CN116205906A - 一种电缆内部生产异常无损检测方法 - Google Patents

一种电缆内部生产异常无损检测方法 Download PDF

Info

Publication number
CN116205906A
CN116205906A CN202310449788.3A CN202310449788A CN116205906A CN 116205906 A CN116205906 A CN 116205906A CN 202310449788 A CN202310449788 A CN 202310449788A CN 116205906 A CN116205906 A CN 116205906A
Authority
CN
China
Prior art keywords
sliding window
gray
area
neighborhood
distribution
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
Application number
CN202310449788.3A
Other languages
English (en)
Other versions
CN116205906B (zh
Inventor
王强
谢庚强
陈际华
张馨慧
曹康康
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.)
Qingdao Haomai Cable Group Co ltd
Original Assignee
Qingdao Haomai Cable Group 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 Qingdao Haomai Cable Group Co ltd filed Critical Qingdao Haomai Cable Group Co ltd
Priority to CN202310449788.3A priority Critical patent/CN116205906B/zh
Publication of CN116205906A publication Critical patent/CN116205906A/zh
Application granted granted Critical
Publication of CN116205906B publication Critical patent/CN116205906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10116X-ray image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及图像数据处理技术领域,具体涉及一种电缆内部生产异常无损检测方法。该方法分析滑窗内每个像素点的邻域灰度分布与表征灰度分布的分布差异特征,及其对应灰度值在非窗口区域内的邻域灰度值混乱度。进一步利用滑窗内灰度值出现的数量调整邻域灰度值混乱度获得混乱度系数,进而获得表征像素点特殊性的差异系数。通过滑窗内的整体差异系数获得异常分数,根据异常分数识别出异常区域,进而对异常区域进行气隙检测。本发明通过分析滑窗内外的灰度分布特征进而确定准确的异常区域,保证了后续气隙检测的进度和效率。

