【word】 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

【word】 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 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芋期机器人ROBOT2010年5月 DoI:10-3724,SPJ.1218.2010.00425 Vbl_32.No.3 May,2010 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220kV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:10o2-0446(2010)一 03-0425—07 IntelligentVisualMethodBasedonWaveletMomentsforObstacleRecognition ofHighVoltageTransmissionLineDeicerRobot MIAOSiyi,SUNWei,ZHANGHaixia (CollegeofElectricalandInformationEngineering,HunanUniversity,Changsha410082,China) Abstract:Accordingtothestructureof220kVsinglesplittransmissionline,allintelligentvisualmethodofobstacle recognitionbasedonwaveletmomentsisputforward.ItbinarizesobstacleimagesbyOstualgorithmanddetectstheedges oftheimagesbywaveletmodulusmaximumalgorithm.Then,asetoflocallyoptimumwaveletmomentfeaturesareselected bycalculatingthewaveletmomentsoftheedgeimages.Basedonthesefeatures,awaveletnetworkispresentedforobstacle imagerecognitionandclassification.Theexperimentresultsshowthattheobstaclessuchascounterweight,strainclampand suspensiononhighvoltagetransmissionlineCanbeeffectivelyrecognizedbytheproposedmethod,andtheproposedwavelet networkmethodhashigherprecisionandquickerconvergenceratethanthecommonthree—layerBP(backpropagation)neural networks. Keywords:deicerrobot;obstaclerecognition;waveletmodulusmaximumal gorithm;waveletmoment;waveletnetwork 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1100亿元,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【l】, 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.COrn收稿/录用/修 回:2009-06-28/2009—08-20/2010—0l一21 426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_3J,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【】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(Systemintroduction) 除冰机器人的结构和220kV单分裂输电线路 连接杆塔 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 并返同状态信息.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 不. 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 引流跳线 图1220kV单分裂输电线路及除冰机器人结构示意图 Fig.1Thestructureof220kVsinglesplittransmissionlineanddeicerrobot (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.2Grayscaleobstaclesinthecameraimagingplaneafterprojection 第32卷第3期缪思恰等: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427 (a)防震锤 图3障碍识别的流程图 Fig.3Flowcharttoidentifyobstacles (b)耐张线夹(C)悬垂线夹 图4预处理后的效果图 Fig.4Imagesafterpretreatment (b)耐张线夹(C)悬垂线夹 图5边缘图 Fig.5Edgeimages 既没有丰富的表面纹理,也无鲜明的颜色特征,但 是它们在摄像机成像平面上投影后的图像中的形状 相差比较大,因此本文提取图像的形状特征作为判 定障碍物的依据. 识别障碍物的基本方法如图3所示:?对视觉 传感器采集到的图像进行预处理.?用Ostu算法 得到的最佳阈值二值化图像,用小波的模极大值边 缘提取算法提取图像边缘.?提取一组边缘图像的 局部最优小波矩特征,并设计小波神经网络进行障 碍物的识别与分类. 3图像边缘(Imageedgedetection) 3.1预处理 由于应用环境的特殊性,机器人在运行过程中 会受到光照及导线周围强电磁场等因素的干扰,也 会受到自身稳定性的影响,摄像机采集的图像并不 是理想的,图像中会存在诸如光线,噪声点和没用 的干扰特征,对检测目标图像障碍物的形状带来影 响.为了提高识别的准确性,对防震锤,悬垂线夹, 耐张线夹障碍物的图像进行中值滤波,膨胀和腐蚀 等预处理.图2所示的障碍物图像预处理后的结果 如图4所示.预处理之后,去掉了很多干扰线条和 噪声点.虽然图像变得模糊了一些,但是平滑了一 些由于光线所形成的亮点,图像的目标形状区域内 部的像素值的差异大大减少,这样有利于二值化和 边缘提取.在实验过程中发现预处理起着非常重要 的作用,膨胀和腐蚀的参数选得不好,会造成后面 边缘图像点的不连续性. 