CN108846397A - 一种基于图像处理的电缆半导电层自动检测方法 - Google Patents
一种基于图像处理的电缆半导电层自动检测方法 Download PDFInfo
- Publication number
- CN108846397A CN108846397A CN201810547531.0A CN201810547531A CN108846397A CN 108846397 A CN108846397 A CN 108846397A CN 201810547531 A CN201810547531 A CN 201810547531A CN 108846397 A CN108846397 A CN 108846397A
- Authority
- CN
- China
- Prior art keywords
- image
- conductive layer
- semi
- test piece
- roi
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
- G01B11/275—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing wheel alignment
- G01B11/2755—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes for testing wheel alignment using photoelectric detection means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的绝缘片半导电层自动检测方法,实现了对电缆绝缘片半导电层的自动检测。包括:采集电缆绝缘片试片图像;图像预处理;提取感兴趣区域;通过对感兴趣区域进行分割,筛选分割得到的连通域集合,生成半导电层轮廓;对生成的半导电层轮廓进行缺陷检测和补偿。本绝缘片半导电层自动检测方法,检测效率和精度高,充分考虑了刀痕、光照等因素,同时大大降低了检测人员的劳动强度。
Description
技术领域
本发明属于精密测量技术领域,具体涉及一种基于图像处理的电缆半导电层自动检测方法。
背景技术
目前,测量电缆半导电层厚度、面积以及偏心率(或偏心度)等参数的方法是人工测量。比如目前测量半导电层厚度和偏心度,一般是使用测量投影仪,通过光学投影,将电缆试片放大一定倍率投影到屏幕,再通过手动移动坐标支架的方式,读取不同位置点的坐标,计算厚度值,再算出偏心度。
但是,使用传统装置以及测量方法对电缆半导电层厚度进行测量时会出现以下问题:
1、手工测量复杂,且由人为因素导致引起的测量误差较大,需要人工估计圆心位置,选取试片的测量点。
2、手动计算复杂,计算项目多、计算量大,容易出现计算错误。
3、测量时需要相应量具测量,在测量一些试片时往往需要读数显微镜或是放大倍数至少10倍以上的投影仪作为测量装置,操作复杂、需要时间长、对测试人员要求高。
现有的检测半导电层厚度装置需要测量人员手动确定圆心,转动试片确定最薄点和其他N个试点,手动测量复杂、耗时、较容易引起误差。另外,现在虽然已经有基于图像处理的电缆绝缘层厚度检测装置,但是现有的装置只能检测绝缘层、绝缘屏蔽层等层的厚度,由于半导电层结构的特殊性,现有的方法无法满足对半导电层检测的需求。
发明内容
针对现有技术所存在的上述技术缺陷及不足,本发明提出了一种基于图像处理的绝缘片半导电层自动检测方法,操作简便,检测效率和精度高,大大降低了检测人员的劳动强度和成本。
为提高检测精度,作为优选,本发明适于单芯,且半导电层横截面为圆环或者类似圆环的电缆结构。
一种基于图像处理的绝缘片半导电层自动检测方法,包括如下步骤:
(1)试片图像获取。在待检测电缆切片试样中选取厚度符合规定且刀痕少的试片,将试片放在带远心镜头的高分辨率工业相机视野的中心,使用盖玻片将试片压平,使用光源提供合适的光照,获取半导电层与绝缘层具有明显分界的试片图像;
(2)图像预处理。将得到的图像转化为灰度图像,然后对图像进行阈值化操作,得到阈值化图像;
(3)根据得到的阈值化图像,对试片图像提取感兴趣区域,获取半导电层的感兴趣区域(ROI图像)并对该图作灰度化操作,获取ROI灰度图像;
(4)图像分割。先进行目标和背景的标记,使用双阈值对ROI灰度图像进行阈值化,并使用形态学操作滤除一些噪声并填补目标区域的一些细小孔洞,将从ROI灰度图像中提取的部分半导电层连通域在掩模中标记为目标,其他区域标记为背景。然后使用已标记的掩模使用GrabCut算法对ROI图像进行图像分割,其迭代停止条件主要由提取的半导电层外轮廓闭合程度以及每个点到轮廓外接圆心的均方误差来决定;同时,设定最大迭代次数;
