CN114445331A - 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 - Google Patents
一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 Download PDFInfo
- Publication number
- CN114445331A CN114445331A CN202111569899.5A CN202111569899A CN114445331A CN 114445331 A CN114445331 A CN 114445331A CN 202111569899 A CN202111569899 A CN 202111569899A CN 114445331 A CN114445331 A CN 114445331A
- Authority
- CN
- China
- Prior art keywords
- image
- cable
- edge
- intermediate joint
- pixel
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 238000010276 construction Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 238000002955 isolation Methods 0.000 claims abstract description 8
- 238000009413 insulation Methods 0.000 claims description 48
- 210000001503 joint Anatomy 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001154287 Hucho taimen Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Abstract
本发明涉及电缆检测技术领域，公开了一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置，获取多张图像进行拼接处理；对拼接后的图像进行预处理、图像信息边缘增强；检测电缆主绝缘中间接头图像的梯度以及方向，根据otsu设置双阈值，将图像信息分割为边缘像素点与非边缘像素点；对边缘像素点进行孤立性判断，将边缘像素点中的伪边缘像素点去除，得到完整的边缘信息，最后根据得到的完整的边缘信息检测中间接头的施工缺陷。与现有技术相比，本发明可以有效地预防电力系统接头故障地发生，提高电力系统的稳定性，改进的检测算法边缘完整，轮廓清晰，缺陷检测最为准确。
Description
技术领域
本发明涉及电缆检测技术领域，具体涉及一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置。
背景技术
电力电缆的图像管控应用已经覆盖到电力系统的各个领域，电缆中间接头的施工质量密切关系着电缆的安全运行。目前，对于电缆主绝缘施工缺陷研究主要在于对电力电缆施工缺陷的局部放电特性仿真、时域频域的特征分析以及电力电缆附件的故障诊断。这些诊断方法均需要电缆通电方可实行，并不能预防输电故障的发生。方春华等提出一种基于图像识别的10kV电缆接头施工缺陷检测的方法，在安装电缆附件过程中拍摄主绝缘高清图像，根据大量样本学习得到特定的电力电缆主绝缘缺陷类型特征表示，从而判断出是否存在缺陷。缺陷检测仪器通过搭载微距拍摄元件获取电缆附件主绝缘图像信息，通过智能运算完成各类缺陷的检测和诊断，具有精准、高效的优势。
以图象处理的方法检测电力电缆主绝缘表面缺陷，可避免造成二次损伤从而达到对主绝缘无干扰检测的目的。如宋迪等利用颜色信息识别手机划痕，提出的基于Gabor和纹理抑制的手机配件划痕检测；李哲毓等采用基于形态学知识对零件表面划痕的形态特征进行比较分析；徐志刚基于直方图估计和形状分析检验沥青路面是否龟裂等。LiangYB等人提出一种通过多为结构元的边缘检测方法，解决了传统数学形态学在边缘检测时存在的模糊问题，降低了噪声，能保留更多图像细节。LiZM等人提出一种基于数学形态学的直线路径边缘快速检测方法，在图像二值化后利用形态梯度进行边缘检测，并完成路径边缘的识别工作，结果显示该方法缩短了检测时间。唐瑞尹等人小波变换与数学形态学结合，通过小波变换分解出高低频图像，通过小波变换和数学形态学分别对高低频图像边缘提取，再进行小波边缘融合，从而有效获取边缘。
然而，上述的现有技术均存在如下的缺陷与不足：1)现有的诊断方法均需要电缆通电方可实行，并不能预防输电故障的发生；2)现有的图像检测缺陷算法针对颜色对比不明显、缺陷细微不易察觉等特点的缺陷，缺乏算法有效性，无法有效检测出缺陷对象。
