閥廳智能巡檢機器人系統的紅外成像設備定位

朱 靜，孫德利，孫艷鶴

（國網遼寧省電力有限公司 檢修分公司，遼寧 沈陽110000）

閥廳智能巡檢機器人系統的紅外成像設備定位

朱 靜，孫德利，孫艷鶴

（國網遼寧省電力有限公司 檢修分公司，遼寧 沈陽110000）

為了實現閥廳智能巡檢機器人系統對設備的精確測溫，需要對閥廳中紅外圖像設備精確定位，文中提出了一種新的定位紅外設備的方法。對已有的一幅紅外圖像，先進行圖像預處理，然后使用SURF（Speeded Robust Features）算法提取整幅圖像的特征，最終將這幅圖像的特征點與待檢測圖像的特征點進行匹配，便可精確的定位出待檢測的設備。實驗證明，該方法對紅外圖像的設備定位的效果較好，精確度也較高。

閥廳；巡檢機器人；SURF；設備定位

閥廳作為換流站的核心部分，是放置換流閥的封閉建筑，換流站及直流輸電系統的運行性能和安全可靠程度與閥廳內電力設備的安全運行度密切相關，對整個電力系統的運行也有重要的影響［1］。換流閥在工作時會因自身功率耗散產生大量的熱，故其配有可靠性很高的高效冷卻系統和溫度監控系統［2］，但冷卻和溫控系統也存在出現故障的風險，比如冷卻系統泄露等情況［3］。因此，對閥廳設備的實時監控和定期巡視都必不可少。

而在傳統的智能巡檢機器人系統中，由于設備結構復雜多樣，安裝設備時候會不可避免的出現遮擋的情況，因此測溫只是針對設備整體的測溫。基于此種情況，研究能滿足精確測溫的方法對智能巡檢機器人系統的發展具有很大的意義。本文的目的就在巡檢機器人系統可對閥塔等閥廳內設備進行大范圍、多角度檢測的基礎上，研究了一種測溫精度更高的方法，以滿足能自動進行模式識別和故障診斷，為閥廳內設備的運行狀態提供客觀的判斷依據［4-5］。

1　圖像預處理

1.1標定待檢測區域

為了定位待檢測區域，我們首先對已有圖像中目標進行標定，即標準圖像進行標定。標定的方式是用矩形把待檢測區域標注出來，以得到設備在圖像中的相對位置。

1.2圖像濾波

為了使待檢測的設備更加清晰，需要對智能巡檢機器人采集到的圖像進行預處理。為了除去非均勻光照的影響，突顯圖像中的細節部分，本文采取在頻域空間建立同態濾波器的方法對存在光照不足或光照變化的圖像進行預處理，來消減由于光照因素導致的圖像質量下降，同時增強圖像中感興趣的景物區域，從而實現在很大程度地保留了圖像原貌，且同時增強了圖像細節。同態濾波是一種比較特殊的濾波方法，其通過在頻域空間壓縮圖像的亮度范圍和增強圖像的對比度來改善圖像質量，并能減少低頻、增加高頻。因此，能降低光照變化同時銳化邊緣或細節。

2　圖像配準

2.1配準算法選擇

通常常見的圖像配準方法主要分兩類：基于圖像灰度的圖像配準方法和基于圖像特征的圖像配準方法。

基于灰度的圖像配準方法通常是運用整個圖像所攜帶的全部灰度信息來構建圖像之間的相似性度量，然后通過合適的搜索算法，找尋能使相似性度量值達到最大或最小時的變換模型的參數值。基于特征的圖像配準方法通常首先獲取圖像中的穩定特征，然后利用這些穩定的特征來進行圖像間的匹配，從而獲取最后的圖像配準。在這種方法中，所獲取的穩定特征分兩種：全局特征和局部特征。局部特征具有較強的魯棒性，因為它是局部提取的有用特征描述子，而全局特征對圖像的表述過于簡單［6］。

對于圖像結構信息充足且圖像中物體容易檢測和區分的情況，宜采用基于特征的配準方法，但不足是提取的特征結果受圖像質量和內容的制約。圖像的本質特征主要包括邊緣、紋理和輪廓等。同時，同一個物體在不同的波段總會具備類似的特征，因此特征具有高度相關性。基于特征的配準方法能夠獲取到圖像中不會因為平移、光照和旋轉等因素影響而改變的特征，這些穩定的特征主要包括點特征、線特征和區域特征等不同類型。

景物的輻射信息通過紅外光反應，所以，紅外圖像配準不僅要把圖像的尺寸變化、旋轉變化和仿射變形考慮在內，還必須要考慮因成像機理而產生的其他因素，例如灰度差異，相似幾何特征的難以提取，對溫濕度的不同反應等。由于兩幅紅外圖像間的灰度差異特別大，且像素灰度間沒有明顯的相關性，所以本文采用的是基于特征的圖像配準方法。

