劉道生， 賴勇耀，， 陳星蓉， 劉暉

(1. 江西理工大學電氣工程與自動化學院， 江西 贛州 341000；2. 國網(wǎng)江西省電力有限公司贛州供電公司， 江西 贛州 341000；3. 國網(wǎng)江西省電力有限公司寧都縣供電公司， 江西 寧都 342800)

0 引言

輸電線路是傳輸電能的重要通道， 在現(xiàn)代能源供應(yīng)體系中發(fā)揮著重要的紐帶作用， 關(guān)系國家能源安全。 截至目前， 國家電網(wǎng)有限公司在運在建輸電工程線路長度達到114.2 萬km[1]。 在輸電線路設(shè)備中， 導線承擔著輸送電能的重要作用， 地線對減少雷擊導線起著關(guān)鍵作用。 導地線發(fā)生故障將直接影響整個電網(wǎng)的穩(wěn)定性， 因此， 對導地線運行狀態(tài)的診斷顯得尤為重要。

以往輸電線路導地線巡檢診斷主要依靠人工巡視， 效率低下； 現(xiàn)在依靠導、 地線圖像識別算法，可以及時發(fā)現(xiàn)導地線斷線、 散股和懸掛異物等缺陷， 提高設(shè)備巡檢的效率； 還可以減少人為因素造成的誤判和漏判， 提高設(shè)備巡檢的可靠性。 通過研究輸電線路導地線圖像識別算法， 為今后算法的研究帶來新思路。

1 研究現(xiàn)狀

目前輸電線路導地線圖像識別算法呈現(xiàn)出多樣性和綜合性， 基于各種算法的改進與融合成為當下研究的熱門。

基于形態(tài)學理論的研究， 趙曉鵬等[2]提出一種采用迭代閾值法對圖像進行分割， 再使用基于輸電線圖像特征的改進形態(tài)學濾波的算法， 可以有效提取輸電線路的輪廓， 但是當圖像數(shù)據(jù)較大時， 算法處理時間過長。 文獻[3] 根據(jù)感知定律， 將兩相鄰線段同時進行近似性、 連續(xù)性、 共線性約束，將斷續(xù)線段合并為長線段， 再分析長線段之間的平行性， 該方法提取直線的效果較好， 提供了一種直線檢測提取的新思路。 文獻[4] 結(jié)合了圖像處理中導線的形態(tài)學特性和常用的線段檢測器， 先用快速線段檢測器產(chǎn)生一個線條池來標記圖像中的所有線條， 然后根據(jù)導線特性設(shè)計了導線檢測器， 提高了直線檢測的速度和準確性。

針對神經(jīng)網(wǎng)絡(luò)算法， 文獻[5－9] 涉及當下熱門的神經(jīng)網(wǎng)絡(luò)(CNN) 算法， 文獻[10－11] 提出設(shè)計新的硬件系統(tǒng)并加入人工智能技術(shù)(AI)， 但是這些算法需要大量數(shù)據(jù)和時間進行機器學習才能提高識別準確性。

基于傳統(tǒng)圖像識別算法的研究， 羅永超等[12]提出一種基于Matlab 圖像識別的方法， 具有較高的可操作性， 但是識別準確率不佳。 針對圖像濾波問題， 王芝茗等[13]提出了水平和垂直方向上的濾波算子， 2 個算子分別對圖像進行卷積計算； 然后利用該組算子分別對圖像各方向上的線狀目標進行增強， 保留其中響應(yīng)最強的值， 這樣無論輸電線的方向如何都可以進行增強， 但是所提出的方向算子為經(jīng)驗所得， 不具有普遍性。

結(jié)合以上研究現(xiàn)狀， 本文將介紹當前輸電線路導地線圖像識別的主流算法并進行簡要分析。

2 圖像預處理

輸電線路圖像通常包含復雜的背景， 圖像預處理的作用是消除或減少圖像中的無關(guān)信息 (噪點)， 提高圖像后期處理的精度和效率。 常見的圖像預處理方法有中值濾波算法和Canny 算子等邊緣檢測算法。

