CN109596634A - 电缆缺陷的检测方法及装置、存储介质、处理器 - Google Patents

电缆缺陷的检测方法及装置、存储介质、处理器 Download PDF

Info

Publication number
CN109596634A
CN109596634A CN201811645799.4A CN201811645799A CN109596634A CN 109596634 A CN109596634 A CN 109596634A CN 201811645799 A CN201811645799 A CN 201811645799A CN 109596634 A CN109596634 A CN 109596634A
Authority
CN
China
Prior art keywords
image
major insulation
semiconducting layer
cable
outer semiconducting
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
Application number
CN201811645799.4A
Other languages
English (en)
Other versions
CN109596634B (zh
Inventor
郭卫
任志刚
齐伟强
徐兴全
李邦彦
姚玉海
桂媛
杨亚奇
潘泽华
刘若溪
方春华
徐伦
徐一伦
杨司齐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
China Three Gorges University CTGU
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Three Gorges University CTGU
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, China Three Gorges University CTGU, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811645799.4A priority Critical patent/CN109596634B/zh
Publication of CN109596634A publication Critical patent/CN109596634A/zh
Application granted granted Critical
Publication of CN109596634B publication Critical patent/CN109596634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电缆缺陷的检测方法及装置、存储介质、处理器。其中，该方法包括：采集待测电缆中间接头图像；对待测电缆中间接头图像进行处理得到缺陷特征；根据缺陷特征，确定待测电缆中间接头的缺陷检测结果，其中，缺陷检测结果包括以下至少之一：无缺陷、主绝缘表面污渍、主绝缘划伤、外半导电层剥离不齐。本发明解决了相关技术中无法对中间接头进行故障检测导致电缆发生故障的技术问题。

