劉云飛， 李光澤， 韓岳松， 張新春

（1.安徽送變電工程有限公司，合肥 231202； 2.華北電力大學(xué)機械工程系，河北保定 071003）

我國電力資源分布與消費區(qū)域存在明顯的不匹配現(xiàn)象. 為提高電力資源配置能力，保障線路安全工作，必須發(fā)展快速、有效且可靠的輸電線路巡檢方法. 由于紅外成像技術(shù)具有能適應(yīng)多種天候、能進行遠程無接觸式檢測等優(yōu)點，使其在輸電線路巡檢工作中得到了廣泛應(yīng)用［1-2］. 在紅外檢測過程中，如何更高效地提取圖像中的有效信息是提升檢測效率的關(guān)鍵. 因此，研究紅外檢測技術(shù)的高效圖像提取方法對輸電線路巡檢具有重要意義.

目前，關(guān)于圖像提取和識別方面的大量研究業(yè)已展開. 比如，楊政勃等［3］應(yīng)用HSI顏色空間轉(zhuǎn)換獲得圖像邊緣信息，利用改進的中值濾波排除干擾，并采用梯度法提取了圖像中的溫度最高區(qū)域. 徐向軍等［4］基于Canny算子提取圖像邊緣后對所得模板進行高斯尺度空間分解，將分解結(jié)果和輸入圖像進行基于GHT的模板匹配，最后結(jié)合絕緣子的形狀特征值識別出絕緣子. 王淼等［5］采用LSD線段檢測法以及深度卷積神經(jīng)網(wǎng)絡(luò)提取紅外圖像中的導(dǎo)線、絕緣子區(qū)域，在其中進行溫度和灰度分析提取發(fā)熱點. 梁興等［6］采用粒子濾波算法去噪后，通過RGB色彩通道轉(zhuǎn)換對紅外圖像的故障區(qū)域進行劃分，利用共軛梯度法對區(qū)域中的故障點進行識別和定位. 孫苗苗等［7］在采用基于SIFT的圖像配準(zhǔn)算法實現(xiàn)圖像拼接后，將所得圖像的重合部分進行幀間差分，初步實現(xiàn)了輸電線的初步分割. Yao等［8］通過顏色直方圖法、顏色相干向量法和顏色相關(guān)圖法，實現(xiàn)了對特高壓輸電線路接地網(wǎng)圖像中腐蝕區(qū)域特征的提取. 裴慧坤等［9］利用SIFT圖像配準(zhǔn)算法拼接圖像，幀間差分得到拼接圖像重合部分，對紅外圖像進行分割；并基于特征提取結(jié)果選用Roberts算子，完成了對同塔雙回特高壓輸電線路紅外圖像的邊緣檢測. 彭向陽等［10］提出一種從無人機紅外影像中自動識別絕緣子的方法，首先對影像進行拉普拉斯邊緣提取，然后遍歷穿過影像的直線集，根據(jù)沿線的強度直方圖探測影像中的周期紋理特征，再通過角度內(nèi)特征聚類與角度間特征聚類，自動識別紅外影像中的絕緣子中心線. 近年來，基于深度學(xué)習(xí)的方法也越來越廣泛應(yīng)用于圖像識別領(lǐng)域. 魏業(yè)文等［11］提出了一種改進的Faster-RCNN深度學(xué)習(xí)識別算法. 利用Faster-RCNN 對目標(biāo)進行檢測，由子網(wǎng)絡(luò)區(qū)域提議模型生成目標(biāo)候選框和快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Fast-RCNN）進行參數(shù)調(diào)優(yōu)，并在Faster-RCNN 輸出部分增加目標(biāo)特征的分類細化和回歸細化，實現(xiàn)目標(biāo)的精確分類以及坐標(biāo)定位. 周仿榮等［12］提出一種基于YOLO v3的輸電線路缺陷快速檢測方法，通過建立輸電線路缺陷樣本庫并進行訓(xùn)練，實現(xiàn)輸電線路缺陷檢測. 劉悅和黃新波［13］將改進的分水嶺算法與YOLO v4的深度學(xué)習(xí)相結(jié)合，提出了一種可以快速識別出絕緣子主體和缺陷位置的自動檢測方法.唐睿等［14］構(gòu)造絕緣子數(shù)據(jù)集，在YOLO v3的模型上加入了SPP模塊提出了一種基于深度學(xué)習(xí)單階圖像識別框架的絕緣子在線識別模型. 結(jié)合輸電線路工程背景，如何更為精準(zhǔn)地進行目標(biāo)提取與背景抑制，提升圖像識別的準(zhǔn)確率，也是輸電線路巡檢技術(shù)領(lǐng)域亟待解決的關(guān)鍵課題之一.

