一种基于深度学习的电缆附件铜编织带焊接腐蚀识别方法与流程

1.本发明涉及机器学习的技术领域，尤其涉及到一种基于深度学习的电缆附件铜编织带焊接腐蚀识别方法。


背景技术：

2.电缆附件接地系统主要由两部分组成，1.电缆附件尾管与电缆金属护套连接处(即铅封位置)，该处可采用铅封或焊接铜编织带工艺进行电气连接；2.接地线或同轴电缆。其中，电缆附件尾管与电缆金属护套连接处经常出现腐蚀缺陷，部分严重的缺陷会伤及电缆主绝缘。
3.近年来，由于电缆接地系统腐蚀导致电缆附件故障的情况屡见不鲜，然而，现在缺无有效手段对这些缺陷进行预防和检测，只有当缺陷发生到很严重的情况才能发现，因此，如何检测和识别接地系统腐蚀迫在眉睫。
4.面对电缆附件接地系统严峻的安全形势，迫切需要对使用中的电缆附件铜编织带焊接处进行新的检测手段。无损检测可最大程度保护使用中的电缆附件，压电缆附件的无损检测，就是在不破坏高压电缆使用状态的情况下，应用一定的检测技术和分析方法，对高压电缆附件的状态特性加以测定，并按照一定的准则对其进行评价的过程。当前应用到高压电缆无损检测的主要有磁检测法、涡流检测法、红外检测法，对于电缆附件，其中磁粉检测方法需要在铁磁材料中进行，并不适用于高压电缆附件的检测；涡流技术主要集中于数个集肤深度、检测深度较低，因此通常与其他技术复合后进行近表面的腐蚀检测；红外检测方法穿透能力低，抗干扰能力差，不适合于电缆内部损伤的检测，同时对于早期缺陷和微弱损伤识别的灵敏度低。
5.而且，目前来讲，获取得到检测信号特征之后，还得通过人工进行识别，在大规模腐蚀缺陷识别过程中，效率低而成本高。因此，研究出一种基于深度学习的腐蚀缺陷信号自动识别方法，得到电缆附件铜编织带焊接处的腐蚀情况，具有重大意义。


