CN116823815B - 一种电缆表面异常智能检测方法 - Google Patents
一种电缆表面异常智能检测方法 Download PDFInfo
- Publication number
- CN116823815B CN116823815B CN202311082983.3A CN202311082983A CN116823815B CN 116823815 B CN116823815 B CN 116823815B CN 202311082983 A CN202311082983 A CN 202311082983A CN 116823815 B CN116823815 B CN 116823815B
- Authority
- CN
- China
- Prior art keywords
- pit
- cable
- gray
- area
- concentric circle
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000005856 abnormality Effects 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000007547 defect Effects 0.000 claims abstract description 43
- 230000003287 optical effect Effects 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 14
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000004698 Polyethylene Substances 0.000 description 3
- 235000008429 bread Nutrition 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- -1 polyethylene Polymers 0.000 description 3
- 229920000573 polyethylene Polymers 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本说明书实施例公开了一种电缆表面异常智能检测方法,涉及图像处理技术领域,该方法包括:获取待检测电缆的表面图像;对该表面图像进行去噪和灰度处理,得到电缆表面的灰度图像;对该灰度图像进行处理以提取电缆区域,得到电缆区域图像;确定电缆区域图像中的边缘线,并对每一条边缘线进行闭运算,以确保每一条边缘线为闭合边缘线;计算闭合边缘线所对应的圆形度;将圆形度大于预设阈值的闭合边缘线标记为疑似凹坑边缘线,并设疑似凹坑边缘线内的区域为疑似凹坑区域;确定疑似凹坑区域的质心像素点,并以质心像素点为中心确定n个同心圆;基于该同心圆上的像素点的灰度特征,确定坑包显著系数;根据该坑包显著系数得到坑包缺陷区域。
Description
技术领域
本申请涉及图像处理技术领域,特别涉及一种电缆表面异常智能检测方法。
背景技术
随着国内基建的不断完善,对电缆的需求也越来越大,而在电缆生产过程中会不可避免地在电缆表面出现小孔、划痕以及绝缘皮破损等各种类型的缺陷,不仅影响电缆的使用寿命和性能,还可能会在后续使用过程中造成严重的安全事故。
通常,电缆表面会由于冷却水应用不合理,产生类似于“火山口”状的小坑包,当出现此类表面缺陷时,则需要采用对应解决措施(例如优化冷却工艺等)。
基于计算机视觉的检测技术目前已经在工业生产中得到了广泛的应用,但是,对于电缆检测而言,由于电缆表面缺陷种类繁多,不同种类的缺陷采取的解决措施可能并不相同,因此,对电缆表面的缺陷进行精准智能检测是工业生产中一大需求。
发明内容
本说明书实施例提供一种电缆表面异常智能检测方法,该方法包括:
获取待检测电缆的表面图像;
对所述表面图像进行去噪,并对去噪后的图像进行灰度处理,得到电缆表面的灰度图像;
使用GrabCut算法对所述电缆表面的灰度图像进行处理以提取电缆区域,得到电缆区域图像;
通过Canny边缘检测技术确定所述电缆区域图像中的边缘线,并对每一条所述边缘线进行闭运算,以确保每一条所述边缘线为闭合边缘线;
计算每一条所述闭合边缘线所对应的圆形度;
将所述圆形度大于预设阈值的闭合边缘线标记为疑似凹坑边缘线,并设所述疑似凹坑边缘线内的区域为疑似凹坑区域;
确定所述疑似凹坑区域的质心像素点,并以所述质心像素点为中心,以所述疑似凹坑区域的最小外接圆半径为最大半径确定n个等距的同心圆;
基于所述同心圆上的像素点的灰度特征,确定所述疑似凹坑区域对应的坑包显著系数;
根据所述坑包显著系数得到坑包缺陷区域,完成对所述待检测电缆表面的异常检测。
在一些实施例中,所述表面图像通过三相机光学系统采集得到,其中,所述三相机光学系统包括三个互成120度夹角的CCD相机和至少两个呈半环形的LED白光源,所述CCD相机和所述LED白光源在不同位置沿所述待检测电缆的周向设置,所述CCD相机用于在所述待检测电缆从所述LED白光源之间穿过时对所述待检测电缆进行图像采集。
在一些实施例中,所述计算每一条所述闭合边缘线所对应的圆形度,包括:基于所述闭合边缘线内区域的面积以及所述闭合边缘线的周长,计算每一条所述闭合边缘线所对应的圆形度。
在一些实施例中,所述圆形度基于如下公式计算:
;
其中,为闭合边缘线对应的圆形度,/>为闭合边缘线内区域的面积,/>为闭合边缘线的周长。
在一些实施例中,所述基于所述同心圆上的像素点的灰度特征,确定所述疑似凹坑区域对应的坑包显著系数,包括:
计算每一个所述同心圆上像素点的灰度均值和方向梯度;
将所述同心圆按照半径从小到大的顺序进行排序,并确定最大灰度均值所对应的同心圆的序号;
基于所述最大灰度均值所对应的同心圆的序号,以及所述同心圆的总数量,确定同心圆灰度走势系数,所述同心圆灰度走势系数用于表征所述疑似凹坑区域中同心圆的灰度变化规律;
