CN117351214B - 一种基于图像处理的伴热电缆检测方法及系统 - Google Patents
一种基于图像处理的伴热电缆检测方法及系统 Download PDFInfo
- Publication number
- CN117351214B CN117351214B CN202311657313.XA CN202311657313A CN117351214B CN 117351214 B CN117351214 B CN 117351214B CN 202311657313 A CN202311657313 A CN 202311657313A CN 117351214 B CN117351214 B CN 117351214B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pixel
- gray level
- sequence
- heat tracing
- 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 32
- 230000007547 defect Effects 0.000 claims abstract description 173
- 230000002950 deficient Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims description 36
- 238000010586 diagram Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 239000004020 conductor Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的伴热电缆检测方法及系统,包括:获取伴热电缆的表面灰度图像,获取表面灰度图像中伴热电缆的像素点序列,根据像素点序列中相邻像素点的灰度值差异,得到缺陷像素点序列,根据缺陷像素点序列得到初始缺陷区域,根据初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围中每个像素点的灰度值,得到表面灰度图像中可能为缺陷的若干像素点,进而得到灰度图像进行分水岭分割的种子点,通过分水岭分割得到灰度图像的缺陷分割结果图。本发明减少了伴热电缆表面具的弧度对缺陷检测的影响,并通过对缺陷进行分析使得分水岭算法对伴热电缆表面进行缺陷检测时,缺陷结果更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的伴热电缆检测方法及系统。
背景技术
伴热电缆是一种用于保持管道、容器、设备等物体温度的电热设备。这种电缆通常是柔软的,并且可以沿着管道或设备表面安装,以防止管道或设备在低温环境下出现冻结,进而损坏管道或设备。伴热电缆主要由两部分组成:加热元件和绝缘外皮。加热元件通常由导电材料构成,当电流通过时会产生热量,从而升高管道或设备的温度。而伴热电缆绝缘皮的质量则是影响其整体质量和使用寿命的原因之一,合格的伴热电缆表面绝缘皮通常较为光滑且质地均匀以起到保护内部元件作用。
在对伴热电缆表面绝缘皮进行检测时,由于其表面具有一定的弧度使得缺陷和正常区域的特征接近,使得利用分水岭算法对伴热电缆表面绝缘皮进行缺陷检测时,分水岭分割算法的种子点位置难以确定,进而影响缺陷检测的结果。
发明内容
为解决上述问题,本发明提供一种基于图像处理的伴热电缆检测方法及系统。
本发明的一种基于图像处理的伴热电缆检测方法及系统采用如下技术方案:
本发明一个实施例提供了一种基于图像处理的伴热电缆检测方法,该方法包括以下步骤:
获取伴热电缆的表面灰度图像,所述伴热电缆的表面灰度图像中包含伴热电缆,且伴热电缆在表面灰度图像中处于水平状态;
根据表面灰度图像中的伴热电缆,获取表面灰度图像中伴热电缆的若干像素点序列,根据像素点序列中相邻像素点的灰度值差异,得到每个像素点序列的灰度变化程度,根据像素点序列的灰度变化程度进行聚类得到若干类簇,所述类簇包含若干像素点序列的灰度变化程度,根据每个类簇中像素点序列的灰度变化程度得到每个类簇对应的像素点序列存在缺陷的可能程度,对每个类簇对应的像素点序列存在缺陷的可能程度进行阈值判断,得到若干缺陷像素点序列;
根据连续缺陷像素点序列在表面灰度图像构成的区域,得到若干初始缺陷区域,根据初始缺陷区域中像素点的梯度方向得到每个初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围,根据初始缺陷区域中每个像素点的梯度幅值,以及梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,根据初始缺陷区域中每个像素点属于缺陷像素点的可能程度,得到表面灰度图像中可能为缺陷的若干像素点;
