CN116721107B - 一种电缆生产质量智能监控系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种电缆生产质量智能监控系统，该系统通过获取电缆线表面图像的灰度图像，对该灰度图像进行边缘检测，获取各个电缆边界像素点，进而确定电缆线表面缺陷形状丰富度；对灰度图像进行投影处理，确定各个电缆线表面异常像素点，并根据电缆线表面异常像素点的位置和灰度值，确定电缆线表面缺陷信息比重；根据电缆线表面缺陷形状丰富度、电缆线表面缺陷信息比重、电缆线表面异常像素点和电缆边界像素点，确定电缆线表面显著系数，进而确定电缆线表面显著图像，并最终确定电缆线质量。本发明通过对电缆线表面图像进行图像处理，可以准确确定电缆线质量，有效解决了电缆线生产质量检测不准确的问题。

Description

一种电缆生产质量智能监控系统

技术领域

本发明涉及图像处理技术领域，具体涉及一种电缆生产质量智能监控系统。

背景技术

电缆线是日常生产和生活中不可缺少的配套产品，用于各种用电场合的电力输送。随着电缆线的生产需求日益增加，现如今电缆线的品种和数量也逐渐增多，而生产电缆线的质量也参差不齐。当生产电缆线存在缺陷时，容易使电缆线在使用过程中出现故障，因电缆线质量问题所导致的火灾和其它安全事故时有发生，因此对电缆线生产质量进行监控十分重要。

电缆线的生产质量受多方面因素的影响，目前在对电缆线表面质量进行监控时，多采用计算机视觉技术，通过图像处理的方式来快速检测电缆线表面存在的缺陷。但由于电缆线生产车间复杂，且电缆线表面存在的缺陷较小，而较小的缺陷在图像中表现的特征通常不明显，因此采用图像处理的方式对电缆线缺陷进行检测时，传统的显著性检测算法构建的显著图不准确，造成对电缆线缺陷的检测不准确，较小的缺陷不易被检测到等，影响了对电缆线缺陷检测的精度，降低了对电缆线生产质量检测的准确性，从而影响出厂电缆线的整体质量。

发明内容

本发明的目的在于提供一种电缆生产质量智能监控系统，用于解决现有电缆线生产质量检测不准确的问题。

为解决上述技术问题，本发明提供了一种电缆生产质量智能监控系统，包括：

边界像素点获取模块，用于：获取电缆线表面图像的灰度图像，对所述灰度图像进行边缘检测，获取各个电缆边界像素点；

缺陷形状丰富度获取模块，用于：根据所述电缆边界像素点的位置分布特征，确定电缆线表面缺陷形状丰富度；

缺陷信息比重获取模块，用于：对所述灰度图像进行投影处理，得到在至少两个不同设定投影方向下的投影序列，对所述投影序列中的数据点进行异常检测，确定所述灰度图像中的各个电缆线表面异常像素点，并根据所述电缆线表面异常像素点的位置和灰度值，确定电缆线表面缺陷信息比重；

显著系数获取模块，用于：根据所述电缆线表面缺陷形状丰富度、电缆线表面缺陷信息比重、电缆线表面异常像素点和电缆边界像素点，确定电缆线表面显著系数；

显著图像获取模块，用于：根据所述电缆线表面显著系数、电缆线表面异常像素点以及所述灰度图像中各个像素点的灰度值，确定电缆线表面显著图像；

电缆线质量获取模块，用于：根据所述电缆线表面显著图像，进行电缆线表面缺陷检测，并根据检测结果，确定电缆线质量。

进一步的，确定电缆线表面缺陷形状丰富度，包括：

根据所述电缆边界像素点的位置，确定第一电缆边界像素点序列和第二电缆边界像素点序列；

根据所述第一电缆边界像素点序列和第二电缆边界像素点序列中每相邻两个电缆边界像素点之间对应的斜率，确定第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差；

将所述第一电缆边界像素点序列中的电缆边界像素点与所述第二电缆边界像素点序列中的电缆边界像素点进行匹配，获取各个电缆边界像素点匹配对，并根据所述电缆边界像素点匹配对中两个电缆边界像素点之间的距离，确定距离信息熵；

根据所述距离信息熵以及第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差，确定电缆线表面缺陷形状丰富度，所述距离信息熵以及第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差均与所述电缆线表面缺陷形状丰富度成正相关关系。

进一步的，对所述灰度图像进行投影处理，得到在至少两个不同设定投影方向下的投影序列，包括：

所述设定投影方向包括水平投影方向和竖直投影方向，利用Radon算法分别对所述灰度图像在水平投影方向和竖直投影方向进行投影，从而得到在水平投影方向和竖直投影方向下的投影序列；

