火电厂热力管网无人机巡检中的图像处理与目标检测技术研究

国能寿光发电有限责任公司 孙 强 吴景军

1 某火电厂热力管网无人机巡检的特点

精准判断管网漏点。无人机确认管网区域后，利用红外高清热成像技术，实时查看表浅层的热量分布情况，定位管网漏点，以此缩短50%检漏时间，减少检漏仪器、设备投入，降低管网泄漏造成的自来水、加热水成本和水处理、维修成本，缩减检漏费用。指导二网平衡调节。针对热力管网二次网系统高能耗，采用无人机巡查构筑物通风散热状态，结合温度数据信息采集系统，分析构筑物正常通风散热条件下，热力管网高能耗的原因，针对性指导二网平衡调节，实现二网融合，助力节能降耗，减少能源浪费。快速开展应急处理。针对热力管网周围存在的不安全因素及事故隐患，调度中心通过实时监控收到智能报警，第一时间在漏损最近位置启飞无人机，结合漏损现场画面，于调度中心ERP平台动态呈现管网参数，为快速开展应急处理提供第一手统计数据[1]。

2 某火电厂热力管网无人机巡检中的图像处理方法

2.1 图像增强与滤波

2.1.1 直方图均衡化操作

由于热力管网无人机巡线过程中的回传现场图像，存在大部分无用背景信息，由于光线照射问题，造成需要检测、识别目标的图像灰度值，大部分集中于狭窄区域，即图像灰度直方图在一个狭窄范围内显示。因此，为促使图像颜色分布更广，需要借助图像增强处理，调整灰度图像的明暗度，进一步凸显图像像素细节信息，检测和识别目标的图像具备更高对比度，灰度值在像素区间的分布更加均衡，图像更加清晰。

实现图像增强处理算法，首先需要利用递推算法，完成灰度区积累分布函数计算。灰度化处理计算公式为：s=T（r）=（L-1）∫0rP（rw）,0≤r≤L-1，式中：Pr（w）、T（r）为已知导函数连续变量；w为假积分变量；s为直方图均衡处理后映射后的灰度；r为像素点灰度值；Pr为PDF概率密度函数；L为直方图均衡化处理前的灰度级；T为递增且单调的灰度变换函数。

通过对计算以上公式求导计算，得到计算公式：ds/dr=dT（r）/dr=（L-1）d/dr[∫r0Pr（w）dw]=（L-1）Pr（r），将此公式计算结果代入映射后变量s的PDF概率密度函数计算公式：Ps（s）=Pr（r）|dr/ds|，得到计算公式：Ps（s）=Pr（r）dr/ds=Pr（r）|1/（L-1）Pr（r）|=1/（L-1），0≤s≤L-1，由此公式可以了解到，Ps（s）为均匀PDF概率密度函数。

上述推导过程主要关于连续函数，对像素点的离散数值来讲，得到Pr（rk）出现的近似概率计算公式：Pr（rk）nk/MN,k=0,1,2,…,L-1，式中：nk为灰度，代表rk具体的像素个数；MN为图像全部像素点的个数总和。灰度数值均衡化处理的计算公式为：k=0,1,2,…,L-1。

通过上述关键步骤，已经对数据较为集中的暗淡图像，完成直方图均衡化处理，通过处理可以促使导线和防震锤更加清晰可见。

2.1.2 图像滤波去噪

针对火电厂热力管网无人机巡检过程中的图像滤波去噪处理来讲，假如发现存在各种噪声的若干张图像，需要通过图像滤波处理，降低噪声对图像产生的副作用，较为常见的图像滤波去噪声方法涉及均值滤波、高斯滤波、中值滤波。本次研究主要运用高斯滤波与中值滤波完成对图像每个像素点的灰度值处理，在完成求解加权后，利用归一化操作去除图像的高斯噪声。图像滤波去噪处理模板函数如下式所示：

