缆索表面检测与缺陷提取研究

孙洪超

摘   要：文章采用模块蛇形机器人作为缆索检测的运动载体，通过搭载摄像头对缆索表面进行观测，将视频信息通过无線模块传输至地面工作站，地面工作站对缆索缺陷部位进行提取。

关键词：缆索;表面检测;缺陷提取

1    缆索表面检测流程

在缆索表面检测中利用蛇形机器人进行作业，以螺旋攀爬步态爬到缆索上，为实现缆索表面缺陷的检测，一般为蛇体配备大量的传感器设备。带有传感器的蛇形机器人以单环翻滚攀爬的方式进行缆索无损检测[1]。通过这种全面的缆索无损检测方法，能够及时发现缺陷及问题所在，有效地防止缆索断裂，及时发现故障和潜在威胁并进行更换。目前的缆索缺陷检测主要由缆索表面缺陷检测和缆索内部断丝检测两部分内容构成。

缆索内部检测的主要目的是检测内部缆丝的腐蚀和缺陷等问题，内部断丝主要的原因包括锈蚀以及磨损等，一般可以通过超声检测、机械检测以及漏磁检测实现缆索内部检测，当前实际应用中最常见的方法是漏磁检测法。

缆索表面检测需要由配有摄像头的机器人进行，通过传感器以及摄像头能够采集表面缺陷信息，同时利用通信系统将采集到的信息传递回上位机，在上位机中，利用计算机技术对采集到的缆索图像和数据进行处理，最终确定缺陷信息。对缆索的表面缺陷检测而言，数据和信息采集应该保证其具有较高的稳定性、准确性和实时性。对于采集设备和上位机比较远（一般为100 M以上）的作业，可以采用无线网络传输进行数据的传递。采集到的数据和信息能够以可视化的图片、视频等方式进行实时显示，根据采集信息和数据定位缺陷位置。

2    缺陷信息的传输与接收

由于实际缆索缺陷信息检测中往往缆索与地面距离较远，为保证正常通信，单一无线网络设备已经不能很好地满足相关需求，建议采用具有无线分布式系统（Wireless Distribution System，WDS）功能的路由器来进行信息传递，保证网络全覆盖。

WDS由多个无线网络协调配合构成一个大型无线网络，该分布式系统的提出主要是为了解决单一无线网络覆盖范围小的问题。该系统通过多个无线网络无线访问接入点（Access Point，AP）或无线路由进行桥接，实现无线信号的扩展以及无线信号更高范围的覆盖。

WDS的提出和应用改变了传统单一模式的无线应用，能够提供无线桥接和无线信号覆盖，从而为用户提供全新、灵活、多变的无线组网方式，实现大面积、大范围的无线组网。不仅能够实现本区域内的无线网络信号覆盖，而且能够实现桥接远端支持WDS的同类设备。

在缆索表面缺陷检测的过程中，通过分布式网络将检测到的视频信息进行传递，制定接收端地址，并自动匹配目标地址。以工程建设为例，在地面上位机中采用Linux操作系统，并采用VLC播放器作为客户端进行视频RTP数据的接收。VLC作为典型的开源且能应用于Linux系统的播放器，能够保证采集视频的流畅播放，传输速度很快，能够达到25帧每秒。

当信息和数据显示在上位机端的时候，工作人员能实时进行数据和信息的观察处理，了解缆索表面状况。同时，通过上位机端还能够对正在观测的蛇体进行控制，包括运行速度、检测范围、检测角度等。当发现缺陷或者潜在缺陷的时候，工作人员可以手动控制调焦进一步放大缆索表面信息。

通过传感器以及信息数据采集设备的采集，将采集到的数据和信息传递到地面上位机之后，计算机进一步分析、处理、鉴别缆索缺陷，然后对发现的缺陷及故障进行定位，为缆索修复和更换提供一手资料。

3    缆索边缘提取

在蛇体机器人运动和检测中，不可避免地会产生机体抖动进而引起摄像头抖动，拍摄到的画面可能存在蛇体结构、环境背景等冗余信息[2]。同时，在缆索的表面还有灰尘污染等外在影响，这些物理因素也成为缺陷检测提取的阻碍。除此之外，缆索本身形状也会造成影响，因其呈弧状，极易引起不同程度背光，影响检测质量。

图像质量边缘退化、检测细节模糊等给图像处理和数据分析带来极大阻碍。因此，在进行分析之前需要对采集到的图像和数据进行预处理，去除冗余信息，通过特征提取与优化提高图像质量。

图像噪声也是导致图像质量不高的一大重要因素，高斯噪声、指数噪声以及脉冲噪声等都是图像噪声的常见类型。另外，桥梁缆索表面的灰尘和白色斑点等也会产生噪声，此类噪声为椒盐噪声。除此之外，在视频传输中还可能会产生随机噪声等。因此，为保证视频和图像质量，必须对这些噪声进行处理，中值滤波算法对这些噪声有很好的滤除效果。

