基于SIFT算法的導線異物懸掛檢測方法研究

吳婕萍 趙文昊 于文萍

【摘? 要】為實現(xiàn)輸電導線上的異物檢測，論文以SIFT（Scale-invariant feature transform）算法為理論基礎，先采用高斯濾波對圖像進行預處理，再提取圖像的尺度不變換特征，最后采用基于梯度直方圖的統(tǒng)計方法對所提取特征進行識別。實驗結果表明，利用SIFT算法檢測的準確率為92%，檢測周期為15s。所提出的方法為SIFT算法的領域拓廣、導線異物檢測方面的研究提供了理論參考和使用價值。

【Abstract】In order to detect foreign object on transmission wires. This paper， which is based on SIFT （Scale-invariant feature transform） algorithm， firstly uses Gaussian filtering to preprocess the images， then extracts the scale invariant features of it， and finally adopts a statistical method based on gradient histograms to identify the extracted features. The experimental results show that the accuracy of detection using the SIFT algorithm is 92% and the detection period is 15s. The study provides theoretical reference and use value for SIFT algorithm's domain extension and the research on foreign object of transmission wires detection.

【關鍵詞】導線異物;SIFT算法;機器視覺

【Keywords】foreign object on wire; SIFT algorithm; machine vision

【中圖分類號】TM75? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2020）06-0178-02

1 引言

輸電導線常年暴露于野外環(huán)境，時常會有各種異物懸掛在輸電線路上，存在著極大的安全隱患[1]。目前導線異物檢測方法有人工巡線以及飛行器巡線，傳統(tǒng)人工巡線的方式耗時耗力且精度較低。飛行器巡線雖然可以在遠距離和復雜環(huán)境中準確地進行電力安全檢測[2]，但是所拍攝的圖像背景紋理仍會出現(xiàn)較多的導線誤識別的情況。

經(jīng)過近年來的發(fā)展，涌現(xiàn)出了較多的圖像目標檢測方法。例如，航空攝影技術[3]、對目標圖像的提取和跟蹤技術[4]、目標圖像的分割技術[5]，同時輸電線路圖像自動檢測方法中有待解決的問題主要包括確定對象的方位特征和解決目標圖像背景運動的影響等。

綜上，為實現(xiàn)對輸電線路異物的在線檢測，本文提出一種基于SIFT算法的導線異物懸掛檢測方法，通過機器視覺技術來對導線異物做出相應的識別標識。

2 SIFT算法

SIFT（Scale-invariant feature transform）算法，即尺度不變特征轉換，利用機器視覺來偵測圖像中的局部特征，具有獨特性好、信息量豐富的特點，其實質是在不同的尺度空間查找對應的關鍵點，計算方向并實現(xiàn)標注。

SIFT算法的實現(xiàn)步驟如圖1所示，首先搜索所有尺度上的圖像位置，通過高斯微分函數(shù)識別出圖像中具有尺度不變性的特征點，通過擬合精細的模型確定位置和尺度，并分配給每個關鍵點位置一個或多個方向，從而提供對于這些變換的不變性。

3 基于SIFT算法的導線異物懸掛檢測方法

3.1 圖像預處理

采用高斯濾波，高斯模糊以及搭建高斯差分金字塔對圖片進行預處理，形成不同尺度空間的圖片。在不同的尺度空間中提取相應的特征點并構建梯度，獲得特征點的主方向。

高斯濾波是一種線性平滑濾波，用于消除高斯噪聲。搭建高斯金字塔是為了得到不同尺度且連續(xù)的圖片，采用不同的尺度對圖片進行高斯模糊，使用高斯金字塔每組中相鄰上下兩層圖像相減，得到高斯差分圖像。

3.2 特征提取

完成上述金字塔模型的構建，對每個尺度空間的圖像進行相應的極值點檢測計算與篩選，其中篩選應進行多次的選舉過程，如圖2所示，通過5個過程最終選出精確的極值點，最后檢驗是否滿足條件并進行標注。

閾值檢測通過降噪排除一些對比度較低的點，極值檢測對圖像中的每一個點進行掃描，判斷是否是極值點，第三輪選舉找到精確的極值點，在檢測到的極值點處，寫成矢量的形式，如公式（1）：

于是擬合出來該點X0附近的函數(shù)，X表示擬合之后連續(xù)空間下的插值點坐標，對上述公式進行求導便能得到極值點。如果得到精確點的值很小，很大程度上是不穩(wěn)定的，應采用低對比度篩選并作出相應刪除。篩選的標準如公式（2）：

其中T=0.04，s表示處于該組的第幾層。特征點在邊緣同樣會很不穩(wěn)定并且難以定位，應通過消除邊緣效應刪除相應的點。

3.3 特征識別

對于通過尺度不變性求得的極值點，利用圖像的局部特征給每一個關鍵點分配一個基準方向，使描述子對圖像旋轉具有不變性。對于關鍵點的分配，SIFT算法采用一種基于梯度直方圖的統(tǒng)計方法，以關鍵點為原點，通過一定區(qū)域內的圖像像素點來確定關鍵點方向，分別對模板圖和實時圖建立關鍵點描述子集合，完成對關鍵點的匹配。

4 實驗過程及結果分析

4.1 預處理與特征點提取

實驗收集了25張存在異物的輸電線路圖片，經(jīng)過高斯濾波、高斯模糊并搭建高斯差分金字塔進行預處理，最終形成了不同尺度空間的圖片。在這些圖片中找到尺度不變性的點，進行五輪選舉之后留下最終的特征點。通過對特征點的坐標進行提取與標識，最終即可把異物在圖像中標注出來，篩選結果如圖3所示。

4.2 實驗結果分析

實驗結果表明，在所收集的圖片樣本中，正確檢測的圖片數(shù)為23張，檢測精度為92%，檢測周期為15s，其大部分時間主要花費在極值點檢測上。由于在圖像背景較為復雜的情況下，會將圖像背景當成異物標注出來，所以仍會存在誤判現(xiàn)象。

5 結論

本文針對導線異物懸掛的檢測，提出一種基于SIFT算法的導線異物懸掛檢測方法，采用高斯濾波，高斯模糊進行圖像處理，以及搭建高斯差分金字塔模型，對特征點進行多次篩選，最終采用基于梯度直方圖的統(tǒng)計方法對所提取特征進行識別。實驗結果表明，對于輸電線路異物懸掛的檢測精度為92%，檢測周期為15s，有效地實現(xiàn)了對輸電線路異物的在線檢測識別，提高了電網(wǎng)運行的安全性，對后期輸電線路的巡檢工作作出較好的貢獻。

【參考文獻】

【1】邊莉，邊晨源.電網(wǎng)故障診斷的智能方法綜述[J].電力系統(tǒng)保護與控制，2014，42（03）：146-153.

【2】呂明，羅新，劉正云.無人直升機線路巡檢技術實用化研究[J].湖北電力，2012，36（03）：10-12.

【3】仝衛(wèi)國.基于航拍圖像的輸電線路識別與狀態(tài)檢測方法研究[D].北京：華北電力大學，2011.

【4】黎寧，周建江，張星星.基于特征點運動矢量估計的動態(tài)序列圖像運動目標跟蹤[J].2009，26（04）：295-300.

【5】金立軍，姚春羽，閆書佳，等.基于航拍圖像的輸電線路異物識別[J].同濟大學學報（自然科學版），2013，41（02）：277-281.