CN116664571B - 一种基于机器视觉的线缆质量检测方法及设备 - Google Patents

一种基于机器视觉的线缆质量检测方法及设备 Download PDF

Info

Publication number
CN116664571B
CN116664571B CN202310943288.5A CN202310943288A CN116664571B CN 116664571 B CN116664571 B CN 116664571B CN 202310943288 A CN202310943288 A CN 202310943288A CN 116664571 B CN116664571 B CN 116664571B
Authority
CN
China
Prior art keywords
neural network
image
defect
cable
binary neural
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
Application number
CN202310943288.5A
Other languages
English (en)
Other versions
CN116664571A (zh
Inventor
郭林祥
侯少斌
万青山
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.)
Hunan Xiangjiang Cables Co ltd
Original Assignee
Hunan Xiangjiang Cables 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 Hunan Xiangjiang Cables Co ltd filed Critical Hunan Xiangjiang Cables Co ltd
Priority to CN202310943288.5A priority Critical patent/CN116664571B/zh
Publication of CN116664571A publication Critical patent/CN116664571A/zh
Application granted granted Critical
Publication of CN116664571B publication Critical patent/CN116664571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01B—CABLES; CONDUCTORS; INSULATORS; SELECTION OF MATERIALS FOR THEIR CONDUCTIVE, INSULATING OR DIELECTRIC PROPERTIES
    • H01B13/00—Apparatus or processes specially adapted for manufacturing conductors or cables
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G01N2021/8887—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 based on image processing techniques
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30108—Industrial image inspection
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Manufacturing & Machinery (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请涉及检测领域，尤其针对现有的检测及修补需要根据每个缺陷调整对应的修补量不够高效的问题，本申请公开了一种基于机器视觉的线缆质量检测方法及设备，步骤如下：S1：搭建图像采集系统，对摄像头采集到的线缆图像进行灰度化处理；S2：图像二值化处理；本申请在检测过程中不需要计算每个缺陷的补料量，使得检测更加高效，且建立的二值神经网络相比传统的全精度神经网络，内存占用更少，减小了硬件资源开销，同时适用于FPGA内，搭配并行计算特点，可有效提高运算速度，提出了基于BNN和K‑means的缺陷检测算法，当实际训练图像不足时具有应用意义。

