架空輸電線路本體缺陷圖像自動識別技術

文/王剛

針對架空輸電線路本體缺陷圖像進行高效、準確的分割則是對電氣設備工作狀態進行故障檢測和診斷的基礎，本文利用狀態檢測方法對架空輸電線路本體缺陷圖像進行智能化、自動化故障分析,實現了對架空輸電線路工作的穩定性進行動態性能監測，進而保證電網運行的可靠性和安全性。

1 前言

目前國內外已經開展“機巡+人巡”協同巡視的工作，其主要功能及工作重點在無人機設備管理，數據采集、數據處理、數據分析等降低巡視操作難度，巡視流程制度化管理等方面，但在缺陷圖像、視頻的計算機自動化識別、處理方面，還處于待開發階段。隨著管理要求的提高，精細化巡檢成為趨勢, 巡檢過程產生大量的圖像視頻資料。目前電力線進行日常巡查過程中對現場巡查后獲得的架空輸電線路本體的巡檢視頻圖像和照片資料缺陷數據進行比對與校驗工作一般都是由人工來完成，存在工作量大、費時且易產生疏漏等缺點。而且由于需要校驗的圖像較多以及圖像上所涉及到的缺陷數據與輸電線路能否安全運行有緊密的關系，為達到精確確認，工作人員面臨巨大的考驗。伴隨著計算機技術的迅猛發展，如何實現架空輸電線路本體缺陷圖像自動識別和校驗這一課題逐漸走進人們的視野。

為了實現對圖像進行處理的目的，開始時要對圖像進行預處理操作，除去圖像中包含的噪聲等，提高圖像的信噪比。對于那些識別起來有困難的圖像還要對其進行增強，滿足人們對圖像進行分析的要求。

綜上所述，如何實現對架空輸電線路本體缺陷圖像自動識別就成為擺在電力系統管理者面前的一大難題。

2 架空輸電線路本體缺陷圖像自動識別方法

針對架空輸電線路本體常見的絕緣子自爆、導地線斷股、塔身鳥窩、懸掛異物及塔材、螺栓、銷針等缺陷的圖片(如圖1所示)及視頻運用機器視覺對數字圖像進行增強、去噪、圖像分割、邊緣檢測，采用基于深度學習的機器學習算法，對圖像進行缺陷識別，解決缺陷分類問題及缺陷標記的問題。

圖1：輸電線路現場實例

根據業務需求，對桿塔本體進行數據采集，對絕緣子、導地線、鳥窩、懸掛異物、螺栓、銷針等物體分類進行拍攝拍照。篩選素材，選取樣本，將樣本分為正負樣本，標出正樣本特征。建立識別模型，輸入少量數據進行演算，查看匹配程度。輸入大量數據進行模型精度訓練，豐富特征樣本。融合各子分類訓練模型，集成為識別引擎。最后編寫上層應用程序，提供對底層識別引擎的調用接口。

建立桿塔、絕緣子、螺栓、金具、線纜、建筑、車輛等物體，以及滑坡、結冰、懸掛異物等場景的識別模型。通過圖像識別算法，結合大量巡檢樣本的深度學習訓練、以及GPU計算技術，對無人機拍攝的照片、視頻進行快速識別，發現問題、找出缺陷和隱患；利用熱成像設備，對線路發熱、電弧問題進行自動識別，快速報警。避免傳統人工觀看照片、視頻產生的疏忽、漏報現象，提高巡檢影像的識別效率和準確度。

基于深度學習的多種圖像特征學習模型，經過長時間的摸索和積累，構建了針對車輛識別、路面識別、架空輸變線路本體及通道物體識別等引擎。通過GPU輔助運算，大幅度提高識別的效率和準確率。

通過對海量圖片特征進行提取、訓練，實現通過圖像特征信息進行圖像內容自動識別的一種人工智能識別技術，可以簡單認為其是一個“見多識廣”的智能機器人，可在無人工干預的狀態下進行自動識別工作，且無需任何樣本庫比對，通過訓練可廣泛用于圖像、視頻內容的檢測。

針對架空輸電線路本體缺陷圖像本文采用的技術處理步驟如下：

首先進行圖像增強——由于成像過程中原始圖像受污跡或噪聲干擾或需要監測的區域不明顯,因此先將圖像首先分成5x5個子圖像,再分別對每個子圖像具體增強。圖像增強方法主要分為空間域增強和變換域增強兩大類，本文采用了對每個子圖像采用不同增強系數的算法。先計算出每個子圖像的平均灰度，以及每個子圖像中心點附近的灰度均值和均方差值，然后依據原圖與平均灰度的差異，灰度變化越大的部分其放大倍數越小，這樣不同的地方采用不同的放大倍數，將“差異”放大，實現了圖像增強的效果。

之后進行圖像去噪——包括濾除圖像的隨機噪聲、高斯噪聲等以減弱噪聲的影響。先將圖像從空間域轉換到變換域，再對變換域中的變換系數進行處理，再進行反變換將圖像從變換域轉換到空間域來達到去除圖像嗓聲的目的。本文采用K-L變換法，由于根據圖像的協方差矩陣來決定相應的變換矩陣，因此本方法與圖像匹配效果較好。

下一步進行圖像邊緣檢測——邊緣主要存在于目標與目標，目標與背景或區域與區域之間，是圖像灰度不連續性的反映，圖像邊緣檢測是檢測圖像函數不連續點的過程表示。采用基于一階微分算子檢測邊緣圖像通過matlab來實現。一階微分邊緣算子又稱梯度邊緣算子，它是利用圖像在邊緣處的階躍性，及圖像梯度在邊緣去得極大值得特征性進行邊緣檢測。canny算子主要在原一階微分算子基礎上進行了擴展，增加了非最大值抑制和雙閾值兩項改進。利用非最大值抑制不僅可以有效地抑制多響應邊緣，而且還可以提高邊緣的定位精度。利用雙閾值可以有效減少邊緣的漏檢率。主要分為四步進行：高斯平滑去噪、計算梯度與方向角、非最大值抑制、滯后閾值化。

最后進行圖像特征提取——為了識別出某圖像所屬的類別，我們需要將它與其他不同類別的圖像區分開來。這就要求選取的特征不僅要能夠很好地描述圖像，更重要的是還要能夠很好地區分不同類別的圖像。在滿足分類識別正確率要求的前提下，使用較少的特征就能完成分類設別任務是最佳方案。選擇那些在同類圖像之間差異較小，在不同類別的圖像之間差異較大的圖像特征可以滿足這一要求。同樣通過Matlab中的函數regionprops來計算每幅圖像的特征點，該函數是用來度量圖像區域屬性的函數，獲得每幅圖像的曲率數據和骨架數據，能用來做更細致的特征提取。將有疑問的圖像向量與前文學習所獲得的圖庫中圖像的特征指相比較，相似比例超過事先設定好的閾值的就認為是同樣的缺陷。

通過以上處理流程，初步實現了架空輸電線路本體缺陷圖像的分割與特征提取，為后續自動識別缺陷奠定了技術基礎。

3 總結

終上所述，通過計算機系統圖像自動識別技術，實現對架空輸電線路缺陷圖像的快速自動識別，提高巡檢員工的工作效率，避免靠人力操控，靠經驗、無標準可遵循的巡檢流程，實現數字化、智能化、精細化的管理。如果該技術能夠被開發應用在國家電網公司以及其他單位，就可以節省一部分人力資源，并且提高員工的勞動生產率，更為重要的是提高了準確度，降低了事故隱患。