发明内容
发明目的：针对传统检测方法无法预防电力中间接头的故障的发生，本发明提供一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置，做到10kV电缆中间接头质量管控。
技术方案：本发明提供了一种基于图像识别的电缆中间接头施工缺陷检测方法，包括如下步骤：
步骤1：获取电缆中间接头多张图像，并对多张所述图像进行拼接后得到完整的电缆主绝缘中间接头图像；
步骤2：对电缆主绝缘中间接头图像进行预处理得到电缆主绝缘中间接头灰度图像；
步骤3：对经过预处理后的电缆主绝缘中间接头图像进行增强图像信息边缘；结合多种曝光条件的图像恢复细节、解决颜色偏差，并结合图像边缘恢复图像边缘细节；
步骤4：检测步骤3中的电缆主绝缘中间接头图像的梯度以及方向，根据otsu设置双阈值，将图像信息分割为边缘像素点与非边缘像素点；
步骤5：判断步骤4中的边缘像素点的孤立性，将边缘像素点中的伪边缘像素点去除，得到完整的边缘信息；
步骤6：根据获取的边缘信息进行施工缺陷检判断。
进一步地，所述步骤1中采用SIFT多特征点匹配的方法对多张电缆图像进行拼接，其具体操作为：
步骤1.1：从待拼接电缆图像的全部特征点中删除无用点，相邻两层图像相减得到高斯差分图像D(x,y,σ)，找出极值点；
步骤1.2：根据电缆特征角点的向量主方向计算电力电缆主绝缘中间接头图像像素的梯度值和幅值，确定图像拼接的特征点方向；所述电缆特征角点的主方向构成一个图像拼接特征，利用直方图统计特征像素对应的梯度和幅值，幅值最高的为主方向，超过峰值80％的方向为辅方向，用一组向量表述出电缆主绝缘中间接头图像特征点的位置、尺度方向，即βs，取一组特征向量β1，计算欧氏距离最近的关键点，匹配关键点，把对应点连成线实现图像之间的拼接。
进一步地，所述步骤2中电缆主绝缘图像预处理操作包括：
对电缆主绝缘中间接头图像进行灰度处理，将R,G,B三色的亮度L作为三个灰度图像的灰度值，设二维图像坐标为(i，j),灰度值取：
L(i,j)＝max(R(i,j),G(i,j),B(i,j))。
进一步地，所述步骤3中对图像进行增强图像信息边缘的具体操作为：
由步骤2得到电缆主绝缘中间接头灰度图像，利用过滤器修改整体色调属性和图像锐度，再将图像输入联合优化CNN模型，每个图象分R,G,B三维9*9*64的空间图形，输入模型后根据像素点亮度特征分为两层3*3*64的像素图像I1、像素图像I2，再利用神经网络Batch NN筛出干扰像素点，将像素图像I1、像素图像I2空间合并得到强化的边缘图像Ien。
进一步地，所述步骤4中的将图像信息分割为边缘像素点与非边缘像素点的具体操作为：
步骤4.1：采用规格为2*2的领域，利用Canny算法计算经过图像信息边缘增加处理后的图像I(x,y)，得到梯度以及方向：
不同阵列的表达式为：
计算水平和垂直方向得差分，即：
θ(i,j)＝actan(Py[i,j]/Px[i,j])
步骤4.2：确定电缆中间接头图像灰度级中每个像素在整幅图像中的个数，利用概率论统计各个像素在图像中的分布概率，统计概率将灰度级进行分类并计算灰度值下前景背景类间概率，统计有效像素点；
步骤4.3：从灰度化图像得到像素直方图，检测出波峰，即背景中呈现最多像素值的位置，遍历波峰序列，得到第一个满足条件的波峰，即为低阈值K1；
步骤4.4：利用相同方法找出像素点最多的直方图，得到双阈值中的高阈值K2，将在[K1,K2] 之内的像素点集称呼之对应像素边缘，所述像素点为边缘像素点。
进一步地，所述步骤4.3中的条件为：
1)检测相邻亮度值的像素数量大小，有变化，就产生一个有效的波峰、波谷；
2)波峰的右侧相邻波谷处的像素数量，比图像平均像素数量小，即低于平均值，称得上是“谷”，否则过滤掉这个波谷和其右侧波峰；
3)从左侧波谷到波峰，再到右侧波谷，累计所占的像素总和，比低于整个画面像素的30％。
进一步地，所述步骤5中判断孤立性，得到完整的边缘信息的具体操作为：
设步骤4中的对应像素边缘集为f(z)，若某边缘像素点f(i)周围存在像素边缘集f(z)的元素，则判断为伪边缘，忽略不计；
若某边缘像素点f(i)周围不存在像素边缘集f(z)的元素，则判断为真边缘，当边缘像素灰度>K1&&>K2时，规定此时的边缘像素为强边缘像素点。
本发明还公开一种基于图像识别的电缆中间接头施工缺陷检测系统，包括如下结构：
图像采集模块，用于获取电缆中间接头多张图像，其包括多组微距摄像头，其设置于电缆的中间接头处；
无线传输模块，所述拍摄的图像由无线传输模块传输至图像处理系统；
所述图像处理系统包括如下结构：
图像拼接模块，用于对多张拍摄的图像进行拼接后得到完整的电缆主绝缘中间接头图像；
