基于紅外影像輔助的無人機自主巡檢規劃方法設計

趙彥杰， 張四維， 徐濤， 曹世鵬， 余萬金

(1.國網南京供電公司，江蘇，南京 210000；2.眾芯漢創(北京)科技有限公司，北京 100193)

0 引言

隨著配電網規模的不斷增大，對配電網的智能巡檢能夠從根本上保證配網的安全性，因此該技術也受到相關領域的極大關注[1]。結合無人機和紅外成像技術，構建無人機自主巡檢規劃模型，通過智能規劃控制和機器視覺分析的方法，實現無人機自主巡檢規劃，能夠有效提高對配電網的智能巡檢和控制能力[2]。

一般來說，對無人機自主巡檢過程的規劃設計是建立在對無人機自主巡檢紅外影像特征分析基礎上實現的，然后結合智能空間規劃和模糊度特征分析，構建無人機自主巡檢紅外影像采集和融合模型，再通過嵌入式控制和配電網的紅外特征分析，實現對無人機自主巡檢紅外影像的處理[3]，可提高無人機自主巡檢紅外成像能力，從而實現對巡檢規劃設計。傳統研究中，無人機自主規劃方法主要有基于邊緣輪廓特征檢測的無人機自主巡檢規劃方法[4]和基于DP算法的巡檢規劃方法等[5]。上述2種傳統方法均結合視頻跟蹤識別技術，實現對無人機自主巡檢紅外影像處理和巡檢規劃。但傳統方法的成像精準度不高，導致其巡檢規劃性能不好。

針對傳統方法存在的問題，基于紅外影像輔助技術設計新的無人機自主巡檢規劃方法。首先采用無人機紅外成像技術實現對電網線路的紅外成像處理，并提取無人機紅外影像的邊緣輪廓特征量和紋理信息。然后結合對無人機紅外影像的圖像融合和邊緣區域檢測，提取影像的像素類別，再通過模糊聚合融合處理方法，實現對影像的主成分特征檢測，并采用融合濾波方法實現對影像的濾波和信息增強處理?；诖?，建立無人機自主巡檢紅外影像的自適應圖譜特征分集模型，結合相似度特征分解方法，實現無人機視覺跟蹤和巡檢規劃設計。最后通過仿真測試分析結果，展示本文方法在提高無人機自主巡檢規劃能力方面的優越性能。

1 無人機自主巡檢紅外成像和預處理

1.1 紅外影像成像

為了實現基于紅外影像輔助的無人機自主巡檢規劃，首先采用無人機紅外成像技術實現對電網線路的紅外成像處理，再結合視覺傳感和融合跟蹤識別的方法，構建無人機紅外成像的信息處理模型，在集成DSP中實現對無人機自主巡檢紅外影像融合處理[6]，得到無人機自主巡檢的圖像處理模型如圖1所示。

圖1 無人機自主巡檢紅外影像處理模型

根據圖1所示的無人機自主巡檢紅外影像處理模型，結合配電網的巡檢參數識別和多維跟蹤方法[7-8]，得到無人機自主巡檢紅外輔助成像的特征圖集滿足式(1)：

G=δ+(s(e)+lm)

(1)

式中，δ表示無人機自主巡檢紅外影像的邊緣分布閾值，s(e)表示配電網巡檢參數,lm表示組合濾波器控制的方法。在此基礎上，對無人機自主巡檢紅外影像展開識別和濾波處理[9]，得到無人機自主巡檢紅外影像的子帶特征分布為

(2)

式中，dt表示模型預測參數，f表示概率密度特征分析參數，z(b)表示無人機自主巡檢紅外影像的濾波結構模型[10]?；诖?，通過邊緣輪廓特征檢測，實現對無人機自主巡檢紅外影像的輸出穩定性測試和圖像增強處理。

1.2 紅外影像增強處理

在機器視覺技術的支持下，提取無人機自主巡檢紅外影像的邊緣輪廓特征量和紋理信息，再結合對無人機自主巡檢紅外影像的邊緣區域檢測和增強處理，在可靠性視覺跟蹤模型下，得到無人機自主巡檢紅外影像的融合特征分量為J(x)。然后結合多模態融合方法，得到無人機自主巡檢紅外影像的邊緣輪廓特征量為

