| 标题 | 基于图像识别的无人机输电线路绝缘子故障检测方法研究 |
| 范文 | 韩正新 乔耀华 孙阳 李伟靖 摘 要： 针对绝缘子的自爆缺陷故障，基于图像识别技术，设计并实现了一套无人机输电线路绝缘子故障检测方法。该方法依次进行图像色彩转换、图像载入和预处理、OTSU或最大熵值分割法分割以及绝缘子轮廓检测工作，实现了对绝缘子间无明显重叠和有明显重叠图像的前景提取与识别功能；采用基于空间序列关系建立的特征检测算法，实现对图像中部无明显重叠绝缘子的自爆缺陷故障检测和定位工作。经测试，自爆缺陷故障检测和定位准确率较高，速度较快，具有一定的应用价值，并能为类似绝缘子故障的检测研究提供参考。 关键词： 图像识别； 无人机； 输电线路； 绝缘子故障检测 中图分类号： TN911.73?34； TP393 文献标识码： A 文章编号： 1004?373X（2017）22?0179?03 Abstract： Aiming at the fault caused by spontaneous explosion defect of the insulator， an insulator fault detection method for transmission line of unmanned aerial vehicle （UVA） was designed and implemented based on the image recognition technology. The operations of image color conversion， image loading and pretreatment， OTSU or segmentation with maximum entropy segmentation method， and insulator contour detection are performed in the method successively to realize the foreground extraction and recognition functions of the images with unobvious overlap and obvious overlap in the intervals of the insulators. The feature detection algorithm established on the basis of the spatial series relation is used to realize the spontaneous explosion defect′s fault detection and location for the insulators without obvious overlap in the image. The test results show that the method has high accuracy and fast speed of the fault detection and location for the spontaneous explosion defect， which has a certain application value， and can provide a reference for the detection and research of the similar insulator faults. Keywords： image recognition； unmanned aerial vehicle； transmission line； insulator fault detection 0 引 言 電力能源的可靠性、稳定性和供电质量对国家经济发展起着至关重要的作用[1]。我国输电线路覆盖广，所处地貌复杂，为其正常运行、检测和维护提出了更大的挑战。传统的人工巡视检测方式效率低、周期长、要求高、安全性低，无法满足当前国情下的输电线路维护需求[2?3]。而以无人机为核心的无人机巡视检测方式能在高空通过携带的摄像设备近距离观测输电线路和绝缘子，返回图像以供检测。其具有成本低、易操作、安全性高以及机动灵活等优势，故而成为了近年来输电线路检测研究的焦点。值得注意的是，国内对无人机巡视检测方式仍大多停留在人工检查拍摄视频和图像的阶段，对计算机自动识别图像亦或是视频来检测输电线路与绝缘子的研究甚少，与国外研究相比还存在较大的差距[4?5]。 因此，本文针对绝缘子故障，基于图像识别技术，设计并实现了一套无人机输电线路绝缘子故障检测方法。该方法利用拍摄图像的S，H分量，结合最大类间方法（OTSU）或者最佳熵值图像分割方法，并分别采用图像处理算法和直方图统计法对绝缘子间无明显重叠及有明显重叠的图像进行前景图像提取与轮廓识别；针对绝缘子无明显重叠图像，使用由空间序列关系导出的特征检测算法对图像中部绝缘子的自爆缺陷故障进行检测和定位。经实际运行测试发现，本方法能够较为准确地完成图像中部绝缘子缺陷故障的检测与定位工作。 1 预处理技术 1.1 图像增强和滤波 本文采用直方图均衡化方法对图像进行增强，拉开图像中的灰度间距，均匀化灰度分布，进而提高对比度；采用高效中值滤波，除去无关噪声干扰[6]。 1.2 前景图像一次提取 无人机拍摄的图像中，绝缘子前景特征通常表现为一片具有特定形态特征的连通区域，前景图像一次提取在对上述特征边缘进行初步检测（线条边缘检测方法）后，借助图像分割技术（全局或自适应灰度阈值分割方法）将其与背景进行初步分离[7]。 1.3 实验测试算法平台搭建 本文实验测试平台算法框架图如图3所示。