图像预处理模块，用于对电缆主绝缘中间接头图像进行预处理，所述预处理为图像灰度化处理；
图像信息增强模块，用于对灰度化的电缆主绝缘中间接头图像进行图像信息增强；
图像分割模块，用于检测电缆主绝缘中间接头图像的梯度以及方向，根据otsu设置双阈值，并将图像信息分割为边缘像素点与非边缘像素点；
图像孤立性判断模块，用于对所述边缘像素点孤立性判断，将边缘像素点中的伪边缘像素点去除，得到完整的边缘信息；
检测缺陷确认模块，用于根据完整的边缘信息进行施工缺陷检判断。
本发明还公开一种基于图像识别的电缆中间接头施工缺陷检测装置，包括存储器、处理器以及存储在存储器中的计算机程序，所述计算机程序加载至处理器时，执行如上述的基于图像识别的电缆中间接头施工缺陷检测方法。
有益效果：
(1)本发明使用以图像识别为基础地10kV电缆缺陷检测方法检测电缆中间接头安装过程中产生地缺陷，可以有效地预防电力系统接头故障地发生，提高电力系统的稳定性。
(2)本发明通过SIFT拼接算法得到完整高清电力电缆中间接头图像，通过图像预处理，增强电力电缆中间接头图像信息边缘，再使用双阈值法求解图像边缘，得到更加精细准确的缺陷边缘信息。相比于其他算法，本改进检测算法边缘完整，轮廓清晰，缺陷检测最为准确。
附图说明
图1为本发明检测系统的微距摄像头安装方式；
图2为本发明图像拼接过程框图；
图3为本发明基于图像识别的电缆中间接头施工缺陷检测方法的流程图；
图4为本发明电缆中间接头的示意图；
图5为本发明电缆中间接头经过灰度处理的图像；
图6为本发明联合优化CNN模型图像。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开了一种基于图像识别的电缆中间接头施工缺陷检测方法，其流程图参见附图 3，包括如下步骤：
步骤1：获取电缆中间接头多张图像，并对多张图像进行拼接后得到完整的电缆主绝缘中间接头图像。
电缆附件主绝缘尺寸较大，各类别缺陷细微且不易察觉。传统的拍摄方式无法提供高分辨率、高清晰度的缺陷图像。以分段微距拍摄的方法，以图像拼接的方式，采用SIFT多特征点匹配的方法拼接电力电缆主绝缘图像。其具体操作为：
从待拼接电缆图像的全部特征点中删除无用点，相邻两层图像相减得到高斯差分图像 D(x,y,σ)，找出极值点，具体为：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，I(x,y)表示原始图像，(x,y)表示图像中的像素位置；待拼接电缆图像两两之间组成图像的高斯金字塔，每组有L层，该组中相邻上下两层图像相减，得到高斯差分图像，找出极值点。
根据角点的向量主方向计算电力电缆主绝缘图像像素的梯度值和方向，确定图像拼接的特征点方向。设幅角T(x,y),幅值θ(x,y)，如下：
电缆特征角点的主方向构成一个电缆附件图像拼接特征利用直方图统计特征像素对应的梯度和幅值，幅值最高的为主方向，超过峰值80％的方向为辅方向。用一组向量表述出中间附件主绝缘特征点的位置、尺度方向，即βs。取目标电缆图像的一组特征向量β1，计算欧氏距离最近的关键点，再匹配关键点，把对应点练成线实现图像之间的拼接，如图2所示。
步骤2：对电缆主绝缘中间接头图像进行预处理得到电缆主绝缘中间接头灰度图像。
电缆主绝缘图像预处理操作包括：
对电缆主绝缘中间接头图像进行灰度处理，将R,G,B三色的亮度L作为三个灰度图像的灰度值，设二维图像坐标为(i，j),灰度值取：
L(i,j)＝max(R(i,j),G(i,j),B(i,j))。
步骤3：对经过预处理后的电缆主绝缘中间接头图像进行增强图像信息边缘；结合多种曝光条件的图像恢复细节、解决颜色偏差，并结合图像边缘恢复图像边缘细节。
对图像进行增强图像信息边缘的具体操作为：
由步骤2得到电缆主绝缘中间接头灰度图像，利用过滤器修改整体色调属性和图像锐度，再将图像输入联合优化CNN模型，每个图象分R,G,B三维9*9*64的空间图形，输入模型后根据像素点亮度特征分为两层3*3*64的像素图像I1、像素图像I2，再利用神经网络Batch NN筛出干扰像素点，将像素图像I1、像素图像I2空间合并得到强化的边缘图像Ien。联合优化CNN 模型的具体结构参见附图6。
步骤4：检测步骤3中的电缆主绝缘中间接头图像的梯度以及方向，根据otsu设置双阈值，将图像信息分割为边缘像素点与非边缘像素点。
将图像信息分割为边缘像素点与非边缘像素点的具体操作为：
步骤4.1：采用规格为2*2的领域，利用Canny算法计算经过图像信息边缘增加处理后的图像I(x,y)，得到梯度以及方向：
不同阵列的表达式为：
计算水平和垂直方向得差分，即：
θ(i,j)＝actan(Py[i,j]/Px[i,j])
步骤4.2：确定电缆中间接头图像灰度级中每个像素在整幅图像中的个数，利用概率论统计各个像素在图像中的分布概率，统计概率将灰度级进行分类并计算灰度值下前景背景类间概率，统计有效像素点；
