本發(fā)明涉及高壓線路巡檢技術領域，特別是涉及一種高壓輸電線障礙物識別方法及裝置。

背景技術：

巡檢機器人在高壓線路上行走時會不可避免地遇到一些安裝在線路上的附件，比如防震錘、間隔棒和懸垂線夾等。對機器人來說，這些目標就是其前進道路上的障礙，必須及時識別出障礙物類型，并執(zhí)行相關越障操作。所以，要構造這些障礙物的某些特征，能夠將它們區(qū)分出來。

鑒于此，提供一種高壓輸電線障礙物識別方法及裝置是非常有必要的。

技術實現要素：

本發(fā)明的目的是提供一種高壓輸電線障礙物識別方法及裝置，以解決現有巡檢機器人在高壓線路上行走時不能識別出障礙物的類型而執(zhí)行相關越障操作的問題。

為解決上述技術問題，本發(fā)明提供一種高壓輸電線障礙物識別方法，包括：

采集高壓輸電線路上包含障礙物的圖像信息；

對所述圖像信息進行預處理操作，獲取預處理后圖像信息；

對所述預處理后圖像信息進行邊緣檢測，提取所述障礙物的邊緣信息；

對包含所述邊緣信息的圖像進行特征提??；

通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定所述障礙物的類型。

可選地，所述對所述圖像信息進行預處理操作包括：

對所述圖像信息進行灰度化處理、濾波處理、膨脹和/或腐蝕處理。

可選地，所述對所述預處理后圖像信息進行邊緣檢測，提取所述障礙物的邊緣信息包括：

對所述預處理后圖像信息進行二值化處理；

采用多尺度小波變換對圖像進行邊緣檢測。

可選地，所述對所述預處理后圖像信息進行二值化處理包括：

根據圖像的灰度特性把圖像分為背景和模板兩類，將使兩類間的方差取得最大的參數作為最佳閾值；利用所述最佳閾值分割得到二值化圖像。

可選地，所述對包含所述邊緣信息的圖像進行特征提取包括：

對圖像的相對矩特征進行構造；

根據所述相對矩特征進行特征提取。

可選地，所述通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定所述障礙物的類型包括：

通過支持向量機圖像障礙物識別分類器，確定所述障礙物的類型。

可選地，在確定所述障礙物的類型之后還包括：

根據所述障礙物的類型執(zhí)行相應的越障操作。

本發(fā)明還提供了一種高壓輸電線障礙物識別裝置，包括：

采集模塊，用于采集高壓輸電線路上包含障礙物的圖像信息；

預處理模塊，用于對所述圖像信息進行預處理操作，獲取預處理后圖像信息；

邊緣提取模塊，用于對所述預處理后圖像信息進行邊緣檢測，提取所述障礙物的邊緣信息；

特征提取模塊，用于對包含所述邊緣信息的圖像進行特征提?。?/p>

識別模塊，用于通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定所述障礙物的類型。

本發(fā)明所提供的高壓輸電線障礙物識別方法及裝置，通過采集高壓輸電線路上包含障礙物的圖像信息；對圖像信息進行預處理操作，獲取預處理后圖像信息；對預處理后圖像信息進行邊緣檢測，提取障礙物的邊緣信息；對包含邊緣信息的圖像進行特征提?。煌ㄟ^預先建立的圖像障礙物識別分類器，根據提取到的特征確定障礙物的類型。本發(fā)明所提供的高壓輸電線障礙物識別方法及裝置，通過對不同的背景下采集的圖片進行處理，提取相應的特征，訓練分類器，以對目標圖片進行檢測，能夠將圖片中的障礙物識別出來。本申請能夠應用于高壓輸電線路上障礙物的檢測識別中，且準確率較高。

附圖說明

為了更清楚的說明本發(fā)明實施例或現有技術的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發(fā)明所提供的高壓輸電線障礙物識別方法的一種具體實施方式的流程圖；

