CN115937199A - 一种用于电力配电柜绝缘层的喷涂质量检测方法 - Google Patents
一种用于电力配电柜绝缘层的喷涂质量检测方法 Download PDFInfo
- Publication number
- CN115937199A CN115937199A CN202310017517.0A CN202310017517A CN115937199A CN 115937199 A CN115937199 A CN 115937199A CN 202310017517 A CN202310017517 A CN 202310017517A CN 115937199 A CN115937199 A CN 115937199A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- value
- bandwidth
- taking
- spraying
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种用于电力配电柜绝缘层的喷涂质量检测方法,该方法采集配电柜的表面图像及其灰度图像;基于灰度图像中每个图像块的灰度共生矩阵中对角线位置的参数值和非对角线位置的参数值的差异获取对应图像块的优质指数;并筛选出目标区域;构建目标区域中每个像素点的特征向量,进而筛选参考像素点,以每个像素点与对应的参考像素点之间的最小距离作为该像素点的位置空间的带宽;根据像素点以及对应的周围像素点的灰度值获取纹理空间的带宽;根据位置空间的带宽以及纹理空间的带宽利用均值漂移算法对所有目标区域的像素点进行聚类,得到喷涂缺陷区域。本发明能够精确提取出喷涂缺陷区域,检测准确度高,操作简便。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种用于电力配电柜绝缘层的喷涂质量检测方法。
背景技术
在电力控制系统中,电力配电柜的作用是合理分配电能,直接控制系统电路的开合操作,通过配电柜中的元器件实现对电力控制系统中的电压监控,电流过流保护,报警保护等,随着电力技术的发展,供电安全性和稳定性的要求不断提高,电力配电柜对电力系统中的检修工作的安全性和维修效率至关重要。
电力配电柜安全程度关乎到工作人员生命安全,在电力配电柜上喷涂绝缘层的必要性不言而喻,绝缘层的作用是保护配电柜不受机械损伤,防潮、防触电,保护工作人员安全的同时又能延长配电柜的使用寿命,因此,绝缘层的喷涂质量的好坏直接影响着电力配电柜的能否安全使用。
现阶段对绝缘层喷涂质量的检测主要是通过目视或电子拉力计、Hi-Pot等仪器设备的方法进行,这些方法检测过程中受到主观影响较大,准确率较低,而且每次检测范围很少,检测效率低,对整个配电柜的绝缘层检测需要耗费大量人力物力。
发明内容
为了解决绝缘层喷涂质量的检测效率和准确率低的问题,本发明提供一种用于电力配电柜绝缘层的喷涂质量检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种用于电力配电柜绝缘层的喷涂质量检测方法,该方法包括以下步骤:
采集完成绝缘层喷涂后的配电柜的表面图像,并获取对应的灰度图像;
将灰度图像划分为至少两个预设大小的图像块,并获取每个图像块的灰度共生矩阵,基于灰度共生矩阵中对角线位置的参数值和非对角线位置的参数值的差异获取对应图像块的优质指数;以优质指数小于零的图像块作为目标区域;
对于目标区域,基于每个像素点及其邻域像素点的灰度值以及位置关系构成每个像素点的特征向量,依据特征向量筛选参考像素点,以每个像素点与对应的参考像素点之间的最小距离作为该像素点的位置空间的带宽;根据像素点以及对应的周围像素点的灰度值获取纹理空间的带宽;
根据所述位置空间的带宽以及所述纹理空间的带宽利用均值漂移算法对所有目标区域的像素点进行聚类,得到喷涂缺陷区域。
优选的,所述优质指数的获取方法为:
获取对角线参数值的平均值,然后计算该平均值与每个非对角线参数值的差值,将所有非对角线参数值对应的差值求和得到求和结果;获取对角线参数值的最大值和非对角线参数值的最小值的比值,以所述求和结果和所述比值的乘积作为所述优质指数。
优选的,所述特征向量的构建过程为:
获取每个像素点的四邻域像素点,在四邻域像素点中选取任意一对位置相向的两个邻域像素点作为特征点,计算像素点与每个特征点之间的灰度差异,以该灰度差异作为向量的模长,以像素点指向特征点的方向作为向量的方向,得到一个像素点与特征点形成的向量,两个相向的特征点对应的两个向量构成所述特征向量。
优选的,所述依据特征向量筛选参考像素点,包括:
以任意一个像素点作为目标像素点,获取目标像素点所在目标区域内每个像素点的特征向量,计算每个像素点的特征向量的模长与目标像素点的特征向量的模长的差值,当所述差值大于预设阈值时,对应的像素点为目标像素点的参考像素点。
优选的,所述纹理空间的带宽的获取方法为:
以任意一个像素点为圆心,以该像素点对应的位置空间的带宽为半径作圆,获取圆内每个像素点与圆心像素点之间的灰度值差值绝对值,计算所有灰度值差值绝对值的平均值作为圆心像素点对应的所述纹理空间的带宽。
优选的,所述聚类的过程包括:
以高斯核函数为均值漂移的原始核函数,基于目标区域内每个像素点对应的特征向量和位置坐标,结合所述位置空间的带宽和所述纹理空间的带宽构建对应像素点的核函数;
以任意一个像素点为漂移起始点,计算对应的核函数的函数值作为漂移距离,对目标区域内的所有像素点进行聚类,得到聚类结果。
优选的,所述喷涂缺陷区域的获取方法为:
通过聚类得到至少一个聚类类别,计算每个聚类类别中的像素点灰度值的方差,获取方差的分割阈值,将大于分割阈值的聚类类别对应的区域作为喷涂缺陷区域。
优选的,该方法还包括以下步骤:
通过对喷涂缺陷区域进行霍夫圆检测判断所述喷涂缺陷区域的缺陷类型,以表面图像作为训练集,以缺陷类型作为标签,训练神经网络,得到能够识别绝缘层缺陷类型的识别网络。
本发明实施例至少具有如下有益效果:
首先将灰度图像划分为多个图像块,根据图像块的灰度共生矩阵计算优质指数,筛选出目标区域,通过绝缘层喷涂劣质区域在配电柜上的分布特点,利用灰度共生矩阵反映的灰度分布信息提取出存在喷涂缺陷区域的目标区域,避免了对整张图像进行计算,大大降低了计算量;然后根据目标区域的像素点与邻域像素点之间的灰度值、位置关系以及距离获取自适应的带宽,用于后续进行均值漂移聚类,通过自适应带宽的均值漂移对目标区域进行聚类,精确提取出喷涂缺陷区域,完成对喷涂缺陷区域的精准定位,检测准确度高,操作简便。
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为本发明一个实施例提供的一种用于电力配电柜绝缘层的喷涂质量检测方法的步骤流程图;
图2为本发明一个实施例提供的特征点选取示意图。
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用于电力配电柜绝缘层的喷涂质量检测方法,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用于电力配电柜绝缘层的喷涂质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于电力配电柜绝缘层的喷涂质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集完成绝缘层喷涂后的配电柜的表面图像,并获取对应的灰度图像。
在电力配电柜的绝缘层喷涂工序完成后,使用工业CCD相机采集绝缘层喷涂后的配电柜表面图像。考虑到绝缘材料的反光性质,如果电力配电柜表面上光源照射程度不均匀,采集的电力配电柜表面图像中会有微弱光斑的存在,影响图像质量,因此在工业相机镜头下方或侧方安置一个环形光源,环形光源的方向与工业相机的镜头方向一致,保证配电柜表面图像上的光源是均匀分布的。
其次相机采集的图像中存在噪声干扰,会影响后续对绝缘层喷涂质量的检测,因此在进行绝缘层质检前,需要消除图像中的噪声的影响,本发明实施例采用双边滤波技术对采集图像进行滤波处理,去除图像中的噪声,双边滤波去噪方法为公知技术,具体过程不再详细赘述。
将去噪后的表面图像灰度化,得到灰度图像,其中灰度化为现有技术,达到灰度化效果的方法有很多,本实施例不再详细说明灰度化的具体过程。
步骤S002,将灰度图像划分为至少两个预设大小的图像块,并获取每个图像块的灰度共生矩阵,基于灰度共生矩阵中对角线位置的参数值和非对角线位置的参数值的差异获取对应图像块的优质指数;以优质指数小于零的图像块作为目标区域。
绝缘层喷涂质量较好的配电柜表面无气孔气泡,没有流挂现象的发生,配电柜表面光滑,亮度均匀。而绝缘层喷涂质量较差的配电柜表面存在零散分布的、体积较小的气孔气泡,在较大面积的配电柜表面上很难用人眼辨认,另一方面,如果喷涂工序过程中喷涂工具发生紊乱或者配电柜被碰撞,又或者配电柜外壳上出现特殊的装置设备,导致配电柜自身的规则程度发生改变,这几种因素的影响下,喷涂的绝缘层材料会在配电柜表面上形成流挂现象,出现流挂现象的表面亮度会相对较暗。
如果直接以像素点作为检测对象,需要考虑每个像素点的分布特点,将会受到个别零散干扰点的影响,因此首先通过绝缘层喷涂劣质区域的分布特点提取存在喷涂质量劣质的目标区域。
