基于機(jī)器視覺的電力移動巡檢作業(yè)安全檢測方法研究

郭瑜

(國網(wǎng)金華供電公司，浙江 金華 321001)

0 引言

人工巡檢效率較低，手工記錄工作量較大，且存在巡檢結(jié)果不易存儲和搜尋等缺點(diǎn)。移動巡檢技術(shù)結(jié)合了移動終端技術(shù)與計(jì)算機(jī)技術(shù)，在石油、電力線路、傳送管道等檢測方面均得以應(yīng)用，并逐漸取代傳統(tǒng)的人工定期、定時巡檢方式[1]。移動巡檢的出現(xiàn)相比傳統(tǒng)巡檢方式具有極大優(yōu)勢，不僅不受時間和場所的約束，還有利于巡檢效率的有效提高[2]。尤其在電力方面，由于配電線路通常情況下設(shè)置在戶外環(huán)境中，并且分布范圍比較廣，自然因素會對電力配送產(chǎn)生不良干擾[3]。這些影響因素會造成電力線路元件老化、腐蝕，如果不及時發(fā)現(xiàn)極易造成電力安全故障。除此之外，雷擊、強(qiáng)風(fēng)等自然災(zāi)害的外力作用，也會對輸配電線路造成各種安全故障，電力移動巡檢的應(yīng)用就必不可少。

文獻(xiàn)[4]提出在線監(jiān)測系統(tǒng)與移動巡檢系統(tǒng)相互協(xié)同的電力電纜及隧道狀態(tài)感知方法，通過兩者之間的雙向協(xié)同策略，使其能夠在宿主設(shè)備故障確認(rèn)，融合分析和檢測系統(tǒng)自檢方面相互配合，有效提升電力運(yùn)維安全檢測水平。文獻(xiàn)[5]提出了一種聯(lián)合能量感知、高可靠低時延通信感知和任務(wù)優(yōu)先級感知的選擇電力移動巡檢作業(yè)安全檢測。該算法在全局信息未知的情況下，動態(tài)優(yōu)化選擇策略，在最大程度滿足長期能耗與高可靠低時延通信約束的同時，實(shí)現(xiàn)巡檢機(jī)器人效用最大化。但是，在以上兩種電力移動巡檢作業(yè)安全檢測方法的應(yīng)用過程中，由于采集信息不準(zhǔn)確造成檢測結(jié)果誤差較大[4]，機(jī)器視覺的應(yīng)用開始被重視起來。作為人工智能的發(fā)展途徑之一，機(jī)器視覺采用了機(jī)器進(jìn)行精準(zhǔn)測量與識別的方法。機(jī)器視覺獲取巡檢圖像的方式經(jīng)由CMOS、CCD產(chǎn)品傳送[5]。處理中心將接收到的圖像向數(shù)字化信號轉(zhuǎn)換，進(jìn)而提取圖像中特征，最終判別電力安全故障是否存在，實(shí)現(xiàn)電力移動巡檢作業(yè)安全檢測，保證電力安全運(yùn)行。

1 基于機(jī)器視覺的電力移動巡檢作業(yè)安全檢測方法設(shè)計(jì)

為更好地完成電力移動巡檢作業(yè)安全檢測方法設(shè)計(jì)，本文以機(jī)器視覺作為核心技術(shù)[6]。首先利用VFW(video for windows)體系獲取電力移動巡檢圖像，對獲取的圖像進(jìn)行處理，保證圖像的清晰。VFW是指Microsoft推出的關(guān)于數(shù)字視頻的一個軟件開發(fā)包，并且該軟件體系可將所采集的圖像視頻幀交錯存儲。在此基礎(chǔ)上，基于機(jī)器視覺技術(shù)對處理后的圖像設(shè)計(jì)電力安全識別方法，最終完成整體的安全檢測[7]。

