CN114998214A - 一种电缆缺陷检测的采样速度控制方法和*** - Google Patents
一种电缆缺陷检测的采样速度控制方法和*** Download PDFInfo
- Publication number
- CN114998214A CN114998214A CN202210474680.5A CN202210474680A CN114998214A CN 114998214 A CN114998214 A CN 114998214A CN 202210474680 A CN202210474680 A CN 202210474680A CN 114998214 A CN114998214 A CN 114998214A
- Authority
- CN
- China
- Prior art keywords
- model
- cable
- image
- sampling
- real
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 93
- 230000007547 defect Effects 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003746 surface roughness Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 239000012535 impurity Substances 0.000 claims abstract description 15
- 230000000052 comparative effect Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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 using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种电缆缺陷检测的采样速度控制方法,包括以下步骤:S1:获取电缆缺陷计算因子,电缆缺陷计算因包括:表面粗糙度、内部杂质、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度;S2:建立质量与检测速度正相关控制函数,基于检测值修正控制函数的理想值,计算实时采样间隔;S3:实时采样间隔换算为传感器采样间隔。本发明的有益效果是:能控制电缆传感器的采样速度。
Description
技术领域
本发明涉及电缆缺陷检测技术领域,特别涉及一种电缆缺陷检测的采样速度控制方法和***。
背景技术
目前,通讯电缆和电力电缆担负着信息传递和电力供应的重要使命,随之时间的推移,电缆受到外界环境、气候、外力等因素的影响而腐蚀老化,线路特性也会随之发生变化,将会出现线路短路、断路等故障,导致***通讯供电异常。
传统技术中:难以实现对电缆异常点的定位,不能直观查看电缆模型,不便于准确地掌握电缆的实际情况。
例如,一种在中国专利文献上公开的“电缆检测方法”,其公告号:CN110986852A,其申请日:2019年12月05日,该发明电缆检测方法操作简单易掌握,结果清晰易辨别,能够全面检测电缆质量,提高电缆使用安全性,但是存在不能控制电缆传感器的采样速度的问题。
发明内容
针对现有技术不能控制电缆传感器的采样速度的不足,本发明提出了一种电缆缺陷检测的采样速度控制方法和***,能控制电缆传感器的采样速度。
以下是本发明的技术方案,一种电缆缺陷检测的采样速度控制方法,包括以下步骤:
S1:获取电缆缺陷计算因子,所述电缆缺陷计算因包括:表面粗糙度、内部杂质、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度;
S2:建立质量与检测速度正相关控制函数,基于检测值修正控制函数的理想值,计算实时采样间隔;
S3:实时采样间隔换算为传感器采样间隔。
本方案中,建立质量与检测速度正相关控制函数,根据表面粗糙度、内部杂质、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度修正控制函数的理想值,计算出实时采样间隔,实时采样间隔换算为传感器采样间隔,从而控制电缆缺陷检测采样速度。
