同塔雙回特高壓輸電線路紅外圖像檢測(cè)研究

裴慧坤，楊 興，侯立群

(1.深圳供電局有限公司,廣東 深圳 518000;2.東北電力大學(xué)建筑工程學(xué)院,吉林 吉林 132012)

0 引 言

伴隨著社會(huì)經(jīng)濟(jì)的發(fā)展，社會(huì)對(duì)于用電需求持續(xù)擴(kuò)大。因此不斷提高電壓等級(jí)，很大程度的提升系統(tǒng)輸送潮流功率，由于同塔雙回線路具有運(yùn)維簡(jiǎn)單、經(jīng)濟(jì)價(jià)值較高、節(jié)省輸電走廊等特點(diǎn)，因此所表現(xiàn)出來(lái)的優(yōu)勢(shì)明顯，逐步變成重要的電力傳輸方式[1]。但是該線路的導(dǎo)線之間存在耦合系數(shù)很大的問題，導(dǎo)線與大地、導(dǎo)線之間都有著很強(qiáng)的靜電耦合以及電磁耦合，以此該設(shè)備在架設(shè)方面存在困難[2]。同塔雙回特高壓輸電線路已然成為國(guó)家電力系統(tǒng)的重要組成部分，其安全穩(wěn)定運(yùn)行與否會(huì)對(duì)國(guó)家電力系統(tǒng)安全產(chǎn)生直接影響，該線路與主要交通干線相背離，經(jīng)過(guò)的地理環(huán)境結(jié)構(gòu)復(fù)雜，在長(zhǎng)期運(yùn)行中輸電線路易容易受到人為破壞和自然災(zāi)害損傷[3-4]。為此，應(yīng)時(shí)刻關(guān)注同塔雙回特高壓輸電線路運(yùn)行狀況，及時(shí)檢測(cè)線路故障，確保同塔雙回特高壓輸電線路穩(wěn)定、安全運(yùn)行。

由于上述因素，使用無(wú)人機(jī)以及紅外檢測(cè)儀對(duì)對(duì)輸電線路進(jìn)行巡檢已然成為未來(lái)智能巡檢趨勢(shì)。之所以利用使用紅外檢測(cè)，是因?yàn)槠鋼碛芯哂胁煌ｋ?、遠(yuǎn)距離以及不接觸等優(yōu)勢(shì)，能對(duì)很多種的電力設(shè)備進(jìn)行檢驗(yàn)，為線路巡檢提供了新思路[5]。所以，可以利用該設(shè)備巡檢輸電線路，此種巡檢方式會(huì)有多種紅外圖像以及視頻數(shù)據(jù)產(chǎn)生，從反饋回來(lái)的圖像可以對(duì)輸電線路進(jìn)行檢測(cè)，因此，檢測(cè)同塔雙回特高壓輸電線路紅外圖像成為關(guān)鍵。

紅外圖像檢測(cè)技術(shù)是一項(xiàng)使用范圍極大的技術(shù)手段。因?yàn)楸尘靶畔⒑芏啵軌颢@取部分輸電線圖像，會(huì)受其干擾，影響對(duì)輸電線的定位及提取，圖像檢測(cè)效果不佳[6-7]。通過(guò)翻閱大量資料，對(duì)以往的研究經(jīng)驗(yàn)進(jìn)行研究，以紅外成像特點(diǎn)為基礎(chǔ)，結(jié)合實(shí)際案例，本文提出一種同塔雙回特高壓輸電線路紅外圖像檢測(cè)方法，主要分為紅外圖像預(yù)處理與分割、紅外圖像特征提取、紅外圖像檢測(cè)三部分，為處理同塔雙回特高壓輸電線路紅外圖像提供有效手段。

1 同塔雙回特高壓輸電線路紅外圖像預(yù)處理與分割

1.1 紅外圖像增強(qiáng)預(yù)處理

利用變換函數(shù)，將圖像中所給定的灰度級(jí)進(jìn)行映射操作，把灰度區(qū)間及感興趣的目標(biāo)突出顯示[8]。

圖1 分段線性灰度變換

其的數(shù)學(xué)表達(dá)式為：

(1)

