碳纤维复合芯导线损伤检测方法、装置及计算机存储介质制造方法及图纸

本发明专利技术公开了碳纤维复合芯导线损伤检测方法，包括以下步骤：S1：采用X射线成像的方式对碳纤维复合芯导线进行图像采集；S2：对碳纤维复合芯导线图像进行制作，得到训练样本和检测样本；S3：根据训练样本的样本特征确定Faster R‑CNN网络的输入、输出和中间部分结构；S4：使用训练样本训练Faster R‑CNN网络，确定训练效果最优的Faster R‑CNN网络，作为损伤检测模型；S5：使用损伤检测模型对经过预处理标准化后的检测样本进行检测，标记出碳纤维复合芯导线图像中的损伤位置。本发明专利技术还公开了相应的装置和计算机存储介质。本发明专利技术能够有效区分损伤区域与背景。

Damage Detection Method, Device and Computer Storage Medium for Carbon Fiber Composite Core Wire

【技术实现步骤摘要】
碳纤维复合芯导线损伤检测方法、装置及计算机存储介质
本专利技术涉及无损检测技术，特别是涉及碳纤维复合芯导线损伤检测方法、装置及计算机存储介质。
技术介绍
碳纤维复合芯导线具有弧垂小、载流量大、重量轻等优点，在线路增容改造时可充分利用原有杆塔，即能大幅提升线路输送容量，是目前应对通道资源紧张、负荷快速增长的便利手段之一。应用中发现，碳纤维复合芯导线，尤其是导线的碳纤维复合芯，在产品生产、安装架线等过程中极易产生损伤，如果不能及时发现这些损伤并进行处理，必然危及输电线路的运行安全。射线检测技术作为一种通用的用于发现设备或材料内部缺陷的检测技术，当应用于碳纤维复合芯导线损伤的检测时，受外层铝股之间的间隙的影响，获得的射线图片中，内部复合芯棒损伤缺陷的影像往往被众多的铝股之间间隙影像所遮挡或干扰，导致缺陷影像不易被识别，甚至造成漏检。另外一方面，损伤的影响较为模糊且在图像中呈现尺寸较小，肉眼识别速度慢、漏检率高。对于上述问题，常规的检测方法大都是通过将图像进行锐化、灰度变换、平滑和傅里叶变换后的图像预处理方法，然后进行二值化处理，图像边缘提取和图像识别技术提取出缺陷图像。但此类方法因为损伤区域不是很明显，与背景对比度相差不大，效果十分有限。
技术实现思路
专利技术目的：本专利技术的目的是提供一种碳纤维复合芯导线损伤检测方法、装置及计算机存储介质，能够解决现有技术中存在的“无法有效区分损伤区域与背景”的技术问题。技术方案：本专利技术所述的碳纤维复合芯导线损伤检测方法，包括以下步骤：S1：采用X射线成像的方式对碳纤维复合芯导线进行图像采集，获得碳纤维复合芯导线图像；S2：根据步骤S1采集得到的碳纤维复合芯导线图像整体的特征分布，对所述碳纤维复合芯导线图像进行制作，得到训练样本和检测样本；S3：根据步骤S2得到的训练样本的样本特征确定FasterR-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层；S4：使用步骤S2得到的训练样本训练步骤S3得到的FasterR-CNN网络，确定训练效果最优的FasterR-CNN网络作为损伤检测模型；S5：使用步骤S4得到的损伤检测模型对经过预处理标准化后的检测样本进行检测，标记出碳纤维复合芯导线图像中的损伤位置。进一步，所述步骤S3中，FasterR-CNN网络的输出通过以下过程确定：根据碳纤维复合芯导线图像的形貌，将无损伤、折断、锯断、空隙、裂缝分别进行分类，并将分类结果和定位位置作为FasterR-CNN网络的输出。进一步，所述步骤S4中，使用步骤S2得到的训练样本训练步骤S3得到的FasterR-CNN网络的过程中，采用如式(1)所示的损失函数L({pi},{ti})进行训练：式(1)中，Lcls(pi,pi*)为分类损失，如式(2)所示；Lreg(ti,ti*)为回归损失，如式(4)所示；pi表示预测的损伤位置框中FasterR-CNN网络输出的预测的第i个训练样本的分类概率，pi*表示第i个训练样本的真实标签类别，ti表示预测的第i个损伤位置框的位置，ti*表示实际的第i个损伤位置框的位置，Ncls表示预测分类总数，Nreg表示预测的损伤位置框总数，λ表示系数；式(2)中，T表示训练样本输入FasterR-CNN网络后的概率输出的类别总数；yi如式(4)表示；Sj如式(3)所示；式(3)中，αk为训练样本输入FasterR-CNN网络后，FasterR-CNN网络输出的判定为k类别的概率；αj表示训练样本输入FasterR-CNN网络后，FasterR-CNN网络输出的判定为j类别的概率；Lreg(ti,ti*)＝R(ti-ti*)(5)式(5)中，R(ti-ti*)如式(6)所示；式(6)中，σ取值为3。