CN113947563A - 一种基于深度学习的电缆工艺质量动态缺陷检测方法 - Google Patents
一种基于深度学习的电缆工艺质量动态缺陷检测方法 Download PDFInfo
- Publication number
- CN113947563A CN113947563A CN202110993552.7A CN202110993552A CN113947563A CN 113947563 A CN113947563 A CN 113947563A CN 202110993552 A CN202110993552 A CN 202110993552A CN 113947563 A CN113947563 A CN 113947563A
- Authority
- CN
- China
- Prior art keywords
- cable
- image
- picture
- rectangular frame
- exposed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000007547 defect Effects 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 239000011241 protective layer Substances 0.000 claims description 22
- 239000010410 layer Substances 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000002390 adhesive tape Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 239000012212 insulator Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的电缆工艺质量动态缺陷检测方法,包括如下步骤:步骤S1、使用摄像机获取待检测的图片生成图片数据集,图片里至少含有一个待检测的线缆;步骤S2、使用YOLOV5目标检测算法对获取到的图片进行检测,识别出图片中的电缆;使用labelme工具对图片中的电缆进行标注;步骤S3、根据电缆检测框位置,将电缆从图片中截取出来待检;步骤S4、使用UNet分割网络模型将电缆特征分割出来;采用的Mobilenet‑V2网络作为UNet分割网络模的主干网络;步骤S5、根据分割电缆特征判断电缆是否异常。本方案点位图片中电缆的位置,提取电缆的特征并对特征进行比对判定,显著提高电缆的识别率。
Description
技术领域
本发明涉及配网工程动态监测技术领域,具体的,涉及一种基于深度学习的电缆工艺质量动态缺陷检测方法。
背景技术
随着社会经济的快速发展,人们对电力资源的需求量越来越大。通过数字化建设为基建赋能。同时,配网工程是电力行业的重要组成部分,政府和电力企业也更加重视配网工程的建设和管理。在配网工程中,传统的检测方式主要依靠人力。比如电缆检测环节,通过工作人员辨别电缆的裸露部分的尺寸来判别电缆的状态。这种检测方式效率低,工人工作环境差,容易因疲劳导致漏检。近年来也有出现用深度学习来检测电缆状态,比如用分类网络对电缆的状态进行分类识别,但是这种方法严重依赖样本的数量,以及正负样本的均衡,容易出现误识别的情况。因此,如何使用一种电缆检测方法来正确检测判别电缆的状态,成为了一个关键的问题。
中国专利:公开号:CN113253062A,公开日:2021年8月13日,本发明涉及一种基于风险隐患的电力电缆故障巡检系统,中控单元首先得到故障点与发射端的距离为S0,中控单元对排序后的电力电缆发射不同的脉冲信号,将计算出的故障点与发射端的距离与S0比较,得到差值中小于等于距离误差Sw的比例设定为Ax,根据Ax范围进行不同操作,若中控单元对脉冲信号进行调整时,将故障点距离与S0的差值中小于等于距离误差Sw的比例设定为Atx与Ax进行比较,并进行不同的调整,若二次调整,中控单元将得到的A2tx与Atx进行比较,中控单元根据比较结果得到故障点或判定运行故障,本发明通过减少硬件对故障的阻碍,通过层层递进的调节方式,优化巡检系统对电力电缆故障的故障点与发射点之间距离的精准确定。该方案主要是通过对故障点的定位判定电缆故障,但对电缆的故障类型并不能进行研判,同时对于电缆破损等安全隐患也不能及时的预警。
