張兆云，黃世鴻，張 志

(東莞理工學(xué)院電子工程與智能化學(xué)院，東莞 523808)

電力的穩(wěn)定供給是保證人們生活生產(chǎn)穩(wěn)定發(fā)展的關(guān)鍵因素，因線路故障導(dǎo)致的大規(guī)模停電事件將造成嚴(yán)重的經(jīng)濟(jì)損失[1]。由于輸電線路中各設(shè)備的工作環(huán)境極其惡劣，積年累月地受曝曬、酸雨、冰凍及臺風(fēng)的影響，在使用期限內(nèi)可能會(huì)出現(xiàn)故障情況。為了防止由于電力設(shè)備發(fā)生故障而導(dǎo)致大規(guī)模停電現(xiàn)象，需要定期對輸電線路進(jìn)行檢測，及時(shí)更換受損的設(shè)備。對輸電線路的檢測方式主要有人工巡線、人直升機(jī)巡線、機(jī)器人巡線以及無人機(jī)巡線。人工巡線的方式不僅成本高效率低，而且容易威脅檢修人員的人身安全。載人直升機(jī)巡線雖然工作效率高，但對操作人員技術(shù)水平要求很高[2]。機(jī)器人巡線雖然續(xù)航時(shí)間長、無巡視盲區(qū)，但因其自身重量會(huì)對電力線造成一定的損傷[3]。無人機(jī)具有工作成本低、易操作、作業(yè)風(fēng)險(xiǎn)低等優(yōu)點(diǎn)，所以采用無人機(jī)巡線方式能有效降低電網(wǎng)運(yùn)營成本和提高巡檢工作效率。無人機(jī)巡線現(xiàn)已成為輸電線路巡檢的重要手段之一。

機(jī)器視覺是設(shè)備通過算法模擬人的視覺進(jìn)行工作，應(yīng)用于不適合人力作業(yè)的危險(xiǎn)場景以及人眼難以鑒別的工作中。電力巡線中的視覺處理技術(shù)主要包括圖像增強(qiáng)、圖像分割、圖像拼接、圖像分類以及視覺導(dǎo)航。基于機(jī)器視覺的無人機(jī)巡線工作過程為無人機(jī)搭載攝像設(shè)備(光學(xué)、遙感、紅外)，利用機(jī)器視覺技術(shù)對檢測目標(biāo)進(jìn)行目標(biāo)的識別、定位拍攝以及故障判斷。隨著計(jì)算機(jī)水平的發(fā)展，依托于深度學(xué)習(xí)的人工智能算法在電力系統(tǒng)的應(yīng)用中取得很好的效果[4]。研究人員提出了一系列針對輸電線路無人機(jī)巡線的視覺檢測方法，并在計(jì)算機(jī)仿真和實(shí)際應(yīng)用中取得很好的成果。

1 無人機(jī)巡線

1.1 工作方式

輸電線路的無人機(jī)巡檢系統(tǒng)工作方式如圖1所示[5-6]。輸電線路檢測目標(biāo)主要是輸電線、電塔部件、輸電線路走廊環(huán)境。無人機(jī)巡線平臺主要由無人機(jī)平臺和地面工作站組成，地面工作站負(fù)責(zé)對無人機(jī)的工作進(jìn)行規(guī)劃以及接收無人機(jī)的監(jiān)測數(shù)據(jù)，無人機(jī)則搭載檢測設(shè)備對輸電線路進(jìn)行檢測。地面工作站由天線和工業(yè)計(jì)算機(jī)組成，可分為手提式工作站和車載式工作站。

電力巡線無人機(jī)平臺可分為小型多旋翼無人機(jī)、無人直升機(jī)及固定翼無人機(jī)。固定翼無人機(jī)具有飛行速度快，巡檢范圍廣的優(yōu)點(diǎn)，能夠快速地對線路進(jìn)行大范圍的檢測。固定翼無人機(jī)在巡線工作中飛行速度在100 km/h左右，每天的有效巡檢里程可達(dá)200 km[7]。固定翼無人機(jī)的缺點(diǎn)是對起飛場地要求很高，且巡線工作時(shí)只能從單一的角度拍攝。無人直升機(jī)具有巡檢范圍較廣、可對線路進(jìn)行不同角度拍攝的優(yōu)點(diǎn)。彭向陽等[8]以國產(chǎn)Z-5型無人直升機(jī)飛行平臺研制的電力巡檢無人直升機(jī)系統(tǒng)已投入示范性使用。該系統(tǒng)單架次巡檢線路長度超過 60 km、飛行時(shí)間可達(dá)3 h。小型多旋翼無人機(jī)具有小巧靈活的優(yōu)點(diǎn)，適用于高架線路電塔的精細(xì)化檢測。湯堅(jiān)等[9]以大疆Matrice 600 Pro多旋翼無人機(jī)作為飛行平臺，采用大疆SDK(software development kit)開發(fā)智能操作系統(tǒng)，研發(fā)面向電網(wǎng)巡檢的無人機(jī)系統(tǒng)。國電南瑞推出的小型旋翼無人機(jī)巡檢系統(tǒng)可實(shí)現(xiàn)5 km范圍內(nèi)線路的自主檢測，而且整套系統(tǒng)只有拉桿箱的大小，能快速進(jìn)行設(shè)備安裝。小型多旋翼無人機(jī)缺點(diǎn)是續(xù)航能力差，每次工作只能檢測二三座電塔。

