基于X射線無損探傷的輸電線路耐張線夾缺陷檢測

摘 要：針對輸電線路耐張線夾的缺陷檢測存在圖像清晰度低、錯誤檢出率低和工作量減少率低的問題， 提出基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法。采用X射線無損探傷技術獲取輸電線路耐張線夾圖像，結合Retinex圖像增強算法和經驗模式分解方法對圖像進行增強處理；為了消除X射線強弱對檢測結果的影響，通過自適應通態濾波方法對耐張線夾圖像進行處理；采用Canny算子邊緣提取方法獲取圖像邊緣，在形態學運算的基礎上獲取最大連通域；將連通域的長寬比和圓形度作為缺陷特征，完成輸電線路耐張線夾缺陷的檢測。實驗結果表明：所提方法的圖像清晰度高、錯誤檢出率高、工作量減少率高。

關鍵詞：X射線無損探傷；輸電線路；圖像增強；邊緣檢測；耐張線夾缺陷檢測

中圖分類號：TM72 文獻標志碼：A 文章編號：1671-5276（2024）04-0264-07

Defect Detection of Transmission Line Tensile Clamps Based on X-ray Non-destructive Inspection

PENG Fang¹，LIU Tiantian¹，SU Jiangwen²， REN Junda¹，LU Weilong²（1. Big Data Center of State Grid Corporation of China，Beijing 100053， China;2. Fujian Yirong Information Technology Co.， Ltd.， Fuzhou 350003， China）

Abstract：To improve the poor image clarity， low error detection and workload reduction rates in detecting the defects of strain clamp of transmission line by current method， a new method for detecting the defects of the tension clamp of transmission lines based on X-ray non-destructive testing is proposed. The X-ray non-destructive testing technology is used to obtain the image of the tension clamp of the transmission line， which is enhanced by combining the Retinex image enhancement algorithm with the empirical mode decomposition method. In order to eliminate the effect of X-ray strength on testing results， the image of tension clamp is processed by the adaptive on-state filtering method， the edge of the image is gained with the edge extraction method of Canny operator， the largest connected domain is obtained on the basis of morphological calculation， and the length-to-width ratio of connected domain and circularity are treated as the defect features to complete the detection of the strain clamp defect of the transmission line. The experimental results show that the proposed method has good image clarity， high error detection and workload reduction rates.

Keywords：X-ray non-destructive inspection; transmission line; image enhancement; edge detection; defect detection of tensile clamp

0 引言

開發風能、太陽能等是推動清潔低碳能源轉型的關鍵。隨著“碳中和”戰略目標的實施，新能源進入快速發展階段。在雙碳背景下，鋁制或鐵制金屬附件被廣泛地應用在不同電壓等級的輸電線路中，在輸電線路運行過程中上述金屬附件承受的壓力較大^[1]。以輸電線路的耐張線夾為例，在生產耐張線夾的過程中，如果操作不規范，會導致耐張線夾內部存在缺陷，這類缺陷不易被檢測到，在晝夜溫差和風載等影響下耐張線夾會發生裂紋，甚至會導致其失效斷裂^[2-3]，進而造成大面積停電和輸電中斷等故障。因此需要對耐張線夾中存在的缺陷進行檢測。

目前國內外學者已對輸電線路耐張線夾缺陷檢測做出了研究，并取得了一定的研究成果。彭向陽等^[4]提取輸電線路圖像的拉普拉斯邊緣，并獲取圖像的紋理特征，對角度間特征和角度內特征進行聚類處理，根據聚類結果完成輸電線路耐張線夾缺陷的檢測，該方法沒有對圖像進行增強處理，導致圖像的清晰度較低。侯春萍等^[5]在FasterR-CNN（全卷積神經網絡）框架中采用AlexNet、VGG16訓練檢測器和分類器，組合訓練后的檢測器與分類器構成級聯網絡，利用級聯網絡檢測輸電線路耐張線夾缺陷，該方法在缺陷檢測過程中的錯誤檢出率較低。王偉超等^[6]根據輸電線路的特點，對輸電線路進行劃分，并對耐張線夾的缺陷程度進行量化處理，采用隸屬度分析方法根據缺陷歷史數據對耐張線夾的缺陷值進行計算，完成耐張線夾缺陷檢測，該方法的工作量較大。