将在水平投影方向下的投影序列中小于设定筛选阈值的数据点进行剔除，从而得到最终的在水平投影方向下的投影序列。

进一步的，确定所述灰度图像中的各个电缆线表面异常像素点，包括：

利用LOF算法对所述投影序列中的数据点进行异常检测，从而得到所述投影序列中的各个异常数据点；

将在水平投影方向下的投影序列中的各个异常数据点所对应的投影直线与在竖直投影方向下的投影序列中的各个异常数据点所对应的投影直线的交点处的像素点，确定为所述灰度图像中的各个电缆线表面异常像素点。

进一步的，确定电缆线表面缺陷信息比重，包括：

根据所述电缆线表面异常像素点的位置，对所述电缆线表面异常像素点进行聚类，获取各个异常像素点聚类簇，并确定所述异常像素点聚类簇对应的簇密度；

将所述异常像素点聚类簇中各个电缆线表面异常像素点的灰度值按照大小顺序进行排列，从而得到所述异常像素点聚类簇对应的灰度值序列，确定所述灰度值序列的自相关性；

根据所述异常像素点聚类簇对应的簇密度和自相关性，确定电缆线表面缺陷信息比重。

进一步的，确定电缆线表面缺陷信息比重对应的计算公式为：

其中，为电缆线表面缺陷信息比重，/>为第x个所述异常像素点聚类簇对应的簇密度，/>为第x个所述异常像素点聚类簇对应的灰度值序列/>的自相关性，y为所述异常像素点聚类簇的总数目。

进一步的，确定电缆线表面显著系数，包括：

确定电缆线表面异常像素点和电缆边界像素点的交集像素点；

根据所述交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重，确定电缆线表面显著系数，所述交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重均与所述电缆线表面显著系数成正相关关系。

进一步的，确定电缆线表面显著图像，包括：

对所述电缆线表面显著系数进行归一化映射，得到归一化映射值；

将所述灰度图像中的任意一个像素点作为目标像素点，若所述目标像素点属于电缆线表面异常像素点，则根据所述目标像素点的灰度值以及归一化映射值，确定所述目标像素点的对应的显著值，所述目标像素点的灰度值以及归一化映射值均与确定的所述显著值成正相关关系；若所述目标像素点不属于电缆线表面异常像素点，则将所述目标像素点的灰度值确定为其对应的显著值；

根据所述灰度图像中各个像素点对应的显著值，构造电缆线表面显著图像。

进一步的，在根据所述电缆线表面显著图像，进行电缆线表面缺陷检测之前，还包括：

利用视觉显著性检测算法对所述电缆线表面图像进行显著性检测，获取亮度方向颜色显著图；

将所述电缆线表面显著图像与亮度方向颜色显著图进行融合，得到融合显著图，并对根据融合显著图进行电缆线表面缺陷检测。

进一步的，进行电缆线表面缺陷检测，并根据检测结果，确定电缆线质量，包括：

对所述融合显著图进行大津阈值分割，得到缺陷分割区域；

根据所述缺陷分割区域的数量和面积，确定质量指标值，所述缺陷分割区域的数量和面积均与所述质量指标值成正相关关系；

根据所述质量指标值，确定电缆线的质量等级。

本发明具有如下有益效果：为了对电缆线的表面缺陷进行检测，从而确定电缆线的表面质量，首先对电缆线表面图像的灰度图像进行边缘检测，获取各个电缆边界像素点。通过对这些电缆边界像素点的位置分布情况进行分析，可以确定电缆线边界形状变化和宽度变化，从而得到电缆线表面缺陷形状丰富度。该电缆线表面缺陷形状丰富度可以准确表征电缆线表面缺陷形状的丰富情况，当电缆线表面缺陷形状越丰富时，则说明该电缆线表面存在缺陷的可能性越大。为了避免不同拍摄角度对电缆线表面质量检测结果的影响，在不同设定投影方向上对灰度图像进行投影处理，得到在每种设定投影方向下的投影序列。由于当电缆线表面存在缺陷时，其对应会在投影序列中产生异常数据点，因此对投影序列中的数据点进行异常检测，从而可以确定灰度图像中的各个电缆线表面异常像素点。对这些电缆线表面异常像素点的位置和灰度值进行分析，可以确定电缆线表面缺陷信息比重，该电缆线表面缺陷信息比重可准确对电缆线表面缺陷的灰度变化情况以及位置分布进行表征，消除了图像拍摄角度对电缆线表面缺陷信息识别的影响。根据电缆线表面异常像素点和电缆边界像素点的分布位置关系，并结合电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重，确定可以准确表征电缆线表面缺陷信息丰富情况的电缆线表面显著系数，并基于该电缆线表面显著系数，对电缆线表面异常像素点进行凸显，从而确定电缆线表面显著图像。由于该电缆线表面显著图像中对可能为缺陷的电缆线表面异常像素点的特征进行了凸显，可以准确反映出电缆线表面较小和不明显缺陷的特征，因此对该电缆线表面显著图像进行电缆线表面缺陷检测，最终可以准确确定电缆线质量。本发明通过对电缆线表面图像进行图像处理，利用电缆线表面显著图像中对可能为缺陷的电缆线表面异常像素点的特征进行凸显，可以准确反映出电缆线表面较小和不明显缺陷的特征，可以准确确定电缆线质量，有效解决了电缆线生产质量检测不准确的问题。