圖1 無人機(jī)輸電線路巡檢的工作方式Fig.1 The way of unmanned aerial vehicle patrol transmission line

1.2 系統(tǒng)組成

無人機(jī)巡線系統(tǒng)可分為導(dǎo)航系統(tǒng)、通信系統(tǒng)、飛控系統(tǒng)以及檢測系統(tǒng)。導(dǎo)航系統(tǒng)除了負(fù)責(zé)無人機(jī)的飛行導(dǎo)航外，還需記錄所拍攝巡檢圖片的位置。檢測系統(tǒng)可根據(jù)定位信息進(jìn)行圖像地理位置分類并識別出所檢測部件的地理位置。全球定位系統(tǒng)(global positioning system，GPS)具有定位迅速的優(yōu)點(diǎn)。但是民用GPS定位開放的精度較低而且容易受到天氣、地形的影響。無人機(jī)巡線工作中通常采用差分定位技術(shù)提高定位精度[10]。當(dāng)定位信號受影響時(shí)可通過視覺導(dǎo)航技術(shù)進(jìn)行輔助導(dǎo)航，視覺導(dǎo)航是利用電力線周邊的固定標(biāo)志物以及無人機(jī)運(yùn)動(dòng)狀態(tài)等信息進(jìn)行跟蹤導(dǎo)航。文獻(xiàn)[11]以電塔為參考，計(jì)算圖像中電力線的消失點(diǎn)作為無人機(jī)的導(dǎo)航方向，通過點(diǎn)集的配準(zhǔn)模型感知與電力線距離的變化實(shí)現(xiàn)巡線無人機(jī)的視覺導(dǎo)航。

無人機(jī)飛行狀態(tài)的穩(wěn)定性是保證拍攝圖像清晰度的關(guān)鍵因素之一。無人機(jī)在巡線工作時(shí)可能會(huì)遇到強(qiáng)風(fēng)等威脅安全運(yùn)行的情況，需要飛控系統(tǒng)及時(shí)調(diào)整飛行狀態(tài)。飛控系統(tǒng)通過無人機(jī)自身的檢測設(shè)備判斷飛行狀態(tài)，并通過調(diào)節(jié)各螺旋槳的轉(zhuǎn)速實(shí)現(xiàn)無人機(jī)巡檢工作中的各種飛行需求。為了提高無人機(jī)在輸電線路復(fù)雜環(huán)境下的飛行穩(wěn)定性，常采用的控制方法有PID(proportional-integral-derivative)控制、魯棒控制、自適應(yīng)控制[12-14]。

巡線無人機(jī)的通信系統(tǒng)主要用于無人機(jī)與地面工作站的通信。主要通信信息為巡檢實(shí)時(shí)圖像、無人機(jī)位置信息和運(yùn)行狀態(tài)、工作站對無人機(jī)的控制信息等。地面工作站可控制多無人機(jī)協(xié)同工作，文獻(xiàn)[15]通過雙機(jī)協(xié)同通信將兩無人機(jī)分為一組實(shí)現(xiàn)“一站四機(jī)”的高壓輸電線路巡檢模式。無人機(jī)巡線工作中常見的通信方式有工作站無人機(jī)直連，衛(wèi)星中繼、無人機(jī)中繼、無線網(wǎng)絡(luò)通信等[16-18]。直連通信方式通信范圍小，只能用于小型多旋翼無人機(jī)的精細(xì)化檢測。衛(wèi)星中繼方式可以實(shí)現(xiàn)長距離的通信，但是這種方式延遲高，信號容易中斷。無人機(jī)中繼的優(yōu)點(diǎn)是布置靈活、穩(wěn)定性高，是目前無人機(jī)長距離巡線的最優(yōu)通信方式之一。無線網(wǎng)絡(luò)具有傳輸帶寬高的優(yōu)點(diǎn)，能夠?qū)崟r(shí)傳輸高清視頻信息。但無線網(wǎng)絡(luò)在偏遠(yuǎn)山區(qū)的覆蓋不完全，可能會(huì)影響這些地方的無人機(jī)巡線工作。

