一種適用于智能變電站巡檢機(jī)器人的異物檢測(cè)算法研究

趙小魚+++徐正飛+++付淵

摘 要： 針對(duì)在戶外條件下進(jìn)行圖像處理的特點(diǎn)，提出一種適合智能變電站巡檢機(jī)器人的對(duì)變電站設(shè)備懸掛異物識(shí)別的算法。該算法經(jīng)過國內(nèi)某500 kV智能變電站巡檢機(jī)器人實(shí)地反復(fù)測(cè)試，對(duì)有異物與無異物的正負(fù)樣本圖像識(shí)別率超過95%，對(duì)實(shí)時(shí)巡檢具有高精度高魯棒性，完全滿足變電站現(xiàn)場(chǎng)應(yīng)用的要求。

關(guān)鍵詞： 智能變電站； 巡檢機(jī)器人； 異物檢測(cè)； 相似匹配

中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）10?0124?04

0 引 言

變電站往往建設(shè)在四周空曠的農(nóng)村平原地帶，且主要設(shè)備安置在室外，經(jīng)常會(huì)受到外來“異物”的侵?jǐn)_，可能會(huì)對(duì)變電站設(shè)備造成安全運(yùn)行隱患。智能機(jī)器人在對(duì)變電站設(shè)備狀態(tài)執(zhí)行巡檢工作任務(wù)的同時(shí)，對(duì)變電站設(shè)備中有無懸掛異物進(jìn)行檢測(cè)，當(dāng)發(fā)現(xiàn)有外來異物懸掛時(shí)提供報(bào)警等指示標(biāo)識(shí)功能，保障變電站設(shè)備的安全運(yùn)行。隨著近幾年圖像處理算法的飛速發(fā)展，基于計(jì)算機(jī)視覺技術(shù)的缺陷、異物檢測(cè)算法也在不斷的提升[1]。對(duì)于異物，或者外來物體的檢測(cè)與跟蹤的算法，在視頻應(yīng)用中主要的研究是采用放置固定攝像機(jī)，對(duì)連續(xù)的輸入幀進(jìn)行高斯背景建模，在這其中位置相對(duì)固定的“場(chǎng)景”形成背景圖像模型，當(dāng)有外物進(jìn)入圖像中時(shí)則被背景模型自動(dòng)的分割為前景，可對(duì)其進(jìn)行物體分割、跟蹤等處理[2]。雖然變電站中的各類型設(shè)備都已安置完畢，位置、形態(tài)長期固定，為背景模型的算法提供了有利條件。巡檢機(jī)器人攜帶的是一臺(tái)移動(dòng)式攝像機(jī)，穿梭于各個(gè)電力設(shè)備之間采集待檢測(cè)設(shè)備的圖像，但是系統(tǒng)無法支持對(duì)每個(gè)設(shè)備的周邊環(huán)境進(jìn)行背景建模，所以這種算法并不適合用于巡檢機(jī)器人。

相對(duì)于視頻的動(dòng)態(tài)的背景建模提取前景移動(dòng)物體的算法，對(duì)靜態(tài)的兩幅或多幅圖像差異的比較也是行之有效的異物檢測(cè)的方法，這類算法被稱為幀間差分法。這種算法的主要思想是：首先對(duì)相對(duì)不變的背景環(huán)境采集一幅或多幅作為背景模板，當(dāng)需要檢測(cè)在此環(huán)境中是否有異物時(shí)，再實(shí)時(shí)采集一幅圖像與背景模板進(jìn)行逐一像素或區(qū)域的差異計(jì)算。當(dāng)差異的結(jié)果充滿一定的圖像面積時(shí)，則認(rèn)為采集圖像與模板不一致，疑似異物出現(xiàn)在采集圖像中。這種算法與高斯背景建模的算法進(jìn)行比較，優(yōu)勢(shì)為背景圖像生成簡單，使用幀間差分計(jì)算圖像間的差異時(shí)計(jì)算量少[3?4]。巡檢機(jī)器人在進(jìn)行變電站設(shè)備工作狀態(tài)檢測(cè)時(shí)，采用的即是建立模板圖像進(jìn)行比較的方式，但是幀間差分法仍舊不能適用于巡檢機(jī)器人進(jìn)行異物的檢測(cè)。這是因?yàn)檠矙z機(jī)器人進(jìn)行定點(diǎn)設(shè)備檢測(cè)時(shí)，雖然停車位置相同，但機(jī)器人運(yùn)動(dòng)的航向角與云臺(tái)轉(zhuǎn)動(dòng)的角度都與拍攝模板圖像的位置存在略微差異，在用幀間差分法處理這些誤差時(shí)會(huì)被誤認(rèn)為前景發(fā)生了變化，即差異的部分會(huì)錯(cuò)誤的檢測(cè)為異物。

