基于机器视觉感知技术电缆偏心度检测方法

基于机器视觉感知技术电缆偏心度检测方法

卜蕙兰1，黎珞1，王宣1

（1. 深圳供电有限公司龙华供电局，深圳 518000）

Detection Method of Cable Eccentricity Based on Machine Vision Perception Technology

摘要：随着电网的进一步发展，对电力设备运行可靠性提出了新的要求。电缆偏心度检测是衡量电缆质量好坏的重要环节，电缆偏心会使电缆绝缘层的有效厚度及电缆性能大大降低，甚至造成安全事故。因此电缆偏心检测有着非常重要的实际意义。目前的电缆偏心度的检测方法或多或少都存在一定的弊端，要么是破坏式检测，要么检测精度很低，要么不能实时性检测。机器视觉即用机器代替人眼，模拟眼睛进行图像采集，经过图像识别和处理提取信息，最终通知执行装置完成操作。为了克服这些弊端，结合机器视觉感知技术，本文提出了一种基于机器视觉感知技术电缆偏心度检测方法。

关键词：机器视觉感知技术；电缆偏心度；在线实时检测

0．引言

随着我国经济的快速发展，供电量需求不断提升，对电力设备的运行可靠性要求越来越高[1,2]。近年来，我国电缆的产量在稳步增长，特别对于电网的改造、特高压等大型工程的快速建设和发展有重要的意义，极大推动了电力电缆行业的发展，具有很大的市场空间[3]。特别是对于一些大型电力行业和国家电网部门，由于电能的消耗量巨大，电缆的质量问题成为了备受瞩目的话题。

电缆在实际的生产过程中，电能质量问题能否得到保障是广大生产厂家一直关注的问题，而电缆偏心度合格是保证电缆质量的重要环节[4]。理想情况下，电缆的绝缘层和导体线芯的圆心是重合的，由于电缆生产工艺的原因，出现了电缆线芯和绝缘层不同心的情况，使得包裹线芯的材料被挤向某一个地方，从而导致电缆绝缘层的厚度不同。绝缘层厚度的不均匀将会使内部的电场分布也不均匀，这种电场会集中分布在电缆绝缘层相对薄的位置，使得该处的电场强度变大，进而导致绝缘层的击穿，严重的话会出现导体铜线短路，引起火灾。

电缆偏心人工检测手段是将已经生产出来的电缆截取处理，取出处理后的样本，通过人眼观察和千分尺测量相结合的方式来判断电缆线芯是否出现偏心，再根据判断结果对电缆挤出机进行调整。但是这种人工检测方法存在很大的弊端，属于破坏式检测，检测精度较低，而且不能对电缆偏心度进行实时性检测。随着科学技术的进步和发展，国内外相继出现大量的厂家和科研机构开始着手研究电缆偏心仪，现如今主要有以下几种电缆偏心检测手段X射线式偏心检测优点是属于非接触测量，可以通过测量电缆的外径得到电缆绝缘层厚度，根据偏心度定义最终计算出偏心度，缺点是 X射线具有很强的放射性，肯定会对人体有很大的危害。光电磁式偏心检测优点是可以非接触测量，性能比较可靠，而且精度较高。缺点是在使用过程中，往往需要加入高频率的电流，实际可操作性很差，且只能测量 4个点的绝缘层厚度。电涡流式偏心检测：电涡流偏心检测仪优点是该仪器通常内部构造不是很复杂，由单传感器组成，可以测得电缆周围的多点绝缘厚度，测量结果更为准确，而且操作起来比较方便，且仪器造价不是很贵。缺点是在复杂的环境下，传感器受温度影响比较大，容易产生温度漂移现象，需要进行有效的温度补偿。针对目前电力行业中电缆偏心问题，亟需引入人工智能方法，提出一种可以高效测量电缆偏心的在线检测方法非常必要，实现电缆偏心度检测系统的自主感知与智能控制。不仅可以大大提高电缆质量，还能够节约电缆生产成本，为电力行业迅速发展做出贡献。

1. 检测原理

偏心定义:从电缆横截面看去，电缆一侧和另外一侧的绝缘层厚度之差与最大绝缘层厚度之比。

图1 偏心度示意图

图1中，表示绝缘层厚度，偏心度计算如式(1)所示：

         (1)

偏心度国标规定：任一断面的偏心度[(最大测量厚度－最小测量厚度)/最大测量厚度]应不大于10%。

         (2)

式(2)中：表示绝缘最大厚度（mm）;表示绝缘最小厚度（mm）；和在绝缘同一截面上测得。如图2(a)为正常状态下的电缆状态，图2(b)为偏心状态下的电缆状态。

（a）正常状态下电缆形态     （b）偏心状态下电缆形态

图2 常见的电缆形态示意图

本文在电缆注塑机离散件的质量检测方面，采用自主感知方法[4]。开展电缆工业产品质量精准检测关键技术研究，实现对产品缺陷在线采集、精准定位和实时智能识别，如图2 所示。

首先，通过摄像头获取电缆注塑加工后的离散件的多角度图像，研究电缆离散件的多视角瑕疵异常判断方法，实现对电缆离散件偏心度瑕疵的异常检测，判断是否存在瑕疵；

其次，研究电缆注塑离散件的瑕疵高精度检测技术，对图像中的偏心度瑕疵进行准确定位，并进行瑕疵类型识别；

最后，上述网络所获得瑕疵结果，将进一步反馈到电缆注塑机控制器，优化电缆注塑机的柔性控制生产策略。

图2 电缆产品质量的机器视觉感知技术

2. 基于机器视觉感知技术电缆偏心度检测方法

2.1电缆离散件多视角图像的瑕疵异常判断技术

注塑离散件具有多样性。随着工艺的成熟，注塑离散件的正常样本远远多于瑕疵异常的样本。如果从特征提取上区分正常和异常的话，由于训练负样本过少或者说是训练样本比例太不平衡（正常样本特别多）往往会导致实验结果上不尽如人意。此外，瑕疵的种类也具有突变性，即在生产过程中，有可能会出现与训练数据不相符合的异常样本。如果仅仅利用现有的瑕疵样本进行训练，容易在出现新型瑕疵情况时，造成瑕疵误判和漏判。因此，需要研究对注塑离散件的多视角图像的瑕疵判断算法。

可利用基于生成对抗网络的离散件多视角瑕疵异常判断算法[5,6]，如图3所示，用于判断所捕获的离散件是否存在瑕疵。本算法在基于编码解码器的生成器架构上，再加入一个新的编码器，用于提取图像的潜在空间编码作为瑕疵判断的依据，即对于正常的离散件图像，编码解码再编码得到的潜在空间编码和第一个编码器得到的潜在空间编码相似，而异常样本的两次编码器所得到的潜在空间编码具有巨大差异；同时，针对多视角图像问题，将生成对抗网络的判别器替换为N类判别器，实现离散件多视角图像的分类，提高网络的泛化性，进而获得更为丰富的正样本背景信息，保证瑕疵异常判断的敏感度。

图3 多视角瑕疵异常判断的网络框架

首先，收集整合注塑离散件的多视角图像，建立具有不同视角分类信息的正常离散件的多视角图像数据集；接着，利用所设计的多视角生成对抗网络以及重构编码器进行训练，获得正常样本下的网络参数；最后，通过比较测试样本在生成器中的潜在编码特征与重构编码器的潜在编码特征之间的差异，进而判断测试样本是否存在瑕疵异常。

整体的网络流程如下所示。假设输入的多视角图像为。首先，将多视角图像输入到生成对抗网络的生成器中，用于生成多视角的重构图像，以及对应的潜在空间编码，其中表示生成器中的编码器；接着，为了区分不同视角的真实图像和重构图像，将重构图像和真实图像送入到模型的多类判别器中判别，通过不断优化，世道图像生成器网络与判别器网络达到共同进步；同时，对于重构图像，利用重构编码器进行重新编码，获得重构图像的潜在编码，并将其与输入图像的潜在空间编码进行比较。整个网络通过不断优化相应的损失函数，获得在正样本训练下的收敛的网络模型参数。

在离散件瑕疵异常判断阶段中，当模型接受到一个瑕疵异常样本后，由于训练完毕的模型参数都将不适用于瑕疵异常样本，此时生成器得到潜在空间编码和重构编码器得到的潜在空间编码之间将会产生巨大差异。通过设定阈值，一旦两个空间编码之间的差异大于阈值时，模型就认定送入的样本为瑕疵异常数据，并送入到下一级的网络处理。

2.2电缆注塑离散件的瑕疵高精度检测技术

在现实电缆注塑生产中，离散件的瑕疵情况主要集中在不良塑性、竹节、气泡气孔等情形，其他瑕疵情况的比例不大，容易造成训练数据的比例不平衡；此外，离散件的瑕疵面积的大小的两级分化也比较严重，如竹节瑕疵的面积偏小，而气泡气孔瑕疵的面积偏大，并且形状不规则，容易造成定位区域的不精确。因此，可利用具有可变形卷积层的特征金字塔以及深度残差网络[7-9]，实现对图像深层特征的提取，再结合注意力机制，实现对离散件图像中的瑕疵类型的准确识别以及瑕疵区域的精准定位。

首先，收集整合注塑离散件的瑕疵图像，建立具有瑕疵位置与瑕疵类别的图像数据集；

接着，利用所设计的离散件瑕疵高精度检测网络进行训练，通过不断优化使到网络达到收敛，最终获得网络参数；

最后，在测试阶段，输入不同类型的离散件的瑕疵图像，检测网络将输出对应的瑕疵类型与瑕疵位置，为之后的柔性生产控制提供反馈信息。

图4 注塑离散件的瑕疵高精度识别与检测网络框架

网络的整体流程如图4所示。首先，将离散件的图像输入到特征金字塔模块中，构建具有不同尺寸的多层特征，其中，为了提高网络对不规则瑕疵的计算和处理能力，在特征金字塔模块中加入了可变卷积层，使到网络卷积的区域尽可能集中到瑕疵的区域；其次，将上述的特征进行融合后，经过多级深度残差网络的处理，获得丰富的高层特征信息与低层特征，即底层的特征进行卷积处理和上采样操作后，与高层特征进行融合，使到高层不仅具有较强的语义信息，而且包含有丰富的结构信息，提高特征的表达能力；再次，从不同特征层中生成多级的多个瑕疵候选框，并利用注意力机制，给每个候选框加入全局和局部的上下文信息；最后，将所有候选框特征进行全连接网络，并进一步实现候选框内瑕疵类型识别与瑕疵定位。通过不断对候选框的位置进行精细调整以及识别类型准确性优化，实现对整体网络模型的收敛，最终实现注塑离散件的瑕疵高精度定位与准确识别。

3．结论

本文针对提高电缆注塑机加工产品的偏心度在线实时检测的问题，对电缆偏心度检测的原理和方法展开了研究，论述了传统的检测方法存在的弊端，提出了基于机器视觉感知技术电缆偏心度检测方法，从电缆离散件多视角图像的瑕疵异常判断和电缆注塑离散件的瑕疵高精度检测来分析了此方法的可行性。可以实现对电缆产品缺陷在线采集、精准定位和实时智能识别。

参考文献 References

[1]李宗.电力系统及电力设备的可靠性[J]. 甘肃科技纵横,2018,47(10):49-51.

[2]周峰.探讨电力系统及电力设备的可靠性[J].科技与创新, 2018, 000(002):78-79.

[3]赵霞. 我国电线电缆行业现状与产品质量提升[J]. 机械工业标准化与质量,2013(02):7-9.

[4]陈仲民,程振杰.电线电缆偏心度的在线测量技术[J].南京邮电学院学报, 1995, 015(003):81-87.

[5]马翔,钱肖,吕磊炎,等.基于机器视觉和动态阈值的电气设备运行异常关联感知方法[J].微型电脑应用, 2023, 39(6):62-65.

[6]卫星,李佳,孙晓,等.基于混合生成对抗网络的多视角图像生成算法[J].自动化学报, 2021, 47(11):14.

[7]薛章涛,张航.基于生成对抗网络的岩心图像超分辨算法[J].信息技术与信息化, 2023(2):85-88

[8]孙志超,王博,张晓玲.基于可变形残差卷积与伸缩式特征金字塔算法的PCB缺陷检测[J].电讯技术, 2023, 63(6):798-805

[9]付波,黄志斌,权轶,等.基于快速区域卷积神经网络识别变形仪表图像的二次矫正方法[J].科学技术与工程, 2023, 23(21):9122-9129