基于机器视觉的绝缘子RTV涂层质量 检测方法研究及应用

， ， ，

(天津科技大学机械工程学院，天津 300222)

0 引言

绝缘子污闪是输电线路上出现断电故障的主要原因，而RTV就以其优良的憎水性，快速、均衡、持久的憎水迁移性被广泛应用于绝缘子上以防止污闪现象的发生。但是，由于前期涂抹不规范和长期工作于室外复杂环境下，绝缘子RTV涂层多会发生脱落、流渍、皲裂、老化等质量问题。RTV涂层质量问题会大大增加绝缘子表面发生污闪的可能性，进而严重威胁整个输电线路的安全性和稳定性。

为保证输电线路健康稳定运行，电网运检人员会对绝缘子RTV涂层质量进行定时抽检，若发现质量问题，将重新喷涂RTV涂料或更换绝缘子。但是现阶段对RTV涂层质量问题的检测基本还是采用最原始的目测法，即在地面使用望远镜或攀爬到塔上进行检测。使用望远镜虽可避免停电，但是长时间工作易产生眼疲劳，劳动强度大；绝缘子位置复杂，不能全面检测，可靠性差。攀爬到塔上虽可进行详细检测，但是需对整个线路停电，影响用电稳定性和可靠性；上下攀爬劳动强度大，效率低；工作时危险性高。

目前图像处理方法在国内外输电线路绝缘子研究领域得到了较多应用。Murthy、Gupta等[1-3]提出用组合小波的方法对绝缘子特征进行提取，并使用隐马尔科夫模型进行健康分析进而识别破损的绝缘子。基于绝缘子串的形状结构特征，利用无人机采集高清图像，文献[4]研究了一种自底向上感知聚类平行线段的方法来识别绝缘子串和判断绝缘子串缺陷；文献[5]利用形态学滤波、Otsu算法和Snake免疫遗传算法提出了一种通过计算绝缘子数目实现绝缘子故障检测的方法。但是将其应用于RTV涂层质量检测方面的研究鲜有报道。

针对现有检测方法存在的不足，根据绝缘子缺陷图像检测方法的相关研究成果，研究提出基于机器视觉的绝缘子RTV涂层质量检测方法，研制了一套RTV涂层质量实时检测系统对理论成果进行了验证。

1 基于机器视觉技术的RTV涂层质量检测

“机器视觉是通过光学的装置和非接触的传感器自动地接收和处理一个真实物体的图像，以获得所需信息或用于控制机器人运动的装置[6-9]”。该技术具有空间分辨力强、速度快、感光范围大、能实现非接触测量等优点，在现在工业自动化生产和监测领域中应用广泛，所以其应用方向主要为监控、检测、测量、定位和识别。机器视觉系统一般包括图像采集硬件和图像处理软件。

采用机器视觉方法对绝缘子RTV涂层检测基本检测过程如图1所示。

1.1 图像采集

现在电力行业上使用无人机巡检输电线路上的绝缘子，基本还无法实现实时检测。这在一定程度上影响工作质量和效率。本研究为了提高检测效率，采用目前机器视觉领域比较流行的专用工业摄像装置对绝缘子RTV涂层进行实时图像采集，有别于参考文献中通过无人机摄取高清图像。研究分析和实验过程中所采用的图像采集工作由CCD型相机完成。见图2。

图1 检测流程Fig.1 Detection process

图2 CCD相机拍摄的绝缘子图像Fig.2 Insulator images taken with a CCD camera

1.2 图像预处理

1.2.1 图像色彩空间转换

室外绝缘子工作环境复杂、光照条件多变，这会使采集的图像产生不同程度的噪音，影响后期绝缘子分割识别的准确性。所以，在进行图片处理前有必要对图像进行分解及滤波处理。

首先，将需要将采集的彩色图像转换到色彩空间，如RGB、HSV、YIQ等，使用不同颜色模型对绝缘子RTV涂层进行描述。由于RGB模型的3个分量都与光照有关，且3个分量间相关度高，导致得到的图像模型特征并不稳定。故在识别绝缘子RTV区域中，本文主要考虑HSV和YIQ模型。

