沈曉峰,謝 偉,孫 路,李 軼,賀潤(rùn)平

(1.國(guó)網(wǎng)上海市電力公司青浦供電公司,上海 201799;2.上海四量電子科技有限公司,上海 200000)

0 引言

目前,輸電線路的檢測(cè)主要依賴(lài)人工巡視。這對(duì)于人力資源的消耗較大,且難以保證巡視質(zhì)量。部分線路引入現(xiàn)代技術(shù)實(shí)現(xiàn)在線監(jiān)測(cè),包括在線路周?chē)茉O(shè)激光傳感器以及安裝攝像頭等方式進(jìn)行人工后臺(tái)監(jiān)測(cè)等[1-3]。其中,激光傳感器對(duì)于異物識(shí)別的辨識(shí)度較低,容易產(chǎn)生大量的誤報(bào)信息;人工后臺(tái)視頻監(jiān)測(cè)雖然省去了人工巡線的工作量,但仍然難以保證監(jiān)測(cè)的實(shí)時(shí)性與準(zhǔn)確度[4-6]。對(duì)此,智能技術(shù)被應(yīng)用在輸電線路防外破在線監(jiān)測(cè)中,以提升監(jiān)測(cè)質(zhì)量,為輸電質(zhì)量的提升提供保障。

近年來(lái),國(guó)內(nèi)外眾多學(xué)者均對(duì)輸電線路檢測(cè)進(jìn)行研究。李輝等[7]針對(duì)現(xiàn)有輸電線路異常目標(biāo)檢測(cè)方法受環(huán)境因素影響而導(dǎo)致的檢測(cè)速度慢、漏報(bào)誤報(bào)現(xiàn)象頻發(fā),提出基于兩階段深度學(xué)習(xí)的輸電線路異常目標(biāo)檢測(cè)方法。該方法主要采用兩階段深度網(wǎng)絡(luò)進(jìn)行目標(biāo)檢測(cè)。該方法可對(duì)輸電線路旁的異物目標(biāo)進(jìn)行檢測(cè),但由于其特征提取時(shí)并未劃分前景和背景等部分,故誤檢測(cè)、漏檢測(cè)現(xiàn)象仍然嚴(yán)重。Chu S Y等[8]提出了1種基于電磁模型的無(wú)線功率傳輸異物檢測(cè)方法。該方法認(rèn)為無(wú)線電力傳輸系統(tǒng)附近異物會(huì)因?yàn)楦郊与姶篷詈隙纬善?故對(duì)其電磁模型偏差進(jìn)行檢測(cè)即可實(shí)現(xiàn)異物的檢測(cè)。該方法應(yīng)用后可對(duì)系統(tǒng)附近異物進(jìn)行檢測(cè),但檢測(cè)精度仍不符合預(yù)期。Su J等[9]針對(duì)輸電線路異物檢測(cè)困難的問(wèn)題,提出了一種電力線異物檢測(cè)方法。該方法基于邊緣建議網(wǎng)絡(luò)實(shí)現(xiàn)電力線異物檢測(cè)數(shù)據(jù)通信的傳輸。該方法應(yīng)用后,在一定程度上提升了異物數(shù)據(jù)傳輸?shù)乃俾?但其檢測(cè)精準(zhǔn)度仍然不高。

基于以上分析,本文針對(duì)輸電線路在線監(jiān)測(cè)系統(tǒng)中的異物目標(biāo)檢測(cè)環(huán)節(jié),提出了基于相鄰幀差法的輸電線路異物目標(biāo)檢測(cè)方法。

1 輸電線路異物提取問(wèn)題分析

輸電線路異物提取一般以視頻序列的圖像間具有相關(guān)性為理論依據(jù),融合連續(xù)幀圖像中的像素點(diǎn)信息,可準(zhǔn)確提取幀間目標(biāo)、抑制幀間噪聲,以解決幀間差分圖像因背景因素而導(dǎo)致的輸電線路異物提取不準(zhǔn)確等問(wèn)題。在提取輸電線路異物時(shí),通過(guò)剔除背景信息、設(shè)置灰度門(mén)限、精簡(jiǎn)區(qū)域像素點(diǎn)等步驟來(lái)解決目標(biāo)區(qū)域殘缺、背景復(fù)雜導(dǎo)致的提取誤差大等問(wèn)題。

在輸電線路的航攝視頻中,本文隨機(jī)選擇了1組有異物的連續(xù)幀,經(jīng)過(guò)相鄰幀差分運(yùn)算后得到包含局部異物的圖像。幀間差分運(yùn)算式為:

Dk-1(x,y)=|fk-1(x,y)-fk(x,y)|

(1)

式中:fk-1(x,y)、fk(x,y)為有異物的連續(xù)幀;Dk-1(x,y)為包含局部異物的圖像。

本文采用閾值判定法提取目標(biāo)。判定依據(jù)為:

(2)

本文首先采用濾波運(yùn)算消除幀內(nèi)的隨機(jī)噪聲,然后采用Canny算子對(duì)圖像fk(x,y)的邊緣Ek(x,y)進(jìn)行提取,并對(duì)Dk-1(x,y),Dk(x,y),…,Dk+n(x,y)和Ek(x,y)進(jìn)行“與”運(yùn)算。

D(x,y)=Dk-1(x,y)?Dk+n(x,y)?Ek(x,y)=

(3)

本文通過(guò)邏輯運(yùn)算,進(jìn)一步完善輸電線路異物輪廓提取。在輸電線路異物提取過(guò)程中,背景模型的建立十分繁瑣,模板更新時(shí)的替換操作會(huì)增加系統(tǒng)的計(jì)算量,難以滿足航拍圖像處理的實(shí)時(shí)性要求。因此,圖像閾值選定是決定目標(biāo)區(qū)域異物提取準(zhǔn)確率的關(guān)鍵。因?yàn)閿z像機(jī)移動(dòng)會(huì)造成圖像信息變化速度較快,固定的閾值不能適應(yīng)于圖像信息的變化,所以本文通過(guò)設(shè)定閾值來(lái)進(jìn)行輸電線路異物檢測(cè)。

2 基于改進(jìn)相鄰幀差法的異物目標(biāo)檢測(cè)

由于在輸電線路中造成線路外破的異物均為運(yùn)動(dòng)物體,本文將輸電線路的異物目標(biāo)檢測(cè)歸結(jié)為輸電線路周?chē)\(yùn)動(dòng)目標(biāo)的檢測(cè)。對(duì)于以攝像頭為傳感器的系統(tǒng)而言,所需提取的對(duì)象為目標(biāo)圖像的像素。檢測(cè)步驟為:首先,進(jìn)行輸電線路異物目標(biāo)圖像采集;然后,采用相鄰幀差法作進(jìn)一步識(shí)別與分析,以完成輸電線路異物目標(biāo)的檢測(cè)與識(shí)別。相鄰幀差法是利用時(shí)間信息,通過(guò)對(duì)連續(xù)2～3幀圖像所有對(duì)應(yīng)位置的像素點(diǎn)進(jìn)行差分來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)與識(shí)別。對(duì)圖像序列進(jìn)行逐幀差分相當(dāng)于對(duì)圖像序列進(jìn)行時(shí)間域上的高斯濾波。如果2個(gè)像素點(diǎn)間的差值大于某一閾值,則代表在該點(diǎn)內(nèi)存在運(yùn)動(dòng)目標(biāo)。由此可實(shí)現(xiàn)線路異物目標(biāo)的提取。

傳統(tǒng)的鄰域幀差法操作流程如下。

首先,將t時(shí)刻、(t+1)時(shí)刻圖像中坐標(biāo)為(x,y)的像素點(diǎn)分別設(shè)為st(x,y)、st+1(x,y),并對(duì)這2個(gè)像素值進(jìn)行差分。

Ct+1(x,y)=|st+1(x,y)-st(x,y)|

(4)

然后,設(shè)定閾值E,用于評(píng)判對(duì)比幀之間的差值是否顯著。

(5)

式中:Jt+1(x,y)為判別值。

當(dāng)J=1時(shí),則代表差分值顯著。

為增加幀差的魯棒性,本文在判定某坐標(biāo)處像素值是否為運(yùn)動(dòng)目標(biāo)像素時(shí),使用連續(xù)的3幀圖像進(jìn)行差分運(yùn)算,以完成對(duì)比。

rt+1(x,y)=Jt+1(x,y)?Jt(x,y)

(6)

式中:rt+1(x,y)為移動(dòng)目標(biāo)圖像像素點(diǎn)值集合。

在r=1時(shí),即確定(t+1)時(shí)刻坐標(biāo)(x,y)的像素點(diǎn)為移動(dòng)目標(biāo)圖像像素點(diǎn)值集合[10]。該集合構(gòu)成后,異物目標(biāo)的像素值即提取完畢。

