变电金具表面腐蚀膨胀点三维检测算法

马斌,蒋鹏奇,刘星星

(国网河南省电力公司新乡县供电公司,河南 新乡 453000)

变电金属表面腐蚀是指该金属受其周围复杂介质影响,其表面出现锈蚀膨胀等问题。尤其是变电金属在环境内受温湿度、日晒、雨淋等影响下,容易出现腐蚀情况。变电金属腐蚀后,其表面产生化学作用,使变电金属呈现氧化状态[1,2]。受到腐蚀膨胀的变电金属强度、塑性等力学特征变化明显,且变电金属之间的磨损程度和自身形状均会出现不同程度变化。变电金属出现腐蚀膨胀后生命周期缩短,容易造成电网故障,严重威胁电力企业生产安全,因此需要及时检测变电金具表面腐蚀膨胀点。

针对上述情况,很多专家学者致力于检测变电金具表面腐蚀膨胀点,以提升电网安全,例如许晨凯等人[3]和崔静等人[4]均对金属表面腐蚀特征检测进行了研究。前者通过建立三维网格模型和算子矩阵,在计算金具表面腐蚀特征数值和向量后,使用加权公式获取金具表面腐蚀特征显著度,从而实现金具表面腐蚀特征识别。但该方法并未考虑金具表面腐蚀三维数据噪声影响,导致其最终结果不够理想。后者则通过建立金具表面腐蚀模型,利用该模型模拟金属腐蚀层生长变化情况,并使用反应速率和扩散系数获取金具表面腐蚀特征,实现金属表面腐蚀检测,但该方法受金具表面腐蚀模型收敛性影响,易陷入极值情况,应用效果不理想。针对金具表面腐蚀检测中的缺陷,本文设计变电金具表面腐蚀膨胀点三维图像检测算法,为电网维护提供更为精准的数据信息。

1 变电金具表面腐蚀膨胀点检测方法设计

1.1 点云图像数据预处理

使用三维激光图像扫描仪获取变电金具表面腐蚀膨胀点云图像数据,但是该数据内存在噪声、残缺等情况,为使变电金具表面腐蚀膨胀点特征凸显效果更佳[5],需预处理变电金具表面腐蚀膨胀激光点云图像数据。本文使用八叉树算法,对金具表面腐蚀膨胀激光点云数据实施精简处理。

八叉树算法的中心思想是在三维空间内以向不同方向分割的形式构建立方体,并将该立方体作为根模型而后继续分割直至其符合用户设定数值[6],实现点云数据压缩。依据八叉树算法的中心思想,其在划分点云数据过程中,编码处理三维空间内的子立方体,其流程如下。

外接立方体被划分为八等份时,令n表示其剖分层数,以n层八叉树表示其空间模型,在该空间模型内,所有子立方体均与八叉树内节点相对应[7,8]。令Q表示八叉树编码,其表达式如下:

Q=en-1…em…e1e0

(1)

上述公式中,em表示八进制数,em表示节点和其相邻节点间的序号,em+1表示节点em与其父节点间的序号,e0～en-1表示八叉树内子节点和父节点间的序号序列,m∈{0,1,…,n-1}。

获取到八叉树编码后,需编码处理变电金具表面腐蚀膨胀激光点云数据,步骤如下。

第一步:获取八叉树剖分层数n,其符合条件如下:

d0*2n≥dmax

(2)

上述公式中,d0表示设置的精简点距,dmax表示点云数据外接立方体最大边长。

第二步:获取子立方体涵盖的点云数据编码。

令P(x,y,z)表示点云图像数据点,该点云图像数据点在该子立方体的空间索引数值为(j1,j2,j3),则点云图像数据点空间索引、数据点和八叉树编码Q之间关系表达式如下:

(3)

上述公式中,(xmin,ymin,zmin)为和父节点相对应的点云数据外接立方体顶点最小坐标值。

将点云图像数据点在子立方体的空间索引数值(j1,j2,j3)变换为二进制形式后[9],子立方体对应的八叉树编码空间索引值表达式如下:

(4)

上述公式中,(em%2)、[em/2]分别表示em除2后的余数和结果整数。寻找变电金具表面腐蚀膨胀激光点云图像数据的若干近邻时,在该数据点k邻近的子立方体内搜索即可,因此使用八叉树算法对变电金具表面腐蚀膨胀激光点云数据进行划分后,可实现激光点云图像数据的压缩,降低激光点云图像特征提取的复杂度。

1.2 曲面特征提取

在对变电金具表面腐蚀膨胀激光点云数据实施预处理后,通过计算变电金具表面曲率获取其特征。详细步骤如下。

1.2.1 法向量计算

法向量是识别曲面特征的重要指标之一,在由变电金具表面腐蚀膨胀激光点云数据构成的变电金属曲面内,法向量与切平面的法向量数值相同[10,11],因此使用最小二乘法计算变电金属的微切面后,再利用方程式形式获取变电金属的法向量。