作为一种非线性信号处理方法，中值滤波算法采用非线性中值滤波器进行滤波处理。通过中值滤波能够对线性滤波造成的细节模糊等图像问题进行处理，很好应对脉冲干扰以及图像扫描噪声。在实际运行过程中，滤波的窗口越大，降噪效果越好，但处理后的图像会出现模糊的现象。窗口小时，虽然降噪效果会变差，但是图像细节会得到保护。一般在实际应用中，需要保护图像细节，建议采用3×3的矩形窗口。

完成图像预处理之后，进行缆索边缘查找，对缆索的背景也需要进行剔除处理。缆索边缘特征分布的不连续处往往是缺陷所在，因而成为图像识别和信息特征提取的关键位置。一般可以通过Sobel，Prewitt，Roberts，LoG，Canny等算法实现信息采集和处理。图像边缘检测步骤可以概括为以下几步：

（1）滤波，由于边缘检测中不可避免地会出现噪声，因此需要进行降噪，通过滤波器的滤波功能实现降噪，但这一操作也会导致边缘强度出现损失问题。

（2）增强，引入增强算法对邻域灰度进行分析，提取灰度显著的点，并对提取点进行突出显示。一般通过计算梯度幅值完成。

（3）检测，在进行实际检测过程中会发现梯度幅值变化的位置，这些位置并不是边缘点，这一检测过程通过幅值阈值判定。

（4）定位，通过定位能够发现故障和潜在缺陷所在，对所在位置进行精确定位，一般通过简单的Sobel算法就能够实现这一功能。

在对缆索进行完边缘检测之后，能够得到具有完整边缘信息的图像以及资料。在其中引入直线检测方法，对缆索边缘特征进行进一步提取，得到缆索区域图。最常用的直线检测方法是哈夫（Hough）变换，这一方法具有显著的全局特性，而且不容易受到边界间断以及噪声的影响，且运算量较小，具有较好的鲁棒性。

4    缆索表面缺陷提取

在经过预处理等过程之后能够得到无背景、相对质量较高的缆索表面图像，在此基础上需要进一步处理得到缆索表面缺陷信息。

缆索表面缺陷特征明显，一般具有缺陷的位置光线和其他位置不同，灰度值会较低，可以通过阈值分割的方法进行缺陷的识别和分离。但在实际拍摄过程中会因为光线不足导致缆索边缘灰度值也较低，因此，利用这一方法进行识别的时候，会出现部分伪缺陷，需要进行进一步分析。在线索缺陷位置，光线引起的伪缺陷位置灰度变化是渐变的，而真正的缺陷位置会出现较大的灰度变化。

圖1是以130为阈值（阈值的选择通过观察灰度直方图，灰度直方图两波峰之间的最低值可作为阈值）分割出的图像效果，在进行图像分析后能够发现，如果单纯利用灰度进行区分判别难度较大，边缘部位、缺陷部位和图像底部光线不好的位置区别不明显。图2为Sobel边缘检测得到的结果，能够很明显地发现缆索底部的灰度呈现渐变，说明并没有提取出边缘。说明这一方法和阈值选择存在问题，因此，在实际的工作中需要对缺陷提取方法、阈值选择进行合理判别：首先，将全部缺陷进行提取，提取出的缺陷可能存在大量伪缺陷;其次，对缺陷进行进一步处理，利用边缘监测找出灰度突变位置，两者结合进行分析和细化，找出伪缺陷并去除，最终完成缺陷提取。

为进一步精确定位分析缺陷部位，需要采用自适应技术对不同图像进行调节分割，建议采用基于最大类间方差的阈值分割算法来实现图像阈值分割。首先对图像进行划分和处理，通过灰度特性差异划分为目标和背景两个层次，确定阈限值使得目标和背景方差最大便于区分。如果目标和背景之间的方差越大，说明两部分存在的差异越大，当部分目标被错分为背景或部分背景错分为目标都会导致这两部分差别变小。因此，使用类间方差最大的分割意味着错分概率最小，这是该方法的主要思路。

5    结语

文章介绍了蛇形机器人对缆索表面缺陷检测过程，采用最大类间方差的阈值分割算法来实现，最后通过与边缘检测结果对照，将虚假边缘去除，得到最终的缆索表面缺陷信息。

[参考文献]

[1]刘登跃，何斌，陈鹏杰，等.一种新型的轮式缆索检测机器人系统[J].中国科技信息，2015（Z1）：108-111.

[2]魏武，何振勇.缆索检测攀爬蛇形机器人系统综合设计与实现[J].自动化与仪表，2013（12）：9-12.