楊傳凱， 孔志戰(zhàn)， 謝倩楠， 杜建超

(1. 國網(wǎng)陜西省電力公司電力科學(xué)研究院，陜西 西安 710100；2. 國網(wǎng)陜西省電力公司，陜西 西安 710048；3. 西安電子科技大學(xué)通信工程學(xué)院，陜西 西安 710071)

0 引言

輸電導(dǎo)線是重要的電力設(shè)備，需要進行定期巡檢，保障其安全運行。隨著技術(shù)的發(fā)展，無人機巡檢成為新興的研究熱點，其目標是大幅提高工作效率，實現(xiàn)缺陷的自動檢測和識別[1]。在無人機巡檢過程中，導(dǎo)線識別是一項重要內(nèi)容，可以為無人機提供導(dǎo)航和避障依據(jù)。此外，對導(dǎo)線舞動、工程車侵入電力區(qū)域等異常檢測，導(dǎo)線識別都是必要的基礎(chǔ)工作。

一些研究采用傳統(tǒng)的數(shù)字圖像處理方法來實現(xiàn)導(dǎo)線檢測。傳統(tǒng)的方法利用導(dǎo)線的灰度值、邊緣輪廓[2]等淺層特征對圖像像素進行處理，并結(jié)合Hough變換[3]等提取導(dǎo)線。但往往由于戶外圖像背景復(fù)雜，樹枝、柵欄、建筑物邊緣的輪廓和灰度值與導(dǎo)線相似，對導(dǎo)線檢測結(jié)果產(chǎn)生干擾，使得檢測結(jié)果變差，難以廣泛應(yīng)用。近年來，以深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural networks,DCNN)為代表的人工智能方法快速發(fā)展，在圖像分類[4]和識別[5]等方面取得很多成果。DCNN可以自動提取特征，適應(yīng)復(fù)雜多變的場景，已用于許多電力設(shè)備的識別與故障檢測，如桿塔[6]、絕緣子[7]等。由于圖像中導(dǎo)線細長的特點，基于DCNN的導(dǎo)線檢測算法相當(dāng)于對導(dǎo)線進行語義分割，實現(xiàn)像素級別的分類。目前，語義分割算法被用于許多圖像處理領(lǐng)域，如遙感圖像分割[8]，裂縫識別[9]，煙霧區(qū)域分割[10]等方面。因語義分割網(wǎng)絡(luò)能夠挖掘更深層次的目標特征，已有學(xué)者將其應(yīng)用于導(dǎo)線檢測中，并取得了良好的效果[11]。最新的語義分割網(wǎng)絡(luò)DeepLab系列[12]網(wǎng)絡(luò)結(jié)合DCNN和概率圖模型DenseCRFs，取得了比DCNN更好的檢測精度。隨后，谷歌公司采用解碼器進一步改進DeepLab v3，并在空間金字塔池化結(jié)構(gòu)[13]和解碼器部分引入深度可分離卷積[14]降低網(wǎng)絡(luò)的計算復(fù)雜度，獲得目前效果最好的語義分割網(wǎng)絡(luò)DeepLab v3+網(wǎng)絡(luò)[15]。

為解決傳統(tǒng)數(shù)字圖像處理技術(shù)在導(dǎo)線檢測中準確率低的問題，文中基于DeepLab v3+網(wǎng)絡(luò)設(shè)計一種輸電導(dǎo)線自動識別方法，與其他方法相比具有更優(yōu)的識別效果和更高的準確率，并且能夠應(yīng)用于輸電線路巡檢領(lǐng)域，促進巡檢的智能化發(fā)展。

1 基于DeepLab v3+的導(dǎo)線提取

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

采用DeepLab v3+網(wǎng)絡(luò)初步識別輸電導(dǎo)線，其結(jié)構(gòu)見圖1。在編碼器部分，先將圖像送入Xception[14]網(wǎng)絡(luò)提取導(dǎo)線特征，然后通過多孔空間金字塔池化(atrous spatial pyramid pooling,ASPP)結(jié)構(gòu)獲取導(dǎo)線的多尺度特征。在解碼器部分，先將編碼器輸出的多尺度特征進行4倍的上采樣操作，然后融合相同分辨率的淺層特征，最后通過上采樣操作恢復(fù)到與原圖相同的尺寸，得到導(dǎo)線的分割結(jié)果。

圖1 DeepLab v3+網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of DeepLab v3+ network

