单 成,吴洪潭,石成龙,陈艳燕

(中国计量学院质量与安全工程学院,浙江杭州310018)

绝缘子是高压架空输电线路的关键部件之一,其性能优劣直接影响到整条输电线路的运行安全.近年来,我国电力系统向着超高压、特高压、大容量方向发展,西电东输工程以及铁路电网安全运行的需要,为绝缘子行业的发展带来了巨大的机遇.钢化玻璃绝缘子最早产生于英国,目前国际上生产钢化玻璃绝缘子的主要厂家有法国的SEDIVER公司和意大利的SEVES公司,钢化玻璃绝缘子相对于陶瓷绝缘子电性能优越、无老化现象,而且其“零值”自爆性能可以免除输电线的“零值”检查,从而大大降低维护费用,因此在高压传输线路中被越来越广泛的使用[1].

在绝缘子玻璃体成型过程中由于配方、原料制取、设备工具的状况、玻璃件的热处理等问题,容易出现气泡、裂缝等瑕疵,这些缺陷严重影响绝缘子产品的品质.据科技查新,国内外钢化玻璃绝缘子玻璃件的缺陷检测主要采用传统的人工肉眼检测的方法,没有实现自动检测的主要原因是钢化玻璃件本身结构的复杂性、缺陷的多样性、分布的随机性.但人工肉眼检测存在主观、视角、视场、员工熟练程度等因素的影响,容易造成玻璃件缺陷的漏检.因此,人工检测已经严重制约了企业生产规模的发展.

随着CCD传感器技术、机器视觉技术和计算机技术的发展,机器视觉系统已经成功运用于许多行业的检测环节,并拥有速度快、准确率高、节约人力成本等优势.本文通过研究钢化玻璃绝缘子缺陷特征:缺陷面积、长宽比、圆形度等,并在此基础上结合基于形态学的特征检测和基于BP神经网络的缺陷分类检测,提出一种基于图像处理的钢化绝缘子玻璃件缺陷检测方法.

1 系统基本组成

图像采集系统主要由光源、CCD摄像头和旋转平台组成.系统如图1,光源选用LED平板光源,LED板面积60 cm×60 cm,用透射的方法,尽量使得获取的图像各点的明暗均匀,这样能有效降低后期处理的难度.由于黑白图像完全能满足检测需要,同时又能降低图像处理的难度,因此选用维视MV1300UM黑白工业摄像头,在1280×1024的分辨率下帧率可达15帧每秒.旋转平台由一个和步进电机相连的托盘组成,被测绝缘子水平置于托盘上,步进电机带动托盘以2 s每圈的速度旋转,CCD在托盘旋转的同时对绝缘子进行取像,并立即通过USB接口将图像传送到计算机进行处理.若第一帧图像处理后未发现缺陷,则立即处理第二帧,直到绝缘子旋转完一圈.若中间任何一帧图像被检测为存在缺陷,则认为绝缘子存在缺陷,立即停止后续检测,输出结果.

图1 图像采集系统Figure 1 Image acquisition system

2 图像分割

由于绝缘子厚度不均匀,以及透射时光的散射等影响,从而为图像分割带来很大困难.为此,首先对照明问题做预处理以补偿图像,然后再对预处理后的图像采用全局阈值处理.这种方法是通过应用一个形态学顶帽算子,并对得到的结果使用Otus方法来计算的.可以证明这种处理等同于使用局部变化的阈值函数进行阈值处理[2].先经过形态学开运算后的图像,从原图像中减去该图像,可以生成一幅具有合适且均匀背景的图像,再来计算阈值进行图像分割.

首先通过开运算来除去孤立的点、毛刺和小桥(连通两块区域的小点),平滑图像的轮廓,削弱狭窄的部分,去掉细的突出,而总的位置和形状保持不变.开运算[3]的过程是先腐蚀后膨胀,然后对得到的图像和原图像作减法处理[4],得到差异图像,最后对经过减法运算得到的差异图像进行分割,这里使用Otus方法来计算阈值.Otus方法的基本思想是:用灰度级 T作为阈值对图像进行分割,将原图像分为C0[0,1,2,…,k-1]C1[k,k+1,…,L-1]两组(0-L表示灰度级),计算得到整幅图像的类间方差[5]σ2B,当 σ2B取到最大值时,对应的 T就是所要求的阈值.

经过处理后,图像呈现为黑底衬白色环纹和斑点.原始图像如图2,经反白、二值化处理与分割后的结果如图3.

3 基于形态学的特征检测

形态学的特征检测主要是通过缺陷的形状特征来判断的.以下是几种不同的通过形态学提取缺陷信号的方法:

1)面积筛选

在二值图像中,目标的面积可以简单地定义为目标边界所包的像素点数,它和目标的大小有关,而和目标各点的像素灰度值无关.它的计算公式如下:

其中,s表示某个需要进行度量的连通域;f(x,y)为像素值.

缺陷的大小一般在30～100像素之间,因此可以通过对白带面积未达到30像素或超过100像素联通域进行排除.

