基于结构约束的架空输电线路巡线机器人障碍识别

摘要：巡线机器人沿相线行走时必须探测识别各种障碍，并根据障碍类型规划越障行为 。针对220 kV架空输电线路的结构特点，利用视觉传感器，设计了基于结构约束的障碍识别算法．算法利用图像的边缘信息，采用改进的基于存在概率图的圆/椭圆检测方法和分层决策机制，以减少自然环境中光线变化和机器人运动对识别质量的影响，满足了巡线机器人的实时越障要求。实验室模拟线路和实际线路实验结果表明，算法能可靠地识别出复杂背景中的防震锤、悬垂线夹和耐张线夹等障碍物。   
关键词：障碍识别；圆检测；巡线机器人；霍夫变换；输电线路 

Abstract：Power transmission line inspection robot must plan its behaviors to negotiate obstacles according to their typeswhen it is crawling along the power transmission line  For this purpose．based on the structure of a 220 kV transmission line，a structure—constrained obstacle recognition algorithm is designed with machine vision sensors．The algorithm uses an improved existence-probability—map—based circle/ellipse detection method and a hierarchical decision mechanism to reduce the effects of illumination variation and robot motion on obstacle recognition quality，which satisfies the needs of real—time obstacle negotiation of inspection robot．The results of experiments with simulation and real transmission lines show that the algorithm can reliably recognize obstacles such as counterweight，strain clamp，and suspension clamp from cluttered back— ground． 
Keywords：obstacle recognition；circle detection；inspection robot；Hough transform；power transmission line

1引言（Introduction）
    架空输电线路巡线机器人能在线路带电情况下沿相线或地线爬行，跨越防震锤、耐张线夹、悬垂线夹、杆塔等障碍，利用携带的检测仪器代替人对杆塔、导线、避雷线、绝缘子、线路金具、线路通道等实施接近检查。这种作业方式将大大减轻输电线路维护人员的劳动强度，提高巡检效率与质量，对保证输电系统的安全可靠运行具有重要意义。
    巡线机器人多采用轮式行走机构，架空输电线路相线和地线上安装的防震锤、绝缘子、悬垂线夹、耐张线夹等杆塔支撑附件便成为影响巡线机器人行走的障碍。因此，巡线机器人必须借助传感器探测并识别这些障碍类型，然后根据障碍类型规划越障行为，才能跨越杆塔，沿输电线路大范围自主行走。常用的传感器有接近传感器（红外传感器、超声传感器）和视觉传感器（摄像机），Peters等[1]在一台巡线机器人上配置了由多达34个接近传感器组成的传感阵列，采用基于粗糙集的神经计算方法设计了障碍分类器，根据传感阵列的测量数据进行障碍识别分类，进而规划机器人的越障行为。Peungsungwal等利用摄像机识别架空线路障碍，完成了实验线路两端绝缘子的识别。
    本文根据220kV架空输电线路的结构特点，利用视觉传感器，采用改进的几何图形检测方法和分层决策机制，设计了基于结构约束的障碍检测和识别算法。

2 220kV巡线机器人及运行环境分析（220kVpowertransmissionlineinspectionro—botanditsworkingenvironmentanaly-sis）
    巡线机器人采用双臂轮结构，沿220kV相线滚功行走。图1是220kV输电线路的结构示意图，巡线机器人需要跨越的典型障碍有3种：（1）防震锤；（2）悬垂线夹和单串绝缘子；（3）耐张线夹、双串绝缘子及引流跳线。防震锤用夹扣固定在悬垂线夹、耐张线夹的两侧，是巡线机器人接近杆塔时首先要跨越的障碍。上述3种典型障碍具有不同的结构组成和空间布局，巡线机器人在越障时需采用相应的越障策略。
    摄像机安装在巡线机器人的本体前端，光轴与机器人前进方向的夹角约为30^。，如图1所示。在此配置下，背景是天空，这样可以降低背景的复杂度，而防震锤端面、悬垂线夹支撑绝缘子、耐张线夹支撑绝缘子在摄像机成像平面上的投影呈直线、圆、椭圆等典型几何图形。对摄像机摄取的环境图像，经图像分析和理解，识别图像中是否含有特定的障碍目标。