上述公式中，原來(lái)的紅外圖像灰度用f(x,y)表示，分段線性灰度變換后的用g(x,y)表示，a、b是像素節(jié)點(diǎn)，紅外圖像的分段節(jié)點(diǎn)在通過(guò)灰度變換后用c、d表示，原圖像和灰度變換后圖像的像素灰度最大分別為Mf、Mg。

在上述紅外圖像增強(qiáng)預(yù)處理結(jié)果基礎(chǔ)上，對(duì)紅外圖像進(jìn)行去噪處理，由于紅外圖像主要存在高斯噪聲，采用高斯去噪方法。在此基礎(chǔ)上，進(jìn)而完成同塔雙回特高壓輸電線路的紅外圖像預(yù)處理。

1.2 紅外圖像分割

在預(yù)處理完成的紅外圖像基礎(chǔ)上，本文以尺度不變特征變換(Scale Invariant Feature Transform, SIFT)為基礎(chǔ)，對(duì)紅外圖像進(jìn)行特征提取并匹配，利用紅外圖像的幀間差分，對(duì)兩幅圖像的重合部分進(jìn)行識(shí)別獲取[9,10]，得出輸電線路分割結(jié)果。

1.2.1 SIFT算法原理

本文采取基于SIFT的圖像配準(zhǔn)算法，以此獲得圖像的局部性特征。該算法在尺度空間之內(nèi)對(duì)極值點(diǎn)進(jìn)行查找，主要是為了獲得極值點(diǎn)的旋轉(zhuǎn)不變量、位置以及尺度。在高斯差分(Difference of Gaussian，DoG)空間內(nèi)對(duì)極值點(diǎn)的尺度進(jìn)行檢測(cè)，方法如下：

(2)

公式(2)屬于高斯核函數(shù)，利用該函數(shù)改變?cè)紙D像的尺度，最后獲取高斯空間。高斯核卷積紅與外二維圖像得到公式(3)：

L(x,y,σ)=G(x,y,σ)*I(x,y)

(3)

根據(jù)公式對(duì)不同尺度下紅外圖像的高斯空間進(jìn)行獲取，其中，圖像的尺度空間用L(x,y,σ)表示。對(duì)相鄰兩尺度空函數(shù)進(jìn)行相減操作，之后獲得DoG空間，以D(x,y,σ)表達(dá)，采用公式(4)計(jì)算：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*

I(x,y)=L(x,y,kσ)-L(x,y,σ)

(4)

為檢測(cè)到DOG函數(shù)的極值點(diǎn)，就必須要進(jìn)行比較操作，比較的對(duì)象為尺度空間的所有相鄰像素、空間中每一個(gè)像素點(diǎn)和其周圍所有像素，保證在所有空間內(nèi)這些點(diǎn)都屬于極值點(diǎn)。

利用上述方法獲取極值點(diǎn)，該極值點(diǎn)都具有離散性。為精確找到的特征點(diǎn)位置及尺度，需要進(jìn)行下一步操作，對(duì)已獲得的極值點(diǎn)進(jìn)行插值操作，最后獲取連續(xù)空間極值點(diǎn)[11]。尺度空間函數(shù)D(x,y,σ)在(x0,y0,σ)處的表示如下：

(5)

公式中，DT是D的轉(zhuǎn)置矩陣，如公式(6)所示：

(6)

對(duì)公式(5)求導(dǎo)，使得導(dǎo)函數(shù)為0，得：

(7)

在橫向邊緣有時(shí)DOG函數(shù)的極值會(huì)有很大的主曲率產(chǎn)生，而在縱向邊緣時(shí)，發(fā)生的幾率很小，因而就會(huì)有邊緣效應(yīng)產(chǎn)生，最后獲取特征點(diǎn)具有不穩(wěn)定性[12]。如果想要較為穩(wěn)定的特征點(diǎn)，就必須要對(duì)不穩(wěn)定的特征點(diǎn)進(jìn)行剔除操作。其主曲率能夠利用 Hessian 矩陣的特征點(diǎn)獲得：