2)圆形度筛选

圆形度是与圆形相似程度的量,它可以定义为圆周长与圆面积的比例关系,计算公式如下:

其中,As为连通域s的面积,Ls为连通域s的周长.

缺陷的圆形度一般在0.6～1之间,越接近1表示越接近圆形.本文检测中选用的圆形度区间为[0.7,1.0].

3)长宽比筛选

由于气泡为圆形或椭圆形,可以通过筛选光带的长宽比来排除不是气泡的干扰信号.计算公式如下:

其中,Q表示长宽比,L表示光带的最长内轴长,l表示最短内轴长.

实验得,钢化玻璃绝缘子检测中缺陷的长宽比门限设置在1.7以下比较合适,基本不会出现漏判的情况,同时对干扰信号的抑制也比较好.

表1是对10个典型样本进行检测得到的特征值.

经过以上筛选,分割处理后得到的图像上的干扰信号被滤去,得到目标信号,如图4.

表1 缺陷特征值Table 1 Defect eigenvalue

图4 形态学方法处理后的图像Figure 4 Morphological processed image

4 基于BP神经网络的缺陷分类检测

在图像处理中,BP神经网络是被使用最多的一种算法,由于图像处理技术依托于机器自动对采集到的图像进行判断、识别,而对于同一绝缘子采集到的图像也会受到拍摄角度、方向、照明等影响,使得缺陷与背景光带的面积、相对位置、重合关系会有明显的差异,如单纯以形态学方法检测容易出现误检、漏检,往往无法达到预期的目标.神经网络的自学习性在这里就体现出它的优势,通过大量的训练,可以让系统对各种不规则形状进行有效的鉴别.图5是神经网络结构图.

图5 BP神经网络模型Figure 5 BP neural network model

根据BP神经网络设计方法,选用单隐层的BP网络.其输入节点数为30×30=900,隐层传输函数为Sigmoid函数:

设用一个输出节点表示存在缺陷(1)或不存在缺陷(0),输出层传输函数为purelin函数,隐层节点数根据经验公式 900+1+a(a=1～10),取36时训练过程收敛速度最快.

构造训练样本集,构成训练所需的输入矢量:准备2组样本,一组为缺陷样本,另一组为干扰样本.缺陷样本包含已成功检出的样本与人工筛选的易漏检样本;干扰样本包含易误检样本和小面积背景光带.其中易漏检样本与易误检样本的产生是由于拍摄角度等影响,其特征值正好处于特征门限附近,容易造成检测误差的样本.每组训练样本包含10个bmp格式的图片,取自经过切割处理以后的图像,经过一定的处理,取出最大有效区域,归一为30×30的二值图像,作为输入矢量,如图6.图6第一组为缺陷样本,第二组为干扰样本.

图6 训练样本Figure 6 Training samples

5 实验结果与分析

通过形态学的方法判断气泡,经过对5个不同样本的实验,能够比较清晰地判断缺陷的存在,但是同样对于样本图像的拍摄角度有较高要求.一旦拍摄角度变化,缺陷点和背景光带粘合在一起就会出现误判的情况.同时由于需要对同一绝缘子进行多帧处理,检测速度也相对较慢,需要进一步改进.

通过BP神经网络进行仿真测试.使用不同测试样本图像,结果如表2.可见,通过 BP神经网络可以有效地进行缺陷检测,速度相对较快,对图像的要求也相对较低.虽然目前存在个别误判,但可以通过增加训练样本量来有效降低误判率.

表2 实验结果Table 2 Experimental results

6 结 论

通过上述实验及分析,可以得出如下结论:

1)基于形态学特征的缺陷提取方法能快速、准确的将气泡缺陷凸现出来,但是对于图像的要求较高;当获取图像由于受到角度、方向等影响,缺陷和背景光带大面积重合时,会影响到图像分割的质量,使形态学的方法存在一定的检测误差.

2)使用BP神经网络的方法能够快速有效地判断怀疑缺陷点是否为缺陷,抗干扰能力强,适用范围大,但对于与样本相差比较大的目标会存在一定误判.因此,需要大量样本对神经网络进行训练,来降低误判率.

[1]关志成.绝缘子及输变电设备外绝缘[M].北京:清华大学出版社,2006:1-178.

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

[3]罗军辉,冯 平,哈力旦.M AT LAB7.0在图像处理中的应用[M].北京:机械工业出版社,2005:1-153.

[4]朱 虹.数字图像处理基础[M].北京:科学出版社,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.神经网络原理[M].北京:机械工业出版社,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]冯会真,夏哲雷,林志一.基于神经网络的图像边缘检测方法[J].中国计量学院学报,2006,17(4):289-291.

[11]杨立娜,单越康,周 铭.机器视觉的石墨轴承同轴度检测系统[J].中国计量学院学报,2007,18(1):26-28.

[12]蒋登峰,周 娟.图像处理在晶圆瑕疵自动标记系统中的应用[J].中国计量学院学报,2009,20(2):167-170.