本文針對實際線路中采集的輸電導(dǎo)線紅外圖像的特點，結(jié)合霍夫直線檢測、邊緣提取等圖像處理算法，研究對圖像中背景進行抑制、對目標(biāo)進行提取的有效方法，給出了基于霍夫直線檢測的導(dǎo)線過熱快速故障診斷程序. 本文的研究將對輸電線路紅外圖像自動檢測速度和精度的進一步提升提供理論依據(jù).

1 基于霍夫直線檢測的導(dǎo)線紅外圖像分割方法

1.1 紅外成像技術(shù)的應(yīng)用

當(dāng)前，在線路巡檢過程中，對于導(dǎo)線過熱的檢測主要借助無人機搭載的紅外成像系統(tǒng)來完成. 無人機通過人工操作或基于高精度點云數(shù)據(jù)的智能控制算法進行巡線［15］并在適宜點位利用紅外成像系統(tǒng)進行拍照，將所拍攝的紅外圖像上傳到后臺，由人工或智能檢測程序進行故障診斷，可發(fā)現(xiàn)線路中諸如導(dǎo)線過熱等一系列溫度異常的故障，如圖1所示［16］.

圖1 可利用紅外成像技術(shù)檢測的故障Fig.1 Faults detected by infrared imaging technology

為提升對輸電線路故障診斷的準(zhǔn)確率，在對無人機拍攝的紅外圖像進行識別的過程中，需要對采集的圖像進行分割，去除圖像中的無用信息，突出檢測構(gòu)件主體.分割出構(gòu)件主體后，便可根據(jù)溫度等信息設(shè)定閾值，判斷是否發(fā)生故障.

1.2 霍夫直線檢測原理

笛卡爾坐標(biāo)圖像空間中任一條直線y=kx+b，可改寫為極坐標(biāo)方程形式，即式中：r為笛卡爾坐標(biāo)中一點到原點的距離；θ為該點到原點的連線與x軸的夾角.

該直線唯一對應(yīng)兩個極坐標(biāo)參數(shù)r0、θ0，故可在以r、θ為坐標(biāo)軸的極坐標(biāo)參數(shù)空間中找到其唯一對應(yīng)的一點（r0，θ0）. 如圖2所示，笛卡爾坐標(biāo)圖像空間中的任一點(xi,yi)，均可在極坐標(biāo)參數(shù)空間中找到其唯一對應(yīng)的一條曲線r=xicosθ+yisinθ,(i=1,2)［17］.

圖2 圖像空間到極坐標(biāo)參數(shù)空間的轉(zhuǎn)換Fig.2 Transformation from image space to polar parameter space

在圖像空間中共線的兩點，在參數(shù)空間中對應(yīng)的兩條直線必交于一點，該交點即對應(yīng)著圖像空間中同時通過兩點的直線. 圖像空間中在一條直線上的點越多，這條直線在參數(shù)空間中對應(yīng)的點所通過的曲線也越多. 設(shè)定閾值，取符合該閾值的局部極大值點，其在圖像空間中對應(yīng)的直線即為所求的解.

1.3 基于霍夫直線檢測的紅外圖像處理

針對輸電導(dǎo)線的紅外圖像背景，提出了基于霍夫直線檢測的紅外圖像分割方法. 具體步驟如下：

1）灰度處理

紅外熱灰度圖像的灰度值與實際物體的溫度成正比，溫度越高，灰度值也越高. 因此，灰度處理有利于直接從圖像中提取溫度信息. 另外，進行灰度處理也是基于圖像灰度值的圖像邊緣提取的前提.