傳統(tǒng)相鄰幀差法的運(yùn)算簡(jiǎn)單,但其在提取運(yùn)動(dòng)目標(biāo)時(shí)容易出現(xiàn)較大誤差。為解決這一問(wèn)題,本文對(duì)異物目標(biāo)的提取過(guò)程進(jìn)行優(yōu)化,利用仿射傳播聚類(lèi)算法將運(yùn)動(dòng)物體的坐標(biāo)按照目標(biāo)聚集,以提升運(yùn)動(dòng)目標(biāo)的識(shí)別精準(zhǔn)度[11]。在聚類(lèi)時(shí),本文采用一對(duì)數(shù)據(jù)點(diǎn)的相似性作為聚類(lèi)輸入,通過(guò)對(duì)數(shù)據(jù)點(diǎn)間的相似性進(jìn)行連續(xù)交換,使其具有一定實(shí)際價(jià)值,并形成1個(gè)類(lèi)代表點(diǎn)集,從而達(dá)到聚類(lèi)的目的。上述方法與常規(guī)的K均值聚類(lèi)算法并不相同。常規(guī)K均值聚類(lèi)算法在計(jì)算聚類(lèi)中心過(guò)程中容易受到離群點(diǎn)的影響,從而導(dǎo)致聚類(lèi)中心優(yōu)勢(shì)降低,進(jìn)而影響后續(xù)的樣本分類(lèi)。但本文聚類(lèi)算法默認(rèn)所有樣本點(diǎn)均為潛在聚類(lèi)中心,通過(guò)樣本點(diǎn)之間的消息傳遞完成聚類(lèi)中心的確認(rèn)。

首先,本文假定由相鄰幀差法所抽取的像素點(diǎn)集合為Z=[z1,z2,…,zN]。其中:z為坐標(biāo);N為像素點(diǎn)總數(shù)。由于針對(duì)單個(gè)圖像的像素點(diǎn)數(shù)量較多,故在一定特征空間內(nèi)直接對(duì)所有的樣本點(diǎn)進(jìn)行仿射聚類(lèi)的計(jì)算難度較大、運(yùn)算時(shí)間較長(zhǎng),會(huì)嚴(yán)重影響運(yùn)算精度和運(yùn)算效率。本文采用匹配濾波的方法來(lái)對(duì)樣本進(jìn)行采樣,通過(guò)對(duì)小樣本集進(jìn)行聚類(lèi)來(lái)降低運(yùn)算難度,從而提升運(yùn)算效率。本文利用1個(gè)二維核函數(shù)對(duì)圖像進(jìn)行卷積[12]。

(7)

式中:σ為濾波器的尺度,此處取σ=2;K(x,y)為濾波核;mk為核函數(shù)的平均值。

匹配濾波增強(qiáng)了待檢測(cè)物體與背景之間的反差。本文根據(jù)像素灰度值的不同,將像素點(diǎn)按照灰度值大小排列,以7∶1的先驗(yàn)概率在像素序列中隨機(jī)抽取2個(gè)區(qū)間。每個(gè)區(qū)間選取200個(gè)點(diǎn)作為樣本集。

接著,本文根據(jù)像素點(diǎn)的歐氏距離,建立相似度矩陣。

(8)

(9)

式中:w為常數(shù)。

矩陣G生成后,即進(jìn)行仿射迭代聚類(lèi)。

(10)

式中:R、A為迭代中間值;R(i,j)為像素點(diǎn)i對(duì)于像素點(diǎn)j作為其聚類(lèi)中心點(diǎn)的認(rèn)可程度;d為迭代的次數(shù)。

(11)

式中:A(i,j)為像素點(diǎn)j對(duì)于成為像素點(diǎn)i聚類(lèi)中心點(diǎn)的認(rèn)可程度。

為防止迭代時(shí)出現(xiàn)振動(dòng),本文采用阻尼系數(shù)提高了算法的魯棒性。其矩陣更新為:

(12)

式中:下標(biāo)1、2分別為前一次及這一次更新后的數(shù)值。

(13)

最后,本文通過(guò)2個(gè)信息矩陣的數(shù)值求出聚類(lèi)中心值。

k=argmax{R(d+1)(i,j)+A(d+1)(i,j)}

(14)

