李輝熠，李希，謝景偉

（1.湖南大眾傳媒職業(yè)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410100；2.湖南師范大學(xué)，湖南 長(zhǎng)沙 410081）

1 引言

由于輸電線路覆冰、積雪等原因經(jīng)常引起一些事故，如線路舞動(dòng)、絕緣子閃絡(luò)等，從而造成重大的經(jīng)濟(jì)損失，嚴(yán)重威脅著電網(wǎng)的安全運(yùn)行[1]。傳統(tǒng)的手動(dòng)除冰方法具有高風(fēng)險(xiǎn)和低效率等問(wèn)題，隨著科學(xué)技術(shù)的發(fā)展，用機(jī)器人代替人工除冰已是大勢(shì)所趨，但現(xiàn)階段仍有許多亟待解決的問(wèn)題。特別是機(jī)器人需要執(zhí)行一些復(fù)雜功能時(shí)，如障礙物穿越和手臂抓線控制等[2]。因此，為了實(shí)現(xiàn)電力線的自主操作，除冰機(jī)器人需要具有越障功能，而解決越障的首要問(wèn)題是實(shí)現(xiàn)電纜線位置的自主識(shí)別。

由于高壓輸電線路的障礙物多樣且復(fù)雜，輸電線路的環(huán)境也相對(duì)惡劣。當(dāng)前，國(guó)內(nèi)外現(xiàn)有的輸電線路作業(yè)機(jī)械人大多不具備越障功能，因此自主抓線是一個(gè)迫切需要解決又難度較大的問(wèn)題。在文獻(xiàn)[3]中，提出了一種單目測(cè)距算法，用于巡線機(jī)器人的視覺(jué)導(dǎo)航。利用Hough變換檢測(cè)視頻幀圖像中巡線機(jī)器人的行走導(dǎo)線的兩側(cè)，獲得障礙物和鏡頭之間的距離，并執(zhí)行線性校正。經(jīng)過(guò)測(cè)試，具有很高的準(zhǔn)確性和魯棒性。在文獻(xiàn)[4]中，提出一種粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)識(shí)別方法，用于高壓輸電線路除冰機(jī)械人對(duì)輸電線路進(jìn)行障礙物識(shí)別和分類。測(cè)試結(jié)果表明，該方法可以有效識(shí)別輸電線路障礙物。在文獻(xiàn)[5]中，基于懸臂運(yùn)動(dòng)的仿生原理，提出一種新型的除冰機(jī)器人雙臂越障結(jié)構(gòu)。通過(guò)分析，闡述了雙臂交叉避障的原理，并使用軟件仿真了結(jié)構(gòu)驅(qū)動(dòng)模型。結(jié)果表明，仿生雙臂交叉結(jié)構(gòu)可有效提高除冰機(jī)器人除冰過(guò)程的穩(wěn)定性和效率。在文獻(xiàn)[6]中，在當(dāng)前輸電線路除冰機(jī)器人研究現(xiàn)狀的基礎(chǔ)上，提出一種新型的在線越障行走機(jī)構(gòu)，并介紹了自主研發(fā)的除冰機(jī)器人。這些研究為解決除冰機(jī)器人在輸電線路上的視覺(jué)定位問(wèn)題提供了理論依據(jù)?；诖耍o出一種用于輸電線路除冰機(jī)械人的視覺(jué)定位方法，用于機(jī)器人越障時(shí)的機(jī)械臂對(duì)準(zhǔn)。使用Gabor變換把電纜線從背景中提取出來(lái)，然后使用最小二乘法檢測(cè)電纜位置。通過(guò)不同光照度實(shí)驗(yàn)驗(yàn)證該定位方法的準(zhǔn)確性和魯棒性。

2 系統(tǒng)框架

除冰機(jī)器人是一個(gè)復(fù)雜的機(jī)電一體化系統(tǒng)。采用分級(jí)智能控制方式，如圖1所示。高壓輸電線路除冰機(jī)械人控制系統(tǒng)由兩部分組成，地面監(jiān)控系統(tǒng)和機(jī)器人本體控制系統(tǒng)。地面監(jiān)控系統(tǒng)：由監(jiān)控主機(jī)和無(wú)線網(wǎng)卡模塊組成。監(jiān)控主機(jī)主要用于顯示和存儲(chǔ)機(jī)器人采集的圖像。使用由無(wú)線網(wǎng)卡組成的網(wǎng)絡(luò)進(jìn)行遠(yuǎn)程圖像傳輸，通過(guò)無(wú)線網(wǎng)絡(luò)進(jìn)行除冰機(jī)器人力的遠(yuǎn)程控制［7］。機(jī)器人主體控制系統(tǒng)：負(fù)責(zé)分解、協(xié)調(diào)和任務(wù)執(zhí)行。機(jī)器人主體控制系統(tǒng)通過(guò)無(wú)線網(wǎng)卡與地面通信，指揮機(jī)器人進(jìn)行除冰。

