摘 要：由于現(xiàn)行方法在架空線路動態(tài)目標(biāo)智能識別驅(qū)趕場景中應(yīng)用效果不佳，目標(biāo)識別驅(qū)趕時(shí)延較長，方法時(shí)效性較差，因此本文提出基于機(jī)器視覺的架空線路動態(tài)目標(biāo)智能識別驅(qū)趕方法。采用直線段生長算法對原始圖像進(jìn)行處理，提取感興趣區(qū)域。采用鄰域平均法對圖像實(shí)施平滑處理，利用機(jī)器視覺技術(shù)對提取圖像輪廓和架空線路，識別動態(tài)目標(biāo)，采用激光器和超聲波脈沖裝置驅(qū)趕識別的動態(tài)目標(biāo)驅(qū)趕。經(jīng)過試驗(yàn)證明，本文方法驅(qū)趕時(shí)延不超過30μm，可以實(shí)現(xiàn)對架空線路動態(tài)目標(biāo)智能實(shí)時(shí)識別驅(qū)趕。

關(guān)鍵詞：機(jī)器視覺；架空線路；動態(tài)目標(biāo)；識別驅(qū)趕；直線段生長算法；鄰域平均法

中圖分類號：TM 726" " " 文獻(xiàn)標(biāo)志碼：A

架空線路是電網(wǎng)的重要組成部分，執(zhí)行將電能從發(fā)電廠輸送到用戶端的關(guān)鍵任務(wù)。然而，架空線路大多暴露在野外環(huán)境中，長期受自然因素和人為活動干擾，其中松鼠、鳥類活動對架空線路的安全運(yùn)行構(gòu)成了嚴(yán)重威脅。本文引入智能識別技術(shù)和驅(qū)趕設(shè)備，可以對架空線路周圍動態(tài)目標(biāo)活動進(jìn)行實(shí)時(shí)監(jiān)測和有效驅(qū)趕，從而降低動態(tài)目標(biāo)對線路安全的威脅，提高電力供應(yīng)的穩(wěn)定性和可靠性。文獻(xiàn)[1]提出基于顯著性加強(qiáng)和YOLOv5算法的方法，該方法能夠增強(qiáng)圖像中關(guān)鍵區(qū)域的顯著性，結(jié)合YOLOv5的目標(biāo)檢測能力，對輸電線路異物進(jìn)行識別和驅(qū)趕。文獻(xiàn)[2]提出融合直線機(jī)制與膨脹算法的方法，利用直線特征識別提取輸電線，利用矩形區(qū)域膨脹檢測對輸電線上目標(biāo)進(jìn)行檢測與驅(qū)趕。

1 感興趣區(qū)域提取

本文采用機(jī)器視覺技術(shù)對架空線路上的動態(tài)目標(biāo)進(jìn)行識別和驅(qū)趕，由攝像機(jī)等影像傳感器采集影像資料，再運(yùn)用電腦技術(shù)進(jìn)行處理與分析，以辨識、偵測、追蹤和量測影像中的目標(biāo)。因此，需要在架空線路關(guān)鍵區(qū)域內(nèi)安裝相機(jī)，利用相機(jī)獲取區(qū)域內(nèi)的視頻信息。在處理架空線路監(jiān)控視頻數(shù)據(jù)過程中，通常將整個(gè)視頻視作一個(gè)由連續(xù)幀圖像構(gòu)成的序列，并逐一處理這些幀圖像。架空線路監(jiān)控視頻處理流程如圖1所示。

