输电线路覆冰厚度测量方法及装置与流程

本发明涉及故障检测技术领域，特别涉及一种输电线路覆冰厚度测量方法及装置。

背景技术：

覆冰现象在输电线路中十分普遍，覆冰会引起导线舞动、杆塔倾斜倒塌、断线及绝缘子闪络等问题,给生产和生活带来极大的不便，同时也造成了巨大的经济损失。我国地域广阔，地形复杂，是遭受覆冰灾害最严重的国家之一。

对架空输电线路进行覆冰状态的检测可以准确、详实的记录覆冰过程，在严重覆冰灾害发生前调度电网负荷，启动融冰设备，有效避免灾害的发生，具有重要意义。线路覆冰冰层的厚度很难直接得到,一般都采用间接测量方法，通过厚度和其它量的关系间接得到。目前的检测方法主要包括量器具检测法、称重法、导线倾角弧垂法、图像法、光纤传感器检测法、电阻和电容检测法、激光测量法等。

量器具检测法是针对导线的某一部位测得特征尺寸，难以正确反映导线实际的不规则的覆冰厚度；称重法受样本、电磁干扰、外部温度等影响较大，使测量结果与实际线路覆冰情况有很大的出入；导线倾角弧垂法在供电电源不够稳定时会形成一个额外热源，影响导线温度测量的准确度，造成覆冰测量误差；光纤传感器检测法是采用分布式光纤传感器进行覆冰检测，电阻和电容检测法是利用空气与冰的电阻特性或电容特性差异实现输电线路与塔架覆冰厚度自动检测，但是这两种方法目前还处于实验室试验与完善阶段，实际应用尚有许多问题需要解决；激光测量法采用激光测距仪计算出从观测者到目标的距离，但是激光传感器在测冰的厚度时可能穿透冰，在冰薄时导致测量结果不准备，实际应用尚需验证。

图像法是使用视频设备或单目相机拍摄导线上的覆冰图像，通过图像处理技术，获取覆冰导线的特征尺寸，然后通过模型计算，最终得到等效覆冰厚度。目前基于图像监控器的输电线路覆冰测量系统由于只基于单相机，无法使用立体视觉中的多位置的图像相位匹配方法，而仅仅依赖颜色变化进行边缘提取，准确率较低，而且容易受到图片背景的影响，鲁棒性较差。因此，如何使用立体视觉中的多位置的图像相位匹配方法将输电线路覆冰图片进行匹配，提升输电线路等值覆冰厚度测量的准确性，成为亟需解决的问题。

技术实现要素：

本发明实施例提供了一种输电线路覆冰厚度测量方法，用以解决现有的输电线路覆冰厚度测量方法中无法进行立体视觉的多位置图像匹配，导致等值覆冰厚度测量准确性较低的技术问题，该方法包括：

采集输电线路的四目图像；

将输电线路的四目图像输入卷积神经网络模型，输出输电线路的目标视差点集合；

根据输电线路的目标视差点集合，计算输电线路的深度点集合；

根据输电线路的深度点集合，确定输电线路的三维模型；

根据输电线路的三维模型，获取输电线路导线的横截面信息；

根据输电线路导线的横截面信息，确定输电线路的等值覆冰厚度。

本发明实施例还提供了一种输电线路覆冰厚度测量装置，用以解决现有的输电线路覆冰厚度测量方法中无法进行立体视觉的多位置图像匹配，导致等值覆冰厚度测量准确性较低的技术问题，该装置包括：

四目图像采集模块，用于采集输电线路的四目图像；

目标视差点集合计算模块，用于将输电线路的四目图像输入卷积神经网络模型，输出输电线路的目标视差点集合；

深度点集合计算模块，用于根据输电线路的目标视差点集合，计算输电线路的深度点集合；

三维模型生成模块，用于根据输电线路的深度点集合，确定输电线路的三维模型；

横截面确定模块，根据输电线路的三维模型，获取输电线路导线的横截面信息；

覆冰厚度计算模块，根据输电线路导线的横截面信息，确定输电线路的等值覆冰厚度。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如下方法：

