陳廣華，葛夢(mèng)瑩，黃白瑤，梁國(guó)賢，李瀟凱

（北京交通大學(xué)機(jī)械與電子控制工程學(xué)院，北京100044）

電力塔長(zhǎng)期暴露在戶外，受到強(qiáng)風(fēng)、地震等自然災(zāi)害和人為因素的影響，導(dǎo)致受力不平衡發(fā)生傾斜，若不及時(shí)修復(fù)會(huì)發(fā)生嚴(yán)重事故，造成地區(qū)性的停電和經(jīng)濟(jì)損失，因此，建立高效智能的電力塔傾斜檢測(cè)系統(tǒng)對(duì)電力系統(tǒng)安全穩(wěn)定運(yùn)行有重大意義.

傳統(tǒng)電力塔傾斜檢測(cè)主要采用鉛垂法、平面鏡法、經(jīng)緯儀法和全站儀免棱鏡等方法.其中，鉛垂法適用范圍廣泛，要依靠人工登塔完成測(cè)量，安全性低［1］.平面鏡法利用光學(xué)原理解決了特殊地形下的測(cè)量受限問(wèn)題，但平面鏡設(shè)置繁瑣，需要大量人工調(diào)整，一般在特殊地形下采用.經(jīng)緯儀法要依靠人工棱鏡來(lái)配合，儀器需多次設(shè)站，易受地形所限［2］.全站儀免棱鏡測(cè)量法通過(guò)測(cè)量電力塔空間信息的特性，利用制圖工具繪圖，計(jì)算得到傾斜度［3-4］，此法仍然需要人眼瞄準(zhǔn)，受人為因素影響大.

近些年出現(xiàn)了多種測(cè)量塔傾斜度的先進(jìn)方法，如傳感器監(jiān)測(cè)法、激光雷達(dá)法、圖像處理法等.Ngabo 等［5］提出基于加速度計(jì)的無(wú)線傳感器網(wǎng)絡(luò)三 維 傾 斜 測(cè) 量，Zhang 等［6］通 過(guò)MPU6050 傾 斜 傳感器和無(wú)線通信LoRa 模塊，將桿塔傾斜參數(shù)通過(guò)NB-IoT 上傳到在線實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，Shi 等［7］提出了一種基于LoRa 傳感器節(jié)點(diǎn)和滑動(dòng)XGBoost 預(yù)測(cè)器的輸電塔傾角預(yù)測(cè)方法.以上3 種方法都利用傳感器可實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)或預(yù)測(cè).郭明等［8］利用地面激光雷達(dá)和高精度全站儀得到應(yīng)縣木塔的點(diǎn)云數(shù)據(jù)并進(jìn)行剖切，經(jīng)過(guò)點(diǎn)云處理得到木塔傾斜度.陳亮［9］提出基于高密度機(jī)載激光雷達(dá)點(diǎn)云的桿塔信息提取.這兩種方法都利用激光雷達(dá)重建三維點(diǎn)云，精度高，但成本較高.Gang 等［10］采用雙正方形人工標(biāo)記和由Matlab 確定的鉛垂線，基于單目圖像處理技術(shù)記錄建筑物傾斜角度的變化，此法能夠觀察到實(shí)地情況并預(yù)警，但數(shù)據(jù)處理工作繁雜、計(jì)算量大，且關(guān)于鏡頭畸變的計(jì)算部分理論上無(wú)法 通過(guò)計(jì) 算完全 消除［1］.王榆夫等［11］利用無(wú)人機(jī)對(duì)航拍圖像中電力桿塔傾斜進(jìn)行自動(dòng)識(shí)別，此法通過(guò)無(wú)人機(jī)采集多張不同角度的二維圖像計(jì)算傾斜度，易受地形和風(fēng)力影響［4］.

