基于相邻帧差法的输电线路异物目标检测研究

沈晓峰,谢 伟,孙 路,李 轶,贺润平

(1.国网上海市电力公司青浦供电公司,上海 201799;2.上海四量电子科技有限公司,上海 200000)

0 引言

目前,输电线路的检测主要依赖人工巡视。这对于人力资源的消耗较大,且难以保证巡视质量。部分线路引入现代技术实现在线监测,包括在线路周围架设激光传感器以及安装摄像头等方式进行人工后台监测等[1-3]。其中,激光传感器对于异物识别的辨识度较低,容易产生大量的误报信息;人工后台视频监测虽然省去了人工巡线的工作量,但仍然难以保证监测的实时性与准确度[4-6]。对此,智能技术被应用在输电线路防外破在线监测中,以提升监测质量,为输电质量的提升提供保障。

近年来,国内外众多学者均对输电线路检测进行研究。李辉等[7]针对现有输电线路异常目标检测方法受环境因素影响而导致的检测速度慢、漏报误报现象频发,提出基于两阶段深度学习的输电线路异常目标检测方法。该方法主要采用两阶段深度网络进行目标检测。该方法可对输电线路旁的异物目标进行检测,但由于其特征提取时并未划分前景和背景等部分,故误检测、漏检测现象仍然严重。Chu S Y等[8]提出了1种基于电磁模型的无线功率传输异物检测方法。该方法认为无线电力传输系统附近异物会因为附加电磁耦合而形成偏差,故对其电磁模型偏差进行检测即可实现异物的检测。该方法应用后可对系统附近异物进行检测,但检测精度仍不符合预期。Su J等[9]针对输电线路异物检测困难的问题,提出了一种电力线异物检测方法。该方法基于边缘建议网络实现电力线异物检测数据通信的传输。该方法应用后,在一定程度上提升了异物数据传输的速率,但其检测精准度仍然不高。

基于以上分析,本文针对输电线路在线监测系统中的异物目标检测环节,提出了基于相邻帧差法的输电线路异物目标检测方法。

1 输电线路异物提取问题分析

输电线路异物提取一般以视频序列的图像间具有相关性为理论依据,融合连续帧图像中的像素点信息,可准确提取帧间目标、抑制帧间噪声,以解决帧间差分图像因背景因素而导致的输电线路异物提取不准确等问题。在提取输电线路异物时,通过剔除背景信息、设置灰度门限、精简区域像素点等步骤来解决目标区域残缺、背景复杂导致的提取误差大等问题。

在输电线路的航摄视频中,本文随机选择了1组有异物的连续帧,经过相邻帧差分运算后得到包含局部异物的图像。帧间差分运算式为:

Dk-1(x,y)=|fk-1(x,y)-fk(x,y)|

(1)

式中:fk-1(x,y)、fk(x,y)为有异物的连续帧;Dk-1(x,y)为包含局部异物的图像。

本文采用阈值判定法提取目标。判定依据为:

(2)

本文首先采用滤波运算消除帧内的随机噪声,然后采用Canny算子对图像fk(x,y)的边缘Ek(x,y)进行提取,并对Dk-1(x,y),Dk(x,y),…,Dk+n(x,y)和Ek(x,y)进行“与”运算。

D(x,y)=Dk-1(x,y)⊗Dk+n(x,y)⊗Ek(x,y)=

(3)

本文通过逻辑运算,进一步完善输电线路异物轮廓提取。在输电线路异物提取过程中,背景模型的建立十分繁琐,模板更新时的替换操作会增加系统的计算量,难以满足航拍图像处理的实时性要求。因此,图像阈值选定是决定目标区域异物提取准确率的关键。因为摄像机移动会造成图像信息变化速度较快,固定的阈值不能适应于图像信息的变化,所以本文通过设定阈值来进行输电线路异物检测。

2 基于改进相邻帧差法的异物目标检测

由于在输电线路中造成线路外破的异物均为运动物体,本文将输电线路的异物目标检测归结为输电线路周围运动目标的检测。对于以摄像头为传感器的系统而言,所需提取的对象为目标图像的像素。检测步骤为:首先,进行输电线路异物目标图像采集;然后,采用相邻帧差法作进一步识别与分析,以完成输电线路异物目标的检测与识别。相邻帧差法是利用时间信息,通过对连续2～3帧图像所有对应位置的像素点进行差分来实现目标检测与识别。对图像序列进行逐帧差分相当于对图像序列进行时间域上的高斯滤波。如果2个像素点间的差值大于某一阈值,则代表在该点内存在运动目标。由此可实现线路异物目标的提取。

