對輸電線路瓷瓶裂紋檢測的研究

摘 要：隨著電力行業的發展，高壓傳輸電變得非常重要，而對輸電線路瓷瓶的檢測也變得十分必要，本文從4個部分介紹了瓷瓶裂紋檢測的原理，從圖像處理的方面對瓷瓶裂紋做出分析，為瓷瓶裂紋檢測提供了理論基礎，能及時檢測出瓷瓶的裂紋，為電力傳輸安全提供了一定的保障。

關鍵詞：輸電線路；瓷瓶裂紋；對比度；二值化

輸電線路擔負著電能傳輸的重任，它的安全可靠性直接關系到經濟的穩定發展，而線路上的瓷瓶是用來固定導體并使這個導體與其他導體絕緣，也稱做絕緣子。它在保障電力線路的安全運行上有必不可少的責任，因此，對瓷瓶進行裂紋的檢測是十分有必要的。

對瓷瓶裂紋檢測算法主要包括：圖像預處理、對比度增強、圖像二值化、裂紋判別四個部分。首先輸入圖像，對圖像進行預處理，增強對比度，其中包括邊緣提取得到瓷瓶區域，然后是圖像二值化，最后就是對窗口中黑色像素所占比的判定。

其中是否使用邊緣提取得到瓷瓶區域，根據實際測試圖像中背景的復雜程度選擇，若能直接通過圖像二值化來分離瓷瓶與背景，則不需要進行圖像邊緣提取。

1 圖像的預處理

預處理常常是指，為了保證圖像具有較好的質量，獨立于之后的圖像應用的一類對圖像的操作。基本的預處理有對比度校正和噪聲抑制。

根據噪聲產生的來源，大致可分為外部噪聲和內部噪聲兩大類；從統計觀點看，凡是統計特征不隨時間變化的稱為平穩噪聲，統計特征隨時間變化的稱為非平穩噪聲。

以上討論的各種類型的噪聲反映在圖像畫面上，大致可分為兩種典型的圖像噪聲。一種是噪聲的幅值基本相同，但是噪聲出現的位置是隨機的，一般稱這類噪聲為椒鹽噪聲（也稱為雙極性脈沖噪聲，脈沖噪聲的一種）通常，負脈沖以黑點（胡椒點）出現，正脈沖以白點（鹽點）出現。一種是圖像每一點都存在噪聲，但噪聲的幅值是隨機分布的。從噪聲幅值大小的分布統計來看，其概率密度函數有高斯型、瑞利型，分別稱為高斯噪聲和瑞利噪聲，又如頻譜均勻分布的噪聲為白噪聲等等。

經過分析，圖像噪聲點上的像素通常比周圍非噪聲點的像素要亮或暗。因此，可以設想，如果在噪聲點像素周圍尋找一個合理的值對它進行替代，在一定程度上應該可以獲得較理想的濾波效果。基于考慮，設計的中值濾波器就是一種有效的方法。中值濾波法是一種非線性平滑技術，它將每一像素點的灰度值設置為該點某鄰域窗口內的所有像素點灰度值的中值。中值濾波的基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近的真實值，從而消除孤立的噪聲點。

2 初步分離出裂紋和背景

將瓷瓶從背景中分離出來，一般使用顏色提取和邊緣檢測，但對于亮度很高的白色瓷瓶和亮度較低的裂紋，則可以使用更有效的方法進行區別。

2.1 圖像對比度增強

圖像對比度增強是增強原始圖像的各部分的反差，使不同灰度間的差異變得更大，難以區分的灰度差異變得更容易區分。

圖像對比度增強的方法是變換原始圖像的直方圖，把相同灰度值的所有像素變換到另一灰度，非線性灰度變換對于要進行擴展的亮度值范圍是有選擇的，擴展的成都是隨亮度值的變化而連續變化的，常用的非線性變換有對數變換和指數變換。

對數變換，當希望對圖像的低亮度區有較大的擴展而對高亮度區壓縮，可采用此變換。表達式為：

a，b，c則是按需要可以調整的參數

指數變換，可以對圖像的高亮度區給予較大的擴展，表達式為：

a，b，c則是按需要可以調整的參數

為了能增強整個圖像的明暗對比，即“亮則更亮，暗則更暗”，可以使用分段線性灰度變換，為了突出人們比較感興趣的目標或亮度值的區間，要求對局部擴展亮度值范圍，可以有效地利用有限個灰度級，達到最大限度增強圖像中有用信息的目的：

2.2 圖像二值化

圖像的二值化，就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現出明顯的只有黑和白的視覺效果。

一幅圖像包括目標物體、背景還有噪聲，要想從多值的數字圖像中直接提取出目標物體，最常用的方法就是設定一個全局的閾值T，用T將圖像的數據分成兩部分：大于T的像素群和小于T的像素群。將大于T的像素群的像素值設定為白色（或者黑色），小于T的像素群的像素值設定為黑色（或者白色），計算公式為：

全局二值化，在表現圖像細節方面存在很大缺陷。為了彌補這個缺陷，出現了局部二值化方法。

局部二值化的方法就是按照一定的規則將整幅圖像劃分為N個窗口，對這N個窗口中的每一個窗口再按照一個統一的閾值T將該窗口內的像素劃分為兩部分，進行二值化處理。

對于單獨檢測的瓷瓶，或在電線檢測中已經分割出來的瓷瓶，由于瓷瓶為白色，黑色的裂紋在瓷瓶上會非常明顯，而細小的裂紋與大面積的暗色背景不同，處于瓷瓶的白色之中，因此提高瓷瓶圖像的對比度并使用二值化操作，如圖1：

3 區分裂紋和背景

雖然裂紋和背景都是黑色，但含有裂紋的窗口中，裂紋圖像的黑色部分所占比例只有10%左右，而含有背景的窗口中，背景黑色所占比例超過40%。如圖2所示。

對于黑色像素，檢測其25*25窗口內的黑色像素個數，超過總數的30%則認為該像素是背景，反之認為是裂紋。

最后統計黑色像素的周圍是否擁有較多白色像素即可將裂紋檢測并標記出來，

4 結束語

文章對瓷瓶上裂紋的檢測做出了一定的理論介紹，并分析了瓷瓶檢測的算法和原理，通過對瓷瓶的圖像進行局部二值化，能夠分析統計出黑色像素的周圍是否擁有較多的白色像素，并將裂紋檢測標記出來，加以分析和判定得出低于30%的被認定為裂紋，則可判斷裂紋的大小并做進一步分析，為線路上瓷瓶的異物和裂紋的在線檢測提供了一定的理論基礎。

[參考文獻]

[1]賀興華，等.MATLAB7.x圖像處理[M].北京：人民郵電出版社，2006.

[2]李俊山，李旭輝.數字圖象處理[M].北京：清華大學出版社，2007.

[3]岡薩雷斯，阮秋琦.數字圖象處理[M].北京：電子工業出版社，2005.