CN110363773B - 一种基于图像处理的电缆类别检测系统和检测方法 - Google Patents

Abstract

本发明提供一种基于图像处理的电缆类别检测方法和检测系统，可以精确定位电缆导体区域计算电缆导体参数，并且提供一种电缆特征矩阵以及一种相似性距离计算公式来判断电缆类别。所述电缆类别检测方法包括以下步骤：1、在电缆截面图像中筛选出电缆导体像素形成电缆导体二值图像并根据电缆先验知识筛选电缆导体区域；2、根据电缆各导体区域的颜色均值去除孔洞区、保留褪色区和反光区；3、根据电缆导体区域计算电缆导体参数并基于电缆导体参数构建特征矩阵；4、根据特征矩阵计算待测电缆与模板电缆的相似性距离来判断类别。所述的电缆类别检测系统包括图像采集单元、图像处理单元、输出单元。

Description

一种基于图像处理的电缆类别检测系统和检测方法

技术领域

本发明涉及电力电缆类别检测，尤其涉及一种基于图像处理的电缆类别检测系统和检测方法。

背景技术

电力电缆一般敷设在地表以下，常用作电厂、变电所、厂矿企业的动力引入或引出线。电力电缆具有安全、可靠、分布有利于美化城市与优化厂矿布局等优点。随着我国经济的飞速发展，电能在工业和民用领域中起到越来越重要的作用，对传输电能的载体—电力电缆的需求越来越大。

由于电线电缆行业剧烈竞争的影响、加上部分企业制造工艺以及检测技术的落后，导致诸多电线电缆存在直流导体电阻偏大、电缆结构尺寸不合理、绝缘电阻和交流耐压不达标、机械延伸性和抗拉性能差等质量问题，达不到国家电缆生产执行标准的要求。这些劣质电力电缆的使用往往会给用电企业和用户带来巨大的损失，同时也导致人民的生命财产安全面临严重威胁。因此对电力电缆合格与否进行快速可靠的判断具有十分重要的现实意义和应用前景。

电力电缆质量是否合格主要取决于电力电缆的电气性能、机械性能、热性能、耐环境特性、抗老化性能、特殊性能等。据国家规定，不同的电缆类别有不同的性能标准。因此，快速准确的判断出电缆的类别来对电力电缆质量是否合格进行检验具有十分重要的现实意义和应用前景。

电缆截面图像如附图2所示，一个电缆内含有多个导体，且每个导体被绝缘层包裹，导体间颜色相似但与绝缘层颜色相差很大。电缆的类别主要由电缆导体的芯数、形状和横截面积决定。现有的电缆类别检测技术一般是人工测量电缆导体参数然后对比模板电缆导体参数进行类别判断，不仅耗时耗力，而且测量过程比较复杂。在用图像方法计算电缆导体参数时，因电缆导体内部分布不均匀或在切割时因压力变化会产生孔洞、金属导体在拍摄时会存在反光、导体暴露在外面过久会褪色等原因会产生孔洞区、反光区、褪色区。这些区域会使常规图像方法定位的导体区域精度下降，从而计算出不准确的电缆导体参数。同时因为电缆种类繁多且同种电缆在生产时也会存在一定的差异，如何根据电缆的导体参数准确地判断电缆类别是亟需解决的问题。

发明内容

针对当前电缆类别检测技术不足，本发明提供一种基于图像处理的电缆类别检测系统和检测方法，可以基于图像自动处理孔洞区、反光区、褪色区，准确定位导体区域并计算出电缆导体参数。同时，本发明设计了一种电缆特征矩阵以及一种待测电缆与模板电缆相似性距离的计算公式，相似性距离越小电缆类别越相似，以此来准确判断出电缆的类别。

本发明采用的技术方案如下：

一种基于图像处理的电缆类别检测方法，其特征包括以下步骤：

(1)、在电缆截面图像中筛选出电缆导体像素形成电缆导体二值图像并根据电缆先验知识筛选电缆导体区域；

(2)、根据电缆各导体区域的颜色均值去除孔洞区、保留褪色区和反光区；

(3)、根据电缆导体区域计算电缆导体参数并基于电缆导体参数构建特征矩阵，其中，特征矩阵的表达式为：

MP＝[P₁,P₂,..,P_n]，其中P_i＝max(P_ci,P_si,..)；

MN＝[N₁,N₂,..,N_n]，其中N_i＝argmax(P_ci,P_si,..)；

其中P_i＝max(P_ci,P_si,..)；

特征矩阵中MA为存储电缆导体全部参数的矩阵；MP为存储电缆导体属于某形状最大概率的矩阵，其中，电缆导体属于某形状最大概率即电缆导体与某形状最相似时对应的概率；MN为存储电缆导体最接近的形状的矩阵；MF为存储后续计算相似性距离需要的参数的矩阵。

其中n为电缆内导体的个数，S_i为第i个电缆导体的面积，按从大到小排序；P_ci为第i个电缆导体属于圆的概率；P_si为第i个电缆导体属于扇形的概率；若增加新的形状，则可通过增加特征矩阵MA的行数来存储相应形状的概率。参数S_i通过电缆导体区域的像素个数来计算，参数P_ci、P_si…通过电缆导体区域的形状来计算；

(4)、根据步骤(3)所述的特征矩阵计算待测电缆与模板电缆的相似性距离来判断电缆类别，其中，相似性距离dis的计算公式为：

其中，MP_O、MN_O、MF_O为待测电缆的特征矩阵,后缀O代表待测电缆；MP_S、MN_S、MF_S为模板电缆的特征矩阵，后缀S代表模板电缆；mp0表示电缆导体形状概率阈值，缺省值可以取0.5。

进一步的，步骤(1)中所述的电缆先验知识由电缆导体的形状、电缆各导体大小颜色相似程度、电缆各导体颜色与绝缘层颜色的差异程度三个条件来确定。

进一步的，步骤(1)中所述的根据电缆先验知识筛选电缆导体区域的具体方法为：在电缆导体二值图像中筛选出连通域面积大于连通域最小外接矩形面积二分之一、且大于最大连通域面积五分之一的连通域，筛选出的连通域即为电缆导体区域。

进一步的，步骤(2)中所述的电缆各导体区域的颜色均值为对每个导体区域像素集合在HSV三个颜色通道上分别求均值并组合。

进一步的，步骤(2)中所述的根据电缆各导体区域的颜色均值去除孔洞区且保留褪色区的具体方法为:在HSV三个颜色通道上分别设定阈值，保留像素颜色与颜色均值各通道差值绝对值均小于设定阈值的像素，保留下的像素集合即为去除孔洞区且保留褪色区的导体区域。

进一步的，步骤(2)中所述的根据电缆各导体区域的颜色均值保留反光区的具体方法为:计算电缆导体区域内各孔洞的亮度均值，将亮度均值大于颜色均值亮度的孔洞进行填充，填充的孔洞即为反光区。

本发明还包括一种基于图像处理的电缆类别检测系统，包括：图像采集单元、图像处理单元和输出单元，其中：

所述的图像采集单元用于获取电缆的截面图像信息和定标物图像信息，并将图像信息传递给图像处理单元，所述的定标物是指已知实际长宽的任意矩形物体；

所述的图像处理单元根据相似性距离来判断电缆的类别，其中相似性距离是用来计算待测电缆与模板电缆间的差异性，差异性最小的模板电缆类别即为该待测电缆类别，相似性距离dis计算公式为：

其中，MP_O、MN_O、MF_O为待测电缆的特征矩阵，后缀O代表待测电缆；MP_S、MN_S、MF_S为模板电缆的特征矩阵，后缀S代表模板电缆；mp0表示电缆导体形状概率阈值，缺省值可以取0.5。若待测电缆与某模板电缆的导体个数不同，或是待测电缆某个导体形状属于某形状的最大概率小于mp0，或是待测电缆导体形状与模板电缆导体形状不对应，则相似性距离dis为+∞，否则会根据待测电缆与模板电缆导体参数间的差异性计算出一个数值，数值越小说明待测电缆与模板电缆越接近。

所述的特征矩阵表达式如下：

MP＝[P₁,P₂,..,P_n]，其中P_i＝max(P_ci,P_si,..)；

MN＝[N₁,N₂,..,N_n]，其中N_i＝argmax(P_ci,P_si,..)；

其中P_i＝max(P_ci,P_si,..)；

其中n为电缆内导体的个数，S_i为第i个电缆导体的面积，按从大到小排序；P_ci为第i个电缆导体属于圆的概率；P_si为第i个电缆导体属于扇形的概率；若增加新的形状，则可通过增加特征矩阵MA的行数来存储相应形状的概率；

特征矩阵中MA为存储电缆导体全部参数的矩阵；MP为存储电缆导体属于某形状最大概率的矩阵，其中，电缆导体属于某形状最大概率即电缆导体与某形状最相似时对应的概率；MN为存储电缆导体最接近的形状的矩阵；MF为存储后续计算相似性距离需要的参数的矩阵。这些矩阵即可完整代表电缆导体的全部信息。

其中，特征矩阵中的参数S_i通过电缆导体区域的像素个数来计算，P_ci、P_si…通过电缆导体区域的形状来计算，优选的，可通过训练神经网络输出电缆导体属于各形状的概率。所述的电缆导体区域通过电缆先验知识在电缆截面图像中筛选，并根据电缆各导体区域的颜色均值去除孔洞区，保留褪色区和反光区来找到完整正确的导体区域。

所述的输出单元用于电缆类别判断结果的输出。

进一步的，图像采集单元中在采集时需要保证采集设备到电缆截面的距离与到定标物的距离相同。

进一步的，图像处理单元中所述的电缆先验知识为电缆导体的形状以及电缆各导体大小颜色相似程度以及电缆各导体颜色与绝缘层颜色的差异程度；筛选方式为因电缆导体颜色相似，根据颜色初步筛选出电缆导体像素生成电缆导体二值图像。之后进行形态学闭操作生成连通域以保证连通域包含电缆各导体所有像素，因电缆导体颜色与绝缘层颜色不同，可以保证闭后各电缆导体连通域不会产生连接。因电缆导体的形状为圆形或扇形且大小相似，筛选出连通域面积大于连通域最小外接矩形面积二分之一且大于最大连通域面积五分之一的连通域，筛选出的连通域即为电缆导体区域；找到完整正确的导体区域的方式为对每个导体区域像素集合在HSV三个颜色通道上分别求均值并组合。在HSV三个颜色通道上分别设定阈值，在各导体区域周围分别保留像素颜色与对应颜色均值各通道差值绝对值均小于设定阈值的像素，因孔洞区颜色与电缆导体区域相差很大而褪色区颜色与电缆导体区域相差不大，所以保留下的像素集合即为去除孔洞区且保留褪色区的导体区域。之后计算电缆导体区域内各孔洞的亮度均值，因为反光区亮度很高，将亮度均值大于对应颜色均值亮度的孔洞进行填充，填充的孔洞即为反光区。

本发明的有益效果是：

1、本发明针对现有图像处理技术无法处理电缆导体内的孔洞区、反光区、褪色区等缺陷，实现了一种能自动处理这些区域完整正确的定位出电缆导体区域并计算出电缆导体参数的方法，与现有的人工测量方法相比简单高效。

2、本发明针对如何根据电缆的导体参数准确的判断出电缆的类别的问题，提出相似性距离来准确的判断电缆类别。

附图说明

图1为本发明的基于图像处理的电缆类别检测方法流程图；

图2为本实施例提供的原始电缆图；

图3为本实施例提供的初步定位导体区域的二值图；

图4为本实施例提供的闭操作后的二值图；

图5为本实施例提供的各连通域及其最小外接矩形示意图；

图6为本实施例提供的根据先验知识筛选后的导体区域示意图；

图7为本实施例提供的根据区域精确颜色准确定位的导体区域示意图；

图8为本实施例提供的未进行反光处理的导体区域局部放大图；

图9为本实施例提供的进行反光处理后的导体区域局部放大图；

图10为本实施例提供的完整定位的导体区域示意图；

图1中，1-4代表电缆各导体，颜色大小相差较小，在此图中颜色为铜褐色；5-8代表包围导体的绝缘层，颜色与电缆导体颜色相差较大，在此图中5为蓝色、6为黄色、7为绿色、8为红色；9为孔洞区，电缆导体内存在若干孔洞区；10为褪色区，电缆导体内存在若干褪色区；11为反光区，电缆导体内存在若干反光区。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制。为了更好说明本实施例，部分附图会有放大。下面结合附图和实施例对本发明的技术方案作进一步的说明。

电缆的类别繁多，本实施例取其中一种进行实施说明，其余电缆均可按此进行处理判断类别。

一种基于图像处理的电缆类别检测方法，包括以下步骤：

(1)、在电缆截面图像中筛选出电缆导体像素形成电缆导体二值图像并根据电缆先验知识筛选电缆导体区域；

(2)、根据电缆各导体区域的颜色均值去除孔洞区、保留褪色区和反光区；

(3)、根据电缆导体区域计算电缆导体参数并基于电缆导体参数构建特征矩阵；

(4)、根据特征矩阵计算待测电缆与模板电缆的相似性距离来判断类别。

在步骤(1)中，电缆截面图像如附图2所示，电缆导体颜色大致相同且被颜色不同的绝缘层包裹。由于同种物体的色调和饱和度不会发生太大的变化，而亮度会因拍摄条件明显改变，因此在HSV空间进行处理有更好的鲁棒性。先通过以下公式将RGB图像转成HSV图像，设定H、S、V三个通道的上下阈值，保留在各个通道均满足阈值的像素来定位导体像素，由于导体的亮度变化可能会较大，因此可以通过设定较宽的亮度通道阈值来尽量避免光线强度的影响。

RGB图像转HSV图像公式如下。其中R、G、B为图像RGB的颜色通道特征,max＝max(R,G,B)，min＝min(R,G,B)，如果求取的H为负则H＝H+360。

V＝max

将原图像转换成HSV图像后，设定每个通道的阈值H_max、H_min、S_max、S_min、V_max、V_min，在HSV空间中每个像素为(H_i,S_i,V_i)，保留满足以下条件的像素，结果如附图3所示。

为避免导体内部存在缝隙或污染等原因导致同一个导体区域没有连接在一起，因此在得到导体像素的二值图像后使用形态学中的闭操作方法将临近的像素进行合并，因为导体形状近似圆形，因此在这里使用形态学的’disk’圆形结构元素进行闭操作。闭操作结果如附图4所示。因为每个导体间存在绝缘层的原因，因此每个导体间会有较大的距离，即可以保证合并后连通域之间不会连接。由于一个电缆内会存在颜色与导体颜色相近的部分，因此需要根据导体本身的几何结构以及导体间的相互关系来筛选出导体区域。

因电缆导体本身为接近圆形且电缆各导体大小相似，可以用电缆导体区域面积与最小外接矩形面积来筛选导体区域。最小外接矩形即可以包裹连通域的最小矩形，为了方便，这里定义外接矩形不会倾斜，二值图像的连通域及其外接矩形如附图5所示。定义每个连通域的像素面积为area_i,连通域的外接矩形面积为rect_i，满足以下条件的连通域即为导体区域。

在步骤(2)中，如附图2所示，电缆导体内部分布不均匀或在切割时因压力变化会产生孔洞，金属导体在拍摄时会存在反光，导体暴露在外面过久会有褪色等问题，为了保证定位的电缆导体区域的准确性，需要去除掉电缆导体内的孔洞区，保留褪色区和反光区。

对每个导体区域单独分析，对每一个导体区域在原HSV图像中找到与之对应的图像区域，将其像素集合视为一个N*3的二维数组，N代表该导体区域像素的个数，3代表H、S、V三个通道。对三个通道分别找到其平均数H_a、S_a、V_a，即可视为该导体区域的颜色均值。

得到电缆各导体区域的颜色均值(H_a,S_a,V_a)后，设定每个颜色通道的误差阈值H_{e_max}、H_{e_min}、S_{e_max}、S_{e_min}、V_{e_max}、V_{e_min}，在导体区域周围保留满足以下条件的像素。因孔洞区颜色与电缆导体区域相差很大而褪色区颜色与电缆导体区域相差不大，所以保留下的像素集合即为去除孔洞区且保留褪色区的导体区域。结果如附图7所示，可以看到，图6中10号也就是图2中的10号代表的褪色区已经被填充，并且电缆导体的孔洞区定位的更加精确。

因为反光区与电缆导体的其他区域颜色差距很明显，因此会在电缆导体二值图像中形成孔洞，由于是反光所以反光区孔洞像素亮度很高，因此可以对每个区域的孔洞进行判断，若孔洞内像素的平均亮度大于该区域颜色均值亮度，则视为反光区填充该孔洞。某一个电缆导体未填充反光区和填充反光区后的结果放大图如附图8、9所示。全部导体反光区处理完毕后如附图10所示，对比图6可以看到处理完孔洞区、污染区和反光区后定位到的电缆导体区域精确很多。

在步骤(3)中，首先统计各导体区域的像素个数，根据定标物的像素个数与实际长度的关系将导体区域像素个数转换成实际面积S。然后根据导体区域的形状计算导体属于圆形和扇形的概率P，优选的，可以通过训练神经网络输出导体区域属于各形状的概率。之后根据计算得到的参数，构建特征矩阵。特征矩阵的表达式为：

MP＝[P₁,P₂,..,P_n]，其中P_i＝max(P_ci,P_si,..)；

MN＝[N₁,N₂,..,N_n]，其中N_i＝argmax(P_ci,P_si,..)；

其中P_i＝max(P_ci,P_si,..)；

其中n为电缆内导体的个数，S_i为第i个电缆导体的面积，按从大到小排序；P_ci为第i个电缆导体属于圆的概率；P_si为第i个电缆导体属于扇形的概率；若增加新的形状，则可通过增加特征矩阵M的行数来存储相应形状的概率；

特征矩阵中MA为存储电缆导体全部参数的矩阵；MP为存储电缆导体属于某形状最大概率的矩阵，其中，电缆导体属于某形状最大概率即电缆导体与某形状最相似时对应的概率；MN为存储电缆导体最接近的形状的矩阵；MF为存储后续计算相似性距离需要的参数的矩阵。这些矩阵即可完整代表电缆导体的全部信息。

在步骤(4)中，根据特征矩阵计算相似性距离dis，其中，相似性距离dis的计算公式为：

其中，MP_O、MN_O、MF_O为待测电缆的特征矩阵,后缀O代表待测电缆；MP_S、MN_S、MF_S为模板电缆的特征矩阵，后缀S代表模板电缆；mp0表示电缆导体形状概率阈值，缺省值可以取0.5。待测电缆的特征矩阵通过计算得到的待测电缆导体参数构建。模板电缆的特征矩阵通过模板电缆的导体参数构建。

相似性距离dis表明若待测电缆与某模板电缆的导体个数不同，或是待测电缆某个导体形状属于某形状的最大概率小于mp0，或是待测电缆导体形状与模板电缆导体形状不对应，则相似性距离dis为+∞，否则会根据待测电缆与模板电缆导体参数间的差异性计算出一个数值，数值越小说明待测电缆与模板电缆越接近。

在计算完待测电缆与所有模板电缆的相似性距离后，找到相似性距离最小对应的模板电缆，该模板电缆的类别即为待测电缆的类别。

一种基于图像处理的电缆类别检测系统，包括：图像采集单元、图像处理单元和输出单元，其中：

所述的图像采集单元用于获取电缆的截面图像信息和定标物图像信息，并将图像信息传递给图像处理单元，图像采集单元可以是任意能进行拍照的设备，如照相机。所述的定标物是指已知实际长宽的任意矩形物体；在采集时需要保证采集设备到电缆截面的距离与到定标物的距离相同。

所述的图像处理单元根据相似性距离来判断电缆的类别，图像采集单元可以是能进行图像处理运算的设备，如数字芯片。其中相似性距离是用来计算待测电缆与模板电缆间的差异性，差异性最小的模板电缆类别即为该待测电缆类别，相似性距离dis计算公式为：

其中，MP_O、MN_O、MF_O为待测电缆的特征矩阵,后缀O代表待测电缆；MP_S、MN_S、MF_S为模板电缆的特征矩阵，后缀S代表模板电缆；mp0表示电缆导体形状概率阈值，缺省值可以取0.5。若待测电缆与某模板电缆的导体个数不同，或是待测电缆某个导体形状属于某形状的最大概率小于mp0，或是待测电缆导体形状与模板电缆导体形状不对应，则相似性距离dis为+∞，否则会根据待测电缆与模板电缆导体参数间的差异性计算出一个数值，数值越小说明待测电缆与模板电缆越接近。

所述的特征矩阵表达式如下：

MP＝[P₁,P₂,..,P_n]，其中P_i＝max(P_ci,P_si,..)；

MN＝[N₁,N₂,..,N_n]，其中N_i＝argmax(P_ci,P_si,..)；

其中P_i＝max(P_ci,P_si,..)；

其中n为电缆内导体的个数，S_i为第i个电缆导体的面积，按从大到小排序；P_ci为第i个电缆导体属于圆的概率；P_si为第i个电缆导体属于扇形的概率；若增加新的形状，则可通过增加特征矩阵M的行数来存储相应形状的概率；

特征矩阵中MA为存储电缆导体全部参数的矩阵；MP为存储电缆导体属于某形状最大概率的矩阵，其中，电缆导体属于某形状最大概率即电缆导体与某形状最相似时对应的概率；MN为存储电缆导体最接近的形状的矩阵；MF为存储后续计算相似性距离需要的参数的矩阵。这些矩阵即可完整代表电缆导体的全部信息。

其中，特征矩阵中的参数Si通过电缆导体区域的像素个数来计算，P_ci、P_si…通过电缆导体区域的形状来计算，优选的，可通过训练神经网络输出电缆导体属于各形状的概率。所述的电缆导体区域通过电缆先验知识在电缆截面图像中筛选，并根据电缆各导体区域的颜色均值去除孔洞区，保留褪色区和反光区来找到完整正确的导体区域。

其中，电缆先验知识为电缆导体的形状以及电缆各导体大小颜色相似程度以及电缆各导体颜色与绝缘层颜色的差异程度；筛选方式为因电缆导体颜色相似，根据颜色初步筛选出电缆导体像素生成电缆导体二值图像。之后进行形态学闭操作生成连通域以保证连通域包含电缆各导体所有像素，因电缆导体颜色与绝缘层颜色不同，可以保证闭后各电缆导体连通域不会产生连接。因电缆导体的形状为圆形或扇形且大小相似，筛选出连通域面积大于连通域最小外接矩形面积二分之一且大于最大连通域面积五分之一的连通域，筛选出的连通域即为电缆导体区域；找到完整正确的导体区域的方式为对每个导体区域像素集合在HSV三个颜色通道上分别求均值并组合。在HSV三个颜色通道上分别设定阈值，保留像素颜色与对应颜色均值各通道差值绝对值均小于设定阈值的像素，因孔洞区颜色与电缆导体区域相差很大而褪色区颜色与电缆导体区域相差不大，所以保留下的像素集合即为去除孔洞区且保留褪色区的导体区域。之后计算电缆导体区域内各孔洞的亮度均值，因为反光区亮度很高，将亮度均值大于对应颜色均值亮度的孔洞进行填充，填充的孔洞即为反光区。

所述的输出单元用于电缆类别判断结果的输出，输出设备可以为显示器、打印机等设备。

Claims (7)

1.一种基于图像处理的电缆类别检测方法，其特征包括以下步骤：

(1)、在电缆截面图像中筛选出电缆导体像素形成电缆导体二值图像并根据电缆先验知识筛选电缆导体区域；

(2)、根据电缆各导体区域的颜色均值去除孔洞区、保留褪色区和反光区；

(3)、根据电缆导体区域计算电缆导体参数并基于电缆导体参数构建特征矩阵，其中，特征矩阵的表达式为：

MP＝[P₁,P₂,..,P_n]，其中P_i＝max(P_ci,P_si,..)；

MN＝[N₁,N₂,..,N_n]，其中N_i＝argmax(P_ci,P_si,..)；

其中P_i＝max(P_ci,P_si,..)；

特征矩阵中MA为存储电缆导体全部参数的矩阵；MP为存储电缆导体属于某形状最大概率的矩阵，其中，电缆导体属于某形状最大概率即电缆导体与某形状最相似时对应的概率；MN为存储电缆导体最接近的形状的矩阵；MF为存储后续计算相似性距离需要的参数的矩阵，

其中n为电缆内导体的个数，S_i为第i个电缆导体的面积，按从大到小排序；P_ci为第i个电缆导体属于圆的概率；P_si为第i个电缆导体属于扇形的概率；若增加新的形状，则可通过增加特征矩阵MA的行数来存储相应形状的概率。参数S_i通过电缆导体区域的像素个数来计算，参数P_ci、P_si…通过电缆导体区域的形状来计算；

(4)、根据步骤(3)所述的特征矩阵计算待测电缆与模板电缆的相似性距离来判断电缆类别，其中，相似性距离dis的计算公式为：

其中，MP_O、MN_O、MF_O为待测电缆的特征矩阵,后缀O代表待测电缆；MP_S、MN_S、MF_S为模板电缆的特征矩阵，后缀S代表模板电缆；mp0表示电缆导体形状概率阈值，缺省值可以取0.5。

2.如权利要求1所述的一种基于图像处理的电缆类别检测方法，其特征在于：所述的电缆先验知识由电缆导体的形状、电缆各导体大小颜色相似程度、电缆各导体颜色与绝缘层颜色的差异程度三个条件来确定。

3.如权利要求1所述的一种基于图像处理的电缆类别检测方法，其特征在于：所述的根据电缆先验知识筛选电缆导体区域的具体方法为：

在电缆导体二值图像中筛选出连通域面积大于连通域最小外接矩形面积二分之一、且大于最大连通域面积五分之一的连通域，筛选出的连通域即为电缆导体区域。

4.如权利要求1所述的一种基于图像处理的电缆类别检测方法，其特征在于：所述的电缆各导体区域的颜色均值为对每个导体区域像素集合在HSV(Hue,Saturation,Value)三个颜色通道上分别求均值并组合。

5.如权利要求1所述的一种基于图像处理的电缆类别检测方法，其特征在于:根据电缆各导体区域的颜色均值去除孔洞区且保留褪色区的具体方法为:

在HSV三个颜色通道上分别设定阈值，保留像素颜色与颜色均值各通道差值绝对值均小于设定阈值的像素，保留下的像素集合即为去除孔洞区且保留褪色区的导体区域。

6.如权利要求1所述的一种基于图像处理的电缆类别检测方法，其特征在于:根据电缆各导体区域的颜色均值保留反光区的具体方法为:

计算电缆导体区域内各孔洞的亮度均值，将亮度均值大于颜色均值亮度的孔洞进行填充，填充的孔洞即为反光区。

7.一种基于图像处理的电缆类别检测系统，包括：图像采集单元、图像处理单元和输出单元，其中：

所述的图像采集单元用于获取电缆的截面图像信息和定标物图像信息，并将图像信息传递给图像处理单元，所述的定标物是指已知实际长宽的任意矩形物体；

所述的图像处理单元根据相似性距离来判断电缆的类别，其中相似性距离是用来计算待测电缆与模板电缆间的差异性，差异性最小的模板电缆类别即为该待测电缆类别，相似性距离dis计算公式为：

其中，MP_O、MN_O、MF_O为待测电缆的特征矩阵,后缀O代表待测电缆；MP_S、MN_S、MF_S为模板电缆的特征矩阵，后缀S代表模板电缆；mp0表示电缆导体形状概率阈值，缺省值可以取0.5。所述的特征矩阵表达式如下：

MP＝[P₁,P₂,..,P_n]，其中P_i＝max(P_ci,P_si,..)；

MN＝[N₁,N₂,..,N_n]，其中N_i＝argmax(P_ci,P_si,..)；

其中P_i＝max(P_ci,P_si,..)；

特征矩阵中MA为存储电缆导体全部参数的矩阵；MP为存储电缆导体属于某形状最大概率的矩阵，其中，电缆导体属于某形状最大概率即电缆导体与某形状最相似时对应的概率；MN为存储电缆导体最接近的形状的矩阵；MF为存储后续计算相似性距离需要的参数的矩阵，

其中n为电缆内导体的个数，S_i为第i个电缆导体的面积，按从大到小排序；P_ci为第i个电缆导体属于圆的概率；P_si为第i个电缆导体属于扇形的概率；若增加新的形状，则可通过增加特征矩阵M的行数来存储相应形状的概率；

其中，特征矩阵中的参数S_i通过电缆导体区域的像素个数来计算，P_ci、P_si…通过电缆导体区域的形状来计算，所述的电缆导体区域通过电缆先验知识在电缆截面图像中筛选，并根据电缆各导体区域的颜色均值去除孔洞区，保留褪色区和反光区来找到完整正确的导体区域；

所述的输出单元用于电缆类别判断结果的输出。

Images