基于无人机视觉的电力巡检线路安全距离自动诊断方法

袁 毅，何 旭

（1.国网铜陵供电公司，铜陵 244000；
2.上海电力大学，上海 200090）

为满足人们的供电需要，电力装置遍布大江南北。其中输电线路分布最为广泛。输电线路承担着电力分配和输送的任务，保证其安全性和可靠性具有重要的现实意义。输电线路所处自然环境恶劣，很容易出现故障问题，因此会定期进行电力巡检，但人工巡检不仅难度大、危险性高、效率还慢，针对这种情况，无人机巡检逐渐出现在巡检作业当中，取代了人工完成了很多高难度的巡检工作[1]。然而，无人机电力巡检并不是“完美无缺”，还面临着很多问题没有解决，如何准确避障成为一大难题。无人机巡检过程中，受到错综复杂的线路、以及分布其上的各种电力设备的阻碍，无人机在近距离拍摄图像时，面临着极大的风险，经常与输电设施发生碰撞事故，导致无人机坠机。面对这种情况，准确诊断出无人机与障碍物之间的安全距离对于实现安全避障具有重要作用。

目前，关于无人机安全距离诊断方法主要有三种，即基于超声波的方法、基于激光雷达的方法以及基于红外相机的方法。这三种方法各有优缺点，其中第一种方法优点是易于实现，成本较低，且测距精度高，缺点是对声波传播距离有一定的限制，超过一定距离后若声波无法传回或传回来的声波较弱，则会影响测距准确性；
第二种方法优点是测量范围较大，并且分辨率高，缺点是很容易受到太阳光干扰，出现噪声点。第三种方法优点是不会受到环境的影响，鲁棒性较强且适合于远距离测试，缺点是分辨率差，对比度低。

针对上述问题，研究一种安全距离自动诊断方法。通过该研究以期提高安全距离检测准确性，提高无人机巡检安全性，避免发生坠机事故。

无人机在野外电路巡检中被广泛应用。该设备进行巡检时，若不能准确掌握安全距离，很容易发生坠机事故。针对这一问题，研究一种基于无人机视觉的诊断方法。该方法分为两部分进行研究。第一部分进行障碍物轮廓检测，第二部分进行安全距离测量。

1.1 障碍物轮廓检测

障碍物轮廓检测，即识别障碍物，是后一部分安全距离判断研究的基础。视觉系统是无人机的必要组成部分之一，相当于无人机的“眼睛”，除了拍摄目标图像外，还起到避障指挥的作用。无人机上的“眼睛”是一种双目视觉传感器，分为左右两个相机，采集左右两幅关于目标的图像[2]。基于无人机双目视觉系统进行障碍物轮廓检测具体过程如下；

1）障碍物图像预处理

在双目视觉系统采集无人机飞行路线上的障碍物图像，然后进行灰度化、去噪和增强处理。

图像灰度化：将巡检路径上的障碍物图像像素均调整到0～255范围内，去除掉红绿蓝三通道色彩分量。如式(1)所示：

式(1)中，Qi,j代表图像灰度值；
r、g、b代表红绿蓝三通道色彩分量。

图像去噪：去除障碍物图像中的噪声点。在这里利用形态学计算的方法来实现。处理分为膨胀和腐蚀两个过程，如式(2)所示：

图像增强：即增强障碍物图像中的信息对比度，使得目标信息更加突出。具体过程如下：（1）计算障碍物图像的直方图；
（2）利用最小误差法计算两个分段点；
（3）利用分段点将直方图分割为目标段、过渡段、背景段；
（4）针对不同段的直方图，不同的均衡化映射函数进行处理；
（5）将各段处理好的图像进行融合，实现图像对比度增强[3]。

2）基于阈值分割障碍物轮廓

阈值分割的目的是划分目标区域和背景区域。具体过程如下：首先计算障碍物图像的像素总数量，并计算第i级像素所占的比例，计算公式为：

式中，S代表像素总数量；
ci代表第i级像素数量；
Ki代表第i级像素所占的比例；
B代表像素灰度级。

假设有一个阈值t，将图像分为两部分，即目标和背景，二者部分在总像素所占的比例分别记为K1和K2，二者部分的平均像素分别记为H1(t)、H2(t)。令：

式(5)中，D1、D2分别代表H1(t)与K1、H2(t)与K2之间的比值。

最后得出类间方差定义为：

式(6)中，gt代表t值下的类间方差；
代表总平均像素。

gt随着阈值t在0～B之间的取值不同而发生变化。能够令gt达到最大值的t值就是所求的最佳阈值。根据得到的最佳阈值t就可以实现阈值分割。

基于上述分割出来的阈值，实现了背景和障碍物之间的区分，之后沿着障碍物最外部的像素点进行连接，即可形成障碍物轮廓。

1.2 无人机巡检安全距离判断

无人机以巡检目标为目的地，通过飞行不断靠近目标，在飞行过程中需要跨越各种障碍，如杆塔、线路、移动的鸟类，甚至是其他的任何障碍物。为防止坠机，在碰撞这些障碍物之间就需要判断出与这些障碍物之间的距离，在达到安全距离界线之前或者之时进行躲避，未达到安全距离界线则继续按照规划的飞行路径正常飞行即可[4]。在整个避障飞行过程中，如何判断无人机是否达到安全距离界线是关键。上述整个过程就是电力巡检线路安全距离自动诊断。整个诊断过程分为三步，即无人机到障碍物之间的距离、避障边界线确定、安全距离判定。

