[发明专利]一种基于轻卷积神经网络的电力电缆破损检测方法

说明书

本发明公开了一种基于轻卷积神经网络模型的电力电缆破损图像检测方法，包括采样训练阶段和测试阶段：对原始图片进行采样得到样本库，利用样本数据库对轻卷积神经网络模型进行训练，将待检测图像分块按序输入训练完成的网络，得到破损检测结果。本发明构造的轻卷积神经网络作为分类器，提高了检测的精度和速度。本发明涉及到的方法对测试条件要求低，以电缆表面图像为分析对象，实地、随时地无接触地实施，且能够极大程度地抑制光线、阴影、灰尘和水渍等其他因素的干扰，无须预处理，能实现高效、无损和快速地大规模电缆外表面破损检测，鲁棒性好，对电缆表面各种异常损伤均能正确检测，实用价值高。

技术领域

本发明涉及电力电缆破损实时监测方法技术领域，更具体的说是涉及一种基于轻卷积神经网络的电力电缆破损检测方法。

背景技术

现代社会中，电力设施的正常运行是工业生产和居民生活的有效保障。电力电缆是重要电力设施，是保障电能正常传输的重要载体。它由线芯(导体)、绝缘层、屏蔽层和保护层四部分组成，其任何程度损伤都会在电缆长期工作中发展成为故障点，导致电力系统故障，影响工业生产和居民生活。因此，电力电缆破损检测工作具有非常重要的实际意义。

传统的高压电力电缆检测方法为离线检测，需在电缆一端施加一定电压，再通过测量相关参数确定电缆的运行状态和损伤位置。常见方法有：经典电桥法、时域行波反射法、恢复电压法、等温松弛电流法、局部放电法、直流漏电流检测法、绝缘耐压法等。这一类型的方法需要将待测电缆放置于专用检测环境下，费时费力，且无法做到电力电缆的大批量整体检测。只能实现电缆铺设前的抽检，或对已铺设电缆的疑似故障点进行检测确认。

基于图像分析实现电力电缆的表面异常分析是一种新的电缆异常检测研究方向。其检测过程高效、无损、可靠，检测设备简单过程便捷，且能够实现非接触式整体检测。传统的基于图像的工件表面异常检测方法通常只能针对某一种类型的损伤进行检测，如基于Gabor和纹理抑制的方法对手机配件划痕检测，基于形态学知识对零件表面划痕的形态特征进行比较分析，对管壳表面划痕进行检测，基于小波分析的方法对沥青路面裂缝进行检测识别等，实用广泛性和鲁棒性亟待提高。工业电力电缆电缆表面破损异常大致可归为以下几类：穿刺类、化学腐蚀类、机械损伤类(如擦伤、撞伤、划伤等)、工艺拙劣(如外皮塌陷等)等。从生产、运输、施工和安装，环节众多，不可避免会出现各种各样的破损，明确界定电缆在哪个阶段出现问题，避免厂商、施工方和使用方责任相互推诿的情况，也可以避免有破损电缆安装施工好后对电力安全运行造成的安全隐患。

针对电缆破损多样化且实时性要求高的需求，众所周知，卷积网络模型基于神经网络本身的特性，网络层数的增加将带来更好的性能。因此，经典CNN网络从7层的AlexNet到16层的VGG，再到22层的GoogLeNet，再到152层ResNet，更有上千层的ResNet和DenseNet。虽然网络性能得到了提高，但带来了效率问题，即模型的存储问题和预测的速度问题。第一，存储问题。数百层网络有着大量的权值参数，保存大量权值参数对设备的内存要求很高；第二，速度问题。在实际应用中，往往是毫秒级别，为了达到实际应用标准，迫使提高处理器性能。而在工业应用中，几乎不可能提供满足“深”层神经网络所需的硬件条件。因此，将深度学习理论引入工业应用，在目前条件下，不能采用“深”层神经网络。

如何设计出一种适用于快速运算和工业应用的轻卷积神经网络来对电缆破损图片进行检测的方法是本领域技术人员所亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种方便简捷且能实现任何程度电力电缆破损检测的方法。

为了实现上述目的，本发明采用如下技术方案：

一种轻卷积神经网络模型，所述轻卷积神经网络模型包括6个残差和深度可分离卷积模块；每个所述残差和深度可分离卷积模块中包括3个可分离卷积层和1个普通卷积层；