駱顧平，陳靜，蘇成悅，劉信宏，徐勝，王泰圣

廣東工業(yè)大學(xué) 物理與光電工程學(xué)院，廣東 廣州 510006

在復(fù)雜地物背景下的無人機(jī)電力線路巡檢技術(shù)已成為一項(xiàng)亟待研究的問題。從無人機(jī)航拍圖像中精確檢測并有效提取電力線是后續(xù)線路故障檢測識別的關(guān)鍵性技術(shù)[1?2]。國內(nèi)外學(xué)者針對電力線識別進(jìn)行了大量的研究，提出了多種電力線檢測與提取算法，常見的如傳統(tǒng)邊緣檢測算子結(jié)合Hough 變換提取算法[3]、K-means 直線聚類分析[4?5]、基于方向的可控濾波[6?7]、局部直線段檢測(line segment detector,LSD) 算法等[8?9]。文 獻(xiàn)[10]利用傳統(tǒng)Canny 算子邊緣檢測，Hough 變換提取直線，算法模型簡單但抗噪性能差，誤檢率較高。文獻(xiàn)[11] 調(diào)用改進(jìn)線特征檢測閾值的Ratio算子獲取邊緣并濾除背景噪聲，結(jié)合改進(jìn)Hough變換和最小二乘法提取直線，該方法參數(shù)選取復(fù)雜且無法有效排除類直線物噪聲干擾。文獻(xiàn)[12]利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)對二值邊緣圖進(jìn)行分類，采用Hough 變換擬合電力線，但未能實(shí)現(xiàn)人工智能算法對電力線的定位。目前在深度學(xué)習(xí)框架下對電力線的識別因算法模型較為復(fù)雜尚未成功應(yīng)用，電力線識別算法主要為邊緣檢測和邊緣提取2 個步驟[13]。

針對目前邊緣檢測算法抗噪性差和邊緣提取算法誤檢率高等問題，本文提出了復(fù)雜地物背景下的電力線識別算法，該算法通過改進(jìn)Ratio 算子進(jìn)行邊緣檢測同時基于輪廓特征過濾背景噪聲，利用Hough 變換提取直線，最終通過直線編組擬合篩選算法實(shí)現(xiàn)電力線的識別與定位。

1 電力線識別算法

1.1 電力線的特征分析

如圖1 所示，多條電力線的亮度均勻連續(xù)且灰度相似，俯看電力線比地面背景亮，金屬裸線更亮；電力線接近平行直線且貫穿整張圖像，其寬度可預(yù)估為1～5 個像素；地面背景是復(fù)雜性的，地物如道路車道線、河流、房屋脊線以及其他人工背景中的類直線物對電力線的提取造成嚴(yán)重的干擾，電力線不易被識別。本文基于電力線特征，設(shè)計了一種復(fù)雜地物背景下的電力線識別算法，算法總體流程如圖2 所示。

圖1 原始電力線航拍圖

圖2 電力線識別算法總體流程

1.2 電力線的邊緣檢測

1.2.1 改進(jìn)的Ratio 邊緣檢測算子

Ratio 算子是一種利用中間區(qū)域和兩邊鄰域灰度平均值的比值關(guān)系進(jìn)行邊緣檢測的常用方法[14]，可以有效抑制背景的非線狀噪聲，基于該模型提出的改進(jìn)Ratio 算子原理如下。

以電力線方向設(shè)定垂直方向d的Ratio 邊緣檢測算子，算子模板如圖3 所示。

圖3 改進(jìn)的Ratio 算子模板

以圖1 中某像素點(diǎn)P0為模板中心，構(gòu)建中間區(qū)域R1、左鄰域R2和右鄰域R3。定義區(qū)域Ri(i=1,2,3)的 水平寬度為wi，垂直長度為h，Ri包含像素數(shù)為ni=wi×h。設(shè)計算子模板參數(shù)為

式中依據(jù)預(yù)估電線像素寬度W0，取w1=W0。W0由成像原理得到：

式中：W為電力線實(shí)際外徑值，f為相機(jī)焦距，無人機(jī)與電力線高度差為H，相機(jī)傳感器感光面尺寸為m×n，圖像分辨率為M×N。根據(jù)同一場景中輸電線規(guī)格的一致性，則面向不同場景需要計算不同的W0值，同一場景的所有圖像只需要確定唯一的W0值。

分別統(tǒng)計區(qū)域Ri內(nèi) 灰度平均值mi：

式中：p為區(qū)域Ri內(nèi) 的像素點(diǎn)，p的灰度值為V(p)?；陔娏€在背景中更亮的特征，定義改進(jìn)的Ratio 算子線形邊緣檢測特征值為

設(shè)定閾值Uth，當(dāng)U>Uth時，則確定P0為目標(biāo)邊緣點(diǎn)。經(jīng)過大量實(shí)驗(yàn)設(shè)定閾值Uth為1.05，改進(jìn)的Ratio 邊緣檢測算法流程如圖4 所示，其中 (i,j)為P0的 坐標(biāo)索引，得到二值化的邊緣響應(yīng)圖像F′(x,y)如圖5 所示。

圖4 改進(jìn)Ratio 邊緣檢測算法流程

圖5 改進(jìn)Ratio 邊緣檢測結(jié)果

1.2.2 基于輪廓特征的背景去噪算法

圖5 中電力線邊緣與背景噪聲沒有相連且是方向一致的大面積連通域；除了線狀噪聲形成較大面積區(qū)域，其他噪聲是分散的小面積連通域。故提出基于輪廓特征的背景去噪算法，分別采用輪廓面積S和輪廓方向D來描述連通域的輪廓特征。輪廓面積定義為連通域內(nèi)的像素數(shù)總和，搜索連通域內(nèi)歐氏距離最大的兩點(diǎn)Pa和Pb，定義為輪廓方向。算法具體步驟為：

1)遍歷邊緣響應(yīng)圖F′(x,y)置1 的全部像素點(diǎn)，保存連通域集合QΩ={Q1,Q2,···,Qn?1,Qn}。

2)讀取QΩ中Q并計算其輪廓面積S和方向D，分別保存到輪廓面積集合SΩ和方向集合DΩ中。

3)重復(fù)步驟2)直至遍歷完QΩ所有元素，定義一個輪廓特征為X=(Q,S,D)，得到輪廓特征集合XΩ。

4)提取集合SΩ中最大值Smax。遍歷XΩ中元素X，保存滿足S>(Smax/3)條件的X且定義為標(biāo)準(zhǔn)輪廓特征X′=(Q′,S′,D′)，得到標(biāo)準(zhǔn)輪廓特征集合。

5)提取XΩ中 元素X，定義Pa到 線段的距離為r，D和D′的夾角為 α，定義去噪準(zhǔn)則如下所示

6)重復(fù)步驟5)直至提取完XΩ中所有元素，最后依據(jù)F′(x,y)中保留的連通域得到去噪處理后的邊緣圖像B(x,y)，如圖6 所示，背景噪聲基本被濾除，同時保留了電力線上的小面積斷裂邊緣段。電力線邊緣檢測結(jié)果較為完整，但存在斷裂現(xiàn)象且結(jié)果中包含了道路車道線等非電力線干擾邊緣段。

圖6 基于輪廓特征的背景去噪算法處理結(jié)果

1.3 電力線的邊緣提取

1.3.1 Hough 變換提取直線

Hough 變換(Hough transform,HT)是圖像處理技術(shù)中提取線形特征的常用方法，這是基于點(diǎn)? 線的對偶性變換，使用表決方式的參數(shù)估計技術(shù)將圖像空間中的檢測問題轉(zhuǎn)換到參數(shù)空間中進(jìn)行。依據(jù)公式 ρ=xcosθ+ysinθ把每一條直線表示為一對參數(shù) (θ,ρ)，通過在參數(shù)空間里進(jìn)行累加統(tǒng)計并尋找累加器峰值的方法來提取直線[15]。

1.3.2 直線動態(tài)編組擬合與篩選算法

由HT 獲取的直線仍存在斷裂與重疊問題，利用直線動態(tài)編組擬合與篩選算法完成最終電力線的邊緣提取，圖7 為線段L和點(diǎn)P0參數(shù)表示圖。

圖7 線段L 和點(diǎn)P0 參數(shù)表示

如圖7 所示，定義直線段L=Pa和Pb為L的兩個端點(diǎn)，定義兩條直線夾角 θ為

當(dāng)滿足 θ<θth條件時，則認(rèn)為該兩條直線互相平行。取線段L′某端點(diǎn)為P0，則兩條平行線段L和L′的側(cè)向間隔為

當(dāng)Gdiff

式中k=|B||L|?1。當(dāng)Hdiff

圖8 擬合線段 Lmid 參數(shù)

由擬合連接原理得到直線候選池，直線數(shù)量為n，并將其分為多組直線且每組內(nèi)的直線互相平行，以組內(nèi)最長線段方向D代表該組的直線方向，計算公式為

式中：lΩ(D) 是 方向?yàn)镈的直線組；nD是lΩ(D)內(nèi)的直線段數(shù)量；d(l)為線段l的長度。統(tǒng)計所有直線組得到集合 {Z1,Z2,Z3,…}，則提取該集合最大值對應(yīng)的方向D0作為電力線的主方向[16]。從邊緣圖B(x,y)提取與線段L重疊的邊緣段并計算其在原圖F(x,y)所 處區(qū)域的灰度均值為V(V∈[0,255])，統(tǒng)計灰度相似的邊緣段占比與邊緣段區(qū)域面積累加和的乘積進(jìn)行排序，提取最大值對應(yīng)的灰度均值V0為電力線的標(biāo)準(zhǔn)灰度值。為了過濾直線干擾，給出直線篩選準(zhǔn)則如式(4)所示，其中由式(3)計算直線段與D0對應(yīng)直線的夾角為 θ0，則滿足式(4)的線段保留，否則被剔除。

由上述直線編組擬合和篩選原理，設(shè)計算法流程如圖9 所示。

圖9 直線動態(tài)編組擬合與篩選算法流程

算法的具體步驟如下，其中 θth=3°；Gth=2W0；Hth=0.25×rows，r ows為圖像總行數(shù)。

1)由HT獲取直線段集合LΩ={L1,L2,…,LN?1,LN}。

2)從LΩ中 選取最長線段Lmax，遍歷LΩ并把與Lmax滿 足 θ<θth且Gdiff

3)重復(fù)步驟2)直至LΩ=φ。

4)提取gΩ中元素g，在g內(nèi)選取起始線段L并搜索其Hdiff值最小的子線段，當(dāng)該子線段和L滿足Hdiff

5)重復(fù)步驟4)直至gΩ=φ。

6)依據(jù)lΩ統(tǒng)計電力線的主方向D0和標(biāo)準(zhǔn)灰度值V0。遍歷lΩ，滿足篩選準(zhǔn)則式(4) 的直線保留，否則被剔除。電力線邊緣提取結(jié)果如圖10 所示，可見算法有效提取電力線邊緣，解決由HT 提取直線的斷裂與重疊問題，同時排除了圖中的道路車道線等干擾直線。

圖10 電力線邊緣提取在原圖中的標(biāo)記

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)平臺為臺式計算機(jī)，處理器為Inter (R)Core (TM) i7-8 700 CPU@3.2 GHz，內(nèi)存為16 GB，圖像分辨率為1920×1 080。采用平均準(zhǔn)確率(Rp) 和召回率(Rr)作為算法的精度評價指標(biāo)，利用平均處理時間(Tc) 評價算法的時效性。其中，Rp=Np/Ne；Rr=Np/Ng；Np為正確提取的電力線像素個數(shù)；Ne為提取結(jié)果中的所有像素個數(shù)；Ng為原圖中的電力線像素個數(shù)。

2.1 參數(shù)分析

電力線識別算法待確定的參數(shù)為改進(jìn)的Ratio 模板中間區(qū)域?qū)挾葁1。為了驗(yàn)證w1=W0時電力線邊緣檢測效果最好，設(shè)計兩組實(shí)驗(yàn)，每組實(shí)驗(yàn)針對同一張航拍圖像并預(yù)估其電力線寬度W0，W0值可通過式 (1) 計算得到。設(shè)置不同w1參數(shù)得到邊緣檢測結(jié)果在原圖中的標(biāo)記如圖11 所示。圖11 中，w1取值過大或過小時電力線邊緣都出現(xiàn)了更多斷裂的情況，同時產(chǎn)生更多的背景噪聲，如圖11(b)、11(d)、11(g)、11(h) 所示。w1=W0時檢測到電力線的完整性最高且邊緣寬度最接近電力線實(shí)際寬度，如圖11(c)、11(f)所示。故設(shè)定w1=W0為本文邊緣檢測算法的模板參數(shù)。

圖11 不同w1 參數(shù)的邊緣檢測結(jié)果

2.2 對比實(shí)驗(yàn)分析

為了驗(yàn)證本文所提算法的可行性，分別運(yùn)用本算法、文獻(xiàn)[10?11] 算法對不同場景的復(fù)雜地物航拍圖進(jìn)行識別和對比分析，實(shí)驗(yàn)場景如圖12 所示，各種算法對比的邊緣檢測結(jié)果和邊緣提取結(jié)果分別如圖13、14 所示。統(tǒng)計算法的性能指標(biāo)值如表1 所示。

表1 3 種算法的性能指標(biāo)值

圖12 實(shí)驗(yàn)場景原始圖

在圖13 邊緣檢測結(jié)果中，文獻(xiàn)[10]算法產(chǎn)生大量無效的邊緣像素點(diǎn)且對電力線邊緣干擾嚴(yán)重；文獻(xiàn)[11]算法通過設(shè)定去噪閾值Nth可過濾大部分背景噪聲，但檢測的電力線邊緣較為粗糙且斷裂多，選取Nth過大容易錯誤濾除部分電力線邊緣段，Nth過小則保留更多背景噪聲；本算法對電力線邊緣的檢測較為完整，并且無需設(shè)定去噪閾值，基本濾除了干擾噪聲，抗噪性更強(qiáng)。

電力線提取結(jié)果如圖14 所示，文獻(xiàn)[10]和[11]算法均不能有效排除車道線等類直線干擾物且電力線擬合提取的完整度較低，文獻(xiàn)[10]方法錯誤識別更多的無效直線；本算法可以較完整提取出4 種場景下的電力線邊緣且充分排除了地面的線狀干擾物，識別的精度更高。從表1 可以看出，與其他2 種算法相比，本算法在識別準(zhǔn)確率和召回率上均有明顯的優(yōu)勢且處理速度更快，其中準(zhǔn)確率分別提高38.39%和7.54%，召回率分別提高22.27%和12.14%。由以上比較分析可知，本文所提算法在多種復(fù)雜地物背景下的電力線檢測與提取效果明顯優(yōu)于其他2 種常見同類算法，電力線的最終識別更加完整與準(zhǔn)確。

圖14 3 種算法的電力線邊緣提取結(jié)果在原圖中的標(biāo)記

3 結(jié)論

1)本文提出了一種復(fù)雜地物背景下的電力線識別算法，改進(jìn)了Ratio 算子模板參數(shù)關(guān)系和邊緣檢測特征值且參數(shù)選取簡單，提高了電力線邊緣檢測的完整度。

2)利用基于輪廓特征的背景去噪算法可以在保留電力線上小面積斷裂邊緣的同時濾除絕大部分背景噪聲，算法無需設(shè)定去噪閾值，自適應(yīng)性強(qiáng)。

3)直線動態(tài)編組擬合與篩選算法不僅有效解決直線的斷裂重疊問題，而且排除了地面線狀物干擾，提升了電力線最終提取的準(zhǔn)確精度。相對于其他常見的同類算法，本算法表現(xiàn)出更高的識別精度與處理效率，其中識別準(zhǔn)確率達(dá)96.37%以上，同時具備較強(qiáng)的抗干擾性以及穩(wěn)健性，可在不同復(fù)雜地物中快速有效識別出電力線，對無人機(jī)智能巡檢具有較高的工程應(yīng)用價值。