2）圖像邊緣提取

本方法中的圖像邊緣提取借助Sobel算子來實現(xiàn). Sobel算子是基于一階微分的邊緣檢測方法，首先進行鄰域平均或加權(quán)平均，然后進行一階微分處理，檢測出邊緣點［18］. Sobel算子方法簡單，處理速度快，與利用霍夫變換提取直線相配合能取得更為理想的效果.

3）利用霍夫變換提取直線

利用霍夫變換原理，在原圖構(gòu)建笛卡爾坐標(biāo)系，計算出原點位置以及原點到直線距離最大值后，以此建立極坐標(biāo)參數(shù)空間. 在參數(shù)空間的極坐標(biāo)中標(biāo)識各直線通過的點，相同點累加，最終形成第一個數(shù)組. 設(shè)定一個最小閾值，第一個數(shù)組中累加數(shù)大于該閾值的點存入第二個數(shù)組，則第二個數(shù)組中的點即對應(yīng)圖像空間中所求直線. 將這些點通過圖像空間與參數(shù)空間的對應(yīng)關(guān)系，轉(zhuǎn)化為圖像空間中的直線輸出，即可得到輸出為二值圖像的原圖像目標(biāo)直線.

4）圖像膨脹及填充

得到由霍夫直線檢測輸出的目標(biāo)直線后，使用圖像膨脹及圖像填充的方法，可以合理擴大二值圖像中選中的直線區(qū)域，使得選中區(qū)域可以更多地囊括目標(biāo)導(dǎo)線，提高后續(xù)檢測的可靠性.

5）掩膜

將經(jīng)膨脹和填充后的二值圖像作為模板，對原圖像或灰度圖像進行掩膜操作，可最終將目標(biāo)導(dǎo)線從背景中分割出來.

1.4 導(dǎo)線過熱快速診斷程序

針對已知設(shè)備參數(shù)的紅外圖像，根據(jù)紅外測溫原理，灰度值X與物體實際溫度T滿足以下兩個方程，即

式中：I為紅外圖像實際熱值；X為物體在灰度圖像中的灰度值；R為紅外成像儀的熱范圍；L為紅外成像儀的熱平；τ 為透射率；ξ為物體發(fā)射率；T為物體實際溫度；A和B為紅外成像儀設(shè)備的標(biāo)定曲線常數(shù)［19］.

基于方程（2）和（3），可由紅外灰度圖像中目標(biāo)物體的灰度值得到實際溫度. 在紅外圖像自動檢測的過程中，將物體的溫度閾值轉(zhuǎn)換為其在灰度圖像中的灰度閾值，利用程序?qū)D像灰度值的檢測完成故障診斷.當(dāng)金屬導(dǎo)線熱點溫度大于80 ℃可判斷為嚴(yán)重缺陷，大于110 ℃可判斷為危急缺陷［20］. 運用灰度閾值法，將經(jīng)圖像分割的導(dǎo)線紅外圖像轉(zhuǎn)為灰度圖像后，分別以80 ℃和110 ℃對應(yīng)的灰度值為下限閾值進行二次分割.檢測二次分割后的圖像中是否有值為1的像素點，便可確定目標(biāo)導(dǎo)線中是否存在缺陷以及缺陷的級別.

基于以上圖像分割方法，可設(shè)計檢測程序?qū)?dǎo)線紅外圖像進行自動檢測，程序流程如圖3 所示. 運用該程序可實現(xiàn)針對輸電導(dǎo)線過熱的快速診斷.

圖3 導(dǎo)線過熱診斷程序流程圖Fig.3 Flow chart of wire overheating diagnostic procedure

2 實驗結(jié)果與分析

2.1 直線提取

本文比較了常用的微分算子在針對具有復(fù)雜背景的導(dǎo)線圖像的邊緣提取過程中的實際應(yīng)用效果. 研究發(fā)現(xiàn)，LOG算子和Canny算子對于邊緣信息更為敏感，提取出的邊緣更加完整連續(xù)，但兩算子易受背景圖像影響，不利于過濾背景信息. 而利用邊緣處梯度最大進行檢測的Prewitt算子、Sobel算子，能過濾絕大部分背景信息，有利于后期進行直線提取，同時目標(biāo)主體的有效信息損失較少，配合霍夫直線檢測使用，能夠取得更好的直線提取效果，如圖4所示.

