基于紅外影像輔助的無(wú)人機(jī)自主巡檢規(guī)劃方法設(shè)計(jì)

趙彥杰， 張四維， 徐濤， 曹世鵬， 余萬(wàn)金

(1.國(guó)網(wǎng)南京供電公司，江蘇，南京 210000；2.眾芯漢創(chuàng)(北京)科技有限公司，北京 100193)

0 引言

隨著配電網(wǎng)規(guī)模的不斷增大，對(duì)配電網(wǎng)的智能巡檢能夠從根本上保證配網(wǎng)的安全性，因此該技術(shù)也受到相關(guān)領(lǐng)域的極大關(guān)注[1]。結(jié)合無(wú)人機(jī)和紅外成像技術(shù)，構(gòu)建無(wú)人機(jī)自主巡檢規(guī)劃模型，通過(guò)智能規(guī)劃控制和機(jī)器視覺(jué)分析的方法，實(shí)現(xiàn)無(wú)人機(jī)自主巡檢規(guī)劃，能夠有效提高對(duì)配電網(wǎng)的智能巡檢和控制能力[2]。

一般來(lái)說(shuō)，對(duì)無(wú)人機(jī)自主巡檢過(guò)程的規(guī)劃設(shè)計(jì)是建立在對(duì)無(wú)人機(jī)自主巡檢紅外影像特征分析基礎(chǔ)上實(shí)現(xiàn)的，然后結(jié)合智能空間規(guī)劃和模糊度特征分析，構(gòu)建無(wú)人機(jī)自主巡檢紅外影像采集和融合模型，再通過(guò)嵌入式控制和配電網(wǎng)的紅外特征分析，實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像的處理[3]，可提高無(wú)人機(jī)自主巡檢紅外成像能力，從而實(shí)現(xiàn)對(duì)巡檢規(guī)劃設(shè)計(jì)。傳統(tǒng)研究中，無(wú)人機(jī)自主規(guī)劃方法主要有基于邊緣輪廓特征檢測(cè)的無(wú)人機(jī)自主巡檢規(guī)劃方法[4]和基于DP算法的巡檢規(guī)劃方法等[5]。上述2種傳統(tǒng)方法均結(jié)合視頻跟蹤識(shí)別技術(shù)，實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像處理和巡檢規(guī)劃。但傳統(tǒng)方法的成像精準(zhǔn)度不高，導(dǎo)致其巡檢規(guī)劃性能不好。

針對(duì)傳統(tǒng)方法存在的問(wèn)題，基于紅外影像輔助技術(shù)設(shè)計(jì)新的無(wú)人機(jī)自主巡檢規(guī)劃方法。首先采用無(wú)人機(jī)紅外成像技術(shù)實(shí)現(xiàn)對(duì)電網(wǎng)線路的紅外成像處理，并提取無(wú)人機(jī)紅外影像的邊緣輪廓特征量和紋理信息。然后結(jié)合對(duì)無(wú)人機(jī)紅外影像的圖像融合和邊緣區(qū)域檢測(cè)，提取影像的像素類別，再通過(guò)模糊聚合融合處理方法，實(shí)現(xiàn)對(duì)影像的主成分特征檢測(cè)，并采用融合濾波方法實(shí)現(xiàn)對(duì)影像的濾波和信息增強(qiáng)處理?；诖耍o(wú)人機(jī)自主巡檢紅外影像的自適應(yīng)圖譜特征分集模型，結(jié)合相似度特征分解方法，實(shí)現(xiàn)無(wú)人機(jī)視覺(jué)跟蹤和巡檢規(guī)劃設(shè)計(jì)。最后通過(guò)仿真測(cè)試分析結(jié)果，展示本文方法在提高無(wú)人機(jī)自主巡檢規(guī)劃能力方面的優(yōu)越性能。

1 無(wú)人機(jī)自主巡檢紅外成像和預(yù)處理

1.1 紅外影像成像

為了實(shí)現(xiàn)基于紅外影像輔助的無(wú)人機(jī)自主巡檢規(guī)劃，首先采用無(wú)人機(jī)紅外成像技術(shù)實(shí)現(xiàn)對(duì)電網(wǎng)線路的紅外成像處理，再結(jié)合視覺(jué)傳感和融合跟蹤識(shí)別的方法，構(gòu)建無(wú)人機(jī)紅外成像的信息處理模型，在集成DSP中實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像融合處理[6]，得到無(wú)人機(jī)自主巡檢的圖像處理模型如圖1所示。

