基于局部凹凸性的高壓電纜缺陷檢測算法研究

陳 靖

（浙江大有實業有限公司電纜工程分公司，浙江 杭州 310000）

電纜是電力運輸的重要載體。如果電纜表面存在缺陷，則會對電纜的絕緣性能產生直接影響，進而給電力系統的穩定、安全運行帶來隱患。目前，高壓電纜缺陷檢測的提取分析主要是通過擬合算法，但該方法計算流程復雜，結果精準性不高。據此，該文提出基于局部凹凸性的高壓電纜缺陷檢測算法，通過獲取并分析點云數據，進行缺陷區域的定位檢測。

1 局部凹凸性描述分析

高壓電纜局部凹凸性指的是電纜外表面的某些地方出現凹陷或凸起的情況。通過描述、分析局部凹凸性，可以識別出數據集中的凹凸點，即對周圍數據點而言具有較高或較低密度的數據點。這些凹凸點可能代表了數據集中的特殊區域或者異常點，對數據分析和聚類算法的結果有重要影響。

結合具體實踐而言，高壓電纜局部凹凸性產生的原因包括電纜安裝過程中的壓力或拉力不均勻、電纜老化與損傷以及材料質量等[1]。如果出現局部凹凸性問題，極有可能會增加電纜導體與絕緣層之間的電場強度，從而增加擊穿風險，影響電纜的絕緣性能和電氣性能。同時，局部凹凸性可能導致應力集中，增加電纜受力時的應力水平和電纜機械強度降低或斷裂的風險，引起電纜故障。

在三維空間中，可以應用高斯曲率、法曲率、平均曲率描述曲面的變化情況，高斯曲率K如公式（1）所示。

式中：k1為曲面法曲率最大值；k2為曲面法曲率最小值。

法曲率kn如公式（2）所示。

式中：（dudv）為曲面某點的切線方向；〈E，F，G〉為曲面的第一基本形式；〈L，M，N〉為曲面的第二基本形式。

模輥式成型機分為環模成型機和平模成型機，主要工作部件是壓模與壓輥，在成型室中，壓模與壓輥通過將原料擠壓進模孔而成型[16]。

平均曲率H如公式（3）所示。

由此可以得到源平面和目標平面之間的凹凸性τab，如公式（4）所示。

當z2＞0、τab＜0 時，源平面和目標平面呈現凹面關系，并且z值越大，凹度越大；z2＜0、τab＞0 時，源平面和目標平面呈現凸面關系，并且z值越大，凸度越大。

2 基于局部凹凸性的高壓電纜缺陷檢測算法

2.1 算法流程

該文提出的基于局部凹凸性的高壓電纜缺陷檢測算法，無須進行建模擬合，便可進行光滑表面缺陷檢測。算法具體流程如圖1所示。

圖1 基于局部凹凸性的高壓電纜缺陷檢測算法流程

根據圖1 可知，在基于局部凹凸性的高壓電纜缺陷檢測算法應用過程中，首先要進行超體素分割，并進行點云體素化處理。然后進行凹凸性計算，獲取初始化種子面。其次，該算法會對高壓電纜表面是否存在凹凸性突變情況進行判斷，如果存在凹凸性變化，則再次進行超體素分割，記錄上凸面、下凹面對應鄰接標簽，并更新種子為上凸面、下凹面；如果不存在凹凸性突變情況，則更新種子面。最后，對高壓電纜曲面搜索情況進行判斷，如果搜索完畢，則提取標曲面點云，并進行點云空間聚類計算，提取出缺陷參數；如果未搜索完畢，則回到凹凸性突變判斷環節，進行新一輪計算、分析。

2.2 點云超體素分割

點云超體素分割（Point Cloud Superpixel Segmentation）是一種將點云數據劃分為超體素（superpixel）的方法，用于對點云進行語義分割或目標識別[3]。超體素是點云中一組相鄰的點的集合，具有相似的特征和語義信息。點云超體素分割一般流程包括數據預處理、特征提取、相似度計算、語義分割或目標識別以及結果后處理[4]。由于在點云數據中，點對點間的空間關系與儲存位置無聯系，因此點云數據具有無序性特征[5]。為精準計算高壓電纜表面凹凸性，需要引用點云超體素分割方法，將表面劃分為多個小尺寸的片狀區域，并建立區域內的幾何拓撲關系。為保證分割結果具有精準性、可靠性，該文采用超體素分割方法進行分割，該方法流程如圖2所示。

