基于增強濾波和特征聚類分析的導線隱患識別技術研究與應用

宋殷冠，鄒宇，凌煥喬，蘇一峰，唐彰蔚

(廣西電網有限責任公司欽州供電局，廣西 欽州 535000)

0 引 言

隨著無人機巡線率的不斷提升，利用無人機拍攝的普通影像進行導線提取和隱患識別成為近幾年研究的熱點，并在圖像分割、導線提取和隱患識別三類算法模型上均取得了一定的研究成果。在圖像分割領域，學者們提出的多閾值優化算法和分段線檢測技術可以分別滿足小樣本和大樣本試驗的要求[1-2]。在導線提取領域，針對細導線和長檔距導線的識別一直是研究的難點，學者們陸續提出了亞像素邊緣檢測技術、運動估計和Hough變換、BP神經網絡算法、基于支持向量機算法的導線紋理特征分析等方法[3-9]。在導線隱患識別領域，國內學者提出的概率神經網絡算法、卷積能量差異比較法和多子圖像增強比較法能在測試實驗中較好地識別出導線缺陷[10-11]。

上述研究驗證了利用無人機影像實現導線準確提取和缺陷準確識別的技術可行性，但當前基層單位在應用過程中普遍存在響應速度較慢，隱患識別準確率不高和對電腦硬件配置要求較高等問題，說明在技術成果的實用化方面仍有改進的空間。本研究的目的是對已有圖像分割、導線提取和隱患識別算法進行完善和優化，提高輸電導線的準確提取率和隱患識別率，降低對軟硬件配置的要求，從而達到能夠在巡檢現場便捷使用的要求。

1 導線隱患識別算法原理及分析流程

基于上述研究成果，本文提出了一種基于增強濾波和特征聚類分析的導線隱患識別算法，其具體分析流程包括圖像閾值化、導線邊緣檢測、Hough變換、聚類分析和隱患特征識別等，如圖1所示。

圖1 分析流程

圖像閾值化的處理階段是將無人機、手機等拍攝的多源異構圖像分割成不同數據集合的過程，其目的是通過特征判別，對圖像的一般特征進行分類和判別，為邊緣檢測和Hough變換奠定基礎。本研究所采取的圖像閾值化判別方法如式(1)所示：

(1)

式中：j—坐標(x，y)的像素值；

T—計算的閾值水平，采用全局最優閾值算法計算得到。

在導線邊緣檢測階段，本研究為克服傳統濾波算法響應時間長和誤差率較高等不足，提出了一種改進型的Canny濾波算法來實現圖像中導線邊緣的檢測，其二維高斯函數方程及其一階導數如式(2)、式(3)所示：

(2)

(3)

式中：δ—高斯函數在x-y域上的標準差。

與傳統濾波算法不同的是，該算法能夠更好地檢測出輸電導線的真實邊緣，其檢測邊緣像素與實際邊緣像素能達到誤差最小化的優點，具有較低信噪比和低誤差率。其信噪比方程如式(4)所示，誤差率方程如式(5)所示。

(4)

(5)

式中：ASNR—信噪比；

AROD—誤差率；

f(x)—濾波器的脈沖響應；

f2(x)—脈沖響應的平方值；

f′(x)—f(x)的一階導數；

G(-x)—檢測邊緣；

G′(-x)—在x=0時的檢測邊緣的一階導數；

n—圖像的單位像素個數；

δ—標準差，濾波器脈沖響應值的范圍是[-w，w]。

處理的第三步即是通過Hough變換從步驟二中所得到的邊緣圖像中提取不連續線段，其算法如式(6)所示:

ρ=xi×cosα+yi×sinα

(6)

式中：ρ—經過坐標為(xi，yi)的邊緣點的一組線段；

α—x軸和y軸之間的角度，通過改變α值得到不同的線段組合ρ。

為克服Hough變換中可能存在的誤差，提高識別的準確性，本研究利用在其之后開展的特征聚類分析，以降低在線段組合ρ中可能存在的漏判或誤判。為進一步提升魯棒性，需要利用聚類算法將錯誤線段與正確線段分離開來。本研究采用K均值算法來實現線段的聚類，將數據集群x={x1，x2，…，xk}劃分為K簇，并使所有簇C={C1，C2，…，CK}的平方誤差最小，如式(7)所示：

(7)

式中：μk—集群k的平均值，通過初始化K個集群、將數據點分配到最近的集群并通過分配的數據點來計算新的集群。

設置1個圖像補丁庫I={I1,I2,…,IN}，每個補丁定義為1個k維度的輸入矢量y，編碼的目的是將這些向量表示為n個基向量的稀疏近似的線段組合，即對于第i個輸入向量而言yi∈Ri。

(8)

式中:b1,b2,…,bj∈Rk是基向量;

ai∈Rn是稀疏向量;

B—y的非線性特征。

利用式(9)求得B和ai的最優解：

?j∈(1,…,n)

(9)

結合式(8)和式(9)，如果B∈Rk×n成立，即可構建表征k維矢量圖像的特征向量f，如式(10)所示：

(10)