圖1 無(wú)人機(jī)自主巡檢紅外影像處理模型

根據(jù)圖1所示的無(wú)人機(jī)自主巡檢紅外影像處理模型，結(jié)合配電網(wǎng)的巡檢參數(shù)識(shí)別和多維跟蹤方法[7-8]，得到無(wú)人機(jī)自主巡檢紅外輔助成像的特征圖集滿足式(1)：

G=δ+(s(e)+lm)

(1)

式中，δ表示無(wú)人機(jī)自主巡檢紅外影像的邊緣分布閾值，s(e)表示配電網(wǎng)巡檢參數(shù),lm表示組合濾波器控制的方法。在此基礎(chǔ)上，對(duì)無(wú)人機(jī)自主巡檢紅外影像展開(kāi)識(shí)別和濾波處理[9]，得到無(wú)人機(jī)自主巡檢紅外影像的子帶特征分布為

(2)

式中，dt表示模型預(yù)測(cè)參數(shù)，f表示概率密度特征分析參數(shù)，z(b)表示無(wú)人機(jī)自主巡檢紅外影像的濾波結(jié)構(gòu)模型[10]。基于此，通過(guò)邊緣輪廓特征檢測(cè)，實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像的輸出穩(wěn)定性測(cè)試和圖像增強(qiáng)處理。

1.2 紅外影像增強(qiáng)處理

在機(jī)器視覺(jué)技術(shù)的支持下，提取無(wú)人機(jī)自主巡檢紅外影像的邊緣輪廓特征量和紋理信息，再結(jié)合對(duì)無(wú)人機(jī)自主巡檢紅外影像的邊緣區(qū)域檢測(cè)和增強(qiáng)處理，在可靠性視覺(jué)跟蹤模型下，得到無(wú)人機(jī)自主巡檢紅外影像的融合特征分量為J(x)。然后結(jié)合多模態(tài)融合方法，得到無(wú)人機(jī)自主巡檢紅外影像的邊緣輪廓特征量為

(3)

式中，xv表示無(wú)人機(jī)自主巡檢紅外影像的邊緣視覺(jué)特征分析模型，p(h)表示無(wú)人機(jī)自主巡檢紅外影像的邊緣像素分布像素值。在此基礎(chǔ)上，構(gòu)造無(wú)人機(jī)紅外影像的視覺(jué)增強(qiáng)模型，結(jié)合模糊特征辨識(shí)的方法，完成對(duì)紅外影像的融合處理，再采用頻域?yàn)V波分析的方法，結(jié)合融合規(guī)則技術(shù)實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像的協(xié)同濾波處理。這一過(guò)程中，用Xi,j來(lái)表示(i，j)位置處像素點(diǎn)，則可得到無(wú)人機(jī)自主巡檢紅外影像的主成分特征分量為

A=Xi,j+w(y)+d(a)

(4)

式中，w(y)表示無(wú)人機(jī)自主巡檢紅外影像融合參數(shù)。在此基礎(chǔ)上，采用主成分融合和信息增強(qiáng)方法，得到無(wú)人機(jī)自主巡檢紅外影像的模態(tài)分量為

df(r)=A+[t(m)+f(u)]

(5)

在迭代和篩選過(guò)程中，t(m)表示無(wú)人機(jī)自主巡檢紅外影像的樣本空間融合模型，在M×M維空間中采用模式識(shí)別技術(shù)，得到無(wú)人機(jī)自主巡檢紅外影像的局部信息增強(qiáng)分量為f(u)。然后采用相鄰層間的特征融合的方法，得到無(wú)人機(jī)自主巡檢紅外影像的高低層級(jí)間融合匹配集如下：

Fz=df(r)+qk+v(n)

(6)

式中，qk表示特征融合方法參數(shù)，利用融合后的特征圖集實(shí)現(xiàn)圖像增強(qiáng)，并建立無(wú)人機(jī)自主巡檢紅外影像的特征提取模型為v(n)，從而得到無(wú)人機(jī)自主巡檢紅外影像的濾波輸出增量為

(7)

式中，f(u)表示無(wú)人機(jī)自主巡檢紅外影像的像素點(diǎn)分布，β表示模型的預(yù)測(cè)概率特征量[11]。利用上述過(guò)程，可實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像增強(qiáng)和信息融合處理。

2 無(wú)人機(jī)自主巡檢規(guī)劃研究

2.1 巡檢過(guò)程紅外影像濾波檢測(cè)

在上述無(wú)人機(jī)自主巡檢紅外成像和增強(qiáng)處理的基礎(chǔ)上，建立無(wú)人機(jī)自主巡檢紅外影像的自適應(yīng)圖譜特征分集模型，再采用邊緣區(qū)塊化融合的方法[12]，得到無(wú)人機(jī)自主巡檢紅外影像重建的網(wǎng)格模型的空間量化特征函數(shù)可表示為

