基于機器視覺和激光測距的輸電線故障定位

金立軍，王 恒，王文華，閆書佳

(1. 同濟大學 電子與信息工程學院，上海 201804；2. 國家電網浙江省電力公司嘉興供電公司，浙江 嘉興 314000； 3. 上海工程技術大學，上海 201800)

無人機航拍巡線時，當發現絕緣子掉片、間隔棒斷裂、導線懸掛異物等外絕緣缺陷或故障，需要對故障點進行準確定位，便于檢修人員迅速找到故障點.傳統電力故障定位方法常用電流、電壓等故障信息，在線路端點處測量故障距離，如阻抗法和行波法.阻抗法主要基于均勻線的故障回路阻抗與測量點到故障點的距離成正比這一原理，來進行故障測距[1-2].阻抗法假設導線電阻均勻，實際中測量誤差較大，適合于結構簡單的線路.行波法利用故障行波到達線路兩端的時間差來計算故障距離[3-4].行波法需要在線路測量端用專門的設備捕捉暫態行波信號，識別故障行波準確度不高.此外，傳統的電力故障定位方法[5-6]適用于電壓、電流出現突變的狀態，無法識別和定位非電參數所致的故障.

由于電力巡線環境的特殊性，輸電線周圍強電磁干擾會影響無人機對外部GPS(全球定位系統)信號的接收，因此首先要實現無人機自身的準確定位，不能超過規定的安全距離，應保證飛行的安全性.此外，高質量圖像的拍攝也需無人機穩定懸停來減少抖動[7]，并針對不同拍攝設備制定合理的拍攝距離.對于可見光相機，數米的拍攝距離變化對圖像清晰度影響不明顯；而紅外和紫外相機則對拍攝距離很敏感，數米的拍攝距離誤差會導致成像模糊，難以進行故障識別.雖然目前市場上存在很多把GPS與激光測距儀合二為一的產品，如手持GPS藍牙連接激光測距儀，但受限于手持，對于復雜地貌(如山丘、溝壑)不易操作，且無人機機載產品尚處于研發階段.因此，本文提出了一種替代外部GPS信號進行無人機定位的方案，增加了飛行安全性并有助于拍攝清晰圖像，提高了故障識別的準確性.

基于機器視覺和激光測距的輸電線故障定位方法，可借助無人機搭載可見光相機進行航拍，利用圖像處理技術識別故障，再結合定位技術和激光測距技術對故障點進行精準定位.該方法可識別非電參數所致故障，在故障早期進行識別和定位，并及時告知維修人員故障所在的準確位置，以便對潛在威脅進行排除，避免故障擴大.同時，該方法適用于復雜地形下的故障定位，理論上對于距離較近的多個故障點也有很好的區分定位效果.本文以輸電線間隔棒斷裂故障為例，進行故障識別和定位.

1 故障定位

1.1 故障定位流程

無人機自身帶有GPS定位功能，結合地面站監控軟件，可粗略測量和讀出無人機所處的經緯度坐標和高程坐標，但定位精度不高，經緯度有效值只達到小數點后4位，換算為空間距離約為10 m.而相鄰兩個桿塔之間的輸電線路上，一般會有多個間隔棒，其間距只有幾m，如500 kV輸電線路的四分裂導線兩個間隔棒之間距離為5.5 m.只依靠GPS定位范圍太大，無法區分相鄰多個間隔棒中的故障點位置.此外，巡線時無人機與線路相距數米拍攝，這就導致無人機機身坐標并非故障實際所在位置.因此需要結合機載激光測距模塊，先準確測量出無人機機身位置，再對無人機機身坐標進行修正，從而得到故障點坐標.在修正坐標前，需先把經緯度坐標轉換為空間直角坐標，這就涉及到坐標基準轉換.最后，通過坐標反變換便可以得到高精度的經緯度坐標和高度坐標.故障定位流程如圖1所示.圖中，x、y、z表示直角坐標；B、L、H表示經緯度坐標.

