基于太赫茲成像的層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷SSA-CNN 定量表征*

朵文博 李宏偉 李帥兵 楊 棟 盧保朋 康永強(qiáng) 曹炳磊

(1.蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院 蘭州 730000；2.蘭州交通大學(xué)新能源與動(dòng)力工程學(xué)院 蘭州 730000)

1 引言

電力電纜、電纜終端和絕緣子等具備層狀復(fù)合絕緣結(jié)構(gòu)的電氣設(shè)備是電力線路中的關(guān)鍵環(huán)節(jié)，其絕緣性能直接關(guān)乎到整個(gè)電力系統(tǒng)的安全運(yùn)行。層狀復(fù)合絕緣結(jié)構(gòu)一般由不同絕緣材料復(fù)合而成，雖然提高了絕緣件本身的電氣性能，但層與層之間的密閉性易受外界破壞。在運(yùn)輸、安裝、受到外力破壞和外界環(huán)境中較大溫差的影響后會(huì)表現(xiàn)出不同的收縮特性，從而對(duì)層狀復(fù)合結(jié)構(gòu)造成破壞，產(chǎn)生分層、氣隙等缺陷，吸收水分等現(xiàn)象會(huì)降低絕緣可靠性[1-2]。并且分層、氣隙缺陷的形狀和尺寸以及所在位置在運(yùn)行過(guò)程中會(huì)影響場(chǎng)強(qiáng)畸變[3]，在電、熱、機(jī)械等多場(chǎng)耦合作用下，會(huì)造成分層缺陷處的局部場(chǎng)強(qiáng)過(guò)大，極易發(fā)生局部放電，甚至造成擊穿故障[4]，威脅電力設(shè)備乃至電力系統(tǒng)的安全穩(wěn)定運(yùn)行[5]。因此，隨著局部放電、絕緣失效等一系列問題[6-7]日益突出，在層狀復(fù)合絕緣結(jié)構(gòu)電力設(shè)備的安全維護(hù)中，對(duì)分層缺陷的識(shí)別、受損程度和所在位置實(shí)現(xiàn)快速檢出是至關(guān)重要的[8-9]。

目前，無(wú)損檢測(cè)技術(shù)已廣泛應(yīng)用于復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷檢測(cè)中，包括超聲波、紫外線、紅外線和X 射線方法以及脈沖熱成像等檢測(cè)方法，但這些方法受設(shè)備本身劣勢(shì)和外部環(huán)境影響，因此適用范圍具有局限性[10-15]。隨著太赫茲技術(shù)的迅速發(fā)展，其具備的優(yōu)點(diǎn)為無(wú)損檢測(cè)領(lǐng)域提供了一種新思路[16]。太赫茲波指頻率位于 0.1 ～10 THz(1 THz=1012Hz)，或波長(zhǎng)介于3 mm 至30 μm 的電磁波。由于其電磁波段介于微波和紅外輻射頻段之間，并具備兩者各自的一些屬性，太赫茲波具有如下優(yōu)勢(shì)：① 脈沖寬度小于3 ps 的時(shí)、頻域分辨率均出色；② 與X 射線不同，太赫茲波不具有電離作用，通常被認(rèn)為是對(duì)人體無(wú)害的；③ 良好的穿透力，能夠測(cè)試各種非導(dǎo)電材料；④ 良好的指紋特性，適用于多種材料；⑤ 抗電磁輻射能力強(qiáng)，可以不受放電或電弧放電引起的MHz-GHz范圍內(nèi)的電磁干擾。