技术实现要素：

6.本发明所要解决的技术问题在于，提供一种识别距离大、识别效率高、成本低的基于深度学习的电缆附件铜编织带焊接腐蚀识别方法。
7.为了解决上述技术问题，本发明提供了一种基于深度学习的电缆附件铜编织带焊接腐蚀识别方法，包括：
8.采集多种实际的电缆附件铜编织带焊接处的腐蚀缺陷；
9.通过人工模拟并制造出多种电缆附件铜编织带焊接处的腐蚀缺陷；
10.利用检测设备，对实际采集以及模拟制造出的电缆附件铜编织带焊接处的腐蚀缺陷进行无损伤检测，获取不同类型的腐蚀缺陷回波样本；
11.获取不同类型的腐蚀缺陷回波样本中的时域、频域和时频域的多种信号特征，进行腐蚀缺陷类型标注，制作数据集；
12.搭建用于腐蚀缺陷识别的腐蚀缺陷识别模型；
13.通过制作得到的数据集对腐蚀缺陷识别模型进行训练，得到训练好的腐蚀缺陷识别模型；
14.通过训练好的腐蚀缺陷识别模型对使用中的电缆附件铜编织带焊接处进行检测，得到检测结果。
15.进一步地，实际采集的，除了电缆附件铜编织带焊接处的腐蚀缺陷，还包括电缆附件铜编织带焊接处的无腐蚀缺陷。
16.进一步地，所述检测设备为超声导波检测设备。
17.进一步地，实际采集电缆附件铜编织带焊接处的腐蚀缺陷与通过人工模拟并制造出多种电缆附件铜编织带焊接处的腐蚀缺陷的数量比例为1：4。
18.进一步地，获取不同类型的腐蚀缺陷回波样本中的时域、频域和时频域的多种信号特征，包括波形因子、裕度指标、均方频率、频率方差、均值、交叉熵、中心矩，该多种信号特征组成7维特征向量；
19.其中，波形因子s反映有效信号段与平均信号段之比：
[0020][0021]
x
rms
为有效信号段，又称为均值，y为平均信号段；
[0022]
裕度指标l是预留的误差允许范围：
[0023][0024]
x
max
为信号峰值；
[0025]
均方频率msf计算随机值：
[0026][0027]
f为信号频率，s(f)为采样信号；
[0028]
频率vf方差：
[0029][0030]
均值x
rms
描述信号平均能量：
[0031][0032]
x为当前信号值，n为信号总数；
[0033]
交叉熵是特征变换参数，描述样本信号信息量，包括不确定性、无序性；
[0034]
中心矩b描述样本取值的分布特征：
[0035][0036]
为信号平均值；
[0037]
将7维特征向量制作成点图像，标注出特征图像相对应的腐蚀类型，制作数据集。
[0038]
进一步地，所述腐蚀缺陷识别模型采用卷积神经网络模型，卷积神经网络模型中，样本信号图像作为输入，并采用数据增强方法增强图像输入端，使用mish激活函数降低计算内存成本和增强了cnn学习能力，在fpn层后面添加一个自底向上的特征金字塔以提高特征提取能力，采用ciou_loss损失函数进行回归训练和采用diou_nms方式进行预测框筛选，完成输出层。
[0039]
进一步地，所述卷积神经网络模型的主干网络由cspdarknet53、mish激活函数以及dr21opblock组成三部分组成；cspdarknet53网络负责对图像进行特征提取，并输出3个尺度的特征图featuremap1-3。
[0040]
进一步地，所述卷积神经网络模型包括5个基本组件：
①
cbm：网络结构中的最小组件，由conv bn mish激活函数三者组成；
②
cbl：由conv bn leaky_relu激活函数三者组成；
③
res unit：残差结构，使得网络构建得更深；
④
cspn：由卷积层和n个res unint模块concat组成；
⑤
spp：采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化的方式，进行多尺度融合。
[0041]
实施本发明的有益效果在于：
[0042]
1)采用超声导波对电缆附件铜编织带焊接处进行检测，超声回波信息经由超声探头接收，传播距离远，检测距离大，检测效率高。
[0043]
2)卷积神经网络模型具有较好的腐蚀损伤特征提取能力，可对电缆附件铜编织带焊接处进行大规模快速自动识别，成本低，识别效率高。
[0044]
3)获取不同类型的腐蚀缺陷回波样本中的时域、频域和时频域的多种信号特征，包括波形因子、裕度指标、均方频率、频率方差、均值、交叉熵、中心矩，该多种信号特征组成7维特征向量。基于该7维特征向量，保证了模型识别的精确度。
附图说明
[0045]
图1为本发明一种基于深度学习的电缆附件铜编织带焊接腐蚀识别方法的原理流程图；
[0046]
图2为本发明一种基于深度学习的电缆附件铜编织带焊接腐蚀识别方法中使用的腐蚀缺陷识别模型的原理示意图；
[0047]
图3为卷积神经网络算法的主体框架图；
[0048]
图4为电缆附件铜编织带焊接腐蚀缺陷检测识别示意图。
具体实施方式
[0049]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。
[0050]
如图1所示，本发明提供了一种基于深度学习的电缆附件铜编织带焊接腐蚀识别
方法，包括以下步骤：
[0051]
s1、采集多种实际的电缆附件铜编织带焊接处的腐蚀缺陷；
[0052]
