CN114757949B - 基于计算机视觉的电线电缆缺陷检测方法及系统 - Google Patents
基于计算机视觉的电线电缆缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN114757949B CN114757949B CN202210670755.7A CN202210670755A CN114757949B CN 114757949 B CN114757949 B CN 114757949B CN 202210670755 A CN202210670755 A CN 202210670755A CN 114757949 B CN114757949 B CN 114757949B
- Authority
- CN
- China
- Prior art keywords
- defect area
- suspected defect
- linear transformation
- area
- gray
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 215
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 229920003023 plastic Polymers 0.000 claims description 24
- 239000004033 plastic Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 230000002950 deficient Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 206010000496 acne Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- -1 stains Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及计算机视觉领域,具体涉及一种基于计算机视觉的电线电缆缺陷检测方法及系统,包括:获取电线电缆表面灰度图;利用生长种子点法对灰度图各像素的梯度幅值进行分类,得到所有连通域,进而得到疑似缺陷区域;对疑似缺陷区域的灰度直方图进行均衡化,利用最高峰、最低峰均衡化前后在直方图中相同区域的波谷区间的灰度级数得到线性变换参数a的变化范围;利用疑似缺陷区域和正常区域的平均灰度值确定线性变换参数b的变化范围;利用线性变换中参数a和b的变化范围得到增强后的疑似缺陷区域;对增强后的疑似缺陷区域进行边缘检测,得到缺陷区域。上述方法用于电线电缆缺陷检测,可提高缺陷检测的精度和效率。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种基于计算机视觉的电线电缆缺陷检测方法及系统。
背景技术
电线电缆因其优异的性能被广泛用于生产生活中。电线电缆在出厂生产过程中会出现不良品,比如塑料护套的生产过程中会出现塑化不良、合胶缝不良、有疙瘩、污点、划痕等情况,这些不良品如果未检测出来,被投入工业使用很可能会造成很大的安全隐患。
目前主要是通过人工目测的方式检测电线电缆生产过程中产生的缺陷问题,但是人工目测会有很多的漏测,并且微小瑕疵目测不到,人力成本高而且检测效率低,精度差。因此亟需一种方法用于提高电线电缆缺陷检测的精度和效率。
发明内容
本发明提供一种基于计算机视觉的电线电缆缺陷检测方法及系统,包括:获取电线电缆表面灰度图;利用生长种子点法对灰度图各像素的梯度幅值进行分类,得到所有连通域,进而得到疑似缺陷区域;对疑似缺陷区域的灰度直方图进行均衡化,利用最高峰、最低峰均衡化前后在直方图中相同区域的波谷区间的灰度级数得到线性变换参数a的变化范围;利用疑似缺陷区域和正常区域的平均灰度值确定线性变换参数b的变化范围;利用线性变换中参数a和b的变化范围得到增强后的疑似缺陷区域;对增强后的疑似缺陷区域进行边缘检测,得到缺陷区域,相比于现有技术,本发明基于计算机视觉和图像处理,对电线电缆表面图像进行分析得到疑似缺陷区域,根据疑似缺陷区域的灰度特征得到线性变换的参数范围,进一步根据参数范围对各疑似缺陷区域进行图像增强,利用增强后的疑似缺陷区域得到缺陷区域。本发明利用线性变换,选取合适的a值与b值,不仅可有效缩小线性变换的参数范围,提高变换效率,而且对图像整体增强的同时又不损失图像的边缘信息,可有效提高缺陷识别检测的精度和效率。
为达到上述目的,本发明采用以下技术方案,一种基于计算机视觉的电线电缆缺陷检测方法,包括:
获取待检测的电线电缆塑料护套表面灰度图。