(5)轮廓提取。计算图像分割后的所有连通域的质心以及最小外接矩形的面积、长宽比,计算各轮廓连通域质心到试片内轮廓质心的距离,根据最小外接矩面积进行加权设置阈值,结合面积、长宽比等对连通域进行筛选和合并,得到目标半导电层连通域;并从该连通域中生成半导电层外轮廓;
(6)轮廓缺陷检测和补全。检测外轮廓的凸性缺陷,对于大于一定阈值的凹陷跨度的部分进行修补;
(7)相关参数的计算。通过以上步骤获取的半导电层内外轮廓结合绝缘层外轮廓可以计算出各层厚度、面积以及偏心率等参数;
步骤(2)中,所述预处理一般包括采用式(1)的灰度化处理和采用式(2)的阈值化处理:
图像灰度化:
f(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
图像阈值化,这里使用双阈值对灰度图像进行处理:
其中f(i,j)和g(i,j)分别表示试片图像对应的灰度图像和阈值化图像,R(i,j),G(i,j),B(i,j)表示试片图像RGB通道分离后的三个通道的图像,T1和T2表示设定的阈值范围,i,j分别是试片图像上某一像素点的坐标。
利用步骤(2)得到试片图像对应的灰度图像(f(i,j))和阈值化图像(g(i,j))。
步骤(3)中,对试片图像进行感兴趣区域的提取以及感兴趣区域(ROI图像)的预处理:提取阈值化图像的连通域,并根据圆度、面积等参数对连通域进行筛选,剔除与试片无关的噪声信息。提取连通域的外层轮廓和内孔轮廓并计算出其对应的最小外接矩和质心,通过内外最小外接矩行计算当前试片半导电层所在区域,从试片图像中提取该区域作为半导电层的感兴趣区域,即获得ROI图像。对该ROI图像进行灰度化操作获得ROI灰度图像。
进一步讲,步骤(3)中,通过求取的内外最小外接矩,计算能够包含半导电层的最小或者尽可能小的外接矩形,利用这一外接矩形对试片图像进行分割处理,进一步将无用的信息(包含部分绝缘层图像)和大量干扰信息(包含部分划痕)去除,进一步提高计算效率。
通过步骤(3),得到半导电层的感兴趣区域图像(ROI图像)以及预处理后的ROI灰度图像。步骤(3)中,同时得到试片外轮廓(即绝缘层外轮廓)和试片内轮廓(即半导电层内轮廓)。
步骤(4)中,图像分割的具体步骤包括:
I.先进行目标和背景的标记。使用双阈值操作对ROI灰度图像进行阈值化,并使用形态学操作滤除一些噪声并填补目标区域的一些细小孔洞,将提取的部分半导电层连通域在掩模中标记为目标,其他区域标记为背景,得到分割掩膜图像(Mask图像)。
II.利用已标记Mask图像以及ROI图像使用GrabCut算法进行图像分割:
(i)使用标记目标和背景的Mask图像和ROI图像训练目标高斯混合模型和背景高斯混合模型;
(ii)使用上一步训练的两个高斯混合模型计算ROI图像中每一个像素属于目标和背景的概率;
(iii)计算能量函数,并通过EM算法最优化能量函数得到ROI图像对目标半导电层区域的一个分割,提取分割后的半导电层外轮廓,同时获得更新后的模型参数;
其中能量函数为:
E(α,k,θ,z)=U(α,k,θ,z)+V(α,z) (4)
β=(2<zm-zn>2)-1 (8)
其中,E(α,k,θ,z)是能量函数,U(α,k,θ,z)是区域数据项,V(α,z)是边界平滑项,D(αn,kn,θ,zn)是多维高斯函数取负对数形式。α是输入像素的标签向量,即Mask图像中的值,αn是第n个像素对应掩模值,且αn={0,1}。k是一个记录N个像素中第n个像素对应哪个高斯分量的向量,且有k={k1,...,kn,...,kN}以及kn={1,...,K},其中K为高斯分模型数量。θ是高斯混合模型参数,有θ={π(α,k),μ(α,k),∑(α,k)},其中,π(α,k)是对应高斯混合模型分模型系数,μ(α,k)是对应高斯混合模型分模型的均值向量,∑(α,k)是对应高斯混合模型分模型的协方差矩阵,det用于求∑(α,k)的行列式。z是输入到模型的像素值。γ是一个经验常数,m,n取自邻域像素对集合C中,αm,αn分别为第m和n个像素的掩模值,zm,zn分别为第m和n个像素的像素值,β参数由图像对比度决定,用来放大领域像素差别。公式(7)中[·]符号表示取值为0,1的指示函数,公式(7)中||·||2表示平方二范数。公式(8)中<·>符号表示一张图像样本的期望。
高斯混合模型:
其中,D(x)为输入为x的高斯混合模型,K为高斯混合模型中分模型数量,πi为第i个分模型系数,且有gi(x;μi,∑i)为第i个分模型多维高斯函数,μi,∑i分别为第i个分模型多维高斯函数均值向量和协方差矩阵,d为模型输入x的维度。
(iv)计算提取的半导电层外轮廓闭合程度以及每个点到外轮廓外接圆心的均方误差,当闭合值和均方误差小于等于给定阈值或者迭代次数达到最大迭代次数时停止迭代,当前的半导电层外轮廓即为最终目标半导电层外轮廓,进入步骤(5),若不满足且未达到最大迭代次数时,重新训练高斯混合模型并分割图像(即返回步骤i)。
闭合程度度量:遍历外轮廓上的像素点,对于任意点的八邻域内顺时针或逆时针像素值变化次数为1次的作为端点,统计轮廓上的端点数。
轮廓点到外接圆心的均方误差:
其中,M是轮廓点数,Pl(n)是第n个轮廓点的坐标,Po是该轮廓的外接圆心坐标。
步骤(5)中,对分割后的图像进行轮廓提取:
I.提取分割后的图像的连通域,并计算所有连通域最小外接矩形的面积和长宽比:
Rate=Hmax/Wmax (12)
Area=Hmax×Wmax (13)
其中Hmax是连通域最小外接矩的高度,Wmax是连通域最小外接矩的宽度,Area为最小外接矩形的面积,Rate为最小外接矩形的长宽比。
II.计算各连通域质心到试片内轮廓质心的距离:
D=dis(Pc,Pd) (15)
其中(xc,yc)是连通域质心,Pc=(xc,yc),m00是零阶矩,m10和m01是一阶矩,D是连通域质心与试片内轮廓质心的距离,dis为求解两像素距离的函数,Pc,Pd分别为连通域质心和试片内轮廓质心。
III.根据面积、长宽比以及连通域质心与试片内轮廓质心的距离设置合适阈值对连通域进行筛选,提取半导电层连通域并生成其外层轮廓。
(7)步骤(7)中,由于光照、刀痕等因素干扰,以上步骤提取的半导电层外轮廓可能存在部分区域凹陷或者只有一个优弧的情况。采用Graham扫描法求得半导电层外轮廓的凸包,计算凸包的凸性缺陷,当凹陷程度大于一定阈值时,计算缺陷处的两个端点分别与质心连线与x轴的夹角,对该缺陷处进行圆弧补偿。x轴方向取试片图像宽度方向,原点为试片图像的中心。
凹陷程度:
HD=Hdefect/Wdefect (17)
其中Hdefect是凹陷深度,是凹陷部分的轮廓点距离凹陷两端点连线的最大值,Wdefect是凹陷跨度,是凹陷部分的端点的距离。
本发明通过高分辨率工业摄像机,利用基于图像处理的绝缘片半导电层自动检测方法,实现电缆绝缘片半导电层的自动检测,具有操作简单方便、效率和精度高的优点;可以最大限度地减少人工误差、简化测量流程、提高测量效率、提高测量结果的准确性和重复性。本测量方法操作简单方便,尤其是解决了传统方法对于含有半导电层的电缆不能自动检测的难题,填补了电缆检测领域的空白。
本绝缘片半导电层自动检测方法,检测效率和精度高,充分考虑了刀痕、光照等因素,同时大大降低了检测人员的劳动强度。
附图说明
图1为本发明的绝缘片半导电层自动检测方法的步骤流程示意图。
图2为试片图像及其坐标轴示意图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,一种基于图像处理的绝缘片半导电层自动检测方法,包括如下步骤:
(1)选择刀痕少、半导电层与绝缘层分界相对较明显的待检测电缆的试片,使用盖玻片将试片压平排除试片翘起和弯卷的干扰,然后调整光源至合适的位置和光照强度;
(2)使用高分辨率工业相机采集试片图像;
(3)对采集到的试片图像进行图像预处理:灰度化、阈值化:
图像灰度化:
f(i,j)=0.3R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
图像阈值化,这里使用双阈值对灰度图像进行处理:
其中f(i,j)和g(i,j)分别表示试片图像对应的灰度图像和阈值化图像,R(i,j),G(i,j),B(i,j)表示试片图像RGB通道分离后的三个通道的图像,T1和T2表示设定的阈值范围,i,j分别是试片图像上某一像素点的坐标;
经过步骤(3)得到试片图像对应的阈值化图像;
(4)利用图像预处理之后的阈值化图像对试片图像进行感兴趣区域的提取以及感兴趣区域的预处理:
提取阈值化图像的连通域,并根据圆度、面积等参数对连通域进行筛选,剔除与试片无关的噪声信息。提取剔除噪声信息后的连通域的外层轮廓和试片内圈轮廓并计算出其对应的最小外接矩和质心,通过内外最小外接矩计算当前试片半导电层所在区域,从试片图像中提取该区域的作为半导电层的感兴趣区域(即,从得到的内外最小外接矩之间,选择一个尽可能小的,但是能够包含试片半导电层的矩形,利用该矩形对试片图像进行感兴趣区域提取),即获取ROI图像,对ROI图像进行灰度化操作得到ROI灰度图像;步骤(4)中,同时得到试片外轮廓(即绝缘层外轮廓)和试片内圈轮廓(即半导电层内轮廓)。