采集输电线路的四目图像；

将输电线路的四目图像输入卷积神经网络模型，输出输电线路的目标视差点集合；

根据输电线路的目标视差点集合，计算输电线路的深度点集合；

根据输电线路的深度点集合，确定输电线路的三维模型；

根据输电线路的三维模型，获取输电线路导线的横截面信息；

根据输电线路导线的横截面信息，确定输电线路的等值覆冰厚度。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有执行如下方法的计算机程序：

采集输电线路的四目图像；

将输电线路的四目图像输入卷积神经网络模型，输出输电线路的目标视差点集合；

根据输电线路的目标视差点集合，计算输电线路的深度点集合；

根据输电线路的深度点集合，确定输电线路的三维模型；

根据输电线路的三维模型，获取输电线路导线的横截面信息；

根据输电线路导线的横截面信息，确定输电线路的等值覆冰厚度。

本发明实施例提供的技术方案通过：使用机器学习的卷积神经元算法，将输电线路的四目图像输入卷积神经网络模型，得到输电线路的目标视差点集合；根据输电线路的目标视差点集合，计算输电线路的深度点集合，从而确定输电线路的三维模型；根据确定输电线路的三维模型，计算输电线路的等值覆冰厚度，实现了基于卷积神经网络模型将输电线路的四目图像进行视觉匹配，提升了覆冰导地线的边缘检测性能，提升了输电线路等值覆冰厚度测量的准确性，可有效的指导电力公司进行除冰消缺的工作。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中输电线路覆冰厚度测量方法的流程示意图；

图2为本发明实施例中卷积神经网络结构图；

图3为本发明实施例中输电线路导线横截面计算示意图；

图4为本发明实施例中输电线路覆冰厚度测量装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

在本说明书的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施，其中的步骤顺序不作限定，可根据需要作适当调整。

为了解决现有的输电线路覆冰厚度测量方法中无法进行立体视觉的多位置图像匹配，导致等值覆冰厚度测量准确性较低的技术问题，本发明实施例提供一种输电线路覆冰厚度测量方法，如图1所示，该方法可以包括：

步骤101、采集输电线路的四目图像。

通过四目相机采集输电线路的四目图像，四目相机采用四台相机平行光轴布置形成矩阵阵列，对发生覆冰的输电导地线进行4路图片的同步采集，获取覆冰输电线不同角度的差分图像数据，具有匹配快速、运算简单的特点，易实现芯片化等优点。四目相机独到的硬件布置形式和成像原理，摆脱了对结构光等辅助手段的依赖，在机器视觉领域实现了通用、实时、远距离和被动成像的三维检测，弥补了单/双目+结构光和tof等三维成像既有技术线路中的功能空白，通过在任意距离上的实时成像功能，能够满足覆冰检测需要的野外和大视场范围的需求。

步骤102、将输电线路的四目图像输入卷积神经网络模型，输出输电线路的目标视差点集合。

实施例中，将输电线路的四目图像输入卷积神经网络模型，输出输电线路的目标视差点集合的步骤包括：

第一步：在输电线路四目图像的第一方向上获取两组双目图像，在输电线路四目图像的第二方向上获取两组双目图像，其中，第一方向与第二方向是相互垂直的方向。

在输电线路四目图像的水平方向上获取两组双目图像，在输电线路四目图像的垂直方向上获取两组双目图像，得到四组双目图像。在计算视差点的过程中，双目匹配极易产生错误匹配和歧义，为消除错误匹配和歧义，本发明实施例采用四目相机获取四目图像，产生四组双目图像，包括两组水平方向上的双目图像和两组垂直方向上的双目图像，使原来一组双目图像的单一不确定性匹配，变为四组双目图像的具有强几何约束的确定性匹配。在四目相机的视角范围内，任何一个被视物的被视点都与四相机图像中的四个像素点形成唯一对应关系，且该四个点组成的矩形与四相机组光心组成的矩形是相似矩形。

第二步：将每组双目图像标记为左图像和右图像，其中，左图像与右图像是以每组双目图像的中线对称的两个图像。

将每组双目图像标记为左图像和右图像是为了计算左图像中每个像素点的视差d，得到左图像的视差点集合。视差是指左右图像中对应像素点的水平位置之差，即左图像中像素点p＝(x，y)在右图像中的对应像素点pd＝(x-d,y)，d为待求视差。