令T(O)表示变电金属的微切面,O表示点云数据点,变电金属微切面表达公式如下:

ax+by+cz+d=0

(5)

上述公式中,点云数据点的邻近点的坐标值分别为x、y、z,英文字母a～d均表示未知参数。

利用最小二乘法计算未知参数数值,设置目标函数如下:

AP=0

(6)

上述公式中,A=[a,b,c,d]。

对公式(6)结果实施单位化处理后,得到点云数据点P的法向量为N'=[a',b',c'],其中a'、b'、c'均表示单位化后的参数。

1.2.2 局部基面参数化处理

在计算法向量后,参数化处理局部基面,在处理过程中,令点云数据点O的邻近点k由Nb(O)={O1,O2,…,Ok}表示,则点云数据点O的微切平面的局部基面为T(O),计算点云数据点在该局部基面上的投影点,则该投影点和邻近点k的投影点分别由O'、Nb(O')={O1',O2',…,Ok'}表示。在点云数据点O的微切平面内,利用投影点集合Nb(O'),获取点云数据点O的投影点位置O'和距该投影点位置最远的投影点,并将其标记为Oi',将投影点O'与Oi'之间以直线相连,将该直线看作u轴,则垂直于的直线看作v轴,连接所有投影点后,以u轴和v轴作为点积,点积值由gj表示。利用点积值对点云数据点O微切面进行u轴参数化,其表达公式如下:

(7)

上述公式中,gmax、gmin分别表示点积最大数值和最小数值。

通过公式(7)可获取点积的坐标值参数化结果,使用相同方法获取v轴参数化结果后,即完成变电金具表面腐蚀膨胀激光点云数据局部参数化。

1.2.3 局部曲面拟合

基于上个小节获取的变电金具表面腐蚀膨胀激光点云数据局部参数化结果,在投影点O'与Oi'之间直线相连的u轴和v轴基础上增加垂直方向轴,标记为n轴。使三个坐标轴构成空间坐标系,使用最小二乘法对该点云数据曲面进行拟合,其表达式如下:

Z(u,v)=(u,v,au2+buv+cv2)

(8)

上述公式中的未知参数使用公式(6)计算,基于位置参数计算结果,计算点云数据曲面拟合曲率[12],令k1、k2表示点云数据曲面拟合曲率,其表达公式如下:

(9)

上述公式中,δ表示平均曲率,利用公式(9)结果,可计算变电金具表面腐蚀膨胀激光点云数据的高斯曲率和平均曲率数值。

1.2.4 形状索引值计算

为更多元化呈现变电金具表面腐蚀膨胀点特征[13],利用高斯曲率和平均曲率数值计算变电金具表面腐蚀膨胀点云数据拟合曲面的形状索引值,其表达公式如下:

(10)

上述公式中,k表示点云数据曲面拟合主曲率。

通过公式(10)可知,当点云数据曲面起伏水平在某一特定区间内时,利用形状索引值可充分呈现该点云数据曲面特征。

经过上述步骤,获取变电金具表面腐蚀膨胀点的三维点云数据的法向量、主曲率、高斯曲率和形状索引值的局部特征,依据上述特征利用三维霍夫投票算法对变电金具表面腐蚀膨胀点进行检测。

1.3 基于三维霍夫投票的腐蚀膨胀点检测

在提取曲面特征后,三维霍夫投票算法作为图像特征匹配识别算法,可识别模糊和缺失的三维图像目标,通过建立待检测目标的具备坐标系,利用描述符搜寻模板内对应点的方式实现目标检测。描述符在模板内寻找对应点时,以变电金具腐蚀膨胀点的特征点之间欧式距离最短的点作为选择对象[14],丢弃欧式距离最大的点,通过一一比对点云数据特征点实现变电金具表面腐蚀膨胀点检测,其流程如下。

(11)

(12)

(13)

通过将变电金具表面腐蚀膨胀点的特征点和矢量结合即可获取其特征的质心位置,通过对特征质心进行投票,获取质心坐标以特定增量增长到指定数组内,按照质心位置和数量获取变电金具表面腐蚀膨胀点位置,实现变电金具表面腐蚀膨胀点三维图像检测。

2 实验分析

以某市局域供电网为实验对象,使用三维激光图像扫描仪获取该市局域供电网变电站金属设备表面三维点云数据,利用MATLAB仿真软件模拟变电站金属设备腐蚀情况,使用本文方法对变电金属设备表面腐蚀膨胀点进行检测,从多个角度对本文方法的有效性进行验证。

