熊力穎，徐銘海，古渝濤，張銘洋

（西南交通大學(xué)電氣工程學(xué)院，四川成都 611756）

架空輸電線路由于長時間暴露在外，容易在雷擊、沙塵暴、極寒天氣等諸多惡劣環(huán)境下發(fā)生損壞，進而嚴重影響線路的壽命和安全[1-3]。因此，對絕緣子缺陷的檢測是保證輸電線路穩(wěn)定安全運行的關(guān)鍵。以人工巡線方式進行檢測易受主觀、環(huán)境等多種因素影響[4-7]。同時，絕緣子檢測面臨著輸電線路長、檢測環(huán)境惡劣等諸多問題，大大提高了人工檢測成本。在此背景下產(chǎn)生了借助紫外線設(shè)備[8]、計算機視覺[9]、激光檢測[10]等絕緣子缺陷檢測方法。隨著電網(wǎng)智能化和計算機技術(shù)的發(fā)展，利用無人機進行線路巡檢已成為研究熱點[11]。

因此，文中基于Matlab GUI構(gòu)建出一套絕緣子缺陷檢測系統(tǒng)。該系統(tǒng)利用圖像識別技術(shù)對無人機拍攝圖像進行處理，輔助工作人員進行絕緣子缺陷的識別。

1 系統(tǒng)總體設(shè)計

系統(tǒng)利用無人機進行絕緣子的圖像采集以提高效率，解決了地理環(huán)境惡劣導(dǎo)致人工圖像采集困難的問題。為保證圖像識別的準確性，無人機應(yīng)滿足像素高、待機時間長、機械性能好等要求。系統(tǒng)采用大疆公司生產(chǎn)的“御Mavic2”專業(yè)版無人機，其相機采用了2 000 萬有效像素作為影像傳感器，鏡頭視角77°，等效焦距為28 mm，飛行器展開尺寸為322 mm×242 mm×84 mm，質(zhì)量為907 g，最大飛行高度達到6 000 m，懸停時長為29 min，可承受5 級風(fēng)力，在-10～40 ℃的環(huán)境中運行。

系統(tǒng)包括圖像預(yù)處理、二值圖像處理及缺陷定位三大部分。圖像預(yù)處理包括無人機采集圖像、邊緣模糊、灰度化及全局膨脹；二值圖像處理包括目標邊緣檢測、全局腐蝕、形態(tài)學(xué)閉運算及去除小面積干擾；缺陷定位包括目標定位算法和識別結(jié)果顯示。整體框架圖1所示。該系統(tǒng)能夠直接對無人機采集的絕緣子圖像進行批量處理，排除噪聲干擾，實現(xiàn)絕緣子缺陷的準確與快速識別，避免人工識別的主觀性錯誤，便捷工程運用。

圖1 系統(tǒng)絕緣子缺陷識別流程

系統(tǒng)首先需要選擇圖像，根據(jù)是否有圖像數(shù)據(jù)輸入到[fn，pn]中進行判斷，若無則給出提示。在讀取到圖像數(shù)據(jù)后，對數(shù)據(jù)進行記錄，便于后續(xù)算法對數(shù)據(jù)進行提取并處理。識別模式分為單步檢測和分步檢測兩種方式。前者直接得到最終的缺陷檢測結(jié)果，后者可以認為控制檢測的步驟并得到相應(yīng)的圖像處理結(jié)果，每一步均有操作說明文檔。兩種方式只存在步驟的差別，對同一圖像的識別結(jié)果相同。系統(tǒng)主界面如圖2 所示。

圖2 絕緣子缺陷檢測系統(tǒng)主界面

2 各模塊算法設(shè)計及實現(xiàn)

2.1 邊緣模糊模塊

絕大多數(shù)絕緣子圖像是從室外采集的，這導(dǎo)致圖像中除絕緣子外的其他環(huán)境區(qū)域具有極大的對比度[12]。因此，系統(tǒng)通過邊緣模糊降低圖像邊緣對比度，提高識別精度。首先使用PSF=fspecial(′gaussian′,220,220)生成高斯低通濾波器矩陣，以創(chuàng)建PSF 矩陣，然后使用I0=edgetaper(img,PSF)對圖像進行邊緣模糊。

2.2 灰度化模塊

無人機在采集圖片時會受到機械振動、線路電磁干擾、環(huán)境光照變化等多種影響。因此，圖像經(jīng)邊緣模糊后，再進行灰度化處理，有利于進一步去除圖像冗余數(shù)據(jù)，加快特征信息的處理速度。根據(jù)現(xiàn)有常用的灰度化處理方法——Gooch 加權(quán)平均法[13]，將圖像中的所有元素按照相同的規(guī)則進行灰度處理，對R、G、B三個分量按照式（1）進行加權(quán)計算。使用rgb2gray(I0)操作可實現(xiàn)圖像的灰度化處理。

2.3 全局膨脹模塊

為進一步降低絕緣子以外區(qū)域的環(huán)境對比度，需要對圖像進行全局膨脹，進而增大圖像中各區(qū)域元素的面積。確定一個由像素組成的形狀元素和獨立參考點，利用該形狀元素遍歷圖像，確定形狀元素覆蓋區(qū)域的最大值，將其賦值給參考點所在的像素位置，公式表達如下：

區(qū)域元素面積的增大使得相鄰區(qū)域元素的連通性增強，從而減小各獨立區(qū)域元素間的對比度。首先使用be=strel(′ball′,5,5)操作創(chuàng)建球型半徑為5、高度為5 的結(jié)構(gòu)元素；接著使用bw=imdilate(I1,be)操作對圖像進行全局膨脹操作。

