基于相鄰幀差法的輸電線路異物目標檢測研究

沈曉峰,謝 偉,孫 路,李 軼,賀潤平

(1.國網上海市電力公司青浦供電公司,上海 201799;2.上海四量電子科技有限公司,上海 200000)

0 引言

目前,輸電線路的檢測主要依賴人工巡視。這對于人力資源的消耗較大,且難以保證巡視質量。部分線路引入現代技術實現在線監測,包括在線路周圍架設激光傳感器以及安裝攝像頭等方式進行人工后臺監測等[1-3]。其中,激光傳感器對于異物識別的辨識度較低,容易產生大量的誤報信息;人工后臺視頻監測雖然省去了人工巡線的工作量,但仍然難以保證監測的實時性與準確度[4-6]。對此,智能技術被應用在輸電線路防外破在線監測中,以提升監測質量,為輸電質量的提升提供保障。

近年來,國內外眾多學者均對輸電線路檢測進行研究。李輝等[7]針對現有輸電線路異常目標檢測方法受環境因素影響而導致的檢測速度慢、漏報誤報現象頻發,提出基于兩階段深度學習的輸電線路異常目標檢測方法。該方法主要采用兩階段深度網絡進行目標檢測。該方法可對輸電線路旁的異物目標進行檢測,但由于其特征提取時并未劃分前景和背景等部分,故誤檢測、漏檢測現象仍然嚴重。Chu S Y等[8]提出了1種基于電磁模型的無線功率傳輸異物檢測方法。該方法認為無線電力傳輸系統附近異物會因為附加電磁耦合而形成偏差,故對其電磁模型偏差進行檢測即可實現異物的檢測。該方法應用后可對系統附近異物進行檢測,但檢測精度仍不符合預期。Su J等[9]針對輸電線路異物檢測困難的問題,提出了一種電力線異物檢測方法。該方法基于邊緣建議網絡實現電力線異物檢測數據通信的傳輸。該方法應用后,在一定程度上提升了異物數據傳輸的速率,但其檢測精準度仍然不高。

基于以上分析,本文針對輸電線路在線監測系統中的異物目標檢測環節,提出了基于相鄰幀差法的輸電線路異物目標檢測方法。

1 輸電線路異物提取問題分析

輸電線路異物提取一般以視頻序列的圖像間具有相關性為理論依據,融合連續幀圖像中的像素點信息,可準確提取幀間目標、抑制幀間噪聲,以解決幀間差分圖像因背景因素而導致的輸電線路異物提取不準確等問題。在提取輸電線路異物時,通過剔除背景信息、設置灰度門限、精簡區域像素點等步驟來解決目標區域殘缺、背景復雜導致的提取誤差大等問題。

在輸電線路的航攝視頻中,本文隨機選擇了1組有異物的連續幀,經過相鄰幀差分運算后得到包含局部異物的圖像。幀間差分運算式為:

Dk-1(x,y)=|fk-1(x,y)-fk(x,y)|

(1)

式中:fk-1(x,y)、fk(x,y)為有異物的連續幀;Dk-1(x,y)為包含局部異物的圖像。

本文采用閾值判定法提取目標。判定依據為:

(2)

本文首先采用濾波運算消除幀內的隨機噪聲,然后采用Canny算子對圖像fk(x,y)的邊緣Ek(x,y)進行提取,并對Dk-1(x,y),Dk(x,y),…,Dk+n(x,y)和Ek(x,y)進行“與”運算。

D(x,y)=Dk-1(x,y)?Dk+n(x,y)?Ek(x,y)=

(3)

本文通過邏輯運算,進一步完善輸電線路異物輪廓提取。在輸電線路異物提取過程中,背景模型的建立十分繁瑣,模板更新時的替換操作會增加系統的計算量,難以滿足航拍圖像處理的實時性要求。因此,圖像閾值選定是決定目標區域異物提取準確率的關鍵。因為攝像機移動會造成圖像信息變化速度較快,固定的閾值不能適應于圖像信息的變化,所以本文通過設定閾值來進行輸電線路異物檢測。

2 基于改進相鄰幀差法的異物目標檢測

由于在輸電線路中造成線路外破的異物均為運動物體,本文將輸電線路的異物目標檢測歸結為輸電線路周圍運動目標的檢測。對于以攝像頭為傳感器的系統而言,所需提取的對象為目標圖像的像素。檢測步驟為:首先,進行輸電線路異物目標圖像采集;然后,采用相鄰幀差法作進一步識別與分析,以完成輸電線路異物目標的檢測與識別。相鄰幀差法是利用時間信息,通過對連續2～3幀圖像所有對應位置的像素點進行差分來實現目標檢測與識別。對圖像序列進行逐幀差分相當于對圖像序列進行時間域上的高斯濾波。如果2個像素點間的差值大于某一閾值,則代表在該點內存在運動目標。由此可實現線路異物目標的提取。

