基于太赫兹成像的层状复合绝缘结构内部分层缺陷SSA-CNN 定量表征*

朵文博 李宏伟 李帅兵 杨 栋 卢保朋 康永强 曹炳磊

(1.兰州交通大学自动化与电气工程学院 兰州 730000；2.兰州交通大学新能源与动力工程学院 兰州 730000)

1 引言

电力电缆、电缆终端和绝缘子等具备层状复合绝缘结构的电气设备是电力线路中的关键环节，其绝缘性能直接关乎到整个电力系统的安全运行。层状复合绝缘结构一般由不同绝缘材料复合而成，虽然提高了绝缘件本身的电气性能，但层与层之间的密闭性易受外界破坏。在运输、安装、受到外力破坏和外界环境中较大温差的影响后会表现出不同的收缩特性，从而对层状复合结构造成破坏，产生分层、气隙等缺陷，吸收水分等现象会降低绝缘可靠性[1-2]。并且分层、气隙缺陷的形状和尺寸以及所在位置在运行过程中会影响场强畸变[3]，在电、热、机械等多场耦合作用下，会造成分层缺陷处的局部场强过大，极易发生局部放电，甚至造成击穿故障[4]，威胁电力设备乃至电力系统的安全稳定运行[5]。因此，随着局部放电、绝缘失效等一系列问题[6-7]日益突出，在层状复合绝缘结构电力设备的安全维护中，对分层缺陷的识别、受损程度和所在位置实现快速检出是至关重要的[8-9]。

目前，无损检测技术已广泛应用于复合绝缘结构内部分层缺陷检测中，包括超声波、紫外线、红外线和X 射线方法以及脉冲热成像等检测方法，但这些方法受设备本身劣势和外部环境影响，因此适用范围具有局限性[10-15]。随着太赫兹技术的迅速发展，其具备的优点为无损检测领域提供了一种新思路[16]。太赫兹波指频率位于 0.1 ～10 THz(1 THz=1012Hz)，或波长介于3 mm 至30 μm 的电磁波。由于其电磁波段介于微波和红外辐射频段之间，并具备两者各自的一些属性，太赫兹波具有如下优势：① 脉冲宽度小于3 ps 的时、频域分辨率均出色；② 与X 射线不同，太赫兹波不具有电离作用，通常被认为是对人体无害的；③ 良好的穿透力，能够测试各种非导电材料；④ 良好的指纹特性，适用于多种材料；⑤ 抗电磁辐射能力强，可以不受放电或电弧放电引起的MHz-GHz范围内的电磁干扰。

以上特点满足了对电网中绝缘设备无损检测的条件，具有很高的工程应用价值。SATO 等[17]通过提取太赫兹波的反射信息，使电树枝和水树枝缺陷变得可视化；TAKAHASHI 等[18]通过太赫兹反射式成像对聚乙烯绝缘材料内部含有破损的铜导线电缆进行检测，导线在0.14 THz 的反射图像中清晰可见。CHENG 等[19]通过THz-TDS 技术得到含缺陷复合绝缘子的时域波形的幅度，成功地检测出了复合绝缘子中的脱粘缺陷。谢声益等[20]利用太赫兹时域光谱技术实现了对交联聚乙烯(XLPE)样品隐含气隙的缺陷检测，为电缆内部缺陷的非破坏性检测提供了一种新思路。于是乎等[21]采用太赫兹时域光谱仪测量XLPE 的时频域信号，通过信号分析了热老化对XLPE 介电性能的影响。MEI 等[22-23]将反卷积方法和边缘检测算法应用于太赫兹技术中，成功检测到了复合绝缘子内部的缺陷。LI 等[24]借助太赫兹时域光谱技术对车载电缆终端内部受潮区域进行识别，并定量完成了含水层的厚度检测。