获取灰度图中各像素点的梯度幅值,利用生长种子点法对各像素点的梯度幅值进行分类,得到所有连通域。
将最大连通域作为正常区域,其余连通域为疑似缺陷区域。
对每个疑似缺陷区域的灰度直方图进行均衡化,利用灰度直方图中最高峰、最低峰均衡化前后在直方图中相同区域的波谷区间的灰度级数计算得到每个疑似缺陷区域对应的线性变换函数中参数a的最高阈值和最低阈值。
根据线性变换函数中参数a的最高阈值和最低阈值得到每个疑似缺陷区域对应的线性变换函数中参数a的变化范围。
获取各疑似缺陷区域和正常区域的平均灰度值,利用各疑似缺陷区域和正常区域的平均灰度值确定每个疑似缺陷区域对应的线性变换函数中参数b的变化范围。
利用每个疑似缺陷区域对应的线性变换函数中参数a和b的变化范围对各疑似缺陷区域进行线性变换,得到增强后的疑似缺陷区域。
对增强后的各疑似缺陷区域进行边缘检测,得到各缺陷区域。
进一步的,所述一种基于计算机视觉的电线电缆缺陷检测方法,所述所有连通域是按照如下方式得到:
计算电线电缆塑料护套表面灰度图中各像素点的梯度值,利用梯度值得到灰度图中各像素点的梯度幅值。
将灰度图中梯度幅值最大的像素点作为初始种子点,对初始种子点的八邻域像素点的梯度幅值进行判断:当八邻域像素点的梯度幅值与初始种子点的梯度幅值的差值小于阈值时,将该八邻域像素点与初始种子点相连并作为一个整体,将该整体作为新的种子点。
按照上述步骤对新的种子点的八邻域像素点进行迭代相连,直到更新后的种子点的八邻域像素点与更新后的种子点的梯度幅值的差值均大于等于阈值时,迭代停止,得到第一连通域和剩余像素点。
在剩余像素点中选取梯度幅值最大的像素点作为第二种子点,按照得到第一连通域的方式得到第二连通域,依次得到所有连通域。
进一步的,所述一种基于计算机视觉的电线电缆缺陷检测方法,所述每个疑似缺陷区域对应的线性变换函数中参数a的变化范围是按照如下方式得到:
获取每个疑似缺陷区域的灰度直方图。
对灰度直方图进行均衡化,获取灰度直方图中的最高峰、最低峰均衡化前后在直方图中相同区域的波谷点。
利用灰度直方图中的最高峰均衡化前后在直方图中相同区域的波谷区间的灰度级数计算得到线性变换函数中参数a的最高阈值。
利用灰度直方图中的最低峰均衡化前后在直方图中相同区域的波谷区间的灰度级数计算得到线性变换函数中参数a的最低阈值。
根据线性变换函数中参数a的最高阈值和最低阈值得到每个疑似缺陷区域对应的线性变换函数中参数a的变化范围。
进一步的,所述一种基于计算机视觉的电线电缆缺陷检测方法,所述每个疑似缺陷区域对应的线性变换函数中参数b的变化范围是按照如下方式确定:
获取各疑似缺陷区域和正常区域的平均灰度值。
利用各疑似缺陷区域和正常区域的平均灰度值计算各疑似缺陷区域与正常区域的灰度差异。
根据各疑似缺陷区域与正常区域的灰度差异确定每个疑似缺陷区域对应的线性变换函数中参数b的变化范围。
进一步的,所述一种基于计算机视觉的电线电缆缺陷检测方法,所述增强后的疑似缺陷区域是按照如下方式得到:
将疑似缺陷区域在其对应的参数a的变化范围内以步长为b进行遍历变换,得到线性变换后的灰度直方图。
将线性变换后的灰度直方图中相邻的波峰点和波谷点进行连线,将两点之间的连线作为直线,得到所有直线。
利用每段直线的斜率得到线性变换后的灰度直方图拟合曲线的斜率。
设置阈值,对线性变换后的灰度直方图拟合曲线的斜率进行判断:当线性变换后的灰度直方图拟合曲线的斜率小于阈值时,停止线性变换,得到增强后的疑似缺陷区域。
进一步的,所述一种基于计算机视觉的电线电缆缺陷检测方法,所述各缺陷区域是按照如下方式得到:
对增强后的各疑似缺陷区域进行边缘检测,得到各疑似缺陷区域的边缘。
对各疑似缺陷区域的边缘进行判断:当疑似缺陷区域的边缘为明显且完整的缺陷边缘时,该疑似缺陷区域确定为缺陷区域。
进一步的,所述一种基于计算机视觉的电线电缆缺陷检测方法,所述待检测的电线电缆塑料护套表面灰度图是按照如下方式获取:
采集待检测的电线电缆塑料护套表面图像。
对表面图像进行去噪处理,得到去噪后的表面图像。
对去噪后的表面图像进行灰度化处理,获取待检测的电线电缆塑料护套表面灰度图。
本发明还提供一种基于计算机视觉的电线电缆缺陷检测系统,包括采集单元、处理单元、计算单元和控制单元:
所述采集单元,设在传送带轨道的正上方,用于对生产后的电线电缆进行图像采集。
所述处理单元,数据主控器对采集单元采集到的图像进行处理,获取图像中的所有疑似缺陷区域。
所述计算单元,数据主控器根据处理单元获取的疑似缺陷区域的灰度特征,计算得到各疑似缺陷区域对应的线性变换的参数范围,利用参数范围对各疑似缺陷区域进行图像增强,得到所有缺陷区域。
所述控制单元,数据主控器将缺陷区域输入神经网络模型中识别得到各缺陷类型,生产工艺控制器根据缺陷类型对生产工艺进行调节。