基于機(jī)器視覺的巡線無人機(jī)的檢測系統(tǒng)即是視覺檢測系統(tǒng)，是無人機(jī)巡線系統(tǒng)最重要的一部分。視覺檢測系統(tǒng)主要分為圖像獲取模塊和圖像處理模塊。圖像獲取模塊主要有光學(xué)成像、紅外成像以及雷達(dá)成像。光學(xué)成像常用于設(shè)備表面故障檢測，紅外成像則用于設(shè)備溫度測量，雷達(dá)成像具有不受光照霧霾影響的優(yōu)點(diǎn)，主要用于電力線及周邊環(huán)境的檢測。圖像處理模塊主要負(fù)責(zé)對獲取的圖像進(jìn)行設(shè)備識別并檢測故障。巡線工作中常用于圖像實(shí)時(shí)處理的計(jì)算單元主要分為DSP(digital signal process)、ARM(advanced RISC machines)、FPGA(field programmable gate array)及GPU (graphics processing unit)，它們在圖像處理的計(jì)算中各有優(yōu)勢。DSP具有專門的硬件乘法器和累加單元，能在同一個(gè)時(shí)鐘周期內(nèi)完成加法和乘法的操作?？刹捎肁RM負(fù)責(zé)事務(wù)管理，DSP負(fù)責(zé)圖像計(jì)算的方法用于圖像的實(shí)時(shí)處理[19]。FPGA具有低功耗、并行計(jì)算能力強(qiáng)的優(yōu)點(diǎn)，可用于加速基于深度學(xué)習(xí)的圖像處理[20-21]。但FPGA開發(fā)過程十分困難，需要開發(fā)者對底層的門電路進(jìn)行設(shè)計(jì)。GPU具有高效的并行性以及高密集的計(jì)算處理能力，是專門針對圖形計(jì)算的處理單元。大多數(shù)神經(jīng)網(wǎng)絡(luò)由GPU訓(xùn)練獲得采用GPU作為深度神經(jīng)網(wǎng)絡(luò)圖像處理的運(yùn)算單元具有較好的移植性[22]。

2 圖像預(yù)處理

無人機(jī)對電力線路進(jìn)行高空拍攝時(shí)，會(huì)受到抖動(dòng)、光照、復(fù)雜背景等因素的干擾。這些干擾因素將直接影響巡線工作中目標(biāo)檢測的效果。圖像預(yù)處理主要目的是通過消除干擾噪聲、去除復(fù)雜背景及拼接圖像，獲得適用于目標(biāo)檢測的圖像。圖像預(yù)處理方法主要有圖像增強(qiáng)、圖像拼接及圖像分割。

2.1 圖像增強(qiáng)

圖像增強(qiáng)的目的是消除噪聲及對比度對圖像質(zhì)量的影響，常用的方法是圖像濾波和直方圖均衡化。圖像濾波方法可以消除圖片中的各種噪聲進(jìn)行圖像的增強(qiáng)，直方圖均衡化的方法能夠消除由對比度產(chǎn)生的影響[23-24]。

2.1.1 圖像濾波

為了除去影響目標(biāo)識別和故障檢測結(jié)果的噪聲，需要采用圖像濾波處理去除噪聲。濾波的方法分為空間域?yàn)V波法和頻率域?yàn)V波法?？沼?yàn)V波法大多是使用濾波模板直接對圖像進(jìn)行處理，常見的濾波模板由均值濾波、中值濾波和維納濾波。文獻(xiàn)[25]根據(jù)電力線的局部灰度分布特征設(shè)計(jì)新型的濾波模板，用方向?yàn)V波結(jié)果進(jìn)行圖像的自相關(guān)增強(qiáng)。文獻(xiàn)[26]提出了改進(jìn)的雙邊濾波器用于消除圖像的高光區(qū)域，其原理是通過將漫反射分量的像素點(diǎn)和鏡面反射的像素點(diǎn)分離并對其分別做最大漫反射色度估計(jì)，以最大漫反射色度作為雙邊濾波的值域進(jìn)行去噪?？臻g域?yàn)V波只需采用濾波模板對圖片像素進(jìn)行處理，具有實(shí)現(xiàn)簡單、處理速度快的優(yōu)點(diǎn)。但是空間域?yàn)V波的缺點(diǎn)是會(huì)造成圖像細(xì)節(jié)的丟失，并且不適用于多種混合噪聲的去除。

頻率域?yàn)V波是將圖像經(jīng)過一系列變換轉(zhuǎn)到頻率域中，在頻率域中做處理后經(jīng)過反變換得到濾波后的圖像，常見的變換方式有傅里葉變換和小波變換。圖像的頻率表征灰度變化的劇烈程度，通過在頻率域進(jìn)行高通濾波可實(shí)現(xiàn)圖像邊緣增強(qiáng)，低通濾波可消除高頻噪聲。文獻(xiàn)[27]采用穩(wěn)定小波變換和離散小波變換的高低頻分別結(jié)合起來，然后只對低頻部分進(jìn)行自適應(yīng)直方圖均衡化進(jìn)行圖像增強(qiáng)。文獻(xiàn)[28]采用小波變換分離成不同頻率成分的子帶圖像，然后對低頻子帶圖像灰度變換處理, 高頻子帶圖像進(jìn)行降噪處理實(shí)現(xiàn)圖像的增強(qiáng)。頻率域?yàn)V波的優(yōu)點(diǎn)是能解析空間域?yàn)V波不能解析的某些性質(zhì)，能夠簡單地完成空域?yàn)V波中難以完成的濾波任務(wù)。但是基于頻率域?yàn)V波的圖像增強(qiáng)步驟繁雜且處理速度慢。

2.1.2 直方圖均衡化

直方圖均衡化的原理是先將RGB (red-green-blue)圖像轉(zhuǎn)化為灰度圖像，然后將圖像的灰度進(jìn)行分級,分級范圍[0,L-1]，然后統(tǒng)計(jì)該灰度在圖像中出現(xiàn)的概率。灰度直方圖可表示為