雙目視覺作為一種典型的測(cè)量技術(shù)，廣泛應(yīng)用于許多領(lǐng)域，如幾何測(cè)量、機(jī)器人路徑校正和質(zhì)量檢測(cè).Lin 等［12］設(shè)計(jì)了一種基于雙目視覺技術(shù)的針尖自動(dòng)測(cè)量系統(tǒng)，激光干涉儀被用作測(cè)量針尖位置的參考，并設(shè)計(jì)了一種針尖提取算法，可以在不安裝標(biāo)記點(diǎn)的情況下完成針尖像素坐標(biāo)的檢測(cè)，最后通過(guò)實(shí)驗(yàn)評(píng)估提出系統(tǒng)的性能，系統(tǒng)精度可控制在0.362 1 mm 以內(nèi).Xia 等［13］提出了一種精確、魯棒的圓孔測(cè)量方法，通過(guò)像素強(qiáng)度信息并優(yōu)化邊緣來(lái)精確地重建空間圓孔，實(shí)驗(yàn)表明該方法測(cè)量誤差在0.05 mm 左右.此外，針對(duì)成捆原木自動(dòng)化檢尺中原木端面徑級(jí)檢測(cè)的關(guān)鍵問(wèn)題，一種利用雙目立體視覺原理完成原木徑級(jí)快速三維測(cè)量的方法被提出，該算法能夠在10 s內(nèi)完成原木徑級(jí)的檢測(cè)，測(cè)量誤差在2 mm 內(nèi)［14］.

雙目視覺方法是一種精確的非接觸式三維測(cè)量方法，與傳感器監(jiān)測(cè)法相比，擁有更多的現(xiàn)場(chǎng)信息，可靠性更高；與激光雷達(dá)法相比，成本更低且可實(shí)現(xiàn)遠(yuǎn)程檢測(cè).電力塔傾斜是在空間中的傾斜，單目視覺圖像處理不能直接準(zhǔn)確測(cè)量出空間角度，因此，本文作者提出利用雙目視覺技術(shù)，結(jié)合深度學(xué)習(xí)方法實(shí)現(xiàn)復(fù)雜背景下電力塔區(qū)域的提取，并結(jié)合雙目三維測(cè)量原理［15］實(shí)現(xiàn)電力塔傾斜度的計(jì)算，對(duì)干字塔、貓頭塔、酒杯塔和鋼管塔等多種塔形可用，能夠?qū)崿F(xiàn)電力塔傾斜度遠(yuǎn)程智能檢測(cè)，測(cè)量結(jié)果準(zhǔn)確.

1 系統(tǒng)的電力塔傾斜檢測(cè)原理

電力桿塔傾斜度定義為桿塔傾斜值S與桿塔地面上部高度H之比的百分?jǐn)?shù).電力桿塔傾斜度如圖1 所示.

圖1 電力塔傾斜度Fig.1 Power tower tilt

桿塔傾斜度計(jì)算公式為

式中：θ為傾斜角.

國(guó)家標(biāo)準(zhǔn)規(guī)定：50 m 以下鐵塔允許的最大傾斜度是1.0%，50 m 及以上鐵塔允許的最大傾斜度是0.5%［16］，以此作為衡量電力塔是否安全工作的依據(jù).電力塔傾斜檢測(cè)系統(tǒng)的總體結(jié)構(gòu)如圖2 所示.攝像機(jī)A 和攝像機(jī)B 布置在電力塔對(duì)角的延長(zhǎng)線上，利用水平儀保證攝像機(jī)主光軸方向垂直重力方向.攝像機(jī)與電力塔距離需要保證左右攝像機(jī)視野中能夠完整顯示電力塔左右側(cè)棱的下半部分，具體距離范圍需要根據(jù)攝像機(jī)廣角范圍和電力塔實(shí)際高度確定.左右相機(jī)分別同時(shí)拍攝電力塔圖像，左攝像機(jī)得到左圖像，右攝像機(jī)得到右圖像.左右圖像輸入到計(jì)算機(jī)，計(jì)算機(jī)通過(guò)桿塔區(qū)域分割算法自動(dòng)識(shí)別出電力塔區(qū)域，將識(shí)別出來(lái)的結(jié)果再利用立體視覺測(cè)量算法，最終得到電力塔傾斜度并顯示在數(shù)據(jù)管理系統(tǒng)中.