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为本发明实施例的电缆生产质量智能监控系统的结构示意图；

图2为本发明实施例的电缆生产质量智能监控方法的流程图；

图3为本发明实施例的电缆线表面图像的灰度图像示例1；

图4为本发明实施例的灰度图像示例1对应的融合显著图；

图5为本发明实施例的电缆线表面图像的灰度图像示例2；

图6为本发明实施例的灰度图像示例2对应的融合显著图；

图7为本发明实施例的电缆线表面图像的灰度图像示例3；

图8为本发明实施例的灰度图像示例3对应的融合显著图。

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技术方案的具体实施方式、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。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。

本实施例提供了一种电缆生产质量智能监控系统，该系统实质上是一种软件系统，该软件系统由各个实现对应功能的模块构成，其对应的结构示意图如图1所示。该系统的核心在于实现一种电缆生产质量智能监控方法，该系统中的各个模块对应方法中的各个步骤，该方法对应的流程图如图2所示。下面结合该方法中的具体步骤，对该系统的各个模块进行详细介绍。

边界像素点获取模块，用于：获取电缆线表面图像的灰度图像，对所述灰度图像进行边缘检测，获取各个电缆边界像素点。

在电缆线生产过程中，采用CCD工业相机对生产的电缆线进行拍摄，采集电缆线表面图像，该电缆线表面图像为RGB图像。由于CCD工业相机分辨率较高，得到的图像较为清晰，但由于生产车间的环境复杂，在采用CCD工业相机进行图像采集时，存在各种噪声干扰，这些噪声干扰包括光照干扰、相机成像中噪声干扰和图像传递过程中的干扰等，从而使得采集到的电缆线表面图像质量较差，甚至会出现图片失真。因此，对为了消除图像中的噪声干扰，本实施例采用中值滤波方法对电缆线表面图像进行降噪处理，以更好地保留电缆线表面图像中的边缘信息。

对降噪处理后的电缆线表面图像进行灰度转换，从而得到电缆线表面图像的灰度图像。由于对图像进行灰度转换的过程属于现有技术，此处不再赘述。后续可基于该灰度图像进行电缆线表面缺陷特征的分析，从而确定电缆线质量。

考虑到当电缆线表面出现缺陷时，缺陷的存在会使电缆线表面凹凸不平，较严重的缺陷会使电缆线表面的护套层损坏，内部的绝缘层裸露出来。这些缺陷的存在会使护套层保护电缆线避免机械损伤和化学腐蚀等伤害的功能降低，从而导致电缆线的质量较低，进而使得电缆线在使用时存在较多安全隐患。

当电缆线表面存在缺陷时，这些缺陷在电缆线表面表现的特征就会不同，因此在对电缆线表面的特征进行缺陷分割时，可以选择性的突出电缆线表面的缺陷信息，抑制无用信息。其中，采用视觉显著性检测算法能够突出电缆线表面的缺陷信息，提高计算机识别的准确性，但针对电缆线的表面缺陷，视觉显著性检测算法只考虑了颜色、方向和亮度这三种特征，而对于电缆线表面较小的缺陷，上述三种特征并不明显，这就导致直接采用视觉显著性检测算法进行电缆线表面缺陷识别时，对电缆线表面缺陷信息的识别不准确。

基于上述分析，为了提高电缆线表面缺陷识别的准确性，需要对电缆线表面的缺陷特征进行分析。为了确定电缆线表面的缺陷特征，根据电缆线表面图像的灰度图像，采用Canny边缘检测算法进行处理，得到电缆线表面边界二值图像，基于该电缆线表面边界二值图像，利用边界跟踪算法进行处理，从而得到灰度图像中带有坐标系信息的各个电缆边界像素点。Canny边缘检测算法和边界跟踪算法为公知技术，此处对其具体实现过程不再进行赘述。

缺陷形状丰富度获取模块，用于：根据所述电缆边界像素点的位置分布特征，确定电缆线表面缺陷形状丰富度。

在确定灰度图像中的各个电缆边界像素点之后，对这些电缆边界像素点的位置分布特征进行分析，可以确定电缆线表面缺陷形状丰富度，实现步骤包括：

根据所述电缆边界像素点的位置，确定第一电缆边界像素点序列和第二电缆边界像素点序列；

根据所述第一电缆边界像素点序列和第二电缆边界像素点序列中每相邻两个电缆边界像素点之间对应的斜率，确定第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差；

