CN116908314A - 一种用于电缆附件铅封缺陷的超声波检测方法及系统 - Google Patents
一种用于电缆附件铅封缺陷的超声波检测方法及系统 Download PDFInfo
- Publication number
- CN116908314A CN116908314A CN202311152777.5A CN202311152777A CN116908314A CN 116908314 A CN116908314 A CN 116908314A CN 202311152777 A CN202311152777 A CN 202311152777A CN 116908314 A CN116908314 A CN 116908314A
- Authority
- CN
- China
- Prior art keywords
- lead seal
- defect
- defect image
- lead
- defects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 377
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 53
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 15
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 15
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 14
- 239000011229 interlayer Substances 0.000 claims abstract description 9
- 239000000523 sample Substances 0.000 claims description 121
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 62
- 239000010410 layer Substances 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 60
- 238000011176 pooling Methods 0.000 claims description 35
- 238000007789 sealing Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 229920006268 silicone film Polymers 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000007822 coupling agent Substances 0.000 claims description 5
- 229910000838 Al alloy Inorganic materials 0.000 claims description 4
- 239000010935 stainless steel Substances 0.000 claims description 3
- 229910001220 stainless steel Inorganic materials 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 claims 3
- 238000005516 engineering process Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 10
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 230000005291 magnetic effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000006249 magnetic particle Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 239000002904 solvent Substances 0.000 description 4
- 206010034960 Photophobia Diseases 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000975 dye Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000013469 light sensitivity Diseases 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000005674 electromagnetic induction Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000252 nontoxic Toxicity 0.000 description 2
- 230000003000 nontoxic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229920003020 cross-linked polyethylene Polymers 0.000 description 1
- 239000004703 cross-linked polyethylene Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000004945 emulsification Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 125000005575 polycyclic aromatic hydrocarbon group Chemical group 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 1
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000001044 red dye Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种用于电缆附件铅封缺陷的超声波检测方法及系统，属于电力电缆无损检测技术领域。本发明首先利用与铅封表面相耦合的超声波检测装置采集并生成各种缺陷类型的铅封缺陷图像数据，之后基于采集的铅封缺陷图像数据对卷积神经网络进行训练和测试，获得符合精度要求和准确度的卷积神经网络模型，该模型不仅可以有效检测出电缆附件内部缺陷和铅封与铝护套之间的层间缺陷，还可以在两种缺陷同时存在时实现缺陷检出。最后，将目标铅封缺陷图像输入训练好的卷积神经网络模型，准确地输出目标电缆附件的铅封缺陷类型，从而可以明显提高电缆附件铅封缺陷的检测精度和准确度。进而解决了现有的铅封缺陷检测方法存在检测准确率低的技术问题。
