基于MR 技術的電力線路智能巡檢系統

許繼葵，徐研，張玨，單魯平，鄭志豪

（廣東電網有限責任公司廣州供電局，廣東廣州 510000）

輸電線路的可靠性與穩定性對社會的發展至關重要[1]，與安全距離相比，高壓輸電線路與外部障礙物的距離必須更遠。電力傳輸線路最常見的外部障礙物是建筑物與工廠，尤其是生長不規則的超高植物，是輸電線路安全性的潛在威脅。當工廠距離電源線較近時，會導致異常放電，然后電源線會出現發熱與斷裂現象[2]。因此，復雜的地形、植物生長所處的惡劣環境會使得電力線路巡檢步驟繁瑣、費用昂貴，且存在一定的危險性。目前，已有一些電力線路巡檢方法投入實際工作，主要涉及4 個方向：足巡、傳統飛行器、爬坡機器人、無人機[3-4]，但無人機技術一直難以突破續航能力弱這一技術瓶頸[5]。隨著智能穿戴設備技術的不斷進步，在增強現實（Augmented Reality，AR）及虛擬現實（Virtual Reality，VR）技術的基礎上，已有更多的智能可穿戴設備應用于現場服務與檢修工作[6]。綜合增強現實與虛擬現實，可以得到一種能夠合并現實世界與虛擬世界的混合現實（Mix Reality，MR）下的可視環境，在真實世界與虛擬對象共存的基礎上實現互動[7]。

1 系統設計

文中設計了一種基于MR 技術的電力線路智能巡檢系統，系統中各模塊的功能及關系如圖1 所示。

圖1 系統中各模塊功能及關系

系統主要由操作界面模塊、綜合分析模塊、指導監督模塊3 個模塊組成，其中人機交互主要通過操作界面模塊完成，同時能夠將采集到的環境特征信息傳送給綜合分析模塊。綜合分析模塊主要根據操作需求與預設信息對所需要分析的信息進行分析處理，同時接受監督模塊的實時監督，并將指導信息反饋到綜合分析模塊[8-9]。系統操作運行流程如圖2所示。

圖2 系統的工作流程

2 電力線路智能巡檢方法

系統的綜合分析模塊根據外部操作獲得電力線路設備的圖像，并對其進行處理，以明確故障信息[10]。根據實際的電力線路分布情況建立電力線路模型，得到較為復雜的背景環境，以檢驗系統能否在實際工作中保持較優的適用性[11-12]。在實際處理中，連續的圖像幀不包含相同的內容，系統依次處理所有的幀圖像。

2.1 圖像預處理

假設眼部獲取的左圖像為Tz、右圖像為Ty，圖像預處理包括圖像灰度變換和邊緣檢測。首先，系統將RGB 圖像Tz與Ty變換成灰色圖像Hz和Hy。其次，系統檢測出屬于邊緣的圖像點，常用的邊緣檢測方法較多，每種方法均有各自的優缺點。然而，這些方法在復雜環境中應用時，穩定性較差且背景噪聲大。為此，采用了高斯差分（Difference of Gaussian，DoG）邊緣檢測方法，其具有較優的穩定性，在復雜的背景下突出了電力線路的邊緣[13-14]。DoG 是將不同參數下的高斯函數相減所得到的結果，將DoG 處理后的圖像定義為D，其表達式如式（1）所示。

式中，σ1=0.6,σ2=0.9，H是灰度圖像，圖像的滑動濾波器由符號“×”定義。

2.2 電力線路檢測

根據人眼的特點，提出了一種通過線性邊緣檢測電力傳輸線的新方法。具體方法如下：

1）由于人眼的移動方向與電力傳輸線的分布方向是平行的，所以電力傳輸線在圖像中是垂直分布的。首先，利用線性結構因子對圖像進行多次膨脹與侵蝕，定義如式（2）所示。

2）對于檢測圖像中的線段，將相同斜率范圍內的線段恢復為直線。由于傳輸線貫穿整個圖像，因此可以通過線性連接域的分布來檢測電力傳輸線。

2.3 圖像配準

在檢測系統中，由于障礙物上的點是連通的，因此無需對圖像中的所有像素進行配準[15]。在傳統加速穩健特征（Speeded Up Robust Features，SURF）算法的基礎上，對匹配策略進行優化。實驗表明，該算法能夠有效提高圖像配準的速度與精度。可見，選擇的特征點在圖像中是隨機分布的，圖像配準的具體步驟如下：

