基于視覺的接觸網(wǎng)絕緣子識別定位研究

展明星 王致誠 李致遠(yuǎn)

【摘要：】絕緣子串的精確定位是實現(xiàn)其故障檢測的重要前提。文章針對目前接觸網(wǎng)絕緣子巡檢圖像中絕緣子串檢測算法定位不精確的問題，提出一種雙目視覺結(jié)合SURF特征的目標(biāo)識別定位方法。由于絕緣子所處位置環(huán)境復(fù)雜，采用SURF特征可實現(xiàn)目標(biāo)識別的前期粗定位;根據(jù)雙目視覺原理求取已經(jīng)粗定位識別出物體的三維坐標(biāo)，實現(xiàn)目標(biāo)物體的識別與細(xì)定位;通過這些方法保存識別出物體形心的三維坐標(biāo)，傳輸給巡檢機(jī)器人，以便控制機(jī)器人調(diào)整檢測位置。實驗結(jié)果證明，此方法有較好的識別效率和準(zhǔn)確性，可以成功地識別出目標(biāo)，具有一定的工程應(yīng)用價值。

【關(guān)鍵詞：】絕緣子;雙目視覺;SURF算法;復(fù)雜背景;圖像識別

U225.4+3A561844

0 引言

絕緣子是鐵路接觸網(wǎng)的重要部件，主要功能是對接地體保持電氣絕緣，起到支撐接觸網(wǎng)電纜和防止電流回地的作用。絕緣子長期暴露在戶外會產(chǎn)生一定程度的污染和破損，導(dǎo)致電氣性能下降并影響絕緣強(qiáng)度。保持絕緣子清潔能有效降低污閃事故的發(fā)生，眾多學(xué)者也為此開展了對絕緣子當(dāng)前狀態(tài)監(jiān)測的研究。隨著機(jī)器視覺技術(shù)的不斷發(fā)展，以其為基礎(chǔ)的智能檢測技術(shù)開始逐漸應(yīng)用到鐵路巡檢設(shè)備中。由于接觸網(wǎng)絕緣子被各種電線支架包圍，造成檢測過程中精確識別的難度加大，因此如何提高機(jī)器視覺的識別能力具有重要的研究意義。

目前主要通過人工方式或者根據(jù)電氣特性對絕緣子狀態(tài)進(jìn)行檢測，但實際應(yīng)用中，人工檢測方式效率低下，與自動化檢測的安全性要求相比，仍有相當(dāng)大的距離。而電氣特性檢測方法的穩(wěn)定性較差，極易受到周邊環(huán)境的影響[1-2]。文獻(xiàn)[3]針對穩(wěn)定性較差問題提出一種加入現(xiàn)場可編程門陣列硬件加速方法，應(yīng)用于電力巡檢無人機(jī)，通過坐標(biāo)轉(zhuǎn)換關(guān)系計算偏轉(zhuǎn)角的差值，進(jìn)而得到絕緣子前端定位。文獻(xiàn)[4]采用交替優(yōu)化的策略，增加反饋機(jī)制調(diào)節(jié)卷積核的大小和個數(shù)，依據(jù)語義誤差信息熵測度指標(biāo)評價結(jié)果，進(jìn)而實現(xiàn)反復(fù)推敲比對后的檢測結(jié)果。這些方法在檢測圖像缺陷方面做出了改進(jìn)，但存在著識別過程計算量大，圖像去除干擾能力較差的問題。例如航拍圖像中若存在復(fù)雜背景，如高壓線、樹杈、鳥巢等都會導(dǎo)致目標(biāo)絕緣子特征不明顯。因此，本文提出一種基于雙目視覺結(jié)合區(qū)域特征的圖像匹配方法，對接觸網(wǎng)絕緣子進(jìn)行識別。采用SURF（Speeded up robust feature）算法，來提高絕緣子識別過程中的速度和準(zhǔn)確性。利用雙目攝像頭模擬人眼，獲取被測物體的二維圖像，再對其圖像進(jìn)行識別與匹配，然后根據(jù)視差原理計算得出物體的三維空間坐標(biāo)，最后將定位坐標(biāo)傳輸給巡檢機(jī)器人，以便巡檢機(jī)器人實現(xiàn)位置的控制和調(diào)整，從而得到更精確的檢測。本文算法在定位精度和速度方面表現(xiàn)出了良好的性能，具有一定的工程實際應(yīng)用價值。