Description
技术领域
本发明涉及电力电缆无损检测技术领域，并且更具体地，涉及一种用于电缆附件铅封缺陷的超声波检测方法及系统。
背景技术
高压电缆附件附件是输电线路重要的组成部分，铅封制作是高压电缆附件附件制作的关键工艺之一，铅封制作的好坏直接影响到高压电缆安全稳定运行。目前城市电力系统发展迅速，电缆负荷也是逐渐增大，在城市配电网中高压交联聚乙烯单芯高压电力电缆在城市配电网中的应用越来越广泛。高压电缆附件铅封在制作的过程中需要依靠大量的人工现场作业，目前也无相应的现场铅封制作标准，只能依靠人工现场经验进行判断是否制作完好，因此电缆铝护套铅封制作的过程中会留下大量潜伏性缺陷,或在运行过程中受外力作用会出现孔洞、开裂或者脱粘等缺陷，严重时还会引起电网非计划停运事故。为了保证高压电缆附件本体与附件安全稳定运行，并且在安装和运行中能够及时掌握铅封是否存在缺陷，以及缺陷位置和大小，亟需能够迅速、精确检测、识别和定位高压电缆附件铅封缺陷的有效办法。
随着科学技术的不断发展，电力电缆附件缺陷检测方法目前有局部放电检测法、X射线检测法、红外线检测法、电场分布检测法、局部放电检测法等，实际高压电缆附件存在结构复杂，表面曲率较大，且这些检测方法存在现场操作复杂，检测条件要求比较高、检测精度不高、耗时长等问题，都无法有效运用到高压电缆附件铅封缺陷检测之中。专利申请CN201477169U公开了一种高压电缆附件绝缘缺陷检测系统，该装置采用的是局部放电检测法。目前有利用涡流检测方法对高压电缆附件铅封进行缺陷检测，例如专利申请CN110231398A公开了一种用于铅封涡流检测缺陷的模拟试块及其制作方法和应用，该方法虽然对表面开裂的铅封缺陷检测有比较好的检测效果，但是涡流探测方法受到探测的限制，无法对附件铅封内部缺陷、铅封与铝护套层间缺陷进行及时有效的检测。因此，现有的铅封缺陷检测方法存在检测准确率低的问题。
发明内容
针对现有技术的不足，本发明提供一种用于电缆附件铅封缺陷的超声波检测方法及系统。
根据本发明的一个方面，提供了一种用于电缆附件铅封缺陷的超声波检测方法，包括：
利用超声波检测装置获取电缆附件的铅封缺陷图像样本，其中超声波检测装置与电缆附件的铅封表面相耦合，铅封缺陷图像样本的铅封缺陷类型包括铅封内部缺陷类型、铅封与铝护套层间缺陷类型以及铅封内部缺陷与铅封层间缺陷同时存在类型；
对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本；
基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，得到符合精度要求的卷积神经网络模型，基于测试用的缺陷图像样本对卷积神经网络模型的缺陷识别率进行测试，当卷积神经网络模型的缺陷识别率达到识别率阈值时停止训练；
利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，输出目标电缆附件的铅封缺陷类型。
可选地，所述超声波检测装置包括超声相控阵探头和柔性水囊，柔性水囊置于电缆附件铅封上且与电缆附件铅封接触，柔性水囊内部注入水，超声相控阵探头的前端放置在柔性水囊内。
可选地，所述利用超声波检测装置获取电缆附件的铅封缺陷图像样本之前，该方法还包括对超声相控阵探头的以下至少一项参数进行配置：超声相控阵探头数量、声波模式、声速、电压、脉冲重复频率、频带、平滑选项、超声相控阵探头类型、超声相控阵探头频率、扫描类型、聚焦类型、分辨率、开始角度、停止角度、聚焦距离、扫描范围起点、扫描范围终点以及校准功能。
可选地，所述利用超声波检测装置获取电缆附件的铅封缺陷图像样本，包括：
将超声相控阵探头前端放置在柔性水囊内部，在柔性水囊内部注入水直至淹没超声相控阵探头的前端；
将超声相控阵探头放置在预设位置，对电缆附件铅封内部缺陷进行检测，获取扫查图像；
根据预设轨迹移动超声相控阵探头位置，重复对电缆附件铅封内部缺陷进行检测，获取扫查图像，直至得到完整的电缆附件铅封内部图像，作为电缆附件的铅封缺陷图像样本。
可选地，所述对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本，包括：
将铅封缺陷图像样本从所述超声波检测装置中导出；
将导出的铅封缺陷图像样本压缩至预设的图像大小，并将压缩后的铅封缺陷图像样本以彩色格式保存至预设的铅封缺陷样本集；
从铅封缺陷样本集中选取预设数量的训练样本，按照预设的铅封缺陷类型对选取的训练样本标注对应的缺陷类型，生成训练用的缺陷图像样本；
将铅封缺陷样本集中剩余的样本作为测试用的缺陷图像样本。
可选地，所述预设的卷积神经网络包括卷积层、池化层和Dropout层；并且
所述基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，包括：
利用卷积层提取训练用的缺陷图像样本的特征向量；
将提取出的特征向量输入池化层处理，并将池化层输出的特征向量输入Dropout层，对缺陷图像样本的铅封缺陷类型进行预测；
根据预测的结果判断卷积神经网络的缺陷识别准确率是否符合要求；
在缺陷识别准确率未符合要求时，通过多次迭代运算直至缺陷识别准确率符合要求。
可选地，所述柔性水囊与电缆附件铅封的接触面采用无损检测的黏性耦合剂进行耦合。
可选地，所述柔性水囊包括外壳与硅胶薄膜。
可选地，所述硅胶薄膜的厚度为0.1mm~1mm。
可选地，所述外壳为弧型，所述外壳的材质为铝合金或不锈钢。
可选地，所述超声相控阵探头的晶片总数为1~32个，晶片的中心间距为0.01mm~30mm，晶片尺寸为0.01mm~20mm。
可选地，所述超声相控阵探头的频率范围为1MHz~10MHz，电压范围为50V~200V。
根据本发明的另一个方面，提供了一种用于电缆附件铅封缺陷的超声波检测系统，包括：
图像获取模块，用于利用超声波检测装置获取电缆附件的铅封缺陷图像样本，其中超声波检测装置与电缆附件的铅封表面相耦合，铅封缺陷图像样本的铅封缺陷类型包括铅封内部缺陷类型、铅封与铝护套层间缺陷类型以及铅封内部缺陷与铅封层间缺陷同时存在类型；
预处理及生成模块，用于对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本；
训练模块，用于基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，得到符合精度要求的卷积神经网络模型，基于测试用的缺陷图像样本对卷积神经网络模型的缺陷识别率进行测试，当卷积神经网络模型的缺陷识别率达到识别率阈值时停止训练；
铅封缺陷识别模块，用于利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，输出目标电缆附件的铅封缺陷类型。
可选地，所述超声波检测装置包括超声相控阵探头和柔性水囊，柔性水囊置于电缆附件铅封上且与电缆附件铅封接触，柔性水囊内部注入水，超声相控阵探头的前端放置在柔性水囊内。
可选地，该系统还包括配置模块，用于对超声相控阵探头的以下至少一项参数进行配置：超声相控阵探头数量、声波模式、声速、电压、脉冲重复频率、频带、平滑选项、超声相控阵探头类型、超声相控阵探头频率、扫描类型、聚焦类型、分辨率、开始角度、停止角度、聚焦距离、扫描范围起点、扫描范围终点以及校准功能。