根据表面灰度图像中可能为缺陷的像素点,得到表面灰度图像进行分水岭分割的种子点,根据种子点通过分水岭分割得到表面灰度图像的缺陷分割结果图。
进一步地,所述获取表面灰度图像中伴热电缆的若干像素点序列的具体方法如下:
利用霍夫直线检测算法对表面灰度图像进行直线检测,得到伴热电缆的两条边缘,将两条边缘中任意一条边缘记为第一边缘,将两条边缘中除第一边缘外另外一条边缘记为第二边缘,按照从左到右的顺序,将第一边缘的第一个像素点和第二边缘的第一个像素点之间的像素点构成的序列,记为第一像素点序列,将第一边缘的第二个像素点和第二边缘的第二个像素点之间的像素点构成的序列,记为第二像素点序列,以此类推,得到表面灰度图像中伴热电缆的若干像素点序列。
进一步地,所述根据像素点序列中相邻像素点的灰度值差异,得到每个像素点序列的灰度变化程度,包括的具体步骤如下:
式中,为任意一个像素点序列的灰度变化程度,为该像素点序列中像素点
的最大灰度值,为该像素点序列中像素点的最小灰度值,为该像素点序列中第i个像
素点的灰度值,为该像素点序列中第i+1个像素点的灰度值,为该像素点序列中像素
点的个数,为取绝对值,表示该像素点序列中第i个与第i+1个像素点的灰度值
差异。
进一步地,所述根据像素点序列的灰度变化程度进行聚类得到若干类簇,包括的具体步骤如下:
利用K-means聚类算法对所有像素点序列的灰度变化程度进行聚类,距离度量采用灰度变化程度之间的差值绝对值,得到若干类簇。
进一步地,所述根据每个类簇中像素点序列的灰度变化程度得到每个类簇对应的像素点序列存在缺陷的可能程度,包括的具体步骤如下:
式中,为第s个类簇中所有像素点序列的平均灰度
变化程度,为第s个类簇中第u个像素点序列的灰度变化程度,为第s个类簇中像素点
序列的灰度变化程度的个数,为第s个类簇的像素点序列存在缺陷的初始可能程度,为
取绝对值;获取所有类簇的像素点序列存在缺陷的初始可能程度,对所有初始可能程度进
行线性归一化,得到的结果作为每个类簇的像素点序列存在缺陷的可能程度。
进一步地,所述根据初始缺陷区域中像素点的梯度方向得到每个初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围,包括的具体步骤如下:
对于任意一个初始缺陷区域中任意一个像素点的梯度方向,记为该像素点的梯度正方向,与梯度正方向相反的方向,记为该像素点的梯度反方向;沿该像素点的梯度正方向的TH1个像素点构成的范围,记为该像素点的梯度正向范围,沿该像素点的梯度反方向的TH1个像素点构成的范围,记为该像素点的梯度反向范围,TH1为预设第一数值。
进一步地,所述根据初始缺陷区域中每个像素点的梯度幅值,以及梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,包括的具体步骤如下:
式中,为第z个初始缺陷区域中第j个像素点的梯度正向范围中第a个像素点
的灰度值,1为梯度正向范围中像素点的个数,为第z个初始缺陷区域中第j个像素点
的梯度反向范围中第c个像素点的灰度值,2为梯度反向范围中像素点的个数,为第z个
初始缺陷区域中和第j个像素点的梯度幅值相同的像素点个数,为第z个初始缺陷区域
中第j个像素点的梯度幅值,为第z个初始缺陷区域中第j个像素点属于缺陷像素点的可
能程度,为取绝对值。
进一步地,所述根据初始缺陷区域中每个像素点属于缺陷像素点的可能程度,得到表面灰度图像中可能为缺陷的若干像素点,包括的具体步骤如下:
将任意一个初始缺陷区域记为目标缺陷区域,将目标缺陷区域中所有像素点属于缺陷像素点的可能程度,按照从小到大的顺序进行排列,得到一个序列,记为目标序列;
式中,为目标序列中第f个可能程度,为目标序列中第f+1个可能程度,
为目标序列中第f个可能程度和第f个可能程度左侧的所有可能程度的均值,为目标序
列中第f个可能程度右侧的所有可能程度的均值,为取绝对值,为目标序列中第f个可能
程度作为目标序列的分割点的可能程度;
将最大值对应的可能程度作为目标序列的分割点,将目标序列中分割点右侧的
所有可能程度对应的若干像素点,作为目标缺陷区域的可能缺陷像素点,获取所有初始缺
陷区域的所有可能缺陷像素点并在表面灰度图像中进行标记,得到表面灰度图像中可能为
缺陷的若干像素点。
进一步地,所述根据表面灰度图像中可能为缺陷的像素点,得到表面灰度图像进行分水岭分割的种子点,根据种子点通过分水岭分割得到表面灰度图像的缺陷分割结果图,包括的具体步骤如下:
对表面灰度图像中可能为缺陷的所有像素点利用DBSCAN算法进行聚类,距离度量采用像素点之间的欧式距离,得到若干类簇,将每个类簇中灰度值最小的像素点作为表面灰度图像进行分水岭分割的种子点,根据种子点对表面灰度图像进行分水岭分割,得到的分割结果作为表面灰度图像的缺陷分割结果图。
本发明还提出了一种基于图像处理的伴热电缆检测系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现前述所述方法的步骤。
本发明的技术方案的有益效果是:在对伴热电缆的表面进行缺陷检测时,由于其表面具有一定的弧度使得缺陷和正常区域的特征接近,通过霍夫直线检测对伴热电缆的表面灰度图进行直线检测,得到两条边缘,然后对两条边缘中的像素点序列进行分析得到像素点序列的灰度变化程度,进而得到若干缺陷像素点序列构成的若干初始缺陷区域,初始缺陷区域中包含缺陷,但缺陷的具体的位置仍无法确定,根据初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,进而得到表面灰度图像中可能为缺陷的若干像素点,而后根据可能为缺陷的若干像素点得到分水岭分割的种子点,最终完成缺陷检测得到缺陷分割结果图,达到了将缺陷准确的分割出来的有益效果。
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,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地介绍,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他的附图。
图1为本发明一个实施例所提供的一种基于图像处理的伴热电缆检测方法的步骤流程图。
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基于图像处理的伴热电缆检测方法及系统,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,一个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基于图像处理的伴热电缆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基于图像处理的伴热电缆检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、采集伴热电缆的表面图像并灰度化得到伴热电缆的表面灰度图像。
需要说明的是,在对伴热电缆的绝缘外皮进行缺陷检测时,由于其表面具有一定的弧度使得缺陷和正常区域的特征接近,导致对伴热电缆的绝缘外皮的缺陷检测结果不准确,因此通过对伴热电缆表面影响因素进行分析,得到缺陷像素点,进而确定分水岭算法的种子点位置,从而将绝缘外皮的缺陷区域进行提取出来,提高对伴热电缆的质量检测,开始分析之前首先需要采集图像并进行预处理。
具体的,将相机布设在伴热电缆的生产线正上方,利用相机采集伴热电缆的表面图像,对伴热电缆的表面图像进行灰度化,得到伴热电缆的表面灰度图像。
需要说明的是,伴热电缆的表面图像中伴热电缆是处于表面图像的中间,且伴热电缆在表面图像中处于水平状态,即与表面图像的上下两条边缘呈现平行状态。
至此,得到伴热电缆的表面灰度图像。
步骤S002、根据表面灰度图像中的伴热电缆,获取表面灰度图像中伴热电缆的若干像素点序列,根据像素点序列中相邻像素点的灰度值差异,得到每个像素点序列的灰度变化程度,根据像素点序列的灰度变化程度进行聚类得到若干类簇,根据每个类簇中像素点序列的灰度变化程度得到每个类簇对应的像素点序列存在缺陷的可能程度,对每个类簇对应的像素点序列存在缺陷的可能程度进行阈值判断,得到若干缺陷像素点序列。
需要说明的是,由于伴热电缆呈现圆柱状,对其表面灰度图像进行分析时发现,伴热电缆的两条边缘之间的像素点灰度值存在一定的变化规律,越接近伴热电缆的边缘,灰度值逐渐变低;当伴热电缆的表面存在划痕或者绝缘皮薄厚不均时,伴热电缆的两条边缘之间的像素点灰度值的变化规律会发生改变,不具备越接近伴热电缆的边缘,灰度值逐渐变低,因此通过对伴热电缆的两条边缘之间的像素点进行分析。
具体的,根据表面灰度图像中的伴热电缆,获取表面灰度图像中伴热电缆的若干像素点序列,具体如下:
利用霍夫直线检测算法对表面灰度图像进行直线检测,得到伴热电缆的两条边缘,将两条边缘中任意一条边缘记为第一边缘,将两条边缘中除第一边缘外另外一条边缘记为第二边缘,按照从左到右的顺序,将第一边缘的第一个像素点和第二边缘的第一个像素点之间的像素点构成的序列,记为第一像素点序列,将第一边缘的第二个像素点和第二边缘的第二个像素点之间的像素点构成的序列,记为第二像素点序列,以此类推,得到表面灰度图像中伴热电缆的若干像素点序列。
