CN111351801B - 一种电线电缆缺陷检测系统 - Google Patents

一种电线电缆缺陷检测系统 Download PDF

Info

Publication number
CN111351801B
CN111351801B CN202010165658.3A CN202010165658A CN111351801B CN 111351801 B CN111351801 B CN 111351801B CN 202010165658 A CN202010165658 A CN 202010165658A CN 111351801 B CN111351801 B CN 111351801B
Authority
CN
China
Prior art keywords
iteration
image
cable
particles
particle swarm
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
CN202010165658.3A
Other languages
English (en)
Other versions
CN111351801A (zh
Inventor
毛华撑
李鹏鹏
周建华
齐红磊
鲁运力
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.)
Chuangguang Cable Co ltd
Original Assignee
Chuangguang Cable 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 Chuangguang Cable Co ltd filed Critical Chuangguang Cable Co ltd
Priority to CN202010165658.3A priority Critical patent/CN111351801B/zh
Publication of CN111351801A publication Critical patent/CN111351801A/zh
Application granted granted Critical
Publication of CN111351801B publication Critical patent/CN111351801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
    • 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
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种电线电缆缺陷检测系统，包括图像采集模块、图像处理模块、缺陷检测模块、缺陷预警模块和图像显示模块，所述图像采集模块用于全方位的采集待检测电线电缆的表面图像，所述图像处理模块用于对采集得到的电线电缆图像进行处理，并对处理后的电线电缆图像进行分割，获得电线电缆区域图像，所述缺陷检测模块用于计算所述电线电缆区域图像中像素灰度值的方差，当所述方差高于给定的缺陷阈值时，判定所述待检测电线电缆的表面存在缺陷，令缺陷预警模块进行预警，并将分割所得的电线电缆区域图像在图像显示模块进行显示。本发明的有益效果：将图像处理技术应用于电线电缆表面缺陷的检测中，提高了电线电缆表面缺陷的检测精度和自动化水平。

