亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于深度殘差網(wǎng)絡的電纜絕緣層截面圖像分類研究

        2021-11-17 11:13:54侯北平張曉剛
        電線電纜 2021年5期
        關(guān)鍵詞:分類深度特征

        劉 宇, 侯北平, 張曉剛

        (浙江科技學院自動化與電氣工程學院,浙江 杭州310023)

        0 引 言

        電纜的需求量隨著各行業(yè)發(fā)展逐年遞增,至2020年底,我國輸電線路總里程超過159萬千米。隨著對電纜的需求顯著增加,電纜生產(chǎn)企業(yè)不斷增多,產(chǎn)能過剩,造成行業(yè)、企業(yè)間的市場競爭異常激烈,產(chǎn)品質(zhì)量千差萬別,部分企業(yè)以產(chǎn)品質(zhì)量為主體的責任意識不強,出現(xiàn)了不檢測、偷工減料、制假、售假等質(zhì)量失信和違法現(xiàn)象,電纜的可靠性越來越受到關(guān)注[1]。電纜絕緣層作為電纜的重要組成部分,其質(zhì)量直接影響電纜的使用壽命及使用安全。因此,對電纜質(zhì)量檢測至關(guān)重要。由于電纜的應用環(huán)境不同,電纜種類也不同。根據(jù)國家標準GB/T 3956—2008[2],不同類型電纜絕緣層,需要測量不同的參數(shù)。目前,針對不同電纜絕緣層的質(zhì)量檢測,多為人工測量,自動化程度較低,且測量周期長,測量過程耗時耗力。

        近年來,機器視覺技術(shù)及深度神經(jīng)網(wǎng)絡的快速發(fā)展,被廣泛應用到自動計數(shù)[3?5]、質(zhì)量檢測[6?7]和自動識別分類[8?9]等領(lǐng)域。侯維巖等[4]提出使用圖像處理的方式解決捆扎棒材計數(shù)的問題。電纜絕緣層質(zhì)量檢測問題與相關(guān)行業(yè)具有共性,但同時具有特殊性,全自動測量問題亟待解決。肖金球等[9]首先將電纜切片分類,再采用人工選擇類型進行測量。人工選擇電纜切片類型需要操作人員具備一定的專業(yè)知識和工作經(jīng)驗,有一定錯誤率,自動化程度低。國內(nèi)針對電纜檢測設備研究較少。董輝平等[10]利用機器視覺等技術(shù)設計出一套電纜絕緣層厚度測試系統(tǒng);ZHU W等[11]提出一種基于深度學習的半導電層分割方法;侯北平等[12]發(fā)明了一種全自動電纜絕緣層檢測方法,實現(xiàn)對電纜絕緣層參數(shù)的自動測量。可替代傳統(tǒng)人工檢測,極大地提高了檢測效率,但對各類電纜絕緣層自動分類尚存在不足。加入電纜絕緣層自動分類,將對電纜檢測設備性能進一步提升。因此,對電纜絕緣層精準分類具有重要意義。目前,針對電纜絕緣層自動分類的研究較少。

        針對以上問題,分析了圓形、類圓形、其他形狀等3類共18種電纜絕緣層截面圖像的特征,對比傳統(tǒng)的支持向量機(SVM)分類方法、利用GoogleNet[13]模型進行分類及使用單一深度殘差網(wǎng)絡模型的分類方法,提出了基于深度殘差網(wǎng)絡的電纜絕緣層截面圖像多級分類方法。利用4個分類模型,分兩級對電纜絕緣層截面圖像進行分類,極大地提高了分類精確度。

