基于視覺的接觸網絕緣子識別定位研究

展明星 王致誠 李致遠

【摘要：】絕緣子串的精確定位是實現其故障檢測的重要前提。文章針對目前接觸網絕緣子巡檢圖像中絕緣子串檢測算法定位不精確的問題，提出一種雙目視覺結合SURF特征的目標識別定位方法。由于絕緣子所處位置環境復雜，采用SURF特征可實現目標識別的前期粗定位;根據雙目視覺原理求取已經粗定位識別出物體的三維坐標，實現目標物體的識別與細定位;通過這些方法保存識別出物體形心的三維坐標，傳輸給巡檢機器人，以便控制機器人調整檢測位置。實驗結果證明，此方法有較好的識別效率和準確性，可以成功地識別出目標，具有一定的工程應用價值。

【關鍵詞：】絕緣子;雙目視覺;SURF算法;復雜背景;圖像識別

U225.4+3A561844

0 引言

絕緣子是鐵路接觸網的重要部件，主要功能是對接地體保持電氣絕緣，起到支撐接觸網電纜和防止電流回地的作用。絕緣子長期暴露在戶外會產生一定程度的污染和破損，導致電氣性能下降并影響絕緣強度。保持絕緣子清潔能有效降低污閃事故的發生，眾多學者也為此開展了對絕緣子當前狀態監測的研究。隨著機器視覺技術的不斷發展，以其為基礎的智能檢測技術開始逐漸應用到鐵路巡檢設備中。由于接觸網絕緣子被各種電線支架包圍，造成檢測過程中精確識別的難度加大，因此如何提高機器視覺的識別能力具有重要的研究意義。

目前主要通過人工方式或者根據電氣特性對絕緣子狀態進行檢測，但實際應用中，人工檢測方式效率低下，與自動化檢測的安全性要求相比，仍有相當大的距離。而電氣特性檢測方法的穩定性較差，極易受到周邊環境的影響[1-2]。文獻[3]針對穩定性較差問題提出一種加入現場可編程門陣列硬件加速方法，應用于電力巡檢無人機，通過坐標轉換關系計算偏轉角的差值，進而得到絕緣子前端定位。文獻[4]采用交替優化的策略，增加反饋機制調節卷積核的大小和個數，依據語義誤差信息熵測度指標評價結果，進而實現反復推敲比對后的檢測結果。這些方法在檢測圖像缺陷方面做出了改進，但存在著識別過程計算量大，圖像去除干擾能力較差的問題。例如航拍圖像中若存在復雜背景，如高壓線、樹杈、鳥巢等都會導致目標絕緣子特征不明顯。因此，本文提出一種基于雙目視覺結合區域特征的圖像匹配方法，對接觸網絕緣子進行識別。采用SURF（Speeded up robust feature）算法，來提高絕緣子識別過程中的速度和準確性。利用雙目攝像頭模擬人眼，獲取被測物體的二維圖像，再對其圖像進行識別與匹配，然后根據視差原理計算得出物體的三維空間坐標，最后將定位坐標傳輸給巡檢機器人，以便巡檢機器人實現位置的控制和調整，從而得到更精確的檢測。本文算法在定位精度和速度方面表現出了良好的性能，具有一定的工程實際應用價值。

本文重點研究作用于接觸網絕緣子的巡檢機器人視覺識別系統，提出一種雙目視覺結合區域特征的圖像匹配方法，對接觸網絕緣子進行識別，實現對待檢測絕緣子的識別定位，提高機器人巡檢效率，減少因人員疏忽、漏檢等因素造成的安全隱患。

1 基于SURF特征的目標識別

SURF算法是由BAYH提出的，在SIFT（Scale-invariant feature transform，尺度不變特征變換）算法基礎上引入了Hessian矩陣，并加入了積分圖像和盒子濾波器，大大提高了計算速度，節省了程序運行時間，對于形狀、位置相對固定的接觸網絕緣子自動化檢測具有較強的實時性[5]。