Description

电缆缺陷的检测方法及装置、存储介质、处理器
技术领域
本发明涉及电缆检测领域，具体而言，涉及一种电缆缺陷的检测方法及装置、存储介质、处理器。
背景技术
电力电缆在智能电网建设过程中发挥着巨大作用，随着城市化进程的加快，10kV电力电缆越来越多的运用到输配电线路中。中间接头是电力电缆线路中必不可少的部分，也是最容易发生故障的环节。经过统计，电缆故障中约有30％的故障发生在中间接头部分，而中间接头施工缺陷是引发电缆中间接头故障最重要的原因。目前对于电力电缆中间接头典型施工缺陷的研究仅在其危害方面，没有一种有效的方法能检测典型施工缺陷，无法从源头上对施工缺陷进行管控。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电缆缺陷的检测方法及装置、存储介质、处理器，以至少解决相关技术中无法对中间接头进行故障检测导致电缆发生故障的技术问题。
根据本发明实施例的一个方面，提供了一种电缆缺陷的检测方法，包括：采集待测电缆中间接头图像；对待测电缆中间接头图像进行处理得到缺陷特征；根据缺陷特征，确定待测电缆中间接头的缺陷检测结果，其中，缺陷检测结果包括以下至少之一：无缺陷、主绝缘表面污渍、主绝缘划伤、外半导电层剥离不齐。
可选地，根据缺陷特征，得到待测电缆的缺陷检测结果之后，方法还包括：判断检测结果是否为待测电缆中间接头存在缺陷；在待测电缆中间接头存在缺陷的情况下，发送报警信号。
可选地，对待测电缆中间接头图像进行处理得到缺陷特征之前，对待测图像进行预处理，预处理包括：将待测电缆中间接头图像由彩色图像转换为灰度图像；对灰度图像进行去噪处理；对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像。
可选地，去噪处理包括：采用双边滤波法对图像进行滤波；对滤波后的图像进行图像增强。
可选地，对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像之后，包括：对主绝缘图像进行灰度分量分析，确定主绝缘区域；获取主绝缘区域的纹理特性，主绝缘区域的纹理特性是主绝缘区域图像灰度的统计特性；将纹理特性中的特征输入神经网络模型，得到主绝缘缺陷类型。
可选地，对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像之后，方法还包括：获取外半导电层纹理特性，外半导电层纹理特性是外半导电层图像灰度的统计特性；采用Kirsch算子进行边缘检测，提取外半导电层的边缘；将提取边缘后的图像进行处理，得到外半导电层的矩形度；根据矩形度，判断外半导电层是否为剥离不齐缺陷。
可选地，特征包括以下至少之一：均值、标准偏差、平滑度、三阶矩、一致性及熵、灰度色差。
根据本发明实施例的另一个方面，提供了一种电缆缺陷的检测装置，包括：采集单元，用于采集待测电缆中间接头图像；数据处理单元，与采集单元连接，用于执行上述的电缆缺陷的检测方法。
根据本发明实施例的又一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的电缆缺陷的检测方法。
根据本发明实施例的再一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的电缆缺陷的检测方法。
在本发明实施例中，采用通过对电缆中间接头拍照得到图像后，进行算法分析，对主绝缘表面污渍、主绝缘划伤、外半导电层剥离不齐这三个主要问题进行识别报警的方式，即通过采集待测电缆中间接头图像；对待测电缆中间接头图像进行处理得到缺陷特征；根据缺陷特征，确定待测电缆中间接头的缺陷检测结果，其中，缺陷检测结果包括以下至少之一：无缺陷、主绝缘表面污渍、主绝缘划伤、外半导电层剥离不齐，达到了有效识别电缆中间接头缺陷的目的，从而实现了保证电网安全运行的技术效果，进而解决了相关技术中无法对中间接头进行故障检测导致电缆发生故障的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种电缆缺陷的检测方法的示意图；
图2是根据本发明实施例的一种可选的主绝缘区域有污渍图像灰度曲线的示意图；
图3是根据本发明实施例的一种可选的主绝缘区域有污渍图像灰度曲线的示意图；
图4是根据本发明实施例的一种可选的主绝缘区域有污渍图像灰度曲线的示意图；
图5是根据本发明实施例的一种电缆缺陷的检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种电缆缺陷的检测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种电缆缺陷的检测方法的示意图，如图1所示，该方法包括如下步骤：
