基于機器視覺的電力移動巡檢作業安全檢測方法研究

郭瑜

(國網金華供電公司，浙江 金華 321001)

0 引言

人工巡檢效率較低，手工記錄工作量較大，且存在巡檢結果不易存儲和搜尋等缺點。移動巡檢技術結合了移動終端技術與計算機技術，在石油、電力線路、傳送管道等檢測方面均得以應用，并逐漸取代傳統的人工定期、定時巡檢方式[1]。移動巡檢的出現相比傳統巡檢方式具有極大優勢，不僅不受時間和場所的約束，還有利于巡檢效率的有效提高[2]。尤其在電力方面，由于配電線路通常情況下設置在戶外環境中，并且分布范圍比較廣，自然因素會對電力配送產生不良干擾[3]。這些影響因素會造成電力線路元件老化、腐蝕，如果不及時發現極易造成電力安全故障。除此之外，雷擊、強風等自然災害的外力作用，也會對輸配電線路造成各種安全故障，電力移動巡檢的應用就必不可少。

文獻[4]提出在線監測系統與移動巡檢系統相互協同的電力電纜及隧道狀態感知方法，通過兩者之間的雙向協同策略，使其能夠在宿主設備故障確認，融合分析和檢測系統自檢方面相互配合，有效提升電力運維安全檢測水平。文獻[5]提出了一種聯合能量感知、高可靠低時延通信感知和任務優先級感知的選擇電力移動巡檢作業安全檢測。該算法在全局信息未知的情況下，動態優化選擇策略，在最大程度滿足長期能耗與高可靠低時延通信約束的同時，實現巡檢機器人效用最大化。但是，在以上兩種電力移動巡檢作業安全檢測方法的應用過程中，由于采集信息不準確造成檢測結果誤差較大[4]，機器視覺的應用開始被重視起來。作為人工智能的發展途徑之一，機器視覺采用了機器進行精準測量與識別的方法。機器視覺獲取巡檢圖像的方式經由CMOS、CCD產品傳送[5]。處理中心將接收到的圖像向數字化信號轉換，進而提取圖像中特征，最終判別電力安全故障是否存在，實現電力移動巡檢作業安全檢測，保證電力安全運行。

1 基于機器視覺的電力移動巡檢作業安全檢測方法設計

為更好地完成電力移動巡檢作業安全檢測方法設計，本文以機器視覺作為核心技術[6]。首先利用VFW(video for windows)體系獲取電力移動巡檢圖像，對獲取的圖像進行處理，保證圖像的清晰。VFW是指Microsoft推出的關于數字視頻的一個軟件開發包，并且該軟件體系可將所采集的圖像視頻幀交錯存儲。在此基礎上，基于機器視覺技術對處理后的圖像設計電力安全識別方法，最終完成整體的安全檢測[7]。

1.1 獲取電力移動巡檢圖像

電力安全檢測的基礎工作為電力移動巡檢圖像的采集，VFW作為作用于視頻應用程序的軟件工具包可以應用在電力巡檢圖像獲取的工作中[8]。由于VFW相對于其他工具的應用程序編程接口數量更多，使得用戶進行視頻捕獲、編輯的過程更加便利。視頻應用程序的開發與使用，在保證正常運行的情況下，將圖片獲取過程中的硬件設備需求降到較低的狀態。此外，利用消息驅動的手段將視頻設備的數據存儲獲取，控制設備數據流。目前來看VFW接口包容性很強，可以接受多種視頻采集卡驅動程序。VFW體系結構如圖1所示，各個組件之間協作配合，實現視頻的壓縮以及播放[9]。

圖1 VFW體系結構

由圖1可知，獲取電力移動巡檢圖像，需要利用VFW 的回調機制，通過capSetCallbackOnFrame從視頻中采集單幀圖像。對圖像的采集通過capCreateCaptureWindow函數創建采集窗口，將窗口與攝像頭的驅動相連接。利用capPreview函數設定預覽模式，然后設置采集的速率和窗口大小。對采集視頻的實時處理[10]，采用回調函數注冊，從內部實現圖像數據的采集，如圖2所示。

圖2 圖像獲取流程

1.2 預處理巡檢圖像

采集的圖像常常由于環境等外界因素的影響，導致安全檢測結果不準確。因此，需要進行巡檢圖像的預處理。預處理中主要包含降噪、去模糊兩個部分。首先，圖像的降噪處理可以提高安全檢測效率。由于圖像拍攝角度、儀器物理缺陷或者光照等因素的影響，使得獲取的巡檢圖像不清晰。對采集到的圖像先進行預處理，濾去噪聲，從而提高圖像的質量，有利于后續工作進行。通過觀察，文中選擇維納濾波的方法實現降噪。這種線性濾波方式在圖像處理中，主要作用于圖像和干擾噪聲都是未知的狀況下，想要獲得沒有被噪聲干擾的圖像f的估計值g，設計f與g的均方差最小值為e2：

e2=E{(f-g)2}

(1)

具體的濾波步驟如下：

1)求出每個像素在鄰域內的均值μ和方差σ2：

(2)