2.2圖像多尺度表示

多分辨率方法適用于應用于計算圖像數據的特征。其中，高斯卷積核就是實現多分辨率圖像變換的線性核［7］。函數L（x，y，σ）為圖像的多分辨率定義，其使用函數G（x，y，σ）和一幅輸入圖像I（x，y）之間的卷積運算，即

上式中，（x，y）表示圖像的像素坐標，σ表示高斯方差。

因此，該方法使得特征同時具備優良的穩定性以及獨特性，便在高斯函數差分尺度空間和圖像的多維平面空間一起檢測局部空間的極值，并以這樣的極值為特征點［7］。不相同的尺度的高斯核的差分就是DoG算子，即

在上式中，k表示兩個相似尺度的比例。

2.3SURF算法

SURF算法是對SIFT特征匹配算法的一種改進，提高了算法的執行效率。SURF算法的具體實現步驟是：

1）建立Hessian矩陣。SURF算法的核心步驟是建立Hessian矩陣，函數f（x，y）的偏導數構成Hessian矩陣H，則

矩陣H的判別式為：

判別式det（H）的值就是矩陣H的特征值，依據det（H）取值的正負來判斷是不是極值點，繼而將所有點進行分類。

SURF算法中，函數值f（x，y）表示圖像的像素，（x，y）則是對應像素的空間坐標。為計算出矩陣H中的3個元素Lxx（X，t）、Lxy（X，t）、Lyy（X，t），濾波器選擇的是二階標準的高斯函數，使用標準核間的卷積運算得到二階偏導數，進而可得到矩陣H。

其中，

在（4）中，G（t）為高斯核，F（X）為圖像表達式。

函數G（t）由（5）得到，g（t）是高斯函數，t是方差。Lxx（X，t）、Lxy（X，t）、Lyy（X，t）是圖像在不同的尺度下的表達式，是由表達式（4）得到。

2）建立尺度空間。圖像F（X）在不相同尺度下的表示就是這幅圖像的尺度空間，可由表達式（4）利用與高斯核G（t）的卷積來計算，圖像的大小通常由σ來獲得。SURF算法是根據SIFT算法的尺度空間的理論上增加了圖像核的方法，該算法可在尺度空間中的多層圖像被同時進行計算，而不必再對圖像二次抽樣，從而提高了計算效率。圖1中的左圖像金字塔結構是由傳統方式建立的，本方法中圖像的大小是在不斷變化的，同時本算法重復地使用高斯函數對每一層圖像進行平滑。圖1中的右圖表示SURF算法中建立的金字塔，該金字塔中的濾波器的大小是不斷變化的，原始圖像是保持不變，從而提高了效率。

圖1　圖像濾波金字塔

3）精確定位圖像中的特征點。特征點定位過程中，丟棄掉小于預設極值的每個取值，經過多次增加極值來使檢測得到的特征點的數目減少，直到最后僅有幾個特征最強的特征點被檢測到。在檢測的過程中，采用同當前尺度層的圖像解析度同樣大小的濾波器，如圖2中所示，示例中采用的是3×3的濾波器。在對尺度空間中的極值進行檢測時，圖示中用叉號標記的像素比圖中同尺度的相鄰的8個像素和上下相鄰的兩個尺度對應處的2*9個像素（即用綠色標記的像素）的值都要大［8］，目的是要保證在二維的圖像空間以及尺度空間均能檢測出局部區域的極大值，則該極大值即為該區域的特征點。

4）確定特征點處的主方向。為了使算子具有旋轉不變的特性，該算法以特征點所在位置為中心，以6 s（s表示該特征點所在的尺度值）為半徑，計算此圓所包含區域中的點分別在x，y方向上的Haar小波響應，其中Haar小波邊長為4 s。與此同時把高斯權重系數賦給這些響應，以便使得響應的貢獻隨與特征點間的距離大小呈反比；然后將60°區域里的響應通過相加運算獲得新的矢量；最后選取整個圓形區域中最長矢量的方向作為此特征點的主方向，如圖3所示。

圖2　檢測特征點

圖3　確定的主方向

5）生成特征點描述子。首先以特征點為中心，將坐標軸旋轉到特征點的主方向，然將特征點作為中心選取一個8×8的方形窗口。采用高斯窗口對鄰域中的向量進行加權計算，最后通過在每一個4×4的小塊區域里計算獲得8個方向上的梯度方向直方圖，從而繪制出每一個梯度方向上的累加值，繼而就形成一個種子點。每個特征點是由2×2個種子點構成，并且每一個種子點都含有8個方向上的向量信息［8］。該種方法是將鄰域中的方向性信息相聯合加強算法的抗噪聲性能，同時為定位存在誤差的特征匹配算法提供較好的容錯性。

