智慧型電纜檢測技術(shù)的發(fā)展研究

趙亮軍

摘 要：傳統(tǒng)的電纜檢測方法已漸漸開始轉(zhuǎn)型為人工智慧機(jī)器學(xué)習(xí)的檢測方法，然而機(jī)器學(xué)習(xí)中常利用人工去定義特征萃取后，輸入至機(jī)器學(xué)習(xí)中進(jìn)行缺陷檢測，過往在辨識表面缺陷時，經(jīng)常將灰塵判別出為不良品，使現(xiàn)場人員進(jìn)行調(diào)閱信息及電纜拉回檢測時，花費更久的時間處理。但利用卷積神經(jīng)網(wǎng)絡(luò)算法的特色，使高維度的數(shù)據(jù)更容易處理，讓計算機(jī)自主學(xué)習(xí)利用卷積方式萃取特征取代人工特征提取，將訓(xùn)練好的權(quán)重后得到良好特征分類效果，以更容易的方式解決灰塵及環(huán)境問題并降低判別錯誤的機(jī)率，達(dá)到高準(zhǔn)確率、高穩(wěn)定性的檢測方法減少內(nèi)部損失成本，使電纜線傳統(tǒng)產(chǎn)業(yè)現(xiàn)場檢測人員能降低收取到錯誤信息，以及減少電纜線里銅條報廢重鑄問題。

關(guān)鍵詞：電纜;瑕疵缺陷;AOI 檢測;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：V267? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：2096-6903（2022）09-0082-03

0 引言

對于電線電纜業(yè)而言，質(zhì)量管理的安全性非同小可，但目前面臨的問題包括：需要大量檢查人員經(jīng)驗以及判定標(biāo)準(zhǔn)不同，容易影響整體的良率，進(jìn)而造成不必要的廢棄物和損失成本。至于導(dǎo)入自動化的檢測設(shè)備雖可以有效減少人力、統(tǒng)一檢測標(biāo)準(zhǔn)，但是檢測的準(zhǔn)確度一直是想突破的瓶頸。在電纜檢測方面，大多都依據(jù)局部放電的試驗來評估電纜絕緣劣化趨勢避免電纜無預(yù)警故障造成安全風(fēng)險，然而在絕緣層材料交聯(lián)聚乙烯（Cross-linked polyethylene， XLPE）方面，大多都依據(jù)電壓試驗針對絕緣材料劣化情形進(jìn)行診斷，進(jìn)行維護(hù)電力設(shè)備壽命預(yù)測，但在電纜制程射出絕緣層階段，就會產(chǎn)生許多瑕疵存在，這些瑕疵特征往往都會造成劣化加速現(xiàn)象，此問題常在制程被忽略掉。

電纜常會因為原料中包含的雜質(zhì)造成機(jī)器所擠出的絕緣材料出現(xiàn)瑕疵，造成電線電纜表面粗糙、凹陷、裂痕、被覆體凸出和接頭損壞等無法避免的不良問題。然而傳統(tǒng)產(chǎn)業(yè)在電纜制造完成后，會經(jīng)由層層驗證測試，如：滾壓彎曲試驗、應(yīng)力和扭轉(zhuǎn)應(yīng)力測試、反覆彎曲試驗和拖鍊電纜試驗。由于在制程中絕源擠出階段未發(fā)現(xiàn)瑕疵，造成后續(xù)的制程也因這些情況產(chǎn)生更大缺陷，就必須讓整條電纜當(dāng)作廢料或進(jìn)行重做，會使時間成本提高也造成失敗，所以現(xiàn)今會在制程中階段性的設(shè)置檢測站，提高電纜良品率和質(zhì)量。

1 電纜電線外觀缺陷形成

在電纜制程中，往往都會先對絕緣擠出的程序上進(jìn)行檢測，防止絕緣材料中有產(chǎn)生裂痕和氣隙而導(dǎo)致局部放電現(xiàn)象，對于后續(xù)成纜階段放電和擠壓測試可以降低不良率，也不用造成過多不必要的材料浪費。在后繼布署電纜工作中能降低因缺陷水氣進(jìn)入電纜的水樹劣化，還有雜質(zhì)造成電纜內(nèi)帶電粒子碰撞產(chǎn)生熱能破壞絕緣體所形成的雜質(zhì)空洞劣化和形成通道狀的電樹劣化，以及因缺陷使電子碰撞加速絕緣材料的熱老化和機(jī)械應(yīng)力老化等因素[1]，延長電纜壽命及安全性。

外觀檢查的標(biāo)準(zhǔn)如表1所示，外觀應(yīng)無瑕疵、外傷、銹蝕、裂痕、污損或接點，并且檢查表面的印字標(biāo)示及標(biāo)示距離是否正確，在這些安全檢驗方法中得知，外觀瑕疵亦尤其重要。

