劉紅軍，魏旭陽

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

0 引言

同軸度檢測是耐火級電纜[1]生產(chǎn)過程中不可或缺的一步，主要運(yùn)用X射線透視原理對電纜的幾何參數(shù)進(jìn)行在線檢測。傳統(tǒng)測量方法主要使用計(jì)算機(jī)基于特征提取和模板匹配，對電纜的幾何參數(shù)進(jìn)行檢測和同軸度計(jì)算[2]。實(shí)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(jīng)常需要改變程序內(nèi)部參數(shù)來達(dá)到高精度檢測的標(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。

近年來，卷積神經(jīng)網(wǎng)絡(luò)[4](convolutional neural network，CNN)在處理圖像分類方面的任務(wù)時(shí)表現(xiàn)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(yīng)用。不少研究者利用卷積神經(jīng)網(wǎng)絡(luò)模型對電纜檢測技術(shù)進(jìn)行了相應(yīng)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(yuǎn)等通過基于時(shí)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(jīng)網(wǎng)絡(luò)對電纜同軸度檢測技術(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)對電纜檢測圖形進(jìn)行分類檢測，并進(jìn)行分析，以期取得更好的識別效果，為電纜識別技術(shù)提供參考和借鑒。

1 系統(tǒng)結(jié)構(gòu)與原理

在同軸度測量實(shí)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(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量。這種改進(jìn)更加適用于電纜生產(chǎn)和加工過程，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)沿滑軌滑動對被測元素進(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，通過電纜檢測程序計(jì)算(D-d)/2，該值為電纜實(shí)際軸線相對于基準(zhǔn)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(biāo)圖像中電纜檢測程序?qū)ζ溥M(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(biāo)，也減少了檢測程序的工作量。

圖2 圖像檢測預(yù)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(jié)合以檢測出電纜的內(nèi)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(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)整檢測參數(shù)前后的檢測結(jié)果對比。可以看出，當(dāng)進(jìn)行Canny邊緣檢測時(shí)，邊緣檢測的精度隨檢測參數(shù)閾值范圍的擴(kuò)大而降低；進(jìn)行Hough變換直線檢測時(shí)，直線檢測的精度則隨著參數(shù)的升高而提高，但精度過高時(shí)會檢測出多余曲線，干擾檢測結(jié)果。為此本文提出由卷積神經(jīng)網(wǎng)絡(luò)對電纜檢測圖像進(jìn)行預(yù)分類，從而自適應(yīng)改變檢測閾值參數(shù)，達(dá)到電纜智能同軸度檢測的效果。

圖3 調(diào)整檢測參數(shù)對比圖

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參數(shù)進(jìn)行預(yù)分類，過程如圖4所示。

圖4 檢測程序流程圖

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，在圖像識別前，為減少無用信息、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。基于卷積神經(jīng)網(wǎng)絡(luò)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(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，通過卷積運(yùn)算，可以增強(qiáng)原始信號特征，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)行與測試

4.1 實(shí)驗(yàn)過程設(shè)計(jì)

實(shí)驗(yàn)計(jì)算機(jī)配置如下：操作系統(tǒng)為Windows10，開發(fā)平臺為Tensorflow、OpenCV。實(shí)驗(yàn)設(shè)計(jì)首先通過OpenCV對圖像進(jìn)行預(yù)處理，再由Tensorflow對神經(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。

本次訓(xùn)練為有監(jiān)督學(xué)習(xí)，將電纜圖片按照圖片檢測所需Canny算子與霍夫變換的參數(shù)不同，分為標(biāo)準(zhǔn)、暗淡、距離過遠(yuǎn)、無法檢測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)電纜檢測模型。由于電纜X光圖像在不同情況下的對應(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)生過擬合現(xiàn)象。通過小型X光機(jī)對單芯礦物絕緣電纜分別采集標(biāo)準(zhǔn)、暗淡、距離過遠(yuǎn)、無法檢測4個(gè)級別的電纜圖片各300張，共1 200張，隨機(jī)抽取其中20%的圖片記為測試集，其余為訓(xùn)練集。對各等級的電纜圖片進(jìn)行圖片預(yù)處理，其余作為測試集。常規(guī)，暗淡，距離過遠(yuǎn)，無法檢測分別用0～3這4個(gè)數(shù)字代表輸出結(jié)果，如圖7所示。

圖7 電纜分類圖

4.2 實(shí)驗(yàn)結(jié)果

對上述訓(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，訓(xùn)練集的準(zhǔn)確率與測試集的準(zhǔn)確率呈逐步上升。當(dāng)?shù)降?次時(shí)，圖像分類趨于平穩(wěn)；當(dāng)?shù)降?次時(shí)，樣本準(zhǔn)確率僅出現(xiàn)較小波動；當(dāng)?shù)降?2次時(shí)，樣本準(zhǔn)確率穩(wěn)定在95%左右，測試集準(zhǔn)確率達(dá)到96.87%，訓(xùn)練過程中其損失函數(shù)呈梯度下降的趨勢，變化相對平穩(wěn)，預(yù)測損失偏差逐步減小，當(dāng)數(shù)據(jù)規(guī)模增加時(shí)并未出現(xiàn)過擬合現(xiàn)象，說明該模型經(jīng)過訓(xùn)練后具有較強(qiáng)的泛化能力，由此可見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)練集分類成功率；val_acc—電纜測試集分類成功率；loss—電纜訓(xùn)練集損失函數(shù)；val_loss—電纜測試集損失函數(shù)

直線檢測結(jié)果如圖9所示。

圖9 電纜圖像直線檢測結(jié)果圖

從圖9可以明顯看出標(biāo)準(zhǔn)、暗淡和距離過遠(yuǎn)這3類圖像均在圖中檢測出了藍(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(jié)果較為理想。為驗(yàn)證同軸度檢測程序的準(zhǔn)確率，將由模型準(zhǔn)確分類后的電纜圖像樣品按常規(guī)、暗淡、距離過遠(yuǎn)、無法檢測4種分類分別隨機(jī)抽取100張進(jìn)行同軸度檢測。統(tǒng)計(jì)分類容器中各等級電纜圖像的數(shù)量，其測試結(jié)果如表1所示。由于暗淡與距離過遠(yuǎn)分類中圖片的質(zhì)量各異，小部分圖片過暗或者過遠(yuǎn)從而超過檢測程序的檢測范圍，而標(biāo)準(zhǔn)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(jīng)過計(jì)算，電纜同軸度的檢測平均成功率高達(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)直線檢測算法[17]與傳統(tǒng)算法中進(jìn)行對比。由圖10可知，當(dāng)電纜距離過遠(yuǎn)或直徑較小時(shí)，加入了神經(jīng)網(wǎng)絡(luò)的直線檢測算法和在邊緣檢測，檢測出了目標(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。說明神經(jīng)網(wǎng)絡(luò)算法在邊緣檢測時(shí)，對于Canny算子的閾值調(diào)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(jìn)行了準(zhǔn)確的識別，說明邊緣檢測的質(zhì)量會直接影響到直線檢測的結(jié)果。

圖10 檢測算法對比圖

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)行對比試驗(yàn)，分別對其檢測出的電纜外徑進(jìn)行測量。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)的閾值檢測算法更加精準(zhǔn)，與實(shí)測值相比誤差更小。

圖11 電纜外徑檢測對比圖

5 結(jié)論

針對傳統(tǒng)礦物絕緣電纜同軸度檢測技術(shù)對圖像特定特征依賴性強(qiáng)，識別效率低等問題，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、距離過遠(yuǎn)、無法檢測)分類中，建立基于卷積神經(jīng)網(wǎng)絡(luò)的電纜檢測模型。對電纜檢測中常出現(xiàn)的4種情況進(jìn)行了數(shù)據(jù)預(yù)處理，采用Tensorflow平臺進(jìn)行深度CNN訓(xùn)練。訓(xùn)練后的CNN模型分類成功率可達(dá)96.87%，同軸度檢測成功率達(dá)到94%，遠(yuǎn)高于傳統(tǒng)電纜同軸度檢測技術(shù)。

通過對基于神經(jīng)網(wǎng)絡(luò)算法電纜同軸度檢測程序的試驗(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技術(shù)相比，識別性能更強(qiáng)，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(xiàn)狀，也為后續(xù)的電纜同軸度檢測提供了理論依據(jù)和參考價(jià)值。