一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法
【技术领域】
[0001] 本发明属于图像提取与识别技术领域，更具体地说，涉及一种无人机巡检输电线 路图像中绝缘子缺陷的检测和定位方法。
【背景技术】
[0002] 随着我国国民经济持续快速发展和城市建设规模日益扩大，高科技产业、金融、医 疗卫生等行业快速密集发展，对电力能源的需求日益增强，而经济发展不仅使城乡电网负 荷快速增长，也对供电的可靠性和供电质量提出了更高的要求。因此，电力公司需要对电力 线路设备尤其是电力线和电力杆塔进行定期巡检，以保证电力传输系统的稳定安全运行和 社会生产生活的正常进行。我国的电力线路走廊，经常需要穿越各种复杂的地理环境，频繁 经过湖泊水库以及崇山峻岭等，因此，输电线路就具有覆盖范围大、分布区域广、传输距离 长、地理条件复杂多变及受环境气候影响显著等特点，从而给线路的日常运行、维护和检修 带来极大挑战。
[0003] 我国输电线路的巡视一般采用人工巡视方式，这种方法虽简单，但效率较低，周期 较长，且需要配备大量光学设备和素质高、经验丰富的巡线人员，对人力、财力的要求较高。 且当杆塔较高、周围地理环境较复杂时，人工巡线就更加困难，容易遗漏故障，造成巡线不 彻底，从而使得人工巡线方式逐渐难以满足高压电网的运行维护要求。
[0004] 从上世纪九十年代开始，欧美一些发达国家就已经尝试将无人机应用于输电线路 抢修等工作，该技术至今已相对成熟。直升机巡检输电线路技术，具有安全快捷、受地域限 制小、能快速发现故障等优点。我国从上世纪后期开始尝试直升机巡线作业，近几年来，我 国也加大了无人机巡线技术的研发投入，2012年山东电力在全国率先实现了将无人机巡线 纳入线路巡检常态化应用。2013年，由国家电网青海省电力公司检修公司承担的"高海拔 地区输电线路无人巡检技术的应用研究"顺利通过国家电网公司的验收，并通过青海省科 技厅的鉴定。
[0005] 绝缘子是隔离电器的一种，在输电线路中起到支撑导线和防止电流回地的作用。 由于长期暴露于大气中且工作在强电场、风雨雪雾、化学物质腐蚀等恶劣环境中，再加上本 身用料、制作工艺水平及人为破坏等原因，绝缘子难以避免地会发生电气故障。绝缘子的 电气性故障主要有闪络和自爆两种，闪络发生在绝缘子表面，可见到烧伤痕迹，通常并不失 掉绝缘性能，而自爆多半由于绝缘子制造工艺以及周围自然环境变化而导致，绝缘子自爆 缺失会严重影响到输电线路运行的安全有效性，且有可能造成难以估量的损失。因此，如 何能够从背景复杂的航拍图像中及时精确地检测出绝缘子并识别其电气故障，尤其是识别 其自爆故障就尤为重要。国内外关于利用无人机进行输电线路自动化巡检的研究已较多， 但关于从输电线路图像中精确快速地提取出绝缘子并对绝缘子电气故障进行检测和定位 的研究则较少，且现有检测方法的综合性不强，由于输电线路架设环境的复杂性和天气影 响等原因，所采集的图像范围广、背景复杂、目标物较多，包含草木、大地、铁塔等干扰信息， 会使部分图像中目标物与干扰因素重叠交错，从而进一步增加了绝缘子缺陷的检测难度， 难以保证缺陷的检测精度，存在漏检或检测不准的不足。如文献《基于彩色图像的玻璃绝 缘子缺陷诊断》提出了基于直方图匹配判据的玻璃绝缘子缺陷诊断排除方法，能快速排除 大量正常的玻璃绝缘子图片，在一定程度上提高了故障检测效率，但该文献中并未对绝缘 子具体故障点的定位进行研究，因此不能及时对发生故障的绝缘子进行替换。又如文献 《Segmentation of Insulator Images Based on HSI Color Space》提出了在 HSI 空间运 用最大类间方差法进行图像分割的方法，但其仅仅研究了蓝色绝缘子的提取，并不能用于 绝缘子的缺陷检测。
【发明内容】
[0006] 1.发明要解决的技术问题
[0007] 本发明的目的在于克服现有技术中利用无人机对输电线路进行自动化巡检时，对 电力杆塔中绝缘子电气故障的检测精度相对较低，存在漏检或错检的现象，从而使输电线 路运行的安全性受到影响的不足，提供了一种无人机巡检输电线路图像中绝缘子缺陷的检 测和定位方法。通过使用本发明中的方法，能够将绝缘子从背景复杂的输电线路图像中快 速、精确地提取出来，且对绝缘子电气故障的检测精度较高，保证了输电线路的安全、可靠 运行。
[0008] 2.技术方案
[0009] 为达到上述目的，本发明提供的技术方案为：
[0010] 本发明的一种无人机巡检输电线路图像中绝缘子缺陷的检测和定位方法，其特征 在于：其步骤为：