步骤S102，采集待测电缆中间接头图像；
步骤S104，对待测电缆中间接头图像进行处理得到缺陷特征；其中，对待测电缆中间接头图像进行处理得到缺陷特征包括：对待测图像进行预处理，得到主绝缘图像和外半导电层的图像；对主绝缘图像和外半导电层图像的灰度值进行统计分别得到主绝缘纹理特征和外半导电层纹理特征，其中，纹理特征中包括缺陷特征，主绝缘图像和外半导电层图像为对采集图像处理后简单分割后得到的图像，主绝缘图像中包括背景和主绝缘区域，外半导电层图像包括背景和外半导电层。
步骤S106，根据缺陷特征，确定待测电缆中间接头的缺陷检测结果，其中，缺陷检测结果包括以下至少之一：无缺陷、主绝缘表面污渍、主绝缘划伤、外半导电层剥离不齐。
可选地，步骤S106之后，包括：判断检测结果是否为待测电缆中间接头存在缺陷；在待测电缆中间接头存在缺陷的情况下，发送报警信号。
在本申请可选实施例中，通过采集单元采集待测电缆中间接头图像，采集单元可以是照相机等拍摄装置。
在采用识别装置获取电缆中间接头图像时，通常不只含有主绝缘或外半导电层一个部分，而会将包含压接管在内的中间接头所在区域均拍摄在内，因此实际拍摄的图像会包含电缆中间接头的各个组成部分。各个部分的特征不同，因此需要对电缆中间接头的图像进行分割，使电缆中间接头的各组成部分独立存在，针对每个部分采用相应的方法对缺陷进行检测，达到对电力电缆中间接头施工缺陷识别的目的。
在本申请实施例中，对待测电缆中间接头图像进行处理得到缺陷特征之前，对待测图像进行预处理，预处理包括：将待测电缆中间接头图像由彩色图像转换为灰度图像；对灰度图像进行去噪处理；对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像。其中，去噪处理包括：采用双边滤波法对图像进行滤波；对滤波后的图像进行图像增强。
以下对预处理进行详细说明：
将彩色图像处理为灰度图像。由于彩色图像通常为一个三维数组，不同的色彩空间所呈现的三个变量并不唯一，将彩色图像转换为灰度图像，降低其维数，其计算的速度在处理过程中大大提升。经过灰度处理的图像存在噪声，图像中主体的细节可能被淹没，或者背景灰度值与主体灰度值相似，无法将背景与主体分开，无法准确定位到图像中目标的位置，因此需要对灰度图像进行去噪处理，去除噪声主要有滤波和图像增强两种，滤波主要针对拍摄图像和图像传输过程中产生的噪声干扰，减小噪声对于图像中目标的干扰，但是在滤波的同时，也会对图像本身产生一定的破坏，滤除图像中目标区域的一些对象，因此在滤波之后，需要对图像进行增强操作，突显图像中的感兴趣区域，弱化背景，增强图像中接头与背景的区分度，更好的反映出目标区域的细节。
图像去噪之后，图像中的目标区域较为明显，但仍然是中间接头各部件的组合图像，因此对于图像进行分割，将电缆中间接头的各部分分割成各部件。图像分割主要通过物体的颜色特征和轮廓对主体进行分割，将其分为主绝缘和外半导电层两个部分。
分割后的图像为多张各部件的图像，对电缆中间接头各组成部分进行缺陷检测，以实现对整个中间接头缺陷进行识别的目的。
具体地，以下对色彩空间的选择、灰度图像的选择和降噪进行详细说明：
色彩空间的选择：本申请实施例针对电缆中间接头各部分在不同色彩空间中的响应不同，选择了YCbCr及HSI色彩空间对彩色图像进行灰度变换及后续处理，由于在实际中与RGB色彩空间差别较大，因此在判定及分割图像中恢复至RGB色彩空间进行显示，更能符合人眼实际看见的中间接头实物，对于缺陷在中间接头上的位置判定具有较好的效果。
灰度图像的选择：将HSI空间与YCbCr空间下的灰度图像与RGB色彩空间灰度图像相比较，更能突显图像中的电缆部分，应用HSI与YCbCr空间下的灰度图像，对于后续图像处理提供了更好的素材，有利于图像中电缆各部分的识别与典型缺陷的判定。
降噪：双边滤波方法，对于除混合噪声外的其他图像，PSNR值明显大于其它方法，从整体来看，中值滤波与均值滤波对同一种噪声的PSNR值相差不大，自适应滤波在所取滤波半径下的PSNR值较小，滤波作用不明显。采用双边滤波方法滤除噪声可以达到较好的效果，本文采用双边滤波的方式对中间接头灰度图像进行处理。
图像分割：通过图像增强，电缆中间接头的各个组成部分有较为明显的分界线，通过各组成部分的颜色特性，由返回的位置在原RGB图像中定位，进行代数运算分离出电力电缆中间接头的各组成部分。根据二值图像，求取该区域在原图像中所对应的部分，由此从复杂的中间接头图像中分割出了完整的主绝缘图像。去除了背景与其它非感兴趣区域，主绝缘与外半导电层部分在图像中独立存在，通过电缆独立的部件图像，能够有效的提取图像中电缆各部分的特征，针对主绝缘与外半导电层进行缺陷识别。
