一種基于改進(jìn)K均值聚類的輸電線路覆冰狀態(tài)偵測方法

翁秉鈞 楊耿杰 高 偉 鄭為湊

（1. 福州大學(xué)電氣工程與自動化學(xué)院，福州 350108；2. 國網(wǎng)福建省電力有限公司寧德供電公司，福建 寧德 352100）

0 引言

輸電線路覆冰是一種自然現(xiàn)象，常發(fā)生于冬季。自1954年首次記錄到電網(wǎng)覆冰事件以來，因覆冰引發(fā)的冰雪災(zāi)害事故對電力系統(tǒng)穩(wěn)定運(yùn)行造成了巨大的沖擊并給人民正常生產(chǎn)生活帶來了嚴(yán)重影響。覆冰導(dǎo)致電氣設(shè)備的絕緣性能顯著下降，一旦超出設(shè)計(jì)的抗冰能力，就可能引起線路過載、斷線、閃絡(luò)跳閘等事故。若未能及時處理線路上的積雪與覆冰，當(dāng)覆冰掉落時，輸電線將發(fā)生舞動，嚴(yán)重時可能導(dǎo)致桿塔變形、折斷、倒塌，使當(dāng)?shù)仉娏?yīng)完全癱瘓，造成大范圍停電事故[1-3]。

歷史數(shù)據(jù)表明，冰災(zāi)事故對電力系統(tǒng)運(yùn)行有極大影響：2008年，我國南方冰災(zāi)導(dǎo)致36 000多條10kV及以上線路因故障停運(yùn)，超過2 000座35kV及以上變電站無法正常工作[4]；2009年底至2010年初，我國北方多省發(fā)生大面積線路覆冰，53條500kV線路，97條220kV線路及44條110kV線路因覆冰發(fā)生舞動現(xiàn)象，并引起多條線路故障，嚴(yán)重威脅電網(wǎng)正常運(yùn)行[5]。

由于覆冰對電網(wǎng)穩(wěn)定運(yùn)行的嚴(yán)重影響，有必要對線路的覆冰狀態(tài)進(jìn)行偵測，確保及時發(fā)現(xiàn)覆冰并采取應(yīng)對措施。許多高校與科研機(jī)構(gòu)已在此方面開展研究。早期的覆冰偵測主要采用人工觀冰的方式，由運(yùn)維人員在觀冰站使用稱重法模擬導(dǎo)線覆冰后質(zhì)量的變化情況，并根據(jù)公式反推冰層厚度，從而判斷此時線路的覆冰狀態(tài)[6]。但該方法受制于精度與安全性，正逐漸被其他方法取代[7]。

為解決人工觀冰法的缺陷，通過監(jiān)測終端采集現(xiàn)場參數(shù)，經(jīng)由通信網(wǎng)絡(luò)傳回監(jiān)控中心進(jìn)行分析的系統(tǒng)監(jiān)測法應(yīng)運(yùn)而生[8]。目前主流的系統(tǒng)監(jiān)測方法根據(jù)目標(biāo)對象不同，劃分為物理方法與圖像處理方法兩大類。物理方法主要通過機(jī)械傳感器測量各物理參量，并構(gòu)建力學(xué)模型進(jìn)行綜合判斷，如考慮垂直比載變化特性的線路覆冰狀態(tài)力學(xué)分析模型[9]，結(jié)合風(fēng)載荷及不均勻冰校正系數(shù)的改進(jìn)力學(xué)模型[10]，導(dǎo)入風(fēng)偏因素的改進(jìn)力學(xué)模型[11]等。基于物理參量與力學(xué)模型的偵測方法具有速度快、精度高的優(yōu)點(diǎn)，但也存在模型結(jié)構(gòu)復(fù)雜、傳感器價格昂貴且易受環(huán)境干擾的缺陷。

