智慧型电缆检测技术的发展研究

赵亮军

摘 要：传统的电缆检测方法已渐渐开始转型为人工智慧机器学习的检测方法，然而机器学习中常利用人工去定义特征萃取后，输入至机器学习中进行缺陷检测，过往在辨识表面缺陷时，经常将灰尘判别出为不良品，使现场人员进行调阅信息及电缆拉回检测时，花费更久的时间处理。但利用卷积神经网络算法的特色，使高维度的数据更容易处理，让计算机自主学习利用卷积方式萃取特征取代人工特征提取，将训练好的权重后得到良好特征分类效果，以更容易的方式解决灰尘及环境问题并降低判别错误的机率，达到高准确率、高稳定性的检测方法减少内部损失成本，使电缆线传统产业现场检测人员能降低收取到错误信息，以及减少电缆线里铜条报废重铸问题。

关键词：电缆;瑕疵缺陷;AOI 检测;卷积神经网络

中图分类号：V267                                 文献标识码：A                                       文章编号：2096-6903（2022）09-0082-03

0 引言

對于电线电缆业而言，质量管理的安全性非同小可，但目前面临的问题包括：需要大量检查人员经验以及判定标准不同，容易影响整体的良率，进而造成不必要的废弃物和损失成本。至于导入自动化的检测设备虽可以有效减少人力、统一检测标准，但是检测的准确度一直是想突破的瓶颈。在电缆检测方面，大多都依据局部放电的试验来评估电缆绝缘劣化趋势避免电缆无预警故障造成安全风险，然而在绝缘层材料交联聚乙烯（Cross-linked polyethylene， XLPE）方面，大多都依据电压试验针对绝缘材料劣化情形进行诊断，进行维护电力设备寿命预测，但在电缆制程射出绝缘层阶段，就会产生许多瑕疵存在，这些瑕疵特征往往都会造成劣化加速现象，此问题常在制程被忽略掉。

电缆常会因为原料中包含的杂质造成机器所挤出的绝缘材料出现瑕疵，造成电线电缆表面粗糙、凹陷、裂痕、被覆体凸出和接头损坏等无法避免的不良问题。然而传统产业在电缆制造完成后，会经由层层验证测试，如：滚压弯曲试验、应力和扭转应力测试、反覆弯曲试验和拖鍊电缆试验。由于在制程中绝源挤出阶段未发现瑕疵，造成后续的制程也因这些情况产生更大缺陷，就必须让整条电缆当作废料或进行重做，会使时间成本提高也造成失败，所以现今会在制程中阶段性的设置检测站，提高电缆良品率和质量。

1 电缆电线外观缺陷形成

在电缆制程中，往往都会先对绝缘挤出的程序上进行检测，防止绝缘材料中有产生裂痕和气隙而导致局部放电现象，对于后续成缆阶段放电和挤压测试可以降低不良率，也不用造成过多不必要的材料浪费。在后继布署电缆工作中能降低因缺陷水气进入电缆的水树劣化，还有杂质造成电缆内带电粒子碰撞产生热能破坏绝缘体所形成的杂质空洞劣化和形成通道状的电树劣化，以及因缺陷使电子碰撞加速绝缘材料的热老化和机械应力老化等因素[1]，延长电缆寿命及安全性。

外观检查的标准如表1所示，外观应无瑕疵、外伤、锈蚀、裂痕、污损或接点，并且检查表面的印字标示及标示距离是否正确，在这些安全检验方法中得知，外观瑕疵亦尤其重要。

2 明场与暗场成像

明场是利用物体表面镜射的方式来照明，因此物体表面平滑的区域会因反射而产生亮的影像，而粗糙的表面会因散射而产生暗的影像。暗场是利用物体表面散射的方式进行照明，因此物体表面平滑的区域会因反射而产生暗的影像。光源的照射呈W状以机器视觉照射观点来说，反射光与光源角度相同。以往AOI表面瑕疵检测，通常使用暗场照明提供低角度照明，增强表面特征对比，特别适合用于激光浮雕或者雕刻印记与表面缺陷间的对比照明。

3 传统AOI检测与卷积神经网络应用

利用深度学习也就是卷积神经网络，进行电线电缆的表面缺陷检测，基于卷积层中的权重和最大池化层降低维度，最后通过非线性激励函数的转换，萃取出影像里最有代表性的瑕疵特征，并透过反向传播和梯度下降算法，达到最佳预测的结果。还可以透过文献探讨学习前人经验，以何种卷积神经网络模型和检测方式来达到最精准的结果。

前几年利用基本卷积神经网络来进行瑕疵检测，虽然比一般神经网络准确度高，不过有些神经网络的架构上还不够成熟，甚至样本数不足，准确率50%～70%左右不等，但是也提供了瑕疵影像分类架构以及神经网络能在深度多层的可行性，也验证比以往准确度高。然而近年来的研究大都所使用卷积神经网络的经典模型AlexNet和VGG，能使卷积神经网络层数能再更深层，虽然训练的参数会增加，但两者模型都能使用GPU训练，能降低模型训练的时间成本，以及VGG能针对图片样本数量不足的问题，提升用于模型训练的样本数，让训练过程更快达到收敛，甚至模型预测准确率能达到90%以上。

