基于深度殘差網絡的電纜絕緣層截面圖像分類研究

劉 宇， 侯北平， 張曉剛

（浙江科技學院自動化與電氣工程學院，浙江 杭州310023）

0 引 言

電纜的需求量隨著各行業發展逐年遞增，至2020年底，我國輸電線路總里程超過159萬千米。隨著對電纜的需求顯著增加，電纜生產企業不斷增多，產能過剩，造成行業、企業間的市場競爭異常激烈，產品質量千差萬別，部分企業以產品質量為主體的責任意識不強，出現了不檢測、偷工減料、制假、售假等質量失信和違法現象，電纜的可靠性越來越受到關注［1］。電纜絕緣層作為電纜的重要組成部分，其質量直接影響電纜的使用壽命及使用安全。因此，對電纜質量檢測至關重要。由于電纜的應用環境不同，電纜種類也不同。根據國家標準GB／T 3956—2008［2］，不同類型電纜絕緣層，需要測量不同的參數。目前，針對不同電纜絕緣層的質量檢測，多為人工測量，自動化程度較低，且測量周期長，測量過程耗時耗力。

近年來，機器視覺技術及深度神經網絡的快速發展，被廣泛應用到自動計數［3?5］、質量檢測［6?7］和自動識別分類［8?9］等領域。侯維巖等［4］提出使用圖像處理的方式解決捆扎棒材計數的問題。電纜絕緣層質量檢測問題與相關行業具有共性，但同時具有特殊性，全自動測量問題亟待解決。肖金球等［9］首先將電纜切片分類，再采用人工選擇類型進行測量。人工選擇電纜切片類型需要操作人員具備一定的專業知識和工作經驗，有一定錯誤率，自動化程度低。國內針對電纜檢測設備研究較少。董輝平等［10］利用機器視覺等技術設計出一套電纜絕緣層厚度測試系統；ZHU W等［11］提出一種基于深度學習的半導電層分割方法；侯北平等［12］發明了一種全自動電纜絕緣層檢測方法，實現對電纜絕緣層參數的自動測量。可替代傳統人工檢測，極大地提高了檢測效率，但對各類電纜絕緣層自動分類尚存在不足。加入電纜絕緣層自動分類，將對電纜檢測設備性能進一步提升。因此，對電纜絕緣層精準分類具有重要意義。目前，針對電纜絕緣層自動分類的研究較少。

針對以上問題，分析了圓形、類圓形、其他形狀等3類共18種電纜絕緣層截面圖像的特征，對比傳統的支持向量機（SVM）分類方法、利用GoogleNet［13］模型進行分類及使用單一深度殘差網絡模型的分類方法，提出了基于深度殘差網絡的電纜絕緣層截面圖像多級分類方法。利用4個分類模型，分兩級對電纜絕緣層截面圖像進行分類，極大地提高了分類精確度。

1 電纜絕緣層圖像特征分析

如圖1所示，為18種典型電纜絕緣層截面圖像。針對幾種典型的電纜絕緣層進行特征分析。

圖1 18種典型電纜絕緣層

1.1 電纜絕緣層圖像特征分析

由電纜絕緣層截面圖像可知，各類電纜絕緣層幾何特征差異較大。按照電纜絕緣層外形差異，將其主要分為圓形、類圓形和其他等，分析3類電纜絕緣層圖像的具體特征。

1.1.1 圓形電纜絕緣層截面圖像特征

如圖2所示，依次為不透明圓形、透明圓形、三層內表面光滑圓形電纜絕緣層截面圖像，本組圓形電纜絕緣層截面圖像主要特征如下：

圖2 圓形電纜絕緣層截面圖像

（1）整體外觀呈圓環狀；

（2）圓環內部為單孔，且內部也為近似圓形，圓度接近1；

（3）存在透明、不透明兩種情況。

1.1.2 類圓電纜絕緣層截面圖像特征

如圖3所示，依次為內表面不光滑圓形、半導電層、三層內表面不光滑圓形等3種電纜絕緣層，本組類圓形電纜絕緣層截面圖像主要特征如下：

圖3 類圓形電纜絕緣層截面圖像

（1）整體外輪廓為正圓形；

（2）內層輪廓為非圓形，但內輪廓的最大外接圓與最小內切圓的半徑差值較小；

（3）存在部分電纜絕緣層為兩層拼接形成，如內表面不光滑圓形和半導電層兩種電纜絕緣層，兩者的特征相似。

1.1.3 其他形狀電纜絕緣層截面圖像

如圖4所示，依次為單排三芯形、外梅花形、不透明扇形、瓦楞形等4種電纜絕緣層。本組電纜絕緣層截面圖像特征較為復雜，其主要特征如下：

圖4 異形電纜絕緣層截面圖像

（1）整體形狀多為不規則形狀；

（2）由兩個及以上圓形或橢圓拼接而成；

（3）部分電纜絕緣層形狀較為特殊；

（4）存在透明、不透明兩種情況。

1.2 傳統分類試驗

1.2.1 提取特征構建SVM分類器

根據以上分析，各類電纜絕緣層幾何特征較為明顯，可利用幾何特征訓練SVM分類器進行分類。選部分電纜絕緣層截面圖像作為訓練樣本，進行圖像預處理，提取圖像亞像素內外邊緣輪廓，如圖5所示。提取圓度、不變矩等幾何特征，構建特征矩陣。平均圓度統計表見表1，不變矩特征統計表見表2，表2中Hu1－Hu7分別代表7個不變矩陣特征。

