CN114627118B - 一种光纤电缆绝缘缺陷识别方法和系统 - Google Patents

一种光纤电缆绝缘缺陷识别方法和系统 Download PDF

Info

Publication number
CN114627118B
CN114627118B CN202210516875.1A CN202210516875A CN114627118B CN 114627118 B CN114627118 B CN 114627118B CN 202210516875 A CN202210516875 A CN 202210516875A CN 114627118 B CN114627118 B CN 114627118B
Authority
CN
China
Prior art keywords
connected domain
insulation defect
optical fiber
insulation
fiber cable
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
CN202210516875.1A
Other languages
English (en)
Other versions
CN114627118A (zh
Inventor
潘颖
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.)
Haimen Yulong Photoelectric Technology Co ltd
Original Assignee
Jiangsu Yurong Photoelectric Technology 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 Jiangsu Yurong Photoelectric Technology Co ltd filed Critical Jiangsu Yurong Photoelectric Technology Co ltd
Priority to CN202210516875.1A priority Critical patent/CN114627118B/zh
Publication of CN114627118A publication Critical patent/CN114627118A/zh
Application granted granted Critical
Publication of CN114627118B publication Critical patent/CN114627118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种光纤电缆绝缘缺陷的识别方法。该方法包括：获得光纤电缆灰度图像中的疑似绝缘缺陷连通域；获得疑似绝缘缺陷连通域中像素点的绝缘缺陷第一概率和绝缘缺陷第二概率；绝缘缺陷第一、第二概率的乘积为对应疑似绝缘缺陷连通域出现绝缘缺陷的概率；根据出现绝缘缺陷的概率对疑似绝缘缺陷连通域获得绝缘缺陷连通域的数量；根据有明显绝缘缺陷区域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性。本发明能够避免利用传统阈值分割法对电缆绝缘缺陷识别精度低的问题，且降低背景对识别的影响，提高对光纤电缆绝缘缺陷的识别精度，同时能够使工作人员根据光纤电缆绝缘缺陷严重性确定光纤电缆修复时优先级。

