基于航拍圖像的輸電線路導線損傷識別技術*

馮河清，鹿可可，文裕鈞，范 巖

(廣西電網有限責任公司，廣西 南寧 530000)

作為高壓輸電線路的重要組成部分，鋼芯鋁絞線(Aluminum Conductors Steel-Reinforced，ACSR)在運行過程中起著輸送電能和維持機械強度的雙重作用。 由于長期暴露在野外環境中，受風振、覆冰導線舞動、環境侵蝕等影響，鋁絞線容易受到各種類型的損傷，從表面損傷到局部斷裂，然后發展成整個ACSR 的斷裂。 鋁絞線損壞后，承載能力降低，導線斷裂風險增大，對導線、輸變電設備和人身安全構成潛在風險[1-3]。

為了有效提高輸電線路的運行效率，降低故障頻率，許多研究人員對輸電導線的組成材料、故障機理和運行狀態進行了大量的研究。 并取得了一些初步的研究成果，如輸電導線組成材料的改進，導線表面損傷的微觀變化過程，斷線的故障檢測[4-8]。 這些方法大多是從材料和機理上進行預防，對運行中導線存在的斷損問題主要采用人工檢測，耗時長、精度低、安全性差。

近年來，隨著航空圖像傳感器和計算機視覺技術的巨大進步，無人飛行器檢測技術在輸電線路中得到了發展[9-11]。 一些研究人員提出了不同種類的算法來檢測和提取航空圖像中的電力線[12]。 其他一些研究集中在空中絕緣子圖像的分割和故障檢測算法[13]以及高功率線路中的鳥巢檢測[14]。 基于視覺的技術還被用于焊縫和軌頭的缺陷檢測，以及金屬導線的捻距測量[15]。 然而，由于形成因素的復雜性、表現形式的多樣性以及圖像采集的局限性，目前僅有較少的基于視覺的方法來及時監測導線斷裂和缺陷，而且相關方法均需要消耗大量的視覺信息處理時間。

本文提出了一種基于航空圖像傳感器的無人飛行器檢測中輸電導線斷裂和缺陷的測量方法，該方法利用航空視覺系統和圖像處理算法獲取運行中的輸電導線斷裂和缺陷。 視覺系統獲取用于提取導線區域的傳輸導線圖像的多個視圖，此外，文章通過采用灰度方差歸一化(Gray Variance Normalization，GVN)的方法大大減少了需要處理的數據量，全面提高識別效率。 通過分析導線區域的灰度值分布，可采用所提出的Z 形波形模型來測量導線斷裂，并通過導線區域的投影算法來檢測表面缺陷。 該方法為監測運行中輸電導線的斷裂和缺陷提供了一種新的方法。

1 基于航空圖像傳感器的輸電線路導線斷裂和缺陷測量技術綜述

本文提出的基于航空視覺傳感器的導線斷裂和表面缺陷在線測量技術由三部分組成:基于航空視覺傳感器和無人機(Unmanned Aerial Vehicle，UAV)的在線監測裝置、4G 通信網絡和安裝有導線斷裂和缺陷分析軟件的監測中心。 在所提UAV 巡檢系統中，安裝在無人機上的高清數碼相機，在無人機通過輸電線路時，用來捕捉輸電導線的圖像，然后將得到的圖像解壓縮，通過4G 通信網絡發送到監控中心。然后使用嵌入了所提出的相應算法的導線斷裂和缺陷分析軟件來自動分析導線斷裂和缺陷。 所提出的技術的框圖如圖1 所示。

圖1 導線在線監測系統示意圖

2 識別導線斷裂和表面缺陷的分析算法

圖像分析算法模塊包括3 個主要模塊:導線提取、導線斷裂檢測和導線表面缺陷識別。

2.1 導線提取

航空傳輸線圖像大多是彩色(RGB)圖像。 為了減少要處理的數據量，并提高操作效率，突出顯示導線區域，需要對航空圖像進行顏色模型轉換或灰度處理。 由于在線圖像采集裝置受到自然光的影響，航拍圖像中導線區域的表面顏色容易呈灰色和暗淡。 此外，航空圖像具有導線區域的銳度高于背景中的樹、建筑物和道路的特征，即導線的灰度值高度分散。 本文提出了GVN 來進行航空圖像的灰度處理。 GVN 方法將傳統的直接處理每個像素灰度值的思想轉化為像素灰度值離散度的處理。 GVN的具體計算步驟如式(1)所示:

式中:ˉQ是模板中每個像素的平均灰度值，Qi表示模板中第i個像素的灰度值，然后可以根據式(2)計算每個處理單元中灰度值的方差:

式中:q5是模板中帶有陰影顏色的中心像素的灰度變化。 遍歷整個圖像可以獲得對應于原始圖像的完整灰度方差圖。 此外，每個像素的灰度方差進行歸一化，如式(3)所示:

式中:m(x，y)是坐標(x，y)處的歸一化灰度值，qmax軸是灰度方差圖中的最大灰度值，而qmin是最小灰度值，q(x，y)是灰度方差圖中坐標(x，y)處的灰度值。

GVN 算法的背景純度和對比度越高，目標越清晰，魯棒性越好。 導線區域的分割基于GVN 結果。采用通用自適應閾值分割和形態學處理相結合的方法進行導線分割。 與基于普通灰度處理或增強圖像的分割方法相比，該方法對導線區域的分割效果更好。

8 幅圖像在不同條件下的分割如表1 所示。 基于灰度或增強處理后的圖像的分割結果顯示在第三列，其中仍然有一些背景噪聲或內部的一些洞，并且一些分割結果是不完整的。 另一方面，基于GVN 圖像的8 幅圖像分割效果都比較理想，可以有效避免外界因素的影響。

表1 圖像分割

2.2 導線斷裂檢測

導線區域分割后，可以在沒有背景干擾的情況下，重點分析導線區域。 提取的導線區域需要映射回其GVN 圖像，因為導線區域的GVN 圖像上的灰度值分布是導線斷裂檢測算法中的基本參數。 本節以圖2 中的圖像為例，全面分析了導線斷裂檢測算法。

圖2 導線區域的GVN 圖像

對于導線斷線檢測算法，有3 個重要的步驟:提取灰度值分布、方波變換(Square wave transformation，SWT)和斷線識別。 外部鋁絞線的灰度值分布直接反映了導線的表面完整性，SWT 突出了其灰度值分布的周期性。 最后，通過分析每個采集到的Z 形波形的寬度，簡單地得到傳輸導線的斷股情況。

①灰度值分布的提取

如圖2 所示，每根鋁絞線的表面具有比彼此之間的邊緣間隙更高的灰度值，并且外部鋁絞線在結構上具有循環特性，使得未斷裂導線表面的灰度分布呈現循環特性。 由于輸電導線常年裸露，受各種噪聲影響，導線表面的高灰度區往往會出現一些低灰度值點。 這將影響循環灰度值分布的準確提取，并導致斷股的錯誤檢測。 因此，在提取軸的灰度值分布時，需要中值濾波處理，如圖3 所示。

圖3 斷裂導線各軸上的灰度值分布

②SWT

本文提出SWT 方法以更好地描述灰度分布的循環特性。 在該方法中，采用閾值對圖3 中獲得的波形進行二值化處理，以實現方波變換。 并且將最大灰度值和最小灰度值的平均值(nmax+nmin)/2 設為二值化閾值，并通過式(4)所示規則處理圖3 中獲得的波形，如圖4 所示。

圖4 灰度分布波形圖

式中:n表示圖3 中所獲得波形上任意點的灰度值，nmax為最大灰度值，nmin為最小灰度值，p表示二值化處理的結果。 其中單個Z 形波形的寬度可用于表征單個鋁絞線的寬度。

③斷股的識別

為了清楚地表征每個Z 形波形的寬度變化，有必要對每個Z 形波形的寬度P進行統計分析。 每個軸上的統計結果如圖5 所示。

圖5 每個Z 形波形的寬度統計圖

如圖5 所示，x坐標表示每個Z 形波形的標記號，y坐標是以像素為單位的每個Z 形波形的寬度。圖5 顯示大部分的Z 形波形在寬度上是接近的，并且它們代表完整的單根鋁絞線。 根據攝像機標定，可以得到單根鋁線直徑所占的像素數，圖6 中用w表示。 此外，已知外部鋁線以固定角度α纏繞(本文忽略其微小變化)。 因此，單根鋁絞線的水平寬度可以表示為圓形(w/sinα)。

