基于航拍圖像的輸電線檢測方法

陳　建，沈瀟軍，姚一楊，劉　雄，琚小明

(1.國家電網(wǎng)浙江省電力公司信息通信分公司，浙江 杭州 310007；2.華東師范大學 計算機科學與軟件工程學院，上海 200062)

0　引　言

隨著國家電網(wǎng)投資規(guī)模的不斷擴大，網(wǎng)絡結構越來越復雜，電網(wǎng)巡視和維護的工作量巨大[1]，傳統(tǒng)的輸電線路和變電站人工巡視操作方式已經(jīng)滿足不了高效的電網(wǎng)巡檢工作要求。為此，國家電網(wǎng)公司大力推廣無人機線路巡檢[2-5]。由于航拍圖像背景為復雜多變的自然背景，直接對航拍圖像進行輸電線的檢測會產(chǎn)生很高的誤檢率和漏檢率。

為了減弱背景噪音對輸電線目標的干擾，近年來國內對航拍圖像中檢測輸電線進行了多種方法的研究，趙利坡等[6]通過對輸電線目標進行基于方向約束的線狀目標增強以抑制豎直方向的干擾物體和其它非線狀背景和噪音，通過Radon變換引入識別因子來去除水平干擾物體，但是該方法約束條件苛刻，只能識別近似水平方向的輸電線，局限性較大。曹蔚等[7]用方向濾波的結果進行自相關增強能在大幅減弱航拍圖像中復雜環(huán)境背景的同時增強電力線目標，有效提高圖像的電力線目標檢測識別率。但是算法效率和增強效果依賴于迭代次數(shù)，需要人工控制迭代次數(shù)才能達到最佳效果。黃東芳等[8]利用搜索聚類提取像素點并結合形態(tài)學處理像素點去除圖像中的背景噪音。用閾值區(qū)間的自適應估算方法來計算Hough變換的參數(shù)閾值，從而識別出圖像中的輸電線。然而，參數(shù)閾值的選取流程復雜，耗時長而且在對比度較低的情況下識別效果差。

針對以上這些方法應對復雜背景環(huán)境時存在的不足，本文在前人在輸電線檢測的研究為基礎，結合大量航拍圖像實例和輸電線特征設計出航拍圖像中輸電線的簡化模型圖，確定輸電線區(qū)域邊界，對輸電線區(qū)域進行劃分并得到分割系數(shù)。消除了非輸電線區(qū)域的背景噪音，并對輸電線區(qū)域內線間距離進行計算刪除不符合要求的線狀物，減少隨機Hough變換中參數(shù)空間遍歷所需時間，同時降低了誤檢和丟失輸電線目標的概率。

1　圖像預處理

對航拍圖像進行分析處理，有著準確性，實時性，魯棒性的要求。在分析航拍圖像之前必須對其進行預處理，從而達到增強輸電線特征，減少背景干擾的目的。

圖像預處理最常見方法有Canny算子邊緣檢測方法[9]，Canny方法具有較高的檢測精度和較多的應用場景[10]，由于Canny算子對噪聲比較敏感，不適用于復雜背景下輸電線邊緣檢測。而Hessian矩陣方法[11,12]已經(jīng)被大量應用于圖像中線狀目標的增強，相比于Canny方法本文用Hessian方法來對航拍圖像進行增強預處理并提取所有邊緣點，對于二維圖像，Hessian矩陣為

(1)

Hessian矩陣描述了不同方向上灰度梯度的變化，通過Hessian矩陣求取對應像素點的特征值和特征向量。

2　改進的隨機Hough變換輸電線檢測方法

2.1　標準Hough變換和隨機Hough變換

標準Hough變換定義請參見文獻[13]，其基本思想使用點-線對偶性，使得整體檢測問題轉換成局部檢測問題。

避免垂直直線斜率無限的問題，一般采用直線的極坐標方程

ρ=xcosθ+ysinθ

(2)

式中：ρ為直角坐標系原點到直線的距離，θ為直線與x軸的夾角。

圖1有一組點位于同一直線上，每個點對應了參數(shù)空間中的一條正弦曲線，這些曲線在極坐標系有共同的交點。先設定一個累加器組A[θ,ρ]，初始值為0，對每一個像素點(xi,yi)進行遍歷θ的取值，計算對應的ρ，若其值對應累加器組某一個值，則該累加器加1，直到遍歷完所有像素。

