復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷檢測

摘 要：無人機(jī)巡檢輸電線圖像的背景較為復(fù)雜，因此在對輸電線異物缺陷進(jìn)行檢測的過程中，誤檢的情況較為嚴(yán)重。本文提出基于支持向量機(jī)的復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷檢測方法，采用直方圖均衡化的方法增強(qiáng)輸電線無人機(jī)巡檢圖像的對比度，利用固定大小的網(wǎng)格將輸電線圖像劃分為多個(gè)區(qū)域，使用區(qū)域內(nèi)的像素點(diǎn)計(jì)算特征，并對其進(jìn)行加權(quán)平均融合操作，提取背景特征。為支持向量機(jī)模型選擇合適的核函數(shù)和參數(shù)后，對其進(jìn)行交叉驗(yàn)證，將提取的背景特征作為輸入函數(shù)。根據(jù)像素與輸電線之間的關(guān)系，檢測異物缺陷，測試結(jié)果表明，誤檢率僅為0.5%。

關(guān)鍵詞：支持向量機(jī)；復(fù)雜背景；無人機(jī)巡檢圖像；輸電線異物缺陷檢測；直方圖均衡化；像素點(diǎn)；加權(quán)平均融合；核函數(shù)；交叉驗(yàn)證

中圖分類號：TN 911" " " " " " " 文獻(xiàn)標(biāo)志碼：A

當(dāng)利用無人機(jī)巡檢輸電線圖像進(jìn)行輸電線異物缺陷檢測時(shí)，檢測效果受到多種因素的影響[1]，難以識別異物缺陷[2-3]。一些小的異物（例如塑料袋）可能會因?yàn)槠涑叽缣《y以識別。異物的顏色和紋理與輸電線接近也會影響檢測效果[4]。一些與輸電線顏色和紋理相似的異物可能會被誤認(rèn)為是輸電線的一部分[5]，一些顏色和紋理與輸電線明顯不同的異物則更容易被識別。圖像的質(zhì)量和分辨率對異物缺陷檢測也有很大影響。高質(zhì)量、高分辨率的圖像可以提供更多的細(xì)節(jié)信息，使異物缺陷更容易識別[6]。這些因素對檢測結(jié)果的具體影響分為無法識別真實(shí)的異物缺陷，錯(cuò)誤地識別了正常的輸電線或者其他物體為異物缺陷以及檢測速度緩慢，在不同環(huán)境中和不同情況下適應(yīng)性下降等[7]。因此，本文提出基于支持向量機(jī)的復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷檢測方法，并進(jìn)行對比測試的方式，驗(yàn)證了本文設(shè)計(jì)方法的檢測效果。

1 復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷檢測方法

1.1 提取輸電線無人機(jī)巡檢圖像背景特征

本文重點(diǎn)研究復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷檢測，在進(jìn)行檢測前，結(jié)合圖像具體情況對其進(jìn)行預(yù)處理。預(yù)處理可以提高圖像對比度，例如直方圖均衡化，使目標(biāo)與背景之間的差異更明顯，有利于提高后續(xù)異物缺陷檢測方法的準(zhǔn)確性和穩(wěn)定性。無人機(jī)巡檢圖像經(jīng)常會受到傳感器噪聲、風(fēng)吹等因素影響，會出現(xiàn)一些隨機(jī)的、不相關(guān)的像素點(diǎn)，可能會干擾后續(xù)的分析和處理步驟。采用預(yù)處理方法，例如濾波操作，可以去除噪聲，提高圖像的質(zhì)量和清晰度，也可以提高數(shù)據(jù)的統(tǒng)一性。在巡檢過程中，無人機(jī)會采集不同光照條件下的圖像，這些圖像可能具有不同的亮度、色彩等特征。采用預(yù)處理方法，可以調(diào)整圖像的亮度和色彩，使不同圖像之間有一定的統(tǒng)一性和可比性。本文采用直方圖均衡化的方法增強(qiáng)輸電線無人機(jī)巡檢圖像的對比度[8]。直方圖均衡化是一種基于像素灰度值分布的增強(qiáng)方法，本文重新映射像素的灰度值，以提高原始輸電線無人機(jī)巡檢圖像的對比度[9]。在處理過程中，本文使用OpenCV庫來進(jìn)行直方圖均衡化操作，完成圖像預(yù)處理。在這個(gè)基礎(chǔ)上提取輸電線無人機(jī)巡檢圖像背景特征，采用固定大小的網(wǎng)格將輸電線圖像劃分為多個(gè)區(qū)域。使用區(qū)域內(nèi)的像素點(diǎn)計(jì)算每個(gè)劃分區(qū)域的特征，計(jì)算過程如公式（1）所示。