(3)

式中：NM代表鄰域；Sxy代表以Pxy為中心的NM窗口。則Pxy的灰度值公式為

(4)

式中v2表示噪聲方差。式(4)中所求的值可以作為像素P的原始灰度值的代替。維納濾波的處理效果相對而言是比較優秀的，不僅去除了多余噪聲，還將圖像的細節盡量保留，為后續的圖像識別做了足夠準備。此外對于去模糊方面來說，第一步需要進行模糊參數值的確定。由于電力移動巡檢作業按照線路進行，因此會呈現出運動趨勢，以其中某一段運動為例，進行點擴散函數計算：

(5)

式中L表示像素點的相對位移，也就是圖像模糊長度。

2)應用Radon變換的方法獲取圖像某方向的投影。圖像f(x,y)在θ角度上的Radon變換如圖3所示。

圖3 Radon運算示意圖

通過圖3所示的Radon變換，最終可以確定圖像模糊角度。而模糊尺度同樣需要公式計算獲得，文中將電力巡檢速度設為Q，d表示一定時間內的相對位移量，已知x方向的位移量與y方向的運動量分別表示為a、b，并且a=dcosθ，b=dsinθ。經過傅里葉變換后顯示為

(6)

H(u,v)的模值表示為

(7)

3)對于圖像模糊的復原處理，本文應用如圖4所示的圖像最大熵去模糊方法。構建一個退化模型是圖像去模糊復原處理的關鍵，有利于復原效果提升，原始模型經由噪聲信號獲得失真圖像。

圖4 圖像的退化模型

圖4中，h(x,y)表示模糊圖像，原始圖像和噪聲信號分別用f(x,y)、n(x,y)表示。作為一種典型的非線性去模糊復原方法，最大熵去模糊方法的核心在于以給定公式為依托，對圖像熵的可行解進行求解，并將求解結果選擇最大值。與其他去模糊方法相較，最大熵去模糊方法所需先驗知識較少，并具有抑制噪聲的優勢。在最大熵去模糊方法應用過程中，最需要注意的問題是迭代算法的運用，不合適的迭代算法增加了計算量，造成運算效率的降低。因此，可以通過線性約束的方法，選擇高效、快速和穩定的迭代算法。由于電力巡檢信息的不確定性使得傳統線性濾波的復原效果不佳。最大熵去模糊方法的應用不需要太多信息支持，僅僅依靠改變迭代步長的大小來減少迭代次數，從而獲得較好的復原效果，而且復原結果具有分辨率更高、細節更豐富、圖像更清晰的優勢。

1.3 基于機器視覺實現電力安全檢測

機器視覺的應用以計算機為核心，面向已經初步處理的電力巡檢圖像實現自身系統的再處理以及對圖像特征點進行識別，判斷電力安全故障。文中采用圖像分割方法作為識別電力安全故障的基礎。所謂的圖像分割技術在應用過程中依靠既定規則將巡檢圖像劃分區域，并且區域之間互不重疊但還保持有交集。通常情況下，小部分與周圍圖像有一定差別的區域所表現出來的特征更受到人們關注，例如圖像中的顏色、紋理等。由于特征之間的差別不明顯，需要圖像分割技術將特征點提取出來。在圖像識別中，良好的圖像分割處理對于后期的判斷結果會產生極大影響。而且，圖像分割技術提取出來的特征都是以原始圖像作為依據，經由數學的方式表現出來。

適宜的圖像分割算法有以下特征：一是經過圖像分割后，區域內存在一致的特征點，但連通和小孔不存在于區域內部；二是臨近區域內存在特征差異化；三是變現出來區域的界限。以相鄰像素值的連續性作為依據，圖像分割分成了兩大種類，分別是邊緣檢測法和區域生成法。其中圖像的邊緣檢測作用于圖像提取、識別，主要面對部分灰度突變的情況。利用圖像分割算法，對電力巡檢獲取圖像進行邊緣檢測是可以實現的。通過圖像灰度的變化，呈現出圖像的邊緣特征的幅值和方向。根據像素點處的微分值判斷圖像的邊界。邊緣點灰度抽取后的變化情況、邊界點去除、邊界點修復這幾部分是邊緣檢測的核心。面向圖像中的重要區域處理時，圖像特征的提取是基于邊緣檢測的。將突出顯示的邊緣和邊緣外區域進行剔除，保證在邊界的亮度和原圖中周圍的亮度之間，呈現出正比例關系。這個檢測過程可以應用卷積來實現不同方向邊緣檢測的效果差異。輸出圖像上的像素變亮的情況下，代表著卷積核方向上有著正的像素亮度變化。由于卷積核中系數之和是0，所以對保持不變亮度的區域進行處理，圖像像素值會大幅降低。Sobel算子為邊緣檢測算法，為了保證實際應用中檢測效率，采取高效的近似簡化算法，如圖5所示。

