CN115355821A - 一种基于先验知识的高压电缆内芯图像分割方法 - Google Patents
一种基于先验知识的高压电缆内芯图像分割方法 Download PDFInfo
- Publication number
- CN115355821A CN115355821A CN202211074986.8A CN202211074986A CN115355821A CN 115355821 A CN115355821 A CN 115355821A CN 202211074986 A CN202211074986 A CN 202211074986A CN 115355821 A CN115355821 A CN 115355821A
- Authority
- CN
- China
- Prior art keywords
- conductor
- area
- inner core
- segmentation
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于先验知识的高压电缆内芯图像分割方法,实现了对多种类型高压电缆内芯参数的自动检测以及各参数的精密测量和计算。该方法包括高压电缆内芯图像截面获取,图像预处理,确立面积、周长、形状、分布规律等先验知识,利用先验知识指导图像分割,计算导体根数、导线截面积、电阻、耐压等级等各项参数等过程。本发明具有检测精度高,过程便捷,可对多种类型电缆内芯参数进行检测,且对干扰较大的电缆内芯具有普适性等优点,解决电缆内芯检测过程中欠分割或过分割等问题,能大幅优化高压电缆内芯参数的检测流程,提高检测的精度,降低人工检测的强度和成本,对电力安全具有重要的现实意义。
Description
技术领域
本发明涉及高压电缆内芯参数精密测量技术领域,具体涉及一种基于先验知识的高压电缆内芯图像分割方法。
背景技术
高压电缆内芯参数是电缆质量评估的重要指标,在实际生产中经常由于工艺过程、人为干扰等因素,导致导体根数不达标、单根导体质量不过关,从而影响导体截面积、直流电阻等关键参数,使得电缆在使用过程中产生损耗引起电缆发热,进而影响电缆输送的可靠性和安全性。
目前,高压电缆内芯中导体的质量检测方法主要为人工测量,利用千分尺和游标卡尺测定导体的直径然后根据公式进行横截面的计算;或者利用烧杯、量筒等容器,采用排水法计算截面积及直径,然后进一步根据公式计算出电缆的电阻、耐压等级等参数。
对电缆内芯导体质量参数进行人工检测时存在以下问题:电缆导体根数较多且内芯的形状不规则,利用常规物理方法测量存在一定误差,而计量器具的精度、人工读取的刻度、公式计算的过程都会影响准确性,因此根据人工测量和公式计算出来的值和实际值相比存在较大偏差。在测量时需要专业的检测人员进行操作,测量过程繁琐,且需要重复测量读取均值,计算过程复杂、计算量大、效率低,长时间的计量过程容易造成工作人员肉眼疲乏,使得整个过程耗费时间长,操作成本高,存在较大误差。因此,现有的人工检测方式已经难以满足电缆质检行业的需求,急需进行技术创新。
公布号为CN 111397544 A(公布日:2020.07.10)的专利文献公开了一种便携式图形图像识别电缆截面的方法,其分别采集不同规格且符合国家标准的电缆线芯截面的图片,建立像素点以及标准电缆规格的对应关系。然后针对待检测电缆截面,通过检测像素点数量,进而确定电缆规格。该方法无法实现对电缆内芯的根数,单根导体的截面积,总的横截面积等参数的检测。
公布号为CN 111429401 A(公布日:2020.07.17)的专利文献公开了一种快速检测配网电缆线芯单线根数的方法,其通过图像采集设备获取电缆截面线芯图像;通过图像处理设备对电缆截面线芯图像进行图像处理,得到突出电缆线芯的图像;图像处理设备采用图像识别技术从金属单线的最外层沿顺时针方向或者逆时针方向,由外层到内层逐一识别电缆线芯单线,完成配电电缆线芯单线根数的检测。该方法仅针对干扰较少的电缆内芯图片进行内芯的统计,对于干扰较多的内芯容易出现过分割以及欠分割的情况,对根数的识别产生一定程度的影响,不利于根数的检测。
发明内容
针对电缆内芯质量人工检测方法耗费时间长、操作成本高、存在较大误差等问题,本发明提供了一种基于先验知识的高压电缆内芯图像分割方法。
一种基于先验知识的高压电缆内芯图像分割方法,包括:
(1)获取电缆内芯图像,预处理,得到电缆内芯导体部分区域;
(2)对电缆内芯导体部分区域进行图像分割、筛选和导体轮廓提取,获取单个导体对应的导体区域和导体轮廓;
(3)对导体轮廓进行拟合圆圆心和拟合圆圆距离计算,并根据得到的圆距离对导体区域进行分层标记;
(4)获取所有导体区域的周长和面积,并分别与预先得到的周长和面积先验知识进行对比,如果满足先验知识要求,则输出分割结果,完成分割;
