基于增強(qiáng)濾波和特征聚類分析的導(dǎo)線隱患識(shí)別技術(shù)研究與應(yīng)用

宋殷冠，鄒宇，凌煥喬，蘇一峰，唐彰蔚

(廣西電網(wǎng)有限責(zé)任公司欽州供電局，廣西 欽州 535000)

0 引 言

隨著無(wú)人機(jī)巡線率的不斷提升，利用無(wú)人機(jī)拍攝的普通影像進(jìn)行導(dǎo)線提取和隱患識(shí)別成為近幾年研究的熱點(diǎn)，并在圖像分割、導(dǎo)線提取和隱患識(shí)別三類算法模型上均取得了一定的研究成果。在圖像分割領(lǐng)域，學(xué)者們提出的多閾值優(yōu)化算法和分段線檢測(cè)技術(shù)可以分別滿足小樣本和大樣本試驗(yàn)的要求[1-2]。在導(dǎo)線提取領(lǐng)域，針對(duì)細(xì)導(dǎo)線和長(zhǎng)檔距導(dǎo)線的識(shí)別一直是研究的難點(diǎn)，學(xué)者們陸續(xù)提出了亞像素邊緣檢測(cè)技術(shù)、運(yùn)動(dòng)估計(jì)和Hough變換、BP神經(jīng)網(wǎng)絡(luò)算法、基于支持向量機(jī)算法的導(dǎo)線紋理特征分析等方法[3-9]。在導(dǎo)線隱患識(shí)別領(lǐng)域，國(guó)內(nèi)學(xué)者提出的概率神經(jīng)網(wǎng)絡(luò)算法、卷積能量差異比較法和多子圖像增強(qiáng)比較法能在測(cè)試實(shí)驗(yàn)中較好地識(shí)別出導(dǎo)線缺陷[10-11]。

上述研究驗(yàn)證了利用無(wú)人機(jī)影像實(shí)現(xiàn)導(dǎo)線準(zhǔn)確提取和缺陷準(zhǔn)確識(shí)別的技術(shù)可行性，但當(dāng)前基層單位在應(yīng)用過程中普遍存在響應(yīng)速度較慢，隱患識(shí)別準(zhǔn)確率不高和對(duì)電腦硬件配置要求較高等問題，說明在技術(shù)成果的實(shí)用化方面仍有改進(jìn)的空間。本研究的目的是對(duì)已有圖像分割、導(dǎo)線提取和隱患識(shí)別算法進(jìn)行完善和優(yōu)化，提高輸電導(dǎo)線的準(zhǔn)確提取率和隱患識(shí)別率，降低對(duì)軟硬件配置的要求，從而達(dá)到能夠在巡檢現(xiàn)場(chǎng)便捷使用的要求。

1 導(dǎo)線隱患識(shí)別算法原理及分析流程

基于上述研究成果，本文提出了一種基于增強(qiáng)濾波和特征聚類分析的導(dǎo)線隱患識(shí)別算法，其具體分析流程包括圖像閾值化、導(dǎo)線邊緣檢測(cè)、Hough變換、聚類分析和隱患特征識(shí)別等，如圖1所示。

圖1 分析流程

圖像閾值化的處理階段是將無(wú)人機(jī)、手機(jī)等拍攝的多源異構(gòu)圖像分割成不同數(shù)據(jù)集合的過程，其目的是通過特征判別，對(duì)圖像的一般特征進(jìn)行分類和判別，為邊緣檢測(cè)和Hough變換奠定基礎(chǔ)。本研究所采取的圖像閾值化判別方法如式(1)所示：

(1)

式中：j—坐標(biāo)(x，y)的像素值；

T—計(jì)算的閾值水平，采用全局最優(yōu)閾值算法計(jì)算得到。

在導(dǎo)線邊緣檢測(cè)階段，本研究為克服傳統(tǒng)濾波算法響應(yīng)時(shí)間長(zhǎng)和誤差率較高等不足，提出了一種改進(jìn)型的Canny濾波算法來(lái)實(shí)現(xiàn)圖像中導(dǎo)線邊緣的檢測(cè)，其二維高斯函數(shù)方程及其一階導(dǎo)數(shù)如式(2)、式(3)所示：

(2)

(3)

式中：δ—高斯函數(shù)在x-y域上的標(biāo)準(zhǔn)差。

與傳統(tǒng)濾波算法不同的是，該算法能夠更好地檢測(cè)出輸電導(dǎo)線的真實(shí)邊緣，其檢測(cè)邊緣像素與實(shí)際邊緣像素能達(dá)到誤差最小化的優(yōu)點(diǎn)，具有較低信噪比和低誤差率。其信噪比方程如式(4)所示，誤差率方程如式(5)所示。

(4)

(5)