将所述第一电缆边界像素点序列中的电缆边界像素点与所述第二电缆边界像素点序列中的电缆边界像素点进行匹配，获取各个电缆边界像素点匹配对，并根据所述电缆边界像素点匹配对中两个电缆边界像素点之间的距离，确定距离信息熵；

根据所述距离信息熵以及第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差，确定电缆线表面缺陷形状丰富度，所述距离信息熵以及第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差均与所述电缆线表面缺陷形状丰富度成正相关关系。

为了便于理解，根据灰度图像中的各个电缆边界像素点的位置，将电缆线同一边界的电缆边界像素点按照其本身的位置顺序进行排列，可以确定第一电缆边界像素点序列A和第二电缆边界像素点序列B，序列A和序列B分别表示电缆线的两条长边界，分别记为边界a和边界b，在理想情况下，边界a和边界b应当平行。

分别计算序列A和序列B中从左到右每相邻两个边界像素点在灰度图像中对应的斜率，分别计算序列A和序列B中得到斜率的标准差，将该标准差称为斜率标准差，分别记为和/>。符合标准的电缆线的两条边界a和b的形状是相似的，且在正常情况下表现为两条平行直线。为了更准确的反映电缆线边界的变化，可以将序列A与序列B中的边界像素点从左到右依次对应，即序列A中的第i个边界像素点与序列B中的第i个边界像素点对应，若两个序列中边界像素点的数量不同，则根据较短的序列中边界像素点从左到右对应另一序列中的边界像素点，构成像素点对也就是边界像素点匹配对。

在得到序列A与序列B对应的各个像素点对之后，计算每个像素点对中两个边界像素点的欧式距离，得到距离序列。计算序列C中所有欧氏距离的信息熵，将该信息熵称为距离信息熵，并记为/>。根据电缆线边界形状变化和宽度变化，计算电缆线表面缺陷形状丰富度，对应的计算公式为：

其中，为电缆线表面缺陷形状丰富度，/>为距离信息熵，/>和/>分别为第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差，/>为以自然常数e为底数的指数函数。

对于上述的电缆线表面缺陷形状丰富度H的计算公式，若电缆边界出现缺陷，则计算得到的距离信息熵的取值就越大，相应的两个斜率标准差的相加和/>的值越大，得到的电缆线表面缺陷形状丰富度H的值越大，此时表示电缆线缺陷形状信息较为丰富。而电缆线越完整，距离信息熵/>以及两个斜率标准差的相加和/>的值越小，计算得到的电缆线表面缺陷形状丰富度H的值越小，此时表示电缆线缺陷形状信息较少。

缺陷信息比重获取模块，用于：对所述灰度图像进行投影处理，得到在至少两个不同设定投影方向下的投影序列，对所述投影序列中的数据点进行异常检测，确定所述灰度图像中的各个电缆线表面异常像素点，并根据所述电缆线表面异常像素点的位置和灰度值，确定电缆线表面缺陷信息比重。

上述在确定电缆线表面缺陷形状丰富度时，考虑了图像中电缆线的边界缺陷信息，而由于电缆线为圆柱形，同一段电缆下在不同拍摄角度的图像中表现的电缆缺陷信息不同。因此为了更准确地识别电缆线表面缺陷信息，采用Radon算法对灰度图像进行投影处理，本实施例在进行投影处理时，是利用Radon算法分别对灰度图像在不同设定投影方向下进行投影，从而得到在不同设定投影方向下的投影序列。由于在灰度图像中电缆线沿着水平方向分布，因此本实施例设置两个不同设定投影方向分别为水平投影方向和竖直投影方向，即投影角度分别为0度和90度，从而得到在水平投影方向和竖直投影方向下的投影序列，分别记为投影序列F和投影序列G。由于采用Radon算法对图像进行投影处理的具体实现过程属于现有技术，此处不再赘述。考虑到灰度图像中的黑色背景部分，对于在水平投影方向下的投影序列F，设置设定筛选阈值，剔除投影序列F中小于该设定筛选阈值/>的数值，得到新的在水平方向下的投影序列/>。

对投影序列和投影序列G中的数据点进行异常检测，并根据检测结果确定灰度图像中的各个电缆线表面异常像素点，实现步骤包括：

利用LOF算法对所述投影序列中的数据点进行异常检测，从而得到所述投影序列中的各个异常数据点；

将在水平投影方向下的投影序列中的各个异常数据点所对应的投影直线与在竖直投影方向下的投影序列中的各个异常数据点所对应的投影直线的交点处的像素点，确定为所述灰度图像中的各个电缆线表面异常像素点。