目前，实际的太赫兹试验受发射功率和成像衍射的影响，造成成像结果信噪比低，分辨率差，缺陷边缘模糊等问题[25]，对缺陷的精确提取造成困扰。随着深度学习的出现，基于卷积神经网络的语义自注意模型为识别任务提供了新思路，与传统算法相比，卷积神经网络可以对提取同一目标的丰富特征完成检测，并保留图像像素的空间位置特征，对颜色、背景、纹理等干扰因素的鲁棒性较好。

本文借助太赫兹时域光谱系统实现了三层复合绝缘结构内部分层缺陷的检测，提出了一种轻量级卷积神经网络对分层缺陷特征进行语义自注意提取，从不规则的缺陷目标中提取语义，最后对缺陷目标进行语义预测。将DeepLabV3+网络模型与MobileNetV2 网络相结合提高了检测精度，证明该方法能快速有效地减少漏检。

2 层状复合绝缘结构内部分层缺陷的太赫兹成像

2.1 试验条件

THz-TDS 试验的测试设备是Terapulse 4000，其功率为300 W，其功率谱范围为0.06～4 THz[26]，扫描范围为1 600 ps，光谱分辨率为1.2 cm-1。太赫兹成像测试的测试设备是太赫兹时域光谱仪CCT-1800[27]，其主要部件是蓝宝石飞秒激光器，中心波长为780 nm，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。试验时，考虑到太赫兹波无法穿透铜导体层，采用太赫兹检测的反射模式进行检测，反射式THz-TDS 的测试原理示意图如图1 所示。

图1 反射式THz-TDS 的测试原理示意图

2.2 测试样品的制备

用于太赫兹测试的层状复合绝缘结构样品主要为三层结构，样品制作过程与样品缺陷参数如图2所示。 合成样品的材料均取自电缆终端(QTO-J30G-25kV)，第一层为应力管，第二层为乙丙橡胶主绝缘层，最后为铜导体层。

图2 内部分层的层状复合绝缘结构模型图

层状复合绝缘结构出现层间缺陷是由于主绝缘与应力控制管之间发生粘脱，与正常状态下的复合绝缘结构相比，二者之间出现大面积空隙。为了高度还原复合绝缘结构中的分层状态，本文采用刀具对主绝缘层进行破坏、挖空处理，分层缺陷处与应力控制管相接部分为大面积空隙。需要注意的是，为了尽量减少折射和反射过程中太赫兹波的损失，每层的表面应尽可能平坦和光滑。

2.3 测试样品分层区域的太赫兹成像试验

THz 成像测试由THz-TDS 系统中的运动控制模块逐点扫描样品并记录坐标，通过检波器接收到的太赫兹时域波形创建样品完整的时域光谱强度分布图像。THz 成像系统的参数设置如表1所示。

表1 THz 成像系统参数

本文中分别选用0.348 THz和0.476 THz作为试验频率，对层状复合绝缘分层样品进行成像，其频域成像结果如图3 所示。

图3 分层区域的太赫兹频域成像图

太赫兹频域成像可以直接反映材料与太赫兹波相互作用的强度，图3 中样品的深色区域即为层状复合绝缘结构的分层缺陷，因为该区域中太赫兹波在绝缘分层缺陷中经过多重反射，从而降低了这些区域的太赫兹波能和太赫兹强度[28]。相反，分层缺陷区域边缘部分的浅色区域则是太赫兹波通过气隙时发生了散射和折射。

3 基于DC-GAN 的太赫兹图像扩充

3.1 理论依据

目前的太赫兹检测系统造价昂贵且成像速度缓慢，因此太赫兹图像的数据量较为匮乏。当前扩充数据的传统方法主要有调节亮度、对比度和旋转等。本文在此基础上，采用生成对抗网络(Deep convolution generative adversarial networks, DCGAN)对数据集扩充，以达到图像数据量的需求。

DCGAN 主要通过生成器和判别器两个网络进行对抗学习，用相互博弈的方式不断提高自身性能，直到判别网络难以区分生成样本和真实样本，训练完成。经典DCGAN 的模型结构如图4所示。