在实际施工拍摄过程中，拍摄到的电力电缆中间接头图像并非是各个部分单独存在的图像，往往包括了其他部分，通过上述分析，能将包含背景的电力电缆中间接头图像进行分离，然后根据每部分的缺陷特征对相应的缺陷进行判断，将复杂的现场图像分割为简单图像，针对性更强，有效提升了识别效率。
在本申请实施例中，在对图像预处理，得到主绝缘图像和外半导电层图像之后，包括：对主绝缘图像进行灰度分量分析，确定主绝缘区域；获取主绝缘区域的纹理特性，主绝缘区域的纹理特性是主绝缘区域图像灰度的统计特性；将纹理特性中的特征输入神经网络模型，得到主绝缘缺陷类型。其中，特征包括以下至少之一：均值、标准偏差、平滑度、三阶矩、一致性及熵、灰度色差。
具体地，以下对主绝缘缺陷识别进行详细说明：
1、主绝缘颜色特征识别用于识别主绝缘本体区分外背景，本申请通过固定拍照，得到的照片进行灰度分量分析，能有效的判定主绝缘区域。
2、主绝缘纹理特征识别用于识别划痕，纹理是基于图像灰度值的统计特性，通常纹理特性主要包含均值m、标准偏差σ、平滑度R、三阶矩μ3、一致性U及熵e六个特征度量，与其对应的计算公式如式1-6所示。
R＝1-1/(1σ+2) (3)
其中，m代表平均亮度，σ表示平均对比度，R为图像中的相对平滑度，μ3为图像中灰度直方图的对称性，即表征图像区域是否均匀，U表示图像中的灰度是否一致，e表示图像灰度的随机性。在RGB色彩空间的各分量及灰度图像中分别测取了主绝缘的纹理值。整个纹理值几乎不会随着灰度图像的变化而变化，且各纹理值之间的差别较大。步定位后的电力电缆中间接头图像，图像中电力电缆中间接头占据主体地位，仅在边缘处存在少量背景，在滤除背景后的图像中更有利于提取主绝缘部分。
采用最大类间方差法，对主绝缘与少量背景的混合图像进行分割。最大类间方差法按灰度阈值e将图像中的灰度分为M、N两类，[0,e]范围内的像素点构成M，[e,K]范围内的像素构成N，M、N的概率分别为：
M、N的灰度均值分别为：
如公式10所示为图像的灰度均值，类间方差如式10所示。
k＝w1k1+w2k2 (9)
当v2最大时，此时的e值为最优阈值。使用graythresh函数计算主绝缘区域的阈值，该值在0-1之间，通过自动求取的阈值分割图像比人为设定值能更好求取二值图像，通过分割得到的二值图像与原图像做乘法运算能够的到主绝缘区域。
完全分离出背景后获得主绝缘图像，将初始定位图像的剩余背景及非主绝缘区域被去除，只包含主绝缘区域。运用Prewitt算子求取图像中的边缘，由于受背景的影响，会存在大量的边界干扰，面积较大且在主绝缘与背景边界，滤除这些大面积的边界区域，并在原图中进行标记。
根据各图像Luminance分量各纹理特征量比较，标记区域内图像纹理与非标记区域主绝缘纹理存在差异，由此可以判定标记区域与主绝缘存在不同，而其变化规律与灰度的相似性，由此可以得出标记区域属于主绝缘部分。
3、主绝缘尺寸特征，在实际拍摄中，通过识别装置获取图像，装置上存在标尺，且拍摄位置固定，通过物体客观尺寸与图像像素的对应关系，能够计算出图像中物体的实际尺寸。通过该方法能够对图像中物体与实际物体尺寸进行对应，达到计算图像中物体实际尺寸的目的。
4、主绝缘污渍的色差特征，通过实验，在主绝缘上放置不同大小颜色的污渍得到的灰度图像。
如图所示，图2中曲线存在明显拐点，与整体灰度平均值相差较大，可判断主绝缘表面存在非主绝缘类色彩物体，其灰度较小；图3曲线分为两段，曲线整体变化不大，但中间存在明显差异，由于图中只存在主绝缘，其表面情况相似，出现大的变化证明图中有色彩突变；图4中曲线变化较大，存在“V”形尖角。通过曲线分析，与原始图像相比较，发生突变的区域即为污渍缺陷区域，投影图像能够较好的反映出主绝缘上存在污渍的区域，通过投影定位与颜色灰度差异能够将缺陷区域单独提取出。定义色差在[-0.1,0.1]之间为正常，当超出该范围则认定二者色差较大，缺陷为污渍缺陷，故灰度色差能够作为为污渍缺陷的判据。通过比较污渍缺陷区域与主绝缘区域的纹理特征，也存在差异，纹理特征也能作为缺陷的判据。
5、基于神经网络的缺陷识别方法，本申请涉及对缺陷类型的判定，对缺陷的定量分析相对要求较低，本申请采用三层神经网络结构进行学习来识别缺陷。根据上述2和3的分析，缺陷区域的灰度色差在两种缺陷下有明显的不同，在纹理特性中，通过对比，m、σ、μ3、e变化较为明显，在加上灰度色差的差异，选取这五个特征量作为输入层的神经元个数，输出分别为主绝缘污渍与主绝缘划伤两种类型。隐藏层的选取是最为关键的环节，隐藏层节点个数可以根据公式11进行计算，其中m、n分别为输入与输出的节点数目，a为1-10之间的整数。
