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

技术特征：
1.一种基于深度学习的电缆附件铜编织带焊接腐蚀识别方法，其特征在于，包括：采集多种实际的电缆附件铜编织带焊接处的腐蚀缺陷；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；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；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；搭建用于腐蚀缺陷识别的腐蚀缺陷识别模型；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；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。2.根据权利要求1所述的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，其特征在于，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。3.根据权利要求1所述的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，其特征在于，所述检测设备为超声导波检测设备。4.根据权利要求1-3任一所述的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，其特征在于，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。5.根据权利要求4所述的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，其特征在于，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；其中，波形因子s反映有效信号段与平均信号段之比：x
rms
为有效信号段，又称为均值，y为平均信号段；裕度指标l是预留的误差允许范围：x
max
为信号峰值；均方频率msf计算随机值：f为信号频率，s(f)为采样信号；频率vf方差：
均值x
rms
描述信号平均能量：x为当前信号值，n为信号总数；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；中心矩b描述样本取值的分布特征：中心矩b描述样本取值的分布特征：为信号平均值；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。6.根据权利要求1所述的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，其特征在于，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。7.根据权利要求6所述的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，其特征在于，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。8.根据权利要求7所述的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，其特征在于，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。

技术总结
本发明公开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：采集多种实际的电缆附件铜编织带焊接处的腐蚀缺陷；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；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；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；搭建用于腐蚀缺陷识别的腐蚀缺陷识别模型；通过制作得到的数据集对腐蚀缺陷识别模型进行训练；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。本发明具有成本低、识别效率高、精确度等优点。精确度等优点。精确度等优点。


技术研发人员：黄嘉盛 阮耀萱 李濛 韩卓展 刘智勇 石银霞 徐涛 凌颖
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：2022.06.14
技术公布日：2022/9/2