CN116452513A - 一种海底电缆皱纹铝护套缺陷自动识别方法 - Google Patents

Abstract

本发明属于机器视觉或测量技术领域，涉及一种海底电缆皱纹铝护套缺陷自动识别方法，在清洗激光器和旋转滚压装置之间设置工业相机及平面轮廓缺陷识别系统，在旋转滚压装置之后设置结构光轮廓采集及3D轮廓缺陷识别系统。铝护套焊接后采用清洗激光器进行激光清洗，由工业相机连续拍摄焊缝图像，形成连续的焊缝图像序列，采用AutoML深度学习方法建立平面轮廓的深度学习图库，并对缺陷进行AI自动识别。结构光轮廓采集及3D轮廓缺陷识别系统对皱纹铝护套进行3D轮廓图像数据采集，将3D轮廓图像数据送入3D轮廓缺陷识别系统进行自动AI缺陷识别。本发明采用平面轮廓缺陷结合3D轮廓缺陷判断，提高皱纹铝护套的整体缺陷检测的准确率。

Description

一种海底电缆皱纹铝护套缺陷自动识别方法

技术领域

本发明属于机器视觉或测量技术领域，具体涉及一种海底电缆皱纹铝护套缺陷自动识别方法。

背景技术

海底电缆是用绝缘材料包裹的导线，铺设在海底，用以设立国家之间的电信传输。为了使海底电缆适应海底恶劣环境，在电缆外部增加了一系列保护覆盖层，即电缆防护层，主要用于保护电缆在铺设和运行时避免各种机械损伤和外界影响，以及使其电气性能保持稳定。

海底电缆根据不同用途及型号，一般由线芯导体、导体屏蔽、绝缘层、绝缘屏蔽、半导体屏蔽带、金属护套(皱纹铝护套)、护层、聚乙烯护层、聚丙乙烯护层、钢丝铠装层组成。在生产海底电缆的过程中，铝护套采用冷轧铝板卷成圆筒状，并采用氩弧焊方法对接缝进行焊接。上述焊接工序完毕后，通过螺旋冷轧方式将铝护套轧成皱纹状。焊接后的铝护套在冷轧处理过程中，铝板对接焊缝处容易造成断裂，或者由于焊接质量问题容易存在漏焊、孔洞等问题。

发明内容

针对上述技术问题，本发明提供一种海底电缆皱纹铝护套缺陷自动识别方法，能够实时对皱纹铝护套焊缝缺陷进行识别，检测焊接后出现的漏焊、穿孔、炸点、凸起、气孔等焊接质量问题。本发明所采用的技术方案如下：

一种海底电缆皱纹铝护套缺陷自动识别方法，包括以下步骤：

步骤1、在清洗激光器和旋转滚压装置之间设置工业相机及平面轮廓缺陷识别系统，在旋转滚压装置之后设置结构光轮廓采集及3D轮廓缺陷识别系统。工业相机及平面轮廓缺陷识别系统包括工业相机和平面轮廓缺陷识别系统，结构光轮廓采集及3D轮廓缺陷识别系统包括结构光轮廓采集系统和3D轮廓缺陷识别系统，所述的结构光轮廓采集系统包括：线激光器、3D数码相机和全反射板。

步骤2、铝护套焊接后采用清洗激光器进行激光清洗，然后由工业相机及平面轮廓缺陷识别系统中的工业相机连续拍摄焊缝图像，形成连续的焊缝图像序列，各焊缝图像序列分别设置有唯一的编号。工业相机及平面轮廓缺陷识别系统中的平面轮廓缺陷识别系统，采用AutoML深度学习方法自动建立平面轮廓的深度学习图库，并且对缺陷进行AI自动识别，如果识别到存在缺陷的焊缝图像序列，则记录此图片序列的编号为D_N。