(1)

式(1)中：rk為第k級灰度范圍；P(rk)為在第k級灰度范圍的所含像素點(diǎn)與總像素點(diǎn)的占比；MN為圖像像素總數(shù)；nk為第k級灰度像素個(gè)數(shù)。在較暗的圖像中像素點(diǎn)大部分集中在灰度較低的地方，較亮的圖像像素點(diǎn)大部分集中在灰度較高的地方中。將圖像中像素個(gè)數(shù)多的灰度級進(jìn)行展寬，對像素個(gè)數(shù)少的灰度級進(jìn)行縮減得到灰度均勻分布的圖像。文獻(xiàn)[29-30]利用直方圖均衡化的方式消除因光照不均勻情況、加強(qiáng)圖像的對比度。直方圖均衡化的優(yōu)點(diǎn)是能夠快速地去除圖像受光照的影響，能對圖像進(jìn)行直觀的分析，并且具有可逆性，能逆處理還原回原圖像。但在灰度直方圖均衡化的過程中會(huì)導(dǎo)致灰度級的減少，造成圖像細(xì)節(jié)信息的丟失。

2.2 圖像拼接

由于無人機(jī)飛行高度、距離以及搭載攝像機(jī)的性能限制，通常不能拍攝到電力線和電塔的全景圖像。為了獲得用于檢測的全景圖像，需要采用圖像融合技術(shù)將巡檢圖片進(jìn)行拼接融合。

圖像拼接首先是找出每幅圖像中的特征點(diǎn)(Sift、Surf、Fast)，利用根據(jù)這些特征點(diǎn)的屬性相似度進(jìn)行一一匹配，刪除沒有匹配成功的特征點(diǎn)，然后對圖像進(jìn)行透視變換并根據(jù)匹配好的特征點(diǎn)拼接實(shí)現(xiàn)多幅圖像的融合。文獻(xiàn)[31-32]采用Sift特征點(diǎn)作為匹配點(diǎn)進(jìn)行圖像的拼接。此類特征點(diǎn)的特征與圖片大小和旋轉(zhuǎn)無關(guān)且不受光線噪聲的干擾，能夠?qū)Σ煌叨炔煌嵌鹊膱D像進(jìn)行拼接融合。但是對匹配度閾值的設(shè)置和匹配點(diǎn)的敏感度很高，一旦出現(xiàn)錯(cuò)誤的匹配點(diǎn)將導(dǎo)致拼接后圖像過度失真。文獻(xiàn)[33]在Surf特征點(diǎn)的提取過程中加入邊緣檢測和BRISK(binary robust invariant scalable keypoints)二值描述，生成邊緣Surf-BRISK特征點(diǎn)后采用層次聚類方法進(jìn)行圖像拼接。這種方法在具有較高的融合速度，同時(shí)保證了拼接的正確率。文獻(xiàn)[34]改進(jìn)了ORB(oriented brief)特征點(diǎn)圖像的匹配拼接算法，采用漸進(jìn)LMedS算法消除虛假匹配并通過多波段融合算法對匹配圖像進(jìn)行融合。這種方法大大提高了特征點(diǎn)匹配圖像拼接的正確率。

2.3 圖像分割

圖像分割的目的是目標(biāo)與背景分割開來，消除復(fù)雜背景的干擾并提取出用于目標(biāo)檢測的圖像特征。輸電系統(tǒng)巡檢圖像常用的圖像分割方法是聚類分割和邊緣分割。

2.3.1 聚類分割

聚類分割是將圖像中的像素用特征空間的點(diǎn)表示，然后根據(jù)這些點(diǎn)在特征空間的聚集進(jìn)行分割，最后將其映射回原圖空間得到分割結(jié)果。K均值在聚類分割算法中具有較好的分類效果，文獻(xiàn)[35]分別用EM(expectation-maximization)和K均值將圖像分為K個(gè)簇，然后計(jì)算DBI(davies-bouldin index)，最后找出最佳簇?cái)?shù)并將K個(gè)簇合并為兩個(gè)簇(電力線像素和非電力線像素)。對比實(shí)驗(yàn)證明K均值分割效果更好。K均值是一種可迭代的聚類算法，其步驟是先將數(shù)據(jù)分為K組，在每組中選取一個(gè)對象作為聚類中心，將每個(gè)對象分配到離它最近的聚類中心。文獻(xiàn)[36-37]采用基于K均值的聚類算法進(jìn)行圖像聚類分割，實(shí)現(xiàn)電力設(shè)備的識別。該方法的優(yōu)點(diǎn)是收斂速度快，分割效果好，需要調(diào)節(jié)的參數(shù)只有K。其缺點(diǎn)是對參數(shù)K的估計(jì)難以把握，受異常點(diǎn)和噪聲的影響較大，并且采用迭代聚合的方法只能得到局部最優(yōu)解。文獻(xiàn)[38]針對絕緣子檢測圖像定位不準(zhǔn)確的問題，提出了一種基于K均值聚類的絕緣子子段分割算法。其原理是將RGB圖像轉(zhuǎn)化為HIS(hue-saturation-intensity)，分別在H和S空間采用K均值算法進(jìn)行分割，最后采用Otsu對分割進(jìn)行二值化。

2.3.2 邊緣分割

邊緣檢測是標(biāo)識亮度變化明顯的地方，邊緣分割的基本原理是先通過邊緣檢測確定邊緣像素點(diǎn)，然后將這些點(diǎn)連接起來構(gòu)成所需要區(qū)域的邊界。文獻(xiàn)[39-40]分別利用Canny和Sobel算子對輸電線進(jìn)行邊緣檢測，然后采用基于Hough變換的方法實(shí)現(xiàn)電力線的提取。邊緣分割的優(yōu)點(diǎn)是可以剔除大量不相關(guān)信息并保留圖像重要結(jié)構(gòu)屬性。但是邊緣檢測容易受到圖像各種混合噪聲的影響。為了獲得較好的分割效果，文獻(xiàn)[41]則先通過直方圖均衡化處理改善對比度，使用參數(shù)自由EDPF(earliest deadline and processing time)算法對航拍圖像進(jìn)行邊緣檢測，最后Radon變換和先驗(yàn)知識完整提取出圖像中的電力線。文獻(xiàn)[42]提出了一種基于雙奇偶形態(tài)學(xué)梯度的邊緣檢測算子。這種算子的優(yōu)點(diǎn)是能消除圖像分割中雙棚絕緣子上、下護(hù)欄之間的模糊區(qū)域和防止圖像過度分割。文獻(xiàn)[43]融合了邊緣檢測算子Log與形態(tài)學(xué)的方法進(jìn)行圖像分割，其原理是灰度化圖像后用Log算子提取邊緣，然后采用數(shù)學(xué)形態(tài)學(xué)將沒有孔的區(qū)域聚成點(diǎn)，有孔的區(qū)域聚成邊緣，然后去除獨(dú)立的點(diǎn)實(shí)現(xiàn)除去噪聲并實(shí)現(xiàn)圖像的分割。這種方法優(yōu)點(diǎn)是可以消除高斯噪聲。

3 線路巡檢目標(biāo)檢測方法

3.1 檢測目標(biāo)

目標(biāo)檢測的目的是檢測線路中各元件是否存在威脅輸電系統(tǒng)正常運(yùn)行的故障。輸電線路中檢測目標(biāo)以及對應(yīng)的故障內(nèi)容如表1所示。

表1 輸電線路檢測目標(biāo)

對于設(shè)備表面有明顯的缺陷特征的故障一般采用光學(xué)成像檢測，主要有電力線的散股、覆冰、異物，絕緣子的自爆、污穢，金屬類設(shè)備的銹蝕，架高塔鳥巢、螺栓脫落等。紅外成像主要用于電力設(shè)備溫度的檢測。激光點(diǎn)云成像常用于輸電線及其走廊環(huán)境的檢測。激光點(diǎn)云成像不受大霧、光照的影響，而且覆蓋范圍廣能進(jìn)行高精度的三維測量。目標(biāo)檢測的目的是對輸電線路檢測目標(biāo)進(jìn)行識別、定位及故障判定。針對這些目標(biāo)檢測方法主要有形態(tài)學(xué)檢測、機(jī)器學(xué)習(xí)分類器檢測、深度神經(jīng)網(wǎng)絡(luò)檢測。

3.2 形態(tài)學(xué)檢測

形態(tài)學(xué)檢測主要原理是通過設(shè)備的形態(tài)特征設(shè)計(jì)數(shù)學(xué)模型判斷其是否故障。主要用于電力線的變形(弧垂)、絕緣子的自爆以及輸電線走廊內(nèi)的危險(xiǎn)情況的檢測。

針對電力線弧度的測量，仝衛(wèi)國等[44]提出了基于航拍序列圖像的測量方法。其原理是根據(jù)不同角度拍攝的圖片、相機(jī)焦距及拍攝位置等信息構(gòu)建輸電線路的三維曲線方程。這種方法的優(yōu)點(diǎn)是不受復(fù)雜背景的干擾，但是會(huì)因無人機(jī)拍攝位置和拍攝設(shè)備焦距的誤差導(dǎo)致輸電線弧垂的測量誤差較大。Wang等[45]提出了基于單一航空影像的輸電線的弧垂測量方法。其原理是在電力線二值圖像中提取特征點(diǎn)并測量其像素坐標(biāo)，然后將輸電線擬合為曲線方程，最后利用激光測距得到圖像距離與實(shí)際距離的對比建立輸電線的空間模型，獲得其弧度。這種方法能有效避免因攝像頭焦距引起的誤差。

針對輸電線路樹障的檢測，Zhang等[46]提出了基于激光雷達(dá)的線路樹障檢測方法。其原理是先在激光點(diǎn)云圖像中識別出樹木，然后測定樹木與電力線的最短距離并結(jié)合樹木生長周期對線路安全進(jìn)行預(yù)警。此類方法具有不受光照、霧霾影響的優(yōu)點(diǎn)，能對線路走廊內(nèi)的樹障進(jìn)行準(zhǔn)確定位，但是需要處理大量的點(diǎn)云數(shù)據(jù)。Chen等[47]根據(jù)雙目視覺原理測距的原理測量電力線與樹木之間的距離。與雷達(dá)點(diǎn)云方法相比，這種方法需要的采集量較少檢測速度快，但精度不如激光點(diǎn)云測量。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Structure diagram of CNN

對于玻璃絕緣子自爆的檢測，Zuo等[48]采用訓(xùn)練分類器方法識別出絕緣子，并進(jìn)行圖像分割獲得二值圖像，通過圖像旋轉(zhuǎn)獲得垂直的絕緣子二值圖，最后采用統(tǒng)計(jì)像素的方式定位缺失絕緣子的位置。陳文浩等[49]則在提取出二值圖像后將絕緣子串?dāng)M合為斜率為K的直線方程后通過統(tǒng)計(jì)像素的方法定位缺失絕緣子。此類方法的優(yōu)點(diǎn)在于自爆絕緣子的定位準(zhǔn)確度很高，但是無法判斷絕緣子像素少于閾值的區(qū)域是因?yàn)榻^緣子自爆還是因?yàn)槭艿轿矬w遮擋導(dǎo)致的。

3.3 基于SVM的檢測

支持向量機(jī)(support vector machine，SVM)是一種對數(shù)據(jù)進(jìn)行二元分類的有監(jiān)督機(jī)器學(xué)習(xí)算法。其原理是將低維不可分的類轉(zhuǎn)換到高維中，然后找到能將訓(xùn)練樣本分為兩類的超平面，并使其與正負(fù)樣本的幾何間距最大。

基于SVM的故障檢測原理是先對圖像進(jìn)行特征提取，并采用圖像特征訓(xùn)練SVM分類器，通過SVM分類器進(jìn)行圖像分類實(shí)現(xiàn)目標(biāo)的檢測。文獻(xiàn)[50-51]通過圖像的HOG(histogram of oriented gradient)特征構(gòu)建SVM分類器，實(shí)現(xiàn)輸電線路電力部件的分類識別和故障檢測。文獻(xiàn)[52]設(shè)計(jì)了基于顏色特征和最小二乘支持向量機(jī)模型，通過建立污穢等級與顏色特性的對應(yīng)關(guān)系來實(shí)現(xiàn)絕緣子污穢等級的識別。SVM分類器的優(yōu)點(diǎn)是能在小量訓(xùn)練樣本的支持下達(dá)到較高的分類正確率，且具有泛化錯(cuò)誤率低、可解決高維問題等優(yōu)點(diǎn)。但是經(jīng)典的SVM分類器屬于二類分類器，并不適于解決多類分類問題?；趫D像分類的檢測大多數(shù)屬于多分類問題，所以必須對經(jīng)典的SVM進(jìn)行改進(jìn)。文獻(xiàn)[53]提出了SVM用于大規(guī)模圖像分類問題的解決方法，首先利用非線性核函數(shù)的線性回歸來逼近學(xué)習(xí)過程中的梯度計(jì)算。其次，利用非對稱解釋變量函數(shù)，提出了一種適用于所有加性核的冪平均支持向量機(jī)(PmSVM)算法。這種方法具有更高的學(xué)習(xí)速度和判斷正確率。

3.4 基于CNN的檢測

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)是圖像分類中應(yīng)用最廣泛的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)?；贑NN的圖像檢測法同樣采用圖像分類的方式進(jìn)行目標(biāo)檢測，圖2所示為用于電力設(shè)備圖像識別的CNN結(jié)構(gòu)圖。CNN分為輸入層、隱含層(卷積層和池化層)及全連接層。卷積層的作用是提取圖片的特征，池化層作用是減少全連接層的節(jié)點(diǎn)個(gè)數(shù)。全連接層是一種多分類神經(jīng)網(wǎng)絡(luò)，其每一層由大量神經(jīng)元組成的平鋪結(jié)構(gòu)，全連接層的最后一層負(fù)責(zé)輸出數(shù)據(jù)。

文獻(xiàn)[54]采用基于CNN的分類器對輸電線路設(shè)備進(jìn)行分類識別實(shí)現(xiàn)無人機(jī)的目標(biāo)定位。文獻(xiàn)[55]采用CNN網(wǎng)絡(luò)分類檢測圖像中是否有電力線。文獻(xiàn)[56]提出基于CNN的分類檢測模型，用于判斷絕緣子的種類和故障。卷積神經(jīng)網(wǎng)絡(luò)具有共享卷積層能處理高維數(shù)據(jù)的優(yōu)點(diǎn)，分類的正確率和檢測速度較高。但是卷積神經(jīng)網(wǎng)絡(luò)需要大量樣本數(shù)據(jù)訓(xùn)練支持，池化層會(huì)丟失大量有價(jià)值的信息使局部與整體的關(guān)聯(lián)性較差。為了提高CNN的檢測精度，文獻(xiàn)[57]利用 IBP(india buffet process)機(jī)制進(jìn)行參數(shù)自調(diào)整優(yōu)化，構(gòu)建了基于IBP-CNN的覆冰圖像厚度辨識方法。文獻(xiàn)[58]在CNN網(wǎng)絡(luò)中引入預(yù)訓(xùn)練和重疊池提高圖像分類的準(zhǔn)確性，用于診斷電力設(shè)備的是否損壞。

3.5 基于RCNN的區(qū)域目標(biāo)檢測

區(qū)域目標(biāo)檢測目的是在圖像中定位出目標(biāo)位置并對其進(jìn)行分類檢測，在無人機(jī)巡線中通常于無人機(jī)視覺導(dǎo)航、目標(biāo)圖像的獲取以及故障的判定。Girshick等[59]提出的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(RCNN)方法，現(xiàn)已成為深度學(xué)習(xí)中區(qū)域目標(biāo)檢測的典型方案。區(qū)域目標(biāo)檢測的步驟是先提取候選框，然后對候選框中的圖像進(jìn)行提取特征分類，最后回歸特征框。RCNN采用Selective Search先提取候選框，將這些區(qū)域縮放成同一大小的圖片后放入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取。然后使用SVM進(jìn)行分類，通過非極大值抑制輸出結(jié)果。這種方法的缺點(diǎn)是運(yùn)算復(fù)雜且檢測速度慢。為了加快檢測速度，研究者相繼提出了Fast RCNN和Faster RCNN。Faster RCNN在RCNN上不僅加入了ROI層把輸入網(wǎng)絡(luò)的特征圖從固定尺寸改為任意尺寸，還使用卷積神經(jīng)網(wǎng)絡(luò)代替SVM進(jìn)行分類。Faster RCNN則引入RPN(region proposal network)網(wǎng)絡(luò)，將所有的步驟均在卷積神經(jīng)網(wǎng)絡(luò)中完成。

圖3是Faster RCNN的訓(xùn)練過程，訓(xùn)練RPN時(shí)，先使用預(yù)訓(xùn)練的CNN模型初始化RPN，然后使用反向傳播算法對區(qū)域提議網(wǎng)絡(luò)進(jìn)行調(diào)優(yōu)。RPN與Faster RCNN是獨(dú)立訓(xùn)練的，在最后一步中實(shí)現(xiàn)兩個(gè)網(wǎng)絡(luò)的卷積層共享調(diào)優(yōu)，這樣兩個(gè)網(wǎng)絡(luò)就合并形成了一個(gè)聯(lián)合的網(wǎng)絡(luò)。

圖3 Faster RCNN的訓(xùn)練步驟Fig.3 Faster RCNN training

圖4 Faster RCNN圖像識別過程Fig.4 Identification process of Faster RCNN

圖4為Faster RCNN進(jìn)行目標(biāo)檢測的過程，由訓(xùn)練過程可知候選區(qū)提取(RPN)和區(qū)域提取特征并分類的網(wǎng)絡(luò)(CNN+ROI)共享同一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，所以相比于其他基于RCNN的神經(jīng)網(wǎng)絡(luò)具有更高的效率。

因Faster RCNN的高速性常用于無人機(jī)巡線的目標(biāo)檢測中。文獻(xiàn)[60-61]采用Faster RCNN網(wǎng)絡(luò)進(jìn)行輸電線路部件的故障檢測，文獻(xiàn)[62]將其用于無人機(jī)巡線的視覺導(dǎo)航。Faster RCNN的優(yōu)點(diǎn)是識別速度快，但是由于ROI池化的作用丟失某些重要參數(shù)，會(huì)影響其判斷正確率。為了提高Faster RCNN的檢測精度，文獻(xiàn)[63]通過引入跳轉(zhuǎn)連接、調(diào)整激活和卷積層，使網(wǎng)絡(luò)具有更強(qiáng)的高級特征提取能力，并通過改進(jìn)候選框生成機(jī)制提高對小目標(biāo)檢測性能，大大提高了高壓線纜識別速度和正確率。文獻(xiàn)[64]則加入了基于單點(diǎn)多盒(single shot multibox)檢測器和深度殘差網(wǎng)絡(luò)的多級組件檢測和分類，使系統(tǒng)能夠快速、準(zhǔn)確地檢測電力組件的常見故障。而文獻(xiàn)[65]將淺卷積層和深卷積層的特征映射連接起來，提高了ROI池可提取更詳細(xì)特征的能力。在訓(xùn)練過程中，使用查詢圖像數(shù)據(jù)集對預(yù)先訓(xùn)練的CNN模型進(jìn)行微調(diào)，增強(qiáng)識別的置信度。

