基于移动边缘计算的电网输电线路巡检图像识别研究

2020-09-10 08:00蒙黔赣曾路
环境技术 2020年4期
关键词:图像识别灰度边缘

蒙黔赣,曾路

(1.贵州电网有限责任公司都匀荔波供电局,黔南布依族苗族自治州 558400;2.贵州电网有限责任公司信息中心,贵阳 550003)

引言

随着智能电网建设的高速发展,输电线路规模逐渐增大,给电网的安全运行带来了新的挑战,需要新型、高效的管理手段来保证电网输电线路安全。

输电线路的巡检业务是电网设施运行保障的重要一环,主要是为了掌握输电线路的运行状况、能够及时发现电网相关设备缺陷和威胁线路安全的问题[1]。目前常见的巡检方式是通过无人机巡检,在巡检过程中采集有限目标的图像,如输电线路及杆塔等,目标物始终在有效视场内,由于无人机巡检是运动的,只有在发现故障或缺陷时,才会悬停飞行,其采集的图像多数为动态图像[2]。这种情况下存在很多无效图像,因此,需要采用图像识别技术,识别出目标图像。

传统的电网输电线路巡检图像识别方法主要采用模糊模式识别方法和基于统计分析的识别方法,识别时对资源和时间消耗较大。因此,设计基于移动边缘计算的电网输电线路巡检图像识别方法。移动边缘计算是一种将无线网络与互联网技术结合在一起,在无线网络侧增加计算、存储等功能,通过无线AP开放无线网络与业务服务器之间的信息交互,智能化满足用户的实际需求。通过移动边缘计算,实现实时有效的电网输电线路巡检图像识别。

1 电网输电线路巡检图像识别方法设计

1.1 基于移动边缘计算的图像采集

电网输电线路巡检图像主要通过无人机巡检采集,获得的图像可能存在无用的图像数据,如在某一个巡检位置收集的图像中,出现障碍物将目标遮挡住,对于输电线路巡检图像识别,没有完整的输电线路图像的图片是无用的[3]。针对这种情况,采用移动边缘技术,设计边缘数据处理层,该层在接收输电线路巡检图像数据后,临时保存在云空间,在线识别含有输电线路的图像数据。基于移动边缘计算的图像数据采集和处理过程如图1所示。

图1 图像采集和处理过程

每个城市都会有呈规律性的大规模输电线路,将具有高分辨率、高像素且具有网络传输功能的摄像机安装在无人机上,摄像头覆盖前方80 m范围,设置巡检的时间的路线进行巡检,收集输电线路图像数据信息,并实时传送至边缘服务器,同时部分电网工作人员在地面上,通过移动设备传送到边缘服务器[4]。

边缘服务器与其附近的无人机等移动设备的连接主要通过无线数据链实现,连接完成后即可实现部分服务请求的在线处理,同时临时保存部分输电线路巡检图像数据。其安装位置在密集的输电线路中心。经过处理后,剩余的图像用于后续识别。

1.2 输电线路巡检图像预处理

在实际巡检过程中,获得的图像数据中存在模糊、畸变和失真情况,造成图像质量下降,对于识别有较大影响。使用预处理技术,提高图像质量,图像预处理技术主要包括灰度化、亮度均衡、对比度增强以及图像去噪[5]。

在图像中,以RGB表示图像颜色,当R=G=B时为灰度值,采用加权平均法实现图像灰度化处理[6]。根据各个指标的重要性,将RGB三个分量进行加权平均,公式如下:

式中:

在图像采集过程中,由于摄像机曝光等原因,容易出现图像整体或局部过亮或过暗,使得图像亮度不均衡[7]。采用直方图均衡方法均衡图像亮度。获得原始图像变换之后图像的灰度级,统计出图像中不同灰度级的像素个数,计算原始图像直方图为:

式中:

K—图像灰度级。

根据公式2计算累计直方图:

利用灰度值变换函数计算变换后的灰度值,四舍五入取整数:

确定灰度变换关系x→y,以此为依据,修正原始图像的灰度值,统计变换后的不同灰度级像素个数,计算变换后图像的直方图,达到均衡图像亮度的目的。

将图像的对比度增强,突出图像中识别目标的特征。巡检图像对比度增强主要利用微分处理技术,处理图像时,微分主要通过梯度算法实现[8]。假设图像函数为在坐标中的梯度矢量如下:

当图像为数字图像时,将微分运算替换掉,采用差分运算,得到下式:

原始图像在采集和传输过程中,容易受到各种干扰,从而在图像中产生噪声。采用线性滤波算法实现图像去噪。假设原始图像中存在M×N个像素,滤波后的图像为通过下式获得:

式中:

α—W中的像素点的集合;

