CN114842009B - 一种基于灰度游程矩阵的电缆缺陷检测优化方法 - Google Patents
一种基于灰度游程矩阵的电缆缺陷检测优化方法 Download PDFInfo
- Publication number
- CN114842009B CN114842009B CN202210776613.9A CN202210776613A CN114842009B CN 114842009 B CN114842009 B CN 114842009B CN 202210776613 A CN202210776613 A CN 202210776613A CN 114842009 B CN114842009 B CN 114842009B
- Authority
- CN
- China
- Prior art keywords
- roughness
- run
- rough
- image
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000007547 defect Effects 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims description 31
- 230000002950 deficient Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度游程矩阵的电缆缺陷检测优化方法,涉及人工智能领域。包括获取多个区域图像;根据各区域图像中每个像素点及其八邻域内像素点的灰度级计算每个区域图像中各像素点的粗糙系数,进一步得到粗糙系数级图像,获取各区域图像对应灰度游程矩阵;计算各区域图像中每个方向上的粗糙程度;以粗糙程度最大的方向对不小于游程阈值像素点进行标记,得到所有标记区域,对标记区域进行合并得到粗糙区域;对得到的每个粗糙区域进行判断,得到所有的电缆缺陷区域。本发明基于改进的灰度游程矩阵对较弱的不光滑区域的纹理特征进行提取,相对于常规的纹理描述子可以得到更好的提取效果,有效提高缺陷检测的精度。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于灰度游程矩阵的电缆缺陷检测优化方法。
背景技术
在高压电缆的铺设过程中会遇到两条或多条电缆相连接的情况,这时需要安装人员对高压电缆连接处进行开线处理,开线处表面很容易受到损坏,任何程度的损伤都可能在电缆长期工作中发展成为故障点,引发绝缘击穿等危险。
现有技术多是通过纹理描述子对不光滑区域进行提取,但是实际上不光滑区域有些纹理特征往往比较弱,常规的纹理描述子对不光滑区域的提取效果不理想,检测结果不够精确。
发明内容
针对上述技术问题,本发明提供了一种基于灰度游程矩阵的电缆缺陷检测优化方法。
本发明提供了一种基于灰度游程矩阵的电缆缺陷检测优化方法,采用如下技术方案,包括:
获取电缆灰度级图像并进行网格分区,得到多个区域图像;
根据每个区域图像中各像素点的灰度级计算每个区域图像中各像素点的粗糙系数;
利用各像素点的粗糙系数得到各区域图像对应的粗糙度系数图,对得到的粗糙度系数图进行多阈值分割得到粗糙系数级图像;
根据粗糙系数级图像获取各区域图像每个方向上的灰度游程矩阵;
根据粗糙阈值和游程阈值获取各区域图像中疑似缺陷像素点和每个不小于游程阈值的像素点数量;
根据疑似缺陷像素点和每个不小于游程阈值的像素点数量分别计算各区域图像中每个方向上的粗糙程度;
分别对每个区域图像中粗糙程度最大的方向上出现的不小于游程阈值像素点进行标记,得到所有标记区域,对标记区域进行合并得到粗糙区域;
对得到的每个粗糙区域进行判断,得到所有的电缆缺陷区域。
计算每个区域图像中各像素点的粗糙系数的方法为:利用每一个像素点的灰度级与其八邻域像素点的灰度级形成的灰度级点对按照如下表达式计算该像素点的粗糙系数;
具体计算方法如下:
根据各区域图像中疑似缺陷像素点和不小于游程阈值的像素点的数量,计算各区域图像中每个方向上的粗糙程度的方法如下:
