基于無人機巡檢圖像的絕緣子串自動定位研究

楊 龍，謝學平，寧 驍，汪 林，徐 盛，吳 瓊，朱 晗

（1.國網(wǎng)湖北孝感供電公司，湖北 孝感432000；2.三峽大學電氣與新能源學院，湖北 宜昌443000）

0 引言

絕緣子串作為架空輸電線路中一種重要部件，對于電力系統(tǒng)的安全運行起著重要的作用［1-4］。然而，架空線路中的絕緣子串由于長期暴露在野外，絕緣子串易受到環(huán)境污染，造成損壞，影響線路的安全運行［5-6］。因此，需要對絕緣子串進行定期檢查與清洗［7-8］。傳統(tǒng)的檢查方法主要是人工巡檢，通過無人機拍攝架空線路中的絕緣子串部件，再由人工通過巡檢圖像進行絕緣子串查找和識別，該方法效率低下，且在復雜環(huán)境下易發(fā)生漏檢情況。為了杜絕這種漏檢情況，保證線路的安全運行，將機器視覺技術引入到無人機巡檢圖像的絕緣子串定位之中。其中，便涉及到圖像定位算法，利用計算機對無人機采集到的架空輸電線路圖像進行處理、分析和定位，該方法具有準確、快速的特點，可以有效替代人工查找的方式。

目前，用于無人機巡檢圖像的絕緣子串定位算法主要分為兩類。第一類是基于傳統(tǒng)數(shù)字圖像處理的定位算法，文獻［9］利用頻率調諧方法計算出圖像中絕緣子串的顯著性信息，再通過Otsu算法和開運算得到分割出的絕緣子串。文獻［10］對紅外圖像進行拉普拉斯邊緣提取，獲取圖像的紋理特征，通過角度內和角度間進行特征聚類，識別紅外影像中絕緣子串的中心線，得到位置信息。文獻［11］通過中值濾波和Hough變換提出改進的CV模型實現(xiàn)絕緣子串的精確定位。第二類則是基于深度學習［12-15］算法，文獻［16］將二值化賦范梯度分類器和卷積神經(jīng)網(wǎng)絡相結合實現(xiàn)絕緣子串的自動定位。文獻［17］在散射變換原理和卷積神經(jīng)網(wǎng)絡的基礎上，將低通濾波器和Gram矩陣法結合起來降低絕緣子串背景信息干擾，處理后的圖像利用SSD（Single Shot Multiox Detector）網(wǎng)絡的定位結果比僅僅使用SSD處理原圖像具有更高的精度。

為了實現(xiàn)架空線路中絕緣子串的自動定位，本文提出了一種新的定位方法。首先，將巡檢圖像從RGB顏色空間轉換到HSV顏色空間［18］，分別在H、S、V 3個顏色空間分量進行閾值分割并進行二值化操作，得到絕緣子串的初步位置信息。為了能夠區(qū)分同一巡檢圖像中的不同絕緣子串，以得到的絕緣子串點位信息為圓心，構建點位信息的影響范圍，本文將相連通的圓所包含區(qū)域為絕緣子串位置。但由于桿塔和絕緣子串存在相似性，無法做到有效分割，導致部分區(qū)域存在誤定位。為了剔除這些誤定位區(qū)域，本文對所有區(qū)域內的信息量進行分析，剔除無效定位。

1 絕緣子串定位

1.1 閾值分割

RGB是圖像處理中最基本、最常用的顏色空間。然而，RGB圖像易受到光照的影響，并不適合用于閾值分割任務中。而HSV顏色空間由色調、飽和度和明度組成，相比較于RGB顏色空間中顏色由三原色共同組合而成，HSV顏色空間可以更好地反映顏色變換，更加適合用于閾值分割［19-20］。

本文將巡檢圖像的RGB圖像轉換為HSV圖像，基于HSV顏色空間對巡檢圖像進行閾值分割，其參數(shù)范圍設置如表1。

表1 HSV各分量范圍設置Table 1 HSV component range setting

其中，以H分量為例，Hmin和Hmax分別表示H分量的最小值和最大值。

通過表1中各分量設置的范圍，將圖1中的絕緣子串信息提取出來，得到絕緣子串上部分區(qū)域的分割結果，分割結果如圖2所示。

圖1 無人機巡檢圖像Fig.1 UAV inspection image

圖2 絕緣子串部分區(qū)域分割結果圖Fig.2 Partial area segmentation result of insulator string

本文通過閾值分割提取到絕緣子串上的部分區(qū)域，然而，這些離散區(qū)域無法完整有效描述整個絕緣子串的位置信息。并且，這些離散區(qū)域沒有進行分類來表示不同絕緣子串所處的位置。

1.2 連通區(qū)域獲取

為了讓這些絕緣子串上的離散區(qū)域連通在一起，構成一個完整的封閉輪廓，來精確定位對應區(qū)域的絕緣子串位置，本文以離散區(qū)域的中心點為圓心，構造離散區(qū)域的影響范圍，將所有離散區(qū)域的影響范圍所構成的連通區(qū)域認定為絕緣子串所在位置。具體步驟為：

如圖3所示，假設A、B、C為同一絕緣子串上的3個離散區(qū)域，以A、B、C 3個離散區(qū)域的中心為圓心分別構建各自的影響范圍，其中r為影響半徑。從圖3中可以看到，離散區(qū)域所構成的影響范圍形成了一個連通區(qū)域，本文將連通區(qū)域外輪廓所包含的區(qū)域認為是絕緣子串所在位置，所包含的區(qū)域如圖4所示。