圖1 系統(tǒng)框架Fig.1 System Framework

3 定位算法

電纜線定位方法步驟如下所示：（1）對(duì)原始圖像進(jìn)行預(yù)處理，以減少光線對(duì)電纜線紋理圖像的影響。（2）檢測(cè)圖像的邊緣并估計(jì)電力電纜的紋理方向。將（2）獲得的紋理方向作為Gabor濾波器方向參數(shù)，并將邊緣檢測(cè)到的圖像與其卷積獲得增強(qiáng)圖像［8］。（3）進(jìn)行閾值分割提出電纜的紋理區(qū)域，然后用最小二乘法檢測(cè)電纜線位置。算法流程圖，如圖2所示。

圖2 定位算法流程Fig.2 Positioning Algorithm Flow

3.1 圖像預(yù)處理

由于電力線的環(huán)境復(fù)雜，在圖像拍攝過(guò)程中，機(jī)械臂監(jiān)控相機(jī)容易在電力電纜附近產(chǎn)生局部反射。這樣的反射會(huì)損壞電力電纜圖像的圖像質(zhì)量并模糊邊緣［9］。此外，如果監(jiān)視相機(jī)直接暴露在陽(yáng)光下，會(huì)導(dǎo)致圖像的整個(gè)前景變暗。這些影響是無(wú)法人為控制，為提高機(jī)器人監(jiān)控相機(jī)在一些復(fù)雜環(huán)境中可靠性，需要優(yōu)化視覺(jué)算法［10］。

同態(tài)濾波被廣泛用于不均勻照明下的圖像校正。同態(tài)濾波不僅降低低頻，而且增加高頻，降低光照變化，使細(xì)節(jié)邊緣更加清晰。將同態(tài)濾波方法應(yīng)用于電力電纜圖像的預(yù)處理，以減少圖像上不均勻的光干擾。

在光反射模型中，圖像f(x，y)如式（1）所示，用入射分量i(x，y)與反射分量r(x，y)的乘積［11］。

同態(tài)濾波的原理是通過(guò)濾波功能抑制入射分量，增強(qiáng)反射分量，從而實(shí)現(xiàn)圖像的照度補(bǔ)償，減少照度干擾。圖像同態(tài)濾波步驟如下：

（1）用對(duì)數(shù)變換和傅立葉變換來(lái)分離圖像f(x，y)的兩個(gè)頻率變量。

（2）選擇適當(dāng)?shù)耐瑧B(tài)濾波器傳遞函數(shù)來(lái)變換入射和反射，獲得增強(qiáng)圖像。

（3）對(duì)處理后的頻域圖像進(jìn)行傅立葉變換和指數(shù)變換以獲得增強(qiáng)圖像。

對(duì)式（1）取對(duì)數(shù)，如式（2）所示［12］。

對(duì)式（2）進(jìn)行傅里葉變換［13］，如式（3）所示。

假設(shè)濾波器函數(shù)為H(x，y)變換，如式（4）所示。

對(duì)式（4）進(jìn)行傅里葉逆變換，如式（5）所示：

對(duì)式（5）進(jìn)行指數(shù)變換，得到處理后圖像，如式（6）所示。

3.2 邊緣檢測(cè)和方向場(chǎng)估計(jì)

在同態(tài)濾波之后進(jìn)行邊緣檢測(cè)，以便直觀展示圖像紋理的細(xì)節(jié)。使用Canny邊緣檢測(cè)方法，

定義了三個(gè)基準(zhǔn)［13］。

（1）所檢測(cè)的邊緣信息具有最低的誤檢測(cè)率和漏檢率，評(píng)價(jià)參數(shù)的信噪比SNR最大。（2）觀察到的邊緣信息應(yīng)盡量接近實(shí)際邊緣，使定位精度最大化。（3）邊緣響應(yīng)次數(shù)最少為一個(gè)。

在Canny的邊緣檢測(cè)中，高斯平滑的質(zhì)量對(duì)檢測(cè)結(jié)果有直接的影響。因此，濾波器被定義為f(x)，G(x)表示邊緣圖像。假設(shè)邊緣的中心在x=0處，則濾波器的相應(yīng)結(jié)果HG，如式（7）所示［14］。

