李 游,吳水鋒,周云雅,李海燕

(1.國網(wǎng)湖南省電力有限公司檢修公司,湖南 長沙 410004)(2.變電智能運(yùn)檢國網(wǎng)湖南省電力有限公司實(shí)驗(yàn)室,湖南 長沙 410004)(3.國網(wǎng)湖南省電力有限公司,湖南 長沙 410004)

變電站的安全、穩(wěn)定運(yùn)行是保證電力系統(tǒng)正常運(yùn)行的基礎(chǔ)[1],對變電站進(jìn)行巡檢是保證其安全、穩(wěn)定運(yùn)行的關(guān)鍵之一。對變電站運(yùn)行狀況進(jìn)行實(shí)時監(jiān)測,可以及時發(fā)現(xiàn)變電站運(yùn)行的缺陷,及時作出預(yù)警,避免發(fā)生安全事故[2]。

目前,大多采用無人機(jī)巡檢的方式采集變電站的目標(biāo)圖像。然而無人機(jī)巡檢過程中采集的圖像都是動態(tài)狀況下的圖像,所包含的無效信息較多,后期難以對巡檢圖像中的故障信息進(jìn)行準(zhǔn)確識別[3]。邊緣信息是圖像最基本的特征,是圖像中像素灰度存在明顯變化的像素的集合。邊緣信息存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、背景與背景之間,借助于邊緣信息能夠準(zhǔn)確地捕捉到巡檢圖像中的目標(biāo)信息和異常信息。因此,需針對變電站無人機(jī)巡檢圖像邊緣識別方法進(jìn)行設(shè)計(jì),以實(shí)現(xiàn)對巡檢目標(biāo)圖像的準(zhǔn)確識別,及時排除安全隱患。吳一全等[4]提出了一種基于卷積網(wǎng)絡(luò)的圖像邊緣檢測方法,用來解決計(jì)算機(jī)視覺難以精準(zhǔn)定位圖像邊緣的問題。首先利用卷積網(wǎng)絡(luò)提取目標(biāo)圖像邊緣點(diǎn)的特征,并對提取的特征進(jìn)行集中訓(xùn)練,根據(jù)特征不變性原理分析目標(biāo)圖像邊緣特征之間的關(guān)聯(lián),然后再根據(jù)卷積網(wǎng)絡(luò)設(shè)定邊緣判斷條件,確定圖像中的實(shí)際邊緣信息點(diǎn)。雖然該方法可以定位圖像邊緣信息,但是離散系數(shù)偏小,定位效果一般。余震等[5]提出了基于中智理論的圖像邊緣檢測方法。首先,基于中智理論將目標(biāo)圖像轉(zhuǎn)換為中智圖像,通過對圖像內(nèi)各個特征重新定義,生成新的圖像信息,并求出新的圖像信息的梯度閾值,來判斷圖像邊緣的具體像素點(diǎn),從而實(shí)現(xiàn)對邊緣圖像的檢測。本文針對變電站無人機(jī)巡檢圖像設(shè)計(jì)了一種新的邊緣識別方法。

1 無人機(jī)巡檢圖像邊緣識別方法

1.1 重構(gòu)無人機(jī)巡檢圖像像素的灰度值

影響圖像邊緣信息的一個重要因素是圖像灰度具有不連續(xù)性,從而使邊緣信息存在階躍邊緣和線條邊緣兩種形式。為避免因圖像灰度不連續(xù)而影響圖像邊緣識別效果,本文在檢測與識別前先對無人機(jī)巡檢圖像像素的灰度值進(jìn)行重構(gòu)。

若變電站無人機(jī)采集的兩幅巡檢圖像的灰度值大小相近,則可以將這兩個動態(tài)巡檢圖像歸屬同一類[6]。設(shè)定動態(tài)巡檢圖像的局部相似度函數(shù)為Hij,用下式表示:

(1)

式中:Hs-ij為無人機(jī)巡檢圖像i與j之間的像素值相似度,Hg-ij為無人機(jī)巡檢圖像i與j在空間中的灰度值相似度。

像素值相似度Hs-ij表示為:

(2)

式中:pi、qi為巡檢圖像i中兩個像素值的顏色通道值,pj、qj為巡檢圖像j中兩個像素值的顏色通道值,λk為無人機(jī)巡檢圖像像素值相似度的影響因子[7]。

灰度值相似度Hg-ij表示為:

(3)

式中:xi為動態(tài)巡檢圖像在核心區(qū)域的像素灰度值,xj為巡檢圖像在核心區(qū)域采集的灰度值,λg為巡檢圖像像素值相似度的影響因素,δg-i為巡檢圖像在核心區(qū)域的密度函數(shù)。δg-i可定義為:

(4)