圖2 電力塔傾斜檢測(cè)系統(tǒng)總體結(jié)構(gòu)Fig.2 Overall structure of detection system for power tower tilt

系統(tǒng)硬件由兩臺(tái)高分辨率的工業(yè)攝像機(jī)、標(biāo)定板、水平儀和固定架組成.電力塔傾斜檢測(cè)系統(tǒng)由計(jì)算機(jī)、兩臺(tái)500 萬(wàn)像素高分辨率攝像機(jī)、標(biāo)定板和攝像機(jī)水平輔助儀組成.其中標(biāo)定板和攝像機(jī)水平輔助儀屬于安裝校準(zhǔn)設(shè)備，需要在初次安裝時(shí)使用.攝像機(jī)通過(guò)USB3.0 接口進(jìn)行傳輸，兩臺(tái)攝像機(jī)光心距離（即基線）為160 mm.標(biāo)定板是格數(shù)9×7 的黑白棋盤格，每格為28 mm，用于攝像機(jī)標(biāo)定.

桿塔區(qū)域分割算法和立體視覺測(cè)量算法是檢測(cè)系統(tǒng)的核心部分.桿塔區(qū)域分割算法主要是在Deep-Lab V3+網(wǎng)絡(luò)基礎(chǔ)上實(shí)現(xiàn)，由于電力塔側(cè)棱特征提取需要有較為精細(xì)的邊緣，所以在DeepLab V3+基礎(chǔ)上進(jìn)行改進(jìn)，進(jìn)一步細(xì)化了分割邊緣.立體視覺測(cè)量算法包括雙目標(biāo)定與校正、立體匹配、三維重建和塔傾斜度算法，其中立體匹配和塔傾斜度算法是重難點(diǎn).檢測(cè)系統(tǒng)整體技術(shù)路線如圖3所示.

2 塔區(qū)域分割算法

塔區(qū)域分割算法基于DeepLab V3+模型，分析了塔區(qū)域分割的需求，在網(wǎng)絡(luò)中增加了低階特征融合，使得塔分割邊緣更加精細(xì)，邊緣大面積缺少情況減少.

圖3 電力塔傾斜檢測(cè)系統(tǒng)技術(shù)路線Fig.3 Technical route of detection system for power tower tilt

2.1 DeepLab V3+網(wǎng)絡(luò)結(jié)構(gòu)

DeepLab V3+［17］圖像語(yǔ)義分割模型是由谷歌研究人員Chen 等提出的DeepLab［5，7，9，10］系列的最新版本，該模型是目前最先進(jìn)的圖像語(yǔ)義分割模型之一，DeepLab V3 是DeepLab V3+的前代模型.DeepLab［5，7，9，10］系列在圖像語(yǔ)義分割的發(fā)展中具有重要的意義，該系列所提出的一些思想或方法對(duì)后續(xù)的研究產(chǎn)生了深遠(yuǎn)的影響，DeepLab V3+被廣泛應(yīng)用于圖像分割領(lǐng)域［18］.DeepLab V3＋由編碼器和解碼器組成，編碼器主要由帶空洞卷積的特征提取模塊（DCNN）和空洞空間金字塔池化模塊（ASPP）組成.解碼器部分來(lái)自DCNN 的低階特征out1 和ASPP 模塊輸出的高階特征out2融合.圖4為DeepLab V3＋網(wǎng)絡(luò)結(jié)構(gòu).

鑒于DeepLab 網(wǎng)絡(luò)的優(yōu)秀性能，本文以DeepLab V3+為基礎(chǔ)，考慮到電力塔區(qū)域分割為二分類任務(wù)，過(guò)多的網(wǎng)絡(luò)層數(shù)會(huì)使收斂變慢，而Resnet101 相對(duì)Resnet34 和Resnet50，分割結(jié)果的最佳精度和平均精度更高［19］，所以骨干網(wǎng)絡(luò)采用DeepLab V3 的骨干網(wǎng)絡(luò)即ResNet［20］系列的ResNet101，將電力塔部分區(qū)域和背景作為二分類標(biāo)簽，建立基于DeepLab V3+的電力塔區(qū)域分割算法并進(jìn)行改進(jìn)，實(shí)現(xiàn)電力塔區(qū)域的準(zhǔn)確分割.