第三步：对于每一组双目图像，将左图像和右图像输入卷积神经网络模型，按照公式(1)计算左图像中的每一个像素点p＝(x，y)与右图像在像素点pd＝(x-d,y)处的匹配成本，其中，d为视差值。

其中，cad(p,d)为p点的匹配成本，i^l(q)为左图像在像素点p处的像素值，np是左图像以p为中心的n×n的小图像块的集合，i^r(qd)为右图像在像素点pd的像素值，npd是以pd为中心的n×n的小图像块的集合。

实施例中，在将左图像和右图像输入卷积神经网络模型之前，通过如下方式训练得到卷积神经网络模型：

获取训练样本数据，从实验数据中获取多组已知视差的双目图像，对于每一组双目图像，从左图像选取中心在p＝(x，y)，大小为n×n的一个小图像块，从右图像选取中心在pd＝(x-d,y)，大小为n×n的一个小图像块构成一对训练实例，多组双目图像构成多对训练实例。

构建卷积神经网络，如图2所示，首先构造两个完全一样的子网络，每个子网络包括一个卷积层和两个全连接层，然后将两个子网络的输出级联起来，接四个全连接层，最后输出匹配成本。

训练卷积神经网络，首先输入训练实例，前向传播并计算各个神经元的激活值，构造网络损失函数计算误差，然后将误差反向传播并对各层权值求梯度，不断调整各个权值参数，使得网络结构输出误差最小。

第四步：对于每一组双目图像，获取左图像中的每一个像素点匹配成本最小时对应的视差值，确定视差点集合。

基于第三步训练出的卷积神经网络，输入左图像和右图像，对于左图像中的每一个像素点p＝(x，y)，计算公式(1)中的匹配代价取最小值时对应的视差d，得到所求视差，左图中的所有像素点对应的视差组成视差点集合，基于交叉成本聚合方法聚合具有相似像素值的相邻像素，通过半全局匹配强制执行平滑约束，并使用左右一致性检查来检测和消除遮挡区域中的错误，执行子像素增强并应用中值滤波器和双边滤波器以获得最优视差点集合。

第五步：根据四组双目图像的视差点集合，获取所有像素点匹配成本之和最小的视差点集合，确定目标视差点集合。

将四组双目图像分别输入卷积神经网络，得到四组视差点集合，按照公式(1)分别计算四个左图像中所有像素点的匹配成本之和，取匹配成本之和最小的左图像对应的视差点集合作为目标视差点集合。

步骤103、根据输电线路的目标视差点集合，计算输电线路的深度点集合。

实施例中，按照公式(2)计算每一个像素点的深度：

其中，z为深度，即物体到相机的距离，f为相机焦距，b为不同的摄像头中心连线的距离，d为视差。

基于平行双目视觉运算的视差原理，不同深度的像素点具有不同的视差值，深度值和视差值两者之间成反比，深度值与两幅图像之间的基线距离以及相机镜头的焦距成正比。

步骤104、根据输电线路的深度点集合，确定输电线路的三维模型。

输电线路的深度z的集合将四幅输电线路的二维平面图像转换为三维数据，生成三维模型。

步骤105、根据输电线路的三维模型，获取输电线路导线的横截面信息。

步骤106、根据输电线路导线的横截面信息，确定输电线路的等值覆冰厚度。

具体实施时，如图3所示，假如导线截面面积为f(x)，那么可以计算导线体积由此推算等值覆冰厚度其中，v为输电线路导线的横截面积，l为输电线路导线的长度；r0为输电线路导线的半径，di为待检测输电线路导线的等值覆冰厚度，x代表积分推导过程因子。

