基于機器視覺的電力線路偵測技術

曾昌健 李 麗 鄭為湊

(1.福建電力職業技術學院，福建 泉州 362000;2.國網寧德供電公司，福建 寧德 352100)

1 概述

輸電線路覆冰是一個隨機的自然現象，受濕度、海拔、地形、風等多個自然環境因素影響，會出現不同程度的線路冰雪附著狀態。由于輸電線路在發生冰害事故時，一般氣候惡劣，覆冰發生時道路無法通行，通訊中斷，搶修難度非常巨大，導致因無法及時復電而帶來嚴重的經濟影響。

國內外對輸電線路覆冰形成機制、覆冰閃絡、輸電線路脫冰舞動和線路覆冰預測等的研究取得了較大進展[1-3]。在國內，西安交通大學科技人員針對桿塔覆冰桿段兩側拉力不同，采用平衡點法計算覆冰厚度。華北電力大學科技人員針對光纖傳感器敏感度高、電磁穩定性好等優點，采用光纖拉力傳感器和光纖傾斜角傳感器，獲得拉力和傾角實現覆冰厚度計算。湖南電力設計院科技人員采用自適應分割閾值識別輸電線路覆冰現象[4-6]。華南理工大學科技人員采用自適應閾值變換和基于LOG算子的邊緣檢測技術實現輸電線路覆冰識別。在國外，Berlijn S.M.等人提取了結冰前后絕緣子的邊緣輪廓，并通過校準估計了結冰厚度，但精度不高。Yang等人提出根據覆蓋維數分形法和邊緣檢測來計算結冰厚度[7-12]。本文采用機器視覺與改進的Faster R-CNN與模板匹配結合GrabCut算法進行覆冰識別，實現導線、絕緣子覆冰厚度識別偵測，提高預警水平。

2 基于改進的Faster R-CNN絕緣子覆冰辨識模型

通過對基于Faster R-CNN辨識算法的研究，利用訓練集、測試集去訓練改進的Faster R-CNN網絡；在網絡訓練過程中，為了避免過擬合，采用批量歸一化方式、激活函數ReLU去優化網絡參數，生成覆冰辨識模型；為了提高絕緣子覆冰辨識精度，采用非極大值抑制和ResNet101卷積網絡對Faster R-CNN進行改進。將測試樣本輸入絕緣子覆冰辨識模型之后，獲得預測的標簽及邊框，最終實現對絕緣子覆冰的辨識。本項目利用改進的Faster R-CNN算法實現絕緣子覆冰狀態辨識(見圖1)，具體步驟如下所述。

圖1 改進的Faster R-CNN架構

①本項目的算法支持輸入任意大小(A×B)的圖像，在輸入到網絡訓練前，將任意大小(A×B)的圖像縮放至固定大小(600×800)。接著利用ResNet101卷積神經網絡層對固定大小的圖像進行特征提取從而得到了特征圖，該特征圖大小為300×400×1024。特別地，ResNet卷積神經網絡結構中包含7×7×64的卷積(其激活函數使用的是線性整流函數(ReLU))及四種不同卷積塊(這四種不同卷積塊分別用卷積塊1、卷積塊2、卷積塊3及卷積塊4表示)。本研究所采用的ResNet101包括4種不同類型的卷積塊(即：3個卷積塊1，4個卷積塊2，3個卷積塊3及3個卷積塊4，其中卷積塊1包含1×1×64、3×3×64及1×1×256的卷積，卷積塊2包含1×1×128、3×3×128及1×1×512，卷積塊3包含1×1×256、3×3×256及1×1×1024，卷積塊4包含1×1×512、3×3×512及1×1×1024)。