以上特點(diǎn)滿足了對(duì)電網(wǎng)中絕緣設(shè)備無(wú)損檢測(cè)的條件，具有很高的工程應(yīng)用價(jià)值。SATO 等[17]通過(guò)提取太赫茲波的反射信息，使電樹枝和水樹枝缺陷變得可視化；TAKAHASHI 等[18]通過(guò)太赫茲反射式成像對(duì)聚乙烯絕緣材料內(nèi)部含有破損的銅導(dǎo)線電纜進(jìn)行檢測(cè)，導(dǎo)線在0.14 THz 的反射圖像中清晰可見。CHENG 等[19]通過(guò)THz-TDS 技術(shù)得到含缺陷復(fù)合絕緣子的時(shí)域波形的幅度，成功地檢測(cè)出了復(fù)合絕緣子中的脫粘缺陷。謝聲益等[20]利用太赫茲時(shí)域光譜技術(shù)實(shí)現(xiàn)了對(duì)交聯(lián)聚乙烯(XLPE)樣品隱含氣隙的缺陷檢測(cè)，為電纜內(nèi)部缺陷的非破壞性檢測(cè)提供了一種新思路。于是乎等[21]采用太赫茲時(shí)域光譜儀測(cè)量XLPE 的時(shí)頻域信號(hào)，通過(guò)信號(hào)分析了熱老化對(duì)XLPE 介電性能的影響。MEI 等[22-23]將反卷積方法和邊緣檢測(cè)算法應(yīng)用于太赫茲技術(shù)中，成功檢測(cè)到了復(fù)合絕緣子內(nèi)部的缺陷。LI 等[24]借助太赫茲時(shí)域光譜技術(shù)對(duì)車載電纜終端內(nèi)部受潮區(qū)域進(jìn)行識(shí)別，并定量完成了含水層的厚度檢測(cè)。

目前，實(shí)際的太赫茲試驗(yàn)受發(fā)射功率和成像衍射的影響，造成成像結(jié)果信噪比低，分辨率差，缺陷邊緣模糊等問題[25]，對(duì)缺陷的精確提取造成困擾。隨著深度學(xué)習(xí)的出現(xiàn)，基于卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)義自注意模型為識(shí)別任務(wù)提供了新思路，與傳統(tǒng)算法相比，卷積神經(jīng)網(wǎng)絡(luò)可以對(duì)提取同一目標(biāo)的豐富特征完成檢測(cè)，并保留圖像像素的空間位置特征，對(duì)顏色、背景、紋理等干擾因素的魯棒性較好。

本文借助太赫茲時(shí)域光譜系統(tǒng)實(shí)現(xiàn)了三層復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷的檢測(cè)，提出了一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)對(duì)分層缺陷特征進(jìn)行語(yǔ)義自注意提取，從不規(guī)則的缺陷目標(biāo)中提取語(yǔ)義，最后對(duì)缺陷目標(biāo)進(jìn)行語(yǔ)義預(yù)測(cè)。將DeepLabV3+網(wǎng)絡(luò)模型與MobileNetV2 網(wǎng)絡(luò)相結(jié)合提高了檢測(cè)精度，證明該方法能快速有效地減少漏檢。

2 層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷的太赫茲成像

2.1 試驗(yàn)條件

THz-TDS 試驗(yàn)的測(cè)試設(shè)備是Terapulse 4000，其功率為300 W，其功率譜范圍為0.06～4 THz[26]，掃描范圍為1 600 ps，光譜分辨率為1.2 cm-1。太赫茲成像測(cè)試的測(cè)試設(shè)備是太赫茲時(shí)域光譜儀CCT-1800[27]，其主要部件是藍(lán)寶石飛秒激光器，中心波長(zhǎng)為780 nm，光譜范圍為0.05～5 THz，動(dòng)態(tài)范圍超過(guò)90 dB，頻譜分辨率為20 GHz，掃描精度為2 μm。試驗(yàn)時(shí)，考慮到太赫茲波無(wú)法穿透銅導(dǎo)體層，采用太赫茲?rùn)z測(cè)的反射模式進(jìn)行檢測(cè)，反射式THz-TDS 的測(cè)試原理示意圖如圖1 所示。

圖1 反射式THz-TDS 的測(cè)試原理示意圖

2.2 測(cè)試樣品的制備

用于太赫茲測(cè)試的層狀復(fù)合絕緣結(jié)構(gòu)樣品主要為三層結(jié)構(gòu)，樣品制作過(guò)程與樣品缺陷參數(shù)如圖2所示。 合成樣品的材料均取自電纜終端(QTO-J30G-25kV)，第一層為應(yīng)力管，第二層為乙丙橡膠主絕緣層，最后為銅導(dǎo)體層。

圖2 內(nèi)部分層的層狀復(fù)合絕緣結(jié)構(gòu)模型圖

層狀復(fù)合絕緣結(jié)構(gòu)出現(xiàn)層間缺陷是由于主絕緣與應(yīng)力控制管之間發(fā)生粘脫，與正常狀態(tài)下的復(fù)合絕緣結(jié)構(gòu)相比，二者之間出現(xiàn)大面積空隙。為了高度還原復(fù)合絕緣結(jié)構(gòu)中的分層狀態(tài)，本文采用刀具對(duì)主絕緣層進(jìn)行破壞、挖空處理，分層缺陷處與應(yīng)力控制管相接部分為大面積空隙。需要注意的是，為了盡量減少折射和反射過(guò)程中太赫茲波的損失，每層的表面應(yīng)盡可能平坦和光滑。