1.1 SURF特征匹配

1.1.1 提取特征點

SURF算法是在SIFT算法的基礎上引入了Hessian矩陣及積分圖像[6]。將目標圖像和高斯函數做卷積運算，加入盒子濾波器代替高斯核函數進行卷積運算，得到圖像和高斯函數的卷積，并將其轉換成積分圖像與高斯二階導數模板的卷積運算，此時的高斯二階導數模板實際上已變成一些簡單的權重區域組合，將卷積運算轉換為積分圖像的加減運算。因此，可以提高圖像特征點提取速度。上述的Hessian矩陣的行列式在尺度空間中每層的局部最大值即為特征點。

1.1.2 構建特征描述符

優質的特征描述符應具有較好的魯棒性不受外界條件干擾，在光照、視角以及噪聲的干擾下仍能保持不變。在SURF算法中，統計特征點領域內的Haar小波特征，不統計其梯度直方圖。通過Haar小波響應累加值和最大值的確定為主方向，同時為了保證特征向量具有旋轉不變性，選擇特征點為中心，沿著基準方向構建正方形區域，經過Haar小波響應最終形成例如一個64維的特征向量組成的特征描述符。這種方法可避免傅里葉變換得原函數在正余弦不同頻率下的系數，而是得到原函數在不同尺度小波（這里采用Haar小波）下的系數。

1.1.3 特征匹配

提取特征點之后對待匹配區域圖像與標準模板圖像進行匹配，SURF算法采用最近鄰域匹配方法。首先計算待匹配圖像到標準模板圖像上特征點的歐氏距離，得出對應的距離集合，然后通過排序得到最小距離d1以及次最小歐氏距離d2。設定一個閾值T，當d1和d2的比值小于該閾值，即d1/d2

1.2 目標識別

為了從復雜的背景中識別出目標物體，預先建立檢測目標的特征模板庫。如圖1所示，取簡單的場景作為背景，調整相機角度，采集目標物體在不同角度下的圖像，利用SURF算法提取圖像的特征點，并將提取出的特征點向量進行保存。由于目標背景特征相對簡單，集中目標物體的特征點描述要多于其他干擾物的特征點描述。

建立好特征模板之后，將目標物體置于其他復雜場景中，采集應用場景待匹配的圖像，提取圖像的特征點，將待匹配圖像與模板的特征描述進行匹配，若成功匹配點的數目達到了一定數量，則認為該場景中有匹配的目標，從而實現目標物體的識別。如圖2和圖3所示為絕緣子的匹配識別效果圖。

通過采用相同的識別圖像對比SURF算法和SIFT算法，結果如表1所示，SURF匹配總數少于SIFT，但是準確數目要高于SIFT，同時所花費的時間上明顯低于SIFT。所以，采用SURF算法進行識別更能滿足一定的實時性要求。

1.3 提取粗定位的絕緣子

經過SURF算法前期的粗定位，絕緣子外部環境的干擾大大減少，剔除了接觸網支架、電纜等對絕緣子特征的干擾。為減小光照對識別效果的影響，選擇HSV（Hue、Saturation、Value）顏色模型提取光照影響最小的分量，采用最大類間方差法（Otsu）對絕緣子圖像進行閾值分割。如圖4所示，對分割后的圖像進行形態學處理，提取出絕緣子輪廓圖像。

2 基于雙目視覺的目標定位

雙目立體視覺是使用計算機模擬人眼的視覺功能，人的雙眼對看到的場景具有深度感知的能力，雙目立體視覺即仿照這種效應原理。可以利用兩臺規格型號一致的攝像機，同時獲取相同場景下目標的二維圖像，找出兩個攝像機采集圖像中相對應的匹配點，然后根據雙目視覺成像原理，計算兩個圖像像素點所對應的場景中點的三維信息，得出場景中點的位置信息，在進行立體匹配之前，需要對使用的雙目攝像機進行標定，以獲取攝像機參數。

2.1 攝像機標定

攝像機標定是一個確定攝像機內部參數（焦距、圖像中心、畸變系數等）和外部參數[R（旋轉）矩陣、T（平移）矩陣]的過程，其目的是建立起目標物體像素坐標系與真實三維世界坐標系之間的關系。標定用的照片由左右相機同時拍攝，因為只有同時拍攝才能得到同一物理點在左右相機圖像平面上的投影。本文采用Matlab標定工具箱，對實驗所用雙目攝像頭進行標定矯正，利用黑白棋盤方格標定，采集目標在旋轉不同角度情況下的一系列圖像。相機坐標系下兩臺攝像機的3D立體示意圖如圖5所示，攝像機參數如表2所示。