圖3 離散區(qū)域影響范圍示意圖Fig.3 Schematic diagram of the influence range of the discrete are

圖4 影響范圍包含區(qū)域示意圖Fig.4 Schematic diagram of the influence range including the area

基于上述的方法對閾值分割的離散區(qū)域進行處理，得到所有可能存在絕緣子串的區(qū)域，結果如圖6所示。

圖6 分割結果影響區(qū)域圖Fig.6 The image of the affected area of the segmentation result

1.3 有效區(qū)域提取

然而，由于閾值分割的不準確，一些非絕緣子串上的離散區(qū)域也被分割出來，導致圖8中存在大量不含絕緣子串的誤定位區(qū)域。為了剔除這些誤定位區(qū)域，本文首先用矩形對定位區(qū)域的外邊緣進行擬合，其擬合的方式如圖5所示。

圖5 矩形擬合區(qū)域外邊緣Fig.5 The outer edge of the rectangular fitting area

然后統(tǒng)計擬合矩形區(qū)域內所包含的離散區(qū)域數(shù)量，判斷條件如公式（1）所示：

式（1）中，f為標志位，1表示正確定位區(qū)域，0表示誤定位區(qū)域，δ表示該區(qū)域類離散區(qū)域的數(shù)量，本文將區(qū)域中離散區(qū)域數(shù)量大于10的區(qū)域認定為正確定位區(qū)域，剔除誤定位區(qū)域后的結果如圖7所示。

圖7 剔除誤定位區(qū)域后的結果圖Fig.7 The result after removing the mis-located area

2 實例分析

實驗使用的計算機處理器為AMD Ryzen 5 2600X，內存為16 GB，基于Python3和Opencv函數(shù)庫實現(xiàn)。

2.1 實驗一

本文提出的方法可以對架空線路中各種背景下的絕緣子串做出精準定位，圖8展示了10組絕緣子串在多種場景下定位結果，如表2所示，定位場景包括近景、遮擋、背景復雜、遠景、小目標、中景和目標不全。針對這些場景下本文方法均可做到精準定位，表明了本文所提方法具有較強的泛化和抗干擾能力。

表2 不同場景下絕緣子串定位結果Table 2 Location results of insulator strings in different scenarios

圖8 巡檢圖像絕緣子串定位結果圖Fig.8 Inspection image insulator string positioning result map

2.2 實驗二

如圖9所示，展示了不同影響半徑r下絕緣子串定位結果。

圖9 巡檢圖像不同影響半徑r下絕緣子串定位結果圖Fig.9 Insulator string positioning result diagram under different influence radius r of inspection image

當影響半徑r為10、20時，絕緣子串出現(xiàn)大量漏定位和未完全定位，離散區(qū)域的影響范圍無法構成連通區(qū)域。當影響半徑r為30、40、50、60、70時，絕緣子串無漏定位，但受到遮擋的絕緣子串②⑤未完全定位，當r≥80時，絕緣子串無漏定位也無完全定位。最終實驗結果如表3所示。

表3 不同影響半徑r下絕緣子串定位結果Table 3 Insulator string positioning results under different influence radius r

2.2 實驗三

為了能夠自動確定絕緣子串定位時影響半徑r的最優(yōu)值，本文對高空架空線路中絕緣子串的非目標不全定位區(qū)域進行橢圓擬合，并利用擬合橢圓長軸與短軸之比進行判斷定位是否準確完整，判斷條件如式（2）所示。

式（2）中，AxisL、AxisS分為擬合橢圓的長軸和短軸，長軸與短軸之比大于2.5的為正確定位，若所有定位區(qū)域擬合橢圓長短軸之比均大于2.5，則表示該影響半徑r可以實現(xiàn)對架空線路中絕緣子串的精確定位。為了得到影響半徑r的最優(yōu)值，假定影響半徑r=10為初始影響半徑，以10像素為步長對影響半徑進行逐步遞增，則所有擬合橢圓滿足公式（2）的最小影響半徑r為影響半徑的最優(yōu)值。

如圖10所示，展示了影響半徑r=70和r=80時的絕緣子串定位區(qū)域的橢圓擬合圖，可以看到，圖中完整絕緣子串擬合橢圓的長軸和短軸之比都已經(jīng)注明。就③號絕緣子串而言，當影響半徑r=70時長短軸之比為1.5，影響半徑r=80時長短軸之比為2.9，所以影響半徑r=80時相比于r=70時具有更好的定位效果，且r=80為滿足要求的最小影響半徑，因此r=80為最優(yōu)值。

圖10 影響半徑r=70、r=80下非目標不全定位區(qū)域的橢圓擬合結果Fig.10 The ellipse fitting result of the non-target incomplete positioning area under the influence radius r=70 and r=80

3 結語

本文基于傳統(tǒng)的圖像處理技術，提出了一種輸電線路在復雜環(huán)境下玻璃絕緣子串自動定位方法。首先，采取HSV和閾值分割相結合的方法提取絕緣子串上的離散特征。然后，以離散特征中心點為中心構建離散特征的影響范圍，將影響范圍所構成的連通區(qū)域認定為絕緣子串所在位置。最后，為了剔除誤定位區(qū)域，統(tǒng)計連通區(qū)域內離散特征的數(shù)量，提高自動定位精度。

實驗結果表明，本文所提方法對于復雜背景、遮擋、小目標、目標不全等情況下的玻璃絕緣子串均能實現(xiàn)精準定位，可代替人工對無人機巡檢圖像的玻璃絕緣子串查找。未來的目標是將自動定位算法與互聯(lián)網(wǎng)技術相結合，構建檢測中心，實現(xiàn)線上檢測。