3障碍识别算法原理及实现（Principleoftheobstaclerecognitionalgorithmanditsimplementation）
    防震锤、悬垂线夹、耐张线夹和绝缘子串既无丰富的表面纹理，也无鲜明的颜色特征，且相互铰接，因而难以分割成单独的区域。针对障碍物的外观、形状和结构特点，我们选择相对简单的直线、圆（圆弧）、椭圆等几何图形基元作为障碍物存在的线索，结合输电线路结构对上述图形基元位置的约束来识别不同类型的障碍物。由于3类障碍物之间存在较大差异，因此，我们把3类障碍物的识别问题简化为3个分别把防震锤、悬垂线夹、耐张线夹及绝缘子串从背景中分辨出来的两类分类问题，从而简化分类器的设计。算法的两个关键问题是：（1）从边缘图像中快速可靠地抽取直线、圆（圆弧）和椭圆等图形基元；（2）在结构约束下判断检测到的图形基元源自于何种障碍。

3．1相线的识别与定位
    防震锤、悬垂线夹、耐张线夹及绝缘子串以不同方式固定在相线上，因此相线的识别、定位和跟踪对障碍的识别至关重要。首先，用高斯滤波器消除高频噪音，并对图像适度模糊化，以减少局部纹理边缘，提高导线边缘直线的检出率；然后，采用Canny算子提取图像的边缘图，图像大小为320×240；最后，用渐进概率霍夫变换PPHT（ProgressiveProbabilisticHoughTransfoITn）[3]抽取边缘图中长度大于给定阈值T的所有直线段，每一直线L_i用以下参数表示：θ，倾角，直线与轴正方向夹角，如图2所示；（x¹，y¹），上端点坐标；（x₂，Y₂），下端点坐标。
    巡线机器人沿相线行走时，相线在图像平面中的投影呈棒状从图像平面上边框倾斜向下。机器人的抖动对相线在图像平面中轴方向的投影位置及倾角有一定影响，实验表明，相线投影位置及倾角的变化在确定的较小范围内。因此，我们采用基于规则的分类器对检出的直线段分类，找出相线对应的两条边缘直线L_L、L_R。设E=｛L_i，i=1，2，…，n｝表示由PPHT检出的直线集合，C表示相线边缘直线候选集合，分类器分类规则为：
    如果任意直线段L_i∈E满足条件：（1）倾角θ满足70^。<θ<110^。；（2）上端点坐标Y轴分量y¹<Y⁰，Y⁰为预设的阈值，经实验确定为20，则L_i∈C。然后将候选集合C中的直线按上端点坐标x分量从小到大排序，计算相邻两条直线L_i、L₁∈E上端点坐标分量之差，如果满足：T₁<（x_ij-x_1i）<T₂<（x_ij>x_1i，i≠j）；T₁、T₂根据相线投影宽度来确定，则L_i、L_j分别为相线的左、右边缘直线L_L、L_R。
    这样就完成了相线的识别和定位，大致确定了障碍所在的区域，为后续的障碍识别奠定了基础。

