一种基于监督学习的输电线监测中杆塔的检测方法

王孝余，李丹丹，张立颖

（1.国网黑龙江省电力有限公司电力科学研究院，黑龙江 哈尔滨 150030；2.国网辽宁省电力有限公司电力科学研究院，辽宁 沈阳 110006）

应用研究

一种基于监督学习的输电线监测中杆塔的检测方法

王孝余1，李丹丹1，张立颖2

（1.国网黑龙江省电力有限公司电力科学研究院，黑龙江 哈尔滨 150030；2.国网辽宁省电力有限公司电力科学研究院，辽宁 沈阳 110006）

为保证电力可靠配送，输电线路需要定期巡检，目前研究聚焦于自动检测输电线路，如检测杆塔，检查输电线缺陷损伤或分析安全距离等。对此提出一种基于监督学习来自动检测杆塔的方法，该方法利用方向梯度直方图特征训练支持向量机，从而支持向量机分类器，可将杆塔从背影中分离出来。试验结果证明，这种监督学习方法检测杆塔有效且高效。

方向梯度直方图；支持向量机；杆塔；检测

1 概述

输电线路巡检是保障电力可靠配送的重要工作，以前采用人工巡线方式，费时费力，效率低下，尤其有些沼泽输电线路地段工人无法进入，后来普遍采用航空手段沿线检测，租用直升机，装备多种传感器，如差分GPS、惯导设备、激光雷达、可见光、红外和紫外摄像机等，安装于稳像吊舱上，配有机组人员，不停记录和采集沿线数据，飞行后人工检查潜在的缺陷损伤，如电缆、杆塔、绝缘子等，采用这种方式造价昂贵，也容易人为出错。考虑到这些问题，电力企业积极寻找不同的线路检测途径。在过去20年，开展了多种互补的研究，用于输电线路的自动监测。

一个重点研究方向是采用机器来自动监测输电线路［1－3］。2条研究主线是无人机和爬行机器人。最近，有些研究者提出混合爬行与飞行的机器人，把无人机与爬行机器人的优势结合到一种平台下。主要目标是设计和开发相应的技术使得无人的无线平台能完全实现自动导航和输电线路检测。

另一个重点研究方向是应用已有的或适当改进的计算机视觉算法，以实现自动检测的需要。输电线检测常分为数据收集和缺陷确认2步，这2步计算机视觉都可帮助实现自动。自动数据收集需要无线机器人能够自主导航并获取相关的传感器数据，只需要最少的人工介入，在这一步，计算机视觉方法主要应用在无人机和远程遥控飞行器上，包括视觉控制、线路跟踪、杆塔跟踪［4－5］以及障碍检测。第2步输电线路中基础设施的缺陷检测，通常是数据收集后离线完成，自动检测和定位输电线、杆塔、绝缘子、金属架具等，在获取的图像数据中，利用计算机视觉算法实现。目前研究的热点是输电线和杆塔的检测，输电线和杆塔的检测可以用于发现输电线路基础设施中各种缺陷。

最近几年，国内外的研究工作主要集中在输电线检测，如在光学图像中检测直线段，并找出形成输电线的线段。直线检测主要在检测输电线下垂或树木、人造建筑物等逼近输电线时有用。有些研究者也重点研究光学图像中利用直线段进行杆塔的检测与分割，因为线段在区分图像中是输电线或杆塔等大多数相似的区域时是非常常用和有效的特征。对于从一系列相似的候选区域中定位和分割出杆塔，有些研究者采用进一步的滤波或预定义一些启发式的规则，以滤除干扰的直线段。剩下的直线段被认为是属于杆塔的，有些研究者采用不同的分割方法提取完整的杆塔，例如模板匹配、基于图切的图像分割方法、基于规则的分水岭分割方法。也有研究者不是使用直线段，而是采用提取角点的方法来检测和分割出杆塔，利用改进的角点检测方法来跟踪杆塔的顶端。尽管关于杆塔检测与分割已经提出的方法取得了一定成果，但这些结果需要按照研究者假定的观察角度来透视投影。实际应用中，杆塔并非只有一种，杆塔的形状、外观以及材质都有可能不同，因此只能针对一种杆塔的检测和分割方法显然不具有扩展性。为了实现完全自动化检测，研究者必须要研究探索更通用的方法，能够同时检测多种杆塔，而在图像中预先检测直线段，再进一步定义规则和约束来捕获出杆塔的方法，并不是一般的通用方法，而且对于多种杆塔的检测没有效果。

本文将杆塔的检测看作是监督学习的问题。采用监督学习的方法进行杆塔检测在国内的研究中尚未报道过，本文采用提取图像的方向梯度直方图特征，通过支持向量机训练学习，实现杆塔的快速检测和分割。与其他方法不同的是不假定杆塔的外观形状，不提取杆塔本身的局部特征。

2 检测方法

2.1 流程

检测杆塔目的是检测出杆塔在图像中的位置，采用方向梯度直方图 （HOG）特征训练支持向量机 （SVM），当训练完成后，就可以快速检测输电线中的杆塔。

检测流程中，为实现基于学习训练的杆塔检测，彩色图像首先被转换为灰度图像，用滑动窗口的方式扫描整幅图像，滑动窗口的大小主要是参考杆塔在图像中所占的区域进行定义，对每个滑动窗口内的图像数据提取HOG特征，并把提取的特征矢量作为SVM分类器的输入，由2类SVM分类器将窗口内的图像分类为杆塔或背景，将分类为杆塔的图像窗口矩形区域保存，扫描完整幅图像后，将所有保存的矩形区域取并集，从而找到能框出整个杆塔的区域。

