智慧型電纜檢測技術的發展研究

趙亮軍

摘 要：傳統的電纜檢測方法已漸漸開始轉型為人工智慧機器學習的檢測方法，然而機器學習中常利用人工去定義特征萃取后，輸入至機器學習中進行缺陷檢測，過往在辨識表面缺陷時，經常將灰塵判別出為不良品，使現場人員進行調閱信息及電纜拉回檢測時，花費更久的時間處理。但利用卷積神經網絡算法的特色，使高維度的數據更容易處理，讓計算機自主學習利用卷積方式萃取特征取代人工特征提取，將訓練好的權重后得到良好特征分類效果，以更容易的方式解決灰塵及環境問題并降低判別錯誤的機率，達到高準確率、高穩定性的檢測方法減少內部損失成本，使電纜線傳統產業現場檢測人員能降低收取到錯誤信息，以及減少電纜線里銅條報廢重鑄問題。

關鍵詞：電纜;瑕疵缺陷;AOI 檢測;卷積神經網絡

中圖分類號：V267? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：2096-6903（2022）09-0082-03

0 引言

對于電線電纜業而言，質量管理的安全性非同小可，但目前面臨的問題包括：需要大量檢查人員經驗以及判定標準不同，容易影響整體的良率，進而造成不必要的廢棄物和損失成本。至于導入自動化的檢測設備雖可以有效減少人力、統一檢測標準，但是檢測的準確度一直是想突破的瓶頸。在電纜檢測方面，大多都依據局部放電的試驗來評估電纜絕緣劣化趨勢避免電纜無預警故障造成安全風險，然而在絕緣層材料交聯聚乙烯（Cross-linked polyethylene， XLPE）方面，大多都依據電壓試驗針對絕緣材料劣化情形進行診斷，進行維護電力設備壽命預測，但在電纜制程射出絕緣層階段，就會產生許多瑕疵存在，這些瑕疵特征往往都會造成劣化加速現象，此問題常在制程被忽略掉。

電纜常會因為原料中包含的雜質造成機器所擠出的絕緣材料出現瑕疵，造成電線電纜表面粗糙、凹陷、裂痕、被覆體凸出和接頭損壞等無法避免的不良問題。然而傳統產業在電纜制造完成后，會經由層層驗證測試，如：滾壓彎曲試驗、應力和扭轉應力測試、反覆彎曲試驗和拖鍊電纜試驗。由于在制程中絕源擠出階段未發現瑕疵，造成后續的制程也因這些情況產生更大缺陷，就必須讓整條電纜當作廢料或進行重做，會使時間成本提高也造成失敗，所以現今會在制程中階段性的設置檢測站，提高電纜良品率和質量。

1 電纜電線外觀缺陷形成

在電纜制程中，往往都會先對絕緣擠出的程序上進行檢測，防止絕緣材料中有產生裂痕和氣隙而導致局部放電現象，對于后續成纜階段放電和擠壓測試可以降低不良率，也不用造成過多不必要的材料浪費。在后繼布署電纜工作中能降低因缺陷水氣進入電纜的水樹劣化，還有雜質造成電纜內帶電粒子碰撞產生熱能破壞絕緣體所形成的雜質空洞劣化和形成通道狀的電樹劣化，以及因缺陷使電子碰撞加速絕緣材料的熱老化和機械應力老化等因素[1]，延長電纜壽命及安全性。

外觀檢查的標準如表1所示，外觀應無瑕疵、外傷、銹蝕、裂痕、污損或接點，并且檢查表面的印字標示及標示距離是否正確，在這些安全檢驗方法中得知，外觀瑕疵亦尤其重要。

2 明場與暗場成像

明場是利用物體表面鏡射的方式來照明，因此物體表面平滑的區域會因反射而產生亮的影像，而粗糙的表面會因散射而產生暗的影像。暗場是利用物體表面散射的方式進行照明，因此物體表面平滑的區域會因反射而產生暗的影像。光源的照射呈W狀以機器視覺照射觀點來說，反射光與光源角度相同。以往AOI表面瑕疵檢測，通常使用暗場照明提供低角度照明，增強表面特征對比，特別適合用于激光浮雕或者雕刻印記與表面缺陷間的對比照明。

3 傳統AOI檢測與卷積神經網絡應用

利用深度學習也就是卷積神經網絡，進行電線電纜的表面缺陷檢測，基于卷積層中的權重和最大池化層降低維度，最后通過非線性激勵函數的轉換，萃取出影像里最有代表性的瑕疵特征，并透過反向傳播和梯度下降算法，達到最佳預測的結果。還可以透過文獻探討學習前人經驗，以何種卷積神經網絡模型和檢測方式來達到最精準的結果。

前幾年利用基本卷積神經網絡來進行瑕疵檢測，雖然比一般神經網絡準確度高，不過有些神經網絡的架構上還不夠成熟，甚至樣本數不足，準確率50%～70%左右不等，但是也提供了瑕疵影像分類架構以及神經網絡能在深度多層的可行性，也驗證比以往準確度高。然而近年來的研究大都所使用卷積神經網絡的經典模型AlexNet和VGG，能使卷積神經網絡層數能再更深層，雖然訓練的參數會增加，但兩者模型都能使用GPU訓練，能降低模型訓練的時間成本，以及VGG能針對圖片樣本數量不足的問題，提升用于模型訓練的樣本數，讓訓練過程更快達到收斂，甚至模型預測準確率能達到90%以上。