2.1 中值濾波

中值濾波法是一種非線性平滑技術(shù)， 在輸電線路圖像預處理上有較好的效果， 將每一像素點的灰度值設(shè)置為該點某鄰域窗口內(nèi)的所有像素點灰度值的中值。

中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術(shù)， 基本原理是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替， 讓周圍的像素值接近真實值， 從而消除孤立的噪聲點[14]； 方法是用某種結(jié)構(gòu)的二維滑動模板， 將板內(nèi)像素按照像素值的大小進行排序， 生成單調(diào)上升(或下降) 的二維數(shù)據(jù)序列。中值濾波法對消除脈沖噪聲非常有效， 在光學測量條紋圖像的相位分析處理方法中有特殊作用， 但在條紋中心分析方法中作用不大。

2.2 Canny 算子

邊緣檢測是一種高效的圖像預處理方法。 在當下諸多邊緣檢測算法中， Canny 算子有檢測率高、定位精確、 響應(yīng)明確的優(yōu)點， 自提出以來一直作為一種標準的邊緣檢測算法。 Canny 算子一般分為四步: 高斯模糊、 梯度幅值和方向計算、 非極大值抑制、 雙閾值和邊緣連接[15]。

1) 高斯模糊。 邊緣檢測易受噪點的影響， 因此在邊緣檢測前需要進行去噪處理。 高斯模糊是利用高斯濾波器對原始圖像進行去噪點， 以便得到精確的邊緣。 二維高斯函數(shù)可表示為:

原圖像與高斯卷積核進行卷積運算后， 可以實現(xiàn)圖像的去噪處理。 數(shù)學表達式可以表示為:

2) 梯度幅值和方向計算。 邊緣檢測需要根據(jù)圖像梯度信息來確定圖像的邊緣， 一般采用sobel算子對圖像進行梯度幅值與梯度方向計算。 梯度幅值G和梯度方向θ的計算公式如下所示:

3) 非極大值抑制。 非極大值抑制是在得到粗糙邊緣之后的進一步細化。 通過保留局部最大梯度并抑制所有其他梯度值， 保留梯度變化最大的點，可以有效剔除大部分非邊緣點。

4) 雙閾值和邊緣連接。 一般的邊緣檢測算法用一個閾值來濾除噪聲或顏色變化引起的小梯度值， 而保留大梯度值。 Canny 算子應(yīng)用雙閾值， 即一個高閾值和一個低閾值， 來區(qū)分邊緣像素。 如果邊緣像素點梯度值大于高閾值， 則被標記為強邊緣點； 如果邊緣像素點梯度值小于高閾值或大于低閾值， 則標記為弱邊緣點； 小于低閾值的點被抑制掉， 而弱邊緣點如果沒有與強邊緣點連通也會被抑制掉。 通過上述過程， 被保留的邊緣點將被連接起來最終確定圖像邊緣。