圖1 巡線故障定位流程Fig.1 Flowchart of fault location of transmission line

1.2 無人機定位

考慮到輸電線周圍的強電磁干擾可能造成無人機自帶的GPS信號不穩，導致飛行安全隱患和懸停拍攝時抖動降低圖像質量，因此需要一套備用或替代方案來實現無人機機身準確定位.傳統的GPS定位依賴于外部衛星信號，很容易受到干擾產生偏差甚至錯誤.本文一方面結合電力部門提供的桿塔地理坐標和激光測距進行機身定位，另一方面通過無人機IMU(慣性測量單元)獲取陀螺儀和加速度計的相關數據并進行解算，僅依靠內部信號來實現定位.此外，實驗采用的六旋翼無人機，相比于無人直升機，也可以提高飛行和拍攝的穩定性.無人機機身定位方案如圖2所示.

激光測距測量無人機機身到已知坐標的桿塔的距離；陀螺儀測量相對于慣性坐標系3個正交方向的角度變化；加速度計測量3個方向的加速度，通過對時間進行兩次積分得到空間位置偏移量.

1.3 激光測距

通過測距來提高定位的精度，常用的機載測距方式有紅外測距、超聲波測距和激光測距，它們的優缺點如表1所示.考慮到無人機飛行會受輸電線周圍電磁干擾，需與線路保持較遠的安全距離[8].同時為了提高定位的精度，盡可能采用精度高的測距方式.無人機機載激光測距模塊距離地面一定高度沿線飛行，遮擋物較少，且發射激光到間隔棒不會影響到人身安全，所以激光測距為最佳方式.

圖2 無人機定位方案Fig.2 Positioning scheme of unmanned aerial vehicle

表1 常見測距方式比較Tab.1 Comparison of common ranging methods

激光測距原理是無人機發射出一束激光，經被測量物體反射后再被無人機測距模塊接收，測距模塊同時記錄激光往返的時間.光速和往返時間乘積的一半，就是測距模塊和被測量物體之間的距離.本實驗中無人機安裝了Leddar One傳感器模塊，來探測距離，測量范圍為0～40 m，精度為0.05 m.

1.4 坐標轉換

無人機采用wgs84世界大地坐標系進行地理坐標測量，可以得到經緯度坐標和高程.由于經緯度坐標有效位數有限，精度不高，因此需要提高GPS測量精度.提高精度常見的方式是采用差分GPS技術[9]，包括位置差分、偽距差分和載波相位差分，但需要搭建基準站以供校準，同時要求無人機距離基準站不能太遠.因此，需要增加設備投入，并且對于巡線的范圍也有一定限制，最終雖然可以將定位精度提高到m至cm級，但仍然只是求出了無人機的位置，而沒有對故障點進行準確定位.

將空間大地坐標轉換為空間直角坐標，以便于測距后的坐標修正.坐標系變換是指在同一地球橢球下，空間點的不同坐標表示形式間進行變換.圖3為大地坐標系與空間直角坐標系的相互轉換.

在相同的基準下，將大地坐標系轉換為空間直角坐標系，公式為

圖3 坐標系轉換Fig.3 Coordinate system transformation

(1)

通過控制無人機的飛行和激光測距進行直角坐標修正后，將空間直角坐標反變換為大地坐標，可以提高經緯度坐標的精度.轉換公式為

(2)

在激光測距過程中，為了獲取直角坐標修正量，需要以無人機機身所在位置建立新的空間直角坐標系，因此需要進行兩個直角坐標系之間的基準轉換，基準轉換模型如圖4所示.七參數布爾莎模型可以解決任意角度下的坐標系轉換問題.空間變換所需要的7個轉換參數是：由于原點不重合產生的3個平移參數ΔX、ΔY、ΔZ；由于坐標軸不平行產生的3個旋轉參數ωX、ωY、ωZ； 由于兩坐標系間的尺度不一致產生的1個尺度參數m.