式中:表示粗糙程度,表示第个区域图像中方向上的粗糙程度,表示第个区域图像的灰度级数量,表示所有区域图像中灰度级数量最多的区域图像的灰度级数量,为像素点的游程,为游程为的像素点的数量,为不小于游程阈值的像素点的序号,为不小于游程阈值的像素点的数量。
以粗糙程度最大的方向对不小于游程阈值像素点进行标记,得到所有标记区域的过程为:
分别选择每个区域图像各方向中粗糙程度最大粗糙程度为该区域图像的粗糙值,以该粗糙值所对应的方向为确定方向,对该确定方向上出现的不小于游程阈值的像素点进行标记,得到该区域图像的标记区域,根据以上方法得到所有区域图像的标记区域。
对标记区域进行合并得到粗糙区域的方法如下:
对各区域图像的八邻域内的区域图像进行分析,若存在八邻域内区域图像中的标记区域与中心区域图像的标记区域相连,且两个区域图像的粗糙程度属于同一个粗糙度级,将这两个区域图像的标记区域进行合并得到粗糙区域;
其中的粗糙度级是利用多阈值分割得到的不同的粗糙度级。
对得到的每个粗糙区域进行判断,得到所有的电缆缺陷区域的过程如下:
由于合并的标记区域是属于同一个粗糙度级的,将粗糙区域的粗糙度级作为该粗糙区域的粗糙度值,得到所有粗糙区域的粗糙度值,将电缆规定的粗糙度阈值分别与每个粗糙区域的粗糙度值进行对比,对粗糙度值大于粗糙度阈值的粗糙区域判定为电缆缺陷区域,得到所有的电缆缺陷区域。
获取各区域图像中疑似缺陷像素点和不小于游程阈值的数量的方法如下:
获取疑似缺陷像素点的方法:根据像素点的粗糙系数得到每个区域图像中的粗糙系数直方图,利用otsu阈值分割法对粗糙系数直方图进行阈值分割,分别得到每个区域图像的粗糙系数阈值,通过粗糙系数阈值划分疑似缺陷像素和正常像素;
获取不小于游程阈值的数量的方法:根据像素点的游程度得到每个区域图像的游程直方图,通过otsu阈值分割法对游程直方图进行阈值分割,分别得到每个区域图像的游程阈值,通过游程阈值划分游程,分别获取每个不小于游程阈值对应的像素点的数量。
相比于现有技术,本发明实施例的有益效果在于:本发明利用灰度游程矩阵对电缆缺陷检测方法进行优化,利用改进的游程矩阵,能够对较弱的纹理特征进行提取,得到较好的提取效果,提高检测的精确度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于灰度游程矩阵的电缆缺陷检测优化方法的流程示意图。
图2是本发明的一种基于灰度游程矩阵的电缆缺陷检测优化方法的方法流程图。
图3是本发明实施例提供的电缆缺陷示意图。
图4是本发明实施例提供的像素点八邻域点对示意图。
图5是本发明实施例提供的游程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例1
本发明实施例提供了一种基于灰度游程矩阵的电缆缺陷检测优化方法,如图1与图2所示,包括:
S101、获取多个区域图像
采集图像,对采集到的图像进行语义分割去除背景像素得到只含有电缆的图像,得到电缆开线灰度图像,去除背景的干扰;对电缆开线灰度图像进行网格分区处理,得到多个区域图像,网格分区能够在后续过程中精确定位粗糙区域。
S102、计算每个区域图像中各像素点的粗糙系数
通过对像素点的组合得到点对,根据组合的像素点的灰度级计算点对的粗糙系数,侧面反映像素点所在区域的粗糙程度;灰度级相似的点对表示的区域较为平滑,不同灰度级的点对组合所在的区域灰度变化较大,即该区域较为粗糙。
利用像素点的灰度级计算点对的粗糙系数,可以进一步的根据点对的粗糙系数反过来计算像素点的粗糙系数。
对区域图像中各像素点的八邻域内相邻的两两像素点进行组合得到点对,将计算得到的各点对的粗糙系数代入组合得到的点对中,计算八邻域中心像素点的粗糙系数。
按照上述方法,计算出每个区域图像中每个像素点的粗糙系数。
S103、获取粗糙系数阈值
根据像素点的粗糙系数得到每个区域图像中的,利用otsu阈值分割法对粗糙系数直方图进行阈值分割,分别得到每个区域图像的粗糙系数阈值;通过粗糙系数阈值划分疑似缺陷像素和正常像素。
S104、得到各区域图像对应的粗糙系数级图像
通过每个区域图像中所有像素点的粗糙系数得到粗糙度系数图像,对粗糙度系数图像进行多阈值分割将粗糙度系数图像中的粗糙系数分割成不同的粗糙系数级,得到粗糙系数级图像,粗糙系数级图像中的粗糙系数级能够减少计算量,便于计算灰度游程矩阵。