色彩图像在转化为HSV、YIQ模型时，都是在后台先转换为RGB模型矩阵，再通过定性公式进行转换。RGB彩色系统构成一个三维的彩色空间(R,G,B)坐标系中的一个立方体。R、G、B是彩色空间的三个坐标轴，每个坐标都量化为256，0对应最暗，255对应最亮。

HSV(hue，saturation，value)色彩空间的模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V=1，如图3(b)所示。此模型可以只用色彩本质特性的色度、饱和度来进行各种颜色的聚类，将亮度信息和灰度信息从色彩中提取出来，从而可去掉光照的影响，也使所编程序具有更强的鲁棒性。颜色从RGB到HSV转换为非线性转换，其转换关系见式(1)：

(1)

在YIQ(luminance，in-phase，quadrature-phase)色彩系统中，Y代表图像中的亮度信息，I表示相位色彩橙色到青色，Q表示正交色彩从紫色到黄绿色。因此，YIQ也称色差信号(Chrominance signal)。颜色从RGB到HSV的相互转换关系如式(2)、(3)：

(2)

(3)

绝缘子图像转换效果图3所示。

图3 HSV和YIQ空间各分量图Fig.3 Each component picture of HSV and YIQ space

从图3知，HSV色彩空间的绝缘子H分量图相比于S、V分量图，很大程度上减弱了背景对绝缘子目标区域的干扰，使灰度直方图呈现较为明显的两个波峰；YIQ色彩空间的绝缘子I分量图相比于Y、Q分量图，对背景模糊效果也比较明显，同时使绝缘子目标区域更为突。为应对复杂多变的背景，绝缘子RTV涂层质量试验装置系统在设计时选择HSV和YIQ这两种色彩空间模型。在PC机人机交互界面上将两种色彩空间设置成可切换，默认为YIQ系统空间。经定量分析，两种色彩空间的切换设计比单独一种色彩空间预处理效果明显更好，下一节的图像滤波主要以YIQ色彩空间的I图像为例进行分析处理。

1.2.2 图像滤波

虽然RGB彩色图像转换到HSV或YIQ系统空间使背景和绝缘子目标区域阈值区分更为明显，但图像边缘会出现毛刺，不利于后续对图像阈值分割选择。为减小图像噪音影响，对I分量图像进行滤波处理，以突出绝缘子RTV涂层信息，去除太小的细节，抑制转换的负面效应和背景信息的干扰.

图像处理技术中滤波方法有很多，但一般都是基于领域平均、加权均值或构造合适传递函数的原理进行。滤波不以图像保真为目的，虽会在一定程度上降低图像质量，但却更方便计算机处理，有助于改善图像视觉效果。为减小周围环境噪音对绝缘子RTV涂层图像的干扰，必须在分割处理前进行滤波。本文综合考虑滤波速度、处理效果等多个因素，最终选用binomial滤波器，其基本原理是加权均值滤波。

假设binomial滤波器模板大小为m×n(高度×宽度)，模板(i，j)位置处的权值大小为kij，则

(4)

式(4)中,m=2t1+1,t1=1，2，…

n=2t2+1，t2=1，2，…

i=0，1，…，m-1

j=0，1，…，n-1

图4 图像滤波Fig.4 image filtered

从图4可知，虽然图像整体变得稍微模糊了些，但是绝缘子RTV涂层上的环境噪音得到了较明显抑制。这使后续的图像分割更加方便。

1.3 图像分割

对图像完成预处理后，下一步需要从图像中将目标区域分割出来。图像分割技术主要分为基于阈值选取的图像分割、基于区域的图像分割和图像的边缘检测三个方面[10-16]。本文采用阈值分割法对绝缘子RTV涂层图像进行分割提取。

在图像的灰度差异明显处设置n个阈值T0，T1，T2，…,Tn-1(T0

(5)

式(5)中，f(i,j)为原图像像素的灰度值，g(i,j)为区域分割后图像上像素的输出结果，g0,g1,…,gn-1,gn分别为处理后背景S0，区域S1，区域S2,…，区域Sn中像素的输出值或某种标记。

可先利用固定阈值判定图像中是否存在绝缘子，在确定绝缘子存在后，再通过自动阈值的方法从图像中大概分割出绝缘子区域，设置显示颜色为绿色。此时分割出的绝缘子区域边缘不光滑，有孔洞、存在连通桥，且周围存在孤立点，如图6(a)所示。这就需要用形态学运算再进行处理。