3.6 目標(biāo)檢測方法的展望

隨著深度學(xué)習(xí)的發(fā)展，越來越多的高效率神經(jīng)網(wǎng)絡(luò)投入無人機(jī)巡線應(yīng)用中。文獻(xiàn)[66]采用RPN網(wǎng)絡(luò)與FCN(fully convolutional networks)結(jié)合的方式對電力設(shè)備的生銹程度進(jìn)行識別，在與Faster RCNN的對比實(shí)驗(yàn)中證明其的準(zhǔn)確性更高。文獻(xiàn)[67]將均方根標(biāo)準(zhǔn)差和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)結(jié)合起來，用于鑒定物體銹蝕的強(qiáng)度。文獻(xiàn)[68]針對絕緣子紫外圖像故障特征不明顯的特點(diǎn)提出了基于稀疏性表示的絕緣子閃絡(luò)狀態(tài)的分類評估法。文獻(xiàn)[69]在絕緣子串的紅外圖像中，根據(jù)絕緣子串的整體溫度分布規(guī)律和故障絕緣子的發(fā)熱規(guī)律，利用概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network)建立了絕緣子串的故障診斷模型。文獻(xiàn)[70]采用脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural networks)實(shí)現(xiàn)高壓設(shè)備紅外圖像分割。深度學(xué)習(xí)是一種“黑箱”系統(tǒng)，需要大規(guī)模樣本數(shù)據(jù)支持且無法通過其內(nèi)部結(jié)構(gòu)證明檢測的準(zhǔn)確性。運(yùn)用深度學(xué)習(xí)進(jìn)行目標(biāo)識別與診斷，其正確率和漏識率均是通過測試圖片集測試出來的，缺乏理論的支持。但是在實(shí)際應(yīng)用中，深度學(xué)習(xí)較傳統(tǒng)的圖像處理方法更加高效。

目前神經(jīng)網(wǎng)絡(luò)在無人機(jī)巡線中應(yīng)用依然處于起步階段，輸電線路中某些故障樣本的收集數(shù)量比較少，無法滿足深度神經(jīng)網(wǎng)絡(luò)的要求。非深度學(xué)習(xí)分類器能在樣本量少的情況下達(dá)到較高的檢測精度。目前針對樣本量少的故障檢測大多使用SVM分類器進(jìn)行分類檢測。隨著深度學(xué)習(xí)的發(fā)展，研究者們對深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，使其在低樣本訓(xùn)練的情況下達(dá)到高精度水平[71-73]。深度神經(jīng)網(wǎng)絡(luò)將會(huì)逐漸替代非深度學(xué)習(xí)分類器。當(dāng)設(shè)備故障時(shí)，其形態(tài)與正常工作形態(tài)有很大的差異，可直接通過形態(tài)學(xué)檢測進(jìn)行處理。形態(tài)學(xué)方法具有檢測正確率高、不需要樣本訓(xùn)練的優(yōu)點(diǎn)。但形態(tài)學(xué)方法受噪聲和背景影響很大，必須做好圖像的預(yù)處理工作。

4 結(jié)論

綜述了機(jī)器視覺在電力系統(tǒng)的無人機(jī)巡檢中的應(yīng)用，從無人機(jī)巡檢的工作方式，詳細(xì)講述了巡檢圖像中幾種常用的圖像處理方法。

(1)中國無人機(jī)巡檢技術(shù)水平現(xiàn)已成熟，無人機(jī)巡線系統(tǒng)已經(jīng)能完成按規(guī)劃自主完成檢測工作，自動(dòng)獲取巡檢圖像以及故障的判定。無人機(jī)的巡線工作的自動(dòng)化程度將越來越高。

(2)現(xiàn)如今無人機(jī)的通信方式大多采用多種通信方式協(xié)同工作，主要問題是帶寬、延遲及信號覆蓋。5G網(wǎng)絡(luò)覆蓋后，由于其低延遲的特性將改變傳統(tǒng)的控制信號點(diǎn)對點(diǎn)的通信方式，5G網(wǎng)絡(luò)可獨(dú)立完成控制信號和圖像信號的傳輸。

(3)不同的拍攝環(huán)境所獲得的圖像的干擾差異很大，研究者們應(yīng)根據(jù)干擾的產(chǎn)生來設(shè)計(jì)相應(yīng)的處理辦法。為了獲得良好的檢測圖像，可根據(jù)無人機(jī)巡檢工作常見的運(yùn)動(dòng)狀態(tài)、拍攝角度及光照等問題分析巡檢圖像的干擾成分，設(shè)計(jì)相應(yīng)的處理方法。

(4)對于無人機(jī)的視覺檢測方法，深度學(xué)習(xí)技術(shù)在電力巡線應(yīng)用處于起步階段，由于巡檢圖像負(fù)樣本較少導(dǎo)致設(shè)備故障識別率較低。但對于設(shè)備的常見故障的檢測正確率已經(jīng)達(dá)到實(shí)用標(biāo)準(zhǔn)，并且隨著時(shí)間的積累巡檢圖像負(fù)樣本數(shù)據(jù)不斷增大。如今無人機(jī)視覺檢測處理算法中人工智能算法占大部分，形態(tài)學(xué)檢測算法因其不需要大量數(shù)據(jù)支持等優(yōu)點(diǎn)，在某些方面仍優(yōu)于人工智能算法。無人機(jī)巡線系統(tǒng)的視覺檢測方法現(xiàn)在已從“以形態(tài)學(xué)為主”轉(zhuǎn)變?yōu)椤耙匀斯ぶ悄転橹?，形態(tài)學(xué)為輔”，未來將會(huì)有越來越多的人工智能算法投入使用。