作为优选,步骤S1中,获取电缆缺陷计算因子包括以下步骤:
S11:采集图像数据,采取高斯滤波、均值滤波或中值滤波消除噪声,利用直方图均衡化和伽马变换增强图像颜色、亮度和对比度;
S12:图像处理,将图像分解为若干个独立区域,分别用于检测表面粗糙度、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度,采用的方法为基于阈值的分割方法、基于区域的分割方法和基于形态学分水岭的分割方法;
S13:提取特征,图像特征有几何特征、形状特征、颜色特征、纹理特征和灰度特征,所述几何特征通过统计缺陷边界和内部像素点个数提取,所述形状特征从轮廓和形状区域中提取,所述几何特征和形状特征用于分析轮廓与标准的比较偏离度,所述颜色特征通过颜色直方图、颜色聚合向量、颜色矩阵等方法来提取和匹配,所述纹理特征利用图像的直方图的矩对纹理结构进行提取,所述颜色特征和纹理特征用于分析表面粗糙度,灰度特征从图像的灰度直方图信息中提取,所述灰度特征用于分析影像灰度与标准灰度偏离度;
S14:对比图像和模型判断图像缺陷,通过BP神经网络、支持向量机和K-means聚类算法输出缺陷值。
本方案中,采集的图像和模型进行对比,提取图像特征,辨别采集图像的缺陷,通过算法输出缺陷值,提高缺陷值的精度。
作为优选,步骤S14中,对比图像和模型判断图像缺陷的步骤如下:
S141:设置5个对比模型,按绝对值0-5排序;
S142:将采集的图像360°角度以45°为区间,分别用整数1-8表示;
S143:所述图像的不同两个角度以45°为区间向下取整,用整数表示,计算整数之间差异绝对值;
S144:根据差异绝对值对比所述对比模型,判断图像缺陷。
本方案中,将图像的不同两个角度以45°为区间向下取整,用整数表示,计算整数之间差异绝对值,差异绝对值对比所述对比模型,判断图像缺陷,便于计算机识别计算,减少计算量,提高反应速度。
作为优选,步骤S2中,实时质量参数、正相关控制函数和实时采样间隔计算算式如下:
Ti=F(Qi);
Tr=F(Qr,σ);
Qr=Qi(aCs+bDi+cDp+dDq)σ;
F(Qi)=mQi+n,m>0;
式中,F为检测质量与检测速度的正相关控制函数,Ti为采样间隔,σ为分布参数,Tr为实时采样间隔,Qr为实时质量参数,Qi为质量参数,Cs为表面粗糙度,Di为内部杂质含量,Dp为轮廓与标准的比较偏离度,Dq为各部分影像灰度与标准灰度偏离度度,m为正相关常数,n为补偿常数,λ为比例系数,a,b,c,d分别为表面粗糙度的影响常数、内部杂质含量的影响常数、轮廓与标准的比较偏离度的影响常数和影像灰度与标准灰度偏离度的影响常数。
本方案中,建立质量与检测速度正相关控制函数,根据表面粗糙度、内部杂质、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度修正控制函数的理想值,计算出实时采样间隔,实时采样间隔换算为传感器采样间隔,从而控制电缆缺陷检测采样速度。
作为优选,步骤S3中,根据实时采样间隔同步对应的传感器采样间隔,使传感器采样开始时间和采样间隔相同。
本方案中,传感器采样开始时间和采样间隔相同,便于数据采集。
作为优选,一种电缆缺陷检测的采样速度控制***,包括:计算机和服务器采用不低于千兆以太网的介质进行连接,所述服务器连接数据库。
作为优选,所述服务器包括传感器、物理参数提取装置和3D建模***,所述传感器用于采集电缆实时数据,所述物理参数提取装置用于提取电缆物理信息,所述3D建模***根据提取的电缆实时数据和电缆物理信息构建电缆3D模型。
本方案中,传感器用于采集电缆实时数据,物理参数提取装置用于提取电缆物理信息,3D建模***根据提取的电缆实时数据和电缆物理信息构建电缆3D模型,直观查阅电缆3D模型,减少操作员工作量。
作为优选,模型显示界面显示预览3D模型,预处理3D模型缩略图、实时数据和物理信息,所述预览3D模型采用切片式显示方式,设置箭头按钮用于旋转预览3D模型,所述预处理3D模型缩略图共有5个,点击模型缩略图,计算机将对应模型缩略图按最小移动距离向左或向右移动至正中间,根据模型缩略图创建预览3D模型,模型缩略图向左或向右移动若干格,预处理3D模型缩略图右端或左端补充若干个新模型缩略图,所述实时数据包括表面粗糙度、内部杂质含量、轮廓偏离度和影像灰度偏离度,所述物理信息包括内径、外径、层厚、线芯直径、线芯结构常数和线芯结构系数。