式中：ASNR—信噪比；

AROD—誤差率；

f(x)—濾波器的脈沖響應(yīng)；

f2(x)—脈沖響應(yīng)的平方值；

f′(x)—f(x)的一階導(dǎo)數(shù)；

G(-x)—檢測(cè)邊緣；

G′(-x)—在x=0時(shí)的檢測(cè)邊緣的一階導(dǎo)數(shù)；

n—圖像的單位像素個(gè)數(shù)；

δ—標(biāo)準(zhǔn)差，濾波器脈沖響應(yīng)值的范圍是[-w，w]。

處理的第三步即是通過Hough變換從步驟二中所得到的邊緣圖像中提取不連續(xù)線段，其算法如式(6)所示:

ρ=xi×cosα+yi×sinα

(6)

式中：ρ—經(jīng)過坐標(biāo)為(xi，yi)的邊緣點(diǎn)的一組線段；

α—x軸和y軸之間的角度，通過改變?chǔ)林档玫讲煌木€段組合ρ。

為克服Hough變換中可能存在的誤差，提高識(shí)別的準(zhǔn)確性，本研究利用在其之后開展的特征聚類分析，以降低在線段組合ρ中可能存在的漏判或誤判。為進(jìn)一步提升魯棒性，需要利用聚類算法將錯(cuò)誤線段與正確線段分離開來(lái)。本研究采用K均值算法來(lái)實(shí)現(xiàn)線段的聚類，將數(shù)據(jù)集群x={x1，x2，…，xk}劃分為K簇，并使所有簇C={C1，C2，…，CK}的平方誤差最小，如式(7)所示：

(7)

式中：μk—集群k的平均值，通過初始化K個(gè)集群、將數(shù)據(jù)點(diǎn)分配到最近的集群并通過分配的數(shù)據(jù)點(diǎn)來(lái)計(jì)算新的集群。

設(shè)置1個(gè)圖像補(bǔ)丁庫(kù)I={I1,I2,…,IN}，每個(gè)補(bǔ)丁定義為1個(gè)k維度的輸入矢量y，編碼的目的是將這些向量表示為n個(gè)基向量的稀疏近似的線段組合，即對(duì)于第i個(gè)輸入向量而言yi∈Ri。

(8)

式中:b1,b2,…,bj∈Rk是基向量;

ai∈Rn是稀疏向量;

B—y的非線性特征。

利用式(9)求得B和ai的最優(yōu)解：

?j∈(1,…,n)

(9)

結(jié)合式(8)和式(9)，如果B∈Rk×n成立，即可構(gòu)建表征k維矢量圖像的特征向量f，如式(10)所示：

(10)

在導(dǎo)線隱患的特征識(shí)別階段，本研究所采取的判別流程如下：目標(biāo)圖像中由ρ所堆積的特征向量集f構(gòu)成了特征向量集F，如式(11)所示：

(11)

式中：P(d|F;σ,θ)—自變量d和F的表達(dá)函數(shù)；

d—單幀影像的差異值，是判別導(dǎo)線隱患的特征閾值；

σ和θ—特征向量F的最小二乘法計(jì)算的模型參數(shù)；

Z—?dú)w一化常數(shù)；

Eσ,θ(d,F)—Gibbs能量函數(shù)，其表達(dá)式如式(12)所示：

(12)

di,dj—像素i處和j處的差異值。

在式(12)中，如果線段中任意2個(gè)像素高度盡可能接近，即di-dj≈0，則判別為無(wú)異常，否則判別為存在隱患。

由上可得，d可用式(13)表示：

(13)

對(duì)d求解：首先通過線性代數(shù)變化將式(13)重新表述為L(zhǎng)1和L2約束優(yōu)化的問題，其n階矩陣分別以E和I表示：

由此可得導(dǎo)線隱患的判別閾值d的完整表達(dá)式如式(16)所示：

(16)

式中：D—d的疊加矢量集；

Dj—dj的疊加矢量集；

T—全局最優(yōu)閾值；

β—?dú)w一化常數(shù)。

2 導(dǎo)線隱患識(shí)別算法測(cè)試試驗(yàn)

項(xiàng)目組選擇了不同背景情況下的無(wú)人機(jī)巡檢影像開展了試驗(yàn)性測(cè)試，測(cè)試樣本全部來(lái)源于線路運(yùn)維班組的日常巡線時(shí)利用無(wú)人機(jī)拍攝的普通圖像，涵蓋了復(fù)雜背景、單一背景和不同粗細(xì)的導(dǎo)線。圖2為用于復(fù)雜背景情形下背景的閾值化和導(dǎo)線邊緣提取測(cè)試的部分樣本。圖3為用于單一背景下導(dǎo)線斷股缺陷智能識(shí)別測(cè)試的部分樣本。