鑒于本研究主要聚焦于架空線路動態(tài)目標(biāo)智能識別驅(qū)趕，在處理過程中關(guān)注點(diǎn)限定在輸電線路周圍的圖像區(qū)域，即所謂的“感興趣區(qū)域”（ROI），忽略其他非關(guān)鍵性的圖像內(nèi)容，這樣可以避免計(jì)算開銷，并減少誤檢的可能性。特別是在航拍無人機(jī)以垂直向下的角度拍攝得到的視頻序列中，架空線路通常以多根一束的形式緊密排列。為了精準(zhǔn)提取這些感興趣區(qū)域，本文采用直線段生長算法對原始圖像處理，提取感興趣區(qū)域。直線段生長算法先計(jì)算每個(gè)像素點(diǎn)的梯度，構(gòu)建一個(gè)方向向量圖，并采用像素生長的方法來提取直線段[3]。該算法選取一個(gè)初始的種子點(diǎn)，并以此為起點(diǎn)進(jìn)行區(qū)域擴(kuò)張檢測。如果某個(gè)像素點(diǎn)與當(dāng)前區(qū)域方向之差小于預(yù)設(shè)的閾值，那么該像素點(diǎn)就會被歸入當(dāng)前區(qū)域。區(qū)域生長是指隨像素點(diǎn)不斷加入，區(qū)域逐漸擴(kuò)展，直到滿足停止條件為止。得到直線段區(qū)域后，確定直線段的方向和位置，即區(qū)域方向角，區(qū)域方向角的計(jì)算過程如公式（1）所示。

（1）

式中：α表示架空線路區(qū)域方向角；i表示原始圖像區(qū)域內(nèi)像素點(diǎn)數(shù)量；βi表示原始圖像內(nèi)第i個(gè)像素點(diǎn)的方向向量角。

直線段的中點(diǎn)位置是該區(qū)域的重心，區(qū)域重心如公式（2）所示。

（2）

式中：W（x，y）表示生長區(qū)域重心坐標(biāo)；S表示生長區(qū)域；w表示像素點(diǎn)（x，y）的權(quán)重系數(shù)；（x，y）表示區(qū)域內(nèi)像素點(diǎn)的坐標(biāo)[4]。

基于重心和直線段方向，可以確定一個(gè)矩形，以其為中心軸。以得到的線段為初始線段，采用相似的線段面積增長方法對整個(gè)圖像進(jìn)行區(qū)域聚類。判定2該文段線是否在同一組中的條件如下：它們之間的夾角和相對位置是否分別小于預(yù)設(shè)的區(qū)域方向角閾值和區(qū)域重心距離閾值，如公式（3）所示。

（3）

式中：H表示圖像區(qū)域聚類結(jié)果；0表示感興趣區(qū)域；1表示不感興趣區(qū)域；al、bl分別表示2個(gè)線段與水平方向的夾角；xal、yal表示線段a上點(diǎn)的橫坐標(biāo)和縱坐標(biāo)；xbl、ybl表示線段b上點(diǎn)的橫坐標(biāo)和縱坐標(biāo)。

利用以上公式提取相機(jī)拍攝視頻中的感興趣區(qū)域，將其作為后續(xù)動態(tài)目標(biāo)識別對象。

2 感興趣區(qū)域平滑處理

考慮圖像在采集過程中受外界因素干擾，本文采用鄰域平均法對圖像進(jìn)行平滑處理，具體操作流程如下所示。首先，設(shè)計(jì)一個(gè)特定的模板，將其作為處理圖像的基本單元。其次，根據(jù)各像素點(diǎn)與周邊像元的相對重要性，采用高斯函數(shù)求出各像素點(diǎn)的權(quán)值。計(jì)算完加權(quán)平均后，將這個(gè)數(shù)值分配到模板中央像素點(diǎn)的灰度值，從而對這個(gè)像素點(diǎn)進(jìn)行平滑化處理。圖像平滑處理前、后對比如圖2所示。

進(jìn)而對圖像中的各像素點(diǎn)進(jìn)行遍歷和處理，直至對所有像素點(diǎn)進(jìn)行加權(quán)平均，從而完成整個(gè)圖像的平滑處理過程。在這個(gè)過程中，輸入的圖像利用高斯函數(shù)進(jìn)行預(yù)處理，所選用的高斯函數(shù)具有特定的數(shù)學(xué)形式，如公式（4）所示。