本发明的有益效果在于:
本发明基于计算机视觉和图像处理,对电线电缆表面图像进行分析得到疑似缺陷区域,根据疑似缺陷区域的灰度特征得到线性变换的参数范围,进一步根据参数范围对各疑似缺陷区域进行图像增强,利用增强后的疑似缺陷区域得到缺陷区域。本发明利用线性变换,选取合适的a值与b值,不仅可有效缩小线性变换的参数范围,提高变换效率,而且对图像整体增强的同时又不损失图像的边缘信息,可有效提高缺陷识别检测的精度和效率。
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,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地介绍,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他的附图。
图1为本发明实施例1提供的一种电线电缆缺陷检测方法流程示意图;
图2为本发明实施例2提供的一种电线电缆缺陷检测方法流程示意图。
具体实施方式
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。
实施例1
本发明实施例提供一种基于计算机视觉的电线电缆缺陷检测方法,如图1所示,包括:
S101、获取待检测的电线电缆塑料护套表面灰度图。
其中,灰度图,又称灰阶图。把白色与黑色之间按对数关系分为若干等级,称为灰度。灰度分为256阶。
S102、获取灰度图中各像素点的梯度幅值,利用生长种子点法对各像素点的梯度幅值进行分类,得到所有连通域。
其中,生长种子点法又叫区域生长,是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始,从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。
S103、将最大连通域作为正常区域,其余连通域为疑似缺陷区域。
其中,正常区域为面积最大的连通域。
S104、对每个疑似缺陷区域的灰度直方图进行均衡化,利用灰度直方图中最高峰、最低峰均衡化前后在直方图中相同区域的波谷区间的灰度级数计算得到每个疑似缺陷区域对应的线性变换函数中参数a的最高阈值和最低阈值。
其中,直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。
S105、根据线性变换函数中参数a的最高阈值和最低阈值得到每个疑似缺陷区域对应的线性变换函数中参数a的变化范围。
其中,线性变换是图像增强的一种方式。
S106、获取各疑似缺陷区域和正常区域的平均灰度值,利用各疑似缺陷区域和正常区域的平均灰度值确定每个疑似缺陷区域对应的线性变换函数中参数b的变化范围。
其中,利用各疑似缺陷区域和正常区域的平均灰度值的差值确定参数b的变化范围。
S107、利用每个疑似缺陷区域对应的线性变换函数中参数a和b的变化范围对各疑似缺陷区域进行线性变换,得到增强后的疑似缺陷区域。
其中,通过计算每次变换后的灰度直方图的拟合曲线斜率判断是否需要停止变换。
S108、对增强后的各疑似缺陷区域进行边缘检测,得到各缺陷区域。
其中,根据各疑似缺陷区域的边缘细节确定出缺陷区域。
本实施例的有益效果在于:
本实施例基于计算机视觉和图像处理,对电线电缆表面图像进行分析得到疑似缺陷区域,根据疑似缺陷区域的灰度特征得到线性变换的参数范围,进一步根据参数范围对各疑似缺陷区域进行图像增强,利用增强后的疑似缺陷区域得到缺陷区域。本实施例利用线性变换,选取合适的a值与b值,不仅可有效缩小线性变换的参数范围,提高变换效率,而且对图像整体增强的同时又不损失图像的边缘信息,可有效提高缺陷识别检测的精度和效率。
实施例2
本实施例的主要目的是:利用图像处理技术对电线电缆塑料护套生产过程中塑料护套表面的缺陷进行检测和分析,并自动调整机器,或发出预警信号。从而达到节省人力成本,提高检测效率和精度的目标。
针对电线电缆生产过程中,在塑料护套塑化环节出现塑化不良的问题,主要表现为塑料护套表面有蛤蟆皮的纹理、裂纹、小颗粒、污点以及合胶缝等明显痕迹。本实施例主要用于检测这些缺陷,并对机器及时做出调整。
本发明实施例提供一种基于计算机视觉的电线电缆缺陷检测方法,如图2所示,包括:
S201、采集电线电缆塑料护套表面图像,并转换为灰度图像。
将传送带上包裹了塑料护套的导线,从正上方向下拍摄获得塑料护套的图像,获取该段塑料护套的表面图像。对图像进行高斯滤波降噪处理,获得更加细致的图像,有利于我们后续检测微小的细纹等。根据灰度图像的特征,缺陷区域在灰度图上主要表现出的效果是灰度上的差异,因此我们将图像转化为灰度图。将滤波后的图像转换为灰度图像,对图像进行灰度变换采用加权平均法。