1）无人机到障碍物之间的距离

无人机到障碍物之间的距离通过计算障碍物三维坐标来确定。首先找到空间同一点在视觉系统采集到的左右两幅图像中的匹配点。具体过程如下：首先对故障物图像从两个方向上（在水平和竖直）进行半采样，将其进行多尺度分解，构建尺度空间金字塔；
然后利用FAST算法对每一尺度的故障物图像进行角点特征检测，原理如式(7)所示：

式(7)中，do代表中心像素点o的灰度值；
L代表圆周；
di代表圆周L中第i个像素点的灰度值；
T代表固定的门限值。如果有像素点满足上述公式，就将其作为提取的特征点。

接着对选出的特征点进行非最大化抑制处理，得到稳定特征点，最后确定特征点的主方向，实现了左右障碍物图像中的特征点检测。

为方便匹配计算，将特征点描述转换成特征描述子。立体匹配过程如下：首先计算左右障碍物图像中特征点描述子之间的欧式距离h。

式(8)中，li代表左障碍物图像中第i个特征点描述子；
rj代表右障碍物图像任意一个特征点描述子；
n代表特征点描述子数量。

根据h从右障碍物图像中找出与li最邻近和次邻近的特征点。计算li与这两个特征点之间的平均距离。

式(9)中，代表平均距离；
h1代表li与右障碍物图像最邻近特征点之间的距离；
h2代表li与右障碍物图像次邻近特征点之间的距离。

根据可以看出左右两个障碍物图像中特征点描述子之间的匹配度，当大于等于设定的阈值时，认定最邻近特征点就是正确的匹配点。

通过上述过程，找到空间同一点在两幅图像中的匹配点，然后结合双目视觉成像原理，求出障碍物的三维坐标。

式(10)中，x、y、z代表障碍物的三维坐标；
f代表两平行左右相机之间的距离；
e代表视觉差；
(i0,j0)代表相机光心点坐标；
(i,j)、分别代表匹配点的像素点坐标；
Iu代表相机的焦距。

以上求出的障碍物三维坐标中的z方向数值就是所要求的无人机到障碍物之间的距离。

2）避障边界线确定

在测量出无人机到障碍物之间的距离之后，还需要确定避障边界线。首先设置一个安全距离值λ，然后基于障碍物轮廓，根据安全距离值λ沿着轮廓向外平移，得到最小安全空间避障边界线，如图1所示[5]。

图1 最小安全空间避障边界线

3）安全距离判定

当无人机飞到这条避障边界线前，都是安全的；
当无人机飞到这条避障边界线时或者之后，都存在碰撞风险。由此确定安全距离诊断函数，如式(11)所示：

基于上述函数，完成基于无人机视觉的电力巡检线路安全距离自动诊断。

以基于超声波的方法、基于激光雷达的方法以及基于红外相机的方法为对比项，测试基于无人机视觉的诊断方法在电力安全巡检中应用效果。

2.1 障碍物样本图像

以某区域一段野外电力线路巡检任务为例，在四翼无人机上搭载双目视觉系统，系统上每个相机的分辨率为4000*3000。利用双目视觉系统采集巡检过程中遭遇的障碍物图像共计4幅，图像样本如图2所示。

图2 障碍物样本图像示例

2.2 障碍物轮廓检测结果

当t=15.36时，类间方差gr达到最大，以此划分了图像中障碍物目标部分与背景部分，然后沿着障碍物最外部的像素点连接形成障碍物轮廓，以其中一幅图像为例，形成的障碍物轮廓如图3所示。

图3 障碍物轮廓图像

2.3 无人机到障碍物之间的距离测量

以一个障碍物左右图像为例，在提取左右图像特征点的基础上，进行特征点匹配，以此得到障碍物的三维坐标，结果如表1所示。

表1 特征匹配点及障碍物像素坐标

表1中障碍物三维坐标中的z坐标数值为障碍物与无人机之间的实际距离。

2.4 性能测试结果与分析

计算无人机避障拐点与障碍物之间的距离，在安全距离值λ设置为0.5m情况下，当无人机避障拐点与障碍物之间的距离小于0.5m，无人机进入避障边界线内，存在碰撞坠机风险；
当无人机避障拐点与障碍物之间的距离大于等于0.5m，无人机在避障边界线外，不存在碰撞坠机风险。结果如图4所示。

图4 无人机避障拐点与障碍物之间的距离

无人机避障拐点与障碍物之间的距离均大等于0.5m，由此说明所研究方法应用下，无人机均在靠近0.5m避障边界线时进行了安全躲避，而其他三种方法则存在过早避障或过晚避障的情况，安全距离诊断存在较大的误差。通过对比证明了所研究方法的有效性。

综上所述，无人机电力巡检时经常发生碰撞事故，导致无人机坠机。面对这种情况，提出一种安全距离自动诊断方法。该方法通过障碍物三维坐标计算来确定其与无人机的距离，然后与设置的安全距离界线进行对比，从而进行避障诊断，实现了无人机在碰撞发生前的安全避障。最后通过实例，验证了所研究诊断方法的有效性，实现了较为准确的安全距离诊断。然而，本研究仅在较为理想的天气情况下进行的实验测试，实验结果具有一定的局限性，因此下一步还需要在大风等恶劣天气下进行进一步测试。