Description

一种基于机器视觉的线缆质量检测方法及设备
技术领域
本发明涉及检测领域，更具体地说，它涉及一种基于机器视觉的线缆质量检测方法及设备。
背景技术
电力的传输主要是通过线缆进行传输的，而且线缆的表皮关乎着电力传输时的安全以及使用的年限，线缆生产过程中由于工艺和设备原因，会出现一定的表面缺陷，这些缺陷可能会影响线缆的正常使用，故而在生产过程需要进行缺陷检测，且检测完成后需要对缺陷进行修补，而且修补后的缺陷需要与其他表皮保持平整，在修补的过程中通过自动化设备对现有的缺陷进行检测、标记以及修补的过程中需要根据每个缺陷调整对应的修补量，导致检测、标记时计算量较大，以及修补不够高效的情况。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于机器视觉的线缆质量检测方法及设备，其解决了现有的检测及修补如果根据每个缺陷调整对应的修补量则计算量较大且修补不够高效的问题。
为实现上述目的，本发明提供了如下技术方案：
一种基于机器视觉的线缆质量检测方法，步骤如下：
S1：搭建图像采集系统，对摄像头采集到的线缆图像进行灰度化处理：
；其中i表示像素点在图像的水平方向上的位置，从左到右递增；j 表示像素点在图像的垂直方向上的位置，从上到下递增,
S2：对步骤S1中的图像进行二值化处理；
S3：采用Sobel算子，对二值化后的图像进行边缘提取：
；其中A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，
图像中每一个像素的横向及纵向灰度值通过以下公式结合，来计算该点灰度的大小：
；
阀值Threshold根据实际检测环境进行选取，如果梯度G大于阀值Threshold，则认为该点(x，y)为边缘点；
S4：建立针对线缆质量检测问题的二值神经网络BNN；
S5：训练上述二值神经网络，将大量不同缺陷的线缆图像经S1-S3的预处理后输入至S4中的网络进行参数训练；
S6：训练结束后，即可运行该二值神经网络；
S7：根据二值神经网络的输出，进而判断当前输入线缆是否存在缺陷并判断缺陷类型；
S8：预先对缺陷类型进行分类，对应每个分类提供一种修补方案，每一种修补方案都有固定的修补缺陷形状以及供料参数，在修补前根据对应的分类对缺陷处进行开孔处理，将实际的缺陷修改成该分类所属的修补缺陷形状类型，然后进行修补处理。
优选地，在步骤S2中，二值神经网络在训练时使用二值化函数：
；
将权重和激活限制在+1或-1，用于计算参数梯度，通过权重和激活二值化，二值神经网络用于图像处理，流程如下：
a.输入图像的像素点灰度值归一化；
b.二值神经网络前向传播，计算流程如下：
获取二值化权重，；
上一层的激活值与二值化权重/>相乘得到，/>；
对进行批量归一化BatchNorm，/>；
最后对进行二值化，/>；
c.步骤b中所述批量归一化BatchNorm计算公式如下：
；
其中，AP2(x)是将x变为最接近x的2的指数，表示左移右移，/>、/>是要学习的参数；
d.二值神经网络反向传播，计算过程如下：
；
e.优化二值网络训练过程，具体算法如下：
；
默认，矩阵运算采用逐元素计算方式；
f.归一化后的输入图像做如下变换，使得整个网络均实现二值化：
；
通过上面的操作，将一个灰度用8位数表示，表示每个灰度值的第n位。
优选地，在步骤S6中，设输入为8位输入向量a0，神经网络层数为L，θ为批次规范参数，XnorDotProduct表示异或点积基本计算流程如下：
a.第一层：
；
b.剩余隐藏层：
；
c.输出层：
。
优选地，采用二值神经网络和K-means聚类的联合算法对缺陷图像进行识别，具体流程为：降低二值神经网络层数；对二值神经网络的输出进行K-means聚类算法。
优选地，联合算法具体步骤如下，
a.随机选择k个二值神经网络输出作为初始簇类的均值向量，k为缺陷类型数量；
b.计算所有神经网络输出值距离a中均值向量的距离，并选择距离最小的作为其簇；