2 明場與暗場成像

明場是利用物體表面鏡射的方式來照明，因此物體表面平滑的區(qū)域會因反射而產(chǎn)生亮的影像，而粗糙的表面會因散射而產(chǎn)生暗的影像。暗場是利用物體表面散射的方式進(jìn)行照明，因此物體表面平滑的區(qū)域會因反射而產(chǎn)生暗的影像。光源的照射呈W狀以機(jī)器視覺照射觀點來說，反射光與光源角度相同。以往AOI表面瑕疵檢測，通常使用暗場照明提供低角度照明，增強(qiáng)表面特征對比，特別適合用于激光浮雕或者雕刻印記與表面缺陷間的對比照明。

3 傳統(tǒng)AOI檢測與卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用

利用深度學(xué)習(xí)也就是卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行電線電纜的表面缺陷檢測，基于卷積層中的權(quán)重和最大池化層降低維度，最后通過非線性激勵函數(shù)的轉(zhuǎn)換，萃取出影像里最有代表性的瑕疵特征，并透過反向傳播和梯度下降算法，達(dá)到最佳預(yù)測的結(jié)果。還可以透過文獻(xiàn)探討學(xué)習(xí)前人經(jīng)驗，以何種卷積神經(jīng)網(wǎng)絡(luò)模型和檢測方式來達(dá)到最精準(zhǔn)的結(jié)果。

前幾年利用基本卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行瑕疵檢測，雖然比一般神經(jīng)網(wǎng)絡(luò)準(zhǔn)確度高，不過有些神經(jīng)網(wǎng)絡(luò)的架構(gòu)上還不夠成熟，甚至樣本數(shù)不足，準(zhǔn)確率50%～70%左右不等，但是也提供了瑕疵影像分類架構(gòu)以及神經(jīng)網(wǎng)絡(luò)能在深度多層的可行性，也驗證比以往準(zhǔn)確度高。然而近年來的研究大都所使用卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典模型AlexNet和VGG，能使卷積神經(jīng)網(wǎng)絡(luò)層數(shù)能再更深層，雖然訓(xùn)練的參數(shù)會增加，但兩者模型都能使用GPU訓(xùn)練，能降低模型訓(xùn)練的時間成本，以及VGG能針對圖片樣本數(shù)量不足的問題，提升用于模型訓(xùn)練的樣本數(shù)，讓訓(xùn)練過程更快達(dá)到收斂，甚至模型預(yù)測準(zhǔn)確率能達(dá)到90%以上。

4 類神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)

4.1 類神經(jīng)網(wǎng)絡(luò)

類神經(jīng)網(wǎng)絡(luò)是一種受生物學(xué)啟發(fā)而產(chǎn)生的一種模擬人腦自組適應(yīng)模擬工具，可以將輸入變量和輸出變量間建構(gòu)其關(guān)系式，再找出輸出及輸入間的關(guān)系式后建立出模型。

神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)共有三層，分為輸入層、隱藏層和輸出層，然后透過一些數(shù)學(xué)模型來不斷的修正權(quán)重（Weight）與偏差（Bias），每一個神經(jīng)元經(jīng)過權(quán)重與偏差的加權(quán)后，必須得通過激勵函數(shù)來審核該神經(jīng)元是否被觸發(fā)，進(jìn)而達(dá)到學(xué)習(xí)的效果。

類神經(jīng)網(wǎng)絡(luò)運用于研究得知每層的輸入值與權(quán)重值的乘積和，如式（1）：

（1）

Wi：權(quán)重值，Xi：輸值，θ：閥值。當(dāng)計算出乘積和后經(jīng)由激發(fā)函數(shù)將其轉(zhuǎn)換成輸出值，以作為下一層的輸入值，如式（2），其中f（x）為非線性轉(zhuǎn)換函數(shù)。

（2）

4.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是由類神經(jīng)網(wǎng)絡(luò)演化而來的一種深度學(xué)習(xí)算法，可以透過卷積（Convolution）這一個數(shù)學(xué)模型來把一組數(shù)據(jù)中重要的特征提取出來，對于影像辨識領(lǐng)域提供了相當(dāng)大的貢獻(xiàn)。區(qū)塊可由全連接層將訓(xùn)練后的特征進(jìn)行輸出分類，其他基底結(jié)構(gòu)與類神經(jīng)網(wǎng)絡(luò)完全相似，一樣有向前傳遞和反向反饋，而卷積神經(jīng)網(wǎng)絡(luò)運作模式就是在圖像中利用局部感知再逐步對全體有認(rèn)知。