g=gh+gr+gk-gj-gc （1）

式中：g為劃分后復(fù)雜背景無人機(jī)巡檢輸電線圖像區(qū)域的背景特征；gh為劃分后復(fù)雜背景無人機(jī)巡檢輸電線圖像區(qū)域的信息熵；gr為劃分后復(fù)雜背景無人機(jī)巡檢輸電線圖像區(qū)域的邊緣比率參數(shù)；gk為劃分后復(fù)雜背景無人機(jī)巡檢輸電線圖像區(qū)域的灰度共生矩陣反差參數(shù)；gj為劃分后復(fù)雜背景無人機(jī)巡檢輸電線圖像區(qū)域的能量參數(shù)；gc為劃分后復(fù)雜背景無人機(jī)巡檢輸電線圖像區(qū)域的對比度參數(shù)。

采用加權(quán)平均融合操作來提取每個(gè)區(qū)域的背景特征，能夠更好地表示該區(qū)域的整體背景信息，根據(jù)每個(gè)劃算區(qū)域內(nèi)像素點(diǎn)特征來提取背景特征。每個(gè)劃分區(qū)域?qū)?yīng)的背景條件不同，例如不同的光線和雜亂程度不一的背景等。加權(quán)平均融合操作的目的是將各區(qū)域的特征進(jìn)行加權(quán)平均，以獲得更全面、準(zhǔn)確的區(qū)域背景特征。加權(quán)平均融合操作可以使權(quán)重較高的區(qū)域?qū)傮w背景特征的貢獻(xiàn)更大，權(quán)重較低的區(qū)域?qū)傮w背景特征的貢獻(xiàn)更小。這樣可以更好地反映整個(gè)圖像的背景信息，有效地抑制噪聲和局部區(qū)域的干擾，提取與輸電線相對應(yīng)的背景特征。可以根據(jù)區(qū)域重要性和相關(guān)性，對加權(quán)平均融合操作中的權(quán)重參數(shù)進(jìn)行調(diào)整。給予重要性較高的區(qū)域更高權(quán)重，因此它們對總體背景特征的影響更大。根據(jù)具體情況設(shè)定不同區(qū)域之間的相關(guān)性，適應(yīng)不同背景場景下的特征融合需求。綜上所述，利用加權(quán)平均融合操作提取特征，可以更好地表示區(qū)域的背景特征，構(gòu)建準(zhǔn)確且適應(yīng)復(fù)雜背景的模型，為后續(xù)的前景檢測提供更可靠的背景基準(zhǔn)。處理過程如公式（2）所示。

G=∑wng （2）

式中：G為整體復(fù)雜背景無人機(jī)巡檢輸電線圖像的背景特征；n為復(fù)雜背景無人機(jī)巡檢輸電線圖像的劃分?jǐn)?shù)量；wn為每個(gè)區(qū)域提取的背景特征權(quán)重參數(shù)。

將提取的背景特征構(gòu)建為背景模型，本文引入高斯分布模型，描述背景像素點(diǎn)的特征分布情況，如公式（3）所示。

G（a）=h（a）∑wng " " "（3）

式中：G（a）為a圖像的背景像素高斯分布模型；h（a）為高斯分布系數(shù)。

利用背景模型，比較輸入圖像中的像素點(diǎn)與背景模型中像素點(diǎn)的分布情況，將與背景模型差異較大的像素點(diǎn)檢測作為前景像素點(diǎn)，即輸電線部分。