1.1 獲取電力移動巡檢圖像

電力安全檢測的基礎(chǔ)工作為電力移動巡檢圖像的采集，VFW作為作用于視頻應(yīng)用程序的軟件工具包可以應(yīng)用在電力巡檢圖像獲取的工作中[8]。由于VFW相對于其他工具的應(yīng)用程序編程接口數(shù)量更多，使得用戶進(jìn)行視頻捕獲、編輯的過程更加便利。視頻應(yīng)用程序的開發(fā)與使用，在保證正常運(yùn)行的情況下，將圖片獲取過程中的硬件設(shè)備需求降到較低的狀態(tài)。此外，利用消息驅(qū)動的手段將視頻設(shè)備的數(shù)據(jù)存儲獲取，控制設(shè)備數(shù)據(jù)流。目前來看VFW接口包容性很強(qiáng)，可以接受多種視頻采集卡驅(qū)動程序。VFW體系結(jié)構(gòu)如圖1所示，各個組件之間協(xié)作配合，實(shí)現(xiàn)視頻的壓縮以及播放[9]。

圖1 VFW體系結(jié)構(gòu)

由圖1可知，獲取電力移動巡檢圖像，需要利用VFW 的回調(diào)機(jī)制，通過capSetCallbackOnFrame從視頻中采集單幀圖像。對圖像的采集通過capCreateCaptureWindow函數(shù)創(chuàng)建采集窗口，將窗口與攝像頭的驅(qū)動相連接。利用capPreview函數(shù)設(shè)定預(yù)覽模式，然后設(shè)置采集的速率和窗口大小。對采集視頻的實(shí)時處理[10]，采用回調(diào)函數(shù)注冊，從內(nèi)部實(shí)現(xiàn)圖像數(shù)據(jù)的采集，如圖2所示。

圖2 圖像獲取流程

1.2 預(yù)處理巡檢圖像

采集的圖像常常由于環(huán)境等外界因素的影響，導(dǎo)致安全檢測結(jié)果不準(zhǔn)確。因此，需要進(jìn)行巡檢圖像的預(yù)處理。預(yù)處理中主要包含降噪、去模糊兩個部分。首先，圖像的降噪處理可以提高安全檢測效率。由于圖像拍攝角度、儀器物理缺陷或者光照等因素的影響，使得獲取的巡檢圖像不清晰。對采集到的圖像先進(jìn)行預(yù)處理，濾去噪聲，從而提高圖像的質(zhì)量，有利于后續(xù)工作進(jìn)行。通過觀察，文中選擇維納濾波的方法實(shí)現(xiàn)降噪。這種線性濾波方式在圖像處理中，主要作用于圖像和干擾噪聲都是未知的狀況下，想要獲得沒有被噪聲干擾的圖像f的估計(jì)值g，設(shè)計(jì)f與g的均方差最小值為e2：

e2=E{(f-g)2}

(1)

具體的濾波步驟如下：

1)求出每個像素在鄰域內(nèi)的均值μ和方差σ2：

(2)

(3)

式中：NM代表鄰域；Sxy代表以Pxy為中心的NM窗口。則Pxy的灰度值公式為

(4)

式中v2表示噪聲方差。式(4)中所求的值可以作為像素P的原始灰度值的代替。維納濾波的處理效果相對而言是比較優(yōu)秀的，不僅去除了多余噪聲，還將圖像的細(xì)節(jié)盡量保留，為后續(xù)的圖像識別做了足夠準(zhǔn)備。此外對于去模糊方面來說，第一步需要進(jìn)行模糊參數(shù)值的確定。由于電力移動巡檢作業(yè)按照線路進(jìn)行，因此會呈現(xiàn)出運(yùn)動趨勢，以其中某一段運(yùn)動為例，進(jìn)行點(diǎn)擴(kuò)散函數(shù)計(jì)算：

(5)

式中L表示像素點(diǎn)的相對位移，也就是圖像模糊長度。

2)應(yīng)用Radon變換的方法獲取圖像某方向的投影。圖像f(x,y)在θ角度上的Radon變換如圖3所示。

圖3 Radon運(yùn)算示意圖

通過圖3所示的Radon變換，最終可以確定圖像模糊角度。而模糊尺度同樣需要公式計(jì)算獲得，文中將電力巡檢速度設(shè)為Q，d表示一定時間內(nèi)的相對位移量，已知x方向的位移量與y方向的運(yùn)動量分別表示為a、b，并且a=dcosθ，b=dsinθ。經(jīng)過傅里葉變換后顯示為