為了解決上述方法中存在的問題，提出基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法。首先對輸電線路耐張線夾圖像進行預處理，利用X射線無損探傷技術采集耐張線夾圖像，結合Retinex圖像增強算法和經驗模式分解方法進行圖像增強處理，提升輸電線路耐張線夾缺陷檢測的精度。基于自適應同態濾波及邊緣檢測提升圖像邊緣清晰度，以圖像連通域的長寬比和圓形度作為缺陷特征，實現輸電線路耐張線夾缺陷的檢測。

1 圖像獲取與處理

1.1 基于X射線無損探傷技術的圖像獲取

耐張線夾是一種用于固定導線，以承受導線張力，并把導線掛至耐張串組或桿塔上的一種金屬工具。輸電線路耐張線夾是由耐張預絞絲和配套的連接金具構成的。耐張線夾是電力系統中重要的連接件，它既起到電線的傳導作用，又能承受電線的所有張力。在惡劣的工作條件下，耐張線夾在極限負荷下，經常會出現失效的情況。因此，對電線耐張線夾缺陷進行檢測是保證電力系統運行質量的重要手段。本文采用X射線數字成像板進行輸電線路耐張線夾圖像的X射線無損探傷成像，裝置原理圖如圖1所示。

如圖1所示，通過采用X射線無損探傷技術采集耐張線夾圖像，X射線波長在0.001～10nm之間，波長極短，X射線是由陽極上的電子光束以較快的速度碰撞而產生的，電子光束則是由一個加強的自由電子所構成。從量子理論的角度來看，單個 X射線光子的能量為

式中：h為普朗克常量；γ為振動頻率；c為光速；λ為波長。

X射線成像是通過 X射線與對象的相互作用而產生的，它具有穿透性。在X光穿過被檢對象耐張線夾時，由于其密度和厚度的差異，各對象對X射線吸收的程度不同，所以在穿過對象后，X射線的殘留量也會發生變化，從而在屏幕上形成了不同的黑白反差影像。要想獲得符合人體肉眼的影像，就需要通過X射線數字成像板進行顯影，以確保 X光能轉化成黑白對比度高、層次分明的輸電線路耐張線夾X射線影像。

根據圖像質量指標對X射線無損探傷技術的焦距進行選擇，利用最優焦距獲取輸電線路耐張線夾圖像。

1）圖像不清晰度

用U₀表示輸電線路耐張線夾圖像的最小不清晰度，其表達式如下。

式中：U_S為熒光不清晰度；U_g為幾何不清晰度。U_g可通過幾何成像關系^[7-9]計算得到：

式中：d為射線源焦點尺寸；L₁為受檢工件與焦點之間的距離；L₂為成像板與受檢工件之間的距離。

設M為圖像放大倍數，可通過幾何原理計算得到：

U₀與M之間的關系可通過下式進行描述：

式中U為輸電線路耐張線夾圖像的不清晰度。對上式進行分析可知，U₀隨著M的增大而減小。

結合上述分析結果，獲取最佳放大倍數M_opt，其表達式如下：

2）圖像對比度

對于細微物體，人類視覺的主觀識別程度就是圖像分辨率^[10-12]。X射線穿透工件后，會發生散射或吸收，成像板接收到的射線能量不同。因此，X射線穿透工件后能量變化區域的圖像灰度值受材料特性和透照厚度的影響^[13-14]。X射線穿透工件后的圖像對比度計算公式為

式中L_y為檢測區域的有效長度。

3）檢測焦距

在透照布置原理的基礎上對X射線角度θ進行計算：

設F為透照檢測焦距，可通過下式計算得到：

根據確定的透照檢測焦距獲取輸電線路耐張線夾圖像。

1.2 圖像增強處理

基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法結合Retinex圖像增強算法和經驗模式分解方法對獲取的輸電線路耐張線夾圖像進行增強處理，具體步驟如下。