Description

一种光纤电缆绝缘缺陷识别方法和系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种光纤电缆绝缘缺陷识别方法和系统。
背景技术
光纤电缆的外部绝缘层对内部金属材质或其他材质的导线起到保护作用，光纤电缆长期工作在高压、高温下，容易引起物理、化学变化，发展到一定程度会造成外部绝缘层破损出现裂缝，导致光纤电缆漏电，甚至引发火灾造成重大的经济损失和安全事故。
目前国内外对于光纤电缆出现绝缘层破损出现绝缘缺陷检测的常见的方法有：人工巡检法、声音检测方法、相位检测方法和智能巡检机器人等。目前许多先进的技术都在替代人工，使用智能巡检机器人的往往需要与图像处理技术相结合，然而在识别绝缘缺陷的过程由于传统的阈值分割方法对于前景和背景区别明显的图像可以得到好的分割效果，但绝缘层往往是黑色的，在绝缘层产生的裂缝或损伤裂痕往往也是黑色的，前景和背景相近，得到的分割结果往往不理想，导致对于光纤电缆的绝缘缺陷识别并不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种光纤电缆绝缘缺陷的识别方法和系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种光纤电缆绝缘缺陷的识别方法，方法包括：获得光纤电缆色调图像，根据图像的颜色特征获得明显绝缘缺陷连通域的数量；去除光纤电缆色调图像中的明显绝缘缺陷连通域并灰度化获得光纤电缆灰度图像；对光纤电缆灰度图像进行多阈值分割获得不同灰度区域；
获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域；所述条状连通域为疑似裂痕缺陷，所述面状连通域为疑似磨损缺陷；针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围；获得条状和面状连通域中属于最小灰度梯度级范围的像素点数量与各条状和面状连通域像素点总数量的比值，比值较大的为疑似绝缘缺陷连通域；
利用疑似绝缘缺陷连通域中像素点灰度值的方差获得绝缘缺陷第一概率；针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像；根据各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度获得疑似绝缘缺陷连通域的绝缘缺陷第二概率；绝缘缺陷第一、第二概率的乘积为对应疑似绝缘缺陷连通域出现绝缘缺陷的概率；
根据出现绝缘缺陷的概率对疑似绝缘缺陷连通域进行筛选获得绝缘缺陷连通域的数量；根据有明显绝缘缺陷区域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性。
优选地，所述图像的颜色特征为光纤电缆色调图像中色调通道值；若有两种以上色调通道值，则确定光纤电缆出现明显绝缘缺陷。
优选地，所述去除光纤电缆色调图像中的明显绝缘缺陷连通域包括：若光纤电缆色调图像中有明显绝缘缺陷区域，利用掩膜将明显绝缘缺陷连通域的像素点进行遮盖，去除明显绝缘缺陷连通域。
优选地，所述获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域包括：利用八连通域分析获得不同灰度区域的连通域，并使用PCA算法获得连通域的主方向和次方向；通过连通域的主方向和中心点计算获得长轴直线交连通域的边界为两点，两点的欧式距离为连通域的长轴；通过连通域的主方向和中心点计算获得短轴直线交连通域的边界为两点，两点的欧式距离为连通域的短轴；设定长短轴比例阈值，若连通域的短轴和长轴的比例小于长短轴比例阈值，则该连通域为条状连通域；若连通域的短轴和长轴的比例大于长短轴比例阈值，则该连通域为面状连通域。
优选地，在针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围步骤前还包括：获得面状连通域所在的灰度区域的灰度值分段范围，一个灰度值分段范围为一个灰度级；获得面状连通域中不属于面状连通域所在灰度区域的灰度级的像素点的数量与面状连通域中像素点数量的比值，将该比值大于预设阈值的面状连通域剔除。
优选地，所述绝缘缺陷第一概率为：
Figure 112499DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE003
表示疑似绝缘缺陷连通域的绝缘缺陷第一概率；s为疑似绝缘缺陷连通域的像素点的灰度值方差；e为自然常数。