2.3 測(cè)試樣品分層區(qū)域的太赫茲成像試驗(yàn)

THz 成像測(cè)試由THz-TDS 系統(tǒng)中的運(yùn)動(dòng)控制模塊逐點(diǎn)掃描樣品并記錄坐標(biāo)，通過(guò)檢波器接收到的太赫茲時(shí)域波形創(chuàng)建樣品完整的時(shí)域光譜強(qiáng)度分布圖像。THz 成像系統(tǒng)的參數(shù)設(shè)置如表1所示。

表1 THz 成像系統(tǒng)參數(shù)

本文中分別選用0.348 THz和0.476 THz作為試驗(yàn)頻率，對(duì)層狀復(fù)合絕緣分層樣品進(jìn)行成像，其頻域成像結(jié)果如圖3 所示。

圖3 分層區(qū)域的太赫茲頻域成像圖

太赫茲頻域成像可以直接反映材料與太赫茲波相互作用的強(qiáng)度，圖3 中樣品的深色區(qū)域即為層狀復(fù)合絕緣結(jié)構(gòu)的分層缺陷，因?yàn)樵搮^(qū)域中太赫茲波在絕緣分層缺陷中經(jīng)過(guò)多重反射，從而降低了這些區(qū)域的太赫茲波能和太赫茲強(qiáng)度[28]。相反，分層缺陷區(qū)域邊緣部分的淺色區(qū)域則是太赫茲波通過(guò)氣隙時(shí)發(fā)生了散射和折射。

3 基于DC-GAN 的太赫茲圖像擴(kuò)充

3.1 理論依據(jù)

目前的太赫茲?rùn)z測(cè)系統(tǒng)造價(jià)昂貴且成像速度緩慢，因此太赫茲圖像的數(shù)據(jù)量較為匱乏。當(dāng)前擴(kuò)充數(shù)據(jù)的傳統(tǒng)方法主要有調(diào)節(jié)亮度、對(duì)比度和旋轉(zhuǎn)等。本文在此基礎(chǔ)上，采用生成對(duì)抗網(wǎng)絡(luò)(Deep convolution generative adversarial networks, DCGAN)對(duì)數(shù)據(jù)集擴(kuò)充，以達(dá)到圖像數(shù)據(jù)量的需求。

DCGAN 主要通過(guò)生成器和判別器兩個(gè)網(wǎng)絡(luò)進(jìn)行對(duì)抗學(xué)習(xí)，用相互博弈的方式不斷提高自身性能，直到判別網(wǎng)絡(luò)難以區(qū)分生成樣本和真實(shí)樣本，訓(xùn)練完成。經(jīng)典DCGAN 的模型結(jié)構(gòu)如圖4所示。

圖4 DCGAN 網(wǎng)絡(luò)結(jié)構(gòu)

在DCGAN 的訓(xùn)練過(guò)程中，生成器的學(xué)習(xí)率為0.002，判別器的學(xué)習(xí)率為0.000 4，使用Adam 優(yōu)化器來(lái)更新參數(shù)。圖5 是迭代部分生成圖像，可以看出當(dāng)?shù)螖?shù)達(dá)到700 次時(shí)，生成的圖像數(shù)量基本滿足需求。

圖5 DCGAN 網(wǎng)絡(luò)部分生成圖像

3.2 數(shù)據(jù)集制作

在制作訓(xùn)練數(shù)據(jù)集時(shí)，挑選適用于訓(xùn)練的生成圖像與原有擴(kuò)充圖像數(shù)據(jù)共450 張，訓(xùn)練集與驗(yàn)證集以7∶3 劃分。通過(guò)Labelme 軟件對(duì)太赫茲圖像中含有分層缺陷的區(qū)域進(jìn)行精細(xì)標(biāo)注，生成Json 文件，之后再將Json 格式轉(zhuǎn)換為單通道圖像，以PASCAL VOC 數(shù)據(jù)格式存儲(chǔ)使用。