如果不满足先验知识要求,则根据分层标记信息,对不满足先验知识的导体区域进行定位,并判断其周围是否存在需要合并的小区域,如果存在,则进行区域合并,并返回步骤(3);如果不存在,则修改分割阈值,返回步骤(2)。
步骤(1)中,可以利用工业相机获取电缆样品段的电缆内芯图像。所述电缆样品段一般是经过去皮出后的电缆内芯样品段。图像采集时,将电缆样品段轴向正对工业相机光轴设置,获取电缆内芯的截面图像。所述预处理可以采用现有的方法,包括:首先将获得的电缆内芯截面图像转换为灰度图像,然后对该灰度图像进行滤波去噪处理,通过图像增强,归一化等图像处理方式,提取感兴趣区域,获取电缆内芯导体部分区域。
步骤(2)中,作为优选,在实际分割时采用分水岭分割算法进行图像分割;然后利用select_shape算子对分割的区域进行筛选;得到导体区域,并对筛选好的区域采用findContours()提取单个导体区域的导体轮廓。
根据分析,导体轮廓均具有类圆结构,所以步骤(3)中可以利用类圆特性,对导体轮廓进行拟合圆圆心和拟合圆圆距离计算,实际计算时,计算圆心O的位置(a,b)可采用如公式(4):
其中,xmax、xmin分别为导体轮廓上像素点的最大、最小横坐标;ymax、ymin分别为导体轮廓上像素点的最大、最小纵坐标。
得到圆心O坐标后,计算圆心O距离电缆内芯中心(可以采用类似式(4)的方法计算得到,其中xy对应的为所有电缆内芯像素点)的距离,求得该导体区域对应的圆距离,求取电缆内芯导体部分区域内所有导体区域对应的圆距离。最终,根据得到的圆距离对导体区域进行分层标记;作为优选,步骤(3)中,采用均值漂移聚类算法进行所述分层标记,分层标记包含层数信息和每层中导体区域数量信息等。
步骤(4)中,计算导体区域的周长和面积时,可以分别采用公式如下公式进行类圆面积大小S、导体区域的轮廓周长L:
S=(Nb÷2+Ni)×μ (2)
其中,Nb为轮廓像素点数量(或轮廓像素点数量);Ni为边界内像素总数(或轮廓内像素点总数);μ为像素当量(由每个相机的参数确定,为已知量)。NO表示链码值为奇数(采用8邻域链码),NE表示链码值为偶数(采用8邻域链码)。由公式(2)和(3)可以分别获得某一单个导体对应的导体区域的面积和周长,最终获得所有导体对应的导体区域的面积和周长。
作为优选,周长和面积先验符合要求后,可以增加分布规律先验知识先验,即,作为优选,步骤(4)中,如果满足先验知识要求,再针对所有导体区域的分层标记信息与分布规律先验知识进行对比,如果符合,则输出分割结果,完成分割;如果不符合,则修改分割阈值(采用分水岭分割算法进行图像分割时,本文提到的修改分割阈值是修改分水岭分割算法的分割阈值),并返回步骤(2)。
作为优选,在图像分割后,先对分割的图像进行筛选,筛选出符合要求的分割区域;然后对符合要求的分割区域,再进行后续的轮廓提取。作为进一步优选,用到select_shape算子对图像不同分割区域进行筛选。
作为优选,步骤(4)中,如果不存在需要合并的小区域时,先进行形状先验知识判断,如果符合形状先验知识要求,则修改分割阈值,返回步骤(2)进行重新分割;如果不符合则修改圆度信息,返回步骤(2)进行导体轮廓的重新提取;本文中,当采用select_shape算子对分割区域进行筛选时,此处的修改圆度信息,主要是修改select_shape算子中的circularity参数的数值。
步骤(4)中,判断其周围是否存在需要合并的小区域时,首先判断其周围的导体区域是否小于设定面积阈值,如果是,则存在需要合并的小区域;如果否,则认为不存在;当存在需要合并的小区域时,针对需要合并的小区域,选择距离最近且不满足先验知识的导体区域进行合并。
本发明中,主要涉及到周长和面积先验知识、形状先验知识和分布规律先验知识等。下面分别介绍上述几个先验知识的计算方法:
其一:所述周长和面积先验知识获取方法如下:
(I)获取高压电缆的合格样品段的电缆内芯图像,利用步骤(1)中的预处理,得到电缆内芯导体部分区域;
(II)利用手工框选,获得单个导体对应的导体区域;
(III)获得导体区域的目标区域和背景区域灰度临界值,根据该灰度临界值,对目标区域和背景区域进行二值化操作,获得导体区域,然后同样可以利用findcounts函数获取该区域对应的轮廓像素点和边界内像素点;
(IV)根据导体区域类圆特性,由轮廓像素点获得该导体对应的面积和周长;该步骤中,可以采用公式(3)和公式(4)进行所述面积和周长的计算;
按照步骤(II)~(IV)获取电缆内芯导体部分区域中每个导体区域的面积、周长,统计所有导体区域的面积和周长值的取值范围,该范围即为该电缆内芯图像的面积先验知识、周长先验知识。
作为优选,上述步骤(III)中,求取所述灰度临界值的方法如下:
(a)首先根据目标区域和背景区域的灰度值差别,对灰度临界值赋予初始阈值;
(b)然后根据当前灰度临界值,将电缆内芯导体部分区域分为临时目标区域和临时背景区域;
(c)分别求取当前临时目标区域和临时背景区域的灰度均值,求取当前临时目标区域和临时背景区域的灰度均值的均值A,并将得到的均值A作为更新后的灰度临界值,返回步骤(b),直至相邻两次灰度临界值赋的差值小于设定值。
其二:形状先验知识获取方法如下:
针对某一个导体区域,计算该区域轮廓上某轮廓像素点距离该区域圆心的距离,获得最长距离和最短距离,即得到该导体区域对应的圆度误差;计算当前电缆内芯导体部分区域中所有导体区域的圆度误差,获得最大圆度误差和最小圆度误差,最终得到圆度误差范围(由最大圆度误差和最小圆度误差数值组成的范围),即该电缆内芯导体部分区域的形状先验知识。
其三:分布规律先验知识的获取方法如下:针对合格样品段的电缆内芯图像,目测获得其层数以及每层导体区域数量,由此组成分布规律先验知识。分布规律先验知识的结构为{C1,C2,…,Ci,…,Cn},其中n为总的层数,Ci表示第i层包含的导体数量。实际检测时,可以预先根据不同型号的电缆整理出电缆内芯的几种类型,本发明实施例中对目前集中典型的电缆内芯分布结构进行分类,可得7种典型电缆内芯的分布,其排列方式呈现一定分布规律,电缆内芯各导体间呈环形排列,且分为多层,每层根数为定值,其7种不同分布分别为{1,6},{1,6,12},{1,6,12,17},{1,6,12,18},{1,6,12,18,24},{4,10},{4,10,16},根据规律生成分布样本作为先验信息。
具体讲,本发明提供了一种基于先验知识的高压电缆内芯图像分割方法,包括如下步骤:
(1)电缆内芯截面图像获取,通过运动平台带动待检样品传送至高分辨率工业相机视野中心,采集电缆内芯的截面图像(即电缆内芯图像)。
(2)图像预处理,根据采集的图像信息,提取感兴趣区域,获取高压电缆内芯导体部分区域。
(3)获取面积与周长先验知识,基于电缆内芯导体形状为类圆形,定义面积、周长度量范围等先验信息,确定圆心。
(4)获取形状先验知识,根据圆心的位置,定义最小二乘圆,得到宽度距离、圆度的相异度等先验信息。
(5)获取分布规律先验知识,总结各种型号电缆的规格,本发明实施例中整理出电缆内芯的7种常规类型,根据不同分布规律得到类圆的圆心距等先验信息。
(6)分割导体区域,利用先验知识作为约束条件加入到图像分析中,指导高压电缆内芯图像的分割,对目标轮廓进行引导,直到完整地分割出每根导体区域。
(7)计算结果,根据图像分割结果,计算高压电缆内芯的各项参数。
上述步骤(3)~(5)实际上不是分割方法的步骤,属于先验知识求算过程。
可以利用本发明检测的高压电缆,可以为多芯结构,也可以是单芯结构;为多芯结构时,可以去除外层包皮等,获得多个电缆内芯样品段;为单芯结构时,直接去除该结构外层的包皮即可得到电缆内芯样品段。
本发明在求取先验知识时,选择利用人工选取导体区域,能够进一步保证先验知识的准确性。利用灰度临界值实现轮廓提取,可以进一步提高图像的处理效率。
本发明的方法实现了高压电缆内芯参数的自动检测,通过先验知识引导图像分割提取轮廓,进行各种参数的测量和计算。相比其他传统的检测方法,本发明的检测效率和检测精度更高,解决了电缆内芯检测过程中欠分割或过分割等问题,提高了检测的精度,同时,降低了检测人员的劳动强度和成本,对电力安全具有重要的现实意义。
本发明公开的一种基于先验知识的高压电缆内芯图像分割方法,针对传统高压电缆内芯检测方法复杂、精度低,以及高压电缆内芯样品取样时由于切痕、破损、氧化等因素使得边缘特征不明显,产生较大误差等问题。本方法实现了对高压电缆内芯参数的自动检测,具有检测精度高,过程便捷等优点,能大幅度优化高压电缆内芯检测流程,提高检测效率,减少人工操作。
本发明具有检测精度高,过程便捷,可对多种类型电缆内芯参数进行检测,且对干扰较大的电缆内芯具有普适性等优点,解决电缆内芯检测过程中欠分割或过分割等问题,能大幅优化高压电缆内芯参数的检测流程,提高检测的精度,降低人工检测的强度和成本,对电力安全具有重要的现实意义。
附图说明
图1为基于先验知识的高压电缆内芯图像分割方法步骤流程示意图。
图2为高压电缆内芯检测系统。
图3为高压电缆内芯实物图。
图4为高压电缆内芯导体拟合圆。
图5为高压电缆内芯先验形状分布规律图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,一种基于先验知识的高压电缆内芯图像分割方法,包括如下步骤:
(1)获取电缆内芯图像,预处理,得到电缆内芯导体部分区域;
(2)对电缆内芯导体部分区域进行图像分割和导体轮廓提取,获取单个导体对应的导体区域和导体轮廓;