3.2二值化图像 在众多阈值分割算法中,1979年由Ostu提出 的基于类问方差最大化的分割算法一直被认为是分 割阈值自动选择的最优方法.因此本文采用Ostu自 适应阈值算法[】选取最佳的阈值来二值化图像.它 是按图像的灰度特性,将图像分成背景和目标两类, 428机器人2010年5月 通过搜索计算类问方差最大值,得到最佳阈值. 3.3小波的模极大值边缘提取算法【】 小波变换为图像的边缘提供了新的手段, 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(Featureextraction) 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 令厂,Y)表示直角坐标系的2维二值图像,则 P+q阶规则矩p目定义为 ,I mPq=II)),(,y)dxdy(1) 由=rcos0,Y=rsin0,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 q= II,(O)gp(r)~qOrdrdO(2) 其中g(,.)为变换核的径向分量,而ej.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: XO=mlo/moo,Yo=tool/moo(3) 比例缩放因子定义为图像尺寸与标准尺寸的比 值: 0f=v/moo/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: ?Y一(x-xo)/a) 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.考虑如下小波函数族: 1()(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gpr),得到小波矩不变量. 这里采用3次B样条函数作为母小波(,.)【7】’ 即 1))×(r)—V/2g(—n+1)O’wCOS(2nfor—1))× (r):wcos(2rcfo(2r— exp (一\----/)一面’7) 一 般取,2---3,a--0.697066,fo=0.49177,= 0.561145.由于图像的尺寸一般被归一化在r?1范 围内,因此对,b参数进行约束.令 {a=0.5m,0.2)3)(8)lb=0.50.5,=01一,2m+ 则小波函数沿着轴向定义为: ‰,(r)=2/cp(2,.一0.5n)(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 {fw…ave}I:.『(,)rdrdO{(1o) 式中,q=0,1,2,….对于某一个固定的,.,l,(0). .d8代表图像,(0)在相位空间[0,2re]中的第q 个特征,利用不同的尺度因子m,位移因子n,r) 可以遍及整个径向空间[0,1】,这样小波矩不变量 Il吐ll就可以提供,(0)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: wav , eIII1(11) r:,//+),?1,0=arctan(y/x) 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z减r法(z—r 法)[j来进行特征的选择.由于,一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[]和 顺序后退法SBS[1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: (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z>,.,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=x1,X2,…,),把未选入的D—m 个特征xf(f=1,2,…,D—)分别与已入选的特征 组合,按I,值大小排列: J(Xl,)?J(x2,Xm)?…?(--m})(13) 则选入特征1,这样逐个选入z个特征得到新的特 征组=+f,并置m=m+,. (2)在特征组中剔除一个特征,J=l,2, … ,m,若 l,(x埘,--X1)?’,(,一)?…?(,一) (14) 则剔除X,这样逐个剔除r个特征形成新特征组 = Xm一,,置m=m—r.若=D,则算法终止,否 则转第(1)步. 5神经网络的设计(Neuralnetworkdesign) 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. 输入层隐含层输出层 图6小波神经网络的结构 Fig.6Thestructureofwaveletneuralnetwork 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: lf,():cos(1.75x)e_r/(15) 设第n个样本的输入为X={),i=1,2,…,,, 网络的输出为={),k=1,2,…,,对应的目 标输出为Tk={},k=1,2,…,,输出层的激励函 数采用purelin线性函数.中间层为小波变换层,?ff 表示中间层第.,个单元与输入层第f个单元之间的 连接权值,f表示输出层第k个单元与中间层第., 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 1 1 aJ,1=l/1f,l 网络的误差函数定义为 1K = 1?(一)(17) 七=1 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 , ?w一bj y=——一(18) ? 则误差函数对参数Wkj,Wji,aj和的梯度为: V一(y)(19) Vw=一c薏 V=茎c, V筹=k=l(吲(22) , 一 ., ? = , W ,? = 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WkwJi,aj和b,分别为: Wji=Wji+Awji=wji+aAwji一~Vwji(23) Wkj=Wkj+AWkj=Wkj+o~AWkj—VWkj(24) aj=aj+Aaj=aj+aAaj—oVajf25) bj=bj+Abj=bj+aAbj—TIVbjf26) 其中和”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『一l,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[一0.9,0.9】,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,…,2卅,q=0,1,2,则得到各 类障碍物边缘图像不同尺度F共72个小波矩特征 值IIk『f.