圖2為本發(fā)明所提供的識別方法在預處理前的圖像示意圖；

圖3為本發(fā)明所提供的識別方法在預處理后的圖像示意圖；

圖4為本發(fā)明實施例所提供的識別方法二值化之后的效果圖；

圖5為本發(fā)明實施例所提供的識別方法提取的邊緣圖像示意圖；

圖6為本發(fā)明實施例所提供的識別方法的結果示意圖；

圖7為本發(fā)明實施例提供的高壓輸電線障礙物識別裝置的結構框圖。

具體實施方式

為了使本技術領域的人員更好地理解本發(fā)明方案，下面結合附圖和具體實施方式對本發(fā)明作進一步的詳細說明。顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明所提供的高壓輸電線障礙物識別方法的一種具體實施方式的流程圖如圖1所示，該方法包括：

步驟S101：采集高壓輸電線路上包含障礙物的圖像信息；

步驟S102：對所述圖像信息進行預處理操作，獲取預處理后圖像信息；

高壓巡檢機器人在運行的過程中，由于其工作環(huán)境的特殊性和復雜性，采集到的視頻和圖像信息會受到周圍環(huán)境的影響，如光照、云朵、導線周圍的強電磁場等因素，而且機器人自身的穩(wěn)定性也會對采集的圖像產生干擾。這時候，采集到的圖像就會出現很多干擾特征，例如光線、噪聲點等，對障礙物類別的識別就會帶來很多麻煩。所以，為了提高識別的穩(wěn)定性，減少環(huán)境對圖像的影響，就需要對采集到的視頻圖像進行預處理。

步驟S103：對所述預處理后圖像信息進行邊緣檢測，提取所述障礙物的邊緣信息；

步驟S104：對包含所述邊緣信息的圖像進行特征提??；

步驟S105：通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定所述障礙物的類型。

本發(fā)明所提供的高壓輸電線障礙物識別方法，通過采集高壓輸電線路上包含障礙物的圖像信息；對圖像信息進行預處理操作，獲取預處理后圖像信息；對預處理后圖像信息進行邊緣檢測，提取障礙物的邊緣信息；對包含邊緣信息的圖像進行特征提??；通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定障礙物的類型。本發(fā)明所提供的高壓輸電線障礙物識別方法，通過對不同的背景下采集的圖片進行處理，提取相應的特征，訓練分類器，以對目標圖片進行檢測，能夠將圖片中的障礙物識別出來。本申請能夠應用于高壓輸電線路上障礙物的檢測識別中，且準確率較高。

在上述實施例的基礎上，本發(fā)明所提供的高壓輸電線障礙物識別方法中，對所述圖像信息進行預處理操作的過程可以具體包括：

對所述圖像信息進行灰度化處理、濾波處理、膨脹和/或腐蝕處理。

其中，本實施例中圖像灰度化處理是為了更好地反應圖像的形態(tài)特征，為后續(xù)的處理做準備。

本實施例中濾波處理可具體采用中值濾波。通過中值濾波處理可以有效去除了一些小的背景和噪聲干擾。

中值濾波的輸出為：

g(x,y)＝med{f(x-k,y-i),)(k,i∈W)}

上式中，f(x,y)為原始圖像，g(x,y)為處理后圖像。中值濾波是一種非線性的圖像平滑方法，它將每一象素點的灰度值設置為該點某鄰域窗口內的所有象素點灰度值的中值，從而達到平滑噪聲的目的。

膨脹和腐蝕是數學形態(tài)學的兩種最基本的運算，膨脹的作用是填補圖像的一些空洞，將與物體接觸的所有背景點合并到該物體中，使邊界點向外部擴張。腐蝕的作用是消除物體邊界點，使邊界向內部收縮，可以把小于結構元素的物體去除。通過圖像的膨脹與腐蝕操作，能夠去除圖像中一些孤立的小點、毛刺，平滑物體的邊界，得到物體更本質的形態(tài)。

請參照圖2本發(fā)明所提供的識別方法在預處理前的圖像示意圖以及圖3預處理后的圖像示意圖，雖然處理后圖像變得模糊了許多，但是與此同時，也去除掉了很多的噪點和線條性小塊，最主要的是目標區(qū)域的像素值差異大大減少，這有利于后期的圖像二值化和邊緣提取。