圖4 DeepLab V3＋網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Deeplab V3+ network architecture

2.2 增加低階特征融合的DeepLab V3+改進(jìn)網(wǎng)絡(luò)

圖5 顯示了增加低階特征融合后的模型結(jié)構(gòu).該模型由編碼器和解碼器兩部分組成.編碼器模塊使用ResNet-101 作為基本網(wǎng)絡(luò).本文中使用的網(wǎng)絡(luò)由5 個(gè)卷積層（Conv1-Conv5）組成，每個(gè)卷積層包含不同數(shù)量的瓶頸殘差模塊.較低級(jí)別的卷積結(jié)果具有較高分辨率且擁有更豐富的全局細(xì)節(jié).隨著卷積層的加深，卷積計(jì)算的輸出特征由于下采樣和匯集操作而降低了圖像的空間分辨率，導(dǎo)致初始全局細(xì)節(jié)的丟失.因此，為了細(xì)化邊緣特征，需要保留足夠數(shù)量的初始全局信息，選擇在匯集操作后，將第一卷積層的特征圖作為低階特征1，并且選擇第二卷積層中的第三瓶頸殘差塊的特征圖作為低階特征2，然后通過(guò)插值將其拉伸到與低階特征1 相同的大小.這兩個(gè)低階特征圖被連接成一個(gè)特征圖，該特征圖隨后通過(guò)與64 個(gè)通道的1 × 1 卷積，最終輸出通道的數(shù)量為64，不超過(guò)ASPP 模塊的輸出通道.

圖5 增加低階特征融合后的網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Network structure after adding low-order feature fusion

在5 個(gè)卷積層中執(zhí)行下采樣之后，連接ASPP 模塊.來(lái)自第5 卷積層的輸出特征圖被視為ASPP 模塊的輸入特征圖.ASPP 的5 個(gè)并行計(jì)算的特征圖被連接成一個(gè)具有1 280 個(gè)通道的特征圖，然后通過(guò)1 ×1 卷積層降維，再向上采樣，使得上采樣后的特征圖大小與要連接的低階特征圖大小相同.

3 立體視覺測(cè)量算法

3.1 雙目視覺三維空間坐標(biāo)計(jì)算原理

雙目視覺三維空間坐標(biāo)計(jì)算原理［21］是利用兩臺(tái)不同位置的攝像機(jī)同時(shí)進(jìn)行拍攝，分別獲取兩幅圖像，通過(guò)立體匹配與三角測(cè)量原理計(jì)算目標(biāo)特征點(diǎn)在兩幅圖像上的成像偏差，以此獲取特征點(diǎn)的深度信息，深度信息能夠反映特征點(diǎn)與左攝像機(jī)光心在沿Zl軸方向上的距離，進(jìn)而計(jì)算三維空間坐標(biāo).電力塔特征點(diǎn)A三維空間坐標(biāo)計(jì)算原理圖如圖6 所示.

圖6 電力塔特征點(diǎn)三維空間坐標(biāo)計(jì)算原理圖Fig.6 Schematic diagram of 3D coordinate calculation of power tower feature points

圖6 中，A是電力塔上一特征點(diǎn)，其三維坐標(biāo)為A(X，Y，Z)；圖像1 是左攝像機(jī)成像面，圖像2是右攝像機(jī)成像面；A點(diǎn)在圖像1、2 上的成像位置分 別 為al(xl，yl)，ar(xr，yr)；Ol，Or分 別 是 左 右 攝像機(jī)光心，假設(shè)兩攝像機(jī)光軸距離為b且互相平行，以左攝像機(jī)光心為原點(diǎn)建立三維坐標(biāo)系XCYC-ZC，通過(guò)相似三角形定理可得

式中：xl-xr為視差.由式（2）可知電力塔特征點(diǎn)A的三維坐標(biāo)可由視差和攝像機(jī)參數(shù)計(jì)算得出.

