一种无人机在线喷涂绝缘子RTV 质量评价方法

汪博文，杨昌建，汪峰，杨传凯，寇宗祥，杜建超，4

(1.国网陕西省电力有限公司安康供电公司，陕西 安康 725000; 2.国网陕西省电力有限公司电力科学研究院，西安 710100; 3.西安电子科技大学通信工程学院，西安 710071; 4.西安电子科技大学广州研究院，广州 510555)

0 引言

室温硫化硅橡胶( RTV) 因为具有出色的憎水性［1］以及持久的憎水迁移性［2］，且能很好地兼顾多种类型绝缘子的机械和绝缘性能，被广泛涂敷于绝缘子表面以防止绝缘子发生污闪现象。长期运行在野外环境中将使绝缘子RTV 涂层发生老化或污损现象，失去原有的正常功能。!当前一些研究试图通过利用无人机挂载机械臂对RTV 涂层实施在线喷涂，以延长其使用寿命，降低运维成本。在进行喷涂的过程中，需要对喷涂效果进行评估，并指导喷涂工作达到技术要求。

传统针对绝缘子RTV 喷涂质量的评估模式多为侵入型检测评估［3］，即通过刀片切割，手工剥离涂料等方式，实现对绝缘子表面厚度或者附着力的评估。还有一些无损检测技术利用傅里叶红外光谱分析、激光诱导光谱、微波超声及脉冲热流远场［4-6］等方式对RTV涂层的厚度分布和材料状态进行评价。这类检测方式较为复杂，均无法应用于在线喷涂场景。

近年来，基于深度学习的图像处理技术被广泛应用于绝缘子设备运维检修领域。文献［7］使用U-Net 网络框架对绝缘子进行分割和检测，文献［8］结合生成对抗网络来增强U-Net 在绝缘子分割中的性能，文献［9］在分割出绝缘子的基础上利用R-CNN 网络检测绝缘子自身缺陷。这些方法具有鲁棒性好、准确度高的特点［10］。无人机在线喷涂RTV 时，绝缘子RTV 涂层的外表状况是评价喷涂质量的主要依据。采集喷涂图像，利用图像处理技术提取绝缘子RTV 喷涂缺陷，分析缺陷的特征信息，能够形成对喷涂效果的有效评价。

基于此，文章提出一种基于深度学习的无人机在线喷涂绝缘子RTV 质量评价方法，构建分类模型对喷涂表面的堆积、拉丝、喷涂不均匀等缺陷进行分块检测，按照各类缺陷所占的面积比例，结合模糊评价手段来生成评定分数，完成喷涂质量的评价。

1 绝缘子RTV 喷涂区域提取

通常所采集的绝缘子图像具有复杂的背景，易对缺陷检测和质量评价造成干扰，因此首先从背景图像中提取出绝缘子RTV 喷涂区域。以完全卷积网络( FCN) 为基础架构的Deeplabv3+网络，是一种深度卷积神经网络模型，能够提取目标的深度特征信息，适应复杂多变的场景，具备很好的语义分割性能。

基于Deeplabv3+网络构建绝缘子RTV 喷涂区域提取模型，如图1 所示。

模型由编码器和解码器结构组成［11］，在编码器部分，连续卷积的池化操作可以降低数据维度，减少运算的复杂度，但是随着输入图像特征图尺寸的减小，空间分辨率降低，会损失一部分额外的信息。因此，在编码器阶段引入了空洞卷积( Atrous Convolution) ，空洞卷积可以将特征图中单个像素的感受视野增大，保证在特征图尺寸减少的情况下依然保持信息不变，从而精确定位目标。在编码器与解码器的连接部分，使用空洞空间卷积池化金字塔( ASPP) 结构［12-13］，对解码器压缩过后的预处理特征层并行使用不同步率的空洞卷积进行特征提取，最后利用1 ×1 的卷积压缩特征，然后将多个通道的特征进行合并，融合多尺度特征，最终得到一个有效特征层。在解码器部分，将ASPP 处理过后有效特征层和编码器处理过后的有效特征层进行尺寸维数统一然后在通道维度合并，用连续的上采样和深度可分离卷积得到最终的绝缘子RTV 喷涂区域提取结果。经过本网络处理后，图像中仅保留绝缘子RTV 喷涂区域，其它背景其余均置为黑色，像素灰度值为0。