本步骤中，采集的腐蚀缺陷包括点蚀、均匀腐蚀、应力腐蚀开裂、缝隙腐蚀、丝状腐蚀等；另外，还包括有电缆附件铜编织带焊接处的无腐蚀缺陷，即没有出现腐蚀缺陷的情况。
[0053]
s2、通过人工模拟并制造出多种电缆附件铜编织带焊接处的腐蚀缺陷；
[0054]
s3、利用超声导波检测设备，对实际采集以及模拟制造出的电缆附件铜编织带焊接处的腐蚀缺陷进行无损伤检测，获取不同类型的腐蚀缺陷回波样本；
[0055]
本步骤中，实际采集电缆附件铜编织带焊接处的腐蚀缺陷与通过人工模拟并制造出多种电缆附件铜编织带焊接处的腐蚀缺陷的数量比例为1：4，两者混合的目的是降低人工制作的腐蚀缺陷的信号误差。
[0056]
s4、获取不同类型的腐蚀缺陷回波样本中的时域、频域和时频域的多种信号特征，进行腐蚀缺陷类型标注，制作数据集；
[0057]
本步骤中，获取不同类型的腐蚀缺陷回波样本中的时域、频域和时频域的多种信号特征，包括波形因子、裕度指标、均方频率、频率方差、均值、交叉熵、中心矩，该多种信号特征组成7维特征向量；
[0058]
其中，波形因子s反映有效信号段与平均信号段之比：
[0059][0060]
x
rms
为有效信号段，又称为均值，y为平均信号段；
[0061]
裕度指标l是预留的误差允许范围：
[0062][0063]
x
max
为信号峰值；
[0064]
均方频率msf计算随机值：
[0065][0066]
f为信号频率，s(f)为采样信号；
[0067]
频率vf方差：
[0068][0069]
均值x
rms
描述信号平均能量：
[0070][0071]
x为当前信号值，n为信号总数；
[0072]
交叉熵是特征变换参数，描述样本信号信息量，包括不确定性、无序性；
[0073]
中心矩b描述样本取值的分布特征：
[0074][0075]
为信号平均值；
[0076]
将7维特征向量制作成点图像，标注出特征图像相对应的腐蚀类型，制作数据集。
[0077]
s5、搭建用于腐蚀缺陷识别的腐蚀缺陷识别模型；
[0078]
本步骤中，如图2所示，腐蚀缺陷识别模型采用卷积神经网络模型，卷积神经网络模型中，样本信号图像作为输入，并采用数据增强方法增强图像输入端，使用mish激活函数降低计算内存成本和增强了cnn学习能力，在fpn层后面添加一个自底向上的特征金字塔以提高特征提取能力，采用ciou_loss损失函数进行回归训练和采用diou_nms方式进行预测框筛选，完成输出层。
[0079]
卷积神经网络模型的主干网络由cspdarknet53、mish激活函数以及dr21opblock组成三部分组成。cspdarknet53网络负责对图像进行特征提取，并输出3个尺度的特征图featuremap1-3。cspdarknet53用来提取模型特征，大减少了网络参数，而且能够在轻量化的同时保证准确性、降低计算瓶颈与内存成本。
[0080]
如图3所示，卷积神经网络模型包括5个基本组件：
①
cbm：网络结构中的最小组件，由conv bn mish激活函数三者组成；
②
cbl：由conv bn leaky_relu激活函数三者组成；
③
res unit：残差结构，使得网络构建得更深；
④
cspn：由卷积层和n个res unint模块concat组成；
⑤
spp：采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化的方式，进行多尺度融合。
[0081]
流程第一步为从三个特征层获取识别预测结果；第二步为识别预测结果的解码。获取最终边界框中心点的坐标，计算公式为：
[0082][0083]
其中，c
x
和cy为该点所在网格的左上角与整图最左上角相差的格子数，t
x
和ty分别为目标中心点到左上角的x、y距离，pw和ph为先验框的边长，tw和th分别为预测框的宽和高，σ为激活函数，一般使用的是sigmoid函数，处于[0,1]之间。
[0084]
s6、通过制作得到的数据集对腐蚀缺陷识别模型进行训练，得到训练好的腐蚀缺陷识别模型；
[0085]
设置训练参数。为了减少训练时间并得到好的训练模型，在训练前设置好训练参数。如每次训练可多输入样本图片，图片输入量设为16，最大得迭代次数应不超6000，学习率设可设为为0.001，学习率变动步长可设为4800，5400，其控制参数可设为1000。若损失值小于设定的阈值或达到最大迭代次数时训练结束，得到用于电缆附件铜编织带焊接腐蚀缺陷类型识别的卷积神经网络模型。
[0086]
s7、通过训练好的腐蚀缺陷识别模型对使用中的电缆附件铜编织带焊接处进行检测，得到检测结果。
[0087]
如图4所示，为电缆附件铜编织带焊接腐蚀缺陷检测识别示意图。在检测现场，利用超声导波检测设备检测使用中的多组电缆附件铜编织带焊接处，将检测后信号与其相对应编码标记，并发送到后端服务器进行处理；在后端服务器上，将训练好的具有自动识别腐蚀缺陷类型的卷积神经网络模型，对当前传输来的多组电缆附件铜编织带焊接处信号图像进行腐蚀类型识别，并将有缺陷的结果及其对应的类型传输回到检测现象。现场得到结果后，对相应的电缆附件铜编织带焊接处进行修复或更换，保证接地系统安全可靠运行。
[0088]
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。