基于傘裙形態(tài)學的絕緣子故障檢測方法

馬巧慧

（東北石油大學電氣信息工程學院，黑龍江 大慶163318）

相較于傳統(tǒng)人工巡檢來說，無人機電力巡檢因其采集圖像清晰、操作便捷、成本低廉以及安全系數(shù)高等特點逐漸在日常巡檢中所廣泛應(yīng)用，如何在無人機采集到的航拍圖像中對輸電線路關(guān)鍵部件之一的絕緣子進行故障的快速準確檢測至關(guān)重要。

目前絕緣子故障識別技術(shù)本質(zhì)上是基于數(shù)字圖像技術(shù)和計算機視覺中圖像識別來完成的模式識別。文獻[1]使用AdaBoost分類器完成對絕緣子的準確識別，然后通過計算歐式距離來進行故障檢測。文獻[2]使用支持向量機通過提取預(yù)選區(qū)域的形狀因子和面積比來識別絕緣子故障。文獻[3]采用類滑動窗和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的識別方法，該方法簡化了定位過程，通過多次訓練可以取得較好的故障檢測效果。由于深度學習需要大量的樣本集來完成訓練，但研究中可用樣本數(shù)量較少，樣本質(zhì)量也不能保證。

1 故障類型及分析

由于輸電線路長期處于外界復雜環(huán)境下，容易受到極端天氣影響和不可抗力作用，電網(wǎng)故障有時不可避免。據(jù)統(tǒng)計，在電網(wǎng)故障中一半都是來源于絕緣子故障。絕緣子具有結(jié)構(gòu)支撐和絕緣電流的作用，是架空輸電線路網(wǎng)架中的關(guān)鍵部件之一。表1所示為幾種常見的絕緣子故障類型和故障原因及影響。

表1 常見的絕緣子故障類型和故障原因及影響

針對絕緣子的諸多故障，傳統(tǒng)人工和無人機結(jié)合的故障診斷模式由于無人機所采集的現(xiàn)場圖片可能受到氣候等因素影響，使采集到的圖片不能準確地拍攝絕緣子原始信息，給人工篩選故障帶來了繁重的工作量，所需人工成本也隨之升高。

2 基于傘裙形態(tài)特征的絕緣子故障檢測方法

2.1 形態(tài)學處理

形態(tài)學通常是研究動植物的結(jié)構(gòu)和形態(tài)，屬于生物學中的一個分支，而在圖像處理中，一般使用數(shù)學形態(tài)學(mathematical Morphology）來對圖像進行形態(tài)識別。廣泛應(yīng)用的基本運算主要有：膨脹與腐蝕、開操作與閉操作、骨架抽取和邊界提取等。

膨脹與腐蝕作為形態(tài)學的基礎(chǔ)算法，通常應(yīng)用于其他形態(tài)學算法操作之前。膨脹于腐蝕的運算公式如下所示：

開操作與閉操作是形態(tài)學中應(yīng)用廣泛的兩個算法，其中開操作是先對圖像進行腐蝕操作，后進行膨脹操作；閉操作則正好相反，先對圖像進行膨脹操作，后進行腐蝕操作。開操作和閉操作的運算公式如下所示：

根據(jù)數(shù)學形態(tài)學運算的特征，本文對絕緣子圖像選取3*3正方形的結(jié)構(gòu)元素，采用先進行開操作再進行閉操作的運算方法對絕緣子圖像進行濾波處理。經(jīng)過這一系列形態(tài)學處理后，在不改變絕緣子自身圖像形態(tài)的前提下，實現(xiàn)了有效地消除圖像中的孤立點和冗余微小信息，為下一步進行絕緣子掉串故障的檢測提供了一定基礎(chǔ)。圖1 所示為經(jīng)過形態(tài)學處理后的航拍圖像。

2.2 連通區(qū)域提取

圖1 經(jīng)過形態(tài)學處理的絕緣子圖像

在對圖像進行形態(tài)學處理后，圖像變?yōu)槎祷袼貓D像，為了從復雜圖像中提取出絕緣子區(qū)域特征信息，需要應(yīng)用二值圖像的連通性來實現(xiàn)。對于任意像素（i,j），把像素的集合{(j+p,j+p)}(p,q 是一對適當?shù)恼麛?shù))叫做像素（i,j）的鄰域，即是像素（i,j）附近的像素形成的區(qū)域。常用的方法分別是4 鄰域和8 鄰域方法。同一圖像的像素，在不同鄰域的作用下，該像素的連接區(qū)域也不一定相同，而像素的連接區(qū)域在二值圖像局部特征分析中起到了關(guān)鍵的作用。本文主要采用8 鄰域?qū)B通區(qū)域進行劃分。

