从第二次工业革命开始, 人类进入了电气时代。电能对于一个国家的意义重大, 而输电线路作为电能的载体, 电能质量的好坏与输电线路能否安全运行密切相关, 输电线路故障是造成电网大面积停电的重要原因^[1]。输电线路分布范围广、传输距离长、大多处在偏僻的地方^[2], 输电线路的安全运行状态无法得到保证, 需要定期对输电线路进行巡检, 检查方式多为人工巡检, 但由于道路崎岖、天气复杂多变、人员缺少等原因, 很难做到对输电线路每日一检、甚至是每月一检^[3-4]。输电线路视频监控技术的出现提供了一种新的方案, 输电线路视频监控可以实时的监控输电线路状态, 例如覆冰、鸟虫、树木过高等都是输电线路稳定运行的潜在隐患^[5]。输电线路视频监控技术的出现可以及时消除对输电线路潜在的隐患, 从而保证了用户用电的可靠性。

1 视频监控技术的发展

自视频监控出现以来, 视频监控技术共经历三个阶段^[6-7]:模拟视频监控系统、数字视频监控系统、网络视频监控系统。

模拟视频监控系统:这一阶段主要是以盒式磁带录像机(VCR)为代表, 视频同轴电缆作为传输媒介, 盒式磁带录像机存储视频, 然后在监视器上显示出来。这种模拟传输方式基本不涉及网络, 但需要在每个安装点都进行铺设视频同轴电缆, 易受外力破坏, 维修成本较高, 且录像带无法长时间进行录像, 不便于保存, 盒式磁带的存放对环境的要求较高^[8-9]。

数字视频监控系统:这一阶段主要是以数字硬盘录像机(DVR)为代表, 与模拟视频监控系统相比, 最主要的区别是数字视频监控系统加入了视频图像的压缩模块, 将压缩后的文件通过网络传输到监控点, 使得数字监控系统的图像更为清晰, 此外还支持有限的IP网络访问, 这一特点使得用户可以在局域网内的不同设备上观看监控点。

网络视频监控系统:这一阶段主要是基于IP网络, 前端摄像机对图像进行采集、压缩后, 通过网络将图像传输到web服务器终端, 用户需要观看图像时, 可以打开相应的应用程序, 输入设备编号即可观看实时视频。这样远端用户就可以不受地域限制对监控点进行观测^[10]。由于采用无线网络, 此方式无需进行铺设线缆, 也无需维修, 可以节省大量的成本。

20世纪80年代后, 视频监控在北上广深等经济发达城市开始兴起, 90年代后, 视频监控在民用领域得到普及, 2008年, 随着“智慧城市”“平安城市”的提出, 视频监控技术飞速发展, 国内涌现出了像海康威视、浙江大华、宇视科技等一系列优秀的视频监控生产商, 加速了视频监控行业的发展, 并且在公共场所、交通领域、智能家居等领域视频监控得到大规模的应用。图 1是各阶段视频监控市场占有柱形图^[11]。

2 输电线路视频监控的研究现状

20世纪80年代开始, 美国、日本等工业发达的国家开始对输电线路进行检修来延长输电线路的大修周期^[12], 日本的JPS公司在输电线路上的研究是最为全面的, 在诸如故障定位监测、气象环境监测、线路温度报告导线拉力等方面都有涉及^[13], 澳大利亚的红相公司对线路的泄露电流进行了监测^[14], 美国的GUI在实时监测、故障检修技术方面有着较为丰富的经验^[15]。经统计, 在经过对输电线路的状态检修后, 输电线路大修周期会延长2~3年, 一般来说一次大修的费用就可以相抵监测系统的费用。

由于我国工业化与信息化发展较晚, 输电线路的状态监测主要借鉴国外监测经验。前期对输电线路检修方式主要是计划检修, 计划检修的后果就是用户停电频繁, 给人们的生活带来了很大的不便。2009年, 国家电网公司在“特高压输电技术国际会议”上提出了“坚强智能电网的规划”, 其核心技术便是对关键设备进行实时监控。2016年3月, 国家电网公司提出了《架空输电线路“三跨”重大反事故措施》的要求, 输电线路在两个杆塔之间会发生弧垂, 当两个杆塔距离远时, 输电线路的应力就变大, 发生故障的概率就变大, “三跨”指输电线路跨越高速铁路、高速公路和重要输电通道, 这些区段的特点大都是杆塔之间的输电线路太长, 极容易由于发生过度弧垂, 导致输电线路发生故障, 故需要加装视频监控对其运行状态进行监控。

