基于圖像識別的10 kV電纜接頭施工缺陷算法應用研究

薛藝為，黨衛軍，孫奇珍，霍建彬，方春華

（1.廣州電力公司黃埔局，廣州 510700；2.三峽大學，湖北宜昌 443000）

引言

10 kV電力電纜中間接頭施工缺陷識別的研究是通過識別裝置獲取中間接頭施工過程中的圖片，對中間接頭圖像進行處理，提取感興趣區域，通過得到的不同缺陷在圖像中的特征，最終根據這些特征對施工過程中出現的缺陷進行判定，識別電纜中間接頭施工過程中所出現的缺陷。

本研究針對主絕緣上的污漬與劃傷缺陷，提取缺陷區域的灰度色差與紋理特征，通過分析缺陷區域的特點，發現兩種缺陷區域的特征量存在一定的差異，提出基于神經網絡識別主絕緣缺陷的方法。分析了外半導電層的顏色與紋理特征，針對外半導電層剝離不齊這一典型缺陷，提出了采用矩形度進行缺陷判定的方法。針對實際拍攝的電力電纜中間接頭圖像，研究了各組成部分的分割方法以及分割后各部分的缺陷檢測。

1 主絕緣典型施工缺陷識別

1.1 主絕緣污漬色差特征

在實際施工過程中，主絕緣上常粘有污漬或雜質，色彩與主絕緣相差較大，其灰度特征較為突出。分離電纜中間接頭背景后提取主絕緣區域圖像。若圖像中只有主絕緣部分，其灰度特征單一，其變化通常具有連續性，通過投影法能夠有效表現出其表面是否存在污漬。主絕緣污染區域如圖1和表1所示。

圖1 主絕緣污染區域圖像

表1 缺陷區域灰度與主絕緣灰度

2.2 主絕緣劃傷紋理特征

主絕緣劃傷缺陷不同于污漬，主絕緣劃傷是主絕緣內部的變化，劃傷在平滑度、亮度及與周圍的一致性有較大的差異，因此需要提取更多的特征量進行度量。

2.3 基于神經網絡的缺陷識別方法

為區分和識別主絕緣上的兩種缺陷，設計神經網絡對兩種缺陷進行檢測。確定神經網絡的結構層次是設計的主要任務，涉及對缺陷類型的判定，而對缺陷的定量分析要求相對較低。本研究采用三層神經網絡結構來識別缺陷。樣本數據見表2，神經網絡訓練流程如下：

（1）將最開始的權值賦予隨機數，設置最多迭代1000次，最小誤差為0.01，步長為0.01，輸出樣本為20個，如表2所示；

表2 樣本數據

（2）將樣本參數輸入網絡，并將對應的兩類缺陷編碼值作為輸出錄入網絡；

（3）按照設計的網絡結構學習訓練，當誤差值小于規定時結束訓練，得到訓練好的網絡。

網絡訓練結束后，隨機抽取10張主絕緣存在缺陷的圖像，其中主絕緣污漬與主絕緣劃傷各取5張，分別提取缺陷區域的對應特征量，輸入網絡，測試網絡的可靠性，表3為測試結果。表4為輸出的結果，第3組與第5組結果與期望結果差別大，出現了誤判，從整體來看識別效果較好，識別率達80%，能夠達到前期試驗的基本要求。但在試驗中仍然存在未能識別的情況，通過比較這兩組缺陷試驗數據與同類缺陷數據，發現在紋理特性中的m、μ3特征量變化較大。

表3 測試數據

表4 測試結果

通過分析，可能引起誤判的原因有：

（1）缺陷區域的提取不夠精確，在提取特征量時存在一定的誤差；

（2）在訓練神經網絡時選取的樣本數量可能不足，導致訓練好的網絡所計算出的數據不夠精確；

（3）特征量的選取可能不足，能夠反映缺陷的特征量不充分，導致無法準確識別。

3 外半導電層缺陷識別

通過分析施工流程，發現外半導電層容易出現剝離不齊的問題。外半導電層剝離不齊主要發生在電纜接頭邊緣的與主絕緣相交處，其判定較為復雜，僅僅依靠顏色的判定不夠準確，同時容易受到外界的干擾。提取出半導電層的邊緣，通過邊緣的整齊程度能夠對邊緣不齊缺陷做出準確的判斷。

