李 游,吳水鋒,周云雅,李海燕

(1.國(guó)網(wǎng)湖南省電力有限公司檢修公司,湖南 長(zhǎng)沙 410004)(2.變電智能運(yùn)檢國(guó)網(wǎng)湖南省電力有限公司實(shí)驗(yàn)室,湖南 長(zhǎng)沙 410004)(3.國(guó)網(wǎng)湖南省電力有限公司,湖南 長(zhǎng)沙 410004)

變電站的安全、穩(wěn)定運(yùn)行是保證電力系統(tǒng)正常運(yùn)行的基礎(chǔ)[1],對(duì)變電站進(jìn)行巡檢是保證其安全、穩(wěn)定運(yùn)行的關(guān)鍵之一。對(duì)變電站運(yùn)行狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè),可以及時(shí)發(fā)現(xiàn)變電站運(yùn)行的缺陷,及時(shí)作出預(yù)警,避免發(fā)生安全事故[2]。

目前,大多采用無(wú)人機(jī)巡檢的方式采集變電站的目標(biāo)圖像。然而無(wú)人機(jī)巡檢過(guò)程中采集的圖像都是動(dòng)態(tài)狀況下的圖像,所包含的無(wú)效信息較多,后期難以對(duì)巡檢圖像中的故障信息進(jìn)行準(zhǔn)確識(shí)別[3]。邊緣信息是圖像最基本的特征,是圖像中像素灰度存在明顯變化的像素的集合。邊緣信息存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、背景與背景之間,借助于邊緣信息能夠準(zhǔn)確地捕捉到巡檢圖像中的目標(biāo)信息和異常信息。因此,需針對(duì)變電站無(wú)人機(jī)巡檢圖像邊緣識(shí)別方法進(jìn)行設(shè)計(jì),以實(shí)現(xiàn)對(duì)巡檢目標(biāo)圖像的準(zhǔn)確識(shí)別,及時(shí)排除安全隱患。吳一全等[4]提出了一種基于卷積網(wǎng)絡(luò)的圖像邊緣檢測(cè)方法,用來(lái)解決計(jì)算機(jī)視覺(jué)難以精準(zhǔn)定位圖像邊緣的問(wèn)題。首先利用卷積網(wǎng)絡(luò)提取目標(biāo)圖像邊緣點(diǎn)的特征,并對(duì)提取的特征進(jìn)行集中訓(xùn)練,根據(jù)特征不變性原理分析目標(biāo)圖像邊緣特征之間的關(guān)聯(lián),然后再根據(jù)卷積網(wǎng)絡(luò)設(shè)定邊緣判斷條件,確定圖像中的實(shí)際邊緣信息點(diǎn)。雖然該方法可以定位圖像邊緣信息,但是離散系數(shù)偏小,定位效果一般。余震等[5]提出了基于中智理論的圖像邊緣檢測(cè)方法。首先,基于中智理論將目標(biāo)圖像轉(zhuǎn)換為中智圖像,通過(guò)對(duì)圖像內(nèi)各個(gè)特征重新定義,生成新的圖像信息,并求出新的圖像信息的梯度閾值,來(lái)判斷圖像邊緣的具體像素點(diǎn),從而實(shí)現(xiàn)對(duì)邊緣圖像的檢測(cè)。本文針對(duì)變電站無(wú)人機(jī)巡檢圖像設(shè)計(jì)了一種新的邊緣識(shí)別方法。

1 無(wú)人機(jī)巡檢圖像邊緣識(shí)別方法

1.1 重構(gòu)無(wú)人機(jī)巡檢圖像像素的灰度值

影響圖像邊緣信息的一個(gè)重要因素是圖像灰度具有不連續(xù)性,從而使邊緣信息存在階躍邊緣和線條邊緣兩種形式。為避免因圖像灰度不連續(xù)而影響圖像邊緣識(shí)別效果,本文在檢測(cè)與識(shí)別前先對(duì)無(wú)人機(jī)巡檢圖像像素的灰度值進(jìn)行重構(gòu)。

