輸電線路除冰機器人基于小波矩及SVM的障礙物識別研究＊

曹文明，王耀南，文益民

（1.湖南大學 電氣與信息工程學院，湖南 長沙 410082；2.桂林電子科技大學 計算機科學與工程學院，廣西 桂林 541004）

2008年1 月我國南方數省輸電線路遭遇歷史上罕見的冰雪災害，導致湖南、湖北、江西、浙江等地的電網發生倒塔、斷線、覆冰閃絡等多種災害.雪災造成國家電網公司直接財產損失達104.5億元，災后電網恢復重建和改造需要投入資金390億元[1].線路大量覆冰就是造成此次電力損失的主要原因，而采用人工除冰的方法不僅效率低，而且對電力工人的生命安全造成了極大的威脅，因此研究輸電線路在線除冰機器人替代人工除冰，對于保護我國電網的安全運行和電力工人的生命安全具有極其迫切的現實意義.

高壓輸電線路上的防震錘、懸垂線夾、耐張線夾等部件都是線路安裝中必要的附件，但是對于在線路上行走的除冰機器人來說，就構成使其不能平坦行走的障礙物，所以障礙物的檢測識別是除冰機器人在線路上自動行走的前提條件，是越障動作前的首要準備工作.

本文針對除冰機器人自身結構以及高壓線路工作環境的特點，設計一種基于視覺的智能障礙物識別方法.方法中利用小波多尺度分析工具獲得穩定的障礙物圖像特征，再利用SVM強大的分類能力進行目標識別，結合兩者的優點提高障礙物識別精度和速度，實現機器人對障礙物的實時感知.

1 機器人工作原理與工作環境介紹

1.1 機器人結構與工作環境

除冰機器人結構及其所在的220kV輸電線路工作環境，如圖1所示.為了實現在輸電線上行走與越障，本體設計為兩臂輪爪式結構，手臂末端有行走輪和抓線夾.行走輪凹面卡在導線上滾動行走，抓夾在本體越障或暫停時夾緊導線防止整體打滑.手臂前端設有開合式除冰機構，遇到導線覆冰時驅動除冰刀切削覆冰，使脆性的覆冰掉落下來；下端是控制箱，內置蓄電池和控制機構.控制板經I／O與外圍設備相連，控制機器人整體的運行.其中，板載視覺傳感器用來觀察外部環境，包括：兩手臂下部兩個觀察像機、控制箱上部前端的觀測像機.前者觀察手臂的空間運行位置；后者觀察機器人前方各種障礙物和其他路況信息，典型障礙物有防震錘、懸垂線夾、耐張線夾等.

1.2 基于環境的應用設計

如圖1所示，機器人箱體上部、前端的CCD像機用來觀察前方各種障礙物，它的光軸與機器人前進方向夾角約為30度，這樣安裝的優點是：像機傾斜向上拍攝，不但可以拍攝到障礙物，而且拍攝背景是以天空為主的工作背景，背景單調的圖像可以減少對前景目標識別干擾、降低識別復雜度.當然在實驗室環境下，是以天花板為主的背景.像機拍攝到的常見線上障礙物灰度圖像如圖2所示.

圖1 220kV除冰機器人運行環境Fig.1 The environment of 220kV single split transmission line that deicing working on

圖2 像機拍攝的障礙物灰度Fig.2 Grayscale images of camera photographed

從圖2可以看出，防震錘、懸垂線夾、耐張線夾等障礙物既沒有豐富的表面紋理，也無鮮明的顏色特征，不利于圖像的分析和識別.但是仔細觀察幾組障礙物圖像后，發現這幾種障礙物的形狀與輪廓相差很大，如果能夠去掉環境中光線和背景的影響，然后利用障礙物外形輪廓特征的差別就可以判斷出障礙物的存在及其類型.基于這一思想，本文設計了障礙物識別過程如圖3所示.

圖3 障礙物識別流程圖Fig.3 Flow chart to identify obstacle

2 障礙物圖像邊緣檢測與計算

2.1 圖像預處理

在高壓輸電線路特殊工作環境中行走時，機器人一方面受到外界光線和輸電導線強電磁場干擾；另一方面，本體電機動力輸出時產生振動影響，機器人工作時常處于一種振動狀態，像機拍攝的原始圖像不夠清晰，圖像中混入了不必要的光照和振動噪聲，圖像質量達不到識別要求.為了去除干擾、達到目標檢測的目的，有必要對障礙物圖像進行中值濾波、膨脹和腐蝕等預處理措施.圖2所示障礙物圖像進行預處理后，結果如圖4所示.處理后的圖像去掉了許多噪聲點和線條狀干擾小塊.雖然看上去圖像變得模糊了一些，但也平滑了一些由于光線過亮所形成的亮點，障礙物目標區域像素差異大大降低，這有利于后續圖像二值化和圖像邊緣提取.

圖4 障礙物圖像預處理結果Fig.4 Result after images pretreated

2.2 圖像二值化處理

在各種閾值優化分割方法中，OTSU算法[2]提出基于類間方差最大化分割法被公認為是最佳閾值分割算法，它根據圖像的灰度特性把圖像分成背景和目標兩類，然后計算讓兩類間的方差取得最大的參數作為最佳閾值，再利用最佳閾值分割得到效果良好的二值化圖像.

2.3 基于小波模極大值算法提取圖像的邊緣

圖像小波變換在邊緣檢測中的優點是，在時域與頻域中具有良好的局部特性[3]，所以用多尺度小波變換檢測圖像邊緣，可以很好地解決噪聲抑制和圖像邊緣細節提取精度之間的矛盾.對圖4進行二值化處理后，再用小波模極大值算法提取圖像的邊緣，結果如圖5所示.從圖5的邊緣圖像可以看出，障礙物邊緣圖像比較連續，取得了較好的邊緣效果.

圖5 障礙物圖像邊界的提取Fig.5 Edge of obstacle images

3 障礙物圖像的小波矩特征提取

除冰機器人在線行走時拍攝的圖像受到各種因素干擾.一方面，受風的吹動和機體振動的影響，拍攝像機中軸方向與導線方向存在一定的夾角，實驗表明這個夾角變化范圍在一個小范圍內變動（一般在－6°～6°）.另外，機器人在向障礙物方向前進時離障礙物距離不斷變化，障礙物在攝像機中的成像大小發生變化，逐漸由小至大、使目標區域在圖像中發生縮放變化.這些因素使得障礙物在圖像中的位置、方向和大小發生變化，因此需要尋找一種具有平移、旋轉和縮放不變性的圖像特征作連續圖像中固定目標物存在的識別依據，而圖像的不變矩就是一種提取圖像中具有平移、旋轉和縮放不變性的數學特征，是解決目標區域幾何失真的有效方法[4].小波矩就是一種結合矩特征和小波特征的新型矩特征，它利用小波多尺度分析能力對圖像局部形狀進行特征描述，在圖像識別中既考慮全局信息又兼顧細節信息，因此小波矩具有很好的抗干擾和易分辨性，本文選取以小波矩特征作為障礙物識別分類的根據.

3.1 圖像矩特征的一般表達形式

二維圖像連續函數為f（x，y），則它在直角坐標系下的（p＋q）階幾何矩定義為：

為了得到旋轉不變性的圖像矩值，令x＝rcos θ，y＝rsinθ，將式（1）進行極坐標變換，得到矩特征的一般表達式：

式中：gp（r）為變換核的徑向分量，而ejqθ是變換核的角度分量.令Sq（r）＝∫f（r，θ）ejqθdθ，則式（2）變為：

為了實現圖像的平移、縮放不變性，需要對圖像f（x，y）進行歸一化處理，先求出f（x，y）的質心（，），將坐標原點移至質心，使f′（x，y）＝f（x＋，y＋）.通過這樣的變換f′（x，y）就具有了平移不變性，然后求出圖像的零階矩y）dxdy）；定義圖像的縮放比例因子對圖像進行尺度縮放變換得到fS（x，y）＝f（ax，ay），則fS（x，y）具有縮放不變性.綜上所述，經過平移和尺度變換后具有平移、尺度不變性.

將式（3）中的小波函數gp（r）用φm，n（r）來替換就得到小波矩，定義為：

3.2 圖像小波矩的構造

式（4）中，對于某一固定的r，∫f（r，θ）ejqθdθ代表圖像f（r，θ）在相位空間[0，2π]中的第q個頻域特征（q＝0，1，2，…，N），利用不同的尺度因子m、位移因子n，φm，n（r）可以遍及整個徑向空間[0，1]，這是因為

式中：N＝3，α＝0.697 066，f0＝0.491 77，σ2w＝0.561 145.所以：

式中：m＝0，1，2，3，…；n＝0，1，…，2m＋1；選擇不同的m，n就可得到圖像的全局信息或局部信息.

3.3 圖像小波矩特征的選擇與優化

在圖像識別中引入一組小波矩進行目標識別和分類.由式（4）的定義可知，當適當改變式中頻域特征參數q、尺度因子m、位移因子n時，可得到很多組小波矩特征數據，但過多特征信息不利于神經網絡進行識別，不僅使特征獲得的代價增加，而且龐大的神經網絡系統將降低計算性能.因此需要對大量原始特征數據進行分析、降低其信息冗余量，選擇一組較優的小波矩組合成實用的特征向量，以減小模式識別代價、提高識別實時性.

本文采用次優搜索算法中的增l減r法（l－r法）[6]進行特征選擇.l－r法考慮了當前特征組與待選特征分量間的相關性，它克服了順序前進法SFS和順序后退法SBS的筑巢效應[6]，即特征一旦被加入或者被剔除，以后將不再改變的缺點，所以它能取得更好的特征.

定義兩類xk，xl的距離度量：

式中：n為提取特征向量的個數；采用自下而上的算法，即l＞r，算法如下：

1）假設已選m個特征組成一個特征組Xm＝（x1，x2，…，xm），在余下n－m個特征中選一個xi（i＝1，2，…，n－m）分別與已選特征組合，按J值大小排列：

從中選入特征x1，照這樣逐個選入l個特征得到新的特征組Xm＝Xm＋l，并置m＝m＋l.

2）在特征組Xm中剔除一個特征xj（j＝1，2，…m），若：

從中剔除x1，照這樣逐個剔除r個特征組成新特征組Xm＝Xm－r，置m＝m－r.若m＝n，則算法終止，否則轉步驟1）.

按照特征選擇法選擇6個局部最優小波矩值作為特征向量，分別為：‖F110‖，‖F130‖，‖F220‖，‖F310‖，‖F311‖，‖F312‖.表1和表2列出了圖像計算后的6維局部最優小波矩特征向量.

表1 防震錘邊緣圖像的小波矩特征向量Tab.1 The wavelet moments result of edge images by counterweight

4 支持向量機分類原理與分類方法

4.1 SVM分類原理

利用普通人工神經網絡做障礙物識別，將遇到一些制約問題：如何確定網絡結構、過學習與欠學習、需要大量的學習樣本等.而SVM是基于結構風險最小化的統計學習算法[7]，在解決小樣本學習方面具有很大優勢并得到了廣泛應用.

表2 3類障礙物邊緣圖像的小波矩特征向量Tab.2 The wavelet moments result of edge images by three type obstacles

設n維實數空間中，線性可分樣本集（xi，yi），i＝1，…，n，y∈ ｛ ＋1，－1｝，其中xi∈Rn是輸入矢量，yi是 分類標識.yi＝1的矢量（xi，yi）為第1類；yi＝－1的矢量（xi，yi）為第2類.利用最優分類超平面〈ω，x〉＋b＝0把兩類數據分開，此時兩類間隔等于，使間隔最大等價于使‖ω‖2最小，其中ω和b分別為權矢量和閾值.對于線性不可分樣本，還可允許一定的錯誤分類，引入非負松弛因子εi描述矢量（xi，yi）被誤分的程度，分類條件放寬為yi〈w，xi〉＋b＋εi≥1，i＝1，2，…，l，為了限制樣本錯誤分類，引入錯誤懲罰因子C，它希望誤分類程度盡可能小.這樣問題轉化為求以下約束條件的極小值：

該問題的對偶計算式[8]為：

對于非線性可分情況，通過適當的核函數K（xi，yi）可把（xi，yi）非線性變換映射到高維特征空間，在特征空間中問題變得線性可分.所選擇的核函數K（xi，xj）＝〈φ（xi），φ（xj）〉可以代替最優分類面的點積，間接地將輸入空間中兩個矢量的內積映射為高維特征空間的內積，相對容易求解最優超平面.式（11）問題轉化為求如下問題的最優化：

本文選用徑向基（RBF）核函數，即：

式中：γ為核函數參數，運用序列最小最優化（SMO）[9]算法快速解出分類超平面系數，進而可求解式（12）中的最優分類超平面問題.

4.2 SVM多分類算法

除冰機器人在實際工作中遇到需要識別的障礙物在3種以上，如圖1所示障礙物就有5種，所以需要采用能解決多分類問題的多個支持向量機.常用的SVM多分類方法有：一對多、一對一、有向無環圖[10].實驗比較發現一對一分類法比一對多分類法速度快，而分類精度比有向無環圖方法高，所以本文選擇一對一算法實現多類障礙物的分類.

5 實驗方法與結果分析

5.1 SVM分類過程

剛開始SVM網絡中沒有任何經驗知識，需要經過樣本訓練獲取知識，再利用具有分類功能的SVM進行圖像分類.主要步驟如圖6所示.

圖6 SVM分類器分類過程Fig.6 Recognition course of SVM classifier

為了優化實驗，對關鍵數據進行優化：

1）障礙物樣本數據的選擇

選取機器人在實驗線路行走與越障時，拍攝的各種障礙物圖像，選擇多組障礙物圖像作SVM訓練與測試的樣本.如圖7所示，選擇具有不同偏角、不同距離拍攝的障礙物圖像作為實驗樣本，而且注意有區分地選擇同類障礙物樣本，且同類樣本大小、方位都有所不同.其中，選取280組作訓練樣本、80組作測試樣本，并計算它們的小波矩特征向量以備SVM實驗使用，結果如表1和表2所示.

2）核函數參數的優化

徑向基（RBF）核函數是SVM的普適核函數，但是為了使SVM適應于任意分布的樣本、具有更好的推廣能力，需要配上合適的核函數參數.如圖8所示，在實驗中比較不同（C，γ）組合下的分類正確率.經反復訓練和測試，發現核函數參數C＝27.36，γ＝0.327時，訓練SVM分類器的分類效果最佳，保存這一結果并應用在實際分類中.

圖7 SVM訓練樣本圖像Fig.7 Training sample images of SVM classifier

圖8 參數（C，γ）取不同值的分類正確率Fig.8 Classification percentages according to coefficients（C，γ）

5.2 實驗結果分析

機器人在線行走時，不同時刻拍攝的同種與不同種障礙物圖像是動態變化的，為了驗證SVM的識別效果.選取不同距離條件下，拍攝多組同種與不同種障礙物圖像進行比較，以防震錘為例，選取5張圖像做試驗，同時測量了這些圖像的拍攝條件，分別是：距像機6.20m，拍攝方向與導線直線方向左偏4.5°、左偏0.2°、右偏3.9°；距像機4.82m，左偏3.8°、右偏4.1°.分別算出它們的小波矩特征值，結果如表1所示，從表1可以看出，在拍攝距離和拍攝角度不同的條件下，防震錘的小波矩特征各分量之間的差距不大.從表1可知，同種障礙物圖像的特征向量差別不大，而不同障礙物間的特征向量差別還有待比較.

用表1相同方法，又分別計算了耐張線夾、懸垂線夾、絕緣子等障礙物的圖像.然后選取它們的特征向量進行比較，結果如表2所示，可以看出3種障礙物圖像間的小波矩特征向量差別較大.

從這兩組實驗的結果比較可以看出：同類障礙物具有近似不變的特征向量，而不同障礙物間的特征向量差別較大.根據前面的介紹，這一特點很適合利用SVM來分類.首先，用大量典型障礙物的樣本圖像訓練SVM網絡，把它們的特征向量和相應種類號輸入SVM訓練，然后SVM就可對新輸入的障礙物圖像進行分類了，實驗分類效果如表3所示.

表3 不同障礙物的識別效果Tab.3 Result of recognition of different obstacles

6 結 論

針對除冰機器人特殊工作環境需要，提出了基于小波矩及SVM技術的障礙物識別方法.實驗表明機器人能有效地感知遇到的各種障礙物，為機器人自主在線行走和越障準備了條件.

[1] 王超，魏世民.高壓輸電線上除冰機器人的系統設計[J].機械工程與自動化，2010（1）：148－149.WANG Chao，WEI Shi－ming.Design of a robot for deicing high voltage transmission lines[J].Mechanical Engineering ＆Automation，2010（1）：148－149.（In Chinese）

[2] OSTU N A.Threshold selection method from gray－level histogram[J].IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62－66.

[3] 何通能，賈志勇.基于小波矩的車牌字符識別研究[J].浙江工業大學學報，2005，33（23）：170－172.HE Tong－neng，JIA Zhi－yong.A study of license plate character recognition based on wavelet moment[J].Journal of Zhejiang University of Technology，2005，33（23）：170－172.（In Chinese）

[4] HU M K.Visual pattern recognition by moment invariants[J].IEEE Transactions on Information Theory，1962，2（8）：179－187.

[5] UNSER M，ALDROUBI A，EDEN M.Ontheasymptotic convergence of B－spline wavelets to gabor functions[J].IEEE Transactions on Information Theory，1992，38（2）：864－872.

[6] 邊肇祺，張學工.模式識別[M].北京：清華大學出版社，2000：253－257.BIAN Zhao－qi，ZHANG Xue－gong.Pattern recognition[M].Beijing：Tsinghua University Press，2000：253－257.（In Chinese）

[7] 李庚銀，王洪磊.基于改進小波能熵和支持向量機的短時電能質量擾動識別[J].電工技術學報，2009，4（24）：161－166.LI Gen－yin，WANG Hong－lei.Short－time power quality disturbances identification based on improved wavelet energy entropy and SVM[J].Transactions of China Electrotechnical Society，2009，4（24）：161－166.（In Chinese）

[8] 沈琳琳，紀震.采用精選Gabor小波和SVM分類的物體識別[J].自動化學報，2009，4（35）：350－355.SHEN Lin－lin，JI Zhen.Gabor wavelet selection and SVM classification for object recognition[J].Acta Automatica Sinica，2009，4（35）：350－355.（In Chinese）

[9] JOHN C.Fast training of SVM using sequential minimal optimization advances in kernel methods support vector machine[J].MA：Cambridge Boston，MIT Press，1999.

[10] 申宇皓.小波包變換和支持向量機模擬電路故障診斷方法[J].火力與指揮控制，2009，34（11）：154－157.SHEN Yu－hao.Research on method of analog circuit fault diagnosis based on wavelet packet transform and SVM[J].Fire Control ＆Command Control，2009，34（11）：154－157.（In Chinese）