火電廠熱力管網無人機巡檢中的圖像處理與目標檢測技術研究

國能壽光發電有限責任公司 孫 強 吳景軍

1 某火電廠熱力管網無人機巡檢的特點

精準判斷管網漏點。無人機確認管網區域后，利用紅外高清熱成像技術，實時查看表淺層的熱量分布情況，定位管網漏點，以此縮短50%檢漏時間，減少檢漏儀器、設備投入，降低管網泄漏造成的自來水、加熱水成本和水處理、維修成本，縮減檢漏費用。指導二網平衡調節。針對熱力管網二次網系統高能耗，采用無人機巡查構筑物通風散熱狀態，結合溫度數據信息采集系統，分析構筑物正常通風散熱條件下，熱力管網高能耗的原因，針對性指導二網平衡調節，實現二網融合，助力節能降耗，減少能源浪費。快速開展應急處理。針對熱力管網周圍存在的不安全因素及事故隱患，調度中心通過實時監控收到智能報警，第一時間在漏損最近位置啟飛無人機，結合漏損現場畫面，于調度中心ERP平臺動態呈現管網參數，為快速開展應急處理提供第一手統計數據[1]。

2 某火電廠熱力管網無人機巡檢中的圖像處理方法

2.1 圖像增強與濾波

2.1.1 直方圖均衡化操作

由于熱力管網無人機巡線過程中的回傳現場圖像，存在大部分無用背景信息，由于光線照射問題，造成需要檢測、識別目標的圖像灰度值，大部分集中于狹窄區域，即圖像灰度直方圖在一個狹窄范圍內顯示。因此，為促使圖像顏色分布更廣，需要借助圖像增強處理，調整灰度圖像的明暗度，進一步凸顯圖像像素細節信息，檢測和識別目標的圖像具備更高對比度，灰度值在像素區間的分布更加均衡，圖像更加清晰。

實現圖像增強處理算法，首先需要利用遞推算法，完成灰度區積累分布函數計算。灰度化處理計算公式為：s=T（r）=（L-1）∫0rP（rw）,0≤r≤L-1，式中：Pr（w）、T（r）為已知導函數連續變量；w為假積分變量；s為直方圖均衡處理后映射后的灰度；r為像素點灰度值；Pr為PDF概率密度函數；L為直方圖均衡化處理前的灰度級；T為遞增且單調的灰度變換函數。

通過對計算以上公式求導計算，得到計算公式：ds/dr=dT（r）/dr=（L-1）d/dr[∫r0Pr（w）dw]=（L-1）Pr（r），將此公式計算結果代入映射后變量s的PDF概率密度函數計算公式：Ps（s）=Pr（r）|dr/ds|，得到計算公式：Ps（s）=Pr（r）dr/ds=Pr（r）|1/（L-1）Pr（r）|=1/（L-1），0≤s≤L-1，由此公式可以了解到，Ps（s）為均勻PDF概率密度函數。

上述推導過程主要關于連續函數，對像素點的離散數值來講，得到Pr（rk）出現的近似概率計算公式：Pr（rk）nk/MN,k=0,1,2,…,L-1，式中：nk為灰度，代表rk具體的像素個數；MN為圖像全部像素點的個數總和。灰度數值均衡化處理的計算公式為：k=0,1,2,…,L-1。

通過上述關鍵步驟，已經對數據較為集中的暗淡圖像，完成直方圖均衡化處理，通過處理可以促使導線和防震錘更加清晰可見。

2.1.2 圖像濾波去噪

針對火電廠熱力管網無人機巡檢過程中的圖像濾波去噪處理來講，假如發現存在各種噪聲的若干張圖像，需要通過圖像濾波處理，降低噪聲對圖像產生的副作用，較為常見的圖像濾波去噪聲方法涉及均值濾波、高斯濾波、中值濾波。本次研究主要運用高斯濾波與中值濾波完成對圖像每個像素點的灰度值處理，在完成求解加權后，利用歸一化操作去除圖像的高斯噪聲。圖像濾波去噪處理模板函數如下式所示：