Description

一种电缆内部生产异常无损检测方法
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种电缆内部生产异常无损检测方法。
背景技术
无论电缆运作过程中的问题检查还是生产过程中的质量检测,都需要使用X射线投射成像对电缆内部结构进行检测。电缆常见的质量问题为内部绝缘区域存在气隙,气隙会导致绝缘介质的击穿强度下降,从而增加电缆运作过程中出现问题的隐患。
为了识别出X射线图像中的气隙缺陷,可通过边缘检测算法识别出绝缘区域上的异常边缘信息。为了避免全局边缘检测算法容易将梯度特征不明显的气隙边缘剔除,导致气隙缺陷检测结果不准确的问题,现有技术中可通过分析局部区域的边缘进而实现对气隙缺陷的检测,但是在局部分析过程中,会存在局部区域定位不合适的问题,进而影响质量检测的精度和效率。
发明内容
为了解决局部分析区域定位不合适导致电缆绝缘区域中气隙异常检测不准确的技术问题,本发明的目的在于提供一种电缆内部生产异常无损检测方法,所采用的技术方案具体如下:
一种电缆内部生产异常无损检测方法,所述方法包括:
获取电缆的X射线图像;所述X射线图像中包含绝缘介质区域;所述绝缘介质区域中包含以像素点为中心的滑窗;
在所述绝缘介质区域中,以所述滑窗内每个像素点在预设第一邻域范围内的灰度分布与标准灰度分布的差异作为分布差异特征;获得所述滑窗内各个灰度值在非滑窗区域中对应位置的邻域灰度值混乱度;根据所述滑窗内各个灰度值出现的数量调整对应的所述灰度分布混乱度,获得各个灰度值的混乱度系数;根据所述滑窗内每个像素点的所述分布差异特征和对应灰度值的所述混乱度系数获得每个像素点的差异系数;
根据所述滑窗内的所有差异系数获得所述滑窗的整体差异系数,根据所述整体差异系数获得所述滑窗的异常分数;
根据所述异常分数在所述绝缘介质区域中标记出异常区域,对所述异常区域进行气隙检测。
进一步地,所述绝缘介质区域的获取方法包括:
识别并去除所述X射线中的背景信息,获得所述绝缘介质区域。
进一步地,所述滑窗的构建方法包括:
获得图像视野内的所述绝缘介质区域的真实面积,根据先验数据库获得参考单个气隙的最大外接圆面积,获得所述绝缘介质区域中包含的像素点总数量;
获得所述最大外接圆面积在所述真实面积中的面积占比,将所述面积占比与所述像素点总数量相乘后开方,获得初始尺寸;将所述初始尺寸向上取整,获得滑窗尺寸,所述滑窗尺寸为奇数;
基于所述滑窗尺寸在所述绝缘介质区域中构建正方形的所述滑窗。
进一步地,所述滑窗内每个像素点在预设第一邻域范围内的灰度分布的获取方法包括:
以所述滑窗内每个像素点在预设第一邻域范围内邻域像素点的灰度均值作为所述灰度分布。
进一步地,所述标准灰度分布的获取方法包括:
统计所述滑窗内各个灰度值在所述非滑窗区域中对应位置处的所述第一邻域范围内的邻域像素点,作为每个灰度值对应的第一参考邻域像素点;以每个所述灰度值对应的第一参考邻域像素点的灰度均值作为参考灰度分布;以所述滑窗内每个像素点对应的所述灰度值的所述参考灰度分布作为所述标准灰度分布。
进一步地,所述邻域灰度值混乱度的获取方法包括:
统计所述滑窗内各个灰度值在所述非滑窗区域中对应位置处的预设第二邻域范围内的邻域像素点,作为每个灰度值对应的第二参考邻域像素点;计算每个灰度值对应的第二参考邻域像素点集合中灰度值的熵,获得对应灰度值的所述邻域灰度值混乱度。
进一步地,所述混乱度系数的获取方法包括:
统计所述滑窗内各个灰度值在所述绝缘介质区域内对应的像素点数量,获得各个灰度值对应的参考数量;将所述参考数量与所述滑窗内对应灰度值出现的数量的差值进行负相关映射并归一化,获得对应灰度值的调整系数,将各个灰度值的所述调整系数与所述邻域灰度值混乱度相乘,获得对应灰度值的所述混乱度系数。
进一步地,所述差异系数的获取方法包括:
将所述混乱度系数负相关映射并归一化的结果与所述分布差异特征相乘,获得对应像素点的所述差异系数。
进一步地,所述根据所述整体差异系数获得所述滑窗的异常分数包括:
将所述滑窗内每个像素点的所述差异系数的累加值作为所述滑窗的所述整体差异系数;将所述滑窗遍历整个所述绝缘介质区域,获得所有滑窗的平均整体差异系数;将每个所述滑窗的所述整体差异系数与所述平均整体差异系数的差异进行归一化,获得每个所述滑窗的所述异常分数。
进一步地,所述对所述异常区域进行气隙检测的方法包括:
将所述异常分数大于预设异常分数阈值的所述滑窗对应的区域标记为初始异常区域,将邻接的所述初始异常区域合并,获得所述异常区域;对所述异常区域进行边缘检测,获得气隙缺陷的边缘。
本发明具有如下有益效果:
本发明在绝缘介质区域内设置滑窗,针对滑窗内每个像素点进行分析后进而确定对应滑窗区域的整体信息。在对像素点分析过程中考虑到了像素点邻域范围内的灰度分布是否正常,进一步考虑到了像素点对应灰度值在窗口外的邻域灰度值混乱度,基于像素点自身信息及对应灰度值体现出的分布信息获得对应像素点的差异系数,使得差异系数更能表现出对应像素点的异常概率,进而体现出滑窗对应区域的异常情况。通过滑窗的异常分数筛选出准确的异常区域以供气隙检测。基于获得的异常区域进行气隙检测能够避免检测范围过大导致细节缺陷信息的丢失,也能够避免检测范围过小导致检测效率的降低,通过准确的异常区域识别,提高了气隙检测的准确性和效率。
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所提供的一种电缆内部生产异常无损检测方法流程图;
图2为本发明一个实施例所提供的一种电缆的X射线图像;
图3为本发明一个实施例所提供的一种异常区域示意图;
图4为本发明一个实施例所提供的一种异常区域经过气隙检测后的效果图。