圖1　極坐標方程下的點-線對偶

由于標準Hough變換對圖像中每個像素都進行映射，計算復雜度較高，不適合無人機航拍圖像的處理?；诟怕式y(tǒng)計的隨機Hough變換的基本思想?yún)⒁娢墨I[14,15]，通過多對一的映射方式，避免了標準Hough變換中一到多映射所需的龐大計算量，但是依然存在無效累計的問題，在復雜場景下容易檢測出虛假輸電線或漏檢輸電線。

經(jīng)過我們的大量無人機航拍圖像統(tǒng)計分析，80%以上的航拍圖像中輸電線只占整個不到40%的區(qū)域。但是隨機Hough變換沒有考慮輸電線檢測中輸電線會集中在一塊區(qū)域，在整個圖像空間中隨機取點會浪費大量時間并引入非輸電線區(qū)域的背景噪音。

2.2　改進的隨機Hough變換

本文針對隨機Hough變換方法進行改進，提出一種基于區(qū)域分割的隨機Hough變換方法。其主要思想是根據(jù)輸電線在圖像中區(qū)域分布特點，將含有輸電線區(qū)域邊界進行標記并劃分出輸電線區(qū)域，并通過輸電線平行且成對出現(xiàn)的特征引入斜率判斷機制來減小虛假峰值檢測帶來的誤檢，從而改善輸電線檢測的速度和效果。

通過統(tǒng)計分析大量無人機航拍圖像，發(fā)現(xiàn)60%以上的航拍圖像有以下特點：①航拍圖像中輸電線的拓撲結構都是直線，并且穿過圖像；②輸電線都是互相平行，而且輸電線之間的距離都是固定的；③輸電線的寬度大約是1到2個像素點；④輸電線一般情況下都是成對出現(xiàn)的。根據(jù)以上描述的4個特點可以設計出相應的航拍圖像中輸電線簡化模型S。航拍圖像中輸電線符合上述4個特點即可適用該模型。如圖2所示，L1,L2,L3,L4分別為4根輸電線，輸電線之間的距離為d1,d2，abcd分別為輸電線區(qū)域邊界端點，輸電線區(qū)域S′即為abcd為頂點形成的四邊。

圖2　航拍圖像中輸電線的簡化模型S

接下來介紹輸電線區(qū)域劃分和模型生成過程：經(jīng)由Hessian預處理后的航拍圖像已經(jīng)檢測到圖像中包括輸電線目標在內的所有邊緣信息。因為輸電線在圖像中總是從圖像一端橫穿到另一端，所以從圖像邊界開始搜索，以邊界為搜索的起點。劃分輸電線區(qū)域有以下3個步驟：

(1)首先從上至下搜索，先垂直方向分塊，將整個圖像從左到右分成8塊，形成8個寬度相同像素條，如圖3所示，上邊界為起點垂直方向向下開始搜索。然后在這個像素條內搜索線段的邊緣信息，使用子線性算法[17]找到第一個最長的線狀物邊緣，即為L1的部分片段，然后繼續(xù)向下搜索，依次找到L2,L3,L4片段。線段之間最大間距為d2，最小間距為d1。尋找到L4片段后繼續(xù)搜索直到圖像下邊界，發(fā)現(xiàn)大于d2間距也就是虛線L6所在位置時就沒有線段片段存在。對虛線L6位置進行標記，即為第一個像素條內輸電線區(qū)域下邊界。

圖3　輸電線區(qū)域劃分時像素條分塊

(2)接著從下至上搜索，以下邊界為起點，沿著垂直方向向上開始搜索。第一個找到的為L4部分片段，依次找到L3,L2,L1片段。尋找到L1片段后繼續(xù)向上搜索直到圖像上邊界，同樣發(fā)現(xiàn)大于d2間距也就是虛線L5所在位置時就沒有線段片段存在。對虛線L5位置進行標記，即為第二個像素條內輸電線區(qū)域的上邊界。

(3)拼接全部像素條的輸電線區(qū)域上下邊界，即可得到abcd這4個頂點包圍的完整輸電線區(qū)域S′。

輸電線區(qū)域劃分后就可以得到d1,d2和輸電線區(qū)域面積相關參數(shù)值，從而構成符合該圖像的特定簡化模型。

區(qū)域分割系數(shù)

(3)

考慮一根輸電線由n個像素組成，對隨機取樣兩個像素的一次實驗中，在參數(shù)空間圖像中檢測到該輸電線的概率為Pc；

隨機Hough變換方法

(4)

本文改進方法

(5)

由于區(qū)域分割系數(shù)0

M次實驗后，檢測到輸電線的次數(shù)是二項分布中的變量ξ

(6)

則k0次實驗丟失該輸電線的概率為Pmiss

(7)

