基于机器视觉的绝缘工器具缺陷检测

方敏，刘国礼，区国洪，马金超

广东立胜电力技术有限公司，广东佛山，528000

0 引言

随着我国经济建设的不断发展，社会对供电量的需求也不断攀升[1]。但在供电过程中，难免会发生供电故障问题，因此如何在保证日常生产前提下进行日常维护检修成为技术关键，带电作业也应运而生[2-3]。而在专业人员执行带电作业时，因执行作业的环境恶劣会导致绝缘工具的局部磨损，从而导致绝缘漆脱落，存在安全隐患。目前，电工绝缘工器具的绝缘检测多采用人工目检，但是人工检测会面临工作人员检测效率低、劳动强度大以及成本高等问题[4-6]。针对上述问题，本文提出一种基于机器视觉的缺陷检测算法，实现对绝缘工器具缺陷检测，有效地提高缺陷检测的效率和精度。

1 绝缘工器具缺陷检测

1.1 图像预处理

工业相机采集绝缘工器具图像时，会带入随机噪声。这些随机噪声不仅会影响绝缘工器具图像采集质量，甚至还会使得缺陷特征不明显，最终导致缺陷检测率不高[7-8]。因此，有效地处理因采集带入的随机噪声是提高图像处理方法性能的重要一步[9]。

在经典的图像预处理方法中，滤波平滑法是最为常用且处理较好的一种。滤波平滑处理往往被用于降低噪声对图像识别的性能影响，提高缺陷检测精度。常见的滤波平滑技术有三种：①均值滤波；②中值滤波；③高斯滤波。其中，均值滤波的原理是将中心像素的领域内每个像素值包括其中心像素求平均后的值替换该中心像素值，其数学表达式如下：

中值滤波的原理是将中心像素的领域内每个像素值包括其中心像素进行顺序排列后的中间像素值替换该中心像素值，这种处理结果对处理椒盐噪声非常有效，其计算公式如下：

高斯滤波的原理是每一个像素点的值都由其本身和邻域内的其他像素值经过加权平均后得到，计算公式如下：

1.2 局部自适应阈值分割

由于绝缘工器具上有许多污渍以及专业人员长期工作使用所形成的褶皱，导致工业相机在拍摄图像时绝缘工器具图像会形成局部部分的亮度不一致。所以，传统的Otsu全局阈值算法很难将背景区域和目标区域有效地分割出来[10-11]。因此本文引入局部自适应阈值的方法，该方法的核心原理不是计算全局图像的阈值，而是根据绝缘工器具图像的不同区域亮度分布，通过计算每个像素点的相邻区域的高斯加权和，然后，所得的局部阈值与原先的像素点的值进行比较，如果原先的像素值大于所得的局部阈值，则将该点的像素值设置为0；否则，将该点的像素值设置为255，具体如式（4）：

1.3 连通区域分析

绝缘工器具图像经过局部自适应阈值分割后的二值化图像中含有少数孤立的亮噪点，这些噪点属于伪缺陷，会对缺陷检测的准确性造成一定的影响。因此本文采用连通区域分析方法来去除伪缺陷部分，提高缺陷检测的准确性和效率。连通区域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域，而连通区域分析是指将图像中的各个连通区域找出并标记，然后进行相应的处理。常用的连通区域分析方法主要分为：①Two-Pass算法；②区域生长算法。而区域生长算法的性能严重依赖于其初始种子的选取和生长的准则，因此，本文采用Two-Pass算法进行连通区域分析。

Two-Pass算法的核心思路为：①在二值化图像中第一次扫描时，赋予每个白色像素位置一个label，扫描过程中同一个连通区域内的像素集合中可能会被赋予一个或多个不同的label，但是较小的label值赋给该像素的label值；②第二遍扫描就是要将属于同一个连通区域但具有不同值的label进行合并，并执行更新，具有相等关系所标记的像素归为一个连通区域，并赋予一个相同的label。其算法的执行过程如图1所示。

图1 Two-Pass 标注连通区域

1.4 形态学处理

由于破损后的绝缘工器具突出底层的纹理特征，导致局部自适应阈值分割后的缺陷部分会出现空洞情况，同时连通区域分析后会对绝缘工器具图像中的缺陷特征有削弱作用。为了弥补因连通区域分析带来的缺陷特征削弱问题，本文采用形态学处理中的闭运算方式对连通区域后的绝缘工器具图像进行处理，以增强绝缘工器具图像中的缺陷特征。形态学处理是图像处理中应用较广的基本技术，用于提取表征区域形状的图像分量。二值图像的形态学运算主要包括腐蚀、膨胀和开和闭运算，腐蚀和膨胀计算公式分别如式（5）（6）所示：

式中，R为目标对象，S为形态学结构。式（5）表示用结构S去膨胀R，使目标检测范围变大；式（6）表示用结构S去腐蚀R，使目标检测范围变小。闭运算方式是对图像先进行膨胀运算后再进行腐蚀运算。闭运算方式与单独的膨胀操作不同的是，闭运算在填空隙的同时，不会使得图像边缘轮廓加粗[12]。

1.5 绝缘工器具检测算法

为了能够实现快速检测绝缘工器具的缺陷，本文提出一种基于机器视觉的绝缘工器具缺陷检测算法。将工业相机采集到的图像传输到PC机中，然后对图像进行灰度处理、高斯滤波去噪，再对图像进行局部自适应阈值分割，提取其连通区域并计算面积大小。如果连通区域面积小于200，就判断为伪缺陷部分并删去该连通区域。反之，就判断为缺陷部分并保留该连通区域。最后，对仍有连通区域的图像进行闭运算处理，并标记其为缺陷部分。算法流程如图2所示。

2 实验及分析

本文选取几幅典型的绝缘工器具破损的图像和正常的绝缘工器具图像分析本算法的准确性和鲁棒性。同时为了得出本算法的检出率和误检率以及算法的运行时间，本文选取在相同条件下用工业相机拍摄的500张图像作为训练图，其中290张为正常的绝缘工器具（绝缘上衣）图像，210张为破损的绝缘工器具（绝缘上衣）图像。利用式（7）（8）计算检出率和误检率。结果如表1所示。

表1 本文算法的检出率和误检率以及运算时间

选取的不同领域模块大小的局部自适应阈值分割对缺陷检测有一定的影响，当领域模块很小时，由于其自适应的程度较高，容易出现领域模块里面的像素值都相差不大，导致计算出来的阈值与原始的像素值比较接近，因此无法进行二值化，而出现边缘提取的效果差。当领域模块为较大的值时，其自适应的程度较低，计算出来的阈值比较精确，有利于进行二值化，但二值化后会出现许多白色噪点。因此，通过选取合适的领域模块大小的局部自适应阈值分割能够提高缺陷检测的效率和准确度。

3 结语

本文提出了一种基于机器视觉的绝缘工器具缺陷检测算法，针对绝缘工器具破损的特点和分布情况，采用局部自适应阈值分割和连通区域分析，有效提高了检测准确性和运算速度。实验结果表明，该算法有良好的检测效果。