面向配电网的自适应超分辨率无人机巡检与图像感知策略规划

《Scientific Reports》：Adaptive super-resolution UAV inspection and image perception strategy planning for distribution networks

　　

无人机巡检为监测配电网中地理分散的设备提供了一种灵活手段；然而，有限的分辨率、运动模糊、传输约束以及高精度红外传感器的高成本，可能会降低图像感知质量并削弱后续巡检决策。为解决这些问题，本文提出一种面向配电网的自适应超分辨率无人机巡检与图像感知策略。研究人员建立了基于压缩感知的非盲超分辨率模型，从低成本无人机载传感器获取的退化图像中恢复高分辨率红外信息。所提方法首先采用高斯先验获得稳定的初步去卷积结果，然后通过阈值收缩生成结构标签图像。基于显著设备轮廓、热过渡边界与平滑背景区域之间的差异，自适应地赋予超拉普拉斯先验，以在抑制噪声、振铃和重建伪影的同时保留故障相关细节。进一步引入双先验二次估计机制，自动调节惩罚系数，提高在变化退化条件下的重建稳定性。重建图像随后用于红外–可见光特征匹配与设备感知，为识别疑似热异常、确定巡检目标优先级和规划配电网无人机复巡策略提供更清晰的视觉证据。包含60个合成重建案例和实际拍摄红外图像的实验表明，完整方法平均峰值信噪比（PSNR）达32.41 dB，结构相似性指数（SSIM）为0.914，平均梯度（AG）为7.83，信息熵（IE）为7.21。其平均正确特征点匹配率达到80.72%，显示出对设备判别性结构保持的改善。此外，在165个失配模糊核下，最大性能损失约为3.6%，证实了对中等核估计误差的鲁棒性。这些结果表明，所提策略能够提升无人机红外图像质量，并为配电网自适应巡检规划、异常设备定位和状态导向运维提供可靠的感知基础。

研究背景、问题与意义：随着物联网理念的出现，电力物联网建设的重要目标是实现各类电力设备运行状态的在线监测、分析与评估。红外监测技术可在不停电、不采样、不拆机的情况下快速诊断多数设备故障，因此红外传感器的有效大规模部署是电力物联网建设的关键之一。然而，受设备安装成本、数据传输和存储容量限制，大规模在线监测用红外传感器精度有限，难以达到主流红外成像设备的水平；同时，低成本无人机载传感器所获图像还存在分辨率受限、运动模糊、传输约束等问题，会降低图像感知质量并影响后续巡检决策。超分辨率技术可从单幅或多幅低分辨率图像重建高分辨率图像。多帧超分需要短时间内连续采集多幅图像，对传输和存储压力大，现场难以实现，因此本文聚焦单幅图像超分辨率。单幅超分方法分为插值法、学习法和重建法：插值法简单但易平滑高频细节；学习法依赖训练样本且工况变化需重训；重建法基于图像退化机制并引入贝叶斯先验，灵活且不依赖训练样本，适合电网大规模部署。进一步地，盲超分需联合估计模糊核与图像，计算负担高；非盲超分先估计模糊核再重建，计算灵活。现有非盲方法在重建电力设备红外图像时仍存在振铃、伪影、边缘过平滑等问题，因此需要自适应控制正则化强度的非盲超分辨率模型。该论文发表于《Scientific Reports》。

研究内容与总体结论：研究人员提出一种基于压缩感知的非盲超分辨率模型，并设计了双先验二次估计机制来调节正则化强度。首先以高斯先验进行初次重建，获得稳定的初步去卷积图像；然后通过滤波器组提取多方向边缘，经阈值收缩和形态学处理生成结构标签图像；再次重建时，根据标签图像对显著设备轮廓、热过渡边界和平滑背景区域分配不同的超拉普拉斯先验强度，从而在抑制噪声、振铃和重建伪影的同时保留故障相关细节。实验包含60个合成重建案例和10幅实际拍摄红外图像，完整方法平均PSNR 32.41 dB、SSIM 0.914、AG 7.83、IE 7.21，平均正确特征点匹配率80.72%；在165个失配模糊核下最大性能损失约3.6%。结果表明，所提策略能有效提升无人机红外图像质量，为配电网自适应巡检规划、异常设备定位和状态运维提供可靠的感知基础。

