CN105718842B - 一种输电线断股故障的机器视觉检测方法 - Google Patents

Abstract

本发明公开了一种用于输电线维护机器人的基于机器图像的输电线断股故障检测方法，属于数字图像识别领域，目的在于克服现有检测方法的问题，提高输电线路断股故障检测的自动化程度与准确性。本发明用于电力系统输电线断股故障的报警。检测顺序如下：(1)图像的获取步骤；(2)图像的预处理步骤；(3)图像的特征提取步骤；(4)图像的故障检测步骤。本发明将数字图像处理技术引入到输电线断股故障检测，利用输电线维护机器人采集的图像信息自动识别出输电线路断股故障。为保证输电线路的正常运行提供了一种可行的智能化的技术手段。

Description

一种输电线断股故障的机器视觉检测方法

技术领域

本发明属于数字图像识别领域，具体涉及一种基于图像的输电线断股故障检测方法，用于采用机器视觉对输电线断股故障进行自主检测。

背景技术

在雷击等因素的影响下，输电线路会出现架空地线断股故障，故障会降低线路间的安全距离，甚至引发闪络，造成严重的经济损失。近年来，输电线路断股成为我国输电系统中一项频发的故障，仅2005年10月至2006年7月，在昆明供电局管辖的500kV线路范围内就发现了6处输电线路断股。[殷伟斌.500kV线路光纤复合架空地线断股原因分析.华东电力，2005，33(9)：50-53]

现阶段，输电线路断股检测的主要手段是通过巡检人员在地面进行目测观察，必要时工人还要登塔走线进行近距离检测。进行检测时，工人的劳动大，高空强电磁的工作环境增加了工作的危险性。同时，在人工检测时，观察视角与距离受限。有些时候受到地理环境限制，人员甚至很难靠近线路进行观测，从而大大降低了检测的准确率。

作为一种先进的技术手段，电力机器人可以替代工人在高危环境下展开检测作业，工作人员可以在地面基站通过机器人发送的线路信息来对线路故障进行判别，并在发现故障时，进行及时的维护。但这种检测方式需要工作人员长期监视机器人回传信息，造成人力资源的浪费，工作人员也会因工作疲劳做出误判。因此需要提出一种自动化程度较高的断股故障检测方法。

目前，对于输电线路检测的方法可以分为视觉与非视觉两类。其中，非视觉类方法主要采用电涡流传感器、电磁声换能器等传感器，但非视觉类传感器能接受的信息量有限，多用于特定金具或故障的识别。此外，非视觉类传感器体积重量较大，不便于机器人携带。

机器视觉方法具有信息量大，传感器便于携带等优点，因此得到较为广泛的应用。目前的研究主要集中于针对绝缘子、防振锤、四分裂导线等目标的检测[谭磊,王耀南,沈春生等.输电线路除冰机器人障碍视觉检测识别算法.仪器仪表学报,2011,32(11):2564-2571.]。从调研的文献来看，目前尚未见到采用机器视觉方法进行断股检测的研究。

发明内容

为了克服现有检测方法的问题，提高输电线路断股故障检测的自动化程度与准确性，本发明要解决的技术问题是提供一种输电线断股故障的机器视觉检测方法。

本发明为实现上述目的所采用的技术方案是：一种输电线断股故障的机器视觉检测方法，包括以下步骤：

(1)图像的获取；在电力机器人上安装相机设备，固定相机设备的图像采集角度和相机参数，获取输电线图像；

(2)图像的预处理：对输电线图像进行处理，得到包含输电线的感兴趣区域；

(3)图像特征提取：在感兴趣区域中，计算各边缘像素点上的图像梯度方向，并获取感兴趣区域的边缘梯度直方图特征；

(4)图像的故障检测：通过建立的支持向量机分类器提取的图像特征进行分类计算，根据计算结果判断输电线是否存在断股。

所述图像的预处理包括以下步骤：

(2.1)通过灰度化处理将彩色的输电线图像转换为灰度图像，并根据相机视角对图像进行初步裁剪；

(2.2)采用Canny算子在初步裁剪后的图像中检测输电线的边缘位置，并以边缘位置为基准去除其他区域，得到边缘图像；

(2.3)采用霍夫变换的方法，对边缘图像中的直线进行提取，并以其为基准，截取指定宽度与指定高度的矩形区域作为感兴趣区域。

所述对图像进行初步裁剪的规则为：以图像顶列像素的中点作为矩形长边的中点，取预设长宽的矩形作为初步裁剪区域，矩形的长边与短边分别与图像的行和列平行。

所述对边缘图像中的直线进行提取的方法为：按照以下条件筛选边缘图像中满足要求的直线：

其中，输电线边缘直线L₁与L₂在图像坐标系uv中的表达分别为ucosβ₁+vsinβ₁＝ρ₁与ucosβ₂+vsinβ₂＝ρ₂；为线路边缘直线方向；[Δu，Δv]^T为从输电线边缘直线L₁上一点到直线L₂上一点的矢量；w_d与β_d分别为线路宽度对应的像素数与线路角度，为设定的阈值。

