X射线无损检测的GIS设备缺陷检测研究

李 波 ，胡秀敏 ，何志琴 ，高正浩 ，樊 磊 ，孙 博

（1.贵州电网有限责任公司电力科学研究院，贵州 贵阳 550002；2.贵州大学电气工程学院，贵州 贵阳 550025）

气体绝缘开关（Gas Insulated Switch，GIS）设备由于其运行可靠、占地面积小、检修周期长等特点被广泛应用于变电站中。但如果发现故障，则会导致大范围的停电，检修时间长，造成较大经济损失[1]。常用的GIS设备检测方法有局部放电检测法和SF6分解物检测法[2]，巡检人员使用这类方法对GIS设备进行检测时，需要具有一定的专业能力，且会出现错误判断。采用X射线无损检测方法可以实现GIS设备内部可视化检测。文献[3]将X射线检测技术运用到汽车钼铼合金零部件加工中，文献[4]将X射线实时成像系统运用到GIS焊接壳体检测中，文献[5]将X射线无损检测技术应用到输电线路压接金具的质量检测中，对输电线路的安全运行有重要意义。文中通过X射线无损检测实现GIS设备内部可视化，将图像识别技术应用于GIS设备的缺陷检测中，代替巡检人员判别GIS设备是否存在缺陷，达到及时维修、减少电网损失的目的。

1 X射线成像技术

X射线数字成像技术（Digital Radiography，DR）利用平板探测器接收被穿透GIS设备的X射线，通过探测器内部电路结构将X射线能量强度转化为电流信号，最后以数字图像形式在计算机上呈现。X射线成像检测系统如图1所示，主要包括X射线机、成像板、计算机、X光机现场支架、控制箱等[6]。GIS设备图如图2所示，其中图（a）为实物图，图（b）为GIS设备示意图。主要包括隔离开关、接地开关、断路器及电流互感器等。

图1 X射线成像检测系统

图2 GIS设备图

2 GIS设备缺陷图像检测

目前，基于X射线成像的无损检测技术由于其直观、便捷、检测效率高等优点而被广泛应用于工业领域中。将图像处理技术应用到GIS设备的缺陷检测中，可以在不拆卸设备的情况下，把GIS设备内部情况展示出来，更加方便检测。

2.1 GIS设备缺陷检测流程

具体的缺陷检测流程为：首先将通过X射线成像机得到的GIS设备图像读取到计算机，然后通过对GIS设备图像进行图像增强、图像分割，最终采用SVM实现缺陷检测。GIS设备缺陷检测流程图如图3所示。

图3 GIS设备缺陷检测流程图

2.2 GIS设备图像预处理

在变电站的相关GIS点固定拍摄支架时，为了保证拍摄到的照片的清晰度，都是由有一定经验的工作人员调节角度，但是在长期的拍摄过程中，理论上支架会有所偏移，且变电站环境多变、GIS设备内部情况也无法保证一致。所以，对获得的图像首先要预处理，主要包括灰度变换、二值化、滤波去噪、图像增强等。

2.2.1 快速中值滤波

中值滤波是一种非线性平滑技术，其原理是把某一领域Ω内的点源灰度值进行排序，然后选择中间值mid替代其他所有点的灰度值。传统的中值滤波方法效率低，因此，有学者提出了快速中值滤波方法[7-9]，其算法思想考虑到在传统中值滤波算法中，当以第一个点源为中心时与以第二个点源为中心进行操作时，图片中有大部分相同区域需要运算，因此，将直方图思想引用到中值滤波中，每一次可以对灰度值相同的点进行滤波，大大提高了计算速度。