3.2 攝像機(jī)標(biāo)定

空間點(diǎn)A在左相機(jī)坐標(biāo)系下的坐標(biāo)映射為

式中：R為左攝像機(jī)坐標(biāo)系相對(duì)世界坐標(biāo)系的旋轉(zhuǎn)矩陣（正交單位矩陣）；T為左攝像機(jī)坐標(biāo)系相對(duì)世界坐標(biāo)系的平移向量；比例參數(shù)Zc和物體距離有關(guān)；dx與dy分別表示每個(gè)像素在橫軸x和縱軸y上的物理尺寸；(u0，v0)代表圖像主點(diǎn)在像素坐標(biāo)系下的坐標(biāo).此式實(shí)現(xiàn)世界坐標(biāo)A(X，Y，Z)到像素坐標(biāo)(u，v)的轉(zhuǎn)化.

標(biāo)定的過(guò)程就是求解式（3）中未知參數(shù)的過(guò)程.未知參數(shù)的準(zhǔn)確性直接影響系統(tǒng)的定位精度［22］.

張正友標(biāo)定法［23］是通過(guò)檢測(cè)棋盤格角點(diǎn)實(shí)現(xiàn)標(biāo)定參數(shù)的計(jì)算，相對(duì)傳統(tǒng)標(biāo)定法而言，僅需一個(gè)棋盤格，相對(duì)于自標(biāo)定而言，可操作性更強(qiáng).攝像機(jī)需要在安裝時(shí)進(jìn)行標(biāo)定，若運(yùn)行過(guò)程中相機(jī)位置沒有改變，則后續(xù)檢測(cè)不需要重新標(biāo)定.

3.3 畸變校正和立體校正

對(duì)左右兩幅圖像進(jìn)行畸變校正和立體校正，消除失真，將匹配點(diǎn)約束在一條直線上，可以減少誤匹配并大大縮短匹配時(shí)間.

建立畸變模型如下

式中：(x，y)為校正前圖像坐標(biāo)；(x′，y′)是校正后圖像 坐標(biāo)；k1、k2、k3為 徑向畸 變系數(shù)；p1、p2為切向畸變系數(shù).

立體校正采用Bouguet 校正算法，得到校正后的重投影矩陣如下

式中：cx、cy分別是左圖像主點(diǎn)的x、y坐標(biāo)；c′x是右圖像主點(diǎn)的x坐標(biāo)；Tx是右相機(jī)相對(duì)左相機(jī)的偏移矩陣.可實(shí)現(xiàn)電力塔特征點(diǎn)像素坐標(biāo)和世界坐標(biāo)的轉(zhuǎn)換.

3.4 立體匹配

畸變校正和立體校正后的圖像輸入電力塔區(qū)域分割算法，得到電力塔區(qū)域分割后的左右圖像分別記為圖像1 和圖像2.立體匹配是雙目測(cè)量中的核心環(huán)節(jié)，通過(guò)立體匹配計(jì)算得到視差，進(jìn)而求取三維坐標(biāo).為了符合電力塔傾斜檢測(cè)的快捷需求，本文基于極線匹配的電力塔側(cè)棱視差計(jì)算方法，其主要原理是將雙目校正后的行對(duì)準(zhǔn)圖像，利用極線幾何約束，分別從圖像左右兩端向中間遍歷，且只在圖像1 和圖像2 的同一行上遍歷尋找匹配點(diǎn)，能夠快速有效地獲取電力塔側(cè)棱視差圖.

