碳纤维复合芯导线X 射线图像标准化增强与缺陷检测方法

陈大兵，魏寒来，胡轶宁，舒华忠，王 征

（1.国网江苏省电力有限公司电力科学研究院，南京，211103；2.东南大学网络空间安全学院，南京，210096；3.东南大学计算机科学与工程学院，南京，210096）

引 言

中国电力系统发展十分迅速，提高电网输电能力、节省投资、保护环境、提高电网的经济效益和安全可靠性成为电网发展亟待解决的问题。如今部分应用于高压电网的碳纤维复合芯导线（Aluminum conductor composite core, ACCC）因具有重量轻、载流量大、线损低及弧垂小等技术优势，成为最具发展潜力的新型导线品种[1]。但是，ACCC 抗弯曲性是推广和应用的主要障碍，因此碳纤维复合材料芯损伤的检测必不可少[2]。然而通过诸如应力检测[3-4]、电磁感应检测[5-6]及声波检测[7-8]等均无法穿透ACCC外层导电层并有效探测到其中碳纤维芯棒存在的缺陷。X 射线近年来被广泛应用于工业无损探伤领域[9-10]，但一方面由于ACCC 导线X 射线所成图像中缺陷部位的对比度严重不足，另一方面由于输电线路很长，导致导线在线检测需要对大量图片进行识别，极易因人员疲劳造成漏检，因此限制了该项技术在ACCC 导线无损检测产业中的应用。随着人工智能的发展，以Faster RCNN 方法为代表的目标分类检测算法[11-12]在无损检测领域得到了广泛的应用[13-14]。然而Faster RCNN 算法直接应用于ACCC 导线缺陷检测时，限于在线拍摄环境，存在导线区域弯曲、不同区域亮度差异大以及不同图像间亮度一致性较差等问题，难以获得高精度的检测结果。

针对这一难题，本文提出了一套结合图像标准化增强与深度神经网络的快速ACCC 导线缺陷自动检测方案。该方案对导线的区域弯曲进行补偿，不同区域亮度进行一致化，并通过直方图规定算法将图像亮度映射为标准亮度，以降低训练/检测难度，提高检测精度。在此基础上结合Faster RCNN 网络进行自动缺陷检测。以双层铝股线类型的碳纤维复合芯导线X 射线图像作为研究对象进行实验，结果表明：通过该标准化方案，能够有效提高利用卷积神经网络对ACCC 导线进行自动缺陷检测的效率，大幅提高检测精度和稳定性。

1 碳纤维导线X 射线图像的标准化

1.1 碳纤维复合芯导线X 射线成像

为了实现ACCC 导线的在线成像以及缺陷检测，本文设计开发了一套爬线机器人。机器人自重25 kg，运行速率为0.2 m/s，载有额定电压80 kV，额定电流0.7 mA 的X 射线源；X 射线探测板型号为PerkinElmer XRpad2，分辨率为100 μm。机器人搭配ARK1123H 小型工控系统，CPU 为Intel Celeron J1900，作为下位机，负责图像采集与部分前处理。上位机为Dell G7 笔记本电脑，显卡为NVIDIA 2070-Q，负责图像亮度标准化、图像增强和实时检测运算。

系统采集所得图像如图1 所示，导线影像为长条状，仅占据了探测板有效靶面的小部分，受重力等因素影响，导线的形态呈轻微垂弧（图1（a）），且图像间成像亮度存在不一致（图1（b））。在通过机器学习进行缺陷自动识别之前，需要通过图像剪裁、弯曲补偿及灰度标准化等预处理，以降低学习成本，提升学习效率。

1.2 导线区域弯曲补偿

经过裁剪后的导线区域，为了保证图像位置一致性，需进行弯曲补偿。在补偿过程中仅考虑垂直方向形变，因此本文通过边界检测获得导线的上下边界，取其中点生成偏移曲线，并以列为单位完成补偿。利用偏移曲线对导线图像进行弯曲补偿时由于边界检测采用了阈值分割，相邻列偏移量不连续，将产生竖条状伪影（图2(a)），为解决这一问题本文采用高斯滤波对偏移曲线进行滤波，滤波公式为

图1 碳纤维复合芯导线X 射线图像Fig.1 X-ray image of carbon fiber composite core wire

图2 导线弯曲补偿效果对比Fig.2 Comparison of wire bending compensation

式中：σ为方差；x为横坐标。设离散化滤波核长度为17，根据滤波结果进行线性插值，其结果如图2(b)所示。对比可发现，滤波消除了矫正图像中的竖条状伪影，提升了补偿效果。

1.3 亮度一致化

在ACCC 导线X 射线图像的采集过程中，导致图像亮度不一致的因素有两种：(1)平板探测器中心和四周区域的射线响应不同，导致单幅图像中目标亮度不一致；(2)采集过程中，为爬线机器人供电的电池电量下降引起X 射线强度下降，与成像板做亮度场校正时的射线场存在差异。针对这两种不同的亮度不一致现象，本文分别采用单幅图像亮度一致化和多幅图像亮度标准化技术进行解决。

（1）单幅图像亮度一致化

考虑到ACCC 导线的整体均匀性，同一张图像不同位置的ACCC 导线局部亮度应趋于一致。由于绞线空隙纹理的存在，本文在导线的每一个水平中心位置附近选取一定宽度的区域，进行局部亮度统计，之后根据局部亮度信息对ACCC 导线进行整体亮度一致性补偿。

给定一致化目标亮度Bm，然后逐列统计局部亮度Barea(i)为

式中：H为图像高度；W为区域宽度。

根据统计亮度和与规定亮度的比值，对该窗口中间一列各点像素值进行映射，统一映射到一致化目标亮度Bm。

式中B′(i,j)与B(i,j)分别表示映射前后像素(i,j)的亮度。

（2）多幅图像亮度标准化

直方图规定[15]是一种寻找直方图之间单调映射的方法，通过将原始图像各灰度级映射到目标图像各灰度级来实现不同图像的亮度标准化，本文通过直方图规定算法实现了多幅图像亮度标准化。图3 中左侧为3 幅不同亮度分布的导线图像及其灰度直方图；中间为标准图像及灰度直方图，该标准图像下缺陷与背景对比较为明显且接近标准成像条件下的成像效果；右侧为直方图规定转换后图像，转换后图像与标准图像具有完全相同的灰度分布。

2 目标检测网络

图3 直方图规定化效果图Fig.3 Effect diagram of histogram normalization

本文采用了经典的Faster RCNN（Region convolutional neural network）模型[12]对 ACCC 导线 X 射线图像中的缺陷进行自动检测。样本分为有/无缺陷二分类，缺陷包括锯口、折口、空隙及劈裂等，训练参数样本1 250 张，测试样本638 张，测试样本中包含缺陷样本320 张。

Faster RCNN 依次由卷积层（Convolution layers）、区域选取网络（Region proposal network，RPN）、感兴趣区域（Region of interests，ROI）池化层、分类和回归（Classifier）4 个部分组成。

卷积层用于提取图片的特征，输入为2 475 像素×225 像素大小经过预处理的图片，输出为提取出的特征（Feature maps）。本文使用了 5 种不同特征提取网络，包括 VGG，GoogleNet，Inception v2，Resnet 和WideResnet 进行实验，并对比最终结果，以寻找较为合适的特征提取网络。

RPN 网络对提取的卷积特征图进行处理，用于寻找可能包含缺陷目标的区域（目标建议）。本文用所有以Mini Batch 梯度下降法筛选出来的Anchor Box 先验框和二进制交叉熵来计算分类损失，用IoU（Intersection of union）值大于0.5 的前景Mini Batch 锚点来计算回归损失。RPN 在自身训练的同时，还会提供ROI 给Fast RCNN（RoIHead）作为训练样本。为解决多个目标建议在同一目标上重叠的问题，本文采用了非极大抑制算法（Non-maximum suppression, NMS）。NMS 保留评分最高的N个建议，由于电缆图像数据中缺陷尺寸较小，故可以适当降低N的大小，本文实验设置N大小为1 000。

通过RPN 获得目标建议后，将目标建议与由卷积层获得的特征图一起输入到ROI 池化层，为每个目标建议提取固定长度的特征，分类和回归层使用这些特征进行分类，并进一步进行边框调整，计算得到候选区域所属的类，以及候选区域在图像中的精确位置。

Faster RCNN 训练方法采用端到端的联合训练方法，同时本文用随机梯度下降的动量算法训练，将动量值设置为0.9。学习率从0.001 开始，50 000 步后下降为0.000 1。

3 实验验证

为验证前面提出的导线图像标准化方法对深度学习自动检测准确率起到的提升作用，以双层铝股线类型的碳纤维复合芯导线X 射线图像作为研究对象。本文分别采用原始图像和标准化后图像进行对比实验，其中标准化部分包含单张亮度一致化和多图亮度标准化。图4 为含各种不同类型缺陷的样本图标准化处理前后对比效果，图4(a)为处理前图像，图像间存在较大亮度差异，图4(b)为处理后图像，具有较高的亮度一致性。

标准化处理后图像大小为2 475 像素× 225 像素，将其输入神经网络模型进行检测。未经标准化处理的部分样本在检测中出现了较高的误检率和漏检率，如图5 所示。图中1 号样例右侧区域的误检原因是整体亮度的偏低，导致网络将过暗的斜纹错误认作了缺陷；2 号样例右侧区域的误检原因是整体亮度的偏高且背景与碳纤维芯棒对比度不高，导致了误检；3 号样例右侧区域是由于边界的弯曲不平，导致神经网络出现了误判；4，5 号样例中标注区域为漏检缺陷区域，图像整体亮度过大，而缺陷较为不明显，对比度较低，使得网络未能将原有的缺陷识别出来。而这些漏检和误检在进行前端标准化后可以正确识别。

图4 标准化处理前后对比Fig.4 Comparison before and after standardization

图5 未经标准化处理发生漏检/误检样例Fig.5 Examples of missed / falsely detected cases without standardization

本文采用了多种不同的前处理方案，包括未进行标准化前处理、仅进行悬垂补偿、进行了悬垂补偿及单张图像亮度一致化、进行了全部标准化前处理共4 种。采用Resnet 作为特征处理网络，进行了Faster RCNN 缺陷检测试验，结果统计情况如图6 所示。通过对比可以发现，不论是正确识别率、漏检率还是误检率，随着图像依次进行悬垂补偿、单张亮度标准化以及多张亮度标准化，其检测精度逐步提升。由此可得出结论，本文提出的碳纤维导线X 射线图像标准化方法，能够有效地提高神经网络对碳纤维导线X 射线图像缺陷的识别率。

图6 同网络下有无标准化处理的图像缺陷二分类识别率对比Fig.6 Comparison of classification rate of image defects with and without standardized processing in the same network

本文实现了 VGG，GoogleNet，Resnet，Inception v2 和 WideResnet 特征提取网络结构，各特征提取网络的检测结果如图7 所示。经对比可发现，无论采用何种特征提取网络，标准化前处理均可以一定程度上提高检测精度，而其中Resnet 特征网络具有最高的检测精度。

图7 不同特征提取网络下有无标准化处理的图像缺陷二分类识别率对比Fig.7 Comparison of classification rate of image defects with or without standardized processing under different feature extraction networks

4 结束语

针对碳纤维复合芯导线中碳纤维芯棒抗弯折强度低，容易发生诊断而无法有效检测的难题，本文提出了一种基于X 射线成像，结合了前端图像标准化处理以及Faster RCNN 深度学习网络的自动检测方案。经实验对比，所提出的悬垂补偿、亮度标准化等前端图像标准化处理可以有效提高检测精度，而使用Faster RCNN 和Resnet 特征提取网络，可以取得最佳的检测精度。