圖像處理方法需要通過攝像機(jī)采集輸電線路圖像，再結(jié)合機(jī)器視覺與機(jī)器學(xué)習(xí)算法分析線路覆冰狀態(tài)。比如在桿塔上安裝四目攝像機(jī)拍攝圖像，并采用基于三維即時成像立體視覺技術(shù)實(shí)現(xiàn)覆冰厚度測量[12]；華南理工大學(xué)郝艷捧[13]等通過3階B樣條函數(shù)結(jié)合Hough變換識別覆冰導(dǎo)線；此外，也有采用無人機(jī)搭載攝像機(jī)航拍線路圖像后通過算法計(jì)算冰層厚度的方案[14]。以上方法均能夠偵測線路覆冰狀態(tài)，但文獻(xiàn)[12]中的多目攝像機(jī)安裝難度大，且在桿塔上使用易受大風(fēng)影響而振動，影響辨識精度；文獻(xiàn)[13]中使用單目攝像機(jī)獲取圖像，受環(huán)境影響不大，但該方法計(jì)算過程復(fù)雜，實(shí)時性不足；文獻(xiàn)[14]中采用無人機(jī)巡航的方案，嚴(yán)重受制于冰災(zāi)環(huán)境的惡劣天氣，無法正常工作。

綜上所述，現(xiàn)有的輸電線路覆冰偵測方法各有不足，在綜合分析各方法優(yōu)缺點(diǎn)后，本文提出一種基于改進(jìn)K均值聚類的輸電線路覆冰狀態(tài)偵測方法。該方法通過機(jī)器視覺算法處理單目攝像機(jī)拍攝的圖像，從而實(shí)現(xiàn)輸電線路覆冰狀態(tài)辨識?，F(xiàn)場與實(shí)驗(yàn)環(huán)境測試結(jié)果表明，所提方法能準(zhǔn)確定位圖像中的輸電線路，并在此基礎(chǔ)上判斷其覆冰狀態(tài)，且具備較高的辨識精度，滿足工程實(shí)際需求，可輔助電力部門及時發(fā)現(xiàn)潛在的冰雪災(zāi)害風(fēng)險(xiǎn)，具有較高的實(shí)用價值。

1 基于改進(jìn)K均值聚類的輸電線路覆冰狀態(tài)辨識方法

為實(shí)現(xiàn)輸電線路覆冰狀態(tài)偵測，本文提出一種基于改進(jìn)K均值聚類的線路覆冰狀態(tài)辨識方法。該方法的應(yīng)用對象為單目攝像機(jī)拍攝的輸電線路圖像，并通過機(jī)器視覺與機(jī)器學(xué)習(xí)算法對圖像進(jìn)行處理，從而確定線路當(dāng)前覆冰程度。方法主要分為三步：圖像預(yù)處理、導(dǎo)線邊緣定位、覆冰狀態(tài)分析。整體方法流程如圖1所示。

圖1 整體方法流程

1.1 圖像預(yù)處理

經(jīng)由單目攝像機(jī)獲取線路圖像后，首先通過機(jī)器視覺方法進(jìn)行預(yù)處理。預(yù)處理的主要目的是去除圖像噪聲及背景干擾，提高圖像前景（線路）的像素強(qiáng)度，同時降低圖像維度，便于后續(xù)處理。

預(yù)處理分為以下幾步：

1）圖像濾波

輸電線路圖像中主要的噪聲類型為高斯噪聲與脈沖噪聲，分別通過滿足式（1）的高斯核與滿足式（2）的中值濾波核卷積圖像后去除，從而初步完成去噪工作。

式中：x、y為像素點(diǎn)的橫、縱坐標(biāo)；σ為高斯分布的標(biāo)準(zhǔn)差；G(x,y)為卷積后像素點(diǎn)的值。

式中，f為與待測點(diǎn)相鄰的像素點(diǎn)的像素值。

2）形態(tài)學(xué)操作

經(jīng)濾波初步去噪后，圖像中仍有部分以白色斑點(diǎn)或黑色空洞形式存在的噪聲，分別通過式（3）的形態(tài)學(xué)開操作與式（4）的形態(tài)學(xué)閉操作去除。

式中：P為待處理的圖像；Q為結(jié)構(gòu)元素；?為腐蝕操作；⊕為膨脹操作。

3）灰度化

攝像機(jī)采集的圖像包含RGB（red green blue）三通道，算法需要分別處理三個通道，存在大量重復(fù)操作，效率低下。因此，對圖像進(jìn)行灰度化處理，通過式（5）加權(quán)平均圖像三個通道的像素值Gray，將其降維為單通道灰度圖，降低后續(xù)算法的運(yùn)算量。

式中，R、B、G分別為紅色、藍(lán)色和綠色通道中像素點(diǎn)的像素值。

原始圖像與預(yù)處理后的圖像如圖2所示。對比原始圖像，預(yù)處理后的圖像中噪聲顯著減少。同時，弱化了背景中部分尖銳的特征，增強(qiáng)了導(dǎo)線特征信息。