S105、获取粗糙系数级图像的灰度游程矩阵
根据粗糙系数级图像中的粗糙系数级计算四个方向上的灰度游程矩阵,通过灰度游程矩阵对各像素点的粗糙程度进一步分析,能够提取到图像中较弱的纹描述子,提高检测的精确度。
S106、获取游程阈值
根据像素点的游程度得到每个区域图像的游程直方图,通过otsu阈值分割法对游程直方图进行阈值分割,分别得到每个区域图像的游程阈值;通过游程阈值划分不小于游程阈值像素点和小于游程阈值像素点。
S107、计算各区域图像中每个方向上的粗糙程度
根据疑似缺陷像素点和不小于游程阈值像素点的数量以及灰度级的数量,分别计算各区域图像在四个方向上的粗糙程度,将四个方向上的最大粗糙程度作为该区域图像的粗糙值。
S108、得到标记区域并进行合并得到粗糙区域
以各区域的粗糙值的方向为标记方向对不小于游程阈值像素点进行标记,得到每个区域图像中的标记区域,对标记区域进行合并得到粗糙区域,即可能是粗糙区域的区域。
S109、获取所有的电缆缺陷区域
根据电缆规定的粗糙度阈值对所有的粗糙区域进行判断,得到所有的电缆缺陷区域,完成对电缆缺陷检测方法的优化。
实施例2
本发明实施例提供了一种基于灰度游程矩阵的电缆缺陷检测优化方法,如图1与图2所示,具体实施方案包括:
针对常规的特征描述子对打磨不光滑区域的提取效果往往不理想的情况,提出了一种改进的灰度游程矩阵可以对如图所示的较弱的不光滑区域的纹理特征进行提取,得到比常规的纹理描述子更好的提取效果;存在缺陷的电缆缺陷图像如图3所示。
S201、获取多个区域图像
采集图像,对采集到的图像进行语义分割去除背景像素得到只含有电缆的图像,得到电缆开线灰度图像,去除背景的干扰;对电缆开线灰度图像进行网格分区处理,得到多个区域图像,网格分区能够在后续过程中精确定位粗糙区域。
1. 采集电缆的图像
本实施例采用DNN语义分割的方式来识别分割图像中的目标,该DNN网络的相关内容如下:
使用的数据集为俯视采集的电缆图像数据集,电缆的样式为多种多样的;
需要分割的像素共分为两类,即训练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,属于玻璃的标注为1;
网络的任务是分类,所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原图像相乘,得到电缆开线灰度图像,图像中只含有电缆的图像,去除了背景的干扰。
2. 获取多个区域图像
对得到的电缆开线灰度图像根据费歇尔准则,利用最大类间方差、最小类内方差的原则进行多阈值分割,得到不同的灰度级,从而得到电缆开线灰度级图像,其中电缆开线灰度级图像中每个像素点的灰度值为该灰度级中所有像素点的原始灰度均值。该步骤使灰度相近的像素点的灰度值成为同一灰度级,能够减小灰度值相近的灰度对纹理描述造成的影响,得到电缆开线灰度级图像;
对电缆开线灰度级图像进行网格分区,本实施例中将电缆开线灰度级图像上每20*20的像素范围作为一个单元进行分区得到多个区域图像,即多个不同区域的灰度级图像。
S202、计算每个区域图像中各像素点的粗糙系数
对区域图像中各像素点的八邻域内相邻的两两像素点进行组合得到点对,计算八邻域中心像素点的粗糙系数。
用每个像素点的八邻域范围内的像素点对粗糙系数的均值作为每个像素点的粗糙度系数;
获取各像素点的八邻域内像素点,将该像素点分别与其他八个像素点的灰度级进行两两组合,如图4所示,AO,BO,CO,DO,EO,FO,GO和HO的灰度级组合,根据这些组合的灰度级计算该像素点的粗糙系数;
具体计算方法如下:
采用上述方法对每个区域图像中的每个像素点进行遍历,得到每个区域图像中的每个像素点的粗糙系数。
S203、获取粗糙系数阈值
根据像素点的粗糙系数得到每个区域图像中的粗糙系数直方图,利用otsu阈值分割法对粗糙系数直方图进行阈值分割,分别得到每个区域图像的粗糙系数阈值;通过粗糙系数阈值划分疑似缺陷像素和正常像素。
绘制各区域图像中像素点的灰度级—粗糙系数直方图,对灰度级—粗糙系数直方图进行阈值分割,确定出每个区域图像的粗糙系数阈值,otsu阈值分割法为公知技术,这里不做过多解释。根据得到的粗糙系数阈值,划分疑似缺陷像素和正常像素,其中像素即粗糙系数。