根據(jù)式(14),2個(gè)信息矩陣之和的最大值代表聚類(lèi)中心點(diǎn)。當(dāng)算法的迭代次數(shù)達(dá)到限定值或連續(xù)指定次數(shù)的迭代過(guò)程中聚類(lèi)中心點(diǎn)沒(méi)有變化,則代表算法迭代完成。對(duì)于任何1個(gè)像素點(diǎn),與其歐氏距離最近中心點(diǎn)對(duì)應(yīng)的聚類(lèi)集合為其最優(yōu)解對(duì)應(yīng)的聚類(lèi)集合。對(duì)于本文算法而言,像素點(diǎn)數(shù)量最多的聚類(lèi)集合即異物目標(biāo)檢測(cè)的結(jié)果。

3 試驗(yàn)驗(yàn)證

為驗(yàn)證所提異物目標(biāo)檢測(cè)方法的有效性,本文設(shè)計(jì)了試驗(yàn)進(jìn)行算法驗(yàn)證。本文首先通過(guò)現(xiàn)場(chǎng)數(shù)據(jù)采集以及現(xiàn)有數(shù)據(jù)整合,共建立了976個(gè)標(biāo)準(zhǔn)樣本以及273個(gè)測(cè)試樣本;然后使用所設(shè)計(jì)的優(yōu)化方法進(jìn)行異物目標(biāo)檢測(cè),分析其檢測(cè)效果。

3.1 算法應(yīng)用效果驗(yàn)證

本文將相鄰幀差法與仿射聚類(lèi)法相結(jié)合,開(kāi)展運(yùn)動(dòng)目標(biāo)的提取。這是1個(gè)迭代的過(guò)程。不同的迭代次數(shù)對(duì)應(yīng)著不同的聚類(lèi)效果。為驗(yàn)證所提方法的有效性,本文以某像素樣本為例,計(jì)算其在不斷聚類(lèi)迭代過(guò)程中輸出的目標(biāo)E值。

不同聚類(lèi)迭代次數(shù)對(duì)應(yīng)的E值分布結(jié)果如圖1所示。由圖1可知,不同的聚類(lèi)迭代次數(shù)對(duì)應(yīng)著不同的E值。E值的分布情況可直接反映目標(biāo)像素提取的準(zhǔn)確率。當(dāng)?shù)螖?shù)為30次時(shí),E值分布特性與實(shí)際目標(biāo)完全一致;當(dāng)?shù)螖?shù)為20次時(shí),E值分布特性與實(shí)際目標(biāo)較為接近,出現(xiàn)了一些毛刺現(xiàn)象;當(dāng)?shù)螖?shù)為10次時(shí),E值分布誤差變大,出現(xiàn)了顯著誤差。由此可確定,當(dāng)?shù)螖?shù)為30次時(shí),圖像像素的提取效果最好。

圖1 不同聚類(lèi)迭代次數(shù)對(duì)應(yīng)的E值分布結(jié)果Fig.1 Results of E value distribution corresponding to different number of clustering iterations

為進(jìn)一步探究所提方法的實(shí)踐效果,試驗(yàn)測(cè)試在不同迭代次數(shù)下目標(biāo)像素提取準(zhǔn)確率的變化情況。不同迭代次數(shù)對(duì)應(yīng)的目標(biāo)像素提取準(zhǔn)確率結(jié)果如圖2所示。

由圖2可知,當(dāng)?shù)螖?shù)增加時(shí),像素提取準(zhǔn)確率快速提高并逐漸放緩。經(jīng)過(guò)不斷迭代,像素提取準(zhǔn)確率從69%升至99%,獲得較大提升。綜上分析可知,所提方法對(duì)于目標(biāo)像素提取準(zhǔn)確率的提升效果顯著,有效避免了無(wú)效像素的提取,為模式識(shí)別環(huán)節(jié)的精確識(shí)別奠定了基礎(chǔ)。

3.2 檢測(cè)準(zhǔn)確率結(jié)果及分析

為進(jìn)一步驗(yàn)證所提方法性能,試驗(yàn)選取文獻(xiàn)[9]方法和文獻(xiàn)[10]方法作為對(duì)比方法進(jìn)行對(duì)比測(cè)試。試驗(yàn)利用3種方法對(duì)多個(gè)圖像樣本進(jìn)行異物目標(biāo)檢測(cè),以驗(yàn)證所提方法的實(shí)際應(yīng)用效果。異物目標(biāo)檢測(cè)結(jié)果如圖3所示。

