基于卷積神經網絡的電纜同軸度檢測技術

劉紅軍，魏旭陽

(沈陽航空航天大學機電工程學院，沈陽110000)

0 引言

同軸度檢測是耐火級電纜[1]生產過程中不可或缺的一步，主要運用X射線透視原理對電纜的幾何參數進行在線檢測。傳統測量方法主要使用計算機基于特征提取和模板匹配，對電纜的幾何參數進行檢測和同軸度計算[2]。實際檢測過程中，電纜檢測程序受電纜型號尺寸、檢測距離、檢測角度、光線明暗等其他外界因素的影響，經常需要改變程序內部參數來達到高精度檢測的標準[3]，造成程序運行緩慢、維護周期短、抗干擾能力較差等問題。為此采用卷積神經網絡將電纜X光圖片進行預處理分類。

近年來，卷積神經網絡[4](convolutional neural network，CNN)在處理圖像分類方面的任務時表現能力出色，在人體行為識別[5]、缺陷故障診斷[6]以及物體檢測[7 - 8]等方面已得到廣泛應用。不少研究者利用卷積神經網絡模型對電纜檢測技術進行了相應的研究。如楊帆等采用CNN模型對電纜局部放電模式識別[9]；張重遠等通過基于時頻譜CNN算法對變壓器鐵心聲紋識別[10]；王曉明通過恒等映射CNN算法對高壓斷路器故障識別[11]等。利用卷積神經網絡對電纜同軸度檢測技術的改進目前仍處于探索階段。為此本研究擬利用卷積神經網絡對電纜檢測圖形進行分類檢測，并進行分析，以期取得更好的識別效果，為電纜識別技術提供參考和借鑒。

1 系統結構與原理

在同軸度測量實際操作中，本文采用了張政等提出的求距法[12]測量，對其方法進行了進一步改進，采用X光機進行同軸度軸向截面測量。這種改進更加適用于電纜生產和加工過程，能夠達到實時監控的效果。具體結構如圖1所示。

1—礦物絕緣電纜；2—高清小型X光機；3—控制系統；4—工業計算機；5—圓弧形滑軌

電纜豎直固定于圓弧形滑軌中心位置，X光機沿滑軌滑動對被測元素進行3坐標拍攝，計算電纜的外徑D，取D/2的位置為基準軸線，計算電纜內徑d，取d/2的位置為實際軸線，通過電纜檢測程序計算(D-d)/2，該值為電纜實際軸線相對于基準軸線所允許的最大變動量，即電纜同軸度。

2 邊緣檢測與直線檢測

為減少目標圖像中電纜檢測程序將對其進行圖像預處理，如圖2所示。圖像目標為礦物絕緣電纜圖像，圖像背景為白色圓環鏡頭搭配黑色背景，每幅原始圖像是大小為720 ppi×480 ppi的灰度圖像。在進行同軸度檢測前，將圖像裁剪為100 ppi×480 ppi的正外接矩形，這樣既保留了檢測所需的圖像目標，也減少了檢測程序的工作量。

圖2 圖像檢測預處理

在同軸度檢測中，本文主要采用Canny算子邊緣檢測法與Hough變換直線檢測法相結合以檢測出電纜的內外徑，從而確定其軸心。此種檢測方法中，Canny算子與Hough變換中的閾值參數經常受到外界環境因素的影響，需要人為進行調整才能獲得準確的試驗結果。圖3為調整檢測參數前后的檢測結果對比?？梢钥闯?，當進行Canny邊緣檢測時，邊緣檢測的精度隨檢測參數閾值范圍的擴大而降低；進行Hough變換直線檢測時，直線檢測的精度則隨著參數的升高而提高，但精度過高時會檢測出多余曲線，干擾檢測結果。為此本文提出由卷積神經網絡對電纜檢測圖像進行預分類，從而自適應改變檢測閾值參數，達到電纜智能同軸度檢測的效果。

圖3 調整檢測參數對比圖

3 卷積神經網絡

使用卷積神經網絡將電纜圖像按照所需的檢測參數進行預分類，過程如圖4所示。

圖4 檢測程序流程圖

3.1 卷積神經網絡搭建

每張電纜原圖為720 ppi×480 ppi的灰度圖像，在圖像識別前，為減少無用信息、提高神經網絡的訓練速度，從原圖中提取最小正外接正方形，將最小正外接正方形等比例縮放為80 ppi×80 ppi的輸入圖像規格化處理?；诰矸e神經網絡的電纜圖像分類模型如圖5所示，包含卷積層、激活層、池化層、全局池化層、輸出層。

圖5 單神經元模型

C1與C2每層各有8個卷積核，第3層C5有64個卷積核，通過卷積運算，可以增強原始信號特征，降低噪聲的影響。卷積運算如下：

(1)

(2)

(3)

3.2 卷積神經網絡訓練

3.2.1 正向傳播

本次神經網絡訓練采用ReLU激活函數，卷積神經網絡通過計算每個神經元的輸入，正向傳播神經元的輸出，從而得到一個總體的輸出，單個神經元模型如圖6所示。

圖6 單神經元模型

每個神經元的輸出記為：

(4)

3.2.2 反向傳播

(5)

其中：

(6)