圖2 預(yù)處理前后圖像

1.2 邊緣定位

應(yīng)用機(jī)器視覺與機(jī)器學(xué)習(xí)算法對預(yù)處理后的輸電線路圖像進(jìn)行導(dǎo)線邊緣定位，由直線段檢測（line segment detector, LSD）、直線段分類與擬合兩個步驟構(gòu)成。

1）直線段檢測

本文在查閱大量圖像數(shù)據(jù)后，總結(jié)得出輸電線路導(dǎo)線在圖像中具有以近似直線的形態(tài)橫跨圖像的特點(diǎn)?；诖?，通過檢測圖像中存在的直線段的方式確定導(dǎo)線位置。

直線段檢測是一種直線檢測算法，用于尋找圖像中近似于直線的邊緣。算法首先將預(yù)處理后圖像的長度與寬度均壓縮至原始尺寸的80%（即壓縮圖像至原分辨率的64%），以弱化像素點(diǎn)構(gòu)成直線段時的鋸齒效應(yīng)。將縮小后的圖像分別與圖3中的兩個卷積核進(jìn)行卷積操作，得到x、y兩個方向的梯度Gx與Gy。再由式（6）計(jì)算出梯度幅值Ga后開始搜索圖像的邊緣點(diǎn)。

圖3 不同方向的卷積核

考慮到邊緣通常分布在高梯度幅值的像素點(diǎn)附近，且具有較高梯度幅值的像素點(diǎn)通常位于圖像邊緣中間位置，故采用以高梯度幅值像素點(diǎn)為起始點(diǎn)開始搜索邊緣點(diǎn)的思路是合理的。因此，需要先對梯度幅值進(jìn)行排序，找到具有高梯度幅值的像素點(diǎn)。排序后，選擇一個具有高梯度幅值且邊緣屬性未知的像素點(diǎn)作為種子點(diǎn)，采用區(qū)域生長法[15]遍歷周圍的像素點(diǎn)，直至遇到非邊緣點(diǎn)時終止搜索。由于圖像中存在大量待搜索的像素點(diǎn)，完全遍歷所有像素點(diǎn)的方法效率低下?；谳^小梯度幅值的像素點(diǎn)所在區(qū)域出現(xiàn)邊緣點(diǎn)的概率較低這一判斷，設(shè)置一個閾值t，僅搜索梯度幅值高于t的像素點(diǎn)，其他點(diǎn)均判定為非邊緣。這種處理方式可能忽略了部分邊緣點(diǎn)，但顯著提高了整體算法的效率，綜合來看，對算法是有益的。至此，已找到圖像中所有邊緣點(diǎn)，進(jìn)一步，對各區(qū)域內(nèi)的邊緣點(diǎn)進(jìn)行矩形估計(jì)[16]，尋找其最小外接矩形，判斷其是否構(gòu)成直線段。

2）直線段分類與擬合

通過直線段檢測獲取的導(dǎo)線邊緣直線段，能夠大致確定導(dǎo)線的邊緣位置?？紤]到圖像中可能同時存在多根導(dǎo)線，各直線段來源于哪一根導(dǎo)線的哪一側(cè)邊緣尚不確定，還需進(jìn)一步分類以確定其歸屬。由于直線段沒有明顯的特征，無法設(shè)定標(biāo)簽進(jìn)行分類，但其類別數(shù)量為導(dǎo)線數(shù)量的2倍，故可通過聚類方法確定其來源。為兼顧整體方法的效率，本文選擇機(jī)器學(xué)習(xí)算法K均值聚類處理直線段。傳統(tǒng)K均值聚類算法的處理對象為點(diǎn)（含有兩個參數(shù)），而直線段需要由一對點(diǎn)（含有四個參數(shù)）來表示，故本文對K均值聚類算法進(jìn)行改進(jìn)，在繼承算法簡單高效優(yōu)點(diǎn)的同時使之能夠適用于分類直線段這一場景。

