摘要：巡線機器人沿相線行走時必須探測識別各種障礙，并根據障礙類型規(guī)劃越障行為 。針對220 kV架空輸電線路的結構特點，利用視覺傳感器，設計了基于結構約束的障礙識別算法．算法利用圖像的邊緣信息，采用改進的基于存在概率圖的圓/橢圓檢測方法和分層決策機制，以減少自然環(huán)境中光線變化和機器人運動對識別質量的影響，滿足了巡線機器人的實時越障要求。實驗室模擬線路和實際線路實驗結果表明，算法能可靠地識別出復雜背景中的防震錘、懸垂線夾和耐張線夾等障礙物。 關鍵詞：障礙識別；圓檢測；巡線機器人；霍夫變換；輸電線路 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） 架空輸電線路巡線機器人能在線路帶電情況下沿相線或地線爬行，跨越防震錘、耐張線夾、懸垂線夾、桿塔等障礙，利用攜帶的檢測儀器代替人對桿塔、導線、避雷線、絕緣子、線路金具、線路通道等實施接近檢查。這種作業(yè)方式將大大減輕輸電線路維護人員的勞動強度，提高巡檢效率與質量，對保證輸電系統(tǒng)的安全可靠運行具有重要意義。 巡線機器人多采用輪式行走機構，架空輸電線路相線和地線上安裝的防震錘、絕緣子、懸垂線夾、耐張線夾等桿塔支撐附件便成為影響巡線機器人行走的障礙。因此，巡線機器人必須借助傳感器探測并識別這些障礙類型，然后根據障礙類型規(guī)劃越障行為，才能跨越桿塔，沿輸電線路大范圍自主行走。常用的傳感器有接近傳感器（紅外傳感器、超聲傳感器）和視覺傳感器（攝像機），Peters等[1]在一臺巡線機器人上配置了由多達34個接近傳感器組成的傳感陣列，采用基于粗糙集的神經計算方法設計了障礙分類器，根據傳感陣列的測量數據進行障礙識別分類，進而規(guī)劃機器人的越障行為。Peungsungwal等利用攝像機識別架空線路障礙，完成了實驗線路兩端絕緣子的識別。 本文根據220kV架空輸電線路的結構特點，利用視覺傳感器，采用改進的幾何圖形檢測方法和分層決策機制，設計了基于結構約束的障礙檢測和識別算法。 2 220kV巡線機器人及運行環(huán)境分析（220kVpowertransmissionlineinspectionro—botanditsworkingenvironmentanaly-sis） 巡線機器人采用雙臂輪結構，沿220kV相線滾功行走。圖1是220kV輸電線路的結構示意圖，巡線機器人需要跨越的典型障礙有3種：（1）防震錘；（2）懸垂線夾和單串絕緣子；（3）耐張線夾、雙串絕緣子及引流跳線。防震錘用夾扣固定在懸垂線夾、耐張線夾的兩側，是巡線機器人接近桿塔時首先要跨越的障礙。上述3種典型障礙具有不同的結構組成和空間布局，巡線機器人在越障時需采用相應的越障策略。 攝像機安裝在巡線機器人的本體前端，光軸與機器人前進方向的夾角約為30[sup]。[/sup]，如圖1所示。在此配置下，背景是天空，這樣可以降低背景的復雜度，而防震錘端面、懸垂線夾支撐絕緣子、耐張線夾支撐絕緣子在攝像機成像平面上的投影呈直線、圓、橢圓等典型幾何圖形。對攝像機攝取的環(huán)境圖像，經圖像分析和理解，識別圖像中是否含有特定的障礙目標。 3障礙識別算法原理及實現(xiàn)（Principleoftheobstaclerecognitionalgorithmanditsimplementation） 防震錘、懸垂線夾、耐張線夾和絕緣子串既無豐富的表面紋理，也無鮮明的顏色特征，且相互鉸接，因而難以分割成單獨的區(qū)域。針對障礙物的外觀、形狀和結構特點，我們選擇相對簡單的直線、圓（圓弧）、橢圓等幾何圖形基元作為障礙物存在的線索，結合輸電線路結構對上述圖形基元位置的約束來識別不同類型的障礙物。由于3類障礙物之間存在較大差異，因此，我們把3類障礙物的識別問題簡化為3個分別把防震錘、懸垂線夾、耐張線夾及絕緣子串從背景中分辨出來的兩類分類問題，從而簡化分類器的設計。算法的兩個關鍵問題是：（1）從邊緣圖像中快速可靠地抽取直線、圓（圓?。┖蜋E圓等圖形基元；（2）在結構約束下判斷檢測到的圖形基元源自于何種障礙。 3．1相線的識別與定位 防震錘、懸垂線夾、耐張線夾及絕緣子串以不同方式固定在相線上，因此相線的識別、定位和跟蹤對障礙的識別至關重要。