一種采用航拍圖像識別高壓輸電線路防震錘缺失的檢測算法

吳志成，林秀貴，許家浩，葉倩，李慶武

1.國網福建省電力有限公司 泉州供電公司，福建 泉州 362000 2.河海大學 物聯網工程學院，江蘇 常州 213022

高壓輸電線路在電力系統中扮演著電能傳輸的重要角色，架空輸電線路暴露在自然環境中，受到空氣中風力的影響時刻處于震動狀態[1]。高壓輸電線上的防震錘是為了減弱導線因微風扯起振動而設的，防震錘安裝后能產生與導線振動相位相反的運動，從而使導線振動消除或減弱[2]。輸電線路長期暴露在露天環境下，使高壓線上的防震錘經受風霜、雨雪、雷電等各種惡劣的自然條件影響，因此重錘部分可能生銹脫落，若不及時更換缺失的防震錘，會導致架空導線震動加劇，使導線局部疲勞斷股的風險增加，最后可能造成整根導線折斷的事故[3]。因此，在輸電線路巡檢過程中，對高壓輸電線路上的防震錘進行缺失檢測非常重要。

國家電網公司在“十二五”規劃中提出，要建立巡檢設備的自動定位、跟蹤、巡檢全過程的數字化記錄和在線智能診斷修復等功能[4]，以此可以有效地支撐對輸電線路運行狀態的可控、能控和在控[5]。近些年來，無人機與圖像處理技術相結合的自動化設備與系統已在輸電線路巡檢中使用[6?9]。但是，使用無人機巡檢系統對導線、桿塔、絕緣子等大目標的檢測居多，對防震錘的缺失檢測主要還是依據作業人員觀測的方式[10]。由于防震錘懸掛于高空高壓輸電線上，距離地面數十米，且由于尺寸相對較小，肉眼很難準確排查防震錘是否存在缺失，人工巡檢很難對高空中的防震錘進行準確有效地定位與缺失檢測。本文采用機器學習與圖像處理技術結合的方式，對無人機航拍圖像中的防震錘進行定位、分割并作出缺失判斷。

防震錘在無人機航拍圖像中只占一小部分，由于其使用金屬材質，重錘部分在陽光照射下容易反光，且航拍圖像是在無人機上拍攝，難免存在輕微的運動模糊，會使圖像的清晰度受到影響，使防震錘的定位與缺失檢測存在困難。

本文分析了防震錘的結構特征與其在航拍圖像中的位置、角度，提出了一種高壓輸電線上的防震錘缺失檢測算法，首先采用方向梯度直方圖(histogram of oriented gridients,HOG)特征的支持向量機(support vector machines,SVM)分類器對航拍圖像中的防震錘進行定位并對定位到的防震錘區域進行缺失分析，縮小缺失檢測的處理范圍，然后將防震錘變換到水平狀態，計算防震錘上兩端重錘到線夾之間的距離差異，將二維圖像轉換為一維數據分析，以此來判別圖像的缺失情況，降低了拍攝時的拍攝顏色和光照對檢測結果的影響，適用性廣，實用性強。

1 航拍圖像中防震錘目標檢測與分割

無人機航拍圖像中防震錘區域的檢測與分割是防震錘缺失檢測的重要前提步驟，對航拍圖像中的防震錘進行識別與分割，屬于目標識別領域。在圖像的目標識別中，機器學習由于識別性能高、魯棒性能好以及操作便捷等優點備受關注[11]。金立軍等[12]采用類Haar 特征與級聯AdaBoost 算法的防震錘識別方法對防震錘進行識別，為防震錘的缺失檢測奠定基礎，王森[13]針對金立軍的方法中魯棒性不強的問題，提出了一種基于深度學習的防震錘檢測方法，他們的方法對防震錘定位的準確率都很高。但是在無人機輸電線路巡檢中，由于缺失的防震錘與完整的防震錘特征相差較大，若僅對完整防震錘進行定位，往往會忽略缺失的防震錘，導致缺失的防震錘被漏檢，那么對防震錘進行檢測定位就沒有意義。

