李彬,丁國斌

（1．南方電網(wǎng)數(shù)字電網(wǎng)研究院有限公司，廣東廣州 510663；2．廣州致訊信息科技有限責(zé)任公司智能電網(wǎng)研發(fā)部，廣東廣州 510700）

1 引言

隨著圖像信息處理技術(shù)的發(fā)展，采用圖像傳感信息處理方法，建立輸電線路缺陷檢測模型，通過計算機視覺特征分析和特征點定位識別，實現(xiàn)對輸電線路缺陷檢測和主動定位識別，提高輸電線路缺陷檢測和定位能力，相關(guān)的輸電線路缺陷檢測研究在提高輸電線路缺陷檢測的輸出穩(wěn)定性方面具有重要意義[1]。

國外對輸電線路缺陷檢測研究起步較早，很多發(fā)達國家在上個世紀(jì)60年代后期就開始運用機器視覺檢測技術(shù)來判斷輸電線路缺陷情況。Herbert在圖象建立過程中基于像素分類的局部特征對缺陷形態(tài)、信號和噪聲進行分析。德國學(xué)者用基于攝像機模型的立體射線實時成像系統(tǒng)對輸電線路部件內(nèi)部缺陷進行三維分析。美國學(xué)者提出一種用于鑄件距離圖像中缺陷檢測的自動化視覺CAD 的三維檢測系統(tǒng)。我國對于視覺檢測技術(shù)的研究始于90年代，進入21世紀(jì)后，各行各業(yè)對采用圖像和機器視覺技術(shù)的工業(yè)自動化需求廣泛被運用。林剛[2]等人提出一種基于改進Faster-RCNN的巡檢圖像多目標(biāo)檢測及定位方法，基于實際巡檢圖像樣本庫，對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，以改善參數(shù)學(xué)習(xí)效果；最后利用正則化方法優(yōu)化參數(shù)權(quán)重，提高檢測速度；李致金[3]等人依據(jù)深度學(xué)習(xí)算法可以自主進行特征學(xué)習(xí)和識別的特點，提出一種基于主成分分析法的深度學(xué)習(xí)模型，從而進行信息提取和信息監(jiān)測。但傳統(tǒng)方法無法有效生成輸電線路部件缺陷的巡檢報告，對輸電線路部件缺陷檢測的自動化水平不高。針對上述問題，本文提出基于目標(biāo)去重的缺陷檢測巡檢報告生成方法。在構(gòu)建輸電線路缺陷的視覺目標(biāo)跟蹤模型基礎(chǔ)上，采用圖像傳感器實現(xiàn)對輸電線路部件缺陷的圖像采集和融合分析，采用粒子濾波的視覺目標(biāo)跟蹤方法進行缺陷檢測巡檢分析，然后結(jié)合目標(biāo)去重方法構(gòu)建輸電線路缺陷特征標(biāo)定模型，通過梯度優(yōu)化函數(shù)實現(xiàn)對缺陷的區(qū)域套索和邊緣輪廓檢測，通過顏色概率分布的差異性和像素維度深度的異常分布，生成巡檢報告。最后通過實驗證明，本文方法在提高缺陷檢測巡檢報告生成能力方面具有優(yōu)越性。

2 缺陷檢測圖像采集和視覺分析

一般進行缺陷目標(biāo)檢測后的輸出會直接作為后續(xù)應(yīng)用的輸入，這一過程極有可能多次重復(fù)檢測到同一個缺陷目標(biāo)的情況，這種情況一般是不可避免的。這是因為一個缺陷目標(biāo)物體在視覺目標(biāo)跟蹤模型中會多次作為目標(biāo)檢測服務(wù)的輸入，以至于增加信息采集的成本。為此基于目標(biāo)去重方法對其進行優(yōu)化，目標(biāo)去重的過程如圖1所示。

圖1 目標(biāo)去重方法處理過程

2.1 缺陷檢測圖像采集

為了實現(xiàn)基于目標(biāo)去重的缺陷檢測巡檢報告生成，構(gòu)建輸電線路缺陷的視覺目標(biāo)跟蹤模型，采用圖像傳感器實現(xiàn)對缺陷的圖像采集，假設(shè)f1為首次采集的輸電線路圖像，fn為最終的輸電線路圖像，利用圖像插值方法[4]，可知工作距離、視野范圍和成像面大小之間滿足以下關(guān)系：