3.1 外半導體剝離不齊識別方法

圖2分別為電力電纜中間接頭施工過程中出現的外半導電層剝離不齊缺陷圖像，圖中可見剝離不齊處形狀各異，大小不同。針對拍攝的電力電纜中間接頭圖像，采用蟻群算法與形態學相結合的方式求取圖中主體邊緣，將數學形態學與之相結合。形態學主要包含膨脹和腐蝕兩種情況，膨脹與腐蝕組合能夠得到開、閉兩種運算方式，膨脹處理能夠在一定程度上消除偽邊緣，但會擴大邊緣范圍，而腐蝕處理能夠將擴的邊界區域進行細化，使其更接近原始邊界。形態學與蟻群算法相結合的方式，有效抑制了圖像中噪聲，同時對于邊緣的檢測也較為準確。圖3為外半導電層最小外接矩形標記圖像，運用邊緣的灰度變化特性與幾何特征作為外半導電層剝離不齊的判據，實現了對外半導電層剝離不齊的有效判斷。

圖2 外半導電層剝離不齊原始圖像

圖3 外半導電層最小外接矩形標記圖像

4 電力電纜缺陷識別流程分析

實際拍攝的圖像包含電纜中間接頭的各組成部分，在識別判定過程中需要對拍攝圖像進行相應處理。圖4為缺陷檢測流程，根據智能識別裝置所獲取的中間接頭圖像，先進行預處理，將彩色圖像處理為灰度圖像。由于彩色圖像通常為一個3維數組，不同的色彩空間所呈現的3個變量并不唯一，需將彩色圖像轉換為灰度圖像，降低維數，這樣計算速度在處理過程中會大幅提升。

圖4 缺陷圖像檢測流程

5 結論

（1）根據現場的施工條件，分析得到主絕緣上易出現的污漬與主絕緣灰度色差大，缺陷區域紋理特征與非缺陷區域存在一定差異；主絕緣劃傷缺陷灰度色差與主絕緣相差較小，紋理特征與主絕緣有一定程度上的相似性，得到灰度色差與紋理特征能作為判定兩種缺陷的特征量。通過灰度色差和紋理特征中的m、σ、μ3、e四個量與灰度色差作為特征量，隨機選取樣本運用神經網絡進行訓練，訓練達到要求的網絡能夠有效地對主絕緣上的污漬及劃傷兩種缺陷進行判定。

（2）通過分析半導電層缺陷的特點，得到外半導電層剝離不齊缺陷通常發生在與主絕緣的交界處，半導電層顏色與主絕緣顏色相差大，有明顯的邊界特征。提出通過數學形態學與蟻群算法相結合的方式檢測外半導電層的邊緣，其效果優于經典的邊緣檢測方法。通過該方法對外半導電層進行邊緣提取，能夠完整獲得外半導電層的區域，通過外半導電層所占區域與其最小外接矩形的面積，求取外半導電層區域的矩形度，能夠對剝離不齊缺陷進行有效檢測。

（3）針對實際施工過程中所拍攝的圖像通常不只包括主絕緣或者外半導電層，往往會將電纜中間接頭整個部分拍攝入圖像中，難以準確判斷各部件對應的缺陷。通過圖像色彩空間的轉換，將拍攝圖像轉換至非RGB彩色空間進行灰度計算，能夠有效突出中間接頭。針對研究對象，通過傳統濾波方法對比，得到雙邊濾波對去除圖像中的噪聲有良好的效果。將增強后的圖像進行數學變換求取對應的二值圖像，由二值圖像將中間接頭的主絕緣與外半導電層分割成獨立的部分，采用主絕緣與外半導電層缺陷的檢測方法是可行的。