摘要
电缆在现代化基建工程中有极其重要的作用，电缆质量的问题直接关乎工程质量的好坏。因而，对电缆生产工厂和电缆质检部门来说，电缆的质量检测是极其重要且关键的任务。在进行电缆厚度测量时，首先要检测出电缆绝缘层边缘，电缆绝缘层边缘的检测效果直接关乎后续测量精度；因此，如何提升电缆绝缘层厚度测量的精度和效率变得尤为重要。目前，使用人工检测的方法，在实际应用中具有一定的局限性；而基于卷积神经网络的方法已经在图像识别领域有了很大的发展和突破。本文将基于卷积神经网络，1、提出一种基于改进的RCF算法的电缆绝缘层边缘检测方法；2、提出一种基于残差网络的电缆绝缘层边缘检测方法。并将两种算法在绝缘层厚度测量实验中比较测量精度，由实验结果可得基于残差网络的电缆绝缘层边缘检测算法的测量误差较小，检测速度较快，测量精度较高。 本文主要工作和创新点如下： (1)研究了深度学习模型中的卷积神经网络主要因素和基础理论，为后续建立边缘检测算法模型打下基础。首先研究了卷积神经网络的工作原理和组成部分，卷积层的作用和卷积操作的过程，激活函数的分类和功能，池化层在网络中的主要作用和池化操作过程。其次研究了边缘检测中常用的卷积神经网络模型VGG16和ResNet残差网络，同时也是论文模型的主要架构；接着构建了电缆绝缘层数据集，用来训练所设计的电缆绝缘层边缘检测模型，并描述了如何增强数据集，以提升模型性能；最后给出了边缘检测实验中常用的评价指标，以评估所设计模型的边缘检测性能。 (2)基于RCF算法在边缘检测中的应用，本文提出一种基于改进的RCF算法的电缆绝缘层边缘检测方法。首先，针对RCF算法中，由于高阶段卷积层中特征图分辨率降低，导致了图像特征损失的问题，本文在主干网络中将3、4阶段的池化层步长设为1。为了降低过程中高阶段卷积层的感受野变小的影响，将高阶段的卷积层替换为空洞卷积，进而提升图片特征的提取能力。其次，针对RCF算法在提取图像多尺度特征时较复杂的计算方式，在每个卷积层的侧输出网络加入尺度增强模块，提取侧输出网络特征图的多尺度特征。然后，针对高阶段卷积层侧输出网络特征图局部细节不足的问题，在侧输出网络加入级联结构，将低阶段的侧输出与高阶段的侧输出融合，提升高阶段特征图的局部细节信息。最后，将改进的RCF算法与其他边缘检测算法在电缆绝缘层数据集上进行检测精度的比较。对比发现，基于改进的RCF算法在电缆绝缘层边缘检测中有较好的检测效果，其数据集中ODS、OIS和AP值分别达到0.821、0.842和0.799，检测速度达到30fps。 (3)基于残差网络在图像识别领域的应用，本文提出一种基于残差网络的电缆绝缘层边缘检测算法。在ResNet50网络中，特征图经过较多卷积层到达高阶段时，如果特征图过小，会导致高阶段卷积层对特征信息提取过少，基于此，本文首先引入空洞卷积残差块，并将模型的3、4阶段的部分残差块更换为空洞卷积残差块。其次，在每个阶段的侧输出网络中加入尺度增强模块，提取侧输出网络特征图的多尺度特征。然后，引入空间注意力模块，以减少特征图的背景噪声，使得到的物体轮廓更为清晰，进而提升模型边缘提取效果。最后，使用真实标签对每个阶段进行深度监督，并将基于残差网络的边缘检测算法与其他边缘检测算法进行检测精度的比较。在电缆绝缘层数据集上进行实验对比，该算法在电缆绝缘层上具有更好的检测精度。其数据集中ODS、OIS和AP值分别达到0.823、0.844和0.811，检测速度达到32fps。
NETL