CNN在电力电缆缺陷识别中的应用.pdf

2023 年 7 月在电力电缆缺陷识别中的应用王云鹏袁张亚楠袁董勋袁史加奇（国网上海市电力公司市南供电公司，上海 200233）【摘要】为了满足高效精确识别电缆缺陷的需求和城市配网系统对自动化尧智能化发展的需求袁保障电力系统的安全稳定运行袁介绍卷积神经网络的构成和工作原理袁涉及图像处理尧机器学习和算法优化尧模型训练等袁分析基于卷积神经网络在电力电缆缺陷识别中的应用袁以期为相关从业人员和研究人员提供参考遥【关键词】卷积神经网络曰电缆缺陷识别曰人工智能【中图分类号】TM75【文献标识码】A【文章编号】1006-4222（2023）07-0118-030 引言电力电缆在城市中特别是在特大型城市中的配网占比逐渐提升，是城市配网系统中的关键组成部分，其健康状况会直接影响城市配网系统的稳定运行。然而，由于电缆在生产、运输和铺设过程中可能会出现不同类型、不同程度的损伤，如生产质量缺陷、运输过程中的划痕或破损、安装过程中的施工质量不达标等，这些损伤有可能通过电缆安装完毕后的交接试验，但在电缆长期运行中会逐渐从隐患点发展成故障点，进而导致所在线路出现停电故障，直接威胁到电力系统的安全稳定运行。据统计，由电缆接头施工工艺不达标导致的配网停电事故占电缆整体故障的 35%1。因此，对电缆投运前的健康状况进行及时有效的检测和诊断，对电力系统的稳定运行具有重要意义。传统的电缆缺陷检测方法主要包括人工视觉检查或使用纸质工艺卡2等，这些方法不仅检测效率低、成本高，而且较容易受检测环境或人为因素影响，检测结果的精确性和一致性较低。随着人工智能尤其是深度学习技术的发展，卷积神经网络（convo谣lutional neural networks,CNN）在图像识别领域取得了较大的进步，为电缆缺陷检测的自动化提供了新的可能。1 CNNCNN 是一种深度学习模型，非常适合用来处理图像等具有网格构造的数据。CNN 依托其优秀的特征自动提取功能和参数共享机制在语音识别、图像识别等领域得到了广泛应用并取得了突出成效。CNN 的核心思想是通过卷积层和池化层来提取输入数据的特征，再利用全连接层来分类或回归。以下是CNN 的主要组成部分和工作原理。（1）输入层。该层主要包含原始图像或经过预处理的图像。图像预处理包括图像旋转、去噪、反转等操作。其中，图像去噪的目的是消除图像中的无用噪声，以提高特征提取的准确性；图像旋转是对原始图像进行旋转以扩充数据集大小，避免过拟合问题的出现；而缩放原始图像的目的是调整图像的尺寸，以满足特征提取的输入要求。（2）卷积层。卷积层是 CNN 的核心组件，通过卷积操作可提取输入数据的局部特征3。卷积操作中，使用一组可学习调整的卷积核对与卷积核大小相等的输入数据进行滑动窗口操作，将每个窗口运算与卷积核进行点乘值并输出结果4。卷积核可以提取输入数据典型的局部、边缘、纹理等特征，具有一定程度的局部感知性。在卷积层中，对于图像的不同位置，其使用的卷积核参数是共享的，具有相同的权重和偏置。这种参数共享机制极大地降低了模型的参数量，也降低了过拟合的风险，并使得卷积层具有更好的泛化能力。通过在卷积层中使用多个不同的卷积核，CNN 可以学习到不同类型的特征，从而提取更加丰富和抽象的特征。与传统的图像识别需要人为设置特征不同，卷积核的数值由训练得到，通过反向传播算法和梯度下降等优化方法进行多次迭代，自动调整卷积核的权重，使其能够更好地提取输入数据的特征。卷积后的输出称为卷积层特征图，其长和宽的计算公式如下：H2=H1-FH+2PS+1；（1）W2=W1-FW+2PS+1。（2）电力信息1182023 年 7 月式中：W1输入图像的宽度；H1输入图像的长度；W2输出特征图的宽度；H2输出特征图的长度；FW卷积核的宽度；FH卷积核的长度；S滑动窗口的步长；P边界填充。（3）池化层。池化层主要用于缩小特征图的尺寸，进而减少运算量，增强模型的泛化能力。