可选地，所述图像获取模块，具体用于：
将超声相控阵探头前端放置在柔性水囊内部，在柔性水囊内部注入水直至淹没超声相控阵探头的前端；
将超声相控阵探头放置在预设位置，对电缆附件铅封内部缺陷进行检测，获取扫查图像；
根据预设轨迹移动超声相控阵探头位置，重复对电缆附件铅封内部缺陷进行检测，获取扫查图像，直至得到完整的电缆附件铅封内部图像，作为电缆附件的铅封缺陷图像样本。
根据本发明的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明上述任一方面所述的方法。
根据本发明的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现本发明上述任一方面所述的方法。
本发明利用与铅封表面相耦合的超声波检测装置采集各种缺陷类型的铅封缺陷图像数据，各种缺陷类型包括铅封内部缺陷类型、铅封与铝护套层间缺陷类型以及铅封内部缺陷与铅封层间缺陷同时存在类型的铅封缺陷图像数据。之后，基于采集的各种缺陷类型的铅封缺陷图像数据对卷积神经网络进行训练和测试，获得符合精度要求和准确度的卷积神经网络模型，该卷积神经网络模型不仅可以有效检测出电缆附件内部缺陷和铅封与铝护套之间的层间缺陷，还可以在两种缺陷同时存在时实现缺陷检测。最后，利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，准确地输出目标电缆附件的铅封缺陷类型，从而可以明显提高电缆附件铅封缺陷的检测精度和准确度。进而解决了现有的铅封缺陷检测方法存在检测准确率低的技术问题。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1是本发明一示例性实施例提供的用于电缆附件铅封缺陷的超声波检测方法的流程示意图；
图2是本发明一示例性实施例提供的用于电缆附件铅封缺陷的超声波检测方法的整体流程图；
图3是本发明一示例性实施例提供的利用超声波检测装置扫描铅封缺陷的示意图；
图4是本发明一示例性实施例提供的卷积运算过程图；
图5是本发明一示例性实施例提供的池化过程示意图；
图6是本发明一示例性实施例提供的用于电缆附件铅封缺陷的超声波检测系统的结构示意图；
图7是本发明一示例性实施例提供的电子设备的结构。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
本领域技术人员可以理解，本发明实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本发明实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本发明实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本发明中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本发明对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于通信终端、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与通信终端、计算机系统、服务器等电子设备一起使用的众所周知的通信终端、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
通信终端、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
本发明所涉及的术语：
（1）铅封，lead sealing：一种用于高压输电线路电缆铝护套与尾管连接的搪铅密封安装工艺；
（2）超声相控阵，Phased array ultrasound：一种陶瓷压电晶体构成的阵列，通过控制晶体的电压和相位，实现对超声波束的聚焦和扫描技术；
（3）卷积神经网络，Convolutional neural network：一种深度学习模型，特别适合于图像和视频等二维数据的处理。它的主要特征是通过卷积层和池化层构建出的网络结构，可以处理多通道输入数据，并具有平移不变性、参数共享等优良性质。
在本发明实施例中，无损检测技术的原理是不破坏零件或材料，可以直接在现场进行检测，而且效率高。现有无损检测技术经汇总有五大类：超声检测（UltrasonicTesting，UT）、射线检测（RadiographicTesting，RT） 、磁粉检测（Magnetic particleTesting，MT）、渗透检测（Penetrant Testing，PT）、涡流检测（Eddy current Testing，ET）。
射线检测技术主要是指使用射线检测物体内部与外部性能的方法。该技术是利用不同射线穿透性和衰减程度的差异，将其投射于检测对象表面，以密度和厚度的差异完成检测的方式。如检测物质密度较大，部分射线的吸收量较大，出现了较为显著的筛衰减现象。而射线穿透空气时，空气吸收量明显减少，此时观察底片时会发现底片的光感程度较为明显。通过底片的光感度来判断物体内部是否存在质量问题，也可结合感光程度确定缺陷的程度和位置。射线检测技术在体积性缺陷检测中十分常见。
对于射线数字成像法。国外新技术新标准新设备层出不穷。射线检测法检测在第二次世界大战期间，苏联和美国等工业先进国家就开始在飞机的制造过程中对重要零部件进行检测。经过几十年的发展，工业射线CT技术日趋成熟，英国EMI实验中心和日本东芝公司分别推出各自的全自动扫描器，它能快速检测大型、复杂零部件，可对直径最大为1000mm的工件进行连续CT扫描并能精确地检测出构件内部的细微变化及贯穿型缺陷。部分新技术目前已得到了转化和应用。其中，俄罗斯、日本、德国、法国和美国等发达国家处于领先地位。在高效化研究方面，德国的YXLONZ和SERFEITI两家公司针对铸件检测需求，研制了一套检测系统，该系统能够实现全自动操作。
磁粉检测也叫磁粉探伤，属于无损检测的五大常规方法之一，是铁磁性材料表面的缺陷检测中用的最多、也是最成熟的方法。磁粉检测的原理是：铁磁性工件被磁化后，由于不连续性的存在，工件表面和近表面的磁力线会发生局部畸变而产生漏磁场；漏磁场吸附施加在工件表面的磁粉，在合适的光照下形成目视可见的磁痕，从而显示出不连续性的位置、大小、形状和严重程度。
1922年，美国的物理学家霍克发现一个物理现象：当把铁屑放到磁化工件的表面后，铁屑将聚集成与磁化工件表面的缺陷直接相关的形状，当时对这种物理现象的作用并没有特别的认识，但这仍然被认为是磁粉探伤技术的开始；到1929年初Forest运用该物理现象开展对油井管道裂纹的检验，但这种尝试并未取得成功；直到1930年，瓦茨才成功地用磁粉检测方法检查出焊缝。现在世界上影响最广泛的磁化规范是苏联航空材料研究院的学者瑞加。德罗的研究成果，已被许多国家采用和认可，我国各工业部门也基本以此为依据。
渗透检测的原理是：利用液体的毛细管作用，将渗透液渗入固体材料表面开口缺陷处；再通过显像剂将渗入的渗透液析出到表面而显示缺陷的存在。渗透检测主要分为两类，即荧光渗透检测和着色渗透检测。其探伤工艺包括预处理、施加渗透剂、去除多余渗透剂、干燥、施加显像剂及观察评定等过程。
