基于雙目視覺的混凝土電桿立桿參數(shù)測量方法

陳朝新，徐恒博，郭 磊，沈 鵬，陳江義

（1.鄭州大學(xué) 機械與動力工程學(xué)院，河南 鄭州 450066；2.國網(wǎng)河南省電力公司 電力科學(xué)研究院，河南 鄭州 450052）

0 引 言

混凝土電桿具有結(jié)構(gòu)簡單、造價低廉的優(yōu)點，在城鄉(xiāng)配網(wǎng)中廣泛應(yīng)用，是配電網(wǎng)中的重要組成部分。惡劣天氣時，電桿抗傾覆能力不足會導(dǎo)致大規(guī)模傾倒事故，影響居民生產(chǎn)生活甚至威脅居民的生命安全，而埋深與傾斜率是影響電桿抗傾覆能力最重要的2個立桿參數(shù)［1-2］，掌握其埋深與傾斜率數(shù)據(jù)，及時對抗傾覆能力不足的電桿進行加固是預(yù)防事故的關(guān)鍵，因此建立高效智能的混凝土電桿埋深與傾斜率測量方法對配電網(wǎng)安全穩(wěn)定運行具有重要意義。

混凝土電桿埋深測量方法一般采用探地雷達、全站儀與便攜式激光測距儀［4］，而傾斜率測量一般采用鉛錘法，經(jīng)緯儀法，這些方法速度慢、自動化水平低。近年來激光雷達技術(shù)也開始用于桿塔結(jié)構(gòu)的測量［5-6］，可較精確的獲取結(jié)構(gòu)外形尺寸，但該方式計算量大，成本高，且易受障礙物影響。當前基于雙目視覺的測量成為了研究的熱點，該方法是一種非接觸的三維測量方法，與上述方法相比，該方式硬件技術(shù)成熟，成本低，部署方便［7-8］。陳廣華等利用深度學(xué)習(xí)方法在圖像中對電力塔進行定位，再用雙目立體視覺計算得到了電力塔的傾斜度［9］；MA等采用YOLO技術(shù)與雙目測距相結(jié)合實時獲取了危險物體與輸電線路的距離［10］；HUANG等采用基于最小二乘擬合插值改進的SGM算法細化了視差圖，在5 m內(nèi)對高壓線纜上障礙物進行測量，且誤差小于5%［11］；LI等通過對深度圖的處理，確定絕緣子所在區(qū)域，利用無人機對絕緣子進行檢測測量，平均誤差為2.5%［12］；李昊等通過對采用Canny邊緣檢測后的左右圖像進行匹配，精確了特征點匹配精度，測量的輸電桿塔間距誤差小于2.5%［13］。目前有關(guān)雙目視覺在電網(wǎng)中的應(yīng)用研究主要集中在高壓輸電線路，尚缺乏采用視覺技術(shù)在配電網(wǎng)混凝土電桿立桿參數(shù)測量方面上的研究。

為了同時滿足配電網(wǎng)混凝土電桿埋深與傾斜率測量的準確性與自動化要求，文中研究了一種基于雙目視覺的測量方法。首先改進Deeplab V3＋模型，在全景圖像中對混凝土電桿進行區(qū)域分割，減少背景區(qū)域?qū)μ卣鼽c提取的影響；然后采用基于局部區(qū)域效應(yīng)的亞像素邊緣檢測方法確定電桿的輪廓，并采用最小二乘法擬合邊緣，在較高噪聲的圖像區(qū)域提取精確特征點，最后計算出混凝土電桿的埋深與傾斜率。

1 混凝土電桿立桿參數(shù)測量方法

1.1 混凝土電桿立桿模型

混凝土電桿的埋深為其地下部分的長度，如圖1所示。采用間接測量的方式，通過測量電桿地上部分側(cè)邊的底點X1（x1，y1，z1）與頂點X2（x2，y2，z2）三維空間位置可得，計算見式（1）～式（3）。

圖1 混凝土電桿安裝結(jié)構(gòu)示意Fig.1 Sketch of concrete pole installation structure

式中 θ為電桿錐度角，（°）；d1為根徑長度，m；d2為梢徑長度，m；l為電桿的地上部分沿電桿錐度上的長度，m；h1為電桿埋深，m；h為電桿全長，m，在已知電桿型號的情況下；d1，d2和h為已知參數(shù)。

電桿傾斜率α可利用混凝土電桿側(cè)邊方向向量與水平面夾角測量獲得，計算見式（4）。

式中 a為水平向量；b為點X1到點X2方向向量。綜上可知，在不考慮混凝土電桿發(fā)生彎曲變形的情況下，通過得知電桿側(cè)邊的頂點和底點的空間三維坐標即可獲得埋深與傾斜率。

