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