本文采用HOG 特征和SVM 分類器對防震錘進行檢測，在正樣本中加入一些單個缺失的防震錘，以免缺失樣本的特征與正常樣本的特征差異太大，出現缺失防震錘直接被漏檢的情況，使用SVM 分類器訓練的模型對航拍圖像進行防震錘定位后，再將定位到的防震錘區域逐個進行缺失檢測，最后得到防震錘的定位與缺失檢測結果。

HOG 特征與SVM 分類器是法國研究人員Dalal 等[14]首先提出的用于行人檢測的算法，如今目標檢測的算法層出不窮，但由于HOG 特征是在圖像的局部方格單元上操作，圖像的幾何特性與光學特性都能很好保持，能容許樣本之間的細微差異，在樣本有細微變動增加的情況下不影響檢測效果?；贖OG 特征的目標識別采用了滑動窗口機制提取圖像的外觀邊緣特征并對目標進行定位，如今已經廣泛使用[15?18]。HOG 特征與SVM分類器進行目標檢測是速度和效果綜合性能較好的檢測方法，因此被廣泛應用與圖像識別中[19?23]。使用HOG 特征與SVM 分類器對航拍圖像中的防震錘進行定位的步驟如圖1 所示。

圖1 使用HOG 特征與SVM 分類器對防震錘定位流程

1.1 提取樣本的HOG 特征并訓練SVM 分 類模型

1)準備大量的正負樣本。其中正樣本中不僅包含有未缺失的防震錘，還加入了一些存在單個缺失的防震錘，以免缺失樣本的特征與正常樣本的特征差異太大，出現缺失防震錘直接被漏檢的情況。

2)提取正負樣本的HOG 特征。

3)將正負樣本的HOG 特征數據送入SVM 訓練器進行訓練，得到檢測模型。

1.2 測試樣本

1)采用固定大小的滑動窗口在測試樣本上滑動，每滑到一個位置計算其HOG 特征。

2)將HOG 特征送入檢測模型得出檢測結果。若測試樣本中存在許多誤檢區域，說明誤檢區域的HOG 特征與正樣本的HOG 特征相似，將誤檢區域放入負樣本中，并截取一些與誤檢區域相類似的區域作為負樣本，再進行訓練。采用這種調整正負樣本的方法訓練多次，可以提高檢測的正確率。航拍圖像中防震錘定位效果示意圖如圖2 所示。

圖2 防震錘定位效果

2 防震錘區域的缺失檢測

防震錘一般由固定線夾、鋼絞線與重錘3 部分組成，重錘固定在鋼絞線兩端，使用時由固定線夾固定于高壓線上，防震錘的型號總體可分為F 型(對稱)與FR 型(非對稱)，不同型號的防震錘重錘擺放角度不同，但兩端重錘距離固定線夾的位置相近。航拍圖像中的防震錘多以天空為背景，天空背景較為純凈但是顏色略有差異。防震錘在圖像中的角度多樣化，沒有固定狀態，且表面存在反光等現象，使防震錘二值圖中呈現出重錘部分有凹陷的假象，在一定程度上影響對防震錘的缺失檢測。

防震錘缺失檢測需要對定位到的防震錘區域作進一步處理，判斷出定位到的航拍圖像中的防震錘是否存在缺失。本文根據防震錘的結構特征與其在航拍圖像中的狀態，提出了一種相對距離判別法來對防震錘進行缺失檢測，具體步驟如圖3 所示。