基于相邻两个所述同心圆所对应的灰度均值的差值确定符号差分序列,并基于所述符号差分序列确定同心圆灰度单调系数,所述同心圆灰度单调系数用于表征所述同心圆上的灰度值的增减规律;
基于所述方向梯度确定方向梯度变化曲线,并确定每一个所述同心圆所对应的方向梯度变化曲线中采样点的切线斜率的均值;
基于所述同心圆灰度走势系数、同心圆灰度单调系数以及所述切线斜率的均值,确定所述疑似凹坑区域对应的坑包显著系数。
在一些实施例中,所述同心圆灰度走势系数基于如下公式计算:
;
其中,表示同心圆灰度走势系数,/>表示最大灰度均值所对应的同心圆的序号,表示同心圆的总数量。
在一些实施例中,所述符号差分序列基于如下方式确定:
将所述同心圆所对应的灰度均值按照所述排序方式进行排列,得到第一序列;
根据所述第一序列中每一个元素与前一个元素的差值,得到第二序列;其中,当所述第一序列中的元素与前一个元素的差值小于0时,将所述第二序列中的对应元素赋值为-1,当所述第一序列中的元素与前一个元素的差值等于0时,将所述第二序列中的对应元素赋值为0,当所述第一序列中的元素与前一个元素的差值大于0时,将所述第二序列中的对应元素赋值为1;
将所述第二序列中赋值为0的元素剔除,得到所述符号差分序列;
所述基于所述符号差分序列确定同心圆灰度单调系数,包括:
以所述最大灰度均值所对应的同心圆为边界线,将半径小于或等于所述边界线对应的半径的同心圆划分为第一类同心圆,将半径大于所述边界线对应的半径的同心圆划分为第二类同心圆;
基于所述第一类同心圆所对应的灰度均值得到第一符号差分序列,基于所述第二类同心圆所对应的灰度均值得到第二符号差分序列;
基于所述第一符号差分序列得到第一同心圆灰度单调系数,基于所述第二符号差分序列得到第二同心圆灰度单调系数。
在一些实施例中,所述同心圆灰度单调系数基于如下公式计算:
;
其中,表示同心圆灰度单调系数,/>为所述符号差分序列中的第1个元素,/>为所述符号差分序列中的第/>个元素,p为所述符号差分序列中元素的个数。
在一些实施例中,所述坑包显著系数基于如下公式计算:
;
其中,为疑似凹坑区域对应的坑包显著系数,/>为所述第一同心圆灰度单调系数,/>为所述第二同心圆灰度单调系数,/>为所述疑似凹坑区域中第q个同心圆的方向梯度变化曲线中采样点的切线斜率的均值。
在一些实施例中,所述根据所述坑包显著系数得到坑包缺陷区域,包括:
设定阈值,将所述坑包显著系数在区间/>内的所述疑似凹坑区域判定为坑包缺陷区域。
本说明书实施例所提供的电缆表面异常智能检测方法可能带来的有益效果至少包括:(1)通过根据电缆表面“火山口”状的小坑包的特征构建坑包显著系数,能够精确地识别出电缆表面出现“火山口”状的小坑包缺陷的区域,可以避免由于缺陷类别识别不精确从而影响后续操作的问题,为后续针对此缺陷采取精确的应对措施提供了便利;(2)通过同心圆灰度走势系数、同心圆灰度单调系数以及方向梯度变化曲线中采样点的切线斜率的均值来确定疑似凹坑区域对应的坑包显著系数,可以准确地表征电缆表面的凹坑区域为“火山口”状的小坑包缺陷的概率,从而提高缺陷识别的准确性。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的电缆表面异常智能检测系统的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的电缆表面异常智能检测系统的示例性模块图;
图3是根据本说明书一些实施例所示的电缆表面异常智能检测方法的示例性流程图;
图4是根据本说明书一些实施例所示的三相机光学系统的结构示意图;
图5是根据本说明书一些实施例所示的一个电缆表面缺陷的剖面结构示意图;
图6是根据本说明书一些实施例所示的另一个电缆表面缺陷的剖面结构示意图;
图7是根据本说明书一些实施例所示的气泡上灰度值变化趋势示意图;
图8是根据本说明书一些实施例所示的同心圆灰度值变化趋势示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例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说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面结合附图对本说明书实施例提供的电缆表面异常智能检测方法和系统进行详细说明。
图1是根据本说明书一些实施例所示的电缆表面异常智能检测系统的示例性应用场景示意图。
参照图1,在一些实施例中,电缆表面异常智能检测系统的应用场景100可以包括三相机光学系统110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,三相机光学系统110可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
三相机光学系统110可以用于对待检测电缆进行表面图像采集,该表面图像可以反映出待检测电缆的表面的坑包、小孔、划痕等缺陷。参照图4,在一些实施例中,三相机光学系统110可以包括三个互成120度夹角的CCD相机111,以及至少两个呈半环形的LED白光源112,该CCD相机111和LED白光源112分别在不同位置沿待检测电缆113的周向设置,电缆113可以在运动控制模块驱动下匀速前进。其中,CCD相机111可以用于在待检测电缆113从LED白光源112之间穿过时对待检测电缆113进行表面图像采集,该LED白光源112可以用于在图像采集过程中进行补光,以确保CCD相机111可以清晰地拍摄到待检测电缆113表面的缺陷。如图4所示,在一些实施例中,该LED白光源112的数量可以为四个,CCD相机111的前侧和后侧各两个,从而可以在图像采集过程中更好地对待检测电缆113进行补光。在一些实施例中,该三相机光学系统110可以按照设定的图像采集频率对待检测电缆113进行表面图像采集(例如,每隔1秒、2秒或5采集一次,其采集频率可以根据电缆的移动速度进行设定)。在一些实施例中,三相机光学系统110可以具有独立的电源,其可以通过有线或无线(例如蓝牙、WiFi等)的方式将采集的表面图像发送给应用场景100中的其他部件(例如,存储设备120、处理设备130、终端设备140)。需要指出的是,在本说明书实施例中,通过该三相机光学系统110对待检测电缆进行表面图像采集,可以从不同角度获取待检测电缆的表面图像,实现无死角检测,并且,在本说明书实施例中,通过LED白光源112在图像采集过程中进行补光,可以避免阴影对后续图像处理过程造成干扰,从而在一定程度上提高电缆表面异常检测的准确性。