高斯滤波利用以钟形曲线为代表的高斯函数完成图像的卷积操作，利用曲线的中心对称性和单峰性，对无人机管网巡检图像进行平滑、降噪处理。中值滤波基于排序统计理论，利用无人机巡检热力管网图像区域内中值，替换图像中心点位置每个像素点的数值，去除部分噪声后，产生简单边缘平滑效果。对数据集中表现出明显噪声的无人机巡检图像展开滤波去噪操作，采取高斯滤波和中值滤波中高效、迅速的运算结果。

2.1.3 边缘检测

一阶微分算子。在完成上述图像滤波去噪处理后，使用一阶微分算子边缘检测，借助空域微分算子，通过卷集对函数进行求导，在图像分割实践中，通过VC++6.0实现。ROBERTS边缘检测算子计算公式如下：G[i,j]=|f[i,j]-f[i+1,j+1]|+|f[i,j]-f[i+1,j]|-f[i,j+1]）、G[i,j]=[（f[i,j]-f[i+1,j+1]）+（f[i+1,j]-f[i,j+1]）]，式中：G[i,j]为图像边缘检测后的坐标点像素数值；（f[i,j]为图像边缘检测前的坐标点像素数值。ROBERTS边缘检测算子模板如下：01-10100-1。

SOBEL边缘检测算子计算公式如下：ΔG=f（i-1,j+1）+2f（i,j+1）+f（i+1,j+1）-f（i-1,j-1）-2f（i,j-1）-f（i+1,j-1）、ΔG=f（i-1,j-1）+2f（i-1,j）+f（i-1,j+1）-f（i+1,j-1）-2f（i+1,j）-f（i+1,j+1），通过上述计算公式可以得出权系数矩阵模板：-1-200012310-1-20-21 0-1。

利用两个矩阵进行卷积，可以看出左侧矩阵对图像水平边缘敏感，右侧矩阵对图像垂直边缘敏感。在两个卷积值中选择最大的数值作为边缘幅度值的中心点，获得更好的图像边缘检测效果。MARR HILDRETH边缘检测算子（LOG）。LOG边缘检测算子主要以较小算则为基础，解决图像边缘检测的定位精度与噪声抑制两个核心问题，检测算法如下：用一个对G（x,y）=e-(x2-y2)/2σ2取样的n×n的高斯滤波器，输入图像滤波利用运算模板：

得到无人机巡检图像的拉普拉斯，找到图像关键特征0交叉。

在使用σ值过程中，虽然图像呈现出0交叉的特征，但在LOG、DOG的0交叉上将产生差异化幅度大小，可以通过标定各自幅度，确定兼容数值。为确定高斯滤波大小，采取二维高斯表面下的均值，在±3σ间的99.7%。利用大小为n×n的LOG离散滤波，的大小等于6σ的最小n值，在最小奇整数上，滤波模板将截断LOG函数，程度与模板大小呈现出反比例关系，使用较大的模板对算法的结果影响并不显著。

Canny算子。Canny算子属于计算机视觉中的多级边缘检测算法，在热力管网无人机巡检图像处理过程中，可以将Canny算子归集到一个函数中进行调用，在效果观察过程中，主要运用高斯滤波进行噪声去除，在抗噪声干扰和精准定位过程中，寻找最佳的图像折中处理方案，将图像中的噪声予以快速过滤。3×3卷积核模板为：

利用模板可以将无人机巡检图像中的噪声部分进行过滤，防止在边缘检测过程中，误识别错误噪声信息。

2.2 增强数据集

热力管网无人机巡检过程的数据集一般约为1500张左右，大部分深度学习的神经网络拥有大量的参数数据，需要利用大量的学习样本进行参数数据的训练。在数据集数量较为固定的前提下，容易出现相似的处理图像，在一定程度上会产生过拟合情况。因此，针对避免过拟合这一核心任务，需要对数据集进行增强和扩充处理。现阶段，常见管网巡检图像数据集增强方法，主要涉及水平、垂直翻转，利用剪取一定面积、旋转一定角度、缩放一定比例、变换一定视觉等完成。本次研究主要利用裁剪、旋转等操作进行数据集的扩充式增强。