为了便于理解，利用LOF算法分别对投影序列和投影序列G中的数据点进行异常检测，从而得到两个投影序列对应的异常数据集合，分别记为/>和/>。在采用LOF算法分别对投影序列/>和投影序列G中的数据点进行异常检测时，设置邻域参数/>，距离度量采用欧式距离，由于采用LOF算法对序列中的数据点进行异常检测的距离实现过程属于现有技术，此处不再赘述。

由于在利用Radon算法对灰度图像进行投影，得到投影序列F和投影序列G的过程中，投影序列F中的每个数据点均对应一条水平的投影直线，投影序列G中的每个数据点均对应一条竖直的投影直线，因此确定投影序列对应的异常数据集合中各个异常数据点对应的水平的投影直线，与投影序列G对应的异常数据集合中各个异常数据点对应的竖直的投影直线的交点处的像素点，并将这些像素点确定为各个电缆线表面异常像素点，将这些电缆线表面异常像素点构成的集合记为M。这些电缆线表面异常像素点是指电缆线表面极有可能发生缺陷的像素点，通过对这些电缆线表面异常像素点的位置和灰度值进行分析，可以确定电缆线表面缺陷信息比重，实现步骤包括：

根据所述电缆线表面异常像素点的位置，对所述电缆线表面异常像素点进行聚类，获取各个异常像素点聚类簇，并确定所述异常像素点聚类簇对应的簇密度；

将所述异常像素点聚类簇中各个电缆线表面异常像素点的灰度值按照大小顺序进行排列，从而得到所述异常像素点聚类簇对应的灰度值序列，确定所述灰度值序列的自相关性；

根据所述异常像素点聚类簇对应的簇密度和自相关性，确定电缆线表面缺陷信息比重。

为了便于理解，根据上述所确定的电缆线表面异常像素点的位置信息，采用DBSCAN聚类算法对这些电缆线表面异常像素点进行聚类处理，从而可以得到各个异常像素点聚类簇，记异常像素点聚类簇的数量为y。在采用DBSCAN聚类算法进行聚类处理时，本实施例设置聚类半径为r=5，聚类最小数据点数目为20。由于采用DBSCAN聚类算法进行聚类处理的具体实现过程属于现有技术，此处不再赘述。

对于每一个异常像素点聚类簇，确定该异常像素点聚类簇对应的簇密度。本实施例在确定该异常像素点聚类簇对应的簇密度时，是在该异常像素点聚类簇中任意选取一个像素点，然后计算该像素点到簇中其他像素点的欧式距离，并将所有欧式距离的均值作为该异常像素点聚类簇的簇密度。同时将该异常像素点聚类簇中像素点的灰度值按由大到小的顺序进行排列，得到灰度值序列，并计算该灰度值序列的自相关性。由于计算灰度值序列的自相关性的具体实现过程属于现有技术，此处不再赘述。

基于每个异常像素点聚类簇对应的簇密度和自相关性，确定电缆线表面缺陷信息比重，对应的计算公式为：

其中，为电缆线表面缺陷信息比重，/>为第x个异常像素点聚类簇对应的簇密度，为第x个异常像素点聚类簇对应的灰度值序列/>的自相关性，y为异常像素点聚类簇的总数目。

对于上述的电缆线表面缺陷信息比重的计算公式，当电缆线表面存在缺陷时，电缆线表面会凹凸不平，甚至出现破损，这些缺陷可以通过电缆线表面图像中的灰度变化以及异常像素点的分布情况体现。若电缆线表面存在缺陷，当异常像素点聚类簇中越多的异常像素点位于缺陷部位时，则该异常像素点聚类簇对应的自相关性/>的取值就会越大；同时缺陷影响范围越大，则该异常像素点聚类簇对应的簇密度/>的值越大，对应电缆线表面缺陷信息比重/>的值就越大，此时表示该电缆线表面缺陷信息越丰富。

显著系数获取模块，用于：根据所述电缆线表面缺陷形状丰富度、电缆线表面缺陷信息比重、电缆线表面异常像素点和电缆边界像素点，确定电缆线表面显著系数。

对上述所确定的电缆线表面缺陷形状丰富度、电缆线表面缺陷信息比重、电缆线表面异常像素点和电缆边界像素点进行分析，从而可以确定电缆线表面显著系数，实现步骤包括：

确定电缆线表面异常像素点和电缆边界像素点的交集像素点；

根据所述交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重，确定电缆线表面显著系数，所述交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重均与所述电缆线表面显著系数成正相关关系。