（4）

式中：G（x，y）表示濾波后的感興趣區(qū)域圖像；σ表示高斯濾波系數(shù)。

利用以上公式對區(qū)域內(nèi)所有像素點(diǎn)進(jìn)行平滑處理，消除區(qū)域內(nèi)的噪聲。

3 基于機(jī)器視覺的動態(tài)目標(biāo)智能識別

在上述基礎(chǔ)上，采用機(jī)器視覺技術(shù)對感興趣區(qū)域的邊緣進(jìn)行檢測，以此提取圖像的邊緣。機(jī)器視覺技術(shù)利用有限差分方法，在2×2的鄰域中，對序列的梯度幅度和方向進(jìn)行估計(jì)。首先，對圖像中各像素點(diǎn)進(jìn)行橫、豎向偏導(dǎo)數(shù)，分別記為Px（x，y）和Py（x，y）。利用偏導(dǎo)數(shù)來計(jì)算每個(gè)像素點(diǎn)的梯度幅值和方向。這2個(gè)值分別如公式（5）、公式（6）所示。

（5）

（6）

式中：D表示感興趣區(qū)域像素點(diǎn)（x，y）的梯度幅值；?（x，y）表示感興趣區(qū)域像素點(diǎn)（x，y）的方向角。

得到梯度幅值矩陣后，梯度幅值的極大值附近會形成所謂的“屋脊帶”。為了更精確地定位邊緣，需要對屋脊帶進(jìn)行細(xì)化處理，使之在該區(qū)域內(nèi)保持局部極值，其余均設(shè)為0，使屋脊帶狀區(qū)域得到細(xì)化。該方法利用去最大值壓制，將屋脊帶的寬度減少至一個(gè)像素，保持了屋脊的幅度。但是此時(shí)圖像中仍然可能存在較多的偽邊緣。為了濾除這些偽邊緣并消除噪聲，需要進(jìn)行閾值化處理，再通過遞歸追蹤的方法獲得最終的邊緣信息。

采用機(jī)器視覺技術(shù)中的霍夫變換技術(shù)對獲取的邊緣圖像進(jìn)行變換處理，提取圖像中的架空線路。在霍夫變換下，直角坐標(biāo)系內(nèi)的點(diǎn)與參數(shù)空間內(nèi)的正弦曲線相對應(yīng)，共線的點(diǎn)與某一點(diǎn)相交的正弦曲線群相對應(yīng)，從而可以在邊界圖像中對線進(jìn)行檢測，如公式（7）所示。

p=xcosβ+ysinβ （7）

式中：p表示邊緣圖像中任意一點(diǎn)到直線的距離；β表示通過該點(diǎn)的垂線與直角坐標(biāo)系橫軸的夾角。

由歐幾里得定理可知，如果邊緣圖像中一個(gè)點(diǎn)到直線的距離為0，那么說明該點(diǎn)正好位于直線上。在處理圖像過程中，可以計(jì)算p，并將所有距離值為0的點(diǎn)連接起來，即可提取邊緣圖像中的架空線路。如果霍夫變換的結(jié)果顯示2條完整的架空線路，并且這2條直線在遠(yuǎn)處相交于一點(diǎn)，那么可以認(rèn)為線路上不存在動態(tài)目標(biāo)。相反，如果2條線路直線沒有相交于一點(diǎn)，或者其中一條直線不完整，那么表明架空線路上存在動態(tài)目標(biāo)。按照該原則識別架空線路動態(tài)目標(biāo)，如公式（8）所示。

（8）

式中：υ表示架空線路動態(tài)目標(biāo)識別結(jié)果；1表示監(jiān)控區(qū)域內(nèi)存在動態(tài)目標(biāo)；0表示監(jiān)控區(qū)域內(nèi)不存在動態(tài)目標(biāo)；l1p、l2p分別表示霍夫變換后的2條架空線路。

利用以上公式識別監(jiān)控區(qū)域內(nèi)是否存在動態(tài)目標(biāo)，根據(jù)識別結(jié)果確定是否采取驅(qū)趕措施。

4 動態(tài)目標(biāo)聽視覺刺激驅(qū)趕

鑒于鳥類與松鼠對紅色光譜中的激光束具有極高的敏感性，本文特意選用波長為638nm的激光器，并對其電路進(jìn)行優(yōu)化處理，以降低能耗，并保證激光器能夠長時(shí)間穩(wěn)定運(yùn)行。該激光束具備120°的寬廣發(fā)散角度，能夠在距離發(fā)射源2m的位置形成直徑達(dá)5m的“滿天星”式發(fā)散光斑，保證光斑能夠充分覆蓋柱上開關(guān)及其上方的關(guān)鍵區(qū)域，對擅自闖入防護(hù)區(qū)域的小動物形成有效的視覺震懾與驅(qū)趕效果。此外，鳥類與松鼠的聽覺系統(tǒng)異常靈敏，尤其對超聲波具有強(qiáng)烈反應(yīng)。當(dāng)感受到潛在威脅時(shí)，它們會發(fā)出頻率為30kHz～50kHz的超聲波?；谠撋锾匦?，本文設(shè)計(jì)了一款大功率超聲波脈沖裝置，該裝置能夠釋放出高強(qiáng)度的超聲波信號，直接作用于松鼠等小動物的聽覺系統(tǒng)，產(chǎn)生強(qiáng)烈的干擾與刺激。

本文在監(jiān)測區(qū)域內(nèi)線路上安裝了激光器和超聲波脈沖裝置，利用無線網(wǎng)絡(luò)接收動態(tài)目標(biāo)智能識別結(jié)果。當(dāng)識別到區(qū)域內(nèi)存在目標(biāo)時(shí)，驅(qū)動激光器和超聲波脈沖裝置開關(guān)發(fā)出激光和超聲波信號，對區(qū)域內(nèi)的動態(tài)目標(biāo)進(jìn)行驅(qū)趕，以此實(shí)現(xiàn)基于機(jī)器視覺的架空線路動態(tài)目標(biāo)智能識別驅(qū)趕。

5 試驗(yàn)論證

5.1 試驗(yàn)對象和流程

為了驗(yàn)證本文提出的基于機(jī)器視覺的架空線路動態(tài)目標(biāo)智能識別驅(qū)趕方法的性能，以某架空線路為試驗(yàn)對象，線路長度為5000m，線路布設(shè)50個(gè)動態(tài)目標(biāo)監(jiān)控區(qū)，監(jiān)控區(qū)域范圍為200mm×200mm×200mm。根據(jù)該架空線路實(shí)際情況，試驗(yàn)準(zhǔn)備了50臺型號為KHFAS-A5F6的相機(jī)，相機(jī)參數(shù)設(shè)置如下：焦距設(shè)置為5.25μm，拍攝頻率設(shè)置為2.62Hz，分辨率設(shè)置為2 850 ppi×2 850 ppi，拍攝時(shí)間為24h。試驗(yàn)獲取架空線路監(jiān)控區(qū)域內(nèi)24h視頻數(shù)據(jù)，利用公式（1）、公式（2）和公式（3）提取感興趣區(qū)域1000張。利用公式（4）對圖像進(jìn)行平滑處理，應(yīng)用公式（5）～公式（8）對架空線路進(jìn)行動態(tài)目標(biāo)識別，共識別到24個(gè)動態(tài)目標(biāo)。

試驗(yàn)在每個(gè)動態(tài)監(jiān)控區(qū)域內(nèi)安裝激光器、超聲波脈沖裝置，2個(gè)驅(qū)趕裝置參數(shù)設(shè)置如下：激光波長分辨率設(shè)置為0.85nm，波長設(shè)置為638nm，激光波發(fā)射頻率設(shè)置為0.63Hz。超聲波長分辨率設(shè)置為0.56nm，波長設(shè)置為45kHz，超聲波發(fā)射頻率設(shè)置為25.62Hz，對識別到的動態(tài)目標(biāo)進(jìn)行自動驅(qū)趕。

