基于異常檢測(cè)的輸電線路山火檢測(cè)方法研究

翟永杰， 龍雅蕓， 江 柳， 李 冰， 趙振兵

(1.華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003；2.華北電力大學(xué) 電氣與電子工程學(xué)院，河北 保定 071003)

0 引 言

電網(wǎng)是國(guó)民經(jīng)濟(jì)社會(huì)發(fā)展的重要基礎(chǔ)設(shè)施。隨著經(jīng)濟(jì)的增長(zhǎng)，電網(wǎng)的規(guī)模不斷擴(kuò)大，輸電線路的建設(shè)任務(wù)也愈發(fā)繁重。輸電線路一般都建立在人跡罕至的野外、山地甚至森林之中，受到天氣、人為以及自身因素的影響，輸電線路附近極易發(fā)生山火，導(dǎo)致大規(guī)模停電事故，嚴(yán)重影響國(guó)民經(jīng)濟(jì)和人民的日常生活[1]。

因此，必須對(duì)輸電線路進(jìn)行實(shí)時(shí)巡檢，才能避免山火的發(fā)生而導(dǎo)致停電事故[2]。傳統(tǒng)的人工巡檢并不適用于地形復(fù)雜且地域廣闊的輸電線路山火巡檢工作，當(dāng)前大多采用自動(dòng)監(jiān)測(cè)山火的方法，如激光雷達(dá)檢測(cè)技術(shù)[3]、衛(wèi)星遙感技術(shù)[4]、無(wú)線傳感器技術(shù)[5]、紅外線技術(shù)[6]以及以計(jì)算機(jī)視覺(jué)為基礎(chǔ)的各種圖像處理技術(shù)[7]。而早期山火通常以煙霧形式出現(xiàn)，所以及時(shí)發(fā)現(xiàn)早期煙霧是目前研究的重點(diǎn)[8，9]。

為響應(yīng)“智能電網(wǎng)”的建設(shè)，目前輸電線路通常采用傳統(tǒng)視頻監(jiān)控系統(tǒng)：安裝固定攝像頭，并將畫(huà)面實(shí)時(shí)傳回后臺(tái)結(jié)合計(jì)算機(jī)和人工指示來(lái)監(jiān)控線路的異常狀況。它占用額外的帶寬，依賴高配置的服務(wù)器提高檢測(cè)速度。而采用智能前端攝像機(jī)可直接在前端實(shí)時(shí)獲取高質(zhì)量畫(huà)面并檢測(cè)，不僅檢測(cè)速度快、分析更精確，且穩(wěn)定性高，只需傳輸分析結(jié)果給后臺(tái)，占用的帶寬可忽略不計(jì)，也不需高成本的服務(wù)器資源。因此，本文基于異常檢測(cè)提出一個(gè)低復(fù)雜度方法，以適于智能監(jiān)控前端使用。

另外，由于輸電線路發(fā)生山火的情況較少，尤其缺乏早期山火發(fā)生而產(chǎn)生的煙霧圖像和視頻資料，因此，海量數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)目標(biāo)檢測(cè)方法[10，11]不適用。而異常檢測(cè)的方法通常使用無(wú)監(jiān)督或半監(jiān)督的學(xué)習(xí)方法來(lái)實(shí)現(xiàn)異常點(diǎn)檢測(cè)[12-14]，不需大量正負(fù)標(biāo)注樣本，可解決正負(fù)樣本不均衡的問(wèn)題。目前異常檢測(cè)在電力領(lǐng)域已有一定的應(yīng)用，例如對(duì)輸電線路的傳輸通道進(jìn)行異常監(jiān)控[15，16]、高壓電纜故障監(jiān)控[17]、電力調(diào)度流數(shù)據(jù)異常檢測(cè)[18]等。而針對(duì)早期山火的異常檢測(cè)研究較少。

本文通過(guò)安裝在輸電線路的固定攝像機(jī)，獲得實(shí)時(shí)監(jiān)控畫(huà)面，在分析煙霧監(jiān)控圖像特點(diǎn)的基礎(chǔ)上，提出基于網(wǎng)格劃分的圖像特征提取方法，利用固定攝像頭拍攝的監(jiān)控視頻的上下文信息，通過(guò)異常點(diǎn)檢測(cè)的方法來(lái)檢測(cè)早期山火煙霧，并標(biāo)記著火點(diǎn)。

1 基于網(wǎng)格劃分的圖像特征提取

圖像特征提取是基于圖像的目標(biāo)檢測(cè)必不可少的一部分。采用深度學(xué)習(xí)的方法可以提取比較全面的特征，但由于難以獲取足夠的訓(xùn)練樣本，圖像樣本不均衡，所以該方法并不適用，則需要人工提取特征。

輸電線路附近的監(jiān)控視頻中早期煙霧的特點(diǎn)如下：

(1)監(jiān)控視角為俯拍，拍攝畫(huà)面往往包括一段輸電線路，面積較廣，而早期煙霧占比很小且模糊，肉眼不易發(fā)現(xiàn)。

(2)攝像頭固定，人流較少，不易出現(xiàn)遮擋的現(xiàn)象，且地域比較偏僻，外物干擾較少。

(3)多以復(fù)雜山林為背景，背景顏色通常較深，此時(shí)煙霧的顯著特征為白色。

基于以上三個(gè)早期煙霧所呈現(xiàn)的特點(diǎn)，提出一種面向像素的圖像特征提取方法。通過(guò)最大化灰度值的類間方差的方法來(lái)找到一個(gè)閾值，并根據(jù)此閾值將圖像分為前景和背景，也就是圖像二值化。此時(shí)煙霧區(qū)域表現(xiàn)為聚集性白色小塊，統(tǒng)計(jì)白色像素的個(gè)數(shù)即可作為早期山火煙霧圖像的顯著特征。具體計(jì)算過(guò)程如下：

首先統(tǒng)計(jì)圖像的總灰度值Grayall，并計(jì)算總灰度均值M_Grayall，其中Pixelall為該圖像的總像素個(gè)數(shù)：

M_Grayall=Grayall×255/Pixelall

(1)

設(shè)置灰度閾值t，以t為基準(zhǔn)將圖像灰度分為[0,t] 、[t,255] 兩個(gè)區(qū)間，并分別計(jì)算灰度均值M_GaryA、M_GaryB：

(2)

同理，統(tǒng)計(jì)兩個(gè)區(qū)間各自的像素個(gè)數(shù)占總像素個(gè)數(shù)的比值PixelA、PixelB：

(3)

最終，通過(guò)找到最大類間方差I(lǐng)CV下的灰度閾值t確定二值化閾值：

(4)

以t為閾值，遍歷整張圖像的像素值，若小于閾值則為背景，將像素值設(shè)置為0，否則為前景，設(shè)置為1。圖像二值化過(guò)程如下式：

(5)

圖像二值化后，將其劃分為10×10的網(wǎng)格，統(tǒng)計(jì)每個(gè)網(wǎng)格中像素值為1像素個(gè)數(shù)，并以此作為該圖像的網(wǎng)格特征矩陣，即以每個(gè)網(wǎng)格內(nèi)白色像素點(diǎn)個(gè)數(shù)為元素的10×10矩陣。用于特征提取的網(wǎng)格煙霧圖像如圖1所示，圖(a)、圖(b)、圖(c)為早期山火煙霧的三個(gè)不同時(shí)段的原始圖像：從無(wú)煙霧到煙霧逐漸擴(kuò)大，圖(d)、圖(e)、圖(f)分別對(duì)應(yīng)于二值化圖像?？捎^察到出現(xiàn)煙霧的網(wǎng)格中，白色像素點(diǎn)的個(gè)數(shù)隨山火的發(fā)展呈明顯的增加趨勢(shì)，這表明面向像素的特征提取方式有利于后續(xù)山火的檢測(cè)工作。

圖1 特征提取網(wǎng)格圖Fig. 1 Feature extraction grid image

在山火發(fā)生的較早時(shí)段，煙霧在在監(jiān)控圖像中呈現(xiàn)為一個(gè)或幾個(gè)小白點(diǎn)，此時(shí)從10×10的網(wǎng)格監(jiān)控圖像中提取的網(wǎng)格特征矩陣，能夠較好的反映面積較小煙霧區(qū)域的特征。而隨著山火的發(fā)展，煙霧逐漸擴(kuò)散，所占圖像的面積也相應(yīng)擴(kuò)大，一個(gè)網(wǎng)格不足以包含煙霧的全部面積，影響最終檢測(cè)結(jié)果。為此，利用不同大小的高斯核對(duì)10×10網(wǎng)格特征矩陣進(jìn)行卷積操作，濾波后的網(wǎng)格特征矩陣可表達(dá)不同面積的煙霧特征，更加符合煙霧隨山火發(fā)展的擴(kuò)散特點(diǎn)。

高斯濾波就是針對(duì)網(wǎng)格特征矩陣的每一個(gè)元素，用高斯核來(lái)確定該元素鄰域內(nèi)元素的加權(quán)平均值來(lái)代替高斯核的中心元素的過(guò)程。首先定義高斯核大小為K×K，對(duì)應(yīng)構(gòu)建一個(gè)K×K的初始標(biāo)準(zhǔn)二維矩陣。根據(jù)煙霧的擴(kuò)散程度，選擇不同大小的高斯核，本文選用大小為1×1、2×2、3×3的高斯核。則高斯核模板中心(xk,yk)為

xk=yk=(k/2)+0.5

(6)

運(yùn)用高斯函數(shù)對(duì)二維矩陣(x,y)中的每一個(gè)元素進(jìn)行計(jì)算得到不同K值下高斯矩陣G(x,y)：

(7)

其中σ為標(biāo)準(zhǔn)差，設(shè)置值為0.5，再對(duì)其做歸一化處理得到矩陣H，即為高斯核：

Hk=Gk/sum(Gk)

(8)

利用高斯核與網(wǎng)格特征矩陣M做卷積操作得到不同K值下濾波矩陣N:

Nk=Mk×Hk

(9)

卷積分為full、same和valid三種模式，其中full與same需要先在矩陣邊緣以0填充，再使用高斯核做卷積運(yùn)算，而valid是直接在矩陣內(nèi)部做卷積，不需填充。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，填充與不填充的兩種卷積方式對(duì)實(shí)驗(yàn)結(jié)果幾乎沒(méi)有差異，分析原因主要在于：(1)選擇的高斯核較小，對(duì)卷積的結(jié)果影響不大，(2)填充再卷積的方式主要是對(duì)矩陣邊緣的值做增強(qiáng)處理，但由于固定位置監(jiān)控主要是對(duì)監(jiān)控中心的輸電線路區(qū)域進(jìn)行檢測(cè)，對(duì)邊緣檢測(cè)準(zhǔn)確率要求不高，且填充操作會(huì)相應(yīng)增加計(jì)算量，使運(yùn)行時(shí)間延長(zhǎng)。所以，為保證輸電線路區(qū)域煙霧實(shí)時(shí)檢測(cè)的準(zhǔn)確率，最終選擇valid模式的卷積，卷積過(guò)后得到濾波矩陣尺寸為

(10)

式中：N1為網(wǎng)格特征矩陣M的大小，即為10；N2為卷積核大??；步長(zhǎng)S為1。則當(dāng)高斯核為1×1、2×2、3×3時(shí)，對(duì)應(yīng)濾波矩陣尺寸為[10×10] 、[9×9]和[8×8]。

2 早期山火煙霧異常檢測(cè)

異常事件發(fā)生的時(shí)間是不可預(yù)測(cè)的，且發(fā)生幾率極小，通常情況下是正常的，且固定攝像頭傳輸回后臺(tái)的是現(xiàn)場(chǎng)的圖像幀。因此本文以20 min為單位更新正常情況的基準(zhǔn)圖像幀；若有異常情況發(fā)生，則發(fā)出警報(bào)，等到警報(bào)解除后繼續(xù)更新。在20 min之內(nèi)，提取當(dāng)前幀f的濾波網(wǎng)格特征矩陣，并與基準(zhǔn)圖像幀f0作差值比較，得到差值矩陣。若有早期山火煙霧發(fā)生，當(dāng)前圖像幀的濾波網(wǎng)格特征矩陣中的某些元素必然會(huì)顯著增大，且其與基準(zhǔn)圖像幀的差值為正值，差值越大，山火煙霧發(fā)生的概率越高。因此，理想情況下，差值矩陣中值大于0的元素即為異常點(diǎn)，通過(guò)檢測(cè)其中是否存在異常點(diǎn)，即可判斷有無(wú)山火發(fā)生。然而，室外攝像頭的拍攝會(huì)受到光照、天氣因素的影響，差值矩陣中的差值會(huì)在一定程度內(nèi)有波動(dòng)。圖2展示了理想和實(shí)際情況下差值矩陣中元素值的變化情況。

圖2 理想與實(shí)際差值對(duì)比圖Fig. 2 Comparison chart of ideal and actual difference

理想情況下差值矩陣中只有異常點(diǎn)大于0，其余元素全為0；而實(shí)際上除異常點(diǎn)外仍存在許多大于0的元素。為避免這些因素?cái)_亂異常點(diǎn)檢測(cè)，且保證能檢測(cè)出初期較小的煙霧，采用基于網(wǎng)格劃分的圖像特征提取方法提取待檢測(cè)圖像特征，并在高斯核K=1時(shí)對(duì)差值矩陣中的元素做異常值檢測(cè)，初步判斷有無(wú)早期山火發(fā)生。此時(shí)差值矩陣為[10×10]，共有100個(gè)元素。因?yàn)樵貍€(gè)數(shù)大于10，可采用“3σ準(zhǔn)則”檢測(cè)有無(wú)異常值發(fā)生，公式如下：

(11)

圖3 異常檢測(cè)算法框圖Fig. 3 Block diagram of anomaly detection algorithm

3 著火點(diǎn)標(biāo)注

檢測(cè)出早期山火煙霧后，為更加便于觀察和后續(xù)處理，根據(jù)由三種不同大小的高斯核進(jìn)行卷積操作的區(qū)域，反向查找異常點(diǎn)對(duì)應(yīng)在網(wǎng)格特征矩陣中的位置，并將其映射到原圖像上，可獲得大小不同的三類標(biāo)注框。隨著山火的發(fā)展，煙霧會(huì)逐漸擴(kuò)散，所占圖像的面積逐漸擴(kuò)大，甚至?xí)霈F(xiàn)多個(gè)煙霧區(qū)域，所以不僅標(biāo)注框大小需要改變，其個(gè)數(shù)也應(yīng)隨之變化。

本文對(duì)應(yīng)三種高斯核(K=1，2，3)，通過(guò)設(shè)定閾值J來(lái)比較最值的方法，確定三類不同大小的標(biāo)注框。具體流程如圖4所示。

圖4 著火點(diǎn)標(biāo)注流程圖Fig. 4 Flow chart for marking fire point

其中max1,max2…maxi為差值矩陣中元素由大到小的排序。如圖4(a)所示，首先進(jìn)行單個(gè)著火點(diǎn)標(biāo)注：尋找差值矩陣中最大值max1和次大值max2，并設(shè)置閾值J為0.8(通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)J在0.70～0.85之間都能取得較好的效果，本文統(tǒng)一設(shè)定為0.8)，依次比較K在1，2，3時(shí)次大值和閾值與最大值乘積的大小，由此可獲得適應(yīng)不同煙霧大小的三類標(biāo)注框。

若循環(huán)結(jié)束后仍不滿足條件，則說(shuō)明有多個(gè)著火點(diǎn)，此時(shí)返回高斯核為1時(shí)尋找多個(gè)著火點(diǎn)，如圖4(b)所示。同樣對(duì)差值矩陣中的n個(gè)元素進(jìn)行大小排序，并按從大到小的順序每次取出三個(gè)相鄰元素maxi、maxi+1、maxi+2，比較相鄰兩者之間的差值大?。喝羟罢卟钪敌∮诤笳?，則說(shuō)明此時(shí)maxi+1比較大，異常概率高，為另一個(gè)著火點(diǎn)；此后繼續(xù)循環(huán)作差值判斷，直到前者差值大于后者，此時(shí)第二大元素值較小，即可排除異常點(diǎn)，循環(huán)終止。通過(guò)圖4中兩種方法能夠自適應(yīng)的對(duì)圖像中的早期山火煙霧進(jìn)行自動(dòng)標(biāo)注，經(jīng)實(shí)驗(yàn)驗(yàn)證，取得了不錯(cuò)的效果。

4 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文提出的使用不同大小高斯核過(guò)濾網(wǎng)格特征矩陣的方法的實(shí)際適用性，分別采用不同K值對(duì)同一張山火煙霧圖像進(jìn)行特征提取并標(biāo)注。圖5(a)展示了不同K值下差值矩陣的數(shù)值大小，檢測(cè)效果如圖5(b)、(c)、(d)所示。

圖5 不同K值檢測(cè)結(jié)果Fig. 5 Different K value detection results

可觀察到，K=1時(shí)出現(xiàn)兩個(gè)不重疊的標(biāo)注框，K=3時(shí)則出現(xiàn)了兩個(gè)重疊的標(biāo)注框，都造成了計(jì)算資源的浪費(fèi)，且混淆最終檢測(cè)結(jié)果。由圖5(a)可知，在本文方法下將自動(dòng)選擇K=2，此時(shí)只使用一個(gè)標(biāo)注框就包圍了煙霧的全部區(qū)域，對(duì)比驗(yàn)證了本文提出的使用不同K值自適應(yīng)提取特征且標(biāo)注的實(shí)用性。

最終通過(guò)基于網(wǎng)格劃分的圖像特征提取、早期山火煙霧異常檢測(cè)和著火點(diǎn)標(biāo)注三個(gè)步驟，對(duì)輸電線路固定攝像頭拍攝的視頻圖像做早期山火煙霧檢測(cè)的結(jié)果如圖6(a)、(b)、(c)所示。圖6(d)、(e)、(f)展示了某地輸電線路于2021-01-29日內(nèi)發(fā)生三次山火的實(shí)際圖像檢測(cè)結(jié)果。另外，為展示不同大小的標(biāo)注框，以及多個(gè)著火點(diǎn)的情況，還選取了類似輸電線路環(huán)境的早期山火煙霧的視頻進(jìn)行了實(shí)驗(yàn)，如圖6(g)、(h)、(i)所示。

圖6 早期山火煙霧檢測(cè)結(jié)果Fig. 6 Early wildfire smoke detection results

由上圖可知，本文提出的早期山火煙霧檢測(cè)方法能夠很好的檢測(cè)出早期山火煙霧并進(jìn)行標(biāo)注。其中圖(a)、圖(b)和圖(c)是山火發(fā)生時(shí)煙霧逐漸擴(kuò)散的不同時(shí)段的圖像，可以觀察到標(biāo)注框的大小隨著煙霧面積變化而改變，說(shuō)明本文提出的使用不同大小高斯核過(guò)濾網(wǎng)格特征矩陣的方法，可以應(yīng)對(duì)不同階段的煙霧標(biāo)注；而圖5(d)、(e)、(f)則驗(yàn)證本文方法在野外實(shí)際情況中面對(duì)一天中的不同時(shí)刻同樣具有實(shí)時(shí)檢測(cè)能力；此外，圖(g)為面積特別小的早期山火煙霧，圖(h)則是同時(shí)存在兩個(gè)著火點(diǎn)的情況，圖(i)是有車(chē)輛經(jīng)過(guò)時(shí)的檢測(cè)結(jié)果，其中黑色框中是行駛的小車(chē)。以上展示的三張圖像涵括了三種具有代表性的情形：煙霧極小、多個(gè)著火點(diǎn)以及有移動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法對(duì)早期山火煙霧檢測(cè)的有效性。

此外，為進(jìn)一步驗(yàn)證該方法檢測(cè)的準(zhǔn)確率，對(duì)以上三種具有代表性的視頻截成圖像幀，每個(gè)視頻圖像幀數(shù)量約為2 500張。并與幾個(gè)常用的有監(jiān)督的機(jī)器學(xué)習(xí)方法做了準(zhǔn)確率對(duì)比實(shí)驗(yàn)，其中訓(xùn)練集和測(cè)試集按照4∶1的比例劃分，設(shè)置分類結(jié)果為有山火和無(wú)山火。表1展示了檢測(cè)結(jié)果。

表1 針對(duì)早期山火煙霧的不同方法檢測(cè)結(jié)果對(duì)比

為對(duì)比特征提取方式對(duì)檢測(cè)結(jié)果的影響，實(shí)驗(yàn)對(duì)比了三種不同的特征提取方法。其中HOG和LBP為兩個(gè)傳統(tǒng)的特征提取方法，VGG為經(jīng)典的深度學(xué)習(xí)特征提取方法。由上表可知，針對(duì)較小的早期山火煙霧檢測(cè)，三種方法準(zhǔn)確率都較低，同時(shí)虛警率和漏檢率較高，且在樣本極度不平衡的情況下，采用深度學(xué)習(xí)的特征提取方法甚至比不上采用傳統(tǒng)的特征提取方法所獲得的準(zhǔn)確率高。另外，可觀察到在對(duì)視頻3的檢測(cè)中，HOG和LBP兩種方法的漏檢率為0，這是由于樣本極度不平衡，導(dǎo)致幾乎將所有的樣本都檢測(cè)為有火，雖然最終準(zhǔn)確率高，但無(wú)意義。而本文的方法對(duì)三個(gè)視頻的檢測(cè)準(zhǔn)確率幾乎都達(dá)到了90%及以上，且虛警率和漏檢率也比較低，對(duì)于早期非常小的山火煙霧檢測(cè)效果比較突出，對(duì)輸電線路山火防治有重大意義。

5 結(jié) 論

本文在分析固定攝像頭拍攝的早期山火煙霧圖像特點(diǎn)的基礎(chǔ)上，提出基于網(wǎng)絡(luò)劃分的圖像特征提取方法，通過(guò)異常點(diǎn)檢測(cè)判斷有無(wú)早期山火煙霧發(fā)生，從而檢測(cè)山火，并采用不同大小高斯核濾波得到適應(yīng)煙霧大小的著火點(diǎn)標(biāo)注框。

與有監(jiān)督的機(jī)器學(xué)習(xí)方法對(duì)比，本文方法在保持較高的檢測(cè)準(zhǔn)確率的同時(shí)，能夠獲得較低的虛警率和漏檢率。該方法是半監(jiān)督的，且計(jì)算復(fù)雜度低，不依賴于服務(wù)器，只需視頻的上下文信息就能有效地檢測(cè)早期極小山火煙霧。應(yīng)用于智能前端攝像機(jī)，可減少系統(tǒng)帶寬消耗，節(jié)約服務(wù)器資源，降低成本的同時(shí)完成實(shí)時(shí)監(jiān)測(cè)，適合在實(shí)際嵌入式攝像頭中應(yīng)用。