單 成,吳洪潭,石成龍,陳艷燕

(中國計量學院質(zhì)量與安全工程學院,浙江杭州310018)

絕緣子是高壓架空輸電線路的關(guān)鍵部件之一,其性能優(yōu)劣直接影響到整條輸電線路的運行安全.近年來,我國電力系統(tǒng)向著超高壓、特高壓、大容量方向發(fā)展,西電東輸工程以及鐵路電網(wǎng)安全運行的需要,為絕緣子行業(yè)的發(fā)展帶來了巨大的機遇.鋼化玻璃絕緣子最早產(chǎn)生于英國,目前國際上生產(chǎn)鋼化玻璃絕緣子的主要廠家有法國的SEDIVER公司和意大利的SEVES公司,鋼化玻璃絕緣子相對于陶瓷絕緣子電性能優(yōu)越、無老化現(xiàn)象,而且其“零值”自爆性能可以免除輸電線的“零值”檢查,從而大大降低維護費用,因此在高壓傳輸線路中被越來越廣泛的使用[1].

在絕緣子玻璃體成型過程中由于配方、原料制取、設(shè)備工具的狀況、玻璃件的熱處理等問題,容易出現(xiàn)氣泡、裂縫等瑕疵,這些缺陷嚴重影響絕緣子產(chǎn)品的品質(zhì).據(jù)科技查新,國內(nèi)外鋼化玻璃絕緣子玻璃件的缺陷檢測主要采用傳統(tǒng)的人工肉眼檢測的方法,沒有實現(xiàn)自動檢測的主要原因是鋼化玻璃件本身結(jié)構(gòu)的復(fù)雜性、缺陷的多樣性、分布的隨機性.但人工肉眼檢測存在主觀、視角、視場、員工熟練程度等因素的影響,容易造成玻璃件缺陷的漏檢.因此,人工檢測已經(jīng)嚴重制約了企業(yè)生產(chǎn)規(guī)模的發(fā)展.

隨著CCD傳感器技術(shù)、機器視覺技術(shù)和計算機技術(shù)的發(fā)展,機器視覺系統(tǒng)已經(jīng)成功運用于許多行業(yè)的檢測環(huán)節(jié),并擁有速度快、準確率高、節(jié)約人力成本等優(yōu)勢.本文通過研究鋼化玻璃絕緣子缺陷特征:缺陷面積、長寬比、圓形度等,并在此基礎(chǔ)上結(jié)合基于形態(tài)學的特征檢測和基于BP神經(jīng)網(wǎng)絡(luò)的缺陷分類檢測,提出一種基于圖像處理的鋼化絕緣子玻璃件缺陷檢測方法.

1 系統(tǒng)基本組成

圖像采集系統(tǒng)主要由光源、CCD攝像頭和旋轉(zhuǎn)平臺組成.系統(tǒng)如圖1,光源選用LED平板光源,LED板面積60 cm×60 cm,用透射的方法,盡量使得獲取的圖像各點的明暗均勻,這樣能有效降低后期處理的難度.由于黑白圖像完全能滿足檢測需要,同時又能降低圖像處理的難度,因此選用維視MV1300UM黑白工業(yè)攝像頭,在1280×1024的分辨率下幀率可達15幀每秒.旋轉(zhuǎn)平臺由一個和步進電機相連的托盤組成,被測絕緣子水平置于托盤上,步進電機帶動托盤以2 s每圈的速度旋轉(zhuǎn),CCD在托盤旋轉(zhuǎn)的同時對絕緣子進行取像,并立即通過USB接口將圖像傳送到計算機進行處理.若第一幀圖像處理后未發(fā)現(xiàn)缺陷,則立即處理第二幀,直到絕緣子旋轉(zhuǎn)完一圈.若中間任何一幀圖像被檢測為存在缺陷,則認為絕緣子存在缺陷,立即停止后續(xù)檢測,輸出結(jié)果.

圖1 圖像采集系統(tǒng)Figure 1 Image acquisition system

2 圖像分割

由于絕緣子厚度不均勻,以及透射時光的散射等影響,從而為圖像分割帶來很大困難.為此,首先對照明問題做預(yù)處理以補償圖像,然后再對預(yù)處理后的圖像采用全局閾值處理.這種方法是通過應(yīng)用一個形態(tài)學頂帽算子,并對得到的結(jié)果使用Otus方法來計算的.可以證明這種處理等同于使用局部變化的閾值函數(shù)進行閾值處理[2].先經(jīng)過形態(tài)學開運算后的圖像,從原圖像中減去該圖像,可以生成一幅具有合適且均勻背景的圖像,再來計算閾值進行圖像分割.

