基于半监督异常检测的碳纤维复合芯导线损伤检测方法技术

本发明专利技术公开了基于半监督异常检测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并制作数据集；S2：搭建卷积神经网络；S3：使用训练样本训练步骤S2中搭建好的卷积神经网络，每训练一轮，便用模型对检测样本进行检测，判断输入图像中是否有损伤部分；S4：选取步骤S4中效果最好的一轮作为最终结果。

【技术实现步骤摘要】
基于半监督异常检测的碳纤维复合芯导线损伤检测方法
本专利技术涉及无损检测
，特别是涉及基于半监督异常检测的碳纤维复合芯导线损伤检测方法。
技术介绍
碳纤维复合芯导线是目前应对通道资源紧张、负荷快速增长的便利手段之一。但碳纤维复合芯导线在产品生产、安装架线等过程中极易产生损伤，危及输电线路的运行安全。国家电网公司同东南大学联合研发的基于有监督深度学习技术的碳纤维复合芯导线X射线影像缺陷自动识别方案能够有效实现对碳纤维导线内部破损的自动识别。然而基于有监督深度学习技术的检测方案，其检测效果和准确度严重依赖于数据集的完备性。而碳纤维复合芯导线破损的形态多样性导致算法对频繁出现的缺陷具有较好的检测效果，而对于部分样本量较少的缺陷识别效果不佳。本专利技术提出一种基于半监督异常检测的碳纤维复合芯导线损伤检测方法。该方法仅需采用无破损的碳纤维导线样本进行训练，即可完成破损识别。极大降低了样本制作与获取难度，同时对出现频次较少的缺陷种类也能够具有较好的识别效果。
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基于半监督异常检测的碳纤维复合芯导线损伤检测方法。它与传统方法相比，精度更高、适用范围更广、效率更高；与基于有监督深度学习的方法相比，它只使用无损的碳纤维复合芯导线X光图像训练，对训练样本的依赖度更小，对出现频次较少的缺陷种类也能够具有较好的识别效果。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于半监督异常检测的碳纤维复合芯导线损伤检测方法，该方法包括如下步骤：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：利用S1中采集到的图像制作数据集，并选择训练样本和测试样本；S3：根据生成器子网络G(x)与判别器子网络D(x)搭建卷积神经网络；S4：使用训练样本训练步骤S3中搭建好的卷积神经网络，每训练一轮，便用模型对检测样本进行检测，判断输入图像中是否有损伤部分；S5：选取步骤S4中效果最好一轮对应的模型作为最终结果。进一步的，步骤S2的方法如下：S2.1：对碳纤维复合芯导线X光图像进行裁剪，去除图像中导线以外的部分，并将导线部分裁成预设的大小；S2.2：将S2.1中裁好的碳纤维复合芯导线X光图像分为有损与无损两类；S2.3：划分训练集与测试集，训练集中为无损的碳纤维复合芯导线X光图像，测试集中为无损碳纤维复合芯导线X光图像和有损的碳纤维复合芯导线X光图像。进一步的，步骤S3的生成器子网络G(x)与判别器子网络D(x)具体处理方法如下：生成器子网络的具体工作流程为：将128*64*1的碳纤维复合芯导线X光图像作为输入，经过第一层卷积层后得到32*32*64的特征图，之后再依次经过下采样块1、2、3、4分别得到16*16*128、8*8*256、4*4*512、2*2*512的特征图，之后再经过Relu层激活，激活后经过一层卷积层得到1*1*512的特征图，至此，下采样提取特征完成；将下采样得到的1*1*512的特征图通过上采样块5得到2*2*512的特征图，将此特征图与之前经过下采样块4得到的2*2*512的特征图在“通道”维度上连接得到2*2*1024的特征图；之后将此2*2*1024的特征图再经过上采样块4得到4*4*512的特征图，将该特征图与之前经过下采样3得到的4*4*512的特征图在“通道”维度上连接得到4*4*1024的特征图，之后将此4*4*1024的特征图再经过上采样块3得到8*8*256的特征图，将该特征图与之前经过下采样2得到的8*8*256的特征图在“通道”维度上连接得到8*8*512的特征图；之后将此8*8*512的特征图再经过上采样块2得到16*16*128的特征图，将该特征图与之前经过下采样1得到的16*16*128的特征图在“通道”维度上连接得到16*16*256的特征图；之后将此16*16*256的特征图再经过上采样块1得到32*32*64的特征图，将该特征图与之前经过第一层卷积层得到的32*32*64的特征图在“通道”维度上连接得到32*32*128的特征图，之后此32*32*128的特征图再经过一层转置卷积层能得到128*64*1的特征图，最后经过一层Tanh层，至此图像重构完成；判别器子网络的具体工作流程为：将生成器子网络的生成图像和碳纤维复合芯导线X光图像原图作为输入到判别器子网络中，输入图像大小为128*64*1，输入图像先经过一层卷积层得到32*32*64的特征图，之后通过一层Relu激活，之后依次经过特征提取块1、2、3，分别得到16*16*128、8*8*256、4*4*512的特征图，之后连续经过两层卷积层得到2*2*100，1*1*1的特征图，最后经过sigmoid层得到最终的概率结果。进一步的，步骤S4训练的具体方法如下：(1)从训练集中随机选取512张图像{x1、x2、……x512}输入到生成器子网络中G(x)中,G(x)对这些图片重构得到{y1、y2、……、y512}；(2)将{x1、x2、……x512}、{y1、y2、……、y512}输入到判别器子网络D(x)中，D(x)给出这些图是真图的概率(3)利用梯度下降算法减小损失函数函数值，优化生成器子网络，使用的优化器为亚当优化器、设定学习率，使用的损失函数为L2＝Ladv+Lcon，其中，其中，|yi-xi|表示图像yi与xi之间各位置对应像素点像素值之差的绝对值之和；(4)利用梯度下降算法减小损失函数函数值，优化判别器子网络，使用的优化器为亚当优化器、设定学习率为，使用的损失函数为(5)重复步骤(1)～(4)直至训练集中所有的图片都参与了训练。进一步的，步骤S4测试的具体方法如下：(1)将测试集中的图像x输入到生成器子网络G(x)中，G(x)对其重构得到图像y；(2)计算y与x之间的重构误差err＝|y-x|；(3)若重构误差err大于提前设好的阈值，则判定图像x为有损的碳纤维复合芯导线X光图像，反之，则为无损的碳纤维复合芯导线X光图像。进一步的，步骤S5中的效果最好衡量指标如下：其中其中，TP为测试集中被判定为异常实际也为异常的样本，FP为测试集中被判定为异常实际为正常的样本，FN为测试集中被判定为正常实际为异常的样本，取F1最大值对应的模型作为最终的结果。有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：本专利技术公开了一种基于半监督异常检测的碳纤维复合芯导线损伤检测方法，本专利技术在只使用无损的碳纤维导线X光图像作为训练集的情况下，实现了有损的碳纤维复合芯导线X光图像和无损的碳纤维复合芯导线X光图像的自动区分。附图说明图1为裁剪好的128*64*1大小的碳纤维复合芯导线X光图像；图2为本专利技术的网络结构；图3为生成器子网络的结构图；图4为生成器子网络中下采样块的结构图；图5为生成器子网络中下采样块的结构图本文档来自技高网...

