基于卷積神經(jīng)網(wǎng)絡(luò)的電纜同軸度檢測(cè)技術(shù)

劉紅軍，魏旭陽(yáng)

(沈陽(yáng)航空航天大學(xué)機(jī)電工程學(xué)院，沈陽(yáng)110000)

0 引言

同軸度檢測(cè)是耐火級(jí)電纜[1]生產(chǎn)過(guò)程中不可或缺的一步，主要運(yùn)用X射線透視原理對(duì)電纜的幾何參數(shù)進(jìn)行在線檢測(cè)。傳統(tǒng)測(cè)量方法主要使用計(jì)算機(jī)基于特征提取和模板匹配，對(duì)電纜的幾何參數(shù)進(jìn)行檢測(cè)和同軸度計(jì)算[2]。實(shí)際檢測(cè)過(guò)程中，電纜檢測(cè)程序受電纜型號(hào)尺寸、檢測(cè)距離、檢測(cè)角度、光線明暗等其他外界因素的影響，經(jīng)常需要改變程序內(nèi)部參數(shù)來(lái)達(dá)到高精度檢測(cè)的標(biāo)準(zhǔn)[3]，造成程序運(yùn)行緩慢、維護(hù)周期短、抗干擾能力較差等問(wèn)題。為此采用卷積神經(jīng)網(wǎng)絡(luò)將電纜X光圖片進(jìn)行預(yù)處理分類(lèi)。

近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)[4](convolutional neural network，CNN)在處理圖像分類(lèi)方面的任務(wù)時(shí)表現(xiàn)能力出色，在人體行為識(shí)別[5]、缺陷故障診斷[6]以及物體檢測(cè)[7 - 8]等方面已得到廣泛應(yīng)用。不少研究者利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)電纜檢測(cè)技術(shù)進(jìn)行了相應(yīng)的研究。如楊帆等采用CNN模型對(duì)電纜局部放電模式識(shí)別[9]；張重遠(yuǎn)等通過(guò)基于時(shí)頻譜CNN算法對(duì)變壓器鐵心聲紋識(shí)別[10]；王曉明通過(guò)恒等映射CNN算法對(duì)高壓斷路器故障識(shí)別[11]等。利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)電纜同軸度檢測(cè)技術(shù)的改進(jìn)目前仍處于探索階段。為此本研究擬利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)電纜檢測(cè)圖形進(jìn)行分類(lèi)檢測(cè)，并進(jìn)行分析，以期取得更好的識(shí)別效果，為電纜識(shí)別技術(shù)提供參考和借鑒。

1 系統(tǒng)結(jié)構(gòu)與原理

在同軸度測(cè)量實(shí)際操作中，本文采用了張政等提出的求距法[12]測(cè)量，對(duì)其方法進(jìn)行了進(jìn)一步改進(jìn)，采用X光機(jī)進(jìn)行同軸度軸向截面測(cè)量。這種改進(jìn)更加適用于電纜生產(chǎn)和加工過(guò)程，能夠達(dá)到實(shí)時(shí)監(jiān)控的效果。具體結(jié)構(gòu)如圖1所示。

1—礦物絕緣電纜；2—高清小型X光機(jī)；3—控制系統(tǒng)；4—工業(yè)計(jì)算機(jī)；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(jī)沿滑軌滑動(dòng)對(duì)被測(cè)元素進(jìn)行3坐標(biāo)拍攝，計(jì)算電纜的外徑D，取D/2的位置為基準(zhǔn)軸線，計(jì)算電纜內(nèi)徑d，取d/2的位置為實(shí)際軸線，通過(guò)電纜檢測(cè)程序計(jì)算(D-d)/2，該值為電纜實(shí)際軸線相對(duì)于基準(zhǔn)軸線所允許的最大變動(dòng)量，即電纜同軸度。

2 邊緣檢測(cè)與直線檢測(cè)

為減少目標(biāo)圖像中電纜檢測(cè)程序?qū)?duì)其進(jìn)行圖像預(yù)處理，如圖2所示。圖像目標(biāo)為礦物絕緣電纜圖像，圖像背景為白色圓環(huán)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(jìn)行同軸度檢測(cè)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(cè)所需的圖像目標(biāo)，也減少了檢測(cè)程序的工作量。