(5)图像分割:
I.先进行目标和背景的标记。对ROI灰度图像(见式(3))使用双阈值操作,并使用形态学操作滤除一些噪声并填补目标区域(阈值化后的目标区域,即式(3)中,groi(i,j)取值为1的部分)的一些细小孔洞,得到部分半导电层连通域,将提取的部分半导电层连通域在掩模中标记为目标,其他区域标记为背景,得到分割掩模图像(Mask图像)。
其中froi(i,j)和groi(i,j)分别表示ROI灰度图像和ROI阈值化图像,T1和T2表示设定的阈值范围,i,j分别是图像上某一像素点的坐标,实际上,将groi(i,j)进行形态学处理后即为分割掩模(Mask图像);
II.利用Mask图像以及ROI图像使用GrabCut算法进行图像分割:
(v)使用标记目标和背景的Mask图像和ROI图像训练目标高斯混合模型和背景高斯混合模型;
(vi)使用上一步训练的两个高斯混合模型计算步骤(4)中获取的ROI图像中每一个像素属于目标和背景的概率;
(vii)计算能量函数,并通过EM算法最优化能量函数,得到ROI图像对目标半导电层的一个分割,提取得到半导电层外轮廓,同时获得更新后的高斯混合模型参数。
其中能量函数为:
E(α,k,θ,z)=U(α,k,θ,z)+V(α,z) (4)
β=(2<zm-zn>2)-1 (8)
其中,E(α,k,θ,z)是能量函数,U(α,k,θ,z)是区域数据项,V(α,z)是边界平滑项,D(αn,kn,θ,zn)是多维高斯函数取负对数形式。α是输入像素的标签向量,即Mask图像中的值,αn是第n个像素对应掩模值,且αn={0,1}。k是一个记录N个像素中第n个像素对应哪个高斯分量的向量,且有k={k1,...,kn,...,kN}以及kn={1,...,K},其中K为高斯分模型数量。θ是高斯混合模型参数,有θ={π(α,k),μ(α,k),∑(α,k)},其中,π(α,k)是对应高斯混合模型分模型系数,μ(α,k)是对应高斯混合模型分模型的均值向量,∑(α,k)是对应高斯混合模型分模型的协方差矩阵,det用于求∑(α,k)的行列式。z是输入到模型的像素值。γ是一个经验常数,m,n取自邻域像素对集合C中,αm,αn分别为第m和n个像素的掩模值,zm,zn分别为第m和n个像素的像素值,β参数由图像对比度决定,用来放大领域像素差别。公式(7)中[·]符号表示取值为0,1的指示函数,公式(7)中||·||2表示平方二范数。公式(8)中<·>符号表示一张图像样本的期望。
高斯混合模型:
其中,D(x)为输入为x的高斯混合模型,K为高斯混合模型中分模型数量,πi为第i个分模型系数,且有gi(x;μi,∑i)为第i个分模型多维高斯函数,μi,∑i分别为第i个分模型多维高斯函数均值向量和协方差矩阵,d为模型输入x的维度。
(viii)计算提取的半导电层轮廓闭合程度以及每个点到轮廓外接圆心的均方误差,当闭合值和均方误差小于等于给定阈值时、或者迭代次数达到最大迭代次数时停止迭代,若不满足且未达到最大迭代次数时,重新训练高斯混合模型并分割图像。
闭合程度度量:遍历轮廓上的像素点,对于任意点的八邻域内顺时针或逆时针像素值变化次数为1次的作为端点,统计轮廓上的端点数。
轮廓点到外接圆心的均方误差:
其中,M是轮廓点数,Pl(n)是第n个轮廓点的坐标,Po是外接圆心坐标。
(6)对分割后的图像进行轮廓提取:
I.提取分割后的图像的连通域,并计算所有连通域的质心、面积以及最小外接矩形的长宽比:
Area=Hmax×Wmax (12)
Rate=Hmax/Wmax (13)
其中Hmax是连通域最小外接矩的高度,Wmax是连通域最小外接矩的宽度,Area为最小外接矩形的面积,Rate为最小外接矩形的长宽比。
II.计算各连通域质心到试片内轮廓质心的距离:
D=dis(Pc,Pd) (15)
其中(xc,yc)是连通域质心,m00是零阶矩,m10和m01是一阶矩,D是连通域质心与试片内轮廓质心的距离,dis为求解两像素距离的函数,Pc,Po分别为连通域质心(Pc=(xc,yc))和试片内轮廓质心(Pd=(xd,yd)),Pd由步骤(4)得到,即半导电层内轮廓质心。
III.根据面积、长宽比以及连通域质心与试片内轮廓质心的距离设置合适阈值对连通域进行筛选,提取半导电层连通域并生成其外层轮廓(即半导电层外轮廓)。