2.3 基于傘裙特征的故障檢測

絕緣子主體結(jié)構(gòu)主要是由排列規(guī)律的傘裙結(jié)構(gòu)組成，當絕緣子發(fā)生掉串故障時，實際上就是其傘裙結(jié)構(gòu)中存在部分缺失，圖像中會有明顯的缺口，若沒有發(fā)生掉串故障，則絕緣子區(qū)域為完整的連通域圖像，因此，可以通過比較形態(tài)學和連通域處理后的圖像中相鄰絕緣子傘裙間的距離大小來判斷是否有絕緣子掉串故障發(fā)生。具體操作方法如下：

2.3.1 計算絕緣子每一行的間距。經(jīng)過對圖像進行行遍歷，統(tǒng)計每一行中白色像素點間的距離d(j);

2.3.2 對圖像中的絕緣子傘裙結(jié)構(gòu)進行定位。從圖像中絕緣子結(jié)構(gòu)分布情況可以發(fā)現(xiàn)：相鄰傘裙結(jié)構(gòu)之間的空白區(qū)域間距最大，在其=2 領(lǐng)域內(nèi)，有下列判別式成立:

記錄此時的行號為M(j);

2.3.3 排除“假傘裙”的干擾。由于發(fā)生嚴重掉串故障時，故障位置信息具有一定的不確定性，存在誤檢測到滿足上述判別式行號的故障位置，因此需要對上一步中記錄的所有行號M(j)進行再篩選。通過遍歷M(j)，如果M(j)后面的元素與M(j)的距離小于4，則其后的元素都被賦值為M(j)。

例如M (j) =［2 3 4 5 6 7 8 9］，經(jīng)過處理后M(j)=［22226666］，然后按順序提取M(j)中不同的元素到N(j)，按上例N(j)=［26］。此時判斷絕緣子得到傘裙結(jié)構(gòu)范圍為第2 行到第6行之間，即實現(xiàn)了二值圖像中的傘裙位置結(jié)構(gòu)定位；

2.3.4 確定掉串故障的具體位置。遍歷矩陣N(j)，計算連續(xù)兩元素的最大值dmax和最小值dmin。dmax表示連續(xù)兩個傘裙結(jié)構(gòu)之間的最大距離，dmin表示連續(xù)兩個傘裙結(jié)構(gòu)之間的最小距離，即為正常兩個連續(xù)傘裙之間的距離。取

式中將k 定義為傘裙比，經(jīng)過大量的實驗數(shù)據(jù)可以得到：當1 ＜k≤1.5 時，表示該絕緣子沒有發(fā)生掉串故障；當k＞1.5 時，則表示絕緣子發(fā)生了掉串故障，并且k 值越大，掉串故障越嚴重，此時當dmax大于且等于一定距離閾值Td時，即可判斷得出此區(qū)域范圍為絕緣子發(fā)生故障的范圍，通過進一步轉(zhuǎn)換后在圖像中標記此故障范圍。如圖2 所示為絕緣子故障檢測識別圖。

圖2 絕緣子故障檢測識別圖

3 檢測結(jié)果

選取50 幅某電力公司無人機采集到的航拍圖像進行絕緣子故障識別，其中10 幅正常的絕緣子圖像，20 幅輕微故障的絕緣子圖像和20 幅嚴重故障的絕緣子圖像提取出特征量作為檢測樣本，其掉串檢測結(jié)果可以達到85%以上。

4 結(jié)論

本文針對絕緣子發(fā)生的掉串故障提出了一種基于形態(tài)學處理方法與絕緣子傘裙結(jié)構(gòu)特征相結(jié)合的算法。實驗結(jié)果表明，在發(fā)生故障等級不同及復雜背景下，本文算法都可以高效準確地識別出絕緣子的掉串故障發(fā)生區(qū)域，給未來無人機電力巡檢走向智能化、無人化巡檢識別提供了一定應(yīng)用基礎(chǔ)。