基于轻卷积神经网络的电力电缆绝缘损伤图像检测方法

基于轻卷积神经网络的电力电缆绝缘损伤图像检测方法

李文生

国网山西省电力公司太原供电公司山西太原030024

摘要：近年来，我国的电力系统有了很大进展。针对传统电力电缆绝缘损伤检测方法存在检测流程复杂和无法大规模整体检测的缺点，本文结合图像无损接触方式和深度学习方法，提出了一种基于深度学习的电力电缆图像破损批量检测方法。该方法创新性地建立了基于残差和深度可分离模块的轻深度卷积神经网络模型，和以往的卷积神经网络模型相比，网络极好地平衡了系统的识别时间和识别精度，能实现高效、无损、快速的大规模电缆外表面多样化异常检测。和传统学习方法和已有深度卷积神经网络模型的实验结果对比表明，本文方法具有良好的实时性、鲁棒性和识别率，识别正确率达到99.47%。

关键词：电力电缆；图像处理；深度学习；轻卷积神经网络

引言

电线电缆是不可缺少的电力设备与材料，绝缘则是其基本性能，指的主要是两导体之间的绝缘材料，一旦发生绝缘故障，将给人们的人身财产安全乃至整个社会的安全稳定带来巨大隐患。电线电缆绝缘检测不但能反映电线电缆的绝缘性能，还能判别绝缘材料质量优劣和工艺缺陷、使用性能等，通过检测绝缘性能准确判断电线电缆在使用中的变化状态。

1电缆敷设保护方式现状

电缆排管敷设适用于城市道路人行道下、电缆与各种道路交叉处、广场区域及小区内电缆条数较多、敷设距离长等地段。因敷设方式占地面积和空间少，受气候和环境影响较小，安全性高，市容美观，能承受较大的荷重，电缆敷设无相互影响，电缆施工简单等因素，至今仍被广泛应用于城市电缆敷设中。

2卷积神经网络

卷积神经网络（ConvolutionalNeuralNetwork，CNN）的基本结构类似于生物神经网络，提供了一种端到端的学习模型，经过训练的模型能够学习到图像中的特征，可以完成对图像特征的提取和分类。卷积层的计算公式如下：

其中，n表示从卷积层到采样层的窗口宽度。f（）为池化函数，常使用最大池化或中值池化。全连接层是本层每个神经元与其前一层进行全连接但本层神经元之间不连接的结构，相当于多层感知机（MLP）的隐含层。

3电线电缆绝缘故障因素

第一，机械性能。电线电缆的绝缘材料与护套的力学性能需要通过机械性能反映出来，涉及到的检测项目包括绝缘与护套老化前后的抗张强度、变化率等。第二，结构尺寸。电线电缆的绝缘厚度、护套厚度、绝缘偏心度等达不到要求，导致其结构尺寸不合格，降低绝缘性能，极有可能引发故障。这和生产企业质量控制不严息息相关，一些生产企业为节省成本，在挤出过程中将厚度控制为标准下限，稍有偏差就导致结构尺寸不合格；或没有严格依据工艺要求控制温度，温度过高导致挤出量减少，极易产生偏心问题，导致最薄点的厚度不合格；或选用的模具不恰当，模间距不合适，没有调整好模具同心度等等。第三，绝缘电阻。电阻是确认电线电缆导体材料和导体截面积等性能符合标准与否的重要考核指标，所用电阻不合格会影响电线电缆的性能与寿命，严重时导致电线电缆过度发热，绝缘层塑料杯损坏，引发短路故障，发生火灾。