(7)轮廓缺陷检测和补全。由于光照、刀痕等因素干扰,以上步骤提取的半导电层外轮廓可能存在部分区域凹陷或者只有一个优弧的情况。采用Graham扫描法求得半导电层外轮廓的凸包,计算凸包的凸性缺陷,当凹陷程度大于一定阈值时,计算缺陷处的两个端点分别与质心连线与x轴的夹角,对该缺陷处进行圆弧补偿;其中x轴定义为:原点为试片图像的中心,方向为试片图像的宽度方向,参见图2。
凹陷程度:
HD=Hdefect/Wdefect (16)
其中Hdefect是凹陷深度,是凹陷部分的轮廓点距离凹陷两端点连线的最大值,Wdefect是凹陷跨度,是凹陷部分的端点的距离;
(8)相关参数的计算。通过以上步骤获取的半导电层轮廓结合绝缘层轮廓可以计算出各层厚度、面积以及偏心率等参数。
Claims (8)
1.一种基于图像处理的电缆半导电层自动检测方法,其特征在于,包括:
(1)采集待检测电缆的试片图像;
(2)对采集到的试片图像进行图像预处理,得到阈值化图像;
(3)利用阈值化图像,对试片图像进行感兴趣区域的提取,得到半导电层的感兴趣区域图像,即ROI图像,并对ROI图像进行灰度化操作获取ROI灰度图像;从阈值化图像中同时得到试片内轮廓,即半导电层内轮廓、试片内轮廓质心和试片外轮廓,即绝缘层外轮廓;
(4)对ROI灰度图像求取感兴趣区域的分割掩模,利用分割掩模以及GrabCut算法对ROI图像进行图像分割,得到分割后的图像;
(5)对分割后的图像进行轮廓提取和轮廓筛选,得到半导电层外轮廓;
(6)对得到的半导电层外轮廓进行缺陷检测和补全,得到最终的半导电层图像。
2.根据权利要求1所述的基于图像处理的电缆半导电层自动检测方法,其特征在于,步骤(3)中,具体包括:
(3-1)提取阈值化图像中的连通域,并根据圆度、面积对得到的连通域进行筛选,剔除与试片无关的噪声信息;
(3-2)提取试片外轮廓和试片内轮廓,并计算出试片内轮廓和试片外轮廓对应的最小外接矩和质心,通过内外最小外接矩计算当前试片半导电层所在区域,从试片图像中提取该区域,得到ROI图像,并对ROI图像进行灰度化操作得到ROI灰度图像。
3.根据权利要求1所述的基于图像处理的电缆半导电层自动检测方法,其特征在于,步骤(4)中,求取感兴趣区域的分割掩模的方法如下:
(4-1)对步骤(3)得到的ROI灰度图像进行阈值化处理;
(4-2)使用形态学操作滤除噪声并填补目标区域的细小孔洞,得到部分半导电层连通域;
(4-3)将当前提取的部分半导电层连通域在Mask图像中标记为目标,其他区域标记为背景,得到分割掩模。
4.根据权利要求3所述的基于图像处理的电缆半导电层自动检测方法,其特征在于,步骤(4)中,进行图像分割的方法为:
(4-4)使用当前的分割掩模训练目标高斯混合模型和背景高斯混合模型;
(4-5)使用训练得到的两个高斯混合模型计算步骤(3)中提取的ROI图像中每一个像素属于目标和背景的概率;
(4-6)计算能量函数,并通过EM算法最优化所述能量函数,得到ROI图像对目标半导电层区域的一个分割,得到半导电层外轮廓;同时更新高斯混合模型的模型参数;
(4-7)计算提取的半导电层外轮廓闭合值以及每个点到该半导电层外轮廓外接圆心的均方误差,当闭合值和均方误差小于等于给定阈值或者迭代次数达到最大迭代次数时,停止迭代进入步骤(5);若闭合值或均方误差大于给定阈值且未达到最大迭代次数时,返回步骤(4-4)。
5.根据权利要求1或3所述的基于图像处理的电缆半导电层自动检测方法,其特征在于,步骤(5)中,具体包括:
(5-1)提取分割后的图像的连通域,并计算所有连通域的质心以及其最小外接矩形的面积和长宽比;
(5-2)计算各连通域质心到步骤(3-2)得到的试片内轮廓质心的距离;
(5-3)根据所述面积、长宽比以及距离,对得到的连通域进行筛选,提取半导电层连通域,并生成其外层轮廓。
6.根据权利要求1或3所述的基于图像处理的电缆半导电层自动检测方法,其特征在于,所述步骤(6)中,采用Graham扫描法求得半导电层外轮廓的凸包,计算凸包的凸性缺陷,当凹陷程度大于设定阈值时,计算缺陷处的两个端点分别与质心连线与x轴的夹角,对该缺陷处进行圆弧补偿;其中x轴的方向定义为沿试片图像的宽度方向。
7.根据权利要求1所述的基于图像处理的电缆半导电层自动检测方法,其特征在于,步骤(6)得到半导电层图像后,还包括:
(7)通过半导电层图像,得到半导电层内外轮廓,同时结合绝缘层外轮廓计算出绝缘层或半导电层的厚度、面积以及偏心率中的一种或者多种参数。
