X射線無損檢測的GIS設備缺陷檢測研究

李 波 ，胡秀敏 ，何志琴 ，高正浩 ，樊 磊 ，孫 博

（1.貴州電網有限責任公司電力科學研究院，貴州 貴陽 550002；2.貴州大學電氣工程學院，貴州 貴陽 550025）

氣體絕緣開關（Gas Insulated Switch，GIS）設備由于其運行可靠、占地面積小、檢修周期長等特點被廣泛應用于變電站中。但如果發現故障，則會導致大范圍的停電，檢修時間長，造成較大經濟損失[1]。常用的GIS設備檢測方法有局部放電檢測法和SF6分解物檢測法[2]，巡檢人員使用這類方法對GIS設備進行檢測時，需要具有一定的專業能力，且會出現錯誤判斷。采用X射線無損檢測方法可以實現GIS設備內部可視化檢測。文獻[3]將X射線檢測技術運用到汽車鉬錸合金零部件加工中，文獻[4]將X射線實時成像系統運用到GIS焊接殼體檢測中，文獻[5]將X射線無損檢測技術應用到輸電線路壓接金具的質量檢測中，對輸電線路的安全運行有重要意義。文中通過X射線無損檢測實現GIS設備內部可視化，將圖像識別技術應用于GIS設備的缺陷檢測中，代替巡檢人員判別GIS設備是否存在缺陷，達到及時維修、減少電網損失的目的。

1 X射線成像技術

X射線數字成像技術（Digital Radiography，DR）利用平板探測器接收被穿透GIS設備的X射線，通過探測器內部電路結構將X射線能量強度轉化為電流信號，最后以數字圖像形式在計算機上呈現。X射線成像檢測系統如圖1所示，主要包括X射線機、成像板、計算機、X光機現場支架、控制箱等[6]。GIS設備圖如圖2所示，其中圖（a）為實物圖，圖（b）為GIS設備示意圖。主要包括隔離開關、接地開關、斷路器及電流互感器等。

圖1 X射線成像檢測系統

圖2 GIS設備圖

2 GIS設備缺陷圖像檢測

目前，基于X射線成像的無損檢測技術由于其直觀、便捷、檢測效率高等優點而被廣泛應用于工業領域中。將圖像處理技術應用到GIS設備的缺陷檢測中，可以在不拆卸設備的情況下，把GIS設備內部情況展示出來，更加方便檢測。

2.1 GIS設備缺陷檢測流程

具體的缺陷檢測流程為：首先將通過X射線成像機得到的GIS設備圖像讀取到計算機，然后通過對GIS設備圖像進行圖像增強、圖像分割，最終采用SVM實現缺陷檢測。GIS設備缺陷檢測流程圖如圖3所示。

圖3 GIS設備缺陷檢測流程圖

2.2 GIS設備圖像預處理

在變電站的相關GIS點固定拍攝支架時，為了保證拍攝到的照片的清晰度，都是由有一定經驗的工作人員調節角度，但是在長期的拍攝過程中，理論上支架會有所偏移，且變電站環境多變、GIS設備內部情況也無法保證一致。所以，對獲得的圖像首先要預處理，主要包括灰度變換、二值化、濾波去噪、圖像增強等。

2.2.1 快速中值濾波

中值濾波是一種非線性平滑技術，其原理是把某一領域Ω內的點源灰度值進行排序，然后選擇中間值mid替代其他所有點的灰度值。傳統的中值濾波方法效率低，因此，有學者提出了快速中值濾波方法[7-9]，其算法思想考慮到在傳統中值濾波算法中，當以第一個點源為中心時與以第二個點源為中心進行操作時，圖片中有大部分相同區域需要運算，因此，將直方圖思想引用到中值濾波中，每一次可以對灰度值相同的點進行濾波，大大提高了計算速度。

