青島大學(xué) 張 雯 山炳強(qiáng) 王 貞

引言

隨著我國經(jīng)濟(jì)的快速發(fā)展，社會各界對電能的用量和質(zhì)量都有了更多的需求[1]。電力部件的完整性是電力系統(tǒng)穩(wěn)定運(yùn)行的重要保障，對輸電線路進(jìn)行巡檢能夠及時排除故障，確保供電的安全性和可靠性。在無人機(jī)技術(shù)日益成熟的基礎(chǔ)上，融合了圖像識別等技術(shù)的無人機(jī)在多種領(lǐng)域受到了廣泛的青睞。利用無人機(jī)進(jìn)行輸電線路的巡檢，在確保供電的安全性和可靠性的同時，能夠克服地形約束和環(huán)境限制，降低巡檢的風(fēng)險，并一定程度上提高巡檢的效率[2]。

無人機(jī)在輸電線路巡檢中的應(yīng)用提高了巡檢效率，降低了巡檢作業(yè)人員的安全風(fēng)險以及巡檢成本。然而，無人機(jī)巡檢中所采集的大量圖像信息基本依賴于人力來進(jìn)行識別，其準(zhǔn)確率和效率仍有待提高。近年來，圖像處理技術(shù)的不斷發(fā)展和深度學(xué)習(xí)的逐步引入，顯著提高了對電力部件識別的效率和準(zhǔn)確率。本文系統(tǒng)總結(jié)了取得的成果，主要對巡檢圖像去噪預(yù)處理和電力部件識別兩方面進(jìn)行評述，同時展望了未來的研究趨勢，期望對該領(lǐng)域的進(jìn)一步研究提供參考。

1 巡檢圖像去噪預(yù)處理

由于輸電線路固有的電磁特性，不可避免會對無人機(jī)巡檢時采集的圖像有一定的噪聲干擾，影響圖像質(zhì)量。為了避免影響巡檢圖像中電力部件的識別效果，去除圖像中的噪聲干擾便非常重要。其中，椒鹽和高斯噪聲是影響所采集圖像的主要噪聲，可以通過對巡檢圖像去噪預(yù)處理的方式來解決該問題。

為消除噪聲干擾，主要通過濾波的方法來解決。中值濾波法算法簡單，是一種經(jīng)典算法，對處理椒鹽噪聲有較好的效果。但是該算法容易引起原來的樣本圖像失真以及邊緣模糊的現(xiàn)象發(fā)生，且僅僅在低密度噪聲時效果較好。針對該問題文獻(xiàn)[3]提出了一種開關(guān)中值濾波算法，利用特定值對噪點(diǎn)進(jìn)行分類，一定程度上改善了邊緣模糊的問題。

文獻(xiàn)[4]提出了一種基于三維直方圖的算法，全面引入建立像素點(diǎn)各種特征之間的關(guān)系，圖像去噪性能有了更高的水平，但僅在噪聲密度較小時改善效果明顯且運(yùn)算量較大。在此基礎(chǔ)上文獻(xiàn)[5]對算法進(jìn)行改進(jìn)，提出一種三維軸距的算法，消除了圖像邊緣噪聲和塊狀噪聲的影響，隨著計算機(jī)運(yùn)算性能的提高而擁有更好的去噪性能，三位軸距結(jié)構(gòu)示意圖見圖1。

圖1 三維軸距結(jié)構(gòu)示意圖

文獻(xiàn)[6]在此基礎(chǔ)上檢測出噪聲點(diǎn)后，結(jié)合改進(jìn)權(quán)重公式的非局部均值濾波算法，提出了一種基于三維軸距與非局部均值的算法。該算法不僅能夠很好的去除椒鹽噪聲，同時解決了圖像失真和邊緣模糊的問題。文獻(xiàn)[7]提出了一種模糊去噪濾波算法，在圖像椒鹽噪聲去噪應(yīng)用中優(yōu)勢明顯且對圖像還原度較高，同樣擁有不錯的去噪效果。

高斯濾波是一種經(jīng)典的去除圖像中高斯噪聲的方法，但存在致使邊緣信息模糊的問題。文獻(xiàn)[8]提出的雙邊濾波是一種改進(jìn)的高斯濾波方法，且同時能夠改善圖像邊緣模糊的問題，但是容易出現(xiàn)“塊效應(yīng)”。文獻(xiàn)[9]通過指數(shù)-Turky 型權(quán)值核函數(shù)改進(jìn)算法，并融合結(jié)構(gòu)相似性和歐氏距離來有效選擇權(quán)值，提出一種改進(jìn)的非局部均值（NLM）濾波算法，在去除高斯噪聲上有很好的表現(xiàn)能力。文獻(xiàn)[10]提出了一種基于伽馬范數(shù)最小化的算法，在有效去除高斯噪聲的同時，能夠避免圖像邊緣模糊的問題，且在細(xì)節(jié)內(nèi)容上有更好的表現(xiàn)。