1）用I（x，y）表示獲取的輸電線路耐張線夾圖像，對其做直方圖均衡化處理^[15-16]，將RGB空間中存在的圖像I（x，y）轉變到HSV空間中，提取圖像中存在的顏色分量，即亮度V_org、飽和度S_org和色調H_org。

2）設置照射倍數n₁，n₂，…，n_m，對亮度分量V_org進行提高處理，在不同光照條件下獲得m幅耐張線夾圖像V_org1（x，y），V_org2（x，y），…，V_orgm（x，y）；

3）采用經驗模式分解方法^[17-18]對耐張線夾圖像V_org1（x，y），V_org2（x，y），…，V_orgm（x，y）進行分解，獲得一個剩余分量r_ik（x，y）和一個內蘊模式分量imf_ij（x，y），i=0，1，2，…，m；j=0，1，2，…，l；k=0，1，2，…，l。

4）取亮度V_org剩余分量r_0k（x，y）對應的對數，即

并采用Retinex圖像增強算法^[19-20]對其進行處理，獲得r′_0k（x，y），并通過下式對剩余分量進行增強處理：

加權處理V_org1（x，y），V_org2（x，y），…，V_orgm（x，y）的亮度剩余分量對數r′_0k（x，y），獲得增強分量R_0k（x，y）。

5）將亮度設置為V_org=max0，min（1，imf_ij），其中max為最大算子。

6）在HSV（六角椎體模型）空間中利用亮度V_org、飽和度S_org和色調H_org將耐張線夾圖像轉回到RGB（色彩空間）空間中，完成圖像的增強處理。

綜上所述，耐張線夾圖像預處理流程如圖2所示。

2 輸電線路耐張線夾缺陷檢測

1）自適應同態濾波

由照射-反射模型可知，可通過反射分量r（x，y）和照射分量i（x，y）的乘積表示耐張線夾圖像f（x，y），其中0lt;i（x，y）lt;∞，0lt;r（x，y）lt;1。

通過傅里葉變換^[21-22]控制照射分量i（x，y）和反射分量r（x，y）。取圖像f（x，y）的對數z（x，y），分離照射分量i（x，y）和反射分量r（x，y），圖像f（x，y）在區間[0，255]內取值，采用f（x，y）+1代替f（x，y），以避免ln（0）的出現：

z（x，y）=ln[f（x，y）+1]=ln[i（x，y）]+ln[r（x，y）]（12）

通過下式傅里葉變換z（x，y）：

Z（u，v）=F[z（x，y）]（13）

式中F[·]為傅里葉變換函數。

通過傅里葉變換，可以將圖像從空間域轉換到頻域，并在頻域中進行處理，得到每個頻率分量的幅度Z（u，v）。設置濾波器H（u，v），通過下式濾波處理Z（u，v）：

S（u，v）=H（u，v）Z（u，v）=H（u，v）F[i（u，v）]+H（u，v）F[r（u，v）]（14）

傅里葉變換濾波處理后的圖像：

s（x，y）=IFFT[S（u，v）]（15）

式中IFFT為傅里葉逆變換操作。

根據上述過程，獲得最終耐張線夾圖像：

g（x，y）=e^s（x，y）－1=i₀（x，y）r₀（x，y） （16）

式中：g（x，y）為灰度值；i₀（x，y）為耐張線夾圖像經過處理后的照射分量；r₀（x，y）為耐張線夾圖像經過處理后的反射分量。

對上述過程進行分析可知，為了提高輸電線路耐張線夾圖像中細節信息的清晰度，需要降低低頻信息，增強高頻信息，所提方法利用高斯高通濾波器^[23-24]對圖像進行處理：

