摘 要：無人機巡檢輸電線圖像的背景較為復雜，因此在對輸電線異物缺陷進行檢測的過程中，誤檢的情況較為嚴重。本文提出基于支持向量機的復雜背景無人機巡檢圖像輸電線異物缺陷檢測方法，采用直方圖均衡化的方法增強輸電線無人機巡檢圖像的對比度，利用固定大小的網(wǎng)格將輸電線圖像劃分為多個區(qū)域，使用區(qū)域內(nèi)的像素點計算特征，并對其進行加權平均融合操作，提取背景特征。為支持向量機模型選擇合適的核函數(shù)和參數(shù)后，對其進行交叉驗證，將提取的背景特征作為輸入函數(shù)。根據(jù)像素與輸電線之間的關系，檢測異物缺陷，測試結(jié)果表明，誤檢率僅為0.5%。

關鍵詞：支持向量機；復雜背景；無人機巡檢圖像；輸電線異物缺陷檢測；直方圖均衡化；像素點；加權平均融合；核函數(shù)；交叉驗證

中圖分類號：TN 911" " " " " " " 文獻標志碼：A

當利用無人機巡檢輸電線圖像進行輸電線異物缺陷檢測時，檢測效果受到多種因素的影響[1]，難以識別異物缺陷[2-3]。一些小的異物（例如塑料袋）可能會因為其尺寸太小而難以識別。異物的顏色和紋理與輸電線接近也會影響檢測效果[4]。一些與輸電線顏色和紋理相似的異物可能會被誤認為是輸電線的一部分[5]，一些顏色和紋理與輸電線明顯不同的異物則更容易被識別。圖像的質(zhì)量和分辨率對異物缺陷檢測也有很大影響。高質(zhì)量、高分辨率的圖像可以提供更多的細節(jié)信息，使異物缺陷更容易識別[6]。這些因素對檢測結(jié)果的具體影響分為無法識別真實的異物缺陷，錯誤地識別了正常的輸電線或者其他物體為異物缺陷以及檢測速度緩慢，在不同環(huán)境中和不同情況下適應性下降等[7]。因此，本文提出基于支持向量機的復雜背景無人機巡檢圖像輸電線異物缺陷檢測方法，并進行對比測試的方式，驗證了本文設計方法的檢測效果。

1 復雜背景無人機巡檢圖像輸電線異物缺陷檢測方法

1.1 提取輸電線無人機巡檢圖像背景特征

本文重點研究復雜背景無人機巡檢圖像輸電線異物缺陷檢測，在進行檢測前，結(jié)合圖像具體情況對其進行預處理。預處理可以提高圖像對比度，例如直方圖均衡化，使目標與背景之間的差異更明顯，有利于提高后續(xù)異物缺陷檢測方法的準確性和穩(wěn)定性。無人機巡檢圖像經(jīng)常會受到傳感器噪聲、風吹等因素影響，會出現(xiàn)一些隨機的、不相關的像素點，可能會干擾后續(xù)的分析和處理步驟。采用預處理方法，例如濾波操作，可以去除噪聲，提高圖像的質(zhì)量和清晰度，也可以提高數(shù)據(jù)的統(tǒng)一性。在巡檢過程中，無人機會采集不同光照條件下的圖像，這些圖像可能具有不同的亮度、色彩等特征。采用預處理方法，可以調(diào)整圖像的亮度和色彩，使不同圖像之間有一定的統(tǒng)一性和可比性。本文采用直方圖均衡化的方法增強輸電線無人機巡檢圖像的對比度[8]。直方圖均衡化是一種基于像素灰度值分布的增強方法，本文重新映射像素的灰度值，以提高原始輸電線無人機巡檢圖像的對比度[9]。在處理過程中，本文使用OpenCV庫來進行直方圖均衡化操作，完成圖像預處理。在這個基礎上提取輸電線無人機巡檢圖像背景特征，采用固定大小的網(wǎng)格將輸電線圖像劃分為多個區(qū)域。使用區(qū)域內(nèi)的像素點計算每個劃分區(qū)域的特征，計算過程如公式（1）所示。

g=gh+gr+gk-gj-gc （1）

式中：g為劃分后復雜背景無人機巡檢輸電線圖像區(qū)域的背景特征；gh為劃分后復雜背景無人機巡檢輸電線圖像區(qū)域的信息熵；gr為劃分后復雜背景無人機巡檢輸電線圖像區(qū)域的邊緣比率參數(shù)；gk為劃分后復雜背景無人機巡檢輸電線圖像區(qū)域的灰度共生矩陣反差參數(shù)；gj為劃分后復雜背景無人機巡檢輸電線圖像區(qū)域的能量參數(shù)；gc為劃分后復雜背景無人機巡檢輸電線圖像區(qū)域的對比度參數(shù)。

