一種多信息級聯聚類輸電線檢測方法

賴尚祥，楊忠，韓家明，張秋雁，李弘宸，陳聰，李捷文

1. 南京航空航天大學 自動化學院，江蘇 南京 211106 2. 貴州電網有限責任公司，貴州 貴陽 550000

輸電線路通常架設在環境復雜、自然條件多變的野外，由于其大部分暴露于戶外環境中，長期受到高溫炎熱、強降雨以及大雪等惡劣天氣的影響，導致輸電效率的下降。為確保電力能源的穩定提供[1-2]，定期對電網的監測、檢查和維護尤為必要。傳統的人力巡檢方式效率低、成本高且不利于在復雜地形下長時間作業；相較而言，機器人可以提高巡檢效率，降低勞動力成本，避免操作風險[3-4]。

樹障是輸電線路通道存在的一種常見安全隱患，表現為通道內樹木不斷生長并逐漸接觸輸電線，進而威脅輸電線路的運行安全。針對上述問題，楊忠等[5-6]與南方電網開展合作，設計了一種樹障清理空中機器人，可以實現輸電線路通道內樹障的空中快速清理，解決了傳統人工樹障清理方式中存在的效率不高和安全風險大的問題。通常情況下，樹障清理機器人工作在輸電線的下方，為了防止作業時發生撞線事故，需要對在其上方的輸電線進行檢測。因此，設計一種適合樹障清理機器人的輸電線檢測方法就顯得尤為重要。本文為樹障清理機器人設計了一種輸電線檢測方法，為巡線作業機器人的視覺避障提供了預研基礎。

基于視覺的輸電線檢測算法一般分為邊緣檢測和輸電線提取2 個步驟。文獻[7]使用形態學算子去除圖中的噪聲后，運用Canny 邊緣檢測算法提取線形物體邊緣并結合Hough 變換提取輸電線。由于Canny 算子對背景噪聲非常敏感，無法抑制背景邊緣，同時Canny 算子需要人工設定高低閾值，不能適用于所有圖像的邊緣檢測；因此對于不同背景下的輸電線圖像，該方法取得的效果差別較大。

針對上述問題，文獻[8]選用魯棒性更強的Hessian 矩陣對圖像進行邊緣檢測，而后利用邊界搜索和像素條分塊方法結合Hough 變換檢測輸電線。該方法有效避免了大量的預處理步驟，但其僅僅針對輸電線從左到右橫跨圖像的情況進行區域劃分。文獻[9]通過建立輸電線桿塔與輸電線的空間相關性，搜索2 個桿塔之間的空間，查找連接輸電線。這種方法適用多種走向的電力線檢測，但僅適用于包含多個輸電線桿塔的圖像。

根據上述文獻中所遇到的問題，本文提出一種融合直線空間位置分布特征及長度特征的多信息級聯聚類篩選輸電線算法，首先采用Hessian 矩陣與Hough 變換提取圖像中的輸電線。從文獻[10]的基于粒子濾波的輸電線檢測方法出發，提出一種多信息級聯聚類分析法，對霍夫空間中的直線信息進行無監督聚類分析，篩選需要的輸電線邊緣，去除干擾線。最終實驗表明，本文算法能夠有效提取圖像中的輸電線，具有較強的準確性。無監督級聯聚類有效地減少了參數的使用，避免人工設定參數下繁瑣的人為調整參數過程，適用于存在不同輸電線分布的情況，并且適用于多種背景下輸電線不同分布情況的檢測，具有更強的魯棒性。

1 輸電線檢測算法模型

1.1 輸電線特征分析

樹障清理機器人需將入侵輸電線通道內的樹枝切除，這意味著樹障清理機器人的工作環境在輸電線的下方。如圖1 所示，機體需保持與輸電線的相對位置，以避免高速旋轉的旋翼與輸電線發生接觸造成重大事故。考慮到作業場景的特殊性，本文采取了自下而上的拍攝角度[11]，在觀察大量圖像的基礎上，得到以下輸電線圖像特征:

1)輸電線可以從各個方向貫穿整個圖像；

2)輸電線在圖像中通常為直線，在部分圖像中，由于圖像畸變以及拍攝方式存在差異，多股輸電線在這類圖像中的空間位置并不一定完全平行；

3)所收集的輸電線圖像背景主要為天空、樹木以及建筑物。

圖1 樹障清理空中機器人工作示意

在此基礎上，設計算法模型，具體組成如下:

1)針對圖像背景復雜多變的問題，本文采用魯棒性較強的基于Hessian 矩陣的圖像增強算法，提取隸屬于強邊緣的特征；

2)針對邊緣檢測之后邊緣在圖像中呈離散式分布這一問題，本文采用Hough 變換對圖像進行直線提取，得到圖像中直線的參數；

3)針對圖像中除去輸電線，依然可能包含其他類型線型結構這一問題，本文設計一種多信息級聯聚類法提取輸電線，其算法流程如圖2 所示。

圖2 輸電線檢測算法流程

1.2 圖像預處理

為了便于對圖像中輸電線進行邊緣檢測以及特征提取，需要進行相關預處理工作。由于RGB圖像中包含大量冗余的顏色特征，因此可以通過對輸入的圖像進行灰度化處理，減少圖像整體的數據量。灰度化得到的輸電線邊緣不是特別明顯，因而需要對圖像的輸電線邊緣進行增強。對應于輸電線的直線信息都從屬于圖像中的強邊緣，采取基于Hessian 矩陣的圖像增強算法[12]，將隸屬于強邊緣的特征提取出來。對于二維Hessian矩陣表示為

式中:f是圖像關于坐標(x,y)的函數；fxx、fxy、fyx,、fyy分別代表函數f對x,y及其混合的二階偏導數。在圖像空間中，Hessian 矩陣即為平面中一點的二階導數，其特征值與特征向量反映了圖像灰度曲率變化的強度和方向。

1.3 直線提取

原始圖像經過圖像預處理和邊緣檢測之后，得到的二值圖像中不僅包含輸電線的邊緣，還存在大量背景噪聲。本文采用Hough 變換直線提取方法檢測圖像中的輸電線。

Hough 變換是一種基于表決原理的參數估計技術。其基本原理是利用圖像空間的線和Hough參數空間的點的對偶性，把圖像空間中的檢測問題轉換到參數空間，如圖3 所示。對于平面一點(x0,y0)有方程:

式中:r為直線極徑； θ為直線極角。任一組參數(r,θ)均代表一條通過點(x0,y0)的直線。對于給定點(x0,y0)，在以極徑r為縱坐標，極角 θ為橫坐標的平面內繪出所有通過它的直線，將得到一條正弦曲線。對于平面內3 個點，則存在3 條正弦曲線，曲線交點所表示的直線即為經過這3 個點的直線。

圖3 Hough 空間轉換示意

Hough 變換通過設定閾值判斷是否存在直線。當超過閾值數量的曲線相交于一點則可被認為檢測到一條直線。Hough 變換算法抗噪性能好、擬合精度高，在圖像的直線提取中得到了廣泛的應用。

1.4 輸電線檢測

據文中1.3 節對Hough 變換檢測直線的原理描述可知，存在一種情況，當線段的交點峰值達到閾值時，系統會自動認定該邊緣為直線。如圖4所示，由于這種虛假峰值的影響，經Hough 直線提取到的邊緣不僅包含了屬于輸電線的邊緣，也含有由背景中樹木產生的邊緣。觀察大量圖像可知，輸電線在圖像中的分布往往比較規律，輸電線斜率、長度以及距圖像原點距離集中在一個值附近。因此本文考慮使用無需提前設定條件的聚類算法篩選雜線。在本文中將在極坐標系下直線到圖像原點的距離稱為直線的極徑。