若變電站無(wú)人機(jī)采集的兩幅巡檢圖像的灰度值大小相近,則可以將這兩個(gè)動(dòng)態(tài)巡檢圖像歸屬同一類[6]。設(shè)定動(dòng)態(tài)巡檢圖像的局部相似度函數(shù)為Hij,用下式表示:

(1)

式中:Hs-ij為無(wú)人機(jī)巡檢圖像i與j之間的像素值相似度,Hg-ij為無(wú)人機(jī)巡檢圖像i與j在空間中的灰度值相似度。

像素值相似度Hs-ij表示為:

(2)

式中:pi、qi為巡檢圖像i中兩個(gè)像素值的顏色通道值,pj、qj為巡檢圖像j中兩個(gè)像素值的顏色通道值,λk為無(wú)人機(jī)巡檢圖像像素值相似度的影響因子[7]。

灰度值相似度Hg-ij表示為:

(3)

式中:xi為動(dòng)態(tài)巡檢圖像在核心區(qū)域的像素灰度值,xj為巡檢圖像在核心區(qū)域采集的灰度值,λg為巡檢圖像像素值相似度的影響因素,δg-i為巡檢圖像在核心區(qū)域的密度函數(shù)。δg-i可定義為:

(4)

式中:Ni為無(wú)人機(jī)巡檢圖像i的相鄰區(qū)域的像素點(diǎn),NR為無(wú)人機(jī)巡檢圖像i的相鄰區(qū)域的像素點(diǎn)數(shù)量。

對(duì)無(wú)人機(jī)巡檢圖像的灰度值進(jìn)行重構(gòu),表示為:

(5)

式中:ηi為重構(gòu)的巡檢圖像η中第i個(gè)圖像的灰度值。

1.2 檢測(cè)無(wú)人機(jī)巡檢圖像邊緣

根據(jù)無(wú)人機(jī)巡檢圖像的空間特征,采用代數(shù)運(yùn)算對(duì)巡檢圖像的邊緣實(shí)施檢測(cè)。假設(shè)無(wú)人機(jī)巡檢圖像的大小為M×N,利用下式描述巡檢圖像的像素值p(x,y):

p(x,y)=fR(x,y)h+fG(x,y)l+fB(x,y)k

(6)

式中:(x,y)為無(wú)人機(jī)動(dòng)態(tài)巡檢圖像在M×N內(nèi)的圖像位置;fR(x,y)、fG(x,y)、fB(x,y)分別為無(wú)人機(jī)動(dòng)態(tài)巡檢圖像中R、G、B的具體像素值,(h,l,k)為巡檢圖像空間特征的3個(gè)虛擬單位。對(duì)無(wú)人機(jī)巡檢圖像中的像素值p(x,y)進(jìn)行歸一化處理,計(jì)算出巡檢圖像i與j之間的格拉斯曼積PrPr0:

PrPr0=sum(q1×q2)

(7)

式中:將圖像i與j展開成一維向量,分別記為q1和q2,sum(·)為求和函數(shù)。PrPr0內(nèi)包括一個(gè)像素值S[PrPr0]和一個(gè)動(dòng)態(tài)圖像V[PrPr0]。歸一化處理后,無(wú)人機(jī)巡檢圖像的灰度值r與初始灰度值r0的判別方差為(-1,0)。由此可知,兩幅無(wú)人機(jī)巡檢動(dòng)態(tài)圖像的相似度越高,判別方差的值越接近(-1,0)。r與r0之間相似度判別函數(shù)c(r,r0)為:

(8)

式中:S和V分別為無(wú)人機(jī)巡檢圖像中的清晰圖像與失效圖像。

(9)

(10)

(11)

式中:R(P)為無(wú)人機(jī)巡檢圖像非邊緣點(diǎn)和弱邊緣點(diǎn)的分割結(jié)果,gl為巡檢圖像非邊緣點(diǎn)的有效分割信息,gh為巡檢圖像邊緣點(diǎn)的有效分割信息。

通過(guò)上述步驟確定無(wú)人機(jī)巡檢圖像邊緣點(diǎn)的閾值信息,實(shí)現(xiàn)對(duì)變電站無(wú)人機(jī)巡檢圖像邊緣的有效檢測(cè)。