另外，在图3中，y代表截面积，f(x)代表导线轮廓在线方向上的变化函数，x代表积分推导过程因子，a代表上截面，b代表下截面。

通过上述可知，本发明实施例提供的技术方案实现了：

1、使用四相机拍摄输电线路覆冰图像，解决了双目图像单方向匹配导致测量结果误差大的问题，尤其对于输电线这类平行的线性结构，提高了视觉识别性能。

2、使用基于匹配成本的卷积神经元算法，将四目相机拍摄的输电线路覆冰图像进行视觉匹配，提升了覆冰导地线的边缘检测性能，提升了输电线路等值覆冰厚度测量的准确性，指导电力公司除冰消缺的工作。

本发明实施例中还提供了一种输电线路覆冰厚度测量装置，如下面的实施例所述。由于该装置实施例解决问题的原理与输电线路覆冰厚度测量方法相似，因此该装置实施例的实施可以参见方法的实施，重复之处不再赘述。

图4是本发明实施例中输电线路覆冰检测装置的结构示意图，如图4所示，该装置包括：

四目图像采集模块110，用于采集输电线路的四目图像；

目标视差点集合计算模块210，用于将输电线路的四目图像输入卷积神经网络模型,输出输电线路的目标视差点集合；

深度点集合计算模块310，用于根据输电线路的目标视差点集合，计算输电线路的深度点集合；

三维模型生成模块410，用于根据输电线路的深度点集合，确定输电线路的三维模型；

横截面确定模块510，根据输电线路的三维模型，获取输电线路导线的横截面信息；

覆冰厚度计算模块610，根据输电线路导线的横截面信息，确定输电线路的等值覆冰厚度。

实施例中，四目图像采集模块110具体用于：利用四目相机采集输电线路的四目图像。

实施例中，目标视差点集合计算模块210具体用于：

在输电线路四目图像的第一方向上获取两组双目图像，在输电线路四目图像的第二方向上获取两组双目图像，其中，第一方向与第二方向是相互垂直的方向；

将每组双目图像标记为左图像和右图像，其中，左图像与右图像是以每组双目图像的中线对称的两个图像；

对于每一组双目图像，将左图像和右图像输入卷积神经网络模型，计算左图像中的每一个像素点p＝(x，y)与右图像在像素点pd＝(x-d,y)处的匹配成本，其中，d为视差值；

对于每一组双目图像，获取左图像中的每一个像素点匹配成本最小时对应的视差值，确定视差点集合；

根据四组双目图像的视差点集合，获取所有像素点匹配成本之和最小的视差点集合，确定目标视差点集合。

实施例中，目标视差点集合计算模块210具体用于：按照如下方式计算左图像中的每一个像素点p＝(x，y)与右图像在像素点pd＝(x-d,y)处的匹配成本；

其中，cad(p,d)为p点的匹配成本，i^l(q)为左图像在像素点p处的像素值，np是左图像以p为中心的n×n的小图像块的集合，i^r(qd)为右图像在像素点pd的像素值，npd是以pd为中心的n×n的小图像块的集合。

实施例中，输电线路覆冰厚度测量装置还包括训练卷积神经网络模块，用于通过如下步骤训练得到卷积神经网络模型：

获取训练样本数据，其中，训练样本数据为多组已知视差的双目图像；

训练样本数据，通过机器学习训练得到卷积神经网络模型。

实施例中，深度点集合计算模块310具体用于：按照如下公式计算每一个像素点的深度：

其中，z为深度，即物体到相机的距离，f为相机焦距，b为不同的摄像头中心连线的距离，d为视差。

实施例中，覆冰厚度计算模块610具体用于：按照如下公式计算输电线路的等值覆冰厚度：

其中，v为输电线路导线的横截面积；l为输电线路导线的长度；r0为输电线路导线的半径，di为待检测输电线路的等值覆冰厚度，x代表积分推导过程因子。

本发明实施提供的技术方案的有益技术效果为：

1、使用四相机拍摄输电线路覆冰图像，解决了双目图像单方向匹配导致测量结果误差大的问题，尤其对于输电线这类平行的线性结构，提高了视觉识别性能。

2、使用基于匹配成本的卷积神经元算法，将四目相机拍摄的输电线路覆冰图像进行视觉匹配，提升了覆冰导地线的边缘检测性能，提升了输电线路等值覆冰厚度测量的准确性，指导电力公司除冰消缺的工作。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。