人機電力巡檢中具有良好的應用前景。本文闡述了國內外無人機電力巡線中圖像處理技術的研究現狀，分析了圖像處理在電力巡檢中的典型干擾因素，并探討了圖像處理在電力巡檢中的應用。

【關鍵詞】輸電線路 圖像處理 無人機巡檢 電力巡檢

在電力行業，由于電力線路覆蓋范圍廣、所在地形復雜、自然環境惡劣等特點，電力部門每年需要花費巨大的人力和物力進行電力巡檢。無人機電力巡線因為安全性高、不受地理條件限制、巡線效率高，已經逐漸成為了我國輸電線路巡檢的一種重要方式。在無人機電力巡檢過程中，無人機機載攝像設備拍攝了大量的輸電線路圖像，我們通過對采集到的圖像進行分析處理，可以發現桿塔、導地線、絕緣子等部件的運行狀態。利用圖像處理技術對這些部件的檢測分析，我們可以得到線路的基本運行狀況，發現線路部件缺陷。

目前，智能診斷線路部件缺陷的技術尚不成熟，但圖像預處理技術和圖像檢測技術能有效提高無人機巡檢圖像處理的使用水平。本文通過剖析電力巡檢中圖像預處理技術和圖像檢測技術，研究圖像處理技術在國內外電力巡線中的研究狀況，分析圖像處理應用中的主要干擾因素，提高無人機電力巡檢的作業效率，實現系統性功能的提升。

1 國內外研究現狀

無人機是一門綜合性學科，包含了姿態控制、航空電子、圖像處理等多門學科。其中，圖像處理在判斷線路運行狀況方面有著重要的作用。目前，我國的無人機巡線技術的研究起步較歐洲等發達國家晚很多，我國從20世紀80年代開始進行無人機巡線方面的研究，2002年華北電網公司正式啟動無人機電力巡線項目。但是目前國內無人機電力巡線項目還處于硬件開發層面，而發達國家已經逐漸關注后續的圖像數據處理方面，其巡檢技術已經相對完善。Campoy和Mejias將機器視覺應用于無人直升機巡視導航，實現了無人機路徑導航。日本關西和千葉大學共同開發了無人機線路檢測系統，其特點是故障自檢和圖像實時監測。所以，我們對圖像處理在無人機電力巡檢方面的研究是十分必要的。

2 圖像處理在電力巡檢中的典型干擾因素

圖像處理在電力巡檢中的應用中會遇到很多干擾因素，對輸電線路巡檢工作造成了很大的困擾。在電力巡檢過程中，典型的干擾因素如下：

2.1 光學像差

在光學系統中，存在著遠軸區產生的實際像與近軸區產生的理想像之間的偏離。這些像差嚴重影響了圖像的質量，會導致檢測電力部件時準確率降低。

2.2 輻射失真

利用傳感器觀測目標的反射或輻射能量時，輻射的失真導致了遙感圖像的失真，進一步影響遙感圖像的判讀和解釋。

2.3 幾何失真

由于傳感器的不同及無人機飛行姿態的干擾等因素，導致電力巡檢中獲取的無人機圖像失真扭曲，這類圖像退化現象稱為幾何失真。

2.4 運動模糊

由于無人機在飛行過程中其成像系統受到運動、姿態變化、機械振動等影響比較常見，所以運動模糊對無人機電力巡檢的干擾尤為嚴重。

2.5 噪聲

圖像噪聲是無人機在攝取或傳輸圖像時所受的隨機信號干擾，在圖像中出現了椒鹽噪聲或高斯噪聲等。噪聲對無人機電力巡檢的干擾是非常嚴重的。

2.6 四季變化、光照、復雜場景等

這些因素導致了輸電線路附近的自然環境和景象的不斷變化。輸電線路及其相關部件的圖像背景也會變得非常復雜，干擾增多。這對復雜場景下的目標提取與識別做出了很高的要求。

3 圖像處理在電力巡檢中的應用

3.1 圖像預處理

針對上述典型干擾因素的影響，結合圖像處理在電力巡檢中的應用，也為了保證電力巡檢的后續圖像檢測的準確性，我們需要對無人機采集到的圖像進行一些相關圖像處理。

3.1.1 圖像亮度調整

由于一個給定目標亮度在不同場景中可能引起不同的亮度感覺，或者拍攝圖像的亮度過亮或過暗，導致了計算機識別難度的增加，所以我們對亮度進行調整是十分必要的。這可以細分為三類方法：