步骤3、结构光轮廓采集及3D轮廓缺陷识别系统对皱纹铝护套进行3D轮廓图像数据采集，并将3D轮廓图像数据送入3D轮廓缺陷识别系统进行自动AI缺陷识别，如果3D轮廓缺陷识别系统识别到缺陷，则将此处的缺陷图片编号为E_M。

优选的，所述的激光清洗器，用于在进行缺陷识别前对上一过程中产生的飞溅、焊渣、铝护套高温氧化区域去除。

优选的，平面轮廓缺陷识别系统基于AutoML深度学习方法实现，首先建立平面图像的深度学习图库，平面图像的深度学习图库为缺陷种类D的集合：

D∈{D₁,D₂,D₃,...}

平面轮廓缺陷种类根据生产过程中的实际经验总结归纳，缺陷编号D1代表缝隙太宽焊接失败点，缺陷编号D2代表激光清洗后污点，缺陷编号D3代表铝板存在对接台阶，缺陷编号D4代表焊接断弧点，缺陷编号D5代表焊疤。

优选的，利用AutoML深度学习方法，对工业相机记录的焊缝图像序列进行图像分割和分类，生成深度学习模型，并且建立缺陷种类与前面工序之间的对应关系，如果缺陷编号D1和D3突增，则判断卷板机出现了机械故障；如果缺陷编号D4和D5突增，则判断前机的电源出现了故障。

优选的，结构光轮廓采集及3D轮廓缺陷识别系统对旋转滚压后的皱纹铝护套表面进行三维建模，并通过三维轮廓数据对缺陷种类进行识别和统计；皱纹铝护套上的缺陷由结构光轮廓采集系统进行3D图像采集，形成3D轮廓数据，通过3D数码相机采集图像直接生成3D点云轮廓数据，储存为图片。

优选的，3D轮廓缺陷种类根据生产过程中的实际经验总结归纳，缺陷编号E1代表缝隙太宽焊接失败点，缺陷编号E2代表激光清洗后污点，缺陷编号E3代表铝板存在对接台阶，缺陷编号E4代表焊接断弧点，缺陷编号E5代表焊疤，缺陷编号E6代表旋转滚压后产生的新缺陷。

优选的，3D轮廓缺陷识别系统基于AutoML深度学习方法实现，首先建立3D图像的深度学习图库，3D图像的深度学习图库为缺陷种类E的集合：

E∈{E₁,E₂,E₃,...}

由于经旋转滚压后的缺陷与工业相机平面轮廓缺陷强相关，因此在实际生产过程中建立平面轮廓缺陷D与3D轮廓缺陷E的对应关系。

优选的，采用D、E两种缺陷位置的交集作为缺陷可能产生的位置，即I＝D_N∪E_M。

本发明的有益效果：

由于铝护套旋压皱纹后密封性要求较高，且经旋压后容易产生开裂等缺陷，传统的基于3D缺陷视觉检测的方法，不能对缺陷进行完整判断，或容易判断错误。本发明通过在铝护套旋压前进行一系列激光清洗，旋压前采用视觉平面轮廓缺陷预判断的方法，结合旋压后的3D轮廓缺陷判断来提高皱纹铝护套的整体缺陷检测的准确率。

附图说明

图1为本发明实施例的用于皱纹铝护套缺陷自动识别的硬件系统架构示意图；

图2为本发明实施例的平面轮廓缺陷识别系统的步骤示意图；

图3为本发明实施例的结构光轮廓采集及3D轮廓缺陷识别系统的步骤示意图。

图中，1为氩弧焊装置，2为工业相机及平面轮廓缺陷识别系统，3为旋转滚压装置，4为结构光轮廓采集及3D轮廓缺陷识别系统，5为线激光器，6为3D数码相机，7为全反射板，8为清洗激光器。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。

