CN114049489A - 一种光纤电缆护套破裂预警方法 - Google Patents
一种光纤电缆护套破裂预警方法 Download PDFInfo
- Publication number
- CN114049489A CN114049489A CN202210034128.4A CN202210034128A CN114049489A CN 114049489 A CN114049489 A CN 114049489A CN 202210034128 A CN202210034128 A CN 202210034128A CN 114049489 A CN114049489 A CN 114049489A
- Authority
- CN
- China
- Prior art keywords
- initial connected
- defect
- connected domain
- initial
- cluster
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013307 optical fiber Substances 0.000 title claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 216
- 230000002950 deficient Effects 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000003247 decreasing effect Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000002829 reductive effect Effects 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 abstract description 13
- 238000002679 ablation Methods 0.000 description 12
- 238000003763 carbonization Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 7
- 230000032683 aging Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000011900 installation process Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (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,具体涉及一种光纤电缆护套破裂预警方法。该方法首先采集电缆图像,获取多个初始连通域。由各初始连通域的中心点的位置关系,得到多个缺陷簇;不属于缺陷簇内的初始连通域为线形缺陷。获取缺陷簇内所有初始连通域的主成分方向,首次筛选缺陷簇内的初始连通域。基于每个缺陷簇,根据每个初始连通域的像素值序列的增减顺序和初始连通域的密集程度,二次筛选缺陷簇内初始连通域。获取缺陷簇内各初始连通域的灰度共生矩阵;根据灰度共生矩阵的熵均值,三次筛选缺陷簇内初始连通域。标注线形缺陷和三次筛选后的缺陷簇,得到缺陷位置。本发明实施例对不规则缺陷进行了检测,达到了电缆缺陷检测及提前预警的目的。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种光纤电缆护套破裂预警方法。
背景技术
电缆终端在城市配电网***中得到大量使用。电缆终端安装过程中由于施工时间受到严格控制,用刀具玻璃电缆外半导电层时,由于刀具进刀深度不易控制,在实际玻璃过程中往往会在主绝缘表面留下气隙缺陷。气隙缺陷处畸变电场将引发终端的局部放电导致气隙缺陷处引发烧蚀碳化,加速终端绝缘材料的劣化,最终导致终端绝缘被击穿,故对电缆终端进行缺陷检测是必要的。
目前,电缆护套受损的检测通常是对护套表面的裂痕或者气隙缺陷进行检测,而未对由气隙缺陷引起的烧蚀碳化的不规则缺陷进行检测。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种光纤电缆护套破裂预警方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种光纤电缆护套破裂预警方法,该方法包括以下步骤:
采集电缆图像,分割所述电缆图像得到分割图像;对所述分割图像进行连通域分析,得到多个初始连通域;
根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇;不属于缺陷簇内的初始连通域为线形缺陷;
基于每个缺陷簇,获取缺陷簇内所有所述初始连通域的主成分方向,得到方向角度值;根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对所述初始连通域进行首次筛选,首次更新缺陷簇;
基于每个缺陷簇,获取每个初始连通域与预设直线的交点的像素值,构建像素值序列;根据所述像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内初始连通域进行二次筛选,二次更新缺陷簇;
矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向;基于所述灰度游程方向,获取二次更新后的缺陷簇内各初始连通域对应的灰度共生矩阵;分别比较缺陷簇内各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇内的所有初始连通域对应的灰度共生矩阵的第二熵均值的大小,三次筛选缺陷簇内的初始连通域,三次更新缺陷簇;