4基于轻卷积神经网络的电缆破损检测算法

训练流程：首先建立样本数据库。对电缆表面的破损部位和完好部位采样，采样前无需原始图像进行预处理，采样图像大小为224*224*3。采样时，破损区域可位于样本图像的任意区域，不限定其处于图像中心。采样图像如图1中（b）和（d）图所示。最终样本数据库中共包含正样本（无破损完好图像）1197个，负样本（包含破损部位图像）1183个。之后利用样本数据库对LigntNet网络模型进行训练。训练完成的网络第一层卷积算子为64个3*3*3大小矩阵，其可视化模型如图2所示。电缆破损检测流程：输入一段电缆表面图像，如图1中（a）、（c）所示。以224*224*3为模板大小，从左到右在输入图像上依次提取图像块，提取步长为112像素，即水平方向图像块与块间在x轴重叠112像素大小，垂直方向图像块与块间重叠112像素大小。将图像块从左到右从上到下依次输入训练完成的网络，得到识别结果。一旦出现有破损图像块，则停止扫描，判定该段电缆存在破损，同时输出该图像块的x，y坐标作为破损定位。

5电线电缆绝缘检测技术

5.1机械性能检测技术

电线电缆绝缘机械性能检测技术主要是利用电子拉力测量仪器检验电线电缆老化前后的抗拉力，即先通过测厚仪对电线电缆中间部位的厚度、宽度进行测量，接着通过自排式老化箱进行老化处理，再利用电子拉力测量仪器加以测量，促使电线电缆在拉伸作用下断裂，得到最大抗拉应力、拉伸距离，最终和标准规范对比，判断是否合格。

5.2低压脉冲法

低压脉冲法主要指的是通过改变电力电缆结构中发射脉冲和反脉冲的时间差，通过仪器进行记录，对相同特性的图形进行分析比较，或者针对同一根电缆正常相所获取的特征图形进行分析比较。该方法主要对电力电缆机组故障、短路或者断路故障等进行探测具有明显效果。通过该方法能够有效测量电缆实际长度，而且能够明确区分出中间头和终端头。精确识别反射脉冲的具体极性后，能够最终判断故障性质。例如，通过比较发现反射脉冲与发射脉冲实际的极性保持一致，就可以判断电力电缆故障为断路；如果两种脉冲的极性相反，可以判断电力电缆故障为短路。

5.3音频感应法

音频感应法在探测电力电缆两相短路接地、三相短路、三相短路并接地等故障时，能够起到很好的效果。实际故障探测过程中，将发生故障的电力电缆短路线芯中输入一个1kHz音频信号，能够在电缆线芯的周边环境中产生一个磁场，然后在地面利用接收线圈接收磁场信号，并将其传输到接收机中进行放大处理。在地面接收的磁场主要有2个导体通过电流而产生，且这个磁场会随着电缆扭距的变化而产生一定变化。因此，当地面的接收线圈在接近故障点的位置移动中，就会发出一个规律性的声响。刚经过故障点正上方位置的时候，通常声响会明显增大。而随着探测头继续向前移动，接收的音频信号会出现明显减弱或中断现象，从而精确判断故障点位置。

结束语

综上所述，针对电力电缆表面破损检测，本文提出了一种基于轻卷积神经网络的电缆表面图像破损检测算法。区别于传统电缆检测方法，该方法以电缆表面图像为分析对象，对测试条件要求低，能够实时、实地、随时无介入地实施，且能够对大规模电缆整体检测。实验结果表明，相对基于特征算子和经典分类器的传统图像处理方法，本文采用的基于卷积神经网络的方法无需预处理，能够极大程度地抑制光线、阴影、灰尘、水渍等其他因素的干扰，同时具有鲁棒性，对电缆表面各种异常损伤均能正确检测，具有实用价值。

参考文献

[1]周远翔，赵健康，刘睿，等.高压/超高压电力电缆关键技术分析及展[J].高电压技术，2014，40（9）:2593-2612.

[2]袁燕岭，李世松，董杰，等.电力电缆诊断检测技术综述，电测与仪表，2016，53（11）：1-7.

[3]宋迪，张东波，刘霞.基于Gabor和纹理抑制的手机配件划痕检测[J].计算机工程，2014，40（9）：1-5.