3．2防震锤的识别
    防震锤是巡线机器人接近杆塔时遇到的第一个障碍，它由两个中空的圆筒连接而成，用夹扣固定在相线下部，如图6所示。防震锤的识别基于两个假设：
    假设1
    防震锤两个可见端面各有一个孔孔洞，前大后小，投影到图像中为局部暗区域，前端面孔洞面积较小，呈圆形；后端面孔洞面积较大，呈半月形。因此，可采用自适应阈值分割方法，分割出上述两个孔洞区域，作为防震锤存在的证据之一。
    假设2
    防震锤前端面边缘呈现以孔洞中心为圆心的不规则上半圆弧，该半圆弧作为防震锤存在的证据之二。
    在上述假设的基础上，我们设计了防震锤识别算法，步骤如下：
    （1）低层图像处理：根据已识别出的相线位置和宽度，确定含有防震锤的图像窗口W_r。采用 Otsu[4]最优阈值算法对图像窗口W_r进行二值化分割，并对得到的二值图像进行形态学开运算滤波以消除图像噪点，然后提取各区域质心（x_c，y_c）、面积和轮廓等区域属性。 
    （2）孔洞候选区域确定：由相线和防震锤的位置约束，确定代表防震锤存在的孔洞候选区域。 
    设 θ_L 、θ_R（x_1L，y_1L）与  （x_1R，y_1R）分别表示相线左、右边缘直线的倾角和上端点坐标；Q是步骤（1）中分割出的任一区域，质心坐标为（x_c，y_c），则质心到相线左、右边缘直线的水平距离和质心所在位置处相线宽度分别为：
    
    如果满足式（2），则区域 Q为端面孑L洞候选区域。
    
    （3）端面孔洞区域确定：对候选区域施加端面几何形状约束。后端面暗孔洞面积较大，且分割出的区域边界轮廓的下部应呈现为半圆弧，因此对候选区域中最大面积区域的轮廓进行半圆弧检测，如果该区域下部轮廓为半圆弧，则进一步支持该区域为后端面孔洞区域的假设。
    前端面为圆形，在边缘图中可提取与端面孔洞同心的上半圆弧断续边缘。因此，对于剩下候选区域，在边缘图中检测是否存在以该候选区域质心为圆心的上半圆弧。如存在，则进一步确定该区域为前端面孔洞区域。
    （4）如果关于前、后端面孔洞区域的两条假设都成立，则确认检测到防震锤，同时估计出前、后端面圆参数。
    如何检测不规则边缘在感知意义上是否为圆或半圆弧，是实现防震锤识别算法的关键，具体原理将在3.4节中详细介绍。

3.3悬垂线夹识别
    悬垂线夹把相线夹紧，挂在单绝缘子串下部，把相线架在空中。其本身体积小，特征难以提取。在图1所示摄像机配置下，单绝缘子串的底部在图像中呈椭圆形，主轴与轴基本平行，并且这种构型在3种障碍中具有唯一性，这样我们就可以把悬垂线夹识别问题转化为椭圆检测问题。文[5]给出了一种有效的椭圆检测方法，计算量较大。在此基础上，我们根据绝缘子成像特点对文[5]中的椭圆检测算法进行了改进。
    描述任意椭圆需5个未知参数，即中心坐标（x₀， y₀）、长半轴a、短半轴b和旋转角α ，相应的参数方程为：
    
    如图3所示，我们假定边缘点对（x₁， y₁）、（x₂， y₂ ）是待检椭圆主轴的两个顶点，则待检椭圆的4个参数可按式（4）估计 ： 
    
    设（ x，y）是待检椭圆上的一个点，短半轴 b可用式（5）计算： 
    
    接下来，我们采用类似霍夫变换（HT）的投票法估计待检椭圆的短半轴b。设A（i）是一个一维累加器数组，（min_b≤i≤max_b，min_b和max_b分别是预设b的最小、最大值）。W_s是边缘图像中包含待检椭圆的最小矩形区域。对于中的每一边缘点（x_i，y_i），用式（5）计算出对应的短半轴b_i并取整，若满足min_b≤b_i≤max_b，则累加器数组单元A（b_i）加1，即边缘点（x_i，y_i）为待检椭圆短半轴是bi投一票。投票结束后，统计累加器数组最大值，设为A（b_m），及对应的短半轴b_m，那么图像中存在由估计出的5个参数所描述的椭圆的概率为：
    