(6)

H(u,v)的模值表示為

(7)

3)對于圖像模糊的復(fù)原處理，本文應(yīng)用如圖4所示的圖像最大熵去模糊方法。構(gòu)建一個退化模型是圖像去模糊復(fù)原處理的關(guān)鍵，有利于復(fù)原效果提升，原始模型經(jīng)由噪聲信號獲得失真圖像。

圖4 圖像的退化模型

圖4中，h(x,y)表示模糊圖像，原始圖像和噪聲信號分別用f(x,y)、n(x,y)表示。作為一種典型的非線性去模糊復(fù)原方法，最大熵去模糊方法的核心在于以給定公式為依托，對圖像熵的可行解進(jìn)行求解，并將求解結(jié)果選擇最大值。與其他去模糊方法相較，最大熵去模糊方法所需先驗(yàn)知識較少，并具有抑制噪聲的優(yōu)勢。在最大熵去模糊方法應(yīng)用過程中，最需要注意的問題是迭代算法的運(yùn)用，不合適的迭代算法增加了計(jì)算量，造成運(yùn)算效率的降低。因此，可以通過線性約束的方法，選擇高效、快速和穩(wěn)定的迭代算法。由于電力巡檢信息的不確定性使得傳統(tǒng)線性濾波的復(fù)原效果不佳。最大熵去模糊方法的應(yīng)用不需要太多信息支持，僅僅依靠改變迭代步長的大小來減少迭代次數(shù)，從而獲得較好的復(fù)原效果，而且復(fù)原結(jié)果具有分辨率更高、細(xì)節(jié)更豐富、圖像更清晰的優(yōu)勢。

1.3 基于機(jī)器視覺實(shí)現(xiàn)電力安全檢測

機(jī)器視覺的應(yīng)用以計(jì)算機(jī)為核心，面向已經(jīng)初步處理的電力巡檢圖像實(shí)現(xiàn)自身系統(tǒng)的再處理以及對圖像特征點(diǎn)進(jìn)行識別，判斷電力安全故障。文中采用圖像分割方法作為識別電力安全故障的基礎(chǔ)。所謂的圖像分割技術(shù)在應(yīng)用過程中依靠既定規(guī)則將巡檢圖像劃分區(qū)域，并且區(qū)域之間互不重疊但還保持有交集。通常情況下，小部分與周圍圖像有一定差別的區(qū)域所表現(xiàn)出來的特征更受到人們關(guān)注，例如圖像中的顏色、紋理等。由于特征之間的差別不明顯，需要圖像分割技術(shù)將特征點(diǎn)提取出來。在圖像識別中，良好的圖像分割處理對于后期的判斷結(jié)果會產(chǎn)生極大影響。而且，圖像分割技術(shù)提取出來的特征都是以原始圖像作為依據(jù)，經(jīng)由數(shù)學(xué)的方式表現(xiàn)出來。

適宜的圖像分割算法有以下特征：一是經(jīng)過圖像分割后，區(qū)域內(nèi)存在一致的特征點(diǎn)，但連通和小孔不存在于區(qū)域內(nèi)部；二是臨近區(qū)域內(nèi)存在特征差異化；三是變現(xiàn)出來區(qū)域的界限。以相鄰像素值的連續(xù)性作為依據(jù)，圖像分割分成了兩大種類，分別是邊緣檢測法和區(qū)域生成法。其中圖像的邊緣檢測作用于圖像提取、識別，主要面對部分灰度突變的情況。利用圖像分割算法，對電力巡檢獲取圖像進(jìn)行邊緣檢測是可以實(shí)現(xiàn)的。通過圖像灰度的變化，呈現(xiàn)出圖像的邊緣特征的幅值和方向。根據(jù)像素點(diǎn)處的微分值判斷圖像的邊界。邊緣點(diǎn)灰度抽取后的變化情況、邊界點(diǎn)去除、邊界點(diǎn)修復(fù)這幾部分是邊緣檢測的核心。面向圖像中的重要區(qū)域處理時，圖像特征的提取是基于邊緣檢測的。將突出顯示的邊緣和邊緣外區(qū)域進(jìn)行剔除，保證在邊界的亮度和原圖中周圍的亮度之間，呈現(xiàn)出正比例關(guān)系。這個檢測過程可以應(yīng)用卷積來實(shí)現(xiàn)不同方向邊緣檢測的效果差異。輸出圖像上的像素變亮的情況下，代表著卷積核方向上有著正的像素亮度變化。由于卷積核中系數(shù)之和是0，所以對保持不變亮度的區(qū)域進(jìn)行處理，圖像像素值會大幅降低。Sobel算子為邊緣檢測算法，為了保證實(shí)際應(yīng)用中檢測效率，采取高效的近似簡化算法，如圖5所示。