圖4 坐標基準轉換Fig.4 Transformation of coordinate datum

設故障點在以無人機為原點和以地球球心為原點的直角坐標系中坐標分別為(XA,YA,ZA)和(XB,YB,ZB)，則坐標基準轉換滿足如下關系式：

(3)

式中：R(ω)=R(ωZ)R(ωY)R(ωX)，并且有

(4)

(5)

(6)

2 基于圖像處理的故障識別

2.1 故障識別流程

間隔棒通常具有規則的、對稱的幾何結構，如正三角形、正四邊形、正六邊形等.一旦發生斷裂故障，這種規則的對稱結構將被打破，出現與正常間隔棒具有明顯區別的結構.本文以四分裂間隔棒為例，進行識別與斷裂診斷[10].圖5為間隔棒斷裂故障識別流程.首先通過六旋翼無人機機載相機拍攝獲取含有間隔棒的輸電線路圖像，再通過圖像預處理進行圖像增強和濾波，然后裁剪出含間隔棒的圖像區域，采用腐蝕膨脹形態學處理方法[11-12]去除電力線，最后提取出間隔棒骨架并根據骨架的形狀和連通性判別是否為斷裂故障.

圖5 間隔棒斷裂故障識別流程Fig.5 Flowchart of fault recognition of spacer rupture

2.2 間隔棒斷裂故障識別

2.2.1識別原理

(1) 圖像預處理

圖像獲取和傳輸過程會產生噪聲，為了減弱噪聲影響，需對圖像進行濾波處理.中值濾波將每個像素點的灰度值設置為該點某鄰域窗口內的所有像素點灰度值的中值.中值濾波法對消除椒鹽噪聲非常有效，在濾除噪聲后能基本保留圖像的邊緣信息.本文采用圖6所示的中值濾波器對圖像進行平滑濾波，經實驗發現，窗口大小為5×5濾波效果最好，窗口過大，圖像模糊失真；窗口過小，不能完全濾除噪點.為了減少濾波的計算時間，并盡可能地保留輸電線路的邊緣信息，僅利用中值濾波器中的一部分像素進行計算，如圖6中陰影部分所示.

圖6 基于稀疏模板的5×5中值濾波器Fig.6 5×5 median filter based on sparse template

上述基于稀疏模板的二維中值濾波器可表示為

d(x+k,y+g)}

(7)

式中：d(x,y)為原圖像;fm(x,y)為濾波后圖像.

濾波后還需要進行閾值分割，進一步去掉背景.大津法按照圖像的灰度特性，將圖像分成背景和目標兩部分，最終得到兩者的分割閾值.背景和目標間的類間方差越大，構成圖像的兩部分的差別也越大，越容易成功分割.最后將閾值帶入二值化處理過程得到黑白兩色圖像，從而除掉黑色背景.

設灰度圖像擁有L個灰度級[1,2,…,i,…,L]，若閾值T將圖像的像素分為兩類：背景Ba={1,2,…,T}和目標Oj={T+1,…,L}.兩類出現的概率分布為ωB、ωO，灰度均值為μB、μO，整幅圖像灰度均值為μ.

概率分布和灰度均值的計算公式如式(8)，圖像大小為M×N，灰度級i的所有像素的個數為ni，出現的概率為pi.

(8)

閾值為T時可求得背景與目標的類間方差σ2

σ2=ωB(μ-μB)2+ωO(μ-μO)2

(9)

通過比較不同T值下的方差，如圖7所示，當方差取最大值時，得到最佳閾值約為3.57.

圖7 方差隨閾值變化曲線Fig.7 Inter-class variance change along with threshold

部分計算過程中的參數取值如表2所示.

表2 閾值計算的中間參數Tab.2 Intermediate parameters of threshold calculation

(2) 數學形態學處理

數學形態學以形態為基礎對圖像進行分析和處理.首先，生成具有一定形態的結構元素(如圓盤、矩形、菱形等)，然后，通過一定的運算使結構元素與圖像中的物體相互作用，從而達到對圖像進行分析和識別的目的.使用該方法可簡化圖像數據，除去不相干的結構，并且保持圖像原本的形狀特征.