3 某火电厂热力管网无人机巡检中的目标检测技术

3.1 生成候选框的算法

3.1.1 BING算法

BING算法利用无人机巡线所获得的管网图像中，物体的封闭轮廓性质，将其压缩到较小尺寸，在图像封闭轮廓区域梯度变化较小的前提下，计算NG特征，在训练阶段，将36种不同的尺寸窗口，压缩到8×8大小尺寸的空间内，观察特征区别，NG特征的计算公式如下：。

第一阶段：使用SVM分类器进行目标和非目标候选框的区分，需要在区分过程中，将无人机巡线图像压缩到36种具有差异的尺寸，在计算NG，特征过程中，使用SVM分类器进行特征训练，在训练过程中的计算公式如下：Sl=〈w,gl〉、l=（i,x,y），式中：Sl为候选框的响应环节；l为NG特征；（x,y）为候选框的具体位置；i为候选框分层层内坐标和层内尺度编号。

训练正、负样本来自NG特征，通过训练阶段获得线性模型，在改进模型二值化特征后，可以快速加强BING算法的运算速度。二值化分解运算公式为：，通过上式，针对特征向量b，将向量取值过程简化为：，对NG特征二值化优化，由于NG特征属于8×8维的，因此，NG特征的点所对应的特征值，需要用byte予以表示，通常来讲，需要运用三维矩阵进行表示，在进行移位操作过程中，需要运用单个NG特征表示in64变量进行存储。在运算操作过程中，需要利用二值化的线性模型和NG特征加快算法运算速度，公式如下：。

第二阶段：在第一阶段中得到尺寸得分，因此，按照计算结果进行标签赋分，将计算结果置放于第二个SVM分类器进行训练学习，通过计算得到：ol=vi×Sl+ti，式中：vi和ti分别表示加权系数、系数偏置。在处理火电厂热力管网无人机巡检图片过程中，可以将图片转换成36种大小尺寸，通过第一阶段进行候选框得分的获取，通过第二阶段得到每类最佳得分。

3.1.2 基于深度学习的Selective search算法

作为召回率较高的选择性搜索算法，Selective search充分融合图像分割与蛮力搜索，通过丰富的策略，对完成分割的区域进行合并处理，通过采取层次算法，降低图像搜索空间，降低搜索障碍，主要涉及四种关键的相似度合并算法。在颜色上，针对颜色相似度的计算如下：，在直方图计算过程中，针对新区域的计算如下：

纹理相似度计算从八个方向，计算通道的高斯微分，在计算过程中，组成240维的向量，公式如下：；在计算大小相似度的过程中，需要有限进行小区域的合并，大小主要指区域所包含的像素点大小，相似度的计算公式如下：

吻合相似度主要用来测试即将合并区域的吻合程度，在候选框区域大小的合并后，计算公式如下：

通过对上述四种关键的相似度进行组合，得到：s（ri,rj）=a1scolour（ri,rj）+a2stexture（ri,rj）+a3ssize（ri,rj）+a4sfill（ri,rj）。

3.2 目标检测的网络算法

YOLO算法。其在完成热力管网无人机巡检过程中，凭借简单的算法架构，较快的速度、较高的精度，形成较低的图像背景错误识别率。在完成目标检测过程中，YOLO算法通过军基层计算获得图像物体具体位置信息和目标类别信息，在整体上来讲，YOLO算法能够实现端到端的目标检测，通过对图像特征层的网格像素予以编译和解码，能够大幅度增加目标检测速度。在YOLO网络结构上，采取s×s个小方格，对图像进行均匀切割，通过切割获得的方格，对候选框和物体类别概率值进行预测。每个候选框和物体的预测概率在计算过程中的公式为：。

SSD改进算法。SSD网络模型充分结合YOLO算法中的卷积神经网络思想，在特征图上通过设计默认框，促使SSD网络模型采用FPN特征金字塔结构进行检测，输出已经定义好的矩形框，提取图像中不同特征，能够快速、有效地将低分辨率和高语义的信息进行提取，在检测速度上更快、精度上更高。