进一步，所述步骤S4中，训练过程中，FasterR-CNN网络根据损失函数的数值，根据反向传播算法和亚当优化算法逐层计算更新量，更新FasterR-CNN网络的权值和偏置。本专利技术所述的碳纤维复合芯导线损伤检测装置，包括：图像采集模块：用于采用X射线成像的方式对碳纤维复合芯导线进行图像采集，获得碳纤维复合芯导线图像；图像制作模块：用于根据图像采集模块采集得到的碳纤维复合芯导线图像整体的特征分布，对所述碳纤维复合芯导线图像进行制作，得到训练样本和检测样本；网络生成模块：用于根据图像制作模块得到的训练样本的样本特征确定FasterR-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层；模型生成模块：用于使用图像制作模块得到的训练样本训练网络生成模块得到的FasterR-CNN网络，确定训练效果最优的FasterR-CNN网络作为损伤检测模型；损伤检测模块：用于使用模型生成模块得到的损伤检测模型对经过预处理标准化后的检测样本进行检测，标记出碳纤维复合芯导线图像中的损伤位置。进一步，所述网络生成模块通过以下过程确定FasterR-CNN网络的输出：根据碳纤维复合芯导线图像的形貌，将无损伤、折断、锯断、空隙、裂缝分别进行分类，并将分类结果和定位位置作为FasterR-CNN网络的输出。进一步，所述使用图像制作模块得到的训练样本训练网络生成模块得到的FasterR-CNN网络的过程中，采用如式(1)所示的损失函数L({pi},{ti})进行训练：式(1)中，Lcls(pi,pi*)为分类损失，如式(2)所示；Lreg(ti,ti*)为回归损失，如式(4)所示；pi表示预测的损伤位置框中FasterR-CNN网络输出的预测的第i个训练样本的分类概率，pi*表示第i个训练样本的真实标签类别，ti表示预测的第i个损伤位置框的位置，ti*表示实际的第i个损伤位置框的位置，Ncls表示预测分类总数，Nreg表示预测的损伤位置框总数，λ表示系数；式(2)中，T表示训练样本输入FasterR-CNN网络后的概率输出的类别总数；yi如式(4)表示；Sj如式(3)所示；式(3)中，αk为训练样本输入FasterR-CNN网络后，FasterR-CNN网络输出的判定为k类别的概率；αj表示训练样本输入FasterR-CNN网络后，FasterR-CNN网络输出的判定为j类别的概率；Lreg(ti,ti*)＝R(ti-ti*)(5)式(5)中，R(ti-ti*)如式(6)所示；式(6)中，σ取值为3。进一步，所述模型生成模块的训练过程中，FasterR-CNN网络根据损失函数的数值，根据反向传播算法和亚当优化算法逐层计算更新量，更新FasterR-CNN网络的权值和偏置。本专利技术所述的计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的碳纤维复合芯导线损伤检测方法的步骤。有益效果：本专利技术公开了一种碳纤维复合芯导线损伤检测方法、装置及计算机存储介质，本专利技术通过训练FasterR-CNN网络能够自动实现碳纤维复合芯导线的损伤检测，检测效率和精度高，能够有效区分损伤区域与背景。附图说明图1为本专利技术具体实施方式中FasterR-CNN网络的工作流程图；图2为本专利技术具体实施方式中FasterR-CNN网络的卷积层的工作流程图；图3为本专利技术具体实施方式中FasterR-CNN网络的候选区域网络的工作流程图；图4为本专利技术具体实施方式中FasterR-CNN网络的区域卷本文档来自技高网...