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电缆内部生产异常无损检测方法,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电缆内部生产异常无损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电缆内部生产异常无损检测方法流程图,该方法包括:
步骤S1:获取电缆的X射线图像;X射线图像中包含绝缘介质区域;绝缘介质区域中包含以像素点为中心的滑窗。
为了实现对电缆内部生产异常的无损检测,可在电缆侧面通过X射线透射成像,根据X射线图像检测电缆内部绝缘介质区域是否存在气隙缺陷,请参阅图2,其示出了本发明一个实施例所提供的一种电缆的X射线图像。在X射线中包含电缆内部的多个区域信息,例如导体区域、半导电带区域、绝缘介质区域、测温光纤区域等等多种结构区域,而本影响电缆正常运作的气隙存在于绝缘介质区域内,因此为了减少无关信息的影响,需要将绝缘介质区域在X射线图像中提取出来,对绝缘介质区域单独进行分析。
需要说明的是,为了实现对电缆的全面气隙检测,需要获得电缆不同位置不同视角下的X射线图像以供分析,每个X射线图像的分析方法均是相同的,因此在本发明实施例中仅以一个X射线图像为例进行说明。
优选地,本发明一个实施例提供了一种绝缘介质区域的获取方法,具体包括:识别并去除所述X射线中的背景信息,获得所述绝缘介质区域。需要说明的是,本发明一个实施例中识别背景区域选用预先训练好的语义分割网络进行识别,在其他实施例中也可选用如阈值分割等图像分割方法对背景区域进行识别。
在本发明另一个实施例中,考虑到电缆检测的场景固定,因此可将X射线图像拍摄设备设置在距离电缆的固定位置上,即不同X射线图像的图像视野是固定的,因此可直接在图像视野中预先标定出绝缘介质区域,直接对X射线图像进行裁切即可获得绝缘介质区域。在本发明其他实施例中也可采用其他绝缘介质区域提取方法,在此不做限定。
为了在绝缘介质区域中准确提取出待气隙检测的异常区域,需要遍历整个绝缘介质区域进行分析,因此在绝缘介质区域中设置以像素点为中心的滑窗。
优选地,在本发明一个实施例中根据先验知识可对滑窗的尺寸进行设置,具体包括:
获得图像视野内的绝缘介质区域的真实面积,根据先验数据库获得参考气隙的最大外接圆面积,获得绝缘介质区域中包含的像素点总数量。需要说明的是,最大外接圆面积是根据先验数据库统计出来的,为了保证在后续图像处理过程中滑窗尺寸合适,滑窗尺寸需要和最大外接圆面积存在一定对应关系,即存在等式:
Figure SMS_1
其中,
Figure SMS_2
为滑窗面积,
Figure SMS_3
为结缘介质区域中包含的像素点总数量,
Figure SMS_4
为参考 气隙的最大外接圆面积,
Figure SMS_5
为绝缘介质区域的真实面积。基于该等式可获得滑窗尺寸,即获 得最大外接圆面积在真实面积中的面积占比,将面积占比与像素点总数量相乘后开方,获 得初始尺寸,将初始尺寸向上取整,获得滑窗尺寸,用公式表示为:
Figure SMS_6
其中,
Figure SMS_7
为滑窗尺寸,
Figure SMS_8
为向上取整符号。
基于滑窗尺寸在绝缘介质区域中即可构建正方形的滑窗。在本发明一个实施例中,将滑窗的滑动步长设置为滑窗的边长,并且滑窗从左至右遍历整个绝缘介质区域。在其他实施例中也可设置其他滑动策略,在此不做限定。
需要说明的是,真实面积可根据X射线图像拍摄设备的设备参数以及拍摄距离进行获得,具体方法为本领域技术人员熟知的技术手段,在此不做赘述。在本发明一个实施例中,经过先验数据库的统计后,气隙直径1mm,高度增加到1.3mm时,局部放电最为严重,强电场作用下绝缘会发生放电成为导体,电场强度因为有效厚度的降低而增加,进而导致击穿强度的降低,因为气隙可近似看成一个柱体,则在X射线图像中气隙区域为柱体的一个截面,因此为了方便计算,得到的参考气隙可视为一个长度为1.3mm,宽度为1mm的长方形,进而获得对应的外接圆面积,以供滑窗尺寸的计算。
步骤S2:在绝缘介质区域中,以滑窗内每个像素点在预设第一邻域范围内的灰度分布与标准灰度分布的差异作为分布差异特征;获得滑窗内各个灰度值在非滑窗区域中对应位置的邻域灰度值混乱度;根据滑窗内各个灰度值出现的数量调整对应的灰度分布混乱度,获得各个灰度值的混乱度系数;根据滑窗内每个像素点的分布差异特征和对应灰度值的混乱度系数获得每个像素点的差异系数。
在一个滑窗内存在多个像素点,因为每个滑窗内每个像素点的分析方法均是相同的,因此在后续过程中以一个滑窗区域中的一个像素点进行举例说明。
因为气隙区域与正常的绝缘介质区域存在较大的灰度差异,因此气隙像素点邻域范围内的灰度分布与正常绝缘介质像素点邻域范围内的灰度分布也存在较大差异,因此滑窗区域内像素点的邻域范围内的灰度分布能够表征对应像素点的属性,以滑窗内每个像素点在预设第一邻域范围内的灰度分布与标准灰度分布的差异作为分布差异特征,分布差异特征越大说明对应像素点邻域范围内的灰度分布越特殊,对应像素点的属性越需要被关注。在本发明一个实施例中,第一邻域范围设置为八邻域范围。
优选地,在本发明一个实施例中滑窗内每个像素点在预设第一邻域范围内的灰度分布的获取方法包括:以滑窗内每个像素点在预设第一邻域范围内邻域像素点的灰度均值作为灰度分布。在本发明其他实施例中也可采用如灰度值众数、灰度值中位数等其他特征数据表示第一邻域范围内的灰度分布特征,在此不做限定。
在本发明实施例中,对于标准灰度分布的选取,可基于灰度分布的获取方法在历史数据库中选出同样获取方法的正常绝缘介质区域像素点的灰度分布。优选地,考虑到不同电缆中绝缘介质区域的形状和灰度信息会存在不同,因此在本发一个实施例中标准灰度分布的具体获取方法包括:
统计滑窗内各个灰度值在非滑窗区域中对应位置处的第一邻域范围内的邻域像素点,作为每个灰度值对应的第一参考邻域像素点;以每个灰度值对应的第一参考邻域像素点的灰度均值作为参考灰度分布;以滑窗内每个像素点对应的灰度值的参考灰度分布作为标准灰度分布。即所获得的标准灰度分布为像素点对应的像素值在非滑窗区域中整体的灰度分布,因为气隙区域为缺陷区域,缺陷区域相较于正常区域而言为细小的区域,因此对于非滑窗区域中的整体灰度分布信息包含更多的是正常像素点的邻域灰度分布,因此可将非滑窗区域中所获得的参考灰度分布作为对应像素点的标准灰度分布。
进一步获得滑窗内各个灰度值在非滑窗区域中对应位置的邻域灰度值混乱度,邻域灰度值混乱度越小,说明对应灰度值在非滑窗区域中所在位置的邻域范围内的灰度值分布是趋于稳定的,邻域范围内不同灰度值出现的较少;邻域灰度值混乱度越大,说明对应灰度值在非滑窗区域中所在位置的邻域范围内的灰度值分布是趋于混乱的,邻域范围内不同灰度值出现的较多。因为邻域灰度值混乱度是在非滑窗区域中进行计算的,非滑窗区域是整个绝缘介质区域中除了滑窗区域外的所有区域,因此非滑窗区域更能表示整体绝缘介质区域中的信息,因此所获得的邻域灰度值混乱度表现的也是在整体区域下对应灰度值在邻域范围内的灰度值分布情况。因此在后续计算差异系数过程中可以邻域灰度值混乱度作为参考指标。
优选地,本发明一个实施例中邻域灰度值混乱度的获取方法包括:
统计滑窗内各个灰度值在非滑窗区域中对应位置处的预设第二邻域范围内的邻域像素点,作为每个灰度值对应的第二参考邻域像素点;计算每个灰度值对应的第二参考邻域像素点集合中灰度值的熵,获得对应灰度值的邻域灰度值混乱度。
作为一个示例,对于滑窗区域内第
Figure SMS_9
个像素点,其对应的灰度值为
Figure SMS_10
,在非滑窗区 域中统计灰度值为
Figure SMS_11
的像素点的第二邻域范围内的邻域像素点,作为每个灰度值对应的第 二参考邻域像素点。在本发明实施例中第二邻域范围设置为八邻域范围。进一步统计第二 参考邻域像素点中各个灰度值出现的概率,通过现有熵值计算公式获得对应的熵值,进而 获得
Figure SMS_12
的邻域灰度值混乱度。需要说明的是,熵值计算公式为本领域技术人员熟知的计算 公式,具体原理不再赘述,在此仅示出具体公式组成部分:
Figure SMS_13
其中,
Figure SMS_14
灰度值
Figure SMS_15
的邻域灰度值混乱度,
Figure SMS_16
为第二参考邻域像素点集合中的灰度 值类别数量,
Figure SMS_17
为第二参考邻域像素点集合中的灰度值类别的索引,
Figure SMS_18
为第二参考邻 域像素点集合中第
Figure SMS_19
个灰度值出现的概率。根据现有熵值计算公式意义可知,熵值越混 乱,说明对应区域内的信息越复杂,因为本发明实施例中的邻域灰度值混乱度是在像素点 邻域范围内进行分析的,因此邻域灰度混乱度就代表了某个灰度值的像素点邻域范围内的 灰度信息的复杂程度,又因为邻域灰度值混乱度公式中的所涉及到的信息是在非滑窗区域 内分析的,因此邻域灰度值混乱度就能够表示绝缘介质区域整体的灰度分布信息,为后续 分析滑窗异常提供依据。
考虑到在绝缘介质区域中,一个灰度值对应的像素点越多,则对应像素点在邻域范围内存在灰度混乱的概率也就越大;反之,如果一个灰度值对应的像素点越少,则对应像素点在邻域范围内存在灰度混乱的概率也就越小。因此需要根据灰度值出现的数量调整对应的邻域灰度值混乱度,考虑到最终目的应当是分析滑窗内每个像素点的差异系数,因此需要根据滑窗内各个灰度值出现的数量调整对应的灰度分布混乱度,获得各个灰度值的混乱度系数。
优选地,在本发明一个实施例中混乱度系数的获取方法具体包括:
统计滑窗内各个灰度值在绝缘介质区域内对应的像素点数量,获得各个灰度值对应的参考数量;将参考数量与滑窗内对应灰度值出现的数量的差值进行负相关映射并归一化,获得对应灰度值的调整系数,将各个灰度值的调整系数与邻域灰度值混乱度相乘,获得对应灰度值的混乱度系数。各个灰度值出现的数量越多,调整系数越大,说明需要对邻域灰度值混乱度进行补偿;各个灰度值出现的数量越少,调整系数越小,说明需要对邻域灰度值混乱度进行削减。
在本发明一个实施例中,考虑到绝缘介质区域内的参考数量必定大于滑窗内对应灰度值出现的数量,即对应的差值一定是大于0的,因此以对应差值的倒数作为调整系数,实现负相关映射并且将值域限定至0-1内。即对应的公式为:
Figure SMS_20
其中,
Figure SMS_23
为滑窗区域内第
Figure SMS_24
个像素点的混乱度系数,
Figure SMS_28
为滑窗区域内第
Figure SMS_22
个像 素点对应的灰度值
Figure SMS_25
在滑窗内出现的数量,
Figure SMS_27
为绝缘介质区域内灰度值
Figure SMS_29
的参考数 量,
Figure SMS_21
为灰度值
Figure SMS_26
的邻域灰度值混乱度。
因为分布差异特征能够表示对应像素点的属性,混乱度系数能够表示像素点对应像素值的分布,因此将二者信息结合即可获得滑窗内对应像素点的差异系数。
优选地,在本发明一个实施例中差异系数的获取方法具体包括:
因为混乱度系数表征的是像素点对应像素值的分布信息,若对应像素值在非滑窗区域内分布较为混乱,则说明此时滑窗内对应像素点第一邻域范围内的灰度分布与标准灰度分布存在差异是合理的,并非异常情况;反之若对应像素值在非滑窗区域内分布较为均匀,则需要放大对应的分布差异特征,让分布差异更为明显。因此将混乱度系数负相关映射并归一化的结果与分布差异特征相乘,获得对应像素点的差异系数。即混乱度系数越大,越需要对分布差异特征进行一定削减;混乱度系数越小,越需要对分布差异特征进行一定的补偿。最终获得的差异系数越大说明对应像素点越特殊。