c.更新均值向量；
d.重复b、c，当达到设置的迭代次数或簇类的均值向量不再改变时，模型构建完成，输出聚类算法结果，进而判断线缆质量缺陷类型。
优选地，基于机器视觉的线缆质量检测方法所使用的检测设备，包括固定安装板、表皮检测装置、标记装置以及填补装置，所述填补装置包括安装座体，所述安装座体上开设有安装孔，所述安装孔内通过轴承转动连接有转筒，所述安装座体上安装有驱动转筒转动的驱动机构，所述转筒一端开设有呈十字状分布的滑槽，所述滑槽内滑动连接有L形滑座，所述L形滑座端部固定有弧形板，所述滑槽内转动设有电机驱动的螺杆，所述螺杆通过螺纹与L形滑座连接，相邻的弧形板上分别安装有开孔管和修补管。
优选地，所述开孔管内设有用于给线缆表面进行加热开孔的加热棒。
优选地，所述修补管与材料供给箱连通，所述修补管端部开设有用于提供补料的出料口。
优选地，所述填补装置数量与需要填补的修补缺陷形状类型适配。
优选地，所述表皮检测装置、标记装置以及填补装置呈一条直线安装于固定安装板上。
综上所述，本发明具有以下有益效果：
1、通过检测方法检测出缺陷类型，对检测出来的缺陷按照对应类型进行标记和修补，控制对应的修补装置，先进行对齐以及开孔，然后进行填补，在修补过程中根据分类开设对应的孔以及提供对应的填料，不需要依据每个缺陷计算对应的填料，减少了计算数据，更加的高效；
2、该基于机器视觉的线缆质量检测方法，可有效提取线缆缺陷特征，同时建立的二值神经网络相比传统的全精度神经网络，内存占用更少，减小了硬件资源开销，同时适用于FPGA内，搭配并行计算特点，可有效提高运算速度，提出了基于BNN和K-means的缺陷检测算法，当实际训练图像不足时具有应用意义。
附图说明
图1是本申请基于机器视觉的线缆质量检测方法的流程示意图；
图2是本申请修补结构的结构示意图；
图3是图2中的局部放大示意图。
图中，1、固定安装板；2、安装座体；3、线缆；4、安装孔；5、开孔管；6、修补管；7、弧形板；8、滑槽；9、螺杆；10、L形滑座。
具体实施方式
下面结合附图和实施例，对本发明进行详细描述。
实施例
如图1所示，本申请提出一种基于机器视觉的线缆质量检测方法，步骤如下：
S1：搭建图像采集系统，对摄像头采集到的线缆3图像进行灰度化处理，处理彩色图像时对其三基色分量进行处理，三基色分量本身不反映图片的基本特征仅表现为光学颜色特征，灰度图像完全可以表现出原来彩色图像的形态特征，相比较彩色图像灰度图像更适合后续的数据处理，图像灰度化处理是图像处理的预处理部分，采用加权平均法实现线缆3图像的灰度化处理：
；其中i表示像素点在图像的水平方向上的位置，从左到右递增；j 表示像素点在图像的垂直方向上的位置，从上到下递增,
S2：对步骤S1中的图像进行二值化处理，设定灰度图阈值，所有灰度值小于给定阈值的像素点都被判定为背景板，灰度值为0，排除在被测物体以外，所有大于等于给定阈值的像素点判定为被测物体，灰度值为255；
S3：边缘提取，采用Sobel算子，对二值化后的图像进行边缘提取，该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值，以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，其公式如下：
；
图像中每一个像素的横向及纵向灰度值通过以下公式结合，来计算该点灰度的大小：
；
阀值Threshold根据实际检测环境进行选取，如果梯度G大于阀值Threshold，则认为该点(x，y)为边缘点；
S4：建立针对线缆质量检测问题的二值神经网络BNN；
二值神经网络在训练时使用二值化函数：
；
将权重和激活限制在+1或-1，用于计算参数梯度，通过权重和激活二值化，可以将正向传播中的浮点卷积操作通过异或与移位操作实现；因此大量降低计算资源的需求，提高了运算速度，可以广泛应用于计算资源受限的复杂场景，因此本方法选择二值神经网络用于图像处理，流程如下：
a.输入图像的像素点灰度值归一化；