圖3 防震錘缺失檢測流程

2.1 圖像預處理

1)使用銳化增強算法對防震錘定位區域進行銳化增強，得到圖像Img。

2)利用Canny 邊緣檢測算法檢測對防震錘圖像 Img進 行檢測，得到邊緣圖像 ImgEdge。

3)對邊緣圖像 ImgEdge進行灰度化處理，得到灰度化圖像 I mgGray。

2.2 圖像旋轉變換

1)采用Hough 變換檢測邊緣圖像 ImgGray中的直線 Line[i]，i可 取1 ,2,···,n，n表示檢測到的直線的數量。

檢測出來的直線為防震錘固定線夾所在電線的邊緣，由于電線有上下2 個邊緣，所以檢測到的直線通常不止一條，采用Hough 變換檢測到的直線可由式(1)表示：

式中：ρi為 第i條 直線與坐標原點的距離；θi為第i條直線與橫坐標軸的的夾角；(x,y)為直角坐標系中直線上任意一點的坐標。

2)計算所檢測的直線與橫坐標軸的夾角平均值 θave。

設檢測到的直線 Line[1]，Line[2]，…，Line[n]與橫坐標軸的夾角分別為 θ1,θ2,···,θn，則

3)根據所檢測的直線與橫坐標軸的夾角平均值計算旋轉變換矩陣，實現圖像的校正，使防震錘旋轉至水平狀態。

設變換后的圖像各點像素坐標為 (X′,Y′)，原圖像 Img的 各點像素坐標為 (X,Y)，若圖像繞著圖像原點順時針旋轉，則滿足

式 中：α=cosθ，β=sinθ，且θ=θave=(θ1+θ2+···+θn)/n。圖4 為圖像旋轉示意。

圖4 圖像旋轉示意

圖像進行旋轉變換后，圖像畫布的大小從Irows×Icols變 成了h×w，且

式中：Img.rows 表 示原圖像的高度；Img.cols表示原圖像的寬度；h表示變換后圖像的高度；w表示變換后圖像的寬度。為防止圖像旋轉后跑出畫布，將圖像繞著圖像中心點 (Icols/2,Irows/2)旋轉，圖像旋轉變換后的中心位置為 (w/2,h/2)，則有

設圖像的變換矩陣為M，則

4)采用OTSU 算法對防震錘圖像 Img進行二值分割，得到防震錘為黑色，背景為白色的二值圖 Imgbin。

5)根據圖像變換公式(2)對圖像 Imgbin進行旋轉變換，旋轉變換后圖像的畫布大小已經改變，使用白色像素對空缺畫布進行填充，避免填充后對防震錘產生影響，影響后續處理，圖像旋轉變換后為 Imgbin，變換后的效果如圖5 所示。

圖5 防震錘旋轉變換效果

2.3 防震錘的缺失判定

1)對圖像 ImgRot進行水平投影，求出防震錘所懸掛的高壓電線的直徑。

已知圖像 ImgRot的 高度為h像素，寬度為w像素，統計圖像 ImgRot中每一行黑色像素的總數，記為hor[j]，j表示圖像的行數，j∈{0,1,···,h?1}，根據每行的黑色像素畫出水平投影圖，將j從0 取到h?1，記錄首個hor[j]≥a·w時 對應的行數j1與首個hor[j]j1，a為一個常系數，若電線橫穿整個畫布，則a可取1，但二值圖像進行旋轉后，畫布大小已經改變，且二值化圖像邊緣不平整，為使電線的直徑計算準確，實驗中a可 取 [0.5，0.7]，電線的直徑為 di，di=j2?j1。

2)對圖像 ImgRot進行垂直投影，求出兩側防震錘到線夾的距離。

統計圖像 ImgRot中每一列黑色像素的個數，記為ver[k]，k表示圖像列數，k∈{0,1,···,w?1}，根據每列黑色像素畫出垂直投影圖。防震錘水平投影與垂直投影進行缺失檢測的原理如圖6 與圖7。

圖6 完整的防震錘投影檢測示意

圖7 缺失的防震錘投影檢測示意

在圖像的每一列中，防震錘線夾部分所在列的黑色像素總和最多，記錄ver[k]中的最大值為vmax，由于vmax可能對應垂直投影圖中的多個橫坐標，因此從垂直投影圖中找到線夾的兩側對應的橫坐標，再進行防震錘到線夾的距離計算，具體步驟如下：

首先，找出左側防震錘重錘與線夾的相對距離dl。

將k從 0 取到h?1，找出首個滿足條件ver[k]≥a1·di的k值，記作hl，同時找出首個滿足條件ver[k]≥vmax?b的k值，記作cl，a1與b皆為常系數，則dl=|cl?hl|。由于電線的直徑比防震錘上鋼絞線的直徑大，比防震錘上重錘部分的直徑小，為避免防震錘缺失后鋼絞線對缺失檢測的影響，實驗時取a1=2。若防震錘未缺失，定位到重錘部分對應位置，若防震錘缺失，定位到線夾的邊緣位置。為減少垂直投影鋸齒現象對線夾部分定位的影響，b取[0，5]皆可。