智能機(jī)器人需要全天候地對(duì)變電站的設(shè)備進(jìn)行工作狀態(tài)巡檢，機(jī)器人采集的圖像也常受到環(huán)境的影響，這使得巡檢機(jī)器人采用背景建模或者幀差法等流行的異物檢測(cè)算法都受到了約束，必須研發(fā)一種有效的適合變電站巡檢機(jī)器人的異物檢測(cè)算法。當(dāng)前變電站巡檢機(jī)器人對(duì)各種設(shè)備進(jìn)行工作狀態(tài)檢測(cè)時(shí)，采用的是通過采集待檢測(cè)設(shè)備實(shí)時(shí)圖像與設(shè)備的模板圖像進(jìn)行配準(zhǔn)，在采集圖像中標(biāo)注出待檢測(cè)設(shè)備區(qū)域，從而可以對(duì)設(shè)備狀態(tài)進(jìn)行準(zhǔn)確的識(shí)別。基于這種工作模式，在本文中提出了一種適用于智能變電站巡檢機(jī)器人的異物檢測(cè)算法。首先，依照巡檢機(jī)器人的模板圖像采集方式，對(duì)易懸掛異物的設(shè)備區(qū)域或需要嚴(yán)格防止異物侵入的區(qū)域進(jìn)行無異物狀態(tài)的標(biāo)準(zhǔn)圖像采集，建立待檢測(cè)設(shè)備區(qū)域的模板圖像庫。然后，在機(jī)器人執(zhí)行巡檢任務(wù)時(shí)，根據(jù)任務(wù)指令，在待測(cè)設(shè)備前的指定位置停車，按照相同設(shè)備模板圖像的拍攝角度與焦距設(shè)置對(duì)待檢測(cè)設(shè)備區(qū)域采集實(shí)時(shí)圖像。使用SIFT配準(zhǔn)算法，提取兩幅圖像的特征點(diǎn)對(duì)，依照特征點(diǎn)對(duì)坐標(biāo)的映射在采集圖像中最大范圍地裁剪出與模板圖像重合的區(qū)域。由于光線與天氣環(huán)境的變化，為了減少光照強(qiáng)度對(duì)識(shí)別結(jié)果的影響，先對(duì)模板圖像與采集圖像進(jìn)行消除光照、去陰影操作，再對(duì)待檢測(cè)設(shè)備框架進(jìn)行二值化，分割設(shè)備與背景，將采集圖像與模板圖像的重合區(qū)域坐標(biāo)對(duì)齊、截取，并進(jìn)行相同的4×4分塊，對(duì)分塊的子圖像以“不變矩”的算法來評(píng)價(jià)相似性。相似性高的則認(rèn)為與模板圖像匹配，此子區(qū)域內(nèi)無異物出現(xiàn)，相反則判斷在此區(qū)域內(nèi)有異物侵入，對(duì)待測(cè)設(shè)備采集圖像中有異物的區(qū)域進(jìn)行標(biāo)注，并警示變電站值崗人員。此算法經(jīng)過國內(nèi)某500 kV智能變電站巡檢機(jī)器人實(shí)地反復(fù)測(cè)試，對(duì)有異物與無異物的正負(fù)樣本圖像識(shí)別率超過95%，對(duì)實(shí)時(shí)巡檢具有高精度高魯棒性，完全滿足變電站現(xiàn)場(chǎng)應(yīng)用的要求。