1.1.1 編碼器

編碼器采用Xception網(wǎng)絡(luò)進行特征提取。由于池化層會造成細節(jié)和位置信息丟失，Xception網(wǎng)絡(luò)刪減池化層引入空洞卷積，在不改變特征圖尺寸的情況下，自由感受視野，匯聚高層語義信息。同時，Xception網(wǎng)絡(luò)引入通道可分離卷積[14]，將通道信息和空間信息去耦合，減少網(wǎng)絡(luò)訓(xùn)練過程中的參數(shù)量，降低網(wǎng)絡(luò)的計算復(fù)雜度。

1.1.2 ASPP結(jié)構(gòu)

DeepLab v3網(wǎng)絡(luò)的ASPP結(jié)構(gòu)包括4個并行的不同空洞率的空洞卷積層，能結(jié)合不同尺度的特征，獲得物體的多尺度信息。由于空洞卷積會隨著空洞率的增加而退化，不能獲取遠距離信息，因此DeepLab v3+網(wǎng)絡(luò)的ASPP結(jié)構(gòu)在其基礎(chǔ)上進行改進，引入全局圖像池化，增加圖像級的特征。

1.1.3 解碼器

DeepLab v3+網(wǎng)絡(luò)引入1個解碼器，逐步恢復(fù)特征提取過程中丟失的細節(jié)和位置信息。具體實現(xiàn)步驟為：首先將編碼器輸出的特征圖進行4倍上采樣，然后與特征提取網(wǎng)絡(luò)中具有相同空間分辨率的低層特征融合，最后再進行4倍上采樣，恢復(fù)到與原圖大小相同的尺寸。在特征提取網(wǎng)絡(luò)中，特征圖的通道數(shù)較多，因此在特征融合前，要采用1×1的卷積對低層特征進行通道數(shù)變換。

1.2 導(dǎo)線提取

DeepLab v3+網(wǎng)絡(luò)通過訓(xùn)練數(shù)據(jù)集，提取并學(xué)習(xí)輸電導(dǎo)線圖像特征，不斷調(diào)整網(wǎng)絡(luò)的權(quán)重參數(shù)，實現(xiàn)端到端像素級的分類。文中使用包含2 533張512×512大小的導(dǎo)線圖像和對應(yīng)標簽圖像的數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，導(dǎo)出可用于導(dǎo)線檢測的PB模型，并基于TensorFlow框架調(diào)用PB模型初步分割導(dǎo)線，結(jié)果如圖2所示?？梢钥闯?，采用DeepLab v3+網(wǎng)絡(luò)能夠?qū)崿F(xiàn)導(dǎo)線的初步分割，但分割結(jié)果有斷裂和偽導(dǎo)線的問題，需要對分割結(jié)果作進一步的精細化處理。

圖2 DeepLab v3+分割結(jié)果Fig.2 Segmentation results of DeepLab v3+

2 提取結(jié)果優(yōu)化處理

在初步分割結(jié)果圖中，首先采用改進的最小點對法對斷裂導(dǎo)線進行連接，再采用長度閾值法去除偽導(dǎo)線，獲得完整的導(dǎo)線識別結(jié)果。

2.1 斷點連接

常用的斷點連接方法有：最小點對法和膨脹細化法[16]。由于膨脹的次數(shù)與斷點之間的距離有關(guān)，因此當(dāng)斷點之間距離較遠時不能采用膨脹細化法。最小點對法容易出現(xiàn)導(dǎo)線錯誤連接的情況，導(dǎo)致不在同一條導(dǎo)線上的斷點連接到一起，并且當(dāng)斷點之間距離較遠或相鄰導(dǎo)線之間距離較近時，這種情況發(fā)生的可能性更大。

針對最小點對法容易出現(xiàn)錯誤連接的問題，文中提出一種基于改進的最小點對法的斷點連接算法，在進行斷點匹配時增加共線約束條件，圖3為斷點連接的具體過程。改進的連接算法主要分為4個步驟。

(1) 骨架化。采用文獻[17]中的算法對導(dǎo)線進行骨架化，獲得單像素的導(dǎo)線骨架，結(jié)果如圖3(b)所示。

(2) 斷點搜索。通過步驟(1)獲得單像素的骨架圖，對骨架圖中的每一個像素點，判斷是否為斷點。判斷準則：如果該像素點為前景像素，且該像素的八鄰域有且只有1個前景像素，則認為該像素點為斷點。

(3) 斷點匹配。如圖4所示，對于骨架圖中的每一個斷點B，搜索與之匹配斷點C，判斷是否滿足以下匹配準則：

(a) 最小距離準則。B為當(dāng)前斷點，其所在線段的另一個端點為A(也是斷點)，同理C和D是斷點，也是另一條線段上的2個端點。假設(shè)兩斷點之間的距離閾值為D1，計算斷點B和C之間的歐式距離dBC。若dBC

(b) 共向準則。取骨架圖中方向差異最小的2條導(dǎo)線之間的夾角作為閾值Θ，分別計算線段AB及CD與x軸的夾角θAB和θCD，若|θAB-θCD|<Θ，則滿足共向準則，繼續(xù)判斷是否滿足共線準則。

(c) 共線準則。點到直線距離的閾值D2為導(dǎo)線寬度的2倍，分別計算斷點C和D到直線AB的歐式距離dC和dD，若同時滿足dC

(4) 斷點連接。由于輸電線路圖像中導(dǎo)線基本呈現(xiàn)直線狀態(tài)，且導(dǎo)線斷裂部分不影響導(dǎo)線總體狀態(tài)，因此可以采用直線連接步驟(3)匹配到的2個斷點，斷點連接結(jié)果如圖3(c)所示。

圖3 斷點連接過程Fig.3 Connected process of breakpoint

圖4 斷點連接準則Fig.4 Connected criterion of breakpoint

2.2 去除偽導(dǎo)線

經(jīng)DeepLab v3+分割后的輸電導(dǎo)線圖像中存在少量的偽導(dǎo)線，采用長度閾值法去除圖中長度較短的偽導(dǎo)線，圖5為偽導(dǎo)線去除過程。通過八方向搜索法統(tǒng)計導(dǎo)線像素的數(shù)量并作為導(dǎo)線長度，如圖6所示，具體實現(xiàn)步驟如下：

圖5 偽導(dǎo)線去除過程Fig.5 Removal process of pseudo lines

圖6 八方向搜索Fig.6 Search in eight directions

(1) 線段長度初始化為0；

(2) 確定線段的起始像素，其八鄰域內(nèi)有且只有一個前景像素(灰度值為0)；

(3) 在當(dāng)前像素的八鄰域內(nèi)搜索下一個前景像素，若搜索到，線段長度加1，并更新到下一個前景像素，同時將當(dāng)前像素標記為128，防止重復(fù)搜索；

(4) 重復(fù)步驟(3)直至當(dāng)前像素的八鄰域內(nèi)沒有前景像素，到達導(dǎo)線終點；

式中dij和分別為節(jié)點間距離的理論真實值和實際測量值。同時定義N個未知節(jié)點定位誤差平均值與節(jié)點通信半徑R的比值作為相對定位誤差,即

(5) 判斷該導(dǎo)線的長度是否小于閾值，若小于，則認為是偽導(dǎo)線，在檢測結(jié)果中去除，否則保留。

去除偽導(dǎo)線后的結(jié)果如圖5(b)所示，該方法能較好地去除偽導(dǎo)線，保留真正的導(dǎo)線。

3 導(dǎo)線編號

獲得導(dǎo)線檢測結(jié)果后，還需分離出每條導(dǎo)線。基于優(yōu)化處理后的導(dǎo)線骨架圖，采用八方向搜索法進行分離，分離后對導(dǎo)線編號，結(jié)果如圖7所示。具體實現(xiàn)步驟如下：

圖7 導(dǎo)線編號Fig.7 Lines numbering

(1) 導(dǎo)線編號n初始化為0；

(2) 搜索優(yōu)化后骨架圖中所有斷點(此處指導(dǎo)線的端點)，加入端點集S中；

(3) 取出S中的第一個端點記為A1，采用八方向搜索法搜索其所在導(dǎo)線的另一個端點,記為A2，導(dǎo)線編號n加1，并在原圖中標注導(dǎo)線號碼；

(4) 將端點A1和A2從S中去除，更新端點集S；

(5) 重復(fù)步驟(3)和步驟(4)，直至端點集S為空。

4 實驗結(jié)果

4.1 實驗環(huán)境

實驗使用采集到的78張1 280×720的導(dǎo)線圖像建立數(shù)據(jù)集。導(dǎo)線標簽圖共有2個類別，即導(dǎo)線和背景。導(dǎo)線標注為黑色(灰度值為0)，背景標注為白色(灰度值255)。為提高網(wǎng)絡(luò)的訓(xùn)練效果，采用旋轉(zhuǎn)、鏡像和裁剪等方式擴充圖像，擴充后數(shù)據(jù)集包含2 533張大小為512×512像素的導(dǎo)線圖像。