首先，用高斯濾波器消除高頻噪音，并對圖像適度模糊化，以減少局部紋理邊緣，提高導線邊緣直線的檢出率；然后，采用Canny算子提取圖像的邊緣圖，圖像大小為320×240；最后，用漸進概率霍夫變換PPHT（ProgressiveProbabilisticHoughTransfoITn）[3]抽取邊緣圖中長度大于給定閾值T的所有直線段，每一直線L[sub]i[/sub]用以下參數表示：θ，傾角，直線與軸正方向夾角，如圖2所示；（x[sup]1[/sup]，y[sup]1[/sup]），上端點坐標；（x[sub]2[/sub]，Y[sub]2[/sub]），下端點坐標。 巡線機器人沿相線行走時，相線在圖像平面中的投影呈棒狀從圖像平面上邊框傾斜向下。機器人的抖動對相線在圖像平面中軸方向的投影位置及傾角有一定影響，實驗表明，相線投影位置及傾角的變化在確定的較小范圍內。因此，我們采用基于規(guī)則的分類器對檢出的直線段分類，找出相線對應的兩條邊緣直線L[sub]L[/sub]、L[sub]R[/sub]。設E=｛L[sub]i[/sub]，i=1，2，…，n｝表示由PPHT檢出的直線集合，C表示相線邊緣直線候選集合，分類器分類規(guī)則為： 如果任意直線段L[sub]i[/sub]∈E滿足條件：（1）傾角θ滿足70[sup]。[/sup]<θ<110[sup]。[/sup]；（2）上端點坐標Y軸分量y[sup]1[/sup]x[sub]1i[/sub]，i≠j）；T[sub]1[/sub]、T[sub]2[/sub]根據相線投影寬度來確定，則L[sub]i[/sub]、L[sub]j[/sub]分別為相線的左、右邊緣直線L[sub]L[/sub]、L[sub]R[/sub]。 這樣就完成了相線的識別和定位，大致確定了障礙所在的區(qū)域，為后續(xù)的障礙識別奠定了基礎。

3．2防震錘的識別 防震錘是巡線機器人接近桿塔時遇到的第一個障礙，它由兩個中空的圓筒連接而成，用夾扣固定在相線下部，如圖6所示。防震錘的識別基于兩個假設： 假設1 防震錘兩個可見端面各有一個孔孔洞，前大后小，投影到圖像中為局部暗區(qū)域，前端面孔洞面積較小，呈圓形；后端面孔洞面積較大，呈半月形。因此，可采用自適應閾值分割方法，分割出上述兩個孔洞區(qū)域，作為防震錘存在的證據之一。 假設2 防震錘前端面邊緣呈現(xiàn)以孔洞中心為圓心的不規(guī)則上半圓弧，該半圓弧作為防震錘存在的證據之二。 在上述假設的基礎上，我們設計了防震錘識別算法，步驟如下： （1）低層圖像處理：根據已識別出的相線位置和寬度，確定含有防震錘的圖像窗口W[sub]r[/sub]。采用 Otsu[4]最優(yōu)閾值算法對圖像窗口W[sub]r[/sub]進行二值化分割，并對得到的二值圖像進行形態(tài)學開運算濾波以消除圖像噪點，然后提取各區(qū)域質心（x[sub]c[/sub]，y[sub]c[/sub]）、面積和輪廓等區(qū)域屬性。 （2）孔洞候選區(qū)域確定：由相線和防震錘的位置約束，確定代表防震錘存在的孔洞候選區(qū)域。 設 θ[sub]L[/sub] 、θ[sub]R[/sub]（x[sub]1L[/sub]，y[sub]1L[/sub]）與 （x[sub]1R[/sub]，y[sub]1R[/sub]）分別表示相線左、右邊緣直線的傾角和上端點坐標；Q是步驟（1）中分割出的任一區(qū)域，質心坐標為（x[sub]c[/sub]，y[sub]c[/sub]），則質心到相線左、右邊緣直線的水平距離和質心所在位置處相線寬度分別為： 如果滿足式（2），則區(qū)域 Q為端面孑L洞候選區(qū)域。 （3）端面孔洞區(qū)域確定：對候選區(qū)域施加端面幾何形狀約束。后端面暗孔洞面積較大，且分割出的區(qū)域邊界輪廓的下部應呈現(xiàn)為半圓弧，因此對候選區(qū)域中最大面積區(qū)域的輪廓進行半圓弧檢測，如果該區(qū)域下部輪廓為半圓弧，則進一步支持該區(qū)域為后端面孔洞區(qū)域的假設。 前端面為圓形，在邊緣圖中可提取與端面孔洞同心的上半圓弧斷續(xù)邊緣。