圖5 Sobel算子近似法

圖5中共有4條虛線經(jīng)過中心點(diǎn)5，圖中的虛線完成了區(qū)域的分割，保證了分割后的區(qū)域內(nèi)有3個子區(qū)域像素存在。通過計(jì)算子區(qū)域平均值之差的絕對值，選取計(jì)算結(jié)果中的最大值，將其設(shè)定為中心像素5。將完成計(jì)算的輸出圖像實(shí)行閾值化設(shè)置，在中心點(diǎn)像素值相比閾值更大的情況下，Sobel算法輸出的圖像為白顏色，否則像素顯示顏色為黑色。最終獲取一份包含著邊緣信息的黑白二值化圖像。

采用雙目機(jī)器視覺測量方法完成圖像特征點(diǎn)的匹配，最終實(shí)現(xiàn)電力移動巡檢作業(yè)安全檢測。機(jī)器視覺識別電力安全故障的基礎(chǔ)，在于對應(yīng)圖像的視差。因此，不同圖像之間對應(yīng)特征點(diǎn)的匹配是機(jī)器視覺識別的重要環(huán)節(jié)。根據(jù)研究可以發(fā)現(xiàn)在雙目機(jī)器視覺中，可以采用圖像特征匹配、灰度匹配等方法。本文設(shè)計(jì)的安全檢測選取了基于圖像特征匹配的方式。由于電力巡檢過程中的光照、陰影等外界因素的影響，導(dǎo)致即便同一圖像投影，可能也無法在平面上構(gòu)成具有完全相同特性的對應(yīng)點(diǎn)。

因此，針對圖像中的特征點(diǎn)，同另一幅正常情況下的圖像特征點(diǎn)分布情況相匹配，完成電力安全檢測的判斷。基于機(jī)器視覺的特征點(diǎn)匹配過程中，需要一些約束條件作為輔助判斷的依靠，有效提升安全檢測結(jié)果的準(zhǔn)確性。本文采用極線約束方法，在雙目機(jī)器視覺測量中極線幾何關(guān)系如圖6所示。

圖6 雙目立體視覺中極線幾何關(guān)系

在機(jī)器視覺系統(tǒng)完成參數(shù)標(biāo)定后，獲得巡檢圖像的相關(guān)信息參數(shù)。根據(jù)參數(shù)信息，進(jìn)一步完成基本矩陣的運(yùn)算處理，選定合理的極線約束關(guān)系作用于該視覺系統(tǒng)內(nèi)部。文中對于圖像特征點(diǎn)的匹配，以提取障礙在兩幅圖像中的幾何特征為基礎(chǔ)，通過極線約束關(guān)系將初始候選匹配關(guān)系建立起來，并且對匹配關(guān)系進(jìn)行兩個方向性的檢驗(yàn)。將測試中不滿足條件的匹配關(guān)系進(jìn)行剔除。以區(qū)域匹配方式為核心，運(yùn)算特征點(diǎn)附近子窗口的信息和邊緣輪廓，完成匹配相似度和對稱性的測試。最后的輸出結(jié)果確保了特征點(diǎn)匹配結(jié)果的正確，完成基于機(jī)器視覺的電力移動巡檢作業(yè)安全檢測。