通过比较特征量的相互关系，发现σ并不在[0,1]范围内，在输出中通常需要保证结果在[0,1]之间，因此需要对不在规定范围内的参数采用归一化运算。本申请针对主绝缘主要有污渍和划伤两类，即期望输出这两种类型缺陷，由于神经元的激励函数具有S型特征，其结果在(0,1)之间，本申请采用0.0001代表0、0.9999代表1，因此期望输出主绝缘污渍的编码为(0.001,0.999)，期望输出主绝缘划伤的编码为(0.999，0.001)。神经网络的训练流程如下：
(1)将最开始的权值赋随机数，设置最多迭代1000次，最小误差0.001，训练步长为0.01，输入的样本数为20个；
(2)将样本参数输入网络，并将对应的两类缺陷编码值作为输出录入网络；
(3)按照设计的网络结构学习训练，当误差值小于规定时结束训练，得到训练好的网络。
在本申请实施例中，对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像之后，方法还包括：获取外半导电层纹理特性，外半导电层纹理特性是外半导电层图像灰度的统计特性；采用Kirsch算子进行边缘检测，提取外半导电层的边缘；将提取边缘后的图像进行处理，得到外半导电层的矩形度；根据矩形度，判断外半导电层是否为剥离不齐缺陷。
具体地，以下对外半导电层缺陷识别进行详细说明：
1、外半导电层颜色特征，本申请定点对电缆中间接头进行了拍摄，其位置固定不变，采用均匀光照强度，所拍摄图像主体固定，图像中呈现的颜色不受外界环境影响。经过实验做出原始图像在RGB彩色空间分量直方分布图，可以看出直方图呈现驼峰型，采用此直方图能够更好的将图像背景与外半导电层分离开，得到外半导电层本体。
2、外半导电层纹理特征，同主绝缘纹理特征提取方法一样，针对半导电层提取了相应的纹理特性。
3、外半导电层边缘检测，根据灰度特性，分离边缘可以通过求取灰度的微分来实现，在边界处的一阶与二阶微分将出现最值，二阶微分会出现于零轴的交叉点，通过最值和过零点可以求取边界的位置，本文采用Kirsch算子进行边缘检测，提取外半导电层的边缘。Kirsch算法针对选定中心点，以3×3邻域的8个相邻点进行灰度运算，被测点的邻域如式11所示，其中M为指定中心点，由式11可求出被检测点的灰度值范围，选取其中的最大值作为该点的灰度。处理之后图像的灰度值与原图像的灰度值无关。Kirsch算法表达式如12所示。
Pi＝Si×Mi (13)
4、半导电层剥离不齐识别，通过颜色特征对主绝缘进行初定位之后，采用2的Kirsch算子进行边缘检测的方法，提取出外半导电层边缘图像，将提取边缘图像进行填充，能够得到二值图像，即为半导电层的二值图像。统计图中的像素点，能够计算出边界所包含区域所占的面积与相应的边界周长。通过边缘填充图像在原图中进行定位，能够完整分割出外半导电层图像，为外半导电层与其最小外接矩形标记图像，外半导电层剥离不齐缺陷出现在主绝缘与外半导电层交界处，图像中的外半导电层贯穿整幅图像，贯穿的边界定义为外接矩的一条边界。通常情况下，外半导电层与主绝缘交界处理较为整齐，在拍摄图像时镜头在外半导电层正上方，因此在图中应表现为规则矩形，通过外半导电层外接最小矩形面积与外半导电层面积之比，可以求出外半导电层的矩形度，规定矩形度在[0.95,1.05]为正常，通过矩形度比较大小，与边界投影占空比相结合，能够对外半导电层剥离不齐典型缺陷进行识别。
5、灰度图像的选择，将HSI空间与YCbCr空间下的灰度图像与RGB色彩空间灰度图像相比较，更能突显图像中的电缆部分，应用HSI与YCbCr空间下的灰度图像，对于后续图像处理提供了更好的素材，有利于图像中电缆各部分的识别与典型缺陷的判定。
6、中间接头的图像去噪，由于拍摄对象的特征以及拍摄装置具有良好的光照效果，研究对象形成的图片中主要存在双极脉冲噪声、高斯噪声及少量的泊松噪声的干扰。采用双边滤波方法滤除噪声可以达到较好的效果，本文采用双边滤波的方式对中间接头灰度图像进行处理。
7、图像增强和图像分割，经过滤波后的图像，虽然减小了噪声，但对于图像中我们所需要的部分也会产生不同程度的影响，因此需要对图像中的感兴趣区域进行增强，突出我们所需要的部分，将背景和接头分割开，同时突显中间接头的细节部分，将中间接头的各部分分割。选择灰度阈值增强方法，增强部分边缘整齐，连续性更好，增强效果更优。通过图像增强，电缆中间接头的各个组成部分有较为明显的分界线，通过各组成部分的颜色特性，由返回的位置在原RGB图像中定位，进行代数运算分离出电力电缆中间接头的各组成部分。根据二值图像，求取该区域在原图像中所对应的部分，由此从复杂的中间接头图像中分割出了完整的主绝缘图像。
