廣東工業(yè)大學(xué)機電工程學(xué)院 呂耀輝 傅 惠

隨著我國經(jīng)濟的快速發(fā)展，提供可靠性和高質(zhì)量的電力系統(tǒng)成為首要任務(wù)，高壓輸電線路在進行電力傳輸時，必須要求安全穩(wěn)定運行，從而使電力系統(tǒng)的可靠穩(wěn)定。

由人工巡檢維護方式存在運行維護成本高，考慮如何綜合多種檢測方式，研究高壓巡檢機器人實現(xiàn)輸電線橫擔(dān)處螺栓缺陷檢測的自動化及提高在線檢測的環(huán)境適應(yīng)能力成為了重要的研究課題。

1 圖像預(yù)處理

自適應(yīng)中值濾波：

觀察本文采集的輸電線圖片有大量的斑點噪聲，考慮到中值濾波法在去除斑點、脈沖噪聲后對圖片邊緣細節(jié)影響不大。將像素點鄰域灰度值的中值代替該像素點的灰度值是中值濾波的核心。由于中值濾波效對濾波窗口沒有加以限制，太小則沒有去噪能力，太大模糊邊緣信息，且噪聲點的灰度變化很類似于邊緣點的，故中值濾波去除噪聲的同時也將使邊緣像素的灰度值同等程度改變?？紤]到鄰域內(nèi)變化劇烈的像素點一般都是噪聲點，而邊緣往往不在領(lǐng)域內(nèi)，則本文采用了自適應(yīng)中值濾波。該算法核心思想是在濾波窗口覆蓋下，消除了邊緣點是極值的情況，所以，如果是極值，則該像素使用中值濾波處理；如果不是極值，則保留原像素點。改進之后的中值濾波在不影響邊緣信息的前提下，有效地去除孤立的噪聲點，尤其是斑點噪聲。在本文中，螺栓檢測區(qū)域各點相關(guān)性很強且要尋找該區(qū)域的邊緣，所以很適合用中值濾波去除噪點。

圖1 斑自適應(yīng)濾波前后對比

2 螺栓區(qū)域定位

鑒于高壓巡檢機器人所傳回的為分辨率較高的圖片、并且背景較為復(fù)雜，使得用螺栓缺陷檢測整張的圖片時，所要求達到的計算量過大，但是，如果可以對故障進行精確的定位，僅針對感興趣的故障定位，也就是螺栓區(qū)域，進行處理的時候，不僅僅可以大幅度的減少計算量，對系統(tǒng)資源的要求也會降低，而且可以提升整個系統(tǒng)的效率還有進行檢測時的準(zhǔn)確率。由此可見，螺栓的定位在次處變得尤為重要和必不可少。對螺栓區(qū)域的定位先需要利用快速傅里葉模板匹配方法來判定得出區(qū)域的大致邊界，接著采用改進的霍夫變換，進一步逐漸實現(xiàn)對位置的精確化。

圖2 螺栓區(qū)域定位算法流程圖

2.1 螺栓區(qū)域定位

需要了解的是，模板匹配的定位原理以及模板匹配的思路。當(dāng)運行時，將該模板放入到輸入圖像當(dāng)中，接著以此來進行逐像素掃描，每當(dāng)掃描一個位置時，將對模板和覆蓋區(qū)域的匹配相似度展開一次計算。最后，即可在輸入圖像中搜索獲取到模板的最佳匹配位置。模板在輸入圖像當(dāng)中每移動一個位置時，即對應(yīng)了一個相應(yīng)的候選窗口。我們設(shè)定一個候選窗口集用setcan表示，即：，該集合中的代表第S個候選窗口。與此對應(yīng)，對于最佳匹配窗口的定義，為與目標(biāo)模板具有著最佳匹配的相似度的候選窗口，此候選窗口即被命名為最佳匹配窗口。對于輸入的圖像f(x,y)，其大小為Wp*Hp時，以及模板Xt，其大小為Wt*Ht，此種條件下，通常符合以下條件，其對應(yīng)的候選窗口集，即定義為setcan，其所包含的元素個數(shù)M可以通過以下公式獲得，即。