4 基于SSA-CNN 的太赫茲圖像分割

4.1 SSA-CNN 算例原理

DeepLabV3+網(wǎng)絡(luò)作為DeepLab 系列中最新版本的語(yǔ)義分割模型，引入了主流的編碼-解碼結(jié)構(gòu)，在語(yǔ)義分割領(lǐng)域中極具代表性，具備基于像素分割的能力，是現(xiàn)階段最為優(yōu)秀的語(yǔ)義分割算法之一，其結(jié)構(gòu)如圖6 所示。

圖6 DeepLabV3+模型結(jié)構(gòu)圖

首先，圖像進(jìn)入編碼器部分，編碼部分的主干提取網(wǎng)絡(luò)對(duì)太赫茲成像的復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷進(jìn)行特征提取，通過(guò)空洞空間卷積金字塔(Atrous spatial pyramid pooling, ASPP)結(jié)構(gòu)將主干網(wǎng)絡(luò)提取的特征信息進(jìn)一步優(yōu)化。接著，解碼部分將主干網(wǎng)絡(luò)提取的特征信息與經(jīng)過(guò)ASPP 和上采樣后的特征信息進(jìn)行融合，以確保同時(shí)具備語(yǔ)義信息和細(xì)節(jié)特征。最終通過(guò)3×3 卷積和4 倍上采樣將特征圖恢復(fù)到與原始圖像具備相同的分辨率輸出。

經(jīng)典DeepLabV3+主干提取網(wǎng)絡(luò)Xception[29]的結(jié)構(gòu)復(fù)雜、參數(shù)量大，網(wǎng)絡(luò)訓(xùn)練更難且收斂速度更慢。 因此， 本文采用輕量級(jí)網(wǎng)絡(luò)MobileNetV2[30]進(jìn)行特征提取，該結(jié)構(gòu)具有參數(shù)量少、容易訓(xùn)練和收斂快等優(yōu)點(diǎn)，解決了硬件條件不足的問題，使網(wǎng)絡(luò)在參數(shù)數(shù)量較少的情況下還能具備較高的精度。

MobileNetV2 網(wǎng)絡(luò)結(jié)構(gòu)主要由3×3 卷積塊、反向殘差塊、1×1 卷積和7×7 平均池化組成，網(wǎng)絡(luò)中反向殘差結(jié)構(gòu)可以使參數(shù)更少，線性瓶頸結(jié)構(gòu)有效避免了ReLU6 對(duì)特征的破壞，減少造成的信息損失。MobileNetV2 通過(guò)ASPP 和雙線性內(nèi)插上采樣得到更多細(xì)節(jié)信息的特征圖，整體上較DeepLabV3+網(wǎng)絡(luò)有更好的提取能力。

4.1.1 空間金字塔池化結(jié)構(gòu)

DeepLabV3+網(wǎng)絡(luò)通過(guò)借鑒SSP-Net 模型得到了ASPP 結(jié)構(gòu)，ASPP 內(nèi)含1 個(gè)大小為1×1、采樣率為0 的卷積核，3 個(gè)大小為3×3，采樣率分別為6、12 和18 的空洞卷積核來(lái)對(duì)目標(biāo)進(jìn)行多尺度提取。空洞卷積在保證減少下采樣操作和不增加網(wǎng)絡(luò)參數(shù)的條件下增加網(wǎng)絡(luò)感受野，解決了池化導(dǎo)致信息丟失的問題，使特征圖盡量不丟失分割區(qū)域的邊界特征信息，空洞卷積的結(jié)構(gòu)如圖7 所示。

圖7 一維空洞卷積視圖

假設(shè)輸入為x，濾波器為w，膨脹率為r的空洞卷積，則ASPP 的輸出信息y如式(1)所示

式中，x是輸入特征圖；y是輸出特征圖；w是卷積核；k是卷積核，尺寸為k×k；r是卷積核的膨脹率，即卷積核w各參數(shù)間隔為r-1。

4.1.2 遷移學(xué)習(xí)

