基于小波矩的高压输电线路除冰机器人障碍智能视觉识别方法

第 32卷第 3期 2010年 5月 机器人 ROBOT Vol.32, No.3May, 2010 DOI：10.3724/SP.J.1218.2010.00425 基于小波矩的高压输电线路除冰机器人障碍智能视觉识别方法 缪思怡，孙 炜，张海霞 （湖南大学电气与信息工程学院，湖南 长沙 410082） 摘 要：针对 220 kV单分裂线路的结构特点，提出了一种基于小波矩的障碍物智能视觉识别方法．该方法采用 Ostu算法二值化图像，采用小波模极大值算法提取图像边缘．通过提取障碍物边缘图像的小波矩，来得到一组局部 最优的小波矩特征值，并在此基础上用小波神经网络进行障碍物的识别与分类．实验结果表明：所提出的方法能有 效地识别高压输电线上的防震锤、悬垂线夹、耐张线夹等障碍物，并具有比普通 3层 BP神经网络方法更高的精度 和更快的收敛速度． 关键词：除冰机器人；障碍识别；小波模极大值算法；小波矩；小波神经网络 中图分类号：TP24 文献标识码：B 文章编号：1002-0446(2010)-03-0425-07 Intelligent Visual Method Based on Wavelet Moments for Obstacle Recognition of High Voltage Transmission Line Deicer Robot MIAO Siyi，SUN Wei，ZHANG Haixia (College of Electrical and Information Engineering, Hunan University, Changsha 410082, China) Abstract: According to the structure of 220 kV single split transmission line, an intelligent visual method of obstacle recognition based on wavelet moments is put forward. It binarizes obstacle images by Ostu algorithm and detects the edges of the images by wavelet modulus maximum algorithm. Then, a set of locally optimum wavelet moment features are selected by calculating the wavelet moments of the edge images. Based on these features, a wavelet network is presented for obstacle image recognition and classification. The experiment results show that the obstacles such as counterweight, strain clamp and suspension on high voltage transmission line can be effectively recognized by the proposed method, and the proposed wavelet network method has higher precision and quicker convergence rate than the common three-layer BP (backpropagation) neural networks. Keywords: deicer robot; obstacle recognition; wavelet modulus maximum algorithm; wavelet moment; wavelet network 1 引言（Introduction） 我国是输电线路覆冰灾害最严重的国家之一， 2008 年年初一场百年罕见的大面积冰雪灾害给国 民经济和社会生活带来了巨大的损失，受灾人口高 达 1亿之多，直接经济损失超过 1 100亿元，电网的 损害尤其严重．线路大量结冰是造成此次电力损失 的主要原因，而采用人工除冰的方法不仅效率低下， 而且对电力工人的生命安全造成了极大的威胁．因 此，研究输电线路在线除冰机器人替代人工除冰， 对于保护我国电网的安全运行和电力工人的生命安 全具有极其迫切的现实意义． 高压输电线路上通常安装有防震锤、悬垂线夹、 耐张线夹等杆塔支撑附件，这些都构成了除冰机器 人行进路线上的障碍．为了实现除冰机器人在输电 线路上的自主运行，必须对这些障碍物进行自主检 测识别．本文将采用视觉的方法对除冰机器人遇到 的障碍物进行智能识别． 