(8)

tr(H)=Dxx+Dyy=α+β

(9)

Det(H)=DxxDyy-(Dxy)2=αβ

(10)

因?yàn)镠矩陣的特征值與主曲率D成正比，根據(jù)公式(9)和公式(10)，將其比值比例ratio用公式(11)表示：

(11)

為了讓特征點(diǎn)既有旋轉(zhuǎn)不變性特征，DoG空間中內(nèi)，采集的紅外圖像像素的方向以及梯度的分布特點(diǎn)是：

m(x,y)=

(12)

(13)

梯度模值利用公式(10)表述，梯度方向以公式(11)表述。在一圓周內(nèi)，以10°對(duì)一個(gè)方向柱進(jìn)行劃分，在直方圖中，峰值表示該點(diǎn)的主方向。由此，就使SIFT特征向量具有穩(wěn)定性。

1.2.2 紅外圖像幀間差分

本文的紅外圖像除了包含輸電線信息，還含有大量背景信息，如果想要將得到的紅外圖像中準(zhǔn)確分離其中的輸電線，如均值漂移等一般分割方法不僅僅是計(jì)算量大，而且算法較為復(fù)雜，分割效果并不理想[13]。本文采取措施解決目標(biāo)難以分割的問題，盡力消除背景信息，在圖像處理之中，對(duì)背景進(jìn)行減除屬于基本操作。利用上述方法，獲得消除背景之后的圖像，其消除取得很好的效果[14]。經(jīng)過(guò)拼接操作之后，會(huì)得到兩幅圖像重合的部分，之后拆分重合的部分，完成背景信息消除工作。

對(duì)重合部分進(jìn)行減除，其表達(dá)式dij(x,y)為：

(14)

公式中，圖像獲取時(shí)間分別為ti和tj，Th為像素閾值；f(x,y,ti)、f(x,y,tj)分別為ti、tj時(shí)間在像素點(diǎn)(x,y)處的灰度值。

1.3 同塔雙回特高壓輸電線路元件區(qū)域紅外圖像特征提取

在上述分割完成圖像基礎(chǔ)上提取線路元件區(qū)域。以線性檢測(cè)算子(Line Segment Detection, LSD)算法為基礎(chǔ)，獲取圖像線段，之后將線段連接起來(lái)，進(jìn)過(guò)一系列的判斷以及篩選，最后得到圖像之中的導(dǎo)線組。因此，兩組導(dǎo)線的重合部分以及一組導(dǎo)線的端點(diǎn)范圍就會(huì)被認(rèn)成線路元件區(qū)域。該算法主要用于直線檢測(cè)分割，在線性時(shí)間之內(nèi)，它能夠通過(guò)計(jì)算獲得圖像精度。其算法流程如下：

(1)利用高斯算法，對(duì)輸入的紅外圖像進(jìn)行采樣工作；

(2)獲得各個(gè)點(diǎn)的梯度值與方向；

(3)通過(guò)排序所有獲得的點(diǎn)，并構(gòu)建狀態(tài)列表；

(4)剔除狀態(tài)表中梯度值小于ρ(ρ=2/sinτ)的點(diǎn)；

(5)將所構(gòu)建的列表中找出偽排列的第一個(gè)點(diǎn)，也就是梯度值最大的點(diǎn)，將此作為種子點(diǎn)，將該點(diǎn)的梯度角作為初始區(qū)域角度，將范圍設(shè)定在[-τ,τ]內(nèi)，搜索范圍內(nèi)周圍方向的閾值點(diǎn)，不間斷的更新的角度，以此得到區(qū)域R；

(6)得出上述矩形的虛警數(shù)量，如果比設(shè)定的閾值小，于是直接把此區(qū)域輸出，否則就對(duì)區(qū)域R進(jìn)行判定，認(rèn)定此區(qū)域無(wú)效。

根據(jù)檢測(cè)到的直線段，選取角度的范圍設(shè)定在(-π/4,π/4)內(nèi)，以該線段的位置、間距以及斜率為基礎(chǔ)，對(duì)圖像中的導(dǎo)線進(jìn)行以下操作。