关键方法：样本来源为10幅高分辨率电力设备红外图像与6个各向异性高斯模糊核卷积后经双三次下采样生成的60个合成低分辨率测试案例，以及10幅实际拍摄的配电网设备低分辨率红外图像。主要关键技术包括：①基于压缩感知的非盲超分辨率建模，采用Daubechies-8小波稀疏基；②高斯先验初次重建，获得稳定初步图像；③滤波器组提取多方向边缘，经阈值收缩、二值化和形态学处理生成结构标签图像；④按标签图像对边缘区与平滑区自适应分配超拉普拉斯正则化强度；⑤采用半二次分裂、快速傅里叶变换和查表法交替求解模型；⑥用红外–可见光图像特征点匹配评估重建图像的实际应用性能。

研究结果：合成红外图像重建实验方面，在60个合成案例中，完整方法平均PSNR 32.41 dB、SSIM 0.914；与SRCNN相比PSNR提升2.37 dB、SSIM提升0.062，与FSRCNN相比PSNR提升1.85 dB、SSIM提升0.045。视觉比较显示，所提方法重建的图像边缘轮廓最清晰，内部纹理更完整，平滑区域也更均匀。实际拍摄红外图像重建实验方面，对10幅实际拍摄低分辨率红外图像，先用已有方法估计模糊核再重建，并采用AG和IE进行无参考评价。所提方法在所有图像上的AG和IE均明显优于Keys、Glasner、Dong、Zhao等方法，与主观视觉评价一致。红外图像识别性能验证方面，以红外–可见光图像特征点匹配作为典型应用场景，采用已有识别算法进行验证。重建图像经所提方法处理后，提取到的特征点数量更多，正确识别率更高；完整方法平均正确匹配率为80.72%，高于SRCNN的73.84%和FSRCNN的75.96%，说明重建图像更好地保留了设备判别性结构。影响不同模糊验证算法性能的因素分析方面，在165个失配模糊核实验中，采用归一化平均核相似度（AKS）衡量输入核与真实核的偏差。所提方法在AKS低于约0.38时才出现明显性能下降，而对比方法在低于0.6时已明显下降；最大性能损失仅约3.6%，表明对中等模糊核估计误差具有鲁棒性。对高斯先验尺度参数和标签生成阈值的敏感性分析表明，σ=0.3、ε=0.25时可在抑制模糊残差与保留弱热边缘之间取得最佳平衡。

讨论与结论：讨论部分指出，当前方法仍属非盲超分，依赖预先估计的模糊核；极弱或低对比度的热边缘可能因第一阶段高斯先验平滑而部分丢失，造成局部过平滑；参数设置在不同红外传感器和严重噪声条件下可能需调整；迭代优化和惩罚参数更新带来计算负担，限制在资源受限设备上的实时实现；数据集覆盖的设备类型和退化模式有限。未来工作将结合盲/半盲核估计、多尺度与置信度加权的标签生成机制、数据驱动参数自适应，并研究高效求解器与轻量化部署。研究结论可归纳为：第一，针对电力设备红外图像模糊和低分辨率问题，提出基于压缩感知理论和正则化强度系数自适应控制的非盲超分辨率算法，能抑制重建图像中的伪影和振铃；第二，合成与实际模糊低分辨率红外图像重建实验验证了该方法的性能优势；第三，该算法能更有效提高图像边缘和轮廓清晰度，丰富细节纹理信息；第四，重建图像提取的特征点数量与正确识别率均显著提高，从而提升后续智能算法进行故障诊断的准确性。