2 绝缘子RTV 喷涂缺陷检测

2.1 RTV 喷涂缺陷分析

RTV 材料［14-15］是一种触变性流体，存在屈服值和粘度，当屈服值过高，粘度增大，会使得涂料的流动性变差从而形成堆积;在喷涂过程中，粘性涂料需要一定的时间风干，自然环境引发的风沙流动会让杂质附着在绝缘子RTV 涂层表面;而喷涂工艺所包括的喷涂角度和时间的差异以及绝缘子表面局部材料吸附能力的不同会使得表面涂层厚度不均匀甚至覆盖不完全;当RTV 液体的粘度过低或是涂料质量过大时，RTV 涂料会在绝缘子伞裙之间拉丝和滴连。结合实际喷涂情况，将RTV涂层可能出现的所有缺陷划分为四类:堆积缺陷、有杂质缺陷、不均匀缺陷、伞裙间拉丝缺陷见图2。

图2 四种缺陷种类示意图Fig.2 Schematic diagram of the four types of defects

2.2 基于矩形网格划分的RTV 喷涂缺陷检测

为了评估绝缘子RTV 喷涂质量，需要检测出绝缘子表面各种喷涂缺陷并计算出缺陷所占的面积比例。由于喷涂缺陷形状多样以及前景与背景间的差异较小，采用语义分割的方法时存在检测速度较慢、需要大量标记数据和检测准确率较低等问题［16］。因此，提出一种基于矩形网格划分的喷涂缺陷分类模型，将绝缘子RTV 喷涂区域提取后的图像进行矩形网格划分，得到互不重叠的子图像块，通过构建的图像分类网络对子图像块进行分类，最终经过合并计算即可得到每类缺陷所占比例。

首先，将绝缘子RTV 喷涂区域提取后的图像划分为S×S个互不重叠的子图像块。S的选取与原始图像的分辨率有关，其取值决定了子图像块的大小，从而影响分类的精确程度。S越小，子图像块就越大，其对于缺陷的分类就越模糊，S越大，子图像块就越小，其对于缺陷的分类就越精细，但S过大的话，子图像块被划分的很小，使得不同类别的子块之间区分度下降，导致分类的准确性不升反降。如图3 所示，上图中S设置为下图的2 倍。在图中，两个框网格均检测为不均匀缺陷类别，而在下图中，对应的8 个小网格检测为不均匀，堆积，杂质，拉丝以及背景等5 种不同类别。

图3 绝缘子RTV 喷涂区域图像网格划分Fig.3 Mesh segmentation for the insulator RTV spraying area image

因此，必须结合实际应用给S设置合适的大小。当图像的宽、高不能被S整除时，可以先对图像边缘进行置0 填充，使其达到能够整除的分辨率再进行划分。

其次，网格划分以后，采用图像分类网络对每个图像块进行分类。基于4 种缺陷类别，以及1 种无缺陷类别和1 种黑色背景类别构成分类样本，并基于Transformer 架构并结合轻量化的CNN 模型来构建子图像块的分类网络。Transformer 网络［17-18］能够有效建模输入图像像素之间的语义信息，提高缺陷分类的表现，但是模型参数量较大，需要更丰富的数据集用来收敛训练以及更高效的计算性能应对推理过程，而结合CNN 的轻量化架构很好地平衡了性能和效率，可以更好地应用于实际需求。

如图4 所示，所构建的网络结构由包含Transformer 结构的Mobile-vit 层、反向残差层、普通卷积层、全局池化层以及全连接层。输入的图像经过反向残差层进行维度降低，能在维度降低的同时更好地保存特征图中的语义信息。再通过MobileVit 模块进行全局信息建模，首先将特征图通过一个卷积核大小为3 ×3 的卷积层进行局部的特征建模，然后通过Transformer 结构进行全局语义信息获取。之后，其跨越连接分支与原始输入特征图进行拼接，最后通过一个全连接层得出预测结果输出。

图4 基于Transformer 和CNN 的图像块分类网络模型Fig.4 Image block classification network model based on Transformer and CNN