圖2 圖像檢測(cè)預(yù)處理

在同軸度檢測(cè)中，本文主要采用Canny算子邊緣檢測(cè)法與Hough變換直線檢測(cè)法相結(jié)合以檢測(cè)出電纜的內(nèi)外徑，從而確定其軸心。此種檢測(cè)方法中，Canny算子與Hough變換中的閾值參數(shù)經(jīng)常受到外界環(huán)境因素的影響，需要人為進(jìn)行調(diào)整才能獲得準(zhǔn)確的試驗(yàn)結(jié)果。圖3為調(diào)整檢測(cè)參數(shù)前后的檢測(cè)結(jié)果對(duì)比?？梢钥闯?，當(dāng)進(jìn)行Canny邊緣檢測(cè)時(shí)，邊緣檢測(cè)的精度隨檢測(cè)參數(shù)閾值范圍的擴(kuò)大而降低；進(jìn)行Hough變換直線檢測(cè)時(shí)，直線檢測(cè)的精度則隨著參數(shù)的升高而提高，但精度過(guò)高時(shí)會(huì)檢測(cè)出多余曲線，干擾檢測(cè)結(jié)果。為此本文提出由卷積神經(jīng)網(wǎng)絡(luò)對(duì)電纜檢測(cè)圖像進(jìn)行預(yù)分類(lèi)，從而自適應(yīng)改變檢測(cè)閾值參數(shù)，達(dá)到電纜智能同軸度檢測(cè)的效果。

圖3 調(diào)整檢測(cè)參數(shù)對(duì)比圖

3 卷積神經(jīng)網(wǎng)絡(luò)

使用卷積神經(jīng)網(wǎng)絡(luò)將電纜圖像按照所需的檢測(cè)參數(shù)進(jìn)行預(yù)分類(lèi)，過(guò)程如圖4所示。

圖4 檢測(cè)程序流程圖

3.1 卷積神經(jīng)網(wǎng)絡(luò)搭建

每張電纜原圖為720 ppi×480 ppi的灰度圖像，在圖像識(shí)別前，為減少無(wú)用信息、提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(guī)格化處理?；诰矸e神經(jīng)網(wǎng)絡(luò)的電纜圖像分類(lèi)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(jīng)元模型

C1與C2每層各有8個(gè)卷積核，第3層C5有64個(gè)卷積核，通過(guò)卷積運(yùn)算，可以增強(qiáng)原始信號(hào)特征，降低噪聲的影響。卷積運(yùn)算如下：

(1)

(2)

(3)

3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練

3.2.1 正向傳播

本次神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用ReLU激活函數(shù)，卷積神經(jīng)網(wǎng)絡(luò)通過(guò)計(jì)算每個(gè)神經(jīng)元的輸入，正向傳播神經(jīng)元的輸出，從而得到一個(gè)總體的輸出，單個(gè)神經(jīng)元模型如圖6所示。

圖6 單神經(jīng)元模型

每個(gè)神經(jīng)元的輸出記為：

(4)

3.2.2 反向傳播

(5)

其中：

(6)

式中：η為學(xué)習(xí)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(jié)果；Cn為第n層的神經(jīng)元個(gè)數(shù)。

4 整體程序的運(yùn)行與測(cè)試

4.1 實(shí)驗(yàn)過(guò)程設(shè)計(jì)

實(shí)驗(yàn)計(jì)算機(jī)配置如下：操作系統(tǒng)為Windows10，開(kāi)發(fā)平臺(tái)為T(mén)ensorflow、OpenCV。實(shí)驗(yàn)設(shè)計(jì)首先通過(guò)OpenCV對(duì)圖像進(jìn)行預(yù)處理，再由Tensorflow對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行搭建和訓(xùn)練，最后由OpenCV進(jìn)行同軸度的檢測(cè)和計(jì)算。選用一組同軸度標(biāo)準(zhǔn)的單芯礦物絕緣電纜進(jìn)行檢測(cè)。