由圖3可知,所提方法可對(duì)輸電線路中的移動(dòng)目標(biāo)進(jìn)行精準(zhǔn)識(shí)別,而文獻(xiàn)[9]方法和文獻(xiàn)[10]方法識(shí)別效果不佳,出現(xiàn)了過(guò)檢測(cè)和遺漏檢測(cè)的問(wèn)題。為進(jìn)一步對(duì)比檢測(cè)結(jié)果,試驗(yàn)選取多段輸電線路監(jiān)控影像,開(kāi)展多次測(cè)試,以對(duì)比3種方法的檢測(cè)準(zhǔn)確率情況。獲得的檢測(cè)準(zhǔn)確率如圖4所示。

圖4 檢測(cè)識(shí)別準(zhǔn)確率Fig.4 Detection and recognition accuracy

由圖4可知,檢測(cè)準(zhǔn)確率隨著樣本相似度閾值的提高出現(xiàn)了先增后減的現(xiàn)象。其原因?yàn)?當(dāng)樣本相似度閾值過(guò)高時(shí),樣本的幀間差值難以達(dá)到閾值,容易出現(xiàn)“漏檢測(cè)”情況;當(dāng)樣本相似度閾值過(guò)低時(shí),樣本的幀間差值容易達(dá)到閾值,從而提升“誤檢測(cè)”的發(fā)生機(jī)率。這些均會(huì)使檢測(cè)準(zhǔn)確率下降。采用2種文獻(xiàn)方法開(kāi)展檢測(cè)的目標(biāo)準(zhǔn)確率在樣本相似度閾值為77%時(shí)達(dá)到最大值72.86%。而經(jīng)聚類(lèi)優(yōu)化后檢測(cè)的目標(biāo)準(zhǔn)確率在樣本相似度閾值為87%時(shí)達(dá)到最大值96.34%。由此可知,所提方法可提升檢測(cè)準(zhǔn)確率,且效果較為顯著。

為進(jìn)一步驗(yàn)證所提方法的檢測(cè)效果,試驗(yàn)對(duì)比3種方法在處理樣本時(shí)的檢測(cè)時(shí)間。獲得的3種方法檢測(cè)效率對(duì)比結(jié)果如表1所示。

表1 3種方法檢測(cè)效率對(duì)比結(jié)果Tab.1 Comparison results of three methods of detection efficiency

由表1可知,所提方法的檢測(cè)效率較高,且優(yōu)于其余方法。在進(jìn)行500個(gè)樣本檢測(cè)時(shí),所提方法的檢測(cè)時(shí)間僅為18.6 s,而對(duì)比方法則分別需要48.7 s和50.3 s。這證明所提方法檢測(cè)效率遠(yuǎn)高于對(duì)比方法,能夠滿足實(shí)時(shí)性監(jiān)測(cè)的需求。

4 結(jié)論

本文針對(duì)輸電線路防撞在線監(jiān)測(cè)系統(tǒng)中的異物目標(biāo)檢測(cè)環(huán)節(jié),提出了基于相鄰幀差法的輸電線路異物目標(biāo)檢測(cè)方法。該方法針對(duì)多異物目標(biāo)檢測(cè)難以甄別實(shí)際異物目標(biāo)的問(wèn)題,在提取像素時(shí)將仿射傳播聚類(lèi)算法與相鄰幀差法相結(jié)合,對(duì)目標(biāo)像素進(jìn)行聚類(lèi)提取,從而精確提取實(shí)際目標(biāo)像素。通過(guò)試驗(yàn),可以得到以下結(jié)論。所提方法可使得實(shí)際目標(biāo)的像素被準(zhǔn)確提取,可剔除無(wú)效目標(biāo)像素,提升目標(biāo)像素提取準(zhǔn)確率約30%。使用所提方法提取的異物目標(biāo)像素集合,可使得模式識(shí)別環(huán)節(jié)的準(zhǔn)確率達(dá)到96.34%,較傳統(tǒng)方法識(shí)別準(zhǔn)確率提升了23.48%,提升效果較為顯著。使用所提方法在進(jìn)行500個(gè)樣本檢測(cè)時(shí),其檢測(cè)時(shí)間僅為18.6 s,分別比文獻(xiàn)[7]方法和文獻(xiàn)[8]方法減少了31.7 s和30.1 s。因此,所提方法檢測(cè)效率更高,優(yōu)于對(duì)比方法。所提方法對(duì)于不同的特征量提取架構(gòu)以及模式識(shí)別算法均具有較好的適配性,具有一定的推廣價(jià)值。