中国专利:公开号:CN110889357A,公开日:2020年3月17日,本申请涉及一种基于标注区域的地下电缆故障检测方法和装置。所述方法包括:接收机器人所采集的地下电缆图像;对所述地下电缆图像进行识别以得到标注区域,并将所述标注区域发送给用户终端进行显示;接收所述用户终端针对所述标注区域的反馈信息;当所述反馈信息表示对所述标注区域进行再次采集时,则向所述机器人发送采集与所述标注区域对应的图像的采集指令;接收所述机器人根据所述采集指令所采集的二次图像,并对所述二次图像进行识别,以判断所述地下电缆是否故障。采用本方法能够提高准确性。该方案中并不涉及图像识别模型的建立以及电缆图像特征提取的关键技术步骤,仅仅是对电缆图片识别的大流程进行了描述,具体怎样实现等技术步骤公开不充分。
中国专利:公开号:CN110309221A,公开日:2019年10月8日,本发明涉及一种基于电缆附件故障数据库的电缆故障识别系统,包括:数据库模块,包括故障数据库和电网运行管理库,用于故障识别提供数据;故障信息搜集模块,与数据库模块通信连接,通过现场数据采集、解剖、理化分析获取故障详细数据并发送给数据库模块;分析识别模块,与数据库模块通信连接,用于将待识别的故障数据与数据库模块中的故障数据进行匹配,并输出匹配结果。与现有技术相比,本发明具有故障识别全面、识别准确率高等优点。该方案中关于图片中的电缆图像如何提取、清洗以及故障如何判定并没有具体的技术手段进行阐述和实现。
发明内容
本发明的目的是传统电缆监测方法检测识别效率低下的问题,提出了一种基于深度学习的电缆工艺质量动态缺陷检测方法,点位图片中电缆的位置,提取电缆的特征并对特征进行比对判定,显著提高电缆的识别率。
为实现上述技术目的,本发明提供的一种技术方案是,一种基于深度学习的电缆工艺质量动态缺陷检测方法,包括如下步骤:
步骤S1、使用摄像机获取待检测的图片生成图片数据集,图片里至少含有一个待检测的线缆(数据集的来源也可以是网络源图片);
步骤S2、使用YOLOV5目标检测算法对获取到的图片进行检测,识别出图片中的电缆;使用labelme工具对图片中的电缆进行标注;
步骤S3、根据电缆检测框位置,将电缆从图片中截取出来待检;
步骤S4、使用UNet分割网络模型将电缆特征分割出来;采用的Mobilenet-V2网络作为UNet分割网络模的主干网络;
步骤S5、根据分割电缆特征判断电缆是否异常。
作为优选,所述电缆特征包括有红色绝缘胶带、黑色保护层和裸露线缆。
作为优选,UNet分割网络模型包含编码器和解码器,其中:
编码器是负责特征提取,将图像进行四次下采样,最终将原图尺寸缩小16倍,将原图中的特征充分提取与压缩;
解码器负责图像的上采样,将提取出的特征进行四次上采样,每上采样一次就和编码器部分对应的通道数相同尺度融合,最终将特征还原成原图尺寸大小,最后所得即是分割后的图片;
对截取的电缆图片进行图像预处理,统一将图像改成640*320的尺寸,预处理后的图片作为UNet分割网络模型中输入,经过下采样和上采样,最终得到640*320大小的分割图。分割网络模型可以很好地将电缆黑色保护层、红色绝缘胶带、裸露电缆部分提取出来,对图片光照和灰尘等干扰因素具有良好的鲁棒性。
作为优选,步骤S5中,包括如下步骤:
对红色绝缘胶带部分进行形态学运算,判断红色绝缘胶带的像素个数,如果像素个数大于预设阈值,则判断电缆有红色绝缘胶带,属于正常;否则,进行下一步;
对裸露的电缆部分进行形态学闭运算,清除噪点,进一步计算裸露部分像素点个数,如果裸露电缆的像素个数小于预设阈值,则认为电缆没有裸露部分或者裸露部分没有达到尺寸要求,判断电缆黑色保护层尺寸符合要求;如果裸露电缆的像素个数大于预设阈值,进一步计算裸露电缆部分的最小外接矩形框,根据最小外接矩形框判定电缆黑色保护层尺寸是否正常。
作为优选,对分割出来的红色绝缘胶带进行形态学运算,包括如下步骤:
对分割出来的红色绝缘胶带部分进行图像形态学开运算去除图像中的噪声,平滑电缆的轮廓;然后对处理后的图片进行图像形态学闭运算,先对图像进行膨胀处理,用3*3的模板B跟图像A进行卷积计算,得出模板B覆盖区域的像素点最小值,并用最小值来替代参考点的像素值;
对图像A进行膨胀处理,通过模板B与图像A进行卷积计算,扫描图像中的每一个像素点,用模板元素与二值图像元素做“与”运算;
进一步判断红色胶带绝缘体的像素点个数,如果大于预设阈值,则判断电缆有红色绝缘胶带,判定电缆属于正常。
作为优选,根据最小外接矩形框判定电缆黑色保护层尺寸是否正常,包括如下步骤:
计算裸露电缆部分的外接最小矩形框,得到裸露电缆矩形框的长边和短边;
