Page 85 - 《应用声学》2025年第1期
P. 85

第 44 卷 第 1 期          方春华等: 高压电缆终端铅封缺陷超声图像卷积神经网络识别                                           81


                 with an accuracy rate of 100%. This indicates that the method has good robustness, strong anti-interference
                 ability, and good detection performance for lead seal defects. It has great application prospects in actual
                 terminal lead seal defect detection.
                 Keywords: Cable termination; Lead sealing; Ultrasound image recognition; Convolutional neural network;
                 Defect detection
                                                               识别进行研究,对比分析了 CNN 与特征滤波器之
             0 引言
                                                               间的缺陷检测识别准确率,从而充分证明了CNN对

                 随着我国城市现代化水平的不断提高,城市电                          缺陷检测与识别的有效性与优越性。Faghih-Roohi
             力系统的发展也是日新月异。为了解决城市负荷中                            等 [18]  利用 CNN 对轨道表面缺陷进行识别,通过对
             心的用电需求,高效稳定的大容量输变电工程成为                            铁路缺陷图像进行采集,并利用构建的模型对采集
             了主要的发展途径。高压交联聚乙烯单芯电力电缆                            的铁路图像进行特征提取,实现对铁路轨道表面缺
             具有耐热性能和电气性能优异、安全性高、占用土                            陷进行自动检测。马海辉等              [19]  针对往复式压缩机
             地空间小和便于安装等优点,在城市输电工程中应                            气阀故障诊断问题提出了一种基于一维 CNN 的故
             用越来越广泛      [1−3] 。高压电缆终端可以连接电缆与                  障诊断模型,在气阀正常、阀片裂纹、阀片断裂、弹簧
             其他电力设备,是长距离输电中不可或缺的一部分,                           失效 4 种工作状态下,测试并分析了气阀帽的振动
             对电力系统的安全稳定运行起着至关重要的作用。                            信号,实现了端到端的快递故障诊断,可以在很大程
             铅封是电缆终端附件制作的关键工艺,可使金属护                            度上降低由人为抽取特征所引起的主观性和不确
             套和其他电气设备连接形成良好的接地系统,且对                            定性。常海涛等        [20]  提出了一种基于 Faster R-CNN
             终端起到非常重要的密封和防水作用                 [4−6] 。          的缺陷检测方法对工业 CT 图像缺陷进行检测与识
                 高压电缆终端铅封受人工现场作业安装质量                           别,实现了对工业 CT 缺陷特征自动提取,可以准
             不合格或在实际运行中受到外力破坏和环境不良                             确且快速地标出工业 CT 中的裂纹、气泡和夹渣的
             等不可控因素的影响           [7−9] ,铝护套铅封存在虚焊、             位置。
             焊接不牢等铅封逐渐松脱的现象,松脱后的铅封感                                本文将 CNN 应用到电缆终端铅封缺陷检测之
             应出较高的悬浮电位并与低电位的铝护套间产生                             中,通过研究 CNN 不同卷积核尺寸大小对检测效
             电位差,形成空气击穿放电,空气电离可产生上千度                           果的影响,寻找最佳的检测模型参数。通过构建的

             高温,在高温作用下,电缆主绝缘逐渐碳化,绝缘性                           CNN,可以实现对铅封缺陷的超声图像样本的自
             能下降,最终导致电缆击穿故障,影响电力系统安全                           动特征学习和模式识别,有效地解决了传统的依靠
             稳定运行    [10] 。超声相控阵检测方法具有扫描范围                     人工诊断和识别铅封缺陷带来的误判和效率低的
             广、缺陷图像清晰、检测效率高、缺陷回波明显、缺                           问题,为高压电缆终端铅封缺陷检测提供了一种新
             陷定位精确等显著优势,已经被广泛地用于高压支                            方法。
             柱绝缘子和复合绝缘子的无损检测工作中                     [11−14] 。
                                                               1 CNN基本理论
             将超声相控阵检测方法应用于电缆终端铅封缺陷
             检测之中,需要现场经验丰富的技术人员才能有效
                                                                   CNN是一种二维网络模型,可以直接对二维数
             地观察判断出铅封缺陷类型。这需要大量人工的支
                                                               据进行卷积操作,能够有效降低反馈神经网络的复
             持,除了浪费时间,还会增加不必要的成本,检测效
                                                               杂性,对图像数据处理会更加便捷和快速,目前已
             率和准确率也无法得到保障             [15−16] 。
                                                               经在自然语声分析和图像检测识别领域被广泛应
                 传统的机器学习需要人工选取检测物体特
                                                               用 [21−22] 。
             征,缺乏适应性和鲁棒性。近年来,具有强大的
             目标探测和图像处理能力的智能巡查技术与深                              1.1  CNN结构
             度学习技术在工业界的缺陷识别中得到了广泛应                                 CNN 结构图如图 1 所示,主要由五部分组成,
             用。Masci 等   [17]  采用卷积神经网络(Convolutional          分别为:输入层、卷积层、池化层、全连接层以及输出
             neural network, CNN)对工业钢表面的缺陷检测与                  层。在CNN中,卷积层和池化层是一层连着一层轮
   80   81   82   83   84   85   86   87   88   89   90