令b(x,y)為結構元素，則灰度形態學中的膨脹與腐蝕分別定義如下：

(g⊕b)(s,t)=max{g(s-x,t-y)+b(x,y)

|(s-x),(t-y)∈Dg;(x,y)∈Db}

(10)

(g?b)(s,t)=min{g(s+x,t+y)-b(x,y)

|(s+x),(t+y)∈Dg;(x,y)∈Db}

(11)

式中:Dg和Db分別為g(x,y)和b(x,y)的定義域；平移參數(s-x)、(t-y)或(s+x)、(t+y)須在g(x,y)定義域內；x和y須在b(x,y)定義域內.

開運算是一個先腐蝕后膨脹的過程，它具有消除細小物體，在纖細處分離物體和平滑較大物體邊界的作用.閉運算是一個先膨脹后腐蝕的過程，它具有填充物體內細小空洞，連接鄰近物體和平滑邊界的作用.用結構元素b(x,y)對圖像g(x,y)進行開運算和閉運算，可分別表示為g°b和g·b，其定義如下：

g°b=(g?b)⊕b

(12)

g·b=(g⊕b)?b

(13)

(3) 骨架提取與細化

圖像骨架提取是指提取目標在圖像上的中心像素輪廓，以目標中心為準對目標進行細化，細化后的目標為單層像素寬度.從目標外圍往目標中心，利用以待檢測像素為中心的特定大小的像素窗口的特征，對目標不斷腐蝕細化，直至腐蝕到不能再腐蝕(單層像素寬度)，從而得到圖像的骨架.

假設像素p的3×3鄰域結構如圖8所示，則細化算法步驟為：對圖像從左向右、從上向下迭代每個像素，作為1個迭代周期.在每個周期中，對于每一個像素p，如果它同時滿足以下6個條件，則對其進行標記.在當前迭代周期結束時，把所有標記的像素點的值設為背景值.如果某次迭代周期中不存在標記點，則算法結束.假設背景值為0，前景值為1，這6個條件為：p為1，即p不是背景；x1、x3、x5、x7不全部為1；x1～x8中，至少有2個為1；p的8連通聯結數為1；假設x3已經標記刪除，那么當x3為0時，p的8聯通聯結數為1；假設x5已經標記刪除，那么當x5為0時，p的8聯通聯結數為1.

圖8 8-鄰域標記搜索示意圖Fig.8 Schematic of 8- neighborhood markup search

(4) 骨架連通性判別

采用8-鄰域標記法搜索二值圖像中的連通鄰域并統計鄰域內的像素個數，判別骨架是否斷裂.若二值圖像中有且僅有1個連通鄰域，且連通域像素面積所占整幅二值圖像面積比例滿足一定范圍(本實驗正常間隔棒骨架像素面積約為剪裁放大后整幅圖像的2%～4%)，則判斷骨架完整，否則為破裂故障.針對圖8所示間隔棒，搜索結果如表3.

表3 連通域檢測結果Tab.3 Detection results of connected domain

2.2.2識別結果

圖9b是在晴天拍攝的經裁剪放大后的斷裂間隔棒圖像，圖像大小為224×224像素.首先用5×5窗口對間隔棒原圖進行中值濾波，并通過閾值分割將原始圖像轉換為二值圖像，如圖9c，這里通過自適應的大津法得到二值化閾值為0.356 9.

然后對二值圖像進行數學形態學處理來提取間隔棒骨架：先進行開運算填補細小孔洞，如圖9d所示，經過實驗發現，對于224×224像素的圖片，結構元素宜采用半徑為6像素的正方形.再采用閉運算去除相對較細的導線，結構元素宜采用半徑為9 pixel的圓盤，去除輸電線后效果如圖9e所示.

最后通過圖像細化算法提取出間隔棒的骨架圖像，如圖9f所示，并根據8-鄰域標記法進行連通域搜索，檢測出骨架整體輪廓超過1個連通區域，且檢測出的2個連通區域面積占比小于正常值.因此判別為斷裂故障.

a 輸電線路圖b 間隔棒原圖

c 二值圖像d 開運算圖像

e 閉運算圖像f 間隔棒骨架

本文將150幅圖像隨機分為5組，對本文提出的故障識別方法的準確性進行了驗證，結果如表4所示.實驗結果表明，該判別方法準確率較高且不會造成漏判，能有效檢測識別出間隔棒斷裂故障.