在一些实施例中,三相机光学系统110可以通过网络150将其采集的表面图像发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对三相机光学系统110所采集的表面图像进行处理。例如,处理设备130可以基于该表面图像确定疑似凹坑区域对应的坑包显著系数,并基于该坑包显著系数确定待检测电缆表面的坑包缺陷区域。在一些实施例中,该疑似凹坑区域对应的坑包显著系数和/或基于该坑包显著系数确定待检测电缆表面的坑包缺陷区域可以发送至存储设备120进行记录,或者发送至终端设备140以反馈给用户(例如电缆生产相关工作人员)。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,三相机光学系统110、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从三相机光学系统110和/或存储设备120获得针对待检测电缆采集的表面图像。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于调阅三相机光学系统110采集得到的表面图像,读取基于该表面图像确定的疑似凹坑区域对应的坑包显著系数,和/或基于该坑包显著系数确定待检测电缆表面的坑包缺陷区域等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从三相机光学系统110、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储三相机光学系统110采集的表面图像;又例如,存储设备120可以存储处理设备130计算得到的疑似凹坑区域对应的坑包显著系数,和/或基于该坑包显著系数确定待检测电缆表面的坑包缺陷区域。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,三相机光学系统110、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,三相机光学系统110、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是三相机光学系统110和/或处理设备130的一部分。
处理设备130可以处理从三相机光学系统110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从三相机光学系统110、存储设备120或终端设备140中任意一个或多个获得表面图像,通过对该表面图像进行处理以确定疑似凹坑区域对应的坑包显著系数,并基于该坑包显著系数确定待检测电缆表面的坑包缺陷区域。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的电缆表面异常智能检测方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从三相机光学系统110、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到三相机光学系统110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括三相机光学系统110采集的数据、存储设备120存储的数据、处理设备130处理得到的疑似凹坑区域对应的坑包显著系数,和/或基于该坑包显著系数确定待检测电缆表面的坑包缺陷区域等。所述发送的数据可以包括用户(例如电缆生产相关工作人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给三相机光学系统110,以控制三相机光学系统110进行相应的图像采集。又例如,终端设备140可以将用户输入的评估指令通过网络150发送给处理设备130。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,三相机光学系统110的可以包括更多或更少的功能组件。
图2是根据本说明书一些实施例所示的电缆表面异常智能检测系统的模块示意图。在一些实施例中,图2所示的电缆表面异常智能检测系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对三相机光学系统110所采集的表面图像进行处理,并基于该表面图像确定疑似凹坑区域对应的坑包显著系数,然后基于该坑包显著系数确定待检测电缆表面的坑包缺陷区域。
参照图2,在一些实施例中,电缆表面异常智能检测系统200可以包括获取模块210、预处理模块220、电缆区域确定模块230、闭合边缘线确定模块240、圆形度计算模块250、疑似凹坑区域确定模块260、同心圆确定模块270、坑包显著系数确定模块280以及坑包缺陷区域确定模块290。
获取模块210可以用于获取待检测电缆的表面图像。
预处理模块220可以用于对所述表面图像进行去噪,并对去噪后的图像进行灰度处理,得到电缆表面的灰度图像。
电缆区域确定模块230可以用于使用GrabCut算法对所述电缆表面的灰度图像进行处理以提取电缆区域,得到电缆区域图像。
闭合边缘线确定模块240可以用于通过Canny边缘检测技术确定所述电缆区域图像中的边缘线,并对每一条所述边缘线进行闭运算,以确保每一条所述边缘线为闭合边缘线。
圆形度计算模块250可以用于计算每一条所述闭合边缘线所对应的圆形度。
疑似凹坑区域确定模块260可以用于将所述圆形度大于预设阈值的闭合边缘线标记为疑似凹坑边缘线,并设所述疑似凹坑边缘线内的区域为疑似凹坑区域。
同心圆确定模块270可以用于确定所述疑似凹坑区域的质心像素点,并以所述质心像素点为中心,以所述疑似凹坑区域的最小外接圆半径为最大半径确定n个等距的同心圆。