S204、得到各区域图像对应的粗糙系数级图像
通过每个区域图像中所有像素点的粗糙系数得到粗糙度系数图像,对粗糙度系数图像进行多阈值分割将粗糙度系数图像中的粗糙系数分割成不同的粗糙系数级,得到粗糙系数级图像,粗糙系数级图像中的粗糙系数级能够减少计算量,便于计算灰度游程矩阵。
根据区域图像中每个像素点的粗糙系数得到粗糙度系数图像,根据费歇尔准则,利用最大类间方差、最小类内方差的原则对粗糙度系数图像中的粗糙系数进行多阈值分割,得到不同的粗糙系数级,同一个粗糙系数级的粗糙系数相近,粗糙系数级用该级粗糙系数内的粗糙系数均值表征,进而得到粗糙系数级图像。
S205、获取粗糙系数级图像的灰度游程矩阵
根据粗糙系数级图像中的粗糙系数级计算四个方向上的灰度游程矩阵,通过灰度游程矩阵对各像素点的粗糙程度进一步分析,能够提取到图像中较弱的纹描述子,提高检测的精确度。
计算粗糙度系数级图像的灰度游程矩阵,计算四个方向,即0°,45°,90°和135°方向的游程矩阵,以计算0°的游程矩阵为例:如图5所示,0°方向即水平方向,由于图5中图像水平方向像素长度最大为3,因此3为最大游程,从最大游程开始计算不同像素的游程矩阵。图 5中左图表示需要计算的图像,图 5中右图表示计算结果。图 5中右图中矩阵的行表示像素值,列表示游程值,在计算游程时,先从最不小于游程阈值开始计算,像素值1的3游程度为0,2游程为0,1游程为2,...。
S206、获取游程阈值
根据像素点的游程度得到每个区域图像的游程直方图,通过otsu阈值分割法对游程直方图进行阈值分割,分别得到每个区域图像的游程阈值;通过游程阈值划分不小于游程阈值和小于游程阈值。
绘制各区域图像中的粗糙系数—游程度直方图,对粗糙系数—粗糙系数直方图进行阈值分割,确定出每个区域图像的游程阈值,otsu阈值分割法为公知技术,这里不做过多解释。根据得到的游程阈值,划分不小于游程阈值和小于游程阈值。
S207、计算各区域图像中每个方向上的粗糙程度
根据高粗糙度和不小于游程阈值像素点的数量以及灰度级的数量,分别计算各区域图像在四个方向上的粗糙程度,将四个方向上的最大粗糙程度作为该区域图像的粗糙度。
获取疑似缺陷像素点的数量,以及分别获取每个不小于游程阈值对应的像素点的数量(例如:本实施例中的游程阈值为5,本实施例中不小于游程阈值的为5,6,7,8;分别获取游程为5的像素点的数量,游程为6的像素点的数量,游程为7的像素点的数量,游程为8的像素点的数量);
计算得到的游程矩阵中,每个元素表示的是不同粗糙度级的像素的游程长度,高灰度级的游程越多,灰度值越大,即像素的粗糙度越大,且长游程越多,则该区域的粗糙程度越大,计算各区域图像中每个方向上的粗糙程度的方法如下:
式中:表示粗糙程度,表示第个区域图像中方向上的粗糙程度,表示第个区域图像的灰度级数量,表示所有区域图像中灰度级数量最多的区域图像的灰度级数量,为像素点的游程,为游程为的像素点的数量,为疑似缺陷像素点的序号,为疑似缺陷像素点的数量。
表示疑似缺陷像素点的不小于游程阈值的数量与游程的乘积之和,为像素点的游程,为游程为的像素点的数量,为疑似缺陷像素点的序号,为疑似缺陷像素点的数量;通过粗糙系数阈值划分疑似缺陷像素点和正常像素点,通过游程阈值对不小于游程阈值和小于游程阈值的游程进行划分。
通过上述方法可以计算得到每个区域图像在不同方向上的粗糙程度,从而可以得到粗糙程度最大的方向,选择最大的粗糙程度作为该区域图像的粗糙值。
S208、得到标记区域并进行合并得到粗糙区域
以各区域图像的粗糙值的方向,即粗糙程度最大的方向为标记方向对不小于游程阈值像素点进行标记,得到每个区域图像中的标记区域,对标记区域进行合并得到粗糙区域,即可能是粗糙区域的区域。
合并的前提:不同区域图像的标记区域相邻且粗糙度相近,即通过多阈值分割的方法计算得到不同粗糙度级,用同一粗糙度级内的粗糙值的均值作为该粗糙度级的表征值。对各区域图像的八邻域内的区域图像进行分析,若存在八邻域内区域图像中的标记区域与中心区域图像的标记区域相连,且两个区域图像的粗糙程度属于同一个粗糙度级,将这两个区域图像的标记区域进行合并得到粗糙区域。