②將步驟1中得到的特征圖導入到相應的區域候選網絡。區域候選網絡先是利用3×3×512的卷積(其激活函數使用ReLU)對特征圖的降維并利用批量歸一化提高區域候選網絡性能及避免過擬合，接著分別利用兩個不同數量的1×1卷積對特征圖進行不同的操作。通過Softmax對特征圖上面不同的錨點進行分類而獲得包含目標的正樣本的錨點與只包含背景的負樣本的錨點。另一條線則是用于做邊框的回歸偏移量，從而獲得精確的候選區域。最后通過Proposal層綜合分類操作得到的包含目標正樣本的錨點和其對應的邊框回歸偏移量來剔除過小及超出邊界的候選區域，從而獲得輸入到ROIPooling層的特征圖的候選區域，該步完成了目標定位的功能。

③通過RoI池化層(RoI Pooling)收集由卷積層輸出的特征圖和由區域候選網絡輸出的候選區域，并引入在線難例挖掘(OHEM)來處理數據類別不平衡的情況，從而簡化算法難度，選定輸出固定大小的區域候選特征圖(proposal feature maps)。將得到的區域候選特征圖送入ResNet152結構的3個卷積塊4，用于目標類別判定及邊框回歸預測。

④首先通過3個卷積塊4進行特征提取，接著利用平均池化，其次，就是目標分類和邊框預測回歸。通過softmax對輸入的區域候選塊進行分類，同時對該候選塊進行邊框回歸預測獲得精確的邊框位置。從而實現絕緣子覆冰狀態辨識。

3 模板匹配結合GrabCut的絕緣子覆冰厚度計算算法

當通過改進Faster R-CNN算法檢測出覆冰絕緣子后，本項目將模板匹配、最大流最小割(GrabCut)算法結合使用進行圖像特征提取，即對覆冰絕緣子圖像進行前景背景分離，從圖像中提取完整覆冰絕緣子圖像(前景)，并與未覆冰絕緣子進行對比，計算出覆冰厚度。流程圖如圖2所示。

圖2 絕緣子覆冰厚度計算算法流程圖

3.1 對絕緣子現場圖像進行預處理，提高圖像可用性

現場監控裝置返回的圖像中，因現場環境影響和受限，圖片中存在大量的噪聲和背景干擾，為消除噪聲和背景干擾對后續圖像處理的不良影響，首先對獲取的絕緣子圖像進行預處理，提高背景對比度，并利用均值濾波去除環境噪聲。400萬像素高清攝像頭返回圖像的分辨率為2560×1440像素，圖像較大，影響運算效率，在盡可能保留圖像信息的條件下將圖像縮小為原圖1/10，以提高運算速度。

3.2 建立模板圖像

為從現場圖像中提取出所需前景圖像，建立與覆冰后圖像進行比較和匹配的模板圖像。該模板圖像為在良好氣象條件、固定機位現場拍攝的絕緣子圖像，并對圖像使用步驟1中的方法進行處理，在保留圖像信息前提下提高了可用性，便于后續處理。

3.3 模板圖像與現場圖像進行匹配，獲取圖像前景框

模板匹配常用于數字圖像處理，是把不同時間、成像條件、同機位2幅及以上圖像在三維空間上比對，即通過一塊已知模板圖像，在大視野中尋找目標潛在位置。算法流程：首先選取與現場相同絕緣子的模板T(m×n個像素)，然后將其放置在待檢索圖像S(W×H個像素)上，其中m≤H，n≤W。T從S左上角[S的(0，0)點]開始向其他未覆蓋區域移動(如圖3所示)。T覆蓋S的范圍稱為子圖Sij。i、j分別為模板T左上角點在被檢索圖S所在坐標系下的坐標，檢索范圍為0≤i≤H-m,0≤j≤W-n。匹配過程是通過比較模板T與待檢索圖像子圖Sij的相似程度，該指標用式(1)來衡量：

(1)

式(1)中的第一、三兩項分別為子圖Sij與模板T的能量，第二項為Sij與T的相關關系。為更有效表達二者的關聯性，通過改造并歸一化后得到式(2)：

(2)

Rij稱為子圖Sij與模板T的相關系數，0≤Rij≤1，Rij越趨于1，說明Sij與T越相同，越可以被認為是相同的圖像。

當模板T在待檢索圖像S中完成檢索后，找到Rij的最大值的位置，認為此位置即為S中待查找物體的位置，記錄此時的Sij左上角點的坐標(i，j)，以(i，j)為起點、以(i+m，j+n)為終點的矩形框即為圖像前景框。

