汪博文，楊昌建，汪峰，楊傳凱，寇宗祥，杜建超，4

(1.國網(wǎng)陜西省電力有限公司安康供電公司，陜西 安康 725000; 2.國網(wǎng)陜西省電力有限公司電力科學研究院，西安 710100; 3.西安電子科技大學通信工程學院，西安 710071; 4.西安電子科技大學廣州研究院，廣州 510555)

0 引言

室溫硫化硅橡膠( RTV) 因為具有出色的憎水性［1］以及持久的憎水遷移性［2］，且能很好地兼顧多種類型絕緣子的機械和絕緣性能，被廣泛涂敷于絕緣子表面以防止絕緣子發(fā)生污閃現(xiàn)象。長期運行在野外環(huán)境中將使絕緣子RTV 涂層發(fā)生老化或污損現(xiàn)象，失去原有的正常功能。!當前一些研究試圖通過利用無人機掛載機械臂對RTV 涂層實施在線噴涂，以延長其使用壽命，降低運維成本。在進行噴涂的過程中，需要對噴涂效果進行評估，并指導噴涂工作達到技術(shù)要求。

傳統(tǒng)針對絕緣子RTV 噴涂質(zhì)量的評估模式多為侵入型檢測評估［3］，即通過刀片切割，手工剝離涂料等方式，實現(xiàn)對絕緣子表面厚度或者附著力的評估。還有一些無損檢測技術(shù)利用傅里葉紅外光譜分析、激光誘導光譜、微波超聲及脈沖熱流遠場［4-6］等方式對RTV涂層的厚度分布和材料狀態(tài)進行評價。這類檢測方式較為復雜，均無法應用于在線噴涂場景。

近年來，基于深度學習的圖像處理技術(shù)被廣泛應用于絕緣子設備運維檢修領域。文獻［7］使用U-Net 網(wǎng)絡框架對絕緣子進行分割和檢測，文獻［8］結(jié)合生成對抗網(wǎng)絡來增強U-Net 在絕緣子分割中的性能，文獻［9］在分割出絕緣子的基礎上利用R-CNN 網(wǎng)絡檢測絕緣子自身缺陷。這些方法具有魯棒性好、準確度高的特點［10］。無人機在線噴涂RTV 時，絕緣子RTV 涂層的外表狀況是評價噴涂質(zhì)量的主要依據(jù)。采集噴涂圖像，利用圖像處理技術(shù)提取絕緣子RTV 噴涂缺陷，分析缺陷的特征信息，能夠形成對噴涂效果的有效評價。

基于此，文章提出一種基于深度學習的無人機在線噴涂絕緣子RTV 質(zhì)量評價方法，構(gòu)建分類模型對噴涂表面的堆積、拉絲、噴涂不均勻等缺陷進行分塊檢測，按照各類缺陷所占的面積比例，結(jié)合模糊評價手段來生成評定分數(shù)，完成噴涂質(zhì)量的評價。

1 絕緣子RTV 噴涂區(qū)域提取

通常所采集的絕緣子圖像具有復雜的背景，易對缺陷檢測和質(zhì)量評價造成干擾，因此首先從背景圖像中提取出絕緣子RTV 噴涂區(qū)域。以完全卷積網(wǎng)絡( FCN) 為基礎架構(gòu)的Deeplabv3+網(wǎng)絡，是一種深度卷積神經(jīng)網(wǎng)絡模型，能夠提取目標的深度特征信息，適應復雜多變的場景，具備很好的語義分割性能。