坑包显著系数确定模块280可以用于基于所述同心圆上的像素点的灰度特征,确定所述疑似凹坑区域对应的坑包显著系数。
坑包缺陷区域确定模块290可以用于根据所述坑包显著系数得到坑包缺陷区域,完成对所述待检测电缆表面的异常检测。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3~图8部分及其相关描述),此处不再赘述。
应当理解,图2所示的电缆表面异常智能检测系统200及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于电缆表面异常智能检测系统200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,图2中所述的获取模块210、预处理模块220、电缆区域确定模块230、闭合边缘线确定模块240、圆形度计算模块250、疑似凹坑区域确定模块260、同心圆确定模块270、坑包显著系数确定模块280以及坑包缺陷区域确定模块290可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形,均在本说明书的保护范围之内。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的电缆表面异常智能检测方法的示例性流程图。在一些实施例中,方法300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的电缆表面异常智能检测方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,方法300可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。
参照图3,在一些实施例中,电缆表面异常智能检测方法300可以包括:
步骤310,获取待检测电缆的表面图像。在一些实施例中,步骤310可以由获取模块210执行。
在一些实施例中,三相机光学系统110针对待检测电缆采集的表面图像可以存储在存储设备120中,获取模块210可以从存储设备120获取待检测电缆的表面图像。在一些实施例中,该获取模块210可以与三相机光学系统110通信连接,获取模块210可以直接从三相机光学系统110获取待检测电缆的表面图像。
步骤320,对所述表面图像进行去噪,并对去噪后的图像进行灰度处理,得到电缆表面的灰度图像。在一些实施例中,步骤320可以由预处理模块220执行。
前述三相机光学系统110获取到的待检测电缆的表面图像可以为RGB图像,在获取到该表面图像之后,可以对得到的RGB空间的电缆表面图像进行预处理,以减少环境中噪声的影响。示例性地,在一些实施例中,可以通过双边滤波对该RGB空间的表面图像进行去噪处理,得到去噪后的图像。进一步地,预处理模块220还可以对去噪后的图像进行灰度化处理,得到电缆表面的灰度图像。
步骤330,使用GrabCut算法对所述电缆表面的灰度图像进行处理以提取电缆区域,得到电缆区域图像。在一些实施例中,步骤330可以由电缆区域确定模块230执行。
在电缆表面的灰度图像中,存在背景区域和电缆区域,为方便后续分析,可以使用GrabCut算法对经过预处理得到的电缆表面的灰度图像进行处理以提取电缆区域,将背景区域与电缆区域进行分割,得到电缆区域图像。在一些实施例中,该分割后的电缆区域图像可以记为为图像F。
需要说明的是,GrabCut算法是一种基于图割(Graph Cut)的图像分割方法,该算法可以将图像分割为前景和背景两部分,并可以通过用户交互来进行调整和优化。其基本思想是将图像分割问题转化为一个最小化能量函数的优化问题。该能量函数包括两个部分:数据项和平滑项。数据项描述了像素与前景或背景之间的相似度,平滑项描述了相邻像素之间的相似度,以此来保证分割结果的平滑性。在算法开始时,用户需要手动标注一些前景和背景像素。根据用户标注的信息,算法会自动确定一个初始的分割结果。接下来,算法通过迭代地优化能量函数来不断调整分割结果,直到达到收敛的状态为止。
GrabCut算法的优点在于,其能够自适应地学习前景和背景的特征,并且可以通过用户交互来修正分割结果,因此在图像分割领域具有较为广泛的应用。关于GrabCut算法的具体实现过程可以视为公知技术,本说明书中不再进行赘述。
步骤340,通过Canny边缘检测技术确定所述电缆区域图像中的边缘线,并对每一条所述边缘线进行闭运算,以确保每一条所述边缘线为闭合边缘线。在一些实施例中,步骤340可以由闭合边缘线确定模块240执行。
在通过上述步骤得到图像F(即分割后得到的电缆区域图像)之后,可以通过Canny边缘检测技术确定图像F中的边缘线,具体而言,即通过在图像中寻找梯度变化最大的位置,从而确定图像中的边缘线。通过Canny边缘检测确定的边缘图像可以为二值图像,进一步地,闭合边缘线确定模块240可以对各边缘线进行闭运算,以保证对应电缆表面缺陷的位置的边缘线为闭合边缘线,以便于后续过程中选取每条闭合边缘进行分析。
在一些实施例中,前述对各边缘线进行闭运算的过程可以包括但不限于膨胀和/或腐蚀。通过闭运算处理,可以平滑目标对象的边缘,并保持目标对象的形状和大小基本不变。
步骤350,计算每一条所述闭合边缘线所对应的圆形度。在一些实施例中,步骤350可以由圆形度计算模块250执行。
参照图5和图6,在电缆表面,除了会出现如图5所示的普通的凹坑,还可能会出现如图6所示的“火山口”样的凹坑,该凹坑会使得聚乙烯绝缘层1131对导线1132的包裹厚度不均匀,从而影响电缆的使用性能。
通过图5和图6可以看出,与普通的凹坑的不同之处在于,“火山口”样的凹坑中间会有类似于馒头形状的凸起,而普通凹坑中间为凹陷。“火山口”样的凹坑是由于电缆表面聚乙烯绝缘层1131中的气泡而产生,因此其与普通的凹坑类似,在凹坑位置通常成圆弧形。基于此,在一些实施例中,可以通过计算每一条闭合边缘线所对应的圆形度,以识别出电缆表面的凹坑缺陷(包含普通凹坑和“火山口”样的凹坑)。
具体而言,在一些实施例中,圆形度计算模块250可以基于闭合边缘线内区域的面积以及闭合边缘线的周长,计算每一条闭合边缘线所对应的圆形度。示例性地,在一些实施例中,该圆形度可以基于如下公式计算:
;
其中,为闭合边缘线对应的圆形度,/>为闭合边缘线内区域的面积,/>为闭合边缘线的周长。
通过上述公式计算得到的圆形度的范围为0到1,当圆形度越接近1时,说明闭合边缘线轮廓与其外接圆形越相似;当圆形度越接近于0时,则说明对应轮廓越偏离圆,轮廓越不规则。
步骤360,将所述圆形度大于预设阈值的闭合边缘线标记为疑似凹坑边缘线,并设所述疑似凹坑边缘线内的区域为疑似凹坑区域。在一些实施例中,步骤360可以由疑似凹坑区域确定模块260执行。
在一些实施例中,可以将圆形度大于预设阈值的闭合边缘线标记为疑似凹坑边缘线,并设疑似凹坑边缘线内的区域为疑似凹坑区域。具体地,在一些实施例中,预设阈值/>可以根据经验值取0.9。
如图5所示,针对疑似凹坑区域,可能包括两种类型的小坑,一种为中心区域凹陷下去的小坑(即前述普通凹坑),另一种为“火山口”样的凹坑。其中,中心区域凹陷下去的小坑为表面凹坑,在凹坑中心区域为高度最低处,则中心区域对应的像素点的亮度最低,灰度值最小,在凹坑边缘部分亮度最高,灰度值最大;在“火山口”样凹坑区域内,由于气泡带入电缆绝缘外壳(即前述聚乙烯绝缘层1131),中心区域有凸起,则在“火山口”样凹坑区域内,中心点处像素点的亮度相对较高,而在边缘部分的高度最低,在光线影响下亮度最低。
基于以上分析,在本说明书的一些实施例中,采用同心圆法来检测电缆表面的凹坑缺陷。具体过程详见步骤370~步骤380。
步骤370,确定所述疑似凹坑区域的质心像素点,并以所述质心像素点为中心,以所述疑似凹坑区域的最小外接圆半径为最大半径确定n个等距的同心圆。在一些实施例中,步骤370可以由同心圆确定模块270执行。
在一些实施例中,同心圆确定模块270可以用于在前述疑似凹坑区域内,选取疑似凹坑区域的质心,设质心像素点为像素点o,像素点o的灰度值为。进一步地,同心圆确定模块270可以以像素点o为中心,以疑似凹坑区域的最小外接圆半径为最大半径确定n个等距的同心圆,其中,n可以根据经验值设定为8。
具体而言,假设疑似凹坑区域的最小外接圆的半径为r,则第一个同心圆的半径为,第二个同心圆的半径为/>,以此类推,以像素点o为中心画出n个同心圆,设第一个同心圆上像素点的个数为m,像素点灰度值依次为/>,/>,……/>,由于气体被带入电缆绝缘外壳中,“火山口”样凹坑区域中间鼓起“馒头”样的气泡,在气泡区域上的像素点的灰度值呈一定规律变化,“馒头”上呈现出半球型。在气泡上,靠近中心的像素点因为光源高光点和反光使灰度值呈上升趋势;在靠近气泡边缘部分,由于光线影响,该部分的像素点的灰度值呈下降趋势。气泡上灰度值变化趋势如图7所示。/>
步骤380,基于所述同心圆上的像素点的灰度特征,确定所述疑似凹坑区域对应的坑包显著系数。在一些实施例中,步骤380可以由坑包显著系数确定模块280执行。
具体地,在一些实施例中,坑包显著系数确定模块280可以计算每一个同心圆上像素点的灰度均值和方向梯度,将该n个同心圆按照半径从小到大的顺序进行排序,并确定最大灰度均值所对应的同心圆的序号。例如,可以在求得的同心圆上像素点的灰度均值中,设灰度均值的最大值为,按照半径从小到大的顺序排序,记/>对应的同心圆为第i个同心圆,则可以构建如图8所示的同心圆灰度变化趋势图。其中,若疑似凹坑区域内的像素点满足“火山口”样凹坑区域内的特征,则/>在同心圆灰度变化趋势图中出现的位置较为居中,即满足图中a曲线的走势。同时,在第i个同心圆之前,同心圆之间的灰度值逐渐递增,在第i个同心圆之后,同心圆之间的灰度值逐渐递减。
进一步地,坑包显著系数确定模块280可以基于最大灰度均值所对应的同心圆的序号,以及所有同心圆的总数量,确定同心圆灰度走势系数。在一些实施例中,该同心圆灰度走势系数可以基于如下公式计算:
;
其中,表示同心圆灰度走势系数,其反映了疑似凹坑区域中同心圆的灰度变化规律;/>表示最大灰度均值所对应的同心圆的序号;/>表示同心圆的总数量。若疑似凹坑区域满足“火山口”样凹坑区域内的特征,即疑似凹坑区域内的同心圆灰度值的变化满足同心圆灰度变化趋势图中曲线a的走势,/>的值则接近1。
进一步地,坑包显著系数确定模块280可以基于相邻两个同心圆所对应的灰度均值的差值确定符号差分序列,并基于该符号差分序列确定同心圆灰度单调系数。其中,该符号差分序列可以基于如下方式确定:
Step1,将同心圆所对应的灰度均值按照前述排序方式进行排列,得到第一序列;
Step2,根据,第一序列中每一个元素与前一个元素的差值,得到第二序列;其中,当第一序列中的元素与前一个元素的差值小于0时,将第二序列中的对应元素赋值为-1,当第一序列中的元素与前一个元素的差值等于0时,将第二序列中的对应元素赋值为0,当第一序列中的元素与前一个元素的差值大于0时,将第二序列中的对应元素赋值为1;
Step3,将第二序列中赋值为0的元素剔除,得到符号差分序列。
示例性地,在一些实施例中,可以设第一个同心圆上的像素点的灰度均值为,第二个同心圆上的像素点的灰度均值为/>,以此类推,依次得到n个同心圆上的灰度均值,通过将该同心圆所对应的灰度均值按照半径从小到大的顺序进行排列,得到第一序列{}。进一步地,根据该第一序列中每一个元素与前一个元素的差值,得到第二序列{/>}。其中,第二序列中的元素值包含-1、0、1三种情况,通过将其中为0的元素剔除,即可得到前述符号差分序列。
在一些实施例中,前述同心圆灰度单调系数可以基于如下公式计算:
;
其中,表示同心圆灰度单调系数,其反映了同心圆上灰度值的增减规律,/>为所述符号差分序列中的第1个元素,/>为符号差分序列中的第/>个元素,p为所述符号差分序列中元素的个数。
在一些实施例中,可以以前述最大灰度均值所对应的同心圆为边界线,将半径小于或等于该边界线对应的半径的同心圆划分为第一类同心圆,将半径大于该边界线对应的半径的同心圆划分为第二类同心圆;然后,基于第一类同心圆所对应的灰度均值得到第一符号差分序列,基于第二类同心圆所对应的灰度均值得到第二符号差分序列;最后,基于第一符号差分序列得到第一同心圆灰度单调系数,基于第二符号差分序列得到第二同心圆灰度单调系数。