如图1所示，为本发明实施例的用于皱纹铝护套缺陷自动识别的硬件系统架构示意图。海底电缆的生产，由流水线分不同工序进行，铝板经滚轧后开成圆筒状结构，经氩弧焊装置1将圆筒状铝板的对接缝隙进行焊接形成铝护套。由于焊接过程中容易产生飞溅、焊渣或产生与铝护套自身颜色偏差较大的焊斑，因此，在铝护套焊接后需要采用清洗激光器8进行激光清洗，将可能影响皱纹铝护套缺陷自动识别的上述因素去除。焊接后的铝护套经过旋转滚压装置3轧成皱纹铝护套。图1示出了海底电缆生产过程中铝护套卷筒焊接以及皱纹滚轧的过程，图1中的箭头示出了海底电缆在加工过程中的前行方向，海底电缆前行方向为图1中从左向右，依次经过铝板冷轧卷筒、及铝护套旋转滚轧。

为了实现海底电缆皱纹铝护套缺陷的自动识别，本发明提出一种海底电缆皱纹铝护套缺陷自动识别方法，包括以下步骤：

步骤1、在清洗激光器8和旋转滚压装置3之间设置工业相机及平面轮廓缺陷识别系统2，在旋转滚压装置3之后设置结构光轮廓采集及3D轮廓缺陷识别系统4。

所述的激光清洗器8，用于在进行缺陷识别前对上一过程中产生的飞溅、焊渣、铝护套高温氧化区域去除。所述的激光清洗器8是现有产品，包括清洗头、激光束、吸收腔和收集装置等组成部件。

步骤2、铝护套焊接后采用清洗激光器8进行激光清洗，然后由工业相机及平面轮廓缺陷识别系统2中的工业相机连续拍摄焊缝图像，形成连续的焊缝图像序列，各焊缝图像序列分别设置有唯一的编号。工业相机及平面轮廓缺陷识别系统2中的平面轮廓缺陷识别系统，采用AutoML深度学习方法自动建立缺陷检测模型(深度学习图库)，并且对缺陷进行AI自动识别，如果识别到存在缺陷的焊缝图像序列，则记录此图片序列的编号为D_N。

所述的工业相机及平面轮廓缺陷识别系统2，包括工业相机和平面轮廓缺陷识别系统。工业相机能够对经激光清洗后的铝护套表面进行连续摄像拍摄，实时记录焊缝图像序列，并对焊缝图像序列进行唯一编号；平面轮廓缺陷识别系统能够对焊缝图像序列进行缺陷自动分类及缺陷出现频率进行统计。

如图2所示，为本发明实施例的平面轮廓缺陷识别系统的步骤示意图。图2中，采集是指工业相机拍摄记录图像，缺陷位置X、Y是指建立空间坐标系，确定平面轮廓缺陷在此坐标系下的坐标值。

平面轮廓缺陷识别系统基于AutoML深度学习方法实现，首先建立平面图像的深度学习图库。平面图像的深度学习图库为缺陷种类D的集合：

D∈{D₁,D₂,D₃,...}

平面轮廓缺陷种类根据生产过程中的实际经验总结归纳，图2中示出了常见的五种缺陷种类，缺陷编号D1代表缝隙太宽焊接失败点，缺陷编号D2代表激光清洗后污点，缺陷编号D3代表铝板存在对接台阶，缺陷编号D4代表焊接断弧点，缺陷编号D5代表焊疤。

利用AutoML深度学习方法，对工业相机记录的焊缝图像序列进行图像分割和分类，生成深度学习模型，并且建立缺陷种类与前面工序之间的对应关系，如果某一类缺陷出现频率突增，则可判断前面工序某个环节出现了问题，比如，如果缺陷编号D1和D3突增，则判断前机卷板机出现了机械故障，卷板机的作用是将平面铝板卷成筒状；如果缺陷编号D4和D5突增，则判断前机的电源出现了故障。