遷移學(xué)習(xí)能有效避免硬件配置能力欠缺、訓(xùn)練時(shí)間過(guò)長(zhǎng)的情況，它通過(guò)預(yù)訓(xùn)練模型可以將一個(gè)環(huán)境在大數(shù)據(jù)集中保存的網(wǎng)絡(luò)權(quán)重遷移到類似新環(huán)境的學(xué)習(xí)任務(wù)中，而大部分?jǐn)?shù)據(jù)或任務(wù)都是存在相關(guān)性的，因此預(yù)訓(xùn)練的權(quán)重可以用于新的模型進(jìn)行試驗(yàn)，使卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度更快，收斂更有效，提高了學(xué)習(xí)效率，增強(qiáng)了模型的魯棒性，在數(shù)據(jù)量比較少的條件下快速訓(xùn)練出結(jié)果，還能有效地防止梯度消失和爆炸等問題。

4.2 訓(xùn)練平臺(tái)及網(wǎng)絡(luò)參數(shù)設(shè)置

層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷的自動(dòng)分割試驗(yàn)的操作系統(tǒng)為Windows 11，開發(fā)語(yǔ)言環(huán)境為Anaconda3，硬件環(huán)境為AMDR75800H 處理器，內(nèi)存16 GB，顯卡為NVIDIA GTX 3060，CUDA 版本為11.6。深度學(xué)習(xí)的框架為Pytorch，編寫軟件為VScode，編寫語(yǔ)言為Python3.7。由于模型的訓(xùn)練采取了分批次遷移學(xué)習(xí)的訓(xùn)練方法，各階段的學(xué)習(xí)率、批處理尺寸大小和迭代輪數(shù)都不同。具體參數(shù)如表2 所示。

表2 試驗(yàn)參數(shù)

采用凍結(jié)主干網(wǎng)絡(luò)的方式進(jìn)行訓(xùn)練是為了加快網(wǎng)絡(luò)的訓(xùn)練速度，防止權(quán)重被破壞。凍結(jié)階段是指將模型的主干提取網(wǎng)絡(luò)進(jìn)行凍結(jié)，此時(shí)網(wǎng)絡(luò)不發(fā)生改變，僅對(duì)模型的結(jié)構(gòu)進(jìn)行微調(diào)，此時(shí)占用的顯存較小。解凍階段則與凍結(jié)階段相反，此時(shí)網(wǎng)絡(luò)的所有參數(shù)均發(fā)生變化，占用的顯存較大。

本文以交叉熵(Cross entropy loss)和 Dice Loss 作為模型的損失函數(shù)。在使用Softmax 對(duì)像素點(diǎn)進(jìn)行分類輸出時(shí)，將交叉熵作為損失函數(shù)來(lái)表達(dá)輸入與輸出結(jié)果的差異，交叉熵越小，輸入和輸出的結(jié)果就越接近。用于分類的交叉熵?fù)p失函數(shù)為

式中，x是輸入向量；C是當(dāng)前樣本類別對(duì)應(yīng)索引；x[C]是當(dāng)前樣本預(yù)測(cè)函數(shù)輸出；x[j]是預(yù)測(cè)函數(shù)第j個(gè)輸出。

Dice Loss 將語(yǔ)義分割的評(píng)價(jià)指標(biāo)作為損失，Dice 系數(shù)是集合相似度度量函數(shù)，可以表達(dá)2 個(gè)樣本之間的相似程度。Dice 系數(shù)越大，Dice Loss 越小，表示真實(shí)結(jié)果與預(yù)測(cè)結(jié)果高度相似，模型的分割性能越好，其計(jì)算公式為

式中，Dice_Loss是損失函數(shù)；X是預(yù)測(cè)圖像中為正的像素點(diǎn)集；Y是真實(shí)圖像中為正的像素點(diǎn)集。

模型訓(xùn)練過(guò)程中采用Adam 優(yōu)化器對(duì)損失函數(shù)進(jìn)行優(yōu)化，該方法可以解決大規(guī)模數(shù)據(jù)和參數(shù)的優(yōu)化問題，使模型以較短的時(shí)間收斂至最優(yōu)狀態(tài)，計(jì)算高效且所需內(nèi)存少。

4.3 圖像分割評(píng)價(jià)指標(biāo)

為了量化本次語(yǔ)義分割方法對(duì)太赫茲缺陷圖像的分割效果，在此引入平均交并比(Mean intersection over union，MIoU)、召回率(Recall)和精確率(Precision)來(lái)進(jìn)行評(píng)價(jià)。

MIoU 是分割結(jié)果真值的交集與其并集的比值，按類計(jì)算后取平均值，定義如式(4)所示

Recall 指在實(shí)際為正的樣本中被預(yù)測(cè)為正樣本的概率，計(jì)算公式如式(5)所示

Precision 指在被所有預(yù)測(cè)為正的樣本中實(shí)際為正樣本的概率，其公式如式(6)所示

式中，k為類別數(shù)；TP 表示真實(shí)值與預(yù)測(cè)值一致，即TP 為標(biāo)簽含分層缺陷區(qū)域，且預(yù)測(cè)為分層缺陷區(qū)域的像素點(diǎn)數(shù)量；FP 為標(biāo)簽是背景但預(yù)測(cè)為分層缺陷的像素點(diǎn)數(shù)量；FN 為標(biāo)簽是含分層缺陷區(qū)域，但預(yù)測(cè)為背景的像素點(diǎn)數(shù)量。

4.4 試驗(yàn)結(jié)果分析

為了進(jìn)一步確定改進(jìn)DeepLabV3+模型的分割性能以達(dá)到較優(yōu)的效果，本文將三種語(yǔ)義自注意模型進(jìn)行對(duì)比訓(xùn)練，試驗(yàn)均在同一太赫茲圖像測(cè)試集上進(jìn)行測(cè)試，且各模型所用參數(shù)一致，運(yùn)行環(huán)境相同，三種模型的訓(xùn)練過(guò)程變化曲線如圖8 所示，本文方法的各階段訓(xùn)練結(jié)果如表3 所示。

表3 DeepLabV3+(MobileNetV2)模型各階段訓(xùn)練結(jié)果

圖8 不同模型訓(xùn)練過(guò)程變化曲線圖

通過(guò)圖8 與表3 可以看出，訓(xùn)練集損失持續(xù)下降，驗(yàn)證集損失在凍結(jié)階段雖出現(xiàn)振蕩但整體處于減小趨勢(shì)。當(dāng)訓(xùn)練達(dá)到100 代時(shí)，模型主干網(wǎng)絡(luò)解凍，訓(xùn)練集損失受解凍訓(xùn)練影響而升高，驗(yàn)證集損失減少；在解凍訓(xùn)練開始后由于驗(yàn)證集損失的減小，訓(xùn)練集損失不斷下降，并且在驗(yàn)證集損失逐漸趨于穩(wěn)定時(shí)，訓(xùn)練集損失也趨于平穩(wěn)，模型逐漸收斂。本文所提方法在解凍訓(xùn)練后75 代即可使損失趨于穩(wěn)定狀態(tài)，收斂速度最快，損失可到0.04，且MIoU最高；而PSPNet 和經(jīng)典DeepLabV3+模型解凍后需要訓(xùn)練到100 代才開始趨于穩(wěn)定。綜上，采用MobileNetV2 主干提取網(wǎng)絡(luò)的DeepLabV3+模型收斂速度快，精度較高。

為了更直觀地展示本文方法的有效性，將本文方法與其他提取結(jié)果進(jìn)行對(duì)比，部分結(jié)果如圖9 所示，從左到右依次為含有分層缺陷的太赫茲原圖、原圖對(duì)應(yīng)的標(biāo)簽圖、本文分割結(jié)果、DeepLabV3+分割結(jié)果和PSPNet 分割結(jié)果。通過(guò)不同模型的分割效果對(duì)比圖可知，DeepLabV3+模型對(duì)層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷的邊緣分割效果比PSPNet 更好，因?yàn)镈eepLabV3+模型的優(yōu)勢(shì)就是在編碼部分加入了不同空洞卷積擴(kuò)張率的多尺度ASPP 提取模塊，該模塊對(duì)同一物體的不同尺寸都具備較高的識(shí)別能力，可以進(jìn)一步捕獲多尺度特征，更好地恢復(fù)識(shí)別目標(biāo)的邊緣信息。通過(guò)對(duì)比，本文方法的邊緣識(shí)別效果更好，能夠較好地避免其他網(wǎng)絡(luò)識(shí)別的誤檢區(qū)域，說(shuō)明本文所提網(wǎng)絡(luò)模型具有更強(qiáng)的穩(wěn)健性，對(duì)太赫茲圖像中分層缺陷目標(biāo)的提取更完整和準(zhǔn)確。各網(wǎng)絡(luò)在太赫茲圖像數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)量化結(jié)果對(duì)比如表4 所示。

表4 不同模型的訓(xùn)練結(jié)果對(duì)比

圖9 不同語(yǔ)義分割方法訓(xùn)練圖像對(duì)比

可以看出，基于三種不同的語(yǔ)義自注意模型的預(yù)測(cè)效果均表現(xiàn)良好，與對(duì)比模型相比，本文方法得到的缺陷提取方法的MIoU、Recall、Precision 都優(yōu)于對(duì)比模型，分別達(dá)到了95.28%、97.55%和97.59%，說(shuō)明該方法對(duì)層狀復(fù)合絕緣結(jié)構(gòu)分層區(qū)域像素的敏感度高，提取精度更高。

4.5 分層缺陷面積提取

由上述工作可知，改進(jìn)的DeepLabV3+能準(zhǔn)確且高效地對(duì)成像后的分層缺陷進(jìn)行分割，因此提出對(duì)缺陷區(qū)域分割后進(jìn)行像素點(diǎn)的統(tǒng)計(jì)，從而間接得到分層缺陷區(qū)域的面積。由于太赫茲圖像像素的實(shí)際尺寸隨太赫茲激光源和拍攝距離變化而變化，當(dāng)太赫茲光源與樣品的距離一定時(shí)，可對(duì)多層結(jié)構(gòu)樣品的太赫茲頻域圖像進(jìn)行像素提取，本文中太赫茲發(fā)射器與測(cè)試對(duì)象之間的距離保持為3 cm，對(duì)分層缺陷區(qū)域的像素提取結(jié)果如圖10 所示。

圖10 分層缺陷區(qū)域定量表征結(jié)果

通過(guò)對(duì)層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷的定量表征可知，預(yù)測(cè)結(jié)果高于實(shí)際缺陷約10%。該結(jié)果是受制作工藝與復(fù)合結(jié)構(gòu)等因素的影響，在制作樣品時(shí)應(yīng)力管層與主絕緣層并不完全平滑，導(dǎo)致在粘合過(guò)程中沒有嚴(yán)密貼合，從而使分層缺陷周圍存在一定的氣隙，氣隙的存在使太赫茲波的散射非常強(qiáng)，因此檢測(cè)到的缺陷面積略大于實(shí)際值。綜上，THz無(wú)損檢測(cè)技術(shù)與語(yǔ)義自注意模型相結(jié)合可實(shí)現(xiàn)層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部脫層缺陷的智能表征，通過(guò)語(yǔ)義提取可以更加直觀地得到分層缺陷的位置與幾何形狀，通過(guò)像素點(diǎn)計(jì)算可以定量表征出分層缺陷的分層區(qū)域大小，為量化層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層缺陷的嚴(yán)重程度提供參考。

5 結(jié)論

本研究采集了三層復(fù)合絕緣結(jié)構(gòu)樣品內(nèi)部分層缺陷的太赫茲圖像，并利用DCGAN 模型對(duì)圖像數(shù)據(jù)集進(jìn)行擴(kuò)充，最終通過(guò)改進(jìn)的DeepLabV3+模型對(duì)缺陷進(jìn)行定量表征，實(shí)現(xiàn)了基于太赫茲時(shí)域光譜技術(shù)的內(nèi)部分層程度檢測(cè)。主要得到如下結(jié)論。

(1) 太赫茲頻域成像可以反映層狀復(fù)合絕緣結(jié)構(gòu)內(nèi)部的分層缺陷，分層越嚴(yán)重，缺陷處對(duì)太赫茲波的吸收性越強(qiáng)。

(2) 提出的SSA-CNN 模型實(shí)現(xiàn)了層狀復(fù)合絕緣結(jié)構(gòu)分層缺陷區(qū)域快速表征，減少了缺陷區(qū)域的漏檢與誤檢，同時(shí)將精確度提高到97.59%，保障了分割后分層缺陷的平滑性與完整度，能夠?qū)吘壖?xì)節(jié)進(jìn)行多尺度的提取。

(3) 提出了基于像素點(diǎn)計(jì)算的方法對(duì)分層區(qū)域面積進(jìn)行定量表征，在DeepLabV3+模型高分割精確度的保障下，統(tǒng)計(jì)分層像素點(diǎn)在總檢測(cè)區(qū)域中的占比，對(duì)復(fù)合層狀絕緣結(jié)構(gòu)內(nèi)部分層程度進(jìn)行量化，可為復(fù)合絕緣結(jié)構(gòu)內(nèi)部分層程度檢測(cè)提供參考。