基于高精度圖像識別技術的輸變電設備巡檢方法研究

閆建平，張輝疆，李剛，張?zhí)炖?/p>

（國網伊犁伊河供電有限責任公司，新疆伊犁 835000）

近年來，隨著無人機技術的不斷發(fā)展，電力網絡中基于無人機的智能化巡檢平臺建設成為了研究熱點之一[1-6]。對于高壓輸變電線路、設備，采用無人機巡檢可以克服復雜地形、惡劣天氣的影響，提升巡檢的效率與安全性。無人機的智能化巡檢主要分為兩個方面：1）研究無人機的飛行線路控制；2）研究無人機采集圖像的傳輸與處理。該文主要針對第二個方向展開研究[7-12]。在現有的技術框架和工作流程下，無人機負責圖像采集，而圖像的處理與識別仍然在離線狀態(tài)下進行。巡檢人員借助于數字圖像識別技術，對無人機采集的圖像進行大批量地分析，找到可能影響線路運行的安全隱患。因此，輸電運檢人員需要快速、精準的圖像識別技術的支持。

基于以上分析，該文對圖像的灰度化、亮度均衡、圖像增強等處理流程進行了梳理，對這一過程中所涉及的相關數學變換方法進行了研究。此外，為了彌補現有的圖像檢測算法在電力線路中應用的局限性，還引入了一種基于希爾伯特變化的相位一致性圖像檢測算法；同時，使用AlexNet 卷積神經網絡搭建了圖像識別系統(tǒng)，對實際生產環(huán)境下采集的圖像進行仿真實驗，并給出仿真結果[13-16]。

1 理論基礎

1.1 圖像預處理

在使用無人機進行電力設備巡檢時，由于野外環(huán)境復雜，圖像的采集受到噪聲和運動模糊的影響，圖像質量無法得到保證。因此，為了消除模糊、畸變等現象對于圖像質量的影響，首先需要對圖像進行預處理。

在數學上，灰度化是將R、G、B三個顏色通道置為R=G=B的過程，最終使用[0,255]中的某個數值作為圖像的灰度值。常用的灰度化方法包括最大值法、平均值法、分量法和加權平均法。考慮到輸電線路的背景通常為綠色，而人眼對于綠色識別的靈敏度較高，因此該文采用加權平均法對圖像進行灰度化：

然后對灰度圖像進行亮度均衡，在亮度均衡時，通過使用直方圖均值化來避免圖像產生局部過亮或過暗。對于灰度值為P的原始圖像直方圖與累計直方圖有：

經灰度變換后，根據灰度變換關系i→j，對圖像進行修正，即可得到g(m,n)=j。其中，j的計算方法如下：

隨后進行對比度增強。對比度增強的主要目的是提升有用信息的視覺效果，同時抑制噪聲信息的干擾。文中主要包括圖像邊緣、目標物體的邊緣增強，對于圖像函數f(x,y)具體的處理方法如下。

計算f(x,y)的梯度值上對幅度的最大變化率：

對于數字圖像，可以直接使用差分運算替代偏微分：

在對比度增強后，對圖像進行去噪，降低圖像在生成、傳輸過程中受到的噪聲干擾。文中采用均值濾波的方法，對f(x,y)濾波后的圖像g(x,y)可表示為：

根據式（6），對距目標點為單位間距的區(qū)域均值濾波后的像素值可表示為：

1.2 圖像檢測

在輸變電設備巡檢場景下，快速、準確地在圖像中檢測出輸電線路是完成圖像識別的關鍵環(huán)節(jié)。由于電力線路為直線且特征明顯，因此在傳統(tǒng)的圖像檢測算法上進行針對性地改進，從而可以取得更優(yōu)的適應性。

經典的邊緣檢測算法通常在灰度圖像下實施，在進行邊緣判別時，一般選取圖像發(fā)生灰度突變的位置。灰度圖像的一階導數是衡量灰度變化的最直接指標，而二階導數則是判定圖像零點的條件。對于灰度圖像g(x,y)，首先引入高斯拉普拉斯二階微分算子（LOG）：