优选地，所述针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像包括：当针对任一疑似绝缘缺陷连通域进行金字塔采样时，对光纤电缆灰度图像中的其他区域利用掩膜进行遮盖；根据光纤电缆灰度图像像素点的行数和列数确定合适的金字塔采样次数；对于遮盖后的光纤电缆灰度图像进行多次采样后获得预定数量的金字塔采样图像。
优选地，所述各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度为：针对疑似绝缘缺陷连通域，获得每次进行金字塔采样时同一疑似绝缘缺陷连通域的像素点灰度值的方差，组成方差序列；根据方差序列的标准差和均值的比值为方差序列的离散系数，用来表征方差序列的离散程度。
优选地，所述根据有明显绝缘缺陷区域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性包括：对光纤电缆灰度图像中有明显绝缘缺陷区域的数量和绝缘缺陷连通域的数量加权求和获得光纤电缆的绝缘缺陷严重性。
第二方面，本发明的另一个实施例提供了一种光纤电缆绝缘缺陷识别系统，该系统包括：不同灰度区域获取模块，用于获得光纤电缆色调图像，根据图像的颜色特征获得明显绝缘缺陷连通域的数量；去除光纤电缆色调图像中的明显绝缘缺陷连通域并灰度化获得光纤电缆灰度图像；对光纤电缆灰度图像进行多阈值分割获得不同灰度区域；
疑似绝缘缺陷连通域获取模块，用于获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域；所述条状连通域为疑似裂痕缺陷，所述面状连通域为疑似磨损缺陷；针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围；获得条状和面状连通域中属于最小灰度梯度级范围的像素点数量与各条状和面状连通域像素点总数量的比值，比值较大的为疑似绝缘缺陷连通域；
绝缘缺陷概率获取模块，用于利用疑似绝缘缺陷连通域中像素点灰度值的方差获得绝缘缺陷第一概率；针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像；根据各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度获得疑似绝缘缺陷连通域的绝缘缺陷第二概率；绝缘缺陷第一、第二概率的乘积为对应疑似绝缘缺陷连通域出现绝缘缺陷的概率；
绝缘缺陷严重性获取模块，用于根据出现绝缘缺陷的概率对疑似绝缘缺陷连通域进行筛选获得绝缘缺陷连通域的数量；根据有明显绝缘缺陷区域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性。
本发明实施例至少具有如下有益效果：由于光纤电缆由于表面绝缘层产生的绝缘缺陷是裂缝或者大范围的面状损伤，获得光纤电缆灰度图像中的不同灰度区域的连通域，将连通域分为条状连通域和面状连通域并对其进行筛选，获得疑似绝缘缺陷连通域；计算这些疑似绝缘缺陷连通域是绝缘缺陷的概率，获得具有绝缘缺陷的连通域的数量，并结合可容易识别出的明显绝缘缺陷区域的数量得到光纤电缆的绝缘缺陷严重性。本发明能够避免利用传统阈值分割法对电缆绝缘缺陷识别精度低的问题，且降低背景对识别的影响，提高对光纤电缆绝缘缺陷的识别精度，同时能够使工作人员根据光纤电缆绝缘缺陷严重性确定光纤电缆修复时优先级。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中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它附图。
图1为一种光纤电缆绝缘缺陷的识别方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种光纤电缆绝缘缺陷的识别方法和系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种光纤电缆绝缘缺陷的识别方法和系统的具体方案。
实施例1
请参阅图1，其示出了本发明一个实施例提供的一种光纤电缆绝缘缺陷的识别方法的步骤流程图，该方法包括以下步骤：
步骤一：获得光纤电缆色调图像，根据图像的颜色特征获得明显绝缘缺陷连通域的数量；去除光纤电缆色调图像中的明显绝缘缺陷连通域并灰度化获得光纤电缆灰度图像；对光纤电缆灰度图像进行多阈值分割获得不同灰度区域。
本实施例需要对光纤电缆进行绝缘缺陷检测，因此需要先采集光纤电缆RGB图像。本发明采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的训练过程具体为：网络训练使用的数据集为俯视采集的光纤电缆RGB图像数据集，光纤电缆的样式为多种多样的。需要分割的像素共分为两类，即数据集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于光纤电缆的标注为1。其中网络的任务是分类，所使用的loss函数为交叉熵损失函数。通过语义分割得到的0和1掩膜图像与原图像相乘，得到的图像中只含有光纤电缆的光纤电缆图像，去除了背景的干扰。
