冷月妍

（沈陽(yáng)工程學(xué)院，遼寧 沈陽(yáng) 110136）

0 引 言

隨著社會(huì)的發(fā)展，人們的環(huán)保意識(shí)雖然增強(qiáng)了，但不文明現(xiàn)象仍然存在。當(dāng)生活垃圾或者其他垃圾懸掛于輸電線路時(shí)，會(huì)造成非常嚴(yán)重的后果。異物不僅會(huì)影響正常供電，還會(huì)導(dǎo)致線路跳閘，甚至導(dǎo)致區(qū)域性大面積停電。因此，及時(shí)清除懸浮物已成為電力系統(tǒng)的一個(gè)熱點(diǎn)問(wèn)題。目前，各電力公司都選擇傳統(tǒng)的人工巡線檢查懸浮異物。然而，隨著長(zhǎng)距離輸電線路技術(shù)的發(fā)展，空間跨度越來(lái)越大，輸電線路所面臨的環(huán)境也越來(lái)越惡劣，而高壓線路又是長(zhǎng)鏈?zhǔn)骄嚯x分布。所以，巡線人員的安全難以保障。人工智能的出現(xiàn)大大提高了巡線工作的效率和準(zhǔn)確性，同時(shí)也保證了巡線人員的安全。

目前，與人工智能相結(jié)合的巡線設(shè)備主要有航空攝像機(jī)器人。航空攝像機(jī)器人主要通過(guò)無(wú)人機(jī)身上的光學(xué)成像設(shè)備對(duì)輸電線路進(jìn)行拍照，并及時(shí)傳送到工作臺(tái)進(jìn)行圖像處理和故障檢測(cè)。故障檢測(cè)的主要難點(diǎn)是異物檢測(cè)算法的研究，包括圖像預(yù)處理（包括去噪、去霧、去模糊等技術(shù)）、圖像分割、異物定位等關(guān)鍵技術(shù)。本文采用新型的高斯混合模型（GMM）對(duì)采集到的圖像進(jìn)行分割操作，利用開(kāi)源視覺(jué)庫(kù)中函數(shù)對(duì)圖像中的異物進(jìn)行放大和切割處理，并對(duì)彩色圖像進(jìn)行去噪處理，得到高清晰度的異物圖像，并利用HSS 模型進(jìn)行空間變換，對(duì)圖像進(jìn)行預(yù)處理，以達(dá)到新型高斯混合模型的最佳效果。

1 圖像放大與剪裁

隨著AI 技術(shù)的快速發(fā)展，關(guān)于設(shè)備的實(shí)地監(jiān)測(cè)也漸漸的從人工走向了人工智能。由于輸電線本身帶有超高電壓以及輸電線所處外界環(huán)境因素的影響，會(huì)使得拍攝時(shí)航拍機(jī)器人與輸電線保持一定的安全距離，確保尋線過(guò)程的安全性。所以會(huì)導(dǎo)致收集到的圖像中目標(biāo)物體占比較小，背景占比較大。本文通過(guò)Open CV 開(kāi)源視覺(jué)庫(kù)中的Void resize 對(duì)圖片進(jìn)行放大處理，同時(shí)使用ROI 完成圖像切割動(dòng)作[1]。但由于放大過(guò)程會(huì)使圖片產(chǎn)生失真的問(wèn)題，本文將interpolation 賦予INTER_CUBI C 來(lái)解決此問(wèn)題。如圖1 所示為原始圖像，圖2 所示為經(jīng)過(guò)放大剪裁后的子圖像。

圖1 原始圖片

圖2 放大剪裁后子圖像

2 彩色圖像去噪

本文采用一種具有冗余多分辨率分析的系統(tǒng)小波框架，利用將原圖像看成由清晰圖像和噪聲干擾構(gòu)成的圖片，通過(guò)這種思維可以快速完成圖像去噪動(dòng)作[2]。通過(guò)小波框架思路得式（1）：

其中ε表示為噪聲干擾項(xiàng)，u表示為干凈彩色圖像，f=（f1，f2，f3），u=（u1，u2，u3）分別代表HSS 的三個(gè)分量。假設(shè)給定u，可以得出期望E（ε|u）=0 和方差var（ε|u）=u。由于高斯噪聲為正態(tài)分布，可以采用最大后驗(yàn)概率。