可以發(fā)現(xiàn)，以上所述濾波算法基本只針對某一種圖像噪聲有顯著的去噪效果，但圖像去噪能力比較單一。針對該問題，文獻(xiàn)[11]提出了一種基于非局部自相似性的混合噪聲濾波算法，能夠同時有效去除椒鹽噪聲和高斯噪聲，并在很大程度上保證圖像不失真。文獻(xiàn)[12]提出了一種中值濾波和改進(jìn)的閾值函數(shù)濾波算法，通過改進(jìn)小波閾值函數(shù)來克服硬閾值和軟閾值缺陷，并結(jié)合中值濾波，在去除混合噪聲上擁有很好的表現(xiàn)能力。同時，能夠較好地恢復(fù)原圖像豐富的細(xì)節(jié)，具有較高的實(shí)用性。

2 巡檢圖像中電力部件識別

2.1 傳統(tǒng)電力部件識別方法

由于無人機(jī)巡檢采集的圖像數(shù)量眾多，單純依靠人力對海量數(shù)據(jù)信息進(jìn)行識別效率低下，無法實(shí)現(xiàn)對電力系統(tǒng)的實(shí)時和持續(xù)性監(jiān)測，可靠性較低。一些魯棒性較好的特征提取算法，比較經(jīng)典的有尺度不變的特征變換（SIFT）、梯度直方圖（HOG）和SURF 等，通過融合支持向量機(jī)（SVM）以及增強(qiáng)學(xué)習(xí)中的Adaboost 迭代算法和Random Forest等算法，來實(shí)現(xiàn)對被檢測物的識別。

文獻(xiàn)[13]提出了一種基于HOG 和改進(jìn)SVM參數(shù)的方法，實(shí)現(xiàn)對絕緣子的識別。但是，該方法僅在小樣本容量時表現(xiàn)較好，無法滿足對無人機(jī)巡檢時采集的大量圖像中電力部件識別的要求。文獻(xiàn)[14]利用聚類分析和Adaboost 算法實(shí)現(xiàn)對絕緣子的識別，提高了識別的效率。文獻(xiàn)[15]提出了一種利用Candy 邊緣特征與SURF 來達(dá)到對絕緣子智能識別的算法，識別效率較高，魯棒性較好。但這些方法依賴于人工設(shè)計的特征，可拓展性差，效率和準(zhǔn)確率都不能滿足要求。

2.2 基于深度學(xué)習(xí)的電力部件識別方法

隨著計算機(jī)視覺技術(shù)和硬件性能不斷進(jìn)步，卷積神經(jīng)網(wǎng)絡(luò)逐漸取代以往特征提取方法，基于深度學(xué)習(xí)的算法不斷發(fā)展并成為熱門，主要包括基于回歸的一階段算法和基于區(qū)域興趣的二階段算法。一階段算法以SDD 和YOLO 為代表，只經(jīng)過一個卷積神經(jīng)網(wǎng)絡(luò)；二階段算法則以R-CNN 系列為代表，通過先提取候選區(qū)再進(jìn)行識別的方法來實(shí)現(xiàn)對目標(biāo)的檢測。

基于區(qū)域提議的卷積神經(jīng)網(wǎng)絡(luò)方法，是一種經(jīng)典的方案。與以往不同的是，其通過深度卷積網(wǎng)絡(luò)實(shí)現(xiàn)對目標(biāo)特征的提取，并通過Selective Search替代原滑動窗口的方式，使得效率和準(zhǔn)確率有了明顯的提高。但是，由于需要對卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和回歸分類器單獨(dú)訓(xùn)練，并對所有的特征區(qū)域進(jìn)行特征提取，存在訓(xùn)練階段耗時和預(yù)測階段較慢的問題。

文獻(xiàn)[16]針對該問題提出一種空間金字塔池化網(wǎng)絡(luò)（SPPnet）的算法，利用共享計算改善預(yù)測階段速度較慢的問題。但是由于僅對Pyramid Pooling Layer 后的Layer 進(jìn)行微調(diào)，在深層網(wǎng)絡(luò)準(zhǔn)確率上表現(xiàn)一般，仍舊有待提高。Fast R-CNN算法，不同于R-CNN 的是該算法將整張目標(biāo)圖像輸入到CNN 網(wǎng)絡(luò)中來得到特征圖進(jìn)而得到特征矩陣，并通過引入Adaptive Pooling 方法對整個網(wǎng)絡(luò)調(diào)優(yōu)，具有較高的識別效率，同時解決了SPPnet 在深層網(wǎng)絡(luò)上準(zhǔn)確率較低的問題。由于仍采用Selective Search 算法生成候選區(qū)域、比較耗時，識別效率上仍有提升的空間。針對該問題，利用Regional Proposal Network（RPN）代替以往所用的Selective Search 方法的Faster R-CNN 算法，進(jìn)一步提高了識別的效率，但是在具有干擾物的情況下表現(xiàn)一般。

文獻(xiàn)[17]針對此問題提出了一種MASK LSTM-CNN 算法，能夠在有干擾和遮擋的環(huán)境下同樣保持較高的準(zhǔn)確率。文獻(xiàn)[18]采用“Hot Anchors”采樣代替滑動窗口均勻采樣的錨點(diǎn)，對Regional Proposal Network layer 進(jìn)行修改，提出了一種改進(jìn)的Faster R-CNN 算法，避免了大量的額外計算從而減輕了計算負(fù)擔(dān)，并進(jìn)一步提高了識別的效率和準(zhǔn)確率。改進(jìn)的RPN 結(jié)構(gòu)見圖2。

圖2 改進(jìn)的RPN 結(jié)構(gòu)示意圖

二階段目標(biāo)檢測算法的R-CNN 系列隨著不斷地發(fā)展已經(jīng)達(dá)到了無論在識別的精度還是識別效率上都已具備很高的水準(zhǔn)，基本能夠滿足對無人機(jī)巡檢圖像中電力部件識別的要求。但是由于需要先進(jìn)行候選區(qū)域的提取，其在檢測速度上仍有提高的空間。一階段目標(biāo)檢測算法由于省去了候選區(qū)域提取的步驟，具有更高的檢測效率。

SSD 算法具有更快的識別速度，但是由于僅通過VGG16來提取網(wǎng)絡(luò)conv4_3layer，不具備足夠豐富的語義信息而導(dǎo)致識別準(zhǔn)確率相對稍遜一籌。YOLO 算法同樣具有識別速度高，但識別準(zhǔn)確率較低的問題。

文獻(xiàn)[19]提出了一種基于改進(jìn)的YOLO9000框架，在保證較高識別速度的同時，提高了識別的準(zhǔn)確率。但是，存在分割精度較低和易受圖像背景影響的問題。隨著YOLO 系列不斷迭代升級，YOLOv3算法在識別的效率和準(zhǔn)確率上都達(dá)到了更高的水平，而且在目標(biāo)被干擾或者被遮擋的情況下依舊具有不俗的表現(xiàn)。文獻(xiàn)[20]在此基礎(chǔ)上，引入最小凸集的損失函數(shù)，解決了目前算法所存在的僅針對某種部件或者缺陷的問題，并利用級聯(lián)網(wǎng)絡(luò)分步操作實(shí)現(xiàn)了多目標(biāo)識別檢測的效果，其最小凸集示意圖見圖3。

圖3 最小凸集示意圖

3 結(jié)語

無人機(jī)巡檢所采集的圖像容易受到噪聲的干擾，進(jìn)而影響對電力部件的識別效果。隨著圖像處理技術(shù)的不斷發(fā)展，已經(jīng)達(dá)到了能夠很好的去除掉圖像中的混合噪聲的水平。在電力部件識別方面，隨著深度學(xué)習(xí)的引入和不斷地發(fā)展，無論在識別效率還是準(zhǔn)確率上都達(dá)到了很高的水準(zhǔn)，具有很高的魯棒性，而且能夠達(dá)到對目標(biāo)實(shí)時識別的程度。在無人機(jī)巡檢的廣泛深度應(yīng)用中，發(fā)揮了重要的貢獻(xiàn)作用。

未來，隨著5G 技術(shù)的不斷發(fā)展和普及，無論在傳輸速度還是質(zhì)量上都將有很大的飛躍。通過搭建云平臺實(shí)現(xiàn)實(shí)時識別，對無人機(jī)減負(fù)，將會有助于解決無人機(jī)續(xù)航的問題。同時，配合無人機(jī)自主導(dǎo)航技術(shù)，實(shí)現(xiàn)無人機(jī)的全自動巡檢將是未來的研究趨勢。