由于光纤电缆表面绝缘层为黑色，而其内保护层或者其中导线是其他颜色，所以当光纤电缆表面绝缘层的损害程度比较严重导致表皮绝缘层破裂楼漏出光纤电缆的内保护层或者导线时，很容易确定光纤电缆图像中的明显绝缘缺陷连通域，具体过程如下：
将光纤电缆图像转为HSV图像，即光纤电缆色调图像，提取色调通道，即H通道的图像，如果H通道的值只有一个，即光纤电缆表面无损坏或损坏的程度较轻尚未完全穿透最外层的黑色绝缘保护层；如果H通道的值有两个或者多个，表明光纤电缆的表面损害程度较重，已经穿透；最外层的黑色绝缘保护层，露出了内保护层或者导线的颜色；获得色调通道值，若色调通道值大于一种时，获得具有除黑色色调之外具有其他色调的连通域，该连通域为明显绝缘缺陷连通域，并标记其像素点的位置；若色调通道值只有一种时，不做处理进行后续操作。
利用掩膜将光纤电缆色调图像中的明显绝缘缺陷连通域的像素点进行遮盖去除，获得去除明显绝缘缺陷连通域的图像并进行灰度化得到光纤电缆灰度图像，若光纤电缆没有明显的绝缘缺陷则不用对光纤电缆灰度图像进行上述操作；利用类间方差最大，类内方差最小的原则进行多阈值分割，得到不同的灰度值分段和其范围，同时获得不同的灰度区域，一个分段内的灰度值范围是同一个灰度级别，同一个灰度级内的灰度值相近。
步骤二：获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域；所述条状连通域为疑似裂痕缺陷，所述面状连通域为疑似磨损缺陷；针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围；获得条状和面状连通域中属于最小灰度梯度级范围的像素点数量与各条状和面状连通域像素点总数量的比值，比值较大的为疑似绝缘缺陷连通域。
对得到的不同灰度区域进行连通域分析，通过八连通域分析，得到不同灰度级的连通域，同时计算连通域的长短轴，具体过程如下：
长短轴计算方法：将连通域的中心点记为M，计算得到连通域的PCA主方向和次方向，通过PCA主方向和连通域中心点M计算得到长轴直线，该长轴直线与连通域边界相交于两点，记为点A和点B，通过计算点A和点B的欧氏距离d，作为连通域长轴；通过连通域中心点和PCA次方向计算得到短轴直线，该直线与连通域边界相较于两点，记为点C和点D，通过计算点C和点D的欧氏距离，作为连通域的短轴。
其中获得连通域主方向和次方向的过程如下：获取连通域中所有像素点的坐标，利用PCA算法获得这些像素点的主成分方向，因为每个像素点的坐标都是2维的，因此可获得2个主成分方向，每个主成分方向都是一个2维的单位向量，每个主成分方向对应一个特征值。
本实施例获取特征值最大的主成分方向，将其称为连通域主方向，获取特征值最小的主成分方向，将其称为连通域次方向。通过连通域主方向、次方向和连通域中心点可以得到连通域的长短轴。
获取连通域的长短轴比例，长短轴比例为连通域短轴和长轴的比值，并设定长短轴比例阈值Z，优选地，本实施设定Z=1/100，将连通域的长短轴比例和长短轴比例阈值相比可以将连通域分为条状连通域和面状连通域：若连通域长短轴比例，即若连通域的短轴和长轴的比例小于长短轴比例阈值，则该连通域为条状连通域，条状连通域的形状更接近于光纤电缆最外层绝缘层出现裂缝的形状；若连通域长短轴比例，即连通域的短轴和长轴的比例大于长短轴比例阈值，则该连通域为面状连通域，面状连通域的形状更接近于光纤电缆最外层绝缘层出现磨损或者其他损坏的形状。
若光纤电缆表面绝缘层出现条状裂缝或者面状磨损的损坏，即条状连通域或者面状连通域内像素点的灰度值相近且灰度梯度变化也小；由于条状连通域长短轴比例较小，光照不易照射进去，其内像素点的灰度值都属于连通域所在的灰度区域的灰度级，而面状连通域由于长短轴比例较大，受到光照影响较大，即其内像素点的灰度值受光照影响较大，若面状连通域内有大量不属于面状连通域所在灰度区域的灰度级的像素点，此面状连通域不是由于光纤电缆发生磨损形成的；统计面状连通域中不属于面状连通域所在灰度区域的灰度级的像素点的数量，计算该部分像素点占面状连通域的所有像素点数量的比值a，预设阈值y=5%，将所有面状连通域中比值a大于y的面状连通域剔除，获得余下的面状连通域。