1 異物檢測(cè)識(shí)別算法

1.1 利用SIFT算法實(shí)現(xiàn)采集圖像在模板圖像中的定位

尺度不變特征轉(zhuǎn)換（Scale Invariant Feature Transform，SIFT）是用于圖像處理領(lǐng)域的一種描述子。這種描述具有尺度不變性，可在圖像中檢測(cè)出關(guān)鍵點(diǎn)，是一種局部特征描述子，并可基于此進(jìn)行圖像特征點(diǎn)匹配[7]。

1.1.1 構(gòu)建尺度空間

這是一個(gè)初始化操作，尺度空間理論的目的是模擬圖像數(shù)據(jù)的多尺度特征。高斯卷積核是實(shí)現(xiàn)尺度變換的惟一線性核，于是一幅二維圖像的尺度空間定義為：

[G（x，y）=12πσ2e（-（x2+y2）2σ2）] （1）

相鄰尺度的圖像相減得到一組Difference of Gaussian（DoG）圖像[D（x，y，σ）]，以局部極值點(diǎn)確定特征點(diǎn)。假設(shè)圖像的像素強(qiáng)度表示為[I（x，y）]，高斯卷積圖像為：

[D（x，y，mσ）=（G（x，y，kmσ）-G（x，y，km-1σ））*I（x，y）] （2）

式中：[m=1，2，…，s；k=21s]；[D（x，y，mσ）]表示相鄰尺度的DoG圖像。

1.1.2 生成SIFT特征向量

（1） 為了尋找尺度空間的極值點(diǎn)，每一個(gè)采樣點(diǎn)要與它所有的相鄰點(diǎn)比較，看其是否比它的圖像域和尺度域的相鄰點(diǎn)大或者小。如圖1所示，中間的檢測(cè)點(diǎn)和它同尺度的8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的9×2個(gè)點(diǎn)共26個(gè)點(diǎn)比較，以確保在尺度空間和二維圖像空間都檢測(cè)到極值點(diǎn)。一個(gè)點(diǎn)如果在DoG尺度空間本層以及上、下兩層的26個(gè)領(lǐng)域中是最大或最小值時(shí)，就認(rèn)為該點(diǎn)是圖像在該尺度下的一個(gè)特征點(diǎn)。endprint

圖1 DoG圖像尺度空間

（2） 通過擬和三維二次函數(shù)以精確確定關(guān)鍵點(diǎn)的位置和尺度（達(dá)到亞像素精度），同時(shí)去除低對(duì)比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)（因?yàn)镈oG算子會(huì)產(chǎn)生較強(qiáng)的邊緣響應(yīng)），以增強(qiáng)匹配穩(wěn)定性、提高抗噪聲能力，在這里使用近似Harris Corner檢測(cè)器。

（3） 梯度直方圖的范圍是0°～360°，其中每10°一個(gè)柱，總共36個(gè)柱。隨著距中心點(diǎn)越遠(yuǎn)的領(lǐng)域其對(duì)直方圖的貢獻(xiàn)也響應(yīng)減小。實(shí)際計(jì)算時(shí)，在以關(guān)鍵點(diǎn)為中心的鄰域窗口內(nèi)采樣，并采用直方圖統(tǒng)計(jì)鄰域像素的梯度方向。梯度直方圖的范圍是0°～360°，其中每45°一個(gè)柱，總共8個(gè)柱，或者每10°一個(gè)柱，總共36個(gè)柱。Lowe論文中還提到要使用高斯函數(shù)對(duì)直方圖進(jìn)行平滑，減少突變的影響。直方圖的峰值則代表了該關(guān)鍵點(diǎn)處鄰域梯度的主方向，即作為該關(guān)鍵點(diǎn)的方向，使算子具備旋轉(zhuǎn)不變性。