式中，v表示圖像的寬度，V表示被攝目標(biāo)寬度，h表示圖像長度，H表示被攝目標(biāo)長度，D表示被攝物體至鏡頭的距離。假定原始圖像f(x，y)的灰度范圍為[a，b]，灰度映射后的圖像g(x，y)的灰度范圍線性擴展至[c，d]。由于輸電線路部件的紋理缺陷損傷深度的差異性，結(jié)合邊緣輪廓檢測的方法[5]，得到加權(quán)融合后的輸電線路部件擴展圖像為：

采取了兩階段的檢測方法，構(gòu)建輸電線路部件的紋理分布式檢測模型，表示為：

式中，ω表示輸電線路部件的紋理缺陷分割參數(shù)，k表示紋理分布空間維度，N表示最大維度范圍。利用特征信息來源，在候選區(qū)域中，對輸電線路部件的缺陷信息進行視覺定位，求解x，y的位移值，得到缺陷的圖像梯度分布為：

式中，η表示輸電線路部件缺陷融合參數(shù)，J表示缺陷信息進行視覺定位的參考指標(biāo)。根據(jù)候選區(qū)域的中心點坐標(biāo)分布，得到缺陷檢測的圖像采集模型。

2.2 視覺目標(biāo)跟蹤模型

在候選區(qū)域的簡單回歸后，判斷紋理缺陷視差特征分布點，得到最優(yōu)的網(wǎng)絡(luò)模型參數(shù)，選取窗口為3×3，用Xi，j來表示（i，j）位置處像素點處輸電線路部件的紋理缺陷灰度值，采用聯(lián)合訓(xùn)練分析的方法[6-7]，得到輸電線路部件的缺陷分布能量函數(shù)E(i，j)，底層特征層的高分辨率回歸分析模型為：

對輸電線路部件進行視覺像素重構(gòu)處理，得到對輸電線路部件進行缺陷視覺檢測的三維定點坐標(biāo)為：

式中，u表示一個規(guī)范常量，對目標(biāo)分類和輸電線路部件邊框回歸分析，實現(xiàn)視覺定位，得到輸電線路部件缺陷點錨點為：

式中，F(xiàn)d表示輸電線路部件缺陷融合的視差分量。利用較小目標(biāo)的檢測依賴性，提取缺陷邊界，以此求得輸電線路部件缺陷融合圖像的相對運動參數(shù)zi，j，采用目標(biāo)去重的方法，得到較小目標(biāo)的檢測輸出為：

在不同階段被抽樣出的特征圖中得到輸電線路部件視覺缺陷像素特征點輸出為：

由此完成了三維輸電線路部件視覺幀點檢測，根據(jù)結(jié)構(gòu)對底層特征加以復(fù)用的結(jié)果，實現(xiàn)輸電線路部件視覺缺陷跟蹤定位。

3 缺陷巡檢報告生成優(yōu)化

3.1 缺陷特征提取

采用粒子濾波的視覺目標(biāo)跟蹤方法進行缺陷檢測巡檢分析，構(gòu)建輸電線路部件數(shù)字圖像的像素視覺差分匹配模型，得到固定尺寸的特征圖，采用多分類視覺特征分析方法和目標(biāo)去重方法[8-9]，提取輸電線路部件缺陷特征定位參數(shù)，通過采樣技術(shù)，得到輸電線路部件圖像缺陷特征點的并行定位輸出表達式：

特征圖在經(jīng)過二次融合后，得到輸電線路部件圖像缺陷特征分布的表面信息，對圖像特征空間的進行二次規(guī)劃建模，基于高頻信息增強的方法，得到輸電線路部件缺陷特征約束關(guān)系不等式可以表示為：

式中，A表示在不同衰減尺度下輸電線路部件視覺圖像下的缺陷特征分布集，t(x)為輸電線路部件視覺圖像的相似度區(qū)分值，m(x)表示輸電線路部件的缺陷損失函數(shù)。對目標(biāo)分類和輸電線路部件邊框回歸分析，實現(xiàn)視覺定位，得到視覺信息特征增量為：