Canny 算子抗噪能力強， 邊緣檢測準確率較高。 但是在背景復雜的情況下， 可能會將噪點誤標識為邊緣； 梯度方向歸類不夠精細， 對某些角度下的目標識別成功率較低； 雙閾值僅憑經(jīng)驗設(shè)置， 對檢測結(jié)果影響較大。 鑒于Canny 算子的不足， 研究人員進行了多種針對性的改進。 卞榮等人提出基于改進的Canny 算法進行冰形識別， 借助圖像的灰度云圖尋找覆冰截面在圖像中的灰度特征信息， 然后根據(jù)該信息設(shè)置分割覆冰的上下限閾值， 并通過變換尺度來消除噪聲； 再通過圖像變換理論進行冰形修正， 最終實現(xiàn)冰形的快速識別及測量[16]。 有研究人員針對傳統(tǒng)Canny 算子模板單一的問題， 給出了4 個方向改進模板并選擇傾斜角度較大值進行梯度計算； 針對閾值選取的局限性問題， 提出了結(jié)合截距法和人工蜂群算法的Otsu 算法的自適應(yīng)閾值選取方法[17]； 對Canny 算子進行改進以獲得距離測量功能的偏導數(shù)， 并自動更新閾值， 以消除多級響應(yīng)[18]。 同樣基于閾值自適應(yīng)的Canny 邊緣檢測方法能夠提取輸電導線圖像邊緣信息， 通過kmeans 聚類合并識別邊緣段； 最后分析輸電導線特征， 也能實現(xiàn)較高的導線識別率[19]。 基于傳統(tǒng)Canny 算子的改進方法保留了原方法良好的邊緣檢測能力， 解決了雙閾值問題和梯度方向問題， 有效地提高了識別效果。

3 導地線提取

導地線提取是根據(jù)輸電線路的特征， 在預處理后的圖像中提取出導地線數(shù)據(jù)。 輸電線路導地線在圖像中可以近似看成一條較長的直線， 且每條直線傾角近似相同。 目前主流的提取算法包括LSD 算法和霍夫變換(Hough)。

3.1 LSD 算法

LSD 是一種直線檢測分割算法， 能在線性時間內(nèi)達到亞像素級別精度， 并且在實際運用中不需要任何參數(shù)設(shè)置， 所以在各種直線檢測場景下得到廣泛運用[20]。 LSD 算法的具體流程如下。

1) 對圖像進行二值化處理得到灰度圖， 并以采樣率S＝0.8 對圖像進行高斯降采樣。

2) 針對圖像中每個像素， 計算梯度值和方向， 然后根據(jù)梯度值進行排列。

3) 根據(jù)設(shè)置的閾值ρ， 將梯度小于ρ的像素點添加一個USED 狀態(tài)， 其他像素點添加為UNUSED。

4) 根據(jù)設(shè)置的最大容忍值τ進行區(qū)域生長Region Grow。

5) 計算通過Region Grow 算法得到的新區(qū)域的同性點密度D。

6) 比較截斷閾值D0 與密度D。 如果密度DD0， 計算錯誤控制函數(shù)NFA。

7) 將錯誤控制函數(shù)NFA與根據(jù)錯誤控制閾值ε比較。 如果NFA<ε， 輸出直線段數(shù)據(jù)。

8) 查看排序表是否還有UNUSED 的點。 如果有， 跳轉(zhuǎn)至步驟4)， 否則結(jié)束程序。

3.2 霍夫變換

霍夫變換(Hough) 于1962 年由Paul Hough提出， 是一種使用表決方式的參數(shù)估計技術(shù)， 原理是利用圖像空間(笛卡爾坐標系) 和Hough 參數(shù)空間的線－點對偶性， 把圖像空間中的檢測問題轉(zhuǎn)換到參數(shù)空間中進行。 Hough 變換是目前使用最廣泛的直線檢測算法之一， 也是輸電線路圖像識別的研究中電力線提取的熱門算法。

在笛卡爾坐標系中， 如果用ρ表示原點O到直線的距離，θ表示橫軸與ρ所在直線的夾角， 如圖1 所示， 那這條直線可以表示為:

圖1 圖像空間和Hough 空間的線－點對偶性

在極坐標系中， 這條直線可以用點(ρ，θ)表示， 其中ρ為極徑，θ為極角。 這就是笛卡爾坐標系和極坐標系的線－點對偶性。

笛卡爾坐標系中的一個點， 可看作是經(jīng)過該點而方向不確定的無數(shù)條直線； 以ρ和θ為參數(shù)構(gòu)建Hough 參數(shù)空間坐標系， 在Hough 參數(shù)空間下可表示為一條曲線， 如圖2 所示。

