張強(qiáng)

摘 ?要：輸電線路中的桿塔部件因長期經(jīng)受自然環(huán)境的影響，易產(chǎn)生銹蝕、磨損、自爆等損壞，會對電力系統(tǒng)的穩(wěn)定運(yùn)行造成極大威脅。對于桿塔部件背景復(fù)雜、目標(biāo)不易識別且多角度拍攝操作危險(xiǎn)性高等情況下，傳統(tǒng)的區(qū)域分割算法已不能滿足需求，故本文提出了基于深度分層背景去除的桿塔區(qū)域分割算法，利用雙目立體匹配算法構(gòu)建場景深度分層模型，獲取場景各目標(biāo)的三維層次信息，從而準(zhǔn)確去除背景，提取并鎖定待檢測桿塔區(qū)域。

關(guān)鍵詞：桿塔區(qū)域檢測;雙目立體匹配算法;深度分層;區(qū)域分割

0 引言

近年來，我國電網(wǎng)建設(shè)高速發(fā)展階段，為電網(wǎng)巡檢帶來了更多困難與挑戰(zhàn)。利用無人機(jī)進(jìn)行輸電線路巡檢有望成為一種常態(tài)化作業(yè)趨勢[1]。其中輸電線路的桿塔檢測尤為關(guān)鍵，對電力系統(tǒng)穩(wěn)定運(yùn)行有著重要的影響。然而桿塔部件因長期經(jīng)受自然環(huán)境的影響，易產(chǎn)生銹蝕、磨損、自爆等損壞，為巡檢造成極大困難。

為解決桿塔部件檢測過程中背景復(fù)雜，目標(biāo)不易識別，且多角度拍攝操作危險(xiǎn)性高、效率低等問題，本文提出利用雙目立體匹配算法構(gòu)建場景深度分層模型，獲取場景各目標(biāo)的三維層次信息，從而準(zhǔn)確去除背景，提取待檢測輸電線路桿塔區(qū)域。

1 基于場景深度分層模型的背景去除

（1）雙目立體匹配算法

首先對原始圖像進(jìn)行2D卷積特征提取操作[2]，利用共享權(quán)值的雙通道網(wǎng)絡(luò)分別對左右目圖像進(jìn)行特征提取，保證特征提取的一致。其次使用空間金字塔池化提取層次化上下文信息，利用反卷積操作將四個不同大小的特征圖恢復(fù)到原來的尺度，再和2D卷積提取的特征圖堆疊起來，最終得到包含層次化上下文信息的特征圖;然后利用堆疊的方式構(gòu)建匹配代價(jià)容器，在堆疊過程中加入雙目立體幾何約束。最后，結(jié)合雙目視覺標(biāo)定的參數(shù)求得真實(shí)深度圖。

（2）深度圖分層

本文采用了擴(kuò)展的大津法[3]對深度圖進(jìn)行分割，算法假設(shè)圖像中僅含有前景和背景兩類像素點(diǎn)，通過最大化這兩類的類間方差以尋找將這兩類像素點(diǎn)分割開的最佳閾值。具體的最優(yōu)分割閾值集合如下公式所示：

通過大律法進(jìn)行深度分層，需要不同的N值來分割，本文直接利用 之間的所有整數(shù)作為輸入值對深度圖像進(jìn)行分割，得到一個 張的深度分層合集 ，從中自動選取出合適的深度分層。利用算法自動選取合適深度分層的具體步驟如下：

① 深度圖像是灰度圖像，灰度值越小距離越遠(yuǎn)，灰度值越大距離越近，選取深度圖中灰度值最小的點(diǎn)集合作為種子點(diǎn)。

② 設(shè)深度分層中白色前景像素值為1，黒色背景為0，則遍歷深度分層合集 ，從中尋找滿足以下條件的深度分層形成候選深度分層合集 ：種子點(diǎn)的坐標(biāo)信息集合 包含的所有坐標(biāo)在深度圖層中的像素值全為0。

③ 計(jì)算候選深度分層合集 中每一分層的背景（像素值為0）和前景（像素值為1）面積之比，按照比例對深度分層進(jìn)行非遞減排序得到序列 。

④ 去除序列 中的面積之比小于1的深度分層，在剩余的深度分層集合中選取序列中中間的一張。

（3）基于平面法向圖對深度分層優(yōu)化

通過利用法向圖[4]找到場景中大的平面即背景，進(jìn)而去除其在深度分層中殘余的部分來優(yōu)化深度分層。具體實(shí)現(xiàn)步驟如下：

① 對于深度圖中的每一個像素點(diǎn)選取其 的鄰域中的兩個像素點(diǎn)組成兩個向量 和 。計(jì)算向量的叉積得到與兩者垂直的向量 ，即該點(diǎn)的法向。通過遍歷選取所有的鄰域像素點(diǎn)與該點(diǎn)構(gòu)成不同的向量，并計(jì)算得到該點(diǎn)的法向，最后取平均值進(jìn)行平滑，得到最終的法向圖。

② 將法向圖中灰度值相似的像素點(diǎn)合并成區(qū)域，并統(tǒng)計(jì)各區(qū)域的面積大小，選出面積最大的區(qū)域 。

③ 由于物體邊緣上深度的急劇變化，地方法向也會急劇變化，所以物體輪廓上會產(chǎn)生一條邊界，因而兩者之間的連接并不穩(wěn)固，通過形態(tài)學(xué)上的開操作消除此類連接，得到新的平面區(qū)域 。

④ 將深度分層中屬于 的殘余部分去除得到新的深度分層，基于深度分層結(jié)果對可見光圖像進(jìn)行分割，獲得去除背景的目標(biāo)圖像。

2 實(shí)驗(yàn)結(jié)果與分析

本文采用無人機(jī)拍攝的輸電線路桿塔區(qū)域圖像作為實(shí)驗(yàn)對象，部分輸電線路桿塔區(qū)域背景去除效果如圖1所示，由結(jié)果可以看出，該方法可以準(zhǔn)確地完成輸電線路桿塔區(qū)域的背景去除，可以為無人機(jī)輸電線路巡檢電力配件識別與缺陷檢測、異常發(fā)熱檢測等功能標(biāo)注待處理區(qū)域。

3 結(jié)論

本文針對桿塔部件檢測過程中背景復(fù)雜，目標(biāo)不易識別，且多角度拍攝操作危險(xiǎn)性高、效率低等問題，提出利用雙目立體匹配算法構(gòu)建場景深度分層模型，獲取場景各目標(biāo)的三維層次信息，從而準(zhǔn)確去除背景，提取待檢測輸電線路桿塔區(qū)域。

參考文獻(xiàn)

[1]楊喆，鄧超怡. 無人機(jī)在特高壓輸電線路巡檢中的應(yīng)用研究[J].南方能源建設(shè)，2016，3（S1）：135-138.

[2] Zeng X， Li Y， Chen Z and Zhu L. A Hybrid 2D and 3D Convolution Neural Network for Stereo Matching[C]. 2018 IEEE International Conference on Computational Science and Engineering （CSE）， Bucharest， 2018， pp. 152-156.

[3]張洪超. 基于大津法和區(qū)域生長法結(jié)合的彩色圖像分割方法研究[D]. 2016.

[4]肖志光. 基于圖和深度分層的前景物體提取研究[D]. 2017.