步骤2中，将工业相机及平面轮廓缺陷识别系统2识别出的缺陷记录为D_N。

步骤3、结构光轮廓采集及3D轮廓缺陷识别系统4对皱纹铝护套进行3D轮廓图像数据采集，并将3D轮廓图像数据送入3D轮廓缺陷识别系统进行缺陷识别。

圆筒状铝护套经过旋转滚轧后形成皱纹铝护套，在旋转滚轧过程中，前一检测步骤中的缺陷位置经旋转滚扎后可能会生成更大的缺陷，其它部位也可能产生新的缺陷。所以，本发明通过结构光轮廓采集及3D轮廓缺陷识别系统4对皱纹铝护套进行缺陷识别。

如图3所示，为本发明实施例的结构光轮廓采集及3D轮廓缺陷识别系统的步骤示意图。图3中，采集是指3D数码相机拍摄记录3D轮廓图像，缺陷位置X、Y是指建立空间坐标系，确定3D轮廓缺陷在此坐标系下的坐标值。结构光轮廓采集及3D轮廓缺陷识别系统4包括结构光轮廓采集系统和3D轮廓缺陷识别系统，可对旋转滚压后的皱纹铝护套表面进行三维建模，并通过三维轮廓数据对缺陷种类进行识别和统计。皱纹铝护套上的缺陷由结构光轮廓采集系统进行3D图像采集，形成3D轮廓数据，通过3D数码相机6采集图像直接生成3D点云轮廓数据，可储存为图片。3D轮廓数据送入3D轮廓缺陷识别系统进行缺陷识别，如果3D轮廓缺陷识别系统识别到缺陷，则将此处的缺陷图片编号为E_M。

结合附图1，所述的结构光轮廓采集系统包括：线激光器5、3D数码相机6和全反射板7。所述的结构光轮廓采集系统是现有技术，在此不再赘述。

3D轮廓缺陷种类根据生产过程中的实际经验总结归纳，图3中示出了常见的六种缺陷种类，缺陷编号E1代表缝隙太宽焊接失败点，缺陷编号E2代表激光清洗后污点，缺陷编号E3代表铝板存在对接台阶，缺陷编号E4代表焊接断弧点，缺陷编号E5代表焊疤，缺陷编号E6代表旋转滚压后产生的新缺陷。

3D轮廓缺陷识别系统基于AutoML深度学习方法实现，首先建立3D图像的深度学习图库。3D图像的深度学习图库为缺陷种类E的集合：

E∈{E₁,E₂,E₃,...}

由于经旋转滚压后的缺陷与工业相机平面轮廓缺陷强相关，因此在实际生产过程中可建立D与E的对应关系。由于D(平面轮廓缺陷)与E(3D轮廓缺陷)共同组成了皱纹铝护套的缺陷，一般情况下，平面轮廓缺陷经滚压后形成3D轮廓缺陷，因此，平面轮廓缺陷一定会造成三维轮廓缺陷。

由于3D轮廓缺陷的检测计算量大，为了减少3D轮廓缺陷的计算量，可由平面轮廓缺陷的位置初步判断3D轮廓缺陷的位置，从而大大减少计算量。

上述两部分缺陷识别系统由于在缺陷识别方面具有各自的优点，因此为了使缺陷识别精度更高，可采用D、E两种缺陷位置的交集作为缺陷可能产生的位置，即I＝D_N∪E_M。交集数据暂存于计算机内存，如果发现缺陷后则流水线自动暂停，提示人工修补缺陷，修补完成后内存数据销毁。

在电缆生产过程中，通常对缺陷识别率要求达到99％以上，因此本发明通过不同两种缺陷互补能够极大提高缺陷识别率。

本发明实施例中，未详细描述的技术特征均为现有技术或者常规技术手段，在此不再赘述。

最后需要说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此。本领域技术人员应该理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，包括以下步骤：

步骤1、在清洗激光器(8)和旋转滚压装置(3)之间设置工业相机及平面轮廓缺陷识别系统(2)，在旋转滚压装置(3)之后设置结构光轮廓采集及3D轮廓缺陷识别系统(4)，工业相机及平面轮廓缺陷识别系统(2)包括工业相机和平面轮廓缺陷识别系统，结构光轮廓采集及3D轮廓缺陷识别系统(4)包括结构光轮廓采集系统和3D轮廓缺陷识别系统，所述的结构光轮廓采集系统包括：线激光器(5)、3D数码相机(6)和全反射板(7)；