圖3 模板匹配示意圖

使用GrabCut算法(如圖4)分離圖像，并提取所需的前景圖像。GrabCut算法的基本思想都是最大流最小割(Max Flow-Minimum Cut)方法。

圖4 GrabCut算法示意圖

3.4 獲取圖像輪廓

①圖像灰度化：將三通道RGB圖像，按照式(3)進行加權平均，使三通道降為一通道灰度圖。

Gray=0.114B+0.587G+0.299R

(3)

②圖像二值化：使用人工指定閾值T的方案，按照式(4)對灰度圖像進行二值化處理，獲得二值圖像。

(4)

③查找并繪制圖像輪廓：使用findcontours函數處理二值化圖像Binary，設置參數RETR_EXTERNAL限制檢索范圍，僅檢測最外層輪廓。設置一個較大閾值T，過濾小輪廓干擾，當且僅當輪廓面積大于閾值T時，才會繪制該輪廓。

至此，圖像前景分割及提取流程結束。

3.5 輪廓面積計算及覆冰預警

使用contourArea函數返回輪廓面積，定義面積為輪廓內包含像素點個數。為分析覆冰前后輪廓面積變化情況，分別計算覆冰前后絕緣子的輪廓面積，設覆冰前絕緣子輪廓面積為N1(模板圖像中絕緣子輪廓面積)，覆冰后絕緣子輪廓面積為N2(待檢測圖像中絕緣子輪廓面積)，并根據實驗及歷年人工觀冰數據，設置覆冰厚度閾值T，作為判斷是否需要預警的依據。根據式(5)計算當前覆冰變化率：

(5)

其中，Pa為絕緣子覆冰前后輪廓面積的變化率；設Dm為人工觀冰厚度，Pa每增加3%相當于Dm增加Am(Am為根據現場實際及歷史經驗數據獲得的相應的經驗值)。以此為依據計算實際Dm的大小，若超過預警值T，則存在絕緣子持續覆冰風險，需要進行預警，并對絕緣子進行持續觀測，必要時進行除冰處理。

4 實驗驗證

實驗室環境模擬絕緣子覆冰厚度計算實驗結果分布如表1所示，算法對絕緣子覆冰狀態的判斷具有較高的精度；算法效果如圖5、圖6所示。圖5中，未覆冰絕緣子輪廓面積為26627.5像素，圖6中，覆冰絕緣子輪廓面積為33137.5像素，覆冰前后絕緣子輪廓面積變化明顯，可以基于此判斷絕緣子覆冰狀態。綜合實驗結果可以看出，算法對未覆冰絕緣子的判斷精度更高，這是因為覆冰絕緣子的形態各異，需要大量數據用于訓練，數據量越大，進行訓練后算法的精度越高，實驗室環境下做出的數據量有限，當逐步提高數據量后，算法的精度會進一步提高。總體來看，算法的精度若達到需求，可以用于判斷絕緣子的覆冰狀態。

表1 實驗室環境模擬絕緣子覆冰厚度計算實驗結果分布

結合算法的測試結果綜合分析，在實驗室環境下使用與現場相同的算法進行實驗，同樣得到了良好的實驗結果，算法的精度得到了進一步驗證，可以認為該系統可以在輸電線路現場投入使用。

圖5 實驗室環境模擬絕緣子覆冰實驗未覆冰絕緣子圖

圖6 實驗室環境模擬絕緣子覆冰實驗覆冰絕緣子圖

5 結論

本文基于機器視覺與深度學習技術，提出改進Faster R-CNN算法實現絕緣子覆冰辨識和偵測，結合模板匹配的GrabCut算法實現覆冰厚度變化識別，無需人工實時在線監測，解放大量人力，可協助電力部門預防與應對冰雪災害，在降低冰災事故發生率方面具有較高實用價值，具備良好的應用前景。