【技术保护点】
1.碳纤维复合芯导线损伤检测方法，其特征在于：包括以下步骤：S1：采用X射线成像的方式对碳纤维复合芯导线进行图像采集，获得碳纤维复合芯导线图像；S2：根据步骤S1采集得到的碳纤维复合芯导线图像整体的特征分布，对所述碳纤维复合芯导线图像进行制作，得到训练样本和检测样本；S3：根据步骤S2得到的训练样本的样本特征确定Faster R‑CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层；S4：使用步骤S2得到的训练样本训练步骤S3得到的Faster R‑CNN网络，确定训练效果最优的Faster R‑CNN网络作为损伤检测模型；S5：使用步骤S4得到的损伤检测模型对经过预处理标准化后的检测样本进行检测，标记出碳纤维复合芯导线图像中的损伤位置。

【技术特征摘要】
1.碳纤维复合芯导线损伤检测方法，其特征在于：包括以下步骤：S1：采用X射线成像的方式对碳纤维复合芯导线进行图像采集，获得碳纤维复合芯导线图像；S2：根据步骤S1采集得到的碳纤维复合芯导线图像整体的特征分布，对所述碳纤维复合芯导线图像进行制作，得到训练样本和检测样本；S3：根据步骤S2得到的训练样本的样本特征确定FasterR-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层；S4：使用步骤S2得到的训练样本训练步骤S3得到的FasterR-CNN网络，确定训练效果最优的FasterR-CNN网络作为损伤检测模型；S5：使用步骤S4得到的损伤检测模型对经过预处理标准化后的检测样本进行检测，标记出碳纤维复合芯导线图像中的损伤位置。2.根据权利要求1所述的碳纤维复合芯导线损伤检测方法，其特征在于：所述步骤S3中，FasterR-CNN网络的输出通过以下过程确定：根据碳纤维复合芯导线图像的形貌，将无损伤、折断、锯断、空隙、裂缝分别进行分类，并将分类结果和定位位置作为FasterR-CNN网络的输出。3.根据权利要求1所述的碳纤维复合芯导线损伤检测方法，其特征在于：所述步骤S4中，使用步骤S2得到的训练样本训练步骤S3得到的FasterR-CNN网络的过程中，采用如式(1)所示的损失函数L({pi},{ti})进行训练：式(1)中，Lcls(pi,pi*)为分类损失，如式(2)所示；Lreg(ti,ti*)为回归损失，如式(4)所示；pi表示预测的损伤位置框中FasterR-CNN网络输出的预测的第i个训练样本的分类概率，pi*表示第i个训练样本的真实标签类别，ti表示预测的第i个损伤位置框的位置，ti*表示实际的第i个损伤位置框的位置，Ncls表示预测分类总数，Nreg表示预测的损伤位置框总数，λ表示系数；式(2)中，T表示训练样本输入FasterR-CNN网络后的概率输出的类别总数；yi如式(4)表示；Sj如式(3)所示；式(3)中，αk为训练样本输入FasterR-CNN网络后，FasterR-CNN网络输出的判定为k类别的概率；αj表示训练样本输入FasterR-CNN网络后，FasterR-CNN网络输出的判定为j类别的概率；Lreg(ti,ti*)＝R(ti-ti*)(5)式(5)中，R(ti-ti*)如式(6)所示；式(6)中，σ取值为3。4.根据权利要求3所述的碳纤维复合芯导线损伤检测方法，其特征在于：所述步骤S4中，训练过程中，FasterR-CNN网络根据损失函数的数值，根据反向传播算法和亚当优化算法逐层计算更新量，更新FasterR-CNN网络的权值和偏置。5.碳纤维复合芯导线损伤检测装置，其特征在于：包括：图像采集模块：用于采用X射线成像的方式对碳纤维复合芯导线进行图像采集，...

【专利技术属性】
技术研发人员：黄强，陈大兵，胡轶宁，杨立恒，张建国，王征，李成钢，刘建军，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，国家电网有限公司，东南大学，江苏省电力试验研究院有限公司，
类型：发明
国别省市：江苏,32