摘要
近年来随着海底电缆的迅速发展，海底电缆建设已被世界各国政府认定为是复杂艰巨的重大工程项目，海底电缆的质量问题更是重中之重。比如在生产时，海缆缺陷未被检测到，导致海缆长期受到外界腐蚀，这样会造成一定的材料故障问题，严重后果可能危及生命安全。因此，如何又快又准确地检测海底电缆的表面缺陷，是在为海底电缆的质量和材料养护奠定了基础，这已成为了一个很重要的研究课题。 在上述前景之下，海底电缆检测相关设备如何实现高品质、高效率检测出表面缺陷，诊断出故障所在就是一个艰巨而又重要的任务。如今对海缆生产的检测方式主要是通过人工识别的方式，这样会很容易出现误差，尤其是工业化不断加强，检测技术的提升就显得更加急迫。针对以上问题，本文研究出一个基于深度学习在海缆表面进行缺陷检测的程序，综合海缆表面缺陷的主要五种现象展开检测，该程序基本能够准确、快速的实现海缆表面缺陷的分类和缺陷定位，为施工人员提供科技化的设备支持。 本文的主要研究内容如下几个方面： （1）图像预处理。工厂中采集到的海缆图片大多存在方位不正、像素模糊、色彩灰暗、轮廓不清等问题，这里用到halcon软件对采集到的所有图片做前期处理，针对不同问题一一选择相关算子处理图像，保证检测程序的稳定性与可靠性。 （2）海缆表面缺陷分类和特征提取。使用ImageNet中的resnet50模型进行迁移学习，让预训练分类模型对前置卷积网络层的参数进行初始化，同时对RPN网络的参数进行训练，由此实现该模型提取图像的功能。 （3）海缆缺陷故障的识别和改进。使用FPN金字塔模型对小目标缺陷进行识别。通过对海缆故障特性的分析，本文提出针对FasterRCNN模型的改进方法，即引入Focalloss损失函数，解决数据不平衡造成的问题。另外用ROIAlign替换原来的ROIpooling，减少了量化误差，提升了小目标缺陷的定位精确度。 （4）将改进后的FasterRCNN与其他网络模型做对比。本文选择SSD和YOLOv3，虽然精确率最高达到98.01%，所有海缆分类的精确率都超过了SSD和YOLOv3，但是运算速度相较于原来下降了45ms，这表明在速度上需要有进一步提升。
NETL