式中：η為學習速率；En為最后一層(第n層)的輸出誤差；Tn為第n層期望的輸出結果；Cn為第n層的神經元個數。

4 整體程序的運行與測試

4.1 實驗過程設計

實驗計算機配置如下：操作系統為Windows10，開發平臺為Tensorflow、OpenCV。實驗設計首先通過OpenCV對圖像進行預處理，再由Tensorflow對神經網絡進行搭建和訓練，最后由OpenCV進行同軸度的檢測和計算。選用一組同軸度標準的單芯礦物絕緣電纜進行檢測。

本次訓練為有監督學習，將電纜圖片按照圖片檢測所需Canny算子與霍夫變換的參數不同，分為標準、暗淡、距離過遠、無法檢測4種情況，同時按照4種情況制作圖片集用于卷積神經網絡電纜檢測模型。由于電纜X光圖像在不同情況下的對應特征較為明顯，且數據信息量較小，為此采用小批量樣本進行CNN模型訓練，這樣既保證了訓練的效率，也預防神經網絡模型發生過擬合現象。通過小型X光機對單芯礦物絕緣電纜分別采集標準、暗淡、距離過遠、無法檢測4個級別的電纜圖片各300張，共1 200張，隨機抽取其中20%的圖片記為測試集，其余為訓練集。對各等級的電纜圖片進行圖片預處理，其余作為測試集。常規，暗淡，距離過遠，無法檢測分別用0～3這4個數字代表輸出結果，如圖7所示。

圖7 電纜分類圖

4.2 實驗結果

對上述訓練集進行30次有效迭代訓練，由圖8可知，隨著迭代次數的增長，訓練集的準確率與測試集的準確率呈逐步上升。當迭代到第5次時，圖像分類趨于平穩；當迭代到第9次時，樣本準確率僅出現較小波動；當迭代到第12次時，樣本準確率穩定在95%左右，測試集準確率達到96.87%，訓練過程中其損失函數呈梯度下降的趨勢，變化相對平穩，預測損失偏差逐步減小，當數據規模增加時并未出現過擬合現象，說明該模型經過訓練后具有較強的泛化能力，由此可見誤差得到了比較好的收斂，神經網絡模型達到了預期的訓練效果。

acc—電纜訓練集分類成功率；val_acc—電纜測試集分類成功率；loss—電纜訓練集損失函數；val_loss—電纜測試集損失函數

直線檢測結果如圖9所示。

圖9 電纜圖像直線檢測結果圖

從圖9可以明顯看出標準、暗淡和距離過遠這3類圖像均在圖中檢測出了藍、紅、綠、黃4條直線，達到了電纜同軸度的計算要求，而在無法檢測類圖像中只有3條直線未能滿足其檢測要求，因此判定分類結果較為理想。為驗證同軸度檢測程序的準確率，將由模型準確分類后的電纜圖像樣品按常規、暗淡、距離過遠、無法檢測4種分類分別隨機抽取100張進行同軸度檢測。統計分類容器中各等級電纜圖像的數量，其測試結果如表1所示。由于暗淡與距離過遠分類中圖片的質量各異，小部分圖片過暗或者過遠從而超過檢測程序的檢測范圍，而標準與無法檢測這兩類圖像集特征較為明顯，容易被檢測程序識別。經過計算，電纜同軸度的檢測平均成功率高達94%((94%+90%+93%+99%)/4)，遠高于傳統電纜同軸度技術。

表1 圖像分類結果

文中將相同的圖片集輸入到王晨晨等改進直線檢測算法[17]與傳統算法中進行對比。由圖10可知，當電纜距離過遠或直徑較小時，加入了神經網絡的直線檢測算法和在邊緣檢測，檢測出了目標圖像中的所有目標邊緣，而改進閾值算法和傳統算法均出現了邊緣缺失。說明神經網絡算法在邊緣檢測時，對于Canny算子的閾值調整更加精確。但是在Hough直線檢測中，3種算法都對已檢測到的邊緣進行了準確的識別，說明邊緣檢測的質量會直接影響到直線檢測的結果。

圖10 檢測算法對比圖

在同軸度計算方面，各選取20張單芯礦物絕緣電纜圖像進行對比試驗，分別對其檢測出的電纜外徑進行測量。結果表明，與采用神經網絡算法相比較，采用改進閾值算法時，計算值與實測值的差距較大，如圖11所示。因此神經網絡算法相比改進的閾值檢測算法更加精準，與實測值相比誤差更小。

圖11 電纜外徑檢測對比圖

5 結論

針對傳統礦物絕緣電纜同軸度檢測技術對圖像特定特征依賴性強，識別效率低等問題，本文提出了將卷積神經網絡應用于電纜X光圖像的4種(標準、暗淡、距離過遠、無法檢測)分類中，建立基于卷積神經網絡的電纜檢測模型。對電纜檢測中常出現的4種情況進行了數據預處理，采用Tensorflow平臺進行深度CNN訓練。訓練后的CNN模型分類成功率可達96.87%，同軸度檢測成功率達到94%，遠高于傳統電纜同軸度檢測技術。

通過對基于神經網絡算法電纜同軸度檢測程序的試驗和研究，可以發現該項技術與現有的電纜同軸度檢測技術相比，識別性能更強，自動化水平更高，并且有效解決了X光對人體造成危害的現狀，也為后續的電纜同軸度檢測提供了理論依據和參考價值。