具体而言,即可以根据前述计算公式分别计算两类符号差分序列所对应的同心圆灰度单调系数。在一些实施例中,可以将基于前述第一符号差分序列计算得到的/>记为,将基于前述第二符号差分序列计算得到的/>记为/>。若疑似凹坑区域的同心圆满足“火山口”样凹坑区域内的特征,则灰度均值序列中的元素在/>前递增,在/>后递减,求得对应/>的值为1,/>为-1。
更进一步地,坑包显著系数确定模块280可以基于前述方向梯度确定方向梯度变化曲线,并确定每一个所述同心圆所对应的方向梯度变化曲线中采样点的切线斜率的均值。具体而言,针对同心圆上的像素点,可以计算像素点上的梯度方向,然后构建其方向梯度直方图。在气泡上的像素点,由于气泡鼓包以及光线的影响,同心圆上的梯度方向较为分散,对应方向梯度直方图上的数据较为平滑。针对同心圆求得的方向梯度直方图,可以通过样条插值法将直方图中的数据拟合成一条平滑的曲线,设该曲线为方向梯度变化曲线,以第一同心圆为例,同心圆上像素点的个数为m,则在第一同心圆上对应的方向梯度变化曲线中,均匀的选取m个采样点,在采样点处求方向梯度变化曲线的切线斜率,设第j个采样点为采样点,设方向梯度变化曲线在采样点/>处的切线斜率为/>,则/>的值越接近于0,方向梯度变化曲线在采样点/>处就越平滑。在一些实施例中,可以将每一条方向梯度变化曲线中所有采样点的切线斜率的均值记为/>。
最后,坑包显著系数确定模块280可以基于前述同心圆灰度走势系数、同心圆灰度单调系数以及前述方向梯度变化曲线中采样点的切线斜率的均值,确定疑似凹坑区域对应的坑包显著系数。在一些实施例中,该坑包显著系数可以基于如下公式计算:
;
其中,为疑似凹坑区域对应的坑包显著系数,/>为前述第一同心圆灰度单调系数,/>为前述第二同心圆灰度单调系数,/>为疑似凹坑区域中第q个同心圆的方向梯度变化曲线中采样点的切线斜率的均值。若疑似凹坑区域满足“火山口”样凹坑区域内的特征,则同心圆上的像素点的梯度方向较为分散,对应方向梯度变化曲线上采样点的斜率越接近0。
步骤390,根据所述坑包显著系数得到坑包缺陷区域,完成对所述待检测电缆表面的异常检测。在一些实施例中,步骤390可以由坑包缺陷区域确定模块290执行。
通过上述步骤,可以计算得到待检测电缆表面每一个疑似凹坑区域所对应的坑包显著系数。经过上述分析可知,若待检测电缆表面的疑似凹坑区域的“火山口”样凹坑特征越显著,则对应的坑包显著系数越接近1。
基于以上分析,在一些实施例中,可以设定设阈值,然后,将坑包显著系数在区间内的疑似凹坑区域判定为坑包缺陷区域,完成对电缆表面异常的检测。在一些实施例中,阈值/>可以根据经验值设定为0.2。
需要说明的是,本说明书中所涉及的阈值(例如阈值、阈值/>)仅为示例性说明。在一些实施例中,该阈值可以根据实际需求在一定范围内进行调整。
在一些实施例中,可以在通过上述方法检测出坑包缺陷区域后,采取相应的解决措施(例如优化电缆生产过程中的冷却工艺、更换电缆绝缘层材料等),以防止在电缆表面产生前述缺陷,从而提高电缆的生产质量。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)在本说明书一些实施例所提供的电缆表面异常智能检测方法中,通过根据电缆表面“火山口”状的小坑包的特征构建坑包显著系数,能够精确地识别出电缆表面出现“火山口”状的小坑包缺陷的区域,可以避免由于缺陷类别识别不精确从而影响后续操作的问题,为后续针对此缺陷采取精确的应对措施提供了便利;(2)在本说明书一些实施例所提供的电缆表面异常智能检测方法中,通过同心圆灰度走势系数、同心圆灰度单调系数以及方向梯度变化曲线中采样点的切线斜率的均值来确定疑似凹坑区域对应的坑包显著系数,可以准确地表征电缆表面的凹坑区域为“火山口”状的小坑包缺陷的概率,从而提高缺陷识别的准确性。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例中,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (3)
1.一种电缆表面异常智能检测方法,其特征在于,包括:
获取待检测电缆的表面图像;
对所述表面图像进行去噪,并对去噪后的图像进行灰度处理,得到电缆表面的灰度图像;
使用GrabCut算法对所述电缆表面的灰度图像进行处理以提取电缆区域,得到电缆区域图像;
通过Canny边缘检测技术确定所述电缆区域图像中的边缘线,并对每一条所述边缘线进行闭运算,以确保每一条所述边缘线为闭合边缘线;
计算每一条所述闭合边缘线所对应的圆形度;
将所述圆形度大于预设阈值的闭合边缘线标记为疑似凹坑边缘线,并设所述疑似凹坑边缘线内的区域为疑似凹坑区域;
确定所述疑似凹坑区域的质心像素点,并以所述质心像素点为中心,以所述疑似凹坑区域的最小外接圆半径为最大半径确定n个等距的同心圆;
基于所述同心圆上的像素点的灰度特征,确定所述疑似凹坑区域对应的坑包显著系数;
根据所述坑包显著系数得到坑包缺陷区域,完成对所述待检测电缆表面的异常检测;
所述计算每一条所述闭合边缘线所对应的圆形度,包括:基于所述闭合边缘线内区域的面积以及所述闭合边缘线的周长,计算每一条所述闭合边缘线所对应的圆形度;
所述圆形度基于如下公式计算:
其中,为闭合边缘线对应的圆形度,/>为闭合边缘线内区域的面积,/>为闭合边缘线的周长;
所述基于所述同心圆上的像素点的灰度特征,确定所述疑似凹坑区域对应的坑包显著系数,包括:
计算每一个所述同心圆上像素点的灰度均值和方向梯度;
将所述同心圆按照半径从小到大的顺序进行排序,并确定最大灰度均值所对应的同心圆的序号;
基于所述最大灰度均值所对应的同心圆的序号,以及所述同心圆的总数量,确定同心圆灰度走势系数,所述同心圆灰度走势系数用于表征所述疑似凹坑区域中同心圆的灰度变化规律;
基于相邻两个所述同心圆所对应的灰度均值的差值确定符号差分序列,并基于所述符号差分序列确定同心圆灰度单调系数,所述同心圆灰度单调系数用于表征所述同心圆上的灰度值的增减规律;
基于所述方向梯度确定方向梯度变化曲线,并确定每一个所述同心圆所对应的方向梯度变化曲线中采样点的切线斜率的均值;