因此，對于剩下候選區(qū)域，在邊緣圖中檢測是否存在以該候選區(qū)域質心為圓心的上半圓弧。如存在，則進一步確定該區(qū)域為前端面孔洞區(qū)域。 （4）如果關于前、后端面孔洞區(qū)域的兩條假設都成立，則確認檢測到防震錘，同時估計出前、后端面圓參數。 如何檢測不規(guī)則邊緣在感知意義上是否為圓或半圓弧，是實現(xiàn)防震錘識別算法的關鍵，具體原理將在3.4節(jié)中詳細介紹。 3.3懸垂線夾識別 懸垂線夾把相線夾緊，掛在單絕緣子串下部，把相線架在空中。其本身體積小，特征難以提取。在圖1所示攝像機配置下，單絕緣子串的底部在圖像中呈橢圓形，主軸與軸基本平行，并且這種構型在3種障礙中具有唯一性，這樣我們就可以把懸垂線夾識別問題轉化為橢圓檢測問題。文[5]給出了一種有效的橢圓檢測方法，計算量較大。在此基礎上，我們根據絕緣子成像特點對文[5]中的橢圓檢測算法進行了改進。 描述任意橢圓需5個未知參數，即中心坐標（x[sub]0[/sub]， y[sub]0[/sub]）、長半軸a、短半軸b和旋轉角α ，相應的參數方程為： 如圖3所示，我們假定邊緣點對（x[sub]1[/sub]， y[sub]1[/sub]）、（x[sub]2[/sub]， y[sub]2[/sub] ）是待檢橢圓主軸的兩個頂點，則待檢橢圓的4個參數可按式（4）估計 ： 設（ x，y）是待檢橢圓上的一個點，短半軸 b可用式（5）計算： 接下來，我們采用類似霍夫變換（HT）的投票法估計待檢橢圓的短半軸b。設A（i）是一個一維累加器數組，（min_b≤i≤max_b，min_b和max_b分別是預設b的最小、最大值）。W[sub]s[/sub]是邊緣圖像中包含待檢橢圓的最小矩形區(qū)域。對于中的每一邊緣點（x[sub]i[/sub]，y[sub]i[/sub]），用式（5）計算出對應的短半軸b[sub]i[/sub]并取整，若滿足min_b≤b[sub]i[/sub]≤max_b，則累加器數組單元A（b[sub]i[/sub]）加1，即邊緣點（x[sub]i[/sub]，y[sub]i[/sub]）為待檢橢圓短半軸是bi投一票。投票結束后，統(tǒng)計累加器數組最大值，設為A（b[sub]m[/sub]），及對應的短半軸b[sub]m[/sub]，那么圖像中存在由估計出的5個參數所描述的橢圓的概率為： 對 P取閾值，如果 P>T[sub]e[/sub]，則圖像中存在由估計出的5個參數所描述的橢圓，否則不存在；T[sub]e[/sub]的大小視抽取的橢圓邊緣的質量通過試驗確定。

基于橢圓檢測的懸垂線夾識別步驟為：（1）提取邊緣圖像，盡量消除局部紋理形成的瑣碎邊緣點，以提高橢圓檢出率。 （2）沿相線由上至下搜索橢圓，并根據相線和懸垂線夾的位置約束及絕緣子投影橢圓可能的大小，確定搜索區(qū)域的寬度，如圖4所示。搜索時，找出在長條矩形框中最左、最右的邊緣點，分別記為（x[sub]1[/sub]，y[sub]1[/sub]）、（x[sub]2[/sub]，y[sub]2[/sub]），然后按式（4）計算出假設橢圓的4個參數，并確定包圍該橢圓的最小矩形窗W[sup]s[/sup]，遍歷W[sup]s[/sup]內所有邊緣點，按式（5）、（6）估計假設橢圓的短半軸b和存在概率P，按順序保存橢圓參數和相應存在概率，｛（x[sub]0[/sub]，y[sub]0[/sub]），a，b，α，P｝。 （3）統(tǒng)計最大存在概率P[sub]m[/sub]，如果P[sub]m[/sub]>T[sub]e[/sub]，則表明從圖像中識別出懸垂線夾，位置由P對應的橢圓參數給出。