H（u，v）=（γ_H－γ_L）e^{（－aD2（u，v）/D}₀^）+γ_L（17）

式中：γ_Hgt;1、γ_Llt;1描述的是濾波器對應的幅度范圍；a為常數；D為穿越頻率；D₀為截止頻率。

通過下式對常數a進行計算：

式中：P¹_m為第1個最大幅值；P²_m為第2個最大幅值。

2）邊緣檢測

通過高斯濾波器Q_ij對耐張線夾圖像進行處理，消除圖像中存在的噪聲，平滑圖像：

式中：η為噪聲點像素值；σ的取值為1.4。

將高斯濾波器核Q中的元素與窗口A中的元素相乘，獲得濾波處理后耐張線夾圖像中心像素點e對應的灰度值。

設G為中心像素點對應的梯度，θ為中心像素點對應的方向，其計算公式分別如下：

式中G_x、G_y分別為Sobel算子S_x、S_y對應的梯度。

通過比較像素的梯度，判斷像素是否為邊緣點，當像素為邊緣點時，予以保留，當像素為非邊緣點時，抑制該像素點，完成耐張線夾圖像邊緣檢測^[25-27]。

3）形態學運算

針對圖像I，通過結構元素B完成灰度膨脹操作，并用IB表示：

基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法，通過圓盤結構元素S_E進行灰度膨脹操作，其表達式如下：

4）最大連通域

消除耐張線夾圖像中存在的噪聲點，并通過連通域方法標記所有連通域，保留最大連通域^[28-29]。

5）缺陷檢測

設C為連通域對應的周長，S₂為連通域對應的面積，通過連通域的長寬比D₂和圓形度R對缺陷進行判斷，完成輸電線路耐張線夾的缺陷檢測：

式中L為最小矩形長邊對應的長度。

輸電線路耐張線夾缺陷檢測流程如圖3所示。

3 實驗與結果

為了驗證基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法的整體有效性，需要對基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法進行測試。

3.1 實驗對象

實驗對象選取100個NLD-1型號耐張線夾為待檢測對象。其結構特點為線夾強度高、對絞線應力分布均勻，能夠提升線路抗振能力，同時耐腐蝕性較好。NLD-1型號耐張線夾的缺陷情況如表1所示。

本文研究的耐張線夾的缺陷統計結果如表2所示。

根據透照厚度與X射線管相關的電壓特性，獲取X射線認可的管道電壓上限值。輸電線路耐張線夾的透照參數如表3所示。

3.2 實驗指標及實驗環境

檢測的模擬平臺為MATLAB2019，采用Java編程語言進行算法的試驗模擬。本文選用的耐張線夾缺陷圖像包括耐張線夾鋼芯鼓肚、鋼錨凹槽處鋁管嚴重欠壓、鋼錨管變形和鋼錨管存在毛刺的缺陷。實驗指標如下：

1）圖像清晰度：圖像清晰度D的計算公式如式（24）所示，圖像清晰度D值越接近于1，表示清晰度越好。

2）錯誤檢出率：錯誤檢出率的計算公式如式（25）所示。

式中c₀、c₁分別為采用輸電線路耐張線夾缺陷檢測方法前后的缺陷檢出量。

3）工作量減少率：工作量減少率的計算公式如式（26）所示。

式中t₀、t₁分別為采用輸電線路耐張線夾缺陷檢測方法前后的檢測耗時。

3.3 實驗結果分析

在100個待檢測的耐張線夾測試圖像中隨機挑選4幅，采用基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法、文獻[4]方法和文獻[5]方法對每幅圖中耐張線夾存在的缺陷進行識別，識別結果如圖4所示。

分析圖4可知，所提方法可以準確識別出耐張線夾鋼芯鼓肚、鋼錨凹槽處鋁管嚴重欠壓、鋼錨管變形和鋼錨管存在毛刺的缺陷；而文獻[4]可以識別出鋼芯鼓肚、鋼錨管變形和鋼錨管存在毛刺缺陷，識別鋼錨凹槽處鋁管嚴重欠壓缺陷有限；文獻[5]能夠識別鋼錨凹槽處鋁管嚴重欠壓、鋼錨管變形和鋼錨管存在毛刺缺陷，鋼芯鼓肚缺陷識別效果較差。這是因為所提方法結合了Retinex圖像增強算法和經驗模式分解方法對圖像進行增強處理，提高了圖像質量，以此提升了缺陷識別能力。