标注所述线形缺陷和所述三次更新后的缺陷簇,得到缺陷位置。
优选的,所述采集电缆图像,分割所述电缆图像得到分割图像,包括:
对所述电缆图像进行语义分割得到前景图像,对所述前景图像进行直方图均衡化得到均衡化图像;
灰度化所述均衡化图像得到灰度图像;多阈值分割所述灰度图像得到多个灰度等级,计算同一灰度等级内的灰度均值,属于同一灰度等级内的像素点的灰度值更新为对应的灰度均值,得到对应的分割图像。
优选的,所述根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇,包括:
当多个初始连通域的中心点位于同一个目标初始连通域内时,所述多个初始连通域和目标初始连通域为近圆形的初始连通域;
获取每个初始连通域的中心点位置,记录所述中心点位置位于其他连通域内的同心次数;各初始连通域的同心次数与理想同心次数之间的比值为所述同缺陷概率;根据所述同缺陷概率对多个初始连通域进行分类得到多个缺陷簇。
优选的,所述获取每个初始连通域的中心点位置,记录所述中心点位置位于其他连通域内的同心次数,包括:
选取任意两个近圆形的初始连通域为第一连通域和第二连通域;当所述第一连通域的第一中心点位于第二连通域内且第二连通域的第二中心点位于第一连通域内时,所述第一中心点和所述第二中心点之间为双向箭头;
当所述第一连通域的第一中心点位于第二连通域内且第二连通域的第二中心点未位于第一连通域内时,所述第一中心点和所述第二中心点之间为单向箭头;
根据连通域的中心点、所述双向箭头和所述单向箭头构建中心点链;其中,每个所述单向箭头为一个箭头;每个所述双向箭头为两个箭头,箭头数量为所述同心次数。
优选的,所述各初始连通域的同心次数与理想同心次数之间的比值为所述同缺陷概率,包括:
所述同缺陷概率的计算公式为:
优选的,所述根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对所述初始连通域进行首次筛选,包括:
基于同一缺陷簇内的初始连通域,分割初始连通域对应的方向角度值得到多个方向类别;
计算每个方向类别的方向角度值均值;基于每个方向类别,保留方向角度值和方向角度值均值的比值大于预设角度比值的方向角度值对应的初始连通域。
优选的,所述矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向,包括:
所述主成分方向包括第一主成分方向和第二主成分方向;
矢量加和二次更新后多个缺陷簇内所有初始连通域对应的第一主成分方向得到第一游程方向;比较所述第一游程方向和灰度共生矩阵的四个方向,从四个方向中选取出与所述第一游程方向角度差最小的方向作为灰度游程方向;
矢量加和二次更新后多个缺陷簇内所有初始连通域对应的第二主成分方向得到第二游程方向;比较所述第二游程方向和灰度共生矩阵的四个方向,从四个方向中选取出与所述第二游程方向角度差最小的方向作为灰度游程方向。
优选的,所述根据所述像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内初始连通域进行二次筛选,包括:
获取每个初始连通域与预设直线的交点之间的距离值,构建距离值序列,所述距离值序列为所述密集程度;所述距离值序列和所述像素值序列的排列顺序为根据交点的位置从左到右的排列顺序;
保留所述像素值序列和所述距离值序列的趋势均为先减小后增大再减小的初始连通域。
优选的,所述分别比较缺陷簇内各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇内的所有初始连通域对应的灰度共生矩阵的第二熵均值的大小,三次筛选缺陷簇内的初始连通域,包括:
基于二次更新后的缺陷簇内的初始连通域,保留所述第一熵均值大于所述第二熵均值的初始连通域。
优选的,所述获取缺陷簇内所有所述初始连通域的主成分方向,得到方向角度值,包括:
所述主成分方向和水平直线的夹角为方向角度值。
本发明实施例至少具有如下有益效果:
本发明实施例利用图像处理技术,首先采集电缆图像,分割电缆图像得到分割图像,经过分割后的分割图像局部对比度得到了提高,且去掉了噪声的干扰,只保留了电缆区域;对分割图像进行连通域分析,得到多个初始连通域。根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇;不属于缺陷簇内的初始连通域为线形缺陷,区分出线性缺陷,再对缺陷簇进行后续缺陷判断,更精准的区分缺陷的类型。基于每个缺陷簇,获取缺陷簇内所有初始连通域的主成分方向,得到方向角度值;根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对初始连通域进行首次筛选,首次更新缺陷簇,将缺陷簇内主成分方向与其他初始连通域的方向不同的初始连通域进行筛选,筛选后的属于同一缺陷簇的初始连通域的特征更相似。基于每个缺陷簇,根据每个初始连通域的像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内初始连通域进行二次筛选,二次更新缺陷簇。矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向;基于灰度游程方向,获取二次更新后的缺陷簇内各初始连通域对应的灰度共生矩阵;分别比较缺陷簇内各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇内的所有初始连通域对应的灰度共生矩阵的第二熵均值的大小,三次筛选缺陷簇内的初始连通域,三次更新缺陷簇,共经过了三次筛选后的属于同一缺陷簇内的初始连通域更能反映同一块不规则缺陷。标注线形缺陷和三次更新后的缺陷簇,得到缺陷位置。本发明实施例除了对线性缺陷检测之外,进一步的由线性缺陷导致的烧蚀碳化产生的不规则缺陷进行了检测,提升了电缆缺陷检测,达到了在电缆表面产生缺陷而护套还未产生破裂时进行预警的目的。
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为本发明一个实施例所提供的一种光纤电缆护套破裂预警方法的方法流程图;
图2为本发明一个实施例所提供的计算同缺陷概率的步骤流程图;
图3为本发明一个实施例所提供的计算缺陷簇的老化程度的步骤流程图。
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光纤电缆护套破裂预警方法,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。
本发明实施例提供了一种光纤电缆护套破裂预警方法的具体实施方法,该方法适用于电缆护套破裂预警场景。利用RGB相机采集电缆图像,由于电缆在安装的过程易产生气隙缺陷,也即为线性缺陷;线性缺陷处畸变电场将引发终端的局部放电导致线性缺陷引发烧蚀碳化,从而产生不规则的缺陷,最终会导致电缆绝缘被击穿。为了解决对不规则的烧蚀碳化缺陷检测不准确的问题,本发明实施例首先将不规则连通域和线性缺陷区分开来,进而根据该不规则的连通域的特征对其进行后续的处理,以判断该不规则的连通域是否为烧蚀碳化形成的不规则缺陷。
下面结合附图具体的说明本发明所提供的一种光纤电缆护套破裂预警方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种光纤电缆护套破裂预警方法的步骤流程图,该方法包括以下步骤:
步骤S100,采集电缆图像,分割电缆图像得到分割图像;对分割图像进行连通域分析,得到多个初始连通域。
首先采集电缆图像,对采集到的电缆图像进行多阈值分割得到分割图像。
经过多阈值分割得到分割图像的步骤,具体的:
采用DNN语义分割网络来识别电缆图像中的目标,该目标即为电缆。通过DNN语义分割网络得到的0-1掩膜图像,其中掩膜图像中电缆区域标记为1,其他区域标记为0。掩膜图像与电缆图像相乘,得到前景图像,该前景图像中只含有电缆。在本发明实施例中DNN语义分割网络的损失函数为交叉熵损失函数。
对得到前景图像进行直方图均衡化得到均衡化图像,目的是直方图均衡化可以调整前景图像的局部对比度,使亮度能更好的在直方图上分布,且在增强局部对比度的同时不影响前景图像的整体的对比度。
灰度化该均衡化图像,得到灰度图像。
多阈值分割灰度图像得到多个灰度等级,在本发明实施例中利用费歇尔准则实现多阈值分割。
计算属于同一个灰度等级内的像素点的灰度均值,属于同一灰度等级内的各像素点的灰度值更新为对应的灰度均值,进而得到了分割图像。需要说明的是计算灰度均值的时候取整数。如灰度图像对应的灰度值序列为{11,12,13,26,27,28},利用费歇尔准则对灰度值序列进行多阈值分割后得到了两个灰度等级,两个灰度等级分别为12和27,灰度等级12包含了原来的灰度值11,12,13,且该灰度等级对应的灰度均值为12;灰度等级27包含了原来的灰度值26,27,28,且该灰度等级对应的灰度均值为27,将同一灰度等级内的灰度值全部更新为灰度均值,即原本的灰度等级12内的11,12,13全部更新为12;原本的灰度等级27内的26,27,28全部更新为27,进而得到分割图像,该分割图像中仅含有12和27两个灰度值。
对分割图像进行八连通域分析,得到多个初始连通域。每个初始连通域内各像素点的像素值均相同。
步骤S200,根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇;不属于缺陷簇内的初始连通域为线形缺陷。
由于实际电缆护套的破损范围有可能是线形的,也有可能是近圆形的,故本发明实施例先判断实际护套的实际破损形状,再对近圆形的缺陷进行后续计算。
近圆形的缺陷通常是由线形缺陷经过烧蚀碳化形成的,由于烧蚀碳化后形成的缺陷颜色深浅不一,故同一处烧蚀碳化后的缺陷有对应的多个近圆形的连通域。此时对应的多个近圆形的连通域的中心点大部分都在中心的连通域内部。
根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇。具体的:
获取各初始连通域的中心点,当多个初始连通域的中心点位于同一个目标初始连通域内时,多个初始连通域和目标初始连通域均为近圆形的初始连通域。
请参阅图2,获取每个初始连通域的中心点位置,记录中心点位置位于其他连通域内的同心次数。各初始连通域的同心次数与理想同心次数之间的比值为同缺陷概率。具体的:
步骤S210,根据近圆形的初始连通域的中心点之间的位置关系,构建中心点链。
选取任意两个近圆形的初始连通域为第一连通域和第二连通域,当第一连通域的第一中心点位于第二连通域内且第二连通域的第二中心点也位于第一连通域内时,做第一中心点和第二中心点之间的连线并在连线上做双向箭头。当第一连通域的第一中心点位于第二连通域内且第二连通域的第二中心点未位于第一连通域内时,则做第一中心点和第二中心点之间的连接并做由第一中心点指向第二中心点的单向箭头。
根据连通域的中心点、双向箭头和单向箭头构建中心点链。其中,每个单向箭头为一个箭头,每个双向箭头为两个箭头,中心点链中箭头数量即为中心点链内初始连通域对应的同心次数,也即反映出属于同一缺陷簇的初始连通域的同心关系。
步骤S220,各初始连通域的的同心次数与理想同心次数之间的比值为同缺陷概率。
也即根据中心点链的箭头数量计算同缺陷概率。
根据同缺陷概率对多个近圆形初始连通域进行分类得到多个缺陷簇。具体的:将同缺陷概率大于预设概率阈值的中心点链对应的多个近圆形的初始连通域作为同一缺陷簇内的初始连通域。
不属于缺陷簇内的初始连通域为线形缺陷。
步骤S300,基于每个缺陷簇,获取缺陷簇内所有初始连通域的主成分方向,得到方向角度值;根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对初始连通域进行首次筛选,首次更新缺陷簇。
获取各初始连通域内像素点的坐标,利用主成分分析(PCA)算法获得这些像素点的主成分方向,可获得K个主成分方向,每个主成分方向均为一个二维的单位向量,每个主成分方向对应一个特征值,获取最大特征值对应的主成分方向,该主成分方向为初始连通域对应的第一主成分方向。基于初始连通域对应的第一主成分方向,得到与第一主成分方向垂直的主成分方向作为初始连通域的第二主成分方向。
初始连通域的第一主成分方向和水平直线的夹角为方向角度值。基于任意缺陷簇内的所有初始连通域,分割初始连通域对应的方向角度值得到多个方向类别,将相近的方向角度值分为同一类别,进而得到多个方向类别。在本发明实施例中采用费歇尔准则对方向角度值序列进行多阈值分割。
计算每个方向类别中的方向角度值均值。基于每个方向类别,保留方向角度值和该方向类别对应的方向角度值均值的比值大于预设角度比值的方向角度值对应的初始连通域。在本发明实施例中预设角度比值为0.94。如方向类别为[89,88,93,92,91],分别计算不同方向值与其他方向值的差值之和,对应的计算结果如下{10,13,12,9,8}。其中91对应的差值之和8为最小差值之和,即91为目标方向角度值。计算目标方向角度值与其他方向角度值的比值,保留目标方向角度值和方向角度值的比值大于预设角度比值的方向角度值对应的初始连通域。
即完成了根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对缺陷簇内的初始连通域进行了首次筛选,首次更新缺陷簇。
首次更新缺陷簇为将已经分类好的缺陷簇内的初始连通域对应的的方向角度值和方向角度值均值的比值小于等于预设角度比值的初始连通域,从所属缺陷簇内筛除。
步骤S400,基于每个缺陷簇,获取每个初始连通域与预设直线的交点的像素值,构建像素值序列;根据像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内初始连通域进行二次筛选,二次更新缺陷簇。
由于近圆形的缺陷纹理是由于烧蚀碳化且受热不均导致的,缺陷纹理的边界即为该处缺陷的影响范围。需要说明的是,同一近圆形的缺陷纹理对应的多个连通域应属于同一缺陷簇。
故对于近圆形的缺陷纹理来说,可将中心位置的连通域作为缺陷中心连通域,也即受热最高的位置,从缺陷中心连通域向缺陷两侧其受热逐渐降低。则缺陷纹理的颜色从中心位置向两侧逐渐减小,即灰度值逐渐增大。且缺陷纹理对应的初始连通域的密度也从中心位置处向两侧逐渐减小。
对缺陷簇进行二次筛选,具体的:
选择缺陷簇内面积最小的初始连通域的最小中心点,过该最小中心点作一条水平直线,该水平直线作为预设直线。
获取每个初始连通域与该预设直线的交点的像素值,构建像素值序列;获取每个初始连通域与预设直线的交点之间的距离值,构建距离值序列。该距离值序列为各交点之间的位置坐标的差值,即该距离值序列能够反映出各缺陷簇内的初始连通域的密集程度,即该距离值序列为密集程度。需要说明的是,距离值序列和像素值序列的排列顺序为根据交点的位置从左往右的排列顺序,即最左边的交点对应的像素值为像素值序列中的第一个元素值;最右边的交点对应的像素值为像素值序列中的最后一个元素值。
若距离值序列的变化趋势为先减小后增大再减小,则该缺陷簇内的初始连通域则在缺陷纹理中心处分布密集,在缺陷纹理两侧分布疏散。根据像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内的初始连通域进行二次筛选,二次更新缺陷簇;即保留像素值序列和距离值序列的趋势均为先减小后增大再减小的初始连通域。
即完成了根据像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内的初始连通域进行二次筛选,二次更新缺陷簇。
二次更新缺陷簇为将首次更新后的缺陷簇内的初始连通域对应的像素值序列和距离值序列不符合先减小后增大的趋势的初始连通域,从所属缺陷簇内筛除。
步骤S500,矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向;基于灰度游程方向,获取二次更新后的缺陷簇内各初始连通域对应的灰度共生矩阵;分别比较缺陷簇内各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇内的所有初始连通域对应的灰度共生矩阵的第二熵均值的大小,三次筛选缺陷簇内的初始连通域,三次更新缺陷簇。
由于电缆在使用久之后,电缆的线形缺陷会因为烧蚀碳化进而形成近圆形缺陷,进而可以根据缺陷簇的纹理特反映缺陷的老化程度。该缺陷簇的老化程度越大,则该缺陷簇为缺陷的概率越大。
光纤电缆的护套是较为平滑的,但是随着长时间使用,原本的线形缺陷被烧蚀碳化形成近圆形缺陷,可以通过电缆护套表面的纹理复杂度来表示老化程度,即可以通过计算灰度共生矩阵来表示纹理复杂度。
请参阅图3,计算缺陷簇的老化程度的步骤,具体的:
步骤S510,矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向。
基于步骤S300得到的主成分方向,其中,主成分方向包括第一主成分方向和第二主成分方向。
矢量加和二次更新后多个缺陷簇内所有初始连通域对应的第一主成分方向得到第一游程方向。比较第一游程方向和灰度共生矩阵的四个方向,从四个方向中选取出与第一游程方向角度差最小的方向作为灰度游程方向。需要说明的是,灰度共生矩阵的四个方向分别为0°、45°、90°和135°。
矢量加和二次更新后多个缺陷簇内所有初始连通域对应的第二主成分方向得到第二游程方向;比较第二游程方向和灰度共生矩阵的四个方向,从四个方向中选取出与第二游程方向角度差最小的方向作为灰度游程方向。即根据第一主成分方向得到了一个灰度游程方向,根据第二主成分方向得到了一个灰度游程方向,共得到了两个灰度游程方向。
步骤S520,获取二次更新后的缺陷簇内各初始连通域对应的灰度共生矩阵。
步骤S530,计算各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇对应的灰度共生矩阵的第二熵均值的差值,对缺陷簇内初始连通域进行三次筛选,三次更新缺陷簇。
基于二次更新后的缺陷簇内的初始连通域,计算各第一熵均值和第二熵均值的差值,保留对应的两个灰度共生矩阵的第一熵均值均大于第二熵均值的初始连通域。该第一熵均值和第二熵均值的差值即为缺陷簇的老化程度。
即完成了根据缺陷簇内的初始连通域对应的第一熵均值和第二熵均值对缺陷簇内初始连通域进行三次筛选,三次更新缺陷簇。
三次更新缺陷簇为将二次更新后的缺陷簇内的初始连通域对应的第一熵均值小于第二熵均值的初始连通域从所属缺陷簇内筛除。三次更新后的每个缺陷簇均对应一个不规则缺陷。
步骤S600,标注线形缺陷和三次更新后的缺陷簇,得到缺陷位置。
对三次更新后的缺陷簇和线形缺陷进行标注,得到缺陷位置。其中,每个缺陷簇为一个缺陷,每个线形缺陷也为一个缺陷,将得到的缺陷位置上传到服务器,以实现对电缆护套缺陷破裂进行预警的目的。
综上所述,本发明实施例利用图像处理技术,首先采集电缆图像,分割电缆图像得到分割图像;对分割图像进行连通域分析,得到多个初始连通域。根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇;不属于缺陷簇内的初始连通域为线形缺陷。基于每个缺陷簇,获取缺陷簇内所有初始连通域的主成分方向,得到方向角度值;根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对初始连通域进行首次筛选,首次更新缺陷簇。基于每个缺陷簇,根据每个初始连通域的像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内初始连通域进行二次筛选,二次更新缺陷簇。矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向;基于灰度游程方向,获取二次更新后的缺陷簇内各初始连通域对应的灰度共生矩阵;分别比较缺陷簇内各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇内的所有初始连通域对应的灰度共生矩阵的第二熵均值的大小,三次筛选缺陷簇内的初始连通域,三次更新缺陷簇。标注线形缺陷和三次更新后的缺陷簇,得到缺陷位置。本发明实施例除了对线性缺陷检测之外,进一步的由线性缺陷导致的烧蚀碳化产生的不规则缺陷进行了检测,提升了电缆缺陷检测,达到了在电缆表面产生缺陷而护套还未产生破裂时进行预警的目的。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,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)
1.一种光纤电缆护套破裂预警方法,其特征在于,该方法包括以下步骤:
采集电缆图像,分割所述电缆图像得到分割图像;对所述分割图像进行连通域分析,得到多个初始连通域;
根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇;不属于缺陷簇内的初始连通域为线形缺陷;
基于每个缺陷簇,获取缺陷簇内所有所述初始连通域的主成分方向,得到方向角度值;根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对所述初始连通域进行首次筛选,首次更新缺陷簇;
基于每个缺陷簇,获取每个初始连通域与预设直线的交点的像素值,构建像素值序列;根据所述像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内初始连通域进行二次筛选,二次更新缺陷簇;
矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向;基于所述灰度游程方向,获取二次更新后的缺陷簇内各初始连通域对应的灰度共生矩阵;分别比较缺陷簇内各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇内的所有初始连通域对应的灰度共生矩阵的第二熵均值的大小,三次筛选缺陷簇内的初始连通域,三次更新缺陷簇;
标注所述线形缺陷和所述三次更新后的缺陷簇,得到缺陷位置。
2.根据权利要求1所述的一种光纤电缆护套破裂预警方法,其特征在于,所述采集电缆图像,分割所述电缆图像得到分割图像,包括:
对所述电缆图像进行语义分割得到前景图像,对所述前景图像进行直方图均衡化得到均衡化图像;
灰度化所述均衡化图像得到灰度图像;多阈值分割所述灰度图像得到多个灰度等级,计算同一灰度等级内的灰度均值,属于同一灰度等级内的像素点的灰度值更新为对应的灰度均值,得到对应的分割图像。
3.根据权利要求1所述的一种光纤电缆护套破裂预警方法,其特征在于,所述根据各初始连通域的中心点之间的位置关系,判断各初始连通域是否属于同一缺陷簇,包括:
当多个初始连通域的中心点位于同一个目标初始连通域内时,所述多个初始连通域和目标初始连通域为近圆形的初始连通域;
获取每个初始连通域的中心点位置,记录所述中心点位置位于其他连通域内的同心次数;各初始连通域的同心次数与理想同心次数之间的比值为所述同缺陷概率;根据所述同缺陷概率对多个初始连通域进行分类得到多个缺陷簇。
4.根据权利要求3所述的一种光纤电缆护套破裂预警方法,其特征在于,所述获取每个初始连通域的中心点位置,记录所述中心点位置位于其他连通域内的同心次数,包括:
选取任意两个近圆形的初始连通域为第一连通域和第二连通域;当所述第一连通域的第一中心点位于第二连通域内且第二连通域的第二中心点位于第一连通域内时,所述第一中心点和所述第二中心点之间为双向箭头;
当所述第一连通域的第一中心点位于第二连通域内且第二连通域的第二中心点未位于第一连通域内时,所述第一中心点和所述第二中心点之间为单向箭头;
根据连通域的中心点、所述双向箭头和所述单向箭头构建中心点链;其中,每个所述单向箭头为一个箭头;每个所述双向箭头为两个箭头,箭头数量为所述同心次数。
6.根据权利要求1所述的一种光纤电缆护套破裂预警方法,其特征在于,所述根据同一缺陷簇内初始连通域的方向角度值和方向角度值均值的比值对所述初始连通域进行首次筛选,包括:
基于同一缺陷簇内的初始连通域,分割初始连通域对应的方向角度值得到多个方向类别;
计算每个方向类别的方向角度值均值;基于每个方向类别,保留方向角度值和方向角度值均值的比值大于预设角度比值的方向角度值对应的初始连通域。
7.根据权利要求1所述的一种光纤电缆护套破裂预警方法,其特征在于,所述矢量加和二次更新后缺陷簇内初始连通域对应的主成分方向,得到灰度游程方向,包括:
所述主成分方向包括第一主成分方向和第二主成分方向;
矢量加和二次更新后多个缺陷簇内所有初始连通域对应的第一主成分方向得到第一游程方向;比较所述第一游程方向和灰度共生矩阵的四个方向,从四个方向中选取出与所述第一游程方向角度差最小的方向作为灰度游程方向;
矢量加和二次更新后多个缺陷簇内所有初始连通域对应的第二主成分方向得到第二游程方向;比较所述第二游程方向和灰度共生矩阵的四个方向,从四个方向中选取出与所述第二游程方向角度差最小的方向作为灰度游程方向。
8.根据权利要求1所述的一种光纤电缆护套破裂预警方法,其特征在于,所述根据所述像素值序列的增减顺序和初始连通域的密集程度对缺陷簇内初始连通域进行二次筛选,包括:
获取每个初始连通域与预设直线的交点之间的距离值,构建距离值序列,所述距离值序列为所述密集程度;所述距离值序列和所述像素值序列的排列顺序为根据交点的位置从左到右的排列顺序;
保留所述像素值序列和所述距离值序列的趋势均为先减小后增大再减小的初始连通域。
9.根据权利要求1所述的一种光纤电缆护套破裂预警方法,其特征在于,所述分别比较缺陷簇内各初始连通域对应的灰度共生矩阵的第一熵均值和所有缺陷簇内的所有初始连通域对应的灰度共生矩阵的第二熵均值的大小,三次筛选缺陷簇内的初始连通域,包括:
基于二次更新后的缺陷簇内的初始连通域,保留所述第一熵均值大于所述第二熵均值的初始连通域。
10.根据权利要求1所述的一种光纤电缆护套破裂预警方法,其特征在于,所述获取缺陷簇内所有所述初始连通域的主成分方向,得到方向角度值,包括:
所述主成分方向和水平直线的夹角为方向角度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034128.4A CN114049489B (zh) | 2022-01-13 | 2022-01-13 | 一种光纤电缆护套破裂预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034128.4A CN114049489B (zh) | 2022-01-13 | 2022-01-13 | 一种光纤电缆护套破裂预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049489A true CN114049489A (zh) | 2022-02-15 |
CN114049489B CN114049489B (zh) | 2022-04-12 |
Family
ID=80196368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210034128.4A Active CN114049489B (zh) | 2022-01-13 | 2022-01-13 | 一种光纤电缆护套破裂预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049489B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202541A (zh) * | 2022-02-17 | 2022-03-18 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
CN114299406A (zh) * | 2022-03-07 | 2022-04-08 | 山东鹰联光电科技股份有限公司 | 基于无人机航拍的光纤电缆线路巡检方法 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
CN114998345A (zh) * | 2022-08-04 | 2022-09-02 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及*** |
CN115055964A (zh) * | 2022-08-18 | 2022-09-16 | 山东鑫亚工业股份有限公司 | 一种基于喷油泵的智能装配方法及*** |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115100608A (zh) * | 2022-08-25 | 2022-09-23 | 南通佰瑞利电动工具有限公司 | 电钻外壳玻纤外露识别方法及*** |
CN115511888A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市岑科实业有限公司 | 基于视觉的电感缺陷检测方法及*** |
CN118071757A (zh) * | 2024-04-25 | 2024-05-24 | 江苏裕荣光电科技有限公司 | 一种管廊电缆护膜的缺陷检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2015MU01447A (zh) * | 2015-04-07 | 2015-04-24 | Vasant Dudul Sanjay | |
CN104751117A (zh) * | 2015-01-26 | 2015-07-01 | 江苏大学 | 一种用于采摘机器人的莲蓬目标图像识别方法 |
CN110189297A (zh) * | 2019-04-18 | 2019-08-30 | 杭州电子科技大学 | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 |
CN110610496A (zh) * | 2019-04-24 | 2019-12-24 | 广东工业大学 | 一种对光照变化鲁棒的荧光胶缺陷分割方法 |
CN113362326A (zh) * | 2021-07-26 | 2021-09-07 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
CN113421261A (zh) * | 2021-08-23 | 2021-09-21 | 金成技术有限公司 | 一种基于图像处理的结构件生产过程缺陷检测方法 |
CN113496490A (zh) * | 2021-09-06 | 2021-10-12 | 南通弈驰新型建材科技有限公司 | 一种基于计算机视觉的木板表面缺陷检测方法及*** |
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
CN113808138A (zh) * | 2021-11-22 | 2021-12-17 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电线电缆表面缺陷检测方法 |
-
2022
- 2022-01-13 CN CN202210034128.4A patent/CN114049489B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751117A (zh) * | 2015-01-26 | 2015-07-01 | 江苏大学 | 一种用于采摘机器人的莲蓬目标图像识别方法 |
IN2015MU01447A (zh) * | 2015-04-07 | 2015-04-24 | Vasant Dudul Sanjay | |
CN110189297A (zh) * | 2019-04-18 | 2019-08-30 | 杭州电子科技大学 | 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法 |
CN110610496A (zh) * | 2019-04-24 | 2019-12-24 | 广东工业大学 | 一种对光照变化鲁棒的荧光胶缺陷分割方法 |
CN113362326A (zh) * | 2021-07-26 | 2021-09-07 | 广东奥普特科技股份有限公司 | 一种电池焊点缺陷的检测方法及装置 |
CN113421261A (zh) * | 2021-08-23 | 2021-09-21 | 金成技术有限公司 | 一种基于图像处理的结构件生产过程缺陷检测方法 |
CN113496490A (zh) * | 2021-09-06 | 2021-10-12 | 南通弈驰新型建材科技有限公司 | 一种基于计算机视觉的木板表面缺陷检测方法及*** |
CN113538429A (zh) * | 2021-09-16 | 2021-10-22 | 海门市创睿机械有限公司 | 基于图像处理的机械零件表面缺陷检测方法 |
CN113808138A (zh) * | 2021-11-22 | 2021-12-17 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电线电缆表面缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
COLETTE A. STOTT 等,: "Pulsed Eddy Current Detection of Cracks in Multilayer Aluminum Lap Joints", 《IEEE SENSORS JOURNAL》 * |
周帅 等,: "基于连通域内部对称量的PCB堵孔缺陷检测算法及其实现", 《五邑大学学报(自然科学版)》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114202541B (zh) * | 2022-02-17 | 2022-04-29 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
CN114202541A (zh) * | 2022-02-17 | 2022-03-18 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
CN114299406A (zh) * | 2022-03-07 | 2022-04-08 | 山东鹰联光电科技股份有限公司 | 基于无人机航拍的光纤电缆线路巡检方法 |
CN114299406B (zh) * | 2022-03-07 | 2022-06-07 | 山东鹰联光电科技股份有限公司 | 基于无人机航拍的光纤电缆线路巡检方法 |
CN114757949A (zh) * | 2022-06-15 | 2022-07-15 | 济宁市海富电子科技有限公司 | 基于计算机视觉的电线电缆缺陷检测方法及*** |
CN114842009A (zh) * | 2022-07-04 | 2022-08-02 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
CN115082418A (zh) * | 2022-07-14 | 2022-09-20 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN115082418B (zh) * | 2022-07-14 | 2022-11-04 | 山东聊城富锋汽车部件有限公司 | 一种汽车零部件精密识别方法 |
CN114998345A (zh) * | 2022-08-04 | 2022-09-02 | 南通金丝楠膜材料有限公司 | 基于灰度游程矩阵的注塑件银丝纹缺陷检测方法及*** |
CN115055964A (zh) * | 2022-08-18 | 2022-09-16 | 山东鑫亚工业股份有限公司 | 一种基于喷油泵的智能装配方法及*** |
CN115100608A (zh) * | 2022-08-25 | 2022-09-23 | 南通佰瑞利电动工具有限公司 | 电钻外壳玻纤外露识别方法及*** |
CN115511888A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市岑科实业有限公司 | 基于视觉的电感缺陷检测方法及*** |
CN115511888B (zh) * | 2022-11-22 | 2023-02-17 | 深圳市岑科实业有限公司 | 基于视觉的电感缺陷检测方法及*** |
CN118071757A (zh) * | 2024-04-25 | 2024-05-24 | 江苏裕荣光电科技有限公司 | 一种管廊电缆护膜的缺陷检测方法 |
CN118071757B (zh) * | 2024-04-25 | 2024-06-25 | 江苏裕荣光电科技有限公司 | 一种管廊电缆护膜的缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114049489B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114049489B (zh) | 一种光纤电缆护套破裂预警方法 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与*** | |
CN115841493B (zh) | 一种基于图像处理的电缆检测方法 | |
CN115457041B (zh) | 一种道路质量识别检测方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN116758061A (zh) | 基于计算机视觉的铸件表面缺陷检测方法 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN113920122B (zh) | 一种基于人工智能的电缆缺陷检测方法及*** | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN115330790B (zh) | 基于图像的电缆绞线质量检测方法及*** | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN105741244A (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN117388263B (zh) | 用于充电枪的五金端子质量检测方法 | |
CN117078678B (zh) | 基于图像识别的废硅片形状检测方法 | |
CN116664567B (zh) | 一种固体绝缘开关柜质量评估方法及*** | |
CN116934787A (zh) | 基于边缘检测的图像处理方法 | |
CN116543238A (zh) | 一种电缆绝缘层的图像检测方法 | |
CN114663658B (zh) | 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法 | |
CN117974657B (zh) | 一种基于计算机视觉的电缆表面缺陷检测方法 | |
CN117876374B (zh) | 一种用于htcc陶瓷的金属浆料布线填孔及监控方法 |
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 |