在實施例一的基礎上，本實施例對所述預處理后圖像信息進行邊緣檢測，提取所述障礙物的邊緣信息的過程可以具體包括：

對所述預處理后圖像信息進行二值化處理；

采用多尺度小波變換對圖像進行邊緣檢測。

進一步地，對所述預處理后圖像信息進行二值化處理包括：

根據圖像的灰度特性把圖像分為背景和模板兩類，將使兩類間的方差取得最大的參數作為最佳閾值；利用所述最佳閾值分割得到二值化圖像。

在各種閾值優(yōu)化分割方法中，OTSU算法提出基于類間方差最大化分割法被公認為是最佳閾值分割算法，它根據圖像的灰度特性把圖像分成背景和目標兩類，然后計算讓兩類間的方差取得最大的參數作為最佳閾值，再利用最佳閾值分割得到效果良好的二值化圖像。

OTSU算法公式：

設t為設定的閾值，方差的計算公式如下：

方差g＝w₀×w₁×(u₀-u₁)²

wo：為分開后前景像素點數占圖像的比例；

uo：為分開后前景像素點的平均灰度；

w1：為分開后被景像素點數占圖像的比例；

u1：為分開后被景像素點的平均灰度；

從L個灰度級遍歷t，使得t為某個值的時候，前景和背景的方差最大，則這個t值便是最優(yōu)閾值。

按照OTSU算法得到的三種障礙物進行二值化分割時的最佳閾值分別是：95，108，132。本發(fā)明實施例所提供的識別方法二值化之后的效果圖如圖4所示。

圖像小波變換在邊緣檢測中的優(yōu)點是，在時域與頻域中具有良好的局部特性，所以用多尺度小波變換檢測圖像邊緣，可以很好地解決噪聲抑制和圖像邊緣細節(jié)提取精度之間的矛盾。對預處理后的圖像進行二值化處理后，再用小波模極大值算法提取圖像的邊緣，從處理后的邊緣圖像可以看出，障礙物邊緣圖像比較連續(xù)，取得了較好的邊緣效果，如圖5本發(fā)明實施例所提供的識別方法提取的邊緣圖像示意圖所示。

在上述任一實施例的基礎上，本發(fā)明所提供的方法對包含所述邊緣信息的圖像進行特征提取可以優(yōu)選為：

對圖像的相對矩特征進行構造；

根據所述相對矩特征進行特征提取。

令f(x；y)表示直角坐標系的2維二值圖像，則p+q階規(guī)則矩mpq定義為m_pd＝∫∫x^py^qf(x,y)dxdy；

中心距μ_pq定義為：μ_pq＝∫∫(x-x₀)^p(y-y₀)^qf(x,y)dxdy；

其中，x₀＝m₁₀/m₀₀；y₀＝m₀₁/m₀₀。

對于MxN的由二元函數f(x,y)表示的離散數字圖像來說，f(x,y)的(p+q)階規(guī)則矩mpq和中心矩刀μ_pq分別定義為：

歸一化矩得：

其中，

這樣得到7個不變矩，其滿足平移、縮放、和旋轉不變性的條件，公式如下所示：

ρ₁＝η₂₀+η₀₂

ρ₂＝(η₂₀-η₀₂)²+4η²₁₁

ρ₃＝(η₃₀-3η₁₂)²+(η₃₀-3η₂₁)²

ρ₄＝(η₃₀+η₁₂)²+(η₀₃+η₂₁)²

ρ₅＝(3η₃₀-3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₀₃+η₂₁)²]

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₀₃+η₂₁)²]

ρ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

ρ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₀₃+η₂₁)²]

+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₀₃+η₂₁)²]