        1 電纜絕緣層圖像特征分析

        如圖1所示,為18種典型電纜絕緣層截面圖像。針對幾種典型的電纜絕緣層進行特征分析。

        圖1 18種典型電纜絕緣層

        1.1 電纜絕緣層圖像特征分析

        由電纜絕緣層截面圖像可知,各類電纜絕緣層幾何特征差異較大。按照電纜絕緣層外形差異,將其主要分為圓形、類圓形和其他等,分析3類電纜絕緣層圖像的具體特征。

        1.1.1 圓形電纜絕緣層截面圖像特征

        如圖2所示,依次為不透明圓形、透明圓形、三層內(nèi)表面光滑圓形電纜絕緣層截面圖像,本組圓形電纜絕緣層截面圖像主要特征如下:

        圖2 圓形電纜絕緣層截面圖像

        (1)整體外觀呈圓環(huán)狀;

        (2)圓環(huán)內(nèi)部為單孔,且內(nèi)部也為近似圓形,圓度接近1;

        (3)存在透明、不透明兩種情況。

        1.1.2 類圓電纜絕緣層截面圖像特征

        如圖3所示,依次為內(nèi)表面不光滑圓形、半導電層、三層內(nèi)表面不光滑圓形等3種電纜絕緣層,本組類圓形電纜絕緣層截面圖像主要特征如下:

        圖3 類圓形電纜絕緣層截面圖像

        (1)整體外輪廓為正圓形;

        (2)內(nèi)層輪廓為非圓形,但內(nèi)輪廓的最大外接圓與最小內(nèi)切圓的半徑差值較?。?/p>

        (3)存在部分電纜絕緣層為兩層拼接形成,如內(nèi)表面不光滑圓形和半導電層兩種電纜絕緣層,兩者的特征相似。

        1.1.3 其他形狀電纜絕緣層截面圖像

        如圖4所示,依次為單排三芯形、外梅花形、不透明扇形、瓦楞形等4種電纜絕緣層。本組電纜絕緣層截面圖像特征較為復雜,其主要特征如下:

        圖4 異形電纜絕緣層截面圖像

        (1)整體形狀多為不規(guī)則形狀;

        (2)由兩個及以上圓形或橢圓拼接而成;

        (3)部分電纜絕緣層形狀較為特殊;

        (4)存在透明、不透明兩種情況。

        1.2 傳統(tǒng)分類試驗

        1.2.1 提取特征構(gòu)建SVM分類器

        根據(jù)以上分析,各類電纜絕緣層幾何特征較為明顯,可利用幾何特征訓練SVM分類器進行分類。選部分電纜絕緣層截面圖像作為訓練樣本,進行圖像預處理,提取圖像亞像素內(nèi)外邊緣輪廓,如圖5所示。提取圓度、不變矩等幾何特征,構(gòu)建特征矩陣。平均圓度統(tǒng)計表見表1,不變矩特征統(tǒng)計表見表2,表2中Hu1-Hu7分別代表7個不變矩陣特征。

        表2 不變矩特征統(tǒng)計表

        圖5 電纜絕緣層截面圖像亞像素邊緣輪廓

        表1 平均圓度統(tǒng)計表

        由于部分類型電纜絕緣層截面圖像存在透明與不透明兩種情況,如圖6所示,依次為透明圓形、不透明圓形、透明扇形、不透明扇形等4類電纜絕緣層。分析其灰度值分布,透明與不透明電纜絕緣層截面圖像灰度差距較為明顯。將平均灰度值作為補充特征加入特征矩陣中,提高分類精度。

        圖6 透明與不透明電纜絕緣層截面圖像

        1.2.2 SVM分類測試結(jié)果評估

        取典型如圖7所示不透明圓形、透明圓形、內(nèi)表面不光滑圓形、雙層圓形、半導電層、透明扇形、不透明扇形等7種類型電纜絕緣層。獲取電纜絕緣層截面樣本圖像,進行分類試驗。

        圖7 電纜絕緣層測試樣本圖像

        試驗結(jié)果混淆矩陣如表3所示,由表3結(jié)果可以看出如下問題:

        表3 混淆矩陣

        (1)特征較為相似的電纜絕緣層截面圖像,如透明扇形電纜絕緣層與不透明扇形電纜絕緣層,兩者幾何特征較為接近,若利用灰度特征區(qū)分二者,易受采樣光照影響,使其灰度特征較為接近。此時,利用SVM分類方法無法準確對兩者進行分類。

        (2)半導電層、雙層圓形等形狀類似的電纜絕緣層識別錯誤率較高,半導電層的平均圓度為0.927 47,雙層圓形平均圓度為0.927 05,而內(nèi)表面不光滑圓形平均圓度為0.930 167,三者平均圓度特征相近,且灰度特征相近,該方法無法正確識別3種類型電纜絕緣層。

        (3)由于生產(chǎn)工藝原因,會出現(xiàn)畸形、殘次等異常電纜絕緣產(chǎn)品,如圖8所示,畸形、殘次品是進行電纜絕緣層質(zhì)量檢測主要排查的對象之一。但由于傳統(tǒng)分類可提取的特征有限,易出現(xiàn)無法識別或誤分類現(xiàn)象,影響質(zhì)量檢測。

        圖8 異常電纜絕緣層截面圖像

        試驗結(jié)果發(fā)現(xiàn),傳統(tǒng)的分類方法對于幾何形狀差異較大的電纜絕緣層分類效果較好,但對于幾何特征相似度較高,且不具有特殊特征的絕緣層分類效果較差。與傳統(tǒng)分類方法相比,利用深度殘差網(wǎng)絡的分類方法是從大數(shù)據(jù)中自動學習特征,而非采用手工設計的特征。樣本充足的情況下,可以準確地提取樣本深層次特征進行分類訓練,并解決了傳統(tǒng)分類方法特征提取不充分等問題。

        2 基于深度殘差網(wǎng)絡的多級分類方法

        2.1 基于深度神經(jīng)網(wǎng)絡分類方法的整體流程

        基于深度殘差網(wǎng)絡多級分類方法的整體流程如圖9所示。采集電纜絕緣層圖像,構(gòu)建樣本數(shù)據(jù)集;對樣本數(shù)據(jù)集進行增強;首先利用深度模型構(gòu)建一級分類器,將電纜絕緣層分為圓形、類圓、其他等3類;再分別構(gòu)建3個二級分類器,確定電纜絕緣層的具體類型;利用增強數(shù)據(jù)集訓練分類器,最后試驗驗證分類結(jié)果。

        圖9 基于深度殘差網(wǎng)絡多級分類方法

        2.2 多級分類模型

        2.2.1 模型遷移

        在深度卷積網(wǎng)絡的有監(jiān)督訓練中,需要大量的有標簽樣本進行充分訓練,網(wǎng)絡才能取得優(yōu)秀的分類效果。由于對電纜絕緣層的研究較少,且不宜獲得大量的樣本圖像。所以為了盡可能少地使用有標簽樣本,同時避免過擬合現(xiàn)象,利用基于深度遷移學習方法的訓練策略,以提高深層網(wǎng)絡在小樣本情況下的分類效果。將問題轉(zhuǎn)變?yōu)槔靡粋€擁有充足標簽的相關(guān)數(shù)據(jù)集對網(wǎng)絡進行預訓練,再通過現(xiàn)有數(shù)據(jù)集對網(wǎng)絡進行微調(diào)(fine?tune)[14]。目前被廣泛應用的遷移模型有AlexNet、VGGNet、GoogLeNet、ResNet[15]等。

        在遷移學習中,基于深層卷積網(wǎng)絡模型,由于網(wǎng)絡淺層卷積核主要捕獲邊緣和輪廓等淺層特征,而這些特征是通用的,同樣存在于源數(shù)據(jù)集樣本中,由此可用大量的源數(shù)據(jù)集樣本對網(wǎng)絡進行預訓練,使網(wǎng)絡參數(shù)得到充分訓練,然后將淺層卷積核進行固定,使其不再進行優(yōu)化。整個過程可看作網(wǎng)絡將在源數(shù)據(jù)集中學習到的知識遷移到目標數(shù)據(jù)集中,一定程度避免了過擬合現(xiàn)象,同時也保證了對目標數(shù)據(jù)特有特征的學習。

        2.2.2 構(gòu)建多級分類模型

        采用深度殘差網(wǎng)絡ResNet50[15?17]作為遷移學習模型,在預訓練好的ResNet50網(wǎng)絡模型基礎(chǔ)上添加一層平均池化層(avgpool),一層全連接層(dense)加分類網(wǎng)絡(Softmax)。共構(gòu)建4個電纜絕緣層分類模型,分別為分類器Ⅰ、分類器Ⅱ、分類器Ⅲ、分類器Ⅳ。分類器Ⅰ用于將電纜絕緣層分為三大類,分類器Ⅱ、分類器Ⅲ、分類器Ⅳ用于對電纜絕緣層具體分類。并利用GoogLeNet網(wǎng)絡作為遷移模型構(gòu)建一個電纜絕緣層分類器,進行對比試驗。

        3 試驗分析

        3.1 試驗準備

        首先對數(shù)據(jù)樣本圖像集進行預處理,為了方便構(gòu)建卷積神經(jīng)網(wǎng)絡和網(wǎng)絡訓練,將樣本圖像尺寸重置為224(像素)×224(像素)×3(通道)。并將樣本數(shù)據(jù)集按照70%,15%,15%的比例分為3個子集,分別用于訓練、驗證和測試。初始學習率設置為0.01,迭代次數(shù)設置為100次。

        3.2 結(jié)果與對比

        3.2.1 利用GoogLeNet網(wǎng)絡模型分類結(jié)果

        利用GoogLeNet網(wǎng)絡模型構(gòu)建的電纜絕緣片分類器進行訓練、測試,訓練過程曲線如圖10所示,圖10(a)為驗證正確率曲線,圖10(b)為損失函數(shù)曲線。最終試驗測試得到深度模型測試結(jié)果部分混淆矩陣如表4所示。

        圖10 GoogLeNet分類器訓練過程曲線

        3.2.2 深度殘差網(wǎng)絡單分類器分類

        利用ResNet50網(wǎng)絡對電纜絕緣層樣本提取特征,以半導電層絕緣片樣本為例,提取第一層卷積層的特征圖像如圖11所示。通過連續(xù)多層卷積提取特征,最后可以提取到2 048維特征。

        圖11 一次卷積后提取的抽象特征

        利用一個重新構(gòu)建的電纜絕緣片分類器進行訓練、分類,最后得到訓練過程曲線如圖12所示,圖12(a)為驗證正確率曲線,圖12(b)為損失函數(shù)曲線。最終試驗測試得到深度模型測試結(jié)果部分混淆矩陣如表5所示。

        圖12 深度殘差網(wǎng)單分類器訓練過程曲線

        與表3傳統(tǒng)SVM分類測試結(jié)果混淆矩陣對比發(fā)現(xiàn),利用GoogLeNet網(wǎng)絡模型及ResNet網(wǎng)絡模型重新構(gòu)建的分類器,分類精度遠遠高于傳統(tǒng)SVM分類器。對于表3中較難區(qū)分的幾類電纜絕緣層,兩者均可較準確地進行分類。通過表4 GoogLeNet模型分類器分類測試混淆矩陣、表5深度殘差網(wǎng)絡單分類器分類測試混淆矩陣對比分析可以發(fā)現(xiàn),深度殘差網(wǎng)絡單分類器分類精度高于GoogLeNet模型分類器分類精度。但兩者均存在錯誤分類的情況,如雙層圓形、半導電層、內(nèi)表面不光滑圓形電纜絕緣層分類錯誤。

        表4 GoogLeNet分類器測試結(jié)果部分混淆矩陣

        表5 深度殘差網(wǎng)絡單分類器測試部分混淆矩陣

        3.2.3 深度殘差網(wǎng)絡多級分類器分類

        首先利用分類器Ⅰ進行訓練分類,初步將電纜絕緣層截面圖像樣本分為圓形、類圓、其他三大類。訓練過程曲線如圖13所示,圖13(a)為驗證正確率曲線,圖13(b)為損失函數(shù)曲線。測試一級分類結(jié)果精度達到100%。

        圖13 一級分類訓練過程曲線

        根據(jù)一級分類結(jié)果自動選擇二級分類器,分類器Ⅱ、分類器Ⅲ、分類器Ⅳ對三大類電纜絕緣層進行訓練分類。如圖14所示,分別為圓形、類圓形、其他三類電纜絕緣層截面圖像二級分類訓練過程正確率曲線,經(jīng)過100次迭代,驗證正確率曲線均穩(wěn)定于1.000。綜合測試分類結(jié)果得到二級分類器測試混淆矩陣如表6所示,可以準確識別出各種電纜絕緣層,測試分類結(jié)果精度達到99.99%。

        圖14 二級分類訓練過程曲線

        表6 二級分類器測試結(jié)果混淆矩陣

        4種分類方法分類精度見表7。

        表7 4種分類法分類精度

        本工作提出的基于深度殘差網(wǎng)絡的電纜絕緣層截面圖像多級分類方法分類精度遠遠高于其他3種分類方法。

        4 結(jié)束語

        針對當前電纜行業(yè)中產(chǎn)品質(zhì)量人工檢測方法中存在的不足,提出了一種基于深度殘差網(wǎng)絡的電纜絕緣層分類方法。首先分析電纜絕緣層截面圖像的結(jié)構(gòu)特點以及圖像的特征,對比了傳統(tǒng)分類方法利用單分類器分類的深度殘差網(wǎng)絡分類方法的不足。利用深度殘差網(wǎng)絡,構(gòu)建4個電纜絕緣層截面圖像分類器,進行二級分類。試驗結(jié)果顯示,本工作提出的方法,分類精度在99.9%以上,可從根本上解決電纜絕緣層自動分類問題,在電纜質(zhì)量檢測行業(yè)中具有積極意義,本方法可提高檢測效率,可以被廣泛應用。

        猜你喜歡
        分類深度特征
        分類算一算
        深度理解一元一次方程
        如何表達“特征”
        不忠誠的四個特征
        當代陜西(2019年10期)2019-06-03 10:12:04
        分類討論求坐標
        深度觀察
        深度觀察
        深度觀察
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        少妇厨房愉情理伦片免费 | 日韩免费一区二区三区在线| 欧美亚洲另类 丝袜综合网| 91国产自拍精品视频| 丰满少妇人妻久久久久久| 亚洲精品国产福利一二区| 国产美女裸身网站免费观看视频| 一区二区三区国产天堂| 国产在线第一区二区三区| 丰满多毛的大隂户视频| 国产精品自产拍在线观看中文| 熟女不卡精品久久av| 国产精品成人无码久久久久久| 无码av免费一区二区三区试看| 精品久久久久久蜜臂a∨| 国产精品国产三级农村妇女| 亚洲国产精品成人天堂| 亚洲av第一页国产精品| аⅴ天堂一区视频在线观看 | 狠狠躁日日躁夜夜躁2020| 久久精品无码免费不卡| 日本高清色惰www在线视频| 国产一区二区三区中出| 国产免费又爽又色又粗视频| 国产在线无码一区二区三区| 国产自精品在线| 中文日本强暴人妻另类视频| 国模吧无码一区二区三区| 国产精品一区二区久久| 亚洲高清在线观看免费视频| 日韩在线精品视频一区| 看av免费毛片手机播放| 国产va免费精品高清在线观看| 视频一区二区免费在线观看| 极品粉嫩嫩模大尺度无码视频| 国产suv精品一区二人妻| 久久久久久久尹人综合网亚洲| 成人av一区二区三区四区| 三a级做爰片免费观看| 日韩AVAV天堂AV在线| 久草视频在线视频手机在线观看 |