1.2 方法流程

測量方法的基本流程如圖2所示，在使用雙目相機前，先標定相機內(nèi)部與外部參數(shù)，根據(jù)其對輸入的左右相機圖片進行畸變與立體校正，獲取電桿圖像。采用改進Deeplab V3＋網(wǎng)絡(luò)結(jié)構(gòu)對圖像進行區(qū)域分割，對分割區(qū)域的圖像預(yù)處理后，進行亞像素級邊緣提取，利用電桿的幾何形狀特性對提取邊緣進行擬合，得到所需特征點后，計算混凝土電桿埋深與傾斜率。

圖2 混凝土電桿測量方法技術(shù)路線Fig.2 Technical route of concrete pole measurement method

2 混凝土電桿區(qū)域分割算法

相比基于錨框的目標檢測算法，語義分割模型可基于像素級別精度在圖像中定位目標位置，更加精確。Deeplab V3＋網(wǎng)絡(luò)結(jié)構(gòu)是圖像分割領(lǐng)域的新高峰［14］，引入的編解碼模塊和Xception主干網(wǎng)絡(luò)使其分割精度相比Deeplab V3＋進一步提升［15］。為減少模型的訓(xùn)練與預(yù)測時間，方便模型在移動端部署，需要減小模型復(fù)雜程度，進一步提高其分割定位精度，對混凝土電桿分割邊緣更為細化，故修改原模型主干特征提取網(wǎng)絡(luò)，優(yōu)化模型的特征融合并加入改進CBAM注意力機制，改進后模型結(jié)構(gòu)如圖3所示。

圖3 改進Deeplab V3＋結(jié)構(gòu)Fig.3 Improved Deeplab V3＋structure

2.1 修改主干特征提取網(wǎng)絡(luò)

選擇MobileNetV2作為主干特征提取網(wǎng)絡(luò)，MobileNetV2版本保留V1版本的深度可分離卷積，增加線性瓶頸和倒殘差［16］，利用線型瓶頸結(jié)構(gòu)實現(xiàn)對圖像進行高和寬的壓縮。MobileNetV2的倒殘差結(jié)構(gòu)參考ResNet，先經(jīng)過1×1的逐點卷積操作將特征圖的通道進行擴張，豐富特征數(shù)量，進而提高精度，這一過程和殘差塊的順序顛倒，其過程為：1×1（升維）→3×3（dw conv＋relu）→1×1（降維＋線性變換）。

2.2 優(yōu)化特征融合

Deeplab V3＋在解碼模塊借鑒FCN的跳步連接方式，選取主干網(wǎng)絡(luò)提取到的1／4大小的淺層特征圖與經(jīng)過ASPP得到的1／16的深層特征圖進行拼接，其淺層特征圖主要包含為預(yù)測生成清晰邊界的細節(jié)信息，深層特征圖主要包含有助于圖像區(qū)域分類識別的抽象語義信息［17］，但由于特征提取過程中對圖像進行多次下采樣，導(dǎo)致初始全局信息丟失，分割邊界較為模糊。為平衡模型復(fù)雜度與預(yù)測精度，選擇再加入多層下采樣后的1／8大小的淺層特征圖，將其進行2倍上采樣與1／4大小的淺層特征圖并進行通道堆疊，利用1×1卷積進行通道融合，與進行4倍上采樣后的深層特征圖拼接后進行卷積得到最終預(yù)測結(jié)果。

2.3 改進CBAM 注意力機制

由于不同深度網(wǎng)絡(luò)中承載的信息各不相同，各通道承載的信息量也有不同，直接將淺層特征層與深層特征成進行拼接融合會導(dǎo)致模型偏離最優(yōu)解，影響模型預(yù)測精度。因此在優(yōu)化特征融合后引入通道注意力機制與空間注意力機制，抑制冗余通道信息和無效空間特征信息，突出對有效特征的提取，提升模型學(xué)習(xí)能力和泛化能力。

CBAM的通道注意力模塊分別利用最大池化和平均池化得到不同通道特征［18-19］，但利用的共享連接方式會引入多余通道關(guān)系，增加計算量，降低預(yù)測精度。文中故借鑒ECA注意力機制［20］，改進其通道注意力模塊，分別對平均池化與最大池化后的通道特征進行1 d卷積，提取特征通道間關(guān)系并進行相加，最后利用Sigmoid將通道權(quán)重固定在0和1之間，如圖4所示。