图像特征的选择是基于视觉的障碍识别方法的 关键环节．机器人运行在输电线上时，因为外界环 境的干扰以及本体行进过程中姿态的变化，摄像机 得到的图像与理想的图像之间的位置关系难以保证 完全相同．另外，机器人本体离障碍物的距离远近 也会造成目标区域形状的比例缩放．因此，需寻找 一种具有旋转和比例不变性的图像特征提取方法， 以满足实际应用的需要．而不变矩算法就是一种通 过提取具有平移、旋转和比例因子不变性的数学特 征来解决几何失真问的方法． Hu首先提出了用于区域形状识别的不变矩 [1]， 基金项目：国家科技支撑重点资助项目（2008BAF36B01）；教育部新世纪优秀人才计划资助项目（教技函 [2007]70号）． 通讯作者：缪思怡，miaosiyi41@sina.com 收稿／录用／修回：2009-06-28/2009-08-20/2010-01-21 425 426 机 器 人 2010年 5月 但它需要先构造区域，而且这种矩的计算涉及区 域内部和边界的所有像素，因而计算耗费的时间较 长．Chen提出了基于边界计算的边界矩 [2]，在试验 中发现计算耗时仅为 Hu矩的 1/25．Sun对文 [1-2] 的方法进行了扩展 [3]，提出了相对矩的概念，将区 域矩和边界矩的计算统一起来，不仅能计算区域特 征，还能直接计算封闭和不封闭边界的特征，它比 Hu矩和 Chen矩更加具有普遍性．但是以上提到的 矩特征都是在整个图像空间中计算的，得到的是图 像的全局特征，容易受到噪声的干扰．Shen提出的 小波矩不变量 [4] 可以克服以上缺点，不仅可以得到 图像的全局特征，也可以得到图像的局部特征，因 而在识别相似的物体时有更高的识别率．为此，本 文采用小波矩特征作为障碍物的图像特征． 本文结合小波模极大值边缘提取算法，基于障 碍物边缘图像的小波矩特征，了一种小波神经 网络分类器用于高压输电线路上障碍物的识别．该 方法不需要结构约束，比较简单，可有效地应用于 除冰机器人的自主越障． 2 系统简介（System introduction） 除冰机器人的结构和 220 kV 单分裂输电线路 的结构如图 1所示． 除冰机器人运行在野外恶劣的冰雪环境，高电 压强电磁的干扰也对除冰机器人的设计提出了更高 的要求．为了保障在恶劣冰雪环境下越障的可靠性 与稳定性，设计除冰机器人为 3臂结构，其中左右 两机械臂均为三关节机械臂，其末端夹持器都安装 有主驱动轮和从动轮，用来驱动机器人的行进和保 持机器人平衡，同时配备有除冰机构和抱死机构， 以保证除冰、行进、夹持电缆、防滑等功能．本体舱 内有动力箱和控制箱，动力舱为机器人提供稳定工 作的动力，控制箱主要包括工控机和众多的外围设 备等，对机器人运行状态进行实时控制． 除冰机器人的视觉系统主要包括安装在本体舱 的两组监控仪器及云台和安装在夹持器上的两组摄 像头．监控仪器主要对机器人的状态进行实时监控 并返回状态信息．夹持器上的摄像头主要获取输电 线路及障碍的图像信息．图 1显示，线路上的典型 障碍物有防震锤、悬垂线夹、耐张线夹等．这些障碍 物在摄像机成像平面上投影后的灰度图像如图 2所 示． 纹理、颜色和形状是图像基本的视觉特征．由 图 2可以看出，防震锤、悬垂线夹、耐张线夹等障碍 图 1 220 kV单分裂输电线路及除冰机器人结构示意图 Fig.1 The structure of 220 kV single split transmission line and deicer robot (a)防震锤 (b)耐张线夹 (c)悬垂线夹 图 2 障碍物在摄像机成像平面上投影后的灰度图 Fig.2 Grayscale obstacles in the camera imaging plane after projection 428 机 器 人 2010年 5月 通过搜索计算类间方差最大值，得到最佳阈值． 3.3 小波的模极大值边缘提取算法 [6] 小波变换为图像的边缘分析提供了新的手段， 小波变换在边缘检测中的优点是在时域与频域具有 良好的局部特性．用小波变换来检测图像的边缘， 可以很好地解决噪声抑制和图像边缘细节提取精度 之间的矛盾．对图 4预处理后的图像进行二值化后， 采用小波模极大值算法提取的边缘图如图 5 所示． 可以看出，得到的障碍物边缘图像比较连续，达到 了满意的效果． 4 特征提取（Feature extraction） 不变矩是一种具有平移、旋转和比例因子不变 性的图像特征．小波矩不仅可以得到图像的全局特 征，也可以得到图像的局部特征，比 Hu的区域矩和 Chen的边界矩具有更强的抗干扰能力，因此本文通 过提取图像的小波矩特征来进行障碍物的分类． 