1）利用SURF 算法在尺度空間中檢測圖像的特征點，在圖像濾波過程中，SURF 算法選擇不同大小的窗口，利用Hessian 矩陣提取特征點。圖像中的點由Hessian 矩陣定義如式（3）所示。

式中，σ是在不同尺度上的變化量。

2）以當前特征點為中心，沿該點的主方向構造一個邊長為20σ的正方形區域，將該區域劃分為16 個小區域，計算每5σ×5σ個區域的Harr 小波響應。所以，每個分區均可以用v=(∑dx,∑|dx|,∑dy,∑|dy|)來表示。最終，得到了64 維描述點。圖像中的突出點定義如式（4）所示。

式中，P1 與P2 分別為左右圖像中的特征點集。

3）計算P點集中所有點之間的歐氏距離，選擇歐氏距離最小的點作為粗匹配點。根據歐氏距離按升序對匹配點進行排序，刪除異常點。在匹配點中選擇頂點，定義為式（5）。

4）根據PK中對應點之間的斜率來篩選匹配點。具體而言，首先計算各邊坡的頻率，通過剔除異常邊坡形成新的邊坡集knew={k1,k2,…,kq}。其次，定義了一組新的匹配點，如式（6）所示。

2.4 障礙物探測

使用雙目視覺相機的目的是精確計算外部障礙物與電源線之間的距離信息[16]。在該過程中，根據雙目視覺的特點得到二維圖像中障礙物與電力線路的三維信息。雙目視覺成像原理如圖3 所示。

圖3 雙目視覺成像原理

在圖像坐標系中，P點的空間坐標可以定義為式（7）：

式中，b為基線，f為焦點。

通過同時計算電力傳輸線上各特征點的空間坐標與P點的空間坐標，以該點與電力傳輸線之間的最小歐氏距離判斷當前點是否為障礙物。最終對所有的點進行處理，將小于閾值的點標記為障礙物，并在一定范圍內擴大障礙物的面積。

3 實驗結果與分析

3.1 森林等復雜環境下的線路巡檢

實驗是在以樹木為主的混合環境中進行的，在頭戴HoloLens 的正常移動過程中，電力傳輸線幾乎垂直分布在雙目攝像機拍攝的圖像中。在分析過程中，首先通過人工測量標出外部障礙物，并將測量結果記錄在相應的表格中；然后通過系統數據與實測數據的比較，分析系統的性能。其中，所提巡檢系統得到的圖像如圖4 所示。

圖4 巡檢系統所得到的圖像

在實驗中，使用多個連通域來描述真實的障礙區域，但若連接的域與障礙物不對應，則將其判斷為錯誤檢測。實驗結果如表1 所示，為便于統計分析，文中對數據進行了歸一化處理。

從表1 可以看出，系統檢測數據與實測數據相差較小，將誤差數值與實際距離相除，得到相對誤差約為3.8%，在可以接受的誤差范圍內。由此，可論證所提巡檢系統是有效的。

表1 系統檢測數據與實測數據值

3.2 系統性能對比

為驗證所提算法的性能，將該系統與文獻[5]、文獻[8]及文獻[10]中的系統分別從檢測時間與準確性兩方面進行對比，對比結果分別如圖5 和圖6所示。

圖5 不同系統的檢測時間對比

由圖5 可知，所提系統在檢測時間方面具有明顯優勢，尤其當檢測對象數量較大時，其他對比系統所需的檢測時間通常呈倍數增長，而所提系統則能以較短的時間完成輸電線路巡檢。

由圖6 可知，對于發現輸電線路中存在的安全隱患，相比于文獻[5]、文獻[8]及文獻[10]中系統，所提系統具有更高的準確性。在較少的檢測對象中，所有系統的準確性相近。但隨著檢測對象數量的上升，其他對比系統對于隱患發現的準確性有所下降。

圖6 不同系統的檢測準確性對比

由此可見，所提系統在巡檢輸電線路的過程中，無論是檢測速度還是準確度，均優于現有巡檢系統。

4 結束語

沉浸式3D 電力應用軟件已出現，并且VR 技術的可視化優勢使得系統有較好的應用前景。通過對電力行業特殊環境的分析，結合MR 技術的突出優勢，在實現虛擬與現實結合的基礎上提出了一種基于MR 技術的電力線路智能巡檢系統。該系統的整體架構包括操作界面、綜合分析、指導監督3 個模塊，并根據人眼的特點，提出了一種線性邊緣的電力線路檢測方法，進一步提高系統對圖像的處理能力。在HoloLens 對所提系統進行論證，實驗結果表明，所提電力線路巡檢系統能夠在短時間內較為準確地檢測出線路中存在的障礙物，且檢測誤差較小。