表4 故障識別結果Tab.4 Results of fault identification

3 故障定位結果和誤差分析

3.1 故障定位實驗

3.1.1實驗過程

實驗選在晴天，地點為顧家村，附近飛行干擾物較少.該地經緯度坐標為(121.211 65°，31.296 07°)，無人機巡視對象為農田上方的線路，使用軟件為Mission Planner(飛行任務規劃)、UPMOST PVR(圖像傳輸)、MATLAB與Visual Studio(圖像處理與故障診斷)，具體信息如圖10所示.

a 實驗地點衛星圖b 飛行任務規劃

c 實時圖像傳輸d 圖像處理與診斷系統

實驗中采用組裝式六旋翼無人機搭載SONY A6000可見光相機進行拍攝，最大載荷2.5 kg，最大通信距離為3 km，兩軸云臺，橫滾、俯仰方向可控精度為0.1°.旋翼無人機要比無人直升機飛行平穩，拍攝視頻時抖動較小，在3級風條件下偏航距不大于±1 m，航高偏差不大于±1 m.通過地面站航線規劃與航點任務設計功能，近似地將相鄰2個桿塔之間的線路，分為多段折線，折線數目越多，飛行路線就更加接近線路弧線.本實驗將1個區間內線路近似為4段折線，通過編程事先將路線寫入飛控中，可保證無人機自動沿線巡視，且線路不會超出拍攝視野.圖11為巡線飛行線路圖.

圖11 巡線飛行線路圖Fig.11 Diagram of flight route of patrol line

在地面站航線規劃軟件平臺上，以無人機中心處為新的直角坐標系原點，從原點正對著故障點的連線方向為+x軸，地面向上方向為+z方向，按照右手螺旋法則建立坐標系，根據輸入到地面軟件的航線命令，控制無人機，使其自動沿y軸飛行.

無人機以3 m·s-1的速度按預先設置好的軌跡，在輸電線路斜下方，以接近塔高一半的高度，沿線緩慢飛行和拍攝.當檢測到輸電線路上存在非線形物體時，自動切換為懸停模式，懸停約2 s，根據物體在圖像中的成像情況，自動緩慢調節無人機，使待識別物體全部進入畫面.通過調用系統程序里的圖像庫進行匹配，識別出輸電線路上的設備和器件類型.若無故障，則切換為飛行模式，繼續巡線.

當檢測到輸電線上非線形物體時，自動啟用事先寫入的故障測距程序，使無人機自動調整軸向位置.沿y軸飛行方向上，為了讓待識別目標點正對著相機，以飛行航線方向為參考軸，自動微調無人機飛行直到相機的云臺水平轉角接近0°；再進一步對無人機沿z軸的高度進行調整，使得目標點位于圖像中心，此時云臺的俯仰角接近0°.

當調整目標物體位于圖像中心后，啟用激光測距命令，由于懸停時存在晃動，需要測量5次取平均值，作為最終的距離值.測距傳感模塊的精度為0.05 m，5次測量的數值分別為6.40、6.45、6.55、6.50、6.45 m.此時，先結合電力部門提供的桿塔GPS坐標和激光測距，得到無人機機身的坐標；再根據激光測距和坐標轉換，得到待識別點坐標.

3.1.2實驗結果

通過機載激光測距，測出待識別目標點到無人機的距離d=6.47 m，則目標點在以無人機為原點的空間直角坐標系A中的坐標為(d,0,0).

