CN110097531A - 一种用于无人机电力巡检的异构图像融合检测方法 - Google Patents

Abstract

本发明公开了一种用于无人机电力巡检的异构图像融合检测方法，包括如下步骤：首先在电力巡检的无人机上，安装光学成像相机和用热红外成像相机，采集不同角度的可见光图像和热红外图像；（2）、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库；（3）、从无人机飞行过程中采集到的可见光图像和热红外图像中，提取故障目标，结合特征知识库，分别构造基本信度分配函数；（4）、将获取到的针对同一故障目标的异构图像证据进行融合，不同角度的异构图像证据进行融合，并用综合可信度设定融合权重。本发明克服了利用单一的可见光图像与热红外图像造成的诊断结果不可靠这一弊端。

Description

一种用于无人机电力巡检的异构图像融合检测方法

技术领域

本发明属于视觉检测领域，是图像处理与识别技术的应用，具体一种用于无人机电力巡检的异构图像融合检测方法。

背景技术

在电力系统供电运行中，最常见的故障就是高压输电线路故障，包括线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害故障等。及时有效的检测高压输电线路的故障和异常，对于电力系统的安全运行至关重要。人工巡检是现阶段的电力巡检最广泛的巡线方式，但这种方式不仅耗时耗力，而且效率较低。输电线路所处环境复杂，有很多地方并不适合人工巡检。并且由于人工巡检存在人的主观判断性，工作人员的经验对结果分析的准确度也有待商榷。基于视觉的高压线缆带电检测技术，为电力巡检提供一种新的思路。通过无人机作为移动平台携带热红外成像仪与可见光传感器进行线路巡检为解决这一瓶颈提供了可能。可见光相机具有很高的分辨率，可以提供场景的空间细节。但由于能见度低，使得复杂环境下的可见光图像不清晰。且可见光成像传感器对于线缆内部电气故障不敏感。而热红外成像仪善于捕捉所有物体在绝对零度以上发射的红外辐射。对高压线的内部发热异常能得到很好的检测效果，但其对诸如线缆破损这种故障类型不敏感,无法实现对线缆外部的缺陷及异常进行检测。

热红外图像与可见光图像的异构融合在高压线缆带电检测中具有信息表达上的互补性，然而异构图像的像素级融合要求针对同一目标的异构图像进行标定配准，这在无人机飞行过程中很难实现，而采用异构图像决策级融合则可以很好的克服这一困难。将两种异构图像进行决策级融合可以达到更加全面而快速的检测效果。

发明内容

本发明的目的是：提供一种用于无人机电力巡检的异构图像融合检测方法。针对高压输电线缆同时获取其热红外图像与可见光图像，提取关于线缆故障的信息，进行异构图像决策级融合，提供一种新的证据更新规则，使故障检测与识别更加有效。实现对高压电力线缆的全面检测。

为了达到上述目的，本发明的技术方案是：

一种用于无人机电力巡检的异构图像融合检测方法，包括如下步骤：

(1)、在电力巡检的无人机上，安装用于采集可见光图像的光学成像相机和用于采集热红外图像的热红外成像相机，在无人机飞行过程中采集不同角度的可见光图像和热红外图像；

(2)、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库；

(3)、从无人机飞行过程中采集到的可见光图像和热红外图像中，提取故障目标，结合特征知识库，分别构造基本信度分配函数；

(4)、将获取到的针对同一故障目标的异构图像证据进行融合，不同角度的异构图像证据进行融合，并用综合可信度设定融合权重。

上述步骤(2)中电力巡检异常特征是指：线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害故障等。

构建各种故障类型的特征知识库是指：对于可见光图像，选用图像中分割出的故障目标的Hu不变矩特征；对于热红外图像，选用故障目标的亮度特征对应的温度值，分别构建可见光和热红外图像各自的故障特征知识库。

上述步骤(3)中分别构造基本信度分配函数是指：

对于可将光图像中的故障，提取故障目标的Hu不变矩，令R＝[m₁,m₂,L,m_m]为知识库的故障hu不变矩，X[k]＝[x₁[k],x₂[k]L x_m[k]]为各角度的故障hu不变矩，通过求取不同视角下各故障的Hu不变矩和知识库对应故障的不变矩之间的特征距离来衡量该视角下所获取可见光图像证据的可信度；可见光特征距离函数表示为：

d_o[k]＝||X[k]-R||；

对于热红外图像，令T[k]为环境亮度对应的温度值，T₁[k]为各角度的故障目标亮度对应的温度值，通过求取不同视角下各故障目标的亮度特征值与环境亮度特征值之间的距离来衡量该视角下所获取热红外图像证据的可信度。热红外特征距离函数可表示为：

d_t[k]＝||T₁[k]-T[k]||；

两者的故障基本信任分配函数构造如下式所示：

其中，λ₁[k]，λ₂[k]为修正系数，ω[k]，ν[k]为互不相关的高斯白噪声。

上述步骤(4)中的证据进行融合具体方式是指：设辨识框架Θ，ε₁[k]的mass函数融合规则为：

其中，

用以下公式来计算，

其中:

上述步骤(4)中用综合可信度设定融合权重是指：

证据融合过程中证据的可信度不仅跟证据自身的可信度有关，也跟其他证据对该证据的支持度有关，且用建模过程中的特征距离和证据距离表征；

令CrdI(m_i)表示证据m_i自身的可信度，如下式所示：

令w_i表示其他证据对该证据的支持度，如下式所示：

w_i反应了该证据被其它证据支持的程度，即若某个证据与其它证据间的距离较小，则认为它们之间的相互支持度也较高；则令m_i的相对置信度为：

证据自身的置信度与相对置信度同等重要，且定义综合置信度为：

Crd(m_i)＝(CrdI(m_i)+CrdO(m_i))/2

其中：

将α和β的参数定义为：

{α[k],β[k]}＝{Crd_i,Crd_j}

在异构图像融合的过程中，已更新的证据类型以

ε_Θ[k+1]＝(ε_O[k+1]<ε_O[k])<(ε_T[k+1]<ε_T[k])

的顺序排列；

根据特征距离和证据距离计算出考虑不同类型证据逻辑重要性和可靠性更新权重。

本发明的有益效果是：

采用无人机沿输电线路进行实时拍摄，避免人工巡检主观因素和条件限制影响，可在复杂环境下更好的去检测故障点，提高可靠性和实时性。面向无人机搭载的异构传感器在DS证据更新理论框架下进行异常检测过程，发明了一种基于综合可信度的异构图像决策级融合算法，将可见光图像和热红外图像在决策级进行异构图像融合，并在融合过程中提出综合可信度概念，解决了异构数据基本信度分配函数难以建立，证据更新过程易受人为主观因素影响等问题。克服了利用单一的可见光图像与热红外图像造成的诊断结果不可靠这一弊端。

附图说明

图1电力巡检异构图像融合检测方法流程图。

具体实施方式

围绕发明内容，本发明的具体实施方式如下：

如图1所示，一种用于无人机电力巡检的异构图像融合检测方法，包括如下步骤

(1)、在电力巡检的无人机上，安装用于采集可见光图像的光学成像相机和用于采集热红外图像的热红外成像相机，在无人机飞行过程中采集不同角度的可见光图像和热红外图像；

(2)、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库；

构建各种故障类型的特征知识库是指：对于可见光图像，选用图像中分割出的故障目标的Hu不变矩特征；对于热红外图像，选用故障目标的亮度特征对应的温度值，分别构建可见光和热红外图像各自的故障特征知识库。

基于历史数据和现实需求，利用目标的Hu不变矩来描述图像特征。Hu不变矩满足平移不变形、尺度不变性和旋转不变性的条件。因此对于来自同一传感器的不同视角图像中的同一目标，与其先验知识的距离是不变的。建立特征知识库。将可见光和热红外传感器获取到的线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害等故障分别构建各自的缺陷特征知识库。

(3)、从无人机飞行过程中采集到的可见光图像和热红外图像中，提取故障目标，结合特征知识库，分别构造基本信度分配函数；

对于可将光图像，令R＝[m₁,m₂,L,m_m]为知识库的目标hu不变矩，X[k]＝[x₁[k],x₂[k]L x_m[k]]为各角度的目标hu不变矩。通过求取不同视角下各目标的hu不变矩和知识库对应目标的不变矩之间的特征距离来衡量该视角下所获取可见光图像证据的可信度。可见光特征距离函数可表示为：

d_o[k]＝||X[k]-R||

距离函数到基本信任分配函数的映射，是非线性映射，且总趋势为：欧氏距离越小，分配给该证据的信任度越大，尤其是当距离为0时分配给该证据的信任度为1，指数函数可以很好地反映这种非线性映射关系。

对于热红外图像。令T[k]为环境亮度对应的温度值，T₁[k]为各角度的目标亮度对应的温度值。通过求取不同视角下各目标的亮度特征值与环境亮度特征值之间的距离来衡量该视角下所获取热红外图像证据的可信度。热红外特征距离函数可表示为：

d_t[k]＝||T₁[k]-T[k]||

温差函数到基本信任分配函数的映射，是非线性映射，且总趋势为：温差越大，分配给该证据的信任度越大，尤其是当温差为0时，分配给该证据的信任度为0。同样选取指数函数为基本信度分配函数，可以较好的反映上述非线性映射关系。

则两者的多目标基本信任分配函数可构造如下式所示

其中，λ₁[k]，λ₂[k]为修正系数，ω[k]，ν[k]为互不相关的高斯白噪声。

(4)、将获取到异构图像针对同一目标的证据进行融合，不同角度的异构图像证据进行融合，并用综合可信度设定融合权重。

设辨识框架Θ，ε₁[k]的mass函数融合规则为：

其中，可以用以下公式来计算，

其中:

融合过程中所涉及的α、β的值都是通过人为赋权重来确定的，这是由于针对异构信息较难找到统一度量来衡量二者间的证据可信度大小，但是这种人为赋值缺乏严格的推理。本发明提出综合可信度概念，即证据融合过程中证据的可信度不仅跟证据自身的可信度有关，也跟其他证据对该证据的支持度有关，且用建模过程中的特征距离和证据距离表征。令CrdI(m_i)表示证据m_i自身的可信度，如下式所示：

令w_i表示其他证据对该证据的支持度，如下式所示：

w_i反应了该证据被其它证据支持的程度，即若某个证据与其它证据间的距离较小，则认为它们之间的相互支持度也较高。则令m_i的相对置信度为：

证据自身的置信度与相对置信度同等重要，且定义综合置信度为

Crd(m_i)＝(CrdI(m_i)+CrdO(m_i))/2

显然：

将α和β的参数定义为：

{α[k],β[k]}＝{Crd_i,Crd_j}

在异构图像融合的过程中，已更新的证据类型以

ε_Θ[k+1]＝(ε_O[k+1]<ε_O[k])<(ε_T[k+1]<ε_T[k])

的顺序排列。根据特征距离和证据距离计算出考虑不同类型证据逻辑重要性和可靠性更新权重。

Claims (5)

1.一种用于无人机电力巡检的异构图像融合检测方法，其特征在于：包括如下步骤：

(1)、在电力巡检的无人机上，安装用于采集可见光图像的光学成像相机和用于采集热红外图像的热红外成像相机，在无人机飞行过程中采集不同角度的可见光图像和热红外图像；

(2)、从可见光图像和热红外图像中提取电力巡检异常特征并构建各种故障类型的特征知识库；

(3)、从无人机飞行过程中采集到的可见光图像和热红外图像中，提取故障目标，结合特征知识库，分别构造基本信度分配函数；

(4)、将获取到的针对同一故障目标的异构图像证据进行融合，不同角度的异构图像证据进行融合，并用综合可信度设定融合权重。

2.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法，其特征在于：所述步骤(2)中电力巡检异常特征是指：线缆破损、绝缘子故障、套管破裂、杆塔坍塌、悬挂异物故障、鸟害故障；

所述构建各种故障类型的特征知识库是指：对于可见光图像，选用图像中分割出的故障目标的Hu不变矩特征；对于热红外图像，选用故障目标的亮度特征对应的温度值，分别构建可见光和热红外图像各自的故障特征知识库。

3.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法，其特征在于：所述步骤(3)中分别构造基本信度分配函数是指：

对于可将光图像中的故障，提取故障目标的Hu不变矩，令R＝[m₁,m₂,L,m_m]为知识库的故障hu不变矩，X[k]＝[x₁[k],x₂[k]L x_m[k]]为各角度的故障hu不变矩，通过求取不同视角下各故障的Hu不变矩和知识库对应故障的不变矩之间的特征距离来衡量该视角下所获取可见光图像证据的可信度；可见光特征距离函数表示为：

d_o[k]＝||X[k]-R||；

对于热红外图像，令T[k]为环境亮度对应的温度值，T₁[k]为各角度的故障目标亮度对应的温度值，通过求取不同视角下各故障目标的亮度特征值与环境亮度特征值之间的距离来衡量该视角下所获取热红外图像证据的可信度；热红外特征距离函数可表示为：

d_t[k]＝||T₁[k]-T[k]||；

两者的故障基本信任分配函数构造如下式所示：

其中，λ₁[k]，λ₂[k]为修正系数，ω[k]，ν[k]为互不相关的高斯白噪声。

4.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法，其特征在于：所述步骤(4)中的证据进行融合具体方式是指：设辨识框架Θ，ε₁[k]的mass函数融合规则为：

其中，

用以下公式来计算，

其中:

5.根据权利要求1所述的一种用于无人机电力巡检的异构图像融合检测方法，其特征在于：所述步骤(4)中用综合可信度设定融合权重是指：

证据融合过程中证据的可信度不仅跟证据自身的可信度有关，也跟其他证据对该证据的支持度有关，且用建模过程中的特征距离和证据距离表征；

令CrdI(m_i)表示证据m_i自身的可信度，如下式所示：

令w_i表示其他证据对该证据的支持度，如下式所示：

w_i反应了该证据被其它证据支持的程度，即若某个证据与其它证据间的距离较小，则认为它们之间的相互支持度也较高；则令m_i的相对置信度为：

证据自身的置信度与相对置信度同等重要，且定义综合置信度为：

Crd(m_i)＝(CrdI(m_i)+CrdO(m_i))/2

其中：

将α和β的参数定义为：

{α[k],β[k]}＝{Crd_i,Crd_j}

在异构图像融合的过程中，已更新的证据类型以

ε_Θ[k+1]＝(ε_O[k+1]<ε_O[k])<(ε_T[k+1]<ε_T[k])

的顺序排列；根据特征距离和证据距离计算出考虑不同类型证据逻辑重要性和可靠性更新权重。