步骤4.3：从灰度化图像得到像素直方图，检测出波峰，即背景中呈现最多像素值的位置，遍历波峰序列，得到第一个满足条件的波峰，即为低阈值K1，条件为：
1)检测相邻亮度值的像素数量大小，有变化，就产生一个有效的波峰、波谷；
2)波峰的右侧相邻波谷处的像素数量，比图像平均像素数量小，即低于平均值，称得上是“谷”，否则过滤掉这个波谷和其右侧波峰；
3)从左侧波谷到波峰，再到右侧波谷，累计所占的像素总和，比低于整个画面像素的30％。
步骤4.4：利用相同方法找出像素点最多的直方图，得到双阈值中的高阈值K2，将在[K1,K2] 之内的像素点集称呼之对应像素边缘，所述像素点为边缘像素点。
步骤5：判断步骤4中的边缘像素点的孤立性，将边缘像素点中的伪边缘像素点去除，得到完整的边缘信息。
判断孤立性，得到完整的边缘信息的具体操作为：
设步骤4中的对应像素边缘集为f(z)，若某边缘像素点f(i)周围存在像素边缘集f(z)的元素，则判断为伪边缘，忽略不计；
若某边缘像素点f(i)周围不存在像素边缘集f(z)的元素，则判断为真边缘，当边缘像素灰度>K1&&>K2时，规定此时的边缘像素为强边缘像素点。
步骤6：根据获取的边缘信息进行施工缺陷检判断。
针对上述的基于图像识别的电缆中间接头施工缺陷检测方法，对应的基于图像识别的电缆中间接头施工缺陷检测系统，包括如下结构：
图像采集模块，用于获取电缆中间接头多张图像，其包括多组微距摄像头，其设置于电缆的中间接头处；
无线传输模块，所述拍摄的图像由无线传输模块传输至图像处理系统；
所述图像处理系统包括如下结构：
图像拼接模块，用于对多张拍摄的图像进行拼接后得到完整的电缆主绝缘中间接头图像；
图像预处理模块，用于对电缆主绝缘中间接头图像进行预处理，所述预处理为图像灰度化处理；
图像信息增强模块，用于对灰度化的电缆主绝缘中间接头图像进行图像信息增强；
图像分割模块，用于检测电缆主绝缘中间接头图像的梯度以及方向，根据otsu设置双阈值，并将图像信息分割为边缘像素点与非边缘像素点；
图像孤立性判断模块，用于对所述边缘像素点孤立性判断，将边缘像素点中的伪边缘像素点去除，得到完整的边缘信息；
检测缺陷确认模块，用于根据完整的边缘信息进行施工缺陷检判断。
本发明还公开一种基于图像识别的电缆中间接头施工缺陷检测装置，包括存储器、处理器以及存储在存储器中的计算机程序，所述计算机程序加载至处理器时，执行如上述的基于图像识别的电缆中间接头施工缺陷检测方法。
Claims (9)
1.一种基于图像识别的电缆中间接头施工缺陷检测方法，其特征在于，包括如下步骤：
步骤1：获取电缆中间接头多张图像，并对多张所述图像进行拼接后得到完整的电缆主绝缘中间接头图像；
步骤2：对电缆主绝缘中间接头图像进行预处理得到电缆主绝缘中间接头灰度图像；
步骤3：对经过预处理后的电缆主绝缘中间接头图像进行增强图像信息边缘；结合多种曝光条件的图像恢复细节、解决颜色偏差，并结合图像边缘恢复图像边缘细节；
步骤4：检测步骤3中的电缆主绝缘中间接头图像的梯度以及方向，根据otsu设置双阈值，将图像信息分割为边缘像素点与非边缘像素点；
步骤5：判断步骤4中的边缘像素点的孤立性，将边缘像素点中的伪边缘像素点去除，得到完整的边缘信息；
步骤6：根据获取的边缘信息进行施工缺陷检判断。
2.根据权利要求1所述的基于图像识别的电缆中间接头施工缺陷检测方法，其特征在于，所述步骤1中采用SIFT多特征点匹配的方法对多张电缆图像进行拼接，其具体操作为：
步骤1.1：从待拼接电缆图像的全部特征点中删除无用点，相邻两层图像相减得到高斯差分图像D(x,y,σ)，找出极值点；
步骤1.2：根据电缆特征角点的向量主方向计算电力电缆主绝缘中间接头图像像素的梯度值和幅值，确定图像拼接的特征点方向；所述电缆特征角点的主方向构成一个图像拼接特征，利用直方图统计特征像素对应的梯度和幅值，幅值最高的为主方向，超过峰值80％的方向为辅方向，用一组向量表述出电缆主绝缘中间接头图像特征点的位置、尺度方向，即βs，取一组特征向量β1，计算欧氏距离最近的关键点，匹配关键点，把对应点连成线实现图像之间的拼接。
3.根据权利要求1所述的基于图像识别的电缆中间接头施工缺陷检测方法，其特征在于，所述步骤2中电缆主绝缘图像预处理操作包括：
对电缆主绝缘中间接头图像进行灰度处理，将R,G,B三色的亮度L作为三个灰度图像的灰度值，设二维图像坐标为(i，j),灰度值取：
L(i,j)＝max(R(i,j),G(i,j),B(i,j))。
4.根据权利要求1所述的基于图像识别的电缆中间接头施工缺陷检测方法，其特征在于，所述步骤3中对图像进行增强图像信息边缘的具体操作为：