圖4 Hough 變換直線提取結果

直線在圖像中的主要信息表現為直線的角度及長度，而直線的極徑反映了直線在二維圖像中的相對位置，融合直線的角度及極徑信息可反映直線在圖像中的空間位置分布信息。對直線的長度及空間位置分布信息進行聚類分析能夠最大限度保留輸電線的特征。本文首先對直線的空間位置分布信息進行聚類分析，進而將其與長度聚類進行級聯分析。聚類結果如圖5 所示，無監督聚類分析最大的問題即為無法得知所得分類結果的標簽。對于一幅輸電線圖像，經Hough 變換得到的直線參數數組中，在投票空間得票越高的直線參數是直線的可能性越大，同時其在存儲序列中的優先級也越高。因此，算法程序調用時優先返回的參數為輸電線邊緣的可能性最大，本文算法據此獲得聚分析結果的標簽。

圖5 聚類分析結果

圖6 為對直線進行聚類分析的結果。其中圖6(a)為對直線長度信息進行聚類分析的結果。由于僅對直線的長度進行聚類分析，無法去除長度過長且不屬于輸電線的干擾線。因此由圖可見，除卻輸電線的邊緣，存在2 條長度特征相近的干擾線。圖6(b)為對直線空間位置分布信息進行聚類分析的結果，即對直線與圖像原點距離以及角度進行聚類分析。由圖可知，除卻輸電線的邊緣，還包含一條在輸電線附近且空間分布近似的干擾線。因此，對直線空間位置信息進行篩選保留了與輸電線斜率近似且空間位置相近的直線，然而無法去除空間位置信息與輸電線一致且不屬于輸電線的干擾線。這些干擾線最終將會對輸電線檢測的準確率產生重大影響。

圖6 聚類信息比較

為保證直線提取的準確率與魯棒性，本文提出基于級聯聚類法的直線提取算法，能夠將上述2 種情況所描述的負樣本經過重復篩選去除，提高了檢測精度。分別對直線的角度信息及長度信息進行聚類分析之后，根據優先返回的參數判斷類別屬性。對同屬輸電線的聚類結果進行多重判斷，經過3 次聚類重復驗證，確認后則可認為檢測到的結果為輸電線。圖6(c)所示即為經過級聯聚類法提取之后的實驗結果，圖6(a)中的干擾線空間位置分布信息與輸電線不一致，圖6(b)中的干擾線長度特征與輸電線不一致。可知，經重復篩選后，干擾線得到了有效的篩除，與輸電線相關的直線被大量保留。

由于Hough 變換虛假峰值的影響，經級聯聚類法篩選后得到的直線含有重復檢測的問題。針對此問題，需要對不符合要求的重復直線進行篩選。由于部分圖像中的直線并不一定完全平行，因此需要對每條直線間的距離進行估算。

觀察大量檢測圖可知，重復線與準確線斜率近似，故可通過計算其中一條線段的多個點至另一條直線的距離，求得平均值后進行估算。2 條斜率近似直線的距離估算公式為

式中:A、B、C為二維直角坐標系中直線一般式的參數；(xi,yi)為其中一條直線的任一點；n為取點數量。通過設定閾值D，當＜D時認為存在重復檢測問題。

輸電線去重復算法流程如下:

1)載入輸電線圖像及直線參數；

2)估算第一條直線至其他直線間的距離；

3)篩選距離小于閾值的所有直線，最長的一條保留，并刪除小于閾值的其他直線；

4)估算第二條直線至其他直線間的距離；

5)重復步驟3)、4)，直至最后一條直線計算完畢；

6)將最終得到的直線用矩形框標記。

由于視角原因，本文采用的數據集中輸電線部分線段被樹木遮蔽，輸電線難以直接檢出。根據1.1 節輸電線的特征分析，得到電力線始終貫穿圖像且具有連續性的特點，本文依此特征預測輸電線走勢，將被遮蔽部分輸電線在圖中用矩形框標記。實驗結果如圖7 所示，算法檢測得到的輸電線通過矩形框進行標記。