2.4 目標邊緣檢測模塊

圖像的邊緣是獲取圖像數(shù)據(jù)極為重要的范圍之一，對圖像進行邊緣處理能有效提高圖像特征的獲取。常見的邊緣處理方法有基于形態(tài)學(xué)的邊緣檢測算法[14]、邊緣檢測濾波處理技術(shù)[15]。Matlab 中最常見的邊緣處理算子包括Roberts、Prewitt、Sobel、Laplacian算子等?？紤]到灰度化和全局膨脹后圖像的噪聲得到減小，同時絕緣子具有較強的垂直或斜向邊緣，采用Roberts 算子進行邊緣檢測。

分別使用p=edge(bw,′roberts′,0.15)及edge_canny=bwperim(p,8)操作對預(yù)處理圖像進行邊緣檢測，即勾勒預(yù)處理圖像高對比度區(qū)域包括絕緣子的圖像邊界。為突出絕緣子缺陷部位，每個模塊操作后均使用imcomplement()函數(shù)對圖像進行黑白對調(diào)。處理效果如圖3 所示。

圖3 目標邊緣檢測效果

2.5 全局腐蝕模塊

經(jīng)過上述操作處理后的圖像包含絕緣子的主要高對比度區(qū)域與部分其他高對比度區(qū)域，因此采用全局腐蝕對圖像進行降噪。腐蝕操作與膨脹操作相反，將形狀元素覆蓋區(qū)域的最小值賦值給參考點，表示如下：

經(jīng)過全局腐蝕后的圖像會根據(jù)形狀元素相應(yīng)地縮小，從而達到消除噪聲、斷開圖像中物體粘連的效果和區(qū)分不同對比度圖像區(qū)域的效果。I2=imerode(edge_canny,se)操作可實現(xiàn)二值圖像的全局腐蝕，縮小部分高對比度區(qū)域。處理效果如圖4 所示。

圖4 全局腐蝕效果

2.6 形態(tài)學(xué)閉運算模塊

從圖4 可以看出，圖像經(jīng)全局腐蝕后雖然增強了絕緣子缺陷的有效特征、減小了噪聲，但也導(dǎo)致了絕緣子輪廓出現(xiàn)部分斷裂。這種斷裂可能導(dǎo)致后期缺陷識別與定位錯誤的產(chǎn)生。因此，利用形態(tài)學(xué)閉運算連接相鄰的兩個分離目標，從而達到恢復(fù)圖像輪廓特征的目的[16]。

使用ce=strel(′rectangle′,[25,25])與I3=imclose(I2,ce)進行形態(tài)學(xué)閉運算，膨脹二值圖像輪廓，使絕緣子輪廓與小面積噪聲區(qū)域的二值圖像面積增大，從而加大兩者間面積的差距。處理效果如圖5所示。

圖5 形態(tài)學(xué)閉運算效果

2.7 去除小面積干擾模塊

不論是絕緣子的缺陷還是污閃，在形態(tài)學(xué)閉運算處理后均在缺陷處出現(xiàn)高對比度的聚集形狀，而邊緣出現(xiàn)的線條輪廓可能影響識別精度。因此，使用I4=bwareaopen(I3,100)操作移除膨脹后圖像中的小面積目標，僅保留二值圖像中面積較大的絕緣子部分圖像，從而達到去除小面積目標的干擾、清除背景噪聲的目的[17]。處理效果如圖6 所示。

圖6 去除小面積干擾效果

2.8 缺陷識別與定位模塊

在完成上述操作后，進行絕緣子缺陷的識別與定位。根據(jù)原圖像中的目標定位算法，在檢測到絕緣子缺陷位置的基礎(chǔ)上，對缺陷部分進行局部放大從定位。算法中定義了一個行向量與一個列向量，并用這兩個向量分別遍歷圖像的行與列，在向量循環(huán)到值發(fā)生變化時標記該點的行與列坐標，從而得到缺陷部位原圖像中的相對位置，并對其進行局部放大。污閃及缺損絕緣子的缺陷識別與定位效果分別如圖7、圖8 所示。

圖7 污閃絕緣子的缺陷識別與定位效果

圖8 缺損絕緣子的缺陷識別與定位效果

3 實驗結(jié)果

系統(tǒng)對不同絕緣子拍攝空間形態(tài)進行了識別和統(tǒng)計，結(jié)果如表1 所示。

表1 絕緣子缺陷識別統(tǒng)計結(jié)果

由表1 得出，在絕緣子處于水平、垂直和傾斜狀態(tài)的圖像中，利用該系統(tǒng)進行的缺陷識別正確率均在80%及以上，證明了系統(tǒng)在應(yīng)用中的可行性。

4 結(jié)論

文中結(jié)合智能電網(wǎng)發(fā)展趨勢下，無人機巡檢在輸電線路絕緣子圖像采集的優(yōu)勢，建立了一套基于Matlab GUI 的絕緣子缺陷檢測系統(tǒng)。該系統(tǒng)能夠識別并定位絕緣子污閃及缺陷部分，具有一定的應(yīng)用價值。系統(tǒng)對無人機獲取的絕緣子圖像進行缺陷識別定位，相較與人工巡檢的缺陷檢測方式提高了識別效率與精度，降低了檢測成本；相較于基于深度學(xué)習(xí)[18-19]和基于卷積神經(jīng)網(wǎng)絡(luò)的[20-21]絕緣子缺陷檢測方法，能有效降低計算復(fù)雜度，提高檢測效率。

文中不足之處主要在于樣本數(shù)較少、統(tǒng)計數(shù)據(jù)缺乏全面性，后續(xù)研究將進一步優(yōu)化系統(tǒng)進行更完善的圖像檢測識別。