传统的邻域帧差法操作流程如下。

首先,将t时刻、(t+1)时刻图像中坐标为(x,y)的像素点分别设为st(x,y)、st+1(x,y),并对这2个像素值进行差分。

Ct+1(x,y)=|st+1(x,y)-st(x,y)|

(4)

然后,设定阈值E,用于评判对比帧之间的差值是否显著。

(5)

式中:Jt+1(x,y)为判别值。

当J=1时,则代表差分值显著。

为增加帧差的鲁棒性,本文在判定某坐标处像素值是否为运动目标像素时,使用连续的3帧图像进行差分运算,以完成对比。

rt+1(x,y)=Jt+1(x,y)⊗Jt(x,y)

(6)

式中:rt+1(x,y)为移动目标图像像素点值集合。

在r=1时,即确定(t+1)时刻坐标(x,y)的像素点为移动目标图像像素点值集合[10]。该集合构成后,异物目标的像素值即提取完毕。

传统相邻帧差法的运算简单,但其在提取运动目标时容易出现较大误差。为解决这一问题,本文对异物目标的提取过程进行优化,利用仿射传播聚类算法将运动物体的坐标按照目标聚集,以提升运动目标的识别精准度[11]。在聚类时,本文采用一对数据点的相似性作为聚类输入,通过对数据点间的相似性进行连续交换,使其具有一定实际价值,并形成1个类代表点集,从而达到聚类的目的。上述方法与常规的K均值聚类算法并不相同。常规K均值聚类算法在计算聚类中心过程中容易受到离群点的影响,从而导致聚类中心优势降低,进而影响后续的样本分类。但本文聚类算法默认所有样本点均为潜在聚类中心,通过样本点之间的消息传递完成聚类中心的确认。

首先,本文假定由相邻帧差法所抽取的像素点集合为Z=[z1,z2,…,zN]。其中:z为坐标;N为像素点总数。由于针对单个图像的像素点数量较多,故在一定特征空间内直接对所有的样本点进行仿射聚类的计算难度较大、运算时间较长,会严重影响运算精度和运算效率。本文采用匹配滤波的方法来对样本进行采样,通过对小样本集进行聚类来降低运算难度,从而提升运算效率。本文利用1个二维核函数对图像进行卷积[12]。

(7)

式中:σ为滤波器的尺度,此处取σ=2;K(x,y)为滤波核;mk为核函数的平均值。

匹配滤波增强了待检测物体与背景之间的反差。本文根据像素灰度值的不同,将像素点按照灰度值大小排列,以7∶1的先验概率在像素序列中随机抽取2个区间。每个区间选取200个点作为样本集。

接着,本文根据像素点的欧氏距离,建立相似度矩阵。

(8)

(9)

式中:w为常数。

矩阵G生成后,即进行仿射迭代聚类。

(10)

式中:R、A为迭代中间值;R(i,j)为像素点i对于像素点j作为其聚类中心点的认可程度;d为迭代的次数。

(11)

式中:A(i,j)为像素点j对于成为像素点i聚类中心点的认可程度。

为防止迭代时出现振动,本文采用阻尼系数提高了算法的鲁棒性。其矩阵更新为:

(12)

式中:下标1、2分别为前一次及这一次更新后的数值。

(13)

最后,本文通过2个信息矩阵的数值求出聚类中心值。

k=argmax{R(d+1)(i,j)+A(d+1)(i,j)}

(14)

根据式(14),2个信息矩阵之和的最大值代表聚类中心点。当算法的迭代次数达到限定值或连续指定次数的迭代过程中聚类中心点没有变化,则代表算法迭代完成。对于任何1个像素点,与其欧氏距离最近中心点对应的聚类集合为其最优解对应的聚类集合。对于本文算法而言,像素点数量最多的聚类集合即异物目标检测的结果。

3 试验验证

为验证所提异物目标检测方法的有效性,本文设计了试验进行算法验证。本文首先通过现场数据采集以及现有数据整合,共建立了976个标准样本以及273个测试样本;然后使用所设计的优化方法进行异物目标检测,分析其检测效果。