b.二值神经网络前向传播，计算流程如下：
获取二值化权重，；
上一层的激活值与二值化权重/>相乘得到，/>；
对进行批量归一化BatchNorm，/>；
最后对进行二值化，/>；
c.步骤b中所述批量归一化BatchNorm计算公式如下：
；
其中，AP2(x)是将x变为最接近x的2的指数，表示左移右移，/>、/>是要学习的参数；
d.二值神经网络反向传播，计算过程如下：
；
e.优化二值网络训练过程，具体算法如下：
；
默认，矩阵运算采用逐元素计算方式，/>表示逐元素平方/>；
f.输入层变换，归一化后的输入图像做如下变换，使得整个网络均实现二值化：
；
通过上面的操作，将一个灰度用8位数表示，表示每个灰度值的第n位；
S5：训练上述二值神经网络，将大量不同缺陷的线缆3图像经S1-S3的预处理后输入至S4中的网络进行参数训练；
S6：训练结束后，即可运行该二值神经网络，设输入为8位输入向量a0，神经网络层数为L，θ为批次规范参数，XnorDotProduct表示异或点积，基本计算流程如下：
a.第一层：
；
b.剩余隐藏层：
；
c.输出层：
；
S7：根据二值神经网络的输出，进而判断当前输入线缆3是否存在缺陷并判断缺陷类型；
S8：进一步地，当线缆3缺陷图像数量不充足时，无法充分训练上述二值神经网络，因此，可采用二值神经网络加K-means聚类的联合算法对缺陷图像进行识别，具体流程为：首先降低二值神经网络层数，减少训练负担；对二值神经网络的输出进行K-means聚类算法，其算法流程如下：
a.随机选择k个二值神经网络输出作为初始簇类的均值向量，k为缺陷类型数量；
b.计算所有神经网络输出值距离a中均值向量的距离，并选择距离最小的作为其簇；
c.更新均值向量；
d.重复b、c，当达到设置的迭代次数或簇类的均值向量不再改变时，模型构建完成，输出聚类算法结果，进而判断线缆3质量缺陷类型；
预先对缺陷类型进行分类，对应每个分类提供一种修补方案，每一种修补方案都有固定的修补缺陷形状以及供料参数，在修补前根据对应的分类对缺陷处进行开孔处理，将实际的缺陷修改成该分类所属的修补缺陷形状类型，然后进行修补处理；
该基于机器视觉的线缆3质量检测方法，可有效提取线缆3缺陷特征，同时建立的二值神经网络相比传统的全精度神经网络，内存占用更少，减小了硬件资源开销，同时非常适合应用于FPGA内，搭配并行计算特点，可有效提高运算速度，同时考虑了实际训练图像数目可能不足的实际情况，提出了基于BNN和K-means的优化缺陷检测算法，在图像数据集不足时具有更大的应用意义。
如图2至图3所示，基于机器视觉的线缆3质量检测方法所使用的检测设备，包括固定安装板1、表皮检测装置、标记装置以及填补装置，所述表皮检测装置、标记装置以及填补装置呈一条直线安装于固定安装板1上，表皮检测装置、标记装置为市场上的常规产品，所述填补装置数量与需要填补的修补缺陷形状类型适配，所述填补装置包括安装座体2，所述安装座体2上开设有安装孔4，所述安装孔4内通过轴承转动连接有转筒，所述安装座体2上安装有驱动转筒转动的驱动机构，所述转筒一端开设有呈十字状分布的滑槽8，所述滑槽8内滑动连接有L形滑座10，所述L形滑座10端部固定有弧形板7，所述滑槽8内转动设有电机驱动的螺杆9，所述螺杆9通过螺纹与L形滑座10连接，相邻的弧形板7上分别安装有开孔管5和修补管6，所述开孔管5内设有用于给线缆3表面进行加热开孔的加热棒，所述修补管6与材料供给箱连通，所述修补管6端部开设有用于提供补料的出料口。
本申请的工作原理为，
通过检测方法检测出缺陷类型，对检测出来的缺陷按照对应类型进行标记和修补，控制对应的修补装置，先进行对齐以及开孔，然后进行填补，在修补过程中根据分类开设对应的孔以及提供对应的填料，不需要依据每个缺陷计算对应的填料，减少了计算数据，更加的高效。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和修饰，这些改进和修饰也应视为本发明的保护范围。

Claims (6)

1.一种基于机器视觉的线缆质量的检测设备，其特征在于，包括固定安装板、表皮检测装置、标记装置以及填补装置，所述填补装置包括安装座体，所述安装座体上开设有安装孔，所述安装孔内通过轴承转动连接有转筒，所述安装座体上安装有驱动转筒转动的驱动机构，所述转筒一端开设有呈十字状分布的滑槽，所述滑槽内滑动连接有L形滑座，所述L形滑座端部固定有弧形板，所述滑槽内转动设有电机驱动的螺杆，所述螺杆通过螺纹与L形滑座连接，相邻的弧形板上分别安装有开孔管和修补管，所述开孔管内设有用于给线缆表面进行加热开孔的加热棒，所述修补管与材料供给箱连通，所述修补管端部开设有用于提供补料的出料口，所述填补装置数量与需要填补的修补缺陷形状类型适配，所述表皮检测装置、标记装置以及填补装置呈一条直线安装于固定安装板上。
2.一种基于机器视觉的线缆质量检测方法，用于权利要求1所述的检测设备，其特征在于，步骤如下：
S1：搭建图像采集系统，对摄像头采集到的线缆图像进行灰度化处理：
；其中i表示像素点在图像的水平方向上的位置，从左到右递增；j 表示像素点在图像的垂直方向上的位置，从上到下递增,
S2：对步骤S1中的图像进行二值化处理；
S3：采用Sobel算子，对二值化后的图像进行边缘提取：
；其中A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，
图像中每一个像素的横向及纵向灰度值通过以下公式结合，来计算该像素点灰度的大小：
；
阀值Threshold根据实际检测环境进行选取，如果梯度G大于阀值Threshold，则认为该像素点(x，y)为边缘点；
S4：建立针对线缆质量检测问题的二值神经网络；
S5：训练上述二值神经网络，将大量不同缺陷的线缆图像经S1-S3的预处理后输入至S4中的网络进行参数训练；
S6：训练结束后，即可运行该二值神经网络；
S7：根据二值神经网络的输出，进而判断当前输入线缆是否存在缺陷并判断缺陷类型；
S8：预先对缺陷类型进行分类，对应每个分类提供一种修补方案，每一种修补方案都有固定的修补缺陷形状以及供料参数，在修补前根据对应的分类对缺陷处进行开孔处理，将实际的缺陷修改成该分类所属的修补缺陷形状类型，然后进行修补处理。
3.根据权利要求2所述的基于机器视觉的线缆质量检测方法，其特征在于，在步骤S5中，二值神经网络在训练时使用二值化函数：
；
将权重和激活限制在+1或-1，用于计算参数梯度，通过权重和激活二值化，二值神经网络用于图像处理，流程如下：
a. 输入图像的像素点灰度值归一化；
b. 二值神经网络前向传播，计算流程如下：
获取二值化权重，；
上一层的激活值与二值化权重/>相乘得到，/>；
对进行批量归一化BatchNorm，/>；
最后对进行二值化，/>；
c. 步骤b中所述批量归一化BatchNorm计算公式如下：
；
其中，AP2(x)是将x变为最接近x的2的指数，表示左移右移，/>、/>是要学习的参数；
d. 二值神经网络反向传播，计算过程如下：
；
e. 优化二值网络训练过程，具体算法如下：
；
默认，矩阵运算采用逐元素计算方式；
f. 输入层变换；归一化后的输入图像做如下变换：
；
表示每个灰度值的第n位。
4.根据权利要求2所述的基于机器视觉的线缆质量检测方法，其特征在于，在步骤S6中，设输入为8位输入向量a0，神经网络层数为L，θ为批次规范参数，XnorDotProduct表示异或点积基本计算流程如下：
a. 第一层：
；
b. 剩余隐藏层：
；
c.输出层：
。
5.根据权利要求4所述的基于机器视觉的线缆质量检测方法，其特征在于，采用二值神经网络加K-means聚类的联合算法对缺陷图像进行识别，具体流程为：降低二值神经网络层数；对二值神经网络的输出进行K-means聚类算法。
6.根据权利要求5所述的基于机器视觉的线缆质量检测方法，其特征在于，联合算法的具体步骤如下，
a. 随机选择k个二值神经网络输出作为初始簇类的均值向量，k为缺陷类型数量；
b. 计算所有神经网络输出值距离a中均值向量的距离，并选择距离最小的作为其簇；
c. 更新均值向量；
d.重复b、c，当达到设置的迭代次数或簇类的均值向量不再改变时，模型构建完成，输出聚类算法结果，进而判断线缆质量缺陷类型。
CN202310943288.5A 2023-07-31 2023-07-31 一种基于机器视觉的线缆质量检测方法及设备 Active CN116664571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310943288.5A CN116664571B (zh) 2023-07-31 2023-07-31 一种基于机器视觉的线缆质量检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310943288.5A CN116664571B (zh) 2023-07-31 2023-07-31 一种基于机器视觉的线缆质量检测方法及设备

Publications (2)

Publication Number Publication Date
CN116664571A CN116664571A (zh) 2023-08-29
CN116664571B true CN116664571B (zh) 2023-10-10

Family

ID=87712182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310943288.5A Active CN116664571B (zh) 2023-07-31 2023-07-31 一种基于机器视觉的线缆质量检测方法及设备

Country Status (1)