圖6 單股鋁絞線水平寬度示意圖

在上述分析的基礎上，取圓(w/sinα)作為參考對象，并根據實際需要選擇合適的檢測精度v(以像素為單位)。

如果Z形波形的寬度滿足｜Pi-round(w/sinα)｜≤v，其中Pi表示第i個Z 形波形的寬度(如圖4 中波形寬度)，則它被識別為代表完整的單根鋁絞線的正常波形。 如果Z 形波形的寬度滿足｜Pi-round(w/sinα)｜＞v，則它被識別為代表斷裂鋁絞線的異常波形。

2.3 導線缺陷識別

根據導線區域的分割結果，提取的導線區域需要被映射到其GVN 圖像，結果如圖7 所示。 比較圖7(a)和圖7(b)，可以觀察到表面缺陷比導線區域的GVN 圖像中的其他區域具有更高的灰度值，此外，缺陷的像素聚集在一起。 因此，如果列存在缺陷，則列方向上的歸一化灰度方差值之和將較大。類似地，如果行存在缺陷，則局部區域的行方向上的和也是大的，因此提出PGVN 算法。

圖7 導線區域的圖像

PGVN 算法包括三個主要步驟:垂直投影、局部水平投影和缺陷識別。

①垂直投影

給定圖7(b)中導線區域的GVN 圖像，其垂直投影的具體計算過程如式(5)所示:

式中:F(x，y)是坐標(x，y)處的歸一化灰度方差值，my代表每列中F(x，y)的總和。

為了突出缺陷的可疑位置，需要通過閾值處理垂直投影的結果，其中閾值T被設置為垂直投影中最大和最小灰度值的平均值，其表示為T=(M′max+M′min)/2。 如果my大于T，則將其設為與閾值T的差值，否則設為零。 圖8 示出了閾值處理結果。

圖8 閾值處理結果

此外，圖8 中的閾值結果需要通過高通濾波器進行濾波，并設濾波器窗口的大小為單股鋁線的半徑r。 如果水平軸上峰值的像素范圍小于r，則將其過濾，否則保持原值。 圖9(a)示出了過濾后的結果，圖9(b)示出了相應的缺陷的水平可疑位置。 最后，包含可疑缺陷的局部子圖像如圖9(c)所示。

圖9 導線上的水平可疑缺陷

②局部水平投影

局部水平投影類似于垂直投影，只是水平投影是通過分析由上述垂直投影確定的局部子圖像中每一行的歸一化灰度方差值之和來進行的。

首先，以圖9(c)中的局部子圖像之一為例，其水平投影的具體計算過程如式(6)所示:

式中:F(x，y)是坐標(x，y)處的歸一化灰度方差值，mx表示每行中F(x，y)的總和。mx也通過中值濾波平滑。mx通過閾值處理、高通濾波和缺陷標記順序處理。 最后，根據高通濾波結果對應的水平坐標，得到可疑缺陷的起始行和結束行。

③缺陷識別

根據輸電線路運行規范，如果缺陷深度超過單股鋁線厚度的四分之一，則運行中的輸電線路需要修復。 因此，在單根鋁線厚度四分之一處的參數長度被用作閾值，即3r。 并考慮傳輸線的具體結構模型，如圖10 所示，假設α是單根鋁線的邊緣切線與水平線的夾角。

圖10 輸電線路導線模型圖

為了進一步篩選獲得的可疑缺陷，打算將可疑缺陷區域的長度p與直徑長度3r進行比較，圖11示出了最終的缺陷識別結果。

圖11 損傷區域識別結果

3 現場實驗結果和分析

本次實驗拍攝工具采用分辨率為1 200 萬像素、快門速度為8 s～1/8 000 s 的相機。 利用4G 通信模塊向地面監控中心傳輸導線圖像，通過應用發現整體照片的效果較為理想。 在此建議，為確保安全性以及后期處理的準確性，相機的分辨率盡可能確保在800 萬像素之上。