其中Σ表示為協(xié)方差矩陣，由于噪點(diǎn)具有獨(dú)立性，可以得到：

假定X∈RN的賦值的二范數(shù)為表示對(duì)稱正定矩陣，就可以將（4）改寫(xiě)：

將式子（5）視為偏差原理選擇正則化參數(shù)λ，并且近似求出未知權(quán)重值u，可將f近似u，得到如下式子：

通過(guò)上式可以獲得一個(gè)合理的結(jié)果，完成去噪過(guò)程。圖3、圖4 為圖片去噪前后對(duì)比圖，圖3 為去噪前原始圖片；圖4 為去噪后圖片。通過(guò)對(duì)比可以看出噪點(diǎn)被明顯去除。

圖3 去噪前原始圖片

圖4 去噪后圖片

3 圖像分割

3.1 色彩空間轉(zhuǎn)換

RGB 模型[3]是以R（紅色）、G（綠色）、B（藍(lán)色）為基礎(chǔ)建立的笛卡爾坐標(biāo)系。本文通過(guò)將RGB 模型轉(zhuǎn)換為HSS 模型從而提高顏色信息的利用率。HSS 模型[4]將三種分量替換為明亮度、灰度、陰影，使模型更與人的視覺(jué)特性貼合，從而更加適合圖片處理預(yù)計(jì)識(shí)別工作，更容易進(jìn)行區(qū)域分割。如圖5 所示為RGB 模型，圖6 所示為HSS 模型。

圖5 RGB 模型

圖6 HSS 模型

輸電線的HSS 的各分量如圖6 所示。對(duì)各分量的通道進(jìn)行分割閾值等處理。

3.2 圖像區(qū)域分割

將所采集到的輸電線圖像中的所有像素點(diǎn)的顏色特征結(jié)合成一個(gè)高斯混合模型。將輸電線分為三個(gè)部分，分別為：輸電線、目標(biāo)異物、背景。設(shè)置次模型是由K=3 個(gè)子高斯分布組成的高斯混合模型，其樣本輸入數(shù)據(jù)為X=[xh，xs，xi]。求解所有子高斯模型的期望、方差以及每一部分在混合模型中的概率。針對(duì)輸電線的色彩圖像，樣本數(shù)據(jù)是一個(gè)多維數(shù)據(jù)的三維矢量，即當(dāng)X=[xh，xs，xi]時(shí)，高斯分布所服從的概率密度函數(shù)為：

式中：μ表示為三個(gè)通道的平均色調(diào)矢量、平均飽和度矢量、平均陰影矢量；Lθ=Π表示為一個(gè)3×3 的協(xié)方差矩陣，對(duì)角線上的元素表征3 個(gè)維度上的變量方差；D表示為維度數(shù)據(jù)，本實(shí)驗(yàn)取3。

總體分布中含有K 個(gè)子分布概率模型可以用一個(gè)混合模型來(lái)替代。高斯混合模型的概率分布為：

式中：K表示子模型數(shù)量，本文K取3；P（x|θ）表示第K個(gè)子模型的概率（混合模型中的權(quán)重，圖像中單個(gè)像素在其對(duì)應(yīng)的混合模型的概率）；φ（x|θ）表示第K個(gè)子模型的高斯分布密度函數(shù)。式（8）中，參數(shù)θ=（μk，σk，θk）設(shè)定為每個(gè)子模型的期望、方差在混合模型中的概率，以上操作可以完成高斯模型的建立。

在顏色特征中輸電線的每個(gè)像素點(diǎn)的顏色特征都是獨(dú)立的，所以在本計(jì)算中的像素點(diǎn)均可以視為獨(dú)立個(gè)體，故其似然函數(shù)可以近似看為概率密度函數(shù)：

式中：xj表示為第j個(gè)觀測(cè)數(shù)據(jù)，j=1，2，3…N。

由于圖像分辨率較高，故每個(gè)點(diǎn)發(fā)生的概率都很小，對(duì)觀察和計(jì)算都有很大的阻礙，Maximum Log-Likelihood 的混合模型計(jì)算為：