在g(x,y)上使用LOG 算子：

隨后，在灰度圖像中標記出二階導數為0 的交叉點，即可完成圖像的邊緣檢測。在傳統(tǒng)的邊緣檢測算法下，可以較好地保證圖像中邊緣的完整性。但由于電力線路多為直線，當兩條平行的輸電線路靠近時，容易發(fā)生檢測混淆。因此，該文引入了一種頻域的圖像分割方法。

根據信號分析理論，對于一維信號，其時域特征總是出現在諧波分量的最大疊加處。此時，對于其局部能量，定義一個相位一致性指標：

其中，an是圖像經傅里葉變換后的n次諧波振幅，E(t)的表示如下：

其中，hx(t)為圖像的希爾伯特變換：

采用圖像的一致性指標可以準確地表征信號的階梯形態(tài)，檢測圖像中物體的邊緣。對于圖像，由于其在x、y兩個方向皆有信號，所以仍需將希爾伯特推廣到二維：

對于數字圖像，其二維希爾伯特為離散形式，在像素窗口大小為M×N的區(qū)域進行希爾伯特變換：

當m、n取7 時：

此時，可以得到基于相位一致性的圖像邊緣檢測算法的計算流程，如圖1 所示。

圖1 基于相位一致性的圖像邊緣檢測算法計算流程

2 方法實現

2.1 仿真實驗設計

首先需要準備仿真需要的數字圖像樣本，該文使用的數據樣本全部來自于某供電公司輸電運檢工區(qū)的一線生產數據，由無人機現場采集而來。文中對這些數據進行了預處理，從中提取的樣本集1 與樣本集2 的像素個數分別為167 310 與642 600。其中，樣本集1 包含的樣本數量為1 213 幅，樣本集2 包含的樣本數量為1 006 幅。在使用前，為了保證圖像的可用性，通過人工對輸電線路中的絕緣子、線路金具、導線、地線、接地裝置等組成部分進行了標記。此外，算法仿真的實驗環(huán)境參數如表1 所示。

表1 算法仿真環(huán)境參數

在進行圖像識別時，首先采用上文中的相關算法對兩個樣本集進行預處理。然后，將預處理后的每個樣本集按照7∶3 的比例劃分為訓練集和測試集。最終使用AlexNet 卷積神經網絡作為圖像分類的算法，其網絡的參數設置如表2 所示。

表2 網絡參數設置

2.2 仿真結果

在進行輸電圖像的識別時，需要經過圖像的增強、分割、分析三大步驟。為了更優(yōu)地評估該文算法在每個環(huán)節(jié)的性能，首先對算法在各個環(huán)節(jié)下的耗時進行統(tǒng)計，結果如表3 所示。

表3 算法各環(huán)節(jié)耗時以及占比統(tǒng)計

從表3 可以看出，算法的運行時間會隨著圖像像素數的增長而變長。在算法的運行過程中，用于圖像分割的時間最長。表4 和表5 給出了圖像分割、圖像識別各個環(huán)節(jié)中的運行耗時所占百分比。從中可以看出，算法運行的時間主要消耗在了希爾伯特變換上，這為后續(xù)算法的運行時間優(yōu)化提供了方向。圖2 為部分樣本的識別示意圖。

表4 圖像分割各環(huán)節(jié)的運行耗時占比

表5 圖像識別各環(huán)節(jié)的運行耗時占比

圖2（a）在輸電線路的地線上，準確地識別出了防震錘；圖2（b）在輸電線的干擾下，識別出了絕緣子。為了評估該文算法的識別結果，其還給出了樣本在Canny 邊緣檢測、二階微分邊緣檢測等不同圖像檢測算法下的識別精度。

圖2 部分樣本的識別示意圖

從表6 和表7 的識別結果可以看出，使用該文方法后，兩個樣本集的識別精度分別為94.7%和96.3%。

表6 樣本集1在不同圖像檢測算法下的識別精度

表7 樣本集2在不同圖像檢測算法下的識別精度

3 結束語

文中所提出的基于相位一致性的圖像邊緣檢測算法提升了輸電線路圖像識別時的精度。對比計算結果數據可以看出，隨著樣本像素點的大幅增加，使得算法的運行耗時增大了約兩倍，但算法的識別精度只提升了1.6%。因此，綜合考慮算法的運行時間和識別精度，在對識別效率要求較高的場景下，可以先對圖像進行降采樣處理。