圖7 直線去重復

2 實驗分析

為驗證所述方法的有效性，采集了100 組輸電線圖像，并進行數據集擴充。對基礎數據集加入影響灰度變化的高斯噪聲，以及進行影響輸電線空間位置特征的旋轉操作，共得到300 張圖片，以此為數據集進行多組實驗，并分析算法檢測結果。本文設計實驗如下:

實驗1:改變整體算法框架中的邊緣檢測算法，驗證基于Hessian 矩陣的圖像增強算法準確性；

實驗2:改變整體算法框架中的直線檢測算法，驗證基于Hough 變換的直線提取算法的準確性；

實驗3:改變整體算法框架中的直線篩選算法，驗證基于級聯聚類法的直線篩選方法有效性；

實驗4:針對不同天氣下的輸電線路，驗證算法在不同光照條件下的魯棒性。

2.1 基于Hessian 矩陣的圖像增強算法準確性驗證

為了驗證基于Hessian 矩陣的圖像增強算法在本文算法架構下的準確性，本文與文獻[7]中檢測輸電線時使用的Canny 邊緣檢測算法，以及文獻[10]中使用的Sobel 邊緣檢測算法進行對比實驗，如圖8 所示。不同邊緣檢測方法對比結果如圖9～11 所示。

圖8 3 種邊緣檢測算法

圖9 方法1 檢測過程及結果

圖10 方法2 檢測過程及結果

圖11 方法3 檢測過程及結果

為了定性分析各類方法的實際性能，采用精準率(Precision)及召回率(Recall)2 種指標去衡量每幅圖像的檢測效果。精準率是檢索出的正樣本數與檢索出的總樣本數的比率，衡量的是檢索系統的查準率；召回率是檢索出的正樣本數和所有的正樣本數的比率，衡量的是檢索系統的查全率。

精準率計算公式為

召回率計算公式為

式中:PT為被檢索到的正類；PF為被檢索到的負類；NF為未被檢索到的正類。由于每幅圖像中的輸電線數量不同，本文采用文獻[13]中的平均精準率以及平均召回率衡量實驗結果。

圖9～11 中的(d)圖分別為采用圖8 中方法1、方法2 以及方法3 的運算結果。由圖9(a)、圖10(a)、圖11(a)可知，Canny 算法對噪聲非常敏感，邊緣檢測包含大量無效邊緣，且輸電線長度特征被部分破壞，不利于下一步的直線檢測。Sobel 算子較好地保留了輸電線的特征，同時邊緣被放大，以致圖中最右側的輸電線的長度特征被樹枝切斷，不利于下一步的直線檢測。在輸電線間距過近時，由于經過Sobel 算子邊緣檢測輸電線得到2 條具有明顯特征的邊緣，使得多條輸電線的邊緣重合，不利于最終直線篩選。而使用基于Hessian 矩陣的圖像增強算法能夠在保留輸電線完整邊緣特征的前提下，產生更少的不必要邊緣。由圖10(c)、(d)可知，經過級聯聚類篩選直線，Canny 算法遺失了3 條輸電線，這對輸電線檢測產生的影響是無法挽回的。由于Sobel 算法檢測到的樹枝邊緣過大，以致遺失部分輸電線的長度信息。圖9～11 中的(d)圖使用矩形框標記最終檢測到的輸電線。可知方法1PT=8、PF=0、NF=0 時，精準率為100%，召回率為100%。方法2PT=5、PF=0、NF=3 時，精準率為100%，召回率為62.50%。方法3PT=7、PF=0、NF=1 時，精準率為100%，召回率為87.50%。

2.2 基于Hough 變換的直線提取算法準確性驗證

為了驗證Hough 變換在本文算法結構下的準確性，對比了文獻[14]、[15]中使用的LSD 直線提取算法，如圖12 所示。不同直線提取方法對比結果如圖13、14 所示。