在本发明一个实施例中,采用
Figure SMS_30
形式对混乱度系数进行负相关映射并归一 化,其中
Figure SMS_31
为自然常数,
Figure SMS_32
为滑窗区域内第
Figure SMS_33
个像素点的混乱度系数。即差异系数用公式 表示为:
Figure SMS_34
其中,
Figure SMS_35
为滑窗区域内第
Figure SMS_36
个像素点的差异系数,
Figure SMS_37
为分布差异特 征,
Figure SMS_38
为滑窗区域内第
Figure SMS_39
个像素点在预设第一邻域范围内的灰度分布,
Figure SMS_40
为滑窗区域内第
Figure SMS_41
个 像素点的标准灰度分布。
混乱度系数表征对应灰度值在非滑窗区域内邻域灰度值的分布,而滑窗区域内的分布差异特征表征的是滑窗内的异常程度,即分布差异特征越大说明滑窗内灰度分布越异常,越可能是气隙缺陷区域。因此可用混乱度系数的负相关归一化映射值调整分布差异特征,因为混乱度系数表征的是正常灰度值邻域范围内的分布,若正常的灰度值邻域范围内存在较为混乱的分布,而此时滑窗区域内也会存在明显较大的分布差异特征,但是滑窗内的差异是正常的,并非是因为缺陷导致的异常分布,则需要根据利用混乱度系数将分布差异特征调小,避免将对应像素点认为是异常的气隙像素点;反之,若正常的灰度值邻域范围内存在均匀的灰度值分布,而滑窗区域内存在明显较大的分布差异特征,则说明此时滑窗内该像素点为气隙像素点的概率较大,像素点对应的分布特征并非是正常的分布特征,因此需要利用混乱度系数将分布差异特征进一步调大,增强像素点的为异常气隙像素点概率的表示。
步骤S3:根据滑窗内的所有差异系数获得滑窗的整体差异系数,根据整体差异系数获得滑窗的异常分数。
根据步骤S2对滑窗区域内每个像素点进行运算,即可获得滑窗内每个像素点的差异系数,进而获得整个滑窗的整体差异系数。与差异系数同理,整体差异系数可以表示整个滑窗的特殊性,因此可根据整体差异系数获得滑窗的异常分数。
优选地,在本发明一个实施例中,异常分数的具体获取方法包括:将滑窗内每个像素点的差异系数的累加值作为滑窗的整体差异系数;将滑窗遍历整个绝缘介质区域,获得所有滑窗的平均整体差异系数。因为平均整体差异系数表示的绝缘介质区域内的整体信息,而整体信息中缺陷信息是少量数据,因此可将平均整体差异系数作为基准数据去分析每个滑窗的异常性,即将每个滑窗的整体差异系数与平均整体差异系数的差异进行归一化,获得每个滑窗的异常分数。
在本发明一个实施例中,对每个滑窗的整体差异系数与平均整体差异系数的差异进行归一化获得异常分数的公式为:
Figure SMS_42
其中,
Figure SMS_43
为第i个滑窗的异常分数,
Figure SMS_44
为第i个滑窗的整体差异系数,
Figure SMS_45
为平均 整体差异系数,
Figure SMS_46
为圆周率,
Figure SMS_47
为正切函数。
在异常分数的公式中,
Figure SMS_48
表示第i个滑窗的整体差异系数与平均整体 差异系数的差异,因此
Figure SMS_49
的取值范围是0到1的,进一步将
Figure SMS_50
通过正切函数映 射,获得值域在0到1之间的异常分数。因为
Figure SMS_51
表示的是正常的整体差异系数,因此
Figure SMS_52
越大说明对应滑窗为气隙缺陷区域的概率越大,通过正切函数将
Figure SMS_53
归一化,将数据量化,获得表示气隙缺陷区域概率的异常分数,即异常分数越 大说明对应滑窗包含的区域约为气隙缺陷区域。
需要说明的是,在本发明其他实施例中也可采用如极差标准化等其他方法进行归一化,在此不做限定。
步骤S4:根据异常分数在所述绝缘介质区域中标记出异常区域,对异常区域进行气隙检测。
因为异常分数表征了对应滑窗的异常程度,因此可根据异常分数在绝缘介质区域中标记出异常区域,进而对异常区域进行气隙检测,避免了全局检测所导致的细小缺陷缺失的问题。
优选地,本发明一个实施例中对异常区域进行气隙检测的方法包括:
将异常分数大于预设异常分数阈值的滑窗对应的区域标记为初始异常区域,将邻接的初始异常区域合并,获得异常区域。对异常区域进行边缘检测,获得气隙缺陷的边缘。在本发明一个实施例中,因为异常分数是经过了归一化,所以将异常分数阈值设置为0.6。请参阅图3,其示出了本发明一个实施例所提供的一种异常区域示意图。请参阅图4,其示出了本发明一个实施例所提供的一种异常区域经过气隙检测后的效果图。由图3和图4所示,经过异常区域的提取能够基于局部区域提取出明显的边缘,进而保证气隙检测的精度。
需要说明的是,边缘检测算法识别气隙缺陷边缘为本领域技术人员熟知的技术手段,在本发明实施例中采用Canny算子进行边缘检测,在其他实施例中也可选用其他边缘检测算法,在此不做限定。
综上所述,本发明实施例分析滑窗内每个像素点的邻域灰度分布与表征灰度分布的分布差异特征,及其对应灰度值在非窗口区域内的邻域灰度值混乱度。进一步利用滑窗内灰度值出现的数量调整邻域灰度值混乱度获得混乱度系数,进而获得表征像素点特殊性的差异系数。通过滑窗内的整体差异系数获得异常分数,根据异常分数识别出异常区域,进而对异常区域进行气隙检测。本发明实施例通过分析滑窗内外的灰度分布特征进而确定准确的异常区域,保证了后续气隙检测的进度和效率。
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。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。