采用加權平均融合操作來提取每個區(qū)域的背景特征，能夠更好地表示該區(qū)域的整體背景信息，根據(jù)每個劃算區(qū)域內(nèi)像素點特征來提取背景特征。每個劃分區(qū)域?qū)谋尘皸l件不同，例如不同的光線和雜亂程度不一的背景等。加權平均融合操作的目的是將各區(qū)域的特征進行加權平均，以獲得更全面、準確的區(qū)域背景特征。加權平均融合操作可以使權重較高的區(qū)域?qū)傮w背景特征的貢獻更大，權重較低的區(qū)域?qū)傮w背景特征的貢獻更小。這樣可以更好地反映整個圖像的背景信息，有效地抑制噪聲和局部區(qū)域的干擾，提取與輸電線相對應的背景特征?？梢愿鶕?jù)區(qū)域重要性和相關性，對加權平均融合操作中的權重參數(shù)進行調(diào)整。給予重要性較高的區(qū)域更高權重，因此它們對總體背景特征的影響更大。根據(jù)具體情況設定不同區(qū)域之間的相關性，適應不同背景場景下的特征融合需求。綜上所述，利用加權平均融合操作提取特征，可以更好地表示區(qū)域的背景特征，構(gòu)建準確且適應復雜背景的模型，為后續(xù)的前景檢測提供更可靠的背景基準。處理過程如公式（2）所示。

G=∑wng （2）

式中：G為整體復雜背景無人機巡檢輸電線圖像的背景特征；n為復雜背景無人機巡檢輸電線圖像的劃分數(shù)量；wn為每個區(qū)域提取的背景特征權重參數(shù)。

將提取的背景特征構(gòu)建為背景模型，本文引入高斯分布模型，描述背景像素點的特征分布情況，如公式（3）所示。

G（a）=h（a）∑wng " " "（3）

式中：G（a）為a圖像的背景像素高斯分布模型；h（a）為高斯分布系數(shù)。

利用背景模型，比較輸入圖像中的像素點與背景模型中像素點的分布情況，將與背景模型差異較大的像素點檢測作為前景像素點，即輸電線部分。

1.2 基于支持向量機的輸電線異物缺陷檢測

引入支持向量機，構(gòu)建輸電線異物缺陷檢測方法。以支持向量機作為輸電線異物缺陷檢測的分類器，該方法具備強大的泛化能力，在模型訓練階段，其根據(jù)最大化間隔來找到最佳的判決邊界，利用核函數(shù)將數(shù)據(jù)映射至高維特征空間，使原本線性不可分的樣本在新的特征空間中變得線性可分，更好地抓取數(shù)據(jù)中的非線性特征。該方法適用于小樣本和高維數(shù)據(jù)，其不受樣本數(shù)量限制，在高維數(shù)據(jù)分析上表現(xiàn)出色。輸電線無人機巡檢圖像的樣本數(shù)量相對較少，特征（包括輸電線特征和背景特征）維度也較高，支持向量機能夠有效應對這種情況。基于上述分析，該步驟結(jié)合第1.1節(jié)提取的輸電線特征和背景特征，將它們作為支持向量機模型的輸入數(shù)據(jù)。在訓練最小二乘法支持向量機（Least Squares Support Vector Machine，LSSVM）模型階段，將第1.1節(jié)提取的輸電線特征和背景特征作為輸入數(shù)據(jù)。輸電線特征包括輸電線無人機巡檢圖像中與輸電線有統(tǒng)計學意義的特征，背景特征包括與背景區(qū)域有統(tǒng)計學意義的特征。合適的核函數(shù)和參數(shù)決定了LSSVM模型的性能，因此，本文設置核函數(shù)的參數(shù)如公式（4）所示。

（4）

式中：f為LSSVM模型結(jié)構(gòu)元的核函數(shù)；d為LSSVM模型的結(jié)構(gòu)元；（x，y）為輸電線無人機巡檢圖像的像素信息；x、y分別為圖像像素點橫、縱坐標；（u，v）為LSSVM模型的參數(shù)，該參數(shù)決定（x，y）輸電線無人機巡檢圖像的像素信息的變化尺度；u為像素x的變化量；v為像素y的變化量。這種設置方式保證LSSVM模型的結(jié)構(gòu)d能夠訪問輸電線無人機巡檢圖像中的所有像素信息。