雙目視覺中的對(duì)極幾何關(guān)系如圖7 所示，Ol為左圖像平面原點(diǎn)，Or為右圖像平面原點(diǎn)，OlOr為基 線，空間點(diǎn)P在左右視圖中的像點(diǎn)分別為Pl、Pr，極平面由左右圖像坐標(biāo)系原點(diǎn)Ol、Or和點(diǎn)P構(gòu)成.極平面與兩圖像平面分別相交于極線l1、l2.從圖中可以看出，Pl和Pr正位于各自對(duì)應(yīng)極線上.因此對(duì)極幾何約束定義為：Pl的對(duì)應(yīng)點(diǎn)Pr可以在對(duì)應(yīng)極線l1上尋找，Pr的對(duì)應(yīng)點(diǎn)Pl可以在對(duì)應(yīng)極線l2上尋 找.當(dāng)左右視圖通過(guò)雙目校正，實(shí)現(xiàn)行對(duì)準(zhǔn)后，匹配對(duì)應(yīng)點(diǎn)可以保證在對(duì)應(yīng)圖像的同一行上，極大地縮減了搜索時(shí)間和范圍.

圖7 對(duì)極幾何關(guān)系Fig.7 Geometric relationship of opposites

4 電力塔傾斜度算法

電力塔傾斜度算法主要由深度圖轉(zhuǎn)化為三維點(diǎn)云、求解方向向量、求解側(cè)棱與水平面夾角、求解電力塔傾斜度4個(gè)步驟組成.

深度與視差間的關(guān)系表示為

式中：Depth表示深度；disp為視差，baseline為基線距離；由攝像機(jī)內(nèi)參數(shù)矩陣得到.

由式（7）可將電力塔側(cè)棱視差圖轉(zhuǎn)換為深度圖，通過(guò)式（2）可將深度圖轉(zhuǎn)換成三維點(diǎn)云，運(yùn)用PCL讀取點(diǎn)云坐標(biāo). 由三維點(diǎn)云用奇異值（Singular Value Decomposition，SVD）分解法求擬合直線的方向向量a、c，取垂直于地面的法向量n=（0，1，0）.如圖8 所示，ABCD為理想中絕對(duì)垂直地面的塔，A′BC′D′是實(shí)際中發(fā)生一定傾斜的塔，重力方向垂直W平面，b和c分別為電力塔左右側(cè)棱與絕對(duì)水平面W的夾角.b和c分別為

根據(jù)電力塔傾斜度定義，由幾何推導(dǎo)可得b、c與傾斜度的關(guān)系式為

整理總結(jié)得傾斜度表達(dá)式如式為

圖8 幾何關(guān)系圖Fig.8 Geometric diagram

5 實(shí)驗(yàn)結(jié)果與分析

5.1 電力塔區(qū)域分割實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)基于英特爾酷睿i5-11 400f 平臺(tái)，深度學(xué)習(xí)環(huán)節(jié)采用英偉達(dá)RTX2060 Super 顯卡以及Pytorch1.8.1 進(jìn)行訓(xùn)練.實(shí)驗(yàn)數(shù)據(jù)集來(lái)自北京市西小口實(shí)地拍攝的電力塔圖像10 000 張.數(shù)據(jù)集、驗(yàn)證集和測(cè)試集按照8∶1∶1比例劃分.

為了衡量每個(gè)模型的性能和學(xué)習(xí)成本，并更有效地評(píng)估模型，實(shí)驗(yàn)使用多級(jí)控制參數(shù)變量進(jìn)行評(píng)估.主要評(píng)價(jià)指標(biāo)包括模型訓(xùn)練時(shí)間、模型預(yù)測(cè)精度、內(nèi)存占用和模型參數(shù)大小.在控制硬件配置和固定參數(shù)的條件下，進(jìn)行了對(duì)比實(shí)驗(yàn).衡量圖像分割精度的標(biāo)準(zhǔn)有很多.在語(yǔ)義分割領(lǐng)域，最常用的指標(biāo)是平均交并比（MIoU），對(duì)于多類別來(lái)說(shuō)，MIoU 就是分別對(duì)每個(gè)類計(jì)算（IoU）真實(shí)標(biāo)簽和預(yù)測(cè)結(jié)果的交并比，然后對(duì)所有類別的IoU 求均值，得出

式中：k是類別的數(shù)量，總共（k+1）個(gè)類別（包括背景類別）；pii是預(yù)測(cè)正確的像素?cái)?shù)；pij是預(yù)測(cè)為背景但實(shí)際上是正標(biāo)簽的像素?cái)?shù)；pji是被預(yù)測(cè)為前景但實(shí)際上是負(fù)標(biāo)簽的像素?cái)?shù).