    对 P取阈值，如果 P>T_e，则图像中存在由估计出的5个参数所描述的椭圆，否则不存在；T_e的大小视抽取的椭圆边缘的质量通过试验确定。
    

    基于椭圆检测的悬垂线夹识别步骤为：（1）提取边缘图像，尽量消除局部纹理形成的琐碎边缘点，以提高椭圆检出率。
    （2）沿相线由上至下搜索椭圆，并根据相线和悬垂线夹的位置约束及绝缘子投影椭圆可能的大小，确定搜索区域的宽度，如图4所示。搜索时，找出在长条矩形框中最左、最右的边缘点，分别记为（x₁，y₁）、（x₂，y₂），然后按式（4）计算出假设椭圆的4个参数，并确定包围该椭圆的最小矩形窗W^s，遍历W^s内所有边缘点，按式（5）、（6）估计假设椭圆的短半轴b和存在概率P，按顺序保存椭圆参数和相应存在概率，｛（x₀，y₀），a，b，α，P｝。
    （3）统计最大存在概率P_m，如果P_m>T_e，则表明从图像中识别出悬垂线夹，位置由P对应的椭圆参数给出。
        
3．4 耐张线夹识别 
    支撑耐张线夹的两串绝缘子底部在图像中呈现被相线左、右分开的两个圆。类似悬垂线夹的识别 ， 我们把耐张线夹的识别问题转化为圆的检测。任意圆可由圆心坐标（x₀，y₀）和半径 r三个参数描述，即： 
    
    霍夫变换 （HT）被广泛应用于几何图形检测 ， 文[6—8]提出了几种基于霍夫变换的圆检测方法。 
    针对绝缘子底部圆形边缘不完整、不规则的情况，本文提出了一种基于存在概率图（existence probability map）的圆检测方法，能够有效地将边缘不清晰圆检测出来。
    设f_e（x，y）表示由Canny算子提取的边缘图像；P（x，y）为二维数组，保存圆存在概率图，单元（x，y）的值表示边缘图像f_e（x，y）中存在以点（x，y）为圆心、半径为Rx,y的圆的概率，R_x,y=R（x，y）；R（x，y）为二维数组，单元（x，y）保存边缘图像（x，y）中点（x，y）处可能存在的圆的半径；Rmin表示待检测圆的最小允许半径，视具体问题而定；A（i）是一个一维累加器数组，算法原理如下：
    （1）选择圆心（u，v）∈f_e（x，y），如图5所示，确定位于该点的圆的可能最大半径Rmax，计算包围以（u，v）为圆心、Rmax为半径的圆的最小矩形区域
    （2）对于W_r中的每一边缘点（x_i，y_i），计算该点到圆心（u，v）的欧氏距离D，如果R_min<D<_Rmax，则累加器数组单元A（D）加1，即累计D出现的频次。
    （3）统计累加器数组中的最大值，设为A（R_p），R_p。为出现最大频次的半径则存在以点（u，v）为圆心、半径为。Rp的圆的概率为：
    
    将概率值P（u，v）和半径。分别保存到圆存在概率图P（x，y）和R（x，y）对应点。
    （4）对于边缘图像（x，y）中的所有点（x，y），重复步骤（1）～（3），最终生成圆存在概率图及对应的半径图。
    （5）分析圆存在概率图P（x，y）的峰值，确定检出圆的数量及圆参数。圆存在概率图中的每一个峰值点表示该处可能存在一个圆，一种峰值检出方法是：设定图中圆的数量为N，概率阈值为T_p，先找出P（x，y）的最大值：
    
    如果P_max（x₁，y₁）>Tp，则认为图像f_e（x，y）中有以点（x₁，y₁）为圆心、半径为R（x₁，y₁）的圆，然后，令圆存在概率图P（x，y）中点（x₁，y₁）及其邻域的概率值为0，邻域的大小视边缘质量和图中相邻圆的距离而定。
    重复上述峰值检出过程，直至找够Ⅳ个圆，或剩下峰值小于给定阈值后停止。
    