对于塑料护套的缺陷多种多样,有的缺陷程度较大,通过在灰度图像上进行边缘检测就可以获得其特征,并顺利的判断出具体是何种缺陷,进而分析需要如何排除这种缺陷等。但是对于一些微小的缺陷,如合胶缝不良,可能存在一条十分不明显的痕迹,再比如可能有难以塑化的树脂颗粒,在塑料层上突起的不够明显等。这些缺陷在基础的灰度图上较难检测出来,或者说较难判断出是何种缺陷,从而不知道如何调整机器。因此我们需要对图像进行增强,对增强后的图像再进行边缘检测,这样检测的结果会更加的清晰。
S202、获取可能缺陷区域。
塑料护套的图像,经图像灰度变化后,有缺陷的区域与无缺陷区域相比较,总是存在一定的灰度差别,因此我们可以根据梯度来获取缺陷区域。
选取图像中梯度幅值最大的一点作为种子点,对该种子点的八邻域进行扫描,选取该种子点八邻域中梯度幅值满足要求的点与该种子点相连通,与种子点相连通的八邻域点需要满足的要求为T:
将相连通的点作为一个新的整体,以这个新的整体作为种子点,继续搜索其八邻域,依然将其八邻域中满足要求T的点与种子点相连通,构成一个新的整体。依次搜索下去,直到种子点的八邻域不存在梯度幅值满足要求T的点时,说明第一个连通域已搜索完毕。
再从剩下的像素点中选取一个梯度幅值最大的点,对其重复上述步骤,获取新的连通域,最终得到若干个连通域。由于无缺陷区域的点梯度幅值差异非常小,因此无缺陷区域的所有点构成的一个最大的连通域是缺陷区域的可能性非常小,因此将最大连通域内的像素点值设为0,其余连通域作为可能缺陷区域。
S203、对可能缺陷区域进行图像增强。
对于常用的图像增强方法中,分段线性增强更适用于对图像中的多个部分各自增强突出图像的细节,但损失了图像整体的对比度。直方图均衡化会对图像中的边缘造成损失,导致马赛克情况,二者均不利于对图像的整体与边缘都兼顾的增强。因此我们选用线性变换,选取合适的a值与b值,对图像整体增强的同时又不损失图像的边缘信息。
具体过程为:
1. 选取合适的a值变化范围。
获取其中一个可能缺陷区域的灰度直方图与无缺陷区域的灰度直方图,图像呈现多峰状态,说明图像的对比度很小,不能够检测出微小的瑕疵与缺陷,当图像的直方图较平滑和均匀时,图像的对比度会变大,方便检测缺陷,因此通过直方图多峰这一特征来选取合适的a值范围。
由于波峰的高度有差异,计算最高峰均衡化前后的a值作为高阈值,计算最低峰均衡化前后的a值作为低阈值,在高低阈值范围之间遍历a值变换图像,以此增加效率并获得最优的参数a。
由于不同的波峰被均衡化的程度各不相同,因此选取最大a值和最小a值作为阈值。
2. 选取合适的b值。
基于图像采集过程中存在的光照、背景颜色等的影响,我们还需要对图像的明暗差异程度进行变换,突出缺陷区域与正常区域的明暗差异以更好地进行观测。
当Q值趋近于1时,说明二者的差异程度越小,因此我们需要变换b值使得Q值趋近于0。
对可能缺陷区域内的像素点灰度以b步长进行灰度增长。b的值根据Q值确定,当Q趋近于1时,将b的取值取大一点,建议为4,当Q值接近0时,将b的取值取小一点,建议为1或2。按照此方法对可能缺陷区域与无缺陷区域的明暗差异进行增强,使得图像的明暗差异程度Q更接近于0时,说明此时的图像明暗程度更符合人眼或机器观测。
3. 对每个可能缺陷区域在a,b范围内进行变换。
根据上述步骤获取到a,b的取值范围,将每个可能缺陷区域图像首先在a的范围区间内以步长为1进行遍历变换,获得变换后的灰度直方图。
式中,为变换后的直方图拟合曲线的斜率,为直线的条数,为第q条直线对应的波峰点,为第q条直线对应的波谷点,为第q条直线对应的波峰点、波谷点在直方图的纵坐标,为第q条直线对应的波峰点、波谷点在直方图的横坐标。
当确定a值后,对图像的明暗程度进行变化,当明暗差异程度更趋近于0时,对图像的变换全部完成。
S204、对增强后的图像进行边缘检测。
上述步骤分别获取了可能缺陷区域的范围以及对可能缺陷区域进行了图像增强,增强后的图像特征明显,对可能缺陷区域进行边缘检测,能够很好的检测出可能缺陷区域的边缘特征以及细节等情况。
对于存在明显的且形成某种缺陷形状的边缘时,比如凸包、凹坑、污渍等情况时认为该可能缺陷区域为确定缺陷区域,当对增强后的可能缺陷区域进行边缘检测时,只能检测出很少边缘,且边缘无法构成任何缺陷形状时,认为该可能缺陷区域为正常区域,将其排除。
S205、依据边缘检测结果,发出相应预警或做出调整。
使用神经网络训练检测装置,当输入检测出来的缺陷区域时,机器能够识别出缺陷并判断是何种原因造成这个缺陷,从而对机器进行调整或警告操作员。
本实施例的有益效果在于:
本实施例基于计算机视觉和图像处理,对电线电缆表面图像进行分析得到疑似缺陷区域,根据疑似缺陷区域的灰度特征得到线性变换的参数范围,进一步根据参数范围对各疑似缺陷区域进行图像增强,利用增强后的疑似缺陷区域得到缺陷区域。本实施例利用线性变换,选取合适的a值与b值,不仅可有效缩小线性变换的参数范围,提高变换效率,而且对图像整体增强的同时又不损失图像的边缘信息,可有效提高缺陷识别检测的精度和效率。
基于与上述方法相同的发明构思,本实施例还提供了一种基于计算机视觉的电线电缆缺陷检测系统。本实施例中一种基于计算机视觉的电线电缆缺陷检测系统包括采集单元、处理单元、计算单元和控制单元,所述采集单元、处理单元、计算单元和控制单元,以实现如一种基于计算机视觉的电线电缆缺陷检测方法的实施例中所描述的对采集到的电线电缆表面图像进行处理,获取图像中的所有疑似缺陷区域;进一步的根据获取的疑似缺陷区域的灰度特征,计算得到各疑似缺陷区域对应的线性变换的参数范围,进而利用参数范围对各疑似缺陷区域进行图像增强,得到所有缺陷区域;将缺陷区域输入神经网络模型中识别得到各缺陷类型,根据缺陷类型对生产工艺进行调节。
以上所述仅为本发明的较佳实施例而已,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 (8)
1.一种基于计算机视觉的电线电缆缺陷检测方法,其特征在于,包括:
获取待检测的电线电缆塑料护套表面灰度图;
获取灰度图中各像素点的梯度幅值,利用生长种子点法对各像素点的梯度幅值进行分类,得到所有连通域;
将最大连通域作为正常区域,其余连通域为疑似缺陷区域;
对每个疑似缺陷区域的灰度直方图进行均衡化,利用灰度直方图中最高峰、最低峰均衡化前后在直方图中相同区域的波谷区间的灰度级数计算得到每个疑似缺陷区域对应的线性变换函数中参数a的最高阈值和最低阈值;
根据线性变换函数中参数a的最高阈值和最低阈值得到每个疑似缺陷区域对应的线性变换函数中参数a的变化范围;
获取各疑似缺陷区域和正常区域的平均灰度值,利用各疑似缺陷区域和正常区域的平均灰度值确定每个疑似缺陷区域对应的线性变换函数中参数b的变化范围;
利用每个疑似缺陷区域对应的线性变换函数中参数a和b的变化范围对各疑似缺陷区域进行线性变换,得到增强后的疑似缺陷区域;
所述对各疑似缺陷区域进行线性变换所使用的线性变换函数为:
其中参数a影响各疑似缺陷区域的对比度,参数b影响各疑似缺陷区域的亮度;
对增强后的各疑似缺陷区域进行边缘检测,得到各缺陷区域。
2.根据权利要求1所述的一种基于计算机视觉的电线电缆缺陷检测方法,其特征在于,所述所有连通域是按照如下方式得到:
计算电线电缆塑料护套表面灰度图中各像素点的梯度值,利用梯度值得到灰度图中各像素点的梯度幅值;
将灰度图中梯度幅值最大的像素点作为初始种子点,对初始种子点的八邻域像素点的梯度幅值进行判断:当八邻域像素点的梯度幅值与初始种子点的梯度幅值的差值小于阈值时,将该八邻域像素点与初始种子点相连并作为一个整体,将该整体作为新的种子点;
按照得到新的种子点的方式对新的种子点的八邻域像素点进行迭代相连,直到更新后的种子点的八邻域像素点与更新后的种子点的梯度幅值的差值均大于等于阈值时,迭代停止,得到第一连通域和剩余像素点;
在剩余像素点中选取梯度幅值最大的像素点作为第二种子点,按照得到第一连通域的方式得到第二连通域,依次得到所有连通域。
3.根据权利要求1所述的一种基于计算机视觉的电线电缆缺陷检测方法,其特征在于,所述每个疑似缺陷区域对应的线性变换函数中参数a的变化范围是按照如下方式得到:
获取每个疑似缺陷区域的灰度直方图;
对灰度直方图进行均衡化,获取灰度直方图中的最高峰、最低峰均衡化前后在直方图中相同区域的波谷点;
利用灰度直方图中的最高峰均衡化前后在直方图中相同区域的波谷区间的灰度级数计算得到线性变换函数中参数a的最高阈值;
利用灰度直方图中的最低峰均衡化前后在直方图中相同区域的波谷区间的灰度级数计算得到线性变换函数中参数a的最低阈值;
根据线性变换函数中参数a的最高阈值和最低阈值得到每个疑似缺陷区域对应的线性变换函数中参数a的变化范围。
4.根据权利要求1所述的一种基于计算机视觉的电线电缆缺陷检测方法,其特征在于,所述每个疑似缺陷区域对应的线性变换函数中参数b的变化范围是按照如下方式确定:
获取各疑似缺陷区域和正常区域的平均灰度值;
利用各疑似缺陷区域和正常区域的平均灰度值计算各疑似缺陷区域与正常区域的灰度差异;
根据各疑似缺陷区域与正常区域的灰度差异确定每个疑似缺陷区域对应的线性变换函数中参数b的变化范围。
5.根据权利要求1所述的一种基于计算机视觉的电线电缆缺陷检测方法,其特征在于,所述增强后的疑似缺陷区域是按照如下方式得到:
将疑似缺陷区域在其对应的参数a的变化范围内以步长为b进行遍历变换,得到线性变换后的灰度直方图;