S209、获取所有的电缆缺陷区域
根据电缆规定的粗糙度阈值对所有的粗糙区域进行判断,得到所有的电缆缺陷区域,完成对电缆缺陷检测方法的优化。
将粗糙区域的粗糙度级作为该粗糙区域的粗糙度,得到所有粗糙区域的粗糙度,将电缆规定的粗糙度阈值分别与每个粗糙区域的粗糙度进行对比,对大于粗糙度阈值的粗糙区域判定为电缆缺陷区域,得到所有的电缆缺陷区域。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
上述实施例仅仅是为清楚地说明所做的举例,并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (6)
1.一种基于灰度游程矩阵的电缆缺陷检测优化方法,其特征在于,包括:
获取电缆灰度级图像并进行网格分区,得到多个区域图像;
根据每个区域图像中各像素点的灰度级计算每个区域图像中各像素点的粗糙系数;
利用各像素点的粗糙系数得到各区域图像对应的粗糙度系数图,对得到的粗糙度系数图进行多阈值分割得到粗糙系数级图像;
根据粗糙系数级图像获取各区域图像每个方向上的灰度游程矩阵;
根据粗糙阈值和游程阈值分别获取各区域图像中疑似缺陷像素点和不小于游程阈值每个游程的像素点数量;
根据疑似缺陷像素点和每个不小于游程阈值的像素点数量计算各区域图像中每个方向上的粗糙程度,计算各区域图像中每个方向上的粗糙程度的方法如下:
式中:表示粗糙程度,表示第个区域图像中方向上的粗糙程度,表示第个区域图像的灰度级数量,表示所有区域图像中灰度级数量最多的区域图像的灰度级数量,为像素点的游程,为游程为的像素点的数量,为不小于游程阈值的像素点的序号,为不小于游程阈值的像素点的数量;
分别对每个区域图像中粗糙程度最大的方向上出现的不小于游程阈值像素点进行标记,得到所有标记区域,对标记区域进行合并得到粗糙区域;
对得到的每个粗糙区域进行判断,得到所有的电缆缺陷区域。
3.根据权利要求1所述的一种基于灰度游程矩阵的电缆缺陷检测优化方法,其特征在于,以每个区域图像中粗糙程度最大的方向对不小于游程阈值像素点进行标记,得到所有标记区域的过程为:
分别选择每个区域图像各方向中粗糙程度最大粗糙程度为该区域图像的粗糙值,以该粗糙值所对应的方向为确定方向,对该确定方向上出现的不小于游程阈值的像素点进行标记,得到该区域图像的标记区域,根据以上方法得到所有区域图像的标记区域。
4.根据权利要求1所述的一种基于灰度游程矩阵的电缆缺陷检测优化方法,其特征在于,所述对标记区域进行合并得到粗糙区域的方法如下:
对各区域图像的八邻域内的区域图像进行分析,若存在八邻域内区域图像中的标记区域与中心区域图像的标记区域相连,且两个区域图像的粗糙程度属于同一个粗糙度级,将这两个区域图像的标记区域进行合并得到粗糙区域;
其中的粗糙度级是利用多阈值分割得到的不同的粗糙度级。
5.根据权利要求1所述的一种基于灰度游程矩阵的电缆缺陷检测优化方法,其特征在于,所述对得到的每个粗糙区域进行判断,得到所有的电缆缺陷区域的过程如下:
由于合并的标记区域是属于同一个粗糙度级的,将粗糙区域的粗糙度级作为该粗糙区域的粗糙度值,得到所有粗糙区域的粗糙度值,将电缆规定的粗糙度阈值分别与每个粗糙区域的粗糙度值进行对比,对粗糙度值大于粗糙度阈值的粗糙区域判定为电缆缺陷区域,得到所有的电缆缺陷区域。
6.根据权利要求1所述的一种基于灰度游程矩阵的电缆缺陷检测优化方法,其特征在于,获取各区域图像中疑似缺陷像素点和不小于游程阈值的数量的方法如下:
获取疑似缺陷像素点的方法:根据像素点的粗糙系数得到每个区域图像中的粗糙系数直方图,利用otsu阈值分割法对粗糙系数直方图进行阈值分割,分别得到每个区域图像的粗糙系数阈值,通过粗糙系数阈值划分疑似缺陷像素和正常像素;