由步骤2得到电缆主绝缘中间接头灰度图像，利用过滤器修改整体色调属性和图像锐度，再将图像输入联合优化CNN模型，每个图象分R,G,B三维9*9*64的空间图形，输入模型后根据像素点亮度特征分为两层3*3*64的像素图像I1、像素图像I2，再利用神经网络BatchNN筛出干扰像素点，将像素图像I1、像素图像I2空间合并得到强化的边缘图像Ien。
5.根据权利要求1所述的基于图像识别的电缆中间接头施工缺陷检测方法，其特征在于，所述步骤4中的将图像信息分割为边缘像素点与非边缘像素点的具体操作为：
步骤4.1：采用规格为2*2的领域，利用Canny算法计算经过图像信息边缘增加处理后的图像I(x,y)，得到梯度以及方向：
不同阵列的表达式为：
计算水平和垂直方向得差分，即：
θ(i,j)＝actan(Py[i,j]/Px[i,j])
步骤4.2：确定电缆中间接头图像灰度级中每个像素在整幅图像中的个数，利用概率论统计各个像素在图像中的分布概率，统计概率将灰度级进行分类并计算灰度值下前景背景类间概率，统计有效像素点；
步骤4.3：从灰度化图像得到像素直方图，检测出波峰，即背景中呈现最多像素值的位置，遍历波峰序列，得到第一个满足条件的波峰，即为低阈值K1；
步骤4.4：利用相同方法找出像素点最多的直方图，得到双阈值中的高阈值K2，将在[K1,K2]之内的像素点集称呼之对应像素边缘，所述像素点为边缘像素点。
6.根据权利要求5所述的基于图像识别的电缆中间接头施工缺陷检测方法，其特征在于，所述步骤4.3中的条件为：
1)检测相邻亮度值的像素数量大小，有变化，就产生一个有效的波峰、波谷；
2)波峰的右侧相邻波谷处的像素数量，比图像平均像素数量小，即低于平均值，称得上是“谷”，否则过滤掉这个波谷和其右侧波峰；
3)从左侧波谷到波峰，再到右侧波谷，累计所占的像素总和，比低于整个画面像素的30％。
7.根据权利要求1所述的基于图像识别的电缆中间接头施工缺陷检测方法，其特征在于，所述步骤5中判断孤立性，得到完整的边缘信息的具体操作为：
设步骤4中的对应像素边缘集为f(z)，若某边缘像素点f(i)周围存在像素边缘集f(z)的元素，则判断为伪边缘，忽略不计；
若某边缘像素点f(i)周围不存在像素边缘集f(z)的元素，则判断为真边缘，当边缘像素灰度>K1&&>K2时，规定此时的边缘像素为强边缘像素点。
8.一种基于图像识别的电缆中间接头施工缺陷检测系统，其特征在于，包括如下结构：
图像采集模块，用于获取电缆中间接头多张图像，其包括多组微距摄像头，其设置于电缆的中间接头处；
无线传输模块，所述拍摄的图像由无线传输模块传输至图像处理系统；
所述图像处理系统包括如下结构：
图像拼接模块，用于对多张拍摄的图像进行拼接后得到完整的电缆主绝缘中间接头图像；
图像预处理模块，用于对电缆主绝缘中间接头图像进行预处理，所述预处理为图像灰度化处理；
图像信息增强模块，用于对灰度化的电缆主绝缘中间接头图像进行图像信息增强；
图像分割模块，用于检测电缆主绝缘中间接头图像的梯度以及方向，根据otsu设置双阈值，并将图像信息分割为边缘像素点与非边缘像素点；
图像孤立性判断模块，用于对所述边缘像素点孤立性判断，将边缘像素点中的伪边缘像素点去除，得到完整的边缘信息；
检测缺陷确认模块，用于根据完整的边缘信息进行施工缺陷检判断。
上述的图像处理系统采用Cotex-M4内核32位微控制器作为主控、嵌入式实时操作系统、无操作状态下进入休眠状态、LED控制器工作在恒流模式、补光强度不受电池电压影响、单图像传感器分辨率可达1600x1200，图像传感器支持伽玛曲线、白平衡、饱和度、色度等自动和手动调节、2.4G点对点无线传输、装置外壳采用全铝结构，重量轻，结构强度大。
9.一种基于图像识别的电缆中间接头施工缺陷检测装置，包括存储器、处理器以及存储在存储器中的计算机程序，其特征在于，所述计算机程序加载至处理器时，执行如权利要求1至7任一所述的基于图像识别的电缆中间接头施工缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111569899.5A CN114445331A (zh) | 2021-12-21 | 2021-12-21 | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111569899.5A CN114445331A (zh) | 2021-12-21 | 2021-12-21 | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114445331A true CN114445331A (zh) | 2022-05-06 |
Family