圖2 笛卡爾坐標系與Hough 空間的映射關(guān)系

Hough 參數(shù)空間中多條曲線交于一點， 可以唯一確定笛卡爾坐標系中的一條直線， 如圖3 所示。

圖3 Hough 空間與笛卡爾坐標系的映射關(guān)系

在Hough 參數(shù)空間內(nèi)經(jīng)過同一點的曲線越多，代表在圖像空間(笛卡爾坐標系) 中所對偶的直線被越多的點所穿過(組成)， 在圖像中檢測出的直線可靠性也就越高。 Hough 變換是對圖像邊緣的每一個點都進行一次上述檢測， 并對所有檢測結(jié)果進行累記， 根據(jù)所設(shè)定的閾值對局部極大值進行篩選， 從而提取出所需的直線。

由于Hough 變換良好的直線檢測性能， 在輸電線路圖像識別中應(yīng)用非常廣泛。 但是圖像中的近似目標容易對Hough 變換運算造成干擾， 從而檢測出多余的直線； 當參數(shù)ρ和θ細化時， 運算量急劇增加， 時效性較差。 基于傳統(tǒng)Hough 變換的改進也是當下研究的一大熱門。 文獻[21－24] 均采用了Hough 變換提取電力線， 并對Hough 變換進行了一系列改進。 例如在Hough 空間中進行基于知識的直線聚類， 對檢測結(jié)果進行細化； 對輸電導線所處的小塊區(qū)域進行卷積操作， 有針對性地提高了核心區(qū)域的識別效率； 使用分式查表法改進Hough 變換， 縮短了運算時間。 但是對于背景噪聲的去除沒有提出特別有效的算法。 同濟大學金立軍[25]等通過梯度法獲取電力線的邊緣， 選取Hough 變換累加器中局部極大值個數(shù)與最終檢測到的線路數(shù)量作為特征向量來實現(xiàn)識別功能。 目前有研究人員提出了一種P－CNN 濾波器， 使用該濾波器去除噪聲后進行Hough 變換， 取得了不錯的識別效果[26]。 文獻[27] 提出了一種基于邊界搜索變換(BSRT) 的方法， 該方法與傳統(tǒng)Hough 變換相比， 具有快速、 高效和可靠的特點。 基于傳統(tǒng)Hough 變換的改進利用良好的直線檢測能力， 對參數(shù)表決方法進行改進， 有效縮短了運算時長。

4 缺陷識別

基于上述步驟提取的導地線圖像數(shù)據(jù)， 通過針對性的算法可以識別其中斷線、 散股及異物等缺陷， 提高設(shè)備巡檢的效率和可靠性。 目前采用較多的是基于YOLOv3 網(wǎng)絡(luò)算法和多種傳統(tǒng)算法融合的識別算法。

4.1 基于YOLOv3 的算法

YOLOv3 是目前落地應(yīng)用廣泛的目標檢測網(wǎng)絡(luò)， 其骨干網(wǎng)絡(luò)為Darknet－53 網(wǎng)絡(luò)， 具有網(wǎng)絡(luò)實現(xiàn)簡單、 處理速度快的特點。 Darknet－53 基于Resnet 的殘差網(wǎng)絡(luò)思想， 采用多尺度特征融合計算， 從中提取3 個尺度特征圖， 對不同尺度下的特征圖進行特征融合， 實現(xiàn)對小尺度的目標識別。 而Darknet－53 網(wǎng)絡(luò)規(guī)模大， 對硬件要求很高， 在板載計算機有限的計算能力下識別速度無法滿足實時需求。 在實際巡檢場景中對目標檢測種類數(shù)量不多，可以采用輕量級的網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)[28]。