對于區(qū)域和封閉、不封閉的邊界均滿足旋轉、平移和比例的不變性，八個相對矩的公式如下：

θ₂＝ρ₆/ρ₁ρ₄

θ₄＝ρ₅/ρ₃ρ₄

θ₅＝ρ₁ρ₆/ρ₂ρ₃

θ₇＝ρ₁ρ₅/ρ₃ρ₆

對于離散的數字圖像，相對矩特征的變化范圍非常大，一些計算得到的值可能會被忽略，為了比較的方便，可以采用對數的方法進行數據壓縮。因此，實際采用的相對矩為：

θ_i＝|log₁₀θ_i|，i＝1,2,...8。

作為一種具體實施方式，本實施例通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定所述障礙物的類型可以具體為：

通過支持向量機圖像障礙物識別分類器，確定所述障礙物的類型。

支持向量機(Support Vector Machine，簡稱SVM)，在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優(yōu)勢，并能夠推廣應用到函數擬合等其它機器學習問題中。它基于結構風險最小化原理，而不是傳統(tǒng)統(tǒng)計學的經驗風險最小化，表現出了出色的學習能力及泛化能力，也能有效的克服局部最小、維數災難等問題。

d維空間中線性判別函數的一般形式為g(x)＝w*x+b。

分類面方程為:w*x+b＝0。

將判別函數進行歸一化，使兩類所有樣本都滿足g(x)的絕對值大于或等于1，即使離分類面最近的樣本的g(x)的絕對值等于1，此時分類間隔就等于2/||w||，使間隔最大等價于使||w||2最小。而要求分類線對所有樣本正確分類，就是使它滿足

y_i[(ω*x+b)]-1≥0,i＝1,2,...,n

滿足上述條件且使||w||2最小的分類面就是最優(yōu)分類面。

在上述任一實施例的基礎上，本發(fā)明在確定所述障礙物的類型之后還可以進一步包括：

根據所述障礙物的類型執(zhí)行相應的越障操作。

針對不同的拍攝情況，在不同的背景情況下截取大量的圖片，從中選取了有代表性的圖像進行處理，用本實施例提供的方法，提取相應的特征，訓練分類器，然后對目標圖片進行檢測，結果示意圖如圖6所示，可見本方法應用在高壓輸電線路上檢測識別障礙物是切實可行的，而且準確率也較高。

下面對本發(fā)明實施例提供的高壓輸電線障礙物識別裝置進行介紹，下文描述的高壓輸電線障礙物識別裝置與上文描述的高壓輸電線障礙物識別方法可相互對應參照。

圖7為本發(fā)明實施例提供的高壓輸電線障礙物識別裝置的結構框圖，參照圖7高壓輸電線障礙物識別裝置可以包括：

采集模塊100，用于采集高壓輸電線路上包含障礙物的圖像信息；

預處理模塊200，用于對所述圖像信息進行預處理操作，獲取預處理后圖像信息；

邊緣提取模塊300，用于對所述預處理后圖像信息進行邊緣檢測，提取所述障礙物的邊緣信息；

特征提取模塊400，用于對包含所述邊緣信息的圖像進行特征提??；

識別模塊500，用于通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定所述障礙物的類型。

本發(fā)明所提供的高壓輸電線障礙物識別裝置，通過采集高壓輸電線路上包含障礙物的圖像信息；對圖像信息進行預處理操作，獲取預處理后圖像信息；對預處理后圖像信息進行邊緣檢測，提取障礙物的邊緣信息；對包含邊緣信息的圖像進行特征提??；通過預先建立的圖像障礙物識別分類器，根據提取到的特征確定障礙物的類型。本發(fā)明所提供的高壓輸電線障礙物識別裝置，通過對不同的背景下采集的圖片進行處理，提取相應的特征，訓練分類器，以對目標圖片進行檢測，能夠將圖片中的障礙物識別出來。本申請能夠應用于高壓輸電線路上障礙物的檢測識別中，且準確率較高。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

專業(yè)人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術方案的特定應用和設計約束條件。專業(yè)技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發(fā)明的范圍。

結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(RAM)、內存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或技術領域內所公知的任意其它形式的存儲介質中。

以上對本發(fā)明所提供的高壓輸電線障礙物識別方法以及裝置進行了詳細介紹。本文中應用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權利要求的保護范圍內。