基于Matlab GUI 的絕緣子缺陷檢測系統

熊力穎，徐銘海，古渝濤，張銘洋

（西南交通大學電氣工程學院，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境下發生損壞，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定安全運行的關鍵。以人工巡線方式進行檢測易受主觀、環境等多種因素影響[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。在此背景下產生了借助紫外線設備[8]、計算機視覺[9]、激光檢測[10]等絕緣子缺陷檢測方法。隨著電網智能化和計算機技術的發展，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構建出一套絕緣子缺陷檢測系統。該系統利用圖像識別技術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 系統總體設計

系統利用無人機進行絕緣子的圖像采集以提高效率，解決了地理環境惡劣導致人工圖像采集困難的問題。為保證圖像識別的準確性，無人機應滿足像素高、待機時間長、機械性能好等要求。系統采用大疆公司生產的“御Mavic2”專業版無人機，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 級風力，在-10～40 ℃的環境中運行。

系統包括圖像預處理、二值圖像處理及缺陷定位三大部分。圖像預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、形態學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果顯示。整體框架圖1所示。該系統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 系統絕緣子缺陷識別流程

系統首先需要選擇圖像，根據是否有圖像數據輸入到[fn，pn]中進行判斷，若無則給出提示。在讀取到圖像數據后，對數據進行記錄，便于后續算法對數據進行提取并處理。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果，后者可以認為控制檢測的步驟并得到相應的圖像處理結果，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果相同。系統主界面如圖2 所示。

圖2 絕緣子缺陷檢測系統主界面

2 各模塊算法設計及實現

2.1 邊緣模糊模塊

絕大多數絕緣子圖像是從室外采集的，這導致圖像中除絕緣子外的其他環境區域具有極大的對比度[12]。因此，系統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、環境光照變化等多種影響。因此，圖像經邊緣模糊后，再進行灰度化處理，有利于進一步去除圖像冗余數據，加快特征信息的處理速度。根據現有常用的灰度化處理方法——Gooch 加權平均法[13]，將圖像中的所有元素按照相同的規則進行灰度處理，對R、G、B三個分量按照式（1）進行加權計算。使用rgb2gray(I0)操作可實現圖像的灰度化處理。

2.3 全局膨脹模塊

為進一步降低絕緣子以外區域的環境對比度，需要對圖像進行全局膨脹，進而增大圖像中各區域元素的面積。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：

區域元素面積的增大使得相鄰區域元素的連通性增強，從而減小各獨立區域元素間的對比度。首先使用be=strel(′ball′,5,5)操作創建球型半徑為5、高度為5 的結構元素；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據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學的邊緣檢測算法[14]、邊緣檢測濾波處理技術[15]。Matlab 中最常見的邊緣處理算子包括Roberts、Prewitt、Sobel、Laplacian算子等。考慮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)操作對預處理圖像進行邊緣檢測，即勾勒預處理圖像高對比度區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()函數對圖像進行黑白對調。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

經過上述操作處理后的圖像包含絕緣子的主要高對比度區域與部分其他高對比度區域，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，將形狀元素覆蓋區域的最小值賦值給參考點，表示如下：

經過全局腐蝕后的圖像會根據形狀元素相應地縮小，從而達到消除噪聲、斷開圖像中物體粘連的效果和區分不同對比度圖像區域的效果。I2=imerode(edge_canny,se)操作可實現二值圖像的全局腐蝕，縮小部分高對比度區域。處理效果如圖4 所示。

圖4 全局腐蝕效果

2.6 形態學閉運算模塊

從圖4 可以看出，圖像經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，但也導致了絕緣子輪廓出現部分斷裂。這種斷裂可能導致后期缺陷識別與定位錯誤的產生。因此，利用形態學閉運算連接相鄰的兩個分離目標，從而達到恢復圖像輪廓特征的目的[16]。

使用ce=strel(′rectangle′,[25,25])與I3=imclose(I2,ce)進行形態學閉運算，膨脹二值圖像輪廓，使絕緣子輪廓與小面積噪聲區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 形態學閉運算效果

2.7 去除小面積干擾模塊

不論是絕緣子的缺陷還是污閃，在形態學閉運算處理后均在缺陷處出現高對比度的聚集形狀，而邊緣出現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，在向量循環到值發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 實驗結果

系統對不同絕緣子拍攝空間形態進行了識別和統計，結果如表1 所示。

表1 絕緣子缺陷識別統計結果

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

4 結論

文中結合智能電網發展趨勢下，無人機巡檢在輸電線路絕緣子圖像采集的優勢，建立了一套基于Matlab GUI 的絕緣子缺陷檢測系統。該系統能夠識別并定位絕緣子污閃及缺陷部分，具有一定的應用價值。系統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；相較于基于深度學習[18-19]和基于卷積神經網絡的[20-21]絕緣子缺陷檢測方法，能有效降低計算復雜度，提高檢測效率。

文中不足之處主要在于樣本數較少、統計數據缺乏全面性，后續研究將進一步優化系統進行更完善的圖像檢測識別。