4.1 矩特征的一般表达形式 令 f (x,y)表示直角坐标系的 2维二值图像，则 p+q阶规则矩 mpq 定义为 mpq = w w xpyq f (x,y)dxdy (1) 由 x = r cosθ，y = r sinθ，把式 (1)从直角坐标 系转换到极坐标系并经简单演算后，可得到矩特征 的一般表达式 Fpq = w w f (r,θ)gp(r)ejqθ rdrdθ (2) 其中 gp(r)为变换核的径向分量，而 ejqθ 是变换核的 角度分量．为了实现所提取的矩具有平移和缩放不 变性，需要对图像进行归一化处理． 图形的质心坐标为： x0 = m10/m00, y0 = m01/m00 (3) 比例缩放因子 α 定义为图像尺寸与尺寸的比 值： α = √ m00/S (4) 其中 S表示所期望的图像尺寸．这样，得到归一化 后的标准图像： x y →  (x− x0)/α (y− y0)/α  (5) 4.2 小波矩的构造 与傅氏变换不同，小波变换可同时提供时域与 频域窗口，小波变换的这种特征非常适合于提取图 像的局部特征．考虑如下小波族： ϕa,b(r) = 1√ a ϕ ( r−b a ) (6) 其中 a(a ∈ R+)是尺度因子，b(b ∈ R)是位移因子， 用式 (6)代替式 (2)中的 gp(r)，得到小波矩不变量． 这里采用 3 次 B 样条函数作为母小波 ϕ(r)[7]， 即 ϕ(r) = 4an+1√ 2pi(n+1) σw cos(2pi f0(2r−1))× exp ( − (2r−1) 2 2σ 2w(n+1) ) (7) 一般取 n =3，a =0.697 066，f0 =0.491 77，σ 2w = 0.561 145．由于图像的尺寸一般被归一化在 r 6 1范 围内，因此对 a、b参数进行约束．令a = 0.5m, m = 0,1,2,3,b = 0.5 ·n ·0.5m, n = 0,1, · · · ,2m+1 (8) 则小波函数沿着轴向定义为： ϕm,n(r) = 2m/2ϕ(2mr−0.5n) (9) 选择不同的 m和 n就可以得到图像的全局特征和局 部特征．由此可以定义小波矩不变量为∥∥Fwaveletm,n,q ∥∥= ∥∥∥w w f (r,θ) ·ϕm,n(r)ejqθ rdrdθ∥∥∥ (10) 式中，q= 0,1,2, · · ·．对于某一个固定的 r， w f (r,θ) · ejqθ dθ 代表图像 f (r,θ)在相位空间 [0,2pi]中的第 q 个特征，利用不同的尺度因子m、位移因子 n，ϕm,n(r) 可以遍及整个径向空间 [0,1]，这样小波矩不变量∥∥Fwaveletm,n,q ∥∥就可以提供 f (r,θ)在不同尺度水平上的特 征． 对于数字图像 f (x,y)来说，小波矩定义如下： ∥∥Fwaveletm,n,q ∥∥= ∥∥∥∥∥∑x ∑y f (x,y) ·ϕm,n(r)ejqθ ∆x∆y ∥∥∥∥∥ r = √ x2 + y2 6 1, θ = arctan(y/x) (11) 4.3 特征选择 特征选择是设计分类器时的一个重要问题，它 的任务是从原始的特征集中选择一个特征子集来降 低模式的维数．当原始特征数过多时，不仅使获得 特征的代价增加，而且在样本数较少时将使所设计 的分类器的性能得不到保证． 本文采用次优搜索算法中的增 l 减 r 法（l− r 法）[8] 来进行特征的选择．由于 l− r法考虑了当前 第 32卷第 3期 缪思怡等：基于小波矩的高压输电线路除冰机器人障碍智能视觉识别方法 429 特征组合待选特征分量之间的相关性，一般来讲能 取得较好的特征，它也克服了顺序前进法 SFS[8] 和 顺序后退法 SBS[8] 的筑巢效应，即特征一旦被加入 或者被剔除，以后将不再改变的缺点． 定义两类 xk,xl 的距离度量： J(xk,xl) = j=d ∑ j=1 (xk j− xl j)2 (12) 其中 d 为提取的特征向量的个数．特征提取方法采 用自下而上的算法，即 l > r，算法如下： (1)假设已选入了 m个特征，构成了一个大小为 m的特征组 Xm = (x1,x2, · · · ,xm)，把未选入的 D−m 个特征 xi（i = 1,2, · · · ,D−m）分别与已入选的特征 组合，按 J值大小排列： J(x1,Xm)> J(x2,Xm)> · · ·> J(XD−m,Xm) (13) 则选入特征 x1，这样逐个选入 l 个特征得到新的特 征组 Xm = Xm+l，并置 m = m+ l． (2) 在特征组 Xm 中剔除一个特征 x j, j = 1,2, · · · ,m，若 J(Xm,Xm− x1)> J(Xm,Xm− x2)> · · ·> J(Xm,Xm− xm) (14) 则剔除 x1，这样逐个剔除 r 个特征形成新特征组 Xm = Xm−r，置 m=m− r．若 m=D，则算法终止，否 则转第 (1)步． 5 神经网络的设计（Neural network design） 5.1 小波神经网络 小波变换具有很好的时域与频域局部分析性 能，将小波变换与神经网络相结合构成小波神经网 络，可以提高神经网络的分析性能 [9-10]．