为了便于理解，在确定电缆线表面缺陷信息比重的过程中，若电缆线表面异常像素点所构成集合M中的像素点位于边界的数量越多，则可以进一步表明电缆线边界存在缺陷。因此确定电缆线表面异常像素点所构成集合M和电缆边界像素点所构成集合N的交集中的像素点，交集中的像素点也称为交集像素点，这里的集合N是由序列A和序列B中的所有电缆边界像素点构成，根据交集中像素点的总数目，并结合电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重，确定电缆线表面显著系数，对应的计算公式为：

其中，为电缆线表面显著系数，/>为电缆线表面缺陷信息比重，/>为电缆线表面异常像素点所构成集合M和电缆边界像素点所构成集合N的交集中的像素点的总数目，为电缆线表面缺陷形状丰富度。

对于上述的电缆线表面显著系数的计算公式，若电缆线的表面缺陷特征越多，则和/>的取值就越大，对应计算得到的电缆线表面显著系数/>的取值就越大，表明该电缆线的缺陷信息越丰富，后续进行显著性增强的值就越大。

应当理解的是，作为其他的实施方式，在保证交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重均与电缆线表面显著系数成正相关关系的情况下，该电缆线表面显著系数也可以为交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重的相加值。

显著图像获取模块，用于：根据所述电缆线表面显著系数、电缆线表面异常像素点以及所述灰度图像中各个像素点的灰度值，确定电缆线表面显著图像。

在通过上述步骤确定电缆线表面显著系数之后，基于该电缆线表面显著系数，对灰度图像中各个像素点的灰度值进行显著性处理，从而得到电缆线表面显著图像，实现步骤包括：

对所述电缆线表面显著系数进行归一化映射，得到归一化映射值；

将所述灰度图像中的任意一个像素点作为目标像素点，若所述目标像素点属于电缆线表面异常像素点，则根据所述目标像素点的灰度值以及归一化映射值，确定所述目标像素点的对应的显著值，所述目标像素点的灰度值以及归一化映射值均与确定的所述显著值成正相关关系；若所述目标像素点不属于电缆线表面异常像素点，则将所述目标像素点的灰度值确定为其对应的显著值；

根据所述灰度图像中各个像素点对应的显著值，构造电缆线表面显著图像。

为了便于理解，确定灰度图像中的各个像素点对应的显著值，对应的计算公式为：

其中，为灰度图像中的第r个像素点对应的显著值，/>为灰度图像中的第r个像素点，/>为灰度图像中的第r个像素点/>的灰度值，/>为电缆线表面异常像素点所构成的集合，/>为电缆线表面显著系数，/>为归一化函数，/>为属于符号，/>为不属于符号。

对于上述的灰度图像中的第r个像素点对应的显著值的计算公式，当第r个像素点不属于电缆线表面异常像素点时，则直接将该第r个像素点的灰度值确定为其对应显著值。而当第r个像素点属于电缆线表面异常像素点时，则对该第r个像素点的灰度值进行放大，放大系数为电缆线表面显著系数/>的归一化映射值/>，并将该放大后的灰度值作为第r个像素点对应的显著值，以对缺陷进行凸显。电缆线表面显著系数/>的取值越大，对应的归一化映射值/>的取值就越大，相应灰度值的放大系数就越大。

在确定灰度图像中各个像素点对应的显著值之后，令灰度图像中每个像素点的像素值等于其对应的显著值，而当显著值大于灰度值的最大取值255时，则令对应像素点的像素值等于灰度值的最大取值255，从而得到该灰度图像对应的电缆线表面显著图像P。在该电缆线表面显著图像P中，能够准确反映出面积较小和不明显缺陷的特征，有利于后续提高电缆线质量检测的准确性。

应当理解的是，当灰度图像中不存在电缆线表面异常像素点时，此时则无需计算电缆线表面缺陷信息比重以及电缆线表面显著系数，并将灰度图像中各个像素点的灰度值确定为其对应的显著值，从而直接得到电缆线表面显著图像P。

电缆线质量获取模块，用于：根据所述电缆线表面显著图像，进行电缆线表面缺陷检测，并根据检测结果，确定电缆线质量。

在通过上述步骤确定电缆线表面显著图像之后，由于该电缆线表面显著图像是基于灰度图像中电缆线的表面缺陷信息特征进行构建，因此可根据该电缆线表面显著图像进行电缆线表面缺陷检测。为了进一步提高电缆线表面缺陷检测的准确性，在根据该电缆线表面显著图像，进行电缆线表面缺陷检测之前，还包括：