在導線隱患的特征識別階段，本研究所采取的判別流程如下：目標圖像中由ρ所堆積的特征向量集f構成了特征向量集F，如式(11)所示：

(11)

式中：P(d|F;σ,θ)—自變量d和F的表達函數；

d—單幀影像的差異值，是判別導線隱患的特征閾值；

σ和θ—特征向量F的最小二乘法計算的模型參數；

Z—歸一化常數；

Eσ,θ(d,F)—Gibbs能量函數，其表達式如式(12)所示：

(12)

di,dj—像素i處和j處的差異值。

在式(12)中，如果線段中任意2個像素高度盡可能接近，即di-dj≈0，則判別為無異常，否則判別為存在隱患。

由上可得，d可用式(13)表示：

(13)

對d求解：首先通過線性代數變化將式(13)重新表述為L1和L2約束優化的問題，其n階矩陣分別以E和I表示：

由此可得導線隱患的判別閾值d的完整表達式如式(16)所示：

(16)

式中：D—d的疊加矢量集；

Dj—dj的疊加矢量集；

T—全局最優閾值；

β—歸一化常數。

2 導線隱患識別算法測試試驗

項目組選擇了不同背景情況下的無人機巡檢影像開展了試驗性測試，測試樣本全部來源于線路運維班組的日常巡線時利用無人機拍攝的普通圖像，涵蓋了復雜背景、單一背景和不同粗細的導線。圖2為用于復雜背景情形下背景的閾值化和導線邊緣提取測試的部分樣本。圖3為用于單一背景下導線斷股缺陷智能識別測試的部分樣本。

圖2 導線邊緣提取測試的部分樣本

圖3 導線斷股缺陷智能識別測試的部分樣本

為進一步檢驗本算法的響應速度和識別率，將其與傳統BP神經網絡算法、支持向量機(support vector machines，SVM)和概率神經網絡(probabilistic neural network,PNN)進行了對比測試。為了驗證該算法對硬件配置要求較低，本次測試將算法軟件安裝在常規配置的筆記本電腦上，軟硬件配置具體為處理器I5-1135，運行內存8 G，存儲容量512 G，軟件為Win10。用于測試導線提取響應速度的樣本組1的樣本數為12個，用于測試算法識別準確率的樣本組2的樣本數為100個，用于測試導線準確識別率和測試導線缺陷準確識別率的樣本數分別為50個。

3 試驗結果分析和算法特點

算法響應時間測試結果如表1所示。從表1可以看出：BP神經網絡算法的最快響應時間是0.539 6 s，最慢響應時間是1.162 2 s，平均響應時間是0.8256 s；SVM算法的最快響應時間是0.520 0 s，最慢響應時間是0.930 9 s，平均響應時間是0.680 5s；PNN算法的最快響應時間是0.457 9 s，最慢響應時間是0.770 9 s，平均響應時間是0.582 1 s；本研究算法在最快響應時間、最慢響應時間和平均響應時間上均優于上述3種算法，分別為0.355 2 s、0.724 1 s和0.532 1 s。

表1 算法響應速度測試結果

圖4為本算法在復雜背景情形下背景的閾值化和導線邊緣提取的部分過程結果。

圖4 復雜背景下導線邊緣的提取

各算法對導線缺陷識別率測試的結果如表2所示。

表2 導線隱患識別率測試結果

從表2可以看出，在導線準確識別率和導線隱患識別率方面，該算法的總準確率達到了95%，也明顯優于上述3種傳統算法。圖5為本算法在單一背景下導線斷股缺陷智能識別的部分過程結果。

圖5 導線斷股缺陷的智能識別

通過上述分析和對比測試可以看出，該算法具有以下顯著特點：

1)在導線邊緣檢測中，應用了一種改進型的Canny濾波算法，能夠有效降低信噪比；

2)為進一步提升算法魯棒性，利用K均值算法開展特征聚類分析，有效提高了識別的準確率；

3)該算法對硬件配置整體要求較低，能夠很好地適應線路巡檢的實際工作狀況。

4 結 論

本研究立足于輸電線路巡檢的實際需求，為克服已有算法對線路巡檢影像質量要求較高，響應速度較慢的不足，提出了一種基于增強濾波和特征聚類分析的導線隱患識別算法。本研究對圖像分割、導線提取和隱患識別算法均做出了一定的改進，利用增強濾波算法改善了傳統Canny濾波算法的信噪比，利用K均值聚類算法提高了導線識別和隱患判別的準確率。利用現場巡檢圖像作為測試樣本的試驗測試表明，該算法能夠很好地對日常巡檢圖像進行準確的導線提取和隱患識別，其響應速度和識別準確率均優于傳統的BP神經網絡算法、SVM算法和PNN算法。由于該算法對電腦硬件要求較低，可通過便攜式筆記本電腦在線路巡檢過程中完成巡線圖像的分析和隱患識別，便于運維班組在第一時間采取處理措施，切實降低了基層人員的工作復雜度和工作強度，具有較強的實用性。