3.1 現場安裝

將圖像采集裝置安裝在UAV 上的方式已經廣泛應用于許多架空輸電線路的日常巡檢。 其后臺軟件包含圖像讀取、導線提取、導線斷線檢測、導線表面缺陷檢測等功能模塊。

3.2 導線斷線檢測算法的性能測試

①算法驗證

為了系統地驗證本文提出的導線斷線檢測算法的有效性和實用性，以兩幅現場圖像為例進行處理和分析，一幅是破損的三股鋁線導線圖像，另一幅是未破損的導線圖像。 檢測過程的流程圖如圖12 所示。

圖12 導線斷線檢測流程圖

原始圖像如圖12(a)所示。 圖12(b)是每個圖像的導線區域的中心軸提取結果。 圖12(c)示出了導線的三個橫軸上的灰度值分布圖。 可以觀察到完整導線軸上的灰度值分布具有完美的周期循環特性。 對于斷裂的導線，如果它的一部分沒有被破壞，其灰度值仍然呈現一定的周期性分布，而如果軸穿過斷裂的鋁絞線區域，其周期性的灰度分布就會被破壞。 圖12(d)示出了SWT 的結果，很明顯，未斷裂導線圖像的Z 形波形彼此具有幾乎相同的寬度，而對應于斷裂鋁絞線部分的Z 形波形具有局部突然增加或連續減小的寬度。 這種現象在圖12(e)所示各軸上Z 形波形寬度的統計分布中更為明顯。圖12(f)為相鄰異常Z 形波形的寬度疊加結果。 在圖12(f)中，斷裂的鋁絞線在整個導線上的位置一目了然。 由Z 形波形寬度疊加結果中的最大值可見，在斷裂的導線中有三根斷裂的鋁絞線，其與實際情況一致。

②現場數據集驗證

表2 示出了由無人機捕獲的1 200 幅簡單背景下的場圖像和1 200 幅復雜背景下的場圖像的數據集，以驗證導線斷裂檢測算法的有效性和魯棒性。結果表明，簡單條件下的檢測精度高于復雜條件下的檢測精度，整體平均檢測精度可達90.81%，能有效地檢測出輸電線路中的導線斷線。

表2 導線斷線識別結果

3.3 導線表面缺陷檢測算法的性能測試

①算法驗證

為了驗證本文提出的導線表面缺陷識別算法的有效性和實用性，以含有多個表面缺陷的場圖像為例進行了驗證。 檢測過程的流程如圖13 所示。

從圖13(a)可以看出，通過導線區域GVN 圖像的垂直投影和高通濾波，可以有效地突出水平方向上包含缺陷的可疑列，有效地縮小可疑導線缺陷區域的檢測范圍，然后通過列分割得到三個包含缺陷的子圖像。 此后，如圖13(b)所示，其與垂直投影相同，首先分別計算每個子圖像的局部水平投影，并且通過中值濾波、閾值處理和高通濾波連續處理每個投影結果。 接著對每個子圖像進行行分割，可以定位和識別可疑缺陷的位置。 最后，根據篩選原則，對小干擾區域進行篩選，最終結果如圖13(c)所示。

圖13 導線缺陷檢測流程圖

②現場數據集驗證

為了驗證導線缺陷檢測算法的有效性和魯棒性，以400 幅簡單背景下的航空圖像和1 200 幅復雜背景下的航空圖像作為數據集。 表3 中的實驗結果表明，簡單條件下的檢測精度高于復雜條件下的檢測精度，整體平均檢測精度可達91.85%，可有效檢測輸電線路中的導線表面缺陷。

表3 導線缺陷識別結果

4 結束語

本文提出了一種基于航空圖像的輸電線路導線斷裂和表面損傷識別技術，并通過實驗分析證明了所提方法的有效性、魯棒性和實用性，具體如下:

①所提出的GVN 增強處理方法能夠突出不同背景的無人機航拍圖像中的導線，進一步促進后續導線區域分割。

②通過分析導線區域GVN 圖像上的灰度值分布來識別和定位導線斷點。 同時，導線表面缺陷也可以通過導線區域GVN 圖像的垂直投影和水平投影來識別和定位。

③所提方法的導線斷裂識別平均故障檢測準確率可達90.81%，導線表面缺陷識別的平均故障檢測準確率可達91.85%。 因此，該技術可應用于輸電線路無人機巡檢系統中。

此外，由于航拍飛行器的原因，針對導線底面或是角度特別之處的較小缺陷是無法通過圖像拍攝體現的，這也是本課題組后續的研究方向。