改進(jìn)K均值聚類算法首先在圖像中取一條基準(zhǔn)線，并計(jì)算各直線段到該基準(zhǔn)線的距離，依據(jù)距離遠(yuǎn)近判斷其所屬邊緣。但各直線段斜率不同，且往往不與基準(zhǔn)線平行，無法計(jì)算二者距離。采用以下方法處理：在圖像中取一個基準(zhǔn)點(diǎn)，以過該點(diǎn)的各直線段斜率為基準(zhǔn)線斜率，分別計(jì)算基準(zhǔn)線到對應(yīng)直線段的距離。此時，一條直線段可由斜率及它到對應(yīng)基準(zhǔn)線的距離共同決定，將表征直線段的四個參數(shù)降至兩個。該方式類似于將直角坐標(biāo)轉(zhuǎn)化為極坐標(biāo)，將直線段表示為方向（斜率）和距離。在此基礎(chǔ)上再使用K均值聚類算法聚類各直線段，可實(shí)現(xiàn)對輸電線路導(dǎo)線邊緣直線段的劃分。

改進(jìn)K均值聚類算法聚類直線段流程如下：

（1）n條直線段斜率和截距分別記為k1,k2,…,kn及b1,b2,…,bn，需將其分為m類，m為導(dǎo)線數(shù)量的2倍。

（2）在圖像中取一個基準(zhǔn)點(diǎn)，該點(diǎn)可任意選取，坐標(biāo)為（x0,y0），0＜x0＜h，0＜y0＜w，其中，h、w分別為圖像高度和寬度。

（3）過基準(zhǔn)點(diǎn)（x0,y0）分別以k1,k2,…,kn為斜率作基準(zhǔn)線，并按式（7）計(jì)算各基準(zhǔn)線到對應(yīng)直線段的距離di（i=1, 2,…,n），即

（4）以（di,ki）表示第i條直線段，將（di,ki）（i=1, 2, …,n）全部代入K均值聚類算法，將其分為m類，至此完成圖像中所有直線段的劃分。

確定各直線段歸屬后，若直接連接各直線段獲取導(dǎo)線邊緣，會因?yàn)楦髦本€段斜率的微小差異而導(dǎo)致導(dǎo)線邊緣不平滑且有明顯鋸齒。因此，需要通過擬合的方式獲取平滑的邊緣。本文先取各直線段首尾端點(diǎn)作為特征點(diǎn)，再使用最小二乘法擬合各點(diǎn)，從而得到光滑的導(dǎo)線邊緣。

1.3 覆冰狀態(tài)分析

定位導(dǎo)線后，還需要根據(jù)該信息進(jìn)一步判斷此時輸電線路的覆冰狀態(tài)。由于導(dǎo)線寬度在覆冰前后會產(chǎn)生差異，本文據(jù)此分別計(jì)算覆冰前后導(dǎo)線寬度值，將兩次寬度值的差值作為判據(jù)。

取一根導(dǎo)線某側(cè)邊緣上的一點(diǎn)（x0,y0），按式（8）計(jì)算該點(diǎn)到導(dǎo)線另一側(cè)邊緣的距離，即

式中，a、b、c均為導(dǎo)線邊緣方程的系數(shù)。

計(jì)算出的寬度值為導(dǎo)線的像素寬度，該值對于運(yùn)維人員不夠直觀，無法直接判斷此時線路覆冰情況。故需要進(jìn)一步按式（9）轉(zhuǎn)換為真實(shí)寬度。

式中：D為導(dǎo)線當(dāng)前真實(shí)寬度；s為導(dǎo)線當(dāng)前像素寬度，以上兩個參數(shù)通過算法實(shí)時計(jì)算獲得；W為未覆冰導(dǎo)線實(shí)際直徑，可根據(jù)導(dǎo)線型號獲得；w為未覆冰導(dǎo)線像素寬度，是良好天氣條件下拍攝清晰完整的導(dǎo)線圖像，并計(jì)算獲得的未覆冰導(dǎo)線像素寬度參考值。

計(jì)算出導(dǎo)線實(shí)時寬度D后，減去未覆冰導(dǎo)線直徑W，即為此時的冰層厚度。將冰層厚度結(jié)合歷史覆冰數(shù)據(jù)進(jìn)行綜合分析，判斷此時導(dǎo)線的覆冰程度，從而實(shí)現(xiàn)輸電線路覆冰狀態(tài)偵測。