3.1 算法应用效果验证

本文将相邻帧差法与仿射聚类法相结合,开展运动目标的提取。这是1个迭代的过程。不同的迭代次数对应着不同的聚类效果。为验证所提方法的有效性,本文以某像素样本为例,计算其在不断聚类迭代过程中输出的目标E值。

不同聚类迭代次数对应的E值分布结果如图1所示。由图1可知,不同的聚类迭代次数对应着不同的E值。E值的分布情况可直接反映目标像素提取的准确率。当迭代次数为30次时,E值分布特性与实际目标完全一致;当迭代次数为20次时,E值分布特性与实际目标较为接近,出现了一些毛刺现象;当迭代次数为10次时,E值分布误差变大,出现了显著误差。由此可确定,当迭代次数为30次时,图像像素的提取效果最好。

图1 不同聚类迭代次数对应的E值分布结果Fig.1 Results of E value distribution corresponding to different number of clustering iterations

为进一步探究所提方法的实践效果,试验测试在不同迭代次数下目标像素提取准确率的变化情况。不同迭代次数对应的目标像素提取准确率结果如图2所示。

由图2可知,当迭代次数增加时,像素提取准确率快速提高并逐渐放缓。经过不断迭代,像素提取准确率从69%升至99%,获得较大提升。综上分析可知,所提方法对于目标像素提取准确率的提升效果显著,有效避免了无效像素的提取,为模式识别环节的精确识别奠定了基础。

3.2 检测准确率结果及分析

为进一步验证所提方法性能,试验选取文献[9]方法和文献[10]方法作为对比方法进行对比测试。试验利用3种方法对多个图像样本进行异物目标检测,以验证所提方法的实际应用效果。异物目标检测结果如图3所示。

由图3可知,所提方法可对输电线路中的移动目标进行精准识别,而文献[9]方法和文献[10]方法识别效果不佳,出现了过检测和遗漏检测的问题。为进一步对比检测结果,试验选取多段输电线路监控影像,开展多次测试,以对比3种方法的检测准确率情况。获得的检测准确率如图4所示。

图4 检测识别准确率Fig.4 Detection and recognition accuracy

由图4可知,检测准确率随着样本相似度阈值的提高出现了先增后减的现象。其原因为:当样本相似度阈值过高时,样本的帧间差值难以达到阈值,容易出现“漏检测”情况;当样本相似度阈值过低时,样本的帧间差值容易达到阈值,从而提升“误检测”的发生机率。这些均会使检测准确率下降。采用2种文献方法开展检测的目标准确率在样本相似度阈值为77%时达到最大值72.86%。而经聚类优化后检测的目标准确率在样本相似度阈值为87%时达到最大值96.34%。由此可知,所提方法可提升检测准确率,且效果较为显著。

为进一步验证所提方法的检测效果,试验对比3种方法在处理样本时的检测时间。获得的3种方法检测效率对比结果如表1所示。

表1 3种方法检测效率对比结果Tab.1 Comparison results of three methods of detection efficiency

由表1可知,所提方法的检测效率较高,且优于其余方法。在进行500个样本检测时,所提方法的检测时间仅为18.6 s,而对比方法则分别需要48.7 s和50.3 s。这证明所提方法检测效率远高于对比方法,能够满足实时性监测的需求。

4 结论

本文针对输电线路防撞在线监测系统中的异物目标检测环节,提出了基于相邻帧差法的输电线路异物目标检测方法。该方法针对多异物目标检测难以甄别实际异物目标的问题,在提取像素时将仿射传播聚类算法与相邻帧差法相结合,对目标像素进行聚类提取,从而精确提取实际目标像素。通过试验,可以得到以下结论。所提方法可使得实际目标的像素被准确提取,可剔除无效目标像素,提升目标像素提取准确率约30%。使用所提方法提取的异物目标像素集合,可使得模式识别环节的准确率达到96.34%,较传统方法识别准确率提升了23.48%,提升效果较为显著。使用所提方法在进行500个样本检测时,其检测时间仅为18.6 s,分别比文献[7]方法和文献[8]方法减少了31.7 s和30.1 s。因此,所提方法检测效率更高,优于对比方法。所提方法对于不同的特征量提取架构以及模式识别算法均具有较好的适配性,具有一定的推广价值。