摘 要：無(wú)人機(jī)巡檢輸電線圖像的背景較為復(fù)雜，因此在對(duì)輸電線異物缺陷進(jìn)行檢測(cè)的過(guò)程中，誤檢的情況較為嚴(yán)重。本文提出基于支持向量機(jī)的復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物缺陷檢測(cè)方法，采用直方圖均衡化的方法增強(qiáng)輸電線無(wú)人機(jī)巡檢圖像的對(duì)比度，利用固定大小的網(wǎng)格將輸電線圖像劃分為多個(gè)區(qū)域，使用區(qū)域內(nèi)的像素點(diǎn)計(jì)算特征，并對(duì)其進(jìn)行加權(quán)平均融合操作，提取背景特征。為支持向量機(jī)模型選擇合適的核函數(shù)和參數(shù)后，對(duì)其進(jìn)行交叉驗(yàn)證，將提取的背景特征作為輸入函數(shù)。根據(jù)像素與輸電線之間的關(guān)系，檢測(cè)異物缺陷，測(cè)試結(jié)果表明，誤檢率僅為0.5%。

關(guān)鍵詞：支持向量機(jī)；復(fù)雜背景；無(wú)人機(jī)巡檢圖像；輸電線異物缺陷檢測(cè)；直方圖均衡化；像素點(diǎn)；加權(quán)平均融合；核函數(shù)；交叉驗(yàn)證

中圖分類號(hào)：TN 911" " " " " " " 文獻(xiàn)標(biāo)志碼：A

當(dāng)利用無(wú)人機(jī)巡檢輸電線圖像進(jìn)行輸電線異物缺陷檢測(cè)時(shí)，檢測(cè)效果受到多種因素的影響[1]，難以識(shí)別異物缺陷[2-3]。一些小的異物（例如塑料袋）可能會(huì)因?yàn)槠涑叽缣《y以識(shí)別。異物的顏色和紋理與輸電線接近也會(huì)影響檢測(cè)效果[4]。一些與輸電線顏色和紋理相似的異物可能會(huì)被誤認(rèn)為是輸電線的一部分[5]，一些顏色和紋理與輸電線明顯不同的異物則更容易被識(shí)別。圖像的質(zhì)量和分辨率對(duì)異物缺陷檢測(cè)也有很大影響。高質(zhì)量、高分辨率的圖像可以提供更多的細(xì)節(jié)信息，使異物缺陷更容易識(shí)別[6]。這些因素對(duì)檢測(cè)結(jié)果的具體影響分為無(wú)法識(shí)別真實(shí)的異物缺陷，錯(cuò)誤地識(shí)別了正常的輸電線或者其他物體為異物缺陷以及檢測(cè)速度緩慢，在不同環(huán)境中和不同情況下適應(yīng)性下降等[7]。因此，本文提出基于支持向量機(jī)的復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物缺陷檢測(cè)方法，并進(jìn)行對(duì)比測(cè)試的方式，驗(yàn)證了本文設(shè)計(jì)方法的檢測(cè)效果。

1 復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物缺陷檢測(cè)方法

1.1 提取輸電線無(wú)人機(jī)巡檢圖像背景特征

本文重點(diǎn)研究復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物缺陷檢測(cè)，在進(jìn)行檢測(cè)前，結(jié)合圖像具體情況對(duì)其進(jìn)行預(yù)處理。預(yù)處理可以提高圖像對(duì)比度，例如直方圖均衡化，使目標(biāo)與背景之間的差異更明顯，有利于提高后續(xù)異物缺陷檢測(cè)方法的準(zhǔn)確性和穩(wěn)定性。無(wú)人機(jī)巡檢圖像經(jīng)常會(huì)受到傳感器噪聲、風(fēng)吹等因素影響，會(huì)出現(xiàn)一些隨機(jī)的、不相關(guān)的像素點(diǎn)，可能會(huì)干擾后續(xù)的分析和處理步驟。采用預(yù)處理方法，例如濾波操作，可以去除噪聲，提高圖像的質(zhì)量和清晰度，也可以提高數(shù)據(jù)的統(tǒng)一性。在巡檢過(guò)程中，無(wú)人機(jī)會(huì)采集不同光照條件下的圖像，這些圖像可能具有不同的亮度、色彩等特征。采用預(yù)處理方法，可以調(diào)整圖像的亮度和色彩，使不同圖像之間有一定的統(tǒng)一性和可比性。本文采用直方圖均衡化的方法增強(qiáng)輸電線無(wú)人機(jī)巡檢圖像的對(duì)比度[8]。直方圖均衡化是一種基于像素灰度值分布的增強(qiáng)方法，本文重新映射像素的灰度值，以提高原始輸電線無(wú)人機(jī)巡檢圖像的對(duì)比度[9]。在處理過(guò)程中，本文使用OpenCV庫(kù)來(lái)進(jìn)行直方圖均衡化操作，完成圖像預(yù)處理。在這個(gè)基礎(chǔ)上提取輸電線無(wú)人機(jī)巡檢圖像背景特征，采用固定大小的網(wǎng)格將輸電線圖像劃分為多個(gè)區(qū)域。使用區(qū)域內(nèi)的像素點(diǎn)計(jì)算每個(gè)劃分區(qū)域的特征，計(jì)算過(guò)程如公式（1）所示。

g=gh+gr+gk-gj-gc （1）

式中：g為劃分后復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像區(qū)域的背景特征；gh為劃分后復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像區(qū)域的信息熵；gr為劃分后復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像區(qū)域的邊緣比率參數(shù)；gk為劃分后復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像區(qū)域的灰度共生矩陣反差參數(shù)；gj為劃分后復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像區(qū)域的能量參數(shù)；gc為劃分后復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像區(qū)域的對(duì)比度參數(shù)。

采用加權(quán)平均融合操作來(lái)提取每個(gè)區(qū)域的背景特征，能夠更好地表示該區(qū)域的整體背景信息，根據(jù)每個(gè)劃算區(qū)域內(nèi)像素點(diǎn)特征來(lái)提取背景特征。每個(gè)劃分區(qū)域?qū)?yīng)的背景條件不同，例如不同的光線和雜亂程度不一的背景等。加權(quán)平均融合操作的目的是將各區(qū)域的特征進(jìn)行加權(quán)平均，以獲得更全面、準(zhǔn)確的區(qū)域背景特征。加權(quán)平均融合操作可以使權(quán)重較高的區(qū)域?qū)傮w背景特征的貢獻(xiàn)更大，權(quán)重較低的區(qū)域?qū)傮w背景特征的貢獻(xiàn)更小。這樣可以更好地反映整個(gè)圖像的背景信息，有效地抑制噪聲和局部區(qū)域的干擾，提取與輸電線相對(duì)應(yīng)的背景特征?？梢愿鶕?jù)區(qū)域重要性和相關(guān)性，對(duì)加權(quán)平均融合操作中的權(quán)重參數(shù)進(jìn)行調(diào)整。給予重要性較高的區(qū)域更高權(quán)重，因此它們對(duì)總體背景特征的影響更大。根據(jù)具體情況設(shè)定不同區(qū)域之間的相關(guān)性，適應(yīng)不同背景場(chǎng)景下的特征融合需求。綜上所述，利用加權(quán)平均融合操作提取特征，可以更好地表示區(qū)域的背景特征，構(gòu)建準(zhǔn)確且適應(yīng)復(fù)雜背景的模型，為后續(xù)的前景檢測(cè)提供更可靠的背景基準(zhǔn)。處理過(guò)程如公式（2）所示。

G=∑wng （2）

式中：G為整體復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像的背景特征；n為復(fù)雜背景無(wú)人機(jī)巡檢輸電線圖像的劃分?jǐn)?shù)量；wn為每個(gè)區(qū)域提取的背景特征權(quán)重參數(shù)。

將提取的背景特征構(gòu)建為背景模型，本文引入高斯分布模型，描述背景像素點(diǎn)的特征分布情況，如公式（3）所示。

G（a）=h（a）∑wng " " "（3）

式中：G（a）為a圖像的背景像素高斯分布模型；h（a）為高斯分布系數(shù)。

利用背景模型，比較輸入圖像中的像素點(diǎn)與背景模型中像素點(diǎn)的分布情況，將與背景模型差異較大的像素點(diǎn)檢測(cè)作為前景像素點(diǎn)，即輸電線部分。

1.2 基于支持向量機(jī)的輸電線異物缺陷檢測(cè)

引入支持向量機(jī)，構(gòu)建輸電線異物缺陷檢測(cè)方法。以支持向量機(jī)作為輸電線異物缺陷檢測(cè)的分類器，該方法具備強(qiáng)大的泛化能力，在模型訓(xùn)練階段，其根據(jù)最大化間隔來(lái)找到最佳的判決邊界，利用核函數(shù)將數(shù)據(jù)映射至高維特征空間，使原本線性不可分的樣本在新的特征空間中變得線性可分，更好地抓取數(shù)據(jù)中的非線性特征。該方法適用于小樣本和高維數(shù)據(jù)，其不受樣本數(shù)量限制，在高維數(shù)據(jù)分析上表現(xiàn)出色。輸電線無(wú)人機(jī)巡檢圖像的樣本數(shù)量相對(duì)較少，特征（包括輸電線特征和背景特征）維度也較高，支持向量機(jī)能夠有效應(yīng)對(duì)這種情況。基于上述分析，該步驟結(jié)合第1.1節(jié)提取的輸電線特征和背景特征，將它們作為支持向量機(jī)模型的輸入數(shù)據(jù)。在訓(xùn)練最小二乘法支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）模型階段，將第1.1節(jié)提取的輸電線特征和背景特征作為輸入數(shù)據(jù)。輸電線特征包括輸電線無(wú)人機(jī)巡檢圖像中與輸電線有統(tǒng)計(jì)學(xué)意義的特征，背景特征包括與背景區(qū)域有統(tǒng)計(jì)學(xué)意義的特征。合適的核函數(shù)和參數(shù)決定了LSSVM模型的性能，因此，本文設(shè)置核函數(shù)的參數(shù)如公式（4）所示。

（4）

式中：f為L(zhǎng)SSVM模型結(jié)構(gòu)元的核函數(shù)；d為L(zhǎng)SSVM模型的結(jié)構(gòu)元；（x，y）為輸電線無(wú)人機(jī)巡檢圖像的像素信息；x、y分別為圖像像素點(diǎn)橫、縱坐標(biāo)；（u，v）為L(zhǎng)SSVM模型的參數(shù)，該參數(shù)決定（x，y）輸電線無(wú)人機(jī)巡檢圖像的像素信息的變化尺度；u為像素x的變化量；v為像素y的變化量。這種設(shè)置方式保證LSSVM模型的結(jié)構(gòu)d能夠訪問(wèn)輸電線無(wú)人機(jī)巡檢圖像中的所有像素信息。

根據(jù)公式（4）設(shè)置LSSVM模型的參數(shù)。核函數(shù)的參數(shù)d決定了模型的分類誤差懲罰權(quán)重，參數(shù)（u，v）決定了高斯徑向基核函數(shù)的變化尺度。調(diào)整這2個(gè)參數(shù)可以影響模型的性能。

訓(xùn)練LSSVM模型：使用輸入數(shù)據(jù)和對(duì)應(yīng)的標(biāo)簽數(shù)據(jù)（例如0為背景，1為輸電線）來(lái)訓(xùn)練LSSVM模型。LSSVM模型的訓(xùn)練過(guò)程是最小化目標(biāo)函數(shù)來(lái)優(yōu)化結(jié)構(gòu)元和參數(shù)，找到最佳的判決邊界。在這個(gè)基礎(chǔ)上，利用交叉驗(yàn)證的方式優(yōu)化模型，使誤差率最低，泛化性能最好。交叉驗(yàn)證方式是線性變換系數(shù)交叉驗(yàn)證（Linear Transform Coefficient Cross-Validation）。在樣本訓(xùn)練過(guò)程中采用線性變換系數(shù)交叉驗(yàn)證的方法處理每輪訓(xùn)練和測(cè)試集，選擇模型參數(shù)并進(jìn)行性能評(píng)估。交叉驗(yàn)證的目標(biāo)是調(diào)整線性變換系數(shù)的取值，選擇最佳的模型參數(shù)，使模型在交叉驗(yàn)證過(guò)程中誤差率最低，泛化性能最好，提高輸電線異物缺陷檢測(cè)方法的準(zhǔn)確性和穩(wěn)定性，如公式（5）所示。

f（x，y）=sng[（w*）Tφ（x，y）+b*] （5）

式中：w*為交叉驗(yàn)證的線性變換系數(shù)；b*為常數(shù)；g為區(qū)域內(nèi)像素點(diǎn)特征；sng為符號(hào)函數(shù)；φ（x，y）為高斯處理后的圖像；f（x，y）為線性變換后的圖像。

利用訓(xùn)練好的LSSVM模型預(yù)測(cè)測(cè)試集中的數(shù)據(jù)，得到每個(gè)像素點(diǎn)的分類結(jié)果。根據(jù)分類結(jié)果，分離輸電線部分與其他背景部分。當(dāng)輸電線部分與其他背景部分存在直接連接的像素點(diǎn)時(shí)，說(shuō)明此時(shí)輸電線存在異物故障，確定連接像素的分布形態(tài)即可判斷具體異物缺陷類型；當(dāng)輸電線部分與其他背景部分不存在直接連接的像素點(diǎn)時(shí)，說(shuō)明此時(shí)輸電線不存在異物故障。按照上述方式檢測(cè)復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物的缺陷。

2 測(cè)試與分析

2.1 測(cè)試環(huán)境

當(dāng)分析本文設(shè)計(jì)的復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物缺陷檢測(cè)方法的性能時(shí)，以實(shí)際巡檢圖像為基礎(chǔ)進(jìn)行對(duì)比測(cè)試。本文使用大疆精靈3無(wú)人機(jī)采集圖像數(shù)據(jù)，作為一款微小型一體航拍無(wú)人機(jī)，大疆精靈3的優(yōu)點(diǎn)是外觀小巧（質(zhì)量?jī)H為1 280 g）、便于攜帶和操作簡(jiǎn)單，其在正常情況下的可持續(xù)飛行時(shí)間為 20 min～25 min，最大飛行高度為 500 m，可控制距離為5.0 km，可執(zhí)行的懸停精度為0.5 m，最大旋轉(zhuǎn)角速度為200°/s，最大上升速度為5.0 m/s，最大下降速度為3.0 m/s。以此為基礎(chǔ)，利用其對(duì)連續(xù)10 d內(nèi)的某段具體輸電線進(jìn)行圖像采集，分別采用文獻(xiàn)[4]提出的以生成對(duì)抗網(wǎng)絡(luò)為基礎(chǔ)的無(wú)人機(jī)航拍輸電線路圖像缺陷檢測(cè)方法以及文獻(xiàn)[5]提出的以改進(jìn)型Freeman鏈碼為基礎(chǔ)的無(wú)人機(jī)航拍輸電線路圖像缺陷識(shí)別方法進(jìn)行測(cè)試。

2.2 測(cè)試結(jié)果與分析

結(jié)合上述測(cè)試環(huán)境，當(dāng)分析不同方法的測(cè)試結(jié)果時(shí)，本文將存在異物缺陷的圖像進(jìn)行分類，并按類別統(tǒng)計(jì)3種方法的檢測(cè)效果，效果對(duì)比見表1。

根據(jù)表1的測(cè)試結(jié)果對(duì)3種不同方法的檢測(cè)性能進(jìn)行分析，對(duì)不同類型的異物缺陷來(lái)說(shuō)，3種方法的檢測(cè)呈現(xiàn)的效果不同。3種方法均準(zhǔn)確檢出了異物類型為鳥窩和氣球的輸電線異物缺陷；對(duì)異物類型為風(fēng)箏的輸電線異物缺陷來(lái)說(shuō)，改進(jìn)型Freeman鏈碼檢測(cè)方法存在1次誤檢情況；對(duì)異物類型為塑料袋的輸電線異物缺陷來(lái)說(shuō)，生成對(duì)抗網(wǎng)絡(luò)檢測(cè)方法和改進(jìn)型Freeman鏈碼檢測(cè)方法的誤檢次數(shù)分別為2次和3次；對(duì)異物類型為小鳥的輸電線異物缺陷來(lái)說(shuō)，生成對(duì)抗網(wǎng)絡(luò)檢測(cè)方法和改進(jìn)型Freeman鏈碼檢測(cè)方法的誤檢次數(shù)分別為3次和2次；對(duì)異物類型為樹枝的輸電線異物缺陷來(lái)說(shuō)，3種不同方法均出現(xiàn)了誤檢情況，生成對(duì)抗網(wǎng)絡(luò)檢測(cè)方法的誤檢次數(shù)為4次，改進(jìn)型Freeman鏈碼檢測(cè)方法的誤檢次數(shù)為3次，本文設(shè)計(jì)檢測(cè)方法的誤檢次數(shù)為1次。生成對(duì)抗網(wǎng)絡(luò)檢測(cè)方法和改進(jìn)型Freeman鏈碼檢測(cè)方法對(duì)不同類型輸電線異物缺陷的誤檢率均為4.5%，本文設(shè)計(jì)檢測(cè)方法的誤檢率僅為0.5%。綜合上述測(cè)試結(jié)果可知，本文設(shè)計(jì)方法可以對(duì)不同類型輸電線異物缺陷進(jìn)行有效檢測(cè)。

為了進(jìn)一步分析本文方法的性能，驗(yàn)證其有效性，以輸電線異物缺陷檢測(cè)準(zhǔn)確率為衡量指標(biāo)，該指標(biāo)值越高，本文設(shè)計(jì)方法的檢測(cè)準(zhǔn)確性越高，檢測(cè)效果越好。不同方法的輸電線異物缺陷檢測(cè)準(zhǔn)確率見表2。

根據(jù)表2數(shù)據(jù)可知，3種方法的輸電線異物缺陷檢測(cè)準(zhǔn)確率均較高，均達(dá)到96.0%以上，經(jīng)過(guò)分析可知，在1 000個(gè)測(cè)試樣本中，本文設(shè)計(jì)檢測(cè)方法的輸電線異物缺陷檢測(cè)準(zhǔn)確率保持在99.9%以上，未出現(xiàn)較多檢測(cè)錯(cuò)誤。與本文方法相比，在1 000個(gè)測(cè)試樣本中，生成對(duì)抗網(wǎng)絡(luò)檢測(cè)方法的輸電線異物缺陷檢測(cè)準(zhǔn)確率降至96.8%；在1 000個(gè)測(cè)試樣本中，改進(jìn)型Freeman鏈碼檢測(cè)方法的輸電線異物缺陷檢測(cè)準(zhǔn)確率為97.7%，雖然改進(jìn)型Freeman鏈碼檢測(cè)方法的檢測(cè)準(zhǔn)確率比生成對(duì)抗網(wǎng)絡(luò)檢測(cè)方法的檢測(cè)準(zhǔn)確率高，但是比本文設(shè)計(jì)檢測(cè)方法檢測(cè)準(zhǔn)確率低2.2%。由此可知，本文設(shè)計(jì)檢測(cè)方法的輸電線異物缺陷檢測(cè)準(zhǔn)確率最高，說(shuō)明該方法的檢測(cè)效果更佳。

3 結(jié)語(yǔ)

為了加強(qiáng)輸電線異物缺陷的檢測(cè)效果，須綜合考慮無(wú)人機(jī)巡檢圖像質(zhì)量的影響因素，采取相應(yīng)措施來(lái)優(yōu)化算法和數(shù)據(jù)處理過(guò)程。本文提出基于支持向量機(jī)的復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物缺陷檢測(cè)方法研究，本文方法提高了復(fù)雜背景無(wú)人機(jī)巡檢圖像輸電線異物缺陷情況的檢測(cè)準(zhǔn)確率，檢測(cè)效果良好，可為實(shí)際的輸電線巡檢和安全管理提供參考。

參考文獻(xiàn)

[1]朱長(zhǎng)榮，呂文超，單超，等.基于IMU-GNSS-VO的輸電線無(wú)人機(jī)巡檢定位和目標(biāo)跟蹤自適應(yīng)方法[J].電力建設(shè)，2023，44（8）：61-70.

[2]胡明輝.基于遷移學(xué)習(xí)的無(wú)人機(jī)桿塔巡檢圖像異常識(shí)別技術(shù)及試驗(yàn)對(duì)比[J].粘接，2023，50（6）：136-139.

[3]田晨，許志浩，李強(qiáng)，等.基于Deeplabv3+與Otsu模型的輸電線電暈放電紫外圖像分割方法[J].激光與紅外，2023，53（1）：153-160.

[4]宋杭選，劉智洋，孫澤鋒，等.基于生成對(duì)抗網(wǎng)絡(luò)的無(wú)人機(jī)航拍輸電線路圖像關(guān)鍵信息提取[J].黑龍江電力，2022，44（5）：462-466，470.

[5]多俊龍，楊巧為，李慧慧.基于輸電線路圖像邊緣斜率突變的改進(jìn)型Freeman鏈碼斷股缺陷識(shí)別研究[J].東北電力技術(shù)，2022，43（6）：53-59.

[6]仲林林，胡霞，劉柯妤.基于改進(jìn)生成對(duì)抗網(wǎng)絡(luò)的無(wú)人機(jī)電力桿塔巡檢圖像異常檢測(cè)[J].電工技術(shù)學(xué)報(bào)，2022，37（9）：2230-2240，2262.

[7]張俊，龐世強(qiáng)，李曉斌，等.融合LSD算法與Hough變換的航拍輸電線路圖像桿塔自動(dòng)識(shí)別方法[J].電子器件，2021，44（5）：1210-1214.

[8]陳榮保，韋盛，盛雨婷，等.改進(jìn)EDLines算法暨在高空輸電線識(shí)別與巡檢中的應(yīng)用[J].傳感器與微系統(tǒng)，2021，40（9）：157-160.

[9]秦鐘，楊建國(guó)，王海默，等.基于Retinex理論的低照度下輸電線路圖像增強(qiáng)方法及應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2021，49（3）：150-157.