通过上述步骤，可以实现判定是否出现典型缺陷及缺陷的类型，快速准确地检测电缆是否存在缺陷，避免电缆线路故障的发生，保证了电网安全运行。
根据本发明实施例，提供了一种电缆缺陷的检测的装置实施例，图5是根据本发明实施例的一种电缆缺陷的检测装置的示意图，如图5所示，该装置包括：
采集单元50，用于采集待测电缆中间接头图像；
数据处理单元52，与采集单元52连接，用于执行上述的电缆缺陷的检测方法。
需要说明的是，图5所示实施方式的优选实施例，可以参见图1至图4的相关描述，此处不再赘述。
根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的电缆缺陷的检测方法。
根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的电缆缺陷的检测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电缆缺陷的检测方法，其特征在于，包括：
采集待测电缆中间接头图像；
对所述待测电缆中间接头图像进行处理得到缺陷特征；
根据所述缺陷特征，确定所述待测电缆中间接头的缺陷检测结果，其中，所述缺陷检测结果包括以下至少之一：无缺陷、主绝缘表面污渍、主绝缘划伤、外半导电层剥离不齐。
2.根据权利要求1所述的方法，其特征在于，根据所述缺陷特征，确定所述待测电缆中间接头的缺陷检测结果之后，所述方法还包括：
判断所述检测结果是否为待测电缆中间接头存在缺陷；
在所述待测电缆中间接头存在缺陷的情况下，发送报警信号。
3.根据权利要求1所述的方法，其特征在于，对所述待测电缆中间接头图像进行处理得到缺陷特征之前，对所述待测图像进行预处理，所述预处理包括：
将所述待测电缆中间接头图像由彩色图像转换为灰度图像；
对所述灰度图像进行去噪处理；
对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像。
4.根据权利要求3所述的方法，其特征在于，所述去噪处理包括：
采用双边滤波法对所述图像进行滤波；
对滤波后的图像进行图像增强。
5.根据权利要求3所述的方法，其特征在于，对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像之后，包括：
对所述主绝缘图像进行灰度分量分析，确定主绝缘区域；
获取所述主绝缘区域的纹理特性，所述主绝缘区域的纹理特性是所述主绝缘区域图像灰度的统计特性；
将所述纹理特性中的特征输入神经网络模型，得到所述主绝缘缺陷类型。
6.根据权利要求3所述的方法，其特征在于，对去噪后的图像进行分割，得到主绝缘图像和外半导电层图像之后，所述方法还包括：
获取外半导电层纹理特性，所述外半导电层纹理特性是所述外半导电层图像灰度的统计特性；
采用Kirsch算子进行边缘检测，提取外半导电层的边缘；
将提取边缘后的图像进行处理，得到外半导电层的矩形度；
根据所述矩形度，判断外半导电层是否为剥离不齐缺陷。
7.根据权利要求5所述的方法，其特征在于，所述特征包括以下至少之一：均值、标准偏差、平滑度、三阶矩、一致性及熵、灰度色差。
8.一种电缆缺陷的检测装置，其特征在于，包括：
采集单元，用于采集待测电缆中间接头图像；
数据处理单元，与所述采集单元连接，用于执行权利要求1至7中任意一项所述的电缆缺陷的检测方法。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的电缆缺陷的检测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的电缆缺陷的检测方法。
CN201811645799.4A 2018-12-30 2018-12-30 电缆缺陷的检测方法及装置、存储介质、处理器 Active CN109596634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811645799.4A CN109596634B (zh) 2018-12-30 2018-12-30 电缆缺陷的检测方法及装置、存储介质、处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811645799.4A CN109596634B (zh) 2018-12-30 2018-12-30 电缆缺陷的检测方法及装置、存储介质、处理器