由于Pc增大，Pc(ξ=k)變小，所以Pmiss相對就變小了。

考慮一根誤檢的輸電線由m個像素構成，對隨機取樣兩個像素的一次實驗中，在參數(shù)空間圖像中檢測到該輸電線的概率為Pr；

隨機Hough變換方法

(8)

本文改進方法

(9)

M次實驗后，檢測到輸電線的次數(shù)是二項分布中的變量ξ

(10)

則k0次實驗誤檢該輸電線的概率為Pfalse

(11)

由于Pr增大，Pr(ξ=k)變小，所以Pfalse相對就變小了。

本文首先結合實踐情況構建出航拍輸電線簡化模型圖，通過模型圖描述確定輸電線區(qū)域邊界，限定輸電線區(qū)域。通過計算得出區(qū)域分割系數(shù)，將大量無關輸電線信息的背景噪音從航拍圖像中分離，從而將參數(shù)空間中遍歷像素的數(shù)量大大減少，提高了輸電線檢測速度，并降低了輸電線目標丟失和誤檢的概率，提高了輸電線目標檢測的概率。

2.3　輸電線檢測算法

本文使用改進的隨機Hough方法對航拍圖像進行處理后，雖然減少了非輸電線區(qū)域背景噪音帶來的干擾，但還是存在虛假峰值檢測的問題。

如果設定的閾值為88，如果有3個閾值大于88的累加單元，這3個累加單元將被檢測成3條輸電線從而造成誤檢現(xiàn)象。本文利用輸電線成對出現(xiàn)而且平行的特性，可以對檢測的直線進行斜率對比以及直線之間距離進行計算處理，淘汰不符合要求的輸電線，從而大大降低了因為虛假峰值檢測導致的輸電線誤檢。

取直線上任意兩點(xm,ym)和(xn,yn)，其中

(12)

任意兩條平行直線Ax+By+C1=0和Ax+By+C2=0，距離

(13)

輸電線檢測算法流程如下：

輸入：航拍圖像的二值圖像

輸出：輸電線被標記出來的二值圖像

步驟1建立圖像空間，參數(shù)空間；

步驟2確定輸電線區(qū)域邊界，計算出區(qū)域分割系數(shù)，劃分輸電線區(qū)域和無關區(qū)域；

步驟3將輸電線區(qū)域參數(shù)空間離散成一個累加器陣，將圖像中每個點映射到參數(shù)空間對應的累加器中；

步驟4檢測累加器陣局部最大值，得到對應參數(shù)，并通過預設閾值保留所有候選輸電線；

步驟5計算出所有候選輸電線的斜率，針對不同斜率值進行統(tǒng)計計數(shù)，保留計數(shù)最多的輸電線；

步驟6計算平行輸電線之間的相互距離，與圖2中4個數(shù)值中任何一個的方差小于0.01，則保留該輸電線。

3　實驗結果與分析

為了驗證本文提出的基于改進隨機Hough變換檢測航拍輸電線的圖像檢測效果和所需時間。實驗平臺為Win10操作系統(tǒng)下，Visual Studio 2012+OpenCV 2.4.13。本文選取3組無人機航拍圖像，首先用Canny算子邊緣檢測方法和Hessian方法分別對3組圖像進行預處理，然后采用標準Hough變換算法、隨機Hough變換算法和本文改進的隨機Hough變換方法，分別從檢測效果和所需時間進行了比較。

3.1　兩種方法預處理效果對比

本實驗采用了abc三組不同復雜背景下無人機航拍輸電線的圖像，圖像分辨率為620*810。分別使用Canny方法和Hessian方法作用于航拍圖像，其實驗效果如圖4所示。從圖4中3組整個效果上看，Canny方法檢測出大量背景邊緣線，部分輸電線被邊緣線覆蓋，影響檢測效果。

圖4　Canny方法和Hessian方法邊緣檢測效果

使用Hessian方法對實驗圖像進行增強，第一組和第三組都得到較好的邊緣點，第二組因為背景最為復雜和背景中田地的干擾，增強效果不如第一組和第三組。但是都對輸電線的線狀特征進行了增強，并對復雜的自然背景做了平滑處理，去除了部分森林樹木的干擾信息，有利于下一步算法檢測出圖像中的輸電線。

3.2　3種輸電線檢測算法檢測效果和性能對比

3組實驗圖像經(jīng)過Hessian方法預處理后，輸電線目標得到了一定程度的增強。在預處理的基礎上，對3組圖像分別使用標準Hough變換，隨機Hough變換，以及本文改進的隨機Hough變換方法，其實驗效果如圖5所示。