在 CNN中加入池化操作可丢弃特征图中无关的细节，同时保留关键特征信息。最常见的池化操作是最大池化和平均池化。最大池化是将输入特征图划分为不重叠的矩形区域，在每个区域中选择最大值作为输出，能够保留图像中最显著的特征，并且使模型具有一定的旋转不变性和缩放不变性5。平均池化是将输入特征图划分为互相不重复的矩形区域，计算每块区域中的平均值作为输出。与最大池化相比，平均池化更加平滑，能够保留更多的背景细节信息，但在某些情况下可能会丢失一些特定的局部特征信息。池化操作是通过在每一个卷积区域中输出最大值或平均值来降低特征图的维度，从而减少计算量并提取主要特征。图像的卷积池化流程如图 1 所示。（4）激活函数。在卷积层和池化层之后，一般会使用激活函数对特征图进行非线性变换，能够使神经网络学习非线性关系和复杂的模式。如果在神经网络中只使用线性函数，则整个网络相当于一个线性模型，无法处理非线性问题6。使用非线性激活函数，可使神经网络学习更复杂的函数映射，进而拥有更好的表达能力。常见的激活函数包括 Sigmoid函数、tanh 函数和 ReLU 函数等，通过引入非线性，增强模型的表达能力。以下是常用的激活函数及其特点。Sigmoid 函数将输入的实数映射到 0 和 1 之间，公式为 啄（x）=11+e-x。其具有平滑的 S 形曲线，可以将输入值压缩到一个有限的范围内，常用于二分类问题中。双曲正切 tanh 函数将输入的实数映射到-1 和 1中间，公式是 tanh（x）=ex-e-xex+e-x。与 sigmoid 函数类似，tanh 函数也具有 S 形曲线，但其均值为 0，填补了Sigmoid 函数均值为 0.5 的不足，能够更好地处理数据的中心化问题。ReLU 函数将负的输入变为 0，正的输入保持不变，公式为 ReLU（x）=max（0，x）。ReLU 函数具有计算简单和迅速收敛的特性，不仅能够避免出现梯度消失的现象，还能够提供稀疏激活和非线性表示，在实践中得到广泛使用。（5）全连接层。在通过数个卷积层和池化层提取特征以后，CNN 通常会使用全连接层来进行分类或回归。全连接层将特征图展平为一维向量，并将其与可学习的权重进行矩阵乘法和偏置加法运算，得到最终的输出结果，实现对所提取特征的分类操作。通过卷积层的特征提取和参数共享机制，CNN能够自动学习输入数据的局部特征，并通过池化层和全连接层将这些特征组合成更高级别的表示，从而实现对复杂数据的有效建模和分类。（6）Dropout 层。为了缓解神经网络过拟合问题，研究人员提出了 Dropout 层正则化技术的方案。其主要原理是在训练中随机选取部分（通常为半数）神经元，将其输出值设为 0，从而训练神经网络不过分依赖特定的神经元，以此增强模型的通用性和稳定性，减少网络复杂性。以下为 Dropout 层的实现过程。第 1 步，随机选取神经元并将其丢弃。值为 0 代表对应的神经元会被丢弃，值为 1 则为保留。第 2 步，对保留的神经元进行缩放并输出。每个保留神经元的输出值乘以被保留概率，以此来增加参与训练的神经元的多样性。第 3 步，在反向传播的过程中，与被丢弃神经元相对应的梯度也被设置为 0，确保这些被丢弃神经元不会影响对模型产生影响。Dropout 层的随机性体现在每次训练都会形成完全不同的子网络，其训练结果相当于多个模型的集成，很好地解决了过拟合问题，提升了模型的通用性和鲁棒性。（7）损失函数。除了解决过拟合问题，CNN 的训练过程还要衡量模型的预测输出结果和真实标签之间的差值，即需要定义一个损失函数。常见的损失函图 1 图像的卷积池化流程卷积核 1卷积核 n输入层卷积卷积层特征图最大池化平均池化池化池化层特征图电力信息1192023 年 7 月数有均方误差损失函数、交叉熵损失函数、对数似然损失函数等。以下为常见损失函数的简要介绍。均方误差损失函数的输出值具有连续性，其计算输出值与真实标签之间的平均平方差，一般用于回归任务。