本文重點(diǎn)研究作用于接觸網(wǎng)絕緣子的巡檢機(jī)器人視覺識別系統(tǒng)，提出一種雙目視覺結(jié)合區(qū)域特征的圖像匹配方法，對接觸網(wǎng)絕緣子進(jìn)行識別，實現(xiàn)對待檢測絕緣子的識別定位，提高機(jī)器人巡檢效率，減少因人員疏忽、漏檢等因素造成的安全隱患。

1 基于SURF特征的目標(biāo)識別

SURF算法是由BAYH提出的，在SIFT（Scale-invariant feature transform，尺度不變特征變換）算法基礎(chǔ)上引入了Hessian矩陣，并加入了積分圖像和盒子濾波器，大大提高了計算速度，節(jié)省了程序運(yùn)行時間，對于形狀、位置相對固定的接觸網(wǎng)絕緣子自動化檢測具有較強(qiáng)的實時性[5]。

1.1 SURF特征匹配

1.1.1 提取特征點(diǎn)

SURF算法是在SIFT算法的基礎(chǔ)上引入了Hessian矩陣及積分圖像[6]。將目標(biāo)圖像和高斯函數(shù)做卷積運(yùn)算，加入盒子濾波器代替高斯核函數(shù)進(jìn)行卷積運(yùn)算，得到圖像和高斯函數(shù)的卷積，并將其轉(zhuǎn)換成積分圖像與高斯二階導(dǎo)數(shù)模板的卷積運(yùn)算，此時的高斯二階導(dǎo)數(shù)模板實際上已變成一些簡單的權(quán)重區(qū)域組合，將卷積運(yùn)算轉(zhuǎn)換為積分圖像的加減運(yùn)算。因此，可以提高圖像特征點(diǎn)提取速度。上述的Hessian矩陣的行列式在尺度空間中每層的局部最大值即為特征點(diǎn)。

1.1.2 構(gòu)建特征描述符

優(yōu)質(zhì)的特征描述符應(yīng)具有較好的魯棒性不受外界條件干擾，在光照、視角以及噪聲的干擾下仍能保持不變。在SURF算法中，統(tǒng)計特征點(diǎn)領(lǐng)域內(nèi)的Haar小波特征，不統(tǒng)計其梯度直方圖。通過Haar小波響應(yīng)累加值和最大值的確定為主方向，同時為了保證特征向量具有旋轉(zhuǎn)不變性，選擇特征點(diǎn)為中心，沿著基準(zhǔn)方向構(gòu)建正方形區(qū)域，經(jīng)過Haar小波響應(yīng)最終形成例如一個64維的特征向量組成的特征描述符。這種方法可避免傅里葉變換得原函數(shù)在正余弦不同頻率下的系數(shù)，而是得到原函數(shù)在不同尺度小波（這里采用Haar小波）下的系數(shù)。

1.1.3 特征匹配

提取特征點(diǎn)之后對待匹配區(qū)域圖像與標(biāo)準(zhǔn)模板圖像進(jìn)行匹配，SURF算法采用最近鄰域匹配方法。首先計算待匹配圖像到標(biāo)準(zhǔn)模板圖像上特征點(diǎn)的歐氏距離，得出對應(yīng)的距離集合，然后通過排序得到最小距離d1以及次最小歐氏距離d2。設(shè)定一個閾值T，當(dāng)d1和d2的比值小于該閾值，即d1/d2

1.2 目標(biāo)識別

為了從復(fù)雜的背景中識別出目標(biāo)物體，預(yù)先建立檢測目標(biāo)的特征模板庫。如圖1所示，取簡單的場景作為背景，調(diào)整相機(jī)角度，采集目標(biāo)物體在不同角度下的圖像，利用SURF算法提取圖像的特征點(diǎn)，并將提取出的特征點(diǎn)向量進(jìn)行保存。由于目標(biāo)背景特征相對簡單，集中目標(biāo)物體的特征點(diǎn)描述要多于其他干擾物的特征點(diǎn)描述。

