兰州交通大学杨栋等：如何利用太赫兹及图像处理技术实现电缆绝缘缺陷的可视化检测？

科技 2024-10-25 17:07 北京

本期精选

2024年第9期

基于改进YOLOv8的电缆复合绝缘结构内部缺陷太赫兹成像识别方法

杨栋，朵文博，李帅兵，李天耕，康永强，鲁怀伟

DOI: 10.13336/j.1003-6520.hve.20240265

研究背景

电缆作为一种典型的多层复合绝缘结构，由于高弹性、运行维护简便、耐热性和绝缘性能优良等特点，在电网建设中被广泛应用。然而，电缆及其附件在制造和运行过程中容易产生内部缺陷，严重危害供电系统的安全。因此，通过无损检测技术对电缆进行缺陷检测及评价具有重要意义。

目前，对电缆附件缺陷的无损检测多集中于局部放电检测、超声检测、泄漏电流监测等方法。其中，局部放电检测受噪声干扰明显，超声检测对传感器的灵敏度以及抗干扰能力有较高的要求，泄漏电流监测难以实现缺陷的准确定位。近年来，太赫兹技术作为一种新的无损检测技术，在电力设备运行状态检测中得到初步研究与应用，但存在微小缺陷易淹没于图像噪声中导致定位不准和受太赫兹固有波长限制导致多重缺陷信号混叠的问题。

因此，本文提出采用改进的YOLOv8算法对电缆接头内部缺陷的太赫兹成像结果进行缺陷识别。首先通过等效和简化，制作了缺陷样品；然后，引入YOLOv8检测算法对含有不同缺陷类别的太赫兹图像进行分类识别和表征，并将检测结果与其他方法进行了对比。

试验样品制备与太赫兹成像

1）试验样品制备

考虑到电缆附件结构复杂，难以直接对其整体进行太赫兹检测，因此为模拟实际的电缆附件，基于结构等效原则将其简化为三层复合结构进行研究，简化后的三层复合结构材料与实际电缆接头在结构上相似，在检测原理上一致。基于等效简化结构，在试验室预制了含缺陷的三层复合绝缘样品。

2）太赫兹成像试验条件

为对缺陷样品进行太赫兹成像，本文采用基于太赫兹时域光谱(terahertz time domain spectroscopy, THz-TDS)成像的CCT-1800，其主要部件是中心波长为780 nm的蓝宝石飞秒激光器，该设备的光谱范围为0.05~5 THz，动态范围超过90 dB，频谱分辨率为20 GHz，扫描精度为2 μm。试验中，样品仓中需要加入氮气，用于消除空气湿度的影响，从而确保试验结果的准确性。鉴于太赫兹波无法穿透铜导体层，本研究选择采用太赫兹反射模式进行检测，其测试原理在图1中有所展示，太赫兹成像系统的参数设置如表1所示。

图1 反射式THz-TDS的测试原理图

表1 THz成像系统参数

3）含缺陷试验样品的太赫兹成像

为了得到不同太赫兹频段下的成像结果，经过重复性测试，本文最终选用不同频段的太赫兹波对层状复合绝缘内部划痕缺陷、分层缺陷和金属夹杂缺陷样品进行成像，并分别采用频域成像和吸收谱成像模式进行测试。

THz成像的多目标分类检测方法

为了解决电缆类层状复合绝缘结构内部主绝缘常见劣化缺陷的表征和辨识问题，本文将深度学习的YOLOv8模型与太赫兹成像技术相结合，将对内部主绝缘层存在的不同缺陷进行表征与辨识。首先，对不同缺陷类型的层状复合绝缘结构进行太赫兹成像表征，并定义缺陷目标的识别任务；其次，对太赫兹频域和吸收谱图像数据进行数据集制作，通过YOLOv8模型对缺陷数据进行训练，并经过迭代(模型每个轮次的训练过程)，直到模型的损失曲线下降到一个收敛的数值时，模型完成训练；最后，通过训练参数设置和训练、验证网络模型，并对样本进行检测，实现对不同类型缺陷进行深度学习网络的定性表征。