在形态学处理中，腐蚀和膨胀是基本运算,开运算(先腐蚀后膨胀)和闭运算(先膨胀后腐蚀)是二次运算。通过形态学开运算对图5(a)进行处理，开运算后灰度图像如图5(b)所示。

图5 图像分割Fig.5 Image segmentation

由图5(b)知，图5(a)中所存在的孔洞、连接桥及孤立的小点得到了明显的处理，已很好地分割出了绝缘子RTV涂层区域。再对其形状进行局部调，最终实际分割效果如图5(c)所示。

1.4 缺陷检测

RTV涂层质量问题除破损和表面流渍外，还有皲裂、老化、表面污染等。涂层老化属于化学特性，目前还无法通过图像处理的方法直观地检测出。长期工作于室外环境下的绝缘子，表面多会形成一层污秽层，该污染在缺陷检测前一般都可以通过摄像装置直观地观察到。涂层皲裂是经长时间曝晒、风雨侵蚀导致，是破损的前兆，研究中将其作为轻微破损考虑[17-20]。

有些缺陷间本身特征区分就不太明显，若检测程序设计太过复杂，会使缺陷识别相互重叠，增大误报率。因此，识别分割出绝缘子RTV涂层区域后，对涂层缺陷检测共分为：一是对绝缘子RTV涂层漏涂、脱落等涂层破损缺陷进行进行检测；二是对绝缘子RTV涂层表面流渍缺陷进行检测。

1.4.1 涂层破损缺陷检测

输电线路绝缘子RTV涂层破损的原因，一是前期施涂时漏涂，二是绝缘子长时间工作在高压、复杂的室外环境下，施涂的RTV涂层多会发生变质、腐蚀而脱落。

利用上面的研究结果，从RGB色彩空间的R通道图像中确定绝缘子RTV涂层位置及范围。由于该范围内破损缺陷较小、背景不均一，无法使用自动或固定全局阈值方法来对涂层破损区域范围进行分割。这里使用局域动态阈值的方法进行研究分析。

动态阈值算子为

dyn_threshol(OrigImage,ThresholdImage:Regio-nDynThresh,Offset,LightDark)

式中，ThresholdImage(参考图像)通过与OrigI-mage(原图像)对比找到领域确定阈值，一般采用平滑滤波算子(如mean_image)获取参考图像。Offset设定邻域比较的区间范围。若灰度值变化在Offset范围内，则均是可以接受的。

令g_{o}=g_{OrigImage}，g_{t}=g_{Thresho-ldImage}分别代表原图和参考图中的像素点的灰度值。运算时把参考图像的灰度值加上(或减去)一个Offset，然后和原图的像素点逐像素对应地进行比较。

若g_o>=g_t+offset，light就提取相对参考图更亮的区域；若g_o<=g_t- offset，dark就提取相对参考图更暗的区域；若g_t- offset<=g_o<=g_t+offset，选取和参考图差不多的区域。

但是该方法会将涂层表面流渍缺陷误判为涂层破损缺陷，所以需要再采用一定的方法进一步识别出涂层破损缺陷。由于动态阈值分割后涂层流渍和破损缺陷的灰度值有所差别，通过观察灰度直方图分布，选取一个合适的灰度阈值，利用一个选择结构可达到目的。RTV涂层破损检测结果如图6所示。

图6 RTV涂层破损检测Fig.6 RTV coating damage detection

1.4.2 涂层表面流渍缺陷检测

绝缘子RTV涂层表面流渍也会影响涂层的防污闪性能，所以有必要将其作为衡量RTV涂层质量的重要指标之一。流渍相比于涂层破损缺陷更不明显，与周围涂层的灰度值相差很小，仅靠阈值分割方法，效果很差。这里考虑使用边缘检测的方法进行分割。

图像边缘是图像最基本的特征，边缘检测就是采用某种算法对这种特征进行提取，需要对图像中某小领域构造边缘检测算子。经综合考虑分析，选用最优化Canny边缘检测算子。其原理是采用二维高斯函数任一方向上的一阶导数作为噪声滤波器，通过与图像f(x,y)卷积进行滤波；然后对滤波后的图像寻找图像梯度的局部极大值，以确定图像边缘。