基于所述同心圆灰度走势系数、同心圆灰度单调系数以及所述切线斜率的均值,确定所述疑似凹坑区域对应的坑包显著系数;
所述同心圆灰度走势系数基于如下公式计算:
其中,表示同心圆灰度走势系数,/>表示最大灰度均值所对应的同心圆的序号,/>表示同心圆的总数量;
所述符号差分序列基于如下方式确定:
将所述同心圆所对应的灰度均值按照所述排序方式进行排列,得到第一序列;
根据所述第一序列中每一个元素与前一个元素的差值,得到第二序列;其中,当所述第一序列中的元素与前一个元素的差值小于0时,将所述第二序列中的对应元素赋值为-1,当所述第一序列中的元素与前一个元素的差值等于0时,将所述第二序列中的对应元素赋值为0,当所述第一序列中的元素与前一个元素的差值大于0时,将所述第二序列中的对应元素赋值为1;
将所述第二序列中赋值为0的元素剔除,得到所述符号差分序列;
所述基于所述符号差分序列确定同心圆灰度单调系数,包括:
以所述最大灰度均值所对应的同心圆为边界线,将半径小于或等于所述边界线对应的半径的同心圆划分为第一类同心圆,将半径大于所述边界线对应的半径的同心圆划分为第二类同心圆;
基于所述第一类同心圆所对应的灰度均值得到第一符号差分序列,基于所述第二类同心圆所对应的灰度均值得到第二符号差分序列;
基于所述第一符号差分序列得到第一同心圆灰度单调系数,基于所述第二符号差分序列得到第二同心圆灰度单调系数;
所述同心圆灰度单调系数基于如下公式计算:
其中,表示同心圆灰度单调系数,/>为所述符号差分序列中的第1个元素,/>为所述符号差分序列中的第/>个元素,p为所述符号差分序列中元素的个数;
所述坑包显著系数基于如下公式计算:
其中,为疑似凹坑区域对应的坑包显著系数,/>为所述第一同心圆灰度单调系数,为所述第二同心圆灰度单调系数,/>为所述疑似凹坑区域中第q个同心圆的方向梯度变化曲线中采样点的切线斜率的均值。
2.如权利要求1所述的一种电缆表面异常智能检测方法,其特征在于,所述表面图像通过三相机光学系统采集得到,其中,所述三相机光学系统包括三个互成120度夹角的CCD相机和至少两个呈半环形的LED白光源,所述CCD相机和所述LED白光源在不同位置沿所述待检测电缆的周向设置,所述CCD相机用于在所述待检测电缆从所述LED白光源之间穿过时对所述待检测电缆进行图像采集。
3.如权利要求1~2中任一项所述的一种电缆表面异常智能检测方法,其特征在于,所述根据所述坑包显著系数得到坑包缺陷区域,包括:
设定阈值,将所述坑包显著系数在区间/>内的所述疑似凹坑区域判定为坑包缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082983.3A CN116823815B (zh) | 2023-08-28 | 2023-08-28 | 一种电缆表面异常智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082983.3A CN116823815B (zh) | 2023-08-28 | 2023-08-28 | 一种电缆表面异常智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823815A CN116823815A (zh) | 2023-09-29 |
CN116823815B true CN116823815B (zh) | 2023-11-21 |
Family
ID=88114761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311082983.3A Active CN116823815B (zh) | 2023-08-28 | 2023-08-28 | 一种电缆表面异常智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115146B (zh) * | 2023-10-19 | 2024-03-19 | 深圳宝铭微电子有限公司 | 一种碳化硅材质半导体表面镀膜质量检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170635A (ja) * | 2004-12-13 | 2006-06-29 | Hitachi Engineering & Services Co Ltd | 画像処理による欠陥の検出装置および検出方法 |
JP2012103017A (ja) * | 2010-11-05 | 2012-05-31 | Jfe Steel Corp | 溶融金属メッキ鋼板のドロス欠陥検査装置およびドロス欠陥検査方法 |
JP2012237585A (ja) * | 2011-05-10 | 2012-12-06 | Toppan Printing Co Ltd | 欠陥検査方法 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
CN114913177A (zh) * | 2022-07-19 | 2022-08-16 | 山东聊城富锋汽车部件有限公司 | 一种基于霍夫圆的汽车零部件缺陷检测方法 |
CN115294120A (zh) * | 2022-10-08 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN116109637A (zh) * | 2023-04-13 | 2023-05-12 | 杭州深度视觉科技有限公司 | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 |
CN116630332A (zh) * | 2023-07-26 | 2023-08-22 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
-
2023
- 2023-08-28 CN CN202311082983.3A patent/CN116823815B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006170635A (ja) * | 2004-12-13 | 2006-06-29 | Hitachi Engineering & Services Co Ltd | 画像処理による欠陥の検出装置および検出方法 |
