基于航线自主规划的变电站无人机巡检

王 周

(国网四川省电力公司攀枝花供电公司，四川 攀枝花 617000 )

0 引言

随着我国能源结构的调整，人们对电力能源的需求逐年增加。因此，保证输电网络的安全畅通显得尤为重要。目前，随着我国特高压技术的成熟，高压输电网络密度不断加大，电力巡检任务繁重[1-3]。而随着无人机(unmanned aerial vehicle,UAV)技术的逐渐成熟，用无人机电力巡检代替人工电力巡检不仅可以克服因地理因素造成的巡检困难，还能提高巡检效率和巡检质量。

无人机电力巡检已广泛开展[4]，取得了良好的巡视效果，极大地提高了输电线路运维效率。变电站内各类变电设备的外形、位置、尺寸及布置方式均不同，构架、管母和架空导线等连接遍及各处，使得无人机的飞行环境更加复杂。同时，对于变电站设备巡检、例行巡视和故障特巡等不同的巡检类型，无人机进行巡检时所要巡视的设备部位和巡视角度均不同。因此，对无人机的巡视路径进行合理规划显得尤为重要[5-8]。

1 巡检航线规划

在线路巡检路径规划中，需要解决如何在各种条件约束下求出最优巡线路径的问题。无人机线路巡检路径规划属于静态规划，是在巡线作业现场、巡线对象以及无人机参数信息等都确定的情况下，设计出一条能够完成对输电线路的巡检并且安全达到终点的路径。本文采用遗传算法获取最优路径。遗传算法是由模拟生物在自然环境中进化和遗传过程演变而来，对结果不断进行优化的全局搜索算法[9]。遗传算法首先从随机生成的初始群体出发，将群体中所有个体作为操作对象，把选择、交叉和变异作为基本算子[10]，对所有个体进行选择、变异、交叉操作，以产生新的个体；然后计算个体的适应度值；最后不断循环，直到找到最优个体[11-12]。

遗传算法流程如图1所示。

图1 遗传算法流程图

根据遗传算法，本文采纳适应度评价函数。适应度评价函数用于识别群体中的优劣个体[13]，是进行自然选择的唯一依据，也是算法演化过程的驱动力。目标函数f(x)计算选择对应的适应度函数值Fit[f(x)]的转换方法。

遗传算法中，由目标函数f(x)构造的适应度函数Fit[f(x)]的最小值和最大值边界的计算如式(1)和式(2)所示。

(1)

(2)

式中：cmax为f(x)的最大估计值；cmin为f(x)的最小估计值。

交叉是在遗传算法中起核心作用的操作。交叉操作可以产生具有父辈特征的新一代个体。变异操作对寻优和进化非常重要。变异操作用某一等位基因替代群体中个体的某一位或某些基因片段的基因值。变异操作可在交叉操作后进行，可对配对个体之一进行随机择值，再按变异概率进得变异。在遗传算法的执行过程中，虽然变异的概率极低，但其为新个体的产生创造了机会。

从遗传算法操作流程可以看出，该算法不但符合生物进化原理，而且操作过程简单，容易理解。遗传算法为巡检路径规划提供了基本操作框架。当遗传算法用于路径规划问题时：首先，确定巡检路径中的染色体编码方式；然后，计算巡检路径的适应度评价函数，并采取合适的选择机制与基因操作；最后，确定达到最优巡检路径的终止准则。

最短路径寻找逻辑如图2所示。

图2 最短路径寻找逻辑框图

在无人机巡检路径规划问题中，染色体的编码是指在规划区域内将种群个体表达成一系列路径点。从种群中选出适应度值最高的个体为最优路径后，进化过程结束。

基于遗传算法规划的巡检航线路径能对所有目标点进行巡检。路径满足最大路径偏转角的约束，顺利达到指定终点。由此验证了该算法的合理性。

2 红外图像处理

根据红外成像的原理，成像质量受外部环境影响较大[14]。红外成像检测条件如表1所示。

表1 红外成像检测条件

红外成像质量除了受外部环境影响较大外，还受到红外成像仪的图像处理技术的影响。由于无人机飞行角度在空中不断变化，光照强度会随之改变，对成像质量产生直接影响。而红外成像仪对噪声较敏感。噪声会使图像畸变甚至失真[15]。因此，有必要进行图像处理，使成像更为清晰。本文设计的图像处理框架如图3所示。