步骤2、铝护套焊接后采用清洗激光器(8)进行激光清洗，然后由工业相机及平面轮廓缺陷识别系统(2)中的工业相机连续拍摄焊缝图像，形成连续的焊缝图像序列，各焊缝图像序列分别设置有唯一的编号，工业相机及平面轮廓缺陷识别系统(2)中的平面轮廓缺陷识别系统，采用AutoML深度学习方法自动建立平面轮廓的深度学习图库，并且对缺陷进行AI自动识别，如果识别到存在缺陷的焊缝图像序列，则记录此图片序列的编号为D_N；

步骤3、结构光轮廓采集及3D轮廓缺陷识别系统(4)对皱纹铝护套进行3D轮廓图像数据采集，并将3D轮廓图像数据送入3D轮廓缺陷识别系统进行自动AI缺陷识别，如果3D轮廓缺陷识别系统识别到缺陷，则将此处的缺陷图片编号为E_M。

2.根据权利要求1所述的一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，所述的激光清洗器(8)，用于在进行缺陷识别前对上一过程中产生的飞溅、焊渣、铝护套高温氧化区域去除。

3.根据权利要求1所述的一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，平面轮廓缺陷识别系统基于AutoML深度学习方法实现，首先建立平面图像的深度学习图库，平面图像的深度学习图库为缺陷种类D的集合：

D∈{D₁,D₂,D₃,...}

平面轮廓缺陷种类根据生产过程中的实际经验总结归纳，缺陷编号D1代表缝隙太宽焊接失败点，缺陷编号D2代表激光清洗后污点，缺陷编号D3代表铝板存在对接台阶，缺陷编号D4代表焊接断弧点，缺陷编号D5代表焊疤。

4.根据权利要求3所述的一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，利用AutoML深度学习方法，对工业相机记录的焊缝图像序列进行图像分割和分类，生成深度学习模型，并且建立缺陷种类与前面工序之间的对应关系，如果缺陷编号D1和D3突增，则判断卷板机出现了机械故障；如果缺陷编号D4和D5突增，则判断前机的电源出现了故障。

5.根据权利要求1所述的一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，结构光轮廓采集及3D轮廓缺陷识别系统(4)对旋转滚压后的皱纹铝护套表面进行三维建模，并通过三维轮廓数据对缺陷种类进行识别和统计；皱纹铝护套上的缺陷由结构光轮廓采集系统进行3D图像采集，形成3D轮廓数据，通过3D数码相机(6)采集图像直接生成3D点云轮廓数据，储存为图片。

6.根据权利要求5所述的一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，3D轮廓缺陷种类根据生产过程中的实际经验总结归纳，缺陷编号E1代表缝隙太宽焊接失败点，缺陷编号E2代表激光清洗后污点，缺陷编号E3代表铝板存在对接台阶，缺陷编号E4代表焊接断弧点，缺陷编号E5代表焊疤，缺陷编号E6代表旋转滚压后产生的新缺陷。

7.根据权利要求6所述的一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，3D轮廓缺陷识别系统基于AutoML深度学习方法实现，首先建立3D图像的深度学习图库，3D图像的深度学习图库为缺陷种类E的集合：

E∈{E₁,E₂,E₃,...}

由于经旋转滚压后的缺陷与工业相机平面轮廓缺陷强相关，因此在实际生产过程中建立平面轮廓缺陷D与3D轮廓缺陷E的对应关系。

8.根据权利要求7所述的一种海底电缆皱纹铝护套缺陷自动识别方法，其特征在于，采用D、E两种缺陷位置的交集作为缺陷可能产生的位置，即I＝D_N∪E_M。