目前，小波 与神经网络的结合主要有 2 种途径：(1) 松散型结 合：小波分析作为神经网络的前置处理手段，为神 经网络提供输入特征向量；(2)嵌套式结合：小波直 接融入神经网络，小波函数直接作为神经元的激励 函数．本文设计的小波神经网络属于后一种． 小波神经网络自学者 Zhang提出小波网络概念 及算法 [11] 至今，在图像方面已取得了非常多的应 用 [12-13]．小波神经网络结合了小波分析优异的局部 特性和神经网络自学习的优点，而小波矩能反映图 像的局部特征且具有很强的抗干扰能力，因此本文 将结合小波矩和小波神经网络来进行障碍物图像的 识别与分类．本文设计的小波神经网络的结构如图 6所示． 图 6 小波神经网络的结构 Fig.6 The structure of wavelet neural network 小波神经网络模型结构与 BP 模型相似，所不 同的是，隐层单元激励函数选择了小波基 morlet函 数： ψ(x) = cos(1.75x)e−x2/2 (15) 设第 n个样本的输入为Xn = {xni }，i= 1,2, · · · , I， 网络的输出为 Yn = {ynk}，k = 1,2, · · · ,K，对应的目 标输出为 Tk = {tnk }，k = 1,2, · · · ,K，输出层的激励函 数采用 purelin线性函数．中间层为小波变换层，ω ji 表示中间层第 j 个单元与输入层第 i个单元之间的 连接权值，ωk j 表示输出层第 k个单元与中间层第 j 个单元之间的连接权值． 这样利用当前网络参数计算的输出为 yk = J ∑ j=1 wk jψ  I ∑ i=1 w jixi−b j a j  (16) 网络的误差函数定义为 Enk = 1 2 K ∑ k=1 (tnk − ynk)2 (17) 结合误差反向传播的思想，利用梯度下降法调 节神经网络中小波网络的参数和网络连接权值． 不妨令 γ = I ∑ i=1 w jixni −b j a j (18) 则误差函数对参数 wk j、w ji、a j 和 b j 的梯度为： ∇wk j = ∂Enk ∂wk j =−(tnk − ynk)ψ(γ) (19) ∇w ji = ∂Enk ∂w ji =− K ∑ k=1 (tnk − ynk)wk j ∂ψ(γ) ∂γ xni a j (20) ∇a j = ∂Enk ∂a j = K ∑ k=1 (tnk − ynk)wk j ∂ψ(γ) ∂γ γ a j (21) ∇b j = ∂Enk ∂b j = K ∑ k=1 (tnk − ynk)wk j ∂ψ(γ) ∂γ 1 a j (22) 430 机 器 人 2010年 5月 为了避免小波神经网络训练时陷入局部极小 值，引入了动量因子的误差反向传播，修正后的网 络参数 wk j、w ji、a j 和 b j 分别为： w ji = w ji +∆w ji = w ji +α∆w ji−η∇w ji (23) wk j = wk j +∆wk j = wk j +α∆wk j−η∇wk j (24) a j = a j +∆a j = a j +α∆a j−η∇a j (25) b j = b j +∆b j = b j +α∆b j−η∇b j (26) 其中 α 和 η 分别为网络的动量因子和学习率． 5.2 数据归一化 为了提高小波神经网络的收敛性和分类效果， 在这里对样本的输入特征进行线性归一化处理，一 般对数据进行 [−1,1]归一化处理，但是经过实际程 序的运行比较发现，把数据归一化到 [−0.9,0.9]，小 波神经网络的收敛速度更快、精度更高，达到了更 好的分类效果． 令式 (11)中小波矩的尺度参数中的 m = 1,2,3， 平移参数中的 n = 1, · · · ,2m+1，q = 0,1,2，则得到各 类障碍物边缘图像不同尺度下共 72个小波矩特征 值 ∥∥Fwaveletm,n,q ∥∥．然后运用 4.3节的特征选择方法选择 最佳的 6个小波矩特征值，得到的最优小波矩特征 值分别为 ∥∥Fwavelet312 ∥∥、∥∥Fwavelet130 ∥∥、∥∥Fwavelet110 ∥∥、∥∥Fwavelet311 ∥∥、∥∥Fwavelet310 ∥∥、∥∥Fwavelet220 ∥∥． 令Fn = {Fni }= {∥∥Fwavelet312 ∥∥ ,∥∥Fwavelet130 ∥∥ ,∥∥Fwavelet110 ∥∥ ,∥∥Fwavelet311 ∥∥ ,∥∥Fwavelet310 ∥∥ ,∥∥Fwavelet220 ∥∥}, i = 1,2, · · · ,6．