1946年，Belerk WJ在有机溶剂中加入红色染料作着色渗透剂；1951年，VeakckerE用苯和丙里作荧光渗透剂；1955年，Rohde Fred W提出后乳化型渗透探伤法，这些都使渗透探伤灵敏度有所提高。与此同时，国外也出现了一个渗透剂的研制高潮，采用苏丹Ⅳ号作着色渗透剂染料，采用拜耳荧光黄作荧光染料，使检测灵敏度提高到十微米裂纹宽度。但致命弱点是渗透剂和显象剂必须采用含苯等剧毒试剂作溶剂。工业产品在制造和运行过程中，可能在表面产生宽度零点几微米的表面裂纹，断裂力学研究表明，在恶劣的工作条件下，这些微细裂纹都会是导致设备破坏的裂纹源。因此，研制更高灵敏度，基本无毒害的探伤剂就成为一个重要的课题。由此引起了60、70年代渗透探伤技术的又一个发展高峰。60年代初，国外研制成功可检测宽度为0.5m表面裂纹高灵敏度、基本无毒害的着色探伤剂和荧光探伤剂，着色滲透剂主要染料仍然是苏丹N，溶剂则是一些无害的试剂；荧光渗透剂主要染料是多环芳香族碳氢化合物、溶剂煤油和航空润滑油等。这些配方都属现有技术，市场上公开的配方仍然是用苯等试剂作基本溶剂。
电涡流检测是以电磁感应原理为基础的无损检测方法，该检测方式利用电磁感应原理，当交变电流线圈靠近被检测物质材料后，其表面或靠近表面的位置会产生相应的涡流，通过对涡流变化特征的了解，如它的运行轨迹、相位、涡流大小等，即可准确判断被测物质材料存在的缺陷，之后结合现有指标进一步分析问题的严重程度，进而有针对性地采取科学处理措施。另外，涡流大小的变化显示着被测物质材料磁导率、形状及电导率发生改变，并生成较大的电磁场，使得线圈阻抗发生变化，根据这一情况，能够准确获取被测物质材料的物理信息，如物理状态特征等，从而增强检测结果判断的准确性。涡流检测是一种利用导电试件内涡流变化特征来判断是否存在形状、尺寸、材质、缺陷问题的一种有效方法，这种检测方式通常应用于裂缝、孔洞、折叠和夹杂等多种缺陷的检测中。
超声检测方法是目前检测复杂结构内部缺陷的主要方法，相比传统的超声无损检测，超声相控阵检测方法的扫查范围更广、缺陷回波更加明显、成像更加清晰，但对曲面的铅封内部缺陷进行检测时，不能进行良好的耦合，声波在传播的过程中衰减严重，检测精度大大降低，而且对于缺陷类型的判断严重依靠操作人员的现场经验，容易造成对缺陷的误判。
工业五大无损检测技术中能够对非进行无损检测的方法有超声检测、射线检测、渗透检测。电缆附件复合界面位于电缆附件内部，因此用于检测非磁性材料表面的渗透法不适用于本发明的研究。射线检测技术对于气孔、夹渣、缩孔等体积型缺陷的检测灵敏度较高，但对面-面接触结构的检测效果并不理想，且在使用过程中会产生辐射给工作人员带来安全威胁。因此，经过研究发现，根据五大常规无损检测的适用范围与优缺点比对，基于超声检测最有可能应用于电缆附件铅封缺陷检测。
因此，本发明提出了一种用于电缆附件铅封缺陷的超声波检测方法及系统。图1是本发明一示例性实施例提供的用于电缆附件铅封缺陷的超声波检测方法的一个流程示意图。如图1所示，用于电缆附件铅封缺陷的超声波检测方法包括以下步骤：
步骤S101：利用超声波检测装置获取电缆附件的铅封缺陷图像样本，其中超声波检测装置与电缆附件的铅封表面相耦合，铅封缺陷图像样本的铅封缺陷类型包括铅封内部缺陷类型、铅封与铝护套层间缺陷类型以及铅封内部缺陷与铅封层间缺陷同时存在类型。
可选地，所述超声波检测装置包括超声相控阵探头和柔性水囊，柔性水囊置于电缆附件铅封上且与电缆附件铅封接触，柔性水囊内部注入水，超声相控阵探头的前端放置在柔性水囊内。
在本发明实施例中，可以根据需要检测的电缆附件铅封表面大小制作合适的超声相控阵探头和柔性水囊。
进一步的，所述柔性水囊包括外壳和硅胶薄膜。
进一步的，柔性水囊的外壳可置于电缆附件铅封上，所述外壳为弧型，所述外壳的材质为铝合金，所述外壳的弧度根据电缆附件铅封铅封的不规则曲率表面而定，所述外壳的弧度范围为π/3~π。
进一步的，所述外壳的底部用具有弹性的硅胶薄膜固定并密封，所述硅胶薄膜的厚度为0.1mm-1mm；
进一步的，将所述柔性水囊放置在涂抹有黏性耦合剂的电缆附件铅封表面上，所述柔性水囊的硅胶薄膜与电缆附件铅封的接触面采用无损检测的黏性耦合剂进行耦合。
进一步的，所述超声相控阵探头前端置于柔性水囊内，所述超声相控阵探头的频率范围为1MHz~10MHz，电压范围为50V~200V，所述超声相控阵探头的晶片总数范围为1~32个，晶片的中心间距范围为0.01mm~30mm，晶片尺寸范围为0.01mm~20mm。
可选地，所述利用超声波检测装置获取电缆附件的铅封缺陷图像样本之前，该方法还包括对超声相控阵探头的以下至少一项参数进行配置：超声相控阵探头数量、声波模式、声速、电压、脉冲重复频率、频带、平滑选项、超声相控阵探头类型、超声相控阵探头频率、扫描类型、聚焦类型、分辨率、开始角度、停止角度、聚焦距离、扫描范围起点、扫描范围终点以及校准功能。
在本发明实施例中，配置超声相控阵探头参数如下；
配置超声相控阵探头数量；
配置声波模式，包括纵波和横波；
配置声速范围为1000~8000m/s；
配置电压包括50V、100V、150V、200V共四挡；
配置脉冲重复频率包括1kHz、1.5kHz、2kHz、2.5kHz、3kHz、4kHz、5kHz共七档；
配置频带包括2.5MHz、5MHz、7.5MHz、10MHz共4档；
配置平滑包括是和否两个选项；
配置超声相控阵探头类型包括一维线阵和环阵选项；
配置超声相控阵探头频率范围为1MHz~10MHz；
配置扫描类型包括扇扫和线扫；
配置聚焦类型包括深度，声程和水平选项；
配置分辨率范围为0.5°~5°；
配置开始角度和停止角度范围均为-90°~90°；
配置聚焦距离范围为0mm~1000mm；
配置扫描范围起点、扫描范围终点均为0mm~900mm；
配置超声相控阵探头前端距焊缝中心距离范围为0mm~1000mm；
配置校准功能包括延迟校准、声速校准、角度补偿、距离补偿和DAC曲线制作。
可选地，将超声相控阵探头前端放置在柔性水囊内部，在柔性水囊内部注入水至淹没超声相控阵探头的前端；将超声相控阵探头放置在预设位置，对电缆附件铅封内部缺陷进行检测，获取扫查图像；根据预设轨迹移动超声相控阵探头位置，重复对电缆附件铅封内部缺陷进行检测，获取扫查图像，直至得到完整的电缆附件铅封内部图像，作为电缆附件的铅封缺陷图像样本。
在本发明实施例中，高压电缆附件铅封缺陷的超声检测步骤如下：
（1）将超声相控阵探头前端放置在柔性水囊内部，在柔性水囊内部注入水直至淹没超声相控阵探头的前端；
（2）将相控阵探头放置在预设位置，对电缆终端铅封内部缺陷进行检测，获取扫查图像，如图3所示；
（3）根据预设轨迹移动相控阵探头位置，重复对电缆终端铅封内部缺陷进行检测，获取扫查图像，直至得到完整的电缆终端铅封内部图像。
步骤S102：对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本。
可选地，所述对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本，包括：将铅封缺陷图像样本从所述超声波检测装置中导出；将导出的铅封缺陷图像样本压缩至预设的图像大小，并将压缩后的铅封缺陷图像样本以彩色格式保存至预设的铅封缺陷样本集；从铅封缺陷样本集中选取预设数量的训练样本，按照预设的铅封缺陷类型对选取的训练样本标注对应的缺陷类型，生成训练用的缺陷图像样本；将铅封缺陷样本集中剩余的样本作为测试用的缺陷图像样本。