4.3 卷積層

卷積層是利用卷積來擷取高維度的特征資料，是卷積神經(jīng)網(wǎng)絡(luò)的核心運算，常用于影像資料上。卷積提供了一個屏蔽（Mask），然后對輸入影像資料進(jìn)行掃描轉(zhuǎn)為數(shù)值化，每一次的掃描會進(jìn)行一次屏蔽與影像的運算，如圖1所示。

4.4 池化層

如圖2所示，池化層的工作就是將圖像中一些相對不重要的特征丟棄或者將多個特征合并成一個，目的縮小特征尺寸圖，并同時確保不會遺失過多重要特征。

4.5 全連接層

全連接層在整個卷積神經(jīng)網(wǎng)絡(luò)中起到分類器的作用，依據(jù)通過卷積、激活函數(shù)、池化等深度網(wǎng)絡(luò)后，再經(jīng)過全連接層對結(jié)果進(jìn)行識別分類，影像將經(jīng)過卷積、激活函數(shù)、池化的深度網(wǎng)絡(luò)后的結(jié)果串起來，將高維度的特征資料透過全連接層平坦成低維度資料作為輸出如圖3所示，降成低維度之后將依據(jù)輸出權(quán)重分類類別。以上所有流程統(tǒng)整，就形成了一個卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，卷積層都會和激活函數(shù)以及池化層做一個堆棧搭配，最后與全連接層銜接，輸出權(quán)重最高的特征作為分辨結(jié)果。

5 卷積神經(jīng)網(wǎng)絡(luò)模型

隨著時代的演變，卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)也有所演化，其中2012年的AlexNet是最為重要的突破，開啟了后續(xù)模型能演化的重要關(guān)鍵[2]。在2014年ILSVRC的分類比賽中VGGNet拿到了第二名，然而VGGNet架構(gòu)與AlexNet相似許多，同樣使用卷積層提取特征依據(jù)參數(shù)共享和池化等操作，最后再使用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行降維度與分類識別[3]，VGGNet繼承了AlexNet使用GPU運算和使用ReLU非線性激活函數(shù)以及可以讓卷積層的層數(shù)增加，使神經(jīng)網(wǎng)絡(luò)的深度變深，進(jìn)而訓(xùn)練過濾出重要的特征得到結(jié)果。

6 結(jié)語

電纜電線外觀各種缺陷的形成，以及在電纜制程中如果表面有所瑕疵，往后會累積起來造成更多嚴(yán)重的安全性問題，也使最后試驗減少廢材產(chǎn)生，讓大家更了解檢測過程中層層把關(guān)的重要性。在AOI檢測依據(jù)明暗場成像原理拍攝出物品中明確的辨識瑕疵，通過深度學(xué)習(xí)更能夠處理復(fù)雜問題，進(jìn)而卷積神經(jīng)網(wǎng)絡(luò)的模型從簡單的基本架構(gòu)，到后來不斷地改良繼續(xù)延伸到更深層的神經(jīng)網(wǎng)絡(luò)，應(yīng)用在各行各樣的產(chǎn)業(yè)領(lǐng)域，對于傳統(tǒng)AOI瑕疵檢測有近一步的改善。

深度學(xué)習(xí)是屬類神經(jīng)網(wǎng)絡(luò)算法中的一個部份，也就是多層的深度神經(jīng)網(wǎng)絡(luò)，在卷積神經(jīng)網(wǎng)絡(luò)里的架構(gòu)都有著各自作用，每一層當(dāng)中處理圖像信息的程序有所不同，透過了解到CNN經(jīng)過時代的演變，神經(jīng)網(wǎng)絡(luò)里的架構(gòu)和層數(shù)推陳出新，解決掉許多效能損耗和影像樣本數(shù)不足問題，而深度學(xué)習(xí)網(wǎng)絡(luò)需要相對大量的資料才能使效能更好，因此需要合理的訓(xùn)練時間，也需要更多訓(xùn)練模型方面的經(jīng)驗調(diào)校參數(shù)，未來將面臨的問題也將更為復(fù)雜，也因此深度學(xué)習(xí)的崛起成為了現(xiàn)今科技中最為熱門的主題之一。

參考文獻(xiàn)

[1] 吳云華，張澤中，華冰，等.應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像云層自主檢測[J].哈爾濱工業(yè)大學(xué)學(xué)報，2020，52（12）：27-34.

[2] 孫浩，陳進(jìn)，雷琳，等.深度卷積神經(jīng)網(wǎng)絡(luò)圖像識別模型對抗魯棒性技術(shù)綜述[J].雷達(dá)學(xué)報，2021，10（04）：71-94.

[3] 王婷，李航，胡智.一種VGGNet的圖像風(fēng)格遷移算法設(shè)計與實現(xiàn)[J].計算機(jī)應(yīng)用與軟件，2019，36（11）：24-28.