2019年, 国家电网公司提出《泛在电力物联网建设大纲》, 泛在电力物联网将电力用户及其设备, 电网企业及其设备, 发电企业及其设备, 供应商及其设备, 以及人和物连接起来, 产生共享数据, 为用户、电网、发电、供应商、政府和社会服务。输电线路视频监控作为泛在电力物联网的重要一环, 将输电线路运行状态数据实时反馈工作人员。

3 输电线路视频监控系统组成

输电线路视频监控系统是将输电线作为主要的监控点, 主要有三个部分:前端图像采集、无线传输、后台监控中心。图 2为输电线路视频监控系统架构图。

3.1 前端设备

前端设备主要包括高清摄像机、4G传输模块、图片压缩模块、太阳能供电等模块。其主要作用是根据系统的设置运行方式为工作人员提供现场的实时视频, 并传输到中心服务器。

图片压缩模块主要有M-JPEG、MPEG、H.263、H.264, 目前最常用到压缩模块的是H.264, 由于其的高视频质量、高编码效率、强大的网络适应能力、强大的容错机制, 文献[16]至[19]将H.264作为视频压缩标准。

摄像机分为普通摄像机和可夜视摄像机。

普通高清摄像机是前端设备中至关重要的一部分, 摄像机通过焦距来成像, 焦距越长, 摄像机捕捉的范围越窄, 距离越长, 反之, 摄像机捕捉的范围越广, 距离越短。

可夜视摄像机目前市面上有两种, 一种是直接加装红外线发射器, 另一种是加装夜视摄像头, 前者通过加装红外发射器使得摄像头在夜间可以捕捉到画面, 摄像机捕捉画面的原理是物体将太阳光反射给摄像机, 摄像机便捕捉到了物体的画面, 在夜间, 这个红外发射器相当于光源, 使得物体可以将光源反射给摄像机。后者是在普通摄像机旁放置一个光敏电阻, 当光敏电阻感受不到光源时, 夜视摄像头便开始工作, 夜视摄像头分为激光夜视仪、高清夜视仪^[20]。

陈大明等^[20]介绍了激光夜视仪、红外热、高清夜视仪三种夜间监视产品, 并且将激光夜视仪应用到视频监控中, 满足铁路的要求。贺欣^[21]通过摄像机捕捉画面方式, 将夜视技术分为主动夜视技术和被动夜视技术两种, 并将激光夜视仪应用到高速公路上, 真正将监控拓展到全天候。

3.2 传输方式

传输方式主要有3G/4G数据流量传输和无线模拟微波传输。

3G/4G传输模块是相较于传统新加入的模块, 3G/4G模块可以使得摄像机捕捉的画面通过流量的形式从架空线路传输到地面接收页面, 这样, 加入了3G/4G模块的前端设备就相当于是人工控制的智能手机。文献[22]至[24]使用3G模块作为传输方式, 2014年成为3G和4G的分水岭, 之后便将4G作为主要的传输媒介, 由于抓拍的图片像素量级至少为百万级, 4G在传输速度方面比3G快10倍以上, 下载速度高达100 Mbps, 上传速度高达20 Mbps, 在像素要求越来越高的情况下, 4G是最佳的传输媒介。

无线模拟微波相较于3G/4G来说, 传输距离短得多, 一般在2 km内, 但也有其自身的优点, 就是在没有信号的荒漠也可以进行信号传输, 在长距离的无信号区域中, 可以采用中继站来进行信号传输。

黄尚科^[25]将无线传输技术分为微波、短波、光波、蓝牙等几类, 介绍微波和基于移动运行商网络(2G、3G、4G)的优缺点, 微波可以在信号覆盖不到区域进行传输数据, 缺点是传输距离太短, 2G、3G、4G网络则可以长距离传输数据, 缺点是无法在信号覆盖不到的地方进行数据传输。吴礼平^[26]对微波探测原理、基于微波的嵌入式硬件架构和软件设计进行详细的介绍。

3.3 远程监控中心

网络视频服务中心采用数字安防一体机, 主要功能是将前端摄像机捕捉到的图片、视频存储起来。工作人员需要查看时只需要登陆相应的Web页面或者指定的APP即可, 每台前端设备都有相应的ID编号可供工作人员查询, 除此之外, 控制中心还可控制前端云台旋转, 以抓拍监控点输电线路各个角度的图片。