表2 不變矩特征統計表

圖5 電纜絕緣層截面圖像亞像素邊緣輪廓

表1 平均圓度統計表

由于部分類型電纜絕緣層截面圖像存在透明與不透明兩種情況，如圖6所示，依次為透明圓形、不透明圓形、透明扇形、不透明扇形等4類電纜絕緣層。分析其灰度值分布，透明與不透明電纜絕緣層截面圖像灰度差距較為明顯。將平均灰度值作為補充特征加入特征矩陣中，提高分類精度。

圖6 透明與不透明電纜絕緣層截面圖像

1.2.2 SVM分類測試結果評估

取典型如圖7所示不透明圓形、透明圓形、內表面不光滑圓形、雙層圓形、半導電層、透明扇形、不透明扇形等7種類型電纜絕緣層。獲取電纜絕緣層截面樣本圖像，進行分類試驗。

圖7 電纜絕緣層測試樣本圖像

試驗結果混淆矩陣如表3所示，由表3結果可以看出如下問題：

表3 混淆矩陣

（1）特征較為相似的電纜絕緣層截面圖像，如透明扇形電纜絕緣層與不透明扇形電纜絕緣層，兩者幾何特征較為接近，若利用灰度特征區分二者，易受采樣光照影響，使其灰度特征較為接近。此時，利用SVM分類方法無法準確對兩者進行分類。

（2）半導電層、雙層圓形等形狀類似的電纜絕緣層識別錯誤率較高，半導電層的平均圓度為0.927 47，雙層圓形平均圓度為0.927 05，而內表面不光滑圓形平均圓度為0.930 167，三者平均圓度特征相近，且灰度特征相近，該方法無法正確識別3種類型電纜絕緣層。

（3）由于生產工藝原因，會出現畸形、殘次等異常電纜絕緣產品，如圖8所示，畸形、殘次品是進行電纜絕緣層質量檢測主要排查的對象之一。但由于傳統分類可提取的特征有限，易出現無法識別或誤分類現象，影響質量檢測。

圖8 異常電纜絕緣層截面圖像

試驗結果發現，傳統的分類方法對于幾何形狀差異較大的電纜絕緣層分類效果較好，但對于幾何特征相似度較高，且不具有特殊特征的絕緣層分類效果較差。與傳統分類方法相比，利用深度殘差網絡的分類方法是從大數據中自動學習特征，而非采用手工設計的特征。樣本充足的情況下，可以準確地提取樣本深層次特征進行分類訓練，并解決了傳統分類方法特征提取不充分等問題。

2 基于深度殘差網絡的多級分類方法

2.1 基于深度神經網絡分類方法的整體流程

基于深度殘差網絡多級分類方法的整體流程如圖9所示。采集電纜絕緣層圖像，構建樣本數據集；對樣本數據集進行增強；首先利用深度模型構建一級分類器，將電纜絕緣層分為圓形、類圓、其他等3類；再分別構建3個二級分類器，確定電纜絕緣層的具體類型；利用增強數據集訓練分類器，最后試驗驗證分類結果。

圖9 基于深度殘差網絡多級分類方法

2.2 多級分類模型

2.2.1 模型遷移

在深度卷積網絡的有監督訓練中，需要大量的有標簽樣本進行充分訓練，網絡才能取得優秀的分類效果。由于對電纜絕緣層的研究較少，且不宜獲得大量的樣本圖像。所以為了盡可能少地使用有標簽樣本，同時避免過擬合現象，利用基于深度遷移學習方法的訓練策略，以提高深層網絡在小樣本情況下的分類效果。將問題轉變為利用一個擁有充足標簽的相關數據集對網絡進行預訓練，再通過現有數據集對網絡進行微調（fine?tune）［14］。目前被廣泛應用的遷移模型有AlexNet、VGGNet、GoogLeNet、ResNet［15］等。

在遷移學習中，基于深層卷積網絡模型，由于網絡淺層卷積核主要捕獲邊緣和輪廓等淺層特征，而這些特征是通用的，同樣存在于源數據集樣本中，由此可用大量的源數據集樣本對網絡進行預訓練，使網絡參數得到充分訓練，然后將淺層卷積核進行固定，使其不再進行優化。整個過程可看作網絡將在源數據集中學習到的知識遷移到目標數據集中，一定程度避免了過擬合現象，同時也保證了對目標數據特有特征的學習。