為了度量候選窗口與模板之間的匹配相似度，采用了一種簡單的方法，我們所熟悉的歸一化相關(guān)系數(shù)（Normalized Cross Correlation，簡稱 NCC）。

本文采用快速傅里葉變換算法，省去了模板對候選窗口逐一掃描，僅通過一次運算，得到模板在圖像各個位置上的相似度值。公式(1)可以展開為如下形式：

圖3 匹配效果圖

圖4 螺栓區(qū)域粗提取

快速傅里葉變換算法的應(yīng)用，可以在很大程度上減少計算量，使模板匹配定位更加實用。

2.2 桿塔橫擔(dān)區(qū)域定位

對于螺栓區(qū)域進行的定位，實質(zhì)性為對桿塔橫擔(dān)上需要待檢查的螺栓的粗定位。桿塔上所安裝的螺栓以及螺母通常數(shù)量較多，此種螺栓區(qū)域粗定位的方式會包含一部分無關(guān)螺栓。由此會增加檢測的難度系數(shù)和增加很多工作量。所以，對螺栓區(qū)域進行進一步的精確定位提取是十分有必要的，將范圍縮小在桿塔橫擔(dān)處。本節(jié)通過結(jié)合桿塔橫擔(dān)所具有的一些特征，充分利用改進的霍夫變換，對桿塔進行直線檢測來實現(xiàn)目標(biāo)。

2.2.1 基于霍夫變換的圖像旋轉(zhuǎn)

將粗提取圖像使用高斯-拉普拉斯邊緣檢測算子輸出圖像中的雙邊緣。霍夫變換直線檢測可以很好的檢測出桿塔橫擔(dān)處的邊緣線。

圖5 LoG邊緣檢測

通過LoG算子提取邊緣，采用hough變換提取直線，得到比較長的桿塔橫擔(dān)處的邊緣線，為了進一步做螺栓區(qū)域的精確提取，將圖像旋轉(zhuǎn)一定角度。具體步驟如下：

（1）利用改進的hough()函數(shù)執(zhí)行霍夫變換，得到霍夫矩陣；

（2）利用 houghpeaks()函數(shù)在霍夫矩陣中尋找峰值點；

（3）利用 houghlines()函數(shù)在之前 2 步結(jié)果的基礎(chǔ)上得到原二值圖像中的直線信息；

（4）找出最長直線段并求得該直線傾斜角度，青色標(biāo)注為最長直線段，如圖 6所示；

（5）將二值圖旋轉(zhuǎn)該角度，得到圖7所示結(jié)果。

圖6 檢測出的直線

圖7 旋轉(zhuǎn)后的二值圖

2.2.2 桿塔橫擔(dān)精確提取

經(jīng)過旋轉(zhuǎn)后的圖像，需要再一次通過改進的霍夫變換直線檢測方法，來展開直線檢測。需要注意的是，通過Hough變換提取直線并不具有指定性，并且邊緣圖中滿足條件的直線會全部被檢測出來，此種情況下，為了獲取桿塔橫擔(dān)上邊緣線與下邊緣線，則需要將檢測出來的所有直線進行篩選。篩選的準(zhǔn)則為：通過篩選獲得與最長直線段斜率相同的直線，檢測結(jié)果如圖8所示，綠色為上邊緣，青色為下邊緣。接下來就是利用得到的兩條直線段對目標(biāo)圖像進行精確的提取。由圖9可以得出，待檢測的螺栓在兩條平行線之間，以兩條直線段為基礎(chǔ)，選擇一個矩形區(qū)域作為提取區(qū)域。結(jié)構(gòu)體lines()中保存著直線段信息，將點(1，lines(1).point1(1,2))作為圖像區(qū)域提取的起始點，并結(jié)合兩條直線的端點，選擇適當(dāng)?shù)母吆蛯?。最終，實現(xiàn)獲得精確提取的桿塔橫擔(dān)區(qū)域。

圖 8 直線檢測結(jié)果

圖9 螺栓缺陷檢測區(qū)域

3 螺栓缺陷的特征提取

對于輸電線桿塔橫擔(dān)處的螺栓缺陷，可以主要分為兩類，一類為螺栓平帽，一類為螺栓螺母松動。這兩類螺栓缺陷的特征表現(xiàn)形式有著較大的區(qū)別，因此，本文將針對這兩類不同的特征表現(xiàn)形式，設(shè)計出各自不同的檢測算法。

