候恒 郑博 王永豪
国网山西省电力公司输电检修分公司 山西省太原市，030000
摘要：输电线路的巡检业务是电网设施运行保障的重要一环，主要是为了掌握输电线路的运行状况、能够及时发现电网相关设备缺陷和威胁线路安全的问题。目前常见的巡检方式是通过无人机巡检，在巡检过程中采集有限目标的图像，如输电线路及杆塔等，目标物始终在有效视场内，由于无人机巡检是运动的，只有在发现故障或缺陷时，才会悬停飞行，其采集的图像多数为动态图像。这种情况下存在很多无效图像，因此，需要采用图像识别技术，识别出目标图像。
关键词：移动边缘计算；输电线路；巡检
1电网输电线路巡检图像识别方法设计
1.1基于移动边缘计算的图像采集
电网输电线路巡检图像主要通过无人机巡检采集，获得的图像可能存在无用的图像数据，如在某一个巡检位置收集的图像中，出现障碍物将目标遮挡住，对于输电线路巡检图像识别，没有完整的输电线路图像的图片是无用的。针对这种情况，采用移动边缘技术，设计边缘数据处理层，该层在接收输电线路巡检图像数据后，临时保存在云空间，在线识别含有输电线路的图像数据。基于移动边缘计算的图像数据采集和处理过程如图1所示。
每个城市都会有呈规律性的大规模输电线路，将具有高分辨率、高像素且具有网络传输功能的摄像机安装在无人机上，摄像头覆盖前方80 m范围，设置巡检的时间的路线进行巡检，收集输电线路图像数据信息，并实时传送至边缘服务器，同时部分电网工作人员在地面上，通过移动设备传送到边缘服务器。
.png)
边缘服务器与其附近的无人机等移动设备的连接主要通过无线数据链实现，连接完成后即可实现部分服务请求的在线处理，同时临时保存部分输电线路巡检图像数据。其安装位置在密集的输电线路中心。经过处理后，剩余的图像用于后续识别。
1.2输电线路巡检图像预处理
在实际巡检过程中，获得的图像数据中存在模糊、畸变和失真情况，造成图像质量下降，对于识别有较大影响。使用预处理技术，提高图像质量，图像预处理技术主要包括灰度化、亮度均衡、对比度增强以及图像去噪。
在图像中，以RGB表示图像颜色，当R=G=B时为灰度值，采用加权平均法实现图像灰度化处理。根据各个指标的重要性，将RGB三个分量进行加权平均，公式如下:
.png)
式中:
—加权平均后的图像的灰度值;
—图像中的像素点。
在图像采集过程中，由于摄像机曝光等原因，容易出现图像整体或局部过亮或过暗，使得图像亮度不均衡。采用直方图均衡方法均衡图像亮度。获得原始图像变换之后图像的灰度级，统计出图像中不同灰度级的像素个数，计算原始图像直方图为:
式中:
.png)
—图像灰度级的像素个数;
—图像灰度级。
2电网输电线路巡检图像识别方法仿真测试
表1 图像样本数据
.png)
2.1测试准备
测试采用的图像数据为航拍输电线路紫外图像和可见光图像。通过随机选择具有代表性的图像，作为测试样本数据，使用设计的基于移动边缘计算的电网输电线路巡检图像识别方法识别测试样本数据，同时引用传统的基于模糊模式识别的图像识别方法和基于统计分析的识别方法，识别相同的测试样本数据。具体的图像数据如表1所示。
使用表1中的10组输电线路巡检图像作为测试图像，使用不同的识别算法识别并统计识别方法的资源和时间消耗相关数据。
2.2图像识别测试结果及分析
使用SigmaPlot14.0软件统计测试结果。
观察图3中结果，使用模糊模式识别方法获得测试结果1，使用基于统计分析的识别方法获得测试结果2，使用基于移动边缘计算的识别方法获得测试结果3。结果1中显示在识别过程消耗的资源在60～80 %之间，消耗的时间在在40～60 ms之间;结果2显示，识别图像过程中，资源消耗在70～85 %之间，时间消耗在20～40 ms之间，与上一个识别方法相比，时间消耗得到了缩短，但是资源消耗提高了一部分;结果3中显示，识别过程中资源消耗在20%左右，时间消耗基本处于20ms以下，与前两组数据相比，资源上的消耗得到了很大的缩减，且识别时间得到了提高。
综上所述，在电网输电线路巡检图像识别中引入移动边缘计算技术，有效的缩减了识过程中对资源和时间的消耗，设计的基于移动边缘计算的电网输电线路巡检图像识别方法优于传统的识别方法。
3结束语
近年来智能电网发展迅速，输电线路规模越来越大，为了保证输电线路的安全，采用多种手段对输电线路进行巡检，获得巡检图像。将巡检过程中采集的图像作为研究对象，引用移动边缘计算技术，实现电网输电线路巡检图像识别。通过设计的对比测试证明了，图像识别方法中移动边缘计算技术的引用有效的解决了传统识别方法中存在的问题。但是随着研究的深入，部分工作需要进一步展开，测试受到多种条件制约，应开发和构建更完整的测试系统，为进一步研究识别方法的完善和发展创造条件
参考文献
[1]范峥，刘刚.基于机器视觉和改进形态学边缘检测算法的钢球缺陷检测技术研究[J].工具技术，2019，53(9):102-106.
[2]张善文，张晴晴，齐国红.基于Fourier描述子和LBP相结合的植物叶片识别方法[J].江苏农业科学，2019，47(14):273-276.
[3]朱新峰，张智浩，王彦凌.移动边缘计算环境下的动态资源分配策略[J].计算机工程与科学，2019，41(7):1184-1190.
[4]冯月春，陈惠娟.基于机器视觉的激光条形码识别技术研究[J].激光杂志，2019，40(6):98-102.