(8)

式中，αi表示無(wú)人機(jī)自主巡檢紅外影像的多維尺度特征分解模型，b表示無(wú)人機(jī)自主巡檢紅外影像的多尺度小波分解信息分量[13-14]?；诖耍ㄟ^(guò)模糊聚合融合處理方法，實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像的主成分特征檢測(cè)，得到無(wú)人機(jī)自主巡檢紅外影像重建的背景差分特征值：

hg=T(c)+E+Md(Ci)

(9)

式中，T(c)表示無(wú)人機(jī)自主巡檢紅外影像的塊特征匹配值，Md(Ci)表示Ci中的顯著區(qū)域檢測(cè)特征量。采用角點(diǎn)檢測(cè)進(jìn)行無(wú)人機(jī)自主巡檢紅外影像的三維特征信息重組，得到無(wú)人機(jī)自主巡檢紅外影像的顯著性圖譜特征量為

M(y)=cos[q(s)+x(l)]+hg

(10)

式中，q(s)表示通過(guò)融合得到最終先驗(yàn)圖參數(shù)，在機(jī)器視覺(jué)下提取無(wú)人機(jī)自主巡檢紅外影像的邊緣輪廓特征量為x(l)。結(jié)合上述過(guò)程，構(gòu)建無(wú)人機(jī)自主巡檢紅外影像的三維信息融合顯著性概率特征分布集如下：

(11)

式中，ir表示多尺度超像素信息識(shí)別的方法參數(shù)，a(k)表示無(wú)人機(jī)自主巡檢紅外影像像素的圖譜特征分量。然后基于多尺度分解的方法，定義無(wú)人機(jī)自主巡檢紅外影像的超像融合標(biāo)簽特征分量為nc，則可得到無(wú)人機(jī)自主巡檢紅外特征映射函數(shù)為

nc=[Gj+Gk]+Zv(e)

(12)

式中，Gj和Gk具有較強(qiáng)的關(guān)聯(lián)性，Gk表示無(wú)人機(jī)自主巡檢紅外影像特征分布的尺度，Gj表示無(wú)人機(jī)自主巡檢紅外影像的邊緣像素點(diǎn)的主成分信息[15-16]。根據(jù)上述分析，實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像濾波檢測(cè)。

2.2 巡檢規(guī)劃輸出

建立無(wú)人機(jī)自主巡檢紅外影像的自適應(yīng)圖譜特征分集模型，實(shí)現(xiàn)無(wú)人機(jī)自主巡檢紅外影像的視覺(jué)跟蹤，得到無(wú)人機(jī)自主巡檢紅外影像的視覺(jué)信息解析模型為

(13)

式中，di表示相似度特征分解方法參數(shù)，h表示差異化權(quán)重融合參數(shù)，構(gòu)建無(wú)人機(jī)自主巡檢紅外影像的邊緣輪廓特征量表示為cb，由此可得到無(wú)人機(jī)自主巡檢紅外影像的解析模型表示為

H(f)=k(xi,xj)+Vs+I(i,j)

(14)

在融合聚焦區(qū)域中，定義無(wú)人機(jī)自主巡檢紅外影像的紋理特征分布核函數(shù)為k(xi,xj)，結(jié)合RGB特征分解結(jié)果，將得到無(wú)人機(jī)自主巡檢紅外影像的超像素信息用I(i,j)描述，由此可得到無(wú)人機(jī)自主巡檢紅外影像的Harris角點(diǎn)分布序列I表示如下：

(15)

式中，k表示無(wú)人機(jī)自主巡檢紅外影像的多背景區(qū)域融合結(jié)果。在此基礎(chǔ)上，結(jié)合空間分布域融合，得到無(wú)人機(jī)自主巡檢紅外影像的融合特征量為

(16)

式中，u表示無(wú)人機(jī)自主巡檢紅外影像的濾波函數(shù)值，P(i,j)表示無(wú)人機(jī)自主巡檢紅外影像的多尺度特征分布序列。結(jié)合相似度特征分解方法，實(shí)現(xiàn)無(wú)人機(jī)自主巡檢紅外影像的視覺(jué)跟蹤，實(shí)現(xiàn)無(wú)人機(jī)自主巡檢規(guī)劃設(shè)計(jì)，實(shí)現(xiàn)流程如圖2所示。