2.2 計算三維坐標

將對識別出來的絕緣子定為待檢測區域，如圖6所示求取識別出來待檢測的區域的質心，保存質心坐標，就可以控制巡檢機器人根據質心位置在一定范圍內進行位置調整，以捕獲絕緣子整體信息。

雙目視覺模型圖如圖7所示。在世界坐標系下，空間點P（x，y，z）在兩個相機成像平面的圖像坐標分別記作P1（ul，vl）、P2（ur，vr），由攝像機針孔成像模型，可得：

zlulvl1

=Mlxyz1

=ml11ml12ml13

ml21ml22ml23

ml31ml32ml33

ml14ml24ml24

xyz1 （1）

zrurvr1

=Mrxyz1

=mr11mr12mr13mr21mr22mr23mr31mr32m33

mr14m24mr34

xyz1（2）

式中：Ml，Mr——左右兩個攝像機的投影矩陣。

化簡為：AP=b。

其中：

A=ml31ul-ml11ml32ul-ml12ml33ul-ml13ml31vl-ml21ml32vl-ml22ml33vl-ml23mr31ur-mr11mr31ur-mr11mr31ur-mr11

mr31vr-mr21mr32vr-mr22mr33vr-mr23（3）

p=xyzT （4）

b=ml14-ml34ulml24-ml34vlmr14-mr34urmr24-mr34vr （5）

根據最小二乘法[12]，求得空間P的三維坐標：

P=ATA-1ATb （6）

3 實驗結果與分析

本文實驗采用USB雙目攝像頭進行圖像采集與測量。設置攝像距離為80 cm，圖片分辨率為1 280×720。采用棋盤標定板，求解出圖像像素坐標與世界坐標之間的聯系。

如表6所示，通過實驗求取并計算三維重建坐標，第一行為上文中絕緣子的質心坐標。在左攝像機中像素坐標為（891.32，196.35），在右攝像機中像素坐標為（772.42，195.46），兩個坐標中的縱坐標基本相等，說明兩攝像頭近似保持在同一水平。然后，計算得出質點三維坐標（837.98，196.2 81.37），其中，81.37（Z軸坐標）表示目標物體（絕緣子質心）距離攝像頭平面的距離，非常接近于測量值80，且誤差范圍<4%。見表3～5。

4 結語

本文研究了基于雙目視覺的接觸網絕緣子識別與定位的整個過程，在識別階段，針對復雜背景下識別困難問題，使用基于SURF算法的模板匹配識別目標，先建立簡單目標的模板庫，以確保單一的目標特征，可以較好地識別目標，而且實驗證明SURF算法特征提取比SIFT算法速度要快。在定位階段，利用雙目視覺原理提取出目標的三維信息，確定其質心位置。實驗證明，計算得出的位置誤差<4%。根據所求得的位置，可以進一步控制巡檢機器人調整視覺位置，捕獲更精確的絕緣子信息，對其進行破損、裂紋等檢測。

參考文獻：

[1]黃 繪.絕緣錨段關節處常見弓網事故的分析與預防[J].西部交通科技，2020（8）：151-152，158.

[2]李艷軍.高速鐵路動車組不斷電過分相技術研究[J].西部交通科技，2020（2）：152-155.

[3]蘇 超，楊 強.基于機器視覺深度學習的絕緣子前端定位方法[J].廣東電力，2019，32（9）：33-40.

[4]張 倩，王建平，李帷韜.基于反饋機制的卷積神經網絡絕緣子狀態檢測方法[J].電工技術學報，2019，34（16）：3 311-3 321.

[5]閆海峰，李佳潔，王新宇.高速鐵路貨運動車組列車開行條件研究[J].西部交通科技，2019（2）：146-149.

[6]王致誠，孟建軍.基于高階滑模方法的永磁同步電機控制系統研究[J].制造業自動化，202 43（1）：8-11.