Claims (10)

1.一种电缆内部生产异常无损检测方法,其特征在于,所述方法包括:
获取电缆的X射线图像;所述X射线图像中包含绝缘介质区域;所述绝缘介质区域中包含以像素点为中心的滑窗;
在所述绝缘介质区域中,以所述滑窗内每个像素点在预设第一邻域范围内的灰度分布与标准灰度分布的差异作为分布差异特征;获得所述滑窗内各个灰度值在非滑窗区域中对应位置的邻域灰度值混乱度;根据所述滑窗内各个灰度值出现的数量调整对应的所述灰度分布混乱度,获得各个灰度值的混乱度系数;根据所述滑窗内每个像素点的所述分布差异特征和对应灰度值的所述混乱度系数获得每个像素点的差异系数;
根据所述滑窗内的所有差异系数获得所述滑窗的整体差异系数,根据所述整体差异系数获得所述滑窗的异常分数;
根据所述异常分数在所述绝缘介质区域中标记出异常区域,对所述异常区域进行气隙检测。
2.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述绝缘介质区域的获取方法包括:
识别并去除所述X射线中的背景信息,获得所述绝缘介质区域。
3.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述滑窗的构建方法包括:
获得图像视野内的所述绝缘介质区域的真实面积,根据先验数据库获得参考单个气隙的最大外接圆面积,获得所述绝缘介质区域中包含的像素点总数量;
获得所述最大外接圆面积在所述真实面积中的面积占比,将所述面积占比与所述像素点总数量相乘后开方,获得初始尺寸;将所述初始尺寸向上取整,获得滑窗尺寸,所述滑窗尺寸为奇数;
基于所述滑窗尺寸在所述绝缘介质区域中构建正方形的所述滑窗。
4.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述滑窗内每个像素点在预设第一邻域范围内的灰度分布的获取方法包括:
以所述滑窗内每个像素点在预设第一邻域范围内邻域像素点的灰度均值作为所述灰度分布。
5.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述标准灰度分布的获取方法包括:
统计所述滑窗内各个灰度值在所述非滑窗区域中对应位置处的所述第一邻域范围内的邻域像素点,作为每个灰度值对应的第一参考邻域像素点;以每个所述灰度值对应的第一参考邻域像素点的灰度均值作为参考灰度分布;以所述滑窗内每个像素点对应的所述灰度值的所述参考灰度分布作为所述标准灰度分布。
6.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述邻域灰度值混乱度的获取方法包括:
统计所述滑窗内各个灰度值在所述非滑窗区域中对应位置处的预设第二邻域范围内的邻域像素点,作为每个灰度值对应的第二参考邻域像素点;计算每个灰度值对应的第二参考邻域像素点集合中灰度值的熵,获得对应灰度值的所述邻域灰度值混乱度。
7.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述混乱度系数的获取方法包括:
统计所述滑窗内各个灰度值在所述绝缘介质区域内对应的像素点数量,获得各个灰度值对应的参考数量;将所述参考数量与所述滑窗内对应灰度值出现的数量的差值进行负相关映射并归一化,获得对应灰度值的调整系数,将各个灰度值的所述调整系数与所述邻域灰度值混乱度相乘,获得对应灰度值的所述混乱度系数。
8.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述差异系数的获取方法包括:
将所述混乱度系数负相关映射并归一化的结果与所述分布差异特征相乘,获得对应像素点的所述差异系数。
9.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述根据所述整体差异系数获得所述滑窗的异常分数包括:
将所述滑窗内每个像素点的所述差异系数的累加值作为所述滑窗的所述整体差异系数;将所述滑窗遍历整个所述绝缘介质区域,获得所有滑窗的平均整体差异系数;将每个所述滑窗的所述整体差异系数与所述平均整体差异系数的差异进行归一化,获得每个所述滑窗的所述异常分数。
10.根据权利要求1所述的一种电缆内部生产异常无损检测方法,其特征在于,所述对所述异常区域进行气隙检测的方法包括:
将所述异常分数大于预设异常分数阈值的所述滑窗对应的区域标记为初始异常区域,将邻接的所述初始异常区域合并,获得所述异常区域;对所述异常区域进行边缘检测,获得气隙缺陷的边缘。
CN202310449788.3A 2023-04-25 2023-04-25 一种电缆内部生产异常无损检测方法 Active CN116205906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310449788.3A CN116205906B (zh) 2023-04-25 2023-04-25 一种电缆内部生产异常无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310449788.3A CN116205906B (zh) 2023-04-25 2023-04-25 一种电缆内部生产异常无损检测方法