建立好特征模板之后，將目標(biāo)物體置于其他復(fù)雜場景中，采集應(yīng)用場景待匹配的圖像，提取圖像的特征點(diǎn)，將待匹配圖像與模板的特征描述進(jìn)行匹配，若成功匹配點(diǎn)的數(shù)目達(dá)到了一定數(shù)量，則認(rèn)為該場景中有匹配的目標(biāo)，從而實現(xiàn)目標(biāo)物體的識別。如圖2和圖3所示為絕緣子的匹配識別效果圖。

通過采用相同的識別圖像對比SURF算法和SIFT算法，結(jié)果如表1所示，SURF匹配總數(shù)少于SIFT，但是準(zhǔn)確數(shù)目要高于SIFT，同時所花費(fèi)的時間上明顯低于SIFT。所以，采用SURF算法進(jìn)行識別更能滿足一定的實時性要求。

1.3 提取粗定位的絕緣子

經(jīng)過SURF算法前期的粗定位，絕緣子外部環(huán)境的干擾大大減少，剔除了接觸網(wǎng)支架、電纜等對絕緣子特征的干擾。為減小光照對識別效果的影響，選擇HSV（Hue、Saturation、Value）顏色模型提取光照影響最小的分量，采用最大類間方差法（Otsu）對絕緣子圖像進(jìn)行閾值分割。如圖4所示，對分割后的圖像進(jìn)行形態(tài)學(xué)處理，提取出絕緣子輪廓圖像。

2 基于雙目視覺的目標(biāo)定位

雙目立體視覺是使用計算機(jī)模擬人眼的視覺功能，人的雙眼對看到的場景具有深度感知的能力，雙目立體視覺即仿照這種效應(yīng)原理?？梢岳脙膳_規(guī)格型號一致的攝像機(jī)，同時獲取相同場景下目標(biāo)的二維圖像，找出兩個攝像機(jī)采集圖像中相對應(yīng)的匹配點(diǎn)，然后根據(jù)雙目視覺成像原理，計算兩個圖像像素點(diǎn)所對應(yīng)的場景中點(diǎn)的三維信息，得出場景中點(diǎn)的位置信息，在進(jìn)行立體匹配之前，需要對使用的雙目攝像機(jī)進(jìn)行標(biāo)定，以獲取攝像機(jī)參數(shù)。

2.1 攝像機(jī)標(biāo)定

攝像機(jī)標(biāo)定是一個確定攝像機(jī)內(nèi)部參數(shù)（焦距、圖像中心、畸變系數(shù)等）和外部參數(shù)[R（旋轉(zhuǎn)）矩陣、T（平移）矩陣]的過程，其目的是建立起目標(biāo)物體像素坐標(biāo)系與真實三維世界坐標(biāo)系之間的關(guān)系。標(biāo)定用的照片由左右相機(jī)同時拍攝，因為只有同時拍攝才能得到同一物理點(diǎn)在左右相機(jī)圖像平面上的投影。本文采用Matlab標(biāo)定工具箱，對實驗所用雙目攝像頭進(jìn)行標(biāo)定矯正，利用黑白棋盤方格標(biāo)定，采集目標(biāo)在旋轉(zhuǎn)不同角度情況下的一系列圖像。相機(jī)坐標(biāo)系下兩臺攝像機(jī)的3D立體示意圖如圖5所示，攝像機(jī)參數(shù)如表2所示。

2.2 計算三維坐標(biāo)

將對識別出來的絕緣子定為待檢測區(qū)域，如圖6所示求取識別出來待檢測的區(qū)域的質(zhì)心，保存質(zhì)心坐標(biāo)，就可以控制巡檢機(jī)器人根據(jù)質(zhì)心位置在一定范圍內(nèi)進(jìn)行位置調(diào)整，以捕獲絕緣子整體信息。