假設(shè)濾波器具有有限脈沖響應(yīng)，范圍[?w，+w]。

噪聲的均方根Hn，如式（8）所示。

根據(jù)式（7）和式（8），SNR如式（9）所示。

定位精度為所提取邊界與真實(shí)邊界誤差，如式（10）所示。

根據(jù)邊緣響應(yīng)次數(shù)唯一，如式（11）所示。

選擇了高斯平滑濾波器。高斯模糊一般用于減小圖像尺寸。對(duì)于欠采樣通常在采樣之前對(duì)圖像進(jìn)行低通濾波。這樣，可以確保采樣圖像中沒(méi)有虛假的高頻信息，如式（12）所示[15]。

4)利用有限站點(diǎn)的地基GPS了解成都地區(qū)的水汽分布,這為在不同地區(qū)進(jìn)一步建設(shè)地基GPS站提供了參考依據(jù)。

其中高斯核參數(shù)為，μ=0，方差σ=1.4。選擇不同的高斯核函數(shù)對(duì)圖像進(jìn)行卷積并獲得不同的結(jié)果。

方向場(chǎng)直接影響了Gabor濾波器的紋理匹配。將預(yù)處理的圖像進(jìn)行分塊，以獲取每個(gè)塊中所有像素的梯度方向[16]。然后，將像素梯度方向上的所有向量之和作為塊的梯度方向。紋理梯度的方向通常垂直于場(chǎng)方向，可以通過(guò)簡(jiǎn)單的變換來(lái)獲得塊方向場(chǎng)方向。

3.3 Gabor濾波紋理匹配

Gabor變換是短時(shí)傅立葉變換。實(shí)質(zhì)是向傅立葉變換中添加高斯窗函數(shù)。因?yàn)楦咚购瘮?shù)在傅立葉變換中保持不變，所以Gabor變換有時(shí)頻局部化特性[17]。具Gabor有和人類眼睛同樣的生物學(xué)功能，接近人視覺(jué)的頻域和方向，因此被廣泛應(yīng)用于紋理識(shí)別。

Gabor 濾波器由兩部分組成（實(shí)部和虛部），相互正交。Gabor函數(shù)的復(fù)數(shù)形式，如式（13）、式（14）所示。

式中：θ—Gabor 濾波器的方向角；λ—高斯函數(shù)的尺度參數(shù)；f—Gabor濾波器帶寬的中心頻率；Gabor函數(shù)的實(shí)部和虛部如式（15）和式（16）所示。

在不同的方位角、尺度和寬帶中心頻率下，Gabor濾波器在像面上的顯示方式會(huì)有所不同。

3.4 中線擬合

Gabor濾波后得到的圖像實(shí)際上是一些離散點(diǎn)，這些離散點(diǎn)主要集中在電纜紋理區(qū)域。為了最終確定電力電纜的位置，需要對(duì)這些離散點(diǎn)進(jìn)行擬合，得到電力電纜中心線的位置［18］。在離散點(diǎn)的線性擬合中，最小二乘法應(yīng)用廣泛，既簡(jiǎn)單又實(shí)用。在XY直角坐標(biāo)系中，假設(shè)線性方程，如式（17）所示。

式中：a—直線的斜率；b—Y軸的截距；a、b—帶估的參數(shù)；(xi，yi)—第i個(gè)離散點(diǎn)的坐標(biāo)。根據(jù)最小二乘法，最小化所有離散點(diǎn)與直線線性方程偏差的加權(quán)平方和。如式（18）所示［19］。

上面的方程可以理解為二元二次方程求極值，如式（19）和式（20）所示。

得到如式（21）所示：

整理得到方程組（22）所示。

通過(guò)求解方程可以得到a、b的最佳估計(jì)值，如式（23）、式（24）所示［20］。可以使用上述的公式，得到電力線紋理圖像離散點(diǎn)的擬合直線，即電力線的中心線。

4 實(shí)驗(yàn)結(jié)果與分析

將定位算法用于三臂除冰機(jī)器人進(jìn)行實(shí)驗(yàn)，工作狀態(tài)，如圖3所示。為了驗(yàn)證算法的準(zhǔn)確性和魯棒性，實(shí)驗(yàn)是在不同光源下進(jìn)行的。首先，機(jī)器人前臂上的相機(jī)采集圖像要盡可能均勻地散開(kāi)，然后預(yù)處理針孔相機(jī)的球面變形。后臂相機(jī)未做球形變形校正，使用聚光燈直射相機(jī)模擬室外直射陽(yáng)光。后臂拍攝越障過(guò)程同態(tài)濾波前后的比較，如圖4所示。后臂濾波前后邊緣檢測(cè)的對(duì)比，如圖5所示。前臂拍攝越障過(guò)程同態(tài)濾波前后的比較，如圖6所示。前臂濾波前后邊緣檢測(cè)的對(duì)比，如圖7所示。