1.3 設(shè)計(jì)無(wú)人機(jī)巡檢圖像邊緣識(shí)別方法

在識(shí)別無(wú)人機(jī)巡檢圖像邊緣信息時(shí),引入無(wú)人機(jī)動(dòng)態(tài)巡檢圖像的離散系數(shù)Cuv[10]:

Cuv=Δuv/Iuv

(12)

式中:Δuv、Iuv分別為無(wú)人機(jī)巡檢圖像邊緣uv的標(biāo)準(zhǔn)方差和方差限制。式(12)可以對(duì)無(wú)人機(jī)巡檢圖像的連接強(qiáng)度βuv進(jìn)行分析,即Cuv=βuv,得到無(wú)人機(jī)巡檢圖像的離散矩陣:

(13)

式中:n為巡檢圖像邊緣識(shí)別的迭代次數(shù),Fuv[n]、Uuv[n]分別為無(wú)人機(jī)巡檢圖像邊緣的信息值和動(dòng)態(tài)數(shù)值[11-12],θuv[n]為無(wú)人機(jī)巡檢圖像邊緣的權(quán)值,α和β分別為無(wú)人機(jī)巡檢圖像邊緣點(diǎn)的權(quán)值隸屬度和連接系數(shù),θ0為無(wú)人機(jī)巡檢圖像邊緣的灰度值。當(dāng)βuv≠0時(shí),利用卷積網(wǎng)絡(luò)獲得無(wú)人機(jī)巡檢圖像的邊緣信息,定義邊緣矩陣T,對(duì)無(wú)人機(jī)巡檢圖像進(jìn)行迭代處理[13],有如下表達(dá)式:

Tuv[n]=Fuv[n-1](1+βuv[n])+1

(14)

公式(14)反映了無(wú)人機(jī)巡檢圖像的空間信息和時(shí)間信息,將巡檢圖像平面內(nèi)的離散質(zhì)點(diǎn)定義為:

xc=∑(xrmr)/∑hr

yc=∑(yrmr)/∑hr

(15)

式中:hr為巡檢圖像坐標(biāo)點(diǎn)(xr,mr)處的離散質(zhì)點(diǎn)信息;(xc,yc)為巡檢圖像邊緣離散質(zhì)點(diǎn)的中心,其能夠體現(xiàn)出無(wú)人機(jī)巡檢圖像邊緣的形狀特征[14]。

為了能夠?qū)o(wú)人機(jī)巡檢圖像邊緣信息進(jìn)行有效識(shí)別,需要對(duì)其進(jìn)行歸一化處理[15],過(guò)程如下:

Ic=xc/M

Jc=yc/N

(16)

式中:Ic為橫向圖像邊緣信息,Jc為縱向圖像邊緣信息。式(16)能夠?qū)?dòng)態(tài)巡檢圖像進(jìn)行噪聲干擾處理,結(jié)合上述求得的無(wú)人機(jī)巡檢圖像灰度值,實(shí)現(xiàn)對(duì)變電站無(wú)人機(jī)巡檢圖像邊緣信息的自適應(yīng)識(shí)別,表達(dá)式為:

δ=ic0+jc0+(Tij[n]·θ0)

(17)

式中:δ為變電站無(wú)人機(jī)巡檢圖像邊緣信息的自適應(yīng)識(shí)別結(jié)果。

2 實(shí)驗(yàn)分析

為驗(yàn)證上述設(shè)計(jì)的變電站無(wú)人機(jī)巡檢圖像邊緣識(shí)別方法的實(shí)際應(yīng)用性能,設(shè)計(jì)如下實(shí)驗(yàn)。

2.1 實(shí)驗(yàn)參數(shù)

實(shí)驗(yàn)過(guò)程中,為了排除噪聲因素對(duì)變電站無(wú)人機(jī)巡檢圖像質(zhì)量的影響,設(shè)置了如表1所示的實(shí)驗(yàn)參數(shù)。

表1 實(shí)驗(yàn)參數(shù)設(shè)置情況統(tǒng)計(jì)表

2.2 設(shè)置實(shí)驗(yàn)指標(biāo)