由于本文只針對(duì)電力塔區(qū)域進(jìn)行標(biāo)注和計(jì)算，因此就只計(jì)算一類的IoU 值，也就是對(duì)于實(shí)際標(biāo)注區(qū)域和最終生成的標(biāo)注區(qū)域之間進(jìn)行交并比的計(jì)算.總的來(lái)說(shuō)，MIoU 是最具代表性的評(píng)價(jià)指標(biāo).改進(jìn)前后部分圖像預(yù)測(cè)結(jié)果對(duì)比如圖9所示.

圖9 改進(jìn)前后預(yù)測(cè)結(jié)果對(duì)比Fig.9 Comparison of prediction results before and after improvement

改進(jìn)后算法與DeepLab V3+（骨干網(wǎng)絡(luò)為ResNet101）相比，MIoU 提高了1.4%；但收斂速度稍微變慢.整體樣本檢測(cè)結(jié)果對(duì)比如表1.

表1 整體樣本檢測(cè)結(jié)果Tab.1 Test results of the whole sample

由以上實(shí)驗(yàn)結(jié)果可知，電力塔區(qū)域分割算法能有效地檢測(cè)出電力塔區(qū)域，為雙目測(cè)量提供條件.

5.2 電力塔傾斜度計(jì)算結(jié)果與分析

在電力塔實(shí)地進(jìn)行實(shí)驗(yàn)，實(shí)景圖如圖10（a）所示.雙目攝像機(jī)距離電力塔5～10 m，先進(jìn)行攝像機(jī)的調(diào)平，固定攝像機(jī)并通過(guò)氣泡水平儀進(jìn)行粗調(diào)，再采用TLL-90 S 高精度雙軸數(shù)顯水平儀和燕尾微調(diào)儀進(jìn)行精細(xì)調(diào)平.之后進(jìn)行攝像機(jī)的標(biāo)定與校正，采集了20 對(duì)標(biāo)定板圖像如圖10（b）所示.校正前后電力塔左圖像分別如圖10（c）和如圖10（d）所示.

標(biāo)定與校正完成后，通過(guò)電力塔區(qū)域分割算法進(jìn)行塔區(qū)域分割，分割結(jié)果如圖11 所示.通過(guò)極線匹配，分別提取出左右側(cè)棱的深度圖像，左側(cè)棱深度圖如圖12 所示.求解三維點(diǎn)云并擬合側(cè)棱直線，最終得到此電力塔傾斜度為0.35%.輸電線路桿塔傾斜智能監(jiān)測(cè)裝置技術(shù)規(guī)范規(guī)定［16］，50 m 以下桿塔傾斜度小于1%即為正常，所以此桿塔正常工作.移動(dòng)攝像機(jī)并重新調(diào)平拍攝其他桿塔得到更多實(shí)驗(yàn)結(jié)果，將得到的傾斜度與經(jīng)緯儀測(cè)得的結(jié)果對(duì)比并進(jìn)行誤差分析.如表2 所示.其中，攝像機(jī)雙軸傾斜角為精細(xì)調(diào)平后數(shù)顯水平儀示數(shù).誤差分析如圖13 所示.

通過(guò)經(jīng)緯儀方法與本文方法進(jìn)行結(jié)果對(duì)比，經(jīng)計(jì)算，可以得出本文方法測(cè)量結(jié)果相對(duì)經(jīng)緯儀測(cè)量結(jié)果的誤差.輸電線路桿塔傾斜智能監(jiān)測(cè)裝置技術(shù)規(guī)范規(guī)定，桿塔傾斜角度測(cè)量誤差的絕對(duì)值≤0.05°即為符合規(guī)定.由此可得本文方法的測(cè)量誤差符合技術(shù)規(guī)定.

