摘要：无人机巡检以准确和安全等特点逐渐成为特高压输电线路巡检的重要方式。本文采用先让无人机按照一定的路线采集线路、杆塔全程图像，事后分析处理图像、寻找输电线路的故障和缺陷的新型巡检方式，使用图像处理技术处理采集到的图像，提高线路巡检的自动化水平和无人机巡检的质量，并基于BP神经网络，使用用Matlab对其进行实验验证。
关键词：图像处理技术；特高压输电线路无人机巡检；Matlab；BP神经网络
1、无人机的图像处理技术
巡检图像处理流程如图1 所示。CCD（charge coupled device）包括：可见光数码相机、数码摄像机摄像机以及红外照相机；差分全球定位系统（difference global positioning system，DGPS）设备安装在无人机内部，提供无人机的方位信息，并应用差分动态定位技术进行定位。
图1-图像处理流程
无人机激光三维空间扫描技术可应用于输电走廊的三维信息采集，但成本高不适用于日常电力巡检。国内外在输电线路提取与识别、弧垂测量、电缆状态监测等方面已有初步研究成果，但其精度和实用性方面还有待进一步提高，而杆塔、绝缘子等重要输电设备图像监测方法的相关研究才刚刚起步。图像处理技术在电力巡检领域具有良好的应用前景，但还存在一些关键技术需要解决。
2、输电线路设备识别
目标的自动提取，在现有相近的研究成果中，遥感图像的目标提取大多需要有人工参与，实现目标的自动提取仍存在着很多难点需要解决。航拍图像的分辨率很难达到要求，由于摄像机本身存储容量的限制，航拍视频图像本身存在分辨率不高的问题（是数码相机分辨率的 1/10 左右），而且拍摄距离一般在30~40米范围内，使得图像的分辨率受到影响；经过预处理后的航拍图像虽然在这方面有所改善，但要完成目标的提取识别工作，仍须根据目标的特点，结合目标的现有知识，找出适合的算法。该实验中，由于无人机是在找到输电塔的大体位置后才进行具体拍摄的，其飞行航路又是事先设定好的，所以获得的绝缘子、防震锤和输电塔图像的视角差别不大，基本上都是正面的图像。即使图像的视角发生变化，由于绝缘子、防震锤和输电塔的形状差异较大，文中提出的方法也可以对其进行识别。
本文采取的是BP神经网络（如图2）识别。BP神经网络事实上也是一个多层感知器，所有它具有相似于多层感知器的体系结构，也即典型的前馈型神经网络的体系结构，图3-2表示了包含一个输出层和两个隐层的多层感知器的结构图。网络可见是全部连接起来的，这就是说对每一层的每个单神经元而言，它跟其上一层包含的所有节点都建立了联系关系，讯号按照一层接一层的方式逐步推进传播。
图2-多层感知器结构图
本文是通过MATLAB中神经网络工具箱进行配置，调用里面的具体参数，本文设置输入层的个数为200，输出层的个数为1，隐含层选择的个数是12，隐含层数目的选取规则中，可以根据一定的方式方法进行设计，比如当输入层是n个时候，那么隐含层一般设定为2*n+1个隐含层个数比较合理，而在这里，因为要达到最佳的训练效果，因此选择这12个隐含层数目会使得训练的精度最高。
当训练模型搭建成功后，会保存神经网络的参数和权值等数据。当有新的一批图像输入时候，会自动调用神经网络的参数进行相关的调配工作，如果神经网络的效果不好，可以进行优化设计，进一步提高正确率。比如采用遗传算法，粒子群算法，遗传粒子群算法，量子粒子群算法等去优化BP神经网络的权值和阈值，使得最后的识别效果达到最好。
根据以上所提到的算法，用Matlab对其进行实验验证。用无人机对输电线路上的绝缘子、防震器和导线三类输电线路设备进行拍摄，在拍摄的过程中，按照事先设定好的航路，根据参考文献：[2]中的方法，首先确定输电塔的大体位置，然后用航拍高清照相机对输电塔进行拍摄。在拍摄的图像中，每类设备分别提取40 张共120 张图像。在获得的120 张图像中，每类设备取30张共90 张图像进行分类训练学习，剩下的30 张图像进行测试。实验系统测试界面如图5 所示，由于分类训练学习样本图像较多，图3所示系统界面。
图3-类型识别系统界面
文中应用图像处理和模式识别技术，提出了一 种识别绝缘子、防震器和导线的方法。利用中值滤波、膨胀和腐蚀等方法对灰度图像进行预处理，然后提取预处理后图像的特征值，最后采用 BP 神经网络的方法对目标图像进行分类与识别。通过在实际拍摄照片中的测试，该方法具有较好的鲁棒性、准确性 和有效性。
3、状态监测与故障诊断
输电线路图像缺陷识别技术主要对输电线路中设备进行缺陷识别，主要使用的技术原理：1）样本特征处理：通过图像分割、图像预处理、图像分类技术，将样本特征提取并分类存储。传输线路中各个部件的形状、特征的不完全相同，为了尽可能的保证多种形状特征提取，更容易扩展系统，因此建立一个特征分类库来确定各种多边形图像的提取策略。2）建立样本库。图像识别缺陷样本库，这是能实现图像识别的关键，主要是对各种部件的各种特征样本的保存和处理。将图像输入到神经网络，然后判断出输出变量，然后根据变量得到相关的输出值。
图4-BP神经网络训练图
使用MATLAB中的BP神经网络工具箱对训练集进行训练，从图中可以看出此次实验设置的节点个数是inputnum=15；hiddennum=31；outputnum=1；最大迭代次数epochs=1000。
每一种物体都具有不同的特征，样本特征准确分析才能保证缺陷识别的精准度。发现样品的共同特征作为样本特征保存起来，当再次遇到特征相同的缺陷样本能够智能的识别出，消除了人为的干预。将输电线路典型的缺陷模型建立缺陷样本库，将特征掌握能达到精确地分析，形成一套统一标准的符合输电线路规范的输电线路缺陷的样本。
图5-故障识别系统界面
4结论
无人机巡检已成为我国输电线路巡检的重要方式，输电线路的自动巡检以及无人机输电线巡检已成为输电线路巡检的发展方向。因此图像处理技术必然会越来越多地应用到巡检工作中，巡检图像的自动处理技术在无人机巡线工作中也必然会发挥越来重要的作用。
参考文献：
[1]何思远，刘刚，王玲，唐延东.基于无人机的输电线路设备识别方法研究[J].红外与激光工程，2013，07：1940-1944.
[2]冯智慧，王乐希，梁文勇，涂洁，万家伟.基于无人机的输电线路典型设备图像信息采集方法研究[J].电瓷避雷器，2016，04：22-26.
论文作者:严垚
论文发表刊物:《基层建设》2019年第14期
论文发表时间:2019/7/26
标签：图像论文; 无人机论文; 神经网络论文; 线路论文; 样本论文; 特征论文; 图像处理论文; 《基层建设》2019年第14期论文;