(1)導(dǎo)線連接：連接符合條件的任意兩線段L1和L2。

①L1和L2的角度差小π/24；

②L1和L2中最小長(zhǎng)度比L1和L2的近鄰點(diǎn)距離的一半還要小。

(2)導(dǎo)線篩選：以獲得的線段集為基礎(chǔ)，在每一個(gè)類別中選擇最長(zhǎng)線段，如果所得線段寬度比紅外圖像寬度的四分之一大，處在該類別中的線段都會(huì)被認(rèn)為是導(dǎo)線。

1.4 同塔雙回特高壓輸電線紅外圖像目標(biāo)檢測(cè)

同塔雙回特高壓輸電線紅外圖像目標(biāo)檢測(cè)本質(zhì)為對(duì)背景與對(duì)象之間的交界線進(jìn)行提取。根據(jù)原始圖像進(jìn)行檢測(cè)屬于經(jīng)典的邊緣檢測(cè)算子，在像素鄰域內(nèi)觀察每一個(gè)的像素的灰度變化，根據(jù)二階或者一階導(dǎo)線檢測(cè)邊緣[17]。常用的檢測(cè)算子較多，文章采用性能較優(yōu)的Roberts檢測(cè)算子檢測(cè)同塔雙回特高壓輸電線紅外圖像目標(biāo)。

Roberts算子根據(jù)局部差分，以此來(lái)尋找邊緣算子，定義Roberts算子為：

Δxf=f(x,y)-f(x+1,y+1)

(15)

Δyf=f(x,y+1)-f(x+1,y)

(16)

該算子的梯度幅值可表示為：

(17)

Roberts算子在對(duì)角線方向利用相鄰兩個(gè)像素差值的近似梯度值來(lái)對(duì)圖像目標(biāo)的邊緣進(jìn)行檢測(cè)。上述算法垂直目標(biāo)的效果以及檢測(cè)水平明顯比斜向目標(biāo)更優(yōu)，定位精確度高，敏感度好。通過(guò)邊緣檢測(cè)，獲取紅外圖像邊緣輪廓的草圖，以此獲得完整的邊緣輪廓，更需要對(duì)獲得的邊緣輪廓草圖進(jìn)行連接以及跟蹤，最后將邊緣草圖組成事件。

中邊緣跟蹤就是以一個(gè)邊緣點(diǎn)為出發(fā)點(diǎn)，先對(duì)邊緣點(diǎn)進(jìn)行搜索，進(jìn)而進(jìn)行連接，因此逐漸對(duì)所有邊緣進(jìn)行檢測(cè)的方法。其步驟為：(1)將計(jì)算獲得的梯度進(jìn)行搜索，尋找邊緣跟蹤的開始點(diǎn)，對(duì)其的具體要求就是梯度要大于某一閾值A(chǔ)。(2)在設(shè)定范圍內(nèi)查找點(diǎn)A的最大梯度值，將找到的點(diǎn)作為邊緣，并且將該點(diǎn)當(dāng)作是下次進(jìn)行搜索的起始位置。(3)以梯度最大值為搜索標(biāo)準(zhǔn)，直至在設(shè)定范圍之內(nèi)搜索到某一個(gè)點(diǎn)的最大梯度值小于某一閾值B，或是搜索點(diǎn)處在邊緣位置，才會(huì)完成一次搜索工作。對(duì)以上步驟進(jìn)行重復(fù)，在梯度圖中對(duì)于梯度大于閾值A(chǔ)的點(diǎn)進(jìn)行再次搜索，最終獲取的邊緣點(diǎn)則是總體紅外圖像的邊緣，實(shí)現(xiàn)紅外圖像邊緣的準(zhǔn)確檢測(cè)。

2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文所提方法的有效性，對(duì)采集到的同塔雙回特高壓輸電線路紅外圖像展開目標(biāo)檢測(cè)實(shí)驗(yàn)。