ID=81364373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111569899.5A Pending CN114445331A (zh) | 2021-12-21 | 2021-12-21 | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114445331A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100202A (zh) * | 2022-08-25 | 2022-09-23 | 聊城市宏伟电器有限公司 | 一种基于图像处理的电缆质量检测方法 |
| CN116363140A (zh) * | 2023-06-02 | 2023-06-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 |
| CN117351021A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市南谷第电子有限公司 | 一种光伏连接线生产质量智能检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
| CN106023204A (zh) * | 2016-05-20 | 2016-10-12 | 陕西师范大学 | 一种基于边缘检测算法去除蚊式噪声的方法及系统 |
| CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
| CN108961288A (zh) * | 2018-07-10 | 2018-12-07 | 中国铁路上海局集团有限公司科学技术研究所 | 一种轨腰塞钉销及引线检测图像智能识别方法 |
| 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 |
| CN112304960A (zh) * | 2020-12-30 | 2021-02-02 | 中国人民解放军国防科技大学 | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 |
| CN113537093A (zh) * | 2021-07-22 | 2021-10-22 | 成都圭目机器人有限公司 | 一种道面图像波浪拥包的轮廓线提取方法 |
-
2021
- 2021-12-21 CN CN202111569899.5A patent/CN114445331A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447530A (zh) * | 2016-01-05 | 2016-03-30 | 国网四川省电力公司检修公司 | 基于图像识别技术的输电线路隐患及故障检测方法 |
| CN106023204A (zh) * | 2016-05-20 | 2016-10-12 | 陕西师范大学 | 一种基于边缘检测算法去除蚊式噪声的方法及系统 |
| CN108169236A (zh) * | 2016-12-07 | 2018-06-15 | 广州映博智能科技有限公司 | 一种基于视觉的金属表面缺陷检测方法 |
| CN108961288A (zh) * | 2018-07-10 | 2018-12-07 | 中国铁路上海局集团有限公司科学技术研究所 | 一种轨腰塞钉销及引线检测图像智能识别方法 |
| 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 |
| CN112304960A (zh) * | 2020-12-30 | 2021-02-02 | 中国人民解放军国防科技大学 | 一种基于深度学习的高分辨率图像物体表面缺陷检测方法 |
| CN113537093A (zh) * | 2021-07-22 | 2021-10-22 | 成都圭目机器人有限公司 | 一种道面图像波浪拥包的轮廓线提取方法 |
Non-Patent Citations (5)
| Title |
|---|
| 张志强等: ""应用Otsu改进Canny算子的图像边缘检测方法"", 《计算机与数字工程》, vol. 42, no. 1, 31 January 2014 (2014-01-31) * |
| 张晶晶等: ""计算Canny算子双阈值的新方法"", 《中国粉体技术》, vol. 17, no. 1, 28 February 2011 (2011-02-28) * |
| 待到花开: ""图像检测方法研究"", 《博客园》 * |
| 方春华等: ""基于Canny算法的10 kV电缆主绝缘表面缺陷识别方法"", 《光电子.激光》, vol. 32, no. 11, pages 2 - 4 * |
