王興濤，李文永，陳 亮

(華能新疆吉木薩爾發(fā)電有限公司，新疆 昌吉 831799)

0 引言

電力能源作為我國幾大主要能源之一，在社會生產(chǎn)與日常生活中占據(jù)著至關重要的地位。只有電力安全地持續(xù)穩(wěn)定供應，才能使工業(yè)進程與生活需求得到最高程度保障。隨著電力信息化戰(zhàn)略[1]的提出與計算機視覺[2]的飛速發(fā)展，巡檢機器人在電力領域中得到了越來越廣泛的應用與普及，進一步推動了智能電網(wǎng)的建設進度。為提升巡檢機器人的智能化水平，眾多相關領域人員將其作為研究課題，從多個角度展開了優(yōu)化。

周振宇等[3]就巡檢機器人的通信與計算需求，提出一種聯(lián)合能量感知的高可靠低時延移動邊緣計算方法，令機器人的效用最大化；李榮等[4]面向變電站室內外一體化巡檢機器人，構建一種全向四驅結構的運動控制系統(tǒng)，增加機器人的可控性；崔坤坤等[5]為巡檢機器人設計的動態(tài)雙窗口下視覺導航與特征識別方法，很好地強化了導航精度與巡檢點特征識別的魯棒性。

由于變電站的設立環(huán)境多為空曠的平原地帶，經(jīng)常受到塑料袋、鳥巢等異物的侵擾，對電網(wǎng)造成安全隱患，危害電力系統(tǒng)穩(wěn)定運行。因此，本文研究出一種適用于電力巡檢機器人的掛空異物智能檢測方法，確保輸電線路通暢。根據(jù)光照強度、天氣狀況、前景與背景的分割閾值等條件，采用不同的濾波處理方法與對比度增強方法來預處理采集圖像，增加檢測準確度；基于局部二值模式圖像特征點匹配策略來完成異物檢測，有效解決對外部數(shù)據(jù)的依賴問題。

1 電力巡檢機器人采集圖像預處理

電力線路環(huán)境相對復雜，機器人采集到的圖像通常存在一定噪聲，影響后續(xù)檢測準確度。因此，利用多種處理手段，預處理線路采集圖像，為異物檢測奠定基礎。

1.1 圖像濾波

機器人采集圖像時，會因光照強度、天氣狀況等因素，令背景差異較大，故需根據(jù)表1所示的不同顏色空間變量值與背景特征關聯(lián)，采用不同的濾波方式。

表1 圖像類別及其濾波方法

各濾波方式具體實現(xiàn)內容如下所述：

a.均值濾波。根據(jù)線路形態(tài)顏色，增強線路邊緣,可通過均值濾波的數(shù)學界定公式實現(xiàn)，即

(1)

z(k,l)為模板中心像素灰度值；ψ(α,β)為模板中像素灰度值；n為模板內所有像素數(shù)。

b.高斯濾波。根據(jù)可視度與外界干擾，更好地保留邊緣細節(jié)，利用的高斯濾波的數(shù)學界定公式為

(2)

Wα β為坐標(α,β)的加權值。

c.中值濾波。同理，去除孤立噪聲點采用的中值濾波表達式為

z(k,l)=median{ψ(α,β)}

(3)

d.雙邊濾波。該處理方式將像素灰度值差異所占權重作為考量因素之一，結合空間鄰近度與像素值相似度，抑制低頻干擾，其定義式為

(4)

w(α,β,k,l)為坐標點(α,β)的權重因子。

1.2 對比度增強

面向模糊不清的采集圖像，需利用式(5)所示的對比度拉伸公式，合理分配前景與背景區(qū)間的像素占比灰度值，使線路邊緣更加突出。

(5)