8.据权利要求1所述的基于图像处理的电缆半导电层自动检测方法,其特征在于,步骤(2)中,所述图像预处理包括灰度化处理和阈值化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810547531.0A CN108846397B (zh) | 2018-05-31 | 2018-05-31 | 一种基于图像处理的电缆半导电层自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810547531.0A CN108846397B (zh) | 2018-05-31 | 2018-05-31 | 一种基于图像处理的电缆半导电层自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846397A true CN108846397A (zh) | 2018-11-20 |
CN108846397B CN108846397B (zh) | 2021-01-15 |
Family
ID=64210110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810547531.0A Active CN108846397B (zh) | 2018-05-31 | 2018-05-31 | 一种基于图像处理的电缆半导电层自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846397B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489554A (zh) * | 2018-12-29 | 2019-03-19 | 浙江科技学院 | 一种全自动电缆各层参数智能检测方法及装置 |
CN109829508A (zh) * | 2019-02-25 | 2019-05-31 | 嘉兴市恒创电力设备有限公司 | 一种基于形状投影的电缆类别检测系统和检测方法 |
CN110287884A (zh) * | 2019-06-26 | 2019-09-27 | 长安大学 | 一种辅助驾驶中压线检测方法 |
CN110852990A (zh) * | 2019-10-09 | 2020-02-28 | 北京理工华汇智能科技有限公司 | 一种基于图像处理的橡胶树斜刀痕检测方法 |
CN111210437A (zh) * | 2019-12-25 | 2020-05-29 | 新绎健康科技有限公司 | 一种基于辅助圆划分气体放电能量图扇区的方法及系统 |
CN112508913A (zh) * | 2020-12-10 | 2021-03-16 | 国网江西省电力有限公司电力科学研究院 | 基于图像检测的电缆截面边沿检测方法 |
CN112541884A (zh) * | 2020-10-30 | 2021-03-23 | 浙江大华技术股份有限公司 | 缺陷检测方法及设备、计算机可读存储介质 |
CN113344037A (zh) * | 2021-05-18 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 电缆绝缘层及护套参数测量方法及测量装置 |
CN114494253A (zh) * | 2022-04-14 | 2022-05-13 | 江苏智云天工科技有限公司 | 工业质检的方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100892562B1 (ko) * | 2008-01-23 | 2009-04-09 | 엘에스전선 주식회사 | 직류 케이블 |
CN103295219A (zh) * | 2012-03-02 | 2013-09-11 | 北京数码视讯科技股份有限公司 | 图像分割的方法与装置 |
US20130336582A1 (en) * | 2012-06-14 | 2013-12-19 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN105910539A (zh) * | 2016-05-30 | 2016-08-31 | 河北工业大学 | 基于机器视觉的电缆护套拉伸长度测量装置及方法 |
CN106780440A (zh) * | 2016-11-29 | 2017-05-31 | 北京邮电大学 | 爆炸电路板残片图像自动比对识别方法 |
CN107578047A (zh) * | 2017-08-18 | 2018-01-12 | 国网山东省电力公司淄博供电公司 | 电力电缆的偏心度检测方法 |