（1）轉換到HSL（HSV）顏色空間調整。這可以說是最直觀也是最低效的方法：因為HSL顏色空間天然有一個L分量表示亮度，直接進行調整即可。但是這種方法有很大的缺陷就是低效。由于電腦屏幕本身的特點決定了多數圖像在RGB色彩空間被解析，所以需要轉換為HSL，方便圖像的進一步處理。

（2）線性調整。線性調整可以直接對像素值進行調整，這樣的好處是更直觀的表示出電力巡檢需要突出的物體，所以對亮度的線性調整是必需的。圖像亮度計算公式如下：

l= （max（rgb）+min（rgb））/2

（1）

式中，rgb代表圖像RGB三個通道的像素值，1表示圖像亮度。

所以，同時對三個通道進行調整也就近似地直接調整1值。

（3）曲線調整。以上方法調節亮度會有一個常見的問題：圖像的亮度變化不分層，通常整個區域有明暗，所以調整圖像層的整體亮度是有益的。

3.1.2 圖像對比度調整。

圖像的對比度調整就是在保證平均亮度不變的情況下，擴大或縮小亮暗點的差異。調整公式如下：

l_out=l_average+（l_n-l_average）*（l+percent） （2）

其中，l_n表示原始像素點亮度，l_average表示整張圖片的平均亮度，l_out表示調整后的亮度，而percent即調整范圍[-1，1]。endprint

3.1.3 去除霧雨背景

在陰霾或陰雨天氣中，可見度降低。去除圖像中遮擋真實物體的霧雨，恢復真實背景信息是有必要的。從圖像類型的角度來看，目前的除霧方法分為兩種：基于單幀的去霧方法和基于視頻的去霧方法。

對于基于視頻的檢測，主要利用霧雨特點，達到目的。Stank和Werman認為雨線更明亮，時域變化很快，建議使用時域中每個像素的中值濾波器去除雨滴。但這種方法只能對簡單視頻做出有效處理。針對運動視頻來說，Garg和Nayar建立了霧雨相關模型，并開發了描述物理特性的模型來表達雨的像素值。Baraum等引入了頻域來過濾掉雨雪，并且很有成效。Bossu等設計了基于背景分離的圖像處理模型，通過檢測前景圖像大小和亮度，然后通過直方圖來檢測雨線，去除霧雨。

單一圖像去霧方法方面，雙邊濾波是基于高斯濾波函數的，邊緣的像素影響很小，這樣可以在去除霧雨的時候更好地保持邊緣像素。Buades等人提出了全局濾波來更好地處理圖像中的霧噪聲。基于最小二乘法的濾波器的思想是保持平滑的優化框架，使得圖像濾波的效果達到最佳。有指導的圖像濾波器是通過引導圖像的內容產生輸出的局部線性模型導出的，其中指導圖像可以是輸入圖像本身或另一不同圖像，有指導的圖像濾波器比雙邊濾波器具有更好的邊緣特征保留。

3.1.4 圖像拼接

由于無人直升機機載攝像機分辨率很有限，所以導致拍攝場景越大，但是圖像分辨率越低。我們無法在獲取大場景照片的條件下有效提升圖像分辨率，所以我們可以通過圖像拼接融合來滿足實際生產工作中的需求。