3．4 耐張線夾識別 支撐耐張線夾的兩串絕緣子底部在圖像中呈現(xiàn)被相線左、右分開的兩個圓。類似懸垂線夾的識別 ， 我們把耐張線夾的識別問題轉化為圓的檢測。任意圓可由圓心坐標（x[sub]0[/sub]，y[sub]0[/sub]）和半徑 r三個參數描述，即： 霍夫變換 （HT）被廣泛應用于幾何圖形檢測 ， 文[6—8]提出了幾種基于霍夫變換的圓檢測方法。 針對絕緣子底部圓形邊緣不完整、不規(guī)則的情況，本文提出了一種基于存在概率圖（existence probability map）的圓檢測方法，能夠有效地將邊緣不清晰圓檢測出來。 設f[sub]e[/sub]（x，y）表示由Canny算子提取的邊緣圖像；P（x，y）為二維數組，保存圓存在概率圖，單元（x，y）的值表示邊緣圖像f[sub]e[/sub]（x，y）中存在以點（x，y）為圓心、半徑為Rx,y的圓的概率，R[sub]x,y[/sub]=R（x，y）；R（x，y）為二維數組，單元（x，y）保存邊緣圖像（x，y）中點（x，y）處可能存在的圓的半徑；Rmin表示待檢測圓的最小允許半徑，視具體問題而定；A（i）是一個一維累加器數組，算法原理如下： （1）選擇圓心（u，v）∈f[sub]e[/sub]（x，y），如圖5所示，確定位于該點的圓的可能最大半徑Rmax，計算包圍以（u，v）為圓心、Rmax為半徑的圓的最小矩形區(qū)域 （2）對于W[sub]r[/sub]中的每一邊緣點（x[sub]i[/sub]，y[sub]i[/sub]），計算該點到圓心（u，v）的歐氏距離D，如果R[sub]min[/sub] 將概率值P（u，v）和半徑。分別保存到圓存在概率圖P（x，y）和R（x，y）對應點。 （4）對于邊緣圖像（x，y）中的所有點（x，y），重復步驟（1）～（3），最終生成圓存在概率圖及對應的半徑圖。 （5）分析圓存在概率圖P（x，y）的峰值，確定檢出圓的數量及圓參數。圓存在概率圖中的每一個峰值點表示該處可能存在一個圓，一種峰值檢出方法是：設定圖中圓的數量為N，概率閾值為T[sub]p[/sub]，先找出P（x，y）的最大值： 如果P[sub]max[/sub]（x[sub]1[/sub]，y[sub]1[/sub]）>Tp，則認為圖像f[sub]e[/sub]（x，y）中有以點（x[sub]1[/sub]，y[sub]1[/sub]）為圓心、半徑為R（x[sub]1[/sub]，y[sub]1[/sub]）的圓，然后，令圓存在概率圖P（x，y）中點（x[sub]1[/sub]，y[sub]1[/sub]）及其鄰域的概率值為0，鄰域的大小視邊緣質量和圖中相鄰圓的距離而定。 重復上述峰值檢出過程，直至找夠Ⅳ個圓，或剩下峰值小于給定閾值后停止。

在識別耐張線夾時，首先使用上述圓檢測方法檢出圖像中所有可能的圓，然后對檢出的圓實施結構約束檢查，如果存在一對圓滿足下面兩個條件，則認為已從圖像中識別出耐張線夾： （1）兩圓的半徑接近； （2）兩圓圓心約水平分布在相線左右兩側。 因算法要遍歷所有圖像點，計算量較大，考慮到耐張線夾的識別不需要精確估計圓參數，我們用最近鄰采樣法把原圖像從320×240縮小為80×60，來提高運算速度，但這同時會造成圖像邊緣質量下降影響圓檢測質量。盡管如此，算法仍表現(xiàn)出較穩(wěn)定的性能。 4實驗結果（Experimental results） 我們分別對實驗室模擬線路和實際線路上的障礙進行識別，圖6（1）是模擬線路防震錘、懸垂線夾耐張線夾的識別結果；圖6（2）是實際線路懸垂線夾耐張線夾的識別結果。從圖中可以看出，盡管因視角、雜亂背景和對比度較弱等因素造成提取的障礙物邊緣不規(guī)則完整，算法仍能檢出圖像中的圓/橢圓等圖形基元，再經結構約束下的檢驗分類，最終將各種障礙物可靠地識別出來。 5結論（Conclusion） 從圖像中提取的邊緣點，在一定條件下包含了原圖像的全部信息，而興趣目標也常常出現(xiàn)在圖像的邊緣處。因此，算法充分利用圖像邊緣信息，采用改進的圓／橢圓檢測方法從中提取構成障礙物的典型幾何圖形，并利用巡線機器人運行環(huán)境的結構約束，分層決策，縮小搜索空間，使算法簡單有效?；诖嬖诟怕蕡D的圓／橢圓檢測方法，將邊緣點的“投票”結果變換為參數空間中圓／橢圓存在的相對可能性，提高了不清晰邊緣的圓／橢圓檢出率。本文設計的架空高壓輸電線路巡線機器人障礙視覺識別算法，基本滿足了巡線機器人越障要求。由于采用基于閾值的決策方法，算法雖然在較寬的范圍內表現(xiàn)出穩(wěn)定一致的性能，但也存在對環(huán)境變化適應能力不確定的問題。 參考文獻 （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．