Publications (2)

Publication Number Publication Date
CN109596634A true CN109596634A (zh) 2019-04-09
CN109596634B CN109596634B (zh) 2021-06-22

Family

ID=65965699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811645799.4A Active CN109596634B (zh) 2018-12-30 2018-12-30 电缆缺陷的检测方法及装置、存储介质、处理器

Country Status (1)

Country Link
CN (1) CN109596634B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136098A (zh) * 2019-04-15 2019-08-16 江苏大学 一种基于深度学习的线缆顺序检测方法
CN110176001A (zh) * 2019-06-03 2019-08-27 浙江大学 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法
CN110222648A (zh) * 2019-06-10 2019-09-10 国网上海市电力公司 一种架空电缆故障识别方法和装置
CN110717883A (zh) * 2019-07-19 2020-01-21 广东电网有限责任公司 一种基于红外图像的电缆部位自动识别方法
CN110895249A (zh) * 2019-11-26 2020-03-20 广州供电局有限公司 电缆接头识别系统及方法
CN111351801A (zh) * 2020-03-11 2020-06-30 春光线缆有限公司 一种电线电缆缺陷检测系统
CN111443091A (zh) * 2020-04-08 2020-07-24 中国电力科学研究院有限公司 电缆线路隧道工程缺陷判断方法
CN111507951A (zh) * 2020-04-08 2020-08-07 中国电力科学研究院有限公司 电缆线路隧道工程巡检装置
CN111539954A (zh) * 2020-05-25 2020-08-14 国网湖南省电力有限公司 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、系统及介质
CN112485268A (zh) * 2020-11-19 2021-03-12 广西电网有限责任公司南宁供电局 一种用于配电管井的监测方法及装置
CN112731213A (zh) * 2020-12-15 2021-04-30 深圳供电局有限公司 电缆接头的压接缺陷检测方法、装置及计算机设备
CN113634553A (zh) * 2021-08-05 2021-11-12 上海申茂电磁线有限公司 漆包扁线智能清洗方法和系统
CN114445331A (zh) * 2021-12-21 2022-05-06 国网江苏省电力有限公司淮安供电分公司 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置
CN115085094A (zh) * 2022-08-18 2022-09-20 广东威恒输变电工程有限公司 一种用于控制电缆敷设的数据处理方法
CN117197534A (zh) * 2023-08-04 2023-12-08 广州电缆厂有限公司 一种基于特征识别的电缆表面缺陷自动检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09257430A (ja) * 1996-03-26 1997-10-03 Showa Electric Wire & Cable Co Ltd 透明流体中の異物検出装置
CN107103600A (zh) * 2017-04-13 2017-08-29 北京海风智能科技有限责任公司 一种基于机器学习的绝缘子缺陷自动检测方法
CN107192720A (zh) * 2017-06-01 2017-09-22 三峡大学 一种电力电缆中间接头剥切质量检测系统及检测方法
CN107564002A (zh) * 2017-09-14 2018-01-09 广东工业大学 塑料管表面缺陷检测方法、系统及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09257430A (ja) * 1996-03-26 1997-10-03 Showa Electric Wire & Cable Co Ltd 透明流体中の異物検出装置
CN107103600A (zh) * 2017-04-13 2017-08-29 北京海风智能科技有限责任公司 一种基于机器学习的绝缘子缺陷自动检测方法
CN107192720A (zh) * 2017-06-01 2017-09-22 三峡大学 一种电力电缆中间接头剥切质量检测系统及检测方法
CN107564002A (zh) * 2017-09-14 2018-01-09 广东工业大学 塑料管表面缺陷检测方法、系统及计算机可读存储介质