圖12 2 種直線提取算法

圖13 直線提取方法1 過程及結果

圖14 直線提取方法2 過程及結果

圖13、14 中的(c)圖分別為采用圖12 中方法1 以及方法2 的運算結果。觀察圖14(a)，圖像經LSD 算法提取直線，在樹枝分叉處產生大量不屬于輸電線的干擾線，同時輸電線被分割為大量短線段。由于LSD 是一種局部提取直線的算法，對于直線相交情況，設置了每個點是否被使用，因此每個點只能屬于一條直線，若有相交必有至少一條直線被割裂為2 條。又因為其算法原理基于梯度，直線交點梯度值往往又較小，因此很有可能相交的2 條直線在交點處被割裂為4 條線段。由于局部提取算法自增長的特點，對于長線段被遮擋、局部模糊等原因經常割裂為多條直線。因此使用LSD 算法提取直線將會得到大量斷線，輸電線的長度特征相比于干擾線則變得模糊，不利于后續使用級聯聚類法對直線的篩選工作。而Hough 變換直線提取算法則不存在這種情況。

由圖13、14 中的(b)圖可知，經級聯聚類直線篩選之后，使用方法一的輸電線特征被全部保留，而方法二則產生了3 條不屬于輸電線的干擾線，以及遺失一根輸電線。圖13、14 中的(c)圖為最終結果，使用矩形框標記。統計可知，方法一的識別結果為PT=10、PF=0、NF=0，精準率為100%，召回率為100%。方法二的識別結果為PT=10、PF=6、NF=4，精準率為62.50%，召回率為71.43%。

2.3 基于級聯聚類法的直線篩選方法有效性驗證

為了驗證我們提出的基于級聯聚類法的直線篩選方法的有效性，對比了對不同信息聚類分析的直線篩選方法，如圖15 所示。不同聚類方法對比如圖16 所示。圖16(a)、(b)、(c)分別為采用圖15 中方法一、方法二以及方法三的運算結果。

圖15 3 種聚類方法對比實驗設計

圖16 不同聚類方法對比實驗

圖16(a)為級聯聚類法篩選直線得到的結果，由圖可知，該場景下輸電線特征被完全捕捉，同時不存在漏檢、誤檢的情況；由圖16(b)可知，僅對長度信息進行聚類，輸電線被完全保留，但是存在3 條長度與輸電線相近的干擾線無法篩除，即PT=10、PF=3、NF=0；圖16(c)中僅對空間位置信息進行聚類，得到指標PT=10、PF=1、NF=0，10 根輸電線均被檢出，但存在一條與輸電線空間分布相似的雜線未被篩除；圖16(d)為對圖像進行去重復，將最終得到的輸電線用矩形框標記。

圖17 為多信息級聯聚類輸電線檢測算法效果展示。表1 為其長度信息、角度信息、位置信息的聚類中心。

圖17 直線檢測效果展示

表1 聚類中心數據

2.4 不同環境因素下的算法魯棒性驗證

圖像類算法在實際應用中總是受到光線條件的影響，考慮到本文載體樹障清理空中機器人的作業時間，基本不會出現光線昏暗的情況。但空中機器人在不同的天氣下均需要順利進行作業，因此本文算法應保證在不同天氣下的算法有效性。本次實驗對比了在不同天氣情況下實驗結果，如圖18、19 所示。采用的數據集包含了100張陰天獲取的圖像以及100 張晴天獲取的圖像。由圖18、19 可知，由于本文算法的高魯棒性，使得其在不同天氣條件下，均能夠有效地檢測出輸電線所在位置。