圖10 螺栓特征提取算法流程圖

3.1 螺栓平帽特征提取

分析此類缺陷可以看出，我們發(fā)現(xiàn)螺栓平帽有著明顯特征。由于螺栓顏色與桿塔顏色比較分明且桿塔顏色比較高亮，故將其感興趣區(qū)域做反二值化處理，結(jié)果如圖11所示。本節(jié)將采用數(shù)學(xué)形態(tài)學(xué)，對桿塔橫擔(dān)分割圖像中的噪聲進行過濾剔除的處理，并且保留各螺栓所具有的原有的特征信息。先將二值圖腐蝕去除噪聲，再將其進行膨脹處理使其棱角分明，有效尋找螺栓輪廓。由于感興趣區(qū)域是由螺栓區(qū)域圖像經(jīng)過旋轉(zhuǎn)提取得到的，導(dǎo)致桿塔橫擔(dān)最左邊是由大片黑色像素填充的區(qū)域并與無關(guān)螺栓連通，同時，我們不排除由于拍攝角度的原因，橫擔(dān)右邊存在螺栓部分被桿塔所遮擋的情況，如果遮擋區(qū)域過大，可將連通面積設(shè)定閾值去除最左邊旋轉(zhuǎn)后的無像素區(qū)域與殘缺螺栓，圖像最右邊存在一個橫擔(dān)外的螺栓，該螺栓并不需要檢測。為了提高檢測的準(zhǔn)確率以及減少計算量，可將該螺栓去掉。考慮到桿塔橫擔(dān)處的螺栓數(shù)量固定，因此可以直接通過從左往右遍歷，把橫擔(dān)外的螺栓像素賦值為0。具體算法步驟如下：

（1）將開運算效果圖提取連通分量，并分配編號給每個連通區(qū)；

（2）計算各連通區(qū)域的面積；

（3）本文根據(jù)實驗數(shù)據(jù)，設(shè)定閾值為500＜連通區(qū)域面積＜1400；

（4）令不在閾值范圍內(nèi)的連通像素為0，效果如圖14；

（5）對圖14標(biāo)記連通分量，循環(huán)遍歷，將標(biāo)號大于5的連通區(qū)域像素賦值為0，結(jié)果如圖15。

圖11 螺栓區(qū)域二值圖

圖12 開運算效果圖

圖13 去除無關(guān)區(qū)域

圖14 待檢測目標(biāo)

經(jīng)上述算法處理后，最終得到待檢測目標(biāo)螺栓。分析該圖可知，正常螺栓的高度非常接近，而存在平帽缺陷的螺栓，明顯低于正常螺栓。同時，考慮到殘缺螺栓為橫向遮擋并沒有改變該螺栓的整體高度，故殘缺螺栓不影響螺栓平帽檢測?？紤]到不能直接通過比較各螺栓之間的高度來斷定存在平帽缺陷的螺栓。本文采用限幅濾波法，首先計算每個螺栓的高度，即圖像中每個螺栓的最大列值與最小列值之差。接著比較各螺栓高度，找出高度最小的那個。把每個螺栓的高度與之做差，分析螺栓平帽與正常螺栓數(shù)據(jù)可知兩者高度相差超過15個像素點，故設(shè)定閾值為15。如果差值大于該值，則判定為平帽并將其該區(qū)域的像素賦值為0；否則不是。螺栓平帽缺陷由圖16給出，用紅色矩形框標(biāo)注平帽缺陷的螺栓。

圖15 平帽區(qū)域像素為0

3.2 螺栓螺母松動特征提取

螺栓螺母松動與正常螺栓高度相似且分為較明顯松動和輕微松動，采集圖片時，輕微松動的螺栓在松動區(qū)域形成暗影，造成與正常螺栓形狀特征相似的結(jié)果，不容易識別。所以首先檢測較明顯松動的螺栓，最后利用面積閾值法判定輕微松動的螺栓。

