基于高精度图像识别技术的输变电设备巡检方法研究

闫建平，张辉疆，李刚，张天坤

（国网伊犁伊河供电有限责任公司，新疆伊犁 835000）

近年来，随着无人机技术的不断发展，电力网络中基于无人机的智能化巡检平台建设成为了研究热点之一[1-6]。对于高压输变电线路、设备，采用无人机巡检可以克服复杂地形、恶劣天气的影响，提升巡检的效率与安全性。无人机的智能化巡检主要分为两个方面：1）研究无人机的飞行线路控制；2）研究无人机采集图像的传输与处理。该文主要针对第二个方向展开研究[7-12]。在现有的技术框架和工作流程下，无人机负责图像采集，而图像的处理与识别仍然在离线状态下进行。巡检人员借助于数字图像识别技术，对无人机采集的图像进行大批量地分析，找到可能影响线路运行的安全隐患。因此，输电运检人员需要快速、精准的图像识别技术的支持。

基于以上分析，该文对图像的灰度化、亮度均衡、图像增强等处理流程进行了梳理，对这一过程中所涉及的相关数学变换方法进行了研究。此外，为了弥补现有的图像检测算法在电力线路中应用的局限性，还引入了一种基于希尔伯特变化的相位一致性图像检测算法；同时，使用AlexNet 卷积神经网络搭建了图像识别系统，对实际生产环境下采集的图像进行仿真实验，并给出仿真结果[13-16]。

1 理论基础

1.1 图像预处理

在使用无人机进行电力设备巡检时，由于野外环境复杂，图像的采集受到噪声和运动模糊的影响，图像质量无法得到保证。因此，为了消除模糊、畸变等现象对于图像质量的影响，首先需要对图像进行预处理。

在数学上，灰度化是将R、G、B三个颜色通道置为R=G=B的过程，最终使用[0,255]中的某个数值作为图像的灰度值。常用的灰度化方法包括最大值法、平均值法、分量法和加权平均法。考虑到输电线路的背景通常为绿色，而人眼对于绿色识别的灵敏度较高，因此该文采用加权平均法对图像进行灰度化：

然后对灰度图像进行亮度均衡，在亮度均衡时，通过使用直方图均值化来避免图像产生局部过亮或过暗。对于灰度值为P的原始图像直方图与累计直方图有：

经灰度变换后，根据灰度变换关系i→j，对图像进行修正，即可得到g(m,n)=j。其中，j的计算方法如下：

随后进行对比度增强。对比度增强的主要目的是提升有用信息的视觉效果，同时抑制噪声信息的干扰。文中主要包括图像边缘、目标物体的边缘增强，对于图像函数f(x,y)具体的处理方法如下。

计算f(x,y)的梯度值上对幅度的最大变化率：

对于数字图像，可以直接使用差分运算替代偏微分：

在对比度增强后，对图像进行去噪，降低图像在生成、传输过程中受到的噪声干扰。文中采用均值滤波的方法，对f(x,y)滤波后的图像g(x,y)可表示为：

根据式（6），对距目标点为单位间距的区域均值滤波后的像素值可表示为：

1.2 图像检测

在输变电设备巡检场景下，快速、准确地在图像中检测出输电线路是完成图像识别的关键环节。由于电力线路为直线且特征明显，因此在传统的图像检测算法上进行针对性地改进，从而可以取得更优的适应性。

经典的边缘检测算法通常在灰度图像下实施，在进行边缘判别时，一般选取图像发生灰度突变的位置。灰度图像的一阶导数是衡量灰度变化的最直接指标，而二阶导数则是判定图像零点的条件。对于灰度图像g(x,y)，首先引入高斯拉普拉斯二阶微分算子（LOG）：

在g(x,y)上使用LOG 算子：

随后，在灰度图像中标记出二阶导数为0 的交叉点，即可完成图像的边缘检测。在传统的边缘检测算法下，可以较好地保证图像中边缘的完整性。但由于电力线路多为直线，当两条平行的输电线路靠近时，容易发生检测混淆。因此，该文引入了一种频域的图像分割方法。

根据信号分析理论，对于一维信号，其时域特征总是出现在谐波分量的最大叠加处。此时，对于其局部能量，定义一个相位一致性指标：

其中，an是图像经傅里叶变换后的n次谐波振幅，E(t)的表示如下：

其中，hx(t)为图像的希尔伯特变换：

采用图像的一致性指标可以准确地表征信号的阶梯形态，检测图像中物体的边缘。对于图像，由于其在x、y两个方向皆有信号，所以仍需将希尔伯特推广到二维：

对于数字图像，其二维希尔伯特为离散形式，在像素窗口大小为M×N的区域进行希尔伯特变换：

当m、n取7 时：

此时，可以得到基于相位一致性的图像边缘检测算法的计算流程，如图1 所示。

图1 基于相位一致性的图像边缘检测算法计算流程

2 方法实现

2.1 仿真实验设计

首先需要准备仿真需要的数字图像样本，该文使用的数据样本全部来自于某供电公司输电运检工区的一线生产数据，由无人机现场采集而来。文中对这些数据进行了预处理，从中提取的样本集1 与样本集2 的像素个数分别为167 310 与642 600。其中，样本集1 包含的样本数量为1 213 幅，样本集2 包含的样本数量为1 006 幅。在使用前，为了保证图像的可用性，通过人工对输电线路中的绝缘子、线路金具、导线、地线、接地装置等组成部分进行了标记。此外，算法仿真的实验环境参数如表1 所示。

表1 算法仿真环境参数

在进行图像识别时，首先采用上文中的相关算法对两个样本集进行预处理。然后，将预处理后的每个样本集按照7∶3 的比例划分为训练集和测试集。最终使用AlexNet 卷积神经网络作为图像分类的算法，其网络的参数设置如表2 所示。

表2 网络参数设置

2.2 仿真结果

在进行输电图像的识别时，需要经过图像的增强、分割、分析三大步骤。为了更优地评估该文算法在每个环节的性能，首先对算法在各个环节下的耗时进行统计，结果如表3 所示。

表3 算法各环节耗时以及占比统计

从表3 可以看出，算法的运行时间会随着图像像素数的增长而变长。在算法的运行过程中，用于图像分割的时间最长。表4 和表5 给出了图像分割、图像识别各个环节中的运行耗时所占百分比。从中可以看出，算法运行的时间主要消耗在了希尔伯特变换上，这为后续算法的运行时间优化提供了方向。图2 为部分样本的识别示意图。

表4 图像分割各环节的运行耗时占比

表5 图像识别各环节的运行耗时占比

图2（a）在输电线路的地线上，准确地识别出了防震锤；图2（b）在输电线的干扰下，识别出了绝缘子。为了评估该文算法的识别结果，其还给出了样本在Canny 边缘检测、二阶微分边缘检测等不同图像检测算法下的识别精度。

图2 部分样本的识别示意图

从表6 和表7 的识别结果可以看出，使用该文方法后，两个样本集的识别精度分别为94.7%和96.3%。

表6 样本集1在不同图像检测算法下的识别精度

表7 样本集2在不同图像检测算法下的识别精度

3 结束语

文中所提出的基于相位一致性的图像边缘检测算法提升了输电线路图像识别时的精度。对比计算结果数据可以看出，随着样本像素点的大幅增加，使得算法的运行耗时增大了约两倍，但算法的识别精度只提升了1.6%。因此，综合考虑算法的运行时间和识别精度，在对识别效率要求较高的场景下，可以先对图像进行降采样处理。