2.1 点云数据预处理测试

通过三维激光扫描仪获取的变电站金属设备表面三维点云数据内存在噪声、残缺等情况,需对其进行预处理,以一组变电金具点云数据为实验对象,测试本文方法点云数据预处理效果,结果如图1所示。

分析图1可知,在初始点云数据内,由于存在噪声干扰,数据点分布较为分散且点云数据轮廓不够清晰,还存在点云数据局域集中情况。而经过本文算法预处理后的点云数据分布轮廓清晰,且预处理后的点云数据点数量明显减少。由此可见本文算法可有效压缩激光点云数据,也从侧面印证本文方法对变电金具表面腐蚀膨胀点的检测能力好。

(a)初始点云数据

2.2 特征提取测试

特征提取是变电金具表面腐蚀膨胀点检测的基础,测试在变电金具表面腐蚀膨胀点点云数据存在遮挡缺失的情况下,本文算法提取其特征的完整度,结果如表1所示。

分析表1可知,本文算法提取的变电金具表面腐蚀膨胀点的主曲率、法向量和形状索引值特征完整度与其遮挡缺失率成反比例关系。三种膨胀点特征的完整度数值均较高,且数值相差较小,随着变电金具表面腐蚀膨胀点遮挡缺失率的增加,提取形状索引值特征的完整度数值下降幅度相对稍大,但在遮挡缺失率为20%时,提取形状索引值特征的完整度数值依然超过90%。上述结果表明本文算法受变电金具表面腐蚀膨胀点遮挡缺失情况影响较小,提取变电金具表面腐蚀膨胀特征完整度较高。

2.3 腐蚀膨胀点检测

变电站金属配件受到腐蚀时会出现轻微膨胀情况,以该电网变电站供电主机的螺丝配件为实验对象,将腐蚀膨胀点匹配程度作为衡量本文算法腐蚀膨胀点检测指标,使用本文方法对其腐面的膨胀点进行匹配,结果如图2所示。

图2 腐蚀膨胀点匹配结果

分析图2可知,配电站螺丝配件受到腐蚀时,其具备向外膨胀特征,对向外膨胀点特征进行提取后,使用本文方法对其进行特征点匹配,所有的特征点一一对应,匹配精度高达100%。该结果表明:本文方法对变电金具表面腐蚀膨胀点识别结果极为精准,具备较高的科学含量。

依据上述腐蚀膨胀点匹配结果,获取本文算法识别的配电站螺丝配件腐蚀膨胀点,结果如图3所示。

分析图3可知,螺丝配件腐蚀面经过腐蚀膨胀点匹配后,可获取该螺丝配件的腐蚀膨胀点,如图3内红色圆圈内所示。由此可见本文算法可有效识别螺丝配件腐蚀膨胀点,为电网安全运行提供可靠依据。

为更全面呈现本文算法腐蚀膨胀点检测能力,以该市区电网配电站内电流互感器的一次导电U型铝管为实验对象,在仿真软件内模拟其腐蚀膨胀情况,腐蚀面大小占其自身比例为1%～7%,测试本文算法在不同大小腐蚀面情况下的一次导电U型铝管腐蚀膨胀点数量,并与模拟膨胀点数量进行对比,结果如图4所示。

图3 螺丝配件腐蚀膨胀点检测结果

图4 腐蚀膨胀点检测结果

分析图4可知,一次导电U型铝管腐蚀百分比数值越大,则其膨胀点数量越多。在腐蚀面占其自身比例分别为1%和2%时,本文算法识别的一次导电U型铝管腐蚀膨胀点数量与模拟膨胀点数量存在一定偏差,其中最大偏差数值约为100。但随着一次导电U型铝管腐蚀百分比数值增加,本文算法检测到的膨胀点数量与模拟膨胀点数量完全相同。由此可见本文算法对腐蚀面较大的变电金具表面腐蚀膨胀点检测具备较大优势,而在检测腐蚀面较小的变电金具腐蚀面时,偏差数值较小。综上所述,本文算法检测变电金具表面腐蚀膨胀点时,受其腐蚀面积影响较小,且针对腐蚀面较小的变电金具,检测结果偏差数值较小。

3 结 论

本文研究了变电金具表面腐蚀膨胀点三维图像检测算法,将八叉树算法引入检测方法中,使用八叉树算法压缩处理变电金具表面腐蚀膨胀点点云数据,经过压缩处理后的点云数据受噪声干扰较小,可有效提升变电金具表面腐蚀膨胀点检测结果精度。将本文算法应用于某市局域供电网内,经过多角度验证,该算法具备较好的点云数据预处理能力,且识别变电金具表面腐蚀膨胀点精度较高。