根據(jù)公式（4）設置LSSVM模型的參數(shù)。核函數(shù)的參數(shù)d決定了模型的分類誤差懲罰權重，參數(shù)（u，v）決定了高斯徑向基核函數(shù)的變化尺度。調(diào)整這2個參數(shù)可以影響模型的性能。

訓練LSSVM模型：使用輸入數(shù)據(jù)和對應的標簽數(shù)據(jù)（例如0為背景，1為輸電線）來訓練LSSVM模型。LSSVM模型的訓練過程是最小化目標函數(shù)來優(yōu)化結(jié)構(gòu)元和參數(shù)，找到最佳的判決邊界。在這個基礎上，利用交叉驗證的方式優(yōu)化模型，使誤差率最低，泛化性能最好。交叉驗證方式是線性變換系數(shù)交叉驗證（Linear Transform Coefficient Cross-Validation）。在樣本訓練過程中采用線性變換系數(shù)交叉驗證的方法處理每輪訓練和測試集，選擇模型參數(shù)并進行性能評估。交叉驗證的目標是調(diào)整線性變換系數(shù)的取值，選擇最佳的模型參數(shù)，使模型在交叉驗證過程中誤差率最低，泛化性能最好，提高輸電線異物缺陷檢測方法的準確性和穩(wěn)定性，如公式（5）所示。

f（x，y）=sng[（w*）Tφ（x，y）+b*] （5）

式中：w*為交叉驗證的線性變換系數(shù)；b*為常數(shù)；g為區(qū)域內(nèi)像素點特征；sng為符號函數(shù)；φ（x，y）為高斯處理后的圖像；f（x，y）為線性變換后的圖像。

利用訓練好的LSSVM模型預測測試集中的數(shù)據(jù)，得到每個像素點的分類結(jié)果。根據(jù)分類結(jié)果，分離輸電線部分與其他背景部分。當輸電線部分與其他背景部分存在直接連接的像素點時，說明此時輸電線存在異物故障，確定連接像素的分布形態(tài)即可判斷具體異物缺陷類型；當輸電線部分與其他背景部分不存在直接連接的像素點時，說明此時輸電線不存在異物故障。按照上述方式檢測復雜背景無人機巡檢圖像輸電線異物的缺陷。

2 測試與分析

2.1 測試環(huán)境

當分析本文設計的復雜背景無人機巡檢圖像輸電線異物缺陷檢測方法的性能時，以實際巡檢圖像為基礎進行對比測試。本文使用大疆精靈3無人機采集圖像數(shù)據(jù)，作為一款微小型一體航拍無人機，大疆精靈3的優(yōu)點是外觀小巧（質(zhì)量僅為1 280 g）、便于攜帶和操作簡單，其在正常情況下的可持續(xù)飛行時間為 20 min～25 min，最大飛行高度為 500 m，可控制距離為5.0 km，可執(zhí)行的懸停精度為0.5 m，最大旋轉(zhuǎn)角速度為200°/s，最大上升速度為5.0 m/s，最大下降速度為3.0 m/s。以此為基礎，利用其對連續(xù)10 d內(nèi)的某段具體輸電線進行圖像采集，分別采用文獻[4]提出的以生成對抗網(wǎng)絡為基礎的無人機航拍輸電線路圖像缺陷檢測方法以及文獻[5]提出的以改進型Freeman鏈碼為基礎的無人機航拍輸電線路圖像缺陷識別方法進行測試。

2.2 測試結(jié)果與分析

結(jié)合上述測試環(huán)境，當分析不同方法的測試結(jié)果時，本文將存在異物缺陷的圖像進行分類，并按類別統(tǒng)計3種方法的檢測效果，效果對比見表1。