(3)对导体轮廓进行拟合圆圆心和拟合圆圆距离计算,并根据得到的圆距离对导体区域进行分层标记;
(4)获取所有导体区域的周长和面积,并分别与预先得到的周长和面积先验知识进行对比,如果满足先验知识要求,则输出分割结果,完成分割;
如果不满足先验知识要求,则根据分层标记信息,对不满足先验知识的导体区域进行定位,并判断其周围是否存在需要合并的小区域,如果存在,则进行区域合并,并返回步骤(3);如果不存在,则修改分割阈值,返回步骤(2)。
本发明进行分割前需要预先获得导体部分区域对应周长先验知识、面积先验知识、形状先验知识以及分布规律先验知识,先验知识获取过过程与分割过程具有较强的关联性,很多步骤相同或者相似,下面对先验知识的求取过程进行详细说明,同时对对应的分割步骤进行扩展说明:
(1’)电缆内芯截面图像获取。
如图2所示,为高压电缆内芯检测系统。该系统硬件主要包括运动平台、载物台、工业相机、镜头、同轴光源、光源控制器以及计算机。运动平台可以采用铝合金材料,中间留出一块镂空区域,用于安装载物台,载物台为透明材质,比如可以采用玻璃片。光源采用平行光源,与镜头同轴设置,照向载物台上的样品区域。工业相机采集的图像输入至计算机,由计算机完成图像的处理和结果的输出。实际检测时,针对不同类型的高压电缆,在待检测高压电缆段(预先去除包层等无用结构材料)中选取符合规定的样品段,将样品段轴向垂直放置在载物台正中心位置,通过运动平台带动载物台将待检样品传送至高分辨率工业相机视野中心,同轴光源提供合适的光照,通过工业相机进行采集,从而获取高分辨率电缆内芯截面图像(或电缆内芯图像)。
(2’)图像预处理。
图像预处理,首先将获得的电缆内芯截面图像转换为灰度图像,然后对该灰度图像进行滤波去噪处理,通过图像增强,归一化等图像处理方式,提取感兴趣区域,获取电缆内芯导体部分区域,如图3所示。
步骤(1’)和步骤(2’)在先验知识获取过程中,用于获取电缆内芯导体部分区域,与分割方法中步骤(1)可以选择完全相同的处理方式;分割过程中,通过步骤(1)获得待检测样品段的电缆内芯截面图像;先验知识过去过程中,通过步骤(1’)和步骤(2’)获得待标准合格样品段电缆内芯的电缆内芯截面图像。针对上述步骤(1’)和步骤(2’)的说明,也适于分割过程中的步骤(1),区别仅在与,实际分割过程针对的对象为待检测电缆内芯样品段,而先验知识获取过程中,针对的对象为合格的电缆内芯样品段。(3’)获取面积与周长先验知识。
由获取的电缆内芯导体部分截面图像可知电缆内芯单根导体形状为类圆形,则定义面积、周长等度量范围,确定类圆的圆心。以电缆内芯的单根导体所在区域为区域提取目标,在进行先验知识计算时,可以采用人为选取某一个单根导线所在区域,即导体区域,其区域大小为M×N,根据该区域内导体对应的目标区域和背景区域灰度值的差异性,选取近似中间值128(但不限于128)作为初始阈值Tr,初始值r=0。
由于导体之间连接较为紧密,在求取先验知识时,对单根导体区域进行手工框选,是为了最大情况下消除其他干扰从而获取单个导体形状的面积和周长作为实际分割时的先验知识,相邻导体图片截取时,不影响导体轮廓的获取,进一步提高先验知识的准确性。
确定初始阈值Tr后,通过选取的初始阈值Tr=T0=128,将该区域分为两个区域,一个是该区域内导体对应的目标区域,一个是背景区域,计算目标区域的灰度均值和背景区域的灰度均值由两个区域的灰度均值得到新的灰度阈值Tr+1,其中重复选取初始阈值Tr=Tr+1以及计算新灰度阈值Tr+1,直到Tr+1和Tr之间的差值小于给定值时得到最佳阈值Tr+1,并将最佳阈值Tr+1作为该区域内目标区域和背景区域之间的灰度临界值。
求得灰度临界值后,利用遍历的方法搜索该区域内每一个像素点,若像素点的灰度值大于临界值则设定为255,即像素点在目标内;若像素点的灰度值小于临界值则设定为0,即像素点处于背景中。定义一个函数如公式(1)所示,其中g(i,j)为每一个像素点的灰度值。
由公式(1)得到二值化图像,即完成对图像的分割,获得多个导体区域,对获得的导体区域直接利用findContours()函数,对二值图像轮廓进行提取:
其中findContours()函数的结构为:findContours(InputOutputArray image,OutputArrayOfArrays contours,OutputArray hierarchy,Int mode,Int method,Pointoffset=Point())
其中:InputOutputArray image为输入的二值图;
OutputArrayOfArrays contours为检测到的轮廓,每个轮廓都是以点向量的形式进行存储即使用point类型的vector表示;
OutputArray hierachy作为轮廓数量的表示,hierarchy包含了很多元素,每个轮廓contours[i]对应hierarchy中hierarchy[i][0]~hierarchy[i][3],分别表示后一个轮廓,前一个轮廓,父轮廓,内嵌轮廓的索引,如果没有对应项,则相应的hierarchy[i]设置为负数;
int mode轮廓返回的模式;
int method发现轮廓的方法;
Point offset=Point(),轮廓像素的位移,默认(0,0)没有位移。
利用findContours()函数,从而确定该导体所在目标区域的轮廓像素点和轮廓内像素点,设轮廓轮廓像素点数量为Nb,轮廓内像素总数为Ni,得到类圆面积大小S如公式(2)所示,其中μ为像素当量(由每个相机的参数确定,为已知量)。
S=(Nb÷2+Ni)×μ (2)
然后利用8邻域链码搜索规律,确定边界轮廓周长,计算时若边界相邻两个像素点之间的链码为1、3、5、7时,两个像素之间的距离为√2;若边界相邻两个像素点之间的链码为0、2、4、6时,两个像素之间的距离为1。根据像素距离总和确定周长L如公式(3)所示,其中NO表示链码值为奇数,Ne表示链码值为偶数。
由上述步骤统计每一个电缆内芯图像的像素点,得到电缆内芯每个类圆(单个导体对应的区域)的像素位置及个数,由像素点求得电缆内芯单根导体的面积和周长。按照上述方法获取单个电缆内芯内所有导体的面积和周长,统计每一个电缆内单个导体对应的图像的面积和周长值的取值范围,并将其范围设置为阈值,即先验知识。实际进行分割操作时,先利用面积与周长先验知识进行所取区域的判定,如果满足先验要求,则进行圆心的提取。
在实际分割过程中,步骤(2)对电缆内芯导体部分区域进行图像分割时,与先验知识获取略有不同,分割过程选择自动化图像分割方法,比如采用分水岭分割算法进行导体区域的分割,同时为了提高分割精度,在完成分割后,利用select_shape算子进行筛选,对筛选后的分割区域利用上述用findContours()函数进行轮廓提取。同时,按照同样的方法,计算导体区域的周长和面积。
(4’)获取形状先验知识。
由公式(1)提取的轮廓像素点还可以进一步获得圆心O的位置(实际分割时,同时需要计算圆心距大小)。计算所有轮廓像素点中相对最大值(xmax,ymax)和相对最小值(xmin,ymin),则可以计算圆心O的位置(a,b)如公式(4)所示。
基于圆心的位置,定义宽度距离、圆度的相异度等先验知识。如图4所示,将最小二乘圆作为理想圆,以圆心O(a,b)为基准点,设轮廓上某点的坐标为点P(xi,yj),由公式(5)得到P点距离圆心O(a,b)最长距离Rmax,P点距离圆心O(a,b)最短距离Rmin。
由公式(5)计算出的距离圆心最长距离和最短距离,即可得到该轮廓的圆度误差E,其计算方法如公式(6)所示。
E=Rmax-Rmin (6)
根据不同截面的电缆内芯轮廓的不规则性和不确定性,可得电缆内芯中不同单根导体轮廓的圆度误差E1,E2,E3,...,En。根据圆度误差集合可得最大误差Emax和最小误差Emin,得到圆度误差范围ΔE为{ΔE|Emin≤ΔE≤Emax},则将其圆度误差范围ΔE作为电缆内芯的形状先验知识。
实际分割过程中,基于步骤(2)得到的导体区域和轮廓信息,按照上述相同的方法获得圆心和圆心距信息。
(5’)获取分布规律先验知识。
根据当前高压电缆的形状分布规律,人为确定该高压电缆内芯对应的层数以及每层的导向数量信息,作为分布规律先验知识保存。
如图5所示,为一种典型的高压电缆内芯先验形状分布规律图。根据不同型号的电缆整理出电缆内芯的几种类型,进行分类可得7种典型电缆内芯的分布,其排列方式呈现一定分布规律,电缆内芯各导体间呈环形排列,且分为多层,每层根数为定值,其7种不同分布分别为{1,6},{1,6,12},{1,6,12,17},{1,6,12,18},{1,6,12,18,24},{4,10},{4,10,16},根据规律生成分布样本作为先验信息。
实际分割过程中,利用得到分层标记信息与分布规律先验知识进行对比,判断是否符合先验知识要求。
利用上述步骤(1’)~(5’),可以获得指导分割过程的各种先验知识。
当实际分割时,预处理得到电缆内芯导体部分区域,以整股导体作为分割对象,结合分水岭分割算法,分割单根导线所在区域,即导体区域,并提取所有的导体区域的导体轮廓,并计算周长、面积,然后与周长、面积先验知识进行对比,若满足先验信息,可以进一步选择进行分布规律先验判断,如果同时符合分布规律先验知识,则输出分割参数;如果不满足分布规律先验知识,则改变分割阈值(改变分水岭分割算法的分割阈值),返回步骤(2);若不满足先验信息则进行定位分析,融合较小区域,重新进行拟合圆以及拟合圆心距的计算,若无较小区域,则先进行形状先验判断,如果符合形状先验则改变分水岭分割阈值重新进行轮廓的提取,如果不满足形状先验则修改select_shape算子的圆度信息,进行重新筛选、分割和轮廓提取;结合多项先验信息,不断迭代往复循环,直至分割出每个导体区域。