在上述測試結果的基礎上，選取清晰度作為指標，采用所提方法、文獻[4]方法和文獻[5]方法對輸電線路耐張線夾圖像質量進行評價，結果如圖5所示。

對圖5進行分析可知，所提方法獲取的圖像清晰度均在0.9以上，遠高于文獻[4]方法和文獻[5]方法。清晰度越高，表明該方法獲取的圖像質量越高，所提方法應用X射線無損探傷技術采集耐張線夾圖像，選取最優焦距，提升了圖像分辨率，因此可獲取高質量的輸電線路耐張線夾圖像。

采用所提方法、文獻[4]方法和文獻[5]方法對輸電線路耐張線夾進行缺陷檢測，對比不同方法的錯誤檢出率，測試結果如圖6所示。錯誤檢出率越高，表明缺陷檢測性能越好。

采用所提方法、文獻[4]方法和文獻[5]方法對輸電線路耐張線夾的缺陷進行檢測時，隨著圖像數量的增加，3種方法的錯誤檢出率均有所降低，從減小幅度出發，所提方法的錯誤檢出率減小幅度最低，且在相同圖像數量下，所提方法的錯誤檢出率均高于文獻[4]方法和文獻[5]方法。所提方法應用自適應同態濾波及邊緣檢測技術提取圖像邊緣特征，通過高斯高通濾波器實現邊緣保留，能夠有效提升輸電線路耐張線夾故障檢測準確性。因此所提方法具有良好的檢測性能。

為了進一步驗證方法的有效性，選取工作量減少率作為指標進行測試，所提方法、文獻[4]方法和文獻[5]方法的測試結果如表4所示。

根據表4中的數據可知，在10次測試試驗中，所提方法的工作量減少率平均值為61.14%，與文獻[4]方法和文獻[5]方法的測試結果相比，所提方法的工作量減少率最高，表明所提方法可有效提高輸電線路耐張線夾缺陷檢測的效率。

4 結語

輸電線路耐張線夾長期受振蕩、舞動和覆冰等因素的影響，容易出現缺陷，導致輸電線路斷線事故的發生。目前輸電線路耐張線夾缺陷檢測方法存在圖像清晰度低、錯誤檢出率低和工作量減少率低的問題，本文提出基于X射線無損探傷的輸電線路耐張線夾缺陷檢測方法，通過X射線無損探傷技術獲取輸電線路耐張線夾圖像，利用連通域的長寬比和圓形度完成缺陷檢測，提高了耐張線夾在輸電線路中的安全性和穩定性。

參考文獻：

[1] 童曉陽，楊明杰，張廣驍. 基于改進DTW的行波波形相似性的高壓直流輸電線路保護方案[J]. 中國電機工程學報，2020，40（12）：3878-3887.

[2] 陳杰，曹少華，任永瓊，等. 取代可鍛鑄鐵的高寒低溫環境用新型鋁合金耐張線夾的研究[J]. 鑄造技術，2020，41（9）：826-830.

[3] 徐望圣，孫志林，謝億，等. 500 kV輸電線路耐張線夾鋼錨斷裂分析[J]. 礦冶工程，2020，40（2）：144-146，153.

[4] 彭向陽，梁福遜，錢金菊，等. 基于機載紅外影像紋理特征的輸電線路絕緣子自動定位[J]. 高電壓技術，2019，45（3）：922-928.

[5] 侯春萍，章衡光，張巍，等. 輸電線路絕緣子自爆缺陷識別方法[J]. 電力系統及其自動化學報，2019，31（6）：1-6.

[6] 王偉超，司文濤，袁光福，等. 幾何成像區域紅外小目標像素數測量方法[J]. 光學學報，2020，40（13）：87-94.

[7] 曾勇斌，王星華，彭顯剛，等. 輸電線路缺陷風險建模及其預測方法研究[J]. 電力系統保護與控制，2020，48（10）：91-98.

[8] 孟慶鵬，劉世界，李春來，等. 成像狹縫對熱紅外高光譜成像儀接收能量的影響[J]. 半導體光電，2019，40（5）：714-718，725.