将线性变换后的灰度直方图中相邻的波峰点和波谷点进行连线,将两点之间的连线作为直线,得到所有直线;
利用每段直线的斜率得到线性变换后的灰度直方图拟合曲线的斜率;
设置阈值,对线性变换后的灰度直方图拟合曲线的斜率进行判断:当线性变换后的灰度直方图拟合曲线的斜率小于阈值时,停止线性变换,得到增强后的疑似缺陷区域。
6.根据权利要求1所述的一种基于计算机视觉的电线电缆缺陷检测方法,其特征在于,所述各缺陷区域是按照如下方式得到:
对增强后的各疑似缺陷区域进行边缘检测,得到各疑似缺陷区域的边缘;
对各疑似缺陷区域的边缘进行判断:当疑似缺陷区域的边缘为明显且完整的缺陷边缘时,该疑似缺陷区域确定为缺陷区域。
7.根据权利要求1所述的一种基于计算机视觉的电线电缆缺陷检测方法,其特征在于,所述待检测的电线电缆塑料护套表面灰度图是按照如下方式获取:
采集待检测的电线电缆塑料护套表面图像;
对表面图像进行去噪处理,得到去噪后的表面图像;
对去噪后的表面图像进行灰度化处理,获取待检测的电线电缆塑料护套表面灰度图。
8.一种基于计算机视觉的电线电缆缺陷检测系统,其特征在于,包括采集单元、处理单元、计算单元和控制单元:
所述采集单元,设在传送带轨道的正上方,用于对生产后的电线电缆进行图像采集;
所述处理单元,用于对采集单元采集到的图像进行处理,获取图像中的所有疑似缺陷区域;
所述计算单元,用于根据处理单元获取的疑似缺陷区域的灰度特征,计算得到各疑似缺陷区域对应的线性变换的参数范围,利用参数范围对各疑似缺陷区域进行图像增强,得到所有缺陷区域;
所述对各疑似缺陷区域进行图像增强所使用的线性变换函数为:
其中参数a影响各疑似缺陷区域的对比度,参数b影响各疑似缺陷区域的亮度;
所述控制单元,用于将缺陷区域输入神经网络模型中识别得到各缺陷类型,生产工艺控制器根据缺陷类型对生产工艺进行调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210670755.7A CN114757949B (zh) | 2022-06-15 | 2022-06-15 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210670755.7A CN114757949B (zh) | 2022-06-15 | 2022-06-15 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757949A CN114757949A (zh) | 2022-07-15 |
CN114757949B true CN114757949B (zh) | 2022-09-27 |
Family
ID=82336101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210670755.7A Active CN114757949B (zh) | 2022-06-15 | 2022-06-15 | 基于计算机视觉的电线电缆缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757949B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998313B (zh) * | 2022-07-18 | 2022-10-21 | 山东海鑫达石油机械有限公司 | 基于视觉定位的流体输送管管口毛刺识别定位方法 |
CN115082429B (zh) * | 2022-07-20 | 2022-11-04 | 山东马勒铝业科技有限公司 | 一种基于图像处理的铝棒缺陷检测方法 |
CN115115613B (zh) * | 2022-07-26 | 2023-04-07 | 南通博莹机械铸造有限公司 | 基于机器视觉的喷漆缺陷检测方法及系统 |
CN115115612B (zh) * | 2022-07-26 | 2022-11-04 | 山东安德机械科技有限公司 | 一种用于机械配件的表面缺陷检测方法及系统 |
CN114972348B (zh) * | 2022-08-01 | 2022-09-30 | 山东尚雅建材有限公司 | 一种基于图像处理的美缝效果检测方法 |
CN114998333B (zh) * | 2022-08-02 | 2022-10-25 | 山东第一医科大学(山东省医学科学院) | 一种光源特性的计算机视觉检测方法及系统 |
CN115035122B (zh) * | 2022-08-12 | 2022-11-11 | 宁波鑫芯微电子科技有限公司 | 基于人工智能的集成电路晶圆表面缺陷检测方法 |
