基于多方法的输电线路异物识别技术研究

张厚海

摘要：近年来，因为风筝、气球、塑料布等异物对电网安全造成威胁的事件时有发生，不仅影响了线路的正常供电，甚至引发跳闸事故[1]。传统的输电线路异物检测采用人工巡检方式，该种方式工作效率低、巡检周期长、漏检率高，难以满足我国智能电网高速的发展的需要。因此，找到一种对输电线路周边状况及环境参数进行全天候监测，能够有效识别输电线路异物的技术和方法势在必行。本文研究了以图像形态学识别和结合深度学习的识别的多方法输电线路异物识别技术，该方智能化程度高，识别准确，是未来输电线路异物识别的发展方向。

关键词：图像识别;电力系统智能化;神经网络;输电线路异物

1.引言

目前国内外最常用的输电线路异物识别方法为形态学识别法，此方法主要应用图像处理和分析手段，识别方法简单有效、算法易于实现，适用于前期数据样本量较少的工程阶段。而随着设备的使用，样本数据不断累积，当获得大量的各类型异物图像数据之后，便可以使用基于深度学习的识别方法。相比于传统机器学习，深度学习具有更加优越的特征表达能力和更强的模型自主学习能力[2]。本方案设计了形态学与深度学习相结合的输电线路异物识别方案，可有效识别大部分异物。

2.输电线路采集图像的预处理方法介绍

2.1图像灰度化

摄像头等硬件设备采集到的图像通常为RGB格式，而基本的形态学处理方法没有必要获取图像的颜色宏观信息，因此要进行图像灰度化处理。采用的方法为加权平均法：

f（i，j）-0.30R（i，j）+0.59G（i，j）+0.11B（i，j）

其中，f（i，j）表示在坐标点（i，j）处的灰度大小，该点RGB各分量乘权值累加。

2.2直方图均衡化

直方图均衡化的目的是使图像的灰度值分布更加均匀，以利于图像滤波和分割。直方图均衡化处理算法：

直方图均衡化的目的是使图像的灰度值分布更加均匀，以利于图像滤波和分割。直方图均衡化处理算法：

式中，M代表像素点个数，N代表灰度级级数，a（x，y）代表输入图像，ha（u）代表输入图像的直方图，b（x，y）是经直方图均衡处理后的图像输出。

2.3图像平滑去噪

平滑去噪的目的是利用滤波方法去除图像在生成、获取、传输的过程中受到的干扰信息。由于输电线路形态的特殊性，在进行滤波时，应保证图像中输电线边缘与背景区域之间的对比度。因此，采用均值滤波方法，滤波算法为：

式中：（i，j）∈S，S代表模板大小;y（i，j）代表模板内的各像素灰度值;z（k，l）代表模块中央像素的像素灰度值;n为模板包括的像素个数。通过上式运算，用一个模板逐个遍历图像像素，并用模板范围内像素的平均灰度值来代替模板中央像素的像素灰度值。

3.输电线路分割与提取方法

3.1输电线路分割方法

由于输电线路往往跨越山川、河流、丘陵等各种地形，复杂的地貌和自然环境对图像处理和分析带来极大的干扰。本文采用自适应阀值分离算法（Otsu）进行线路分割，Otsu基本实现过程为：

将图像大小为M×N，目标像素个数为N1，背景像素个数为N2，则目标和背景像素个数占整幅图像的比例分别为

令目標和背景的平均灰度分别为u1和u2，图像的总平均灰度记为μ，有

μ=μ1ω2+μ2ω2

则目标与背景的方差可表示为

g=ω1（μ-μ1）2+ω2（μ-μ2）2

最后采用遍历法求得使g值最大的阈值T，该阈值将航拍图像分割为背景和输电线路两部分。

3.2输电线路提取方法

经过图像预处理过程，可以获得粗略的输电线路分割图像，但此时图像中仍然存在一定的背景干扰。目前最有效的电力线路检测手段是电力线的直线特性，把电力线当作一条连续直线段，通过一些经典线段检测法实现电力线的检测。本文采用的是基于Rough变换的直线检测算法，Rough算法思路为：

（1）输入图像

（2）初始化累加矩阵A（θ，ρ），设置尺度系数sfθ和sfp

（3）对于每一个边缘像素点（xi，yi），将图像坐标变换到（θ，ρ）

（4）依照参数对累加矩阵实行累加计算A（θi，ρi）=A（θi，ρi）+1

4.异物识别方法研究

4.1基于形态学的异物识别方法研究

基于正常电力线宽度变化小，而异物悬挂的电力线宽度波动较大的现象，进行异物识别。具体方法是根据气球、塑料布、风筝、树枝、鸟巢等异物缠绕电力线时的形态特征，采用两组判断阈值进行判断。

第一组阈值，为电力线宽度变化率阈值，判断异物垂直于电力线方向的占比情况。第二组阈值，为异常范围区域占电力线长度百分比的阈值，判断异常平行于电力线方向的占比情况。

4.2基于深度学习的异物识别方法研究

以RCNN为代表的深度学习方法可根据输入网络的数据自动地生成相应特征的描述，具有较高的灵活性和普适性，可对气球、塑料布、风筝、树枝、鸟巢等异常进行相对准确的识别。RCNN用于输电线路异物识别的实现过程如下：

（1）数据集准备，采用大量的各类异物图片作为测试训练集

（2）人工标注与处理，对训练集进行人工标注

（3）使用测试训练集进行模型测试，分析训练模型的性能

5.结语

本文提出了基于形态学和深度学习的输电线路异物检测方法。先通过图像灰度化、直方图均衡化、图像平滑去噪、输电线路分割等图像预处理过程，获得高质量的航拍图像。再使用Otsu和Rough算法，去除图像中定的背景干扰以及复杂的地貌和自然环境对图像处理的影响。最后基于形态学和深度学习的异物识别方法，可有效将极大地减轻工作人员的巡检负担，提高输电线路的维护效率。

参考文献：

[1] 赵元林，智勇军，岐召阳. 便携式输电线路异物处理装置的研制[J]. 电力安全技术，2017，19（7）：44-46.

[2] 师飘，张超，郑祥明. 基于深度学习的高压杆塔异物检测[J]. 重庆科技学院学报（自然科学版），2020， 22（2）：83-87