雙目視覺模型圖如圖7所示。在世界坐標(biāo)系下，空間點(diǎn)P（x，y，z）在兩個相機(jī)成像平面的圖像坐標(biāo)分別記作P1（ul，vl）、P2（ur，vr），由攝像機(jī)針孔成像模型，可得：

zlulvl1

=Mlxyz1

=ml11ml12ml13

ml21ml22ml23

ml31ml32ml33

ml14ml24ml24

xyz1 （1）

zrurvr1

=Mrxyz1

=mr11mr12mr13mr21mr22mr23mr31mr32m33

mr14m24mr34

xyz1（2）

式中：Ml，Mr——左右兩個攝像機(jī)的投影矩陣。

化簡為：AP=b。

其中：

A=ml31ul-ml11ml32ul-ml12ml33ul-ml13ml31vl-ml21ml32vl-ml22ml33vl-ml23mr31ur-mr11mr31ur-mr11mr31ur-mr11

mr31vr-mr21mr32vr-mr22mr33vr-mr23（3）

p=xyzT （4）

b=ml14-ml34ulml24-ml34vlmr14-mr34urmr24-mr34vr （5）

根據(jù)最小二乘法[12]，求得空間P的三維坐標(biāo)：

P=ATA-1ATb （6）

3 實驗結(jié)果與分析

本文實驗采用USB雙目攝像頭進(jìn)行圖像采集與測量。設(shè)置攝像距離為80 cm，圖片分辨率為1 280×720。采用棋盤標(biāo)定板，求解出圖像像素坐標(biāo)與世界坐標(biāo)之間的聯(lián)系。

如表6所示，通過實驗求取并計算三維重建坐標(biāo)，第一行為上文中絕緣子的質(zhì)心坐標(biāo)。在左攝像機(jī)中像素坐標(biāo)為（891.32，196.35），在右攝像機(jī)中像素坐標(biāo)為（772.42，195.46），兩個坐標(biāo)中的縱坐標(biāo)基本相等，說明兩攝像頭近似保持在同一水平。然后，計算得出質(zhì)點(diǎn)三維坐標(biāo)（837.98，196.2 81.37），其中，81.37（Z軸坐標(biāo)）表示目標(biāo)物體（絕緣子質(zhì)心）距離攝像頭平面的距離，非常接近于測量值80，且誤差范圍<4%。見表3～5。

4 結(jié)語

本文研究了基于雙目視覺的接觸網(wǎng)絕緣子識別與定位的整個過程，在識別階段，針對復(fù)雜背景下識別困難問題，使用基于SURF算法的模板匹配識別目標(biāo)，先建立簡單目標(biāo)的模板庫，以確保單一的目標(biāo)特征，可以較好地識別目標(biāo)，而且實驗證明SURF算法特征提取比SIFT算法速度要快。在定位階段，利用雙目視覺原理提取出目標(biāo)的三維信息，確定其質(zhì)心位置。實驗證明，計算得出的位置誤差<4%。根據(jù)所求得的位置，可以進(jìn)一步控制巡檢機(jī)器人調(diào)整視覺位置，捕獲更精確的絕緣子信息，對其進(jìn)行破損、裂紋等檢測。

參考文獻(xiàn)：

[1]黃 繪.絕緣錨段關(guān)節(jié)處常見弓網(wǎng)事故的分析與預(yù)防[J].西部交通科技，2020（8）：151-152，158.

[2]李艷軍.高速鐵路動車組不斷電過分相技術(shù)研究[J].西部交通科技，2020（2）：152-155.

[3]蘇 超，楊 強(qiáng).基于機(jī)器視覺深度學(xué)習(xí)的絕緣子前端定位方法[J].廣東電力，2019，32（9）：33-40.

[4]張 倩，王建平，李帷韜.基于反饋機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)絕緣子狀態(tài)檢測方法[J].電工技術(shù)學(xué)報，2019，34（16）：3 311-3 321.

[5]閆海峰，李佳潔，王新宇.高速鐵路貨運(yùn)動車組列車開行條件研究[J].西部交通科技，2019（2）：146-149.

[6]王致誠，孟建軍.基于高階滑模方法的永磁同步電機(jī)控制系統(tǒng)研究[J].制造業(yè)自動化，202 43（1）：8-11.