所述各边缘像素点上的图像梯度方向通过下式计算：

其中f为像素点的灰度；与为水平与垂直方向的梯度强度；θ为梯度方向。

所述获取感兴趣区域的边缘梯度直方图特征的过程为：将图像梯度方向划分为若干区域，对图像边缘上的像素点进行统计，根据像素梯度方向θ的数值，统计分布于各区域像素点的个数，并将其归一化，得到图像的边缘梯度直方图特征。

所述边缘梯度直方图特征为一个n维向量V_n，其中n为梯度方向划分区域的个数，向量中元素为图像的梯度特征

其中f为像素点的灰度；与为水平与垂直方向的梯度强度。

所述图像的故障检测中，根据边缘梯度直方图特征，边缘方向的图像梯度下降的线路边缘为断股。

本发明具有以下优点及有益效果：

1.本发明提供的输电线路断股检测方法可以取代人工完成断股检测，改变了人工登塔检测的方式，降低了检测的安全风险，保证检测人员的安全，为输电线路自动化化检测提供了途径。

2.本发明采用边缘梯度直方图提取图像的梯度特征，该特征具有提取简单，运算速度快的优点；结合输电线路正常线路与断股线路的梯度分布特点，边缘梯度直方图可以有效准确的区分断股故障。综上所述，边缘梯度直方图特征在断股检测上具有快速、稳定、准确等优势。

3.本发明利用基于相机定位和线路边缘检测先后开展了图像初步裁剪和感兴趣区域裁剪。通过两次裁剪，去除了图像中的多余区域和无用信息，不仅提高了检测的速度，并且明确了图像特征的提取区域，有利于突出正常线路与断股线路在边缘梯度直方图特征上的差异性，提高检测的准确性。

4.本发明已在输电线机器人上进行试验，试验结果表明，采用本发明的机器人系统可以准确完成输电线路断股的检测，并利用该检测结果记录线路断股信息、指导机器人的补修维护行为。

附图说明

图1是本发明的流程示意图；

图2是机器人采集的待处理的输电线图像；

图3是初步裁剪后的灰度图像；

图4是在初步裁剪区域内提取的边缘图像；

图5是在边缘图像中获取的线路边缘；

图6是获取的感兴趣区域；

图7是正常线路与断股故障的图像梯度分布特点分析图；

图8是正常线路图像与断股故障图像的边缘梯度直方图特征比较；

图9是正常线路图像与断股故障图像的分类器。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

本发明以检测出的输电线路边缘作为基准，获取输电线路感兴趣区域，并提取该区域中的边缘梯度直方图作为图像特征，根据正常线路与断股故障在该图像特征上的差异，采用支持向量机进行分类计算，有效的对输电线路断股故障进行识别，提高了断股检测的自动化程度，如图1所示，具体流程如下：

(1)图像获取步骤

在输电线维护机器人上安装相机设备，固定该设备的图像采集角度、焦距等参数，获取尺寸大小较为稳定的普通线路图像与断股故障图像。图2是采集的输电线图像。

(2)图像预处理步骤

(2.1)首先通过灰度化处理将彩色图像转换为灰度图像。当机器人安装在线路上时，机器人与线路有稳定的相对位置关系。当设定相机云台姿态与相机视角一定，线路位于图像中部区域，根据以上分析，可以初步进行图像的裁剪，以图像顶列像素的中点作为基准点，取预设长宽的矩形，矩形的长边与短边分别与图像的行和列平行，矩形上方长边的中点为基准点。保留图像中央截取的矩形区域，裁掉其余区域，图3是初步裁剪后的输电线路图像。

(2.2)为了进一步去除图像中的多余区域，主要保留输电线路信息，需要进一步裁剪图像。采取的方法为，在图像中检测线路边缘位置，并以此为基准，去除多余区域。首先采用Canny算子对(2.1)获取的图像进行边缘检测。图4所示是提取出的图像边缘。

(2.3)对于边缘图像，采用Hough变换的方法，分别对图像中的直线进行提取。图5所示是提取出的图像直线信息。考虑到相机的安装位置、标定等因素，可知线路边缘两直线在图像中满足如下条件：1.两直线间距固定，为线路宽度；2.根据机器人、相机与线路的相对位置关系，直线角度方向一定。

对于获取的图像中的所有的直线，设线路边缘直线L₁与L₂在图像坐标系uυ中的表达分别为ucosβ₁+vsinβ₁＝ρ₁与ucosβ₂+vsinβ₂＝ρ₂。则线路边缘直线所满足的条件可以表达为：

其中，为线路边缘直线方向；Δu与Δυ为两直线间两点间矢量；w_d与β_d分别为线路宽度对应的像素数与线路角度，为设定的阈值。

按照以上条件筛选出图像中满足要求直线，获取线路边缘，并以其为基准，截取指定宽度与指定高度的矩形区域作为感兴趣区域。以输电线路线路边缘作为位置基准，对图像进行裁剪，得到图像中特定的感兴趣区域。图6所示是图像的感兴趣区域。

