無人機巡檢圖像中電力部件的識別研究綜述

青島大學 張 雯 山炳強 王 貞

引言

隨著我國經濟的快速發展，社會各界對電能的用量和質量都有了更多的需求[1]。電力部件的完整性是電力系統穩定運行的重要保障，對輸電線路進行巡檢能夠及時排除故障，確保供電的安全性和可靠性。在無人機技術日益成熟的基礎上，融合了圖像識別等技術的無人機在多種領域受到了廣泛的青睞。利用無人機進行輸電線路的巡檢，在確保供電的安全性和可靠性的同時，能夠克服地形約束和環境限制，降低巡檢的風險，并一定程度上提高巡檢的效率[2]。

無人機在輸電線路巡檢中的應用提高了巡檢效率，降低了巡檢作業人員的安全風險以及巡檢成本。然而，無人機巡檢中所采集的大量圖像信息基本依賴于人力來進行識別，其準確率和效率仍有待提高。近年來，圖像處理技術的不斷發展和深度學習的逐步引入，顯著提高了對電力部件識別的效率和準確率。本文系統總結了取得的成果，主要對巡檢圖像去噪預處理和電力部件識別兩方面進行評述，同時展望了未來的研究趨勢，期望對該領域的進一步研究提供參考。

1 巡檢圖像去噪預處理

由于輸電線路固有的電磁特性，不可避免會對無人機巡檢時采集的圖像有一定的噪聲干擾，影響圖像質量。為了避免影響巡檢圖像中電力部件的識別效果，去除圖像中的噪聲干擾便非常重要。其中，椒鹽和高斯噪聲是影響所采集圖像的主要噪聲，可以通過對巡檢圖像去噪預處理的方式來解決該問題。

為消除噪聲干擾，主要通過濾波的方法來解決。中值濾波法算法簡單，是一種經典算法，對處理椒鹽噪聲有較好的效果。但是該算法容易引起原來的樣本圖像失真以及邊緣模糊的現象發生，且僅僅在低密度噪聲時效果較好。針對該問題文獻[3]提出了一種開關中值濾波算法，利用特定值對噪點進行分類，一定程度上改善了邊緣模糊的問題。

文獻[4]提出了一種基于三維直方圖的算法，全面引入建立像素點各種特征之間的關系，圖像去噪性能有了更高的水平，但僅在噪聲密度較小時改善效果明顯且運算量較大。在此基礎上文獻[5]對算法進行改進，提出一種三維軸距的算法，消除了圖像邊緣噪聲和塊狀噪聲的影響，隨著計算機運算性能的提高而擁有更好的去噪性能，三位軸距結構示意圖見圖1。

圖1 三維軸距結構示意圖

文獻[6]在此基礎上檢測出噪聲點后，結合改進權重公式的非局部均值濾波算法，提出了一種基于三維軸距與非局部均值的算法。該算法不僅能夠很好的去除椒鹽噪聲，同時解決了圖像失真和邊緣模糊的問題。文獻[7]提出了一種模糊去噪濾波算法，在圖像椒鹽噪聲去噪應用中優勢明顯且對圖像還原度較高，同樣擁有不錯的去噪效果。

高斯濾波是一種經典的去除圖像中高斯噪聲的方法，但存在致使邊緣信息模糊的問題。文獻[8]提出的雙邊濾波是一種改進的高斯濾波方法，且同時能夠改善圖像邊緣模糊的問題，但是容易出現“塊效應”。文獻[9]通過指數-Turky 型權值核函數改進算法，并融合結構相似性和歐氏距離來有效選擇權值，提出一種改進的非局部均值（NLM）濾波算法，在去除高斯噪聲上有很好的表現能力。文獻[10]提出了一種基于伽馬范數最小化的算法，在有效去除高斯噪聲的同時，能夠避免圖像邊緣模糊的問題，且在細節內容上有更好的表現。

可以發現，以上所述濾波算法基本只針對某一種圖像噪聲有顯著的去噪效果，但圖像去噪能力比較單一。針對該問題，文獻[11]提出了一種基于非局部自相似性的混合噪聲濾波算法，能夠同時有效去除椒鹽噪聲和高斯噪聲，并在很大程度上保證圖像不失真。文獻[12]提出了一種中值濾波和改進的閾值函數濾波算法，通過改進小波閾值函數來克服硬閾值和軟閾值缺陷，并結合中值濾波，在去除混合噪聲上擁有很好的表現能力。同時，能夠較好地恢復原圖像豐富的細節，具有較高的實用性。

2 巡檢圖像中電力部件識別

2.1 傳統電力部件識別方法

由于無人機巡檢采集的圖像數量眾多，單純依靠人力對海量數據信息進行識別效率低下，無法實現對電力系統的實時和持續性監測，可靠性較低。一些魯棒性較好的特征提取算法，比較經典的有尺度不變的特征變換（SIFT）、梯度直方圖（HOG）和SURF 等，通過融合支持向量機（SVM）以及增強學習中的Adaboost 迭代算法和Random Forest等算法，來實現對被檢測物的識別。

文獻[13]提出了一種基于HOG 和改進SVM參數的方法，實現對絕緣子的識別。但是，該方法僅在小樣本容量時表現較好，無法滿足對無人機巡檢時采集的大量圖像中電力部件識別的要求。文獻[14]利用聚類分析和Adaboost 算法實現對絕緣子的識別，提高了識別的效率。文獻[15]提出了一種利用Candy 邊緣特征與SURF 來達到對絕緣子智能識別的算法，識別效率較高，魯棒性較好。但這些方法依賴于人工設計的特征，可拓展性差，效率和準確率都不能滿足要求。

2.2 基于深度學習的電力部件識別方法

隨著計算機視覺技術和硬件性能不斷進步，卷積神經網絡逐漸取代以往特征提取方法，基于深度學習的算法不斷發展并成為熱門，主要包括基于回歸的一階段算法和基于區域興趣的二階段算法。一階段算法以SDD 和YOLO 為代表，只經過一個卷積神經網絡；二階段算法則以R-CNN 系列為代表，通過先提取候選區再進行識別的方法來實現對目標的檢測。

基于區域提議的卷積神經網絡方法，是一種經典的方案。與以往不同的是，其通過深度卷積網絡實現對目標特征的提取，并通過Selective Search替代原滑動窗口的方式，使得效率和準確率有了明顯的提高。但是，由于需要對卷積神經網絡、支持向量機和回歸分類器單獨訓練，并對所有的特征區域進行特征提取，存在訓練階段耗時和預測階段較慢的問題。

文獻[16]針對該問題提出一種空間金字塔池化網絡（SPPnet）的算法，利用共享計算改善預測階段速度較慢的問題。但是由于僅對Pyramid Pooling Layer 后的Layer 進行微調，在深層網絡準確率上表現一般，仍舊有待提高。Fast R-CNN算法，不同于R-CNN 的是該算法將整張目標圖像輸入到CNN 網絡中來得到特征圖進而得到特征矩陣，并通過引入Adaptive Pooling 方法對整個網絡調優，具有較高的識別效率，同時解決了SPPnet 在深層網絡上準確率較低的問題。由于仍采用Selective Search 算法生成候選區域、比較耗時，識別效率上仍有提升的空間。針對該問題，利用Regional Proposal Network（RPN）代替以往所用的Selective Search 方法的Faster R-CNN 算法，進一步提高了識別的效率，但是在具有干擾物的情況下表現一般。

文獻[17]針對此問題提出了一種MASK LSTM-CNN 算法，能夠在有干擾和遮擋的環境下同樣保持較高的準確率。文獻[18]采用“Hot Anchors”采樣代替滑動窗口均勻采樣的錨點，對Regional Proposal Network layer 進行修改，提出了一種改進的Faster R-CNN 算法，避免了大量的額外計算從而減輕了計算負擔，并進一步提高了識別的效率和準確率。改進的RPN 結構見圖2。

圖2 改進的RPN 結構示意圖

二階段目標檢測算法的R-CNN 系列隨著不斷地發展已經達到了無論在識別的精度還是識別效率上都已具備很高的水準，基本能夠滿足對無人機巡檢圖像中電力部件識別的要求。但是由于需要先進行候選區域的提取，其在檢測速度上仍有提高的空間。一階段目標檢測算法由于省去了候選區域提取的步驟，具有更高的檢測效率。

SSD 算法具有更快的識別速度，但是由于僅通過VGG16來提取網絡conv4_3layer，不具備足夠豐富的語義信息而導致識別準確率相對稍遜一籌。YOLO 算法同樣具有識別速度高，但識別準確率較低的問題。

文獻[19]提出了一種基于改進的YOLO9000框架，在保證較高識別速度的同時，提高了識別的準確率。但是，存在分割精度較低和易受圖像背景影響的問題。隨著YOLO 系列不斷迭代升級，YOLOv3算法在識別的效率和準確率上都達到了更高的水平，而且在目標被干擾或者被遮擋的情況下依舊具有不俗的表現。文獻[20]在此基礎上，引入最小凸集的損失函數，解決了目前算法所存在的僅針對某種部件或者缺陷的問題，并利用級聯網絡分步操作實現了多目標識別檢測的效果，其最小凸集示意圖見圖3。

圖3 最小凸集示意圖

3 結語

無人機巡檢所采集的圖像容易受到噪聲的干擾，進而影響對電力部件的識別效果。隨著圖像處理技術的不斷發展，已經達到了能夠很好的去除掉圖像中的混合噪聲的水平。在電力部件識別方面，隨著深度學習的引入和不斷地發展，無論在識別效率還是準確率上都達到了很高的水準，具有很高的魯棒性，而且能夠達到對目標實時識別的程度。在無人機巡檢的廣泛深度應用中，發揮了重要的貢獻作用。

未來，隨著5G 技術的不斷發展和普及，無論在傳輸速度還是質量上都將有很大的飛躍。通過搭建云平臺實現實時識別，對無人機減負，將會有助于解決無人機續航的問題。同時，配合無人機自主導航技術，實現無人機的全自動巡檢將是未來的研究趨勢。