样本 数据依式 (27)进行线性归一化处理，则图 6所示的 小波神经网络的实际输入 Xn 为： Xn =−0.9+1.8(Fni −minFni ) / (maxFni −minFni ), i = 1,2, · · · ,6 (27) 因为有 3类障碍物需要识别，所以小波神经网 络的输出向量设计为 3个列向量，即分别表示为耐 张线夹 (0 0 1)′、防震锤 (0 1 0)′、悬垂线夹 (1 0 0)′． 6 实验结果（Experimental results） 6.1 小波矩的实验结果 在室内的模拟线路上，对 3种障碍物进行定位 识别，机器人运行在线路的不同位置，获得每种障 碍物 50张、共 150张视觉图像．图 7是 3类障碍物 在 2维小波矩特征空间中的分布，每类 30个样本． 从图 7可以看出，除冰机器人运行在线路的不 同位置，每类边缘图像的小波矩值相差不大，而 3 类障碍物边缘图像的小波矩值相差比较远，因此可 以作为 3类障碍物的分类依据． 图 7 3类障碍物在 2维小波矩特征空间的分布 Fig.7 Distribution of three types of obstacles in the 2D wavelet moment feature spaces 6.2 小波神经网络的分类结果 在获得的 150张图像中，每个障碍物取 30张共 90张图像的数据进行小波网络的训练，剩下图像的 数据进行测试．因为输入的数据是每个样本的 6个 小波矩值，输出对应于 3类障碍物，隐含层经过多 次实验确定为 10，因此小波神经网络的结构最终确 定为 6-10-3．小波网络训练次数设定为 1 000次，网 络目标误差设定为 0.000 1，小波网络的动量因子 α 和学习率 η 经过多次实验分别取为 0.95和 0.03． 为了验证小波神经网络的分类效果，将小波网 络与普通 3层 BP神经网络进行比较，普通神经网 络的结构、网络训练次数、网络目标误差均与小波 神经网络相同，普通 3层 BP网络的隐层激活函数 选为 Sigmoid，误差训练算法也选为梯度下降法．表 1 给出了两种神经网络的训练收敛速度比较，表 2 对两种神经网络分类效果进行了比较． 表 1 两种神经网络的训练收敛速度 Tab.1 The training convergence rate of two types of neural networks 网络类别 小波神经网络 普通 3层 BP网络 收敛时间 /s 6.52±1.58 8.48±1.24 表 2 两种神经网络的分类效果 Tab.2 The classification results of two types of neural networks 方法 分类判别平均准确率 /% 耐张线夹 防震锤 悬垂线夹 小波神经网络 93.2 95.6 89.2 普通 BP网络 81.3 82.5 80.4 从表 1的分析结果来看，由于小波神经网络采 用了动量因子的反向传播，网络结构和初始参数经 第 32卷第 3期 缪思怡等：基于小波矩的高压输电线路除冰机器人障碍智能视觉识别方法 431 过了多次实验选取比较恰当，而且小波神经网络对 尺度参数 a j和平移参数 b j进行了反向传播修正，参 数调节更加灵活，因此，其训练收敛速度快于普通 BP神经网络．从表 2的结果可以看出，由于小波神 经网络的网络结构与初始参数选择比较恰当，避免 了训练的局部最优，并采用了局部性能优异的小波 基函数 morlet作为网络隐含层激发函数，所以小波 网络的分类效果也优于普通的 BP网络． 7 结论（Conclusion） 小波矩将小波特征与矩特征相结合，具有二者 的优点，既反映了图像的全局信息，又反映了图像 的局部信息，能够提高目标识别的精度．本文提出 了一种基于小波矩的输电线路除冰机器人障碍智能 识别方法．利用小波模极大值算法提取经过 Ostu阈 值算法二值化的图像的边缘，然后提取 3类障碍物 边缘图像的局部最优小波矩特征值作为小波神经网 络的输入，最后用小波神经网络来实现 3类障碍物 的分类与识别．由于小波神经网络结合了小波分析 优异的局部特性和神经网络自学习的优点，因此具 有较高的分类精度．将设计的小波神经网络应用于 障碍物边缘图像的分类与识别的实验结果表明，所 设计的小波神经网络比普通 3层的 BP神经网络具 有更高的精度和收敛速度． 