本平台涵盖了图像读取、基本信息处理、预处理算法、前景提取和目标识别的相关算法。 2 绝缘子识别和提取 本文针对绝缘子建立的识别、提取流程依次为载入图像并预处理、OTSU分割、轮廓检测和结果显示。 2.1 前景图像提取 本文同时使用H以及S分量对图像进行处理，避免了绝缘子因季节、光照导致的色度色散影响；采用OTSU（自适应阈值）分割方法对绝缘子间无明显重叠的图像依据灰度特性进行分割，将图像的背景和目标分开，并计算两者的类间方差，以获得最佳分割阈值。如图4所示，即为对绝缘子图像H，S分量（图2）分割的效果图。从图4可以看到，H，S分量图像中分别对电力线和建筑物、草地产生了误分割。因此，需要將两者结果取交集（图4（c）），从而在充分利用图像的色彩信息的同时，避免了不必要的误分割。 2.2 绝缘子轮廓检测方法 如图5所示的绝缘子图像发生相互重叠，可将其作为一个圆角矩形（或菱形）整体进行处理。此时边缘呈现为波浪形，且连通域面积较大（与角钢等输电线路其他物体连通域面积相差悬殊）。由于前景提取存在铁塔区域的误检，需要采用腐蚀及膨胀运算进行形态学滤波处理，效果如图6（a）所示。再结合OpenCV图像处理库中提供的FindContours（）轮廓检测函数，按照连通域面积阈值核实是否为双层轮廓滤除噪声干扰，获得的绝缘子相互重叠时的最终轮廓检测效果见图6（b）。 如图4（c）所示的绝缘子图像未发生相互重叠，绝缘子串前景图像呈现椭圆形子序列。此时采用双结构级联的形态学滤波除去噪声，并利用OpenCV中的椭圆检测函数即可对孤立绝缘子串进行轮廓检测，见图7（a）。由于将左下方水泥墙误检为绝缘子，考察重点应为图像中部存在自爆缺陷故障的绝缘子串，引入直方图统计方法，统计连通区域的倾斜角及面积在图像中的分布区间，将前景图像中面积为1 600～2 500像素之间且倾斜角处于60°～80°之间的绝缘子留下，滤除其他轮廓，获得轮廓检测效果如图7（b）所示。 3 绝缘子缺陷故障检测 3.1 缺陷故障检测方法 绝缘子串未重叠但存在自爆缺陷故障的图像通常具有等间距等大椭圆形状绝缘子整齐排列，但单片自爆处存在2倍绝缘子相邻间距缺口的特征。因此，可设计针对图像中部未重叠绝缘子串缺陷故障检测和定位算法，算法流程如图8所示。 实现效果见图9（a），绝缘子串中的自爆位置用矩形框显示。此外，本文对存在大量角钢塔和植被的无人机拍摄图像中的绝缘子缺陷故障进行检测，后者绝缘子虽存在一定的重叠，但由于光线使前景提取的绝缘子相互独立，也能符合算法使用要求，检测效果如图9（b）和图9（c）所示。 3.2 测试结果与分析 本文将无人机拍摄采集到的50幅绝缘子缺陷图像作为样本进行算法测试。但其中有27幅图像存在不同程度绝缘子重叠，10幅虽无重叠但自爆缺陷处于图像边缘，不满足算法使用条件；剩余13幅满足缺陷故障算法的绝缘子图像，成功检测并提取轮廓12幅，定位确定缺陷故障10幅。故本方法对图像中部绝缘子自爆缺陷的检测成功率是76.9%，单张图像算法平均处理时间为302 ms。 4 结 语 针对绝缘子自爆缺陷故障，本文基于图像识别技术，设计并实现了一套无人机输电线路绝缘子故障检测方法。该方法依次经过图像色彩转换、图像载入和预处理、OTSU或最大熵值法分割以及绝缘子轮廓检测工作对绝缘子间无明显重叠和有明显重叠的图像进行前景提取与识别；并针对绝缘子无明显重叠的图像，使用基于空间序列关系建立的特征检测算法对图像中部绝缘子的自爆缺陷故障进行检测和定位。经测试，本方法能较为准确地检测出图像中部绝缘子的自爆缺陷故障，具有一定的应用价值。 参考文献 [1] 刘国嵩，贾继强.无人机在电力系统中的应用及发展方向[J].东北电力大学学报，2012，32（1）：53?56. [2] 吕明，罗新，刘正云.无人直升机线路巡检技术实用化研究[J].湖北电力，2012，36（3）：10?12. [3] 石晓亮.飞行机器人架空电力线路巡检视频评价挖掘系统的设计与实现[D].北京：华北电力大学，2014. [4] BAHDANAU D， CHO K， BENGIO Y. Neural machine translation by jointly learning to align and translate [C]// Proceedings of 2015 ICLR. [S.l.]： ICLR， 2015： 1?15. [5] MENENDEZ O A， PEREZ M， AUAT CHEEIN F A. Vision based inspection of transmission lines using unmanned aerial vehicles [C]// Proceedings of 2016 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems. Baden： IEEE， 2016： 412?417. [6] DEKA B， HANDIQUE M， DATTA S. Sparse regularization method for the detection and removal of random?valued impulse noise [J]. Multimedia tools & applications， 2016， 76（5）： 6355?6388. [7] 刘雅坤.基于图论的图像分割和并行化研究[D].北京：北京交通大学，2014. [8] 吴怀群，黄宵宁，王建，等.一种基于熵值的自动阈值图像分割方法[J].应用科技，2011，38（8）：1?4. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。