二维高斯函数为

(6)

高斯函数G(x,y)在某一方向n上的一阶方向导数为

(7)

(8)

(9)

(10)

式(8)、(9)中,k为常数。其中:

(11)

可见其关系如式(12)所示。

(12)

然后将这两个模板分别与图像f(x,y)进行卷积，得到：

(13)

(14)

式(14)中，A(i,j)反映了图像上(i,j)点处的边缘强度，α(i,j)为垂边缘的方向。

由于Canny边缘检测算子也会将图层破损缺陷识别出来，所以需求一次差集将流渍从边缘检测结果中提取出来，并用蓝色标记，如图7所示。

图7 RTV涂层流渍检测Fig.7 RTV coating flow stain detection

综上分析，我们得出了绝缘子RTV涂层质量缺陷检测的结果如图8所示，图中绿色代表从图像中识别的RTV涂层区域，红色代表涂层破损缺陷，蓝色代表表面流渍缺陷。

图8 RTV涂层缺陷检测结果Fig.8 RTV coating quality test results

2 绝缘子RTV涂层质量检测实验

将Halcon程序转化C++程序，以Visual Studio为编译平台，通过QT设计界面，经过混合编程、调试、发布，最终形成本实验检测系统的软件部分。检测系统的硬件组成为机械臂辅助装置、CCD相机、图像采集卡及24 V稳压电源等。

2.1 单绝缘子检测

实验中所使用绝缘子均已服役多年，RTV涂层有不同质量问题。使用研制的检测系统对单个绝缘子RTV涂层质量进行检测，实验检测结果如图9所示。

从图9中知，系统可以较好地分割出绝缘位置，但受阈值分割算法局限性和复杂背景的影响，分割区域有时会受到较大干扰，如图中左侧；检测系统可以较好识别出破损和流渍缺陷，这与理论分析结果基本吻合。但经长时间反复实验观察，检测系统对涂层破损检测的准确性和精确性要高于对流渍的检测，主要因为流渍图像特征不明显。

2.2 成串绝缘子检测

单个绝缘子检测实验虽然证明了该方法的实际可行性，但是却忽略了输电线路绝缘子实际使用时总是成串使用的重要情况。为进一步验证该绝缘子RTV涂层质量检测方法的可行性，对一串绝缘子进行RTV涂层质量的检测。成串绝缘子RTV涂层检检测实验结果如图10所示。从图10中可知，该种方法也可以完成成串情况下多个绝缘子RTV涂层的连续检测，但是其效果相比于单个绝缘子时稍差。主要因为受与其连接的绝缘子的干扰，该干扰导致系统检测时出现波动失稳。

图10 串型绝缘子RTV涂层质量检测
Fig.10 Quality inspection of string type insulator RTV coating

实验中发现，缺陷检测前就可以较直观地观察出绝缘子RTV涂层表面污染情况；皲裂质量问题在破损检测时基本都可以识别出来。经长期实验和结果统计，得出轻微、一般和严重三种程度下系统对RTV涂层不同质量问题的识别率，如表1所示。

表1 识别率统计Table 1 Recognition rate statistics

由表1知，在质量问题严重时，系统能绝对检测出RTV涂层不同质量问题，但当程度递减时，识别率会有所下降；系统对破损的检测效率最高，流渍检测受问题轻重影响较大。

3 结语

提出了一种基于机器视觉的绝缘子RTV涂层质量检测方法，对该方法进行了详尽的理论研究分析，然后设计实验进一步验证，证明了它的可行性。

该系统可实现不停电实时检测，灵活方便，效率高。若成功运用，将极大地降低劳动强度，减少人工成本，使工作人员能及时消除绝缘子安全隐患，保证电网安全可靠运行。

该视觉检测方法在RTV涂层质量问题不明显时，识别率不太理想，且还不能对所有的涂层质量问题实现自动检测。

由于绝缘子工作环境的复杂性和视觉检测要求光源稳定的特殊性，该检测系统对不同环境的适应性低。本研究后续将不断对此进行完善。

无人机在线路巡检等方面以得到较广泛应用，下一步考虑将其与无人机摄像功能进行结合，以实现更稳定、更高效的输电线路绝缘子RTV涂层质量检测。