对于条状连通域和经过筛选获得的面状连通域，若是绝缘缺陷连通域，则其内部像素点的灰度值相近，即像素点的灰度梯度小，因此还需要利用其内部像素点的灰度梯度的大小对其筛选。利用sobel算子获得光纤电缆灰度图像每个像素点的梯度幅值，即每个像素点的灰度梯度，针对每个像素点的灰度梯度进行多阈值分割，获得多个灰度梯度区域及每个灰度梯度区域对应的灰度梯度范围，一个灰度梯度范围为一个灰度梯度级，选择最小的灰度梯度级，记[c，d]；计算条状连通域和面状连通域中的每个像素点梯度值是否在[c，d]范围内，在该范围内的进行标记，最后计算条状连通域和面状连通域中标记像素在对应的条状连通域和面状连通域像素点中的占比，如果占比大于预设阈值90%，将该条状连通域或者面状连通域保留，获得所有符合筛选条件的条状连通域或者面状连通域，记为疑似绝缘缺陷连通域。
步骤三：利用疑似绝缘缺陷连通域中像素点灰度值的方差获得绝缘缺陷第一概率；针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像；根据各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度获得疑似绝缘缺陷连通域的绝缘缺陷第二概率；绝缘缺陷第一、第二概率的乘积为对应疑似绝缘缺陷连通域出现绝缘缺陷的概率。
光纤电缆出现绝缘缺陷区域，即绝缘缺陷连通域内部能够入射的光照少，因此受光照影响小，从而绝缘缺陷连通域内部像素点灰度值相近，且值较小；由于正常的光纤电缆外层的绝缘皮通常是塑料制品，塑料制品在光学性质方面更接近于一个朗伯体，各处的光照反光呈现各向异性，因此摄像头得到的光纤电缆图像中正常无损害的绝缘皮表面的光照情况不尽相同，即灰度值变化较大，通过该性质可以区分绝缘皮正常表面和出现绝缘皮出现绝缘缺陷的区域。
计算疑似绝缘缺陷连通域内像素点灰度值的方差，记为s，方差值越小该疑似绝缘缺陷连通域为绝缘缺陷连通域的概率越大，由各疑似绝缘缺陷连通域的方差s获得绝缘缺陷第一概率：
Figure 872383DEST_PATH_IMAGE004
其中当s越小，p1越大。
对任一疑似绝缘缺陷连通域进行金字塔采样，由于疑似绝缘缺陷连通域像素点灰度值小，因此选择2*2窗口的min pooling，即最小值采样；对于绝缘缺陷连通域来说，绝缘缺陷连通域的像素点的灰度值相近且值较小，因此采样前后同一连通域的方差变化较小。在进行采样时对光纤电缆灰度图像中的其他区域利用掩膜进行遮盖，只留下当前需要进行金字塔采样的任一疑似绝缘缺陷连通域；根据光纤电缆灰度图像像素点的行数和列数确定合适的金字塔采样次数，采样次数记为K；对于遮盖后的光纤电缆灰度图像进行多次采样后获得预定数量的金字塔采样图像，该预定数量为K。
每个疑似绝缘缺陷连通域采样后获得的K张金字塔采样图像，图像中只有一个疑似绝缘缺陷连通域，计算每次采样后的疑似绝缘缺陷连通域的像素点灰度值的方差，按照采样的顺序将K个方差进行排列获得每个疑似绝缘缺陷连通域完成金字塔采样后的方差序列，计算方差的离散系数：
Figure 183278DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示每个疑似绝缘缺陷连通域完成金字塔采样后对应的方差序列的标准差，
Figure 391537DEST_PATH_IMAGE008
表示每个疑似绝缘缺陷连通域完成金字塔采样后对应的方差序列均值，该离散系数表征方差序列的离散程度。
根据每个疑似绝缘缺陷连通域对应的离散系数获得每个疑似绝缘缺陷连通域对应的绝缘缺陷第二概率：
Figure DEST_PATH_IMAGE009
)
设疑似绝缘缺陷连通域是出现绝缘缺陷，即为绝缘缺陷连通域的概率为P，则P具体为：
Figure DEST_PATH_IMAGE011
步骤四：根据出现绝缘缺陷的概率对疑似绝缘缺陷连通域进行筛选获得绝缘缺陷连通域的数量；根据有明显绝缘缺陷区域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性。
设定疑似绝缘缺陷连通域出现绝缘缺陷的概率阈值E=90%，若疑似连通域出现绝缘缺陷的P大于概率阈值E，则认为该疑似绝缘缺陷连通域为绝缘缺陷连通域。将明显绝缘缺陷连通域和绝缘缺陷连通域的像素点都标记出来获得光纤电缆出现绝缘缺陷的位置，同时统计明显绝缘缺陷连通域的数量m和绝缘缺陷连通域的数量n；明显绝缘缺陷连通域和绝缘缺陷连通域的都出现了不同程度的绝缘缺陷，但明显绝缘缺陷连通域的绝缘缺陷更为严重；根据明显绝缘缺陷连通域的数量m和绝缘缺陷连通域的数量n获得光纤电缆的绝缘缺陷严重性Y：
Figure DEST_PATH_IMAGE013
其中，w1表示明显绝缘缺陷连通域的数量m的权重，优选地，w1为0.7；w2表示绝缘缺陷连通域的数量n的权重，优选地， w2和 0.3。光纤电缆的绝缘缺陷严重性Y可以作为参考信息，供检测人员确定修复优先级，进而对出现绝缘缺陷的光纤电缆进行修复。