實(shí)驗(yàn)過(guò)程中,先引入離散系數(shù)衡量變電站無(wú)人機(jī)巡檢圖像邊緣的識(shí)別效果,離散系數(shù)值越大說(shuō)明巡檢圖像邊緣的識(shí)別效果越好,反之則差。

接著利用優(yōu)質(zhì)系數(shù)衡量變電站無(wú)人機(jī)巡檢圖像邊緣的識(shí)別性能,將優(yōu)質(zhì)系數(shù)Pl定義為:

(18)

式中:n0為理想狀態(tài)下識(shí)別到的點(diǎn)數(shù),nd為正常狀態(tài)下識(shí)別到的點(diǎn)數(shù),?為比例系數(shù),dγ為識(shí)別到邊緣點(diǎn)γ與理想邊緣點(diǎn)之間的距離。

2.3 結(jié)果分析

為了突出本文方法的優(yōu)勢(shì),引入基于Franklin矩的圖像邊緣識(shí)別方法和基于中智理論的圖像邊緣識(shí)別方法作對(duì)比。3種方法在圖像邊緣識(shí)別離散系數(shù)方面的測(cè)試結(jié)果如圖1所示。

圖1 圖像邊緣識(shí)別離散系數(shù)測(cè)試結(jié)果

由圖可以看出,采用基于Franklin矩的圖像邊緣識(shí)別方法識(shí)別巡檢圖像邊緣的離散系數(shù)為2～10,盡管隨著識(shí)別次數(shù)的增加,其離散系數(shù)也越來(lái)越大,但離散系數(shù)的數(shù)值整體偏小于另外兩種方法,識(shí)別效果不夠理想;采用基于中智理論的圖像邊緣識(shí)別方法識(shí)別巡檢圖像邊緣的離散系數(shù)比基于Franklin矩的方法大,但是當(dāng)識(shí)別次數(shù)低于5次時(shí),圖像邊緣識(shí)別的離散系數(shù)小于10,無(wú)法滿足巡檢圖像邊緣的識(shí)別要求;采用本文方法時(shí),識(shí)別巡檢圖像邊緣的離散系數(shù)為15～20,明顯高于其他兩種方法,由此可以說(shuō)明,本文設(shè)計(jì)的變電站無(wú)人機(jī)巡檢圖像邊緣識(shí)別方法的效果更好。

3種方法在圖像邊緣識(shí)別優(yōu)質(zhì)系數(shù)方面的測(cè)試結(jié)果如圖2所示。

圖2 圖像邊緣識(shí)別優(yōu)質(zhì)系數(shù)測(cè)試結(jié)果

由圖可以看出,基于Franklin矩的圖像邊緣識(shí)別方法和基于中智理論的圖像邊緣識(shí)別方法的巡檢圖像邊緣識(shí)別優(yōu)質(zhì)系數(shù)的變化趨勢(shì)基本相同,基于中智理論的圖像邊緣識(shí)別方法得到的優(yōu)質(zhì)系數(shù)大于基于Franklin矩的圖像邊緣識(shí)別方法;采用本文方法識(shí)別巡檢圖像邊緣的優(yōu)質(zhì)系數(shù)始終大于17,由此可以說(shuō)明,本文設(shè)計(jì)的變電站無(wú)人機(jī)巡檢圖像邊緣識(shí)別方法具有更高的性能。

3 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種變電站無(wú)人機(jī)巡檢圖像邊緣識(shí)別方法,經(jīng)測(cè)試發(fā)現(xiàn),該方法在識(shí)別變電站無(wú)人機(jī)巡檢圖像邊緣時(shí)不僅具有更好的識(shí)別效果,還可以提高圖像邊緣識(shí)別性能。但是,由于實(shí)驗(yàn)時(shí)間等條件的限制,本文的研究還存在很多需要改進(jìn)的地方。在今后的研究中,將考慮利用蟻群算法對(duì)圖像邊緣準(zhǔn)確定位,以進(jìn)一步確保圖像邊緣識(shí)別的準(zhǔn)確性。