其次，找出右側防震錘重錘與線夾的相對距離 dr。

將k從h?1取 到0，找到首個滿足條件ver[k]≥a1·di的k值，記作hr，同時找出首個滿足條件ver[k]≥vmax?b的k值，記作cr，則

最后，比較 dl與 dr的差異，判斷是否缺失。

若dl≥a2·dr，則防震錘右側缺失，若dr≥a2·dr，則防震錘左側缺失，否則防震錘不存在缺失，其中a2為缺失判定閾值，防止誤檢和漏檢，實驗中a2可取 [ 2，3]。

3 實驗結果與分析

為驗證本文方法的可行性，采用大疆無人機搭載相機至高壓輸電線周圍，以鏡頭微斜向上且與防震錘間無遮擋的角度拍攝防震錘，獲得高壓電力線上的防震錘圖像。實驗從防震錘定位的準確性測試和防震錘缺失檢測的準確性測試兩方面進行測試。

3.1 防震錘定位的準確性測試

將無人機航拍圖像分為訓練樣本集和測試樣本集，其中訓練樣本集中有280 張包含防震錘的航拍圖像，280 張圖像中包含昏暗天氣圖像、輕微運動模糊圖像與正常晴天拍的圖像，測試樣本集中包含昏暗光線航拍圖像。運動模糊航拍圖像與正常光照航拍圖像各35 張，航拍圖像的大小為2 048×1 536。為避免過擬合現象產生，測試樣本集中的圖像與訓練樣本集中的圖像互不相同。從所有的訓練樣本中截取共1 500 張防震錘圖片作為正樣本集，截取了2 700 張非防震錘圖片作為負樣本集。將正負樣本分別提取HOG 特征并投入SVM 分類器中進行訓練，根據訓練結果調整數據集后再訓練一次。

使用精確率和召回率來評價防震錘檢測的準確性，3 種類型的防震錘檢測情況如表1 所示。其中，

表1 不同類型的航拍圖像中防震錘檢測數據分析

由表1 中的數據分析可以看出，使用HOG 特征與SVM 分類器訓練的模型對正常光照的航拍圖像、光線昏暗的航拍圖像與無人機抖動時的航拍圖像的精確率與召回率都比較高，通過召回率能看出航拍圖像中的防震錘的漏檢情況。

光線昏暗的情況下對檢測的準確率沒有很大影響，反而誤檢率數目有所降低，原因是航拍圖像中通常包含電力塔和其他電力設備，難免存在與防震錘相近的結構，且由于金屬材質在光線較強時會存在反光原，昏暗光線下的防震錘結構與其他結構區別增大，且幾乎不存在反光現象，使誤檢率降低。航拍圖像在無人機上拍攝，難免存在輕微的抖動現象，使得拍攝到的航拍圖像有了輕微運動模糊，對輕微抖動圖像進行檢測時，誤檢數量稍有增加，但是召回率與正常圖像的差距不大。無人機航拍圖像存在嚴重運動模糊時，防震錘的結構特征發生較大的變化，精確率與召回率都比較低，實驗的意義不大。

部分檢測結果示意如圖8 所示，其中圖8(a)、圖8(b)兩列分別為正常光照時的航拍圖像與檢測結果；圖8(c)、圖8(d)兩列為無人機輕微抖動時的航拍圖像與檢測結果；圖8(e)、圖8(f)兩列為無人機在黃昏時刻光線昏暗時拍的照片。圖8(c)中存在一個誤檢區域，由于表1 中的訓練數據集的正負樣本僅調整了一次，若再整理一些誤檢測區域和與物檢測區域相近的區域投入負樣本中進行訓練，誤檢數量能明顯降低。

圖8 使用HOG 特征與SVM 分類器對防震錘的檢測效果

3.2 防震錘缺失檢測的準確性測試

定位到航拍圖像中高壓線上的防震錘位置后，對防震錘所在的圖像區域進行缺失檢測。取航拍圖像中的防震錘正確檢測樣本與訓練樣本集中的部分圖像作為防震錘準確性檢測的測試樣本集，共取訓練樣本與測試時正檢樣本共1 400 張進行測試，實驗數據如表2 所示。其中，

表2 防震錘缺失檢測數據分析

測試樣本集中部分樣本如圖9 所示，防震錘的角度各異，背景顏色變化不一。在防震錘缺失判斷中，Hough 直線檢測與OTSU 圖像二值化是圖像能否被判別與能否被準確判別的關鍵步驟。若圖像太模糊、邊界不清晰等都可能影響缺失檢測的準確性。

圖9 防震錘缺失檢測測試樣本集中部分樣本

由于防震錘為金屬材質，在光照較強時，防震錘重錘部分表面存在嚴重反光，使得重錘的顏色與天空背景顏色融為一體，在缺失判斷過程中，二值化圖中的重錘部分凹陷嚴重，容易將反光嚴重的部分識別為缺失部分，實驗證明缺失檢測的誤檢圖像部分為反光嚴重的圖像，部分為存在遮擋的圖像。測試圖像中無法識別的圖片大多為運動模糊劇烈、背景干擾嚴重與遮擋面積較大的圖像等，判別錯誤樣本與無法判別樣本示意如圖10。圖10 中a 行表示防震錘判別錯誤的樣本示意，b 行表示無法判別的防震錘樣本示意。防震錘缺失判定的主要步驟為Hough 直線檢測、OTSU 圖像二值化、圖像旋轉校正、水平投影確定電線直徑與垂直投影確定兩端重錘到線夾之間的距離。缺失的防震錘檢測過程示意如圖11。圖11 中分別包含防震錘較小、光線昏暗、正常光照和輕微運動模糊的防震錘圖像檢測過程示意。

圖10 判別錯誤與無法判別的防震錘示意

圖11 防震錘缺失檢測過程示意

3.3 防震錘定位與缺失檢測的總體效果分析

對航拍圖像進行防震錘定位后，將定位到的防震錘進行缺失檢測，再將檢測結果反饋至航拍圖像上，用綠色框表示定位到無缺失的防震錘，用紅色框表示定位到缺失的防震錘，檢測效果如圖12 所示。圖13 給出了防震錘缺失檢測軟件界面，該軟件的功能包括圖像讀取、防震錘定位與缺失檢測等，同時可進行多次圖像增強；展示界面原圖、檢測效果圖、缺失的防震錘定位圖與檢測結果圖；該軟件能生成相關工作報告，工作報告包含圖像中定位到的防震錘總數量、缺失防震錘數量、缺失防震錘的位置與方位。

圖12 航拍圖像中防震錘缺失檢測效果

圖13 防震錘缺失檢測軟件界面

4 結論

由于防震錘在航拍圖像中的占比很小，因此在使用無人機進行巡檢時常常被忽略，在以往的研究中對于輸電線路上防震錘目標檢測的論文較少，對其進行缺失檢測也少有看到。本文使用機器學習的方法，再結合防震錘的結構特征，實現對防震錘的缺失檢測。首先使用HOG 特征值與SVM 分類器對航拍圖像中的防震錘進行定位，然后對定位的防震錘進行缺失檢測：

1)通過Hough 直線檢測求得防震錘所在高壓線在圖中的斜率。

2)對圖像進行二值分割，并根據求得的斜率將防震錘旋轉至水平狀態。

3)對旋轉后的圖像進行水平投影與垂直投影，通過投影圖分別求出防震錘兩端重錘到線夾之間的距離，根據兩側重錘到線夾之間的距離差異判斷出防震錘是否缺失。

實驗證明，該方法對航拍圖像中高壓線上的防震錘缺失檢測的準確率較高，對光線昏暗的圖像與存在輕微運動模糊的圖像檢測率都較高，且計算簡單，將復雜的二維圖像分析轉換為簡單的一維數據分析，在保證檢測準確率的同時簡化了分析問題的難度，加快了處理速度，具有較高的工程應用價值。

由于無人機對電力線巡檢時通常以平行角度拍攝電力線，所以防震錘的背景多為天空背景。若防震錘的背景復雜，會影響到缺失檢測的準確率。因此對復雜背景的防震錘進行缺失檢測還需進一步研究。