基于Deeplabv3+網(wǎng)絡構(gòu)建絕緣子RTV 噴涂區(qū)域提取模型，如圖1 所示。

模型由編碼器和解碼器結(jié)構(gòu)組成［11］，在編碼器部分，連續(xù)卷積的池化操作可以降低數(shù)據(jù)維度，減少運算的復雜度，但是隨著輸入圖像特征圖尺寸的減小，空間分辨率降低，會損失一部分額外的信息。因此，在編碼器階段引入了空洞卷積( Atrous Convolution) ，空洞卷積可以將特征圖中單個像素的感受視野增大，保證在特征圖尺寸減少的情況下依然保持信息不變，從而精確定位目標。在編碼器與解碼器的連接部分，使用空洞空間卷積池化金字塔( ASPP) 結(jié)構(gòu)［12-13］，對解碼器壓縮過后的預處理特征層并行使用不同步率的空洞卷積進行特征提取，最后利用1 ×1 的卷積壓縮特征，然后將多個通道的特征進行合并，融合多尺度特征，最終得到一個有效特征層。在解碼器部分，將ASPP 處理過后有效特征層和編碼器處理過后的有效特征層進行尺寸維數(shù)統(tǒng)一然后在通道維度合并，用連續(xù)的上采樣和深度可分離卷積得到最終的絕緣子RTV 噴涂區(qū)域提取結(jié)果。經(jīng)過本網(wǎng)絡處理后，圖像中僅保留絕緣子RTV 噴涂區(qū)域，其它背景其余均置為黑色，像素灰度值為0。

2 絕緣子RTV 噴涂缺陷檢測

2.1 RTV 噴涂缺陷分析

RTV 材料［14-15］是一種觸變性流體，存在屈服值和粘度，當屈服值過高，粘度增大，會使得涂料的流動性變差從而形成堆積;在噴涂過程中，粘性涂料需要一定的時間風干，自然環(huán)境引發(fā)的風沙流動會讓雜質(zhì)附著在絕緣子RTV 涂層表面;而噴涂工藝所包括的噴涂角度和時間的差異以及絕緣子表面局部材料吸附能力的不同會使得表面涂層厚度不均勻甚至覆蓋不完全;當RTV 液體的粘度過低或是涂料質(zhì)量過大時，RTV 涂料會在絕緣子傘裙之間拉絲和滴連。結(jié)合實際噴涂情況，將RTV涂層可能出現(xiàn)的所有缺陷劃分為四類:堆積缺陷、有雜質(zhì)缺陷、不均勻缺陷、傘裙間拉絲缺陷見圖2。

圖2 四種缺陷種類示意圖Fig.2 Schematic diagram of the four types of defects

2.2 基于矩形網(wǎng)格劃分的RTV 噴涂缺陷檢測

為了評估絕緣子RTV 噴涂質(zhì)量，需要檢測出絕緣子表面各種噴涂缺陷并計算出缺陷所占的面積比例。由于噴涂缺陷形狀多樣以及前景與背景間的差異較小，采用語義分割的方法時存在檢測速度較慢、需要大量標記數(shù)據(jù)和檢測準確率較低等問題［16］。因此，提出一種基于矩形網(wǎng)格劃分的噴涂缺陷分類模型，將絕緣子RTV 噴涂區(qū)域提取后的圖像進行矩形網(wǎng)格劃分，得到互不重疊的子圖像塊，通過構(gòu)建的圖像分類網(wǎng)絡對子圖像塊進行分類，最終經(jīng)過合并計算即可得到每類缺陷所占比例。

首先，將絕緣子RTV 噴涂區(qū)域提取后的圖像劃分為S×S個互不重疊的子圖像塊。S的選取與原始圖像的分辨率有關(guān)，其取值決定了子圖像塊的大小，從而影響分類的精確程度。S越小，子圖像塊就越大，其對于缺陷的分類就越模糊，S越大，子圖像塊就越小，其對于缺陷的分類就越精細，但S過大的話，子圖像塊被劃分的很小，使得不同類別的子塊之間區(qū)分度下降，導致分類的準確性不升反降。如圖3 所示，上圖中S設置為下圖的2 倍。在圖中，兩個框網(wǎng)格均檢測為不均勻缺陷類別，而在下圖中，對應的8 個小網(wǎng)格檢測為不均勻，堆積，雜質(zhì)，拉絲以及背景等5 種不同類別。

圖3 絕緣子RTV 噴涂區(qū)域圖像網(wǎng)格劃分Fig.3 Mesh segmentation for the insulator RTV spraying area image