图4 DCGAN 网络结构

在DCGAN 的训练过程中，生成器的学习率为0.002，判别器的学习率为0.000 4，使用Adam 优化器来更新参数。图5 是迭代部分生成图像，可以看出当迭代次数达到700 次时，生成的图像数量基本满足需求。

图5 DCGAN 网络部分生成图像

3.2 数据集制作

在制作训练数据集时，挑选适用于训练的生成图像与原有扩充图像数据共450 张，训练集与验证集以7∶3 划分。通过Labelme 软件对太赫兹图像中含有分层缺陷的区域进行精细标注，生成Json 文件，之后再将Json 格式转换为单通道图像，以PASCAL VOC 数据格式存储使用。

4 基于SSA-CNN 的太赫兹图像分割

4.1 SSA-CNN 算例原理

DeepLabV3+网络作为DeepLab 系列中最新版本的语义分割模型，引入了主流的编码-解码结构，在语义分割领域中极具代表性，具备基于像素分割的能力，是现阶段最为优秀的语义分割算法之一，其结构如图6 所示。

图6 DeepLabV3+模型结构图

首先，图像进入编码器部分，编码部分的主干提取网络对太赫兹成像的复合绝缘结构内部分层缺陷进行特征提取，通过空洞空间卷积金字塔(Atrous spatial pyramid pooling, ASPP)结构将主干网络提取的特征信息进一步优化。接着，解码部分将主干网络提取的特征信息与经过ASPP 和上采样后的特征信息进行融合，以确保同时具备语义信息和细节特征。最终通过3×3 卷积和4 倍上采样将特征图恢复到与原始图像具备相同的分辨率输出。

经典DeepLabV3+主干提取网络Xception[29]的结构复杂、参数量大，网络训练更难且收敛速度更慢。 因此， 本文采用轻量级网络MobileNetV2[30]进行特征提取，该结构具有参数量少、容易训练和收敛快等优点，解决了硬件条件不足的问题，使网络在参数数量较少的情况下还能具备较高的精度。

MobileNetV2 网络结构主要由3×3 卷积块、反向残差块、1×1 卷积和7×7 平均池化组成，网络中反向残差结构可以使参数更少，线性瓶颈结构有效避免了ReLU6 对特征的破坏，减少造成的信息损失。MobileNetV2 通过ASPP 和双线性内插上采样得到更多细节信息的特征图，整体上较DeepLabV3+网络有更好的提取能力。

4.1.1 空间金字塔池化结构

DeepLabV3+网络通过借鉴SSP-Net 模型得到了ASPP 结构，ASPP 内含1 个大小为1×1、采样率为0 的卷积核，3 个大小为3×3，采样率分别为6、12 和18 的空洞卷积核来对目标进行多尺度提取。空洞卷积在保证减少下采样操作和不增加网络参数的条件下增加网络感受野，解决了池化导致信息丢失的问题，使特征图尽量不丢失分割区域的边界特征信息，空洞卷积的结构如图7 所示。

图7 一维空洞卷积视图

假设输入为x，滤波器为w，膨胀率为r的空洞卷积，则ASPP 的输出信息y如式(1)所示

式中，x是输入特征图；y是输出特征图；w是卷积核；k是卷积核，尺寸为k×k；r是卷积核的膨胀率，即卷积核w各参数间隔为r-1。

4.1.2 迁移学习

迁移学习能有效避免硬件配置能力欠缺、训练时间过长的情况，它通过预训练模型可以将一个环境在大数据集中保存的网络权重迁移到类似新环境的学习任务中，而大部分数据或任务都是存在相关性的，因此预训练的权重可以用于新的模型进行试验，使卷积神经网络训练的速度更快，收敛更有效，提高了学习效率，增强了模型的鲁棒性，在数据量比较少的条件下快速训练出结果，还能有效地防止梯度消失和爆炸等问题。

4.2 训练平台及网络参数设置

层状复合绝缘结构内部分层缺陷的自动分割试验的操作系统为Windows 11，开发语言环境为Anaconda3，硬件环境为AMDR75800H 处理器，内存16 GB，显卡为NVIDIA GTX 3060，CUDA 版本为11.6。深度学习的框架为Pytorch，编写软件为VScode，编写语言为Python3.7。由于模型的训练采取了分批次迁移学习的训练方法，各阶段的学习率、批处理尺寸大小和迭代轮数都不同。具体参数如表2 所示。

表2 试验参数

采用冻结主干网络的方式进行训练是为了加快网络的训练速度，防止权重被破坏。冻结阶段是指将模型的主干提取网络进行冻结，此时网络不发生改变，仅对模型的结构进行微调，此时占用的显存较小。解冻阶段则与冻结阶段相反，此时网络的所有参数均发生变化，占用的显存较大。

本文以交叉熵(Cross entropy loss)和 Dice Loss 作为模型的损失函数。在使用Softmax 对像素点进行分类输出时，将交叉熵作为损失函数来表达输入与输出结果的差异，交叉熵越小，输入和输出的结果就越接近。用于分类的交叉熵损失函数为

式中，x是输入向量；C是当前样本类别对应索引；x[C]是当前样本预测函数输出；x[j]是预测函数第j个输出。

Dice Loss 将语义分割的评价指标作为损失，Dice 系数是集合相似度度量函数，可以表达2 个样本之间的相似程度。Dice 系数越大，Dice Loss 越小，表示真实结果与预测结果高度相似，模型的分割性能越好，其计算公式为

式中，Dice_Loss是损失函数；X是预测图像中为正的像素点集；Y是真实图像中为正的像素点集。

模型训练过程中采用Adam 优化器对损失函数进行优化，该方法可以解决大规模数据和参数的优化问题，使模型以较短的时间收敛至最优状态，计算高效且所需内存少。

4.3 图像分割评价指标

为了量化本次语义分割方法对太赫兹缺陷图像的分割效果，在此引入平均交并比(Mean intersection over union，MIoU)、召回率(Recall)和精确率(Precision)来进行评价。

MIoU 是分割结果真值的交集与其并集的比值，按类计算后取平均值，定义如式(4)所示

Recall 指在实际为正的样本中被预测为正样本的概率，计算公式如式(5)所示

Precision 指在被所有预测为正的样本中实际为正样本的概率，其公式如式(6)所示

式中，k为类别数；TP 表示真实值与预测值一致，即TP 为标签含分层缺陷区域，且预测为分层缺陷区域的像素点数量；FP 为标签是背景但预测为分层缺陷的像素点数量；FN 为标签是含分层缺陷区域，但预测为背景的像素点数量。

4.4 试验结果分析

为了进一步确定改进DeepLabV3+模型的分割性能以达到较优的效果，本文将三种语义自注意模型进行对比训练，试验均在同一太赫兹图像测试集上进行测试，且各模型所用参数一致，运行环境相同，三种模型的训练过程变化曲线如图8 所示，本文方法的各阶段训练结果如表3 所示。

表3 DeepLabV3+(MobileNetV2)模型各阶段训练结果

图8 不同模型训练过程变化曲线图

通过图8 与表3 可以看出，训练集损失持续下降，验证集损失在冻结阶段虽出现振荡但整体处于减小趋势。当训练达到100 代时，模型主干网络解冻，训练集损失受解冻训练影响而升高，验证集损失减少；在解冻训练开始后由于验证集损失的减小，训练集损失不断下降，并且在验证集损失逐渐趋于稳定时，训练集损失也趋于平稳，模型逐渐收敛。本文所提方法在解冻训练后75 代即可使损失趋于稳定状态，收敛速度最快，损失可到0.04，且MIoU最高；而PSPNet 和经典DeepLabV3+模型解冻后需要训练到100 代才开始趋于稳定。综上，采用MobileNetV2 主干提取网络的DeepLabV3+模型收敛速度快，精度较高。

