基于图像识别的10 kV电缆接头施工缺陷算法应用研究

薛艺为，党卫军，孙奇珍，霍建彬，方春华

（1.广州电力公司黄埔局，广州 510700；2.三峡大学，湖北宜昌 443000）

引言

10 kV电力电缆中间接头施工缺陷识别的研究是通过识别装置获取中间接头施工过程中的图片，对中间接头图像进行处理，提取感兴趣区域，通过得到的不同缺陷在图像中的特征，最终根据这些特征对施工过程中出现的缺陷进行判定，识别电缆中间接头施工过程中所出现的缺陷。

本研究针对主绝缘上的污渍与划伤缺陷，提取缺陷区域的灰度色差与纹理特征，通过分析缺陷区域的特点，发现两种缺陷区域的特征量存在一定的差异，提出基于神经网络识别主绝缘缺陷的方法。分析了外半导电层的颜色与纹理特征，针对外半导电层剥离不齐这一典型缺陷，提出了采用矩形度进行缺陷判定的方法。针对实际拍摄的电力电缆中间接头图像，研究了各组成部分的分割方法以及分割后各部分的缺陷检测。

1 主绝缘典型施工缺陷识别

1.1 主绝缘污渍色差特征

在实际施工过程中，主绝缘上常粘有污渍或杂质，色彩与主绝缘相差较大，其灰度特征较为突出。分离电缆中间接头背景后提取主绝缘区域图像。若图像中只有主绝缘部分，其灰度特征单一，其变化通常具有连续性，通过投影法能够有效表现出其表面是否存在污渍。主绝缘污染区域如图1和表1所示。

图1 主绝缘污染区域图像

表1 缺陷区域灰度与主绝缘灰度

2.2 主绝缘划伤纹理特征

主绝缘划伤缺陷不同于污渍，主绝缘划伤是主绝缘内部的变化，划伤在平滑度、亮度及与周围的一致性有较大的差异，因此需要提取更多的特征量进行度量。

2.3 基于神经网络的缺陷识别方法

为区分和识别主绝缘上的两种缺陷，设计神经网络对两种缺陷进行检测。确定神经网络的结构层次是设计的主要任务，涉及对缺陷类型的判定，而对缺陷的定量分析要求相对较低。本研究采用三层神经网络结构来识别缺陷。样本数据见表2，神经网络训练流程如下：

（1）将最开始的权值赋予随机数，设置最多迭代1000次，最小误差为0.01，步长为0.01，输出样本为20个，如表2所示；

表2 样本数据

（2）将样本参数输入网络，并将对应的两类缺陷编码值作为输出录入网络；

（3）按照设计的网络结构学习训练，当误差值小于规定时结束训练，得到训练好的网络。

网络训练结束后，随机抽取10张主绝缘存在缺陷的图像，其中主绝缘污渍与主绝缘划伤各取5张，分别提取缺陷区域的对应特征量，输入网络，测试网络的可靠性，表3为测试结果。表4为输出的结果，第3组与第5组结果与期望结果差别大，出现了误判，从整体来看识别效果较好，识别率达80%，能够达到前期试验的基本要求。但在试验中仍然存在未能识别的情况，通过比较这两组缺陷试验数据与同类缺陷数据，发现在纹理特性中的m、μ3特征量变化较大。

表3 测试数据

表4 测试结果

通过分析，可能引起误判的原因有：

（1）缺陷区域的提取不够精确，在提取特征量时存在一定的误差；

（2）在训练神经网络时选取的样本数量可能不足，导致训练好的网络所计算出的数据不够精确；

（3）特征量的选取可能不足，能够反映缺陷的特征量不充分，导致无法准确识别。

3 外半导电层缺陷识别

通过分析施工流程，发现外半导电层容易出现剥离不齐的问题。外半导电层剥离不齐主要发生在电缆接头边缘的与主绝缘相交处，其判定较为复杂，仅仅依靠颜色的判定不够准确，同时容易受到外界的干扰。提取出半导电层的边缘，通过边缘的整齐程度能够对边缘不齐缺陷做出准确的判断。

3.1 外半导体剥离不齐识别方法

图2分别为电力电缆中间接头施工过程中出现的外半导电层剥离不齐缺陷图像，图中可见剥离不齐处形状各异，大小不同。针对拍摄的电力电缆中间接头图像，采用蚁群算法与形态学相结合的方式求取图中主体边缘，将数学形态学与之相结合。形态学主要包含膨胀和腐蚀两种情况，膨胀与腐蚀组合能够得到开、闭两种运算方式，膨胀处理能够在一定程度上消除伪边缘，但会扩大边缘范围，而腐蚀处理能够将扩的边界区域进行细化，使其更接近原始边界。形态学与蚁群算法相结合的方式，有效抑制了图像中噪声，同时对于边缘的检测也较为准确。图3为外半导电层最小外接矩形标记图像，运用边缘的灰度变化特性与几何特征作为外半导电层剥离不齐的判据，实现了对外半导电层剥离不齐的有效判断。

图2 外半导电层剥离不齐原始图像

图3 外半导电层最小外接矩形标记图像

4 电力电缆缺陷识别流程分析

实际拍摄的图像包含电缆中间接头的各组成部分，在识别判定过程中需要对拍摄图像进行相应处理。图4为缺陷检测流程，根据智能识别装置所获取的中间接头图像，先进行预处理，将彩色图像处理为灰度图像。由于彩色图像通常为一个3维数组，不同的色彩空间所呈现的3个变量并不唯一，需将彩色图像转换为灰度图像，降低维数，这样计算速度在处理过程中会大幅提升。

图4 缺陷图像检测流程

5 结论

（1）根据现场的施工条件，分析得到主绝缘上易出现的污渍与主绝缘灰度色差大，缺陷区域纹理特征与非缺陷区域存在一定差异；主绝缘划伤缺陷灰度色差与主绝缘相差较小，纹理特征与主绝缘有一定程度上的相似性，得到灰度色差与纹理特征能作为判定两种缺陷的特征量。通过灰度色差和纹理特征中的m、σ、μ3、e四个量与灰度色差作为特征量，随机选取样本运用神经网络进行训练，训练达到要求的网络能够有效地对主绝缘上的污渍及划伤两种缺陷进行判定。

（2）通过分析半导电层缺陷的特点，得到外半导电层剥离不齐缺陷通常发生在与主绝缘的交界处，半导电层颜色与主绝缘颜色相差大，有明显的边界特征。提出通过数学形态学与蚁群算法相结合的方式检测外半导电层的边缘，其效果优于经典的边缘检测方法。通过该方法对外半导电层进行边缘提取，能够完整获得外半导电层的区域，通过外半导电层所占区域与其最小外接矩形的面积，求取外半导电层区域的矩形度，能够对剥离不齐缺陷进行有效检测。

（3）针对实际施工过程中所拍摄的图像通常不只包括主绝缘或者外半导电层，往往会将电缆中间接头整个部分拍摄入图像中，难以准确判断各部件对应的缺陷。通过图像色彩空间的转换，将拍摄图像转换至非RGB彩色空间进行灰度计算，能够有效突出中间接头。针对研究对象，通过传统滤波方法对比，得到双边滤波对去除图像中的噪声有良好的效果。将增强后的图像进行数学变换求取对应的二值图像，由二值图像将中间接头的主绝缘与外半导电层分割成独立的部分，采用主绝缘与外半导电层缺陷的检测方法是可行的。