圖4 改進CBAM的通道注意力模塊Fig.4 Channel attention module of improved CBAM

圖4中k為通道信息交互的最佳范圍，即1 d卷積的卷積核大小，計算見式（5）。

式中 C為特征通道的數(shù)量；γ和b一般被設(shè)為2和1。

改進CBAM的通道注意力計算見式（6）。

式中 Mc（F）為改進的通道注意力；F為輸入特征；C1D為一維卷積；W1，W2分別為全局最大池化與平均池化后特征提取權(quán)重；σ為Sigmoid函數(shù)。

原CBAM空間注意力Ms（F）結(jié)構(gòu)不變，則改進CBAM注意力輸出特征的計算見式（7）。

3 混凝土電桿特征點提取

3.1 圖像預(yù)處理

根據(jù)混凝土電桿區(qū)域分割結(jié)果對原圖做包圍矩形，為防止分割不夠精確帶來的邊緣信息丟失，矩形區(qū)域長寬略微大于最小包圍矩形，后續(xù)特征提取操作僅對矩形框內(nèi)部圖像進行處理，如圖5所示。

圖5 特征區(qū)域提取Fig.5 Feature area extraction

戶外拍攝圖像的邊緣區(qū)域噪聲較多，顆?；瘒乐兀苯舆M行邊緣提取誤差較大，故在進行邊緣檢測取前，采用3×3中值濾波對圖像進行平滑處理，減少噪聲干擾，抑制顆?；F(xiàn)象，如圖6所示為圖5（c）矩形框內(nèi)左下角位置，可以看出中值濾波較好抑制電桿邊緣的顆?；F(xiàn)象。

圖6 中值濾波前后區(qū)域圖像對比Fig.6 Comparison of regional images before and after median filtering

3.2 亞像素邊緣提取

傳統(tǒng)邊緣檢測方法，如Sobel，Canny和Prewitt算法只能提取到像素級邊緣，雙線型插值亞像素邊緣提取方法易受噪聲影響，在戶外高噪聲情況下效果很差，而Zernike矩和Franklin矩方法計算復(fù)雜度很高，不易部署［21］，故采用局部區(qū)域效應(yīng)的亞像素邊緣檢測方法對混凝土電桿進行邊緣檢測［22］，采用邊緣像素強度值不連續(xù)的假設(shè)，即邊緣穿過像素（i，j），該點像素強度的計算見式（8）。

式中 A，B為像素點邊緣兩側(cè)的強度；Gi，j為像素（i，j）內(nèi)邊緣線下方區(qū)域面積，h′為像素邊長度。

假設(shè)邊緣分割曲線為二次函數(shù)，表達式為y＝px2＋qx＋r；p，q，r為二次曲線的系數(shù)，如圖7所示，將藍色框視為求解所需最小子區(qū)，依據(jù)式（8）假設(shè)根據(jù)窗口內(nèi)的強度特征與面積效應(yīng)，求解p，q，r，假設(shè)原邊緣像素點坐標為（i，j），則細化后亞像素邊緣坐標為（i，j＋r）。

圖7 邊緣線求解過程Fig.7 Edge line solution process

利用該邊緣求解方法對預(yù)處理后圖片進行邊緣檢測，得到混凝土電桿亞像素級邊緣，如圖8所示，藍色箭頭為邊緣點周圍像素強度梯度方向。

圖8 混凝土電桿的亞像素邊緣Fig.8 Subpixel edge of concrete electric poles

3.3 特征點提取

從圖1可知，混凝土電桿左右邊緣為直線，上下邊緣為橢圓曲線，故利用混凝土電桿幾何特性，對提取到的亞像素邊緣坐標分別進行直線與曲線擬合，其交點則為所需混凝土電桿特征點，為防止噪音點對擬合邊緣產(chǎn)生誤差，采用RANSAC算法先對偏移值較大的偽邊緣點進行剔除，設(shè)直線與橢圓曲線在圖像坐標系下的方程通式分別為y＝A1x＋B1，x2＋A2xy＋B2y＋C2x＋D2y＋E2＝0，根據(jù)最小殘差平方和求解方程中系數(shù)，目標函數(shù)L1，L2的計算見式（9）。

式中 N，M分別為直線與橢圓曲線亞像素邊緣點數(shù)量。求解擬合直線與橢圓曲線，如圖9所示，文中提取的特征點與亞像素邊緣輪廓有較好契合度。

圖9 混凝土電桿特征點Fig.9 Feature points of concrete electric poles

4 立桿參數(shù)測量與分析

將拍攝的500張混凝土電桿圖片進行數(shù)據(jù)增廣作為數(shù)據(jù)集，利用Labelme軟件進行語義分割標簽的制作，數(shù)據(jù)集、驗證集和測試集按8∶1∶1劃分。