根據無人機GPS測量得到所在地的經度為L=121.211 7° E，緯度為B=31.296 0° N，高度為Z=18.46 m.通過坐標系轉換，可得到無人機所處的以地球球心為原點的直角坐標系B下的坐標：(X,Y,Z)=(-2 826 806.554 m, 4 665 462.063 m,3 293 989.935 m)，從而可以進一步計算坐標基準轉換所需的7個參數.兩坐標系距離單位均為m，所以有：

(1) 尺度參數m=1；

(2) 平移參數

(ΔX,ΔY,ΔZ)=(X,Y,Z)=(-2 826 806.554 m, 4 665 462.063 m, 3 293 989.935 m)

(3) 旋轉參數

當ωZ保持不變時，ωX=ωY=12.376°.

因此可以將目標點在空間直角坐標系A下的坐標(XA,YA,ZA)=(d,0,0)=(6.47 m,0 m,0 m)，經過坐標基準變換，將原坐標轉換為空間直角坐標系B下的坐標：(XB,YB,ZB)=(-2 826 813.103 m,4 665 451.253 m,3 329 399.271 m).

將空間直角坐標反變換到空間大地坐標，得到精度更高的經緯度坐標：

為了驗證該方法的有效性，實驗選取了4個測點，分別用無人機GPS、激光測距改進后的GPS和手機專業測量軟件進行測量，并將手機APP測量結果作為標準參考值.手機APP測量精度可到小數點后五位，通過人工手持走到待識別目標位置正下方進行驗證.測量結果如表5所示.

由于地球緯度隨空間距離是均勻變化的，在經線上，緯度每差1°，實地距離約為111.3 km.因此，將手機測量結果作為參考值，可算出本文方法和直接GPS定位的距離誤差，如圖12所示.

對比誤差曲線可以看出，結合激光測距的GPS定位方法對于故障的定位誤差換算為空間距離約為0.1～0.2 m，遠遠小于單獨使用GPS定位所帶來的誤差.對于區分輸電線上相鄰2個間隔棒的位置，該方法的精度可以滿足要求并較準確地定位.

表4 不同方式下經緯度測量結果Tab.4 Measurement results of latitude and longitude in different ways (°)

圖12 兩種方法測量誤差曲線Fig.12 Curves of measuring error of the two methods

3.2 誤差分析

誤差主要來源于儀器、系統方法和外界干擾.具體分析如下：

(1) 激光測距誤差：無人機機載激光測距模塊精度為±0.05 m，儀器精度不高會造成一定的誤差.

(2) 高度微調誤差：在微調飛行高度來確定故障點高度坐標時，相機中心與機身坐標中心不重合，導致高度測量系統誤差.

(3) 外界干擾誤差：無人機懸停過程中受風力影響發生抖動，影響激光測距讀數；衛星運行軌道、衛星時鐘存在誤差；大氣對流層、電離層對信號的影響；輸電線路周圍電磁場對信號的干擾等.

對于激光測距誤差，可通過采用更高精度的測距模塊來減小；對于高度微調誤差，則需要完善圖像識別算法來減小；對于減小外界干擾誤差，則可以通過選擇晴朗無風的天氣巡線來部分實現.

4 結論

本文針對輸電線路上的間隔棒斷裂，提出了一種基于機器視覺和激光測距的電力巡線故障定位方法，通過無人機搭載成像設備對輸電線路巡檢進行實驗驗證，先利用無人機內部慣性測量單元和電力部門提供的桿塔坐標數據，實現對無人機的定位.當發現疑似故障物時，通過穩定地懸停拍攝來獲取高質量圖像，并對航拍圖像進行處理來識別故障.采用基于數學形態學處理和骨架細化后連通性判別的圖像處理方法進行故障識別，準確率可達96%.檢測出故障后，結合激光測距和坐標變換對故障點進行準確定位，定位距離可精確到0.1～0.2 m.經過無人機飛行調整和坐標變換后，對故障點的經緯度坐標進行了修正，提高了測量值的有效位數.

從實驗結果來看，該方法提高了故障定位的準確性，維修人員收到無人機傳回的故障經緯度信息，可依靠隨身攜帶的手機和定位軟件找到故障點，有利于減少巡線工作量、加快故障修復速度、保障電力系統的安全運行.同時，對于準確定位技術的研究，也為后續通過紅外和紫外成像設備拍攝獲取高質量圖像，并進行故障識別奠定了基礎.