Country Link
CN (1) CN116664571B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808107A (zh) * 2015-04-16 2015-07-29 国家电网公司 一种xlpe电缆局部放电缺陷类型识别方法
CN111402248A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路导线缺陷检测方法
CN112801211A (zh) * 2021-03-02 2021-05-14 贵州电网有限责任公司 基于图像识别技术的电网缺陷精确识别方法
CN113205063A (zh) * 2021-05-19 2021-08-03 云南电网有限责任公司电力科学研究院 一种输电导线缺陷的视觉识别及定位方法
CN114336438A (zh) * 2022-01-11 2022-04-12 四川新蓉电缆有限责任公司 一种矿物绝缘电缆铜护套修补方法
CN115296202A (zh) * 2022-07-13 2022-11-04 蔡蕾 一种具有抗风阻能力的线缆检修机器人

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6975894B2 (en) * 2001-04-12 2005-12-13 Trustees Of The University Of Pennsylvania Digital topological analysis of trabecular bone MR images and prediction of osteoporosis fractures

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104808107A (zh) * 2015-04-16 2015-07-29 国家电网公司 一种xlpe电缆局部放电缺陷类型识别方法
CN111402248A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路导线缺陷检测方法
CN112801211A (zh) * 2021-03-02 2021-05-14 贵州电网有限责任公司 基于图像识别技术的电网缺陷精确识别方法
CN113205063A (zh) * 2021-05-19 2021-08-03 云南电网有限责任公司电力科学研究院 一种输电导线缺陷的视觉识别及定位方法
CN114336438A (zh) * 2022-01-11 2022-04-12 四川新蓉电缆有限责任公司 一种矿物绝缘电缆铜护套修补方法
CN115296202A (zh) * 2022-07-13 2022-11-04 蔡蕾 一种具有抗风阻能力的线缆检修机器人

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Binarized Neural Networks: Training Neural Networks with Weights and Activations Constrained to +1 or -1;Matthieu Courbariaux et al.;《arXiv:1602.02830v3 [cs.LG]》;第1-11页 *
CP神经网络在图像边缘检测中的应用;甘玲, 李涛, 赵辉, 肖康;《四川大学学报(工程科学版)》;第35卷(第03期);第93-96页 *

Also Published As

Publication number Publication date
CN116664571A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN107966447B (zh) 一种基于卷积神经网络的工件表面缺陷检测方法
CN107561738B (zh) 基于fcn的tft-lcd表面缺陷快速检测方法
CN111681162B (zh) 一种缺陷样本生成方法、装置、电子设备及存储介质
CN106169081B (zh) 一种基于不同照度的图像分类及处理方法
CN103593670A (zh) 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN102253049A (zh) 带钢生产过程表面质量在线精准检测方法
CN112884669A (zh) 基于多尺度内容注意力机制的图像修复方法、存储介质和终端
CN114049343A (zh) 基于深度学习的裂纹扩展历程复杂缺失纹理的追溯方法
CN112509092B (zh) 基于卷积生成对抗网络的乳腺X-ray图像自动生成方法
CN102509077A (zh) 基于光照自动评估的目标识别方法
CN116758080A (zh) 一种太阳能电池片丝网印刷缺陷检测方法及系统
CN113240665A (zh) 一种基于深度学习的工业自动表面缺陷检测方法
CN116664571B (zh) 一种基于机器视觉的线缆质量检测方法及设备
CN111275684A (zh) 一种基于多尺度特征提取的带钢表面缺陷检测方法
CN115937518A (zh) 一种基于多源图像融合的路面病害识别方法及系统
CN113486860A (zh) 一种基于YOLOv5的安全护具佩戴检测方法及系统
CN116309275A (zh) 一种电池片图像亚像素边缘检测方法、装置及存储介质
CN114154552A (zh) 一种瓷砖分级分色检测方法、装置、介质及设备
CN106997590A (zh) 一种基于检测产品特性的图像处理与检测系统
Ren et al. Steel Surface Defect Detection Using Improved Deep Learning Algorithm: ECA-SimSPPF-SIoU-Yolov5
CN116740051A (zh) 基于改进yolo模型的钢材表面缺陷检测方法
CN116310358B (zh) 铁路货车螺栓丢失检测方法、存储介质及设备
CN116797602A (zh) 一种用于工业产品检测的表面缺陷鉴定方法和装置
CN116934761A (zh) 一种乳胶手套缺陷自适应检测方法

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
GR01 Patent grant
GR01 Patent grant