分析螺栓平帽與螺栓螺母松動圖片可得，兩者互不相容。分析圖15可知，殘缺螺栓的連通面積遠遠小于待檢測的螺栓連通面積，由實驗結(jié)果分析設(shè)定閾值為900時可排除小于該閾值殘缺螺栓即將該區(qū)域像素賦值為0，進而提取待檢測螺栓的輪廓，如圖17所示，用以角點檢測，該算法步驟如下：

（1）計算圖像的方向?qū)?shù)，并分別保存為數(shù)組Ix和Iy，進而求得M中四個元素值。

這里*w代表對M的四個元素進行高斯濾波，可消除不必要的獨立點和凸起。

（2）利用M計算對應(yīng)每個角點函數(shù)u，即：

其中k是在[0.04,0.06]之間的一個固定參數(shù)。最后對計算得到的u進行極大值抑制。

（3）在角點函數(shù)u中，同時滿足大于一定閾值和u是某領(lǐng)域內(nèi)的局部最大值，即被斷定為角點。角點檢測結(jié)果如圖19。

圖17 輪廓圖

圖18 焦點檢測圖

角點檢測結(jié)果圖得到后，可以通過分析結(jié)果得到這樣的信息，螺栓以及螺帽的松動明顯的情況，檢測后得到的角點數(shù)量是非常多的，而正常螺栓與螺帽和出現(xiàn)輕微松動的螺栓螺帽是較為平滑的，檢測到的角點數(shù)量是比較少的。此時通過找出最大的角點數(shù)，并且和剩余的螺栓的角點數(shù)做差得出結(jié)果。當(dāng)設(shè)定閾值為4時，將得出結(jié)果的差值大于4的螺栓提取出來，并將這部分結(jié)果的螺栓判定為螺栓螺母明顯松動，并實現(xiàn)目標(biāo)。將此連通區(qū)域像素賦值為0，并在精確定位圖中用矩形框框出該螺栓，如圖19所示；最后將輕微松動螺栓連通面積和正常螺栓連通面積求得平均連通面積，判斷各連通面積與平均面積的差值，本實驗設(shè)定閾值為90個像素點，如有大于90的連通面積即可判斷為輕微松動的缺陷螺栓，并在精確定位圖中用矩形框標(biāo)出，如圖20所示。

圖19 明顯松動缺陷

圖20 輕微松動缺陷

4 結(jié)束語

本文通過快速傅里葉模板匹配以及圖像分割算法精確定位感興趣區(qū)域即待檢測螺栓的位置，減少了螺栓缺陷特征提取的工作量，針對性的識別螺栓缺陷，提高了檢測的準(zhǔn)確率，滿足了高壓巡檢機器人在線檢測的要求。

[1]張國福,沈洪艷.機器視覺技術(shù)在工業(yè)檢測中的應(yīng)用綜述長[D].春工業(yè)大學(xué),吉林俄語專修學(xué)院.

[2]陳建可.基于機器視覺的實時輪轂智能識別系統(tǒng)的研究[D].太原科技大學(xué).

[3]Szeliski R.Computer vision:algorithms and applications[M].Berlin:Springer.

[4]vision,w.H.FreemanandeomPanysaHFraneisco.姚國正,劉磊,汪云九澤.中譯本:視覺計算理論[M].科學(xué)出版社.

[5]肖海榮,周風(fēng)余,宋洪軍,等.lloKv架空輸電線路巡檢機器人視頻圖像傳輸[J].計算機工程與應(yīng)用.

[6]張運楚,梁自澤,譚民.架空電力線路巡線機器人的研究綜述[J].機器人.

[7]李振宇.高壓輸電線路巡線機器人控制系統(tǒng)的研制[D].武漢大學(xué)碩士學(xué)位論文.

[8]MilanSonka,VaclavHlavae,RogerBoyle.ImageProeessing,Analysis,andMaehine Vision[M].Thomson Learning and PTPress.

[9]岡薩雷斯,數(shù)字圖像處理(第二版)[M].北京:電子工業(yè)出版社,2003.

[10]張宏林.模式識別技術(shù)及工程實踐[M].北京:人民郵電出版社,2003.

[11]曹光植.適用于機器人視覺的算法開發(fā)和系統(tǒng)實現(xiàn)[D].浙江大學(xué)碩士學(xué)位論文.