2.1 同塔雙回特高壓輸電線路紅外圖像檢測(cè)結(jié)果分析

為突出本文方法的優(yōu)勢(shì)，引用Sobel算子、Prewitt算子、Laplace算子展開對(duì)比測(cè)試。采用包括本文方法在內(nèi)的4種邊緣檢測(cè)算子檢測(cè)同塔雙回特高壓輸電線路紅外圖像。

分析圖2可以看出，采用本文方法連接圖像輪廓邊緣后，同塔雙回特高壓輸電線路紅外圖像邊緣輪廓連接無(wú)損，不存在間斷。

圖2 測(cè)試操作員測(cè)試結(jié)果的比較

2.2 同塔雙回特高壓輸電線路紅外圖像檢測(cè)精確度分析

為突出本文方法檢測(cè)同塔雙回特高壓輸電線路紅外圖像目標(biāo)的優(yōu)勢(shì)，采用基于序列小目標(biāo)的紅外圖像檢測(cè)方法以及基于形態(tài)濾波的紅外圖像檢測(cè)方法展開對(duì)比實(shí)驗(yàn)。從同塔雙回特高壓輸電線路紅外圖像庫(kù)中選取100幅符合要求的紅外圖像，平均分成10組，采用三種方法識(shí)別圖像中的目標(biāo)，計(jì)算三種方法在每組圖像中的檢測(cè)精確度均值，制成表格如表1所示。分析該表得到，本文方法的檢測(cè)精確度均值為98.2%，高于其它方法，并且本文方法在10組圖像中的檢測(cè)精確度都在97.3%～99.2%之間波動(dòng)，具有較低的變化幅度，穩(wěn)定性高。

表1 不同檢測(cè)精度方法的比較

分析表1能夠看出，本文方法的檢測(cè)精確度均值為98.2%，相比基于序列小目標(biāo)的紅外圖像檢測(cè)方法以及基于形態(tài)濾波的紅外圖像檢測(cè)方法高13.6%、22.7%，突出了本文方法檢測(cè)同塔雙回特高壓輸電線路紅外圖像目標(biāo)精確度高的優(yōu)勢(shì)。另外，本文方法在10組圖像中的檢測(cè)精確度在97.3%～99.2%之間，波動(dòng)較小，穩(wěn)定性較強(qiáng)；基于序列小目標(biāo)的紅外圖像檢測(cè)方法的檢測(cè)精確度在80.1%～89.3%之間，相對(duì)本文方法而言，波動(dòng)較大，穩(wěn)定性稍弱；基于形態(tài)濾波的紅外圖像檢測(cè)方法的檢測(cè)精確度在65.5%～88.6%之間，最大值與最值差高達(dá)23.1%，由此驗(yàn)證該方法的檢測(cè)精確度波動(dòng)較大，穩(wěn)定性差。對(duì)比三種方法的實(shí)驗(yàn)結(jié)果可知，本文方法具有檢測(cè)精確度高、穩(wěn)定性強(qiáng)的優(yōu)勢(shì)，可有效用于同塔雙回特高壓輸電線路紅外圖像檢測(cè)。

3 結(jié) 語(yǔ)

本文方法采用分段灰度線性變換方法增強(qiáng)圖像并去除圖像噪聲，獲取紅外圖像分割結(jié)果；以LSD線段檢測(cè)法為基礎(chǔ)，進(jìn)而對(duì)紅外圖像導(dǎo)線進(jìn)行提取，完成線路元件區(qū)域特征提取；選擇Roberts算子對(duì)圖像目標(biāo)進(jìn)行檢測(cè)，以目標(biāo)圖像的不連續(xù)邊緣進(jìn)行連接為基礎(chǔ)，獲取連續(xù)清晰的圖像邊緣。高壓輸電線路的紅外圖像目標(biāo)提供技術(shù)支持。經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，本文方法在同塔雙回特高壓輸電線路紅外圖像檢測(cè)方面精確度較高，精確度均值高達(dá)98.2%，但同時(shí)存在缺點(diǎn)，目前本文方法不能對(duì)所有輸電線進(jìn)行分割定位，有待改進(jìn)，以便更好地用于同塔雙回特高壓輸電線路紅外圖像檢測(cè)領(lǐng)域。