4 类神经网络与卷积神经网络

4.1 类神经网络

类神经网络是一种受生物学启发而产生的一种模拟人脑自组适应模拟工具，可以将输入变量和输出变量间建构其关系式，再找出输出及输入间的关系式后建立出模型。

神经网络的基本架构共有三层，分为输入层、隐藏层和输出层，然后透过一些数学模型来不断的修正权重（Weight）与偏差（Bias），每一个神经元经过权重与偏差的加权后，必须得通过激励函数来审核该神经元是否被触发，进而达到学习的效果。

类神经网络运用于研究得知每层的输入值与权重值的乘积和，如式（1）：

（1）

Wi：权重值，Xi：输值，θ：阀值。当计算出乘积和后经由激发函数将其转换成输出值，以作为下一层的输入值，如式（2），其中f（x）为非线性转换函数。

（2）

4.2 卷积神经网络

卷积神经网络是由类神经网络演化而来的一种深度学习算法，可以透过卷积（Convolution）这一个数学模型来把一组数据中重要的特征提取出来，对于影像辨识领域提供了相当大的贡献。区块可由全连接层将训练后的特征进行输出分类，其他基底结构与类神经网络完全相似，一样有向前传递和反向反馈，而卷积神经网络运作模式就是在图像中利用局部感知再逐步对全体有认知。

4.3 卷积层

卷积层是利用卷积来撷取高维度的特征资料，是卷积神经网络的核心运算，常用于影像资料上。卷积提供了一个屏蔽（Mask），然后对输入影像资料进行扫描转为数值化，每一次的扫描会进行一次屏蔽与影像的运算，如图1所示。

4.4 池化层

如图2所示，池化层的工作就是将图像中一些相对不重要的特征丢弃或者将多个特征合并成一个，目的缩小特征尺寸图，并同时确保不会遗失过多重要特征。

4.5 全连接层

全连接层在整个卷积神经网络中起到分类器的作用，依据通过卷积、激活函数、池化等深度网络后，再经过全连接层对结果进行识别分类，影像将经过卷积、激活函数、池化的深度网络后的结果串起来，将高维度的特征资料透过全连接层平坦成低维度资料作为输出如图3所示，降成低维度之后将依据输出权重分类类别。以上所有流程统整，就形成了一个卷积神经网络的结构，卷积层都会和激活函数以及池化层做一个堆栈搭配，最后与全连接层衔接，输出权重最高的特征作为分辨结果。

5 卷积神经网络模型

随着时代的演变，卷积神经网络架构也有所演化，其中2012年的AlexNet是最为重要的突破，开启了后续模型能演化的重要关键[2]。在2014年ILSVRC的分类比赛中VGGNet拿到了第二名，然而VGGNet架构与AlexNet相似许多，同样使用卷积层提取特征依据参数共享和池化等操作，最后再使用全连接神经网络进行降维度与分类识别[3]，VGGNet继承了AlexNet使用GPU运算和使用ReLU非线性激活函数以及可以让卷积层的层数增加，使神经网络的深度变深，进而训练过滤出重要的特征得到结果。

6 结语

电缆电线外观各种缺陷的形成，以及在电缆制程中如果表面有所瑕疵，往后会累积起来造成更多严重的安全性问题，也使最后试验减少废材产生，让大家更了解检测过程中层层把关的重要性。在AOI检测依据明暗场成像原理拍摄出物品中明确的辨识瑕疵，通过深度学习更能够处理复杂问题，进而卷积神经网络的模型从简单的基本架构，到后来不断地改良继续延伸到更深层的神经网络，应用在各行各样的产业领域，对于传统AOI瑕疵检测有近一步的改善。

深度学习是属类神经网络算法中的一个部份，也就是多层的深度神经网络，在卷积神经网络里的架构都有着各自作用，每一层当中处理图像信息的程序有所不同，透过了解到CNN经过时代的演变，神经网络里的架构和层数推陈出新，解决掉许多效能损耗和影像样本数不足问题，而深度学习网络需要相对大量的资料才能使效能更好，因此需要合理的训练时间，也需要更多训练模型方面的经验调校参数，未来将面临的问题也将更为复杂，也因此深度学习的崛起成为了现今科技中最为热门的主题之一。

参考文献

[1] 吴云华，张泽中，华冰，等.应用卷积神经网络的遙感图像云层自主检测[J].哈尔滨工业大学学报，2020，52（12）：27-34.

[2] 孙浩，陈进，雷琳，等.深度卷积神经网络图像识别模型对抗鲁棒性技术综述[J].雷达学报，2021，10（04）：71-94.

[3] 王婷，李航，胡智.一种VGGNet的图像风格迁移算法设计与实现[J].计算机应用与软件，2019，36（11）：24-28.