Publications (2)

Publication Number Publication Date
CN116205906A true CN116205906A (zh) 2023-06-02
CN116205906B CN116205906B (zh) 2023-07-18

Family

ID=86514961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310449788.3A Active CN116205906B (zh) 2023-04-25 2023-04-25 一种电缆内部生产异常无损检测方法

Country Status (1)

Country Link
CN (1) CN116205906B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563279A (zh) * 2023-07-07 2023-08-08 山东德源电力科技股份有限公司 基于计算机视觉的量测开关检测方法
CN116630322A (zh) * 2023-07-24 2023-08-22 深圳市中翔达润电子有限公司 基于机器视觉的pcba板的质量检测方法
CN116664552A (zh) * 2023-07-24 2023-08-29 凯尔菱电(山东)电梯有限公司 基于视频图像分析的电梯门异常检测方法
CN116778520A (zh) * 2023-08-11 2023-09-19 山东省大数据中心 一种海量证照数据质量检验方法
CN116805312A (zh) * 2023-08-21 2023-09-26 青岛时佳汇服装有限公司 一种基于图像处理的针织式面料质量检测方法
CN116823808A (zh) * 2023-08-23 2023-09-29 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
CN116993726A (zh) * 2023-09-26 2023-11-03 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN117291922A (zh) * 2023-11-27 2023-12-26 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN117876374A (zh) * 2024-03-13 2024-04-12 西安航科创星电子科技有限公司 一种用于htcc陶瓷的金属浆料布线填孔及监控方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020009215A1 (en) * 2000-01-18 2002-01-24 Arch Development Corporation Automated method and system for the segmentation of lung regions in computed tomography scans
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法
US20220051386A1 (en) * 2020-08-13 2022-02-17 Konica Minolta, Inc. Image inspecting apparatus, image inspecting method, and computer-readable recording medium storing image inspecting program
CN114648530A (zh) * 2022-05-20 2022-06-21 潍坊医学院 一种ct图像处理方法
CN115330790A (zh) * 2022-10-13 2022-11-11 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
CN115330820A (zh) * 2022-10-14 2022-11-11 江苏启灏医疗科技有限公司 一种基于x光片的牙齿图像分割方法
US20230005269A1 (en) * 2021-06-30 2023-01-05 Industry Academy Cooperation Foundation Sejong University Method and apparatus for detecting real-time abnormality in video surveillance system
CN115841493A (zh) * 2023-02-27 2023-03-24 曲阜市虹飞电缆有限公司 一种基于图像处理的电缆检测方法
CN115861325A (zh) * 2023-03-01 2023-03-28 山东中科冶金矿山机械有限公司 基于图像数据的悬架弹簧缺陷检测方法及系统
CN115984284A (zh) * 2023-03-21 2023-04-18 黄海造船有限公司 一种用于船舶维护的x射线船体焊缝图像检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020009215A1 (en) * 2000-01-18 2002-01-24 Arch Development Corporation Automated method and system for the segmentation of lung regions in computed tomography scans
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 一种自适应窗口的多尺度差异与双边滤波的目标检测方法
US20220051386A1 (en) * 2020-08-13 2022-02-17 Konica Minolta, Inc. Image inspecting apparatus, image inspecting method, and computer-readable recording medium storing image inspecting program
US20230005269A1 (en) * 2021-06-30 2023-01-05 Industry Academy Cooperation Foundation Sejong University Method and apparatus for detecting real-time abnormality in video surveillance system
CN114648530A (zh) * 2022-05-20 2022-06-21 潍坊医学院 一种ct图像处理方法
CN115330790A (zh) * 2022-10-13 2022-11-11 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
CN115330820A (zh) * 2022-10-14 2022-11-11 江苏启灏医疗科技有限公司 一种基于x光片的牙齿图像分割方法
CN115841493A (zh) * 2023-02-27 2023-03-24 曲阜市虹飞电缆有限公司 一种基于图像处理的电缆检测方法
CN115861325A (zh) * 2023-03-01 2023-03-28 山东中科冶金矿山机械有限公司 基于图像数据的悬架弹簧缺陷检测方法及系统
CN115984284A (zh) * 2023-03-21 2023-04-18 黄海造船有限公司 一种用于船舶维护的x射线船体焊缝图像检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHAO HUANG 等: "Pixel-Level Anomaly Detection via Uncertainty-aware Prototypical Transformer", ACM, pages 521 *
RUIHAN YIN 等: "Partially Reversible Gray Image Data Hiding based on Adjacent Pixel Difference", ACM, pages 1 - 4 *
徐涛;吴倩;牛海清;郭然;余佳;郑文坚;: "一种改进的瓷套式电缆终端红外图像边缘提取算法", 电瓷避雷器, no. 06, pages 26 - 31 *
牛海清;吴炬卓;许佳;吴倩;高紫建;郑文坚;: "考虑尺度间相关性的电缆瓷套终端红外图像去噪", 华南理工大学学报(自然科学版), no. 04, pages 15 - 21 *
王国强;: "航拍图像传输视觉真实性优化数学建模仿真", 计算机仿真, no. 08, pages 224 - 227 *
边世哲;艾萍;岳兆新;: "基于灰度及形态特征融合的Micro-CT图像纤维束识别方法研究", 国外电子测量技术, no. 05, pages 70 - 74 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563279A (zh) * 2023-07-07 2023-08-08 山东德源电力科技股份有限公司 基于计算机视觉的量测开关检测方法
CN116563279B (zh) * 2023-07-07 2023-09-19 山东德源电力科技股份有限公司 基于计算机视觉的量测开关检测方法
CN116664552B (zh) * 2023-07-24 2023-09-29 凯尔菱电(山东)电梯有限公司 基于视频图像分析的电梯门异常检测方法
CN116630322A (zh) * 2023-07-24 2023-08-22 深圳市中翔达润电子有限公司 基于机器视觉的pcba板的质量检测方法
CN116664552A (zh) * 2023-07-24 2023-08-29 凯尔菱电(山东)电梯有限公司 基于视频图像分析的电梯门异常检测方法
CN116630322B (zh) * 2023-07-24 2023-09-19 深圳市中翔达润电子有限公司 基于机器视觉的pcba板的质量检测方法
CN116778520A (zh) * 2023-08-11 2023-09-19 山东省大数据中心 一种海量证照数据质量检验方法
CN116778520B (zh) * 2023-08-11 2023-11-10 山东省大数据中心 一种海量证照数据质量检验方法
CN116805312A (zh) * 2023-08-21 2023-09-26 青岛时佳汇服装有限公司 一种基于图像处理的针织式面料质量检测方法
CN116805312B (zh) * 2023-08-21 2024-01-05 青岛时佳汇服装有限公司 一种基于图像处理的针织式面料质量检测方法
CN116823808A (zh) * 2023-08-23 2023-09-29 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
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
CN116993726A (zh) * 2023-09-26 2023-11-03 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN116993726B (zh) * 2023-09-26 2023-12-19 山东克莱蒙特新材料科技有限公司 一种矿物铸件检测方法及系统
CN117291922A (zh) * 2023-11-27 2023-12-26 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN117291922B (zh) * 2023-11-27 2024-01-30 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN117876374A (zh) * 2024-03-13 2024-04-12 西安航科创星电子科技有限公司 一种用于htcc陶瓷的金属浆料布线填孔及监控方法
CN117876374B (zh) * 2024-03-13 2024-05-28 西安航科创星电子科技有限公司 一种用于htcc陶瓷的金属浆料布线填孔及监控方法

Also Published As

Publication number Publication date
CN116205906B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116205906B (zh) 一种电缆内部生产异常无损检测方法
CN115082418B (zh) 一种汽车零部件精密识别方法
CN113808138B (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
CN114627125B (zh) 一种基于光学手段的不锈钢压片机表面质量评估方法
CN109100323A (zh) 一种苹果水心病的透射光谱无损定量评价方法
CN115100206B (zh) 用于具有周期图案纺织物的印花缺陷识别方法
CN107742307A (zh) 基于改进帧差法的输电线路舞动特征提取及参数分析方法
Mukherjee et al. Bacterial colony counting using distance transform
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN113012105B (zh) 基于图像处理的纱线毛羽检测评级方法
CN115239701A (zh) 一种用于医用纱布表面异物检测的方法
CN117830298B (zh) 一种航空发动机涡轮导向叶片缺陷视觉检测系统
CN118279304B (zh) 基于图像处理的异型金属件异常识别方法、装置及介质
CN112714308B (zh) 一种检测视频滚动条纹的方法及装置
CN116958182B (zh) 基于图像数据的混凝土裂缝快速检测方法
CN116205923B (zh) 基于x-ray的汽车轮毂内部缺陷无损检测方法
CN117274251A (zh) 基于图像数据的药品生产过程中药片质量检测方法
CN114998346B (zh) 一种防水布质量数据处理、识别方法
CN114820611B (zh) 基于人工智能的机械零件质量评估方法及系统
CN111353495B (zh) 一种红外成像盲元的统计分析及评价方法
US20050018210A1 (en) Method for inspecting an insulator with a library of optic images
CN117291916B (zh) 基于机器视觉的聚酰亚胺薄膜表面检测方法及系统
CN118115744B (zh) 一种基于图像识别的电能表外壳检测方法
CN117351021B (zh) 一种光伏连接线生产质量智能检测方法
CN118196072A (zh) 一种测量烟丝宽度的方法、电子设备及存储介质

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