裴慧坤，楊 興，侯立群

(1.深圳供電局有限公司,廣東 深圳 518000;2.東北電力大學建筑工程學院,吉林 吉林 132012)

0 引 言

伴隨著社會經(jīng)濟的發(fā)展，社會對于用電需求持續(xù)擴大。因此不斷提高電壓等級，很大程度的提升系統(tǒng)輸送潮流功率，由于同塔雙回線路具有運維簡單、經(jīng)濟價值較高、節(jié)省輸電走廊等特點，因此所表現(xiàn)出來的優(yōu)勢明顯，逐步變成重要的電力傳輸方式[1]。但是該線路的導線之間存在耦合系數(shù)很大的問題，導線與大地、導線之間都有著很強的靜電耦合以及電磁耦合，以此該設(shè)備在架設(shè)方面存在困難[2]。同塔雙回特高壓輸電線路已然成為國家電力系統(tǒng)的重要組成部分，其安全穩(wěn)定運行與否會對國家電力系統(tǒng)安全產(chǎn)生直接影響，該線路與主要交通干線相背離，經(jīng)過的地理環(huán)境結(jié)構(gòu)復雜，在長期運行中輸電線路易容易受到人為破壞和自然災害損傷[3-4]。為此，應(yīng)時刻關(guān)注同塔雙回特高壓輸電線路運行狀況，及時檢測線路故障，確保同塔雙回特高壓輸電線路穩(wěn)定、安全運行。

由于上述因素，使用無人機以及紅外檢測儀對對輸電線路進行巡檢已然成為未來智能巡檢趨勢。之所以利用使用紅外檢測，是因為其擁有具有不停電、遠距離以及不接觸等優(yōu)勢，能對很多種的電力設(shè)備進行檢驗，為線路巡檢提供了新思路[5]。所以，可以利用該設(shè)備巡檢輸電線路，此種巡檢方式會有多種紅外圖像以及視頻數(shù)據(jù)產(chǎn)生，從反饋回來的圖像可以對輸電線路進行檢測，因此，檢測同塔雙回特高壓輸電線路紅外圖像成為關(guān)鍵。

紅外圖像檢測技術(shù)是一項使用范圍極大的技術(shù)手段。因為背景信息很多，能夠獲取部分輸電線圖像，會受其干擾，影響對輸電線的定位及提取，圖像檢測效果不佳[6-7]。通過翻閱大量資料，對以往的研究經(jīng)驗進行研究，以紅外成像特點為基礎(chǔ)，結(jié)合實際案例，本文提出一種同塔雙回特高壓輸電線路紅外圖像檢測方法，主要分為紅外圖像預處理與分割、紅外圖像特征提取、紅外圖像檢測三部分，為處理同塔雙回特高壓輸電線路紅外圖像提供有效手段。

1 同塔雙回特高壓輸電線路紅外圖像預處理與分割

1.1 紅外圖像增強預處理

利用變換函數(shù)，將圖像中所給定的灰度級進行映射操作，把灰度區(qū)間及感興趣的目標突出顯示[8]。

圖1 分段線性灰度變換

其的數(shù)學表達式為：

(1)

上述公式中，原來的紅外圖像灰度用f(x,y)表示，分段線性灰度變換后的用g(x,y)表示，a、b是像素節(jié)點，紅外圖像的分段節(jié)點在通過灰度變換后用c、d表示，原圖像和灰度變換后圖像的像素灰度最大分別為Mf、Mg。

在上述紅外圖像增強預處理結(jié)果基礎(chǔ)上，對紅外圖像進行去噪處理，由于紅外圖像主要存在高斯噪聲，采用高斯去噪方法。在此基礎(chǔ)上，進而完成同塔雙回特高壓輸電線路的紅外圖像預處理。

1.2 紅外圖像分割

在預處理完成的紅外圖像基礎(chǔ)上，本文以尺度不變特征變換(Scale Invariant Feature Transform, SIFT)為基礎(chǔ)，對紅外圖像進行特征提取并匹配，利用紅外圖像的幀間差分，對兩幅圖像的重合部分進行識別獲取[9,10]，得出輸電線路分割結(jié)果。