圖2 超體素分割方法流程

根據圖2 可知，首先，點云超體素分割會將點云數據進行體素化處理，構建體素點云。其次，對種子體素進行網格化篩選，以得到具有差異性的種子體素集合。同時，該方法還可以度量種子體素集合的特征、種子間的距離，以此獲取種子間的相似性數據。最后，通過遍歷、標記等方式，對種子體素進行約束流聚類計算，最終獲得超體素數據。

2.2.2 點云體素化

點云體素化是以重點坐標代替區域內點坐標，達到簡化點云數據目的的一種方法。其中，點云是由大量離散點組成的三維數據集，而體素是一個三維網格，將空間劃分為小的立方體單元。點云體素化的目的是將點云數據轉換為規則的體素，以便進行后續的分析和處理。在點云體素化過程中，先要構建體素盒，并構建體素坐標系[6]。然后將每個網格質心視為一個體素，將所有質心置于一個集合內，即體素點云。

2.2.3 網格化篩選種子體素

在網格化篩選種子體素操作中，需要在體素空間內生成網格，將每個網格中心位置的體素作為初始的種子體素，并構建體素集合[7]。為保證種子體素具有精準性，可以通過空間濾波的方式去除離群個體。如果鄰近點小于額定數量，則刪除該子體素[8]。同時，應保證網格化分辨率大于體素分辨率，保證不同體素網格化參數能夠得到不同的種子體素集合。

2.2.4 特征與距離度量

特征是描述數據屬性的組合，用于表示數據的不同特征。在聚類算法中，特征通常是數據的各個維度特征或屬性特征。距離度量常用于計算相鄰數據點之間的距離，以此確定相鄰數據點在聚類空間中的相對位置，并判斷出相鄰數據點的特征相似度。

在應用該文研究方法的特征與距離度量操作中，該文構建了一個37 維的特征向量，用于描述單個體素，如公式（5）所示。

式中：F為37 維的特征向量；xi、yi、zi為體素中心的坐標；ci為體素點云的曲率；FPFHi33為基于鄰域點位置與法線關系分析的33 維幾何特征向量。

2 個相鄰體素間的特征的相似度可以用距離度量D來表示，如公式（6）～公式（8）所示。

式中：Ds為歐式距離，即相鄰2 個體素的空間位置相似度；λs為歐式距離的影響因子；Dc為曲率相似性，其取值越大，則2 個體素間的彎曲差距越大；λc為曲率相似性的影響因子。

應用DHIK表示2 個體素特征的相似性，如公式（9）～公式（11）所示。

式中：I（Hi（i），Hj（j））為取交集運算；R為直方圖級數；N1為對應匹配數。

2.2.5 約束流聚類算法

約束流聚類算法（Constrned Stream Clustering Algorithm）是一種結合了流式數據處理和約束條件，能夠在實時流數據中進行聚類，并根據預定義的約束條件對聚類結果進行調整的算法[9]。在該文研究中，首先，對數據流進行預處理，如數據清洗、降維等，并選擇初始化聚類模型。同時逐個處理數據流中心的數據點，將其分配到合適的聚類簇中。在該基礎上對體素進行遍歷，并標記最小度量值的體素。其次，以所標記的體素為中心，計算出鄰域內最小距離度量均值的體素，并進行標記。再次，重復上述步驟，直至迭代停止。最后，更新種子體素，進行新一次的聚類計算。

3 算法驗證

為驗證該文所提算法的有效性和精準性，對基于擬合的算法和該文算法進行對比試驗。試驗所用高壓電纜缺陷點云圖如圖3所示。

擬合算法與該文算法所提取的缺陷信息、缺陷檢測結果見表1、表2。

表1 2 種方法應用下的缺陷信息提取情況

表2 2 種算法的缺陷檢測結果

試驗結果對比分析可知，該文算法檢測正確的個數為48 個，判斷正確個數為47 個，正確檢測率為94%，均優于基于擬合的方法，說明本研究提出的基于局部凹凸性的高壓電纜缺陷檢測算法具有表面檢測優勢，在實際工作中應用該算法具有可行性與可靠性。

4 結語

綜上所述，該文提出了一種基于局部凹凸性的高壓電纜缺陷檢測算法。該算法可以根據兩個表面之間的凹凸性進行定量評價分析。在算法應用過程中，運用點云超體素對區域進行分割，建立點云之間的拓撲關系，并通過凹凸性變化分析，對缺陷區域進行檢測。對比試驗驗證，結果表明該文提出的算法能夠有效檢測出高壓電纜光滑表面的凹凸性缺陷，具有良好的應用前景。