计算黑色保护层的外接最小矩形框,得到黑色保护层矩形框的长边和短边;
进一步判断:
如果裸露电缆矩形框的长边小于黑色保护层矩形框的短边,则认为电缆保护层尺寸符合要求;
如果裸露电缆矩形框的长边大于黑色保护层矩形框的短边,则认为电缆保护层尺寸超出要求。
作为优选,外接最小矩形框通过以下方法求得,包括如下步骤:
计算裸露电缆区域的最初外接矩形A,并记录矩形的面积S;
通过旋转公式计算以角度θ旋转电缆裸露区域的点簇;计算旋转之后点簇的外接矩阵框,计算该矩阵框的面积并与面积S比较大小,将小面积赋值给Smin;
以角度β为步长直至将点簇旋转到90度,循环计算矩形框面积并更新Smin;
获取最小外接矩形面积Smin所对应的旋转角度α;将最初外接矩形A反旋转α角度,即获得最小外接矩形。
点簇旋转公式如下:
x=xcos(θ)-ysin(θ)
y=xsin(θ)+ycos(θ)
θ=θ+β
其中,(x,y)为点簇中点的像素坐标,角度θ的初始值为0,角度步长β设为1度。
本发明的有益效果:一种基于深度学习的电缆工艺质量动态缺陷检测方法基于深度学习技术,具有良好的泛化能力和鲁棒性,根据数据增强技术,可以有效地节约样本采集时间和标注时间,节约人力成本;通过在线实时、准确地对电缆状态进行识别,提高检测识别效率。
附图说明
图1为本发明的一种基于深度学习的电缆工艺质量动态缺陷检测方法的方法流程图。
图2为根据分割电缆特征判断电缆是否异常的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,都属于本发明保护的范围。
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”、“第三”“第四”等(如果存在)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。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“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。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例:
如图1所示,一种基于深度学习的电缆工艺质量动态缺陷检测方法,包括如下步骤:
步骤S1、使用摄像机获取待检测的图片生成图片数据集,图片里至少含有一个待检测的线缆(数据集的来源也可以是网络源图片)。
步骤S2、使用YOLOV5目标检测算法对获取到的图片进行检测,识别出图片中的电缆;使用labelme工具对图片中的电缆进行标注。
对图中的电缆进行标注之前,还需要对获取的图片数据集进行图像的预处理,所述预处理包括去除一些模糊、重影以及无目标的图像数据,将图像数据压缩至指定像素值,调整图片旋转的角度和色差的偏度。
图像分析中,图像质量的好坏直接影响识别算法的设计与效果的精度,因此在图像分析(特征提取、分割、匹配和识别等)前,需要进行图像预处理,图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性、最大限度地简化数据,从而改进特征提取、图像分割、匹配和识别的可靠性。
一般的预处理流程为:灰度化->几何变换->图像增强;
对彩色图像进行处理时,往往需要对三个通道依次进行处理,时间开销将会很大。因此,为了达到提高整个应用系统的处理速度的目的,需要对彩色图像进行灰度化以减少所需处理的数据量;
在RGB模型中,如果R=G=B时,则彩色表示一种灰度颜色,其中R=G=B的值叫灰度值,因此,灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。一般有分量法、最大值法、平均值法、加权平均法四种方法对彩色图像进行灰度化。
其中,加权平均法:根据重要性及其它指标,将三个分量以不同的权值进行加权平均,由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,按下式对RGB三分量进行加权平均能得到较合理的灰度图像。
几何变换:图像几何变换又称为图像空间变换,通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理,用于改正图像采集系统的系统误差和仪器位置(成像角度、透视关系乃至镜头自身原因)的随机误差。此外,还需要使用灰度插值算法,因为按照这种变换关系进行计算,输出图像的像素可能被映射到输入图像的非整数坐标上。通常采用的方法有最近邻插值、双线性插值和双三次插值。
图像增强:增强图像中的有用信息,它可以是一个失真的过程,其目的是要改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要,图像增强可分成两大类:频率域法和空间域法。
步骤S3、根据电缆检测框位置,将电缆从图片中截取出来待检;
步骤S4、使用UNet分割网络模型将电缆特征分割出来;采用的Mobilenet-V2网络作为UNet分割网络模的主干网络;UNet分割网络模型包含编码器和解码器,其中:
编码器是负责特征提取,将图像进行四次下采样,最终将原图尺寸缩小16倍,将原图中的特征充分提取与压缩;
解码器负责图像的上采样,将提取出的特征进行四次上采样,每上采样一次就和编码器部分对应的通道数相同尺度融合,最终将特征还原成原图尺寸大小,最后所得即是分割后的图片;
对截取的电缆图片进行图像预处理,统一将图像改成640*320的尺寸,预处理后的图片作为UNet分割网络模型中输入,经过下采样和上采样,最终得到640*320大小的分割图。分割网络模型可以很好地将电缆黑色保护层、红色绝缘胶带、裸露电缆部分提取出来,对图片光照和灰尘等干扰因素具有良好的鲁棒性。
步骤S5、根据分割电缆特征判断电缆是否异常;所述电缆特征包括有红色绝缘胶带、黑色保护层和裸露线缆。
步骤S5中,包括如下步骤:
S51、对红色绝缘胶带部分进行形态学运算,判断红色绝缘胶带的像素个数,如果像素个数大于预设阈值,则判断电缆有红色绝缘胶带,属于正常;否则,进行下一步;
S52、对裸露的电缆部分进行形态学闭运算,清除噪点,进一步计算裸露部分像素点个数,如果裸露电缆的像素个数小于预设阈值,则认为电缆没有裸露部分或者裸露部分没有达到尺寸要求;
S53、判断电缆黑色保护层尺寸是否符合要求;如果裸露电缆的像素个数大于预设阈值,进一步计算裸露电缆部分的最小外接矩形框,根据最小外接矩形框判定电缆黑色保护层尺寸是否正常。
对分割出来的红色绝缘胶带进行形态学运算,包括如下步骤:
对分割出来的红色绝缘胶带部分进行图像形态学开运算去除图像中的噪声,平滑电缆的轮廓;然后对处理后的图片进行图像形态学闭运算,先对图像进行膨胀处理,用3*3的模板B跟图像A进行卷积计算,得出模板B覆盖区域的像素点最小值,并用最小值来替代参考点的像素值;
对图像A进行膨胀处理,通过模板B与图像A进行卷积计算,扫描图像中的每一个像素点,用模板元素与二值图像元素做“与”运算;
进一步判断红色胶带绝缘体的像素点个数,如果大于预设阈值,则判断电缆有红色绝缘胶带,判定电缆属于正常。
根据最小外接矩形框判定电缆黑色保护层尺寸是否正常,包括如下步骤:
计算裸露电缆部分的外接最小矩形框,得到裸露电缆矩形框的长边和短边;
计算黑色保护层的外接最小矩形框,得到黑色保护层矩形框的长边和短边;
进一步判断:
如果裸露电缆矩形框的长边小于黑色保护层矩形框的短边,则认为电缆保护层尺寸符合要求;
如果裸露电缆矩形框的长边大于黑色保护层矩形框的短边,则认为电缆保护层尺寸超出要求。
外接最小矩形框通过以下方法求得,包括如下步骤:
计算裸露电缆区域的最初外接矩形A,并记录矩形的面积S;
通过旋转公式计算以角度θ旋转电缆裸露区域的点簇;计算旋转之后点簇的外接矩阵框,计算该矩阵框的面积并与面积S比较大小,将小面积赋值给Smin;
以角度β为步长直至将点簇旋转到90度,循环计算矩形框面积并更新Smin;
获取最小外接矩形面积Smin所对应的旋转角度α;将最初外接矩形A反旋转α角度,即获得最小外接矩形。
点簇旋转公式如下:
x=xcos(θ)-ysin(θ)
y=xsin(θ)+ycos(θ)
θ=θ+β
其中,(x,y)为点簇中点的像素坐标,角度θ的初始值为0,角度步长β设为1度。
以上所述之具体实施方式为本发明一种基于深度学习的电缆工艺质量动态缺陷检测方法的较佳实施方式,并非以此限定本发明的具体实施范围,本发明的范围包括并不限于本具体实施方式,凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (10)
1.一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:包括如下步骤:
步骤S1、使用摄像机获取待检测的图片生成图片数据集,图片里至少含有一个待检测的线缆;
步骤S2、使用YOLOV5目标检测算法对获取到的图片进行检测,识别出图片中的电缆;使用labelme工具对图片中的电缆进行标注;
步骤S3、根据电缆检测框位置,将电缆从图片中截取出来待检;
步骤S4、使用UNet分割网络模型将电缆特征分割出来;采用的Mobilenet-V2网络作为UNet分割网络模的主干网络;
步骤S5、根据分割电缆特征判断电缆是否异常。
2.根据权利要求1所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:所述电缆特征包括有红色绝缘胶带、黑色保护层和裸露线缆。
3.根据权利要求1所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:UNet分割网络模型包含编码器和解码器,其中:
编码器是负责特征提取,将图像进行四次下采样,最终将原图尺寸缩小16倍,将原图中的特征充分提取与压缩;
解码器负责图像的上采样,将提取出的特征进行四次上采样,每上采样一次就和编码器部分对应的通道数相同尺度融合,最终将特征还原成原图尺寸大小,最后所得即是分割后的图片;对截取的电缆图片进行图像预处理,统一将图像改成640*320的尺寸,预处理后的图片作为UNet分割网络模型中输入,经过下采样和上采样,最终得到640*320大小的分割图。
4.根据权利要求2所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:步骤S5中,包括如下步骤:
对红色绝缘胶带部分进行形态学运算,判断红色绝缘胶带的像素个数,如果像素个数大于预设阈值,则判断电缆有红色绝缘胶带,属于正常;否则,进行下一步;
对裸露的电缆部分进行形态学闭运算,清除噪点,进一步计算裸露部分像素点个数,如果裸露电缆的像素个数小于预设阈值,则认为电缆没有裸露部分或者裸露部分没有达到尺寸要求,判断电缆黑色保护层尺寸是否符合要求;如果裸露电缆的像素个数大于预设阈值,进一步计算裸露电缆部分的最小外接矩形框,根据最小外接矩形框判定电缆黑色保护层尺寸是否正常。
5.根据权利要求2或4所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:
对分割出来的红色绝缘胶带进行形态学运算,包括如下步骤:
对分割出来的红色绝缘胶带部分进行图像形态学开运算去除图像中的噪声,平滑电缆的轮廓;然后对处理后的图片进行图像形态学闭运算。
6.根据权利要求5所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:对处理后的图片进行图像形态学闭运算包括如下步骤:
对图像进行膨胀处理,用3*3的模板B跟图像A进行卷积计算,得出模板B覆盖区域的像素点最小值,并用最小值来替代参考点的像素值;
对图像A进行膨胀处理,通过模板B与图像A进行卷积计算,扫描图像中的每一个像素点,用模板元素与二值图像元素做“与”运算;
进一步判断红色胶带绝缘体的像素点个数,如果大于预设阈值,则判断电缆有红色绝缘胶带,判定电缆属于正常。
7.根据权利要求4所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:根据最小外接矩形框判定电缆黑色保护层尺寸是否正常,包括如下步骤:
计算裸露电缆部分的外接最小矩形框,得到裸露电缆矩形框的长边和短边;
计算黑色保护层的外接最小矩形框,得到黑色保护层矩形框的长边和短边;
通过裸露电缆部分外接最小矩形框的长边和短边与黑色保护层的外接最小矩形框长边和短边比较判定电缆保护层尺寸是否符合要求。
8.根据权利要求7所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:如果裸露电缆矩形框的长边小于黑色保护层矩形框的短边,则认为电缆保护层尺寸符合要求;如果裸露电缆矩形框的长边大于黑色保护层矩形框的短边,则认为电缆保护层尺寸超出要求。
9.根据权利要求7或8所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:
外接最小矩形框通过以下方法求得,包括如下步骤:
计算裸露电缆区域的最初外接矩形A,并记录矩形的面积S;
通过旋转公式计算以角度θ旋转电缆裸露区域的点簇;计算旋转之后点簇的外接矩阵框,计算该矩阵框的面积并与面积S比较大小,将小面积赋值给Smin;
以角度β为步长直至将点簇旋转到90度,循环计算矩形框面积并更新Smin;
获取最小外接矩形面积Smin所对应的旋转角度α;将最初外接矩形A反旋转α角度,即获得最小外接矩形。
10.根据权利要求9所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法,其特征在于:
点簇旋转公式如下:
x=xcos(θ)-ysin(θ)
y=xsin(θ)+ycos(θ)
其中,θ=θ+β,(x,y)为点簇中点的像素坐标,角度θ的初始值为0,角度步长β设为1度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993552.7A CN113947563A (zh) | 2021-08-27 | 2021-08-27 | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110993552.7A CN113947563A (zh) | 2021-08-27 | 2021-08-27 | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947563A true CN113947563A (zh) | 2022-01-18 |
Family
ID=79328205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110993552.7A Pending CN113947563A (zh) | 2021-08-27 | 2021-08-27 | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947563A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187880A (zh) * | 2022-07-20 | 2022-10-14 | 无锡科技职业学院 | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 |
-
2021
- 2021-08-27 CN CN202110993552.7A patent/CN113947563A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187880A (zh) * | 2022-07-20 | 2022-10-14 | 无锡科技职业学院 | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114627118B (zh) | 一种光纤电缆绝缘缺陷识别方法和系统 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN109993154B (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
CN109858480A (zh) | 一种数字式仪表识别方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN109934221B (zh) | 基于注意力机制的电力设备自动分析识别监控方法及系统 | |
CN111008961A (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN112669287B (zh) | 基于图像识别的电气设备温度监测方法 | |
CN111126253A (zh) | 基于图像识别的刀闸状态检测方法 | |
CN109255336A (zh) | 基于巡检机器人的避雷器识别方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN112508019A (zh) | 基于图像识别的gis隔离/接地开关状态检测方法及系统 | |
CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
CN111915509A (zh) | 基于图像处理去阴影优化的保护压板状态辨识方法 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统 | |
CN111221996A (zh) | 仪表屏幕视觉检测方法和系统 | |
CN113947563A (zh) | 一种基于深度学习的电缆工艺质量动态缺陷检测方法 | |
CN113269234B (zh) | 一种基于目标检测的连接件装配检测方法和系统 |
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 |