首先通過開運算來除去孤立的點、毛刺和小橋(連通兩塊區(qū)域的小點),平滑圖像的輪廓,削弱狹窄的部分,去掉細的突出,而總的位置和形狀保持不變.開運算[3]的過程是先腐蝕后膨脹,然后對得到的圖像和原圖像作減法處理[4],得到差異圖像,最后對經(jīng)過減法運算得到的差異圖像進行分割,這里使用Otus方法來計算閾值.Otus方法的基本思想是:用灰度級 T作為閾值對圖像進行分割,將原圖像分為C0[0,1,2,…,k-1]C1[k,k+1,…,L-1]兩組(0-L表示灰度級),計算得到整幅圖像的類間方差[5]σ2B,當 σ2B取到最大值時,對應(yīng)的 T就是所要求的閾值.

經(jīng)過處理后,圖像呈現(xiàn)為黑底襯白色環(huán)紋和斑點.原始圖像如圖2,經(jīng)反白、二值化處理與分割后的結(jié)果如圖3.

3 基于形態(tài)學的特征檢測

形態(tài)學的特征檢測主要是通過缺陷的形狀特征來判斷的.以下是幾種不同的通過形態(tài)學提取缺陷信號的方法:

1)面積篩選

在二值圖像中,目標的面積可以簡單地定義為目標邊界所包的像素點數(shù),它和目標的大小有關(guān),而和目標各點的像素灰度值無關(guān).它的計算公式如下:

其中,s表示某個需要進行度量的連通域;f(x,y)為像素值.

缺陷的大小一般在30～100像素之間,因此可以通過對白帶面積未達到30像素或超過100像素聯(lián)通域進行排除.

2)圓形度篩選

圓形度是與圓形相似程度的量,它可以定義為圓周長與圓面積的比例關(guān)系,計算公式如下:

其中,As為連通域s的面積,Ls為連通域s的周長.

缺陷的圓形度一般在0.6～1之間,越接近1表示越接近圓形.本文檢測中選用的圓形度區(qū)間為[0.7,1.0].

3)長寬比篩選

由于氣泡為圓形或橢圓形,可以通過篩選光帶的長寬比來排除不是氣泡的干擾信號.計算公式如下:

其中,Q表示長寬比,L表示光帶的最長內(nèi)軸長,l表示最短內(nèi)軸長.

實驗得,鋼化玻璃絕緣子檢測中缺陷的長寬比門限設(shè)置在1.7以下比較合適,基本不會出現(xiàn)漏判的情況,同時對干擾信號的抑制也比較好.

表1是對10個典型樣本進行檢測得到的特征值.

經(jīng)過以上篩選,分割處理后得到的圖像上的干擾信號被濾去,得到目標信號,如圖4.

表1 缺陷特征值Table 1 Defect eigenvalue

圖4 形態(tài)學方法處理后的圖像Figure 4 Morphological processed image

4 基于BP神經(jīng)網(wǎng)絡(luò)的缺陷分類檢測

在圖像處理中,BP神經(jīng)網(wǎng)絡(luò)是被使用最多的一種算法,由于圖像處理技術(shù)依托于機器自動對采集到的圖像進行判斷、識別,而對于同一絕緣子采集到的圖像也會受到拍攝角度、方向、照明等影響,使得缺陷與背景光帶的面積、相對位置、重合關(guān)系會有明顯的差異,如單純以形態(tài)學方法檢測容易出現(xiàn)誤檢、漏檢,往往無法達到預(yù)期的目標.神經(jīng)網(wǎng)絡(luò)的自學習性在這里就體現(xiàn)出它的優(yōu)勢,通過大量的訓(xùn)練,可以讓系統(tǒng)對各種不規(guī)則形狀進行有效的鑒別.圖5是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖.

圖5 BP神經(jīng)網(wǎng)絡(luò)模型Figure 5 BP neural network model

根據(jù)BP神經(jīng)網(wǎng)絡(luò)設(shè)計方法,選用單隱層的BP網(wǎng)絡(luò).其輸入節(jié)點數(shù)為30×30=900,隱層傳輸函數(shù)為Sigmoid函數(shù):

設(shè)用一個輸出節(jié)點表示存在缺陷(1)或不存在缺陷(0),輸出層傳輸函數(shù)為purelin函數(shù),隱層節(jié)點數(shù)根據(jù)經(jīng)驗公式 900+1+a(a=1～10),取36時訓(xùn)練過程收斂速度最快.