在本发明实施例中，获取的电缆附件典型铅封缺陷图像类型包括：铅封内部缺陷、铅封与铝护套层间缺陷以及铅封内部缺陷与铅封层间缺陷同时存在的3种典型铅封缺陷。
进一步地，需要对获得的铅封缺陷图像进行预处理，将经过预处理的缺陷图像作为原始需要训练的样本和需要测试的样本进行保存。
其中，预处理包括将获取的铅封缺陷图像从超声波检测装置中导出来，将导出来的图像压缩至预设的大小，将图像保存为彩色的，其中，所述预设大小的长宽均设置为256像素；
进一步的，将所有的预设图像保存到典型铅封缺陷样本集中；
进一步的，从典型铅封缺陷样本集中选出训练样本（对应于训练用的缺陷图像样本），保存到训练样本集中，其中，训练样本数量不大于所述典型铅封缺陷图像样本总数；
进一步的，将所述典型铅封缺陷样本集中剩余的样本作为测试样本（对应于测试用的缺陷图像样本）进行保存。
步骤S103：基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，得到符合精度要求的卷积神经网络模型，基于测试用的缺陷图像样本对卷积神经网络模型的缺陷识别率进行测试，当卷积神经网络模型的缺陷识别率达到识别率阈值时停止训练。
在本发明实施例中，在试验获得需要训练的缺陷图像样本上标注出缺陷类型，并进行缺陷类型分类，生成新的训练样本。对标注后的缺陷图像样本通过卷积神经网络进行训练，通过多次迭代运算获得缺陷识别准确率较高的模型为止，将需要测试的缺陷图像输入到训练好的卷积神经网络模型中，若缺陷识别率较高，即可将用于铅封缺陷检测的卷积神经网络模型文件保存。
本发明利用卷积神经网络进行多次迭代运算深度学习训练获得典型铅封缺陷模型库，该方法克服了模型输入训练样本少，缺陷对比度低等诸多干扰因素的影响，在实际的铅封缺陷检测中，可以有效检测出高压电缆附件内部缺陷和铅封与铝护套之间的层间缺陷也能在两种缺陷同时存在时实现缺陷检测，可以减少因为依赖操作人员现场操作经验而造成对缺陷的误判，可以明显提高附件铅封缺陷检测精度和准确度。
可选地，所述预设的卷积神经网络包括卷积层、池化层和Dropout层；并且所述基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，包括：利用卷积层提取训练用的缺陷图像样本的特征向量；将提取出的特征向量输入池化层处理，并将池化层输出的特征向量输入Dropout层，对缺陷图像样本的铅封缺陷类型进行预测；根据预测的结果判断卷积神经网络的缺陷识别准确率是否符合要求；在缺陷识别准确率未符合要求时，通过多次迭代运算直至缺陷识别准确率符合要求。
在本发明实施例中，采用已经标注的训练样本集作为输入数据，输入到卷积神经网络模型中进行训练，通过多次迭代运算获得缺陷识别准确率较高的模型为止，将需要测试的缺陷图像输入到训练好的卷积神经网络模型中，若缺陷识别率较高，即可将用于铅封缺陷检测的卷积神经网络模型文件保存；
进一步的，卷积神经网络对训练样本集进行缺陷特征识别训练的过程中，主要包含了卷积、池化、Dropout防止过拟合3个步骤，如图2所示。
卷积阶段：卷积层是卷积神经网络中很关键的一部分，图像特征可以通过卷积运算进行提取。在卷积阶段，第k-1层的特征图谱与卷积层中的卷积核通过卷积运算可以得到第k层的特征图谱，卷积核可以将k-1层中每个小区域的特征信息提取并集中到k层中一个小点上，在卷积层后面一般会添加一个激活层，目的是为了卷积层提取的图像包含线性特征，同时还包含非线性特征。在卷积过程中，第k-1层网络中的特征图数量可以由第层特征映射计算得到，第k层第n个卷积特征图计算公式如下所示：
（1）
其中：f是激活层函数，是铅封缺陷卷积特征图/>的集合，/>为铅封缺陷卷积特征图/>对铅封缺陷卷积特征图/>的权值矩阵函数，/>为对铅封缺陷卷积特征图的偏置函数。
进一步的，如图4所示，为卷积运算的详细图解，如果格式为RGB的彩色铅封缺陷图像输入到卷积运算网络中，假设输入的铅封缺陷图像大小为a×b，经过转换可以将图像转换为3×a×b的高维数组。
进一步的，若输入的铅封缺陷图像大小为M×M，卷积核大小为N×N；若此时卷积核的数量为S，那么通过超声相控阵检测获得的高压电缆附件铅封缺陷图像通过卷积后可以获得输出的特征图大小为S×(M-N+1)×(M-N+1)，同样也可以表示为：（卷积核的个数）×（卷积完成后图像实际的宽度）×（卷积完成后图像实际的长度）。
池化阶段：一般情况下池化层会周期性的插入到相连的卷积层之间，池化层的作用是把铅封缺陷图像相似的特征集合起来，通过池化层进行池化处理后，能够有效减少卷积层输出的特征向量，可以大大减轻卷积神经网络的计算量，从而有效提高处理数据的效率，同时还可以起到过拟合的作用。池化方式常见的有最大池化、平均池化和随机池化；这几种池化方式都是采用滑动窗口的运动机制，不同的是最大池化在滑动窗口中选取窗口内的最大值作为池化后的值，平均池化是选取滑动窗口中所有数值的平均值作为池化后的值。其中，最大池化的计算公式为：
（2）
其中，表示池化的区域。
平均池化的计算公式为：
（3）
其中，表示池化区域的面积。
进一步的，如图5所示，为池化过程的示意图，池化层选择大小为2×2的滤波器，此时滑动步进为2，经过池化后输出的数据结果是原始输入数据的1/4，数据量减少了75%，在很大程度上节省了卷积神经网络的计算空间。
Dropout防止过拟合阶段：过拟合现象一般情况下主要发生在训练样本数量不足、训练数据量较小时。由于在高压电缆铅封缺陷检测的过程中缺陷图像数据需要人工试验采集，试验所测数据量非常有限，因此考虑在应用卷积神经网络时采用Dropout方法来解决过拟合相关问题。Dropout层输出表达式为：
（4）
其中， r表示为二元且服从参数为t的伯努利分布的矩阵， x表示全连接层的输入，是n维列向量，表示权重矩阵，a为已知系数。
步骤S104：利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，输出目标电缆附件的铅封缺陷类型。
在本发明实施例中，利用超声波检测装置现场获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，然后将现场获取的目标铅封缺陷图像输入到卷积神经网络模型中，卷积神经网络模型就可以准确识别出缺陷图像上铅封缺陷的类型。
综上所述，本发明利用与铅封表面相耦合的超声波检测装置采集各种缺陷类型的铅封缺陷图像数据，各种缺陷类型包括铅封内部缺陷类型、铅封与铝护套层间缺陷类型以及铅封内部缺陷与铅封层间缺陷同时存在类型的铅封缺陷图像数据。之后，基于采集的各种缺陷类型的铅封缺陷图像数据对卷积神经网络进行训练和测试，获得符合精度要求和准确度的卷积神经网络模型，该卷积神经网络模型不仅可以有效检测出电缆附件内部缺陷和铅封与铝护套之间的层间缺陷，还可以在两种缺陷同时存在时实现缺陷检测。最后，利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，准确地输出目标电缆附件的铅封缺陷类型，从而可以明显提高电缆附件铅封缺陷的检测精度和准确度。进而解决了现有的铅封缺陷检测方法存在检测准确率低的技术问题。
示例性装置
图6是本发明一示例性实施例提供的用于电缆附件铅封缺陷的超声波检测系统600的结构示意图。如图6所示，该系统600包括：