图3 图像处理框架

图像灰度化处理是将红外成像的彩色图片设置成像素点值R、G、B相等的灰度图片。其计算式如式(3)所示。

f(i,j)=max[R(i,j),G(i,j),B(i,j)]

(3)

式中：f(i,j)为坐标(i,j)的灰度值；R(i,j)、G(i,j)、B(i,j)为坐标(i,j)各自分量亮度的灰度值。

图像去噪是利用算法去除对图像造成不利影响的因素。算法去噪流程如图4所示。

图4 算法去噪流程

本文采用的图像处理方法为均值滤波算法。这是一种线性内插的迭代算法。假设目标区域共有m个像素点，则目标像素点的计算式如式(4)所示。

(4)

式中：f(x,y)为位置的函数；g(x,y)为目标像素点函数。

经过均值滤波算法去噪后的红外成像如图5所示。

图5 去噪后的红外成像图

由图5可知，均值滤波算法能够有效去除图像边缘处由于光线突变产生的噪点。图5中采用5×5中值滤波器进行去噪处理，既避免了大面积滤波器滤波效果的不明显，又避免了因滤波器面积过小而造成图像过度处理以致图像失真。

图像增强是处理无人机在飞行过程中由于光照条件改变引起的图像曝光不均匀而导致的图像亮度骤变[16-17]。本文采用直方图均衡化处理，使处理后的图像灰度的两个极值差最小。直方图均衡化处理流程如图6所示。

图6 直方图均衡化处理流程

经过直方图均衡化处理后的红外成像如7所示。由图7可知，图像的亮度较为均匀，没有出现亮度突变点，能够清楚区分输电线路和周围环境。

图7 经过直方图均衡化处理后的红外成像图

灰度图像素值概率分布对比如图8所示。从图8(a)可知，在未进行灰度处理前，灰度图像素值概率分布呈现较大的差异性，灰度值在25～75间分布较为集中，呈现波峰状态。由图8(b)可知，经过处理后灰度图像素值概率分布较为均匀，没有出现较为集中的现象。结合图7可以认为，该图像增强处理方法对于巡检图像是适用的。

图8 灰度图像素值概率分布对比

3 地面监控系统

无人机在进行空中作业时，需要地面监控系统进行监控跟踪，并以通信网络为工具进行指令传达，从而完成特定路径的巡检工作[18-19]。本文利用QT开发平台对谷歌地球进行了开发，利用其仿真功能实现了无人机巡检过程中对周围环境的实时监控。Qt Webkit利用与HTML网页的连接，通过QT开发工具对网页实时写入信息。QT开发过程如图9所示。

图9 QT开发过程

谷歌地球是3D模式的图像显现技术，因此本文在HTML页面中利用QT工具中的开发语言对其无人机环境进行了开发分析。开发函数如表2所示。通过函数定义，可对谷歌地球中的由无人机巡检形成的三维影像进行播放、查看等操作。

表2 开发函数

地面监控系统可根据无人机预先设定的轨迹对飞行姿势和轨迹进行调整。该系统根据电力系统的需求，在QT开发工具的基础上，以通信协议为桥梁进行三维地图模拟，并根据模拟结果调整无人机的飞行信息。地面监控系统控制原理如图10所示。

图10 地面监控系统控制原理

利用QT工具在谷歌地球中进行二次开发后，系统显示监控界面。监控界面显示无人机飞行总时间、飞行总距离以及最大高度。通过点击播放键可进行监控播放，也可点击快进键对监控显示画面进行快进播放。系统可追踪无人机任意时刻的飞行信息，并利用监控系统对无人机的飞行高度及飞行路径进行实时修正。

4 结论

无人机红外自主巡检可以克服人工巡检变电站线路中效率低等不足，节约了人力资源，提高了巡检效率。本文以无人机为硬件基础，采用中值滤波算法对无人机巡检航线进行了规划分析，根据图像去噪和图像增强对巡检图像进行了处理，并利用QT开发工具对巡检地面控制系统进行了建设分析。从实际监控效果看，该系统达到了预期的巡检目的。