2 算例驗(yàn)證

為檢驗(yàn)算法在實(shí)際應(yīng)用中的效果，分別在現(xiàn)場與實(shí)驗(yàn)環(huán)境進(jìn)行測試。

2.1 現(xiàn)場環(huán)境

1）現(xiàn)場環(huán)境測試

本文安裝在輸電線路現(xiàn)場桿塔上的單目攝像機(jī)采集導(dǎo)線圖像，如圖4所示。圖4中白色矩形框指示了攝像機(jī)的位置。圖5為算法對不同光照下導(dǎo)線的辨識結(jié)果。圖5（a）～圖5（d）依次為極弱光照、弱光照、強(qiáng)光照、極強(qiáng)光照下的導(dǎo)線定位結(jié)果。其中，圖5（a）為濃霧天氣，光照強(qiáng)度極弱，背景中的樹木與山巒均被濃霧覆蓋，因此背景干擾和噪聲最少，導(dǎo)線邊緣定位效果最佳。圖5（d）為晴朗天氣，背景中的樹木與山巒清晰可見，帶來大量噪聲與背景干擾，導(dǎo)致導(dǎo)線定位結(jié)果相比實(shí)際邊緣略有偏差。圖5（b）與圖5（c）分別為弱光照與強(qiáng)光照條件下的導(dǎo)線定位結(jié)果，定位效果介于圖5（a）與圖5（d）之間。不同光照與天氣下的導(dǎo)線邊緣定位效果不同，但是圖5（a）～圖5（d）中的黑色邊緣線均能較為精確地描述導(dǎo)線邊緣。綜上所述，所提算法在現(xiàn)場復(fù)雜的環(huán)境中依然可以滿足使用要求，且效果良好。

圖4 現(xiàn)場攝像機(jī)

圖5 算法對不同光照下導(dǎo)線的辨識結(jié)果

2）現(xiàn)場環(huán)境性能評價

由于圖像中存在“近大遠(yuǎn)小”的視覺效應(yīng)，導(dǎo)線各處寬度并不相同，故均取導(dǎo)線中部的寬度代表導(dǎo)線整體寬度，后續(xù)實(shí)驗(yàn)采取同樣處理方式。導(dǎo)線的像素寬度參考值為28.93。進(jìn)一步，通過算法計(jì)算各圖中導(dǎo)線的像素寬度與真實(shí)寬度，并與導(dǎo)線實(shí)際寬度（2.25cm）進(jìn)行對比。同時，為驗(yàn)證算法實(shí)時性，計(jì)算處理一張圖像的耗時。輸電線路現(xiàn)場環(huán)境實(shí)驗(yàn)結(jié)果見表1。

表1 輸電線路現(xiàn)場環(huán)境實(shí)驗(yàn)結(jié)果

從表1中的數(shù)據(jù)可以看出，算法能夠較為準(zhǔn)確地計(jì)算導(dǎo)線的寬度，且處理一張圖像僅需1.5s左右，實(shí)時性良好。與導(dǎo)線邊緣定位結(jié)果一致，極弱光照情況下的誤差最小，僅為0.08cm，極強(qiáng)光照下由于背景干擾及光照在導(dǎo)線上產(chǎn)生陰影的影響，導(dǎo)線部分邊緣被誤認(rèn)為背景，導(dǎo)致精度略有下降，誤差為?0.21cm。其他兩種情況下的辨識誤差均不超過±0.2cm。四組實(shí)驗(yàn)的誤差率均不超過10%，認(rèn)為所提算法能夠準(zhǔn)確、高效辨識輸電線路導(dǎo)線的寬度。

2.2 實(shí)驗(yàn)環(huán)境

由于攝像機(jī)安裝點(diǎn)近期未發(fā)生覆冰現(xiàn)象，故在實(shí)驗(yàn)環(huán)境下模擬覆冰，并進(jìn)行測試。實(shí)驗(yàn)環(huán)境如圖6所示。其中單目攝像機(jī)用于采集導(dǎo)線圖像數(shù)據(jù)并輸入便攜式計(jì)算機(jī)進(jìn)行處理。導(dǎo)線寬度由游標(biāo)卡尺測量?？紤]鋼芯鋁絞線質(zhì)量大，需要專用工具處理，使用與其形狀、顏色相似的鍍鋅管模擬實(shí)際導(dǎo)線。覆冰導(dǎo)線通過將模擬導(dǎo)線放入充滿水的軟水管并置于冷庫中冷凍后制得。為進(jìn)一步驗(yàn)證算法性能，在兩類不同背景下進(jìn)行測試：①用單色布模擬簡單背景；②用迷彩布模擬復(fù)雜背景。