董召杰等[29]提出了基于YOLOv3 的電力線多種關(guān)鍵部件的實時檢測方法， 但是缺少缺陷部件的數(shù)據(jù)， 目前識別準確度不高。 廖如超等[30]基于YOLOv3 網(wǎng)絡(luò)， 提出了基于語義信息分塊的高像素導線缺陷目標識別算法。 該方法首先采用語義信息分塊將導線圖像降采樣處理； 然后利用分割網(wǎng)絡(luò)獲取低像素導線分割區(qū)域并對其網(wǎng)格化， 裁剪出多個導線區(qū)域， 將導線區(qū)域以降采樣比例映射回高像素原圖像后， 再裁剪出多個高分辨率導線區(qū)域， 批次輸入YOLOv3 網(wǎng)絡(luò)進行導線缺陷識別； 最后根據(jù)輸入的高精度關(guān)注區(qū)域在原圖像的相對位置獲得缺陷識別目標區(qū)域。 該方法為輸電線路導、 地線缺陷識別提供了新思路。

4.2 多種傳統(tǒng)算法融合

結(jié)合Canny 算子等邊緣檢測算法、 霍夫變換等直線提取算法及形態(tài)學理論， 可以較好地實現(xiàn)缺陷識別效果。 由于單一傳統(tǒng)算法不能同時滿足多種需求， 基于多種算法的融合改進成為當下缺陷識別研究的熱點。 王萬國等[3]通過分析導線表面灰度圖像的光滑性與一致性來檢測斷股或異物缺陷， 馮河清等[31]利用灰度分布曲線的方波變換 (square wave transformation， SWT) 檢測導線破裂缺陷， 但是當目標灰度值差異不大時這兩種算法效果不佳。文獻[32] 通過OTSU 算法分割目標與背景， 結(jié)合形態(tài)學基于含異物的電力線與正常電力線的差異提取并定位異物的位置； 該算法不僅平均耗時短， 而且檢測率也相對較高， 具有較好的魯棒性。

5 研究展望

5.1 加強自適應(yīng)閾值的研究

在圖像預處理和導地線提取等步驟中， 相關(guān)算法都需要設(shè)定合適的閾值， 才能取得良好的效果。各種算法中大多數(shù)需要設(shè)定閾值， 而目前閾值設(shè)置主要靠經(jīng)驗或者通過多次重復實驗得來； 并且針對不同特征目標的識別采用固定的閾值沒有普適性。因此， 加強自適應(yīng)閾值算法的研究非常有必要。 自適應(yīng)閾值算法要能滿足對多種算法中的閾值設(shè)定需要， 能統(tǒng)籌整個圖像識別過程， 并能根據(jù)不同目標圖像自動設(shè)置閾值， 才達到良好的識別效果。

5.2 加快構(gòu)建缺陷數(shù)據(jù)庫

在缺陷識別步驟中， 融合人工智能技術(shù)(AI)和神經(jīng)網(wǎng)絡(luò)(CNN) 的新型算法， 可以通過自主學習， 不斷提高輸電線路導地線缺陷識別的準確率和速度， 相對于其他算法有很大的優(yōu)勢。 但目前缺陷數(shù)據(jù)較少， 造成這類算法識別準確率不高。 電力企業(yè)和相關(guān)單位應(yīng)該構(gòu)建一個統(tǒng)一、 共享的數(shù)據(jù)庫， 由全行業(yè)共同來豐富數(shù)據(jù)庫樣本， 共享數(shù)據(jù)資源。 這樣可以大大降低數(shù)據(jù)庫構(gòu)建的時間和成本，充分發(fā)揮新型算法的優(yōu)勢， 不斷提高缺陷識別的準確率和速度。

6 結(jié)語

隨著輸電線路導地線巡檢要求的逐步提高， 導地線圖像識別算法的研究也不斷深入。 基于多種傳統(tǒng)算法融合改進， 并加入人工智能和神經(jīng)網(wǎng)絡(luò)等新技術(shù)、 新理論， 通過機器學習不斷提高導地線缺陷識別準確率和速度， 將是今后輸電線路導地線圖像識別算法研究的大趨勢。