将灰度图像划分为至少两个预设大小的图像块,在本发明实施例中,将灰度图像均匀划分成m个大小为n*n的图像块,并获取每个图像块的灰度共生矩阵,共得到m个灰度共生矩阵,灰度共生矩阵是通过像素灰度值的空间相关特性来描述图像中的纹理,共生矩阵反映图像中具有相同灰度或灰度接近的像素之间的位置分布特征,在配电柜表面图像中,灰度差异较大两个像素点对应的是分别位于绝缘层喷涂质量良好的区域内某一像素点与喷涂质量劣质区域内的像素点。
作为一个示例,本发明实施例中预设大小n*n中的n取值为9,即预设大小为9×9。
对于正常区域来说,像素点的灰度值相同,相应的灰度共生矩阵的对角线位置的数值大,对于缺陷区域来说,像素点灰度值差异较大,尤其是边缘位置的灰度值差异较大,相应的灰度共生矩阵的非对角线位置的数值大,因此,通过对角线位置的参数值和非对角线位置的参数值的差异来评估每个图像块中是否存在缺陷区域。
获取对角线参数值的平均值,然后计算该平均值与每个非对角线参数值的差值,将所有非对角线参数值对应的差值求和得到求和结果;获取对角线参数值的最大值和非对角线参数值的最小值的比值,以求和结果和比值的乘积作为优质指数。
优质指数代表了图像块为正常区域的指数,具体的计算公式为:
其中,表示第Q个图像块的优质指数,表示对角线上参数最大值,表示非对角线参数值的最小值,表示第Q个图像块对应的灰度共生矩阵中对角线上参数值的均值,第i个参数的参数值,i是非对角线上第i个参数,i的取值范围是[1,I],I是灰度共生矩阵中非对角线的像素数量。
需要说明的是,本实施例中的对角线位置是指灰度共生矩阵中位置为(1,1),(2,2),…,(N,N)处的位置,其中N为图像块中灰度级的数量。
优质指数反映了一个灰度共生矩阵中参数值大小的分布情况,优质指数的值越小,对应图像块越有可能是喷涂质量劣质的区域。喷涂质量优质的图像块,纹理变化缓慢,对角线上的值较大,非对角线上的值较小,因此,和是大于0的,对应的也是大于0,而包含喷涂劣质区域的图像块,灰度共生矩阵中对角线上的参数值较小,非对角线上的参数值较大,对应的是小于0的,也是一个较小的值,对应的是一个小于0的值,图像块中包含的喷涂劣质区域越多,的值越小。
因此,以优质指数小于零的图像块作为目标区域,即存在喷涂质量劣质区域的图像块。
步骤S003,对于目标区域,基于每个像素点及其邻域像素点的灰度值以及位置关系构成每个像素点的特征向量,依据特征向量筛选参考像素点,以每个像素点与对应的参考像素点之间的最小距离作为该像素点的位置空间的带宽;根据像素点以及对应的周围像素点的灰度值获取纹理空间的带宽。
获取存在喷涂质量劣质区域的目标区域之后,需要对目标区域进行喷涂质量劣质区域的提取,因此根据目标区域的纹理变化获取均值漂移中的自适应带宽,以实现对不同类型喷涂劣质区域的精准分割。
在电力配电柜表面,喷涂质量良好区域的亮度较大,相应的灰度值较大,喷涂质量劣质区域内的像素点的灰度值相对较小,因此基于每个像素点及其邻域像素点的灰度值以及位置关系构成每个像素点的特征向量。
获取每个像素点的四邻域像素点,在四邻域像素点中选取任意一对位置相向的两个邻域像素点作为特征点,计算像素点与每个特征点之间的灰度差异,以该灰度差异作为向量的模长,以像素点指向特征点的方向作为向量的方向,得到一个像素点与特征点形成的向量,两个相向的特征点对应的两个向量构成特征向量。
以像素点a为例,以像素点a的灰度值出发,取以像素点a为中心点的四邻域作为像素点a的结构元素g(a),在结构元素g(a)中选取位置相向的两个邻域像素点作为特征点,作为一个示例,本实施例选取如图2所示的邻域像素点b和邻域像素点c作为特征点,对应的特征向量为,向量的模长为像素点a和特征点c之间的灰度差,方向为从像素点a指向特征点c;向量的模长为像素点a和特征点b之间的灰度差,方向为从像素点a指向特征点b。
获取目标区域上的每个像素点的结构元素和特征向量,如果某一像素点p的特征向量与像素点a的特征向量差异较大,说明在目标区域中,这两个像素点是不属于同一类型的像素点,将像素点p作为像素点a的参考像素点,以计算位置空间中核函数的带宽。
以任意一个像素点作为目标像素点,获取目标像素点所在目标区域内每个像素点的特征向量,计算每个像素点的特征向量的模长与目标像素点的特征向量的模长的差值,当差值大于预设阈值时,对应的像素点为目标像素点的参考像素点。
参考像素点的选取条件为:
其中,表示像素点p的选取结果,1表示选中,0表示未选中;是像素点a对应的特征向量的模长,是像素点p对应的特征向量的模长,为预设阈值。
在本发明实施例中预设阈值取10,在其他实施例中还可以根据实际情况进行预设阈值的选取。
其中,是通过像素点a对应的特征向量里的两个向量进行点积运算得到的,同样的,是通过特征向量中两个向量的点积运算得到的,向量的点积运算为公知技术,具体过程不再赘述。
通过上述步骤获取了像素点a的参考像素点,参考像素点可能有多个,计算每个参考像素点与像素点a之间的欧氏距离,选取最小的欧氏距离作为像素点a对应的位置空间的带宽。以同样的方法获取目标区域内每个像素点的位置空间的带宽。
以任意一个像素点为圆心,以该像素点对应的位置空间的带宽为半径作圆,获取圆内每个像素点与圆心像素点之间的灰度值差值绝对值,计算所有灰度值差值绝对值的平均值作为圆心像素点对应的纹理空间的带宽。
同样以像素点a为例,以像素点a为圆心,以像素点a对应的位置空间的带宽为半径作圆,得到圆形区域R,根据像素点a与对应的圆形区域R内的像素点之间的灰度差异计算圆心像素点a对应的纹理空间的带宽:
其中,M表示圆形区域R中的所有像素点,表示像素点q的灰度值,表示像素点a的灰度值,表示像素点q属于圆形区域R。
步骤S004,根据位置空间的带宽以及纹理空间的带宽利用均值漂移算法对所有目标区域的像素点进行聚类,得到喷涂缺陷区域。
首先基于位置空间的带宽以及纹理空间的带宽构建每个像素点在均值漂移算法中的核函数,然后利用核函数获取对应像素点的漂移距离,进而对目标区域内的所有像素点进行聚类,得到聚类结果。
以高斯核函数为均值漂移的原始核函数k(x),基于目标区域内每个像素点对应的特征向量和位置坐标,结合位置空间的带宽和纹理空间的带宽构建对应像素点的核函数。
待分类像素点x的核函数表达式:
其中,c为标准化参数,c的作用是让的积分为1;表示纹理空间的带宽;表示位置空间的带宽;表示待分类像素点x的特征向量;表示待分类像素点x在位置空间的向量,即待分类像素点x的在灰度图像中的坐标;表示L2范数运算,对向量自身进行L2范数运算得到向量的模长,即表示向量的模长;P表示纹理空间的维度;d表示位置特征空间的维度。
纹理空间的维度P是由参考像素点的数量决定的,假设共选取了W个参考像素点,则,d是位置空间的维度,在本实施例中位置空间是2维的,d取2。
目标区域内的每个像素点均为待分类像素点,分别对应了各自的核函数。
以任意一个像素点为漂移起始点,计算对应的核函数的函数值作为漂移距离,对目标区域内的所有像素点进行聚类,得到聚类结果。
均值漂移聚类为技术,具体的聚类过程在本发明实施例中不再详细描述。
通过聚类得到至少一个聚类类别,计算每个聚类类别中的像素点灰度值的方差,获取方差的分割阈值,将大于分割阈值的聚类类别对应的区域作为喷涂缺陷区域。
在配电柜表面,喷涂质量良好的区域亮度均匀,区域内像素点的灰度值基本一致,喷涂质量劣质区域亮度明暗不一,区域内像素点的灰度值存在一定差异,均值漂移得到聚类结果后,计算每个聚类类别内像素点的灰度值的方差,获取所有聚类类别对应的灰度值分布方差后,利用Otsu算法获取分割阈值T,将方差进行分割,将大于分割阈值T的方差对应的聚类类别的区域作为喷涂缺陷区域,小于或者等于分割阈值的聚类类别对应的区域为喷涂质量良好的区域。其中Otsu阈值分割为公知技术,具体过程不再赘述。
经过上述步骤,本发明实施例已经识别出喷涂缺陷区域,进一步的,该方法还可以包括以下步骤:
通过对喷涂缺陷区域进行霍夫圆检测判断喷涂缺陷区域的缺陷类型,以表面图像作为训练集,以缺陷类型作为标签,训练神经网络,得到能够识别绝缘层缺陷类型的识别网络。
霍夫圆检测的作用是区分喷涂劣质区域是流挂缺陷还是喷涂过程中的气孔、气泡缺陷。因为流挂缺陷造成的喷涂劣质区域外形近似于长条状,气孔、气泡缺陷造成的喷涂劣质区域外形近似圆形,对近似圆形区域的检测结果,计算每个喷涂缺陷区域的亮度值,如果近似圆形区域的亮度值大于所有喷涂缺陷区域的亮度均值,则此喷涂缺陷区域是由气泡缺陷造成的,否则认为是气孔缺陷造成的。霍夫圆检测为公知技术,具体过程不再详细赘述。
利用神经网络实现大规模电力配电柜喷涂喷涂缺陷区域缺陷类型的自动识别,本发明实施例利用VGG作为神经网络模型,借助Labelme对图像数据打标签,绝缘层喷涂质量良好的区域赋予标签0,气泡缺陷造成的劣质喷涂区域赋予标签1,气孔缺陷造成的劣质喷涂区域赋予标签2,流挂现象导致的劣质喷涂区域赋予标签3。将采集的电力配电柜表面图像作为图像数据,标签标记后作为网络的输入,根据网络输出确定配电柜表面上绝缘层喷涂质量的检测结果。
综上所述,本发明实施例采集完成绝缘层喷涂后的配电柜的表面图像,并获取对应的灰度图像;将灰度图像划分为至少两个预设大小的图像块,并获取每个图像块的灰度共生矩阵,基于灰度共生矩阵中对角线位置的参数值和非对角线位置的参数值的差异获取对应图像块的优质指数;以优质指数小于零的图像块作为目标区域;对于目标区域,基于每个像素点及其邻域像素点的灰度值以及位置关系构成每个像素点的特征向量,依据特征向量筛选参考像素点,以每个像素点与对应的参考像素点之间的最小距离作为该像素点的位置空间的带宽;根据像素点以及对应的周围像素点的灰度值获取纹理空间的带宽;根据位置空间的带宽以及纹理空间的带宽利用均值漂移算法对所有目标区域的像素点进行聚类,得到喷涂缺陷区域。本发明实施例能够精确提取出喷涂缺陷区域,完成对喷涂缺陷区域的精准定位,检测准确度高,操作简便。
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。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或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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,该方法包括以下步骤:
采集完成绝缘层喷涂后的配电柜的表面图像,并获取对应的灰度图像;
将灰度图像划分为至少两个预设大小的图像块,并获取每个图像块的灰度共生矩阵,基于灰度共生矩阵中对角线位置的参数值和非对角线位置的参数值的差异获取对应图像块的优质指数;以优质指数小于零的图像块作为目标区域;
对于目标区域,基于每个像素点及其邻域像素点的灰度值以及位置关系构成每个像素点的特征向量,依据特征向量筛选参考像素点,以每个像素点与对应的参考像素点之间的最小距离作为该像素点的位置空间的带宽;根据像素点以及对应的周围像素点的灰度值获取纹理空间的带宽;
根据所述位置空间的带宽以及所述纹理空间的带宽利用均值漂移算法对所有目标区域的像素点进行聚类,得到喷涂缺陷区域。
2.根据权利要求1所述的一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,所述优质指数的获取方法为:
获取对角线参数值的平均值,然后计算该平均值与每个非对角线参数值的差值,将所有非对角线参数值对应的差值求和得到求和结果;获取对角线参数值的最大值和非对角线参数值的最小值的比值,以所述求和结果和所述比值的乘积作为所述优质指数。
3.根据权利要求1所述的一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,所述特征向量的构建过程为:
获取每个像素点的四邻域像素点,在四邻域像素点中选取任意一对位置相向的两个邻域像素点作为特征点,计算像素点与每个特征点之间的灰度差异,以该灰度差异作为向量的模长,以像素点指向特征点的方向作为向量的方向,得到一个像素点与特征点形成的向量,两个相向的特征点对应的两个向量构成所述特征向量。
4.根据权利要求1所述的一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,所述依据特征向量筛选参考像素点,包括:
以任意一个像素点作为目标像素点,获取目标像素点所在目标区域内每个像素点的特征向量,计算每个像素点的特征向量的模长与目标像素点的特征向量的模长的差值,当所述差值大于预设阈值时,对应的像素点为目标像素点的参考像素点。
5.根据权利要求1所述的一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,所述纹理空间的带宽的获取方法为:
以任意一个像素点为圆心,以该像素点对应的位置空间的带宽为半径作圆,获取圆内每个像素点与圆心像素点之间的灰度值差值绝对值,计算所有灰度值差值绝对值的平均值作为圆心像素点对应的所述纹理空间的带宽。
6.根据权利要求1所述的一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,所述聚类的过程包括:
以高斯核函数为均值漂移的原始核函数,基于目标区域内每个像素点对应的特征向量和位置坐标,结合所述位置空间的带宽和所述纹理空间的带宽构建对应像素点的核函数;
以任意一个像素点为漂移起始点,计算对应的核函数的函数值作为漂移距离,对目标区域内的所有像素点进行聚类,得到聚类结果。
7.根据权利要求1所述的一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,所述喷涂缺陷区域的获取方法为:
通过聚类得到至少一个聚类类别,计算每个聚类类别中的像素点灰度值的方差,获取方差的分割阈值,将大于分割阈值的聚类类别对应的区域作为喷涂缺陷区域。
8.根据权利要求1所述的一种用于电力配电柜绝缘层的喷涂质量检测方法,其特征在于,该方法还包括以下步骤:
通过对喷涂缺陷区域进行霍夫圆检测判断所述喷涂缺陷区域的缺陷类型,以表面图像作为训练集,以缺陷类型作为标签,训练神经网络,得到能够识别绝缘层缺陷类型的识别网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310017517.0A CN115937199B (zh) | 2023-01-06 | 2023-01-06 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310017517.0A CN115937199B (zh) | 2023-01-06 | 2023-01-06 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937199A true CN115937199A (zh) | 2023-04-07 |
CN115937199B CN115937199B (zh) | 2023-05-23 |
Family
ID=85820129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310017517.0A Active CN115937199B (zh) | 2023-01-06 | 2023-01-06 | 一种用于电力配电柜绝缘层的喷涂质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937199B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152247A (zh) * | 2023-04-20 | 2023-05-23 | 江苏三纳科技材料有限公司 | 一种聚氨酯涂膜的质量评估方法 |
CN116246174A (zh) * | 2023-04-26 | 2023-06-09 | 山东金诺种业有限公司 | 基于图像处理的甘薯种类识别方法 |
CN116441132A (zh) * | 2023-04-18 | 2023-07-18 | 河北省体育科学研究所(河北省体育局反兴奋剂服务中心) | 雪板打蜡机 |
CN116679171A (zh) * | 2023-05-15 | 2023-09-01 | 江苏云峰科技股份有限公司 | 风力发电开关的绝缘件的绝缘状态判断系统 |
CN116777917A (zh) * | 2023-08-24 | 2023-09-19 | 山东东方智光网络通信有限公司 | 一种光缆生产用缺陷检测方法及系统 |
CN116805313A (zh) * | 2023-08-21 | 2023-09-26 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN117649545A (zh) * | 2024-01-30 | 2024-03-05 | 武汉市双桥科技有限公司 | 基于人工智能的喷涂轨迹规划方法及系统 |
CN117952971A (zh) * | 2024-03-26 | 2024-04-30 | 中机凯博表面技术江苏有限公司 | 一种热喷涂超细粉末用等离子重熔监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824302A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于方向波域图像融合的sar图像变化检测方法 |
CN106097360A (zh) * | 2016-06-17 | 2016-11-09 | 中南大学 | 一种带钢表面缺陷识别方法及装置 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
CN113894055A (zh) * | 2021-09-06 | 2022-01-07 | 电子科技大学 | 基于机器视觉的五金件表面缺陷检测分类系统及方法 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
US20220237811A1 (en) * | 2019-04-12 | 2022-07-28 | Arcsoft Corporation Limited | Method for Testing Skin Texture, Method for Classifying Skin Texture and Device for Testing Skin Texture |
CN115048215A (zh) * | 2022-05-24 | 2022-09-13 | 哈尔滨工程大学 | 一种基于混合压缩格式的对角矩阵spmv在gpu上的实现方法 |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
-
2023
- 2023-01-06 CN CN202310017517.0A patent/CN115937199B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824302A (zh) * | 2014-03-12 | 2014-05-28 | 西安电子科技大学 | 基于方向波域图像融合的sar图像变化检测方法 |
CN106097360A (zh) * | 2016-06-17 | 2016-11-09 | 中南大学 | 一种带钢表面缺陷识别方法及装置 |
CN107292882A (zh) * | 2017-08-02 | 2017-10-24 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
US20220237811A1 (en) * | 2019-04-12 | 2022-07-28 | Arcsoft Corporation Limited | Method for Testing Skin Texture, Method for Classifying Skin Texture and Device for Testing Skin Texture |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
CN113894055A (zh) * | 2021-09-06 | 2022-01-07 | 电子科技大学 | 基于机器视觉的五金件表面缺陷检测分类系统及方法 |
CN115048215A (zh) * | 2022-05-24 | 2022-09-13 | 哈尔滨工程大学 | 一种基于混合压缩格式的对角矩阵spmv在gpu上的实现方法 |
CN115294158A (zh) * | 2022-09-26 | 2022-11-04 | 江苏万森绿建装配式建筑有限公司 | 一种基于机器视觉的热连轧带钢图像分割方法 |
CN115311292A (zh) * | 2022-10-12 | 2022-11-08 | 南通创铭伊诺机械有限公司 | 基于图像处理的带钢表面缺陷检测方法及系统 |
Non-Patent Citations (4)
Title |
---|
JIAN YU: "Texture Image Segmentation Based on Gaussian Mixture Models and Gray Level Co-occurrence Matrix", IEEE * |
岳鹏飞;晏永飞;王楠;: "非接触式带钢表面缺陷检测纹理方向特征分析", 辽宁石油化工大学学报 * |
田欣利;王健全;张保国;唐修检;李富强;: "工程陶瓷表面粗糙度与图像纹理特征关系", 装甲兵工程学院学报 * |
郭慧;王霄;刘传泽;周玉成;: "基于灰度共生矩阵和分层聚类的刨花板表面图像缺陷提取方法", 林业科学 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116441132A (zh) * | 2023-04-18 | 2023-07-18 | 河北省体育科学研究所(河北省体育局反兴奋剂服务中心) | 雪板打蜡机 |
CN116152247B (zh) * | 2023-04-20 | 2023-08-25 | 江苏三纳科技材料有限公司 | 一种聚氨酯涂膜的质量评估方法 |
CN116152247A (zh) * | 2023-04-20 | 2023-05-23 | 江苏三纳科技材料有限公司 | 一种聚氨酯涂膜的质量评估方法 |
CN116246174A (zh) * | 2023-04-26 | 2023-06-09 | 山东金诺种业有限公司 | 基于图像处理的甘薯种类识别方法 |
CN116246174B (zh) * | 2023-04-26 | 2023-08-08 | 山东金诺种业有限公司 | 基于图像处理的甘薯种类识别方法 |
CN116679171A (zh) * | 2023-05-15 | 2023-09-01 | 江苏云峰科技股份有限公司 | 风力发电开关的绝缘件的绝缘状态判断系统 |
CN116679171B (zh) * | 2023-05-15 | 2023-11-10 | 江苏云峰科技股份有限公司 | 风力发电开关的绝缘件的绝缘状态判断系统 |
CN116805313B (zh) * | 2023-08-21 | 2023-12-01 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN116805313A (zh) * | 2023-08-21 | 2023-09-26 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN116777917A (zh) * | 2023-08-24 | 2023-09-19 | 山东东方智光网络通信有限公司 | 一种光缆生产用缺陷检测方法及系统 |
CN116777917B (zh) * | 2023-08-24 | 2023-11-21 | 山东东方智光网络通信有限公司 | 一种光缆生产用缺陷检测方法及系统 |
CN117649545A (zh) * | 2024-01-30 | 2024-03-05 | 武汉市双桥科技有限公司 | 基于人工智能的喷涂轨迹规划方法及系统 |
CN117649545B (zh) * | 2024-01-30 | 2024-04-12 | 武汉市双桥科技有限公司 | 基于人工智能的喷涂轨迹规划方法及系统 |
CN117952971A (zh) * | 2024-03-26 | 2024-04-30 | 中机凯博表面技术江苏有限公司 | 一种热喷涂超细粉末用等离子重熔监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115937199B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115937199A (zh) | 一种用于电力配电柜绝缘层的喷涂质量检测方法 | |
CN115272341B (zh) | 一种基于机器视觉的包装机缺陷产品检测方法 | |
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及系统 | |
CN108710916B (zh) | 图片分类的方法及装置 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN108154502A (zh) | 一种基于卷积神经网络的通孔焊点识别方法 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN111896540B (zh) | 一种基于区块链的水质在线监测系统 | |
CN115439481A (zh) | 基于图像处理的除氧器焊接质量检测方法 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN116337879B (zh) | 一种电缆绝缘表皮磨损缺陷快速检测方法 | |
CN105243667A (zh) | 基于局部特征融合的目标再识别方法 | |
CN111311702B (zh) | 一种基于BlockGAN的图像生成和识别模块及方法 | |
CN108921215A (zh) | 一种基于局部极值共生模式和能量分析的烟雾检测 | |
CN116563280B (zh) | 一种基于数据分析的复合铜散热底板加工检测方法及系统 | |
CN115170567B (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
CN115496760A (zh) | 一种阿胶品质鉴定方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN114202532A (zh) | 一种喷涂缺陷的检测方法、装置、设备及存储介质 | |
CN109034239B (zh) | 遥感影像分类方法、分布式风电场的选址方法和设备 | |
CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN113255434A (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN112417981A (zh) | 基于改进FasterR-CNN的复杂战场环境目标高效识别方法 |
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 |