傳統的鄰域幀差法操作流程如下。

首先,將t時刻、(t+1)時刻圖像中坐標為(x,y)的像素點分別設為st(x,y)、st+1(x,y),并對這2個像素值進行差分。

Ct+1(x,y)=|st+1(x,y)-st(x,y)|

(4)

然后,設定閾值E,用于評判對比幀之間的差值是否顯著。

(5)

式中:Jt+1(x,y)為判別值。

當J=1時,則代表差分值顯著。

為增加幀差的魯棒性,本文在判定某坐標處像素值是否為運動目標像素時,使用連續的3幀圖像進行差分運算,以完成對比。

rt+1(x,y)=Jt+1(x,y)?Jt(x,y)

(6)

式中:rt+1(x,y)為移動目標圖像像素點值集合。

在r=1時,即確定(t+1)時刻坐標(x,y)的像素點為移動目標圖像像素點值集合[10]。該集合構成后,異物目標的像素值即提取完畢。

傳統相鄰幀差法的運算簡單,但其在提取運動目標時容易出現較大誤差。為解決這一問題,本文對異物目標的提取過程進行優化,利用仿射傳播聚類算法將運動物體的坐標按照目標聚集,以提升運動目標的識別精準度[11]。在聚類時,本文采用一對數據點的相似性作為聚類輸入,通過對數據點間的相似性進行連續交換,使其具有一定實際價值,并形成1個類代表點集,從而達到聚類的目的。上述方法與常規的K均值聚類算法并不相同。常規K均值聚類算法在計算聚類中心過程中容易受到離群點的影響,從而導致聚類中心優勢降低,進而影響后續的樣本分類。但本文聚類算法默認所有樣本點均為潛在聚類中心,通過樣本點之間的消息傳遞完成聚類中心的確認。

首先,本文假定由相鄰幀差法所抽取的像素點集合為Z=[z1,z2,…,zN]。其中:z為坐標;N為像素點總數。由于針對單個圖像的像素點數量較多,故在一定特征空間內直接對所有的樣本點進行仿射聚類的計算難度較大、運算時間較長,會嚴重影響運算精度和運算效率。本文采用匹配濾波的方法來對樣本進行采樣,通過對小樣本集進行聚類來降低運算難度,從而提升運算效率。本文利用1個二維核函數對圖像進行卷積[12]。

(7)

式中:σ為濾波器的尺度,此處取σ=2;K(x,y)為濾波核;mk為核函數的平均值。

匹配濾波增強了待檢測物體與背景之間的反差。本文根據像素灰度值的不同,將像素點按照灰度值大小排列,以7∶1的先驗概率在像素序列中隨機抽取2個區間。每個區間選取200個點作為樣本集。

接著,本文根據像素點的歐氏距離,建立相似度矩陣。

(8)

(9)

式中:w為常數。

矩陣G生成后,即進行仿射迭代聚類。

(10)

式中:R、A為迭代中間值;R(i,j)為像素點i對于像素點j作為其聚類中心點的認可程度;d為迭代的次數。

(11)

式中:A(i,j)為像素點j對于成為像素點i聚類中心點的認可程度。

為防止迭代時出現振動,本文采用阻尼系數提高了算法的魯棒性。其矩陣更新為:

(12)

式中:下標1、2分別為前一次及這一次更新后的數值。

(13)

最后,本文通過2個信息矩陣的數值求出聚類中心值。

k=argmax{R(d+1)(i,j)+A(d+1)(i,j)}

(14)

根據式(14),2個信息矩陣之和的最大值代表聚類中心點。當算法的迭代次數達到限定值或連續指定次數的迭代過程中聚類中心點沒有變化,則代表算法迭代完成。對于任何1個像素點,與其歐氏距離最近中心點對應的聚類集合為其最優解對應的聚類集合。對于本文算法而言,像素點數量最多的聚類集合即異物目標檢測的結果。

3 試驗驗證

為驗證所提異物目標檢測方法的有效性,本文設計了試驗進行算法驗證。本文首先通過現場數據采集以及現有數據整合,共建立了976個標準樣本以及273個測試樣本;然后使用所設計的優化方法進行異物目標檢測,分析其檢測效果。