本次訓(xùn)練為有監(jiān)督學(xué)習(xí)，將電纜圖片按照?qǐng)D片檢測(cè)所需Canny算子與霍夫變換的參數(shù)不同，分為標(biāo)準(zhǔn)、暗淡、距離過(guò)遠(yuǎn)、無(wú)法檢測(cè)4種情況，同時(shí)按照4種情況制作圖片集用于卷積神經(jīng)網(wǎng)絡(luò)電纜檢測(cè)模型。由于電纜X光圖像在不同情況下的對(duì)應(yīng)特征較為明顯，且數(shù)據(jù)信息量較小，為此采用小批量樣本進(jìn)行CNN模型訓(xùn)練，這樣既保證了訓(xùn)練的效率，也預(yù)防神經(jīng)網(wǎng)絡(luò)模型發(fā)生過(guò)擬合現(xiàn)象。通過(guò)小型X光機(jī)對(duì)單芯礦物絕緣電纜分別采集標(biāo)準(zhǔn)、暗淡、距離過(guò)遠(yuǎn)、無(wú)法檢測(cè)4個(gè)級(jí)別的電纜圖片各300張，共1 200張，隨機(jī)抽取其中20%的圖片記為測(cè)試集，其余為訓(xùn)練集。對(duì)各等級(jí)的電纜圖片進(jìn)行圖片預(yù)處理，其余作為測(cè)試集。常規(guī)，暗淡，距離過(guò)遠(yuǎn)，無(wú)法檢測(cè)分別用0～3這4個(gè)數(shù)字代表輸出結(jié)果，如圖7所示。

圖7 電纜分類(lèi)圖

4.2 實(shí)驗(yàn)結(jié)果

對(duì)上述訓(xùn)練集進(jìn)行30次有效迭代訓(xùn)練，由圖8可知，隨著迭代次數(shù)的增長(zhǎng)，訓(xùn)練集的準(zhǔn)確率與測(cè)試集的準(zhǔn)確率呈逐步上升。當(dāng)?shù)降?次時(shí)，圖像分類(lèi)趨于平穩(wěn)；當(dāng)?shù)降?次時(shí)，樣本準(zhǔn)確率僅出現(xiàn)較小波動(dòng)；當(dāng)?shù)降?2次時(shí)，樣本準(zhǔn)確率穩(wěn)定在95%左右，測(cè)試集準(zhǔn)確率達(dá)到96.87%，訓(xùn)練過(guò)程中其損失函數(shù)呈梯度下降的趨勢(shì)，變化相對(duì)平穩(wěn)，預(yù)測(cè)損失偏差逐步減小，當(dāng)數(shù)據(jù)規(guī)模增加時(shí)并未出現(xiàn)過(guò)擬合現(xiàn)象，說(shuō)明該模型經(jīng)過(guò)訓(xùn)練后具有較強(qiáng)的泛化能力，由此可見(jiàn)誤差得到了比較好的收斂，神經(jīng)網(wǎng)絡(luò)模型達(dá)到了預(yù)期的訓(xùn)練效果。

acc—電纜訓(xùn)練集分類(lèi)成功率；val_acc—電纜測(cè)試集分類(lèi)成功率；loss—電纜訓(xùn)練集損失函數(shù)；val_loss—電纜測(cè)試集損失函數(shù)

直線檢測(cè)結(jié)果如圖9所示。

圖9 電纜圖像直線檢測(cè)結(jié)果圖

從圖9可以明顯看出標(biāo)準(zhǔn)、暗淡和距離過(guò)遠(yuǎn)這3類(lèi)圖像均在圖中檢測(cè)出了藍(lán)、紅、綠、黃4條直線，達(dá)到了電纜同軸度的計(jì)算要求，而在無(wú)法檢測(cè)類(lèi)圖像中只有3條直線未能滿足其檢測(cè)要求，因此判定分類(lèi)結(jié)果較為理想。為驗(yàn)證同軸度檢測(cè)程序的準(zhǔn)確率，將由模型準(zhǔn)確分類(lèi)后的電纜圖像樣品按常規(guī)、暗淡、距離過(guò)遠(yuǎn)、無(wú)法檢測(cè)4種分類(lèi)分別隨機(jī)抽取100張進(jìn)行同軸度檢測(cè)。統(tǒng)計(jì)分類(lèi)容器中各等級(jí)電纜圖像的數(shù)量，其測(cè)試結(jié)果如表1所示。由于暗淡與距離過(guò)遠(yuǎn)分類(lèi)中圖片的質(zhì)量各異，小部分圖片過(guò)暗或者過(guò)遠(yuǎn)從而超過(guò)檢測(cè)程序的檢測(cè)范圍，而標(biāo)準(zhǔn)與無(wú)法檢測(cè)這兩類(lèi)圖像集特征較為明顯，容易被檢測(cè)程序識(shí)別。經(jīng)過(guò)計(jì)算，電纜同軸度的檢測(cè)平均成功率高達(dá)94%((94%+90%+93%+99%)/4)，遠(yuǎn)高于傳統(tǒng)電纜同軸度技術(shù)。