4 视频监控识别关键算法

传统的视频监控直接将采集的图像不加处理的传给监控后台, 这样的处理方式对监控后台服务器处理数据的能力是个非常大的考验, 而且监控后台需要不间断对监控点进行观察, 这样会耗费大量的人力物力。通过对视频监控加入相关识别算法, 只需将与背景模型图片不同的图片上传服务器, 由于监控点的特殊性, 图片数据不会大幅度的更改, 利用这个特点, 加入识别算法后, 可将大部分的图画进行识别后不上传, 或者将没有变动的图片打包进行说明, 后台服务器对此类图片也不用进行处理, 减少了服务器的工作量。

对于图像识别, 目前有两个不同的图像处理方法, 一方面是对抓拍到的图片进行预处理, 再对图像进行识别。如文献[27]至[29]对抓拍到的图像先进行去雾化处理, 再对图像进行识别。另一方面是对抓拍的图像进行动态和静态划分, 然后分别对动态和静态异物进行识别。如文献[30]至[31]将输电线路、绝缘子串划分为静态物体, 其他区域划分为动态物体, 对于静态区域和动态区域分别用相应的算法进行识别。

4.1 差分图像法

差分图像法^[32-34], 顾名思义就是两幅图片相关数据进行作差。此方法最大的优点是可以在作差的同时将干扰一并除去, 缺点是狭义差分图像法检测到的物体会在很大程度上不精确, 以及运算量大。

差分图像法有两种类型:一是广义差分图像法, 二是狭义差分图像法。前者由于是将抓拍的图片和固定模型图像进行作差, 运算量相交于后者来说较小, 原理简单, 缺点是会随着时间推移加入噪声, 识别不准确, 后者是将抓拍到的图像与前一时刻抓拍到的图像进行作差, 检测物体不精确, 运算量较大, 影响算法的准确性和快速性。

Zheng-wei Zhang^[35]采用广义差分图像法将监控区域在任意时刻的图像与模型图像作差:

$ \varDelta {X_t} = {X_{t + L}} - {X_t}, $

(1)

陈平生^[36]采用狭义差分图像法将监控区域在时间(t+1)时刻的图像X_t+1与在时间t时刻的图像X_t作差:

$ \varDelta {X_t} = {X_{t + 1}} - {X_t}, $

(2)

可以通过以上两个公式看到, 当没有异物侵入时, ΔX等于零, 当有异物侵入时, ΔX不等于零, 同时ΔX也是异物的图像轮廓。

当然为了减小所造成的误差而可以用奇偶帧进行作差:

$ {D_{odd}} = \left\{ {\begin{array}{*{20}{l}} {255,\left| {{f_{o,i + 2}}(x,y) - {f_{o,i}}(x,y)} \right| > \xi }\\ {0,\left| {{f_{o,i + 2}}(x,y) - {f_{o,i}}(x,y)} \right| \le \xi } \end{array}} \right., $

(3)

$ {D_{even{\rm{ }}}} = \left\{ {\begin{array}{*{20}{l}} {255,\left| {{f_{e,i + 2}}(x,y) - {f_{e,i}}(x,y)} \right| > \xi }\\ {o,\left| {{f_{e,i + 2}}(x,y) - {f_{e,i}}(x,y)} \right| \le \xi } \end{array}} \right., $

(4)

式中: f(x, y)代表奇偶帧图像的像素点, ξ为设定的阈值, 通过将奇偶数帧列作差, 此方式加强了有异物入侵和没有异物入侵图像的比较。

4.2 高斯建模法

通常情况下, 监控的目标区域是满足高斯分布的^[37]。李佳泽通过多个高斯模型, 根据不同的权重来进行线性叠加, 完成对环境的拟合。文献[38]至[39]从画面中某一区域像素改变后是否满足高斯分布来判断是否为运动目标, 当监控区域有小干扰时, 监控画面的像素也会变化, 这时, 像素的变化也是服从高斯分布, 同时更新背景图像；当有异物侵入时, 像素的变化就不服从高斯分布。

高斯分布即正态分布^[40], 自变量的概率密度公式如下:

$ f(x) = \frac{1}{{\sigma \sqrt {2\pi } }}{e^{\frac{{{{(x - \mu )}^2}}}{{2{\sigma ^2}}}}}, $

(5)

式中: x的取值范围为任意实数R, σ为标准差, μ为平均值。

高斯建模法可以将要监控的区域进行建模, 然后将通过视频序列的像素值与模型进行对比, 判断是否为运动目标。将视频中的像素点用向量表示V(x, y)=(a, b, c), 向量中的a、b、c分别代表红、绿、蓝三种颜色分量, 并且这三个向量线性无关, 每个像素点的概率密度可以表示为:

$ {P_{V(x,y)}} = \sum\limits_{i = 1}^3 {\frac{1}{{\left( {{\sigma _i}\sqrt {2\pi } } \right)}}} {e^{\frac{{{{\left( {x - {\mu _i}} \right)}^2}}}{{2{\sigma _i}^2}}}}, $

(6)

式中: P_{V(x, y)}为某一像素的概率, σ_i为标准差, μ_i为平均值。

若将B₀作为初始建模, 那么B₀服从高斯分布, B₀~(μ₀, σ₀²), 其中:

$ {\mu _0} = \sum\limits_{i = 0}^{n - 1} {\frac{1}{n}} {x_{i(x,y)}}, $

(7)

$ \sigma _0^2 = \sum\limits_{i = 0}^{n - 1} {\frac{1}{n}} {\left( {{x_i} - {\mu _0}} \right)^2}, $

(8)

当有小干扰进入时, 系统会更新监控区域的模型, 更新后的模型为:

$ {\mu _n} = (1 - \alpha ){\mu _{n - 1}} + \alpha {x_n}, $

(9)

$ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \sigma _n^2 = (1 - \alpha ){\sigma _{n - 1}} + \alpha \left( {{x_n} - {\mu _n}} \right)\left( {{x_n} - } \right.\\ \left. {{\mu _{n - 1}}} \right), \end{array} $

(10)

式中: α为0~1之间的系数, 当系数α较大时, 则会在很短的周期就会有一个新的背景模型, 同时也会加入噪声；当α较小时, 就会在较长的一个周期进行更换背景模型。

高斯建模法是建模法中相对简单的一种, 但在α值上的选取需要进行大量测试, 当α选取不慎时, 会导致背景图像失去其意义, 无法达到识别目标图像的效果, 高斯建模法在图像背景模型建立方面是最常用到的方法。

4.3 k-means聚类算法

输电线路常会分布在树木丛生处, 树木生长过盛对输电线路有潜在的危险, 由于树木的主要特征色是绿色, 那么树木区域中相对于其他区域绿颜色通道强度最强, 同时饱和度也是最高的, 因此可利用G(x_i, y_i)颜色分量强度作为对比, 和高亮的绿色特征将RGB中的绿色平均值G_means作为阈值, 来判定是否有树叶色谱的信息。判定的初始条件有如下三条:

$ \left\{ {\begin{array}{*{20}{l}} {{G_{means{\rm{ }}}} = \frac{1}{n}\sum\limits_{i = 0}^{n - 1} R \left( {{x_i},{y_i}} \right)}\\ {G\left( {{x_i},{y_i}} \right) > R\left( {{x_i},{y_i}} \right) > B\left( {{x_i},{y_i}} \right)}\\ {G\left( {{x_i},{y_i}} \right) > {G_{means{\rm{ }}}}} \end{array}} \right., $

(11)

其中:n为监控区域的像素总数, G(x_i, y_i)、R(x_i, y_i)、B(x_i, y_i)分别表示监控区域绿、红、蓝的颜色分量。

利用k-means聚类算法^[41]和HSI模型对树叶进行识别。对满足判定条件的图像建立HSI(Hue、Saturation、Intensity)模型, 通过计算HSI模型中H、I分量作为特征向量, 来进行k-means聚类算法识别。

目标函数如下:

$ {{J_k} = \sum\limits_{i = 1}^n {{\mu _{ik}}} {{\left\| {{x_i} - {v_k}} \right\|}^2},} $

(12)

$ {{J_{HCM}} = \sum\limits_{k = 1}^c {{J_k}} ,} $

(13)

式中: J_k表示第k个聚类的价值函数, 其取决于集合X_k的几何特性以及聚类中心v_k。μ_ik表示像素点i对第k个聚类的隶属度, 满足:

$ \begin{array}{*{20}{l}} {\quad {\mu _{ik}} = \sum\limits_{p = 1}^k {(\frac{{||{x_i} - {v_k}||}}{{||{x_i} - {v_p}||}})} \frac{2}{{m - 1}},m[2,}\\ { + \infty ),} \end{array} $

(14)

$ \sum\limits_{k = 1}^c {{\mu _{ik}}} = 1,\forall i = 1,2 \cdots ,n, $

(15)

$ \sum\limits_{i = 1}^n {\sum\limits_{k = 1}^c {{\mu _{ik}}} } = n, $

(16)

其中:m为模糊加权指数, 当m=2时, 是最优加权指数。

经过第k次迭代后得到聚类中心:

$ {v_p}^k = \frac{{\sum\limits_{i = 1}^n {{\mu _{ik}}} {x_i}}}{{\sum\limits_{i = 1}^n {{\mu _{ik}}} }}. $