获取不小于游程阈值的数量的方法:根据像素点的游程度得到每个区域图像的游程直方图,通过otsu阈值分割法对游程直方图进行阈值分割,分别得到每个区域图像的游程阈值,通过游程阈值划分不小于游程阈值的游程和小于游程阈值的游程,分别获取每个不小于游程阈值的游程对应的像素点的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776613.9A CN114842009B (zh) | 2022-07-04 | 2022-07-04 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210776613.9A CN114842009B (zh) | 2022-07-04 | 2022-07-04 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842009A CN114842009A (zh) | 2022-08-02 |
CN114842009B true CN114842009B (zh) | 2022-09-16 |
Family
ID=82574784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210776613.9A Active CN114842009B (zh) | 2022-07-04 | 2022-07-04 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842009B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973007A (zh) * | 2022-08-03 | 2022-08-30 | 启东市恒瑞电源科技有限公司 | 基于灰度游程矩阵的高压线断落监测方法 |
CN115035114B (zh) * | 2022-08-11 | 2022-11-11 | 高密德隆汽车配件制造有限公司 | 基于图像处理的干草粉碎机状态监测方法 |
CN115049645B (zh) * | 2022-08-12 | 2022-11-04 | 瀚能太阳能(山东)集团有限公司 | 一种太阳能电池板表面缺陷检测方法 |
CN115049736B (zh) * | 2022-08-15 | 2022-10-25 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
CN115100191B (zh) * | 2022-08-22 | 2023-08-01 | 佛山市南海祥汛金属制品有限公司 | 基于工业检测的金属铸件缺陷识别方法 |
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 |
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 |
CN115100201B (zh) * | 2022-08-25 | 2022-11-11 | 淄博齐华制衣有限公司 | 一种阻燃纤维材料的混纺缺陷检测方法 |
CN115100211B (zh) * | 2022-08-29 | 2022-11-18 | 南通电博士自动化设备有限公司 | 一种机器人金属板材表面打磨速度智能调控方法 |
CN115170570B (zh) * | 2022-09-07 | 2022-11-18 | 南通睿谷纺织科技有限公司 | 基于灰度游程矩阵的织物起毛起球检测方法 |
CN115239702B (zh) * | 2022-09-19 | 2024-02-27 | 佛山市官塑科技有限公司 | 一种塑料薄膜缺陷分析处理方法 |
CN115294098B (zh) * | 2022-09-26 | 2022-12-16 | 江苏诺阳家居科技有限公司 | 一种基于x光片的肺部阴影程度评估系统 |
CN115359053B (zh) * | 2022-10-19 | 2023-12-19 | 天津云象科技发展有限公司 | 一种金属板材缺陷智能检测方法及系统 |
CN115797472B (zh) * | 2023-02-03 | 2023-05-12 | 山东百成新材料科技股份有限公司 | 一种改性沥青生产用智能筛分方法 |