[0011] 步骤一、将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度亮度空间，提取 HSI色度饱和度亮度空间的H分量图像和S分量图像，将提取的H分量图像和S分量图像分 别进行二值化处理得到各自对应的二值图像，然后将以上两幅二值图像经中值滤波后相与 即得到绝缘子串的初步轮廓二值图像；
[0012] 步骤二、采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮廓二值图像中 绝缘子单体的轮廓进行提取；
[0013] 步骤三、采用最小二乘法对绝缘子单体轮廓进行椭圆拟合，并通过检测绝缘子单 体轮廓之间的间距对绝缘子的缺陷进行定位。
[0014] 更进一步地，步骤一中将航拍得到的图像由RGB色彩空间转换到HSI色度饱和度 亮度空间时，对任一像素点，其H分量和S分量分别通过式（1)、式（2)进行计算：
[0015]
[0016]
[0017] 其中，H和S分别代表HSI色度饱和度亮度空间的色调分量和色饱和度分量，R、G、 B分别代表RGB色彩空间的红色分量、绿色分量和蓝色分量。
[0018] 更进一步地，步骤一中采用最大类间方差法对提取的H分量图像和S分量图像分 别进行二值化处理，具体步骤为：遍历H分量图像和S分量图像中的每个像素点，取出各像 素点的灰度值，假设H分量图像和S分量图像中像素点的灰度范围均为0~m-1，此处m-1 为H分量图像和S分量图像中像素点的最大灰度值，其中灰度为i的像素点出现的概率为 P 1, H分量图像和S分量图像在0~m-Ι灰度范围内的灰度均值均为μ，假设存在灰度阈值 T将两图像中的绝缘子目标与背景分离为G。= {0~Τ-1}和G1= {Τ~m-1}两个灰度区 间，且G。出现的概率为w。，G1出现的概率为W1，则G。和G 1IK间内的平均亮度μ。、P1以及 这两个区间的类间方差S2(T)分别为：
[0019]
[0020]
[0021] 使灰度阈值T在0~m-Ι灰度范围内逐步递增，使灰度阀值T取到0~m-Ι范 围内的所有数值，计算出每次循环得到的类间方差S 2 (T)，循环结束后得到最大类间方差 max δ 2(T)，此时的T值即为最佳灰度分割阈值，将H分量图像和S分量图像中灰度值大于 该T值的像素点的灰度值设为1，将灰度值小于该T值的像素点的灰度值设为0,从而得到 H分量图像和S分量图像各自的二值图像。
[0022] 更进一步地，步骤二中采用基于粒子群优化参数的蚁群算法对绝缘子串的初步轮 廓二值图像中绝缘子单体的轮廓进行提取的具体步骤为：
[0023] 步骤1、假设原航拍图像的大小为Μ*Ν，算法初始化（Μ/2ΜΝ/2)只蚂蚁随机分布 于绝缘子串的初步轮廓二值图像中的不同像素点；
[0024] 步骤2、上述（Μ/2ΜΝ/2)只蚂蚁均按照公式（4)中的转移概率公式在绝缘子串的 初步轮廓二值图像中进行择向移动，即所有蚂蚁均向公式（4)中计算出的各自的概率最大 方向移动：
[0025]
(4),
[0026] 式（4)中，t为迭代次数，（m，η)为蚂蚁当前所在像素点，（1，f)为点（m，η)的3*3 邻域内的任一像素点， ^[m,n HLf) 为在第t次迭代循环中蚂蚁由像素点（m，n)向像素点（l，f) 转移的概率，Ω (m，n)为以点（m，n)的3*3邻域内的所有像素点的集合，n lif为点（l，f)处 的启发函数，通过式（5)计算得到：
[0027]
[0028] (5)，
[0029] 式（5)中，C为放大常数，其数值取1 ;▽ 1(1，f)为蚂蚁所在位置（l，f)处的灰度 梯度值，gray为图像中遍历各像素点所得到的灰度值；
[0030] 式（4)中，τ j (t)为在第t次迭代时点（m，η)到点（1，f)的路径上信息素 强度的大小，其初始值为0. 001，每迭代一次，每只蚂蚁都会移动一次，并在新的位置产生信 息素，从而将所有像素点的信息素强度进行更新，将每次蚁群算法迭代完成后各像素点的 信息素强度和位置更新存储于M*N信息素强度矩阵图像中，上述信息素强度进行迭代更新 的公式如下：
?
[0034] 式（6)_⑶中，τ (t-Ι)为在第t-Ι次迭代循环时点（m，η)到点（1，f)的 路径上信息素强度的大小，为第k只蚂蚁在第t-Ι次迭代循环时留在（m，η) 到（1，f)路径上的信息素量，设所有蚂蚁迭代一次产生的信息素量均为一给定的固定正常 数，和A2T〇ii，n)af)(t-l)分别为在第t-Ι次迭代循环时留在点（m，n)到 (1，f)的局部最优路径和局部最差路径上的信息素总量，此处点（m，η)到（1，f)的局部最 优路径是指像素点（m，η)到（l，f)的最短路径，（m，η)到（l，f)的局部最差路径是指像素 点（m，η)到（l，f)的最长路径；LJPL 2分别为以上局部最优路径和局部最差路径的长度， Φ (t-Ι)和iW-l)分别为在第t-Ι次迭代循环时走过以上局部最优路径LdP局部最差路径 L2