χ為經(jīng)過拉伸的灰度級；nl為當前及其之前的灰度級含有的像素；nmin為極小灰度級含有的像素；N為像素總數(shù)。

為更好地拉伸開灰度分布較窄區(qū)間，增加圖像清晰度，采用最大類間方差法[6]計算出前景與背景的分割閾值T和平均灰度值H，并以此為依據(jù)來改變分段區(qū)間與拉伸區(qū)間，如表2所示，再通過對比度拉伸公式適當增強圖像對比度。

表2 灰度分段區(qū)間與拉伸區(qū)間

2 掛空異物智能檢測

2.1 輸電線路識別

根據(jù)輸電線路的直線特征，采用霍夫變換直線提取法[7]明確電線范圍。假設某平面極坐標系[8]內存在1條直線L，其與原點的間距為ρ，垂線段和x軸間的夾角為θ。結合點線對偶屬性[9]，按照以下流程完成基于霍夫變換的輸電線路識別：

a.量化處理參數(shù)空間為m×n塊，設定初始值是0的累加器矩陣。

b.使累加器與各空間塊一一對應。

c.已知某像素點坐標(xi,yi)，將空間塊作為步長標準，在夾角θ為[0,π]中求解所有ρ值，若解值與某空間塊吻合，則該塊的累加器加1?？臻g塊累加器的數(shù)值與共線像素點數(shù)量相一致。

d.當全部像素點經(jīng)過遍歷后，統(tǒng)計空間各累加器值，參數(shù)ρ、θ是累加器極大值對應空間塊的數(shù)值。若L′條直線周圍分布著圖像空間的點，則在取得累加器值后，選取對應于前L′個極大值空間塊的ρL′、θL′，即可完成多條輸電線路識別。

2.2 輸電線路擬合

識別出的直線有可能是屬于同一條輸電線路的局部導線，因此，設計出一種擬合恢復方法使線路完整。

為準確判定出巡檢機器人采集圖像中的平行直線段L1、L2屬于同一條線路邊緣，需先計算出2條線段之間的垂直距離。已知線段L1、L2的2個端點坐標各是P11(a1,b1)、P12(a2,b2)、P21(a3,b3)、P22(a4,b4)。根據(jù)直線方程Ax+By+C=0與任意點P坐標(x0,y0)，計算該點與直線的垂直距離d，求解出端點P11(a1,b1)與線段L2的間距D112。同理，得到端點P12(a2,b2)與線段L2的間距、端點P21(a3,b3)、P22(a4,b4)與線段L1的間距，求出2條線段間的平均垂直距離M1，通過對比預設閾值M，判斷出圖像中的2條線段是否屬于相同線路，若M1

若線段L1與圖像邊界交于點Q1、Q2，解得2個交點坐標，基于此擬合出完整的線路邊緣，以便后續(xù)掛空異物檢測：

(6)

(7)

m為機器人采集圖像長度。同理擬合出圖像中剩余直線段的完整線路。

2.3 掛空異物檢測

基于局部二值模式圖像特征點匹配策略[10]，降低異物檢測過程對外部數(shù)據(jù)的依賴。

假設輸電線路L1上有1個掛空異物，該線段上點的集合是Pi(i=1,2,…,n)，對應坐標是(xi,yi)，且xi-xi-1=λ，點P1與端點Q1重疊?；邳cP1建立長寬各是λ、h的矩形興趣范圍，遍歷該范圍中的所有像素點，當像素點屬于黑色前景時，求解出該點與線段L1的垂直距離，與距離閾值d作對比后，若呈大于關系，則該像素點不是線路像素點，而是異物像素點，即異點，解得矩形范圍中全部異點數(shù)量Ni。對于線路L1上的異物智能檢測流程如下所述：