(3)

式中，xv表示無人機自主巡檢紅外影像的邊緣視覺特征分析模型，p(h)表示無人機自主巡檢紅外影像的邊緣像素分布像素值。在此基礎上，構造無人機紅外影像的視覺增強模型，結合模糊特征辨識的方法，完成對紅外影像的融合處理，再采用頻域濾波分析的方法，結合融合規則技術實現對無人機自主巡檢紅外影像的協同濾波處理。這一過程中，用Xi,j來表示(i，j)位置處像素點，則可得到無人機自主巡檢紅外影像的主成分特征分量為

A=Xi,j+w(y)+d(a)

(4)

式中，w(y)表示無人機自主巡檢紅外影像融合參數。在此基礎上，采用主成分融合和信息增強方法，得到無人機自主巡檢紅外影像的模態分量為

df(r)=A+[t(m)+f(u)]

(5)

在迭代和篩選過程中，t(m)表示無人機自主巡檢紅外影像的樣本空間融合模型，在M×M維空間中采用模式識別技術，得到無人機自主巡檢紅外影像的局部信息增強分量為f(u)。然后采用相鄰層間的特征融合的方法，得到無人機自主巡檢紅外影像的高低層級間融合匹配集如下：

Fz=df(r)+qk+v(n)

(6)

式中，qk表示特征融合方法參數，利用融合后的特征圖集實現圖像增強，并建立無人機自主巡檢紅外影像的特征提取模型為v(n)，從而得到無人機自主巡檢紅外影像的濾波輸出增量為

(7)

式中，f(u)表示無人機自主巡檢紅外影像的像素點分布，β表示模型的預測概率特征量[11]。利用上述過程，可實現對無人機自主巡檢紅外影像增強和信息融合處理。

2 無人機自主巡檢規劃研究

2.1 巡檢過程紅外影像濾波檢測

在上述無人機自主巡檢紅外成像和增強處理的基礎上，建立無人機自主巡檢紅外影像的自適應圖譜特征分集模型，再采用邊緣區塊化融合的方法[12]，得到無人機自主巡檢紅外影像重建的網格模型的空間量化特征函數可表示為

(8)

式中，αi表示無人機自主巡檢紅外影像的多維尺度特征分解模型，b表示無人機自主巡檢紅外影像的多尺度小波分解信息分量[13-14]?；诖?，通過模糊聚合融合處理方法，實現對無人機自主巡檢紅外影像的主成分特征檢測，得到無人機自主巡檢紅外影像重建的背景差分特征值：

hg=T(c)+E+Md(Ci)

(9)

式中，T(c)表示無人機自主巡檢紅外影像的塊特征匹配值，Md(Ci)表示Ci中的顯著區域檢測特征量。采用角點檢測進行無人機自主巡檢紅外影像的三維特征信息重組，得到無人機自主巡檢紅外影像的顯著性圖譜特征量為

M(y)=cos[q(s)+x(l)]+hg

(10)

式中，q(s)表示通過融合得到最終先驗圖參數，在機器視覺下提取無人機自主巡檢紅外影像的邊緣輪廓特征量為x(l)。結合上述過程，構建無人機自主巡檢紅外影像的三維信息融合顯著性概率特征分布集如下：

(11)

式中，ir表示多尺度超像素信息識別的方法參數，a(k)表示無人機自主巡檢紅外影像像素的圖譜特征分量。然后基于多尺度分解的方法，定義無人機自主巡檢紅外影像的超像融合標簽特征分量為nc，則可得到無人機自主巡檢紅外特征映射函數為

nc=[Gj+Gk]+Zv(e)

(12)

式中，Gj和Gk具有較強的關聯性，Gk表示無人機自主巡檢紅外影像特征分布的尺度，Gj表示無人機自主巡檢紅外影像的邊緣像素點的主成分信息[15-16]。根據上述分析，實現對無人機自主巡檢紅外影像濾波檢測。

2.2 巡檢規劃輸出

建立無人機自主巡檢紅外影像的自適應圖譜特征分集模型，實現無人機自主巡檢紅外影像的視覺跟蹤，得到無人機自主巡檢紅外影像的視覺信息解析模型為

(13)