在實際計算過程中，采用4*4個種子點來描述每一個關鍵點以便加強匹配的穩定性，這樣每一個特征點就采用128維的向量。來表示。通過歸一化特征向量的長度，便可根據兩幅圖像整體的偏移量，偏移后的以去除掉由光照變化所帶來的影響。

2.4SURF特征點的匹配

在獲取了兩幅圖像的SURF特征向量之后，這兩幅圖像中關鍵點相似性的判斷度量用關鍵點特征向量的歐幾里得距離來代替。依據最近鄰與次近鄰特征點的歐幾里得距離之間的比值，選取可靠性相對比較高的匹配點，并取該匹配點作為求得兩幅圖像計算參數的確定點。先選取左圖中的一個關鍵點，再找出這一關鍵點與右圖中距離最近的兩個關鍵點，在得到的這兩個關鍵點中，若最小的距離除以次小距離小于已設置的閾值，則認為這一對匹配點。若降低這個閾值，SURF匹配點數量通常會減少，其優點是穩定性增加。

3　實　驗

采用FLIR紅外攝像機，采集的圖像大小為320*240，對同一位置的兩幅有偏差的圖像進行配準實驗，由于文中已標定出待檢測設備的位置，并存入數據庫。所以，根據整幅圖像的偏移量便可計算出設備位置。結果如圖4所示。

圖4　濾波后的兩幅圖像進行配準

待檢測圖像，如圖5所示。

圖5　移動后的待檢測圖像

4　結束語

文中提出了一種基于同態濾波的SURF特征紅外圖像配準方法，解決了電力巡檢機器人在閥廳內移動檢測時，由于產生圖像偏移導致的無法精確測溫的問題。對比試驗結果顯示，經過同態濾波的方法處理過的紅外圖像，特征點更加明顯，比較適合配準算法，從而可較為準確定位待檢測設備。由于有的閥廳設備結構簡單，表面光滑，通常提取不到足夠的特征點，這說明本算法有其局限性，在實際配準過程中，可綜合使用不同的配準算法以獲得更好的配準結果。

［1］王華鋒，陳龍龍，林志光，等.±800 kV特高壓直流輸電換流閥控制保護系統工作原理及其工程應用［J］.電力建設，2013，34（4）:32-36.

［2］許根富，尚立新.高壓晶閘管換流閥外水冷系統分析［J］.中國電力，2009，42（12）:42-44.

［3］姚其新，饒洪林.換流站閥水冷系統隱患分析及治理［J］.華中電力，2010，23（5）:56-58.

［4］馮杰，陳圣儉，陳東.圖像識別技術在換流站監控系統中的應用［J］.電網技術，2010，34（2）:174-178.

［5］衡曉鵬，牛英俊.變電站自動化系統中以太網通信模塊設計［J］.電子科技，2006（1）:36-39.

［6］Mokhtarian F，Suomela R，Robust image corner detection throughcurvaturescale-space［J］.IEEETransactions on Pattern Analysis and Machine Intelligence，2010，20（12）: 1376-1381.

［7］Schaffalitzky F，ZissermanA.Multi-Viewmatching for unordered image sets，"Proc.seventh europeanConf［J］. Computer Vision，2002:414-431.

［8］Mikolajczyk K，Schmid C.Indexing based on scale invariant interest points，proc.Eighth Int'l conf［J］.Computer Vision，2007:525-531.

Infrared imaging equipment positioning in the intelligent inspection robot of valve hall

ZHU Jing，SUN De-li，SUN Yan-he
（State Grid Electric Power Co.overhaul Liaoning Province Branch，Shenyang 110000，China）

In order to realize accurate temperature-measuring in the intelligent inspection robot of valve hall，we need accurate positioning for theequipmentin infrared image，a newmethod ofequipmentpositioning in infrared image put forward. First，making pre-processing to the standard infrared image，and then，using themethod of SURF（Speeded Robust Features）to extract the features ofwhole standard image，finally，matching the features of standard image and the detective image and the detective equipmentwillbe positioned accurately.Testproves that themethod ofequipmentposition in infrared image has a good effectand high precision.

valve hall；the intelligent inspection robot；SURF；equipment position

TN0

A

1674-6236（2016）19-0152-03

2015-09-18稿件編號：201509130

朱靜（1964-），男，遼寧撫順人，碩士，高級工程師。研究方向：電力系統直流管理。