综上所述，优选地，计算连通域的长短轴之前还包括以下优化步骤：去掉连通域中像素点数量较少的边缘部分的影响，连通域中间部分的像素点较多，该部分连通域是绝缘缺陷连通域的概率较大，而连通域边缘处左上角、左下角、右上角和右下角部分虽然和连通域中间部分属于同一连通域，但边缘处的像素点量过少，有较大概率属于干扰像素点，是绝缘缺陷连通域的概率较小。
实施例2
本实施例提供了一种光纤电缆绝缘缺陷的识别系统实施例，该系统包括：不同灰度区域获取模块，用于获得光纤电缆色调图像，根据图像的颜色特征获得明显绝缘缺陷连通域的数量；去除光纤电缆色调图像中的明显绝缘缺陷连通域并灰度化获得光纤电缆灰度图像；对光纤电缆灰度图像进行多阈值分割获得不同灰度区域；
疑似绝缘缺陷连通域获取模块，用于获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域；所述条状连通域为疑似裂痕缺陷，所述面状连通域为疑似磨损缺陷；针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围；获得条状和面状连通域中属于最小灰度梯度级范围的像素点数量与各条状和面状连通域像素点总数量的比值，比值较大的为疑似绝缘缺陷连通域；
绝缘缺陷概率获取模块，用于利用疑似绝缘缺陷连通域中像素点灰度值的方差获得绝缘缺陷第一概率；针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像；根据各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度获得疑似绝缘缺陷连通域的绝缘缺陷第二概率；绝缘缺陷第一、第二概率的乘积为对应疑似绝缘缺陷连通域出现绝缘缺陷的概率；
绝缘缺陷严重性获取模块，用于根据出现绝缘缺陷的概率对疑似绝缘缺陷连通域进行筛选获得绝缘缺陷连通域的数量；根据有明显绝缘缺陷区域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光纤电缆绝缘缺陷的识别方法，其特征在于，该方法包括：获得光纤电缆色调图像，所述光纤电缆色调图像为HSV图像，根据图像的颜色特征获得明显绝缘缺陷连通域的数量；去除光纤电缆色调图像中的明显绝缘缺陷连通域并灰度化获得光纤电缆灰度图像；对光纤电缆灰度图像进行多阈值分割获得不同灰度区域；
获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域；所述条状连通域为疑似裂痕缺陷，所述面状连通域为疑似磨损缺陷；针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围；获得条状和面状连通域中属于最小灰度梯度级范围的像素点数量与各条状和面状连通域像素点总数量的比值，比值较大的为疑似绝缘缺陷连通域；
利用疑似绝缘缺陷连通域中像素点灰度值的方差获得绝缘缺陷第一概率；针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像；根据各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度获得疑似绝缘缺陷连通域的绝缘缺陷第二概率；绝缘缺陷第一、第二概率的乘积为对应疑似绝缘缺陷连通域出现绝缘缺陷的概率；
根据出现绝缘缺陷的概率对疑似绝缘缺陷连通域进行筛选获得绝缘缺陷连通域的数量；根据有明显绝缘缺陷连通域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性。
2.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，所述图像的颜色特征为光纤电缆色调图像中色调通道值；若有两种以上色调通道值，则确定光纤电缆出现明显绝缘缺陷。
3.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，所述去除光纤电缆色调图像中的明显绝缘缺陷连通域包括：若光纤电缆色调图像中有明显绝缘缺陷连通域，利用掩膜将明显绝缘缺陷连通域的像素点进行遮盖，去除明显绝缘缺陷连通域。
4.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，所述获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域包括：利用八连通域分析获得不同灰度区域的连通域，并使用PCA算法获得连通域的主方向和次方向；通过连通域的主方向和中心点计算获得长轴直线交连通域的边界为两点，两点的欧式距离为连通域的长轴；通过连通域的主方向和中心点计算获得短轴直线交连通域的边界为两点，两点的欧式距离为连通域的短轴；设定长短轴比例阈值，若连通域的短轴和长轴的比例小于长短轴比例阈值，则该连通域为条状连通域；若连通域的短轴和长轴的比例大于长短轴比例阈值，则该连通域为面状连通域。