圖18 陰天直線檢測效果

圖19 晴天直線檢測效果

圖像背景也是影響算法有效性的重要因素之一。雖然本文由樹障清理空中機器人作業平臺為研究出發點，但依然在復雜背景條件下進行了實驗。本次實驗采用由上而下拍攝的常見輸電線路巡檢圖像，如圖20 所示。該場景具備房屋、雜草、耕地等復雜干擾。相較于自下而上拍攝的圖像，該類圖像中往往包含了大量的干擾及更多規則的線狀特征。然而這些線狀特征與輸電線是毫無聯系的，因此通過對直線的長度、角度及位置信息進行聚類分析，能夠適應更多復雜環境下的輸電線檢測，具有較強的魯棒性。如圖20(d)所示，圖中6 根電力線均被檢出。同時本文展示了8 張在其他類型復雜背景下的檢測結果，如圖21所示。表2 為其長度信息、角度信息、位置信息的聚類中心。圖21(a)、(b)背景為枯草，(c)、(d)背景為荒地，(e)、(f)、(g)、(h)背景為綠植。在所示背景下，本文算法均取得了一定的效果。

圖20 復雜背景下圖像及檢測結果

圖21 不同復雜背景條件檢測結果展示

表2 復雜背景條件下聚類中心數據

2.5 實驗結果

為定量分析所有影響本文算法的因素，驗證算法的魯棒性，對上述3 種實驗，在一個包含300 張輸電線圖像的數據庫中進行測試，并統計結果。

在邊緣檢測算法對比結果中，方法1 精確率為90.63%，召回率為90.33%；方法2 精確率為88.43%，召回率為67.96%；方法3 精確率為83.52%，召回率為71.83%。方法1 相較于其他2 種方式有明顯優勢，Canny 算子對輸電線進行邊緣檢測常出現斷線，不利于最終的輸電線檢測，因此精確率、召回率均較低。Sobel 算子檢測到的直線邊緣特征被放大，雙邊緣在輸電線之間距離過近時表現不佳。

在直線提取算法對比結果中，方法1 精確率為90.63%，召回率為90.33%；方法2 精確率為78.35%，召回率為84.59%。LSD 直線提取算法對圖像中的微小線段過于敏感，同時提取到的直線大多為短線，輸電線在這種情況下長度特征不明顯，不易于將其與干擾線進行區分。

在聚類算法對比中，方法1 精確率為90.63%，召回率為90.33%；方法2 精確率為71.57%，召回率為93.59%；方法3 精確率為83.34%，召回率為92.71%。可知，方法2 以及方法3 的聚類方式保留了絕大部分直線特征，算法召回率大于級聯聚類直線篩選方法，但其去除不屬于輸電線的干擾線的性能不如級聯聚類法，級聯聚類法在犧牲微弱的查全能力的同時，一定程度上提升了算法的查準率。相較于其他兩者，本文算法在綜合直線多特征信息的基礎上，大大提升了算法的魯棒性，使得其適用于大多數場景下的檢測需求。

本文算法在不同天氣情況下對比結果如圖22所示，兩者相差無幾。說明在不同天氣情況下，本文算法均能夠發揮其效力，具有一定的魯棒性。

圖22 陰晴實驗對比

3 結論

本文針對樹障清理機器人實際工作場景，提出了融合直線空間位置分布特征及長度特征級聯聚類法的輸電線篩選方法。

1)采用基于Hessian 矩陣的邊緣增強算法進行圖像預處理，采用Hough 進行直線檢測。通過多信息級聯聚類分析，將圖像由宏觀特征引入微觀。在常規采集條件下，能夠獲得的輸電線特征并不穩定。在自然環境下，與輸電線特征相似的線結構較多，在觀察其局部特征之后，可發現對直線的長度、角度及位置規律進行描述，可以有效區分輸電線與干擾線。通過對這一規律的數學化，能夠有效檢測輸電線。

2)經實驗論證，本文方法具有較高的魯棒性與準確性，且在檢測出輸電線的同時能夠依據輸電線的走勢，預測被遮蔽部分輸電線的相對位置。

本研究成果還可以用于非接觸式輸電線路巡線作業機器人的沿輸電線路導航研究。