（4） 圖2中藍(lán)色的圈代表高斯加權(quán)的范圍，越靠近關(guān)鍵點(diǎn)的像素梯度方向信息貢獻(xiàn)越大。然后在每4×4的小塊上計(jì)算8個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn)，如圖2中的右半部分所示。該圖中一個(gè)關(guān)鍵點(diǎn)由2×2共4個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向向量信息。這種鄰域方向性信息聯(lián)合的思想增強(qiáng)了算法抗噪聲能力，同時(shí)對(duì)于含有定位誤差的特征匹配也提供了較好的容錯(cuò)性。

圖2 特征向量

1.1.3 根據(jù)SIFT特征向量進(jìn)行匹配

通過上述步驟，對(duì)于每一個(gè)關(guān)鍵點(diǎn)，擁有三個(gè)信息：位置、尺度和方向。接下來為每個(gè)關(guān)鍵點(diǎn)建立一個(gè)描述符，用一組向量將這個(gè)關(guān)鍵點(diǎn)描述出來，使其不隨各種變化而改變，比如光照變化、視角變化等。這個(gè)描述子不但包括關(guān)鍵點(diǎn)，也包含關(guān)鍵點(diǎn)周圍對(duì)其有貢獻(xiàn)的像素點(diǎn)，并且描述符應(yīng)該有較高的獨(dú)特性，以便于提高特征點(diǎn)正確匹配的概率。

得到兩幅圖像的特征點(diǎn)的匹配關(guān)系后，兩幅圖像存在如下變換過程：

[x′y′1=Hxy1] （3）

式中：H為投影變換矩陣；[x′，y′，1T，x，y，1T]分別為特征匹配點(diǎn)在源圖像和待匹配圖像上的像點(diǎn)坐標(biāo)。由已知點(diǎn)的坐標(biāo)，求得H矩陣，通過比較特征點(diǎn)實(shí)現(xiàn)待檢測(cè)圖像中設(shè)備區(qū)域的準(zhǔn)確定位。

1.2 圖像預(yù)處理

變電站的主要大型設(shè)備多置于室外，由于照射光線的強(qiáng)弱和周圍環(huán)境的影響，在采集的設(shè)備圖像上常常出現(xiàn)金屬器件反射太陽光的亮光光斑，周圍設(shè)備框架遮擋形成的陰影，天空中的云等，這些與模板圖像存在差異的部分會(huì)比較容易被誤識(shí)別為異物。所以，在完成采集圖像中待檢測(cè)設(shè)備區(qū)域的SIFT特征匹配后，要消除光線在設(shè)備上的反光與陰影等，降低光線的不同對(duì)識(shí)別結(jié)果的影響。

1.2.1 模板圖像、采集圖像去除光斑與陰影

為了提取待檢測(cè)設(shè)備上是否懸掛異物，需要對(duì)模板圖像及采集圖像進(jìn)行關(guān)心區(qū)域的二值化分割，在二值圖像上進(jìn)行比較可以有效地減少背景內(nèi)容對(duì)識(shí)別結(jié)果的干擾，首先先采用標(biāo)準(zhǔn)的平均值法將彩色圖像轉(zhuǎn)換為灰度圖像，用[g]表示灰度化后的灰度值，有：

[g=0.30R+0.59G+0.11B] （4）

在灰度圖像中，為了消除采集圖像與模板圖像匹配時(shí)分割出差異的部分降低光照與陰影給圖像對(duì)比帶來的影響，可利用數(shù)學(xué)形態(tài)學(xué)“開”操作有效實(shí)現(xiàn)，表示為[A?B]，定義為結(jié)構(gòu)元素B對(duì)集合A進(jìn)行開操作：

[A?B=（AΘB）⊕B] （5）

使用“開”操作之后，使光斑產(chǎn)生的亮點(diǎn)消除、陰影部分得以平滑，在圖像分割時(shí)可以選取合適的二值化算法提取出完整的待檢測(cè)設(shè)備框架。具體步驟為：首先定義大小為 [（2w+1）×（2w+1）]的模板，并以[（x，y）]為中心，[f（x，y）]為該點(diǎn)灰度值，[T（x，y）]為該點(diǎn)二值化閾值，依據(jù)式（6）計(jì)算像素的閾值，按照式（7）對(duì)該像素進(jìn)行二值化分類：