5.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，在针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围步骤前还包括：获得面状连通域所在的灰度区域的灰度值分段范围，一个灰度值分段范围为一个灰度级；获得面状连通域中不属于面状连通域所在灰度区域的灰度级的像素点的数量与面状连通域中像素点数量的比值，将该比值大于预设阈值的面状连通域剔除。
6.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，所述绝缘缺陷第一概率为：
Figure 291470DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示疑似绝缘缺陷连通域的绝缘缺陷第一概率；s为疑似绝缘缺陷连通域的像素点的灰度值方差；e为自然常数。
7.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，所述针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像包括：当针对任一疑似绝缘缺陷连通域进行金字塔采样时，对光纤电缆灰度图像中的其他区域利用掩膜进行遮盖；根据光纤电缆灰度图像像素点的行数和列数确定合适的金字塔采样次数；对于遮盖后的光纤电缆灰度图像进行多次采样后获得预定数量的金字塔采样图像。
8.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，所述各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度为：针对疑似绝缘缺陷连通域，获得每次进行金字塔采样时同一疑似绝缘缺陷连通域的像素点灰度值的方差，组成方差序列；根据方差序列的标准差和均值的比值为方差序列的离散系数，用来表征方差序列的离散程度。
9.根据权利要求1所述的一种光纤电缆绝缘缺陷的识别方法，其特征在于，所述根据有明显绝缘缺陷连通域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性包括：对光纤电缆灰度图像中有明显绝缘缺陷连通域的数量和绝缘缺陷连通域的数量加权求和获得光纤电缆的绝缘缺陷严重性。
10.一种光纤电缆绝缘缺陷识别系统，其特征在于，该系统包括：不同灰度区域获取模块，用于获得光纤电缆色调图像，根据图像的颜色特征获得明显绝缘缺陷连通域的数量；去除光纤电缆色调图像中的明显绝缘缺陷连通域并灰度化获得光纤电缆灰度图像；对光纤电缆灰度图像进行多阈值分割获得不同灰度区域；
疑似绝缘缺陷连通域获取模块，用于获得不同灰度区域的连通域，并根据连通域长短轴比例分为条状连通域和面状连通域；所述条状连通域为疑似裂痕缺陷，所述面状连通域为疑似磨损缺陷；针对光纤电缆灰度图像像素点的灰度梯度进行多阈值分割，根据分割后获得的不同灰度梯度区域获得最小的灰度梯度级范围；获得条状和面状连通域中属于最小灰度梯度级范围的像素点数量与各条状和面状连通域像素点总数量的比值，比值较大的为疑似绝缘缺陷连通域
绝缘缺陷概率获取模块，用于利用疑似绝缘缺陷连通域中像素点灰度值的方差获得绝缘缺陷第一概率；针对各疑似绝缘缺陷连通域进行金字塔下采样获得金字塔采样图像；根据各金字塔采样图像中同一疑似绝缘缺陷连通域中像素点灰度值方差的离散程度获得疑似绝缘缺陷连通域的绝缘缺陷第二概率；绝缘缺陷第一、第二概率的乘积为对应疑似绝缘缺陷连通域出现绝缘缺陷的概率；
绝缘缺陷严重性获取模块，用于根据出现绝缘缺陷的概率对疑似绝缘缺陷连通域进行筛选获得绝缘缺陷连通域的数量；根据有明显绝缘缺陷连通域和绝缘缺陷连通域的数量获得光纤电缆的绝缘缺陷严重性。
CN202210516875.1A 2022-05-13 2022-05-13 一种光纤电缆绝缘缺陷识别方法和系统 Active CN114627118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210516875.1A CN114627118B (zh) 2022-05-13 2022-05-13 一种光纤电缆绝缘缺陷识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210516875.1A CN114627118B (zh) 2022-05-13 2022-05-13 一种光纤电缆绝缘缺陷识别方法和系统