式中:Ni為無人機(jī)巡檢圖像i的相鄰區(qū)域的像素點(diǎn),NR為無人機(jī)巡檢圖像i的相鄰區(qū)域的像素點(diǎn)數(shù)量。

對無人機(jī)巡檢圖像的灰度值進(jìn)行重構(gòu),表示為:

(5)

式中:ηi為重構(gòu)的巡檢圖像η中第i個圖像的灰度值。

1.2 檢測無人機(jī)巡檢圖像邊緣

根據(jù)無人機(jī)巡檢圖像的空間特征,采用代數(shù)運(yùn)算對巡檢圖像的邊緣實(shí)施檢測。假設(shè)無人機(jī)巡檢圖像的大小為M×N,利用下式描述巡檢圖像的像素值p(x,y):

p(x,y)=fR(x,y)h+fG(x,y)l+fB(x,y)k

(6)

式中:(x,y)為無人機(jī)動態(tài)巡檢圖像在M×N內(nèi)的圖像位置;fR(x,y)、fG(x,y)、fB(x,y)分別為無人機(jī)動態(tài)巡檢圖像中R、G、B的具體像素值,(h,l,k)為巡檢圖像空間特征的3個虛擬單位。對無人機(jī)巡檢圖像中的像素值p(x,y)進(jìn)行歸一化處理,計(jì)算出巡檢圖像i與j之間的格拉斯曼積PrPr0:

PrPr0=sum(q1×q2)

(7)

式中:將圖像i與j展開成一維向量,分別記為q1和q2,sum(·)為求和函數(shù)。PrPr0內(nèi)包括一個像素值S[PrPr0]和一個動態(tài)圖像V[PrPr0]。歸一化處理后,無人機(jī)巡檢圖像的灰度值r與初始灰度值r0的判別方差為(-1,0)。由此可知,兩幅無人機(jī)巡檢動態(tài)圖像的相似度越高,判別方差的值越接近(-1,0)。r與r0之間相似度判別函數(shù)c(r,r0)為:

(8)

式中:S和V分別為無人機(jī)巡檢圖像中的清晰圖像與失效圖像。

(9)

(10)

(11)

式中:R(P)為無人機(jī)巡檢圖像非邊緣點(diǎn)和弱邊緣點(diǎn)的分割結(jié)果,gl為巡檢圖像非邊緣點(diǎn)的有效分割信息,gh為巡檢圖像邊緣點(diǎn)的有效分割信息。

通過上述步驟確定無人機(jī)巡檢圖像邊緣點(diǎn)的閾值信息,實(shí)現(xiàn)對變電站無人機(jī)巡檢圖像邊緣的有效檢測。

1.3 設(shè)計(jì)無人機(jī)巡檢圖像邊緣識別方法

在識別無人機(jī)巡檢圖像邊緣信息時,引入無人機(jī)動態(tài)巡檢圖像的離散系數(shù)Cuv[10]:

Cuv=Δuv/Iuv

(12)

式中:Δuv、Iuv分別為無人機(jī)巡檢圖像邊緣uv的標(biāo)準(zhǔn)方差和方差限制。式(12)可以對無人機(jī)巡檢圖像的連接強(qiáng)度βuv進(jìn)行分析,即Cuv=βuv,得到無人機(jī)巡檢圖像的離散矩陣:

(13)

式中:n為巡檢圖像邊緣識別的迭代次數(shù),Fuv[n]、Uuv[n]分別為無人機(jī)巡檢圖像邊緣的信息值和動態(tài)數(shù)值[11-12],θuv[n]為無人機(jī)巡檢圖像邊緣的權(quán)值,α和β分別為無人機(jī)巡檢圖像邊緣點(diǎn)的權(quán)值隸屬度和連接系數(shù),θ0為無人機(jī)巡檢圖像邊緣的灰度值。當(dāng)βuv≠0時,利用卷積網(wǎng)絡(luò)獲得無人機(jī)巡檢圖像的邊緣信息,定義邊緣矩陣T,對無人機(jī)巡檢圖像進(jìn)行迭代處理[13],有如下表達(dá)式:

Tuv[n]=Fuv[n-1](1+βuv[n])+1

(14)

公式(14)反映了無人機(jī)巡檢圖像的空間信息和時間信息,將巡檢圖像平面內(nèi)的離散質(zhì)點(diǎn)定義為:

xc=∑(xrmr)/∑hr

yc=∑(yrmr)/∑hr

(15)

式中:hr為巡檢圖像坐標(biāo)點(diǎn)(xr,mr)處的離散質(zhì)點(diǎn)信息;(xc,yc)為巡檢圖像邊緣離散質(zhì)點(diǎn)的中心,其能夠體現(xiàn)出無人機(jī)巡檢圖像邊緣的形狀特征[14]。

為了能夠?qū)o人機(jī)巡檢圖像邊緣信息進(jìn)行有效識別,需要對其進(jìn)行歸一化處理[15],過程如下:

Ic=xc/M

Jc=yc/N

(16)

式中:Ic為橫向圖像邊緣信息,Jc為縱向圖像邊緣信息。式(16)能夠?qū)討B(tài)巡檢圖像進(jìn)行噪聲干擾處理,結(jié)合上述求得的無人機(jī)巡檢圖像灰度值,實(shí)現(xiàn)對變電站無人機(jī)巡檢圖像邊緣信息的自適應(yīng)識別,表達(dá)式為:

δ=ic0+jc0+(Tij[n]·θ0)

(17)

式中:δ為變電站無人機(jī)巡檢圖像邊緣信息的自適應(yīng)識別結(jié)果。

2 實(shí)驗(yàn)分析

為驗(yàn)證上述設(shè)計(jì)的變電站無人機(jī)巡檢圖像邊緣識別方法的實(shí)際應(yīng)用性能,設(shè)計(jì)如下實(shí)驗(yàn)。

2.1 實(shí)驗(yàn)參數(shù)

實(shí)驗(yàn)過程中,為了排除噪聲因素對變電站無人機(jī)巡檢圖像質(zhì)量的影響,設(shè)置了如表1所示的實(shí)驗(yàn)參數(shù)。

表1 實(shí)驗(yàn)參數(shù)設(shè)置情況統(tǒng)計(jì)表

2.2 設(shè)置實(shí)驗(yàn)指標(biāo)

實(shí)驗(yàn)過程中,先引入離散系數(shù)衡量變電站無人機(jī)巡檢圖像邊緣的識別效果,離散系數(shù)值越大說明巡檢圖像邊緣的識別效果越好,反之則差。

接著利用優(yōu)質(zhì)系數(shù)衡量變電站無人機(jī)巡檢圖像邊緣的識別性能,將優(yōu)質(zhì)系數(shù)Pl定義為:

(18)

式中:n0為理想狀態(tài)下識別到的點(diǎn)數(shù),nd為正常狀態(tài)下識別到的點(diǎn)數(shù),?為比例系數(shù),dγ為識別到邊緣點(diǎn)γ與理想邊緣點(diǎn)之間的距離。

2.3 結(jié)果分析

為了突出本文方法的優(yōu)勢,引入基于Franklin矩的圖像邊緣識別方法和基于中智理論的圖像邊緣識別方法作對比。3種方法在圖像邊緣識別離散系數(shù)方面的測試結(jié)果如圖1所示。

圖1 圖像邊緣識別離散系數(shù)測試結(jié)果

由圖可以看出,采用基于Franklin矩的圖像邊緣識別方法識別巡檢圖像邊緣的離散系數(shù)為2～10,盡管隨著識別次數(shù)的增加,其離散系數(shù)也越來越大,但離散系數(shù)的數(shù)值整體偏小于另外兩種方法,識別效果不夠理想;采用基于中智理論的圖像邊緣識別方法識別巡檢圖像邊緣的離散系數(shù)比基于Franklin矩的方法大,但是當(dāng)識別次數(shù)低于5次時,圖像邊緣識別的離散系數(shù)小于10,無法滿足巡檢圖像邊緣的識別要求;采用本文方法時,識別巡檢圖像邊緣的離散系數(shù)為15～20,明顯高于其他兩種方法,由此可以說明,本文設(shè)計(jì)的變電站無人機(jī)巡檢圖像邊緣識別方法的效果更好。

3種方法在圖像邊緣識別優(yōu)質(zhì)系數(shù)方面的測試結(jié)果如圖2所示。

圖2 圖像邊緣識別優(yōu)質(zhì)系數(shù)測試結(jié)果

由圖可以看出,基于Franklin矩的圖像邊緣識別方法和基于中智理論的圖像邊緣識別方法的巡檢圖像邊緣識別優(yōu)質(zhì)系數(shù)的變化趨勢基本相同,基于中智理論的圖像邊緣識別方法得到的優(yōu)質(zhì)系數(shù)大于基于Franklin矩的圖像邊緣識別方法;采用本文方法識別巡檢圖像邊緣的優(yōu)質(zhì)系數(shù)始終大于17,由此可以說明,本文設(shè)計(jì)的變電站無人機(jī)巡檢圖像邊緣識別方法具有更高的性能。

3 結(jié)束語

本文設(shè)計(jì)了一種變電站無人機(jī)巡檢圖像邊緣識別方法,經(jīng)測試發(fā)現(xiàn),該方法在識別變電站無人機(jī)巡檢圖像邊緣時不僅具有更好的識別效果,還可以提高圖像邊緣識別性能。但是,由于實(shí)驗(yàn)時間等條件的限制,本文的研究還存在很多需要改進(jìn)的地方。在今后的研究中,將考慮利用蟻群算法對圖像邊緣準(zhǔn)確定位,以進(jìn)一步確保圖像邊緣識別的準(zhǔn)確性。