CN110458157B - 一种电力电缆生产过程智能监控系统 - Google Patents

一种电力电缆生产过程智能监控系统 Download PDF

Info

Publication number
CN110458157B
CN110458157B CN201910972807.4A CN201910972807A CN110458157B CN 110458157 B CN110458157 B CN 110458157B CN 201910972807 A CN201910972807 A CN 201910972807A CN 110458157 B CN110458157 B CN 110458157B
Authority
CN
China
Prior art keywords
region
area
image
pixel
value
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.)
Active
Application number
CN201910972807.4A
Other languages
English (en)
Other versions
CN110458157A (zh
Inventor
毛华撑
齐红磊
李鹏鹏
于思杰
周妙根
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.)
Jiangxi Pacific Cable Group Co ltd
Original Assignee
Jiangxi Pacific Cable Group 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 Jiangxi Pacific Cable Group Co ltd filed Critical Jiangxi Pacific Cable Group Co ltd
Priority to CN201910972807.4A priority Critical patent/CN110458157B/zh
Publication of CN110458157A publication Critical patent/CN110458157A/zh
Application granted granted Critical
Publication of CN110458157B publication Critical patent/CN110458157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种电力电缆生产过程智能监控系统，包括图像采集组件、传感器组件、无线传输模块、智能监控中心和危险报警模块，所述传感器组件用于采集环境数据和电力电缆生产设备表面的温度数据，并将采集得到的数据传输至智能监控中心，智能监控中心对接收到的数据进行处理后与预设的安全阈值进行比较，当所述数据高于预设的安全阈值时令危险报警模块进行报警，并通过图像采集组件对采集该数据的传感器节点所在的位置进行图像采集，采集的图像处理后进行显示。本发明的有益效果为：实现了电力电缆生产车间的环境和电力电缆生产设备运行状态的有效监测，提高了电力电缆生产过程监测的智能化。

Description

一种电力电缆生产过程智能监控系统
技术领域
本发明创造涉及安全监控领域，具体涉及一种电力电缆生产过程智能监控系统。
背景技术
电力电缆车间在进行电力电缆的生产过程中，会随着电力电缆的生产过程产生烟雾、高温和粉尘浓度等，当产生的烟雾、高温或粉尘浓度达到较高的数值时，就会对生产人员造成较大的危害，因此，及时监控车间内烟雾、温度和粉尘浓度数据的变化情况，可以有效避免对生产人员的人身安全造成的威胁。此外，随着电力电缆制造企业生产规模的扩大，电力电缆车间设备随之增多，当电力电缆生产设备在生产过程中出现故障时，传统的检测方法是采用人工方式对电力电缆生产设备进行排查，具有效率低以及人工成功本高的缺陷。
发明内容
针对上述问题，本发明旨在提供一种电力电缆生产过程智能监控系统。
本发明创造的目的通过以下技术方案实现：
一种电力电缆生产过程智能监控系统，包括图像采集组件、传感器组件、无线传输模块、智能监控中心和危险报警模块，所述图像采集组件包括摄像头和摄像控制单元，所述传感器组件用于采集电力电缆生产车间内的环境数据和电力电缆生产设备表面的温度数据，并将采集得到的数据通过无线传感器网络传输至智能监控中心，所述智能监控中心包括安全分析单元、图像处理单元和LED显示单元，所述安全分析单元用于对接收到的数据进行处理，并将处理后的数据与预设的安全阈值进行比较，当所述数据高于预设的安全阈值时令危险报警模块进行报警，并通过摄像控制单元控制摄像头对采集该数据的传感器节点所在的位置进行图像采集，采集的图像通过无线传输模块传输至智能监控中心，智能监控中心的图像处理单元对接收到的图像进行处理，并将处理后的图像在LED显示单元进行显示；智能监控中心的图像处理单元采用下式对接收到的图像进行处理，设时刻采集的图像为
Figure 390373DEST_PATH_IMAGE002
，则处理后的图像
Figure 232427DEST_PATH_IMAGE003
为：
式中，和
Figure 389105DEST_PATH_IMAGE007
分别表示图像
Figure 721385DEST_PATH_IMAGE002
的长和宽，
Figure 982602DEST_PATH_IMAGE008
表示图像
Figure 713797DEST_PATH_IMAGE002
中坐标处像素的梯度算子，表示图像
Figure 385453DEST_PATH_IMAGE003
中坐标
Figure 971155DEST_PATH_IMAGE009
处像素的梯度算子，
Figure 463316DEST_PATH_IMAGE011
为调节系数，设置噪声门限值
Figure 770188DEST_PATH_IMAGE012
，当
Figure 107629DEST_PATH_IMAGE013
时，则令
Figure 813417DEST_PATH_IMAGE014
，当
Figure 210900DEST_PATH_IMAGE015
时，则令
Figure 2138DEST_PATH_IMAGE016
。
优选地，所述传感器组件包括用于采集电力电缆生产车间环境数据的第一传感器组件和用于采集电力电缆生产设备表面温度数据的第二传感器组件，所述第一传感器组件包括烟雾传感器、温度传感器和粉尘浓度传感器，所述第二传感器组件包括温度传感器。
优选地，所述智能监控中心的图像处理单元对处理后的图像
Figure 143270DEST_PATH_IMAGE017
进行图像分割，采用下式对图像
Figure 703564DEST_PATH_IMAGE017
进行图像分割前的预处理：
Figure 537528DEST_PATH_IMAGE019
式中，
Figure 565132DEST_PATH_IMAGE020
表示图像
Figure 509954DEST_PATH_IMAGE017
中坐标
Figure 924755DEST_PATH_IMAGE021
处像素的灰度值，
Figure 929620DEST_PATH_IMAGE022
表示灰度值
Figure 429871DEST_PATH_IMAGE020
经预处理后的灰度值，
Figure 912805DEST_PATH_IMAGE023
表示图像
Figure 447692DEST_PATH_IMAGE017
中以坐标
Figure 688705DEST_PATH_IMAGE021
为中心的局部邻域中像素灰度值的中值，
Figure 676252DEST_PATH_IMAGE024
表示取值函数，当
Figure 962877DEST_PATH_IMAGE025
时，则，当
Figure 433359DEST_PATH_IMAGE027
时，则
Figure 908202DEST_PATH_IMAGE028
，当
Figure 936201DEST_PATH_IMAGE029
时，则
Figure 180101DEST_PATH_IMAGE030
。
优选地，设预处理后的图像为
Figure 432091DEST_PATH_IMAGE031
，采用FCM算法对图像
Figure 397160DEST_PATH_IMAGE031
进行分割，设图像
Figure 25588DEST_PATH_IMAGE031
被分割为
Figure 389573DEST_PATH_IMAGE032
个区域，
Figure 812464DEST_PATH_IMAGE033
表示分割所得的区域集合，且
Figure 261900DEST_PATH_IMAGE034
，其对应的
Figure 694018DEST_PATH_IMAGE032
个聚类中心为
Figure 646931DEST_PATH_IMAGE035
，将所述FCM算法采用的目标函数定义为：
式中，
Figure 180385DEST_PATH_IMAGE037
为模糊指数，
Figure 416194DEST_PATH_IMAGE038
为图像
Figure 426875DEST_PATH_IMAGE031
中坐标
Figure 457148DEST_PATH_IMAGE021
处像素的灰度值，表示图像
Figure 451835DEST_PATH_IMAGE031
中坐标
Figure 379340DEST_PATH_IMAGE040
处像素的灰度值，
Figure 580514DEST_PATH_IMAGE041
表示图像
Figure 217470DEST_PATH_IMAGE031
中以坐标
Figure 467185DEST_PATH_IMAGE009
为中心的局部邻域，
Figure 514776DEST_PATH_IMAGE042
表示局部邻域中的像素数，
Figure 19893DEST_PATH_IMAGE043
表示局部邻域
Figure 135616DEST_PATH_IMAGE041
中像素的灰度均值，
Figure 37713DEST_PATH_IMAGE044
表示
Figure 580690DEST_PATH_IMAGE038
到聚类中心
Figure 935448DEST_PATH_IMAGE045
的隶属度，
Figure 857792DEST_PATH_IMAGE045
表示类
Figure 614395DEST_PATH_IMAGE046
的聚类中心，且
Figure 328273DEST_PATH_IMAGE044
和
Figure 498224DEST_PATH_IMAGE045
的表达式分别为：
Figure 566860DEST_PATH_IMAGE048
式中，
Figure 717218DEST_PATH_IMAGE049
表示类
Figure 49498DEST_PATH_IMAGE050
的聚类中心。
优选地，对采用FCM算法分割的
Figure 310715DEST_PATH_IMAGE032
个区域进行处理，具体包括：
步骤1：设采用FCM算法将图像
Figure 776332DEST_PATH_IMAGE031
分割为
Figure 97592DEST_PATH_IMAGE032
个区域，
Figure 914238DEST_PATH_IMAGE033
表示分割所得的区域集合，且
Figure 713567DEST_PATH_IMAGE034
，定义区域的信息值为
Figure 299269DEST_PATH_IMAGE051
，则区域
Figure 791430DEST_PATH_IMAGE052
对应的信息值
Figure 767476DEST_PATH_IMAGE053
的表达式为：
Figure 373425DEST_PATH_IMAGE054
其中，
Figure 79213DEST_PATH_IMAGE055
为区域
Figure 476697DEST_PATH_IMAGE052
的信息熵，
Figure 267935DEST_PATH_IMAGE056
为区域
Figure 346750DEST_PATH_IMAGE052
的像素灰度值均值，为区域
Figure 475428DEST_PATH_IMAGE052
的像素灰度值的方差；
计算各区域对应的信息值，并将计算所得的各区域的信息值
Figure 698785DEST_PATH_IMAGE051
由大到小进行排列，组成集合
Figure 51269DEST_PATH_IMAGE058
，设区域
Figure 70783DEST_PATH_IMAGE059
的信息值
Figure 571034DEST_PATH_IMAGE060
为集合
Figure 53968DEST_PATH_IMAGE061
中的中值，则
Figure 588855DEST_PATH_IMAGE060
将集合
Figure 499042DEST_PATH_IMAGE061
划分为集合
Figure 424273DEST_PATH_IMAGE062
和集合
Figure 710897DEST_PATH_IMAGE063
，设区域
Figure 100290DEST_PATH_IMAGE064
的信息值
Figure 446958DEST_PATH_IMAGE065
为集合
Figure 924732DEST_PATH_IMAGE066
中的中值，区域
Figure 749468DEST_PATH_IMAGE067
的信息值
Figure 931051DEST_PATH_IMAGE068
为集合
Figure 448620DEST_PATH_IMAGE069
中的中值，则将区域
Figure 410760DEST_PATH_IMAGE064
标记为目标区域，区域
Figure 39187DEST_PATH_IMAGE067
标记为背景区域；
定义区域标记系数，当区域
Figure 826063DEST_PATH_IMAGE052
标记为目标区域时，则令，当区域
Figure 379721DEST_PATH_IMAGE052
标记为背景区域时，则令
Figure 601143DEST_PATH_IMAGE072
；当区域未标记时，则令
Figure 131667DEST_PATH_IMAGE073
，其中，
Figure 367476DEST_PATH_IMAGE074
为区域对应的区域标记系数；
步骤2：确定区域集合
Figure 408431DEST_PATH_IMAGE033
中各区域的最相关区域，定义区域的最相关区域检测系数
Figure 566880DEST_PATH_IMAGE075
，则区域
Figure 75221DEST_PATH_IMAGE052
对应的最相关区域检测系数
Figure 268305DEST_PATH_IMAGE076
的表达式为：
Figure 472409DEST_PATH_IMAGE077
其中，
Figure 55837DEST_PATH_IMAGE078
为筛选函数，且
Figure 367870DEST_PATH_IMAGE079
，
Figure 415460DEST_PATH_IMAGE080
为相邻区域判断系数，当区域和区域
Figure 920577DEST_PATH_IMAGE081
为相邻区域，则
Figure 973984DEST_PATH_IMAGE082
；当区域和区域
Figure 419057DEST_PATH_IMAGE081
为不相邻区域时，则
Figure 773815DEST_PATH_IMAGE083
；
Figure 684441DEST_PATH_IMAGE084
为区域标记判断系数，当
Figure 441044DEST_PATH_IMAGE085
或
Figure 92605DEST_PATH_IMAGE086
时，则
Figure 200239DEST_PATH_IMAGE087
，当
Figure 657765DEST_PATH_IMAGE088
时，则；
Figure 419233DEST_PATH_IMAGE090
和
Figure 748583DEST_PATH_IMAGE091
分别为空间检测函数和像素检测函数，且
Figure 681904DEST_PATH_IMAGE090
和
Figure 413100DEST_PATH_IMAGE091
的计算公式分别为：
Figure 737290DEST_PATH_IMAGE092
Figure 288357DEST_PATH_IMAGE093
式中，
Figure 353265DEST_PATH_IMAGE094
为区域
Figure 876650DEST_PATH_IMAGE052
的质心的坐标值，
Figure 103232DEST_PATH_IMAGE095
为区域
Figure 407174DEST_PATH_IMAGE081
的质心的坐标值，
Figure 10194DEST_PATH_IMAGE056
为区域中像素灰度值的均值，为区域
Figure 642054DEST_PATH_IMAGE081
中像素灰度值的均值；
和
Figure 546742DEST_PATH_IMAGE098
分别为权值系数，且
Figure 115126DEST_PATH_IMAGE097
和
Figure 393661DEST_PATH_IMAGE098
的表达式分别为：
Figure 753284DEST_PATH_IMAGE100
式中，
Figure 430253DEST_PATH_IMAGE101
表示区域
Figure 930505DEST_PATH_IMAGE052
的信息熵，
Figure 679018DEST_PATH_IMAGE102
表示区域
Figure 951255DEST_PATH_IMAGE081
的信息熵；
使得区域
Figure 127021DEST_PATH_IMAGE052
的最相关检测系数
Figure 114569DEST_PATH_IMAGE076
取最大值的区域
Figure 338877DEST_PATH_IMAGE081
即为区域
Figure 728270DEST_PATH_IMAGE052
的最相关区域，各个区域的最相关区域确定后，遍历所有区域，当两个区域互为最相关区域后，即合并这两个最相关区域，当这两个区域中存在已经被标记区域时，则将合并后的区域标记为相同的区域；
步骤3：重复步骤2中的区域合并，直到满足时，即停止区域合并，并将标记为目标区域的图像作为分割后的目标图像，在LED显示单元进行显示；
其中，
Figure 284202DEST_PATH_IMAGE104
为定义的合并检测系数，
Figure 374518DEST_PATH_IMAGE105
为当前区域合并次数，
Figure 618417DEST_PATH_IMAGE106
为给定的截止阈值，设第
Figure 73669DEST_PATH_IMAGE105
次区域合并后的区域集合为
Figure 50458DEST_PATH_IMAGE107
，其中，
Figure 678885DEST_PATH_IMAGE108
为集合
Figure 777291DEST_PATH_IMAGE109
中的第
Figure 465761DEST_PATH_IMAGE110
个区域，
Figure 587301DEST_PATH_IMAGE111
为区域集合中的区域数，第
Figure 237911DEST_PATH_IMAGE112
次区域合并后的区域集合为
Figure 97283DEST_PATH_IMAGE113
，其中，
Figure 768436DEST_PATH_IMAGE114
为集合
Figure 676349DEST_PATH_IMAGE115
中的第个区域，
Figure 782550DEST_PATH_IMAGE116
为区域集合
Figure 940998DEST_PATH_IMAGE115
中的区域数，则
Figure 714919DEST_PATH_IMAGE117
的表达式为：
式中，
Figure 46861DEST_PATH_IMAGE119
表示区域
Figure 427026DEST_PATH_IMAGE108
的像素灰度值的标准差，
Figure 4638DEST_PATH_IMAGE120
表示区域
Figure 52229DEST_PATH_IMAGE114
的像素灰度值的标准差，
Figure 427234DEST_PATH_IMAGE038
表示图像
Figure 232379DEST_PATH_IMAGE031
中坐标
Figure 348102DEST_PATH_IMAGE009
处像素的灰度值，
Figure 250199DEST_PATH_IMAGE121
表示图像
Figure 793176DEST_PATH_IMAGE031
中像素的均值，
Figure 413513DEST_PATH_IMAGE122
表示图像
Figure 67348DEST_PATH_IMAGE031
中的像素数。
本发明创造的有益效果：利用传感器组件对电力电缆生产车间的环境数据和电力电缆生产设备的表面温度进行采集，采集所得的环境数据用于判断电力电缆生产车间的环境状况，采集的电力电缆生产设备的温度数据用于判断电力电缆生产设备在运行过程中是否出现故障，从而实现了电力电缆生产车间的环境和电力电缆生产设备运行状态的有效监测，提高了电力电缆生产过程监测的智能化；当采集的数据高于预设的安全阈值，即控制摄像头对存在危险的车间位置进行图像采集，智能监控中心的图像采集单元对接收到图像进行处理，在图像的处理公式中引入调节系数
Figure 89531DEST_PATH_IMAGE011
，在细节较弱的图像区域，采用较大的调节系数
Figure 741092DEST_PATH_IMAGE011
，使得图像中的较弱细节信息可以被保留，在图像的边缘区域，采用相对较小的调节系数
Figure 583146DEST_PATH_IMAGE011
，突出图像边缘信息的同时，防止了图像在优化过程中的伪影现象，即本优选实施例能够有效去除图像中的噪声污染，增强图像中的细节信息和边缘信息，同时防止图像的过度增强造成的伪影现象；智能监控中心对处理后的图像进行图像分割，在对图像
Figure 43602DEST_PATH_IMAGE017
进行分割前进行预处理，对图像
Figure 920291DEST_PATH_IMAGE017
中的像素值进行调节，能够在不改变正常像素点的灰度值的同时，将图像中的噪声点或数值较为极端的像素值调节至一个合理的范围，使得图像
Figure 805071DEST_PATH_IMAGE017
中的像素分布的较为均匀，并保证图像不因像素调节而丢失信息；采用FCM算法对预处理后的图像进行分割，所述FCM算法采用的目标函数中既包含了像素的灰度信息，又包含了像素邻域信息以及像素邻域的结构信息，从而为FCM算法提供更准确的像素关系，使得分割区域连续，区域边缘轮廓分明，实现精确分割；为了避免采用FCM算法对图像进行分割造成的过分割现象，对分割所得的
Figure 333321DEST_PATH_IMAGE032
个区域进行区域合并，相较于传统的区域合并方法，本优选实施例定义区域的信息值，并根据区域的信息值标记初始目标区域和背景区域，定义的信息值能够有效的反应区域的像素信息和空间结构信息，因此，能够有效的区分目标区域和背景区域，根据区域的信息值标记的初始目标区域和背景区域具有较强可信性，避免了人工标记目标区域和背景区域的缺陷，提高了后续区域合并的的准确性和智能化；此外，本优选实施例在区域合并的过程中，引入最相关区域的概念，确定各个区域的最相关区域，当两个区域互为最相关区域时，即合并这两个区域，采用这种区域合并方法能够一次性完成所有区域中相似区域的合并，提高了区域合并的效率，有利于对区域较多的图像进行区域合并；在进行最相关区域的检测时，定义最相关区域检测系数
Figure 64517DEST_PATH_IMAGE075
，所述最相关区域检测系数
Figure 120197DEST_PATH_IMAGE075
中的空间检测函数和像素检测函数，使得区域和其最相关区域满足空间和像素值之间的最近，从而确保了合并后的区域中像素值的均匀性和空间的连续性；此外，在最相关区域检测系数中，引入权值系数
Figure 1752DEST_PATH_IMAGE123
和
Figure 525137DEST_PATH_IMAGE124
对像素检测函数和空间检测函数的比重进行调节，权重系数
Figure 742930DEST_PATH_IMAGE123
能够较好的反应区域之间的像素特征，权重系数
Figure 46872DEST_PATH_IMAGE124
能够较好的反应区域之间的结构信息，因此，采用权重系数
Figure 649892DEST_PATH_IMAGE123
和
Figure 90100DEST_PATH_IMAGE124
对像素检测函数和空间检测函数进行调节，使得区域和其最相关区域的像素特征和空间特征都最为相似，继而使得最终合并的区域中的像素和结构信息都较为平滑，提高了分割结果的准确性，此外，当区域之间的像素或者空间距离超出设置的阈值时，直接将像素检测函数或空间检测函数置0，避免了当区域之间像素特征相差较大但空间特征相差较小，或区域之间空间特征相差较大但像素特征相差较小而造成的最相关区域的误检，影响区域合并的准确性；定义合并检测系数
Figure 690846DEST_PATH_IMAGE117
，并给定截止阈值，根据合并检测系数
Figure 623216DEST_PATH_IMAGE117
和截止阈值
Figure 917931DEST_PATH_IMAGE106
之间的关系判断是否停止区域合并，所述合并检测系数能够有效的描述当前区域合并前后区域中像素分布特征的变化，因此，根据本优选实施例定义的合并检测系数能够确保区域合并完成后，区域中的像素分布的较为连续，避免了区域的过度合并，提高了图像分割结果的准确性，将分割所得目标图像在LED屏进行显示，生产人员可以根据显示的图像对生产车间存在的危险进行直观的观察并采取相应的措施，避免了盲目进入生产车间带来的危险。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是电力电缆生产过程智能监控系统结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种电力电缆生产过程智能监控系统，包括图像采集组件、传感器组件、无线传输模块、智能监控中心和危险报警模块，所述图像采集组件包括摄像头和摄像控制单元，所述传感器组件用于采集电力电缆生产车间内的环境数据和电力电缆生产设备表面的温度数据，并将采集得到的数据通过无线传感器网络传输至智能监控中心，所述智能监控中心包括安全分析单元、图像处理单元和LED显示单元，所述安全分析单元用于对接收到的数据进行处理，并将处理后的数据与预设的安全阈值进行比较，当所述数据高于预设的安全阈值时令危险报警模块进行报警，并通过摄像控制单元控制摄像头对采集该数据的传感器节点所在的位置进行图像采集，采集的图像通过无线传输模块传输至智能监控中心，智能监控中心的图像处理单元对接收到的图像进行处理，并将处理后的图像在LED显示单元进行显示。
优选地，所述传感器组件包括用于采集电力电缆生产车间环境数据的第一传感器组件和用于采集电力电缆生产设备表面温度数据的第二传感器组件，所述第一传感器组件包括烟雾传感器、温度传感器和粉尘浓度传感器，所述烟雾传感器用于采集电力电缆生产车间内的烟雾浓度数据，所述温度传感器用于采集电力电缆生产车间的温度数据，所述粉尘浓度传感器用于采集电力电缆生产车间的粉尘浓度数据，所述第二传感器组件包括温度传感器，所述温度传感器安装于电力电缆生产设备的表面，用于采集电力电缆生产设备的温度。
本优选实施例利用传感器组件对电力电缆生产车间的环境数据和电力电缆生产设备的表面温度进行采集，采集所得的环境数据用于判断电力电缆生产车间的环境状况，采集的电力电缆生产设备的温度数据用于判断电力电缆生产设备在运行过程中是否出现故障，从而实现了电力电缆生产车间的环境和电力电缆生产设备运行状态的有效监测，提高了电力电缆生产过程监测的智能化；当采集的数据高于预设的安全阈值，即控制摄像头对存在危险的车间位置进行图像采集，对采集得到的图像进行处理和图像分割，并将分割所得的目标图像在LED屏进行显示，生产人员可以根据显示的图像对生产车间存在的危险进行直观的观察并采取相应的措施，避免了盲目进入生产车间带来的危险。
优选地，智能监控中心的图像处理单元采用下式对接收到的图像进行处理，设时刻接收到的图像为，则处理后的图像
Figure 650285DEST_PATH_IMAGE003
为：
Figure 65086DEST_PATH_IMAGE125
式中，和
Figure 570203DEST_PATH_IMAGE007
分别表示图像的长和宽，表示图像
Figure 701473DEST_PATH_IMAGE002
中坐标
Figure 689020DEST_PATH_IMAGE009
处像素的梯度算子，
Figure 975645DEST_PATH_IMAGE010
表示图像
Figure 367968DEST_PATH_IMAGE003
中坐标处像素的梯度算子，为调节系数，设置噪声门限值
Figure 14216DEST_PATH_IMAGE012
，当
Figure 195798DEST_PATH_IMAGE013
时，则令
Figure 713367DEST_PATH_IMAGE126
，当
Figure 409928DEST_PATH_IMAGE015
时，则令
Figure 38355DEST_PATH_IMAGE016
。
本优选实施例用于对接收到图像进行处理，在图像的处理公式中引入调节系数
Figure 402341DEST_PATH_IMAGE011
，在细节较弱的图像区域，采用较大的调节系数
Figure 28494DEST_PATH_IMAGE011
，使得图像中的较弱细节信息可以被保留，在图像的边缘区域，采用相对较小的调节系数
Figure 215280DEST_PATH_IMAGE011
，突出图像边缘信息的同时，防止了图像在优化过程中的伪影现象，即本优选实施例能够有效去除图像中的噪声污染，增强图像中的细节信息和边缘信息，同时防止图像的过度增强造成的伪影现象。
优选地，所述智能监控中心的图像处理单元对处理后的图像
Figure 647399DEST_PATH_IMAGE017
进行图像分割，采用下式对图像
Figure 865890DEST_PATH_IMAGE017
进行图像分割前的预处理：
Figure 725262DEST_PATH_IMAGE127
式中，
Figure 334098DEST_PATH_IMAGE020
表示图像中坐标
Figure 377326DEST_PATH_IMAGE021
处像素的灰度值，
Figure 407599DEST_PATH_IMAGE022
表示灰度值
Figure 566048DEST_PATH_IMAGE020
经预处理后的灰度值，
Figure 277652DEST_PATH_IMAGE023
表示图像
Figure 219805DEST_PATH_IMAGE017
中以坐标
Figure 420979DEST_PATH_IMAGE021
为中心的局部邻域中像素灰度值的中值，
Figure 66724DEST_PATH_IMAGE024
表示取值函数，当
Figure 644336DEST_PATH_IMAGE025
时，则，当
Figure 736106DEST_PATH_IMAGE027
时，则
Figure 869147DEST_PATH_IMAGE028
，当
Figure 984871DEST_PATH_IMAGE029
时，则
Figure 886968DEST_PATH_IMAGE030
。
本优选实施例用于对图像
Figure 432874DEST_PATH_IMAGE017
进行分割前的预处理，减少噪声对后续分割带来的影响，采用本优选实施例的方式对图像
Figure 990894DEST_PATH_IMAGE017
中的像素值进行调节，能够在不改变正常像素点的灰度值的同时，将图像中的噪声点或数值较为极端的像素值调节至一个合理的范围，使得图像中的像素分布的较为均匀，并保证图像
Figure 401333DEST_PATH_IMAGE017
不因像素调节而丢失信息而影响后续的图像分割。
优选地，设预处理后的图像为，采用FCM算法对图像
Figure 222844DEST_PATH_IMAGE031
进行分割，设图像
Figure 618054DEST_PATH_IMAGE031
被分割为个区域，
Figure 379522DEST_PATH_IMAGE033
表示分割所得的区域集合，且
Figure 708872DEST_PATH_IMAGE034
，其对应的
Figure 973019DEST_PATH_IMAGE032
个聚类中心为
Figure 641898DEST_PATH_IMAGE035
，将所述FCM算法采用的目标函数定义为：
Figure 697579DEST_PATH_IMAGE128
式中，
Figure 514225DEST_PATH_IMAGE037
为模糊指数，
Figure 313554DEST_PATH_IMAGE038
为图像
Figure 899256DEST_PATH_IMAGE031
中坐标
Figure 329100DEST_PATH_IMAGE021
处像素的灰度值，
Figure 633042DEST_PATH_IMAGE039
为图像
Figure 970483DEST_PATH_IMAGE031
中坐标
Figure 676271DEST_PATH_IMAGE040
处像素的灰度值，
Figure 76684DEST_PATH_IMAGE041
表示图像
Figure 805605DEST_PATH_IMAGE031
中以坐标
Figure 946737DEST_PATH_IMAGE009
为中心的局部邻域，
Figure 507031DEST_PATH_IMAGE042
表示局部邻域
Figure 340995DEST_PATH_IMAGE041
中的像素数，表示局部邻域
Figure 298772DEST_PATH_IMAGE041
中像素的灰度均值，
Figure 651256DEST_PATH_IMAGE044
表示
Figure 656121DEST_PATH_IMAGE038
到聚类中心
Figure 156373DEST_PATH_IMAGE045
的隶属度，
Figure 630518DEST_PATH_IMAGE045
表示类
Figure 165404DEST_PATH_IMAGE046
的聚类中心，且
Figure 278854DEST_PATH_IMAGE044
和
Figure 266401DEST_PATH_IMAGE045
的表达式分别为：
Figure 553026DEST_PATH_IMAGE129
Figure 676840DEST_PATH_IMAGE130
式中，表示类
Figure 436035DEST_PATH_IMAGE050
的聚类中心。
本优选实施例采用FCM算法对预处理后的图像进行分割，所述FCM算法采用的目标函数中既包含了像素的灰度信息，又包含了像素邻域信息以及像素邻域的结构信息，从而为FCM算法提供更准确的像素关系，使得分割区域连续，区域边缘轮廓分明，实现精确分割。
优选地，对采用FCM算法分割的
Figure 526350DEST_PATH_IMAGE032
个区域进行处理，具体包括：
步骤1：设采用FCM算法将图像
Figure 770250DEST_PATH_IMAGE031
分割为
Figure 25169DEST_PATH_IMAGE032
个区域，
Figure 987309DEST_PATH_IMAGE033
表示分割所得的区域集合，且，定义区域的信息值为
Figure 917405DEST_PATH_IMAGE051
，则区域
Figure 340296DEST_PATH_IMAGE052
对应的信息值的表达式为：
Figure 221850DEST_PATH_IMAGE131
其中，
Figure 174763DEST_PATH_IMAGE055
为区域
Figure 971817DEST_PATH_IMAGE052
的信息熵，
Figure 642970DEST_PATH_IMAGE056
为区域
Figure 881709DEST_PATH_IMAGE052
的像素灰度值均值，
Figure 954707DEST_PATH_IMAGE057
为区域
Figure 984980DEST_PATH_IMAGE052
的像素灰度值的方差；
计算各区域对应的信息值
Figure 143429DEST_PATH_IMAGE051
，并将计算所得的各区域的信息值
Figure 917350DEST_PATH_IMAGE051
由大到小进行排列，组成集合
Figure 782538DEST_PATH_IMAGE058
，设区域
Figure 983712DEST_PATH_IMAGE059
的信息值
Figure 629457DEST_PATH_IMAGE060
为集合
Figure 941490DEST_PATH_IMAGE061
中的中值，则
Figure 992010DEST_PATH_IMAGE060
将集合划分为集合和集合
Figure 550533DEST_PATH_IMAGE063
，设区域
Figure 452630DEST_PATH_IMAGE064
的信息值
Figure 995607DEST_PATH_IMAGE065
为集合
Figure 350365DEST_PATH_IMAGE066
中的中值，区域
Figure 269779DEST_PATH_IMAGE067
的信息值
Figure 964066DEST_PATH_IMAGE068
为集合中的中值，则将区域
Figure 612726DEST_PATH_IMAGE064
标记为目标区域，区域
Figure 70252DEST_PATH_IMAGE067
标记为背景区域；
定义区域标记系数
Figure 681362DEST_PATH_IMAGE070
，当区域
Figure 831720DEST_PATH_IMAGE052
标记为目标区域时，则令，当区域
Figure 359971DEST_PATH_IMAGE052
标记为背景区域时，则令
Figure 825587DEST_PATH_IMAGE072
；当区域
Figure 146847DEST_PATH_IMAGE052
未标记时，则令
Figure 963493DEST_PATH_IMAGE073
，其中，
Figure 700505DEST_PATH_IMAGE074
为区域
Figure 289137DEST_PATH_IMAGE052
对应的区域标记系数；
步骤2：确定区域集合中各区域的最相关区域，定义区域的最相关区域检测系数
Figure 819661DEST_PATH_IMAGE075
，则区域
Figure 422681DEST_PATH_IMAGE052
对应的最相关区域检测系数
Figure 128469DEST_PATH_IMAGE076
的表达式为：
Figure 463635DEST_PATH_IMAGE132
其中，
Figure 254874DEST_PATH_IMAGE078
为筛选函数，且
Figure 396005DEST_PATH_IMAGE079
，
Figure 956299DEST_PATH_IMAGE080
为相邻区域判断系数，当区域
Figure 527614DEST_PATH_IMAGE052
和区域
Figure 743831DEST_PATH_IMAGE081
为相邻区域，则
Figure 688653DEST_PATH_IMAGE082
；当区域
Figure 103454DEST_PATH_IMAGE052
和区域
Figure 108319DEST_PATH_IMAGE081
为不相邻区域时，则
Figure 608571DEST_PATH_IMAGE083
；
Figure 91505DEST_PATH_IMAGE084
为区域标记判断系数，当
Figure 564074DEST_PATH_IMAGE085
或
Figure 474262DEST_PATH_IMAGE086
时，则
Figure 461809DEST_PATH_IMAGE087
，当
Figure 751364DEST_PATH_IMAGE088
时，则
Figure 140757DEST_PATH_IMAGE089
；
Figure 487424DEST_PATH_IMAGE090
和
Figure 899951DEST_PATH_IMAGE091
分别为空间检测函数和像素检测函数，且
Figure 724688DEST_PATH_IMAGE090
和
Figure 968587DEST_PATH_IMAGE091
的计算公式分别为：
Figure 486156DEST_PATH_IMAGE133
Figure 448296DEST_PATH_IMAGE134
式中，
Figure 14407DEST_PATH_IMAGE094
为区域的质心的坐标值，
Figure 792494DEST_PATH_IMAGE095
为区域
Figure 241930DEST_PATH_IMAGE081
的质心的坐标值，为区域
Figure 564644DEST_PATH_IMAGE052
中像素灰度值的均值，
Figure 424015DEST_PATH_IMAGE096
为区域
Figure 95168DEST_PATH_IMAGE081
中像素灰度值的均值；
Figure 330977DEST_PATH_IMAGE097
和
Figure 403976DEST_PATH_IMAGE098
分别为权值系数，且
Figure 371932DEST_PATH_IMAGE097
和
Figure 530381DEST_PATH_IMAGE098
的表达式分别为：
Figure 234736DEST_PATH_IMAGE136
式中，表示区域
Figure 19338DEST_PATH_IMAGE052
的信息熵，
Figure 331371DEST_PATH_IMAGE102
表示区域
Figure 378961DEST_PATH_IMAGE081
的信息熵；
使得区域
Figure 751037DEST_PATH_IMAGE052
的最相关检测系数
Figure 884078DEST_PATH_IMAGE076
取最大值的区域
Figure 999801DEST_PATH_IMAGE081
即为区域
Figure 904828DEST_PATH_IMAGE052
的最相关区域，各个区域的最相关区域确定后，遍历所有区域，当两个区域互为最相关区域后，即合并这两个最相关区域，当这两个区域中存在已经被标记区域时，则将合并后的区域标记为相同区域；
步骤3：重复步骤2中的区域合并，直到满足
Figure 385488DEST_PATH_IMAGE103
时，即停止区域合并，并将标记为目标区域的图像作为分割后的目标图像，在LED显示单元进行显示；
其中，
Figure 740246DEST_PATH_IMAGE104
为定义的合并检测系数，为当前区域合并次数，
Figure 416264DEST_PATH_IMAGE106
为给定的截止阈值，设第
Figure 130142DEST_PATH_IMAGE105
次区域合并后的区域集合为，其中，
Figure 632984DEST_PATH_IMAGE108
为集合
Figure 244094DEST_PATH_IMAGE109
中的第
Figure 394453DEST_PATH_IMAGE110
个区域，
Figure 726733DEST_PATH_IMAGE111
为区域集合中的区域数，第
Figure 453566DEST_PATH_IMAGE112
次区域合并后的区域集合为
Figure 712509DEST_PATH_IMAGE113
，其中，
Figure 263576DEST_PATH_IMAGE114
为集合
Figure 328484DEST_PATH_IMAGE115
中的第
Figure 914186DEST_PATH_IMAGE110
个区域，
Figure 140768DEST_PATH_IMAGE116
为区域集合
Figure 444711DEST_PATH_IMAGE115
中的区域数，则
Figure 985414DEST_PATH_IMAGE117
的表达式为：
Figure 440271DEST_PATH_IMAGE137
式中，
Figure 103333DEST_PATH_IMAGE119
表示区域
Figure 628992DEST_PATH_IMAGE108
的像素灰度值的标准差，
Figure 35703DEST_PATH_IMAGE120
表示区域
Figure 595997DEST_PATH_IMAGE114
的像素灰度值的标准差，
Figure 102065DEST_PATH_IMAGE038
表示图像
Figure 380600DEST_PATH_IMAGE031
中坐标
Figure 325422DEST_PATH_IMAGE009
处像素的灰度值，
Figure 740223DEST_PATH_IMAGE121
表示图像
Figure 482438DEST_PATH_IMAGE031
中像素的均值，表示图像
Figure 668886DEST_PATH_IMAGE031
中的像素数。
本优选实施例为了避免采用FCM算法对图像进行分割造成的过分割现象，对分割所得的
Figure 938193DEST_PATH_IMAGE032
个区域进行区域合并，相较于传统的区域合并方法，本优选实施例定义区域的信息值，并根据区域的信息值标记初始目标区域和背景区域，定义的信息值能够有效的反应区域的像素信息和空间结构信息，因此，能够有效的区分目标区域和背景区域，根据区域的信息值标记的初始目标区域和背景区域具有较强可信性，避免了人工标记目标区域和背景区域的缺陷，提高了后续区域合并的的准确性和智能化；此外，本优选实施例在区域合并的过程中，引入最相关区域的概念，确定各个区域的最相关区域，当两个区域互为最相关区域时，即合并这两个区域，采用这种区域合并方法能够一次性完成所有区域中相似区域的合并，提高了区域合并的效率，有利于对区域较多的图像进行区域合并；在进行最相关区域的检测时，定义最相关区域检测系数
Figure 113960DEST_PATH_IMAGE075
，所述最相关区域检测系数中的空间检测函数和像素检测函数，使得区域和其最相关区域满足空间和像素值之间的最近，从而确保了合并后的区域中像素值的均匀性和空间的连续性；此外，在最相关区域检测系数
Figure 388132DEST_PATH_IMAGE075
中，引入权值系数
Figure 777525DEST_PATH_IMAGE123
和
Figure 61876DEST_PATH_IMAGE124
对像素检测函数和空间检测函数的比重进行调节，权重系数能够较好的反应区域之间的像素特征，权重系数
Figure 364386DEST_PATH_IMAGE124
能够较好的反应区域之间的结构信息，因此，采用权重系数
Figure 608285DEST_PATH_IMAGE123
和
Figure 125854DEST_PATH_IMAGE124
对像素检测函数和空间检测函数进行调节，使得区域和其最相关区域的像素特征和空间特征都最为相似，继而使得最终合并的区域中的像素和结构信息都较为平滑，提高了分割结果的准确性，此外，当区域之间的像素或者空间距离超出设置的阈值时，直接将像素检测函数或空间检测函数置0，避免了当区域之间像素特征相差较大但空间特征相差较小，或区域之间空间特征相差较大但像素特征相差较小而造成的最相关区域的误检，影响区域合并的准确性；定义合并检测系数，并给定截止阈值
Figure 654105DEST_PATH_IMAGE106
，根据合并检测系数和截止阈值
Figure 440981DEST_PATH_IMAGE106
之间的关系判断是否停止区域合并，所述合并检测系数能够有效的描述当前区域合并前后区域中像素分布特征的变化，因此，根据本优选实施例定义的合并检测系数能够确保区域合并完成后，区域中的像素分布的较为连续，避免了区域的过度合并，提高了图像分割结果的准确性。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (4)

1.一种电力电缆生产过程智能监控系统，其特征是，包括图像采集组件、传感器组件、无线传输模块、智能监控中心和危险报警模块，所述图像采集组件包括摄像头和摄像控制单元，所述传感器组件用于采集电力电缆生产车间内的环境数据和电力电缆生产设备表面的温度数据，并将采集得到的数据通过无线传感器网络传输至智能监控中心，所述智能监控中心包括安全分析单元、图像处理单元和LED显示单元，所述安全分析单元用于对接收到的数据进行处理，并将处理后的数据与预设的安全阈值进行比较，当所述处理后的数据高于预设的安全阈值时令危险报警模块进行报警，并通过摄像控制单元控制摄像头对采集该数据的传感器节点所在的位置进行图像采集，采集的图像通过无线传输模块传输至智能监控中心，智能监控中心的图像处理单元对接收到的图像进行处理，并将处理后的图像在LED显示单元进行显示；智能监控中心的图像处理单元采用下式对接收到的图像进行处理，设
Figure DEST_PATH_IMAGE001
时刻接收到的图像为
Figure 334332DEST_PATH_IMAGE002
，则处理后的图像为：
Figure DEST_PATH_IMAGE005
式中，和
Figure DEST_PATH_IMAGE007
分别表示图像的长和宽，
Figure 678616DEST_PATH_IMAGE008
表示图像
Figure 492988DEST_PATH_IMAGE002
中坐标处像素的梯度算子，
Figure 502401DEST_PATH_IMAGE010
表示图像
Figure 707118DEST_PATH_IMAGE003
中坐标
Figure 92968DEST_PATH_IMAGE009
处像素的梯度算子，
Figure DEST_PATH_IMAGE011
为调节系数，设置噪声门限值
Figure 699530DEST_PATH_IMAGE012
，当
Figure DEST_PATH_IMAGE013
时，则令，当
Figure DEST_PATH_IMAGE015
时，则令
Figure 574787DEST_PATH_IMAGE016
；智能监控中心的图像处理单元对处理后的图像
Figure DEST_PATH_IMAGE017
进行图像分割，图像处理单元采用下式对图像
Figure 498749DEST_PATH_IMAGE017
进行图像分割前的预处理：
式中，
Figure DEST_PATH_IMAGE019
表示图像
Figure 576613DEST_PATH_IMAGE020
中坐标
Figure DEST_PATH_IMAGE021
处像素的灰度值，
Figure 755921DEST_PATH_IMAGE022
表示灰度值
Figure 217996DEST_PATH_IMAGE019
经预处理后的灰度值，
Figure DEST_PATH_IMAGE023
表示图像
Figure 799150DEST_PATH_IMAGE020
中以坐标
Figure 134316DEST_PATH_IMAGE021
为中心的局部邻域中像素灰度值的中值，
Figure 41399DEST_PATH_IMAGE024
表示取值函数，当
Figure DEST_PATH_IMAGE025
时，则，当
Figure DEST_PATH_IMAGE027
时，则
Figure 742825DEST_PATH_IMAGE028
，当
Figure DEST_PATH_IMAGE029
时，则。
2.根据权利要求1所述的一种电力电缆生产过程智能监控系统，其特征是，所述传感器组件包括用于采集电力电缆生产车间内环境数据的第一传感器组件和用于采集电力电缆生产设备表面温度数据的第二传感器组件，所述第一传感器组件包括烟雾传感器、温度传感器和粉尘浓度传感器，所述第二传感器组件包括温度传感器。
3.根据权利要求1所述的一种电力电缆生产过程智能监控系统，其特征是，设预处理后的图像为
Figure DEST_PATH_IMAGE031
，采用FCM算法对图像
Figure 527427DEST_PATH_IMAGE031
进行分割，设图像
Figure 409933DEST_PATH_IMAGE031
被分割为
Figure 949367DEST_PATH_IMAGE032
个区域，
Figure DEST_PATH_IMAGE033
表示分割所得的区域集合，且
Figure 829599DEST_PATH_IMAGE034
，其对应的
Figure 457413DEST_PATH_IMAGE032
个聚类中心为
Figure DEST_PATH_IMAGE035
，将所述FCM算法的目标函数定义为：
Figure DEST_PATH_IMAGE037
式中，
Figure 815714DEST_PATH_IMAGE038
为模糊指数，为图像
Figure 475234DEST_PATH_IMAGE031
中坐标
Figure 526367DEST_PATH_IMAGE040
处像素的灰度值，表示图像中坐标
Figure 800539DEST_PATH_IMAGE042
处像素的灰度值，
Figure DEST_PATH_IMAGE043
表示图像
Figure 48987DEST_PATH_IMAGE031
中以坐标
Figure 271021DEST_PATH_IMAGE009
为中心的局部邻域，
Figure 683547DEST_PATH_IMAGE044
表示局部邻域中的像素数，
Figure DEST_PATH_IMAGE045
表示局部邻域
Figure 20692DEST_PATH_IMAGE043
中像素的灰度均值，
Figure 397316DEST_PATH_IMAGE046
表示到聚类中心的隶属度，
Figure 987883DEST_PATH_IMAGE047
表示类的聚类中心，且
Figure 587809DEST_PATH_IMAGE046
和
Figure 974928DEST_PATH_IMAGE047
的表达式分别为：
Figure 531680DEST_PATH_IMAGE050
式中，
Figure DEST_PATH_IMAGE053
表示类
Figure 346894DEST_PATH_IMAGE054
的聚类中心。
4.根据权利要求3所述的一种电力电缆生产过程智能监控系统，其特征是，对采用FCM算法划分的
Figure 955730DEST_PATH_IMAGE032
个区域进行处理，具体包括：
步骤1：设采用FCM算法将图像分割为
Figure 264537DEST_PATH_IMAGE032
个区域，
Figure 232493DEST_PATH_IMAGE033
表示分割所得的区域集合，且，定义各区域的信息值为
Figure DEST_PATH_IMAGE055
，则区域
Figure 164863DEST_PATH_IMAGE056
对应的信息值
Figure DEST_PATH_IMAGE057
的表达式为：
Figure DEST_PATH_IMAGE059
其中，
Figure 154684DEST_PATH_IMAGE060
为区域的信息熵，
Figure DEST_PATH_IMAGE061
为区域
Figure 16252DEST_PATH_IMAGE056
的像素灰度值均值，
Figure 265968DEST_PATH_IMAGE062
为区域
Figure 188924DEST_PATH_IMAGE056
的像素灰度值的方差；
计算各区域的信息值
Figure 498683DEST_PATH_IMAGE055
，并将计算所得的各区域的信息值由大到小进行排列，组成集合，设区域
Figure 747448DEST_PATH_IMAGE064
的信息值
Figure DEST_PATH_IMAGE065
为集合中的中值，则
Figure 192521DEST_PATH_IMAGE065
将集合
Figure 671913DEST_PATH_IMAGE066
划分为集合
Figure DEST_PATH_IMAGE067
和集合，设区域的信息值
Figure 350861DEST_PATH_IMAGE070
为集合
Figure DEST_PATH_IMAGE071
中的中值，区域
Figure 940105DEST_PATH_IMAGE072
的信息值
Figure DEST_PATH_IMAGE073
为集合
Figure 172372DEST_PATH_IMAGE074
中的中值，则将区域
Figure 505265DEST_PATH_IMAGE069
标记为目标区域，区域
Figure 54058DEST_PATH_IMAGE072
标记为背景区域；
定义区域标记系数，当区域
Figure 266733DEST_PATH_IMAGE056
标记为目标区域时，则令
Figure 533766DEST_PATH_IMAGE076
，当区域
Figure 919617DEST_PATH_IMAGE056
标记为背景区域时，则令
Figure DEST_PATH_IMAGE077
；当区域
Figure 260600DEST_PATH_IMAGE056
未标记时，则令
Figure 519543DEST_PATH_IMAGE078
，其中，为区域
Figure 401436DEST_PATH_IMAGE056
对应的区域标记系数；
步骤2：确定区域集合
Figure 138448DEST_PATH_IMAGE033
中各区域的最相关区域，定义区域的最相关区域检测系数，则区域
Figure 278628DEST_PATH_IMAGE056
对应的最相关区域检测系数的表达式为：
Figure DEST_PATH_IMAGE083
其中，
Figure 379308DEST_PATH_IMAGE084
为筛选函数，且
Figure DEST_PATH_IMAGE085
，
Figure 857694DEST_PATH_IMAGE086
为相邻区域判断系数，当区域
Figure 688115DEST_PATH_IMAGE056
和区域
Figure DEST_PATH_IMAGE087
为相邻区域，则
Figure 960965DEST_PATH_IMAGE088
；当区域
Figure 689886DEST_PATH_IMAGE056
和区域
Figure 958581DEST_PATH_IMAGE087
为不相邻区域时，则
Figure DEST_PATH_IMAGE089
；为区域标记判断系数，当
Figure DEST_PATH_IMAGE091
或
Figure 87260DEST_PATH_IMAGE092
时，则
Figure DEST_PATH_IMAGE093
，当时，则
Figure DEST_PATH_IMAGE095
，其中，
Figure 310617DEST_PATH_IMAGE096
表示区域
Figure 600784DEST_PATH_IMAGE087
对应的区域标记系数；
Figure DEST_PATH_IMAGE097
和
Figure 730283DEST_PATH_IMAGE098
分别为空间检测函数和像素检测函数，且
Figure 105901DEST_PATH_IMAGE097
和
Figure 526518DEST_PATH_IMAGE098
的计算公式分别为：
Figure 25119DEST_PATH_IMAGE102
式中，
Figure DEST_PATH_IMAGE103
为区域的质心的坐标，
Figure 299292DEST_PATH_IMAGE104
为区域
Figure 564051DEST_PATH_IMAGE087
的质心的坐标，
Figure 848402DEST_PATH_IMAGE061
为区域
Figure 447879DEST_PATH_IMAGE056
的像素灰度值均值，
Figure DEST_PATH_IMAGE105
为区域
Figure 147982DEST_PATH_IMAGE087
的像素灰度值均值；
Figure 516515DEST_PATH_IMAGE106
和
Figure DEST_PATH_IMAGE107
分别为权值系数，且
Figure 909450DEST_PATH_IMAGE106
和的表达式分别为：
Figure DEST_PATH_IMAGE109
Figure DEST_PATH_IMAGE111
式中，
Figure 502947DEST_PATH_IMAGE112
表示区域的信息熵，
Figure DEST_PATH_IMAGE113
表示区域
Figure 476774DEST_PATH_IMAGE087
的信息熵；
使得区域
Figure 801576DEST_PATH_IMAGE056
的最相关检测系数
Figure 92749DEST_PATH_IMAGE081
取最大值的区域
Figure 248924DEST_PATH_IMAGE087
即为区域
Figure 983662DEST_PATH_IMAGE056
的最相关区域，各个区域的最相关区域确定后，遍历所有区域，当两个区域互为最相关区域后，即合并这两个最相关区域，当这两个最相关区域中存在已经被标记区域时，则将合并后的区域标记成和这两个最相关区域中已经被标记区域相同的标记；
步骤3：重复步骤2中的区域合并，直到满足时，即停止区域合并，并将标记为目标区域的图像作为分割后的目标图像，在LED显示单元进行显示；
其中，
Figure DEST_PATH_IMAGE115
为定义的合并检测系数，
Figure 893554DEST_PATH_IMAGE116
为当前区域合并次数，
Figure DEST_PATH_IMAGE117
为给定的截止阈值，设第
Figure 91186DEST_PATH_IMAGE116
次区域合并后的区域集合为
Figure 996825DEST_PATH_IMAGE118
，其中，
Figure DEST_PATH_IMAGE119
为集合中的第
Figure 279908DEST_PATH_IMAGE122
个区域，
Figure DEST_PATH_IMAGE123
为区域集合
Figure 850566DEST_PATH_IMAGE121
中的区域数，第
Figure 981333DEST_PATH_IMAGE124
次区域合并后的区域集合为，其中，
Figure 57874DEST_PATH_IMAGE126
为集合
Figure DEST_PATH_IMAGE127
中的第
Figure 768865DEST_PATH_IMAGE122
个区域，
Figure 18581DEST_PATH_IMAGE128
为区域集合中的区域数，则的表达式为：
Figure DEST_PATH_IMAGE131
式中，表示区域
Figure DEST_PATH_IMAGE133
的像素灰度值的标准差，
Figure 633605DEST_PATH_IMAGE134
表示区域
Figure DEST_PATH_IMAGE135
的像素灰度值的标准差，
Figure 873962DEST_PATH_IMAGE136
表示图像
Figure DEST_PATH_IMAGE137
中坐标
Figure 853024DEST_PATH_IMAGE138
处像素的灰度值，
Figure DEST_PATH_IMAGE139
表示图像中像素的均值，
Figure 563809DEST_PATH_IMAGE140
表示图像
Figure 607857DEST_PATH_IMAGE137
中的像素数。
CN201910972807.4A 2019-10-14 2019-10-14 一种电力电缆生产过程智能监控系统 Active CN110458157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910972807.4A CN110458157B (zh) 2019-10-14 2019-10-14 一种电力电缆生产过程智能监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910972807.4A CN110458157B (zh) 2019-10-14 2019-10-14 一种电力电缆生产过程智能监控系统

Publications (2)

Publication Number Publication Date
CN110458157A CN110458157A (zh) 2019-11-15
CN110458157B true CN110458157B (zh) 2020-01-07

Family

ID=68492799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910972807.4A Active CN110458157B (zh) 2019-10-14 2019-10-14 一种电力电缆生产过程智能监控系统

Country Status (1)

Country Link
CN (1) CN110458157B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111338298B (zh) * 2020-02-12 2020-09-11 上海圣石生物医学科技有限公司 一种用于健康圈的生产过程智能监控系统
CN111369383B (zh) * 2020-03-03 2020-11-17 春光线缆有限公司 一种用于电线电缆生产的智能集成管理系统
CN111462259B (zh) * 2020-04-02 2020-11-17 吉安诺惠诚莘科技有限公司 一种基于人工智能的汽车充电桩监控系统
CN111680578A (zh) * 2020-05-22 2020-09-18 扬州迅祥电缆有限公司 一种基于物联网的电缆生产过程实时监控系统
CN111921185B (zh) * 2020-09-21 2021-04-13 鲁姆文化传媒（上海）有限公司 一种智能化乘骑游乐方法与系统
CN112540635B (zh) * 2020-12-03 2021-08-17 华润三九（枣庄）药业有限公司 一种基于人工智能的中药生产智能质量控制系统
CN114414931B (zh) * 2022-03-29 2022-06-21 北京航天和兴科技股份有限公司 一种电缆网监控检测系统及其检测方法
CN117593285A (zh) * 2023-12-14 2024-02-23 江苏恒兆电缆有限公司 一种柔性矿物绝缘柔性防火电缆的品质检测系统及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1216349C (zh) * 2003-08-14 2005-08-24 中国人民解放军第一军医大学 基于广义模糊随机场的图像优化分割方法
CN103093478B (zh) * 2013-02-18 2015-09-30 南京航空航天大学 基于快速核空间模糊聚类的异源图像粗大边缘检测方法
CN103679157A (zh) * 2013-12-31 2014-03-26 电子科技大学 一种基于视网膜模型的人脸图像光照处理方法
CN104155960A (zh) * 2014-08-26 2014-11-19 国家电网公司 变电站无人值守环境监控系统
CN208424449U (zh) * 2018-08-10 2019-01-22 成都信息工程大学 基于云平台的汽车生产车间安全监测系统
CN109447910A (zh) * 2018-10-09 2019-03-08 湖南源信光电科技股份有限公司 一种基于模糊理论的低照度彩色图像增强方法
CN110297476A (zh) * 2019-07-24 2019-10-01 天长市海纳电气有限公司 一种基于电缆生产控制的智能pic控制系统

Also Published As

Publication number Publication date
CN110458157A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN110458157B (zh) 一种电力电缆生产过程智能监控系统
CN110458839B (zh) 一种有效的电线电缆监测系统
CN101430195B (zh) 一种利用视频图像处理技术计算输电线路覆冰厚度的方法
CN116934740B (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
CN117274722B (zh) 基于红外图像的配电箱智能检测方法
CN106530281B (zh) 基于边缘特征的无人机图像模糊判断方法及系统
CN112215810B (zh) 一种疲劳测试裂纹监测方法及装置
CN103630496B (zh) 基于路面视亮度和最小二乘法的交通视频能见度检测方法
CN112784821A (zh) 基于YOLOv5的工地行为安全检测识别方法及系统
CN117876971B (zh) 基于机器视觉的建筑施工安全监测及预警方法
CN117252868B (zh) 基于机器视觉的直流屏缺陷检测方法
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN112633308A (zh) 一种电厂作业人员是否佩戴安全带的检测方法及检测系统
CN116385948B (zh) 一种预警铁路边坡异常的系统和方法
CN117670993B (zh) 一种基于机器视觉的纺织生产加工监控系统
CN116402863A (zh) 一种建筑施工监控数据智能分析及预警系统
CN110728212B (zh) 一种基于计算机视觉的道路井盖监控装置及监控方法
CN104392203A (zh) 一种基于视频分析的点状条纹噪声检测方法
CN115311623A (zh) 一种基于红外热成像的设备漏油检测方法及系统
CN115018785A (zh) 基于视觉振频识别的提升钢丝绳张力检测方法
CN107704818A (zh) 一种基于视频图像的火灾检测系统
CN116883661B (zh) 一种基于目标识别与图像处理的动火作业检测方法
CN116543238B (zh) 一种电缆绝缘层的图像检测方法
CN117636129A (zh) 一种电力施工监督图像的识别方法
CN117710873A (zh) 一种基于双目视觉的新型翻板状态检测方法

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