【技术保护点】
1.一种基于半监督异常检测的碳纤维复合芯导线损伤检测方法，其特征在于，该方法包括如下步骤：/nS1：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；/nS2：利用S1中采集到的图像制作数据集，并选择训练样本和测试样本；/nS3：根据生成器子网络G(x)与判别器子网络D(x)搭建卷积神经网络；/nS4：使用训练样本训练步骤S3中搭建好的卷积神经网络，每训练一轮，便用模型对检测样本进行检测，判断输入图像中是否有损伤部分；/nS5：选取步骤S4中效果最好一轮对应的模型作为最终结果。/n

【技术特征摘要】
1.一种基于半监督异常检测的碳纤维复合芯导线损伤检测方法，其特征在于，该方法包括如下步骤：
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：利用S1中采集到的图像制作数据集，并选择训练样本和测试样本；
S3：根据生成器子网络G(x)与判别器子网络D(x)搭建卷积神经网络；
S4：使用训练样本训练步骤S3中搭建好的卷积神经网络，每训练一轮，便用模型对检测样本进行检测，判断输入图像中是否有损伤部分；
S5：选取步骤S4中效果最好一轮对应的模型作为最终结果。


2.根据权利要求1所述的一种基于半监督异常检测的碳纤维复合芯导线损伤检测方法，其特征在于，步骤S2的方法如下：
S2.1：对碳纤维复合芯导线X光图像进行裁剪，去除图像中导线以外的部分，并将导线部分裁成预设的大小；
S2.2：将S2.1中裁好的碳纤维复合芯导线X光图像分为有损与无损两类；
S2.3：划分训练集与测试集，训练集中为无损的碳纤维复合芯导线X光图像，测试集中为无损碳纤维复合芯导线X光图像和有损的碳纤维复合芯导线X光图像。


3.根据权利要求1所述的一种基于半监督异常检测的碳纤维复合芯导线损伤检测方法，其特征在于，步骤S3的生成器子网络G(x)与判别器子网络D(x)具体处理方法如下：
生成器子网络的具体工作流程为：将128*64*1的碳纤维复合芯导线X光图像作为输入，经过第一层卷积层后得到32*32*64的特征图，之后再依次经过下采样块1、2、3、4分别得到16*16*128、8*8*256、4*4*512、2*2*512的特征图，之后再经过Relu层激活，激活后经过一层卷积层得到1*1*512的特征图，至此，下采样提取特征完成；将下采样得到的1*1*512的特征图通过上采样块5得到2*2*512的特征图，将此特征图与之前经过下采样块4得到的2*2*512的特征图在“通道”维度上连接得到2*2*1024的特征图；之后将此2*2*1024的特征图再经过上采样块4得到4*4*512的特征图，将该特征图与之前经过下采样3得到的4*4*512的特征图在“通道”维度上连接得到4*4*1024的特征图，之后将此4*4*1024的特征图再经过上采样块3得到8*8*256的特征图，将该特征图与之前经过下采样2得到的8*8*256的特征图在“通道”维度上连接得到8*8*512的特征图；之后将此8*8*512的特征图再经过上采样块2得到16*16*128的特征图，将该特征图与之前经过下采样1得到的16*16*128的特征图在“通道”维度上连接得到16*16*256的特征图；之后将此16*16*256的特征图再经过上采样块1得到32*32*64的特征图，...

【专利技术属性】
技术研发人员：胡轶宁，朱延卿，谢理哲，魏睿，王征，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32