利用视觉显著性检测算法对所述电缆线表面图像进行显著性检测，获取亮度方向颜色显著图；

将所述电缆线表面显著图像与亮度方向颜色显著图进行融合，得到融合显著图，并对根据融合显著图进行电缆线表面缺陷检测。

为了便于理解，为了进一步提高电缆线表面缺陷检测的准确性，在获得电缆线表面显著图像之后，利用ITTI视觉显著性检测算法对电缆线表面图像中的亮度、方向和颜色进行显著性检测，从而得到亮度方向颜色显著图。由于利用ITTI视觉显著性检测算法获取亮度方向颜色显著图的具体实现过程属于现有技术，此处不再赘述。将该亮度方向颜色显著图与电缆线表面显著图像P进行线性融合，从而得到融合显著图。具体融合计算过程可参考ITTI视觉显著性检测算法的具体计算过程，此处不再赘述。对于图3中的电缆线表面图像的灰度图像，其对应的融合显著图如图4所示；对于图5中的电缆线表面图像的灰度图像，其对应的融合显著图如图6所示；对于图7中的电缆线表面图像的灰度图像，其对应的融合显著图如图8所示。

在得到融合显著图之后，对该融合显著图进行电缆线表面缺陷检测，并根据检测结果，确定电缆线质量，实现步骤包括：

对所述融合显著图进行大津阈值分割，得到缺陷分割区域；

根据所述缺陷分割区域的数量和面积，确定质量指标值，所述缺陷分割区域的数量和面积均与所述质量指标值成正相关关系；

根据所述质量指标值，确定电缆线的质量等级。

为了便于理解，利用大津阈值分割算法对融合显著图中的缺陷进行分割，可以得到电缆线显著图中的缺陷分割结果图，根据该缺陷分割结果图可以确定各个缺陷分割区域。根据这些缺陷分割区域的数量和面积，确定质量指标值。在本实施例中，该质量指标值为缺陷分割区域的数量与缺陷分割区域的总面积的乘积值的归一化值，该归一化值对应的归一化方式可根据需要进行确定，本实施例采用归一化函数进行归一化。当然，作为其他的实施方式，在保证缺陷分割区域的数量和总面积均与质量指标值成正相关关系的情况下，该质量指标值也可以为缺陷分割区域的数量与缺陷分割区域的总面积的相加值的归一化值，或者是为缺陷分割区域的数量与缺陷分割区域的总面积设定对应的权重，并基于该权重对缺陷分割区域的数量与缺陷分割区域的总面积进行加权相加并归一化，从而得到质量指标值。

基于所得到的质量指标值的大小，可以确定电缆线的质量等级。在本实施例中，该质量等级包括优、良和不合格。当质量指标值位于第一设定阈值范围[0,0.05]内时，则判定电缆线的质量等级为优；当质量指标值位于第二设定阈值范围(0.05,0.1]内时，则判定电缆线的质量等级为良，当质量指标值位于第三设定阈值范围(0.1,1]内时，则判定电缆线的质量等级为不合格。从而最终完成电缆生产质量智能监控。对于图3和图4中的电缆线，其对应的质量指标值为0.02，其对应的质量等级为优；对于图5和图6中的电缆线，其对应的质量指标值为0.06，其对应的质量等级为良；对于图7和图8中的电缆线，其对应的质量指标值为0.13，其对应的质量等级为不合格。

本发明通过对电缆线表面的缺陷特征进行分析，构造电缆线表面显著图像，该电缆线表面显著图像可对电缆线表面较小缺陷的特征进行凸显，提高了对电缆线表面缺陷分割的准确性，从而最终提高了电缆生产质量检测的准确性。

需要说明的是：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；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以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；而这些修改或者替换，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精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.一种电缆生产质量智能监控系统，其特征在于，包括：

边界像素点获取模块，用于：获取电缆线表面图像的灰度图像，对所述灰度图像进行边缘检测，获取各个电缆边界像素点；

缺陷形状丰富度获取模块，用于：根据所述电缆边界像素点的位置分布特征，确定电缆线表面缺陷形状丰富度；

缺陷信息比重获取模块，用于：对所述灰度图像进行投影处理，得到在至少两个不同设定投影方向下的投影序列，对所述投影序列中的数据点进行异常检测，确定所述灰度图像中的各个电缆线表面异常像素点，并根据所述电缆线表面异常像素点的位置和灰度值，确定电缆线表面缺陷信息比重；

显著系数获取模块，用于：根据所述电缆线表面缺陷形状丰富度、电缆线表面缺陷信息比重、电缆线表面异常像素点和电缆边界像素点，确定电缆线表面显著系数；

显著图像获取模块，用于：根据所述电缆线表面显著系数、电缆线表面异常像素点以及所述灰度图像中各个像素点的灰度值，确定电缆线表面显著图像；

电缆线质量获取模块，用于：根据所述电缆线表面显著图像，进行电缆线表面缺陷检测，并根据检测结果，确定电缆线质量；

确定电缆线表面缺陷形状丰富度，包括：

根据所述电缆边界像素点的位置，确定第一电缆边界像素点序列和第二电缆边界像素点序列；

根据所述第一电缆边界像素点序列和第二电缆边界像素点序列中每相邻两个电缆边界像素点之间对应的斜率，确定第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差；