W—不包含中心目标点的点邻域像素点坐标的集合。

图2中给出了取单位距离构成邻域的方法,图中像素间的距离为Δl,选取Δl为半径作圆,即可消除图像噪声。图像处理完成后,提取图像特征,用于后续的图像识别。

1.3 提取输电线路巡检图像特征

利用图像的投影检测出输电线路的直线段,由于投影后的参数空间共线点会相交形成明显的峰值,进而可提取出图像中输电线路特征。

用r(d,β)表示一个图像函数的radon变换,定义为在与纵坐标夹角为β,与原点距离为d的直线上的线积分[10]。的变换函数是在角β上的一维投影[11]。在旋转后的坐标系中:表示沿着距离为d的,角度为β的射线的累加和[12]。通过将空间域映射到域上,使得空间中每个点对应空间域中的一条直线。计算映射的直线段在其垂直方向的投影计算最大值,该值在参数空间形成一个峰值,通过改峰值点得到图像空间中直线的斜率和截距,实现输电线路巡检图像中直线特征的提取。

图2 邻域选取方法

1.4 识别输电线路图像

利用提取出的输电线路特征识别巡检图像特征,保证获得的图像数据满足相应的需求。数字图像是一个离散的二元函数,其定义域就是图像的大小,值域就是最小像素灰度到最大的像素灰度[13]。将获得的直线段方程的斜率和截距抽象到二维平面中,看做若干个一次函数,规划到矩形区域内:

公式中M和N表示图像的大小,将矩形区域的几何中心定义为图像数据的中心点,假设图像数据中存在输电线路,当输电线路提取出的直线参数对应的直线段穿过几何中心时,说明该图像即为有效图像,识别成功。即:

大部分情况输电线路不会只存在一个,当存在多个输电线路,首先将输电线路提取结果中的一组1c进行排序,计算出中间数及对应的角度,运用两个参数计算出一条直线方程:

式中:

β—中心数对应的角度。

通过直线方程,确定图像中的输电线路的个数和完整性,完成输电线路巡检图像识别。至此,基于移动边缘计算的电网输电线路巡检图像识别方法设计完成。

2 电网输电线路巡检图像识别方法仿真测试

2.1 测试准备

测试采用的图像数据为航拍输电线路紫外图像和可见光图像。通过随机选择具有代表性的图像,作为测试样本数据,使用设计的基于移动边缘计算的电网输电线路巡检图像识别方法识别测试样本数据,同时引用传统的基于模糊模式识别的图像识别方法和基于统计分析的识别方法,识别相同的测试样本数据。具体的图像数据如表1所示。

使用表1中的10组输电线路巡检图像作为测试图像,使用不同的识别算法识别并统计识别方法的资源和时间消耗相关数据。

表1 图像样本数据

2.2 图像识别测试结果及分析

使用SigmaPlot14.0软件统计测试结果。测试结果如图3所示。

观察图3中结果,使用模糊模式识别方法获得测试结果1,使用基于统计分析的识别方法获得测试结果2,使用基于移动边缘计算的识别方法获得测试结果3。结果1中显示在识别过程消耗的资源在60~80 %之间,消耗的时间在在40~60 ms之间;结果2显示,识别图像过程中,资源消耗在70~85 %之间,时间消耗在20~40 ms之间,与上一个识别方法相比,时间消耗得到了缩短,但是资源消耗提高了一部分;结果3中显示,识别过程中资源消耗在20%左右,时间消耗基本处于20ms以下,与前两组数据相比,资源上的消耗得到了很大的缩减,且识别时间得到了提高。

综上所述,在电网输电线路巡检图像识别中引入移动边缘计算技术,有效的缩减了识过程中对资源和时间的消耗,设计的基于移动边缘计算的电网输电线路巡检图像识别方法优于传统的识别方法。

3 结束语

近年来智能电网发展迅速,输电线路规模越来越大,为了保证输电线路的安全,采用多种手段对输电线路进行巡检,获得巡检图像。将巡检过程中采集的图像作为研究对象,引用移动边缘计算技术,实现电网输电线路巡检图像识别。通过设计的对比测试证明了,图像识别方法中移动边缘计算技术的引用有效的解决了传统识别方法中存在的问题。但是随着研究的深入,部分工作需要进一步展开,测试受到多种条件制约,应开发和构建更完整的测试系统,为进一步研究识别方法的完善和发展创造条件。

猜你喜欢
图像识别灰度边缘
采用改进导重法的拓扑结构灰度单元过滤技术
Bp-MRI灰度直方图在鉴别移行带前列腺癌与良性前列腺增生中的应用价值
Arduino小车巡线程序的灰度阈值优化方案
基于Resnet-50的猫狗图像识别
高速公路图像识别技术应用探讨
图像识别在物联网上的应用
图像识别在水质检测中的应用
一张图看懂边缘计算
基于热区增强的分段线性变换提高室间隔缺损超声图像可懂度研究
在边缘寻找自我