CN116823809B (zh) * | 2023-08-23 | 2023-11-24 | 威海迈尼生物科技有限公司 | 一种微针贴片技术淡斑效果视觉检测方法 |
CN117274203B (zh) * | 2023-09-26 | 2024-04-02 | 山东金佳成工程材料有限公司 | 一种环保塑料制品表面质量视觉检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
JP4562126B2 (ja) * | 2004-09-29 | 2010-10-13 | 大日本スクリーン製造株式会社 | 欠陥検出装置および欠陥検出方法 |
CN111951252B (zh) * | 2020-08-17 | 2024-01-23 | 中国科学院苏州生物医学工程技术研究所 | 多时序图像处理方法、电子设备及存储介质 |
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 |
CN114202541B (zh) * | 2022-02-17 | 2022-04-29 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
-
2022
- 2022-07-04 CN CN202210776613.9A patent/CN114842009B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114842009A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842009B (zh) | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN115100221B (zh) | 一种玻璃缺陷分割方法 | |
CN115147414B (zh) | 一种双极型功率晶体管表面击穿缺陷检测方法 | |
CN108711158B (zh) | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN116152231B (zh) | 基于图像处理的润滑油内杂质检测方法 | |
CN111652857B (zh) | 一种绝缘子缺陷红外检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN115115638B (zh) | 一种液压系统漏油检测及判定方法 | |
CN105678760A (zh) | 一种基于Canny边缘检测算法的绝缘子图像识别方法 | |
CN112686264B (zh) | 数字式仪表读数方法、装置、计算机设备和存储介质 | |
CN115049638A (zh) | 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置 | |
CN115032202B (zh) | 一种甜菊糖苷产品的残留杂质去除方法 | |
CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
CN115953383A (zh) | 一种绝缘子异常检测方法 | |
CN116758045A (zh) | 一种半导体发光二极管的表面缺陷检测方法及系统 | |
CN115984255A (zh) | 一种在线取能可移动智慧防振锤的缺陷识别方法 | |
CN112418226B (zh) | 一种鱼眼分合闸状态识别的方法及装置 | |
CN116091495B (zh) | 一种道路病害精准检测方法 | |
CN110135382B (zh) | 一种人体检测方法和装置 | |
CN115761644A (zh) | 基于深度学习和帧差法的输电导线异物检测方法 | |
Zhang et al. | Research on multiple features extraction technology of insulator images |
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 |