基于圖像深度學習的電力工程巡視識別算法設計

劉 軍，楊亞萍，王洪亮

（1.國網甘肅省電力公司，甘肅蘭州 730070；2.國網隴南供電公司，甘肅武都 746000）

保障電能的安全、穩定供應是支撐國民經濟發展的重要舉措。經過多年來的建設，我國形成了規模龐大、結構復雜的電力系統網絡，有力地推動了經濟的快速發展[1-2]。

架空線路是電能輸送的主要途徑之一，由于其所跨越的環境復雜且距離較長，故易受自然災害及人為破壞等因素的影響。當線路與被跨越物的安全凈距難以滿足要求時，就會導致放電、跳閘等安全事故的發生[3-5]。因此，架空輸電線路的巡檢對于電力系統的穩定運行極為重要。

目前在電力線路智能巡檢領域，利用智能機器人、無人機等人工智能設備采集線路的圖像信息，并結合圖像處理技術完成絕緣子、桿塔和金具等部件缺陷監測的方法，取得了一定的應用效果[6-10]。但在電力工程的圖像測距與輔助審計方面，仍有待開展研究。

針對此，文中開展圖像處理技術在電力工程巡視識別中的應用研究。通過對電力線路采集圖像的分析、處理，實現該線路安全距離的識別與審計，進而為電力工程線路檔距審計提供可靠數據及輔助決策。

1 電力工程巡視雙目測距系統

1.1 雙目測距原理

雙目測距[11-12]的核心思想是利用待觀測物體在雙目視野成像投影中的距離偏差，估計待觀測物體的實際位置偏差，其示意圖原理如圖1 所示。OL、OR分別為雙目攝像機的左右光心，M、N為待觀測物體的實際位置；α是雙目成像平面；mL與mR、nL和nR分別為M點與N點在成像平面上的投影點；xmL及xmR是M的投影點與左右坐標軸的距離；xnL和xnR則為N投影點與左右坐標軸的距離。

圖1 雙目測距原理示意圖

由圖1 可知，待觀測點M和N之間的距離以及左右相機成像平面上投影點之間的距離分別可表示為：

lL和lR之間的差異，即實際待觀測點M與N在雙目成像過程中存在的視覺差。因此在雙目成像系統的焦距、雙目間距等參數已知的情況下，可根據lL及lR之間的差異計算M和N的實際距離。

1.2 雙目測距系統架構

基于雙目測距的電力工程線路檔距識別與審計系統架構，如圖2 所示。該系統主要包括感知層、應用層和服務層。其中，感知層主要由多個感知終端構成，且終端上所攜帶的雙目攝像機能夠實時采集電力線路圖像，并定時上傳。應用層包含后臺服務器與應用系統，后臺服務器可接收來自感知終端上傳的電力線路圖像，從而運行圖像處理算法，實現電力線路檔距的識別與智能審計。同時其還能通過軟件系統與用戶進行交互，接收來自用戶的查詢請求并進行響應。服務層由云端服務器所構成，云端服務器用于存儲電力線路信息資源，并通過統一的訪問入口為應用層提供歷史信息存儲及查詢等數據服務，進而支撐應用層實現電力線路凈空距離的智能測量。

圖2 線路檔距識別與審計系統架構

2 凈空距離測量算法

文中提出了基于圖像深度學習的電力工程線路檔測智能識別與審計算法，其流程如圖3 所示。該算法主要包括圖像預處理、極線矯正、立體匹配、邊緣檢測及三維坐標構建等步驟。

圖3 檔距智能識別與審計算法流程

2.1 圖像預處理

為了降低雙目攝像機所獲取圖像中背景噪聲的干擾，需對原始圖像進行濾波操作，從而使電力線路的絕緣子、斜撐等關鍵零部件更易被識別。

維納濾波（Wiener Filter）[13]是常見的濾波算法，其核心思想是最小化濾波前后圖像灰度值之間的均方差，再通過控制圖像局部區域方差的大小，實現圖像的降噪處理。局部區域的方差越大，說明降噪效果較差，反之亦然。

首先，計算濾波前圖像灰度值的平均值和方差：

式中，Ω是以待處理像素點為中心且大小為A×B的區域；gij為區域Ω中點(i，j)的灰度值；μ與σ分別為Ω區域所有像素點灰度值的平均值和方差。灰度值的更新方法為：

其中，ν2為整個原始圖像像素點的灰度值方差。

2.2 極線矯正

在進行極線矯正之前，需要先對圖像進行畸變糾正。而圖像的畸變主要分為徑向及切向兩種。其中，徑向畸變表示為：

式中，xrad、yrad分別為x和y軸向上的徑向畸變；c1、c2和c3為雙目攝像機的徑向畸變參數；(x,y)為畸變矯正前圖像的坐標，且r2=x2+y2。

切向畸變則可以表述為：

式中，xtan和ytan分別為x軸、y軸向上的切向畸變；d1及d2均是雙目攝像機的切向畸變參數。

極線矯正過程如圖4 所示。將左右攝像機的成像平面進行旋轉，使二者均處于同一水平面上，從而便于后續的立體匹配處理。

圖4 極線矯正示意圖

2.3 立體匹配

立體匹配[14-15]的主要目標是：實現實際位置點在雙目攝像機左右成像平面上像素位置的匹配。通常其可在一定視差范圍內，實現匹配代價最小化。

采用尺寸大小為3×3 像素的卷積核，對左右成像圖像的像素點進行遍歷編碼，并將待編碼像素點作為卷積核的中心。再將卷積核周圍的其他像素點與中心像素點的灰度值進行比較。若該像素點的灰度值較大，比較結果為1；否則，結果為0。由此，形成長度為8 位的0～1 字符串：