图像获取模块610，用于利用超声波检测装置获取电缆附件的铅封缺陷图像样本；
预处理及生成模块620，用于对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本；
训练模块630，用于基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，得到符合精度要求的卷积神经网络模型，基于测试用的缺陷图像样本对卷积神经网络模型的缺陷识别率进行测试，当卷积神经网络模型的缺陷识别率达到识别率阈值时停止训练；
铅封缺陷识别模块640，用于利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，输出目标电缆附件的铅封缺陷类型。
可选地，所述超声波检测装置包括超声相控阵探头和柔性水囊，柔性水囊置于电缆附件铅封上且与电缆附件铅封接触，柔性水囊内部注入水，超声相控阵探头的前端放置在柔性水囊内。
可选地，该系统还包括配置模块，用于对超声相控阵探头的以下至少一项参数进行配置：超声相控阵探头数量、声波模式、声速、电压、脉冲重复频率、频带、平滑选项、超声相控阵探头类型、超声相控阵探头频率、扫描类型、聚焦类型、分辨率、开始角度、停止角度、聚焦距离、扫描范围起点、扫描范围终点以及校准功能。
可选地，所述图像获取模块610，具体用于：
将超声相控阵探头前端放置在柔性水囊内部，在柔性水囊内部注入水直至淹没超声相控阵探头的前端；
将超声相控阵探头放置在预设位置，对电缆附件铅封内部缺陷进行检测，获取扫查图像；
根据预设轨迹移动超声相控阵探头位置，重复对电缆附件铅封内部缺陷进行检测，获取扫查图像，直至得到完整的电缆附件铅封内部图像，作为电缆附件的铅封缺陷图像样本。
可选地，所述预处理及生成模块620，具体用于：
将铅封缺陷图像样本从所述超声波检测装置中导出；
将导出的铅封缺陷图像样本压缩至预设的图像大小，并将压缩后的铅封缺陷图像样本以彩色格式保存至预设的铅封缺陷样本集；
从铅封缺陷样本集中选取预设数量的训练样本，按照预设的铅封缺陷类型对选取的训练样本标注对应的缺陷类型，生成训练用的缺陷图像样本；
将铅封缺陷样本集中剩余的样本作为测试用的缺陷图像样本。
可选地，所述预设的卷积神经网络包括卷积层、池化层和Dropout层；并且
所述训练模块630，具体用于：
利用卷积层提取训练用的缺陷图像样本的特征向量；
将提取出的特征向量输入池化层处理，并将池化层输出的特征向量输入Dropout层，对缺陷图像样本的铅封缺陷类型进行预测；
根据预测的结果判断卷积神经网络的缺陷识别准确率是否符合要求；
在缺陷识别准确率未符合要求时，通过多次迭代运算直至缺陷识别准确率符合要求。
可选地，所述柔性水囊与电缆附件铅封的接触面采用无损检测的黏性耦合剂进行耦合。
可选地，所述柔性水囊包括外壳与硅胶薄膜。
可选地，所述硅胶薄膜的厚度为0.1mm~1mm。
可选地，所述外壳为弧型，所述外壳的材质为铝合金或不锈钢。
可选地，所述超声相控阵探头的晶片总数为1~32个，晶片的中心间距为0.01mm~30mm，晶片尺寸为0.01mm~20mm。
可选地，所述超声相控阵探头的频率范围为1MHz~10MHz，电压范围为50V~200V。
本发明的实施例的用于电缆附件铅封缺陷的超声波检测系统与本发明的另一个实施例的用于电缆附件铅封缺陷的超声波检测方法相对应，在此不再赘述。
示例性电子设备
图7是本发明一示例性实施例提供的电子设备的结构。如图7所示，电子设备70包括一个或多个处理器71和存储器72。
处理器71可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器72可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器71可以运行所述程序指令，以实现上文所述的本发明的各个实施例的软件程序的方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置73和输出装置74，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
此外，该输入装置73还可以包括例如键盘、鼠标等等。
该输出装置74可以向外部输出各种信息。该输出装置74可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
还需要指出的是，在本发明的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (18)
1.一种用于电缆附件铅封缺陷的超声波检测方法，其特征在于，包括：
利用超声波检测装置获取电缆附件的铅封缺陷图像样本，其中超声波检测装置与电缆附件的铅封表面相耦合，铅封缺陷图像样本的铅封缺陷类型包括铅封内部缺陷类型、铅封与铝护套层间缺陷类型以及铅封内部缺陷与铅封层间缺陷同时存在类型；
对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本；
基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，得到符合精度要求的卷积神经网络模型，基于测试用的缺陷图像样本对卷积神经网络模型的缺陷识别率进行测试，当卷积神经网络模型的缺陷识别率达到识别率阈值时停止训练；
利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，输出目标电缆附件的铅封缺陷类型。
2.根据权利要求1所述的方法，其特征在于，所述超声波检测装置包括超声相控阵探头和柔性水囊，柔性水囊置于电缆附件铅封上且与电缆附件铅封接触，柔性水囊内部注入水，超声相控阵探头的前端放置在柔性水囊内。
3.根据权利要求2所述的方法，其特征在于，所述利用超声波检测装置获取电缆附件的铅封缺陷图像样本之前，还包括对超声相控阵探头的以下至少一项参数进行配置：超声相控阵探头数量、声波模式、声速、电压、脉冲重复频率、频带、平滑选项、超声相控阵探头类型、超声相控阵探头频率、扫描类型、聚焦类型、分辨率、开始角度、停止角度、聚焦距离、扫描范围起点、扫描范围终点以及校准功能。
4.根据权利要求2所述的方法，其特征在于，所述利用超声波检测装置获取电缆附件的铅封缺陷图像样本，包括：
将超声相控阵探头前端放置在柔性水囊内部，在柔性水囊内部注入水直至淹没超声相控阵探头的前端；
将超声相控阵探头放置在预设位置，对电缆附件铅封内部缺陷进行检测，获取扫查图像；
根据预设轨迹移动超声相控阵探头位置，重复对电缆附件铅封内部缺陷进行检测，获取扫查图像，直至得到完整的电缆附件铅封内部图像，作为电缆附件的铅封缺陷图像样本。
5.根据权利要求1所述的方法，其特征在于，所述对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本，包括：
将铅封缺陷图像样本从所述超声波检测装置中导出；
将导出的铅封缺陷图像样本压缩至预设的图像大小，并将压缩后的铅封缺陷图像样本以彩色格式保存至预设的铅封缺陷样本集；
从铅封缺陷样本集中选取预设数量的训练样本，按照预设的铅封缺陷类型对选取的训练样本标注对应的缺陷类型，生成训练用的缺陷图像样本；
将铅封缺陷样本集中剩余的样本作为测试用的缺陷图像样本。