圖5 Sobel算子近似法

圖5中共有4條虛線經過中心點5，圖中的虛線完成了區域的分割，保證了分割后的區域內有3個子區域像素存在。通過計算子區域平均值之差的絕對值，選取計算結果中的最大值，將其設定為中心像素5。將完成計算的輸出圖像實行閾值化設置，在中心點像素值相比閾值更大的情況下，Sobel算法輸出的圖像為白顏色，否則像素顯示顏色為黑色。最終獲取一份包含著邊緣信息的黑白二值化圖像。

采用雙目機器視覺測量方法完成圖像特征點的匹配，最終實現電力移動巡檢作業安全檢測。機器視覺識別電力安全故障的基礎，在于對應圖像的視差。因此，不同圖像之間對應特征點的匹配是機器視覺識別的重要環節。根據研究可以發現在雙目機器視覺中，可以采用圖像特征匹配、灰度匹配等方法。本文設計的安全檢測選取了基于圖像特征匹配的方式。由于電力巡檢過程中的光照、陰影等外界因素的影響，導致即便同一圖像投影，可能也無法在平面上構成具有完全相同特性的對應點。

因此，針對圖像中的特征點，同另一幅正常情況下的圖像特征點分布情況相匹配，完成電力安全檢測的判斷。基于機器視覺的特征點匹配過程中，需要一些約束條件作為輔助判斷的依靠，有效提升安全檢測結果的準確性。本文采用極線約束方法，在雙目機器視覺測量中極線幾何關系如圖6所示。

圖6 雙目立體視覺中極線幾何關系

在機器視覺系統完成參數標定后，獲得巡檢圖像的相關信息參數。根據參數信息，進一步完成基本矩陣的運算處理，選定合理的極線約束關系作用于該視覺系統內部。文中對于圖像特征點的匹配，以提取障礙在兩幅圖像中的幾何特征為基礎，通過極線約束關系將初始候選匹配關系建立起來，并且對匹配關系進行兩個方向性的檢驗。將測試中不滿足條件的匹配關系進行剔除。以區域匹配方式為核心，運算特征點附近子窗口的信息和邊緣輪廓，完成匹配相似度和對稱性的測試。最后的輸出結果確保了特征點匹配結果的正確，完成基于機器視覺的電力移動巡檢作業安全檢測。

2 仿真設計與結果分析

2.1 仿真準備

為驗證本文設計的安全檢測方法在應用中具有良好的性能，進行了仿真分析。用模擬軟件模擬電力移動巡檢環境，并在此環境下進行安全檢測。同時，在模擬的環境中設置一部分影響電力安全輸送的故障，驗證安全檢測方法的檢測效果。為了加強仿真的說服力，將本文設計安全檢測方法作為實驗組測試對象，另外選擇兩種傳統的電力移動巡檢作業安全檢測方法作為對照組測試對象。通過不同方法實施后，安全檢測結果的分析得出實驗結論。

2.2 仿真結果分析

基于上述仿真準備，進行了10次的實驗，應用3種方法進行電力移動巡檢作業安全檢測后，對于安全故障的識別率如表1所示。

表1 3種安全檢測方法的故障識別率 單位：%

通過對表1數據的分析可以發現，3種安全檢測方法的識別率都達到了90%以上，并且本文方法相對而言故障識別率稍高一些，保持在95%以上，而其他兩種傳統方法的電力移動巡檢安全故障識別率也相差無幾。

根據過往數據分析，可以發現對于電力移動巡檢作業安全檢測中根據巡檢圖像識別的安全檢測結果，一部分情況下是具有誤差的，這種誤差的存在造成了工作人員工作壓力的增加。因此，在同樣的模擬環境下，對3種安全檢測方法檢測的誤差情況進行統計。統計過程中用誤報率來表示安全檢測結果中正確的數量與總數量的比值，統計結果如圖7所示。

圖7 3種安全檢測方法的誤報率

根據圖7可以得出結論，3種電力移動巡檢作業安全檢測方法的應用中，關于安全問題檢測的誤差方面，本文檢測方法占據明顯優勢。兩種傳統的安全檢測方法隨著安全故障識別率的增長，誤報率也在不斷上漲。文獻[4]方法中，從識別率為40%起誤報率就達到了10%，隨后增長至23.57%。文獻[5]方法的誤報率也處在持續增長的狀態，最終超過了15%。而本文設計方法隨著識別率不斷增加，誤報率始終穩定在2%以下。這種誤報率在電力移動巡檢作業中是可以被接受的。綜上所述，本文設計的電力移動巡檢作業安全檢測方法在實際應用中保證安全問題識別率的基礎上，大大降低了檢測誤差，更好地促進了電力系統運轉，降低了檢測工作人員的壓力。

3 結語

本文以機器視覺為基礎，設計了一種新的電力移動巡檢作業安全檢測方法。通過對圖像的獲取、識別判定電力運行狀態，最終完成電力移動巡檢作業安全檢測。通過本文的研究，有效保證了電力安全檢測的高效率、低誤差。文中設計的檢測方法在實際應用中呈現了良好的效果，如果再進行對環境的深入研究，可以實現更加完美的效果。