基于卷积神经网络的电缆同轴度检测技术

刘红军，魏旭阳

(沈阳航空航天大学机电工程学院，沈阳110000)

0 引言

同轴度检测是耐火级电缆[1]生产过程中不可或缺的一步，主要运用X射线透视原理对电缆的几何参数进行在线检测。传统测量方法主要使用计算机基于特征提取和模板匹配，对电缆的几何参数进行检测和同轴度计算[2]。实际检测过程中，电缆检测程序受电缆型号尺寸、检测距离、检测角度、光线明暗等其他外界因素的影响，经常需要改变程序内部参数来达到高精度检测的标准[3]，造成程序运行缓慢、维护周期短、抗干扰能力较差等问题。为此采用卷积神经网络将电缆X光图片进行预处理分类。

近年来，卷积神经网络[4](convolutional neural network，CNN)在处理图像分类方面的任务时表现能力出色，在人体行为识别[5]、缺陷故障诊断[6]以及物体检测[7 - 8]等方面已得到广泛应用。不少研究者利用卷积神经网络模型对电缆检测技术进行了相应的研究。如杨帆等采用CNN模型对电缆局部放电模式识别[9]；张重远等通过基于时频谱CNN算法对变压器铁心声纹识别[10]；王晓明通过恒等映射CNN算法对高压断路器故障识别[11]等。利用卷积神经网络对电缆同轴度检测技术的改进目前仍处于探索阶段。为此本研究拟利用卷积神经网络对电缆检测图形进行分类检测，并进行分析，以期取得更好的识别效果，为电缆识别技术提供参考和借鉴。

1 系统结构与原理

在同轴度测量实际操作中，本文采用了张政等提出的求距法[12]测量，对其方法进行了进一步改进，采用X光机进行同轴度轴向截面测量。这种改进更加适用于电缆生产和加工过程，能够达到实时监控的效果。具体结构如图1所示。

1—矿物绝缘电缆；2—高清小型X光机；3—控制系统；4—工业计算机；5—圆弧形滑轨

电缆竖直固定于圆弧形滑轨中心位置，X光机沿滑轨滑动对被测元素进行3坐标拍摄，计算电缆的外径D，取D/2的位置为基准轴线，计算电缆内径d，取d/2的位置为实际轴线，通过电缆检测程序计算(D-d)/2，该值为电缆实际轴线相对于基准轴线所允许的最大变动量，即电缆同轴度。

2 边缘检测与直线检测

为减少目标图像中电缆检测程序将对其进行图像预处理，如图2所示。图像目标为矿物绝缘电缆图像，图像背景为白色圆环镜头搭配黑色背景，每幅原始图像是大小为720 ppi×480 ppi的灰度图像。在进行同轴度检测前，将图像裁剪为100 ppi×480 ppi的正外接矩形，这样既保留了检测所需的图像目标，也减少了检测程序的工作量。

图2 图像检测预处理

在同轴度检测中，本文主要采用Canny算子边缘检测法与Hough变换直线检测法相结合以检测出电缆的内外径，从而确定其轴心。此种检测方法中，Canny算子与Hough变换中的阈值参数经常受到外界环境因素的影响，需要人为进行调整才能获得准确的试验结果。图3为调整检测参数前后的检测结果对比。可以看出，当进行Canny边缘检测时，边缘检测的精度随检测参数阈值范围的扩大而降低；进行Hough变换直线检测时，直线检测的精度则随着参数的升高而提高，但精度过高时会检测出多余曲线，干扰检测结果。为此本文提出由卷积神经网络对电缆检测图像进行预分类，从而自适应改变检测阈值参数，达到电缆智能同轴度检测的效果。

图3 调整检测参数对比图

3 卷积神经网络

使用卷积神经网络将电缆图像按照所需的检测参数进行预分类，过程如图4所示。

图4 检测程序流程图

3.1 卷积神经网络搭建

每张电缆原图为720 ppi×480 ppi的灰度图像，在图像识别前，为减少无用信息、提高神经网络的训练速度，从原图中提取最小正外接正方形，将最小正外接正方形等比例缩放为80 ppi×80 ppi的输入图像规格化处理。基于卷积神经网络的电缆图像分类模型如图5所示，包含卷积层、激活层、池化层、全局池化层、输出层。

图5 单神经元模型

C1与C2每层各有8个卷积核，第3层C5有64个卷积核，通过卷积运算，可以增强原始信号特征，降低噪声的影响。卷积运算如下：

(1)

(2)

(3)

3.2 卷积神经网络训练

3.2.1 正向传播

本次神经网络训练采用ReLU激活函数，卷积神经网络通过计算每个神经元的输入，正向传播神经元的输出，从而得到一个总体的输出，单个神经元模型如图6所示。

图6 单神经元模型

每个神经元的输出记为：

(4)

3.2.2 反向传播

(5)

其中：

(6)

式中：η为学习速率；En为最后一层(第n层)的输出误差；Tn为第n层期望的输出结果；Cn为第n层的神经元个数。

4 整体程序的运行与测试

4.1 实验过程设计

实验计算机配置如下：操作系统为Windows10，开发平台为Tensorflow、OpenCV。实验设计首先通过OpenCV对图像进行预处理，再由Tensorflow对神经网络进行搭建和训练，最后由OpenCV进行同轴度的检测和计算。选用一组同轴度标准的单芯矿物绝缘电缆进行检测。

本次训练为有监督学习，将电缆图片按照图片检测所需Canny算子与霍夫变换的参数不同，分为标准、暗淡、距离过远、无法检测4种情况，同时按照4种情况制作图片集用于卷积神经网络电缆检测模型。由于电缆X光图像在不同情况下的对应特征较为明显，且数据信息量较小，为此采用小批量样本进行CNN模型训练，这样既保证了训练的效率，也预防神经网络模型发生过拟合现象。通过小型X光机对单芯矿物绝缘电缆分别采集标准、暗淡、距离过远、无法检测4个级别的电缆图片各300张，共1 200张，随机抽取其中20%的图片记为测试集，其余为训练集。对各等级的电缆图片进行图片预处理，其余作为测试集。常规，暗淡，距离过远，无法检测分别用0～3这4个数字代表输出结果，如图7所示。

图7 电缆分类图

4.2 实验结果

对上述训练集进行30次有效迭代训练，由图8可知，随着迭代次数的增长，训练集的准确率与测试集的准确率呈逐步上升。当迭代到第5次时，图像分类趋于平稳；当迭代到第9次时，样本准确率仅出现较小波动；当迭代到第12次时，样本准确率稳定在95%左右，测试集准确率达到96.87%，训练过程中其损失函数呈梯度下降的趋势，变化相对平稳，预测损失偏差逐步减小，当数据规模增加时并未出现过拟合现象，说明该模型经过训练后具有较强的泛化能力，由此可见误差得到了比较好的收敛，神经网络模型达到了预期的训练效果。

acc—电缆训练集分类成功率；val_acc—电缆测试集分类成功率；loss—电缆训练集损失函数；val_loss—电缆测试集损失函数

直线检测结果如图9所示。

图9 电缆图像直线检测结果图

从图9可以明显看出标准、暗淡和距离过远这3类图像均在图中检测出了蓝、红、绿、黄4条直线，达到了电缆同轴度的计算要求，而在无法检测类图像中只有3条直线未能满足其检测要求，因此判定分类结果较为理想。为验证同轴度检测程序的准确率，将由模型准确分类后的电缆图像样品按常规、暗淡、距离过远、无法检测4种分类分别随机抽取100张进行同轴度检测。统计分类容器中各等级电缆图像的数量，其测试结果如表1所示。由于暗淡与距离过远分类中图片的质量各异，小部分图片过暗或者过远从而超过检测程序的检测范围，而标准与无法检测这两类图像集特征较为明显，容易被检测程序识别。经过计算，电缆同轴度的检测平均成功率高达94%((94%+90%+93%+99%)/4)，远高于传统电缆同轴度技术。

表1 图像分类结果

文中将相同的图片集输入到王晨晨等改进直线检测算法[17]与传统算法中进行对比。由图10可知，当电缆距离过远或直径较小时，加入了神经网络的直线检测算法和在边缘检测，检测出了目标图像中的所有目标边缘，而改进阈值算法和传统算法均出现了边缘缺失。说明神经网络算法在边缘检测时，对于Canny算子的阈值调整更加精确。但是在Hough直线检测中，3种算法都对已检测到的边缘进行了准确的识别，说明边缘检测的质量会直接影响到直线检测的结果。

图10 检测算法对比图

在同轴度计算方面，各选取20张单芯矿物绝缘电缆图像进行对比试验，分别对其检测出的电缆外径进行测量。结果表明，与采用神经网络算法相比较，采用改进阈值算法时，计算值与实测值的差距较大，如图11所示。因此神经网络算法相比改进的阈值检测算法更加精准，与实测值相比误差更小。

图11 电缆外径检测对比图

5 结论

针对传统矿物绝缘电缆同轴度检测技术对图像特定特征依赖性强，识别效率低等问题，本文提出了将卷积神经网络应用于电缆X光图像的4种(标准、暗淡、距离过远、无法检测)分类中，建立基于卷积神经网络的电缆检测模型。对电缆检测中常出现的4种情况进行了数据预处理，采用Tensorflow平台进行深度CNN训练。训练后的CNN模型分类成功率可达96.87%，同轴度检测成功率达到94%，远高于传统电缆同轴度检测技术。

通过对基于神经网络算法电缆同轴度检测程序的试验和研究，可以发现该项技术与现有的电缆同轴度检测技术相比，识别性能更强，自动化水平更高，并且有效解决了X光对人体造成危害的现状，也为后续的电缆同轴度检测提供了理论依据和参考价值。