将所述第一电缆边界像素点序列中的电缆边界像素点与所述第二电缆边界像素点序列中的电缆边界像素点进行匹配，获取各个电缆边界像素点匹配对，并根据所述电缆边界像素点匹配对中两个电缆边界像素点之间的距离，确定距离信息熵；

根据所述距离信息熵以及第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差，确定电缆线表面缺陷形状丰富度，所述距离信息熵以及第一电缆边界像素点序列和第二电缆边界像素点序列对应的斜率标准差均与所述电缆线表面缺陷形状丰富度成正相关关系；

确定电缆线表面显著系数，包括：

确定电缆线表面异常像素点和电缆边界像素点的交集像素点；

根据所述交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重，确定电缆线表面显著系数，所述交集像素点的总数目、电缆线表面缺陷形状丰富度和电缆线表面缺陷信息比重均与所述电缆线表面显著系数成正相关关系；

确定电缆线表面显著图像，包括：

对所述电缆线表面显著系数进行归一化映射，得到归一化映射值；

将所述灰度图像中的任意一个像素点作为目标像素点，若所述目标像素点属于电缆线表面异常像素点，则根据所述目标像素点的灰度值以及归一化映射值，确定所述目标像素点的对应的显著值，所述目标像素点的灰度值以及归一化映射值均与确定的所述显著值成正相关关系；若所述目标像素点不属于电缆线表面异常像素点，则将所述目标像素点的灰度值确定为其对应的显著值；

根据所述灰度图像中各个像素点对应的显著值，构造电缆线表面显著图像；

在根据所述电缆线表面显著图像，进行电缆线表面缺陷检测之前，还包括：

利用视觉显著性检测算法对所述电缆线表面图像进行显著性检测，获取亮度方向颜色显著图；

将所述电缆线表面显著图像与亮度方向颜色显著图进行融合，得到融合显著图，并对根据融合显著图进行电缆线表面缺陷检测；

进行电缆线表面缺陷检测，并根据检测结果，确定电缆线质量，包括：

对所述融合显著图进行大津阈值分割，得到缺陷分割区域；

根据所述缺陷分割区域的数量和面积，确定质量指标值，所述缺陷分割区域的数量和面积均与所述质量指标值成正相关关系；

根据所述质量指标值，确定电缆线的质量等级。

2.根据权利要求1所述的一种电缆生产质量智能监控系统，其特征在于，对所述灰度图像进行投影处理，得到在至少两个不同设定投影方向下的投影序列，包括：

所述设定投影方向包括水平投影方向和竖直投影方向，利用Radon算法分别对所述灰度图像在水平投影方向和竖直投影方向进行投影，从而得到在水平投影方向和竖直投影方向下的投影序列；

将在水平投影方向下的投影序列中小于设定筛选阈值的数据点进行剔除，从而得到最终的在水平投影方向下的投影序列。

3.根据权利要求2所述的一种电缆生产质量智能监控系统，其特征在于，确定所述灰度图像中的各个电缆线表面异常像素点，包括：

利用LOF算法对所述投影序列中的数据点进行异常检测，从而得到所述投影序列中的各个异常数据点；

将在水平投影方向下的投影序列中的各个异常数据点所对应的投影直线与在竖直投影方向下的投影序列中的各个异常数据点所对应的投影直线的交点处的像素点，确定为所述灰度图像中的各个电缆线表面异常像素点。

4.根据权利要求1所述的一种电缆生产质量智能监控系统，其特征在于，确定电缆线表面缺陷信息比重，包括：

根据所述电缆线表面异常像素点的位置，对所述电缆线表面异常像素点进行聚类，获取各个异常像素点聚类簇，并确定所述异常像素点聚类簇对应的簇密度；

将所述异常像素点聚类簇中各个电缆线表面异常像素点的灰度值按照大小顺序进行排列，从而得到所述异常像素点聚类簇对应的灰度值序列，确定所述灰度值序列的自相关性；

根据所述异常像素点聚类簇对应的簇密度和自相关性，确定电缆线表面缺陷信息比重。

5.根据权利要求4所述的一种电缆生产质量智能监控系统，其特征在于，确定电缆线表面缺陷信息比重对应的计算公式为：

其中，为电缆线表面缺陷信息比重，/>为第x个所述异常像素点聚类簇对应的簇密度，为第x个所述异常像素点聚类簇对应的灰度值序列/>的自相关性，y为所述异常像素点聚类簇的总数目。