圖5　傳統(tǒng)方法和本文方法效果對比

圖5中，第一組中田地和樹木信息較多，傳統(tǒng)Hough變換進行輸電線檢測時檢測出大量背景噪音，尤其是輸電線目標與森林背景重合的地方出現(xiàn)輸電線邊緣部分模糊不清，隨機Hough變換雖然在一定程度上減少了輸電線附近田地帶來的噪音，但是依然會影響整體輸電線檢測效果，本文方法很好地過濾了輸電線附近的背景噪音，提取的輸電線線段連貫完整，整體檢測效果優(yōu)于標準Hough變換和隨機Hough變換。第二組中相對于第一組和第三組背景噪音最為復雜，不管是傳統(tǒng)Hough變換和隨機Hough變換，檢測出田地和小茅屋圓頂部分產(chǎn)生大量干擾信息，部分干擾信息與輸電線混雜在一起，嚴重影響了輸電線檢測效果，而且輸電線部分多處發(fā)生斷裂，本文方法中圓頂和田地信息被弱化從而抑制背景噪音，雖然輸電線目標清晰度有一定程度的減弱，但是輸電線目標依然清晰的被識別，檢測效果整體優(yōu)于標準Hough變換和隨機Hough變換。第三組中輸電線尾部被田地土壤信息干擾嚴重，標準Hough變換和隨機Hough變換檢測出的尾部和背景的田地土壤信息相互干擾導致邊緣信息不完整，無法很好識別輸電線，本文方法中輸電線尾部信息邊緣與田地土壤分離并弱化田地信息，雖然導致尾端檢測效果不如輸電線其它部分，但整體檢測效果依然優(yōu)于標準Hough變換和隨機Hough變換。

本實驗中采用的硬件平臺如下：CPU為i7-3520M，主頻2.9 GHZ，內存8 GB，以3種方法檢測直線所需時間來評估其性能，表1列舉了3種不同的方法在檢測輸電線的耗時以及檢測輸電線時的閾值。在閾值接近的情況下，a組中，本文方法檢測輸電線時間是標準Hough變換的35%，是隨機Hough變換的58%。b組中，本文方法檢測輸電線時間是標準Hough變換的38%，是隨機Hough變換的61%。c組中，本文方法檢測輸電線時間是標準Hough變換的34%，是隨機Hough變換的58%。這說明在背景復雜的航拍圖像中，本文提出的方法能夠有效地減少輸電線檢測所需時間，提高了輸電線檢測性能。

表1　輸電線檢測的3種方法實驗結果對比

4　結束語

針對傳統(tǒng)Hough變換方法檢測輸電線耗時太久，隨機Hough變換方法丟失和誤檢輸電線概率偏大的問題，提出一種基于區(qū)域分割的改進隨機Hough變換方法，通過區(qū)域分割系數(shù)將輸電線區(qū)域和非輸電線區(qū)域分割，減少背景噪音干擾，然后通過輸電線間距減少虛假峰值帶來的影響。實驗結果表明，所提出的方法適合無人機在野外森林植被復雜的自然環(huán)境下進行輸電線巡檢，不僅能夠更準確地檢測出航拍圖像中的輸電線，同時減少檢測時間，能夠快速有效地檢測出航拍圖像中的輸電線，具有一定的實用性。

參考文獻：

[1]QIN Qin,GUO Qiang,ZHOU Qinyong,et al.The security and stability of power grids in 13th five-year planning and countermeasures[J].Electric Power,2015,48(1):25-32(in Chinese).[覃琴,郭強,周勤勇,等.國網(wǎng)“十三五”規(guī)劃電網(wǎng)面臨的安全穩(wěn)定問題及對策[J].中國電力,2015,48(1):25-32.]

[2]TANG Mingwen,DAI Lihao,LIN Chaohui,et al.Application of unmanned aerial vehicle in inspecting transmission lines[J].Electric Power,2013,46(3):35-38(in Chinese).[湯明文,戴禮豪,林朝輝,等.無人機在電力線路巡視中的應用[J].中國電力,2013,46(3):35-38.]

[3]PENG Xiangyang,CHEN Chi,RAO Zhangquan,et al.Safety inspection and intelligent diagnosis of transmission line based on unmanned helicopter of multi sensor data acquisition[J].High Voltage Engineering,2015,41(1):159-166(in Chinese).[彭向陽,陳馳,饒章權,等.基于無人機多傳感器數(shù)據(jù)采集的電力線路安全巡檢及智能診斷[J].高電壓技術,2015,41(1):159-166.]