a.基于點Pi(xi,yi)，當xi+λ超出采集圖像右側時，不需建立矩形范圍，跳至第d步；若未超出圖像右側，則建立矩形范圍，進行下一步。

b.獲取矩形范圍中所有異點數(shù)Ni，若其與采集圖像長度m之間呈大于關系，則判定局部或全部異物存在于矩形范圍中，標記點坐標Pi(xi,yi)，進行下一步。

c.求解出點坐標Pi+1(xi+1,yi+1)后，返回第a步。

d.如果第b步?jīng)]有對應點標記，表明線路上無掛空異物，跳至第f步；如果有對應點標記，則進行下一步。

e.兩兩比對所有標記點，解得各橫坐標差值，當差值不超過[λ,3λ]時，判定2個矩形范圍中的異物屬于同一異物，去除第2個標記點，待全部標記點處理完全后，進行下一步。

f.解得剩余標記點相應矩形范圍幾何中心坐標并輸出。

3 仿真實驗分析

3.1 實驗參數(shù)設定

按照表3所示的數(shù)值設置相關算法參數(shù)。

表3 相關參數(shù)設置

3.2 智能檢測效果主觀性分析

根據(jù)某國網(wǎng)省檢修公司電力巡檢機器人提供的風箏異物檢測處理過程圖像(如圖1所示)可以看出，該方法根據(jù)不同顏色空間變量值與背景特征之間的關聯(lián)，采用對應的濾波方式，基于前景與背景的分割閾值及平均灰度值，結合各背景類別的分段區(qū)間與拉伸區(qū)間，實現(xiàn)對比度增強。因此，各處理步驟均得到較好進行，最終理想地檢測出線路上的掛空異物。

圖1 異物檢測處理過程

為檢驗方法適用性，讓巡檢機器人檢測不同背景下的不同異物，如圖2所示。從塑料袋異物檢測處理過程圖像可以看出，雜亂背景中的異物在該方法的處理下同樣得到了準確的檢測。這說明本文方法因基于局部二值模式圖像特征點匹配策略，大幅降低了異物檢測過程對外部數(shù)據(jù)的依賴，所以能夠有效檢測出各類背景中的異物。

圖2 復雜背景下異物檢測處理過程

3.3 智能檢測效果客觀性分析

采用異物檢測的正確數(shù)量、錯誤數(shù)量、遺漏數(shù)量以及消耗時間等多項指標，從客觀角度分析本文方法性能。

3.3.1 檢測過程各階段耗時分析

針對風箏、塑料袋2種掛空異物及無異物等3種情況展開消耗時間指標評估。已知風箏、塑料袋掛空異物的采集圖像中分別含有651 632個像素與982 196個像素，無異物的采集圖像中含有324 888個像素，檢測方法中各處理流程的耗費時間如圖3所示。從掛空異物的不同情況可知，所用時長隨像素數(shù)量的增加而呈比例延長；從各處理流程所需時長可知，預處理階段的對比度增強過程最耗費時間，其次便是輸電線路識別階段。因此，應將2個階段的耗時問題作為今后研究的重點課題。

圖3 不同異物檢測過程中各階段耗時

3.3.2 不同數(shù)量異物的檢測效果分析

在機器人為期1個月的巡檢工作中，分別對不同數(shù)量的掛空異物展開檢測，檢測結果如表4所示。通過多個掛空異物的檢測結果可以看出，本文方法通過建立矩形興趣范圍，遍歷了該范圍中的所有像素點，相對準確地判定了各像素點的歸屬，故在異物數(shù)量較少時檢測準確度較高。下一階段需就較多異物數(shù)量時產(chǎn)生的誤檢與漏檢情況作進一步優(yōu)化，避免因此而引發(fā)電力事故隱患。

表4 不同異物數(shù)量檢測效果

4 結束語

本文通過設計一種掛空異物智能檢測方法，旨在拓寬機器人在電網(wǎng)領域的市場前景。為使本文方法能夠更高效地實時檢測出掛空異物，防止線路事故發(fā)生，需嘗試引用更快速的處理技術與算法，針對預處理階段中的對比度增強方法與輸電線路識別方法作進一步優(yōu)化；需完善掛空異物數(shù)據(jù)集，增加異物種類，使其不再僅僅局限于氣球、風箏等物品，降低異物類別對檢測效果的影響。