2.2.2 Gama增强

Gama变换思想是修正图像中灰度值过高或过低的点源，提高图像的对比度[10]。其基本形式如式（1）所示。

其中，c、I是常数，对比度的增强度由r决定。

预处理后的GIS设备图像如图4所示。

图4 预处理后的GIS设备图

2.3 基于模糊理论的GIS设备图像分割

将GIS设备图像分割成不同区域，每个区域具有一定相同特性，便于缺陷检测。

2.3.1 FCM算法原理

一般地，图像用 X={X1（i，j），X2（i，j），…，Xn（i，j）}来描述[11-13]。其中，n为总的像素点，FCM算法将图像的像素分割为C类，每一类有一个唯一的聚类中心，通过不断迭代实现目标函数最小[14-17]。各像素点的隶属度用uij表示，意为点源xj是第i类的概率，目标函数表达式如式（2）所示。

其中，约束条件如式（3）、（4）所示。

在式（3）、（4）的条件下，分别对每个变量求偏导，在目标函数为最小值时候联立方程式，解得聚类中心vi和隶属度uij如式（5）、（6）所示。

其中，i=1，2，3…；j=1，2，3，…，n；c=1，2，3，…，n。

2.3.2 改进方案

FCM计算简单、易于实现，但存在收敛速度慢、易陷入局部最小等问题。考虑到在GIS设备图像中，部分点源在聚类时与聚类中心相关度不高[18]，于是尝试引入非隶属度r、不确定度π的概念，考虑到某个灰度点与领域内的灰度梯度存在阶跃变化或连续变化，因此，结合图像的领域信息对图像进行分割。改进后的隶属度uij*、聚类中心vi*如式（7）、（8）所示。

其中，

随着不确定度π的引入，在传统FCM算法基础上，引入第二个目标函数如式（11）所示。

结合式（2）可得新的目标函数，如式（12）所示。

其中，

算法流程如图5所示。

图5 算法流程图

GIS设备分割效果对比如图6所示。

图6 FCM、改进后方法分割效果

从图6中，可以直观感受到改进后方法在保留了图像重要信息的情况下增大了目标图像与背景灰度的差异，更利于缺陷检测。

3 缺陷检测

目前常用于机器视觉分类检测的方法主要分为两种，一种是现在发展迅速的基于机器学习的方法，一种是经典的支持向量机（Support Vector Machine，SVM）方法[19]。针对现场应用中获得的GIS设备图片数量比较少的情况，采用SVM方法进行GIS缺陷检测。且传统的SVM分类器是二分类分类器，针对GIS缺陷多样的问题，采用一对一方法构造SVM多类分类器。

一对一方法思想是构造k（k-1）/2个分类器，每一个分类器里的训练集都是来自两个不同类型的数据，如对于第m个类型和第n个类型的训练集，构造如式（14）的二次方程。

在GIS设备图像完成分割之后，对其进行以下特征值提取：周长、面积、凹陷、凸包、Hu不变矩。将读取的特征值放到构造的SVM分类器中，完成分类器训练后，在Visual Studio 2013的集成开发环境下，调用Opencv2.4.10视觉库，使用基于SVM分类器构造的多类分类器进行GIS设备图像的缺陷检测。缺陷检测如图7所示。

从图7可直观看到，改进后的方法能够准确检测出各种典型的GIS设备是否有缺陷，在没有缺陷时，检测结果不会标记出图像的任何地方，有缺陷时，则标记认为有缺陷的地方。由于GIS设备图像拍摄并不容易，没有很大数据集。所以实验选择4种缺陷图像各200张（其中部分是没有缺陷的）进行样本训练，使用各个类型40组进行检测，检测正确率如表1所示，可见，改进后的检测正确率提高5%左右。

图7 缺陷检测

表1 检测正确率

4 结 论

对GIS设备的缺陷检测是变电站运维工作的重点之一。文中针对经典FCM算法分割得到的GIS图像检测效果差的问题，提出了一种GIS设备缺陷检测方法，对初步得到的GIS设备图像进行信息增强，然后提出一种改进的FCM算法进行分割，该方法在保留感兴趣的GIS设备图像信息之外，更好的去除冗余信息，使得对GIS设备图像分割效果更好，最后采用一对一思想构造SVM分类器，对GIS设备图像进行分类，测试结果表明，对GIS设备图像的分割算法的改进，有效提高了检测率，平均提高了5%左右。其对于减少电网公司变电站事故带来的经济损失具有重要意义。