根據(jù)表1的測試結(jié)果對3種不同方法的檢測性能進行分析，對不同類型的異物缺陷來說，3種方法的檢測呈現(xiàn)的效果不同。3種方法均準確檢出了異物類型為鳥窩和氣球的輸電線異物缺陷；對異物類型為風箏的輸電線異物缺陷來說，改進型Freeman鏈碼檢測方法存在1次誤檢情況；對異物類型為塑料袋的輸電線異物缺陷來說，生成對抗網(wǎng)絡檢測方法和改進型Freeman鏈碼檢測方法的誤檢次數(shù)分別為2次和3次；對異物類型為小鳥的輸電線異物缺陷來說，生成對抗網(wǎng)絡檢測方法和改進型Freeman鏈碼檢測方法的誤檢次數(shù)分別為3次和2次；對異物類型為樹枝的輸電線異物缺陷來說，3種不同方法均出現(xiàn)了誤檢情況，生成對抗網(wǎng)絡檢測方法的誤檢次數(shù)為4次，改進型Freeman鏈碼檢測方法的誤檢次數(shù)為3次，本文設計檢測方法的誤檢次數(shù)為1次。生成對抗網(wǎng)絡檢測方法和改進型Freeman鏈碼檢測方法對不同類型輸電線異物缺陷的誤檢率均為4.5%，本文設計檢測方法的誤檢率僅為0.5%。綜合上述測試結(jié)果可知，本文設計方法可以對不同類型輸電線異物缺陷進行有效檢測。

為了進一步分析本文方法的性能，驗證其有效性，以輸電線異物缺陷檢測準確率為衡量指標，該指標值越高，本文設計方法的檢測準確性越高，檢測效果越好。不同方法的輸電線異物缺陷檢測準確率見表2。

根據(jù)表2數(shù)據(jù)可知，3種方法的輸電線異物缺陷檢測準確率均較高，均達到96.0%以上，經(jīng)過分析可知，在1 000個測試樣本中，本文設計檢測方法的輸電線異物缺陷檢測準確率保持在99.9%以上，未出現(xiàn)較多檢測錯誤。與本文方法相比，在1 000個測試樣本中，生成對抗網(wǎng)絡檢測方法的輸電線異物缺陷檢測準確率降至96.8%；在1 000個測試樣本中，改進型Freeman鏈碼檢測方法的輸電線異物缺陷檢測準確率為97.7%，雖然改進型Freeman鏈碼檢測方法的檢測準確率比生成對抗網(wǎng)絡檢測方法的檢測準確率高，但是比本文設計檢測方法檢測準確率低2.2%。由此可知，本文設計檢測方法的輸電線異物缺陷檢測準確率最高，說明該方法的檢測效果更佳。

3 結(jié)語

為了加強輸電線異物缺陷的檢測效果，須綜合考慮無人機巡檢圖像質(zhì)量的影響因素，采取相應措施來優(yōu)化算法和數(shù)據(jù)處理過程。本文提出基于支持向量機的復雜背景無人機巡檢圖像輸電線異物缺陷檢測方法研究，本文方法提高了復雜背景無人機巡檢圖像輸電線異物缺陷情況的檢測準確率，檢測效果良好，可為實際的輸電線巡檢和安全管理提供參考。

參考文獻

[1]朱長榮，呂文超，單超，等.基于IMU-GNSS-VO的輸電線無人機巡檢定位和目標跟蹤自適應方法[J].電力建設，2023，44（8）：61-70.

[2]胡明輝.基于遷移學習的無人機桿塔巡檢圖像異常識別技術及試驗對比[J].粘接，2023，50（6）：136-139.

[3]田晨，許志浩，李強，等.基于Deeplabv3+與Otsu模型的輸電線電暈放電紫外圖像分割方法[J].激光與紅外，2023，53（1）：153-160.

[4]宋杭選，劉智洋，孫澤鋒，等.基于生成對抗網(wǎng)絡的無人機航拍輸電線路圖像關鍵信息提取[J].黑龍江電力，2022，44（5）：462-466，470.

[5]多俊龍，楊巧為，李慧慧.基于輸電線路圖像邊緣斜率突變的改進型Freeman鏈碼斷股缺陷識別研究[J].東北電力技術，2022，43（6）：53-59.

[6]仲林林，胡霞，劉柯妤.基于改進生成對抗網(wǎng)絡的無人機電力桿塔巡檢圖像異常檢測[J].電工技術學報，2022，37（9）：2230-2240，2262.

[7]張俊，龐世強，李曉斌，等.融合LSD算法與Hough變換的航拍輸電線路圖像桿塔自動識別方法[J].電子器件，2021，44（5）：1210-1214.

[8]陳榮保，韋盛，盛雨婷，等.改進EDLines算法暨在高空輸電線識別與巡檢中的應用[J].傳感器與微系統(tǒng)，2021，40（9）：157-160.

[9]秦鐘，楊建國，王海默，等.基于Retinex理論的低照度下輸電線路圖像增強方法及應用[J].電力系統(tǒng)保護與控制，2021，49（3）：150-157.