構(gòu)造訓(xùn)練樣本集,構(gòu)成訓(xùn)練所需的輸入矢量:準備2組樣本,一組為缺陷樣本,另一組為干擾樣本.缺陷樣本包含已成功檢出的樣本與人工篩選的易漏檢樣本;干擾樣本包含易誤檢樣本和小面積背景光帶.其中易漏檢樣本與易誤檢樣本的產(chǎn)生是由于拍攝角度等影響,其特征值正好處于特征門限附近,容易造成檢測誤差的樣本.每組訓(xùn)練樣本包含10個bmp格式的圖片,取自經(jīng)過切割處理以后的圖像,經(jīng)過一定的處理,取出最大有效區(qū)域,歸一為30×30的二值圖像,作為輸入矢量,如圖6.圖6第一組為缺陷樣本,第二組為干擾樣本.

圖6 訓(xùn)練樣本Figure 6 Training samples

5 實驗結(jié)果與分析

通過形態(tài)學的方法判斷氣泡,經(jīng)過對5個不同樣本的實驗,能夠比較清晰地判斷缺陷的存在,但是同樣對于樣本圖像的拍攝角度有較高要求.一旦拍攝角度變化,缺陷點和背景光帶粘合在一起就會出現(xiàn)誤判的情況.同時由于需要對同一絕緣子進行多幀處理,檢測速度也相對較慢,需要進一步改進.

通過BP神經(jīng)網(wǎng)絡(luò)進行仿真測試.使用不同測試樣本圖像,結(jié)果如表2.可見,通過 BP神經(jīng)網(wǎng)絡(luò)可以有效地進行缺陷檢測,速度相對較快,對圖像的要求也相對較低.雖然目前存在個別誤判,但可以通過增加訓(xùn)練樣本量來有效降低誤判率.

表2 實驗結(jié)果Table 2 Experimental results

6 結(jié) 論

通過上述實驗及分析,可以得出如下結(jié)論:

1)基于形態(tài)學特征的缺陷提取方法能快速、準確的將氣泡缺陷凸現(xiàn)出來,但是對于圖像的要求較高;當獲取圖像由于受到角度、方向等影響,缺陷和背景光帶大面積重合時,會影響到圖像分割的質(zhì)量,使形態(tài)學的方法存在一定的檢測誤差.

2)使用BP神經(jīng)網(wǎng)絡(luò)的方法能夠快速有效地判斷懷疑缺陷點是否為缺陷,抗干擾能力強,適用范圍大,但對于與樣本相差比較大的目標會存在一定誤判.因此,需要大量樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,來降低誤判率.

[1]關(guān)志成.絕緣子及輸變電設(shè)備外絕緣[M].北京:清華大學出版社,2006:1-178.

[2]GONZALEZ C.Digital image processing using matlab[M].Beijing:Publishing House of Electronics Industry,2008:357-493.

[3]羅軍輝,馮 平,哈力旦.M AT LAB7.0在圖像處理中的應(yīng)用[M].北京:機械工業(yè)出版社,2005:1-153.

[4]朱 虹.數(shù)字圖像處理基礎(chǔ)[M].北京:科學出版社,2006:1-166.

[5]GONZALEZ C.Digital image processing second edition[M].Beijing:Publishing House of Electronics Industry,2007:420-514.

[6]LOOMS J.Insulato rs for high voltages[M].London:U-nited Kingdom:1-9.

[7]SNYDER W.Machine vision[M].Beijing:China Machine Press,2005:1-34.

[8]HAYKIN S.神經(jīng)網(wǎng)絡(luò)原理[M].北京:機械工業(yè)出版社,2004:1-78.

[9]GOLNABI H,ASADPOUR A.Design and application of industrial machine vision systems[J].Robotics and Computer-Integrated M anufacturing,2007,23:630-637.

[10]馮會真,夏哲雷,林志一.基于神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測方法[J].中國計量學院學報,2006,17(4):289-291.

[11]楊立娜,單越康,周 銘.機器視覺的石墨軸承同軸度檢測系統(tǒng)[J].中國計量學院學報,2007,18(1):26-28.

[12]蔣登峰,周 娟.圖像處理在晶圓瑕疵自動標記系統(tǒng)中的應(yīng)用[J].中國計量學院學報,2009,20(2):167-170.