系统的输入是单张彩色图像，输出是杆塔的矩形位置。具体实现流程如图1所示。

图1 检测流程

2.2 HOG描述子

本文检测方法中采用HOG（histograms of oriented gradients）作为特征描述杆塔的形状，之所以采用HOG作为特征是因为一个物体的局部外观和形状通常可以由其在图像中的灰度梯度的分布或边缘方向来描述。

算法的第一步是沿水平和垂直2个方向计算梯度以获取每个像素的梯度幅值和梯度方向，这种计算可以采用一维的卷积算子［－1， 0， 1］和［－1， 0， 1］T来实现。将滑动窗口的大小重新缩放为64×128，窗口内包含多个块，每个块由2×2个胞元组成，每个胞元为8×8像素的领域，对于每个胞元，按9个间隔统计一维梯度方向的直方图，9个间隔平分0°到180°，即每个间隔20°。计算好的直方图需要进行归一化，以消除光照带来的影响，从而具有光照强弱和图像前景背景对比不变性，这一过程主要是由2×2胞元组成的块每次滑动一个胞元，从而块与块之间重叠50%，使得每个胞元直方图为最后特征矢量提供多次组成，这些组成部分可根据不同的胞元块进行归一化，最后的HOG特征由收集所有归一化以后块的值组成，采用该特征即可进行杆塔检测。

2.3 SVM分类器

支持向量机 （SVM）分类方法是建立在统计学习的Vapnik-Chervonenkis维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性和学习能力 （即识别样本的准确性）之间寻求最佳折衷，在解决小样本、非线性及高维模式识别中表现出许多特有的优势，广泛用于各类机器学习问题中。采用SVM训练检测杆塔的流程如图2所示。

a. 收集足够的训练样本，手动裁剪。将所有正样本，即图像中只有杆塔的放在一个目录下；将所有负样本，即任意背景图像的放在一个目录下；并将所有训练样本缩放到同样的尺寸大小，本文是将样本缩放为64×128进行训练。

b.提取所有正、负样本的HOG特征。

c. 对所有正负样本赋予样本标签。例如所有正样本标记为1，负样本标记为0。

d.将正负样本的HOG特征，正负样本的标签都输入到SVM中进行训练；考虑到速度问题，采用线性SVM进行训练，SVM训练之后，将结果保存为文本文件。

图2 SVM训练检测流程

用SVM训练检测杆塔的正样本示例如图3所示，负样本示例如图4所示。

3 试验结果

图3 SVM训练的正样本示例

图4 SVM训练的负样本示例

本文共收集正样本120张图像，负样本800张图像，测试图像200张，采用C＋＋进行程序实现，检测结果：虚警率2.5%，即有5张背景图像被检测为杆塔图像；漏警率4%，即有8张杆塔图像被检测为背景；整体检测率在96%以上。试验结果图像如图5所示。

图5 试验结果图像

4 结束语

采用这种监督学习的方法，对于检测不同种类的杆塔，只需要增强相应的种类样本进行学习训练即可，是一种切实可行的基于机器学习进行电力设备运行状态监测的途径，但目前漏警率高于虚警率，仍有待克服。

［1］ 周宁宁.卫星通信在智能电网中的应用分析 ［J］.东北电力技术， 2016， 37 （9）： 32－34.

［2］ 白 晗，张劲松，邹明贺，等.电缆线路实时在线三维监测管理系统实施及应用 ［J］.东北电力技术，2014，35（7）： 48－52.

［3］ 张宏志，曹淑伟，董云鹏，等.耐张绝缘子检测机器人的研究 ［J］.东北电力技术， 2013， 34 （5）： 4－6.

［4］ C.Whitworth， A.Duller， D.Jones， and G.Earp.Aerial video inspection of overhead power lines ［J］.Power Engineering Journal， 2001， 15 （1）： 25－32.

［5］ C.Sun， R.Jones， H.Talbot， X.Wu， K.Cheong， R.Beare，M.Buckley，and M.Berman.Measuring the distance of vegetation from powerlines using stereo vision ［J］.ISPRS journal of photogrammetry and remote sensing， 2006， 60 （4）： 269－283.

A Supervised Approach to Electric Tower Detection for Power Line Inspection

WANG Xiaoyu1， LIDandan1， ZHANG Liying2

（1.Electric Power Research Institute of State Grid Heilongjiang Electric Power Co.， Ltd.， harbin， heilongjiang 150030， China；2.Electric Power Research Institute of State Grid Liaoning Electric Power Co.， Ltd.， Shenyang， Liaoning 110006， China）

Inspection of power line infrastructuresmustbe periodically conducted in order to ensure reliable electric power distribution.Research efforts are focused on automating the power line inspection process： detect transmission towers， check for defects， analyze security distances and so on.Following this direction the paper proposes a supervised learning approach for solving the tower detection where HOG features are used to train SVM.Then SVM classifier can be used to separate tower from background.Results show this learning-based approach is a promising and efficiency technique for power line inspection.

HOG；SVM；tower detection

国家电网公司科技项目 （SGRIJSKJ［2017］203）

TM75

A

1004－7913（2017）11－0012－03

王孝余 （1986），男，硕士，工程师，从事输变电设备智能巡检、信息安全技术研究。

2017－06－27）