高斯濾波利用以鐘形曲線為代表的高斯函數完成圖像的卷積操作，利用曲線的中心對稱性和單峰性，對無人機管網巡檢圖像進行平滑、降噪處理。中值濾波基于排序統計理論，利用無人機巡檢熱力管網圖像區域內中值，替換圖像中心點位置每個像素點的數值，去除部分噪聲后，產生簡單邊緣平滑效果。對數據集中表現出明顯噪聲的無人機巡檢圖像展開濾波去噪操作，采取高斯濾波和中值濾波中高效、迅速的運算結果。

2.1.3 邊緣檢測

一階微分算子。在完成上述圖像濾波去噪處理后，使用一階微分算子邊緣檢測，借助空域微分算子，通過卷集對函數進行求導，在圖像分割實踐中，通過VC++6.0實現。ROBERTS邊緣檢測算子計算公式如下：G[i,j]=|f[i,j]-f[i+1,j+1]|+|f[i,j]-f[i+1,j]|-f[i,j+1]）、G[i,j]=[（f[i,j]-f[i+1,j+1]）+（f[i+1,j]-f[i,j+1]）]，式中：G[i,j]為圖像邊緣檢測后的坐標點像素數值；（f[i,j]為圖像邊緣檢測前的坐標點像素數值。ROBERTS邊緣檢測算子模板如下：01-10100-1。

SOBEL邊緣檢測算子計算公式如下：ΔG=f（i-1,j+1）+2f（i,j+1）+f（i+1,j+1）-f（i-1,j-1）-2f（i,j-1）-f（i+1,j-1）、ΔG=f（i-1,j-1）+2f（i-1,j）+f（i-1,j+1）-f（i+1,j-1）-2f（i+1,j）-f（i+1,j+1），通過上述計算公式可以得出權系數矩陣模板：-1-200012310-1-20-21 0-1。

利用兩個矩陣進行卷積，可以看出左側矩陣對圖像水平邊緣敏感，右側矩陣對圖像垂直邊緣敏感。在兩個卷積值中選擇最大的數值作為邊緣幅度值的中心點，獲得更好的圖像邊緣檢測效果。MARR HILDRETH邊緣檢測算子（LOG）。LOG邊緣檢測算子主要以較小算則為基礎，解決圖像邊緣檢測的定位精度與噪聲抑制兩個核心問題，檢測算法如下：用一個對G（x,y）=e-(x2-y2)/2σ2取樣的n×n的高斯濾波器，輸入圖像濾波利用運算模板：

得到無人機巡檢圖像的拉普拉斯，找到圖像關鍵特征0交叉。

在使用σ值過程中，雖然圖像呈現出0交叉的特征，但在LOG、DOG的0交叉上將產生差異化幅度大小，可以通過標定各自幅度，確定兼容數值。為確定高斯濾波大小，采取二維高斯表面下的均值，在±3σ間的99.7%。利用大小為n×n的LOG離散濾波，的大小等于6σ的最小n值，在最小奇整數上，濾波模板將截斷LOG函數，程度與模板大小呈現出反比例關系，使用較大的模板對算法的結果影響并不顯著。

Canny算子。Canny算子屬于計算機視覺中的多級邊緣檢測算法，在熱力管網無人機巡檢圖像處理過程中，可以將Canny算子歸集到一個函數中進行調用，在效果觀察過程中，主要運用高斯濾波進行噪聲去除，在抗噪聲干擾和精準定位過程中，尋找最佳的圖像折中處理方案，將圖像中的噪聲予以快速過濾。3×3卷積核模板為：

利用模板可以將無人機巡檢圖像中的噪聲部分進行過濾，防止在邊緣檢測過程中，誤識別錯誤噪聲信息。

2.2 增強數據集

熱力管網無人機巡檢過程的數據集一般約為1500張左右，大部分深度學習的神經網絡擁有大量的參數數據，需要利用大量的學習樣本進行參數數據的訓練。在數據集數量較為固定的前提下，容易出現相似的處理圖像，在一定程度上會產生過擬合情況。因此，針對避免過擬合這一核心任務，需要對數據集進行增強和擴充處理。現階段，常見管網巡檢圖像數據集增強方法，主要涉及水平、垂直翻轉，利用剪取一定面積、旋轉一定角度、縮放一定比例、變換一定視覺等完成。本次研究主要利用裁剪、旋轉等操作進行數據集的擴充式增強。

3 某火電廠熱力管網無人機巡檢中的目標檢測技術

3.1 生成候選框的算法

3.1.1 BING算法

BING算法利用無人機巡線所獲得的管網圖像中，物體的封閉輪廓性質，將其壓縮到較小尺寸，在圖像封閉輪廓區域梯度變化較小的前提下，計算NG特征，在訓練階段，將36種不同的尺寸窗口，壓縮到8×8大小尺寸的空間內，觀察特征區別，NG特征的計算公式如下：。

第一階段：使用SVM分類器進行目標和非目標候選框的區分，需要在區分過程中，將無人機巡線圖像壓縮到36種具有差異的尺寸，在計算NG，特征過程中，使用SVM分類器進行特征訓練，在訓練過程中的計算公式如下：Sl=〈w,gl〉、l=（i,x,y），式中：Sl為候選框的響應環節；l為NG特征；（x,y）為候選框的具體位置；i為候選框分層層內坐標和層內尺度編號。

訓練正、負樣本來自NG特征，通過訓練階段獲得線性模型，在改進模型二值化特征后，可以快速加強BING算法的運算速度。二值化分解運算公式為：，通過上式，針對特征向量b，將向量取值過程簡化為：，對NG特征二值化優化，由于NG特征屬于8×8維的，因此，NG特征的點所對應的特征值，需要用byte予以表示，通常來講，需要運用三維矩陣進行表示，在進行移位操作過程中，需要運用單個NG特征表示in64變量進行存儲。在運算操作過程中，需要利用二值化的線性模型和NG特征加快算法運算速度，公式如下：。

第二階段：在第一階段中得到尺寸得分，因此，按照計算結果進行標簽賦分，將計算結果置放于第二個SVM分類器進行訓練學習，通過計算得到：ol=vi×Sl+ti，式中：vi和ti分別表示加權系數、系數偏置。在處理火電廠熱力管網無人機巡檢圖片過程中，可以將圖片轉換成36種大小尺寸，通過第一階段進行候選框得分的獲取，通過第二階段得到每類最佳得分。

3.1.2 基于深度學習的Selective search算法

作為召回率較高的選擇性搜索算法，Selective search充分融合圖像分割與蠻力搜索，通過豐富的策略，對完成分割的區域進行合并處理，通過采取層次算法，降低圖像搜索空間，降低搜索障礙，主要涉及四種關鍵的相似度合并算法。在顏色上，針對顏色相似度的計算如下：，在直方圖計算過程中，針對新區域的計算如下：

紋理相似度計算從八個方向，計算通道的高斯微分，在計算過程中，組成240維的向量，公式如下：；在計算大小相似度的過程中，需要有限進行小區域的合并，大小主要指區域所包含的像素點大小，相似度的計算公式如下：

吻合相似度主要用來測試即將合并區域的吻合程度，在候選框區域大小的合并后，計算公式如下：

通過對上述四種關鍵的相似度進行組合，得到：s（ri,rj）=a1scolour（ri,rj）+a2stexture（ri,rj）+a3ssize（ri,rj）+a4sfill（ri,rj）。

3.2 目標檢測的網絡算法

YOLO算法。其在完成熱力管網無人機巡檢過程中，憑借簡單的算法架構，較快的速度、較高的精度，形成較低的圖像背景錯誤識別率。在完成目標檢測過程中，YOLO算法通過軍基層計算獲得圖像物體具體位置信息和目標類別信息，在整體上來講，YOLO算法能夠實現端到端的目標檢測，通過對圖像特征層的網格像素予以編譯和解碼，能夠大幅度增加目標檢測速度。在YOLO網絡結構上，采取s×s個小方格，對圖像進行均勻切割，通過切割獲得的方格，對候選框和物體類別概率值進行預測。每個候選框和物體的預測概率在計算過程中的公式為：。

SSD改進算法。SSD網絡模型充分結合YOLO算法中的卷積神經網絡思想，在特征圖上通過設計默認框，促使SSD網絡模型采用FPN特征金字塔結構進行檢測，輸出已經定義好的矩形框，提取圖像中不同特征，能夠快速、有效地將低分辨率和高語義的信息進行提取，在檢測速度上更快、精度上更高。