基于图像技术的高压铁塔喷涂质量检测

张志东，汤铭辉，谢志强，刘 静

（1.广东立胜综合能源服务有限公司，广东佛山528000；2.佛山科学技术学院自动化学院，广东佛山528225）

利用工业机器人完成高压铁塔喷涂工作已经应用于电力系统设备的维护工程之中［1］，在喷涂过程中所喷区域质量的检测是保障喷涂工作质量的重要环节。检验喷涂质量的方法众多，如光谱法［2］、红外线技术以及图像技术［3］等。随着神经网络的发展，基于图像技术的质量检测得到广泛的应用［4］。神经网络技术的并行性计算能力、非线性映射以及自适应能力等优点已有了充分的认识，各种神经网络模型在图像处理领域中得到广泛应用［5］。铁塔喷涂对象表面是铁质平面，根据喷涂工艺流程及质量标准的要求［6］，喷涂质量缺陷主要有起泡、流挂、疏松、起皱、针孔以及粗粒等。本文采用方向梯度直方分布图（HOG）［7］对喷涂图像进行特征提取分类，实现喷涂质量检测。

1 HOG特征提取

在特征提取前，首先对图像进行规范化处理，将图像缩放为256×256大小，然后进行下列计算提取图像特征（灰度梯度），其步骤如下所述。

（1）灰度化。灰度可表达为

（2）归一化。采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）为

其中，本文取γ=0.5。

（3）梯度计算。计算图像每个像素的梯度（包括大小和方向）时，需要取相同的水平和竖直方向模板［-1 0 1］T分别计算下列参数。

1）水平边缘可表示为

2）竖直边缘可表示为

3）梯度大小可表示为

4）梯度方向可表示为

（4）将图像划分成8×8=64互不重叠小细胞单元（cell），统计每个单元的梯度方向直方图，将所有梯度方向划分为9个bin（即9维特征向量）。

（5）将每2×2个细胞单元组成一个块，一个块内所有细胞单元的特征向量串联起来便得到该块的HOG特征向量即4×9=36维特征向量。

（6）将第i块的直方图归一化，即

其中，v为标准化前的特征向量；N为图像的分块数目；ε为一个很小的标准化常量，防止除数为0。

（7）将图像内的所有块的HOG特征向量串联起来就可得该图像的HOG特征向量，即

2 基于图像的等级分类

铁塔喷涂的质量等级分为合格与不合格，是典型的二分类问题。设vi∈Rn，yi∈R分别代表第i幅图像的特征向量和类别，其中yi=｛1，-1｝代表合格和不合格样本，数据集

为待分类的样本集。引进一非线性函数ø（x）：Rn→RN，有

将X∈RN维输入向量映射到N维空间。当样本的维数较小时，常常需要将样本映射到更高维空间（N＞n），以获得较高的识别准确率；而当样本维数较大，为避免维数灾难，应该取N＜n。在图像处理时，由于样本维数较大，文献［8］常用主元分析法（PCA）来处理特征向量，或者用支持向量机（SVM）［9］来进行识别。本文基于线性优化理论［10］开发下列算法，允许高低维映射自由选择，且计算结果可利用数值稳定性较好的广义逆矩阵来求得。

设网络输出为符号函数，即

其中，ω∈RN为权值输出向量，b为标量常量。由标识符yi的定义，当y（x）＞0时，识别结果为合格样本，反之y（x）＜0为不合格样本。下面讨论权值系数ω的确定。

将样本代入式（11）可得到

令φi＝［1 øT（Vi）］T，λ＝［b ωT］T，将式（12）写成矩阵形式

其中，ψ（V）=［øT（V1）øT（V2）…øT（Vi）］T，Y（V）=［y（V1）y（V2）…y（Vi）］T。

由线性方程理论可知，式（5）的最小误差范数解为

其中，ψ+（V）为Moore-Penrose［10］广义逆。

该分类器的计算步骤如图1所示。

3 仿真实验

为验证此方法的有效性，本文采取了21张图像作为训练样本，13张图像作为测试样本。测试样本结果为：-1-1 1 1 1-1 1-1-1-1-1 1 1，与原始图像类别完全一致，准确率为100%，识别过程如图2所示。

图1 分类器计算步骤

图2 在线采样图像识别流程

4 小结

本文根据铁塔喷涂图像的特点，采用HOG方法提取喷涂图像的特征，鉴于HOG方法所得到的特征向量维数规模大，建立了一种简洁快速的二分类方法。该方法只需进行广义逆计算，避免了非线性最优求解问题，特别适合在线诊断的快速性要求。实验表明，该分类器就实验样本而言，准确率达100%。该样本数偏少，后续工作需要进一步通过增加样本数量，从而提高分类器的适应性。