CN111652872A - 基于感温变色的电缆涂层颜色识别装置及其识别方法 - Google Patents

Abstract

本发明公开了一种基于感温变色的电缆涂层颜色识别装置及其识别方法，装置中，包括：电缆涂层包括基于温度变化而变色的微胶囊，数据采集单元拍摄所述电缆涂层生成图像数据，区域分割单元，其连接所述数据采集单元以区域分割所述图像数据，所述区域分割单元包括基于所述图像数据的多通道直方图变换模块和用于显著性检测的多通道检测模块，卷积神经网络单元连接所述区域分割单元以接收通过显著性检测的区域图像数据，所述卷积神经网络单元基于VGGNet建立卷积神经网络模型以通过识别颜色确定故障。

Description

基于感温变色的电缆涂层颜色识别装置及其识别方法

技术领域

本发明属于电缆检测技术领域，特别是一种基于感温变色的电缆涂层颜色识别装置及其识别方法。

背景技术

随着社会经济的发展，近些年以来，电力负荷不断增长，然而由于经济成本、社会环境、项目周期等因素的限制，配网设备更新的速度赶不上电力负荷增长的速度，从而导致电力设备超负荷使用的状况日益频繁，配网侧安全事故频繁发生、安全隐患日益增多，从而对配网安全可靠运行提出了更高的要求。由于地理条件的限制与民众对电磁辐射的误解，导致电力系统扩容困难，迎峰度夏期间供电压力较大。经过实际调研分析，在众多安全隐患中，配网设备的绝缘问题、开关柜中触头发热导致整柜温升过高以及开关柜易凝露等是故障发生的主要因素。

目前，配网设备主要是采用硅胶材料的绝缘套管对进出线进行绝缘，而传统套管存在憎水性差、与进出线结合不紧密等问题，极易丧失绝缘效果。其主要表现为：(1)热传导性能较差，引起热老化问题，导致绝缘护套开裂，引入安全隐患；(2)自洁性较差，导致灰尘静电吸附，降低材料憎水性，引起绝缘问题；(3)维护性较差。采用绝缘涂层虽然可以部分解决所述问题，但是材料易挥发失效，且难以直观发现配网中的绝缘损伤问题。在运维人员进行现场维护时，主要依靠测温仪器，对故障现象与故障位置进行监测，然而传统的测温仪器设备成本高、可靠性低。缺乏能第一时间供运维人员肉眼发现故障的手段，因此研究一种解决所述问题的整体解决方案显得迫在眉睫。

在背景技术部分中公开的所述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于感温变色的电缆涂层颜色识别装置及其识别方法，电缆涂层具有防腐、憎水、绝缘与变色指示功能的无溶剂型复合材料，将其应用于配网的主设备电缆绝缘层中。使用的新型绝缘材料可根据设备温度显示不同颜色，实现了对设备状态的智能可视化监测，提高配网运行的安全可靠经济性，具有广阔的市场应用前景。

本发明的目的是通过以下技术方案予以实现，一种基于感温变色的电缆涂层颜色识别装置包括：

电缆涂层，其包括基于温度变化而变色的微胶囊，

数据采集单元，其拍摄所述电缆涂层生成图像数据，

区域分割单元，其连接所述数据采集单元以区域分割所述图像数据，所述区域分割单元包括基于所述图像数据的多通道直方图变换模块和用于显著性检测的多通道检测模块，

卷积神经网络单元，其连接所述区域分割单元以接收通过显著性检测的区域图像数据，所述卷积神经网络单元基于VGGNet建立卷积神经网络模型以通过识别颜色确定故障，所述卷积神经网络单元包括，

颜色空间变换模块，其配置成将输入的区域图像数据由RGB颜色空间变换到HSV与LAB颜色空间，

特征提取模块，用于特征提取的特征提取模块包括卷积层和池化层，RGB颜色空间、HSV与LAB颜色空间三个颜色空间的输入的区域图像数据接入卷积神经网络以训练得到三个颜色空间的颜色识别的检测结果，

模型输出选择判断器，其连接所述特征提取模块基于三个颜色空间得到的检测结果输出故障的预测结果。

所述的电缆涂层颜色识别装置中，多通道直方图变换模块基于所接收的所述图像数据以保留涉及电缆的图像数据。

所述的电缆涂层颜色识别装置中，用于显著性检测的多通道检测模块基于涉及电缆的图像数据区域分割得到表示电缆涂层故障主体颜色的区域图像数据。

所述的电缆涂层颜色识别装置中，多通道检测模块包括Mul-SDLS的分割算法单元，其对图像数据进行多通道显著性变换以区域分割，去除部分边缘背景以及其他干扰颜色识别的区域以保留电缆故障涂层显色区域图像数据。

所述的电缆涂层颜色识别装置中，区域分割单元包括，

R通道显著性检测模块，其基于所述图像数据生成R通道显著性检测特征图，

G通道显著性检测模块，其基于所述图像数据生成G通道显著性检测特征图，

B通道显著性检测模块，其基于所述图像数据生成B通道显著性检测特征图，多通道直方图变换模块，其基于所述图像数据生成直方图，

融合选择器，其基于所述多通道直方图变换模块、G通道显著性检测特征图、B通道显著性检测特征图和直方图按照电缆的显著性值范围选择涉及电缆的图像数据，

多通道融合特征模块，其基于所选择的涉及电缆的图像数据融合生成多通道融合特征图，

二值化阈值选择器，其基于选择的涉及电缆的图像数据二值化处理，

多通道检测模块，其连接所述多通道融合特征模块和二值化阈值选择器以基于多通道检测模块和二值化结果生成表示电缆涂层故障主体颜色的区域图像数据。

所述的电缆涂层颜色识别装置中，所述卷积神经网络模型具有19层的网络深度，卷积层数8-16层，卷积核标准3*3，全连接层2048-2048-10。

所述的电缆涂层颜色识别装置中，微胶囊包覆隐形染料、色形成剂及温度控制剂。

根据本发明另一方面，一种所述的电缆涂层颜色识别装置的识别方法包括以下步骤，

电缆涂覆电缆涂层，电缆涂层包括基于温度变化而变色的微胶囊，

数据采集单元拍摄所述电缆涂层生成图像数据，

区域分割单元区域分割所述图像数据以生成表示电缆涂层故障主体颜色的区域图像数据，

卷积神经网络单元基于VGGNet建立卷积神经网络模型以通过识别颜色确定故障，其中，颜色空间变换模块将输入的区域图像数据由RGB颜色空间变换到HSV与LAB颜色空间；RGB颜色空间、HSV与LAB颜色空间三个颜色空间的输入的区域图像数据接入卷积神经网络以训练得到三个颜色空间的颜色识别的检测结果，模型输出选择判断器基于三个颜色空间得到的检测结果输出故障的预测结果。

和现有技术相比，本发明具有以下优点：

本发明克服了诸如图像背景，电缆涂层非故障颜色区域等因素影响定位和分割的精确度的问题，电缆常年累月的灰尘堆积和涂层氧化导致的色彩蜕变以及在不同光照下的颜色变化等情况导致多种颜色类别的区分度难度增加，从而使分类识别算法不能很好的发挥作用，本发明通过电缆涂层故障区域颜色分割，提出了基于区域显著性的抗干扰电缆涂层区域分割算法，在对经过检测网络检测定位后的电缆涂层图像使用多通道局部敏感直方图变换与多通道显著性检测进行区域分割，排除干扰区域，从而获取电缆涂层故障颜色区域，即电缆涂层感兴趣区域；基于卷积神经网络的颜色分类方法，提出了基于多颜色空间的卷积神经网络模型，在三个不同的颜色空间，即RGB，LAB以及HSV颜色空间同时搭建基于VGGNet的卷积神经网络，在数据输入处理、模型输出选择方面展开研究，做颜色图像的特征提取和预测，然后经过一个模型输出选择判断器来融合不同颜色空间的预测结果并输出最终的预测类别，显著提高了识别精度和检测效能。

附图说明

通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。

在附图中：

图1是根据本发明一个实施例的基于感温变色的电缆涂层颜色识别装置的区域分割示意图；

图2是根据本发明一个实施例的基于感温变色的电缆涂层颜色识别装置的VGGNet模型结构示意图；

图3是根据本发明一个实施例的基于感温变色的电缆涂层颜色识别装置的卷积神经网络模型架构示意图；

图4是根据本发明一个实施例的基于感温变色的电缆涂层颜色识别装置的模型输出判断选择器的逻辑示意图。

以下结合附图和实施例对本发明作进一步的解释。

具体实施方式

下面将参照附图1至附图4更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

为了更好地理解，基于感温变色的电缆涂层颜色识别装置包括，

电缆涂层，其包括基于温度变化而变色的微胶囊，

数据采集单元，其拍摄所述电缆涂层生成图像数据，

区域分割单元，其连接所述数据采集单元以区域分割所述图像数据，所述区域分割单元包括基于所述图像数据的多通道直方图变换模块和用于显著性检测的多通道检测模块，

卷积神经网络单元，其连接所述区域分割单元以接收通过显著性检测的区域图像数据，所述卷积神经网络单元基于VGGNet建立卷积神经网络模型以通过识别颜色确定故障，所述卷积神经网络单元包括，

颜色空间变换模块，其配置成将输入的区域图像数据由RGB颜色空间变换到HSV与LAB颜色空间，

特征提取模块，用于特征提取的特征提取模块包括卷积层和池化层，RGB颜色空间、HSV与LAB颜色空间三个颜色空间的输入的区域图像数据接入卷积神经网络以训练得到三个颜色空间的颜色识别的检测结果，

模型输出选择判断器，其连接所述特征提取模块基于三个颜色空间得到的检测结果输出故障的预测结果。

所述的电缆涂层颜色识别装置的优选实施例中，多通道直方图变换模块基于所接收的所述图像数据以保留涉及电缆的图像数据。

所述的电缆涂层颜色识别装置的优选实施例中，用于显著性检测的多通道检测模块基于涉及电缆的图像数据区域分割得到表示电缆涂层故障主体颜色的区域图像数据。

所述的电缆涂层颜色识别装置的优选实施例中，多通道检测模块包括Mul-SDLS的分割算法单元，其对图像数据进行多通道显著性变换以区域分割，去除部分边缘背景以及其他干扰颜色识别的区域以保留电缆故障涂层显色区域图像数据。

所述的电缆涂层颜色识别装置的优选实施例中，如图1所示，Mul-SDLS的分割算法，对经过检测网络检测定位后的电缆涂层图像使用局部敏感直方图变换与多通道显著性变换进行区域分割，去除部分边缘背景以及其他干扰颜色识别的区域，而保留电缆故障涂层显色区域。区域分割单元包括，

R通道显著性检测模块，其基于所述图像数据生成R通道显著性检测特征图，

G通道显著性检测模块，其基于所述图像数据生成G通道显著性检测特征图，

B通道显著性检测模块，其基于所述图像数据生成B通道显著性检测特征图，多通道直方图变换模块，其基于所述图像数据生成直方图，

融合选择器，其基于所述多通道直方图变换模块、G通道显著性检测特征图、B通道显著性检测特征图和直方图按照电缆的显著性值范围选择涉及电缆的图像数据，

多通道融合特征模块，其基于所选择的涉及电缆的图像数据融合生成多通道融合特征图，

二值化阈值选择器，其基于选择的涉及电缆的图像数据二值化处理，

多通道检测模块，其连接所述多通道融合特征模块和二值化阈值选择器以基于多通道检测模块和二值化结果生成表示电缆涂层故障主体颜色的区域图像数据。

对于彩色的图像而言，由于彩色的信息丰富度远比灰度的要高，所以在有些时候，特别是对跨越色彩比较多的情形下，单单是灰度图的显著性特征图已经无法满足需求。而这里，提出通过检测图像的RGB空间下的三个通道中每个通道的显著性值而得到特征图，再通过一个融合选择器，将多个通道的显著性特征图融合起来合成一个。

融合选择器设计如公式所示：

其中P是图像像素点显著性值的统计直方图中的峰值bins，α为选择参数，即选择的显著性值范围。

在考虑到融合选择器的设计时，由于在RGB颜色空间内，对应本文提到的10类颜色，它们会在RGB三个颜色通道内的显著性特征图表现各不一致。

所述的电缆涂层颜色识别装置的优选实施例中，微胶囊包覆隐形染料、色形成剂及温度控制剂。进一步地，藉由不同的控温因子材料制作出不同温度区间变色的色料。在一个实施例中，微胶囊低温显色高温无色。在一个实施例中，微胶囊的变温范围-15度～70度。

在多个颜色空间的选取上面，本发明考虑最常规使用以及流行的颜色空间、色彩空间范围方面比较大等几个因素，最终选定具备代表性的RGB颜色空间、色彩范围相对来说比较大的LAB颜色空间以及比较经典的HSV颜色空间等三个空间展开介绍并作为基于多颜色空间的卷积神经网络模型的颜色变换空间。RGB颜色空间，即红、绿、蓝等三原色的亮度组成的颜色空间范围，其包括自然界可见光的基本范围，而同时大多数的可见光都可以分解成为这三种颜色，其遵循三原色原理，即公式所示：X＝aA+bB+cC，a，b，c≥0，其中的ABC是三原色，abc分别是其权值。RGB颜色模型也被称为加色混色模型，通过混加三种基色来进行调配。在一个实施例中，LAB颜色空间是一种彩色颜色空间，其色彩空间范围比较广，比RGB颜色空间范围还要大，而其使用对色坐标来构成。在一个实施例中，HSV颜色空间的三个轴分别代表色度H、饱和度S以及亮度V，其空间模型对应一个圆锥形的立体结构。色度H围绕着亮度V轴转，而V取值在0到1之间，S取值也在0到1之间，圆锥的顶点代表的是纯黑色，而在圆锥的底平面中，代表V为1，也就是纯色。

在电缆涂层颜色识别的过程中，电缆涂层图像中主要故障颜色区域的准确分割、排除非颜色干扰区域始终是个问题。首先第一步是要从原始的包含电缆的图像中将电缆定位检测出来，再者就是针对已经定位出来的电缆进行二次的区域分割，将最能代表电缆涂层故障主体颜色的区域分割出来，而经过处理后则是送入颜色识别网络进行训练并提取特征和分类。

而在针对已经定位出来的电缆涂层进行二次的区域分割这一步中，区域分割的位置和部位如果不对，往往会将非主要颜色区域、甚至是有严重干扰的区域分割保存下来，如电缆非故障区域，或者涂层老化区域，以及光照影响导致涂层显色异常区域，其会大大干扰后面的识别网络进行训练识别工作：

所以，如何去除这些对颜色识别有比较大影响的区域，进而保留下来主要的颜色区域为识别分类工作打下基础。本发明的多通道的局部敏感直方图变换与多通道的图像区域显著性检测方法，结合为基于Mul-SDLS的分割算法，针对图像进行精确的颜色区域分割和干扰区域的去除，达到一个不错的效果。

对于电缆涂层颜色的现状主要有：

(1)不同的电缆涂层生产厂家采用不同的喷涂和调色方案，从而导致的电缆涂层的颜色越来越丰富，而配色也越来越复杂；

(2)电缆表面常年累月的灰尘堆积，或者电缆涂层氧化而导致的色彩蜕变；

(3)自然环境影响，如不同光照下的颜色变化以及雨雪天气下的电缆涂层颜色在视觉上变化等等情况。

而这些问题的发生却是没有办法完全解决的，会给电缆涂层颜色识别带来一系列问题，识别有误判是经常的事情。

虽然深度学习在大规模数据训练方面有着独特的优势，尽管理论上模型的网络层次越深，越能充分提取学习到输入数据的各种特征，但是并不是绝对的，过拟合和梯度消失等问题也会伴随着出现。

同时，在网络模型的训练阶段，数据样本的分布情况不一定很充分很均衡，部分颜色的车辆样本由于出现比较多而收集起来相对来说比较容易，如归类为黑色、白色、红色等几个大类的数据样本是比较多的；但是对于另一部分颜色，诸如紫色、粉红、蓝色、绿色等不是特别常见的会比较难以收集到足够多的数据样本提供训练。再者，容易混淆的诸如棕色、灰色等分类情况不是很明确的颜色也会给训练带来困扰。，所述的电缆涂层颜色识别装置的优选实施例中，基于VGGNet进行搭建的网络结构如图所示。

在一个实施例中，卷积神经网络特征提取模型包括AlexNet、VGGNet、GoogLeNet、以及ResNet，它们通过在ImageNet等大规模数据集上训练出来的模型非常出色，对多种类别图像识别分类能力很强。表1列出几个卷积神经网络模型结构。

AlexNet提出的时间比较早，网络层数比较浅，对于本文的分类问题不太适合使用；而GoogLeNet网络层次和VGGNet差不多，但是其卷积核的大小尺寸不像VGGNet那样只采用3X3大小，相比之下，VGGNet更合适本文；最后的ResNet虽然在Top-1val.err中比VGGNet要表现好，但是其网络层次比较深而且有和GoogLeNet一样的卷积核大小问题；而再从实用性考虑的话，训练如此之多层的网络结构，其层数是增加了数倍，但是性能却没有增加数倍，所以在考虑选择网络的时候需要平衡下需求，选择适合的网络结构，不一定网络层数最深才是最好的。

如图2所示的VGGNet模型结构图，在一个实施例中，分类种类上是10几个大类，而即便细分也不过几十个类，在分类效果和精度可接受范围内，VGGNet是比较合适，所述卷积神经网络模型具有19层的网络深度，卷积层数8-16层，卷积核标准3*3，全连接层2048-2048-10。

在一个实施例中，鉴于以上提到的电缆涂层颜色特别、训练网络深度以及训练样本分布不平衡等问题，卷积神经网络模型的架构如图3所示，输入图像是原始的RGB图像，然后在这一步做颜色空间的变换，即将RGB颜色空间同时变换到HSV与LAB颜色空间；经过变换到HSV与LAB颜色空间之后，三个颜色空间的输入图像将会各自接入一个卷积神经网络，即以VGGNet作为基础模型的特征提取网络，进行充分的特征提取。而考虑选取的是VGGNet的特征提取部分，即卷积层和池化层部分，所以在训练阶段，三个颜色空间的模型将会各自训练并保存参数权重；最后则是三个颜色空间经过卷积神经网络的特征提取后，同时接入一个模型输出选择判断器，这个模型输出选择判断器会将三个颜色空间模型得到的检测结果结合起来，输出最后的预测结果。

在一个实施例中，模型输出判断选择器的逻辑结构如图4所示。模型输出判断选择器的具体描述如公式所示：

其中，Predicton为最后的预测类别结果，而PreRGB，PreHSV，PreLAB分别是在RGB，HSV，LAB等三个颜色空间内的训练预测结果。

Predicton的输出有两个结果，一个是在三个颜色空间内预测为最高置信度的，

即Predictonl；一个是次高结果，即Predicron2。两个结果中一个作为主颜色输出，一个作为辅助颜色输出，输出遵循以下规则：

(1)Predicton1＝Predicton 2，输出(Predicton，None)；

(2)Predicron1≠Predicton2，输出(Predictonl，Predicton2)。

一种所述的电缆涂层颜色识别装置的识别方法包括以下步骤，

电缆涂覆电缆涂层，电缆涂层包括基于温度变化而变色的微胶囊，

数据采集单元拍摄所述电缆涂层生成图像数据，

区域分割单元区域分割所述图像数据以生成表示电缆涂层故障主体颜色的区域图像数据，

卷积神经网络单元基于VGGNet建立卷积神经网络模型以通过识别颜色确定故障，其中，颜色空间变换模块将输入的区域图像数据由RGB颜色空间变换到HSV与LAB颜色空间；RGB颜色空间、HSV与LAB颜色空间三个颜色空间的输入的区域图像数据接入卷积神经网络以训练得到三个颜色空间的颜色识别的检测结果，模型输出选择判断器基于三个颜色空间得到的检测结果输出故障的预测结果。

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于所述的具体实施方案和应用领域，所述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。

Claims (8)

1.一种基于感温变色的电缆涂层颜色识别装置，其包括，

电缆涂层，其包括基于温度变化而变色的微胶囊，

数据采集单元，其拍摄所述电缆涂层生成图像数据，

区域分割单元，其连接所述数据采集单元以区域分割所述图像数据，所述区域分割单元包括基于所述图像数据的多通道直方图变换模块和用于显著性检测的多通道检测模块，

卷积神经网络单元，其连接所述区域分割单元以接收通过显著性检测的区域图像数据，所述卷积神经网络单元基于VGGNet建立卷积神经网络模型以通过识别颜色确定故障，所述卷积神经网络单元包括，

颜色空间变换模块，其配置成将输入的区域图像数据由RGB颜色空间变换到HSV与LAB颜色空间，

特征提取模块，用于特征提取的特征提取模块包括卷积层和池化层，RGB颜色空间、HSV与LAB颜色空间三个颜色空间的输入的区域图像数据接入卷积神经网络以训练得到三个颜色空间的颜色识别的检测结果，

模型输出选择判断器，其连接所述特征提取模块基于三个颜色空间得到的检测结果输出故障的预测结果。

2.根据权利要求1所述的电缆涂层颜色识别装置，其中，优选的，多通道直方图变换模块基于所接收的所述图像数据以保留涉及电缆的图像数据。

3.根据权利要求2所述的电缆涂层颜色识别装置，其中，用于显著性检测的多通道检测模块基于涉及电缆的图像数据区域分割得到表示电缆涂层故障主体颜色的区域图像数据。

4.根据权利要求1所述的电缆涂层颜色识别装置，其中，多通道检测模块包括Mul-SDLS的分割算法单元，其对图像数据进行多通道显著性变换以区域分割，去除部分边缘背景以及其他干扰颜色识别的区域以保留电缆故障涂层显色区域图像数据。

5.根据权利要求1所述的电缆涂层颜色识别装置，其中，区域分割单元包括，

R通道显著性检测模块，其基于所述图像数据生成R通道显著性检测特征图，

G通道显著性检测模块，其基于所述图像数据生成G通道显著性检测特征图，

B通道显著性检测模块，其基于所述图像数据生成B通道显著性检测特征图，

多通道直方图变换模块，其基于所述图像数据生成直方图，

融合选择器，其基于所述多通道直方图变换模块、G通道显著性检测特征图、B通道显著性检测特征图和直方图按照电缆的显著性值范围选择涉及电缆的图像数据，

多通道融合特征模块，其基于所选择的涉及电缆的图像数据融合生成多通道融合特征图，

二值化阈值选择器，其基于选择的涉及电缆的图像数据二值化处理，

多通道检测模块，其连接所述多通道融合特征模块和二值化阈值选择器以基于多通道检测模块和二值化结果生成表示电缆涂层故障主体颜色的区域图像数据。

6.根据权利要求1所述的电缆涂层颜色识别装置，其中，所述卷积神经网络模型具有19层的网络深度，卷积层数8-16层，卷积核标准3*3，全连接层2048-2048-10。

7.根据权利要求1所述的电缆涂层颜色识别装置，其中，微胶囊包覆隐形染料、色形成剂及温度控制剂。

8.一种如权利要求1-7中任一项所述的电缆涂层颜色识别装置的识别方法，其包括以下步骤，

电缆涂覆电缆涂层，电缆涂层包括基于温度变化而变色的微胶囊，

数据采集单元拍摄所述电缆涂层生成图像数据，

区域分割单元区域分割所述图像数据以生成表示电缆涂层故障主体颜色的区域图像数据，

卷积神经网络单元基于VGGNet建立卷积神经网络模型以通过识别颜色确定故障，其中，颜色空间变换模块将输入的区域图像数据由RGB颜色空间变换到HSV与LAB颜色空间；RGB颜色空间、HSV与LAB颜色空间三个颜色空间的输入的区域图像数据接入卷积神经网络以训练得到三个颜色空间的颜色识别的检测结果，模型输出选择判断器基于三个颜色空间得到的检测结果输出故障的预测结果。

Images