CN107830974A (zh) * | 2017-10-23 | 2018-03-23 | 广东电网有限责任公司东莞供电局 | 一种基于红外热像电力设备sf6泄漏在线检测方法 |
CN108090485A (zh) * | 2017-11-28 | 2018-05-29 | 西安电子科技大学昆山创新研究院 | 基于多视角融合的图像前景自动提取方法 |
-
2018
- 2018-05-31 CN CN201810547531.0A patent/CN108846397B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100892562B1 (ko) * | 2008-01-23 | 2009-04-09 | 엘에스전선 주식회사 | 직류 케이블 |
CN103295219A (zh) * | 2012-03-02 | 2013-09-11 | 北京数码视讯科技股份有限公司 | 图像分割的方法与装置 |
US20130336582A1 (en) * | 2012-06-14 | 2013-12-19 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
CN105910539A (zh) * | 2016-05-30 | 2016-08-31 | 河北工业大学 | 基于机器视觉的电缆护套拉伸长度测量装置及方法 |
CN106780440A (zh) * | 2016-11-29 | 2017-05-31 | 北京邮电大学 | 爆炸电路板残片图像自动比对识别方法 |
CN107578047A (zh) * | 2017-08-18 | 2018-01-12 | 国网山东省电力公司淄博供电公司 | 电力电缆的偏心度检测方法 |
CN107830974A (zh) * | 2017-10-23 | 2018-03-23 | 广东电网有限责任公司东莞供电局 | 一种基于红外热像电力设备sf6泄漏在线检测方法 |
CN108090485A (zh) * | 2017-11-28 | 2018-05-29 | 西安电子科技大学昆山创新研究院 | 基于多视角融合的图像前景自动提取方法 |
Non-Patent Citations (4)
Title |
---|
CHUN-LING FAN: "digital image processing techniques applied in cable insulation parameters measurement", 《2008 IEEE INTERNATIONAL CONFERENCE ON AUTOMATION AND LOGISTICS》 * |
林厚从: "《信息学奥赛之数学一本通》", 31 July 2016, 南京:东南大学出版社 * |
陈慧岩等: "《车辆信息技术》", 31 December 2013, 北京:北京理工大学出版社 * |
魏钢: "高压交联聚乙烯电力电缆接头绝缘缺陷检测及识别研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489554B (zh) * | 2018-12-29 | 2024-02-02 | 浙江科技学院 | 一种全自动电缆各层参数智能检测方法及装置 |
CN109489554A (zh) * | 2018-12-29 | 2019-03-19 | 浙江科技学院 | 一种全自动电缆各层参数智能检测方法及装置 |
CN109829508B (zh) * | 2019-02-25 | 2022-11-08 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于形状投影的电缆类别检测系统和检测方法 |
CN109829508A (zh) * | 2019-02-25 | 2019-05-31 | 嘉兴市恒创电力设备有限公司 | 一种基于形状投影的电缆类别检测系统和检测方法 |
CN110287884A (zh) * | 2019-06-26 | 2019-09-27 | 长安大学 | 一种辅助驾驶中压线检测方法 |
CN110287884B (zh) * | 2019-06-26 | 2021-06-22 | 长安大学 | 一种辅助驾驶中压线检测方法 |
CN110852990A (zh) * | 2019-10-09 | 2020-02-28 | 北京理工华汇智能科技有限公司 | 一种基于图像处理的橡胶树斜刀痕检测方法 |