最后，统计每一类子图像块的数量占据全部子图像块数量的比例，就可得到每类缺陷所占的面积比。

3 基于模糊评价的绝缘子RTV 喷涂质量评价

由绝缘子的性能分析可知，不同缺陷类型对RTV涂层防污闪能力的影响各有不同［19］，对喷涂质量评价的影响也不是简单的线性组合。模糊评价方法［20-21］是一种非线性拟合方法，通过模糊线性变换和最大隶属度原则，将与被评价事物相关的各个因素综合考虑，进行非线性变换，最后给出评价分数。模糊评价方法给出的评价结果往往更能与人的主观感受相一致。因此基于模糊评价原理，文中提出绝缘子RTV 喷涂质量的评价方法。

首先，根据国网陕西电力科学研究院提供的巡检技术规范要求，确立缺陷等级划分标准。表1 给出了四种喷涂质量等级比例标准，表1 中的数值表示每类缺陷在绝缘子表面图像中的最大面积占比。

表1 RTV 喷涂质量等级比例标准表Tab.1 Scale of RTV spraying quality grades

其次，按照模糊评价中的主客观赋权法［22］，依据专家打分和喷涂实验数据设定不同绝缘子缺陷类型对RTV 涂层防污闪能力的初始影响权重集合A:

式中a1～a4分别代表四类缺陷:堆积缺陷、有杂质缺陷、不均匀缺陷和拉丝缺陷对最终结果的重要程度。并且，当某种缺陷类型面积占比达到RTV 喷涂质量等级比例标准表的IV 级指标时，动态膨胀该缺陷对应的权重，膨胀系数设置为3，即更新该缺陷对应的权重为:ai×3。

然后，根据RTV 喷涂质量等级比例标准表进行标准化处理。隶属度函数形式由梯形分布函数确定，具体表示为:

式中αij为第i类缺陷对应RTV 缺损等级为j(1≤j≤4) 时的标准占比;xi为第i类缺陷占绝缘子RTV 喷涂区域的比例。

基于式(1) ～式(4) 生成的隶属度函数，得到模糊判断矩阵R:

在此基础上，结合权重集合A 计算得到质量等级概率分布向量y，计算方法如式(6) 所示:

其中，y1～y4分别代表四种质量等级的概率分量。

将向量y 经过softmax 函数［23］进行处理，这是一种基于指数函数的归一化操作，得到归一化概率分布［s1，s2，s3，s4］。

最后，将归一化概率分布［s1，s2，s3，s4］作为权值与得分向量b =［b1，b2，b3，b4］进行融合，得到质量评价结果分数res，计算方法如式(8) 所示:

式中得分向量b 是为质量等级预先设定的等级分。基于百分制经验，将得分向量b 的值设置为［100，85，60，30］。

结果分数res≥85 分，认为绝缘子RTV 喷涂质量较好，可以维持正常绝缘子的电气功能;结果分数85 ＞res＞60 分，可以认为该绝缘子喷涂质量存在问题，需要二次喷涂;结果分数res＜60 分，则认为不仅仅需要二次喷涂，且需要重新调整涂料质量或喷涂工艺，对喷涂流程进行优化改进。

4 实验结果

通过实验验证所提出的绝缘子RTV 涂层喷涂质量评价方法的效性。实验在Ubuntu 系统下，使用基于pytorch1.10.0 的深度学习框架搭建网络，GPU 型号为NVIDIA Geforce GTX 2080 Ti。所有数据来自于国网陕西电力科学研究院提供的喷涂实拍图像。

在数据集上分别进行三个实验:1) 绝缘子RTV 喷涂区域分割实验;2) 绝缘子RTV 喷涂缺陷分类实验;3) 绝缘子RTV 涂层喷涂质量评价实验。

4.1 绝缘子RTV 喷涂区域分割实验

实验选用1260 张绝缘子喷涂图像，将其中840 张作为训练集进行特征学习和模型收敛，210 张作为验证集在训练中辅助确定网络结构以及训练超参数的调整，210 张作为测试集评估模型的分割性能。采用平均交并比(mIoU) 、精确度(Precision) 、召回率(Recall) 和平均像素准确率(mPA) 来评价Deeplabv3 +网络对绝缘子RTV 喷涂区域分割效果的评价，具体表达式为:

其中TP、FN、FP、TN分别代表真阳性，假阴性，假阳性以及真阳性的像素点数量。如表2 所示，绝缘子喷涂区域与背景之间分割的MIoU可以达到98.34%，同时精度、召回率和平均像素准确率均达到99%以上的水平。这是因为空间金字塔池化( Spatial Pyramid Pooling) 层和Xception 模块具有多尺度分析的能力，能够实现更好的特征提取和分割精度。图5 展示了分割效果，可以看出。模型非常准确地实现了喷涂区域的提取任务。

表2 绝缘子RTV 喷涂区域分割实验结果Tab.2 Insulator RTV spraying area segmentationexperimental results

图5 绝缘子喷涂区域分割实验结果图Fig.5 Diagram of insulator spraying segmentation experimental results

4.2 绝缘子RTV 喷涂缺陷分类实验

采用2.2 节中的网格划分方法，将绝缘子喷涂区域的分割结果图像划分为子图像块。实验中，针对分辨率为1920 ×1080 的图像，划分时参数S的大小设置为10，经验证该尺寸对缺陷的检测效率是最高的。然后，从子图像块中去除过于相似的冗余块，挑选出2000张图像块构成训练分类模型所用的数据集。

实验中详细对比了Swin-Transformer、ResNet 以及文中方法在参数量，计算量以及分类准确度上的表现，实验结果如表3 所示。

表3 喷涂缺陷分类模型对比实验结果Tab.3 Comparative experimental results of spraying defect classification models

可以看出，Swin-Transformer 模型［24］需要大量的计算资源，但通过图像序列化以及多头注意力机制使其可以更好地捕捉图像的不同尺度特征，从而提高了分类的准确性。

传统CNN 网络( ResNet)［25-26］在计算复杂度方面比Transformer 模型更加高效，适用于资源受限的环境。文中构建的Mobile-Vit 分类网络通过融合上述两种模型，使其在具有更强的全局和局部感知能力的同时保持了低计算复杂度和空间结构的优势，能出色地完成缺陷分类任务。图像块分类以后，统计RTV 喷涂区域不同缺陷类别的图像块的数量，计算出不同缺陷所占RTV 总喷涂区域的比例。图6 展示了图像块分类和缺陷比例统计结果。

图6 绝缘子RTV 喷涂缺陷分类实验结果图Fig.6 Diagram of insulator RTV spraying defect classification experimental result

4.3 绝缘子RTV 喷涂质量评价实验

实验中，分别对20 张喷涂结果优良无需二次喷涂的绝缘子样本、50 张喷涂结果较差需要二次喷涂的绝缘子样本以及50 张喷涂结果很差且需要额外改善喷涂工艺流程的绝缘子样本，进行了评定和打分，统计结果如表4 所示( 表4 中的向上误判率表示质量问题更加严重的类别被误判为较轻情况的比例) 。由实验结果可以看出，文中所提方法对不同喷涂质量绝缘子样本的评定正确率高于90%。同时，不同类别条件下的向上误判率［27］低于2%，这说明模糊评价法能够考虑四种喷涂缺陷间的相互关系，因此可以更准确地反映实际应用的需求。同时兼顾喷涂质量评价中质量边界划分模糊所带来的不确定性，从而更好地反映评价者的主观态度。

表4 质量评价实验统计结果Tab.4 Experiment statistical results of quality evolution

图7 展示了评价效果图，可以看出，喷涂优秀的绝缘子能够得到85 分以上的分数，喷涂中等的绝缘子可以得到60 分以上的分数，而喷涂工艺所导致的严重喷涂问题绝缘子会被打分至60 分以下，评估结果符合人眼主观感受的结果。

图7 绝缘子喷涂质量评价结果Fig.7 Insulator spraying quality evaluation result

5 结束语

提出了一种无人机在线喷涂绝缘子RTV 质量评价方法。通过深度学习模型分割绝缘子RTV 喷涂区域并对其中的喷涂缺陷进行检测，然后采用模糊评价法对喷涂质量进行评定。所提方法具有良好的性能，满足绝缘子RTV 在线喷涂的应用需求。今后可以通过轻量化设计来优化网络模型，提高算法速度，同时在数据预处理和网络训练阶段结合自监督策略，减少对原始数据集的依赖，进一步提升方法的鲁棒性和泛化性能。