Description

一种电线电缆缺陷检测系统
技术领域
本发明创造涉及缺陷检测领域，具体涉及一种电线电缆缺陷检测系统。
背景技术
电线电缆在电力系统的建设过程中发挥着巨大的作用，直接影响着电力系统的稳定和可靠运行。在电线电缆的制造过程中难免使电线电缆的表面产生大量缺陷，为了保证电线电缆的质量，需要对电线电缆表面的缺陷进行检测，传统的对于电线电缆的表面缺陷的检测，多采用人工检测，但是采用人工检测的方式存在主观性强、成本高、易产生视觉疲劳、检测效率与准确率较低等缺点。
针对上述缺陷，本发明提供一种电线电缆缺陷检测系统，将图像处理技术应用于电线电缆表面缺陷的检测中，提高了电线电缆表面缺陷的检测精度和自动化水平。
发明内容
针对上述问题，本发明旨在提供一种电线电缆缺陷检测系统。
本发明创造的目的通过以下技术方案实现：
一种电线电缆缺陷检测系统，包括图像采集模块、图像处理模块、缺陷检测模块、缺陷预警模块和图像显示模块，所述图像采集模块用于全方位的采集待检测电线电缆的表面图像，所述图像处理模块用于对采集得到的电线电缆图像进行去噪处理，并对去噪处理后的电线电缆图像进行目标分割，获得电线电缆图像中的电线电缆区域图像，所述缺陷检测模块用于计算所述电线电缆区域图像中像素灰度值的方差，并将计算所得的方差和给定的缺陷阈值进行比较，当所述方差高于给定的缺陷阈值时，判定所述待检测电线电缆的表面存在缺陷，令缺陷预警模块进行预警，并将分割所得的电线电缆区域图像在图像显示模块进行显示。
优选地，所述图像处理模块采用小波阈值去噪算法对采集得到的电线电缆图像进行去噪处理，设Wj,k表示采集的电线电缆图像的第j层分解下的第k个小波系数，η(Wj,k)表示小波系数Wj,k经阈值量化后的小波系数，则η(Wj,k)的表达式为：
Figure GDA0002474792640000021
式中，sgn(Wj,k)为取值函数，当Wj,k＞0时，sgn(Wj,k)＝1，当Wj,k＝0时，sgn(Wj,k)＝0，当Wj,k<0，sgn(Wj,k)＝-1，Tj为第j层分解对应的的小波阈值，且
Figure GDA0002474792640000022
其中，N和s分别为噪声信号的长度和标准差，j为当前分解尺度层，βj为修正系数，且
Figure GDA0002474792640000023
其中，l表示分解的小波系数中小于小波阈值的个数，L表示分解的小波系数的总个数。
优选地，采用Otsu多阈值分割方法对去噪处理后的电线电缆图像进行目标分割，获得电线电缆图像中的电线电缆区域图像，采用粒子群算法确定所述Otsu多阈值分割方法中的最优阈值，将Otsu类间方差作为所述粒子群算法的适应度函数。
优选地，设置粒子群算法中的粒子采用下式进行步长和位置的更新：
Vi(r+1)＝ω(r)Vi(r)+c1rand()(gi(r)-Xi(r))+c2rand()(gbest(r)-Xi(r))
Xi(r+1)＝Xi(r)+Vi(r+1)
式中，Xi(r)和Vi(r)分别表示粒子群中的第i个粒子在第r次迭代时的位置和步长，Xi(r+1)和Vi(r+1)分别表示粒子群中的第i个粒子在第(r+1)次迭代时的位置和步长，gi(r)表示粒子群中的第i个粒子在第r次迭代时的个体最优位置，gbest(r)表示粒子群在第r次迭代时的全局最优位置，c1和c2为学习因子，且c1和c2的值在[0,4]之间选取，rand()为(0,1)之间的随机数，ω(r)为粒子群在第r次迭代时对应的惯性权重因子，且ω(r)的表达式为：
Figure GDA0002474792640000024
式中，ωmax表示最大惯性权重因子值，ωmin表示最小惯性权重因子值，V(r)表示粒子群中的粒子在第r次迭代时的平均步长，Vmax表示粒子群的最大步长，C(r)表示粒子群中的粒子在第r次迭代时的参考步长，且
Figure GDA0002474792640000025
优选地，粒子群算法每一次迭代更新后，在粒子群中随机选取m个粒子组成集合Y，对集合Y中的粒子进行检测，具体为：
Figure GDA0002474792640000031
式中，η(r)为粒子群算法在第r次迭代更新后对应的检测函数，fj(r)为集合Y中的第j个粒子在第r次迭代时的适应度值，fj(r-1)表示集合Y中的第j个粒子在第(r-1)次迭代时的适应度值，fmax(r-1)表示粒子群在第(r-1)次迭代时的最大适应度值，fmax(r)表示粒子群在第r次迭代时的最大适应度值，T表示粒子群的最大迭代次数，r表示当前迭代次数，H(η)为给定的检测阈值，且
Figure GDA0002474792640000032
其中，
Figure GDA0002474792640000033
表示集合Y中粒子在第k次迭代时的适应度值均值，
Figure GDA0002474792640000034
表示集合Y中粒子在第(k-1)次迭代时的适应度值均值，fmax(k)表示粒子群在第k次迭代时的最大适应度值，fmax(k-1)表示粒子群在第(k-1)次迭代时的最大适应度值；
当粒子群算法在第r次迭代更新后对应的检测函数η(r)≥0时，判定当前粒子群算法没有陷入局部最优的风险，集合Y中的粒子按照原有的位置和步长更新公式进行更新；当粒子群算法在第r次迭代更新后对应的检测函数η(r)<0时，判定粒子群算法存在陷入局部最优的风险，则采用下式对集合Y中粒子的位置进行更新：
Xj(r+1)＝Xj(r)+rand(μ,σ2)*γ(r)*gbest(r)
式中，Xj(r+1)表示集合Y中的第j个粒子在第(r+1)次迭代时的位置，Xj(r)表示集合Y中的第j个粒子在第r次迭代时的位置，rand(μ,σ2)是一个服从均值为μ、方差为σ2的高斯分布的随机变量，且μ＝0，σ2＝1，γ(r)表示调节参数，且γ(r)的表达式为：
Figure GDA0002474792640000035
式中，
Figure GDA0002474792640000036
表示集合Y中粒子在第r次迭代时的适应度值均值，f(gbest(r))表示粒子群在第r次迭代时的全局最优位置gbest(r)对应的适应度值，α(fj(r),f(gbest(r)))为判断函数，当
Figure GDA0002474792640000037
时，α(fj(r),f(gbest(r)))＝1，当
Figure GDA0002474792640000038
时，α(fj(r),f(gbest(r)))＝0。
本发明的有益效果为：将图像处理技术应用于电线电缆表面缺陷的检测中，提高了电线电缆表面缺陷的检测精度和自动化水平；设置图像采集模块全方位的采集待检测电线电缆的表面图像，采用小波阈值去噪算法对采集得到的电线电缆图像进行去噪处理，采用的阈值函数在整个定义域内连续，减少了由直接截断引起的震荡，从而克服了软阈值函数在阈值处理时产生的恒定偏差问题，在阈值函数中引入修正系数，所述修正系数能够根据小波分解后的噪声分布情况自适应调整，使得所述阈值函数能够适应于不同噪声环境下的图像去噪，从而提高了图像去噪的效果；采用Otsu多阈值分割方法对去噪处理后的电线电缆图像进行目标分割，获得电线电缆图像中的目标区域图像，采用粒子群算法确定Otsu多阈值分割方法中的最优阈值，在所述粒子群算法中构建了粒子群算法的惯性权重因子，引入了当前迭代时粒子群的参考步长的概念，所述参考步长随着迭代次数的增加而减小，使得所述参考步长在粒子群的搜索前期保持较大的值，而在粒子群搜索的后期为较小的值，符合粒子群算法在搜索前期具有较大的全局搜索能力，而在搜索后期具有较强的局部搜索能力的要求，粒子群算法当前迭代的平均步长和参考步长之间的差值能够有效的反应在当前迭代时粒子群算法中粒子步长的进化程度，构建的惯性权重因子随着当前迭代的平均步长和参考步长之间的差值自适应的改变，使得粒子群算法能够根据当前粒子群算法进化程度平衡其全局搜索能力和局部搜索能力，当粒子群的平均步长小于其对应的参考步长，且当前粒子群的平均步长和参考步长的差值越小，所述惯性权重因子值越大，即增加了粒子群算法的全局搜索能力，当粒子群的平均步长大于其对应的参考步长，且当前粒子的平均步长和参考步长之间的差值越大，所述惯性权重因子值越小，即增加了粒子群算法的局部搜索能力，从而提高了粒子群算法的搜索能力；在每一次迭代更新后对粒子群算法中的粒子进行检测，在检测过程中随机选取部分粒子组成集合Y，采用检测函数对集合Y中的粒子进行检测，从而判断粒子群算法是否存在陷入局部最优的风险，采用的检测函数将集合Y中粒子的当前适应度值和上一次迭代时的适应度值进行比较来衡量所述粒子的寻优结果的变化情况，将所述寻优结果的变化情况和给定的检测阈值进行比较时，考虑到粒子群算法在迭代前期更加注重全局搜索，而在迭代后期更加注重局部搜索的特性，引入了迭代次数对给定的检测阈值进行调节，使得检测阈值随着迭代次数的增加而减小，从而使得检测函数能根据粒子群算法的当前搜索程度而进行自适应的改变，提高了对当前粒子群是否存在陷入局部最优风险的检测精度；当判断当前粒子群存在陷入局部最优的风险时，采用新的位置更新公式对集合Y中的粒子的位置进行更新，引入调节参数控制粒子的搜索范围，所述调节参数综合考虑了集合Y中粒子的适应度值情况和当前粒子群的全局最优位置对应的最优适应度值，在衡量集合Y中的适应度值大小时，综合考虑了集合Y中粒子的适应度值均值和集合Y中粒子的适应度值相较于最优适应度值的大小，从而能够更加准确的描述集合Y中粒子的适应度值的大小情况，当集合Y中粒子的适应度值和粒子群当前的全局最优位置对应的适应度值都较大时，调节参数的值较小，即控制集合Y中的粒子围绕当前全局最优位置进行更精细的局部搜索，而当集合Y中粒子的适应度值较小或粒子群当前的全局最优位置对应的适应度值较小时，调节参数的值较大，即增加了集合Y中的粒子搜索未知解空间的机会，从而避免了算法陷入局部最优解的缺陷。
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是本发明结构示意图。
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，本实施例的一种电线电缆缺陷检测系统，包括图像采集模块、图像处理模块、缺陷检测模块、缺陷预警模块和图像显示模块，所述图像采集模块用于全方位的采集待检测电线电缆的表面图像，所述图像处理模块用于对采集得到的电线电缆图像进行去噪处理，并对去噪处理后的电线电缆图像进行目标分割，获得电线电缆图像中的电线电缆区域图像，所述缺陷检测模块用于计算所述电线电缆区域图像中像素灰度值的方差，并将计算所得的方差和给定的缺陷阈值进行比较，当所述方差高于给定的缺陷阈值时，判定所述待检测电线电缆的表面存在缺陷，令缺陷预警模块进行预警，并将分割所得的电线电缆区域图像在图像显示模块进行显示。
优选地，所述缺陷阈值采用下列方式确定：
通过图像采集模块全方位的采集表面正常的电线电缆图像作为参考图像，采用图像处理模块对所述参考图像进行去噪处理，并对去噪处理后的电线电缆图像进行目标分割，获得参考图像中的电线电缆区域图像，计算所述电线电缆区域图像中像素灰度值的方差，将所述方差设置为缺陷阈值。
本优选实施例将图像处理技术应用于电线电缆表面缺陷的检测中，提高了电线电缆表面缺陷的检测精度和自动化水平。
优选地，所述图像处理模块采用小波阈值去噪算法对采集得到的电线电缆图像进行去噪处理，设Wj,k表示采集的电线电缆图像的第j层分解下的第k个小波系数，η(Wj,k)表示小波系数Wj,k经阈值量化后的小波系数，则η(Wj,k)的表达式为：
Figure GDA0002474792640000061
式中，sgn(Wj,k)为取值函数，当Wj,k＞0时，sgn(Wj,k)＝1，当Wj,k＝0时，sgn(Wj,k)＝0，当Wj,k<0，sgn(Wj,k)＝-1，Tj为第j层分解对应的的小波阈值，且
Figure GDA0002474792640000062
其中，N和s分别为噪声信号的长度和标准差，j为当前分解尺度层，βj为修正系数，且
Figure GDA0002474792640000063
其中，l表示分解的小波系数中小于小波阈值的个数，L表示分解的小波系数的总个数。
本优选实施例采用小波阈值去噪算法对采集得到的电线电缆图像进行去噪处理，采用的阈值函数在整个定义域内连续，减少了由直接截断引起的震荡，从而克服了软阈值函数在阈值处理时产生的恒定偏差问题，在阈值函数中引入修正系数，所述修正系数能够根据小波分解后的噪声分布情况自适应调整，使得所述阈值函数能够适应于不同噪声环境下的图像去噪，从而提高了图像去噪的效果。
优选地，采用Otsu多阈值分割方法对去噪处理后的电线电缆图像进行目标分割，获得电线电缆图像中的目标区域图像，所述目标区域图像即电线电缆区域图像，采用粒子群算法确定所述Otsu多阈值分割方法中的最优阈值，将Otsu类间方差作为粒子群算法的适应度函数，适应度函数值越大，表明粒子的寻优结果越好。
优选地，设置粒子群算法中的粒子采用下式进行步长和位置的更新：
Vi(r+1)＝ω(r)Vi(r)+c1rand()(gi(r)-Xi(r))+c2rand()(gbest(r)-Xi(r))
Xi(r+1)＝Xi(r)+Vi(r+1)
式中，Xi(r)和Vi(r)分别表示粒子群中的第i个粒子在第r次迭代时的位置和步长，Xi(r+1)和Vi(r+1)分别表示粒子群中的第i个粒子在第(r+1)次迭代时的位置和步长，gi(r)表示粒子群中的第i个粒子在第r次迭代时的个体最优位置，gbest(r)表示粒子群在第r次迭代时的全局最优位置，c1和c2为学习因子，且c1和c2的值在[0,4]之间选取，rand()为(0,1)之间的随机数，ω(r)为粒子群在第r次迭代时对应的惯性权重因子，且ω(r)的表达式为：
Figure GDA0002474792640000071
式中，ωmax表示最大惯性权重因子值，ωmin表示最小惯性权重因子值，V(r)表示在第r次迭代时粒子群的平均步长，Vmax表示粒子群的最大步长，C(r)表示第r次迭代时粒子群的参考步长，且
Figure GDA0002474792640000072
本优选实施例构建了粒子群算法的惯性权重因子，引入了当前迭代时粒子群的参考步长的概念，所述参考步长随着迭代次数的增加而减小，使得所述参考步长在粒子群的搜索前期保持较大的值，而在粒子群搜索的后期为较小的值，符合粒子群算法在搜索前期具有较大的全局搜索能力，而在搜索后期具有较强的局部搜索能力的要求，粒子群算法当前迭代的平均步长和参考步长之间的差值能够有效的反应在当前迭代时粒子群中粒子步长的进化程度，构建的惯性权重因子随着当前迭代的平均步长和参考步长之间的差值自适应的改变，使得粒子群算法能够根据当前粒子群的进化程度平衡其全局搜索能力和局部搜索能力，当粒子群的平均步长小于其对应的参考步长，且当前粒子群的平均步长和参考步长的差值越小，所述惯性权重因子值越大，即增加了粒子群算法的全局搜索能力，当粒子群的平均步长大于其对应的参考步长，且当前粒子的平均步长和参考步长之间的差值越大，所述惯性权重因子值越小，即增加了粒子群算法的局部搜索能力，从而提高了粒子群算法的搜索能力。
优选地，粒子群算法每一次迭代更新后，在粒子群中随机选取m个粒子组成集合Y，对集合Y中的粒子进行检测，具体为：
Figure GDA0002474792640000073
式中，η(r)为粒子群算法在第r次迭代更新后对应的检测函数，fj(r)为集合Y中的第j个粒子在第r次迭代时的适应度值，fj(r-1)表示集合Y中的第j个粒子在第(r-1)次迭代时的适应度值，fmax(r-1)表示粒子群在第(r-1)次迭代时的最大适应度值，fmax(r)表示粒子群在第r次迭代的最大适应度值，T表示粒子群的最大迭代次数，r为当前迭代次数，H(η)为给定的检测阈值，且
Figure GDA0002474792640000074
其中，
Figure GDA0002474792640000075
表示集合Y中粒子在第k次迭代时的适应度值均值，
Figure GDA0002474792640000076
表示集合Y中粒子在第(k-1)次迭代时的适应度值均值，fmax(k)表示粒子群在第k次迭代时的最大适应度值，fmax(k-1)表示粒子群在第(k-1)次迭代时的最大适应度值；
当粒子群算法在第r次迭代更新后对应的检测函数η(r)≥0时，判定当前粒子群算法没有陷入局部最优的风险，集合Y中的粒子按照原有的位置和步长更新公式进行更新；当粒子群算法在第r次迭代更新后对应的检测函数η(r)<0时，判定当前粒子群算法存在陷入局部最优的风险，采用下式对集合Y中粒子的位置进行更新：
Xj(r+1)＝Xj(r)+rand(μ,σ2)*γ(r)*gbest(r)
式中，Xj(r+1)表示集合Y中的第j个粒子在第(r+1)次迭代时的位置，Xj(r)表示集合Y中的第j个粒子在第r次迭代时的位置，rand(μ,σ2)是一个服从均值为μ、方差为σ2的高斯分布的随机变量，且μ＝0，σ2＝1，γ(r)表示调节参数，且γ(r)的表达式为：
Figure GDA0002474792640000081
式中，f(r)表示集合Y中的第j个粒子在第r次迭代时的适应度值，
Figure GDA0002474792640000082
表示集合Y中粒子在第r次迭代时的适应度值均值，f(gbest(r))表示粒子群在第r次迭代时的全局最优位置gbest(r)对应的适应度值，α(fj(r),f(gbest(r)))为判断函数，当
Figure GDA0002474792640000083
时，α(fj(r),f(gbest(r)))＝1，当
Figure GDA0002474792640000084
时，α(fj(r),f(gbest(r)))＝0。
本优选实施例用于在每一次迭代更新后对粒子群算法中的粒子进行检测，在检测过程中随机选取部分粒子组成集合Y，采用检测函数对集合Y中的粒子进行检测，从而判断粒子群算法是否存在陷入局部最优的风险，采用的检测函数将集合Y中粒子的当前适应度值和上一次迭代时的适应度值进行比较来衡量所述粒子的寻优结果的变化情况，将所述寻优结果的变化情况和给定的检测阈值进行比较时，考虑到粒子群算法在迭代前期更加注重全局搜索，而在迭代后期更加注重局部搜索的特性，引入了迭代次数对给定的检测阈值进行调节，使得检测阈值随着迭代次数的增加而减小，从而使得检测函数能根据粒子群算法的当前搜索程度而进行自适应的改变，提高了对当前粒子群是否存在陷入局部最优风险的检测精度；当判断当前粒子群存在陷入局部最优的风险时，采用新的位置更新公式对集合Y中的粒子的位置进行更新，引入调节参数控制粒子的搜索范围，所述调节参数综合考虑了集合Y中粒子的适应度值情况和当前粒子群的全局最优位置对应的最优适应度值，在衡量集合Y中的适应度值大小时，综合考虑了集合Y中粒子的适应度值均值和集合Y中粒子的适应度值相较于最优适应度值的大小，从而能够更加准确的描述集合Y中粒子的适应度值的大小情况，当集合Y中粒子的适应度值和粒子群当前的全局最优位置对应的适应度值都较大时，调节参数的值较小，即控制集合Y中的粒子围绕当前全局最优位置进行更精细的局部搜索，而当集合Y中粒子的适应度值较小或粒子群当前的全局最优位置对应的适应度值较小时，调节参数的值较大，即增加了集合Y中的粒子搜索未知解空间的机会，从而避免了算法陷入局部最优解的缺陷。
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 (1)

1.一种电线电缆缺陷检测系统，其特征是，包括图像采集模块、图像处理模块、缺陷检测模块、缺陷预警模块和图像显示模块，所述图像采集模块用于全方位的采集待检测电线电缆的表面图像，所述图像处理模块用于对采集得到的电线电缆图像进行去噪处理，并对去噪处理后的电线电缆图像进行目标分割，获得电线电缆图像中的电线电缆区域图像，所述缺陷检测模块用于计算所述电线电缆区域图像中像素灰度值的方差，并将计算所得的方差和给定的缺陷阈值进行比较，当所述方差高于给定的缺陷阈值时，判定所述待检测电线电缆的表面存在缺陷，令缺陷预警模块进行预警，并将分割所得的电线电缆区域图像在图像显示模块进行显示；
所述图像处理模块采用小波阈值去噪算法对采集得到的电线电缆图像进行去噪处理，设Wj,k表示采集的电线电缆图像的第j层分解下的第k个小波系数，η(Wj,k)表示小波系数Wj,k经阈值量化后的小波系数，则η(Wj,k)的表达式为：
Figure FDA0002783303290000011
式中，sgn(Wj,k)为取值函数，当Wj,k>0时，sgn(Wj,k)＝1，当Wj,k＝0时，sgn(Wj,k)＝0，当Wj,k<0，sgn(Wj,k)＝-1，Tj为第j层分解对应的的小波阈值，且
Figure FDA0002783303290000012
其中，N和s分别为噪声信号的长度和标准差，j为当前分解尺度层，βj为修正系数，且
Figure FDA0002783303290000013
其中，l表示分解的小波系数中小于小波阈值的个数，L表示分解的小波系数的总个数；
采用Otsu多阈值分割方法对去噪处理后的电线电缆图像进行目标分割，获得电线电缆图像中的电线电缆区域图像，采用粒子群算法确定所述Otsu多阈值分割方法中的最优阈值，将Otsu类间方差作为所述粒子群算法的适应度函数；
设置粒子群算法中的粒子采用下式进行步长和位置的更新：
Vi(r+1)＝ω(r)Vi(r)+c1rand()(gi(r)-Xi(r))+c2rand()(gbest(r)-Xi(r))
Xi(r+1)＝Xi(r)+Vi(r+1)
式中，Xi(r)和Vi(r)分别表示粒子群中的第i个粒子在第r次迭代时的位置和步长，Xi(r+1)和Vi(r+1)分别表示粒子群中的第i个粒子在第(r+1)次迭代时的位置和步长，gi(r)表示粒子群中的第i个粒子在第r次迭代时的个体最优位置，gbest(r)表示粒子群在第r次迭代时的全局最优位置，c1和c2为学习因子，c1和c2的值在[0,4]之间选取，rand()为(0,1)之间的随机数，ω(r)为粒子群在第r次迭代时对应的惯性权重因子，且ω(r)的表达式为：
Figure FDA0002783303290000021
式中，ωmax表示最大惯性权重因子值，ωmin表示最小惯性权重因子值，V(r)表示粒子群中的粒子在第r次迭代时的平均步长，Vmax表示粒子群的最大步长，C(r)表示粒子群中的粒子在第r次迭代时的参考步长，且
Figure FDA0002783303290000022
Figure FDA0002783303290000023
粒子群算法每一次迭代更新后，在粒子群中随机选取m个粒子组成集合Y，对集合Y中的粒子进行检测，具体为：
Figure FDA0002783303290000024
式中，η(r)为粒子群算法在第r次迭代更新后对应的检测函数，fj(r)为集合Y中的第j个粒子在第r次迭代时的适应度值，fj(r-1)表示集合Y中的第j个粒子在第(r-1)次迭代时的适应度值，fmax(r-1)表示粒子群在第(r-1)次迭代时的最大适应度值，fmax(r)表示粒子群在第r次迭代时的最大适应度值，T表示粒子群的最大迭代次数，r为当前迭代次数，H(η)为给定的检测阈值，且
Figure FDA0002783303290000025
Figure FDA0002783303290000026
其中，
Figure FDA0002783303290000027
表示集合Y中粒子在第k次迭代时的适应度值均值，
Figure FDA0002783303290000028
表示集合Y中粒子在第(k-1)次迭代时的适应度值均值，fmax(k)表示粒子群在第k次迭代时的最大适应度值，fmax(k-1)表示粒子群在第(k-1)次迭代时的最大适应度值；
当粒子群算法在第r次迭代更新后对应的检测函数η(r)≥0时，判定当前粒子群算法没有陷入局部最优的风险，集合Y中的粒子按照原有的位置和步长更新公式进行更新；当粒子群算法在第r次迭代更新后对应的检测函数η(r)<0时，判定粒子群算法存在陷入局部最优的风险，则采用下式对集合Y中粒子的位置进行更新：
Xj(r+1)＝Xj(r)+rand(μ,σ2)*γ(r)*gbest(r)
式中，Xj(r+1)表示集合Y中的第j个粒子在第(r+1)次迭代时的位置，Xj(r)表示集合Y中的第j个粒子在第r次迭代时的位置，rand(μ,σ2)是一个服从均值为μ、方差为σ2的高斯分布的随机变量，且μ＝0，σ2＝1，γ(r)表示调节参数，且γ(r)的表达式为：
Figure FDA0002783303290000031
式中，
Figure FDA0002783303290000032
表示集合Y中粒子在第r次迭代时的适应度值均值，f(gbest(r))表示粒子群在第r次迭代时的全局最优位置gbest(r)对应的适应度值，α(fj(r),f(gbest(r)))为判断函数，当
Figure FDA0002783303290000033
时，α(fj(r),f(gbest(r)))＝1，当
Figure FDA0002783303290000034
时，α(fj(r),f(gbest(r)))＝0。
CN202010165658.3A 2020-03-11 2020-03-11 一种电线电缆缺陷检测系统 Active CN111351801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010165658.3A CN111351801B (zh) 2020-03-11 2020-03-11 一种电线电缆缺陷检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010165658.3A CN111351801B (zh) 2020-03-11 2020-03-11 一种电线电缆缺陷检测系统

Publications (2)

Publication Number Publication Date
CN111351801A CN111351801A (zh) 2020-06-30
CN111351801B true CN111351801B (zh) 2021-02-02

Family

ID=71192706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010165658.3A Active CN111351801B (zh) 2020-03-11 2020-03-11 一种电线电缆缺陷检测系统

Country Status (1)

Country Link
CN (1) CN111351801B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930844B (zh) * 2020-08-11 2021-09-24 肖岩 基于区块链和人工智能的金融预测系统
CN113269756B (zh) * 2021-05-28 2024-02-27 长春大学 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置
CN114167166A (zh) * 2021-11-15 2022-03-11 昆明昆宝电线电缆制造有限公司 一种电线电缆阻水耐低温性能试验检测系统
CN115791808A (zh) * 2023-01-09 2023-03-14 江苏云舟通信科技有限公司 电缆检验数据无线通信传输平台
CN116990321B (zh) * 2023-09-28 2023-12-22 广东新亚光电缆股份有限公司 一种基于图像识别的护套扁形电缆产品质量分析系统
CN117314891B (zh) * 2023-11-23 2024-04-12 南阳市永泰光电有限公司 一种基于图像处理的光学镜头表面缺陷检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57175942A (en) * 1981-04-23 1982-10-29 Shin Meiwa Ind Co Ltd Terminal pressing inspection device for solderless terminal wire
CN109215020A (zh) * 2018-08-30 2019-01-15 国网黑龙江省电力有限公司佳木斯供电公司 基于计算机视觉的高压输电线路故障识别方法
CN109409272A (zh) * 2018-10-17 2019-03-01 北京空间技术研制试验中心 基于机器视觉的电缆验收系统和方法
CN109596634A (zh) * 2018-12-30 2019-04-09 国网北京市电力公司 电缆缺陷的检测方法及装置、存储介质、处理器
CN110210087A (zh) * 2019-05-20 2019-09-06 中国科学院光电技术研究所 一种基于粒子群算法的光束抖动模型参数实时辨识方法
CN110296995A (zh) * 2019-06-27 2019-10-01 华东送变电工程有限公司 一种应用于电力电缆破损检测的图像采集装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57175942A (en) * 1981-04-23 1982-10-29 Shin Meiwa Ind Co Ltd Terminal pressing inspection device for solderless terminal wire
CN109215020A (zh) * 2018-08-30 2019-01-15 国网黑龙江省电力有限公司佳木斯供电公司 基于计算机视觉的高压输电线路故障识别方法
CN109409272A (zh) * 2018-10-17 2019-03-01 北京空间技术研制试验中心 基于机器视觉的电缆验收系统和方法
CN109596634A (zh) * 2018-12-30 2019-04-09 国网北京市电力公司 电缆缺陷的检测方法及装置、存储介质、处理器
CN110210087A (zh) * 2019-05-20 2019-09-06 中国科学院光电技术研究所 一种基于粒子群算法的光束抖动模型参数实时辨识方法
CN110296995A (zh) * 2019-06-27 2019-10-01 华东送变电工程有限公司 一种应用于电力电缆破损检测的图像采集装置

Also Published As

Publication number Publication date
CN111351801A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN111351801B (zh) 一种电线电缆缺陷检测系统
CN109993088B (zh) 一种无线传感网络数据漂移盲校准方法
CN111931983B (zh) 一种降水量预测方法及系统
CN117196353B (zh) 基于大数据的环境污染评估与监测方法及系统
CN110020712B (zh) 一种基于聚类的优化粒子群bp网络预测方法和系统
CN110020475B (zh) 一种交通流预测的马尔科夫粒子滤波方法
CN113808036B (zh) 基于Retinex模型的低照度图像增强与去噪方法
CN112331231B (zh) 基于音频技术的肉鸡采食量检测系统
CN115861190A (zh) 一种基于对比学习的光伏组件无监督缺陷检测方法
CN116402825B (zh) 轴承故障红外诊断方法、系统、电子设备及存储介质
CN111368900A (zh) 一种图像目标物识别方法
CN113295700A (zh) 一种基于物联网的输电线路外绝缘状态监测方法及系统
CN111860265B (zh) 一种基于样本损失的多检测框损失均衡道路场景理解算法
CN110986946B (zh) 一种动态位姿估计方法及装置
CN112836432A (zh) 基于迁移学习的室内颗粒悬浮物浓度预测方法
CN110111275B (zh) 一种信号降噪的方法、系统及计算机存储介质
CN111066562A (zh) 一种葡萄霜霉病预测方法及系统
CN110826413A (zh) 一种输电线路防振锤故障检测方法及其系统、存储介质
CN113705672B (zh) 图像目标检测的阈值选取方法、系统、装置及存储介质
CN113344168B (zh) 短期泊位预测方法及系统
CN115423145A (zh) 一种基于Kmeans-VMD-WT-LSTM方法的光伏功率预测方法
CN115204324B (zh) 基于ifoa-dbn-elm的设备耗电异常检测方法和装置
JPH10301617A (ja) 制御モデル構築支援装置およびその方法
CN117351365B (zh) 一种结合鸟粪特征及分形维数的绝缘子鸟粪覆盖诊断方法
CN117764993B (zh) 一种基于图像分析的水质在线监测系统及方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Mao Huacheng

Inventor after: Li Pengpeng

Inventor after: Zhou Jianhua

Inventor after: Qi Honglei

Inventor after: Lu Yunli

Inventor after: Zhou Miaogen

Inventor before: Mao Huacheng

Inventor before: Li Pengpeng

Inventor before: Zhou Jianping

Inventor before: Qi Honglei

Inventor before: Lu Yunli

Inventor before: Zhou Miaogen

GR01 Patent grant
GR01 Patent grant