[發明專利]基于偏導分布與邊界策略的輸電線快速識別方法

在審

• 申請號: 201310525925.3
• 申請日: 2013-10-29
• 公開（公告）號: CN104573703A
• 公開（公告）日: 2015-04-29
• 發明（設計）人: 韓建達;杜英魁;朱琳琳;楊秀義;曹蔚然
• 申請（專利權）人: 中國科學院沈陽自動化研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 許宗富;周秀梅

技術領域

本發明涉及數字圖像處理技術和模式識別，具體地說是一種應用于無人機高壓輸電線巡檢的輸電線自動識別方法。

背景技術

對高壓輸電線路進行定期巡檢，確保電網系統安全運行具有很重要的實際意義。早期的輸電線路監測重要依靠人工巡線，受地形環境和天氣狀況等影響較大，存在效率低、工作量大和周期長等缺點。利用無人直升機對輸電線路進行巡檢作為一種新興的技術手段，具有效率高，成本低、適用范圍廣的優點。采用基于視覺的輸電線自動識別技術可以輔助無人機進行自主巡線，大幅提高巡線的效率。

利用無人直升機對高壓電力輸電線巡檢是新型的一種檢測手段，目前關于輸電自動識別的相關文獻還十分有限，現有公開可查閱文件都會將電力識別過程分為兩個部分：線狀目標強化與線段提取。

線狀目標強化部分的目的是將輸電線目標從圖像背景中強化出來，去除和減弱其他物體的干擾。目前利用到的方法如下：

（1）邊緣提取是圖像分割的一種重要手段，輸電線作為一種線狀目標在圖像是有邊緣的。文獻【1】【2】就分別利用Sobel，Canny邊緣檢測算子對輸電線進行檢測，這類方法的一個主要缺點是增強了高壓線特征的同時，將背景中的曲線邊緣亦進行了強化，即強化了背景噪聲擾動。

（2）脈沖耦合神經網絡（PCNN-Pulse?Coupled?Neural?Network）是依據動物的大腦皮層上的同步脈沖發放現象提出的。目前在圖像處理方面有廣泛的應用。Li?zengrong等利用一種改進的PCNN方法提取航拍圖像中的輸電線，這類方法對于環境的適應性較差【3】。

（3）輸電線是一種典型的線狀目標，線狀目標增強方法可以更有針對性的強化圖像中的輸電線，提高識別的正確正確率。文獻【4】針對線特征目標進行模板運算。Hessian矩陣的特征值與特征矩陣在不同的圖象結構處有不同的特點，文獻【5】就利用對Hessian矩陣的分析尋找圖像中的線狀目標，這類方法能夠較好地強化高壓線特征，但其計算時間較長，實時性差。

（4）還有研究者利用圖像分割的方法進行輸電線的增強，文獻【6】就提出了一種基于模擬退火微粒群算法的2維最大類間方差法進行圖像分割，該方法的問題是實時性較差。

線段提取是在目標強化的基礎上識別圖像中的線段目標，完成識別輸電線的識別。目前常用的方法總結如下：

（5）Hough和Radon變換是檢測直線常見的方法，目前的文獻大多都是采用這兩種方法進行輸電線的識別【3-5】，其中文獻【5】在radon變換的基礎上加入了角度約束，文獻在【3】Hough變換后又利用平行線約束進行輸電線的識別，這類方法的識別率較低，通常只能識別出部分高壓輸電線。

（6）鏈碼（Freeman碼）用曲線的起始點的坐標和邊界點方向代碼來描述曲線或邊界的方法，也有研究者采用鏈碼的方法進行輸電線的識別，這類方法對于噪聲很敏感，對圖像質量要求很高【2】【6】。

由以上所列舉的方式方法來看，目前的輸電線自動識別方法都在輸電線強化的基礎上進行的，最終的識別效果受線狀目標增強效果的影響很大。在背景復雜的情況下，如果輸電線未能從背景圖像中強化出來，會導致后續的識別過程的失敗。另外，傳統的Hough和Radon變換作為一種遍歷積分運算，計算量非常大，影響算法的實時性。在實際應用中，目前的方法都有很多先天性的弊端需要改進。為了解決以上問題，我們基于本發明首先發現了自然圖像中高壓線像素具有的偏導數分布規律，利用輸電線在圖像中的走向特點和邊界聯通特性，提出了一種原創性的方法解決野外復雜航拍圖像中輸電線的自動識別問題。從理論依據和實際試驗來看，該方法魯棒性強，正確率高，實時性好。

參考文獻：

【1】孫鳳杰，楚征，范杰青，高壓輸電線圖像邊緣檢測方法研究【J】電力系統通信，2010210（31）

【2】劉鯤鵬，王濱海，陳西廣，金立軍，基于Freeman改進準則的輸電線短股識別，【J】機電工程201229（2）

【3】Zhengrong?Li,Yuee?Liu,Rodney?Walker,Ross?Hayward,Jinglan?Zhang.Towards?Automatic?Power?Line?Detection?for?UAV?Surveillance?system?Using?Pulse?Coupled?Neural?Filter?and?Hough?Transform[J]Machine?Vision?and?Applications200921(5)