1）YOLOv8算法

YOLO算法作为经典的单阶段检测算法，现已经升级至YOLOv8。YOLOv8融合了许多实时目标检测中优异的技术并进行改进，其网络主要由输入(Input)、主干网络(Backbone)、颈部(Neck)和检测头(Head)部分组成。

2）改进主干网络

考虑到电缆接头试样含有缺陷的太赫兹图像存在背景噪点干扰，为了消除无关信息干扰，本文在特征融合部分之后加入注意力机制来提升模型提取特征的性能。注意力机制在图像目标检测中能够建立不同空间位置之间的相互依赖关系，将注意力集中在对当前任务目标更感兴趣的信息上，同时忽略无关信息。传统注意力机制在计算通道注意力的过程中，会通过池化将输入张量在空间上转为像素，导致大量空间信息的丢失。三重注意力机制(triplet attention, TA)是一种轻量级的注意力机制，利用3个并行分支结构捕获跨维度交互并计算注意权重。与压缩激励(squeeze-and-excitation, SE)和基于卷积块(convolutional block attention module, CBAM)的注意力机制相比，其具有以下优点：①空间信息和通道信息不会大量丢失；②能够实现跨维度交互；③计算量较小。TA模块旨在捕捉多维度交互而不降低维度的重要性，消除了通道和权重之间的间接对应，其原理如图2所示。

图2 TA原理图

3）损失函数

YOLOv8的损失函数结合了变焦损失(varifocal loss, VFL)以及回归损失的Complete IoU Loss和分布式焦点损失(distribution focal loss, DFL) 。fVFL是一种改进型的焦点损失函数，旨在优化目标检测中类别不平衡问题，进而提升模型检测精度。

在回归损失方面，Complete IoU Loss提供了一种更精确的方法来量化并优化预测边界框和真实边界框之间的重叠度。同时，DFL有效地解决了类别不平衡和背景类别识别问题，使网络能够更快地关注检测目标附近的数值。在模型训练阶段，采用随机梯度下降优化器对损失函数进行精细调优，实现模型在较短时间内达到最佳状态，同时确保计算效率高和低内存使用。

试验结果分析与讨论

海底电缆悬跨段在准静态荷载作用下的极端工况分析，和在实验室中模拟海缆涡激振动并进行力学特征分析计算是后续研究的重点。

1）数据集

在制作训练集时，使用Labelimg软件将太赫兹图像中的缺陷区域进行区分标注：划痕缺陷区域为“huahen”，分层缺陷为“fenceng”，金属夹杂区域为“jinshu”，其余区域均视作背景，生成Json文件。然后利用OpenCV将Json格式转换为单通道图像，以Pascal VOC数据格式存储使用。数据集总共由778张组成，其中训练集和验证集以9:1划分。

2）试验平台

本文采用Windows 11作为缺陷分类验证的操作系统平台，开发语言环境选用Anaconda 3，硬件配置为16 GB内存和NVIDIA GTX 3060显卡，CUDA 11.6架构支持。试验中涉及的神经网络均基于Pytorch深度学习框架构建，编程过程通过VScode编辑器在Python 3.7环境下完成。

3）评价指标

在目标检测任务中，通常当预测框与实际标注框重合的交并比大于0.5时认为成功检测目标。本文选取评价指标包括：F1值(F1-score)、准确率(Precision, P)、召回率(Recall, R)与平均精确率均值(Mean average precision, mAP，用符号εave表示)。

4）训练结果

本文对模型进行300个迭代次数的训练，得到了改进模型的训练结果，包括训练集和验证集的边界框损失、物体置信度损失和分类损失及各种评价指标。经过200次迭代后，模型的各方面性能均趋于相对稳定，并且在前200次迭代中，边界框损失、物体置信度损失和分类损失急剧下降，然后呈现平稳趋势。因此，本文选择第250次迭代后获得的最佳权重作为缺陷检测权重。为了对比本文所提方法与传统方法的优势，本文采用同样数据集和相同设置，得到表2所示分类结果的对比。

表2 各模块对模型的分类结果对比

5）训练结果

为了更直观地观察改进算法对层状复合绝缘结构分层缺陷和金属含杂缺陷的检测效果，选择了测试集中具有代表性的缺陷目标进行可视化分析，这些缺陷目标包括单一的分层缺陷图、单一的金属夹杂缺陷图、混合分层和金属夹杂的缺陷图和含有干扰的混合缺陷图，具体如图3所示。