CN115049647B (zh) * | 2022-08-12 | 2023-11-17 | 百益信科技(深圳)有限公司 | 基于bv电缆的用户端数据反馈方法及系统 |
CN115049672B (zh) * | 2022-08-17 | 2022-11-25 | 南通源钰新材料科技有限公司 | 基于计算机视觉的金属铝表面磷化膜缺陷的检测方法 |
CN115082482B (zh) * | 2022-08-23 | 2022-11-22 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
CN115100198B (zh) * | 2022-08-24 | 2022-12-13 | 江苏思锐装备科技有限公司 | 基于除油效果评估的二次除油强度控制方法及系统 |
CN115100202B (zh) * | 2022-08-25 | 2022-11-11 | 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 |
CN115100608B (zh) * | 2022-08-25 | 2022-11-11 | 南通佰瑞利电动工具有限公司 | 电钻外壳玻纤外露识别方法及系统 |
CN115131358B (zh) * | 2022-09-01 | 2022-11-25 | 南通永安纺织有限公司 | 一种被套缝线缺陷识别方法 |
CN115239735B (zh) * | 2022-09-23 | 2022-12-27 | 探长信息技术(苏州)有限公司 | 基于计算机视觉的通信柜表面缺陷检测方法 |
CN115272321B (zh) * | 2022-09-28 | 2023-01-10 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
CN115311176B (zh) * | 2022-10-12 | 2023-03-07 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115311283B (zh) * | 2022-10-12 | 2023-01-24 | 山东鲁玻玻璃科技有限公司 | 一种玻璃拉管缺陷检测方法及系统 |
CN115345885B (zh) * | 2022-10-19 | 2023-12-19 | 南通鹏宝运动用品有限公司 | 一种金属健身器材外观质量检测方法 |
CN115984356B (zh) * | 2023-03-20 | 2023-06-30 | 广东电网有限责任公司江门供电局 | 一种基于图像的导线压接间距测量方法及系统 |
CN116823730B (zh) * | 2023-06-01 | 2024-04-05 | 上海嘉岩供应链管理股份有限公司 | 一种精密轴承套圈的检测方法 |
CN116664570B (zh) * | 2023-07-31 | 2023-11-14 | 深圳市鹏基精密工业有限公司 | 基于工业视觉的扁形连接器生产缺陷检测方法 |
CN116735612B (zh) * | 2023-08-15 | 2023-11-07 | 山东精亿机械制造有限公司 | 一种精密电子元器件焊接缺陷检测方法 |
CN116823808B (zh) * | 2023-08-23 | 2023-11-17 | 青岛豪迈电缆集团有限公司 | 基于机器视觉的电缆绞线智能检测方法 |
CN116843682B (zh) * | 2023-08-30 | 2023-11-03 | 江苏太湖锅炉股份有限公司 | 利用红外热像仪的锅炉热效率在线检测与分析系统 |
CN116977358B (zh) * | 2023-09-22 | 2023-12-12 | 玖龙智能包装(天津)有限公司 | 一种瓦楞纸生产品质视觉辅助检测方法 |
CN116990323B (zh) * | 2023-09-26 | 2023-12-05 | 睿同科技有限公司 | 一种高精密印刷版视觉检测系统 |
CN117611563B (zh) * | 2023-12-04 | 2024-05-10 | 东莞市隆亨钧精密制造有限公司 | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
CN117455908B (zh) * | 2023-12-22 | 2024-04-09 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895806A (zh) * | 2019-07-25 | 2020-03-20 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及系统 |