式中，di表示相似度特征分解方法參數，h表示差異化權重融合參數，構建無人機自主巡檢紅外影像的邊緣輪廓特征量表示為cb，由此可得到無人機自主巡檢紅外影像的解析模型表示為

H(f)=k(xi,xj)+Vs+I(i,j)

(14)

在融合聚焦區域中，定義無人機自主巡檢紅外影像的紋理特征分布核函數為k(xi,xj)，結合RGB特征分解結果，將得到無人機自主巡檢紅外影像的超像素信息用I(i,j)描述，由此可得到無人機自主巡檢紅外影像的Harris角點分布序列I表示如下：

(15)

式中，k表示無人機自主巡檢紅外影像的多背景區域融合結果。在此基礎上，結合空間分布域融合，得到無人機自主巡檢紅外影像的融合特征量為

(16)

式中，u表示無人機自主巡檢紅外影像的濾波函數值，P(i,j)表示無人機自主巡檢紅外影像的多尺度特征分布序列。結合相似度特征分解方法，實現無人機自主巡檢紅外影像的視覺跟蹤，實現無人機自主巡檢規劃設計，實現流程如圖2所示。

圖2 無人機自主巡檢規劃實現流程

3 仿真測試分析

為驗證本研究設計的基于紅外影像輔助的無人機自主巡檢規劃方法的實際應用性能，設計如下仿真測試。在Simu-link仿真平臺上進行無人機自主巡檢規劃的圖像處理設計，對無人機自主巡檢紅外影像的采集像素點為120×240，對無人機自主巡檢紅外影像采集的頻率為24 kHz，無人機自主巡檢紅外影像的采樣點數為200個，特征圖集大小為240，無人機自主巡檢紅外影像學習率的衰減尺度為0.35，相似度系數為0.16，根據上述參數設定，進行仿真測試。測試設備與環境如圖3所示。

(a)測試設備

在上述實驗環境中，采用無人機紅外成像技術實現對電網線路的紅外成像處理，在機器視覺技術的支持下，提取無人機自主巡檢紅外影像的邊緣輪廓特征量，得到成像輸出如圖4所示。

以圖4所示的無人機紅外成像輸出結果為研究對象，對無人機紅外成像進行增強處理，實現無人機自主巡檢紅外影像優化，得到巡檢規劃結果如圖5所示。

圖4 無人機紅外成像輸出結果

分析圖5得知，本文方法能有效實現對無人機自主巡檢紅外影像處理和規劃，提高了無人機自主巡檢規劃能力。

圖5 無人機自主巡檢規劃結果

為進一步突出本文方法的有效性，將傳統的基于邊緣輪廓特征檢測的無人機自主巡檢規劃方法(文獻[4]方法)和基于DP算法的巡檢規劃方法(文獻[5]方法)作為對比，測試不同方法進行無人機自主巡檢后輸出結果的準確性，得到檢測概率對比結果如表1所示。

表1 無人機自主巡檢規劃的檢測準確率對比

分析表1所示結果可知，隨著迭代次數的增加，不同方法進行無人機自主巡檢后輸出結果的準確性也隨之增加。但相比之下，本文方法的檢測準確率更高，均可保持在0.90以上，證明本文方法對無人機自主巡檢規劃的精度更高。

4 總結

在構建無人機自主巡檢規劃模型的基礎上，通過智能規劃控制和機器視覺分析的方法，可實現無人機自主精準巡檢規劃。本文提出基于紅外影像輔助的無人機自主巡檢規劃方法，構建無人機紅外成像的信息處理模型后，在集成DSP中實現對無人機自主巡檢紅外影像融合處理，然后構造無人機自主巡檢紅外影像的視覺增強模型，結合模糊特征辨識的方法實現影像融合。基于此，結合相似度特征分解方法，實現無人機自主巡檢紅外影像的視覺跟蹤，從而實現無人機自主巡檢規劃設計。經實驗研究得知，本文方法對無人機自主巡檢規劃設計的檢測準確率較高，說明其視覺檢測能力較強。