圖10 實(shí)景及標(biāo)定圖像Fig.10 Real-world and calibrated images

圖11 分割結(jié)果Fig.11 Segmentation results

由圖13 可知，攝像機(jī)雙軸傾斜角與誤差絕對(duì)值存在線性相關(guān)關(guān)系，當(dāng)攝像機(jī)雙軸傾斜角為0.005°時(shí)，誤差的絕對(duì)值分別為0.013 和0.014，誤差較小.當(dāng)攝像機(jī)雙軸傾斜角為0.015°時(shí)，誤差的絕對(duì)值為0.028，誤差較大.擬合后直線表明攝像機(jī)雙軸傾斜角越大，誤差的絕對(duì)值也越大.由此可知調(diào)平的準(zhǔn)確性直接影響測(cè)量結(jié)果準(zhǔn)確性，測(cè)量前對(duì)攝像機(jī)進(jìn)行精細(xì)調(diào)平，應(yīng)當(dāng)使得攝像機(jī)光軸盡量垂直重力方向.除此之外，還可能引起誤差的原因有以下3 點(diǎn)：1）雙目攝像機(jī)鏡頭參數(shù)略有不同.雙目攝像機(jī)兩個(gè)鏡頭會(huì)存在制造引起的參數(shù)差別，使得參數(shù)不能完全相同.2）攝像機(jī)標(biāo)定過(guò)程中存在一定誤差.標(biāo)定誤差會(huì)受到標(biāo)定圖像拍攝角度、標(biāo)定圖像張數(shù)、光照等因素影響.3）雙目圖像分辨率不高影響測(cè)量準(zhǔn)確度.

圖12 左側(cè)棱深度圖Fig.12 Left-edge depth map

上述實(shí)驗(yàn)證明了雙目測(cè)量理論和塔傾斜度算法的正確性和可行性.本文所提出的基于雙目視覺技術(shù)和DeepLab V3+網(wǎng)絡(luò)的電力塔傾斜度檢測(cè)方法實(shí)現(xiàn)了高精度、高效率的自動(dòng)化塔傾斜度測(cè)量，便于企業(yè)的數(shù)據(jù)化管理以及應(yīng)用推廣.

表2 本文算法與經(jīng)緯儀測(cè)量結(jié)果對(duì)比Tab.2 The algorithm in this paper is compared with the longitudinal measurement results

圖13 誤差分析圖Fig.13 Error analysis diagram

6 結(jié)論

1）針對(duì)雙目測(cè)量中立體匹配的匹配效率低的問(wèn)題，直接利用極線幾何約束，縮減了匹配點(diǎn)搜索空間，提高了匹配效率，能夠快速準(zhǔn)確地獲取電力塔側(cè)棱特征點(diǎn)的三維坐標(biāo).

2）在電力塔特征提取中，采用了基于Deep-Lab V3+的電力塔區(qū)域分割算法，并根據(jù)電力塔邊緣分割結(jié)果進(jìn)行分析，提出需要進(jìn)一步優(yōu)化電力塔側(cè)棱邊緣的分割精確度.在DeepLab V3+網(wǎng)絡(luò)基礎(chǔ)上，引入了更多的低級(jí)特征，提高了電力塔邊緣劃分的準(zhǔn)確性，實(shí)現(xiàn)了電力塔區(qū)域的準(zhǔn)確分割.

3）設(shè)計(jì)電力塔傾斜度計(jì)算算法，進(jìn)行實(shí)驗(yàn)和誤差分析，檢測(cè)結(jié)果表明基于雙目視覺的電力塔傾斜檢測(cè)方法誤差滿足國(guó)家標(biāo)準(zhǔn)要求.

4）實(shí)驗(yàn)證明了利用雙目視覺和深度學(xué)習(xí)方法檢測(cè)電力塔傾斜度是合理且可靠的.本文提出的基于雙目視覺的電力塔傾斜檢測(cè)方法對(duì)多個(gè)不同種類的電力塔實(shí)現(xiàn)了高精度、高效率的傾斜度測(cè)量.且可行性高、成本低，便于大規(guī)模推廣使用.