    在识别耐张线夹时，首先使用上述圆检测方法检出图像中所有可能的圆，然后对检出的圆实施结构约束检查，如果存在一对圆满足下面两个条件，则认为已从图像中识别出耐张线夹：
    （1）两圆的半径接近；
    （2）两圆圆心约水平分布在相线左右两侧。
    因算法要遍历所有图像点，计算量较大，考虑到耐张线夹的识别不需要精确估计圆参数，我们用最近邻采样法把原图像从320×240缩小为80×60，来提高运算速度，但这同时会造成图像边缘质量下降影响圆检测质量。尽管如此，算法仍表现出较稳定的性能。

4实验结果（Experimental results）
    我们分别对实验室模拟线路和实际线路上的障碍进行识别，图6（1）是模拟线路防震锤、悬垂线夹耐张线夹的识别结果；图6（2）是实际线路悬垂线夹耐张线夹的识别结果。从图中可以看出，尽管因视角、杂乱背景和对比度较弱等因素造成提取的障碍物边缘不规则完整，算法仍能检出图像中的圆/椭圆等图形基元，再经结构约束下的检验分类，最终将各种障碍物可靠地识别出来。
    

5结论（Conclusion）
    从图像中提取的边缘点，在一定条件下包含了原图像的全部信息，而兴趣目标也常常出现在图像的边缘处。因此，算法充分利用图像边缘信息，采用改进的圆／椭圆检测方法从中提取构成障碍物的典型几何图形，并利用巡线机器人运行环境的结构约束，分层决策，缩小搜索空间，使算法简单有效。基于存在概率图的圆／椭圆检测方法，将边缘点的“投票”结果变换为参数空间中圆／椭圆存在的相对可能性，提高了不清晰边缘的圆／椭圆检出率。本文设计的架空高压输电线路巡线机器人障碍视觉识别算法，基本满足了巡线机器人越障要求。由于采用基于阈值的决策方法，算法虽然在较宽的范围内表现出稳定一致的性能，但也存在对环境变化适应能力不确定的问题。
 
参考文献 （References） 
[1] Peters J F，Ahn T C，Borkowskii M．Obstacle classification by a line—crawling robot：a rough neurocomputing approach[A]．Pro-ceedinss 0f the Third International Conference on Rough Sets and Current Tren（Is in Computing — Lecture Notes in Artificial Intelli• genee[C]．London，UK：Springer—Verlag，2002．594—601．Peungsungwal S，Pung～fi B，Chamnongthai K，et a1．Autonomous 
[2] robot for a power transmission line inspection[A]．Proceedings ofthe 2001 IEEE Iuternafional Symposium on Cimuits and Systems 
[C]．Piscataway，NJ，USA：IEEE，2001．121—124． 
[3] Galamhos C，Matas J，Kittler J．Progressive probabilistic Hough transform for line detection[A]．Proceedings of the 1999 IEEE Computer Society Conference on Computer Vision and Pattern Re— cognition[C]．Los Alamitos，CA，USA：IEEE Computer Society， 1999．554—560． 
[4]Otsu N，A threshold selection method from gray—level histogram[J]． IEEE Transactions on System， Man，an d Cybernetics， 1979，9 （1）：62—66． 
[5]Xie Y H，Ji Q，A new efficient ellipse detection method[A]，Pro— ceedings of the 16th International Conference on Pattern Recognition [C]．Los Alamitos，CA，USA：IEEE Computer Society，2002， 957—960． 
[6]Duda R 0，Hart P E．Use of the Hough transformation to detect lines and curves in pictures[J]．Communications of the ACM， 1972，15（1）：11一l5． 
[7]Kimme C，Ballard D H，Sklansky J．Finding circles by an array of accumulators[J]．Communicatim～s oftheACM，1975，18（2）：120 ～l22． 
[8] Leavem V F．Shape Detection in Computer Vision Using Hough Transform[M]．London：Springer-Verlag，1992．