2.2.2 Gama增強

Gama變換思想是修正圖像中灰度值過高或過低的點源，提高圖像的對比度[10]。其基本形式如式（1）所示。

其中，c、I是常數，對比度的增強度由r決定。

預處理后的GIS設備圖像如圖4所示。

圖4 預處理后的GIS設備圖

2.3 基于模糊理論的GIS設備圖像分割

將GIS設備圖像分割成不同區域，每個區域具有一定相同特性，便于缺陷檢測。

2.3.1 FCM算法原理

一般地，圖像用 X={X1（i，j），X2（i，j），…，Xn（i，j）}來描述[11-13]。其中，n為總的像素點，FCM算法將圖像的像素分割為C類，每一類有一個唯一的聚類中心，通過不斷迭代實現目標函數最小[14-17]。各像素點的隸屬度用uij表示，意為點源xj是第i類的概率，目標函數表達式如式（2）所示。

其中，約束條件如式（3）、（4）所示。

在式（3）、（4）的條件下，分別對每個變量求偏導，在目標函數為最小值時候聯立方程式，解得聚類中心vi和隸屬度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 改進方案

FCM計算簡單、易于實現，但存在收斂速度慢、易陷入局部最小等問題。考慮到在GIS設備圖像中，部分點源在聚類時與聚類中心相關度不高[18]，于是嘗試引入非隸屬度r、不確定度π的概念，考慮到某個灰度點與領域內的灰度梯度存在階躍變化或連續變化，因此，結合圖像的領域信息對圖像進行分割。改進后的隸屬度uij*、聚類中心vi*如式（7）、（8）所示。

其中，

隨著不確定度π的引入，在傳統FCM算法基礎上，引入第二個目標函數如式（11）所示。

結合式（2）可得新的目標函數，如式（12）所示。

其中，

算法流程如圖5所示。

圖5 算法流程圖

GIS設備分割效果對比如圖6所示。

圖6 FCM、改進后方法分割效果

從圖6中，可以直觀感受到改進后方法在保留了圖像重要信息的情況下增大了目標圖像與背景灰度的差異，更利于缺陷檢測。

3 缺陷檢測

目前常用于機器視覺分類檢測的方法主要分為兩種，一種是現在發展迅速的基于機器學習的方法，一種是經典的支持向量機（Support Vector Machine，SVM）方法[19]。針對現場應用中獲得的GIS設備圖片數量比較少的情況，采用SVM方法進行GIS缺陷檢測。且傳統的SVM分類器是二分類分類器，針對GIS缺陷多樣的問題，采用一對一方法構造SVM多類分類器。

一對一方法思想是構造k（k-1）/2個分類器，每一個分類器里的訓練集都是來自兩個不同類型的數據，如對于第m個類型和第n個類型的訓練集，構造如式（14）的二次方程。

在GIS設備圖像完成分割之后，對其進行以下特征值提取：周長、面積、凹陷、凸包、Hu不變矩。將讀取的特征值放到構造的SVM分類器中，完成分類器訓練后，在Visual Studio 2013的集成開發環境下，調用Opencv2.4.10視覺庫，使用基于SVM分類器構造的多類分類器進行GIS設備圖像的缺陷檢測。缺陷檢測如圖7所示。

從圖7可直觀看到，改進后的方法能夠準確檢測出各種典型的GIS設備是否有缺陷，在沒有缺陷時，檢測結果不會標記出圖像的任何地方，有缺陷時，則標記認為有缺陷的地方。由于GIS設備圖像拍攝并不容易，沒有很大數據集。所以實驗選擇4種缺陷圖像各200張（其中部分是沒有缺陷的）進行樣本訓練，使用各個類型40組進行檢測，檢測正確率如表1所示，可見，改進后的檢測正確率提高5%左右。

圖7 缺陷檢測

表1 檢測正確率

4 結 論

對GIS設備的缺陷檢測是變電站運維工作的重點之一。文中針對經典FCM算法分割得到的GIS圖像檢測效果差的問題，提出了一種GIS設備缺陷檢測方法，對初步得到的GIS設備圖像進行信息增強，然后提出一種改進的FCM算法進行分割，該方法在保留感興趣的GIS設備圖像信息之外，更好的去除冗余信息，使得對GIS設備圖像分割效果更好，最后采用一對一思想構造SVM分類器，對GIS設備圖像進行分類，測試結果表明，對GIS設備圖像的分割算法的改進，有效提高了檢測率，平均提高了5%左右。其對于減少電網公司變電站事故帶來的經濟損失具有重要意義。