Publications (2)

Publication Number Publication Date
CN114627118A CN114627118A (zh) 2022-06-14
CN114627118B true CN114627118B (zh) 2022-07-19

Family

ID=81906944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210516875.1A Active CN114627118B (zh) 2022-05-13 2022-05-13 一种光纤电缆绝缘缺陷识别方法和系统

Country Status (1)

Country Link
CN (1) CN114627118B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757949B (zh) * 2022-06-15 2022-09-27 济宁市海富电子科技有限公司 基于计算机视觉的电线电缆缺陷检测方法及系统
CN114897906A (zh) * 2022-07-14 2022-08-12 南通华烨塑料工业有限公司 基于计算机视觉的改性塑料外观缺陷控制方法
CN115254674B (zh) * 2022-09-28 2023-01-17 南通思诺船舶科技有限公司 一种轴承缺陷分选方法
CN115330760B (zh) * 2022-10-12 2023-03-28 南通市通州区精华电器有限公司 一种二极管引脚缺陷识别方法
CN115330790B (zh) * 2022-10-13 2022-12-27 启东惜时智能科技有限公司 基于图像的电缆绞线质量检测方法及系统
CN115512252B (zh) * 2022-11-18 2023-02-21 东北电力大学 基于无人机的电网巡检自动化方法及系统
CN116309378B (zh) * 2023-02-24 2024-04-26 杭州珍林网络技术有限公司 一种基于人工智能的电子产品智能检测系统
CN117058130B (zh) * 2023-10-10 2024-01-09 威海威信光纤科技有限公司 一种光纤拉丝表面涂覆质量视觉检测方法
CN117152129B (zh) * 2023-10-27 2024-02-13 智翼博智能科技(苏州)有限公司 一种电池盖板的表面缺陷视觉检测方法及系统
CN117214183B (zh) * 2023-11-07 2024-01-30 山东泗水金立得纸业有限公司 一种基于机器视觉的纸张缺陷检测方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006337162A (ja) * 2005-06-01 2006-12-14 Fujifilm Holdings Corp 光ファイバの欠陥検査方法及び装置
CN111242904A (zh) * 2020-01-03 2020-06-05 广东工业大学 一种光纤端面检测方法和装置
CN111833324A (zh) * 2020-07-09 2020-10-27 中国计量大学 基于深度学习的光纤插芯缺陷检测方法
CN113808138A (zh) * 2021-11-22 2021-12-17 山东鹰联光电科技股份有限公司 一种基于人工智能的电线电缆表面缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006337162A (ja) * 2005-06-01 2006-12-14 Fujifilm Holdings Corp 光ファイバの欠陥検査方法及び装置
CN111242904A (zh) * 2020-01-03 2020-06-05 广东工业大学 一种光纤端面检测方法和装置
CN111833324A (zh) * 2020-07-09 2020-10-27 中国计量大学 基于深度学习的光纤插芯缺陷检测方法
CN113808138A (zh) * 2021-11-22 2021-12-17 山东鹰联光电科技股份有限公司 一种基于人工智能的电线电缆表面缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Cable arrangement in Aircraft;Hong Ying Yang;《Advanced Materials Research》;20131230;第2037-2401页 *
电缆绝缘缺陷与电流谐波成分特性关系分析;郭瑞宙等;《绝缘材料》;20200220(第02期);第106-112页 *

Also Published As

Publication number Publication date
CN114627118A (zh) 2022-06-14

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
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN113658132B (zh) 基于计算机视觉的结构件焊缝检测方法
CN113808138B (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
CN111652857B (zh) 一种绝缘子缺陷红外检测方法
CN106934418B (zh) 一种基于卷积递归网络的绝缘子红外诊断方法
CN114972326A (zh) 热收缩管扩管工艺的次品识别方法
CN107679495B (zh) 一种输电线路周边活动工程车辆的检测方法
CN112435208B (zh) 显著性边缘引导的绝缘子区域检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN109635814B (zh) 基于深度神经网络的森林火灾自动检测方法和装置
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN109523543A (zh) 一种基于边缘距离的导线断股检测方法
CN115100200A (zh) 基于光学手段的光纤缺陷检测方法及系统
CN111046950A (zh) 一种图像处理方法、装置、存储介质和电子装置
CN115170518A (zh) 基于深度学习和机器视觉的细胞检测方法及系统
CN114549407A (zh) 基于x射线图像的耐张线夹压接缺陷程度判断方法
CN115984255A (zh) 一种在线取能可移动智慧防振锤的缺陷识别方法
CN110490261B (zh) 一种输电线路巡检图像绝缘子的定位方法
CN111667473A (zh) 基于改进Canny算法的绝缘子憎水性等级判断方法
CN113962929A (zh) 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线
CN111310899A (zh) 基于共生关系和小样本学习的电力缺陷识别方法
CN114581407B (zh) 一种光伏模块的自适应缺陷检测方法
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
CN114359156A (zh) 基于图像识别的绝缘子掉串故障检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20240131

Address after: 226000 No. 2, Zhonghua East Road, Sanchang street, Haimen City, Nantong City, Jiangsu Province

Patentee after: Haimen Yulong Photoelectric Technology Co.,Ltd.

Country or region after: China

Address before: 226100 No. 49, Xinye Road, Sanchang street, Haimen District, Nantong City, Jiangsu Province

Patentee before: Jiangsu Yurong Photoelectric Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right