具体讲,如图1所示,为高压电缆内芯分割检测流程图。通过图像预处理,获得待检测电缆的电缆内芯导体部分区域,由分水岭分割算法对电缆内芯导体部分区域进行分割,由select_shape算子对分割区域进行筛选,对筛选后的区域由findContours()函数获取所有导体轮廓信息,获取轮廓像素点和轮廓内像素点。
获得每个导体横截面对应的轮廓信息后,利用类圆原理,按照公式(4)计算每个导体的横截面的圆心位置以及按照类似方法整个电缆内芯的圆心,然后计算圆心距。根据圆心距利用均值漂移聚类算法进行分层标记。利用公式(2)和公式(3)获得每个导体对应的周长信息和面积信息,然后将求得的导体对应的周长信息和面积信息与其面积与周长先验知识进行对比,若存在较大差异,则根据分层标记信息进行定位分析,对定位到的轮廓区域进行如下处理:假设定位到不符合先验要求的某一轮廓区域Q,若轮廓区域Q在其所在层的周围存在相邻的较小区域(即小于设定值),如果存在较小区域,针对每个较小区域,结合相邻轮廓圆心距离极小值,合并相邻的较小区域,即将该小区域与具体该小区域最近的不符合先验要求的导体区域进行合并,直至所有小区域完成合并。完成合并后,再重新进行拟合圆心距离的计算重新进行定位标记。当符合面积周长先验时,再根据标记信息判断是否符合分布规律先验。若不存在相邻较小区域或者不符合分布规律先验时,则修改分水岭分割阈值,结合findContours()函数修改轮廓提取参数,重新进行区域分割和导体轮廓区域的提取,同时重新进行圆心、拟合圆圆度,以及拟合圆心距的计算,并进行重新标记,直到满足先前获取的先验条件。
当不符合周长和面积先验要求,又不存在小区域时,首先对不满足先验的导体区域进行形状先验知识判断,如果满足形状先验,则修改分水岭分割阈值,结合findContours()函数修改轮廓提取参数,重新进行区域分割和导体轮廓区域的提取,同时重新进行圆心、拟合圆圆度,以及拟合圆心距的计算,并进行重新标记,直到满足先前获取的先验条件;如果不满足形状先验,则修改select_shape算子的圆度参数信息,重新对分割区域进行筛选,然后对筛选后的导体区域结合findContours()函数修改轮廓提取参数等后续步骤,直到满足先前获取的先验条件。
本发明结合多项先验知识若满足先验条件则进行导体区域的计算,若不满足先验条件则重新进行分割以先验知识作为约束条件加入到图像分析中,不断指导电缆内芯图像的分割向着有意义的目标逼近,直到完整地分割出每根导体区域。
计算参数:
根据电缆内芯的分割轮廓,计算出轮廓个数以及各轮廓内像素点的个数求得电缆内芯的各项参数,包括电缆内芯的根数,单根导体的截面积,总的横截面积等参数,从而计算出电缆的电阻、耐压等级等各项参数。
最后应说明的是:以上实例所述仅为说明本发明而已,并非是对本发明的限制,尽管根据实例对本发明进行了详细的说明,但对于本领域的技术人员来说应当理解,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)
1.一种基于先验知识的高压电缆内芯图像分割方法,其特征在于,包括:
(1)获取电缆内芯图像,预处理,得到电缆内芯导体部分区域;
(2)对电缆内芯导体部分区域进行图像分割、筛选和导体轮廓提取,获取单个导体对应的导体区域和导体轮廓;
(3)对导体轮廓进行拟合圆圆心和拟合圆圆距离计算,并根据得到的圆距离对导体区域进行分层标记;
(4)获取所有导体区域的周长和面积,并分别与预先得到的周长和面积先验知识进行对比,如果满足先验知识要求,则输出分割结果,完成分割;
如果不满足先验知识要求,则根据分层标记信息,对不满足先验知识的导体区域进行定位,并判断其周围是否存在需要合并的小区域,如果存在,则进行区域合并,并返回步骤(3);如果不存在,则修改分割阈值,返回步骤(2)。
2.根据权利要求1所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,步骤(2)中,采用分水岭分割算法进行图像分割,分割后,利用select_shape算子对分割得到的区域进行筛选,获得导体区域,并对筛选的后的导体区域采用findContours()提取导体轮廓。
3.根据权利要求1所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,步骤(3)中,采用均值漂移聚类算法进行所述分层标记,分层标记包含层数信息和每层中导体区域数量信息。
4.根据权利要求1所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,步骤(4)中,如果满足周长和面积先验知识要求,再针对所有导体区域的分层标记信息与分布规律先验知识进行对比,如果符合,则输出分割结果,完成分割;如果不符合,则修改分割阈值,并返回步骤(2)。
5.根据权利要求1所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,步骤(4)中,如果不存在需要合并的小区域时,先进行形状先验知识判断,如果符合,则修改分割阈值,返回步骤(2)进行重新分割;如果不符合则修改圆度信息,返回步骤(2),重新进行分割区域的筛选和进行导体轮廓的重新提取。
6.根据权利要求1所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,步骤(4)中,判断其周围是否存在需要合并的小区域时,首先判断其周围的导体区域是否小于设定面积阈值,如果是,则存在需要合并的小区域;如果否,则认为不存在;当存在需要合并的小区域时,针对需要合并的小区域,选择距离最近且不满足先验知识的导体区域进行合并。
7.根据权利要求1所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,所述周长和面积先验知识获取方法如下:
(I)获取高压电缆的合格样品段的电缆内芯图像,利用步骤(1)中的预处理,得到电缆内芯导体部分区域;
(II)利用手工框选,获得单个导体对应的导体区域;
(III)获得导体区域的目标区域和背景区域灰度临界值,根据该灰度临界值,对目标区域和背景区域进行二值化操作,获得多个单个导体对应的导体区域,然后进行轮廓提取,获取导体轮廓;
(IV)根据导体区域类圆特性,由轮廓像素点获得该导体对应的面积和周长;
按照步骤(II)~(IV)获取电缆内芯导体部分区域中每个导体区域的面积、周长,统计所有导体区域的面积和周长值的取值范围,该范围即为该电缆内芯图像的面积先验知识、周长先验知识。
8.根据权利要求7所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,步骤(III)中,求取所述灰度临界值的方法如下:
(a)首先根据目标区域和背景区域的灰度值差别,对灰度临界值赋予初始阈值;
(b)然后根据当前灰度临界值,将电缆内芯导体部分区域分为临时目标区域和临时背景区域;
(c)分别求取当前临时目标区域和临时背景区域的灰度均值,求取当前临时目标区域和临时背景区域的灰度均值的均值A,并将得到的均值A作为更新后的灰度临界值,返回步骤(b),直至相邻两次灰度临界值赋的差值小于设定值。
9.根据权利要求7所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,形状先验知识获取方法如下:
针对某一个导体区域,计算该区域轮廓上某轮廓像素点距离该区域圆心的距离,获得最长距离和最短距离,即得到该导体区域对应的圆度误差;计算当前电缆内芯导体部分区域中所有导体区域的圆度误差,获得最大圆度误差和最小圆度误差,最终得到圆度误差范围,即该电缆内芯导体部分区域的形状先验知识。
10.根据权利要求7所述的基于先验知识的高压电缆内芯图像分割方法,其特征在于,分布规律先验知识的获取方法如下:针对合格样品段的电缆内芯图像,目测获得其层数以及每层导体区域数量,由此组成分布规律先验知识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074986.8A CN115355821A (zh) | 2022-09-02 | 2022-09-02 | 一种基于先验知识的高压电缆内芯图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074986.8A CN115355821A (zh) | 2022-09-02 | 2022-09-02 | 一种基于先验知识的高压电缆内芯图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115355821A true CN115355821A (zh) | 2022-11-18 |
Family