將模型訓(xùn)練分為兩個部分，先將主干網(wǎng)絡(luò)凍結(jié)訓(xùn)練50個Epoch，再解凍訓(xùn)練50個Epoch，以加快模型的訓(xùn)練速度，凍結(jié)部分批量大小為8，解凍部分批量大小為4，網(wǎng)絡(luò)訓(xùn)練選擇小批量梯度下降算法，動量為0.9，初始學(xué)習(xí)率為7×10-3，采用余弦退火降低學(xué)習(xí)率。

采用平均交并比（mIoU）作為衡量模型分割精度的指標，其計算見式（10）。

式中 m為類別數(shù)量，只有電桿與背景兩個標簽，故m ＝2，TP為正確識別的混凝土電桿像素數(shù)，F(xiàn)N為未檢出的混凝土電桿像素數(shù)，F(xiàn)P為誤檢為混凝土電桿的像素數(shù)。

對改進Deeplab V3＋網(wǎng)絡(luò)結(jié)構(gòu)進行對比試驗，驗證文中提出的三種改進方法對分割模型性能的影響，為驗證改進CBAM的作用，在相同位置加入ECA和CBAM注意力機制進行對比，利用參數(shù)大小評估模型的復(fù)雜度，結(jié)果見表1，改進模型前后預(yù)測結(jié)果對比如圖10所示。

圖10 改進模型前后分割結(jié)果對比Fig.10 Comparison of segmentation results before and after the improved model

表1 混凝土電桿區(qū)域分割模型性能對比Table 1 Performance comparison of concrete pole area segmentation models

分析可知，MobileNetV2主干網(wǎng)絡(luò)可大大減小模型的參數(shù)大小，但會略微降低預(yù)測準確率，優(yōu)化特征融合使mIOU提升0.2%，加入改進后的CBAM注意力機制預(yù)測精度再次提升1.61%，比ECA和原CBAM注意力機制效果更好，且改進的CBAM注意力機制相比原結(jié)構(gòu)參數(shù)增加量更小。

選用AYALEY可調(diào)基線雙目相機，其最大分辨率為1 280×960，測量試驗平臺如圖11所示，采用張正友標定法對相機進行標定，使用標定板的棋盤格為15 mm×15 mm，角點數(shù)為12×9，利用Matlab中相機標定工具箱計算相機內(nèi)外參數(shù)。

圖11 測量試驗平臺Fig.11 Measurement experimental platform

進行測量時將雙目相機水平放置，利用水平儀保證相機光軸方向與重力方向垂直，根據(jù)電桿實際情況與相機成像角設(shè)定拍攝距離，在測量時保證電桿可以完整地顯示在左右相機中，左右相機同時拍攝混凝土電桿圖像并輸入計算機進行處理。對混凝土電桿進行實地測量試驗，采用文中方法與全站儀分別對8根混凝土電桿的埋深與傾斜率進行計算測量，結(jié)果見表2，檢測耗時為圖像輸入到計算機進行處理計算得到結(jié)果所用的時間。

表2 圖像測量結(jié)果及誤差Table 2 Image measurement results and errors

經(jīng)對比，文中方法的埋深測量誤差率小于5%，誤差值小于10 cm，傾斜率誤差值不大于0.3°，且檢測耗時小于4 s，運行速度較快。結(jié)果表明，所提方法的檢測速度與精度基本滿足對混凝土電桿立桿參數(shù)的測量要求。文中的測量誤差可能主要來源于以下2方面：①標定過程中存在誤差，并被引入到圖像校正過程中；②雙目相機調(diào)平過程引入了一定的傾斜。

5 結(jié) 論

1）針對混凝土電桿立桿參數(shù)測量效率低的問題，提出基于雙目立體視覺的電桿埋深和傾斜率測量方法，實測結(jié)果表明該方法能滿足測量要求，且易于部署，成本低。

2）在混凝土電桿區(qū)域分割算法中，改進原Deeplab V3＋網(wǎng)絡(luò)結(jié)構(gòu)，修改主干特征提取網(wǎng)絡(luò)，優(yōu)化特征融合，并且加入改進的CBAM注意力機制，結(jié)果證明改進的Deeplab V3＋模型相比于原模型的mIoU提升1.41%，參數(shù)大小減小89.1%。加入改進CBAM 注意力機制的模型相比加入原CBAM的模型，mIoU提升0.22%，且參數(shù)增加量更少。

3）利用雙目視覺原理，根據(jù)混凝土電桿的幾何特性，采用基于區(qū)域效應(yīng)的亞像素邊緣擬合方法獲取特征點，具有較高的測量精度，為簡單幾何物體的非接觸測量提供參考。