交叉熵损失函数包含了 softmax 交叉熵损失和稀疏 softmax 交叉熵损失等常见交叉熵损失函数。该函数衡量模型预测输出值的概率分布和真实分布之间的差异，一般用于分类任务。交叉熵损失函数（带权重）赋予不同类型的样本以不同权重，更注重少数类型的分类准确性。其常用于处理不平衡分类问题。对数似然损失函数基于对数似然估计原理，对数似然损失函数度量模型每个类别预测值的概率与真实标签的配对程度。其常用于特定分类任务，如多标签分类等。（8）优化算法。损失函数还可以根据具体的任务特点及需求，进行定制化设计。为使损失函数最小化，需要运用一些优化算法，梯度下降法就是其中之一。通过求取损失函数对每个参数的梯度，并将每个参数按照梯度的反方向迭代，从而使损失函数的值不断减小。2 CNN 在电力电缆缺陷识别中的具体应用2.1 电缆本体缺陷识别电缆本体表面缺陷的自动检测可通过 CNN 实现。先训练一个 CNN 模型，再输入电缆表面图像，模型可以自动识别和标记出电缆本体上的裂纹、划痕、凹陷、磨损、偏心等不同类型的缺陷，从而提高缺陷检测的效率和准确性，并大幅减少人工检测的工作量，辅助运维人员做好电缆验收工作。2.2 电缆接头缺陷识别电缆接头缺陷占电缆整体缺陷的 35%，是电缆运行故障的重灾区。根据以往的电缆故障分析可知，接头缺陷多数是由接管未打磨、有毛刺、接管材质不合格、压接方式不正确等问题导致的。CNN 可以用于识别和分类这些接头缺陷，具体如下：训练一个 CNN模型，输入各种完好的和有缺陷的电缆接头图像，训练完成的 CNN 模型可高效、精确地检测出待检接头是否存在缺陷，识别出对应的缺陷类别，辅助运维人员迅速处理和修复缺陷，避免电缆带缺陷运行情况的发生。2.3 电缆局部放电模式识别电力电缆本体内部的不同类型缺陷诱发的局部放电相似度较高，所以其识别难度较大7，如外半导电层尖刺缺陷、电缆外护套破损、绝缘层空穴等。针对这些相似程度较高的局部放电缺陷图像，CNN 通过其卷积层和池化层较为优秀的特征学习能力，能够精细捕捉特征细节，其识别准确率相比传统算法（如反向传播神经网络、支持向量机等）更高，能辅助运维人员精确判断电缆缺陷类别进而快速消缺。2.4 缺陷等级评估在识别出电缆本体表面缺陷、接头缺陷、电缆本体内部缺陷后，CNN 可根据其严重程度和优先级的不同，自动、迅速对缺陷进行缺陷等级评估，辅助运维人员制定对应的修复方案。3 结语CNN 在电力电缆缺陷识别中具有广泛的应用前景。通过充分利用 CNN 的局部感知能力、参数共享和自我学习等特性，可以迅速、高效、精确地识别出电缆本体表面、电缆内部以及电缆接头的裂纹、划痕、凹陷、接管未打磨等各种缺陷，能够大幅降低电缆带缺陷运行的概率，进而有效提升城市配网的安全性和可靠性。随着人工智能、深度学习等技术的不断发展和计算机硬件能力的提升，CNN 在电力电缆缺陷识别领域的应用将会更加成熟和普遍。参考文献1 袁奇，邹翔宇，梅珊珊，等.基于图像识别技术的高压电缆附件数字化工艺库设计与研究J.电力与能源，2021，42（5）：554-556，565.2 薛艺为，党卫军，孙奇珍，等.基于图像识别的 10 kV 电缆接头施工缺陷算法应用研究J.电工材料，2021（6）：20-24.3 简献忠，顾洪志，王如志.一种基于双通道 CNN 和 LSTM的短期光伏功率预测方法J.电力科学与工程，2019，35（5）：7-11.4 徐磊.基于深度学习的工业零件表面缺陷检测算法研究D.南昌：华东交通大学，2022.5 李丁.无人机输电线路巡检中图像处理技术的应用研究D.武汉：华中科技大学，2019.6 颜伟鑫.深度学习及其在工件缺陷自动检测中的应用研究D.广州：华南理工大学，2016.7 杨帆，王干军，彭小圣，等.基于卷积神经网络的高压电缆局部放电模式识别J.电力自动化设备，2018，38（5）：123-128.作者简介院王云鹏（1993），男，回族，上海人，硕士研究生，助理工程师，主要从事电力电缆运维检修工作。电力信息120