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。