6.根据权利要求1所述的方法，其特征在于，所述预设的卷积神经网络包括卷积层、池化层和Dropout层；并且
所述基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，包括：
利用卷积层提取训练用的缺陷图像样本的特征向量；
将提取出的特征向量输入池化层处理，并将池化层输出的特征向量输入Dropout层，对缺陷图像样本的铅封缺陷类型进行预测；
根据预测的结果判断卷积神经网络的缺陷识别准确率是否符合要求；
在缺陷识别准确率未符合要求时，通过多次迭代运算直至缺陷识别准确率符合要求。
7.根据权利要求2所述的方法，其特征在于，所述柔性水囊与电缆附件铅封的接触面采用无损检测的黏性耦合剂进行耦合。
8.根据权利要求2所述的方法，其特征在于，所述柔性水囊包括外壳与硅胶薄膜。
9.根据权利要求8所述的方法，其特征在于，所述硅胶薄膜的厚度为0.1mm~1mm。
10.根据权利要求8所述的方法，其特征在于，所述外壳为弧型，所述外壳的材质为铝合金或不锈钢。
11.根据权利要求2所述的方法，其特征在于，所述超声相控阵探头的晶片总数为1~32个，晶片的中心间距为0.01mm~30mm，晶片尺寸为0.01mm~20mm。
12.根据权利要求3所述的方法，其特征在于，所述超声相控阵探头的频率范围为1MHz~10MHz，电压范围为50V~200V。
13.一种用于电缆附件铅封缺陷的超声波检测系统，其特征在于，包括：
图像获取模块，用于利用超声波检测装置获取电缆附件的铅封缺陷图像样本，其中超声波检测装置与电缆附件的铅封表面相耦合，铅封缺陷图像样本的铅封缺陷类型包括铅封内部缺陷类型、铅封与铝护套层间缺陷类型以及铅封内部缺陷与铅封层间缺陷同时存在类型；
预处理及生成模块，用于对铅封缺陷图像样本进行预处理，对经过预处理的铅封缺陷图像样本标注缺陷类型，生成训练用的缺陷图像样本和测试用的缺陷图像样本；
训练模块，用于基于训练用的缺陷图像样本对预设的卷积神经网络进行训练，得到符合精度要求的卷积神经网络模型，基于测试用的缺陷图像样本对卷积神经网络模型的缺陷识别率进行测试，当卷积神经网络模型的缺陷识别率达到识别率阈值时停止训练；
铅封缺陷识别模块，用于利用超声波检测装置获取待识别铅封缺陷类型的目标电缆附件的目标铅封缺陷图像，并将目标铅封缺陷图像输入训练好的卷积神经网络模型，输出目标电缆附件的铅封缺陷类型。
14.根据权利要求13所述的系统，其特征在于，所述超声波检测装置包括超声相控阵探头和柔性水囊，柔性水囊置于电缆附件铅封上且与电缆附件铅封接触，柔性水囊内部注入水，超声相控阵探头的前端放置在柔性水囊内。
15.根据权利要求14所述的系统，其特征在于，还包括配置模块，用于对超声相控阵探头的以下至少一项参数进行配置：超声相控阵探头数量、声波模式、声速、电压、脉冲重复频率、频带、平滑选项、超声相控阵探头类型、超声相控阵探头频率、扫描类型、聚焦类型、分辨率、开始角度、停止角度、聚焦距离、扫描范围起点、扫描范围终点以及校准功能。
16.根据权利要求14所述的系统，其特征在于，所述图像获取模块，具体用于：
将超声相控阵探头前端放置在柔性水囊内部，在柔性水囊内部注入水直至淹没超声相控阵探头的前端；
将超声相控阵探头放置在预设位置，对电缆附件铅封内部缺陷进行检测，获取扫查图像；
根据预设轨迹移动超声相控阵探头位置，重复对电缆附件铅封内部缺陷进行检测，获取扫查图像，直至得到完整的电缆附件铅封内部图像，作为电缆附件的铅封缺陷图像样本。
17.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-12任一所述的方法。
18.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述权利要求1-12任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152777.5A CN116908314A (zh) | 2023-09-08 | 2023-09-08 | 一种用于电缆附件铅封缺陷的超声波检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311152777.5A CN116908314A (zh) | 2023-09-08 | 2023-09-08 | 一种用于电缆附件铅封缺陷的超声波检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116908314A true CN116908314A (zh) | 2023-10-20 |
Family
ID=88365313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311152777.5A Pending CN116908314A (zh) | 2023-09-08 | 2023-09-08 | 一种用于电缆附件铅封缺陷的超声波检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116908314A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118731190A (zh) * | 2024-07-13 | 2024-10-01 | 东莞市输变电工程建设有限责任公司 | 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007187625A (ja) * | 2006-01-16 | 2007-07-26 | J-Power Systems Corp | ケーブル接続部の欠陥検出方法 |
| CN113466338A (zh) * | 2021-07-19 | 2021-10-01 | 中国工程物理研究院计量测试中心 | 一种基于神经网络的塑封电子元器件缺陷识别系统及方法 |
| US20210334587A1 (en) * | 2018-09-04 | 2021-10-28 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
| CN114022715A (zh) * | 2021-11-17 | 2022-02-08 | 国网江苏省电力有限公司电力科学研究院 | 一种高压电缆终端铅封缺陷检测方法及装置 |
| CN114359193A (zh) * | 2021-12-23 | 2022-04-15 | 华中科技大学 | 一种基于超声相控阵成像的缺陷分类方法及系统 |
| CN115856088A (zh) * | 2023-03-01 | 2023-03-28 | 广东惠丰达电气设备有限公司 | 基于相控阵超声波成像技术对高压电缆铅封质量检测系统 |
-
2023
- 2023-09-08 CN CN202311152777.5A patent/CN116908314A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007187625A (ja) * | 2006-01-16 | 2007-07-26 | J-Power Systems Corp | ケーブル接続部の欠陥検出方法 |