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l1vav出IJ,JIklI,JJdJI,IJrdv或Jl, Il8velelI,II8:velel1. 令F={)={IIdll,1I吐ll,lIII, fIvavdlf,If,ff.dvekIf},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x为: X=一0.9+1.8(5,rain5)/(maxF/一minF/), 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(001),防震锤(010),悬垂线夹(10O). 6实验结果(Experimentalresults) 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. 0102030405060708090 图73类障碍物在2维小波矩特征空间的分布 Fig.7Distributionofthreetypesofobstaclesinthe2Dwavelet momentfeaturespaces 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1000次,网 络目标误差设定为0.000l,小波网络的动量因子 和学习率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.1Thetrainingconvergencerateoftwotypesofneural networks 表2两种神经网络的分类效果 Tab.2Theclassificationresultsoftwotypesofneuralnetworks 方法坌型兰望兰 耐张线夹防震锤悬垂线夹 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 如?如加 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口平移参数bf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】 【2】 [3】 [4】 patternrecognitionbymomentinvariants[J]. HuMK.Visual— IEEETransactionsonInformationTheory,1962,8(2):179—187. ChenCC.Improvedmomentinvariantsforshapediscrimina— tion[J].PatternRecognition,1993,26(5):683—686. SunYN,LiuWJ,WangYC.Unitedmomentinvariants forshapediscrimination[C]|疆BEEInternationalConferenceon Robotics,IntelligentSystemsandSignalProcessing.Piscat— away,NJ.USA:IEEE.2003:88—93. ShenDG,IpHHS.Discriminativewaveletshapedescriptors forrecognitionof2-Dpatterns[J].PatternRecognition,1999, 32f2):151—165. 【5】OstuN.Athresholdselectionmethodfromgray—levelhis— togram[J].IEEETransactionsonSystems,Man,andCybernet— 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【JJ.武汉大学:理学版,2005,51(5):615— 619. GaoGuorong,LiuRan,YiXuming.Arevisedimageedgede— tectionmethodbasedonwavelet[J].JournalofWuhanUniver— sity:NaturalScienceEdition,2005,51(5):615—619. [7】UnserM,AldroubiA,EdenM.Ontheasymptoticconvergence splinewaveletstoGaborfunctions[J].IEEETransactions ofB— 872. onInformationTheory,1992,38(2):864— [8】边肇祺,张学工.模式识别IM].北京:清华大学出版社, 2000:253—257. BianZhaoqi,ZhangXuegong.Patternrecognition[M].Beijing: TsinghuaUniversityPress,2000:253—257. 【9】DelyonB,JuditskyA,BenvenisteA.Accuracyanalysisfor waveletapproximations[J].IEEETransactionsonNeuralNet— works,1995,6(2):332—348. [10】KarrasDA,MertziosBG.EfficientsegmentationinMRjap— plyingdiscretewavelettransformandtopologypreservingneu— ra1networks[C]//IEEEInternationalWorkshoponImagingSys— temsandTechniques.Piscataway,NJ,USA:IEEE,2005:113— 118. [11】ZhangQH,BenvenisteA.Waveletnetworks[J].IEEETransac— tionsonNeuralNetwo~s,1992,3(6):889—898. [12】ZhaiJH,WangXZ,ZhangSERough—neuralimageclassi— ficationusingwavelettransform[C]//InternationalConference onMachineLearningandCybernetics.Piscataway,NJ,USA: IEEE.2(】07:3045—3050. 【13]DickhausH,HeinrichH.Classifyingbiosignalswithwavelet networks:Amethodfornoninvasivediagnosis[J].IEEEEngi— neeringinMedicineandBiologyMagazine,1996,15(5):103— 111. 作者简介: 缪思怡(1984一),男,硕士.研究领域:机器人控制,模式 识别等. 孙炜(1975一),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(1984一),女,硕士.研究领域:智能机器人,智能 控制等.