式中，str(·)表示字符串函數，其將輸入值從左到右排列形成字符串輸出；像素點c共有Nc個鄰域像素點；gm為卷積核的非中心像素點灰度值；gc為卷積核中心像素點的灰度值；IF(·)是判斷函數，其表達式為：

進一步計算在一定視差值條件下，左右圖像之間像素點匹配的代價：

其中，d為視差值，SL(x,y)為在左圖像上像素點(x,y)編碼后的字符串；SL(x-d,y)為在右圖像上與實際空間點對應、視差值為d像素點編碼后的字符串；hamming(·)為計算漢明距離。

由式（8）可知，在不同的視差條件下，像素點之間匹配代價不同。為了獲得最優的匹配效果，文中在視差范圍(dmin,dmax)內反復迭代計算，直至下式中的能量值最小：

式中，C(c,d)為像素點c在視差值為d時的匹配代價；T(|dc-dm|=1) 為條件函數，表示當像素點c與鄰域內其他像素點m的視差值變化等于1 時，其函數值為1，否則為0；T(|dc-dm|＞1) 同理；C1和C2為懲罰系數。

2.4 邊緣檢測

邊緣檢測的主要目的在于實現圖像輪廓特征的提取。在電力線路凈空距離識別中，僅需識別關鍵點的位置，再應用邊緣檢測技術便可大幅減少圖像處理的數據量，從而加快計算速度并提高準確性。

文中在采用Sobel 算子[16-19]實現圖像邊緣檢測的同時，還降低了噪聲對圖像特征提取的干擾。該算子包括垂直與水平兩個方向的模板：

將Sobel算子滑動覆蓋在原始圖像上進行遍歷卷積計算，即可得到像素點灰度值的橫向及縱向分量：

式中，H為以目標像素點為中心所構成的尺寸為3×3 的像素點灰度值矩陣，*為卷積運算。由此，計算像素點灰度值的公式如下：

最終判斷像素點是否為邊緣節點，若像素點灰度值大于閾值Gσ，則該點為邊緣節點；否則，該點為非邊緣節點。

2.5 空間點三維坐標構建

實際空間中的點k，其空間坐標位置與圖像位置的關系為：

式中，f為成像焦距；(xk,yk,zk)為空間點k的三維坐標值；F為左右攝像機的光心距離；xkL、ykL分別為空間點k在y-z及x-z平面上，左成像圖像的投影點kL距離坐標原點的距離。

根據式（13）可得空間點k的坐標為：

2.6 線路檔距測量

在實現空間點三維坐標轉化后，根據該桿塔及左右相鄰桿塔的頂點，即可計算電力線路的檔距L：

其中，l1和l2分別為該桿塔與左右桿塔頂點的距離。由此進一步將桿塔檔距與工程要求值進行比較，從而實現電力工程線路的檔距審計。

3 算例分析

為驗證文中基于圖像深度學習的電力線路檔距識別與審計算法的有效性和正確性，選取了某10 kV配電網，且使用無人機拍攝了500 張架空線路圖像來作為輸入數據。

3.1 算法性能分析

將該文算法與基于單目測距的電力線路檔距識別算法進行對比，結果如表1 和圖5 所示。由表1 可知，相較于單目測距法，該文算法的識別結果準確度更高，且平均相對誤差僅為3.4%。而從圖5 中可以看出，該文算法對于檔距的擬合效果較優，識別結果也更為貼合實際值。與之相比，單目測距法則存在一定的偏差，由此證明了該文算法的性能較優。

表1 不同算法的檔距識別結果

圖5 檔距識別曲線

3.2 實際應用效果分析

將該文算法應用于上述500 張圖像所對應的電力線路檔距，結果如圖6 所示。

圖6 檔距審計應用結果分析

從圖6中可以看到，對應實際53條檔距不合格的線路，該文算法能夠識別出45 條，識別率為85%；而單目測距法識別出了21 條，識別率僅為40%。由此可見，該文算法在電力線路檔距審計中具有更優的應用效果。因此，其能為電力工程審計提供輔助決策。

4 結束語

文中充分利用電力工程線路的圖像數據，實現了對電力線路檔距的識別與審計，并為保障電力系統工程的精確計量與安全運行提供了有效支撐。仿真算例表明，與單目測距方法相比，該文算法電力線路檔距識別的平均相對誤差僅為3.4%，具有更高的準確性。同時，所提算法在實際電力線路檔距審計中的不合格識別率高達85%，故其還具有更優的應用效果。但文中所提算法未能實現對電力線路上體積較小零件物料缺陷的識別，這將在下一步研究中開展。