| US20210334587A1 (en) * | 2018-09-04 | 2021-10-28 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
| CN113466338A (zh) * | 2021-07-19 | 2021-10-01 | 中国工程物理研究院计量测试中心 | 一种基于神经网络的塑封电子元器件缺陷识别系统及方法 |
| CN114022715A (zh) * | 2021-11-17 | 2022-02-08 | 国网江苏省电力有限公司电力科学研究院 | 一种高压电缆终端铅封缺陷检测方法及装置 |
| CN114359193A (zh) * | 2021-12-23 | 2022-04-15 | 华中科技大学 | 一种基于超声相控阵成像的缺陷分类方法及系统 |
| CN115856088A (zh) * | 2023-03-01 | 2023-03-28 | 广东惠丰达电气设备有限公司 | 基于相控阵超声波成像技术对高压电缆铅封质量检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 方春华 等: "高压电缆终端铅封缺陷超声相控阵柔性耦合检测", 《高压电技术》, vol. 48, no. 01, pages 29 - 37 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118731190A (zh) * | 2024-07-13 | 2024-10-01 | 东莞市输变电工程建设有限责任公司 | 一种基于机器学习的多通道相控阵超声数据封铅内部缺陷自动检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110146521B (zh) | 基于微波无损检测的管道表面腐蚀缺陷检测方法及装置 | |
| Wu et al. | Nondestructive testing for corrosion evaluation of metal under coating | |
| Chen et al. | A cascaded deep learning approach for detecting pipeline defects via pretrained YOLOv5 and ViT models based on MFL data | |
| CN113092322B (zh) | 基于电磁层析成像技术的滑油磨粒在线监测装置及方法 | |
| Azizinasab et al. | Defect detection and depth estimation in CFRP through phase of transient response of flash thermography | |
| CN106442711A (zh) | 基于涡流反射与透射的无损检测方法 | |
| CN116908314A (zh) | 一种用于电缆附件铅封缺陷的超声波检测方法及系统 | |
| Wang et al. | Capacitive imaging technique for the inspection of composite sucker rod | |
| Lu et al. | Quantitative nondestructive testing of wire ropes based on features fusion of magnetic image and infrared image | |
| CN108037091A (zh) | 复合材料气瓶疲劳损伤红外探测系统 | |
| Cheng et al. | A review of two types of non-destructive testing technique for pressure pipelines | |
| Wang et al. | Optimal design of iron-cored coil sensor in magnetic flux leakage detection of thick-walled steel pipe | |
| CN110514734B (zh) | 一种复合磁场磁光成像无损检测系统及方法 | |
| CN205879865U (zh) | 基于涡流反射与透射的无损检测系统 | |
| CN105116049A (zh) | 涡电流检测方法 | |
| CN106442707A (zh) | 一种基于低频电磁的金属管道缺陷检测装置 | |
| Suresh et al. | Characterization of defects on ferromagnetic tubes using magnetic flux leakage | |
| CN1584562A (zh) | 基于微波技术的输气管道泄漏检测定位方法与系统 | |
| Okolo | Modelling and experimental investigation of magnetic flux leakage distribution for hairline crack detection and characterization | |
| Krause et al. | Selecting the correct electromagnetic inspection technology | |
| Zhao et al. | A novel transition frequency for identification and evaluation of subsurface cracks based on alternating current field measurement technique | |
| CN104391036A (zh) | 储气井井径缺陷检测方法 | |
| Li et al. | Alternating Current Field Measurement Technique for Detection and Measurement of Cracks in Structures | |
| Yao et al. | Pulsed eddy current testing method for corrosion thinning defects of ferromagnetic components based on parameter inversion algorithm | |
| Tytko et al. | Damage detection in carbon fiber-reinforced composite structures using eddy current pot-core sensor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231020 |
|
| RJ01 | Rejection of invention patent application after publication |