圖2 無(wú)人機(jī)自主巡檢規(guī)劃實(shí)現(xiàn)流程

3 仿真測(cè)試分析

為驗(yàn)證本研究設(shè)計(jì)的基于紅外影像輔助的無(wú)人機(jī)自主巡檢規(guī)劃方法的實(shí)際應(yīng)用性能，設(shè)計(jì)如下仿真測(cè)試。在Simu-link仿真平臺(tái)上進(jìn)行無(wú)人機(jī)自主巡檢規(guī)劃的圖像處理設(shè)計(jì)，對(duì)無(wú)人機(jī)自主巡檢紅外影像的采集像素點(diǎn)為120×240，對(duì)無(wú)人機(jī)自主巡檢紅外影像采集的頻率為24 kHz，無(wú)人機(jī)自主巡檢紅外影像的采樣點(diǎn)數(shù)為200個(gè)，特征圖集大小為240，無(wú)人機(jī)自主巡檢紅外影像學(xué)習(xí)率的衰減尺度為0.35，相似度系數(shù)為0.16，根據(jù)上述參數(shù)設(shè)定，進(jìn)行仿真測(cè)試。測(cè)試設(shè)備與環(huán)境如圖3所示。

(a)測(cè)試設(shè)備

在上述實(shí)驗(yàn)環(huán)境中，采用無(wú)人機(jī)紅外成像技術(shù)實(shí)現(xiàn)對(duì)電網(wǎng)線路的紅外成像處理，在機(jī)器視覺(jué)技術(shù)的支持下，提取無(wú)人機(jī)自主巡檢紅外影像的邊緣輪廓特征量，得到成像輸出如圖4所示。

以圖4所示的無(wú)人機(jī)紅外成像輸出結(jié)果為研究對(duì)象，對(duì)無(wú)人機(jī)紅外成像進(jìn)行增強(qiáng)處理，實(shí)現(xiàn)無(wú)人機(jī)自主巡檢紅外影像優(yōu)化，得到巡檢規(guī)劃結(jié)果如圖5所示。

圖4 無(wú)人機(jī)紅外成像輸出結(jié)果

分析圖5得知，本文方法能有效實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像處理和規(guī)劃，提高了無(wú)人機(jī)自主巡檢規(guī)劃能力。

圖5 無(wú)人機(jī)自主巡檢規(guī)劃結(jié)果

為進(jìn)一步突出本文方法的有效性，將傳統(tǒng)的基于邊緣輪廓特征檢測(cè)的無(wú)人機(jī)自主巡檢規(guī)劃方法(文獻(xiàn)[4]方法)和基于DP算法的巡檢規(guī)劃方法(文獻(xiàn)[5]方法)作為對(duì)比，測(cè)試不同方法進(jìn)行無(wú)人機(jī)自主巡檢后輸出結(jié)果的準(zhǔn)確性，得到檢測(cè)概率對(duì)比結(jié)果如表1所示。

表1 無(wú)人機(jī)自主巡檢規(guī)劃的檢測(cè)準(zhǔn)確率對(duì)比

分析表1所示結(jié)果可知，隨著迭代次數(shù)的增加，不同方法進(jìn)行無(wú)人機(jī)自主巡檢后輸出結(jié)果的準(zhǔn)確性也隨之增加。但相比之下，本文方法的檢測(cè)準(zhǔn)確率更高，均可保持在0.90以上，證明本文方法對(duì)無(wú)人機(jī)自主巡檢規(guī)劃的精度更高。

4 總結(jié)

在構(gòu)建無(wú)人機(jī)自主巡檢規(guī)劃模型的基礎(chǔ)上，通過(guò)智能規(guī)劃控制和機(jī)器視覺(jué)分析的方法，可實(shí)現(xiàn)無(wú)人機(jī)自主精準(zhǔn)巡檢規(guī)劃。本文提出基于紅外影像輔助的無(wú)人機(jī)自主巡檢規(guī)劃方法，構(gòu)建無(wú)人機(jī)紅外成像的信息處理模型后，在集成DSP中實(shí)現(xiàn)對(duì)無(wú)人機(jī)自主巡檢紅外影像融合處理，然后構(gòu)造無(wú)人機(jī)自主巡檢紅外影像的視覺(jué)增強(qiáng)模型，結(jié)合模糊特征辨識(shí)的方法實(shí)現(xiàn)影像融合?；诖耍Y(jié)合相似度特征分解方法，實(shí)現(xiàn)無(wú)人機(jī)自主巡檢紅外影像的視覺(jué)跟蹤，從而實(shí)現(xiàn)無(wú)人機(jī)自主巡檢規(guī)劃設(shè)計(jì)。經(jīng)實(shí)驗(yàn)研究得知，本文方法對(duì)無(wú)人機(jī)自主巡檢規(guī)劃設(shè)計(jì)的檢測(cè)準(zhǔn)確率較高，說(shuō)明其視覺(jué)檢測(cè)能力較強(qiáng)。