JP2012103017A (ja) * | 2010-11-05 | 2012-05-31 | Jfe Steel Corp | 溶融金属メッキ鋼板のドロス欠陥検査装置およびドロス欠陥検査方法 |
JP2012237585A (ja) * | 2011-05-10 | 2012-12-06 | Toppan Printing Co Ltd | 欠陥検査方法 |
WO2022012240A1 (zh) * | 2020-07-16 | 2022-01-20 | 京东方科技集团股份有限公司 | 检测显示面板不良的方法及装置 |
CN114913177A (zh) * | 2022-07-19 | 2022-08-16 | 山东聊城富锋汽车部件有限公司 | 一种基于霍夫圆的汽车零部件缺陷检测方法 |
CN115294120A (zh) * | 2022-10-08 | 2022-11-04 | 誉隆半导体设备(江苏)有限公司 | 基于图像识别的阀门表面质量检测方法 |
CN116109637A (zh) * | 2023-04-13 | 2023-05-12 | 杭州深度视觉科技有限公司 | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 |
CN116630332A (zh) * | 2023-07-26 | 2023-08-22 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
"A Study on the Effect of Defect Shape on Defect Detection in Visual Inspection";Ryosuke Nakajima等;《Procedia Manufacturing》;第39卷;全文 * |
采用移动扫描成像法实现高压气瓶内壁凹坑缺陷检测;贾丹平;陈思蒙;;电脑知识与技术(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116823815A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
WO2022121531A1 (zh) | 一种产品缺陷检测方法和装置 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
Usamentiaga et al. | Automated surface defect detection in metals: A comparative review of object detection and semantic segmentation using deep learning | |
CN116823815B (zh) | 一种电缆表面异常智能检测方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
CN116563282B (zh) | 一种基于机器视觉的钻削刀具检测方法及系统 | |
Liu et al. | Design of a tomato classifier based on machine vision | |
CN109165538A (zh) | 基于深度神经网络的条形码检测方法及装置 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
US11747284B2 (en) | Apparatus for optimizing inspection of exterior of target object and method thereof | |
CN112330598B (zh) | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 | |
CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
Chang et al. | A deep learning-based weld defect classification method using radiographic images with a cylindrical projection | |
Zheng et al. | Improvement of grayscale image 2D maximum entropy threshold segmentation method | |
CN112669275A (zh) | 基于YOLOv3算法的PCB表面缺陷检测方法及装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
EP4285337A1 (en) | System and method for manufacturing quality control using automated visual inspection | |
CN115564710A (zh) | 基于lk光流法的火灾烟雾检测方法、装置及存储介质 | |
CN117474918B (zh) | 异常检测方法和装置、电子设备以及存储介质 | |
CN113298775B (zh) | 自吸泵双面金属叶轮外观缺陷检测方法、系统和介质 | |
CN113780287A (zh) | 一种多深度学习模型的最优选取方法及系统 | |
CN113780040A (zh) | 唇部关键点的定位方法及装置、存储介质、电子设备 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 |
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 |