5.2 對照組設(shè)置和指標(biāo)

為了使本文研究具有一定的參考性和學(xué)術(shù)性價(jià)值，并且凸顯本文方法的優(yōu)勢，將文獻(xiàn)[1]提出的基于顯著性加強(qiáng)和YOLOv5算法的方法、文獻(xiàn)[2]提出的融合直線機(jī)制與膨脹算法的方法作為對照組，與本文方法進(jìn)行比較。

對比指標(biāo)選擇動態(tài)目標(biāo)驅(qū)趕時(shí)延?？紤]實(shí)際中對架空線路動態(tài)目標(biāo)驅(qū)趕時(shí)效性要求較高，時(shí)延越長，動態(tài)目標(biāo)對架空線路的損害概率越高，危害性也越大，因此本文比較3種方法動態(tài)目標(biāo)驅(qū)趕時(shí)延，評價(jià)本文方法在應(yīng)用場景中的時(shí)效性。

該指標(biāo)的檢驗(yàn)以樣本信噪比水平為變量，統(tǒng)計(jì)與記錄-2dB～4dB下動態(tài)目標(biāo)識別驅(qū)趕時(shí)延。

5.3 試驗(yàn)結(jié)果與討論

3種方法在架空線路動態(tài)目標(biāo)智能識別驅(qū)趕場景中的時(shí)效性檢驗(yàn)結(jié)果如圖3所示。

從圖3可以看出，在應(yīng)用場景中，文獻(xiàn)[2]方法對動態(tài)目標(biāo)識別驅(qū)趕時(shí)延最長，當(dāng)信噪比水平最低時(shí)，驅(qū)趕時(shí)延可以達(dá)到70μm以上，本文方法時(shí)延最短，在信噪比水平最低情況下，驅(qū)趕時(shí)延不超過30μm，遠(yuǎn)低于其他2種方法。試驗(yàn)證明，本文方法可以實(shí)現(xiàn)架空線路動態(tài)目標(biāo)智能實(shí)時(shí)識別驅(qū)趕，時(shí)效性良好。

6 結(jié)語

本文對基于機(jī)器視覺的架空線路動態(tài)目標(biāo)智能識別驅(qū)趕方法進(jìn)行了研究，融合了先進(jìn)的圖像處理、目標(biāo)檢測與識別算法，采用了智能驅(qū)趕策略，有效提升了架空線路的安全防護(hù)水平。該方法不僅實(shí)現(xiàn)了對鳥類等動態(tài)目標(biāo)的實(shí)時(shí)監(jiān)測與精準(zhǔn)識別，而且采用智能驅(qū)趕手段，有效降低了異物附著導(dǎo)致的電力故障風(fēng)險(xiǎn)。未來，隨著機(jī)器視覺技術(shù)不斷發(fā)展，基于機(jī)器視覺的架空線路動態(tài)目標(biāo)智能識別驅(qū)趕方法將更智能化、高效化，為構(gòu)建安全、穩(wěn)定的智能電網(wǎng)體系提供有力的技術(shù)支撐，共同推動電力行業(yè)的智能化轉(zhuǎn)型與發(fā)展。

參考文獻(xiàn)

[1]高騫，洪宇，薛禾雨.基于顯著性加強(qiáng)和YOLOv5算法的輸電線路異物快速識別方法研究[J].自動化與儀器儀表，2024（7）：340-342，346.

[2]馬洲俊，王茂飛，蔣承伶.一種融合直線機(jī)制與膨脹算法的輸電線路異物檢測方法[J].機(jī)械與電子，2024，42（5）：29-35，40.

[3]孫陽，李佳.基于通道剪枝的YOLOv7-tiny輸電線路異物檢測算法[J].計(jì)算機(jī)工程與應(yīng)用，2024，60（14）：319-328.

[4]沈曉峰，謝偉，孫路，等.基于相鄰幀差法的輸電線路異物目標(biāo)檢測研究[J].自動化儀表，2023，44（10）：20-24.