CN110852990B (zh) * | 2019-10-09 | 2023-02-24 | 北京理工华汇智能科技有限公司 | 一种基于图像处理的橡胶树斜刀痕检测方法 |
CN111210437A (zh) * | 2019-12-25 | 2020-05-29 | 新绎健康科技有限公司 | 一种基于辅助圆划分气体放电能量图扇区的方法及系统 |
CN111210437B (zh) * | 2019-12-25 | 2023-09-26 | 新绎健康科技有限公司 | 一种基于辅助圆划分气体放电能量图扇区的方法及系统 |
CN112541884A (zh) * | 2020-10-30 | 2021-03-23 | 浙江大华技术股份有限公司 | 缺陷检测方法及设备、计算机可读存储介质 |
CN112508913A (zh) * | 2020-12-10 | 2021-03-16 | 国网江西省电力有限公司电力科学研究院 | 基于图像检测的电缆截面边沿检测方法 |
CN113344037A (zh) * | 2021-05-18 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 电缆绝缘层及护套参数测量方法及测量装置 |
CN114494253A (zh) * | 2022-04-14 | 2022-05-13 | 江苏智云天工科技有限公司 | 工业质检的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108846397B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846397A (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN114140679B (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN106940889B (zh) | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 | |
CN112419250A (zh) | 路面裂缝数字图像提取、裂缝修补及裂缝参数计算方法 | |
CN109886939B (zh) | 基于张量投票的桥梁裂缝检测方法 | |
JP5313939B2 (ja) | パターン検査方法、パターン検査プログラム、電子デバイス検査システム | |
CN109190473A (zh) | 一种“机器视觉理解”在电力远程监控中的应用 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
US10545490B2 (en) | Method of inspecting a specimen and system thereof | |
CN107993225B (zh) | 一种磁光涡流成像检测的缺陷识别方法 | |
CN101872425A (zh) | 基于经验模态分解获取图像特征并测量相应物理参数方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
Ji et al. | The corroded defect rating system of coating material based on computer vision | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN110211178A (zh) | 一种利用投影计算的指针式仪表识别方法 | |
CN106017328B (zh) | 一种多类型线宽测量方法及装置 | |
CN113393454A (zh) | 活检组织中病理目标实例分割方法和装置 | |
CN109507198A (zh) | 基于快速傅里叶变换和线性高斯的口罩检测系统及方法 | |
CN108320799A (zh) | 一种用于侧向流纸条疾病诊断的图像分析与识别方法 | |
CN103438802B (zh) | 光纤涂覆层几何参数测量方法 | |
Zhang | Online defect detection method of array optical sensor based on watershed image processing algorithm | |
CN110910373B (zh) | 正交异性钢桥面板疲劳裂纹检测图像的识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |