架空線路動態目標智能識別驅趕方法

摘 要：由于現行方法在架空線路動態目標智能識別驅趕場景中應用效果不佳，目標識別驅趕時延較長，方法時效性較差，因此本文提出基于機器視覺的架空線路動態目標智能識別驅趕方法。采用直線段生長算法對原始圖像進行處理，提取感興趣區域。采用鄰域平均法對圖像實施平滑處理，利用機器視覺技術對提取圖像輪廓和架空線路，識別動態目標，采用激光器和超聲波脈沖裝置驅趕識別的動態目標驅趕。經過試驗證明，本文方法驅趕時延不超過30μm，可以實現對架空線路動態目標智能實時識別驅趕。

關鍵詞：機器視覺；架空線路；動態目標；識別驅趕；直線段生長算法；鄰域平均法

中圖分類號：TM 726" " " 文獻標志碼：A

架空線路是電網的重要組成部分，執行將電能從發電廠輸送到用戶端的關鍵任務。然而，架空線路大多暴露在野外環境中，長期受自然因素和人為活動干擾，其中松鼠、鳥類活動對架空線路的安全運行構成了嚴重威脅。本文引入智能識別技術和驅趕設備，可以對架空線路周圍動態目標活動進行實時監測和有效驅趕，從而降低動態目標對線路安全的威脅，提高電力供應的穩定性和可靠性。文獻[1]提出基于顯著性加強和YOLOv5算法的方法，該方法能夠增強圖像中關鍵區域的顯著性，結合YOLOv5的目標檢測能力，對輸電線路異物進行識別和驅趕。文獻[2]提出融合直線機制與膨脹算法的方法，利用直線特征識別提取輸電線，利用矩形區域膨脹檢測對輸電線上目標進行檢測與驅趕。

1 感興趣區域提取

本文采用機器視覺技術對架空線路上的動態目標進行識別和驅趕，由攝像機等影像傳感器采集影像資料，再運用電腦技術進行處理與分析，以辨識、偵測、追蹤和量測影像中的目標。因此，需要在架空線路關鍵區域內安裝相機，利用相機獲取區域內的視頻信息。在處理架空線路監控視頻數據過程中，通常將整個視頻視作一個由連續幀圖像構成的序列，并逐一處理這些幀圖像。架空線路監控視頻處理流程如圖1所示。

鑒于本研究主要聚焦于架空線路動態目標智能識別驅趕，在處理過程中關注點限定在輸電線路周圍的圖像區域，即所謂的“感興趣區域”（ROI），忽略其他非關鍵性的圖像內容，這樣可以避免計算開銷，并減少誤檢的可能性。特別是在航拍無人機以垂直向下的角度拍攝得到的視頻序列中，架空線路通常以多根一束的形式緊密排列。為了精準提取這些感興趣區域，本文采用直線段生長算法對原始圖像處理，提取感興趣區域。直線段生長算法先計算每個像素點的梯度，構建一個方向向量圖，并采用像素生長的方法來提取直線段[3]。該算法選取一個初始的種子點，并以此為起點進行區域擴張檢測。如果某個像素點與當前區域方向之差小于預設的閾值，那么該像素點就會被歸入當前區域。區域生長是指隨像素點不斷加入，區域逐漸擴展，直到滿足停止條件為止。得到直線段區域后，確定直線段的方向和位置，即區域方向角，區域方向角的計算過程如公式（1）所示。

（1）

式中：α表示架空線路區域方向角；i表示原始圖像區域內像素點數量；βi表示原始圖像內第i個像素點的方向向量角。

直線段的中點位置是該區域的重心，區域重心如公式（2）所示。

（2）

式中：W（x，y）表示生長區域重心坐標；S表示生長區域；w表示像素點（x，y）的權重系數；（x，y）表示區域內像素點的坐標[4]。

基于重心和直線段方向，可以確定一個矩形，以其為中心軸。以得到的線段為初始線段，采用相似的線段面積增長方法對整個圖像進行區域聚類。判定2該文段線是否在同一組中的條件如下：它們之間的夾角和相對位置是否分別小于預設的區域方向角閾值和區域重心距離閾值，如公式（3）所示。

（3）

式中：H表示圖像區域聚類結果；0表示感興趣區域；1表示不感興趣區域；al、bl分別表示2個線段與水平方向的夾角；xal、yal表示線段a上點的橫坐標和縱坐標；xbl、ybl表示線段b上點的橫坐標和縱坐標。

利用以上公式提取相機拍攝視頻中的感興趣區域，將其作為后續動態目標識別對象。

2 感興趣區域平滑處理

考慮圖像在采集過程中受外界因素干擾，本文采用鄰域平均法對圖像進行平滑處理，具體操作流程如下所示。首先，設計一個特定的模板，將其作為處理圖像的基本單元。其次，根據各像素點與周邊像元的相對重要性，采用高斯函數求出各像素點的權值。計算完加權平均后，將這個數值分配到模板中央像素點的灰度值，從而對這個像素點進行平滑化處理。圖像平滑處理前、后對比如圖2所示。

進而對圖像中的各像素點進行遍歷和處理，直至對所有像素點進行加權平均，從而完成整個圖像的平滑處理過程。在這個過程中，輸入的圖像利用高斯函數進行預處理，所選用的高斯函數具有特定的數學形式，如公式（4）所示。

（4）

式中：G（x，y）表示濾波后的感興趣區域圖像；σ表示高斯濾波系數。

利用以上公式對區域內所有像素點進行平滑處理，消除區域內的噪聲。

3 基于機器視覺的動態目標智能識別

在上述基礎上，采用機器視覺技術對感興趣區域的邊緣進行檢測，以此提取圖像的邊緣。機器視覺技術利用有限差分方法，在2×2的鄰域中，對序列的梯度幅度和方向進行估計。首先，對圖像中各像素點進行橫、豎向偏導數，分別記為Px（x，y）和Py（x，y）。利用偏導數來計算每個像素點的梯度幅值和方向。這2個值分別如公式（5）、公式（6）所示。

（5）

（6）

式中：D表示感興趣區域像素點（x，y）的梯度幅值；?（x，y）表示感興趣區域像素點（x，y）的方向角。

得到梯度幅值矩陣后，梯度幅值的極大值附近會形成所謂的“屋脊帶”。為了更精確地定位邊緣，需要對屋脊帶進行細化處理，使之在該區域內保持局部極值，其余均設為0，使屋脊帶狀區域得到細化。該方法利用去最大值壓制，將屋脊帶的寬度減少至一個像素，保持了屋脊的幅度。但是此時圖像中仍然可能存在較多的偽邊緣。為了濾除這些偽邊緣并消除噪聲，需要進行閾值化處理，再通過遞歸追蹤的方法獲得最終的邊緣信息。

采用機器視覺技術中的霍夫變換技術對獲取的邊緣圖像進行變換處理，提取圖像中的架空線路。在霍夫變換下，直角坐標系內的點與參數空間內的正弦曲線相對應，共線的點與某一點相交的正弦曲線群相對應，從而可以在邊界圖像中對線進行檢測，如公式（7）所示。

p=xcosβ+ysinβ （7）

式中：p表示邊緣圖像中任意一點到直線的距離；β表示通過該點的垂線與直角坐標系橫軸的夾角。

由歐幾里得定理可知，如果邊緣圖像中一個點到直線的距離為0，那么說明該點正好位于直線上。在處理圖像過程中，可以計算p，并將所有距離值為0的點連接起來，即可提取邊緣圖像中的架空線路。如果霍夫變換的結果顯示2條完整的架空線路，并且這2條直線在遠處相交于一點，那么可以認為線路上不存在動態目標。相反，如果2條線路直線沒有相交于一點，或者其中一條直線不完整，那么表明架空線路上存在動態目標。按照該原則識別架空線路動態目標，如公式（8）所示。

（8）

式中：υ表示架空線路動態目標識別結果；1表示監控區域內存在動態目標；0表示監控區域內不存在動態目標；l1p、l2p分別表示霍夫變換后的2條架空線路。

利用以上公式識別監控區域內是否存在動態目標，根據識別結果確定是否采取驅趕措施。

4 動態目標聽視覺刺激驅趕

鑒于鳥類與松鼠對紅色光譜中的激光束具有極高的敏感性，本文特意選用波長為638nm的激光器，并對其電路進行優化處理，以降低能耗，并保證激光器能夠長時間穩定運行。該激光束具備120°的寬廣發散角度，能夠在距離發射源2m的位置形成直徑達5m的“滿天星”式發散光斑，保證光斑能夠充分覆蓋柱上開關及其上方的關鍵區域，對擅自闖入防護區域的小動物形成有效的視覺震懾與驅趕效果。此外，鳥類與松鼠的聽覺系統異常靈敏，尤其對超聲波具有強烈反應。當感受到潛在威脅時，它們會發出頻率為30kHz～50kHz的超聲波。基于該生物特性，本文設計了一款大功率超聲波脈沖裝置，該裝置能夠釋放出高強度的超聲波信號，直接作用于松鼠等小動物的聽覺系統，產生強烈的干擾與刺激。

本文在監測區域內線路上安裝了激光器和超聲波脈沖裝置，利用無線網絡接收動態目標智能識別結果。當識別到區域內存在目標時，驅動激光器和超聲波脈沖裝置開關發出激光和超聲波信號，對區域內的動態目標進行驅趕，以此實現基于機器視覺的架空線路動態目標智能識別驅趕。

5 試驗論證

5.1 試驗對象和流程

為了驗證本文提出的基于機器視覺的架空線路動態目標智能識別驅趕方法的性能，以某架空線路為試驗對象，線路長度為5000m，線路布設50個動態目標監控區，監控區域范圍為200mm×200mm×200mm。根據該架空線路實際情況，試驗準備了50臺型號為KHFAS-A5F6的相機，相機參數設置如下：焦距設置為5.25μm，拍攝頻率設置為2.62Hz，分辨率設置為2 850 ppi×2 850 ppi，拍攝時間為24h。試驗獲取架空線路監控區域內24h視頻數據，利用公式（1）、公式（2）和公式（3）提取感興趣區域1000張。利用公式（4）對圖像進行平滑處理，應用公式（5）～公式（8）對架空線路進行動態目標識別，共識別到24個動態目標。

試驗在每個動態監控區域內安裝激光器、超聲波脈沖裝置，2個驅趕裝置參數設置如下：激光波長分辨率設置為0.85nm，波長設置為638nm，激光波發射頻率設置為0.63Hz。超聲波長分辨率設置為0.56nm，波長設置為45kHz，超聲波發射頻率設置為25.62Hz，對識別到的動態目標進行自動驅趕。

5.2 對照組設置和指標

為了使本文研究具有一定的參考性和學術性價值，并且凸顯本文方法的優勢，將文獻[1]提出的基于顯著性加強和YOLOv5算法的方法、文獻[2]提出的融合直線機制與膨脹算法的方法作為對照組，與本文方法進行比較。

對比指標選擇動態目標驅趕時延。考慮實際中對架空線路動態目標驅趕時效性要求較高，時延越長，動態目標對架空線路的損害概率越高，危害性也越大，因此本文比較3種方法動態目標驅趕時延，評價本文方法在應用場景中的時效性。

該指標的檢驗以樣本信噪比水平為變量，統計與記錄-2dB～4dB下動態目標識別驅趕時延。

5.3 試驗結果與討論

3種方法在架空線路動態目標智能識別驅趕場景中的時效性檢驗結果如圖3所示。

從圖3可以看出，在應用場景中，文獻[2]方法對動態目標識別驅趕時延最長，當信噪比水平最低時，驅趕時延可以達到70μm以上，本文方法時延最短，在信噪比水平最低情況下，驅趕時延不超過30μm，遠低于其他2種方法。試驗證明，本文方法可以實現架空線路動態目標智能實時識別驅趕，時效性良好。

6 結語

本文對基于機器視覺的架空線路動態目標智能識別驅趕方法進行了研究，融合了先進的圖像處理、目標檢測與識別算法，采用了智能驅趕策略，有效提升了架空線路的安全防護水平。該方法不僅實現了對鳥類等動態目標的實時監測與精準識別，而且采用智能驅趕手段，有效降低了異物附著導致的電力故障風險。未來，隨著機器視覺技術不斷發展，基于機器視覺的架空線路動態目標智能識別驅趕方法將更智能化、高效化，為構建安全、穩定的智能電網體系提供有力的技術支撐，共同推動電力行業的智能化轉型與發展。

參考文獻

[1]高騫，洪宇，薛禾雨.基于顯著性加強和YOLOv5算法的輸電線路異物快速識別方法研究[J].自動化與儀器儀表，2024（7）：340-342，346.

[2]馬洲俊，王茂飛，蔣承伶.一種融合直線機制與膨脹算法的輸電線路異物檢測方法[J].機械與電子，2024，42（5）：29-35，40.

[3]孫陽，李佳.基于通道剪枝的YOLOv7-tiny輸電線路異物檢測算法[J].計算機工程與應用，2024，60（14）：319-328.

[4]沈曉峰，謝偉，孫路，等.基于相鄰幀差法的輸電線路異物目標檢測研究[J].自動化儀表，2023，44（10）：20-24.