由于高斯模型無(wú)法求出其導(dǎo)數(shù)以至于無(wú)法求出Likelihood 的最大參數(shù)，加上某像素在其區(qū)域的概率為隱變量。EM 是針對(duì)存在隱變量的概率模型參數(shù)的最大似然估計(jì)的算法。

利用EM 算法[5]進(jìn)行迭代更新高斯混合模型[6]參數(shù)的方法如下：

（1）初始化參數(shù)（μ，Σ，π）；

（2）E（γjk|X，γ），j=1，2，3…N依據(jù)此公式求解期望，并且依據(jù)初始化參數(shù)進(jìn)行求解：

（3）求解參數(shù)極大值，更新μ進(jìn)行新一輪的迭代計(jì)算，如式12，式13，式14 所示。

重復(fù)（2）（3）步，直到數(shù)據(jù)收斂，輸出高斯混合模型參數(shù)。

LUT[7]可以根據(jù)輸入數(shù)據(jù)地址快速查找對(duì)應(yīng)的輸出端，繼續(xù)傳播，直至整個(gè)電路的主輸出處。建立LUT 可以快速提升計(jì)算速度。

讀取以上GMM 迭代更新之后得到的高斯混合模型的參數(shù)進(jìn)行像素分類，完成了輸電線圖像區(qū)域分割。圖7 為輸電線區(qū)域，圖8 為目標(biāo)物體區(qū)域，圖9 為背景區(qū)域。

圖7 輸電線區(qū)域

圖8 目標(biāo)物體區(qū)域

圖9 背景區(qū)域

4 系統(tǒng)標(biāo)定與異物定位

系統(tǒng)標(biāo)定是一種可以通過(guò)比例尺將所采集的尺寸與實(shí)際尺寸相互轉(zhuǎn)換[8]，這里將比例關(guān)系設(shè)定為k：

上式中，L為被測(cè)目標(biāo)物體實(shí)際尺寸，單位為cm，P為目標(biāo)物體的像素個(gè)數(shù)，k為標(biāo)定系數(shù)（通過(guò)對(duì)航拍機(jī)器人與異物垂直距離進(jìn)行設(shè)定）單位為pixel/m。本文通過(guò)將待測(cè)標(biāo)準(zhǔn)件的精確尺寸與經(jīng)過(guò)處理后的圖片的像素個(gè)數(shù)進(jìn)行對(duì)比，選取一個(gè)標(biāo)準(zhǔn)件，根據(jù)公式（15）多次試驗(yàn)取平均值，并且求出k。同時(shí)建立圖像坐標(biāo)系將像素坐標(biāo)與物理坐標(biāo)相互轉(zhuǎn)換。本文建立模型如圖10 所示。

圖10 圖像坐標(biāo)系

圖中（u0，v0）為像素坐標(biāo)，O1的物理坐標(biāo)（x，y）可表示為：

假設(shè)兩幅輸電線異物相位夾角為θ（一般為90°），Z＇可以視為異物點(diǎn)的側(cè)位投影的橫坐標(biāo)根據(jù)兩種坐標(biāo)的變換關(guān)系：

可以求出異物點(diǎn)的三維坐標(biāo)信息，同時(shí)可以根據(jù)兩點(diǎn)公式，實(shí)現(xiàn)對(duì)兩點(diǎn)之間的距離計(jì)算可以通過(guò)采點(diǎn)測(cè)距的方式：

為了驗(yàn)證GMM 的迭代效率與原始模型迭代效率的巨大差異性，本文針對(duì)不同模型的迭代誤差以及不同模型下的迭代效率進(jìn)行仿真。仿真結(jié)果看出GMM 在迭代過(guò)程的誤差有明顯的提高且效率也明顯上升。

5 結(jié) 論

本文提出了基于GMM（高斯混合模型）的輸電線監(jiān)測(cè)圖像處理方法，可以有效的提高計(jì)算的迭代速度，在不需要了解數(shù)據(jù)分布的情況下，可以直接進(jìn)行類聚，且對(duì)初始數(shù)據(jù)的要求不高，使迭代次數(shù)與監(jiān)測(cè)效果達(dá)到最優(yōu)。本模型有效的增加了圖像檢測(cè)處理效率以及異物識(shí)別的準(zhǔn)確性，為電力巡線圖像處理提供了理論參考，該方法具有一定的應(yīng)用推廣性和普遍適用性。