1.2.1 SIFT算法原理

本文采取基于SIFT的圖像配準算法，以此獲得圖像的局部性特征。該算法在尺度空間之內(nèi)對極值點進行查找，主要是為了獲得極值點的旋轉(zhuǎn)不變量、位置以及尺度。在高斯差分(Difference of Gaussian，DoG)空間內(nèi)對極值點的尺度進行檢測，方法如下：

(2)

公式(2)屬于高斯核函數(shù)，利用該函數(shù)改變原始圖像的尺度，最后獲取高斯空間。高斯核卷積紅與外二維圖像得到公式(3)：

L(x,y,σ)=G(x,y,σ)*I(x,y)

(3)

根據(jù)公式對不同尺度下紅外圖像的高斯空間進行獲取，其中，圖像的尺度空間用L(x,y,σ)表示。對相鄰兩尺度空函數(shù)進行相減操作，之后獲得DoG空間，以D(x,y,σ)表達，采用公式(4)計算：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*

I(x,y)=L(x,y,kσ)-L(x,y,σ)

(4)

為檢測到DOG函數(shù)的極值點，就必須要進行比較操作，比較的對象為尺度空間的所有相鄰像素、空間中每一個像素點和其周圍所有像素，保證在所有空間內(nèi)這些點都屬于極值點。

利用上述方法獲取極值點，該極值點都具有離散性。為精確找到的特征點位置及尺度，需要進行下一步操作，對已獲得的極值點進行插值操作，最后獲取連續(xù)空間極值點[11]。尺度空間函數(shù)D(x,y,σ)在(x0,y0,σ)處的表示如下：

(5)

公式中，DT是D的轉(zhuǎn)置矩陣，如公式(6)所示：

(6)

對公式(5)求導，使得導函數(shù)為0，得：

(7)

在橫向邊緣有時DOG函數(shù)的極值會有很大的主曲率產(chǎn)生，而在縱向邊緣時，發(fā)生的幾率很小，因而就會有邊緣效應(yīng)產(chǎn)生，最后獲取特征點具有不穩(wěn)定性[12]。如果想要較為穩(wěn)定的特征點，就必須要對不穩(wěn)定的特征點進行剔除操作。其主曲率能夠利用 Hessian 矩陣的特征點獲得：

(8)

tr(H)=Dxx+Dyy=α+β

(9)

Det(H)=DxxDyy-(Dxy)2=αβ

(10)

因為H矩陣的特征值與主曲率D成正比，根據(jù)公式(9)和公式(10)，將其比值比例ratio用公式(11)表示：

(11)

為了讓特征點既有旋轉(zhuǎn)不變性特征，DoG空間中內(nèi)，采集的紅外圖像像素的方向以及梯度的分布特點是：

m(x,y)=

(12)

(13)

梯度模值利用公式(10)表述，梯度方向以公式(11)表述。在一圓周內(nèi)，以10°對一個方向柱進行劃分，在直方圖中，峰值表示該點的主方向。由此，就使SIFT特征向量具有穩(wěn)定性。

1.2.2 紅外圖像幀間差分

本文的紅外圖像除了包含輸電線信息，還含有大量背景信息，如果想要將得到的紅外圖像中準確分離其中的輸電線，如均值漂移等一般分割方法不僅僅是計算量大，而且算法較為復雜，分割效果并不理想[13]。本文采取措施解決目標難以分割的問題，盡力消除背景信息，在圖像處理之中，對背景進行減除屬于基本操作。利用上述方法，獲得消除背景之后的圖像，其消除取得很好的效果[14]。經(jīng)過拼接操作之后，會得到兩幅圖像重合的部分，之后拆分重合的部分，完成背景信息消除工作。

對重合部分進行減除，其表達式dij(x,y)為：

(14)