CN113751332A (zh) * | 2020-06-03 | 2021-12-07 | 泰连服务有限公司 | 视觉检查系统和检查零件的方法 |
CN113706455B (zh) * | 2021-07-14 | 2024-03-29 | 青海黄河上游水电开发有限责任公司 | 一种330kV电缆瓷瓶套管的破损快速检测方法 |
CN114049489B (zh) * | 2022-01-13 | 2022-04-12 | 山东鹰联光电科技股份有限公司 | 一种光纤电缆护套破裂预警方法 |
CN114419025A (zh) * | 2022-01-27 | 2022-04-29 | 江苏泰和木业有限公司 | 一种基于图像处理的纤维板质量评估方法 |
CN114627118B (zh) * | 2022-05-13 | 2022-07-19 | 江苏裕荣光电科技有限公司 | 一种光纤电缆绝缘缺陷识别方法和系统 |
-
2022
- 2022-06-15 CN CN202210670755.7A patent/CN114757949B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114757949A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114757949B (zh) | 基于计算机视觉的电线电缆缺陷检测方法及系统 | |
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN114359270B (zh) | 基于计算机视觉的汽车发动机油路铜套缺陷检测方法 | |
CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN111862064A (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN111353993A (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN112734720B (zh) | 基于视觉识别的船壳激光清洗在位检测方法及系统 | |
CN114219805A (zh) | 一种玻璃缺陷智能检测方法 | |
CN113070240A (zh) | 一种基于机器视觉和深度学习的铜板表面缺陷检测及自动化分类方法 | |
CN115115642A (zh) | 基于图像处理的带钢结疤缺陷检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116660286A (zh) | 基于图像分割的线束剥头测量与缺陷检测方法及系统 | |
CN112991283A (zh) | 基于超像素的柔性ic基板线宽检测方法、介质和设备 | |
CN113781424A (zh) | 一种表面缺陷检测方法、装置及设备 | |
CN115184380A (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
CN112435235A (zh) | 一种基于图像分析的籽棉含杂率检测方法 | |
CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
JP7469740B2 (ja) | ベルト検査システムおよびベルト検査プログラム | |
CN110390649B (zh) | 一种用于油气管道焊缝图像降噪的方法 | |
CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Detecting Wire and Cable Defects Based on Computer Vision Effective date of registration: 20230317 Granted publication date: 20220927 Pledgee: Bank of Beijing Co.,Ltd. Jinan Branch Pledgor: Jining Haifu Electronic Technology Co.,Ltd. Registration number: Y2023370000054 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |