楊 堅，徐 碩，林中圣

（1.國網(wǎng)浙江省電力有限公司臺州供電公司，浙江 臺州 318000；2.國網(wǎng)浙江溫嶺市供電有限公司，浙江 溫嶺 317500）

0 引言

傳統(tǒng)電力線巡檢以人工檢測為主，效率低、成本高、困難大，且對巡檢人員的人身安全存在潛在的隱患[1]。無人機電力線巡檢因其具有效率高、成本低、受地理環(huán)境影響小等突出優(yōu)點而越來越受到電力行業(yè)的廣泛關(guān)注[2-3]。目前，國內(nèi)外主要采用無人機搭載LiDAR（激光探測及測距系統(tǒng)）提取三維要素生成點云地圖，根據(jù)巡線任務及智能規(guī)劃方法完成電力線的巡檢。但LiDAR 的傳感器設備昂貴，并且需要對巡檢區(qū)域提前拍攝以獲取點云地圖，成本較高[4]。

近年來，國內(nèi)外學者對基于圖象處理技術(shù)的電力線的實時檢測與提取進行了大量研究。雖然利用Canny 算子提取物體邊緣進行邊緣檢測在眾多領域得到了廣泛應用，但背景復雜的電力線圖像、密集的線形邊緣結(jié)構(gòu)容易產(chǎn)生干擾，造成Canny 算法抗噪性較差。Ratio 算法雖然線性特征提取精度高，在直線檢測中應用較廣，但計算量大、耗時長。Radon 變換與Hough 變換常用于直線檢測，但Radon 變換無法準確獲得直線長度[5-7]。本文提出了無人機巡線圖像分析處理方法，用于獲得航向偏差，實現(xiàn)無人機航向控制，解決了無人機智能電力巡線的關(guān)鍵問題。

1 基于圖像處理的電力線檢測

無人機巡線時的俯拍圖像具有背景復雜、電力線近似為豎直方向直線、水平方向像素少、顏色主要為灰色、大多分布于圖像中部等特點。對于無人機巡線時拍攝的圖像，去除噪聲是實現(xiàn)電力線提取的前提[8-9]。電力線提取流程如圖1 所示。首先，對原始圖像感興趣區(qū)域進行濾波與灰度化預處理；其次，進行邊緣檢測并對二值圖進行形態(tài)學處理；最后，通過Hough 變換提取電力線段。

圖1 電力線識別流程

1.1 圖像預處理

對電力線圖像進行預處理，以便對其進行邊緣檢測，提高電力線提取精度。預處理步驟如下：

（1）ROI 提取。無人機俯拍圖像中電力線大多分布于圖像中部，因此，將中部區(qū)域視為電力線檢測感興趣區(qū)域，去除其他區(qū)域背景的干擾，簡化后續(xù)處理。

（2）高斯濾波。高斯濾波是一種線性平滑濾波，可在降低圖像噪聲的同時保留更多的圖像細節(jié)，能夠有效抑制高斯噪聲，廣泛應用于圖像降噪。對感興趣區(qū)域圖像采用高斯濾波降噪，能夠有效抑制噪聲并平滑圖像[10]。高斯濾波原理是將輸入圖像的目標像素點和高斯濾波器進行卷積運算，再賦予目標像素點灰度值，有效抑制服從正態(tài)分布的噪聲。高斯函數(shù)的表達式為：

式中：x，y 為目標像素點；σ 為標準差。平滑程度由參數(shù)σ 決定，σ 越大，平滑程度越好。

在去除背景噪聲時，需要防止電力線像素模糊。由于5×5 濾波器比3×3 濾波器更容易模糊圖像中電力線，丟失電力線細節(jié)，因此，本文采用3×3 高斯濾波器。

（3）灰度化。為減小航拍光照對電力線圖像的影響，利用灰度處理突出電力線特征，降低無用干擾信息影響。對高斯濾波后的3 通道RGB圖像進行灰度化處理，獲得原始圖像的單通道灰度圖。采用加權(quán)平均圖像灰度化方法，分別以不同的加權(quán)值對R，G，B 3 個分量進行加權(quán)平均，計算式如下：

式中：G（x，y）為灰度圖像；R（x，y），G（x，y）和B（x，y）分別為3 個通道像素的分布矩陣，加權(quán)值影響灰度圖顏色分布。由于航拍電力線圖像背景主要為樹木、植被，干擾信息多為綠色，因此，調(diào)整加權(quán)分量，減少綠色通道權(quán)重。采用式（3）加權(quán)值對圖像進行灰度化，可有效減少背景干擾并且不影響電力線信息，圖像處理效果最佳，能大幅提高后續(xù)邊緣檢出率。

1.2 電力線邊緣檢測

邊緣為圖像基本特征，是周圍像素灰度值表現(xiàn)屋頂狀或階梯狀變化的像素集合。Ratio 算子、Canny 算子和Sobel 算子是目前常用的邊緣檢測算子。Sobel 算子是由Sobel 提出的調(diào)節(jié)不同位置權(quán)重邊緣檢測的算子，相對于對角位置的像素灰度，該算子對相鄰位置的像素灰度具有更高的權(quán)重，使濾波結(jié)果對相鄰像素值突變產(chǎn)生更好的梯度響應[11-12]。同時，由于Sobel 算子引入了類似局部平均運算，對噪聲具有平滑作用，能很好地消除噪聲的影響，提供精確的邊緣方向信息。另外，Sobel 算子對于像素位置的影響做了加權(quán)，相對于Prewitt 算子和Roberts 算子，邊緣檢測效果更佳[13]。邊緣檢測效果比Roberts 算子更好的Canny算子雖然可較完整地提取圖像邊緣信息，但對背景中豎直電力線邊緣信息提取的同時，引入了更多其他方向線段干擾信息，處理時間比Sobel 算子慢。由于無人機拍攝圖像中的電力線近似為豎直方向，因此，針對電力線特征，采用Sobel 算子水平方向求導進行邊緣檢測。

Sobel 邊緣檢測算法采用水平和垂直2 個方向濾波器與圖像空間像素點進行鄰域卷積運算，步驟如下：

（1）求x，y 方向一階微分

假設原圖為H，按式（4）和式（5）分別計算x、y 方向的一階微分：

（2）計算每個像素梯度

根據(jù)每個像素x，y 方向的一階微分，按照式（6）計算梯度：

如果梯度大于設定閾值則認為該點為邊緣點。為提高效率，采用絕對值計算，如式（7）所示：

像素點的梯度方向采用式（8）計算：

如圖2 所示，由于電力線為近似垂直方向，僅采用Sobel 算子水平方向求導進行邊緣檢測，便可提取出圖像中垂直方向的邊緣信息。由于圖2（a）采用水平求導，效果較差，圖2（b）采用垂直方向求導的檢出效果明顯，減少了由于背景干擾邊緣引起的錯誤檢測?？梢姡瑑H采用Sobel 算子水平方向求導進行邊緣檢測，符合電力線檢測的實際需求。

圖2 Sobel 邊緣檢測

通過對邊緣檢測結(jié)果進行閾值分割，得到二值圖。背景中仍有較多樹枝與樹葉邊緣的噪聲，但其豎直方向長度與電力線相比較短。因此，利用在豎直方向上采用3×3 模板濾波腐蝕后膨脹的操作對圖像進行形態(tài)學處理，在濾除背景中細小噪聲的同時保留了電力線像素，達到增強電力線邊緣效果的目的。

1.3 Hough 變換

Hough 變換為圖像中識別幾何形狀的常用方法，其基本原理是將圖像空間中的直線段變換成參數(shù)空間的點，即點線對偶性。通過檢測參數(shù)空間大于設定閾值的峰值點，找出直線描述參數(shù)，從圖像中提取出直線。其具有邊緣間斷影響不明顯、抗干擾性強等優(yōu)點[14]。

假設直角坐標系坐標中直線L 表達式為：

式中：k0為直線斜率；b0為直線截距。將x，y 作為已知量，k，b 作為未知量來表示參數(shù)空間坐標系的參數(shù)ρ，θ。其中，ρ，θ 為直線L 上的任意點，將直線L 轉(zhuǎn)換至參數(shù)空間坐標系，得到參數(shù)ρ0，θ0滿足：

式中：ρ0為x-y 坐標原點到直線L 的距離；θ0為x-y 坐標原點到直線L 的垂線與x 軸正方向的夾角，如圖3 所示。

圖3 Hough 變換原理

經(jīng)過Hough 變換后，x-y 坐標系中每條直線對應極坐標系中唯一一對參數(shù)（ρ，θ）。由于直角坐標系中屬于同一條直線上的點在參數(shù)空間的正弦曲線均交于同一點，則該點為該直線對應的參數(shù)。通過參數(shù)空間中相交一點的曲線數(shù)量與設置的閾值進行比較，檢測出圖像中的直線。

文獻[15]在Hough 變換直線斜率K-means 聚類的基礎上，加入對直線中心點x 坐標位置Kmeans 聚類，對Hough 變換檢測出結(jié)果通過對直線斜率和直線中心點x 坐標位置進行K-means篩選，濾除斜率、中心點x 坐標位置與整體電力線斜率、中心點x 坐標位置相差較大的直線段，輸出電力線檢測結(jié)果。

2 航向偏差檢測

2.1 無人機航向擬合

通過處理航拍的電力線圖像，可以提取多條電力線信息。由于圖像中電力線方向近似平行，可通過電力線參數(shù)求和取平均值獲得巡線方向。

但是，僅通過擬合電力線方向確定無人機巡線方向易受電力線識別結(jié)果的影響，出現(xiàn)誤差較大和巡線方向突變等情況。因此，通過將當前時刻擬合的巡線方向與前一時刻的按式（11）進行擬合，最終得出當前時刻無人機巡線方向。

式中：l（k）為當前時刻擬合的巡線方向；l（k-1）為前一時刻巡線方向；a 取值范圍0～1；ε 為當前時刻擬合的巡線方向與前一時刻巡線方向的差值；ε0為差值閾值。根據(jù)當前時刻擬合的巡線方向與前一時刻巡線的方向差值，分別賦予當前時刻擬合的巡線方向與前一時刻巡線方向不同的權(quán)重，最終擬合出可信度高的巡線方向。

2.2 航向偏差

無人機的航向偏差包括偏航角度偏差與側(cè)滾方向偏差，航向精度滿足要求是保證無人機順利完成電力巡線的重要參數(shù)。

偏航角度指無人機機頭方向與無人機巡線方向的角度偏差，即擬合出的無人機巡線方向與圖像垂線之間的角度。側(cè)滾方向偏差指無人機機體與巡線方向之間的距離偏差，即擬合出的無人機巡線方向與圖像中心的距離。如圖4 所示，無人機的偏航角度為θ，側(cè)滾方向偏差為x。

由于無人機側(cè)滾方向偏差受電力線檢測精度影響較大，容易產(chǎn)生波動，其結(jié)果經(jīng)Kalman 濾波后輸出，可以有效減小波動對無人機巡線的影響，并且其較好的跟蹤性，能夠保證輸出結(jié)果的實時性。

3 實驗結(jié)果分析

為驗證所提出方法的可行性，對無人機巡線過程中拍攝的電力線圖像進行處理，根據(jù)背景情況分3 組進行實驗驗證，分析對比不同背景下電力線提取與無人機巡線方向的擬合效果。電力線識別結(jié)果如圖5—圖7 和表1 所示，提取出的電力線以細直線標識。擬合的無人機巡線方向如圖8 所示，擬合電力線方向以粗線標識。

圖5 背景1 電力線識別結(jié)果

圖7 背景3 電力線識別結(jié)果

表1 電力線識別結(jié)果

由圖8 中3 種背景情況下擬合的無人機巡線方向可知，擬合的巡線方向能夠準確地確定出電力線走向和位置。

圖8 無人機巡線方向擬合結(jié)果

通過濾波結(jié)果與手動標注的圖像中電力線對比，可計算得到檢測偏差，如圖9 所示，位置偏差檢測準確率可達到97.45%，航向偏差檢測準確率可達到98.67%，處理速度可達到12～24 幀/s。

圖9 無人機巡線航向位置偏差檢測結(jié)果

實驗結(jié)果表明，本文提出的方法對多種背景均可以實時、準確地識別出電力線和航向偏差，將電力線與航向偏差反饋至無人機飛控系統(tǒng)，可實現(xiàn)無人機航向角與偏航角的自動修正，完成無人機電力線路自動巡檢，具有重要的應用價值。

4 結(jié)語

本文提出了一種基于無人機巡線拍攝圖像的電力線檢測并獲得航向偏差的方法。3 種背景下的實驗與分析結(jié)果表明，該方法具有實時性強、準確性高和穩(wěn)定性好的優(yōu)點。

圖6 背景2 電力線識別結(jié)果

傳統(tǒng)GPS 導航易受衛(wèi)星信號無法接收的影響。利用圖像處理實時檢測電力線并計算航向位置偏差作為反饋信號控制無人機巡線飛行，更加穩(wěn)定且不易受干擾，實現(xiàn)了無人機智能化飛行，降低了無人機操控人員的工作量。

配電網(wǎng)無人機智能巡檢主要包括智能飛行和缺陷智能檢測兩步。本文技術(shù)作為配電網(wǎng)無人機智能巡檢中智能飛行的算法基礎，可實現(xiàn)智能飛行，后期引入缺陷檢測等技術(shù)實現(xiàn)配電網(wǎng)無人機智能化作業(yè)，將節(jié)省人工巡檢中操控人員的投入，降低野外作業(yè)人員比例，實現(xiàn)“提質(zhì)增效”。

本方法在實際測試中雖然對與背景顏色相近的電力線識別不完整，出現(xiàn)漏檢現(xiàn)象，對于電力線識別結(jié)果具有一定的影響，但對無人機巡線航向偏差影響較小。針對于電力線檢測誤檢和漏檢的問題，可通過多種視覺傳感信息融合、算法改進等提升電力線識別的準確性和完整度。經(jīng)實際飛行測試表明，該方法適用于無人機實時巡線，線路方向不發(fā)生突變的情況。對于線路突變情況，可通過線路走向算法判斷得以解決。