圖6 實(shí)驗(yàn)環(huán)境

1）簡單背景測試

在實(shí)驗(yàn)環(huán)境中的簡單背景下進(jìn)行測試，結(jié)果如圖7所示。從圖7中可以看出，算法繪制的黑色邊緣線緊貼導(dǎo)線邊緣，可以得出結(jié)論，無論是覆冰導(dǎo)線還是未覆冰導(dǎo)線，所提算法均能準(zhǔn)確定位邊緣。

2）復(fù)雜背景測試

其他實(shí)驗(yàn)條件不變，僅用迷彩布代替單色布作為實(shí)驗(yàn)背景，再次進(jìn)行測試，結(jié)果如圖8所示?？梢钥闯?，當(dāng)背景復(fù)雜化后，圖像中的背景干擾明顯增加，更接近輸電線路現(xiàn)場實(shí)際情況。但圖8中的黑色邊緣線依然精確定位了覆冰前后導(dǎo)線邊緣位置，再次驗(yàn)證了算法良好的導(dǎo)線辨識性能。

圖7 簡單背景測試

圖8 復(fù)雜背景測試

3）實(shí)驗(yàn)環(huán)境性能評價

測得未覆冰導(dǎo)線寬度為2.5cm，像素寬度參考值為32.94；覆冰導(dǎo)線寬度為4.02cm，像素寬度參考值為52.7。認(rèn)為當(dāng)覆冰厚度小于導(dǎo)線自身寬度的+10%時為未覆冰狀態(tài)，否則為覆冰狀態(tài)。同樣，計(jì)算處理一張圖像的耗時。實(shí)驗(yàn)環(huán)境簡單與復(fù)雜背景下的計(jì)算結(jié)果見表2。

表2 實(shí)驗(yàn)環(huán)境簡單與復(fù)雜背景下的計(jì)算結(jié)果

從表2中可以看出，簡單背景下，算法能夠辨識不同狀態(tài)的導(dǎo)線，且精度較高，誤差均小于0.1cm。復(fù)雜背景下，算法對導(dǎo)線覆冰前后的辨識誤差僅為?0.10cm與0.14cm。當(dāng)導(dǎo)線寬度的辨識結(jié)果具有較高精度時，覆冰厚度的計(jì)算結(jié)果同樣具有高精度，因此四組實(shí)驗(yàn)中，算法對導(dǎo)線覆冰狀態(tài)均做出正確判斷。進(jìn)一步，考慮到導(dǎo)線覆冰是一個持續(xù)性的過程，覆冰形成與消融所需要的時間以分鐘甚至是小時為單位計(jì)算。算法處理一張圖像所需的時間僅略長于1.5s，顯然能夠滿足實(shí)時性的要求。綜上所述，所提算法的精度、速度、辨識結(jié)果這三項(xiàng)指標(biāo)均滿足實(shí)際需要?？梢缘贸鼋Y(jié)論，本文中采用的方法具備良好的性能，有較高的實(shí)用價值。

3 結(jié)論

本文結(jié)合機(jī)器視覺與機(jī)器學(xué)習(xí)算法提出基于改進(jìn)K均值聚類的輸電線路覆冰狀態(tài)偵測方法。所提方法設(shè)計(jì)了分類直線段的改進(jìn)K均值聚類算法，整體方法簡單高效，能夠定位圖像中的輸電線路導(dǎo)線，在此基礎(chǔ)上求解此刻導(dǎo)線的寬度并結(jié)合參考值獲取冰層厚度。根據(jù)冰層厚度及歷史覆冰數(shù)據(jù)綜合分析，可以判斷輸電線路當(dāng)前的覆冰狀態(tài)?，F(xiàn)場與實(shí)驗(yàn)環(huán)境測試結(jié)果表明，所提方法在現(xiàn)場環(huán)境的不同天氣、光照條件下均能準(zhǔn)確定位導(dǎo)線并判斷覆冰狀態(tài)；在實(shí)驗(yàn)環(huán)境的簡單背景下，誤差不超過±0.1cm，復(fù)雜背景下誤差也小于±0.2cm，誤差率均在5%以內(nèi)，充分表明所提方法具有良好的性能，能夠滿足工程實(shí)際需要，具備較高實(shí)用價值。