[T（x，y）=1（2w+1）2k=-wwl=-wwf（x+k，y+l）] （6）

[I（x，y）=1，f（x，y）≥T0，f（x，y）

式中[I（x，y）]為二值化后各個(gè)像素的圖像強(qiáng)度。

1.2.2 二值化圖像的匹配

將相同設(shè)備區(qū)域的模板圖像與采集圖像進(jìn)行前景設(shè)備的二值分割后，消除了光照與背景的影響，相同的設(shè)備結(jié)構(gòu)并未產(chǎn)生變化，僅僅由于圖像預(yù)處理的作用使兩幅圖像中設(shè)備結(jié)構(gòu)的“粗細(xì)”略微不同，使得兩幅圖像的相同區(qū)域具備了可比性，使用改進(jìn)的“不變矩”的算法可以對(duì)兩幅圖像中設(shè)備結(jié)構(gòu)的相似度進(jìn)行評(píng)價(jià)。這一算法的優(yōu)點(diǎn)在于，通過計(jì)算圖像的像素點(diǎn)的關(guān)系可以得到多個(gè)不變矩，而圖像的旋轉(zhuǎn)與尺寸的變化對(duì)不變矩的影響不大。

“不變矩”算法的計(jì)算規(guī)則如下：

在連續(xù)情況下，圖像函數(shù)為[f（x，y）]，那么有：

（1） 標(biāo)準(zhǔn)矩（[p+q] 階幾何矩）

其定義為：

[mpq=-∞∞-∞∞xpyqf（x，y）dxdy， p，q=0，1，2，…]

（2）[p+q] 階中心矩

其定義為：

[μpq=-∞∞-∞∞（x-x）p（y-y）qf（x，y）dxdy， p，q=0，1，2，…] 式中 [x] 和 [y] 代表圖像的重心，[x=m10m00，y=m10m00]。那么如果是數(shù)字圖像的話，則需要使用其離散形式，采用求和號(hào)代替積分：

標(biāo)準(zhǔn)矩：

[mpq=y=1Nx=1Mxpyqf（x，y），p，q=0，1，2，…]

中心矩：

[μpq=y=1Nx=1M（x-x）p（y-y）qf（x，y），p，q=0，1，2…]

式中[N]和[M]分別是圖像的高度和寬度。

（3） 歸一化的中心矩

其定義為：[ηpq=μpqμρ00]；其中[ρ=（p+q）2+1]，利用二階和三階歸一化中心矩構(gòu)造了7個(gè)不變矩[M1～M7]：

[M1=η20+η02；M2=（η20-η02）2+4η211；] [M3=（η30-3η12）2+（3η21-η03）2；][M4=（η30+η12）2+（η21+η03）2]

[M5=（η30-3η12）（η30+η12）（（η30+η12）2-3（η21+η03）2）+ （3η21-η03）（η21+η03）（3（η30+η12）2-（η21+η03）2）]

[M6=（η20-η02）（（η30+η12）2-（η21+η03）2）+ 4η11（η30+η12）（η21+η03）]

[M7=（3η21-η03）（η30+η12）（（η30+η12）2-3（η21+η03）2）- （η30-3η12）（η21+η03）（3（η30+η12）2-（η21+η03）2）]

以A，B分別表示模板圖像與待比較的采集圖像，則利用以上7個(gè)不變矩的比較結(jié)果為：

[I（A，B）=i=171mAi-1mBi]

式中：[mAi=sign（MAi）?log2（MAi）]；[mBi=sign（MBi）?log2（MBi）]。當(dāng) [I（A，B）] 的值越小時(shí)，表示A與B的圖像相似度越高。這7個(gè)不變矩構(gòu)成一組特征向量。不變矩算法一般用來識(shí)別圖像中大的物體，對(duì)于物體的形狀描述得比較好，圖像紋理特征不能太復(fù)雜，像識(shí)別水果的形狀，或者對(duì)于車牌中的簡單字符的識(shí)別效果良好。