網(wǎng)絡(luò)的訓(xùn)練參數(shù)設(shè)置：初始學(xué)習(xí)率為0.000 1，最大訓(xùn)練次數(shù)為50 000次，計算損失函數(shù)時背景與導(dǎo)線的權(quán)重比為1∶20，權(quán)重衰減系數(shù)為0.000 04，特征提取網(wǎng)絡(luò)為Xception65，ASPP結(jié)構(gòu)中空洞卷積的空洞率分別為6,12,18。

4.2 結(jié)果與分析

為驗證文中所提方法的性能，實驗中將FCN-8s[18]和FCN-8s+網(wǎng)絡(luò)模型用來對比。FCN-8s采用VGG16提取目標特征，由于在特征提取過程中經(jīng)過了5個池化層，因此特征圖的分辨率依次降為原圖的1/2，1/4，1/8，1/16，1/32。通過上采樣操作，融合第3個和第4個池化層的特征，可得較好的分割精度。FCN-8s+通過上采樣操作將VGG16的輸出特征與前4個池化層的特征依次融合，分割結(jié)果更精細，更具連續(xù)性，但同時存在更多偽導(dǎo)線。

圖8為導(dǎo)線初步識別的實驗結(jié)果，可以看出，F(xiàn)CN-8s分割結(jié)果中導(dǎo)線大量斷裂，幾乎不能檢測出連續(xù)的導(dǎo)線，丟失了導(dǎo)線的語義信息，并存在錯誤分割、漏檢和偽導(dǎo)線。FCN-8s+能檢測出部分導(dǎo)線，雖然與FCN-8s相比導(dǎo)線斷裂減少且連續(xù)性提升很大，但由于融合了更底層的特征，使得偽導(dǎo)線更多。而DeepLab v3+網(wǎng)絡(luò)的檢測結(jié)果中，導(dǎo)線分割最完整，像素分類的準確性最高，最大程度上保留了導(dǎo)線的語義信息，且偽導(dǎo)線非常少。

圖8 網(wǎng)絡(luò)檢測結(jié)果對比Fig.8 Comparison of network detection results

采用改進的最小點對法和長度閾值法進行精細化處理，并統(tǒng)計13張1 280×720的輸電圖像中導(dǎo)線的識別結(jié)果，如表1所示。

表1 實驗結(jié)果評價Table 1 Evaluation of experimental results

由于FCN-8s模型初步識別結(jié)果較差，因此在精細化提取實驗中僅對比了FCN-8s+和文中方法。由表1可知，文中所提方法經(jīng)過精細化處理可以準確且完整地識別出導(dǎo)線，正確率可達93%以上，而FCN-8s+僅為65%。圖9為2種方法導(dǎo)線提取結(jié)果的效果圖，對于較細的導(dǎo)線，F(xiàn)CN-8s+方法存在漏檢及提取不完整的現(xiàn)象，文中方法則提取更加完整，正確率高。

圖9 導(dǎo)線提取結(jié)果對比Fig.9 Comparison of transmission lines extraction results

最后，對文中方法識別出的導(dǎo)線進行提取，分離出圖像所包含的每條導(dǎo)線和總的導(dǎo)線條數(shù)，其結(jié)果如圖9(d)所示。

5 結(jié)論

文中基于語義分割DeepLab v3+網(wǎng)絡(luò)，提出了一種輸電圖像中導(dǎo)線的自動檢測算法。由于DeepLab v3+網(wǎng)絡(luò)能夠?qū)?dǎo)線實現(xiàn)像素級分割，并且對位置和細節(jié)信息敏感，在初步的識別結(jié)果中保留了導(dǎo)線較多的細節(jié)信息。針對分割結(jié)果中存在的導(dǎo)線斷裂和偽導(dǎo)線等情況，進一步采用改進的最小點對法和長度閾值法進行精細化處理，恢復(fù)初步識別結(jié)果中導(dǎo)線斷裂的部分，并去除偽導(dǎo)線，最終獲得了較好的導(dǎo)線提取和分離結(jié)果。實驗結(jié)果表明該算法檢測準確率高，能夠滿足輸電線路巡檢任務(wù)對導(dǎo)線檢測的要求。此外，將該算法部署到無人機搭載的嵌入式設(shè)備中，可以提高巡檢的智能化程度，實現(xiàn)自主巡檢。

本文得到國網(wǎng)陜西省電力公司科技項目(5226KY18002J)資助，謹此致謝！