公式中，圖像獲取時間分別為ti和tj，Th為像素閾值；f(x,y,ti)、f(x,y,tj)分別為ti、tj時間在像素點(x,y)處的灰度值。

1.3 同塔雙回特高壓輸電線路元件區(qū)域紅外圖像特征提取

在上述分割完成圖像基礎(chǔ)上提取線路元件區(qū)域。以線性檢測算子(Line Segment Detection, LSD)算法為基礎(chǔ)，獲取圖像線段，之后將線段連接起來，進過一系列的判斷以及篩選，最后得到圖像之中的導線組。因此，兩組導線的重合部分以及一組導線的端點范圍就會被認成線路元件區(qū)域。該算法主要用于直線檢測分割，在線性時間之內(nèi)，它能夠通過計算獲得圖像精度。其算法流程如下：

(1)利用高斯算法，對輸入的紅外圖像進行采樣工作；

(2)獲得各個點的梯度值與方向；

(3)通過排序所有獲得的點，并構(gòu)建狀態(tài)列表；

(4)剔除狀態(tài)表中梯度值小于ρ(ρ=2/sinτ)的點；

(5)將所構(gòu)建的列表中找出偽排列的第一個點，也就是梯度值最大的點，將此作為種子點，將該點的梯度角作為初始區(qū)域角度，將范圍設(shè)定在[-τ,τ]內(nèi)，搜索范圍內(nèi)周圍方向的閾值點，不間斷的更新的角度，以此得到區(qū)域R；

(6)得出上述矩形的虛警數(shù)量，如果比設(shè)定的閾值小，于是直接把此區(qū)域輸出，否則就對區(qū)域R進行判定，認定此區(qū)域無效。

根據(jù)檢測到的直線段，選取角度的范圍設(shè)定在(-π/4,π/4)內(nèi)，以該線段的位置、間距以及斜率為基礎(chǔ)，對圖像中的導線進行以下操作。

(1)導線連接：連接符合條件的任意兩線段L1和L2。

①L1和L2的角度差小π/24；

②L1和L2中最小長度比L1和L2的近鄰點距離的一半還要小。

(2)導線篩選：以獲得的線段集為基礎(chǔ)，在每一個類別中選擇最長線段，如果所得線段寬度比紅外圖像寬度的四分之一大，處在該類別中的線段都會被認為是導線。

1.4 同塔雙回特高壓輸電線紅外圖像目標檢測

同塔雙回特高壓輸電線紅外圖像目標檢測本質(zhì)為對背景與對象之間的交界線進行提取。根據(jù)原始圖像進行檢測屬于經(jīng)典的邊緣檢測算子，在像素鄰域內(nèi)觀察每一個的像素的灰度變化，根據(jù)二階或者一階導線檢測邊緣[17]。常用的檢測算子較多，文章采用性能較優(yōu)的Roberts檢測算子檢測同塔雙回特高壓輸電線紅外圖像目標。

Roberts算子根據(jù)局部差分，以此來尋找邊緣算子，定義Roberts算子為：

Δxf=f(x,y)-f(x+1,y+1)

(15)

Δyf=f(x,y+1)-f(x+1,y)

(16)

該算子的梯度幅值可表示為：

(17)

Roberts算子在對角線方向利用相鄰兩個像素差值的近似梯度值來對圖像目標的邊緣進行檢測。上述算法垂直目標的效果以及檢測水平明顯比斜向目標更優(yōu)，定位精確度高，敏感度好。通過邊緣檢測，獲取紅外圖像邊緣輪廓的草圖，以此獲得完整的邊緣輪廓，更需要對獲得的邊緣輪廓草圖進行連接以及跟蹤，最后將邊緣草圖組成事件。

中邊緣跟蹤就是以一個邊緣點為出發(fā)點，先對邊緣點進行搜索，進而進行連接，因此逐漸對所有邊緣進行檢測的方法。其步驟為：(1)將計算獲得的梯度進行搜索，尋找邊緣跟蹤的開始點，對其的具體要求就是梯度要大于某一閾值A(chǔ)。(2)在設(shè)定范圍內(nèi)查找點A的最大梯度值，將找到的點作為邊緣，并且將該點當作是下次進行搜索的起始位置。(3)以梯度最大值為搜索標準，直至在設(shè)定范圍之內(nèi)搜索到某一個點的最大梯度值小于某一閾值B，或是搜索點處在邊緣位置，才會完成一次搜索工作。對以上步驟進行重復，在梯度圖中對于梯度大于閾值A(chǔ)的點進行再次搜索，最終獲取的邊緣點則是總體紅外圖像的邊緣，實現(xiàn)紅外圖像邊緣的準確檢測。