這一算法的優(yōu)點(diǎn)是計(jì)算速度快并且具有旋轉(zhuǎn)、縮放和平移不變性，非常適合移動(dòng)式機(jī)器人的工作環(huán)境，如：對(duì)各個(gè)設(shè)備的拍攝角度與模板圖像拍攝時(shí)略有不同，這并不影響采集圖像與模板圖像相似性的判斷。

1.3 異物識(shí)別結(jié)果的優(yōu)化

如今在全國多個(gè)變電站投入運(yùn)行的智能巡檢機(jī)器人所攜帶的可見光攝像機(jī)拍攝的圖像尺寸為[704×576]像素，由于像風(fēng)箏、塑料袋這種較小的異物，在攝像機(jī)低焦距遠(yuǎn)距離拍攝時(shí)，異物所占的圖像比例很小，通過整幅圖像計(jì)算與模板的相似度時(shí)，當(dāng)前低分辨率的圖像輸入設(shè)備大大限制了異物識(shí)別的精確度。

為了在不增加更換硬件成本的前提下提高異物識(shí)別的準(zhǔn)確率，在將采集圖像與模板圖像二值化處理后，可先根據(jù)圖像中設(shè)備結(jié)構(gòu)的分布特點(diǎn)進(jìn)行4×4 或6×6分塊，再采用“不變矩”的匹配算法把采集圖像中的分塊子圖像與模板對(duì)應(yīng)的塊進(jìn)行相似度比較。如此一來異物在所在子圖像中所占的比例較整幅圖像便成倍增加，提高了異物識(shí)別的準(zhǔn)確度，并且在得出的結(jié)果中還可以根據(jù)異物所在子圖像的位置標(biāo)出大致區(qū)域，以供值崗的工作人員進(jìn)行鑒定參考。

2 現(xiàn)場(chǎng)應(yīng)用

某500 kV智能變電站是目前國內(nèi)首次采用智能巡檢機(jī)器人自動(dòng)識(shí)別的示范站，實(shí)現(xiàn)了智能機(jī)器人代替人工進(jìn)行變電站設(shè)備巡檢、狀態(tài)識(shí)別的任務(wù)。

3 結(jié) 語

通過對(duì)巡檢機(jī)器人在戶外條件下采集的巡檢圖像進(jìn)行大量測(cè)試，證實(shí)了本文所提算法的魯棒性。以SIFT算法進(jìn)行特征配準(zhǔn)，在巡檢采集圖像中標(biāo)定與模板圖像相重疊的區(qū)域，而后對(duì)圖像進(jìn)行灰度化及開操作預(yù)處理后可以有效地對(duì)各種不同光照條件的圖像進(jìn)行二值化分割。采用改進(jìn)的分塊不變矩檢測(cè)算法提高了對(duì)低分辨率圖像中異物的識(shí)別能力，并且具有很高的準(zhǔn)確性，進(jìn)而可以保證變電站監(jiān)控平臺(tái)及時(shí)地獲得異物所在位置。并且通過大量巡檢機(jī)器人的巡檢圖片驗(yàn)證，在此圖像處理算法下，對(duì)異物率在95%以上，完全滿足智能變電站異物自動(dòng)檢測(cè)識(shí)別的要求。

參考文獻(xiàn)

[1] LOWE D. Distance image feature from scale?invariant key points [J]. International Journal of Computer Vision， 2004， 60（2）： 91?100.

[2] 鄧亞麗，毋立芳，李云騰.一種有效的圖像陰影自動(dòng)去除算法[J].信號(hào)處理，2011，27（11）：1724?1728.

[3] 汪海洋，潘德爐，夏德深.二維Otus自適應(yīng)閾值選取算法的快速實(shí)現(xiàn)[J].自動(dòng)化學(xué)報(bào)，2007，33（9）：968?971.

[4] ZHANG Deng?sheng， LU Guo?jun. Review of shape representation and description techniques [J]. Pattern Recognition， 2004， 37（1）： 1?19.

[5] 李建勛，童中翔，劉彥，等.單幅圖像陰影去除法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2013（5）：628?635.

[6] 高俊釵，韓冰.基于序列圖像的陰影檢測(cè)研究[J].現(xiàn)代電子技術(shù)，2011，34（18）：43?45.endprint