2.2.2 構建多級分類模型

采用深度殘差網絡ResNet50［15?17］作為遷移學習模型，在預訓練好的ResNet50網絡模型基礎上添加一層平均池化層（avgpool），一層全連接層（dense）加分類網絡（Softmax）。共構建4個電纜絕緣層分類模型，分別為分類器Ⅰ、分類器Ⅱ、分類器Ⅲ、分類器Ⅳ。分類器Ⅰ用于將電纜絕緣層分為三大類，分類器Ⅱ、分類器Ⅲ、分類器Ⅳ用于對電纜絕緣層具體分類。并利用GoogLeNet網絡作為遷移模型構建一個電纜絕緣層分類器，進行對比試驗。

3 試驗分析

3.1 試驗準備

首先對數據樣本圖像集進行預處理，為了方便構建卷積神經網絡和網絡訓練，將樣本圖像尺寸重置為224（像素）×224（像素）×3（通道）。并將樣本數據集按照70%，15%，15%的比例分為3個子集，分別用于訓練、驗證和測試。初始學習率設置為0.01，迭代次數設置為100次。

3.2 結果與對比

3.2.1 利用GoogLeNet網絡模型分類結果

利用GoogLeNet網絡模型構建的電纜絕緣片分類器進行訓練、測試，訓練過程曲線如圖10所示，圖10（a）為驗證正確率曲線，圖10（b）為損失函數曲線。最終試驗測試得到深度模型測試結果部分混淆矩陣如表4所示。

圖10 GoogLeNet分類器訓練過程曲線

3.2.2 深度殘差網絡單分類器分類

利用ResNet50網絡對電纜絕緣層樣本提取特征，以半導電層絕緣片樣本為例，提取第一層卷積層的特征圖像如圖11所示。通過連續多層卷積提取特征，最后可以提取到2 048維特征。

圖11 一次卷積后提取的抽象特征

利用一個重新構建的電纜絕緣片分類器進行訓練、分類，最后得到訓練過程曲線如圖12所示，圖12（a）為驗證正確率曲線，圖12（b）為損失函數曲線。最終試驗測試得到深度模型測試結果部分混淆矩陣如表5所示。

圖12 深度殘差網單分類器訓練過程曲線

與表3傳統SVM分類測試結果混淆矩陣對比發現，利用GoogLeNet網絡模型及ResNet網絡模型重新構建的分類器，分類精度遠遠高于傳統SVM分類器。對于表3中較難區分的幾類電纜絕緣層，兩者均可較準確地進行分類。通過表4 GoogLeNet模型分類器分類測試混淆矩陣、表5深度殘差網絡單分類器分類測試混淆矩陣對比分析可以發現，深度殘差網絡單分類器分類精度高于GoogLeNet模型分類器分類精度。但兩者均存在錯誤分類的情況，如雙層圓形、半導電層、內表面不光滑圓形電纜絕緣層分類錯誤。

表4 GoogLeNet分類器測試結果部分混淆矩陣

表5 深度殘差網絡單分類器測試部分混淆矩陣

3.2.3 深度殘差網絡多級分類器分類

首先利用分類器Ⅰ進行訓練分類，初步將電纜絕緣層截面圖像樣本分為圓形、類圓、其他三大類。訓練過程曲線如圖13所示，圖13（a）為驗證正確率曲線，圖13（b）為損失函數曲線。測試一級分類結果精度達到100%。

圖13 一級分類訓練過程曲線

根據一級分類結果自動選擇二級分類器，分類器Ⅱ、分類器Ⅲ、分類器Ⅳ對三大類電纜絕緣層進行訓練分類。如圖14所示，分別為圓形、類圓形、其他三類電纜絕緣層截面圖像二級分類訓練過程正確率曲線，經過100次迭代，驗證正確率曲線均穩定于1.000。綜合測試分類結果得到二級分類器測試混淆矩陣如表6所示，可以準確識別出各種電纜絕緣層，測試分類結果精度達到99.99%。

圖14 二級分類訓練過程曲線

表6 二級分類器測試結果混淆矩陣

4種分類方法分類精度見表7。

表7 4種分類法分類精度

本工作提出的基于深度殘差網絡的電纜絕緣層截面圖像多級分類方法分類精度遠遠高于其他3種分類方法。

4 結束語

針對當前電纜行業中產品質量人工檢測方法中存在的不足，提出了一種基于深度殘差網絡的電纜絕緣層分類方法。首先分析電纜絕緣層截面圖像的結構特點以及圖像的特征，對比了傳統分類方法利用單分類器分類的深度殘差網絡分類方法的不足。利用深度殘差網絡，構建4個電纜絕緣層截面圖像分類器，進行二級分類。試驗結果顯示，本工作提出的方法，分類精度在99.9%以上，可從根本上解決電纜絕緣層自動分類問題，在電纜質量檢測行業中具有積極意義，本方法可提高檢測效率，可以被廣泛應用。