由于拍攝環境復雜多變，所以沒有這樣的算法來解決圖像匹配問題。根據相似判斷標準，圖像匹配方法可以分為三類：基于輪廓特征、基于模型匹配和基于頻域的圖像匹配。基于特征的方法不直接使用圖像像素值，而從圖像的特征導出像素，然后取出有效特征作為參考，匹配圖像疊加的相應特征區域。這種拼接算法具有很強的魯棒性和魯棒性。基于模型的匹配耗費時間較長而且效率不高。圖像旋轉，會導致該方法性能下降。基于頻域變換的方法計算量過大，對工程設備要求較高。

一般來說，灰度在兩幅圖像邊界上的細微差別將導致明顯的差距，但實際圖像拼接的灰度差是不可避免的，因此圖像融合可以有效的對這種情況做出處理。通過采用平滑重疊部分的漸進方法。實現從第一圖像到第二圖像的轉變。

其中d₁和d₂分別表示與重疊區域的寬度相關的權重值。

3.2 圖像識別

傳輸線路識別就是找到由計算機拍攝的圖像中的傳輸線區域。傳輸線的拍攝經常伴隨著復雜天氣的影響下，因此，目標提取很多時候是很困難的，我們必須使用圖像處理算法的強適用性來解決圖像識別問題。比如，基于統計的方法具有適用性強的特點，其中Adaboost算法可以有較好的識別效果。具體如下：

Adaboosr算法通過組合弱分類器而得到的強分類器，算法運算快，解決了檢測速度慢的問題，而且使得電力線路檢測模型具有更好的識別效果。

4 結論

高壓輸電線路故障將導致大面積電網斷電，這可能導致道路交通擁堵，鐵路停電，商業機構和政府部門癱瘓等重大后果。因此，為了確保電力系統安全可靠，及時發現異常現象和潛在故障，日常電力檢查具有重要意義。無人機電力巡檢己逐漸成為我國線路檢測的重要途徑，圖像處理已成為自動電力線檢測發展的方向。圖像處理技術將應用于無人機動力檢測線的各個環節，大力推動中國無人機電力巡檢的發展，保護中國電力系統的正常運行。

電力巡線圖像處理，包括圖像預處理、圖像檢測和模式識別，涉及了多個前沿學科和技術。我們相信隨著我國無人機自動巡線的發展，圖像處理必然成為國內外電力巡線的研究熱點，在其中能發揮不可替代的實用價值。

參考文獻：

[1] Mej í as L， Correa J F，Mondrag 6 n IF， et al. COLIBRI： A vision-guided UAV for surveillance and visual inspection[J]. 2007： 2760-2761.

[2] Montambault S， Beaudry J， Toussaint K， et al On the application of VTOL UAVs to the inspection of power utility assets [C] . International Conference on Applied Robotics for the Power Industry. 2010： 1-7.

[3] Katrasnik J， Pernus F， Likar B. A Survey of Mobile Robots for Distribution Power Line Inspection[J]. IEEE Transactions on Power Delivery， 2010， 25 （01）： 485-493.

[4]Garg K，Nayar SK.Detection and removal of rain from videos.Computer Vision and Pattern Recognition，2004 CVPR 2004 Proceedings of the 2004 IEEE Computer Society Conference on： IEEE； 2004. p. I-528-I-35 Vol.l.

[5] Garg K， Nayar SK. Vision and rain [J]， International Journal of Computer Vision， 2007； 75： 3-27.

[6] Barnum P， KanadeT， Narasimhan SG Spatio-temporal frequency analysis for removing rain and snow from videos. Proceedings of the First International Workshop on Photometric Analysis For Computer Vision-PACV 2007.

[7] BarnumPC， Nara s imhan S， Kanade T. Analysis of rain and snow in frequency space[J]. International journal of computer vision，2010； 86： 256-74.

[8] FreundY， Schapir E R. A Short Introduction to Boosting [J]. Journal of Japanese Society For Artificial Inteligence， 1999， 14 （05） ： 771-78 0.endprint