圖2 導(dǎo)線邊緣提取測(cè)試的部分樣本

圖3 導(dǎo)線斷股缺陷智能識(shí)別測(cè)試的部分樣本

為進(jìn)一步檢驗(yàn)本算法的響應(yīng)速度和識(shí)別率，將其與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)(support vector machines，SVM)和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network,PNN)進(jìn)行了對(duì)比測(cè)試。為了驗(yàn)證該算法對(duì)硬件配置要求較低，本次測(cè)試將算法軟件安裝在常規(guī)配置的筆記本電腦上，軟硬件配置具體為處理器I5-1135，運(yùn)行內(nèi)存8 G，存儲(chǔ)容量512 G，軟件為Win10。用于測(cè)試導(dǎo)線提取響應(yīng)速度的樣本組1的樣本數(shù)為12個(gè)，用于測(cè)試算法識(shí)別準(zhǔn)確率的樣本組2的樣本數(shù)為100個(gè)，用于測(cè)試導(dǎo)線準(zhǔn)確識(shí)別率和測(cè)試導(dǎo)線缺陷準(zhǔn)確識(shí)別率的樣本數(shù)分別為50個(gè)。

3 試驗(yàn)結(jié)果分析和算法特點(diǎn)

算法響應(yīng)時(shí)間測(cè)試結(jié)果如表1所示。從表1可以看出：BP神經(jīng)網(wǎng)絡(luò)算法的最快響應(yīng)時(shí)間是0.539 6 s，最慢響應(yīng)時(shí)間是1.162 2 s，平均響應(yīng)時(shí)間是0.8256 s；SVM算法的最快響應(yīng)時(shí)間是0.520 0 s，最慢響應(yīng)時(shí)間是0.930 9 s，平均響應(yīng)時(shí)間是0.680 5s；PNN算法的最快響應(yīng)時(shí)間是0.457 9 s，最慢響應(yīng)時(shí)間是0.770 9 s，平均響應(yīng)時(shí)間是0.582 1 s；本研究算法在最快響應(yīng)時(shí)間、最慢響應(yīng)時(shí)間和平均響應(yīng)時(shí)間上均優(yōu)于上述3種算法，分別為0.355 2 s、0.724 1 s和0.532 1 s。

表1 算法響應(yīng)速度測(cè)試結(jié)果

圖4為本算法在復(fù)雜背景情形下背景的閾值化和導(dǎo)線邊緣提取的部分過程結(jié)果。

圖4 復(fù)雜背景下導(dǎo)線邊緣的提取

各算法對(duì)導(dǎo)線缺陷識(shí)別率測(cè)試的結(jié)果如表2所示。

表2 導(dǎo)線隱患識(shí)別率測(cè)試結(jié)果

從表2可以看出，在導(dǎo)線準(zhǔn)確識(shí)別率和導(dǎo)線隱患識(shí)別率方面，該算法的總準(zhǔn)確率達(dá)到了95%，也明顯優(yōu)于上述3種傳統(tǒng)算法。圖5為本算法在單一背景下導(dǎo)線斷股缺陷智能識(shí)別的部分過程結(jié)果。

圖5 導(dǎo)線斷股缺陷的智能識(shí)別

通過上述分析和對(duì)比測(cè)試可以看出，該算法具有以下顯著特點(diǎn)：

1)在導(dǎo)線邊緣檢測(cè)中，應(yīng)用了一種改進(jìn)型的Canny濾波算法，能夠有效降低信噪比；

2)為進(jìn)一步提升算法魯棒性，利用K均值算法開展特征聚類分析，有效提高了識(shí)別的準(zhǔn)確率；

3)該算法對(duì)硬件配置整體要求較低，能夠很好地適應(yīng)線路巡檢的實(shí)際工作狀況。

4 結(jié) 論

本研究立足于輸電線路巡檢的實(shí)際需求，為克服已有算法對(duì)線路巡檢影像質(zhì)量要求較高，響應(yīng)速度較慢的不足，提出了一種基于增強(qiáng)濾波和特征聚類分析的導(dǎo)線隱患識(shí)別算法。本研究對(duì)圖像分割、導(dǎo)線提取和隱患識(shí)別算法均做出了一定的改進(jìn)，利用增強(qiáng)濾波算法改善了傳統(tǒng)Canny濾波算法的信噪比，利用K均值聚類算法提高了導(dǎo)線識(shí)別和隱患判別的準(zhǔn)確率。利用現(xiàn)場(chǎng)巡檢圖像作為測(cè)試樣本的試驗(yàn)測(cè)試表明，該算法能夠很好地對(duì)日常巡檢圖像進(jìn)行準(zhǔn)確的導(dǎo)線提取和隱患識(shí)別，其響應(yīng)速度和識(shí)別準(zhǔn)確率均優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法、SVM算法和PNN算法。由于該算法對(duì)電腦硬件要求較低，可通過便攜式筆記本電腦在線路巡檢過程中完成巡線圖像的分析和隱患識(shí)別，便于運(yùn)維班組在第一時(shí)間采取處理措施，切實(shí)降低了基層人員的工作復(fù)雜度和工作強(qiáng)度，具有較強(qiáng)的實(shí)用性。