圖3 三臂除冰機(jī)器人實(shí)驗(yàn)狀態(tài)Fig.3 Experimental State of Three Arm Deicing Robot

圖4 后臂同態(tài)濾波前后對(duì)比Fig.4 Comparison Before and After Homomorphic Filtering of Back Arm

圖5 后壁濾波前后邊緣檢測(cè)結(jié)果Fig.5 Edge Detection Results Before and After Back Wall Filtering

圖6 前臂同態(tài)濾波前后對(duì)比Fig.6 Comparison of Forearm Homomorphic Filtering Before and After

圖7 前臂濾波前后檢測(cè)結(jié)果對(duì)比Fig.7 Comparison of Detection Results Before and After Forearm Filtering

如圖4、圖5所示，在同態(tài)濾波之后，進(jìn)行邊緣檢測(cè)了直觀的展示圖像紋理的細(xì)節(jié)。同態(tài)濾波后的圖像光暈得到了明顯抑制，電纜紋理比未處理的圖像更飽滿，這也說(shuō)明了圖像的低頻成分得到了抑制，高頻成分得到了加強(qiáng)。

從圖6、圖7 中可以看到，前臂圖像具有自然清晰的電纜紋理。經(jīng)過(guò)同態(tài)濾波后，邊緣檢測(cè)會(huì)保留更多紋理細(xì)節(jié)。此外，正常光照?qǐng)D像中的紋理很飽滿，提取的紋理非常穩(wěn)定和可靠。Gabor小波模板與邊緣檢測(cè)圖像進(jìn)行卷積以最大化電纜的紋理區(qū)域，然后通過(guò)閾值劃分獲得圖8 的處理效果。這里閾值大小為200。

圖8 前后臂圖像Gabor濾波后閥值分割圖Fig.8 Threshold Segmentation of Forearm and Forearm Images After Gabor Filtering

比較圖8中的兩個(gè)紋理提取結(jié)果，可以看到正常光圖像的文獻(xiàn)較為飽滿，并且提取的紋理非常穩(wěn)定且可靠。而高光球面體變形的圖像中，由于不均勻的局部對(duì)比度而缺失了一些紋理。在經(jīng)過(guò)上述步驟后，對(duì)圖像進(jìn)行直線擬合結(jié)果，如圖9所示。

圖9 前后臂去噪前提取結(jié)果Fig.9 Extract Results Before Denoising of Forearm and Forearm

從圖9中可以看到，擬合的中心線非常接近電纜的預(yù)期中心線。然而，中心線之外的一些奇異點(diǎn)仍會(huì)影響最終擬合結(jié)果。為了獲得更準(zhǔn)確的結(jié)果，將擬合線的垂直距離大于30像素點(diǎn)視為奇異點(diǎn)。并從原始圖像中刪除。執(zhí)行最小二乘擬合以獲取新的中心線位置，作為最終中心線位置輸出。最終的擬合結(jié)果，如圖10所示。

圖10 前后臂去噪后提取結(jié)果Fig.10 Extract Results After Denoising of Forearm and Forearm

比較兩組圖像的處理結(jié)果，可以看到正常光照?qǐng)D像的紋理飽滿，紋理提取和最終定位非?？煽?。而高光度的球面變形圖像中，由于局部對(duì)比度不均勻而導(dǎo)致一些紋理缺失，而強(qiáng)光會(huì)產(chǎn)生光暈。不僅干擾紋理提取，而且也干擾擬合，但是該算法可以相對(duì)準(zhǔn)確地確定電纜的中心線和邊界。結(jié)果表明，該算法具有良好的魯棒性。

5 結(jié)論

給出一種用于輸電線路除冰機(jī)械人的視覺(jué)定位方法，用于解決高壓輸電線路除冰機(jī)器人越障時(shí)機(jī)器臂對(duì)準(zhǔn)的問(wèn)題。使用Gabor變換從背景提取電纜線，然后使用最小二乘法檢測(cè)電纜位置。通過(guò)不同光照度實(shí)驗(yàn)驗(yàn)證該定位方法的準(zhǔn)確性和魯棒性。

實(shí)驗(yàn)結(jié)果表明，該檢測(cè)方法可以在正常光照下準(zhǔn)確定位，在高光局部紋理缺失的條件下具有較強(qiáng)的魯棒性?？紤]到當(dāng)前的實(shí)驗(yàn)設(shè)備和數(shù)據(jù)規(guī)模，仍處于起步階段。在此基礎(chǔ)上，下一步的工作重點(diǎn)是逐步改進(jìn)和完善。