因此，必須結(jié)合實際應用給S設置合適的大小。當圖像的寬、高不能被S整除時，可以先對圖像邊緣進行置0 填充，使其達到能夠整除的分辨率再進行劃分。

其次，網(wǎng)格劃分以后，采用圖像分類網(wǎng)絡對每個圖像塊進行分類?；? 種缺陷類別，以及1 種無缺陷類別和1 種黑色背景類別構(gòu)成分類樣本，并基于Transformer 架構(gòu)并結(jié)合輕量化的CNN 模型來構(gòu)建子圖像塊的分類網(wǎng)絡。Transformer 網(wǎng)絡［17-18］能夠有效建模輸入圖像像素之間的語義信息，提高缺陷分類的表現(xiàn)，但是模型參數(shù)量較大，需要更豐富的數(shù)據(jù)集用來收斂訓練以及更高效的計算性能應對推理過程，而結(jié)合CNN 的輕量化架構(gòu)很好地平衡了性能和效率，可以更好地應用于實際需求。

如圖4 所示，所構(gòu)建的網(wǎng)絡結(jié)構(gòu)由包含Transformer 結(jié)構(gòu)的Mobile-vit 層、反向殘差層、普通卷積層、全局池化層以及全連接層。輸入的圖像經(jīng)過反向殘差層進行維度降低，能在維度降低的同時更好地保存特征圖中的語義信息。再通過MobileVit 模塊進行全局信息建模，首先將特征圖通過一個卷積核大小為3 ×3 的卷積層進行局部的特征建模，然后通過Transformer 結(jié)構(gòu)進行全局語義信息獲取。之后，其跨越連接分支與原始輸入特征圖進行拼接，最后通過一個全連接層得出預測結(jié)果輸出。

圖4 基于Transformer 和CNN 的圖像塊分類網(wǎng)絡模型Fig.4 Image block classification network model based on Transformer and CNN

最后，統(tǒng)計每一類子圖像塊的數(shù)量占據(jù)全部子圖像塊數(shù)量的比例，就可得到每類缺陷所占的面積比。

3 基于模糊評價的絕緣子RTV 噴涂質(zhì)量評價

由絕緣子的性能分析可知，不同缺陷類型對RTV涂層防污閃能力的影響各有不同［19］，對噴涂質(zhì)量評價的影響也不是簡單的線性組合。模糊評價方法［20-21］是一種非線性擬合方法，通過模糊線性變換和最大隸屬度原則，將與被評價事物相關(guān)的各個因素綜合考慮，進行非線性變換，最后給出評價分數(shù)。模糊評價方法給出的評價結(jié)果往往更能與人的主觀感受相一致。因此基于模糊評價原理，文中提出絕緣子RTV 噴涂質(zhì)量的評價方法。

首先，根據(jù)國網(wǎng)陜西電力科學研究院提供的巡檢技術(shù)規(guī)范要求，確立缺陷等級劃分標準。表1 給出了四種噴涂質(zhì)量等級比例標準，表1 中的數(shù)值表示每類缺陷在絕緣子表面圖像中的最大面積占比。

表1 RTV 噴涂質(zhì)量等級比例標準表Tab.1 Scale of RTV spraying quality grades

其次，按照模糊評價中的主客觀賦權(quán)法［22］，依據(jù)專家打分和噴涂實驗數(shù)據(jù)設定不同絕緣子缺陷類型對RTV 涂層防污閃能力的初始影響權(quán)重集合A:

式中a1～a4分別代表四類缺陷:堆積缺陷、有雜質(zhì)缺陷、不均勻缺陷和拉絲缺陷對最終結(jié)果的重要程度。并且，當某種缺陷類型面積占比達到RTV 噴涂質(zhì)量等級比例標準表的IV 級指標時，動態(tài)膨脹該缺陷對應的權(quán)重，膨脹系數(shù)設置為3，即更新該缺陷對應的權(quán)重為:ai×3。

然后，根據(jù)RTV 噴涂質(zhì)量等級比例標準表進行標準化處理。隸屬度函數(shù)形式由梯形分布函數(shù)確定，具體表示為:

式中αij為第i類缺陷對應RTV 缺損等級為j(1≤j≤4) 時的標準占比;xi為第i類缺陷占絕緣子RTV 噴涂區(qū)域的比例。

基于式(1) ～式(4) 生成的隸屬度函數(shù)，得到模糊判斷矩陣R:

在此基礎上，結(jié)合權(quán)重集合A 計算得到質(zhì)量等級概率分布向量y，計算方法如式(6) 所示:

其中，y1～y4分別代表四種質(zhì)量等級的概率分量。

將向量y 經(jīng)過softmax 函數(shù)［23］進行處理，這是一種基于指數(shù)函數(shù)的歸一化操作，得到歸一化概率分布［s1，s2，s3，s4］。

最后，將歸一化概率分布［s1，s2，s3，s4］作為權(quán)值與得分向量b =［b1，b2，b3，b4］進行融合，得到質(zhì)量評價結(jié)果分數(shù)res，計算方法如式(8) 所示:

式中得分向量b 是為質(zhì)量等級預先設定的等級分。基于百分制經(jīng)驗，將得分向量b 的值設置為［100，85，60，30］。

結(jié)果分數(shù)res≥85 分，認為絕緣子RTV 噴涂質(zhì)量較好，可以維持正常絕緣子的電氣功能;結(jié)果分數(shù)85 ＞res＞60 分，可以認為該絕緣子噴涂質(zhì)量存在問題，需要二次噴涂;結(jié)果分數(shù)res＜60 分，則認為不僅僅需要二次噴涂，且需要重新調(diào)整涂料質(zhì)量或噴涂工藝，對噴涂流程進行優(yōu)化改進。

4 實驗結(jié)果

通過實驗驗證所提出的絕緣子RTV 涂層噴涂質(zhì)量評價方法的效性。實驗在Ubuntu 系統(tǒng)下，使用基于pytorch1.10.0 的深度學習框架搭建網(wǎng)絡，GPU 型號為NVIDIA Geforce GTX 2080 Ti。所有數(shù)據(jù)來自于國網(wǎng)陜西電力科學研究院提供的噴涂實拍圖像。

在數(shù)據(jù)集上分別進行三個實驗:1) 絕緣子RTV 噴涂區(qū)域分割實驗;2) 絕緣子RTV 噴涂缺陷分類實驗;3) 絕緣子RTV 涂層噴涂質(zhì)量評價實驗。

4.1 絕緣子RTV 噴涂區(qū)域分割實驗

實驗選用1260 張絕緣子噴涂圖像，將其中840 張作為訓練集進行特征學習和模型收斂，210 張作為驗證集在訓練中輔助確定網(wǎng)絡結(jié)構(gòu)以及訓練超參數(shù)的調(diào)整，210 張作為測試集評估模型的分割性能。采用平均交并比(mIoU) 、精確度(Precision) 、召回率(Recall) 和平均像素準確率(mPA) 來評價Deeplabv3 +網(wǎng)絡對絕緣子RTV 噴涂區(qū)域分割效果的評價，具體表達式為:

其中TP、FN、FP、TN分別代表真陽性，假陰性，假陽性以及真陽性的像素點數(shù)量。如表2 所示，絕緣子噴涂區(qū)域與背景之間分割的MIoU可以達到98.34%，同時精度、召回率和平均像素準確率均達到99%以上的水平。這是因為空間金字塔池化( Spatial Pyramid Pooling) 層和Xception 模塊具有多尺度分析的能力，能夠?qū)崿F(xiàn)更好的特征提取和分割精度。圖5 展示了分割效果，可以看出。模型非常準確地實現(xiàn)了噴涂區(qū)域的提取任務。

表2 絕緣子RTV 噴涂區(qū)域分割實驗結(jié)果Tab.2 Insulator RTV spraying area segmentationexperimental results

圖5 絕緣子噴涂區(qū)域分割實驗結(jié)果圖Fig.5 Diagram of insulator spraying segmentation experimental results

4.2 絕緣子RTV 噴涂缺陷分類實驗

采用2.2 節(jié)中的網(wǎng)格劃分方法，將絕緣子噴涂區(qū)域的分割結(jié)果圖像劃分為子圖像塊。實驗中，針對分辨率為1920 ×1080 的圖像，劃分時參數(shù)S的大小設置為10，經(jīng)驗證該尺寸對缺陷的檢測效率是最高的。然后，從子圖像塊中去除過于相似的冗余塊，挑選出2000張圖像塊構(gòu)成訓練分類模型所用的數(shù)據(jù)集。

