張厚海

摘要：近年來，因為風箏、氣球、塑料布等異物對電網(wǎng)安全造成威脅的事件時有發(fā)生，不僅影響了線路的正常供電，甚至引發(fā)跳閘事故[1]。傳統(tǒng)的輸電線路異物檢測采用人工巡檢方式，該種方式工作效率低、巡檢周期長、漏檢率高，難以滿足我國智能電網(wǎng)高速的發(fā)展的需要。因此，找到一種對輸電線路周邊狀況及環(huán)境參數(shù)進行全天候監(jiān)測，能夠有效識別輸電線路異物的技術和方法勢在必行。本文研究了以圖像形態(tài)學識別和結(jié)合深度學習的識別的多方法輸電線路異物識別技術，該方智能化程度高，識別準確，是未來輸電線路異物識別的發(fā)展方向。

關鍵詞：圖像識別;電力系統(tǒng)智能化;神經(jīng)網(wǎng)絡;輸電線路異物

1.引言

目前國內(nèi)外最常用的輸電線路異物識別方法為形態(tài)學識別法，此方法主要應用圖像處理和分析手段，識別方法簡單有效、算法易于實現(xiàn)，適用于前期數(shù)據(jù)樣本量較少的工程階段。而隨著設備的使用，樣本數(shù)據(jù)不斷累積，當獲得大量的各類型異物圖像數(shù)據(jù)之后，便可以使用基于深度學習的識別方法。相比于傳統(tǒng)機器學習，深度學習具有更加優(yōu)越的特征表達能力和更強的模型自主學習能力[2]。本方案設計了形態(tài)學與深度學習相結(jié)合的輸電線路異物識別方案，可有效識別大部分異物。

2.輸電線路采集圖像的預處理方法介紹

2.1圖像灰度化

攝像頭等硬件設備采集到的圖像通常為RGB格式，而基本的形態(tài)學處理方法沒有必要獲取圖像的顏色宏觀信息，因此要進行圖像灰度化處理。采用的方法為加權平均法：

f（i，j）-0.30R（i，j）+0.59G（i，j）+0.11B（i，j）

其中，f（i，j）表示在坐標點（i，j）處的灰度大小，該點RGB各分量乘權值累加。

2.2直方圖均衡化

直方圖均衡化的目的是使圖像的灰度值分布更加均勻，以利于圖像濾波和分割。直方圖均衡化處理算法：

直方圖均衡化的目的是使圖像的灰度值分布更加均勻，以利于圖像濾波和分割。直方圖均衡化處理算法：

式中，M代表像素點個數(shù)，N代表灰度級級數(shù)，a（x，y）代表輸入圖像，ha（u）代表輸入圖像的直方圖，b（x，y）是經(jīng)直方圖均衡處理后的圖像輸出。

2.3圖像平滑去噪

平滑去噪的目的是利用濾波方法去除圖像在生成、獲取、傳輸?shù)倪^程中受到的干擾信息。由于輸電線路形態(tài)的特殊性，在進行濾波時，應保證圖像中輸電線邊緣與背景區(qū)域之間的對比度。因此，采用均值濾波方法，濾波算法為：

式中：（i，j）∈S，S代表模板大小;y（i，j）代表模板內(nèi)的各像素灰度值;z（k，l）代表模塊中央像素的像素灰度值;n為模板包括的像素個數(shù)。通過上式運算，用一個模板逐個遍歷圖像像素，并用模板范圍內(nèi)像素的平均灰度值來代替模板中央像素的像素灰度值。

3.輸電線路分割與提取方法

3.1輸電線路分割方法

由于輸電線路往往跨越山川、河流、丘陵等各種地形，復雜的地貌和自然環(huán)境對圖像處理和分析帶來極大的干擾。本文采用自適應閥值分離算法（Otsu）進行線路分割，Otsu基本實現(xiàn)過程為：

將圖像大小為M×N，目標像素個數(shù)為N1，背景像素個數(shù)為N2，則目標和背景像素個數(shù)占整幅圖像的比例分別為

令目標和背景的平均灰度分別為u1和u2，圖像的總平均灰度記為μ，有

μ=μ1ω2+μ2ω2

則目標與背景的方差可表示為

g=ω1（μ-μ1）2+ω2（μ-μ2）2

最后采用遍歷法求得使g值最大的閾值T，該閾值將航拍圖像分割為背景和輸電線路兩部分。

3.2輸電線路提取方法

經(jīng)過圖像預處理過程，可以獲得粗略的輸電線路分割圖像，但此時圖像中仍然存在一定的背景干擾。目前最有效的電力線路檢測手段是電力線的直線特性，把電力線當作一條連續(xù)直線段，通過一些經(jīng)典線段檢測法實現(xiàn)電力線的檢測。本文采用的是基于Rough變換的直線檢測算法，Rough算法思路為：

（1）輸入圖像

（2）初始化累加矩陣A（θ，ρ），設置尺度系數(shù)sfθ和sfp

（3）對于每一個邊緣像素點（xi，yi），將圖像坐標變換到（θ，ρ）

（4）依照參數(shù)對累加矩陣實行累加計算A（θi，ρi）=A（θi，ρi）+1

4.異物識別方法研究

4.1基于形態(tài)學的異物識別方法研究

基于正常電力線寬度變化小，而異物懸掛的電力線寬度波動較大的現(xiàn)象，進行異物識別。具體方法是根據(jù)氣球、塑料布、風箏、樹枝、鳥巢等異物纏繞電力線時的形態(tài)特征，采用兩組判斷閾值進行判斷。

第一組閾值，為電力線寬度變化率閾值，判斷異物垂直于電力線方向的占比情況。第二組閾值，為異常范圍區(qū)域占電力線長度百分比的閾值，判斷異常平行于電力線方向的占比情況。

4.2基于深度學習的異物識別方法研究

以RCNN為代表的深度學習方法可根據(jù)輸入網(wǎng)絡的數(shù)據(jù)自動地生成相應特征的描述，具有較高的靈活性和普適性，可對氣球、塑料布、風箏、樹枝、鳥巢等異常進行相對準確的識別。RCNN用于輸電線路異物識別的實現(xiàn)過程如下：

（1）數(shù)據(jù)集準備，采用大量的各類異物圖片作為測試訓練集

（2）人工標注與處理，對訓練集進行人工標注

（3）使用測試訓練集進行模型測試，分析訓練模型的性能

5.結(jié)語

本文提出了基于形態(tài)學和深度學習的輸電線路異物檢測方法。先通過圖像灰度化、直方圖均衡化、圖像平滑去噪、輸電線路分割等圖像預處理過程，獲得高質(zhì)量的航拍圖像。再使用Otsu和Rough算法，去除圖像中定的背景干擾以及復雜的地貌和自然環(huán)境對圖像處理的影響。最后基于形態(tài)學和深度學習的異物識別方法，可有效將極大地減輕工作人員的巡檢負擔，提高輸電線路的維護效率。

參考文獻：

[1] 趙元林，智勇軍，岐召陽. 便攜式輸電線路異物處理裝置的研制[J]. 電力安全技術，2017，19（7）：44-46.

[2] 師飄，張超，鄭祥明. 基于深度學習的高壓桿塔異物檢測[J]. 重慶科技學院學報（自然科學版），2020， 22（2）：83-87