ID=84006835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211074986.8A Pending CN115355821A (zh) | 2022-09-02 | 2022-09-02 | 一种基于先验知识的高压电缆内芯图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115355821A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115791808A (zh) * | 2023-01-09 | 2023-03-14 | 江苏云舟通信科技有限公司 | 电缆检验数据无线通信传输平台 |
CN117197067A (zh) * | 2023-09-05 | 2023-12-08 | 深圳市海蓝智能科技有限公司 | 线束芯线数量的视觉检测方法、装置、设备及存储介质 |
CN118230256A (zh) * | 2024-05-23 | 2024-06-21 | 江苏省沿海开发投资有限公司 | 藻类图像数据监测方法及系统 |
-
2022
- 2022-09-02 CN CN202211074986.8A patent/CN115355821A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115791808A (zh) * | 2023-01-09 | 2023-03-14 | 江苏云舟通信科技有限公司 | 电缆检验数据无线通信传输平台 |
CN117197067A (zh) * | 2023-09-05 | 2023-12-08 | 深圳市海蓝智能科技有限公司 | 线束芯线数量的视觉检测方法、装置、设备及存储介质 |
CN118230256A (zh) * | 2024-05-23 | 2024-06-21 | 江苏省沿海开发投资有限公司 | 藻类图像数据监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115355821A (zh) | 一种基于先验知识的高压电缆内芯图像分割方法 | |
CN110827311B (zh) | 一种基于成像法的电缆导体截面积测量方法及系统 | |
CN109934811B (zh) | 一种基于深度学习的光学元件表面缺陷检测方法 | |
EP2302583B1 (en) | Image segmentation | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
US10060726B2 (en) | Parallel image measurement method oriented to the insulating layer thickness of a radial symmetrical cable section | |
CN112967249B (zh) | 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法 | |
CN106767564A (zh) | 一种应用于手机外壳表面粗糙度的检测方法 | |
CN115240146B (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN111191628A (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN106546185A (zh) | 一种基于机器视觉检测的轮廓质量检测方法 | |
CN112819842B (zh) | 适用于工件质检的工件轮廓曲线拟合方法、装置及介质 | |
Chaddad et al. | Carcinoma cell identification via optical microscopy and shape feature analysis | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN116612176A (zh) | 一种轧制棒线材剪切废料尺寸的测量方法和装置 | |
CN115330762B (zh) | X射线图像的保险丝断丝检测方法 | |
CN116183622A (zh) | 一种基于点云信息的地铁渗漏水检测方法 | |
CN115731390A (zh) | 一种灰岩隧道岩体结构面识别方法及设备 | |
CN112001359B (zh) | 基于模式识别和最优分配的启发式多叉线修补方法 | |
CN111508022B (zh) | 一种基于随机采样一致性的线激光条纹定位方法 | |
CN114842060A (zh) | 面向纱线条干视觉检测的交织轮廓特征差分提取方法 | |
CN113222880A (zh) | 分析检测方法 |
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 |