进一步地,根据像素点序列中相邻像素点的灰度值差异,得到每个像素点序列的灰度变化程度,具体如下:
式中,为任意一个像素点序列的灰度变化程度,为该像素点序列中像素点
的最大灰度值,为该像素点序列中像素点的最小灰度值,为该像素点序列中第i个像
素点的灰度值,为该像素点序列中第i+1个像素点的灰度值,为该像素点序列中像素
点的个数,为取绝对值,表示该像素点序列中第i个与第i+1个像素点的灰度值
差异。
需要说明的是,表示任意一个像素点序列中像素点的最大灰度值和
最小灰度值的差异,反映了该像素点序列中像素点的灰度值变化范围,越大,说明该像素点序列的灰度变化程度越大;表示该像素
点序列中相邻像素点的灰度值总体差异,越大,说明该像素点序列的灰度
变化程度越大。
需要说明的是,上述得到了每个像素点序列的灰度变化程度,由于伴热电缆的两条边缘之间可能有正常区域对应的像素点序列、划痕对应的像素点序列及绝缘皮薄厚不均对应的像素点序列,为了更好的确定缺陷区域,需要对像素点序列中存在缺陷的可能程度进行分析。
具体的,根据像素点序列的灰度变化程度进行聚类得到若干类簇,具体如下:
利用K-means聚类算法对所有像素点序列的灰度变化程度进行聚类,距离度量采用灰度变化程度之间的差值绝对值,得到若干类簇,每个类簇中包含若干像素点序列的灰度变化程度;需要说明的是,本实施例中,K-means聚类的K值等于3。
进一步地,根据每个类簇中像素点序列的灰度变化程度得到每个类簇对应的像素点序列存在缺陷的可能程度,具体如下:
式中,为第s个类簇中所有像素点序列的平均灰度变化程度,为第s个类簇中
第u个像素点序列的灰度变化程度,为第s个类簇中像素点序列的灰度变化程度的个数,
为第s个类簇的像素点序列存在缺陷的初始可能程度,为取绝对值;获取所有类簇的像素
点序列存在缺陷的初始可能程度,对所有初始可能程度进行线性归一化,得到的结果作为
每个类簇的像素点序列存在缺陷的可能程度。
需要说明的是,表示第s个类簇中每个像素点序列的灰度变化
程度与第s个类簇中所有像素点序列的平均灰度变化程度之间的差异总和并取均值,因为
当伴热电缆表面灰度变化程度较大的时候,说明存在缺陷的可能性较大,而由于缺陷导致
像素点序列的灰度变化程度并不会保持一致,表现为该类簇中每个像素点序列的灰度变化
程度和该类簇中所有像素点序列的平均灰度变化程度总体上的差异是比较大的,因此,越大,那么该类簇对应的像素点序列存在缺陷的可能程度越大。
同时该类簇中像素点序列存在缺陷的可能程度越大,即越大,那么该类簇对应
的像素点序列存在缺陷的可能程度越大,通过将进行归一化处理得到第s个类簇对应的
像素点序列存在缺陷的可能程度。
进一步地,对每个类簇对应的像素点序列存在缺陷的可能程度进行阈值判断,得到若干缺陷像素点序列,具体如下:
预设一个第一阈值,记为th1,本实施例以th1=0.7进行叙述,若,认为第s
个类簇对应像素点序列存在缺陷,需要说明的是,缺陷可能是划痕缺陷或者绝缘皮薄厚不
均对应的缺陷,将第s个类簇作为一个缺陷类簇,统计所有缺陷类簇,将所有缺陷类簇对应
的像素点序列作为缺陷像素点序列。
至此,得到若干缺陷像素点序列。
步骤S003、根据连续缺陷像素点序列在表面灰度图像构成的区域,得到若干初始缺陷区域,根据初始缺陷区域中像素点的梯度方向得到每个初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围,根据初始缺陷区域中每个像素点的梯度幅值,以及梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,根据初始缺陷区域中每个像素点属于缺陷像素点的可能程度,得到表面灰度图像中可能为缺陷的若干像素点。
需要说明的是,通过上述步骤,得到了若干缺陷类簇,进而得到若干缺陷像素点序列,因为伴热电缆出现划痕或者绝缘皮薄厚不均的地方存在于伴热电缆的表面多处,因此将所有缺陷像素点序列进行排列,得到若干初始缺陷区域。
具体的,将连续缺陷像素点序列在表面灰度图像构成的区域,记为一个初始缺陷区域,得到若干初始缺陷区域,即多个相邻的缺陷像素点序列连续出现,则共同构成一个初始缺陷区域。
需要说明的是,在初始缺陷区域中,并不是所有的像素点都为缺陷像素点,因此需要对初始缺陷区域中的像素点进行分析,找出可能为缺陷的像素点,由于伴热电缆表面存在缺陷时,该处的梯度往往是比较大的,但是由于伴热电缆表面是凸起的圆柱状结构,伴热电缆中间的位置向两条边缘的位置处也会存在梯度变化,而这种梯度的变化是由于伴热电缆表面光滑的特性,存在一定的连续性,但是初始缺陷区域则不具备这一规律性,因此对初始缺陷区域中的沿梯度方向的像素点进行分析,得到可能为缺陷的像素点。
具体的,根据初始缺陷区域中像素点的梯度方向得到每个初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围,具体如下:
对于任意一个初始缺陷区域中任意一个像素点的梯度方向,记为该像素点的梯度正方向,与梯度正方向相反的方向,记为该像素点的梯度反方向;沿该像素点的梯度正方向的TH1个像素点构成的范围,记为该像素点的梯度正向范围,沿该像素点的梯度反方向的TH1个像素点构成的范围,记为该像素点的梯度反向范围,其中,该像素点不在梯度正向范围和梯度反向范围中,TH1为预设第一数值,本实施例以TH1=8进行叙述。需要说明的是,像素点的梯度方向和梯度幅值可以通过Sobel算子来获得,本实施例不再具体赘述。
进一步地,根据初始缺陷区域中每个像素点的梯度幅值,以及梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,具体如下:
式中,为第z个初始缺陷区域中第j个像素点的梯度正向范围中第a个像素点
的灰度值,1为梯度正向范围中像素点的个数,为第z个初始缺陷区域中第j个像素点
的梯度反向范围中第c个像素点的灰度值,2为梯度反向范围中像素点的个数,为第z个
初始缺陷区域中和第j个像素点的梯度幅值相同的像素点个数,为第z个初始缺陷区域
中第j个像素点的梯度幅值,为第z个初始缺陷区域中第j个像素点属于缺陷像素点的可
能程度,为取绝对值。
需要说明的是,由于缺陷区域是随机造成的,且深浅可能不一致,因此像素点的梯
度方向处存在缺陷时,与该像素点的梯度幅值相同的像素点是比较少的,因此,值越大,
该像素点属于缺陷像素点的可能程度越大;表示第z个初
始缺陷区域中第j个像素点的梯度正方向处b1个像素点的灰度均值和第z个区域中第j个像
素点的梯度反方向处b2个像素点的灰度均值之间的差异,当第j个像素点的梯度方向处存
在缺陷区域时,其灰度值和未形成缺陷的伴热电缆表面像素点的灰度值差异是比较大的,
因此,该值越大,该像素点属于缺陷像素点的可能程度越大;同时第j个像素点的梯度幅值
越大,该像素点属于缺陷像素点的可能程度越大。
进一步地,根据初始缺陷区域中每个像素点属于缺陷像素点的可能程度,得到表面灰度图像中可能为缺陷的若干像素点,具体如下:
将任意一个初始缺陷区域记为目标缺陷区域,将目标缺陷区域中所有像素点属于缺陷像素点的可能程度,按照从小到大的顺序进行排列,得到一个序列,记为目标序列。需要说明的是,在目标序列中,由于存在缺陷的像素点的值相对于该序列中是比较高的,而伴热电缆表面正常区域的像素点为缺陷像素点的可能程度较低,因此选取合适的分割点目标序列划分,进而得到可能为缺陷的像素点。
式中,为目标序列中第f个可能程度,为目标序列中第f+1个可能程度,
为目标序列中第f个可能程度和第f个可能程度左侧的所有可能程度的均值,为目标序
列中第f个可能程度右侧的所有可能程度的均值,为取绝对值,为目标序列中第f个可能
程度作为目标序列的分割点的可能程度。
将最大值对应的可能程度作为目标序列的分割点,将目标序列中分割点右侧的
所有可能程度对应的若干像素点,作为目标缺陷区域的可能缺陷像素点,获取所有初始缺
陷区域的所有可能缺陷像素点并在表面灰度图像中进行标记,得到表面灰度图像中可能为
缺陷的若干像素点。
至此,得到表面灰度图像中可能为缺陷的若干像素点。
步骤S004、根据表面灰度图像中可能为缺陷的像素点,得到表面灰度图像进行分水岭分割的种子点,根据种子点通过分水岭分割得到表面灰度图像的缺陷分割结果图。
需要说明的是,上述得到了表面灰度图像中可能为缺陷的若干像素点,通过将可能为缺陷的若干像素点进行密度聚类,获取分水岭算法的种子点,进而得到表面灰度图像的缺陷分割结果图。
具体的,对表面灰度图像中可能为缺陷的所有像素点利用DBSCAN算法进行聚类,距离度量采用像素点之间的欧式距离,得到若干类簇,将每个类簇中灰度值最小的像素点作为表面灰度图像进行分水岭分割的种子点,根据种子点对表面灰度图像进行分水岭分割,得到的分割结果作为表面灰度图像的缺陷分割结果图,缺陷分割结果图像包含若干缺陷连通域,完成对伴热电缆的缺陷检测。
需要说明的是,根据种子点对表面灰度图像进行分水岭分割,得到分割结果图,为分水岭算法的现有方法,本实施例不再赘述。
通过以上步骤,完成一种基于图像处理的伴热电缆检测方法。
本发明的另一个实施例提供了一种基于图像处理的伴热电缆检测系统,所述系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序时,执行以下操作:
获取伴热电缆的表面灰度图像,所述伴热电缆的表面灰度图像中包含伴热电缆,且伴热电缆在表面灰度图像中处于水平状态;根据表面灰度图像中的伴热电缆,获取表面灰度图像中伴热电缆的若干像素点序列,根据像素点序列中相邻像素点的灰度值差异,得到每个像素点序列的灰度变化程度,根据像素点序列的灰度变化程度进行聚类得到若干类簇,所述类簇包含若干像素点序列的灰度变化程度,根据每个类簇中像素点序列的灰度变化程度得到每个类簇对应的像素点序列存在缺陷的可能程度,对每个类簇对应的像素点序列存在缺陷的可能程度进行阈值判断,得到若干缺陷像素点序列;根据连续缺陷像素点序列在表面灰度图像构成的区域,得到若干初始缺陷区域,根据初始缺陷区域中像素点的梯度方向得到每个初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围,根据初始缺陷区域中每个像素点的梯度幅值,以及梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,根据初始缺陷区域中每个像素点属于缺陷像素点的可能程度,得到表面灰度图像中可能为缺陷的若干像素点;根据表面灰度图像中可能为缺陷的像素点,得到表面灰度图像进行分水岭分割的种子点,根据种子点通过分水岭分割得到表面灰度图像的缺陷分割结果图。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的伴热电缆检测方法,其特征在于,该方法包括以下步骤:
获取伴热电缆的表面灰度图像,所述伴热电缆的表面灰度图像中包含伴热电缆,且伴热电缆在表面灰度图像中处于水平状态;
根据表面灰度图像中的伴热电缆,获取表面灰度图像中伴热电缆的若干像素点序列,根据像素点序列中相邻像素点的灰度值差异,得到每个像素点序列的灰度变化程度,根据像素点序列的灰度变化程度进行聚类得到若干类簇,所述类簇包含若干像素点序列的灰度变化程度,根据每个类簇中像素点序列的灰度变化程度得到每个类簇对应的像素点序列存在缺陷的可能程度,对每个类簇对应的像素点序列存在缺陷的可能程度进行阈值判断,得到若干缺陷像素点序列;
根据连续缺陷像素点序列在表面灰度图像构成的区域,得到若干初始缺陷区域,根据初始缺陷区域中像素点的梯度方向得到每个初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围,根据初始缺陷区域中每个像素点的梯度幅值,以及梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,根据初始缺陷区域中每个像素点属于缺陷像素点的可能程度,得到表面灰度图像中可能为缺陷的若干像素点;
根据表面灰度图像中可能为缺陷的像素点,得到表面灰度图像进行分水岭分割的种子点,根据种子点通过分水岭分割得到表面灰度图像的缺陷分割结果图。
2.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述获取表面灰度图像中伴热电缆的若干像素点序列的具体方法如下:
利用霍夫直线检测算法对表面灰度图像进行直线检测,得到伴热电缆的两条边缘,将两条边缘中任意一条边缘记为第一边缘,将两条边缘中除第一边缘外另外一条边缘记为第二边缘,按照从左到右的顺序,将第一边缘的第一个像素点和第二边缘的第一个像素点之间的像素点构成的序列,记为第一像素点序列,将第一边缘的第二个像素点和第二边缘的第二个像素点之间的像素点构成的序列,记为第二像素点序列,以此类推,得到表面灰度图像中伴热电缆的若干像素点序列。
3.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述根据像素点序列中相邻像素点的灰度值差异,得到每个像素点序列的灰度变化程度,包括的具体步骤如下:
式中,为任意一个像素点序列的灰度变化程度,/>为该像素点序列中像素点的最大灰度值,/>为该像素点序列中像素点的最小灰度值,/>为该像素点序列中第i个像素点的灰度值,/>为该像素点序列中第i+1个像素点的灰度值,/>为该像素点序列中像素点的个数,/>为取绝对值,/>表示该像素点序列中第i个与第i+1个像素点的灰度值差异。
4.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述根据像素点序列的灰度变化程度进行聚类得到若干类簇,包括的具体步骤如下:
利用K-means聚类算法对所有像素点序列的灰度变化程度进行聚类,距离度量采用灰度变化程度之间的差值绝对值,得到若干类簇。
5.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述根据每个类簇中像素点序列的灰度变化程度得到每个类簇对应的像素点序列存在缺陷的可能程度,包括的具体步骤如下:
式中,/>为第s个类簇中所有像素点序列的平均灰度变化程度,/>为第s个类簇中第u个像素点序列的灰度变化程度,/>为第s个类簇中像素点序列的灰度变化程度的个数,/>为第s个类簇的像素点序列存在缺陷的初始可能程度,/>为取绝对值;获取所有类簇的像素点序列存在缺陷的初始可能程度,对所有初始可能程度进行线性归一化,得到的结果作为每个类簇的像素点序列存在缺陷的可能程度。
6.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述根据初始缺陷区域中像素点的梯度方向得到每个初始缺陷区域中每个像素点的梯度正向范围和梯度反向范围,包括的具体步骤如下:
对于任意一个初始缺陷区域中任意一个像素点的梯度方向,记为该像素点的梯度正方向,与梯度正方向相反的方向,记为该像素点的梯度反方向;沿该像素点的梯度正方向的TH1个像素点构成的范围,记为该像素点的梯度正向范围,沿该像素点的梯度反方向的TH1个像素点构成的范围,记为该像素点的梯度反向范围,TH1为预设第一数值。
7.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述根据初始缺陷区域中每个像素点的梯度幅值,以及梯度正向范围和梯度反向范围中每个像素点的灰度值,得到每个初始缺陷区域中每个像素点属于缺陷像素点的可能程度,包括的具体步骤如下:
式中,为第z个初始缺陷区域中第j个像素点的梯度正向范围中第a个像素点的灰度值,/>1为梯度正向范围中像素点的个数,/>为第z个初始缺陷区域中第j个像素点的梯度反向范围中第c个像素点的灰度值,/>2为梯度反向范围中像素点的个数,/>为第z个初始缺陷区域中和第j个像素点的梯度幅值相同的像素点个数,/>为第z个初始缺陷区域中第j个像素点的梯度幅值,/>为第z个初始缺陷区域中第j个像素点属于缺陷像素点的可能程度,为取绝对值。
8.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述根据初始缺陷区域中每个像素点属于缺陷像素点的可能程度,得到表面灰度图像中可能为缺陷的若干像素点,包括的具体步骤如下:
将任意一个初始缺陷区域记为目标缺陷区域,将目标缺陷区域中所有像素点属于缺陷像素点的可能程度,按照从小到大的顺序进行排列,得到一个序列,记为目标序列;
式中,为目标序列中第f个可能程度,/>为目标序列中第f+1个可能程度,/>为目标序列中第f个可能程度和第f个可能程度左侧的所有可能程度的均值,/>为目标序列中第f个可能程度右侧的所有可能程度的均值,/>为取绝对值,/>为目标序列中第f个可能程度作为目标序列的分割点的可能程度;
将最大值对应的可能程度作为目标序列的分割点,将目标序列中分割点右侧的所有可能程度对应的若干像素点,作为目标缺陷区域的可能缺陷像素点,获取所有初始缺陷区域的所有可能缺陷像素点并在表面灰度图像中进行标记,得到表面灰度图像中可能为缺陷的若干像素点。
9.根据权利要求1所述一种基于图像处理的伴热电缆检测方法,其特征在于,所述根据表面灰度图像中可能为缺陷的像素点,得到表面灰度图像进行分水岭分割的种子点,根据种子点通过分水岭分割得到表面灰度图像的缺陷分割结果图,包括的具体步骤如下:
对表面灰度图像中可能为缺陷的所有像素点利用DBSCAN算法进行聚类,距离度量采用像素点之间的欧式距离,得到若干类簇,将每个类簇中灰度值最小的像素点作为表面灰度图像进行分水岭分割的种子点,根据种子点对表面灰度图像进行分水岭分割,得到的分割结果作为表面灰度图像的缺陷分割结果图。
10.一种基于图像处理的伴热电缆检测系统,所述系统包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-9任一项所述一种基于图像处理的伴热电缆检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657313.XA CN117351214B (zh) | 2023-12-06 | 2023-12-06 | 一种基于图像处理的伴热电缆检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657313.XA CN117351214B (zh) | 2023-12-06 | 2023-12-06 | 一种基于图像处理的伴热电缆检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351214A CN117351214A (zh) | 2024-01-05 |
CN117351214B true CN117351214B (zh) | 2024-02-13 |
Family
ID=89358022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311657313.XA Active CN117351214B (zh) | 2023-12-06 | 2023-12-06 | 一种基于图像处理的伴热电缆检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351214B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593295B (zh) * | 2024-01-18 | 2024-05-28 | 东莞市立时电子有限公司 | 一种手机数据线生产缺陷无损检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
KR20230104527A (ko) * | 2021-12-30 | 2023-07-10 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
-
2023
- 2023-12-06 CN CN202311657313.XA patent/CN117351214B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230104527A (ko) * | 2021-12-30 | 2023-07-10 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117351214A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117351214B (zh) | 一种基于图像处理的伴热电缆检测方法及系统 | |
CN110245662B (zh) | 检测模型训练方法、装置、计算机设备和存储介质 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
Zhang et al. | Efficient system of cracking-detection algorithms with 1-mm 3D-surface models and performance measures | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
CN110019895A (zh) | 一种图像检索方法、装置及电子设备 | |
CN116030237A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
CN108399614B (zh) | 一种基于无抽样小波与Gumbel分布的织物缺陷检测方法 | |
CN116804668A (zh) | 一种食盐碘含量检测数据标识方法及系统 | |
Xiao et al. | Recognition for woven fabric pattern based on gradient histogram | |
CN107818556B (zh) | 电容式指纹采集系统的坏线自检测和自修复方法 | |
CN113569679B (zh) | 测量断裂伸长率的方法、装置和系统 | |
CN113781419A (zh) | 一种柔性pcb板缺陷检测方法、视觉系统、装置及介质 | |
CN116758064A (zh) | 基于电子扫描显微镜的锂电池隔膜质量检测方法 | |
CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN108122229B (zh) | 一种全参考电阻抗成像图像质量评价方法 | |
CN115761647A (zh) | 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 | |
CN115115630A (zh) | 检测方法、检测装置、电子设备及存储介质 | |
CN111242918B (zh) | 基于卡尔曼滤波和马尔可夫随机场的图像分割方法及系统 | |
CN114066881A (zh) | 一种基于非线性变换检测方法、计算机设备及存储介质 | |
CN117455870B (zh) | 一种连接线和连接器质量视觉检测方法 | |
CN112419359A (zh) | 一种基于卷积神经网络的红外弱小目标检测方法及装置 |
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 |