表1 圖像分類(lèi)結(jié)果

文中將相同的圖片集輸入到王晨晨等改進(jìn)直線檢測(cè)算法[17]與傳統(tǒng)算法中進(jìn)行對(duì)比。由圖10可知，當(dāng)電纜距離過(guò)遠(yuǎn)或直徑較小時(shí)，加入了神經(jīng)網(wǎng)絡(luò)的直線檢測(cè)算法和在邊緣檢測(cè)，檢測(cè)出了目標(biāo)圖像中的所有目標(biāo)邊緣，而改進(jìn)閾值算法和傳統(tǒng)算法均出現(xiàn)了邊緣缺失。說(shuō)明神經(jīng)網(wǎng)絡(luò)算法在邊緣檢測(cè)時(shí)，對(duì)于Canny算子的閾值調(diào)整更加精確。但是在Hough直線檢測(cè)中，3種算法都對(duì)已檢測(cè)到的邊緣進(jìn)行了準(zhǔn)確的識(shí)別，說(shuō)明邊緣檢測(cè)的質(zhì)量會(huì)直接影響到直線檢測(cè)的結(jié)果。

圖10 檢測(cè)算法對(duì)比圖

在同軸度計(jì)算方面，各選取20張單芯礦物絕緣電纜圖像進(jìn)行對(duì)比試驗(yàn)，分別對(duì)其檢測(cè)出的電纜外徑進(jìn)行測(cè)量。結(jié)果表明，與采用神經(jīng)網(wǎng)絡(luò)算法相比較，采用改進(jìn)閾值算法時(shí)，計(jì)算值與實(shí)測(cè)值的差距較大，如圖11所示。因此神經(jīng)網(wǎng)絡(luò)算法相比改進(jìn)的閾值檢測(cè)算法更加精準(zhǔn)，與實(shí)測(cè)值相比誤差更小。

圖11 電纜外徑檢測(cè)對(duì)比圖

5 結(jié)論

針對(duì)傳統(tǒng)礦物絕緣電纜同軸度檢測(cè)技術(shù)對(duì)圖像特定特征依賴性強(qiáng)，識(shí)別效率低等問(wèn)題，本文提出了將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于電纜X光圖像的4種(標(biāo)準(zhǔn)、暗淡、距離過(guò)遠(yuǎn)、無(wú)法檢測(cè))分類(lèi)中，建立基于卷積神經(jīng)網(wǎng)絡(luò)的電纜檢測(cè)模型。對(duì)電纜檢測(cè)中常出現(xiàn)的4種情況進(jìn)行了數(shù)據(jù)預(yù)處理，采用Tensorflow平臺(tái)進(jìn)行深度CNN訓(xùn)練。訓(xùn)練后的CNN模型分類(lèi)成功率可達(dá)96.87%，同軸度檢測(cè)成功率達(dá)到94%，遠(yuǎn)高于傳統(tǒng)電纜同軸度檢測(cè)技術(shù)。

通過(guò)對(duì)基于神經(jīng)網(wǎng)絡(luò)算法電纜同軸度檢測(cè)程序的試驗(yàn)和研究，可以發(fā)現(xiàn)該項(xiàng)技術(shù)與現(xiàn)有的電纜同軸度檢測(cè)技術(shù)相比，識(shí)別性能更強(qiáng)，自動(dòng)化水平更高，并且有效解決了X光對(duì)人體造成危害的現(xiàn)狀，也為后續(xù)的電纜同軸度檢測(cè)提供了理論依據(jù)和參考價(jià)值。