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136098A (zh) * 2019-04-15 2019-08-16 江苏大学 一种基于深度学习的线缆顺序检测方法
CN110176001A (zh) * 2019-06-03 2019-08-27 浙江大学 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法
CN110222648A (zh) * 2019-06-10 2019-09-10 国网上海市电力公司 一种架空电缆故障识别方法和装置
CN110717883A (zh) * 2019-07-19 2020-01-21 广东电网有限责任公司 一种基于红外图像的电缆部位自动识别方法
CN110895249A (zh) * 2019-11-26 2020-03-20 广州供电局有限公司 电缆接头识别系统及方法
CN111351801A (zh) * 2020-03-11 2020-06-30 春光线缆有限公司 一种电线电缆缺陷检测系统
CN111351801B (zh) * 2020-03-11 2021-02-02 春光线缆有限公司 一种电线电缆缺陷检测系统
CN111443091B (zh) * 2020-04-08 2023-07-25 中国电力科学研究院有限公司 电缆线路隧道工程缺陷判断方法
CN111443091A (zh) * 2020-04-08 2020-07-24 中国电力科学研究院有限公司 电缆线路隧道工程缺陷判断方法
CN111507951A (zh) * 2020-04-08 2020-08-07 中国电力科学研究院有限公司 电缆线路隧道工程巡检装置
CN111539954A (zh) * 2020-05-25 2020-08-14 国网湖南省电力有限公司 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、系统及介质
CN111539954B (zh) * 2020-05-25 2024-01-23 国网湖南省电力有限公司 采用x射线数字影像特征识别电缆缓冲层缺陷的方法、系统及介质
CN112485268A (zh) * 2020-11-19 2021-03-12 广西电网有限责任公司南宁供电局 一种用于配电管井的监测方法及装置
CN112731213A (zh) * 2020-12-15 2021-04-30 深圳供电局有限公司 电缆接头的压接缺陷检测方法、装置及计算机设备
CN113634553B (zh) * 2021-08-05 2022-06-21 上海申茂电磁线有限公司 漆包扁线智能清洗方法和系统
CN113634553A (zh) * 2021-08-05 2021-11-12 上海申茂电磁线有限公司 漆包扁线智能清洗方法和系统
CN114445331A (zh) * 2021-12-21 2022-05-06 国网江苏省电力有限公司淮安供电分公司 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置
CN115085094A (zh) * 2022-08-18 2022-09-20 广东威恒输变电工程有限公司 一种用于控制电缆敷设的数据处理方法
CN115085094B (zh) * 2022-08-18 2022-11-22 广东威恒输变电工程有限公司 一种用于控制电缆敷设的数据处理方法
CN117197534A (zh) * 2023-08-04 2023-12-08 广州电缆厂有限公司 一种基于特征识别的电缆表面缺陷自动检测方法
CN117197534B (zh) * 2023-08-04 2024-04-05 广州电缆厂有限公司 一种基于特征识别的电缆表面缺陷自动检测方法

Also Published As

Publication number Publication date
CN109596634B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN109596634A (zh) 电缆缺陷的检测方法及装置、存储介质、处理器
Liu et al. Attribute-aware face aging with wavelet-based generative adversarial networks
CN106778595B (zh) 基于高斯混合模型的人群中异常行为的检测方法
CN111275696B (zh) 一种医学图像处理的方法、图像处理的方法及装置
CN110009600A (zh) 一种医学图像区域过滤方法、装置及存储介质
CN105260731A (zh) 一种基于光脉冲的人脸活体检测系统及方法
Li et al. Deep dehazing network with latent ensembling architecture and adversarial learning
CN105893920A (zh) 一种人脸活体检测方法和装置
CN105261030B (zh) 从红外视频中检测火焰的方法及装置
CN108921215A (zh) 一种基于局部极值共生模式和能量分析的烟雾检测
Wu et al. Non-local spatial redundancy reduction for bottom-up saliency estimation
CN108320281A (zh) 一种基于多特征扩散的图像显著性检测方法及终端
CN105719252B (zh) 一种铁路巡检图像实时高动态范围绘制方法和装置
Fleyeh et al. Segmentation of low quality fingerprint images
Guo et al. Marine snow removal
Symeonidis et al. AUTH-Persons: A dataset for detecting humans in crowds from aerial views
CN109146871A (zh) 裂纹的识别方法及装置
Syeda-Mahmood Detecting perceptually salient texture regions in images
CN114926774A (zh) 一种基于视频图像识别光伏组件火灾的方法及装置
Carbonaro et al. Object tracking in a varying environment
Li et al. Robust change detection by fusing intensity and texture differences
KR20110109595A (ko) 실시간 전경 영상 검출시스템 및 방법
Zhang et al. Visual attention model based on multi-scale local contrast of low-level features
Stentiford et al. Automatic identification of regions of interest with application to the quantification of DNA damage in cells
Várkonyi-Kóczy New advances in digital image processing

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