| 梁肇峻等: ""基于O tsu算法与直方图分析的 自适应Canny算法的改进"", 《现代电子技术》, vol. 42, no. 11, 1 June 2019 (2019-06-01) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100202A (zh) * | 2022-08-25 | 2022-09-23 | 聊城市宏伟电器有限公司 | 一种基于图像处理的电缆质量检测方法 |
| CN116363140A (zh) * | 2023-06-02 | 2023-06-30 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 |
| CN116363140B (zh) * | 2023-06-02 | 2023-08-25 | 山东鲁玻玻璃科技有限公司 | 一种中硼硅玻璃缺陷的检测方法、系统、装置及存储介质 |
| CN117351021A (zh) * | 2023-12-06 | 2024-01-05 | 东莞市南谷第电子有限公司 | 一种光伏连接线生产质量智能检测方法 |
| CN117351021B (zh) * | 2023-12-06 | 2024-03-26 | 东莞市南谷第电子有限公司 | 一种光伏连接线生产质量智能检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104483326B (zh) | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 | |
| CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
| CN114445331A (zh) | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 | |
| CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
| CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
| CN111292321B (zh) | 一种输电线路绝缘子缺陷图像识别方法 | |
| CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
| 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 | |
| CN108416771A (zh) | 一种基于单目相机的金属材料锈蚀面积检测方法 | |
| CN112819094A (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
| CN108665464A (zh) | 一种基于形态学的高压电塔及高压电线的异物检测方法 | |
| CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
| CN112561899A (zh) | 电力巡检图像识别方法 | |
| CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
| CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
| Chen et al. | Robust license plate detection in nighttime scenes using multiple intensity IR-illuminator | |
| CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
| CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
| CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
| CN108665468A (zh) | 一种基于降维灰度纹理-形状矩阵提取直线塔绝缘子串的装置及方法 | |
| CN113744326B (zh) | 一种在ycrcb颜色空间中基于种子区域生长法则的火灾检测方法 | |
| CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
| CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 |
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 |