4 類神經網絡與卷積神經網絡

4.1 類神經網絡

類神經網絡是一種受生物學啟發而產生的一種模擬人腦自組適應模擬工具，可以將輸入變量和輸出變量間建構其關系式，再找出輸出及輸入間的關系式后建立出模型。

神經網絡的基本架構共有三層，分為輸入層、隱藏層和輸出層，然后透過一些數學模型來不斷的修正權重（Weight）與偏差（Bias），每一個神經元經過權重與偏差的加權后，必須得通過激勵函數來審核該神經元是否被觸發，進而達到學習的效果。

類神經網絡運用于研究得知每層的輸入值與權重值的乘積和，如式（1）：

（1）

Wi：權重值，Xi：輸值，θ：閥值。當計算出乘積和后經由激發函數將其轉換成輸出值，以作為下一層的輸入值，如式（2），其中f（x）為非線性轉換函數。

（2）

4.2 卷積神經網絡

卷積神經網絡是由類神經網絡演化而來的一種深度學習算法，可以透過卷積（Convolution）這一個數學模型來把一組數據中重要的特征提取出來，對于影像辨識領域提供了相當大的貢獻。區塊可由全連接層將訓練后的特征進行輸出分類，其他基底結構與類神經網絡完全相似，一樣有向前傳遞和反向反饋，而卷積神經網絡運作模式就是在圖像中利用局部感知再逐步對全體有認知。

4.3 卷積層

卷積層是利用卷積來擷取高維度的特征資料，是卷積神經網絡的核心運算，常用于影像資料上。卷積提供了一個屏蔽（Mask），然后對輸入影像資料進行掃描轉為數值化，每一次的掃描會進行一次屏蔽與影像的運算，如圖1所示。

4.4 池化層

如圖2所示，池化層的工作就是將圖像中一些相對不重要的特征丟棄或者將多個特征合并成一個，目的縮小特征尺寸圖，并同時確保不會遺失過多重要特征。

4.5 全連接層

全連接層在整個卷積神經網絡中起到分類器的作用，依據通過卷積、激活函數、池化等深度網絡后，再經過全連接層對結果進行識別分類，影像將經過卷積、激活函數、池化的深度網絡后的結果串起來，將高維度的特征資料透過全連接層平坦成低維度資料作為輸出如圖3所示，降成低維度之后將依據輸出權重分類類別。以上所有流程統整，就形成了一個卷積神經網絡的結構，卷積層都會和激活函數以及池化層做一個堆棧搭配，最后與全連接層銜接，輸出權重最高的特征作為分辨結果。

5 卷積神經網絡模型

隨著時代的演變，卷積神經網絡架構也有所演化，其中2012年的AlexNet是最為重要的突破，開啟了后續模型能演化的重要關鍵[2]。在2014年ILSVRC的分類比賽中VGGNet拿到了第二名，然而VGGNet架構與AlexNet相似許多，同樣使用卷積層提取特征依據參數共享和池化等操作，最后再使用全連接神經網絡進行降維度與分類識別[3]，VGGNet繼承了AlexNet使用GPU運算和使用ReLU非線性激活函數以及可以讓卷積層的層數增加，使神經網絡的深度變深，進而訓練過濾出重要的特征得到結果。

6 結語

電纜電線外觀各種缺陷的形成，以及在電纜制程中如果表面有所瑕疵，往后會累積起來造成更多嚴重的安全性問題，也使最后試驗減少廢材產生，讓大家更了解檢測過程中層層把關的重要性。在AOI檢測依據明暗場成像原理拍攝出物品中明確的辨識瑕疵，通過深度學習更能夠處理復雜問題，進而卷積神經網絡的模型從簡單的基本架構，到后來不斷地改良繼續延伸到更深層的神經網絡，應用在各行各樣的產業領域，對于傳統AOI瑕疵檢測有近一步的改善。

深度學習是屬類神經網絡算法中的一個部份，也就是多層的深度神經網絡，在卷積神經網絡里的架構都有著各自作用，每一層當中處理圖像信息的程序有所不同，透過了解到CNN經過時代的演變，神經網絡里的架構和層數推陳出新，解決掉許多效能損耗和影像樣本數不足問題，而深度學習網絡需要相對大量的資料才能使效能更好，因此需要合理的訓練時間，也需要更多訓練模型方面的經驗調校參數，未來將面臨的問題也將更為復雜，也因此深度學習的崛起成為了現今科技中最為熱門的主題之一。

參考文獻

[1] 吳云華，張澤中，華冰，等.應用卷積神經網絡的遙感圖像云層自主檢測[J].哈爾濱工業大學學報，2020，52（12）：27-34.

[2] 孫浩，陳進，雷琳，等.深度卷積神經網絡圖像識別模型對抗魯棒性技術綜述[J].雷達學報，2021，10（04）：71-94.

[3] 王婷，李航，胡智.一種VGGNet的圖像風格遷移算法設計與實現[J].計算機應用與軟件，2019，36（11）：24-28.