2 實驗結(jié)果分析

為驗證本文所提方法的有效性，對采集到的同塔雙回特高壓輸電線路紅外圖像展開目標檢測實驗。

2.1 同塔雙回特高壓輸電線路紅外圖像檢測結(jié)果分析

為突出本文方法的優(yōu)勢，引用Sobel算子、Prewitt算子、Laplace算子展開對比測試。采用包括本文方法在內(nèi)的4種邊緣檢測算子檢測同塔雙回特高壓輸電線路紅外圖像。

分析圖2可以看出，采用本文方法連接圖像輪廓邊緣后，同塔雙回特高壓輸電線路紅外圖像邊緣輪廓連接無損，不存在間斷。

圖2 測試操作員測試結(jié)果的比較

2.2 同塔雙回特高壓輸電線路紅外圖像檢測精確度分析

為突出本文方法檢測同塔雙回特高壓輸電線路紅外圖像目標的優(yōu)勢，采用基于序列小目標的紅外圖像檢測方法以及基于形態(tài)濾波的紅外圖像檢測方法展開對比實驗。從同塔雙回特高壓輸電線路紅外圖像庫中選取100幅符合要求的紅外圖像，平均分成10組，采用三種方法識別圖像中的目標，計算三種方法在每組圖像中的檢測精確度均值，制成表格如表1所示。分析該表得到，本文方法的檢測精確度均值為98.2%，高于其它方法，并且本文方法在10組圖像中的檢測精確度都在97.3%～99.2%之間波動，具有較低的變化幅度，穩(wěn)定性高。

表1 不同檢測精度方法的比較

分析表1能夠看出，本文方法的檢測精確度均值為98.2%，相比基于序列小目標的紅外圖像檢測方法以及基于形態(tài)濾波的紅外圖像檢測方法高13.6%、22.7%，突出了本文方法檢測同塔雙回特高壓輸電線路紅外圖像目標精確度高的優(yōu)勢。另外，本文方法在10組圖像中的檢測精確度在97.3%～99.2%之間，波動較小，穩(wěn)定性較強；基于序列小目標的紅外圖像檢測方法的檢測精確度在80.1%～89.3%之間，相對本文方法而言，波動較大，穩(wěn)定性稍弱；基于形態(tài)濾波的紅外圖像檢測方法的檢測精確度在65.5%～88.6%之間，最大值與最值差高達23.1%，由此驗證該方法的檢測精確度波動較大，穩(wěn)定性差。對比三種方法的實驗結(jié)果可知，本文方法具有檢測精確度高、穩(wěn)定性強的優(yōu)勢，可有效用于同塔雙回特高壓輸電線路紅外圖像檢測。

3 結(jié) 語

本文方法采用分段灰度線性變換方法增強圖像并去除圖像噪聲，獲取紅外圖像分割結(jié)果；以LSD線段檢測法為基礎(chǔ)，進而對紅外圖像導線進行提取，完成線路元件區(qū)域特征提取；選擇Roberts算子對圖像目標進行檢測，以目標圖像的不連續(xù)邊緣進行連接為基礎(chǔ)，獲取連續(xù)清晰的圖像邊緣。高壓輸電線路的紅外圖像目標提供技術(shù)支持。經(jīng)過多次實驗驗證，本文方法在同塔雙回特高壓輸電線路紅外圖像檢測方面精確度較高，精確度均值高達98.2%，但同時存在缺點，目前本文方法不能對所有輸電線進行分割定位，有待改進，以便更好地用于同塔雙回特高壓輸電線路紅外圖像檢測領(lǐng)域。