(17)

建立H、I分量的直方图, 通过直方图估算k-means算法中H、I的初始均值, 再通过迭代找到在H、I分量的目标聚类中心。要确定像素点是否属于目标, 还需要计算像素点H、I分量的隶属度v_H、v_I, 将v_H(x, y)、v_I(x, y)作像素点的聚类特征向量F(v_H(x, y), v_I(x, y)), x_i为像素点的特征值, 选择k个初始类的均值作为聚类中心, 分别为v₁、v₂… v_k。

当v_k+1=v_k, 聚类中心不变时, 认为目标图像被成功分成k类, 树叶的特征也就被分离出来了, 图 3为树叶图像识别算法流程图。

高西等^[42]提出, 基于改进的k-means聚类算法是结合k-means聚类算法和近邻传播算法(Affinity Propagation clustering, 简称AP算法)而得出的新算法。在实验中, 从类间和类内两方面入手, 针对海量彩色图像聚类问题, 将改进的k-means聚类算法较传统的k-means算法进行对比, 分别对类间、类内进行加权, 进而减少反复聚类的时间。AP算法则是从聚类的方面入手, 对聚类的数目进行确定, 通过对k-means关键的两方面聚类数目和隶属性进行改进, 与传统聚类方法相比, 有较高的准确度。

4.4 其他识别算法

房梦婷^[43]提出卷积神经网络、池化运算方法, 利用池化运算减少数据处理量, 节省了运算时间, 同时也提高了识别精度。但实验数据量太少, 构建的卷积神经网络结构并不大。

翟俊海^[28]将携带信息的频率作为主要方式, 利用信号发出和返回的差频, 将入侵异物的速度、形状等信息上传服务器。

朱玲^[41]利用k-means算法和BP神经网络分别对水果进行分类识别, 识别率分别为91%、89%, 通过将二者结合, 可使得对水果分类识别准确率高达96%, 但实验中图像背景色均定为白色, 实验结果不具有普遍性。

4.5 算法之间的比较

差分图像法在于不断的将捕捉到的画面和背景图像(或者前一时刻的画面)作差, 当差值大于设定的阈值时, 系统就会将捕捉到的画面上传服务器。建模法有中值背景建模、均值背景建模、卡尔曼滤波等等。高斯建模法是常用的建模方法, 通过引进系数α, 有效地防止因小干扰进入而导致误报。k-means均值聚类算法在满足门槛条件后, 对画面分割成k类, 当聚类中心不变时, 认为目标特征被提取出来。与差分图像法相比, k-means均值聚类算法运算量小、对于目标物理位置也更精确, 表 1是三种算法之间的比较。

5 关键技术发展趋势分析 5.1 前端技术发展趋势

视频监控在其他领域已经得到了大规模的应用, 并对视频采集、视频压缩、太阳能供电等技术进行了大量研究。但是前端的功耗、供电、体积方面仍需要进行进一步研究。能否采用相关的技术手段继续降低视频采集、压缩的功耗, 同时在考虑最大阴雨天, 电池容量不变的情况下, 能否对前端电池体积进行缩小化, 从而将前端的体积进行缩小化。在供电方面, 由于监控点是输电线路, 能否通过输电线路来进行感应取电, 同时提高电能的利用率。

5.2 传输技术发展趋势

目前, 数据主要的传输方式是4G, 在信号覆盖不到的地方采用无线模拟微波。但是在长距离无信号的地方则需要加装中继站, 安装成本高, 信号容易受到干扰, 还需定期维护, 无线模拟微波在现有条件下可以说是无奈之举。随着5G技术发展, 信号传输速度以及信号覆盖面都会得到前所未有的提升, 5G技术在输电线路视频监控的应用, 会大大降低信号传输的成本。

5.3 关键识别算法发展趋势

在图像识别技术相关的算法方面, 国内外专家、学者对识别算法进行了大量的研究, 识别算法也是种类繁多, 在其他方面的应用方兴未艾, 但在输电线路应用方面比较少。一方面, 现有的图像识别技术更多的是针对某一类的图像, 缺乏识别的普遍性。不可直接就某一种算法应用于输电线路视频监控当中, 应该是将综合多种算法同时应用于输电线路视频监控中。另一方面, 应考虑针对输电线路环境下, 专门以输电线路为模型进行的图像识别, 如对风筝、塔吊、鸟儿等对输电线路有潜在威胁物体的识别, 从而提高输电线路视频监控识别效率, 同时也可以结合输电线路所处的地理环境, 预测可能出现的情况, 来加入相应的识别算法。