1.2 基于支持向量機(jī)的輸電線異物缺陷檢測

引入支持向量機(jī)，構(gòu)建輸電線異物缺陷檢測方法。以支持向量機(jī)作為輸電線異物缺陷檢測的分類器，該方法具備強(qiáng)大的泛化能力，在模型訓(xùn)練階段，其根據(jù)最大化間隔來找到最佳的判決邊界，利用核函數(shù)將數(shù)據(jù)映射至高維特征空間，使原本線性不可分的樣本在新的特征空間中變得線性可分，更好地抓取數(shù)據(jù)中的非線性特征。該方法適用于小樣本和高維數(shù)據(jù)，其不受樣本數(shù)量限制，在高維數(shù)據(jù)分析上表現(xiàn)出色。輸電線無人機(jī)巡檢圖像的樣本數(shù)量相對較少，特征（包括輸電線特征和背景特征）維度也較高，支持向量機(jī)能夠有效應(yīng)對這種情況。基于上述分析，該步驟結(jié)合第1.1節(jié)提取的輸電線特征和背景特征，將它們作為支持向量機(jī)模型的輸入數(shù)據(jù)。在訓(xùn)練最小二乘法支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）模型階段，將第1.1節(jié)提取的輸電線特征和背景特征作為輸入數(shù)據(jù)。輸電線特征包括輸電線無人機(jī)巡檢圖像中與輸電線有統(tǒng)計(jì)學(xué)意義的特征，背景特征包括與背景區(qū)域有統(tǒng)計(jì)學(xué)意義的特征。合適的核函數(shù)和參數(shù)決定了LSSVM模型的性能，因此，本文設(shè)置核函數(shù)的參數(shù)如公式（4）所示。

（4）

式中：f為LSSVM模型結(jié)構(gòu)元的核函數(shù)；d為LSSVM模型的結(jié)構(gòu)元；（x，y）為輸電線無人機(jī)巡檢圖像的像素信息；x、y分別為圖像像素點(diǎn)橫、縱坐標(biāo)；（u，v）為LSSVM模型的參數(shù)，該參數(shù)決定（x，y）輸電線無人機(jī)巡檢圖像的像素信息的變化尺度；u為像素x的變化量；v為像素y的變化量。這種設(shè)置方式保證LSSVM模型的結(jié)構(gòu)d能夠訪問輸電線無人機(jī)巡檢圖像中的所有像素信息。

根據(jù)公式（4）設(shè)置LSSVM模型的參數(shù)。核函數(shù)的參數(shù)d決定了模型的分類誤差懲罰權(quán)重，參數(shù)（u，v）決定了高斯徑向基核函數(shù)的變化尺度。調(diào)整這2個(gè)參數(shù)可以影響模型的性能。

訓(xùn)練LSSVM模型：使用輸入數(shù)據(jù)和對應(yīng)的標(biāo)簽數(shù)據(jù)（例如0為背景，1為輸電線）來訓(xùn)練LSSVM模型。LSSVM模型的訓(xùn)練過程是最小化目標(biāo)函數(shù)來優(yōu)化結(jié)構(gòu)元和參數(shù)，找到最佳的判決邊界。在這個(gè)基礎(chǔ)上，利用交叉驗(yàn)證的方式優(yōu)化模型，使誤差率最低，泛化性能最好。交叉驗(yàn)證方式是線性變換系數(shù)交叉驗(yàn)證（Linear Transform Coefficient Cross-Validation）。在樣本訓(xùn)練過程中采用線性變換系數(shù)交叉驗(yàn)證的方法處理每輪訓(xùn)練和測試集，選擇模型參數(shù)并進(jìn)行性能評估。交叉驗(yàn)證的目標(biāo)是調(diào)整線性變換系數(shù)的取值，選擇最佳的模型參數(shù)，使模型在交叉驗(yàn)證過程中誤差率最低，泛化性能最好，提高輸電線異物缺陷檢測方法的準(zhǔn)確性和穩(wěn)定性，如公式（5）所示。

f（x，y）=sng[（w*）Tφ（x，y）+b*] （5）

式中：w*為交叉驗(yàn)證的線性變換系數(shù)；b*為常數(shù)；g為區(qū)域內(nèi)像素點(diǎn)特征；sng為符號函數(shù)；φ（x，y）為高斯處理后的圖像；f（x，y）為線性變換后的圖像。