圖4 結(jié)合各種邊緣提取微分算子的導(dǎo)線紅外圖像霍夫直線檢測結(jié)果Fig.4 Hough line detection results of cable infrared images combined with various edge extraction differential operators

2.2 圖像分割結(jié)果

本文以某一線路巡檢過程中所得導(dǎo)線紅外圖像為例，如圖4（a）. 使用基于霍夫直線檢測的導(dǎo)線紅外圖像分割法對紅外圖像中的導(dǎo)線區(qū)域進行分割，最終所得圖像如圖5所示.

所采用的霍夫直線檢測具有對圖像中直線殘缺部分的不敏感性，可彌補邊緣提取算法提取出的邊緣信息像素點不連續(xù)的缺點. 同時，結(jié)合圖像膨脹、圖像填充的方法，利用紅外圖像中的導(dǎo)線區(qū)域形狀較為規(guī)則的特點，彌補所用的Sobel算子相較于LOG算子和Canny算子邊緣信息缺失較多的缺點. 從圖5 中可以看出，經(jīng)該法分割后的導(dǎo)線紅外圖像，在濾過大部分無效背景信息的同時能保留絕大部分目標(biāo)圖像. 該方法不僅適用于背景中含有大量不規(guī)則形狀物體的導(dǎo)線紅外圖像，對于背景中含有大量干擾直線的圖像，該法依然能夠取得良好的效果. 圖6給出了含大量干擾直線的導(dǎo)線圖像及其分割結(jié)果. 該方法可過濾背景中所有干擾直線，同時保留目標(biāo)主體90%有效信息. 經(jīng)圖像分割提取出目標(biāo)導(dǎo)線后，根據(jù)實際環(huán)境以及紅外成像設(shè)備情況，設(shè)定其溫度閾值，提取出的圖像主體超過該閾值便提示故障，從而完成故障診斷.

圖5 導(dǎo)線紅外圖像分割結(jié)果Fig.5 Result of wire infrared image segmentation

圖6 含大量干擾直線的導(dǎo)線圖像及其分割結(jié)果Fig.6 Cable image with a large number of interference lines and its segmentation result

2.3 導(dǎo)線過熱快速檢測

根據(jù)圖3所示流程設(shè)計導(dǎo)線過熱快速檢測程序，定義輸出綠色圖像代表正?；蛞话闳毕荩敵鳇S色圖像代表嚴(yán)重缺陷，輸出紅色圖像代表危急缺陷. 基于霍夫直線檢測的紅外圖像分割方法，分割后的某導(dǎo)線放電紅外圖像轉(zhuǎn)為灰度圖像如圖7所示. 作為檢測程序的輸入圖像，所得輸出圖像顏色為黃色，可判斷該段導(dǎo)線存在嚴(yán)重缺陷，需要進行檢修. 研究方法表明，本方法能夠?qū)崿F(xiàn)導(dǎo)線過熱的快速檢測.

圖7 導(dǎo)線過熱快速檢測結(jié)果Fig.7 Results of rapid detection of cable overheating

3 結(jié)論

針對架空輸電線路無人機巡檢，本文提出了基于霍夫直線檢測原理的紅外圖像分割方法，可有效分割出圖像中的導(dǎo)線區(qū)域，在濾過大部分無效背景信息的同時保留絕大部分目標(biāo)圖像. 使用灰度閾值法，還給出了一套針對導(dǎo)線過熱的自動檢測流程，通過該流程的自動檢測程序識別出了紅外圖像中的部分導(dǎo)線是否含有異常高溫部分，并判斷出故障是否發(fā)生和故障的種類，能夠?qū)崿F(xiàn)導(dǎo)線過熱的快速檢測. 本文的研究可為輸電線路紅外圖像自動檢測速度和精度的進一步提升提供理論依據(jù).