采用視覺特征分布融合，得到輸電線路部件缺視覺缺陷信息的分布特征系數(shù)表示如下：

式中，d(i，j)表示每個像素位置的輸電線路部件缺陷融合特征分量。將數(shù)字圖像中的像素值轉(zhuǎn)換輸電線路部件的缺陷特征分量，結(jié)合模型構(gòu)建和缺陷參數(shù)融合的方法，得到輸電線路部件缺陷的視覺信息分量，采用顏色特征分析和輸電線路部件缺陷視覺分析的方法，得到原始深度圖像的灰度特征，采用目標(biāo)去重的方法，分析高層特征層的綜合融合參數(shù)，得到缺陷的小目標(biāo)檢測特征提取結(jié)果為：

式中，Q為輸電線路部件缺陷點的鄰域塊數(shù)目，W為輸電線路部件缺陷的圖譜累積塊大小。結(jié)合視覺跟蹤識別，建立缺陷特征提取模型，提高缺陷巡檢報告生成的智能性。

3.2 缺陷檢測巡檢報告生成優(yōu)化輸出

根據(jù)顏色概率分布的差異性和像素維度深度的異常分布，構(gòu)建缺陷巡檢報告分析模型，結(jié)合區(qū)域標(biāo)記的方法，得到輸電線路部件缺陷點定位的梯度信息為：

式中，dx表示輸電線路部件視覺圖像在x軸方向的水平分割系數(shù)。采用非全局最優(yōu)軌跡分析，得到輸電線路部件視覺圖像Vc在聚類中心的窗口大小，得到M×N函數(shù)，采用目標(biāo)去重，實現(xiàn)輸電線路部件缺陷檢測的迭代搜索，表示如下：

式中，f(i，j)表示輸電線路部件缺陷的差異性特征量。在視覺狀態(tài)空間中獲得輸電線路部件缺陷圖像的樣本分布集為(xi，yi)，用xi表示輸電線路部件缺陷檢測輸入?yún)?shù)，yi表示輸電線路部件缺陷檢測輸出參數(shù)，結(jié)合局部運動狀態(tài)跟蹤識別，得到輸出狀態(tài)表達式為：

式中，b為輸電線路部件缺陷的最大灰度集，T表示分布權(quán)比重。通過模糊度控制和信息定位，得到輸電線路部件缺陷紋理信息分布為：

式中，ct為第t時刻目標(biāo)塊的缺陷分布差異度水平，xi表示缺陷分布相似度水平。綜上算法設(shè)計，獲得輸電線路部件缺陷紋理分布信息，得出缺陷檢測巡檢報告結(jié)果。

4 仿真測試

為了驗證本文方法在生成缺陷檢測巡檢報告方面的實際應(yīng)用能力，在MATLAB 仿真環(huán)境下進行實驗，設(shè)定視覺信息定位的像素集為150*150，濾波器參數(shù)為0．58，迭代次數(shù)為1500，缺陷檢測的自適應(yīng)學(xué)習(xí)權(quán)重為0．15，初始像素為350*350，定位缺陷點的中心間距為1．57mm，仿真時長為25ms，根據(jù)上述參數(shù)設(shè)定，得到原始輸電線路某位置部件視覺圖像如圖2所示。

圖2 原始輸電線路圖像采集結(jié)果

運用本文方法對圖2的原始輸電線路某位置部件視覺圖像采集結(jié)果進行缺陷檢測定位，得到檢測結(jié)果如圖3所示。

分析圖3得知，本文方法對輸電線路部件缺陷分布點的定位效果較好，能有效實現(xiàn)對輸電線路部件的缺陷檢測。

測試不同方法進行輸電線路部件缺陷巡檢的準(zhǔn)確性，得到收斂性曲線和檢測精度曲線對比結(jié)果如圖4所示。

圖4 檢測性能對比

分析圖4得知，本文方法進行輸電線路部件缺陷檢測的精度較高，缺陷檢測巡檢報告生成的準(zhǔn)確性和穩(wěn)定性較好。

5 結(jié)束語

通過計算機視覺特征分析和特征點定位識別，實現(xiàn)對輸電線路部件缺陷檢測和主動定位識別，本文提出基于目標(biāo)去重的缺陷檢測巡檢報告生成方法。結(jié)合目標(biāo)去重方法構(gòu)建輸電線路部件缺陷特征標(biāo)定的參數(shù)分析模型，通過采樣技術(shù)，得到輸電線路部件圖像缺陷特征點的并行定位輸出，結(jié)合局部運動狀態(tài)跟蹤識別，得到輸出狀態(tài)特征分布表達式，實現(xiàn)缺陷檢測巡檢報告的生成。研究得知，本文方法對輸電線路部件缺陷檢測的精度較高，性能較好。