[9] 王亞堃，朱榮剛，劉波，等. 最小體積約束的高光譜圖像分辨率增強算法[J]. 電光與控制，2019，26（1）：38-42.

[10] 劉秀，劉詠，張翠，等. 遙感圖像分辨率提升與數據處理[J]. 激光與光電子學進展，2019，56（8）：98-108.

[11] 劉志博，朱志鵬，何超，等. 微納級示蹤粒子圖像灰度與粒徑量化關系研究[J]. 光學學報，2020，40（8）：80-86.

[12] 趙戰民，朱占龍，王軍芬. 改進的基于灰度級的模糊C均值圖像分割算法[J]. 液晶與顯示，2020，35（5）：499-507.

[13] 趙春麗，董靜薇，徐博，等. 融合直方圖均衡化與同態濾波的霧天圖像增強算法研究[J]. 哈爾濱理工大學學報，2019，24（6）：93-97.

[14] 虎曉紅，陳寶鋼. 基于受限分位直方圖的小麥苗情圖像增強方法[J]. 河南農業大學學報，2019，53（1）：128-134.

[15] 黃傳金，雷文平，李凌均，等. 旋轉機械故障特征提取的全矢二元經驗模態分解方法研究[J]. 振動與沖擊，2019，38（9）：94-99，132.

[16] 陳岳坪，諶炎輝，湯慧，等. 基于經驗模態分解方法的曲面加工誤差補償[J]. 計算機集成制造系統，2019，25（10）：2616-2622.

[17] 張馳，譚南林，李響，等. 基于改進型Retinex算法的霧天圖像增強技術[J]. 北京航空航天大學學報，2019，45（2）：309-316.

[18] 許鳳麟，苗玉彬，張銘. 基于彩色加權引導濾波-Retinex算法的導航圖像增強[J]. 上海交通大學學報，2019，53（8）：921-927.

[19] 楊衛梅，劉剛，劉雨，等. 農作物銹病葉傅里葉變換紅外光譜檢測方法研究[J]. 光譜學與光譜分析，2019，39（2）：435-442.

[20] 白旭，胡輝. 基于快速傅里葉變換和互相關的多頻微弱信號重構法[J]. 電子測量與儀器學報，2019，33（3）：168-175.

[21] 方潔，莊智強，戴永勝. 基于LTCC的小型化超寬帶高通濾波器[J]. 固體電子學研究與進展，2019，39（4）：269-272，296.

[22] 胡鑫楠. 基于改進型混沌粒子群優化算法的FIR高通數字濾波器設計[J]. 計算機科學，2019，46（增刊1）：601-604.

[23] 陳雨，方濱，王普. 一種Beamlet變換下的圖像邊緣檢測算法[J]. 中國圖象圖形學報A，2010，15（8）：1214-1219.

[24] 黃巍，黃輝先，徐建閩，等. 基于Canny邊緣檢測思想的改進遙感影像道路提取方法[J]. 國土資源遙感，2019，31（1）：65-70.

[25] 闕祿松，王明泉，張俊生，等. 基于多尺度局部邊緣保持濾波的X射線圖像色調映射算法[J]. 科學技術與工程，2019，19（28）：217-221.

[26] 蔡彪，沈寬，付金磊，等. 基于Mask R-CNN的鑄件X射線DR圖像缺陷檢測研究[J]. 儀器儀表學報，2020，41（3）：61-69.

[27] 龐鍇， 呂中賓， 都元祥，等. 輸電線路耐張線夾壓接長度對其抗拉承載力及失效模式的影響分析[J]. 科學技術與工程， 2020， 20（23）：9384-9392.

[28] 張永翔，吳功平，劉中云，等. 基于YOLOv3網絡的輸電線路防震錘和線夾檢測遷移學習[J]. 計算機應用，2020，40（增刊2）：188-194.

[29] 董選昌， 曲烽瑞， 李艷飛，等. 架空線路耐張線夾三維溫度場仿真分析及驗證[J]. 西南交通大學學報， 2019， 54（5）：997-1004.

收稿日期：2022-10-12