使用计算机视觉技术进行电力线检查的技术取得了进步。无人驾驶飞行器 (UAV) 由于成本低、控制理论、机械设计和合适的电源供应方面的进步而受到越来越多的关注和激增。
基于视觉的无人机自主导航是一个复杂的过程，需要较短的计算时间和准确的测量，以便为设备提供合适且安全的控制命令。很明显，无人机导航需要实时测量才能在规定的时间内（至少100 毫秒）产生响应，否则包括故障在内的严重后果可能会影响设备。
已经证明基于视觉的导航方法的电路巡检是可行的，从垂直向下的相机拍摄的图像中分析线条方向是有价值的（见图 1) ，可用于检测电力线并在无人机自主导航时随时纠正航向。
图1 从上到下的电力线图像
在这项工作中，使用了基于机器人操作系统 (ROS) 的环境。开发了一套检测线特征的技术，其中包括 CBS 算法的改编版本，一种获得定义为定向线段直方图 (HOS) 的电力线方向的方法，以及检测电力线的过程。另一个贡献是设计和开发了一个系统，该系统使用开发的技术为电力线跟踪执行基于视觉的机载导航。
CBS算法中，ValidPoint方法负责使用Dx和Dy的值在可能的线方向 [0, 2 π ]范围内搜索，其中属于一条线的点较多。这是使用绘制圆算法通过对称生成点的位置来完成的。NextCircle方法负责在检测到的Dx和Dy的值的同一方向上寻找下一个有效点，以便移动到线的末尾（见图 2）。
图2 CBS算法流程。CBS：基于圆圈的搜索
在这项工作中，使用了一个低成本的六轴平台型 DJI 550 来承载设备（见图 3）。为了实现包括视觉处理和位置控制在内的导航任务，采用了机载配套计算机。我们使用了带有 ARM 处理器的 ODROID U3 计算机和由配套计算机控制的 32 位 Pixhawk 飞行控制器。系统在 linux Ubuntu 14.04 下运行。OpenCV 用于实现计算机视觉算法和 ROS Indigo 以集成机器人平台。
图3 无人机平台和飞行测试。(a) 六轴飞行器，(b) 垂直向下的相机，以及 (c 和 d) 试飞。UAV：无人机。
对于视觉系统，测试了两个 USB 摄像头。运动相机Mobius（配备广角镜头）和ELP工业相机USBFHD01M（见图4（b）).虽然可以获得运动相机的校准参数，但减少径向失真是一个挑战。
为了在图像校正方面获得更好的结果，使用了 ELP 相机。该设备提供适合线检测过程的图像以及允许闭环控制的帧速率。无人机系统由一组相关组件组成，如图4所示. 该系统的主要组成部分是无人机飞行平台、飞行控制器、传感器，包括 GPS、IMU（惯性测量单元，包括三轴磁力计、陀螺仪、加速度计和指南针）、摄像头和运行的机载计算机开发的软件。在该系统中，飞行控制器从机载计算机接收设定值并将传感信息发送给它。视觉传感器（相机）将图像帧发送到机载计算机。
图4 无人机系统
在这项工作中，电力线导航任务中涉及的任务由任务管理器协调（见图 4）。任务管理器通过包括加速度计和 GPS 在内的传感器接收数据。此外，它使用从相机提供的图像中获得的高级信息。开发的视觉模块使用所提出的算法提取的信息是任务管理器中控制的输入。
视觉伺服系统方案如图5所示. 实现了基于图像的视觉伺服。此控件使用在视觉模块中获得的角度。在低层部分，位置控制器接收电力线跟随的参考以保持安全飞行。
图5 控制系统
为了验证所提出的电力线跟踪方法，进行了三次实验。首先，在离线过程中使用来自真实电力线检查的图像。其次，使用运动相机拍摄的视频。第三，使用嵌入式实时系统完成基于所提出算法的电力线跟随自主视觉导航策略。
第一次实验：电力线路巡检数据采集
使用从连续飞行中电力线检查过程的不同角度拍摄的一组图像。在图 6，显示了一些图像。
图6 电力线检查序列中的一些图像
第二次实验：使用运动相机拍摄的视频进行线检测
在这个实验中，一个指向下方的运动相机以手动飞行方式连接到无人机上。为此，CBS 线路检测算法在 2 分钟的视频序列中得到验证。必须使用相机校准工具箱校正帧。将HOS方法应用于主角度检测的运动相机视频的某些帧的结果如图7所示，其中主角度用图像中心的蓝线表示。其余的段用不同的颜色着色，以便相互区分
图7 使用运动相机拍摄的某些帧中的居屋结果。(a) 帧 1、(b) 帧 2、(c) 帧 3 和 (d) 帧 4。HOS：定向段的直方图。
第三次实验：使用车载视觉系统跟踪线条
在本次测试中，展示了不同自主导航任务的结果。图 8显示了在自主导航任务过程中使用数据记录器获取和记录的一些图像。蓝线代表每个图像中检测到的方向。
图8 完成任务后的自主电力线。(a) 起飞，(b) 上升，(c) move_until，(d) 检测，(e-h) 对齐，(i, j) 跟随，(k) 返回，以及 (l) 下降和着陆。