图3 改进算法的可视化检测

本文算法在太赫兹成像的小目标和中目标的检测上效果明显。具体的，在复杂背景下，本文方法对小目标的检测没有漏检和误检，检测效果良好；当目标尺度相差较大时，例如较小的金属夹杂缺陷和大面积的分层缺陷处于同一场景时，本文算法也能检测到更多的目标。通过对图3的结果分析，本文算法能够准确识别出频域和吸收谱缺陷颜色和形状相似的分层缺陷和金属含杂缺陷，也能够避开太赫兹成像类似缺陷颜色的噪点，具有极好的检测效果和鲁棒性。

重点内容

本文通过分析内部含缺陷样品在不同太赫兹频段下的相互作用强度，得到电缆附件复合绝缘结构内部不同缺陷参数下的太赫兹频域成像和吸收谱成像规律，并借助智能检测算法YOLOv8模型对缺陷进行分类表征，具体结论如下：

1）太赫兹波在电缆附件复合绝缘结构的传播特性在分层缺陷和金属缺陷处不同，导致太赫兹波在分层缺陷气隙的散射与太赫兹波在金属缺陷的反射下会有不同的太赫兹作用特性，分层缺陷边缘有“光晕”出现，可以作为定性不同缺陷分类的依据。

2）YOLOv8智能目标检测算法在分类任务中具有出色的能力，对电缆附件内部的分层缺陷和金属夹杂缺陷的太赫兹成像进行分类表征时，其EPR达到99.8%，EmAP达到了99.5%。因此，太赫兹成像与目标分类算法相结合可智能表征复合绝缘结构内部的不同缺陷。

本文研究结果验证了太赫兹电磁波与绝缘材料的相互作用强度可以有效的成像表征电缆附件复合绝缘结构的内部缺陷，利用太赫兹检测与智能目标检测算法的兼容性，最终可对电缆附件等复合绝缘结构的安全状态进行预警。

引文信息：

杨栋 , 朵文博 , 李帅兵 , 等. 基于改进YOLOv8的电缆复合绝缘结构内部缺陷太赫兹成像识别方法[J]. 高电压技术. 2024, 50(9): 4142-4151

作者及团队介绍

李帅兵，博士、教授，甘肃省陇原青年英才，第23届铁路五四青年奖章获得者。主要从事电力装备检测、评估与故障诊断及新能源发电与运行控制等方面的教学、科研工作。主持国家自然科学基金、甘肃省自然科学基金、甘肃交能融合揭榜挂帅制项目等纵向课题10余项，发表SCI/EI检索高水平论文30余篇。研究成果获甘肃省科技进步一/二/三等奖各一项，甘肃省电工技术学会科技进步一等奖3项、甘肃省电力科技进步一等奖1项。

杨栋，博士研究生。主要从事电力装备检测与评估、电力设备故障诊断、复杂过程建模等制等方面的研究工作。

朵文博，硕士研究生，主要从事新能源设备状态监测与评估方面的工作。

康永强，博士、副教授，主要从事新能源电力装备与系统管理、电气系统在线监测与状态评估方面的研究。

鲁怀伟，教授、博士生导师，主要从事复杂系统的建模与智能控制理论、电气设备故障诊断、新能源发电控制与优化等方面的研究。

责编：卫李静

- 【 END 】 -

传播知识 · 分享成果 · 交流经验

声明：本文为原创作品，所涉文字及图片版权均属《高电压技术》编辑部所有，根据国家版权局最新规定，纸媒、网站、微信公众号转载、摘编我编辑部的作品，务必请提前联系我编辑部。个人请按本微信原文转发、分享

热搜合集

#热文，#热点报告，#征稿启事，#会议讯息，#网络首发，#论文精选

官网

http://hve.epri.sgcc.com.cn/

视频号

《高电压技术》《High Voltage》视频号

联系我们

http://mp.weixin.qq.com/s?__biz=MzAxNDU2ODgxOA==&mid=2651197002&idx=1&sn=22b8b1422dbc51610fcfaa4c297dbc46

高电压技术