利用訓(xùn)練好的LSSVM模型預(yù)測測試集中的數(shù)據(jù)，得到每個(gè)像素點(diǎn)的分類結(jié)果。根據(jù)分類結(jié)果，分離輸電線部分與其他背景部分。當(dāng)輸電線部分與其他背景部分存在直接連接的像素點(diǎn)時(shí)，說明此時(shí)輸電線存在異物故障，確定連接像素的分布形態(tài)即可判斷具體異物缺陷類型；當(dāng)輸電線部分與其他背景部分不存在直接連接的像素點(diǎn)時(shí)，說明此時(shí)輸電線不存在異物故障。按照上述方式檢測復(fù)雜背景無人機(jī)巡檢圖像輸電線異物的缺陷。

2 測試與分析

2.1 測試環(huán)境

當(dāng)分析本文設(shè)計(jì)的復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷檢測方法的性能時(shí)，以實(shí)際巡檢圖像為基礎(chǔ)進(jìn)行對比測試。本文使用大疆精靈3無人機(jī)采集圖像數(shù)據(jù)，作為一款微小型一體航拍無人機(jī)，大疆精靈3的優(yōu)點(diǎn)是外觀小巧（質(zhì)量僅為1 280 g）、便于攜帶和操作簡單，其在正常情況下的可持續(xù)飛行時(shí)間為 20 min～25 min，最大飛行高度為 500 m，可控制距離為5.0 km，可執(zhí)行的懸停精度為0.5 m，最大旋轉(zhuǎn)角速度為200°/s，最大上升速度為5.0 m/s，最大下降速度為3.0 m/s。以此為基礎(chǔ)，利用其對連續(xù)10 d內(nèi)的某段具體輸電線進(jìn)行圖像采集，分別采用文獻(xiàn)[4]提出的以生成對抗網(wǎng)絡(luò)為基礎(chǔ)的無人機(jī)航拍輸電線路圖像缺陷檢測方法以及文獻(xiàn)[5]提出的以改進(jìn)型Freeman鏈碼為基礎(chǔ)的無人機(jī)航拍輸電線路圖像缺陷識別方法進(jìn)行測試。

2.2 測試結(jié)果與分析

結(jié)合上述測試環(huán)境，當(dāng)分析不同方法的測試結(jié)果時(shí)，本文將存在異物缺陷的圖像進(jìn)行分類，并按類別統(tǒng)計(jì)3種方法的檢測效果，效果對比見表1。

根據(jù)表1的測試結(jié)果對3種不同方法的檢測性能進(jìn)行分析，對不同類型的異物缺陷來說，3種方法的檢測呈現(xiàn)的效果不同。3種方法均準(zhǔn)確檢出了異物類型為鳥窩和氣球的輸電線異物缺陷；對異物類型為風(fēng)箏的輸電線異物缺陷來說，改進(jìn)型Freeman鏈碼檢測方法存在1次誤檢情況；對異物類型為塑料袋的輸電線異物缺陷來說，生成對抗網(wǎng)絡(luò)檢測方法和改進(jìn)型Freeman鏈碼檢測方法的誤檢次數(shù)分別為2次和3次；對異物類型為小鳥的輸電線異物缺陷來說，生成對抗網(wǎng)絡(luò)檢測方法和改進(jìn)型Freeman鏈碼檢測方法的誤檢次數(shù)分別為3次和2次；對異物類型為樹枝的輸電線異物缺陷來說，3種不同方法均出現(xiàn)了誤檢情況，生成對抗網(wǎng)絡(luò)檢測方法的誤檢次數(shù)為4次，改進(jìn)型Freeman鏈碼檢測方法的誤檢次數(shù)為3次，本文設(shè)計(jì)檢測方法的誤檢次數(shù)為1次。生成對抗網(wǎng)絡(luò)檢測方法和改進(jìn)型Freeman鏈碼檢測方法對不同類型輸電線異物缺陷的誤檢率均為4.5%，本文設(shè)計(jì)檢測方法的誤檢率僅為0.5%。綜合上述測試結(jié)果可知，本文設(shè)計(jì)方法可以對不同類型輸電線異物缺陷進(jìn)行有效檢測。