参考文献（References） [1] Hu M K. Visual-pattern recognition by moment invariants[J]. IEEE Transactions on Information Theory, 1962, 8(2): 179-187. [2] Chen C C. Improved moment invariants for shape discrimina- tion[J]. Pattern Recognition, 1993, 26(5): 683-686. [3] Sun Y N, Liu W J, Wang Y C. United moment invariants for shape discrimination[C]//IEEE International Conference on Robotics, Intelligent Systems and Signal Processing. Piscat- away, NJ, USA: IEEE, 2003: 88-93. [4] Shen D G, Ip H H S. Discriminative wavelet shape descriptors for recognition of 2-D patterns[J]. Pattern Recognition, 1999, 32(2): 151-165. [5] Ostu N. A threshold selection method from gray-level his- togram[J]. IEEE Transactions on Systems, Man, and Cybernet- ics, 1979, 9(1): 62-66. [6] 高国荣，刘冉，羿旭明．一种改进的基于小波变换的图像边 缘提取算法 [J]．武汉大学学报：理学版，2005，51(5)：615- 619. Gao Guorong, Liu Ran, Yi Xuming. A revised image edge de- tection method based on wavelet[J]. Journal of Wuhan Univer- sity: Natural Science Edition, 2005, 51(5): 615-619. [7] Unser M, Aldroubi A, Eden M. On the asymptotic convergence of B-spline wavelets to Gabor functions[J]. IEEE Transactions on Information Theory, 1992, 38(2): 864-872. [8] 边肇祺，张学工．模式识别 [M]．北京：清华大学出版社， 2000：253-257. Bian Zhaoqi, Zhang Xuegong. Pattern recognition[M]. Beijing: Tsinghua University Press, 2000: 253-257. [9] Delyon B, Juditsky A, Benveniste A. Accuracy analysis for wavelet approximations[J]. IEEE Transactions on Neural Net- works, 1995, 6(2): 332-348. [10] Karras D A, Mertzios B G. Efficient segmentation in MRI ap- plying discrete wavelet transform and topology preserving neu- ral networks[C]//IEEE International Workshop on Imaging Sys- tems and Techniques. Piscataway, NJ, USA: IEEE, 2005: 113- 118. [11] Zhang Q H, Benveniste A. Wavelet networks[J]. IEEE Transac- tions on Neural Networks, 1992, 3(6): 889-898. [12] Zhai J H, Wang X Z, Zhang S F. Rough-neural image classi- fication using wavelet transform[C]//International Conference on Machine Learning and Cybernetics. Piscataway, NJ, USA: IEEE, 2007: 3045-3050. [13] Dickhaus H, Heinrich H. Classifying biosignals with wavelet networks: A method for noninvasive diagnosis[J]. IEEE Engi- neering in Medicine and Biology Magazine, 1996, 15(5): 103- 111. 作者简介： 缪思怡（1984 –），男，硕士．研究领域：机器人控制，模式 识别等． 孙 炜（1975 –），男，教授，博士生导师．研究领域：智能 机器人，智能控制，智能信息处理等． 张海霞（1984 –），女，硕士．研究领域：智能机器人，智能 控制等．