3.1 算法應用效果驗證

本文將相鄰幀差法與仿射聚類法相結合,開展運動目標的提取。這是1個迭代的過程。不同的迭代次數對應著不同的聚類效果。為驗證所提方法的有效性,本文以某像素樣本為例,計算其在不斷聚類迭代過程中輸出的目標E值。

不同聚類迭代次數對應的E值分布結果如圖1所示。由圖1可知,不同的聚類迭代次數對應著不同的E值。E值的分布情況可直接反映目標像素提取的準確率。當迭代次數為30次時,E值分布特性與實際目標完全一致;當迭代次數為20次時,E值分布特性與實際目標較為接近,出現了一些毛刺現象;當迭代次數為10次時,E值分布誤差變大,出現了顯著誤差。由此可確定,當迭代次數為30次時,圖像像素的提取效果最好。

圖1 不同聚類迭代次數對應的E值分布結果Fig.1 Results of E value distribution corresponding to different number of clustering iterations

為進一步探究所提方法的實踐效果,試驗測試在不同迭代次數下目標像素提取準確率的變化情況。不同迭代次數對應的目標像素提取準確率結果如圖2所示。

由圖2可知,當迭代次數增加時,像素提取準確率快速提高并逐漸放緩。經過不斷迭代,像素提取準確率從69%升至99%,獲得較大提升。綜上分析可知,所提方法對于目標像素提取準確率的提升效果顯著,有效避免了無效像素的提取,為模式識別環節的精確識別奠定了基礎。

3.2 檢測準確率結果及分析

為進一步驗證所提方法性能,試驗選取文獻[9]方法和文獻[10]方法作為對比方法進行對比測試。試驗利用3種方法對多個圖像樣本進行異物目標檢測,以驗證所提方法的實際應用效果。異物目標檢測結果如圖3所示。

由圖3可知,所提方法可對輸電線路中的移動目標進行精準識別,而文獻[9]方法和文獻[10]方法識別效果不佳,出現了過檢測和遺漏檢測的問題。為進一步對比檢測結果,試驗選取多段輸電線路監控影像,開展多次測試,以對比3種方法的檢測準確率情況。獲得的檢測準確率如圖4所示。

圖4 檢測識別準確率Fig.4 Detection and recognition accuracy

由圖4可知,檢測準確率隨著樣本相似度閾值的提高出現了先增后減的現象。其原因為:當樣本相似度閾值過高時,樣本的幀間差值難以達到閾值,容易出現“漏檢測”情況;當樣本相似度閾值過低時,樣本的幀間差值容易達到閾值,從而提升“誤檢測”的發生機率。這些均會使檢測準確率下降。采用2種文獻方法開展檢測的目標準確率在樣本相似度閾值為77%時達到最大值72.86%。而經聚類優化后檢測的目標準確率在樣本相似度閾值為87%時達到最大值96.34%。由此可知,所提方法可提升檢測準確率,且效果較為顯著。

為進一步驗證所提方法的檢測效果,試驗對比3種方法在處理樣本時的檢測時間。獲得的3種方法檢測效率對比結果如表1所示。

表1 3種方法檢測效率對比結果Tab.1 Comparison results of three methods of detection efficiency

由表1可知,所提方法的檢測效率較高,且優于其余方法。在進行500個樣本檢測時,所提方法的檢測時間僅為18.6 s,而對比方法則分別需要48.7 s和50.3 s。這證明所提方法檢測效率遠高于對比方法,能夠滿足實時性監測的需求。

4 結論

本文針對輸電線路防撞在線監測系統中的異物目標檢測環節,提出了基于相鄰幀差法的輸電線路異物目標檢測方法。該方法針對多異物目標檢測難以甄別實際異物目標的問題,在提取像素時將仿射傳播聚類算法與相鄰幀差法相結合,對目標像素進行聚類提取,從而精確提取實際目標像素。通過試驗,可以得到以下結論。所提方法可使得實際目標的像素被準確提取,可剔除無效目標像素,提升目標像素提取準確率約30%。使用所提方法提取的異物目標像素集合,可使得模式識別環節的準確率達到96.34%,較傳統方法識別準確率提升了23.48%,提升效果較為顯著。使用所提方法在進行500個樣本檢測時,其檢測時間僅為18.6 s,分別比文獻[7]方法和文獻[8]方法減少了31.7 s和30.1 s。因此,所提方法檢測效率更高,優于對比方法。所提方法對于不同的特征量提取架構以及模式識別算法均具有較好的適配性,具有一定的推廣價值。