實驗中詳細對比了Swin-Transformer、ResNet 以及文中方法在參數(shù)量，計算量以及分類準確度上的表現(xiàn)，實驗結(jié)果如表3 所示。

表3 噴涂缺陷分類模型對比實驗結(jié)果Tab.3 Comparative experimental results of spraying defect classification models

可以看出，Swin-Transformer 模型［24］需要大量的計算資源，但通過圖像序列化以及多頭注意力機制使其可以更好地捕捉圖像的不同尺度特征，從而提高了分類的準確性。

傳統(tǒng)CNN 網(wǎng)絡( ResNet)［25-26］在計算復雜度方面比Transformer 模型更加高效，適用于資源受限的環(huán)境。文中構(gòu)建的Mobile-Vit 分類網(wǎng)絡通過融合上述兩種模型，使其在具有更強的全局和局部感知能力的同時保持了低計算復雜度和空間結(jié)構(gòu)的優(yōu)勢，能出色地完成缺陷分類任務。圖像塊分類以后，統(tǒng)計RTV 噴涂區(qū)域不同缺陷類別的圖像塊的數(shù)量，計算出不同缺陷所占RTV 總噴涂區(qū)域的比例。圖6 展示了圖像塊分類和缺陷比例統(tǒng)計結(jié)果。

圖6 絕緣子RTV 噴涂缺陷分類實驗結(jié)果圖Fig.6 Diagram of insulator RTV spraying defect classification experimental result

4.3 絕緣子RTV 噴涂質(zhì)量評價實驗

實驗中，分別對20 張噴涂結(jié)果優(yōu)良無需二次噴涂的絕緣子樣本、50 張噴涂結(jié)果較差需要二次噴涂的絕緣子樣本以及50 張噴涂結(jié)果很差且需要額外改善噴涂工藝流程的絕緣子樣本，進行了評定和打分，統(tǒng)計結(jié)果如表4 所示( 表4 中的向上誤判率表示質(zhì)量問題更加嚴重的類別被誤判為較輕情況的比例) 。由實驗結(jié)果可以看出，文中所提方法對不同噴涂質(zhì)量絕緣子樣本的評定正確率高于90%。同時，不同類別條件下的向上誤判率［27］低于2%，這說明模糊評價法能夠考慮四種噴涂缺陷間的相互關(guān)系，因此可以更準確地反映實際應用的需求。同時兼顧噴涂質(zhì)量評價中質(zhì)量邊界劃分模糊所帶來的不確定性，從而更好地反映評價者的主觀態(tài)度。

表4 質(zhì)量評價實驗統(tǒng)計結(jié)果Tab.4 Experiment statistical results of quality evolution

圖7 展示了評價效果圖，可以看出，噴涂優(yōu)秀的絕緣子能夠得到85 分以上的分數(shù)，噴涂中等的絕緣子可以得到60 分以上的分數(shù)，而噴涂工藝所導致的嚴重噴涂問題絕緣子會被打分至60 分以下，評估結(jié)果符合人眼主觀感受的結(jié)果。

圖7 絕緣子噴涂質(zhì)量評價結(jié)果Fig.7 Insulator spraying quality evaluation result

5 結(jié)束語

提出了一種無人機在線噴涂絕緣子RTV 質(zhì)量評價方法。通過深度學習模型分割絕緣子RTV 噴涂區(qū)域并對其中的噴涂缺陷進行檢測，然后采用模糊評價法對噴涂質(zhì)量進行評定。所提方法具有良好的性能，滿足絕緣子RTV 在線噴涂的應用需求。今后可以通過輕量化設計來優(yōu)化網(wǎng)絡模型，提高算法速度，同時在數(shù)據(jù)預處理和網(wǎng)絡訓練階段結(jié)合自監(jiān)督策略，減少對原始數(shù)據(jù)集的依賴，進一步提升方法的魯棒性和泛化性能。