[4]DENG Rongjun,WANG Bin,XIONG Dian,et al.A path planning for power transmission lines inspection with unmanned aerial vehicle based on genetic-pattern searching algorithm[J].Computer Measurement & Control,2015,23(4):1299-1301(in Chinese).[鄧榮軍,王斌,熊典,等.基于遺傳算法的輸電線路無人機巡檢路徑規(guī)劃[J].計算機測量與控制,2015,23(4):1299-1301.]

[5]YANG Chengshun,YANG Zhong,GE Le,et al.Transmission line intelligent inspection system based on multi-rotor unmanned aerial vehicle[J].Journal of University of Jinan(Scie-nce and Technology),2013,27(4):358-362(in Chinese).[楊成順,楊忠,葛樂,等.基于多旋翼無人機的輸電線路智能巡檢系統(tǒng)[J].濟南大學學報(自然科學版),2013,27(4):358-362.]

[6]ZHAO Lipo,FAN Huijie,ZHU Linlin,et al.Research on real-time detection and recognition algorithm of high-voltage transmission line for inspection with unmanned aerial vehicle[J].Journal of Chinese Computer Systems,2012,33(4):882-886(in Chinese).[趙利坡,范慧杰,朱琳琳,等.面向巡線無人機高壓線實時檢測與識別算法[J].小型微型計算機系統(tǒng),2012,33(4):882-886.]

[7]CAO Weiran,ZHU Linlin,HAN Jianda.An iterable multidirectional autocorrelation approach for aerial power line image enhancement[J].Robot,2015,37(6):738-747(in Chinese).[曹蔚然,朱琳琳,韓建達.一種可迭代基于多向自相關的航拍電力線圖像增強方法[J].機器人,2015,37(6):738-747.]

[8]HUANG Dongfang,HU Guiming,ZHOU Yang.Extraction and recognition of transmission line based on an improved Hough transform[J].Computing Technology and Automation,2016,35(3):50-53(in Chinese).[黃東芳,胡桂明,周楊.基于一種改進的Hough變換的輸電線提取與識別[J].計算技術與自動化,2016,35(3):50-53.]

[9]XU Hongke,QIN Yanyan,CHEN Huiru.An improved algorithm for edge detection based on Canny[J].Infrared Techno-logy,2014,36(3):210-214(in Chinese).[許宏科,秦嚴嚴,陳會茹.一種基于改進Canny的邊緣檢測算法[J].紅外技術,2014,36(3):210-214.]

[10]LIU Qingmin,ZHANG Lei,LI Xue.Chip image edge detection based on improved Canny algorithm[J].Computer Engineering and Design,2016,37(11):3063-3067(in Chinese).[劉慶民,張蕾,李雪.基于改進Canny的芯片圖像邊緣檢測算法[J].計算機工程與設計,2016,37(11):3063-3067.]

[11]Zhang Z,Su X,Ding L,et al.Multi-scale image segmentation of coal piles on a belt based on the Hessian matrix[J].Particuology,2013,11(5):549-555.

[12]Lefkimmiatis S,Bourquard A,Unser M.Hessian-based norm regularization for image restoration with biomedical applications[J].IEEE Trans Image Process,2012,21(3):983-995.

[13]Baker L,Mills S,Langlotz T,et al.Power line detection using Hough transform and line tracing techniques[C]//International Conference on Image and Vision Computing.New Zealand:IEEE,2017.

[14]Mukhopadhyay P,Chaudhuri BB.A survey of Hough transform[J].Pattern Recognition,2015,48(3):993-1010.

[15]QIAO Yinqi,XIAO Jianhua,HUANG Yinhe,et al.Randomized Hough transform straight line detection based on least square correction[J].Journal of Computer Applications,2015,35(11):3312-3315(in Chinese).[喬寅騏,肖健華,黃銀和,等.基于最小二乘修正的隨機Hough變換直線檢測[J].計算機應用,2015,35(11):3312-3315.]

[16]CAO Weiran,ZHU Linlin,HAN Jianda.Fast line detection method applied in UAV high voltage line inspection[J].Application Research of Computers,2014,31(10):3196-3200(in Chinese).[曹蔚然,朱琳琳,韓建達.面向旋翼無人機的高壓輸電線在線檢測方法[J].計算機應用研究,2014,31(10):3196-3200.]

[17]Horev I,Nadler B,Arias-Castro E,et al.Detection of long edges on a computational budget:A sublinear approach[J].Siam Journal on Imaging Sciences,2015,8(1):458-483.