2 仿真設(shè)計(jì)與結(jié)果分析

2.1 仿真準(zhǔn)備

為驗(yàn)證本文設(shè)計(jì)的安全檢測方法在應(yīng)用中具有良好的性能，進(jìn)行了仿真分析。用模擬軟件模擬電力移動巡檢環(huán)境，并在此環(huán)境下進(jìn)行安全檢測。同時，在模擬的環(huán)境中設(shè)置一部分影響電力安全輸送的故障，驗(yàn)證安全檢測方法的檢測效果。為了加強(qiáng)仿真的說服力，將本文設(shè)計(jì)安全檢測方法作為實(shí)驗(yàn)組測試對象，另外選擇兩種傳統(tǒng)的電力移動巡檢作業(yè)安全檢測方法作為對照組測試對象。通過不同方法實(shí)施后，安全檢測結(jié)果的分析得出實(shí)驗(yàn)結(jié)論。

2.2 仿真結(jié)果分析

基于上述仿真準(zhǔn)備，進(jìn)行了10次的實(shí)驗(yàn)，應(yīng)用3種方法進(jìn)行電力移動巡檢作業(yè)安全檢測后，對于安全故障的識別率如表1所示。

表1 3種安全檢測方法的故障識別率 單位：%

通過對表1數(shù)據(jù)的分析可以發(fā)現(xiàn)，3種安全檢測方法的識別率都達(dá)到了90%以上，并且本文方法相對而言故障識別率稍高一些，保持在95%以上，而其他兩種傳統(tǒng)方法的電力移動巡檢安全故障識別率也相差無幾。

根據(jù)過往數(shù)據(jù)分析，可以發(fā)現(xiàn)對于電力移動巡檢作業(yè)安全檢測中根據(jù)巡檢圖像識別的安全檢測結(jié)果，一部分情況下是具有誤差的，這種誤差的存在造成了工作人員工作壓力的增加。因此，在同樣的模擬環(huán)境下，對3種安全檢測方法檢測的誤差情況進(jìn)行統(tǒng)計(jì)。統(tǒng)計(jì)過程中用誤報率來表示安全檢測結(jié)果中正確的數(shù)量與總數(shù)量的比值，統(tǒng)計(jì)結(jié)果如圖7所示。

圖7 3種安全檢測方法的誤報率

根據(jù)圖7可以得出結(jié)論，3種電力移動巡檢作業(yè)安全檢測方法的應(yīng)用中，關(guān)于安全問題檢測的誤差方面，本文檢測方法占據(jù)明顯優(yōu)勢。兩種傳統(tǒng)的安全檢測方法隨著安全故障識別率的增長，誤報率也在不斷上漲。文獻(xiàn)[4]方法中，從識別率為40%起誤報率就達(dá)到了10%，隨后增長至23.57%。文獻(xiàn)[5]方法的誤報率也處在持續(xù)增長的狀態(tài)，最終超過了15%。而本文設(shè)計(jì)方法隨著識別率不斷增加，誤報率始終穩(wěn)定在2%以下。這種誤報率在電力移動巡檢作業(yè)中是可以被接受的。綜上所述，本文設(shè)計(jì)的電力移動巡檢作業(yè)安全檢測方法在實(shí)際應(yīng)用中保證安全問題識別率的基礎(chǔ)上，大大降低了檢測誤差，更好地促進(jìn)了電力系統(tǒng)運(yùn)轉(zhuǎn)，降低了檢測工作人員的壓力。

3 結(jié)語

本文以機(jī)器視覺為基礎(chǔ)，設(shè)計(jì)了一種新的電力移動巡檢作業(yè)安全檢測方法。通過對圖像的獲取、識別判定電力運(yùn)行狀態(tài)，最終完成電力移動巡檢作業(yè)安全檢測。通過本文的研究，有效保證了電力安全檢測的高效率、低誤差。文中設(shè)計(jì)的檢測方法在實(shí)際應(yīng)用中呈現(xiàn)了良好的效果，如果再進(jìn)行對環(huán)境的深入研究，可以實(shí)現(xiàn)更加完美的效果。