為了進(jìn)一步分析本文方法的性能，驗(yàn)證其有效性，以輸電線異物缺陷檢測準(zhǔn)確率為衡量指標(biāo)，該指標(biāo)值越高，本文設(shè)計(jì)方法的檢測準(zhǔn)確性越高，檢測效果越好。不同方法的輸電線異物缺陷檢測準(zhǔn)確率見表2。

根據(jù)表2數(shù)據(jù)可知，3種方法的輸電線異物缺陷檢測準(zhǔn)確率均較高，均達(dá)到96.0%以上，經(jīng)過分析可知，在1 000個(gè)測試樣本中，本文設(shè)計(jì)檢測方法的輸電線異物缺陷檢測準(zhǔn)確率保持在99.9%以上，未出現(xiàn)較多檢測錯(cuò)誤。與本文方法相比，在1 000個(gè)測試樣本中，生成對抗網(wǎng)絡(luò)檢測方法的輸電線異物缺陷檢測準(zhǔn)確率降至96.8%；在1 000個(gè)測試樣本中，改進(jìn)型Freeman鏈碼檢測方法的輸電線異物缺陷檢測準(zhǔn)確率為97.7%，雖然改進(jìn)型Freeman鏈碼檢測方法的檢測準(zhǔn)確率比生成對抗網(wǎng)絡(luò)檢測方法的檢測準(zhǔn)確率高，但是比本文設(shè)計(jì)檢測方法檢測準(zhǔn)確率低2.2%。由此可知，本文設(shè)計(jì)檢測方法的輸電線異物缺陷檢測準(zhǔn)確率最高，說明該方法的檢測效果更佳。

3 結(jié)語

為了加強(qiáng)輸電線異物缺陷的檢測效果，須綜合考慮無人機(jī)巡檢圖像質(zhì)量的影響因素，采取相應(yīng)措施來優(yōu)化算法和數(shù)據(jù)處理過程。本文提出基于支持向量機(jī)的復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷檢測方法研究，本文方法提高了復(fù)雜背景無人機(jī)巡檢圖像輸電線異物缺陷情況的檢測準(zhǔn)確率，檢測效果良好，可為實(shí)際的輸電線巡檢和安全管理提供參考。

參考文獻(xiàn)

[1]朱長榮，呂文超，單超，等.基于IMU-GNSS-VO的輸電線無人機(jī)巡檢定位和目標(biāo)跟蹤自適應(yīng)方法[J].電力建設(shè)，2023，44（8）：61-70.

[2]胡明輝.基于遷移學(xué)習(xí)的無人機(jī)桿塔巡檢圖像異常識別技術(shù)及試驗(yàn)對比[J].粘接，2023，50（6）：136-139.

[3]田晨，許志浩，李強(qiáng)，等.基于Deeplabv3+與Otsu模型的輸電線電暈放電紫外圖像分割方法[J].激光與紅外，2023，53（1）：153-160.

[4]宋杭選，劉智洋，孫澤鋒，等.基于生成對抗網(wǎng)絡(luò)的無人機(jī)航拍輸電線路圖像關(guān)鍵信息提取[J].黑龍江電力，2022，44（5）：462-466，470.

[5]多俊龍，楊巧為，李慧慧.基于輸電線路圖像邊緣斜率突變的改進(jìn)型Freeman鏈碼斷股缺陷識別研究[J].東北電力技術(shù)，2022，43（6）：53-59.

[6]仲林林，胡霞，劉柯妤.基于改進(jìn)生成對抗網(wǎng)絡(luò)的無人機(jī)電力桿塔巡檢圖像異常檢測[J].電工技術(shù)學(xué)報(bào)，2022，37（9）：2230-2240，2262.

[7]張俊，龐世強(qiáng)，李曉斌，等.融合LSD算法與Hough變換的航拍輸電線路圖像桿塔自動識別方法[J].電子器件，2021，44（5）：1210-1214.

[8]陳榮保，韋盛，盛雨婷，等.改進(jìn)EDLines算法暨在高空輸電線識別與巡檢中的應(yīng)用[J].傳感器與微系統(tǒng)，2021，40（9）：157-160.

[9]秦鐘，楊建國，王海默，等.基于Retinex理論的低照度下輸電線路圖像增強(qiáng)方法及應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2021，49（3）：150-157.