为了更直观地展示本文方法的有效性，将本文方法与其他提取结果进行对比，部分结果如图9 所示，从左到右依次为含有分层缺陷的太赫兹原图、原图对应的标签图、本文分割结果、DeepLabV3+分割结果和PSPNet 分割结果。通过不同模型的分割效果对比图可知，DeepLabV3+模型对层状复合绝缘结构内部分层缺陷的边缘分割效果比PSPNet 更好，因为DeepLabV3+模型的优势就是在编码部分加入了不同空洞卷积扩张率的多尺度ASPP 提取模块，该模块对同一物体的不同尺寸都具备较高的识别能力，可以进一步捕获多尺度特征，更好地恢复识别目标的边缘信息。通过对比，本文方法的边缘识别效果更好，能够较好地避免其他网络识别的误检区域，说明本文所提网络模型具有更强的稳健性，对太赫兹图像中分层缺陷目标的提取更完整和准确。各网络在太赫兹图像数据集上的评价指标量化结果对比如表4 所示。

表4 不同模型的训练结果对比

图9 不同语义分割方法训练图像对比

可以看出，基于三种不同的语义自注意模型的预测效果均表现良好，与对比模型相比，本文方法得到的缺陷提取方法的MIoU、Recall、Precision 都优于对比模型，分别达到了95.28%、97.55%和97.59%，说明该方法对层状复合绝缘结构分层区域像素的敏感度高，提取精度更高。

4.5 分层缺陷面积提取

由上述工作可知，改进的DeepLabV3+能准确且高效地对成像后的分层缺陷进行分割，因此提出对缺陷区域分割后进行像素点的统计，从而间接得到分层缺陷区域的面积。由于太赫兹图像像素的实际尺寸随太赫兹激光源和拍摄距离变化而变化，当太赫兹光源与样品的距离一定时，可对多层结构样品的太赫兹频域图像进行像素提取，本文中太赫兹发射器与测试对象之间的距离保持为3 cm，对分层缺陷区域的像素提取结果如图10 所示。

图10 分层缺陷区域定量表征结果

通过对层状复合绝缘结构内部分层缺陷的定量表征可知，预测结果高于实际缺陷约10%。该结果是受制作工艺与复合结构等因素的影响，在制作样品时应力管层与主绝缘层并不完全平滑，导致在粘合过程中没有严密贴合，从而使分层缺陷周围存在一定的气隙，气隙的存在使太赫兹波的散射非常强，因此检测到的缺陷面积略大于实际值。综上，THz无损检测技术与语义自注意模型相结合可实现层状复合绝缘结构内部脱层缺陷的智能表征，通过语义提取可以更加直观地得到分层缺陷的位置与几何形状，通过像素点计算可以定量表征出分层缺陷的分层区域大小，为量化层状复合绝缘结构内部分层缺陷的严重程度提供参考。

5 结论

本研究采集了三层复合绝缘结构样品内部分层缺陷的太赫兹图像，并利用DCGAN 模型对图像数据集进行扩充，最终通过改进的DeepLabV3+模型对缺陷进行定量表征，实现了基于太赫兹时域光谱技术的内部分层程度检测。主要得到如下结论。

(1) 太赫兹频域成像可以反映层状复合绝缘结构内部的分层缺陷，分层越严重，缺陷处对太赫兹波的吸收性越强。

(2) 提出的SSA-CNN 模型实现了层状复合绝缘结构分层缺陷区域快速表征，减少了缺陷区域的漏检与误检，同时将精确度提高到97.59%，保障了分割后分层缺陷的平滑性与完整度，能够对边缘细节进行多尺度的提取。

(3) 提出了基于像素点计算的方法对分层区域面积进行定量表征，在DeepLabV3+模型高分割精确度的保障下，统计分层像素点在总检测区域中的占比，对复合层状绝缘结构内部分层程度进行量化，可为复合绝缘结构内部分层程度检测提供参考。