(3)图像特征提取步骤

选取具备明显差异的图像特征，对于断股故障检测至关重要。分别对正常线路与断股线路图像中提取的感兴趣区域进行分析，可以发现如下特征：正常线路的线股围绕钢芯呈螺旋状，线股方向为螺旋线升角方向，线路边缘方向为竖直方向；有断股故障的线路情况与正常线路基本一致，但断股会随机分布在空间中，位于其他方向；根据以上分析，按照下式计算图像的梯度特征

其中f为像素点的灰度；与为水平与垂直方向的梯度强度；θ为梯度方向。

将图像梯度方向划分为若干区域，并对图像边缘上的像素点进行统计，根据像素梯度方向θ的数值，统计分布于各区域像素点的个数，并将其归一化，得到图像的边缘梯度直方图特征。该特征为一个n维向量V_n，其中n为梯度方向划分区域的个数。正常线路的边缘梯度直方图在线路边缘及线股升角方向强度很高；受断股影响，断股故障的边缘梯度直方图在这两个方向上尽管也有较高的强度，但弱于正常线路。图7所示的分析图中，正常线路的图像梯度主要分布在线路边缘及线股边缘方向，如红色粗箭头所示。在这两个方向上具备很高的梯度强度。而断股故障中的断股通常随机分布于其他方向，如蓝色方形箭头所示，从而导致线路边缘及线股边缘方向的图像梯度强度有所下降，如红色细箭头所示。边缘梯度直方图是一种表达图像的梯度分布的方法，因此可以将边缘梯度直方图特征向量V_n输入分类器，采用分类方法完成环境状态检测。

(4)图像的故障检测步骤

支持向量机是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机的泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。

在试验室内搭设线路环境，分别采集断股故障线路与正常线路图像，并提取出相应的图像特征对分类器进行训练。在完成分类器训练的基础上，将机器人悬挂于测试线路上，在线路上获取线路图像，提取出相应的图像特征输入分类器，由分类器完成判别，当检测结果为断股线路时，则说明检测到断股故障，需要开展相应的维护。图8所示是在测试线路上获取图像的边缘梯度直方图特征。图9所示为分类器的分类过程。

Claims (6)

1.一种输电线断股故障的机器视觉检测方法，其特征在于，包括以下步骤：

(1)图像的获取；在电力机器人上安装相机设备，固定相机设备的图像采集角度和相机参数，获取输电线图像；

(2)图像的预处理：对输电线图像进行处理，得到包含输电线的感兴趣区域；

所述图像的预处理包括以下步骤：

(2.1)通过灰度化处理将彩色的输电线图像转换为灰度图像，并根据相机视角对图像进行初步裁剪；

(2.2)采用Canny算子在初步裁剪后的图像中检测输电线的边缘位置，并以边缘位置为基准去除其他区域，得到边缘图像；

(2.3)采用霍夫变换的方法，对边缘图像中的直线进行提取，并以其为基准，截取指定宽度与指定高度的矩形区域作为感兴趣区域；

所述对边缘图像中的直线进行提取的方法为：按照以下条件筛选边缘图像中满足要求的直线：

其中，输电线边缘直线L₁与L₂在图像坐标系uv中的表达分别为ucosβ₁+vsinβ₁＝ρ₁与ucosβ₂+vsinβ₂＝ρ₂；为线路边缘直线方向；[Δu，Δv]^T为从输电线边缘直线L₁上一点到直线L₂上一点的矢量；w_d与β_d分别为线路宽度对应的像素数与线路角度，为设定的阈值；

(3)图像特征提取：在感兴趣区域中，计算各边缘像素点上的图像梯度方向，并获取感兴趣区域的边缘梯度直方图特征；

(4)图像的故障检测：通过建立的支持向量机分类器提取的图像特征进行分类计算，根据计算结果判断输电线是否存在断股。

2.根据权利要求1所述的一种输电线断股故障的机器视觉检测方法，其特征在于，所述对图像进行初步裁剪的规则为：以图像顶列像素的中点作为矩形长边的中点，取预设长宽的矩形作为初步裁剪区域，矩形的长边与短边分别与图像的行和列平行。

3.根据权利要求1所述的一种输电线断股故障的机器视觉检测方法，其特征在于，所述各边缘像素点上的图像梯度方向通过下式计算：

其中f为像素点的灰度；与为水平与垂直方向的梯度强度；θ为梯度方向。

4.根据权利要求1所述的一种输电线断股故障的机器视觉检测方法，其特征在于，所述获取感兴趣区域的边缘梯度直方图特征的过程为：将图像梯度方向划分为若干区域，对图像边缘上的像素点进行统计，根据像素梯度方向θ的数值，统计分布于各区域像素点的个数，并将其归一化，得到图像的边缘梯度直方图特征。

5.根据权利要求4所述的一种输电线断股故障的机器视觉检测方法，其特征在于，所述边缘梯度直方图特征为一个n维向量V_n，其中n为梯度方向划分区域的个数，向量中元素为图像的梯度特征

其中f为像素点的灰度；与为水平与垂直方向的梯度强度。

6.根据权利要求1所述的一种输电线断股故障的机器视觉检测方法，其特征在于，所述图像的故障检测中，根据边缘梯度直方图特征，边缘方向的图像梯度下降的线路边缘为断股。