本方案中,设置箭头按钮用于旋转预览3D模型,多维度直观查看电缆的状态,预处理3D模型缩略图缩短预览3D模型生成时间,提高***的适用性。
作为优选,账户权限包括非操作者权限和操作者权限,所述非操作者权限查阅预览3D模型状态,仅显示电缆的物理信息,且不可切换3D模型,所述操作者权限查阅预览3D模型,根据电缆实时数据和电缆物理信息创建预览3D模型并显示,显示预处理3D模型缩略图。
本方案中,计算机权限分为非操作者权限和操作者权限,不同权限能查看的内容不同,提高***的安全性。
作为优选,传感器控制界面显示传感器信息,传感器编号、传感器名称、采样值和采样速度内容不可编辑,修改采样速度内容可编辑,其实现方式如下:在输入框中输入速度值,鼠标点击非该输入口区域后,***读取速度值、对应传感器编号和传感器名称,将速度值通过以太网传输至对应传感器,将速度值修改为对应传感器的采样速度。
本方案中,通过计算机修改远程传感器采样速度,提高效率,提高***适用性。
本发明的有益效果是:能控制电缆传感器的采样速度。
附图说明
图1本发明一种电缆缺陷检测的采样速度控制方法的流程图。
图2本发明一种电缆缺陷检测的采样速度控制***的模型显示界面页面图。
图3本发明一种电缆缺陷检测的采样速度控制***的传感器控制界面页面图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:如图1所示,一种电缆缺陷检测的采样速度控制方法,包括以下步骤:
步骤1:获取电缆缺陷计算因子;
步骤2:建立质量与检测速度正相关控制函数,基于检测值修正控制函数的理想值,计算实时采样间隔;
步骤3:实时采样间隔换算为传感器采样间隔。
步骤1中,获取电缆缺陷计算因子,缺陷计算因子包括:表面粗糙度、内部杂质、轮廓与标准的比较偏离度、各部分影像灰度与标准灰度偏离度。
表面粗糙度、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度通过人工特征提取的方法进行获取,包括以下步骤:
步骤11:采集图像数据;
图像处理方法包括图像增强和图像分割,受传感器材料属性等因素的影响,工业现场采集的图像通常包含噪声。根据噪声能量分布区间的不同择优采取高斯滤波、均值滤波或中值滤波等图像增强的策略消除噪声。利用直方图均衡化、伽马变换等方式有目的地增强图像某些特征,如颜色、亮度和对比度等。
步骤12:图像处理;
图像处理方法为采用图像分割将图像按照其特征属性的不同分解为若干个独立区域,分别用于检测表面粗糙度、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度的问题。经过有效的分割后,图像中每个同类区域内的特征相同或相近,而不同区域间的特征则有明显区别。图像分割方法包括基于阈值的分割方法、基于区域的分割方法、基于形态学分水岭的分割方法。
步骤13:提取特征;
从图像中提取出缺陷的特征信息,图像特征有几何特征、形状特征、颜色特征、纹理特征和灰度特征,几何特征和形状特征用于分析轮廓与标准的比较偏离度,几何特征通过统计缺陷边界及内部的像素点个数提取,形状特征从轮廓和形状区域中提取,颜色特征和纹理特征用于分析表面粗糙度,颜色特征通过颜色直方图、颜色聚合向量、颜色矩阵等方法来提取和匹配,纹理特征利用图像的直方图的矩对纹理结构进行提取,灰度特征用于分析影像灰度与标准灰度偏离度,灰度特征从图像的灰度直方图信息中提取。
步骤14:判别模型,识别结果;
在提取出能够准确描述缺陷的特征后,缺陷检测***需要依靠判别模型进行分类,判断图像中是否存在缺陷,常用的判别算法有BP神经网络、支持向量机、K-means聚类算法等,并输出具体缺陷值。
基于对比模型的图像匹配方法,步骤如下:
步骤141:设置5个对比模型,按绝对值0-5排序,用于对比采集的图像;
步骤142:将采集的图像360°角度以45°为区间,分别用整数1-8表示,便于计算机识别计算;
步骤143:采集的图像的角度以45°为区间向下取整,用整数表示,计算整数之间差异绝对值,便于计算机识别计算;
步骤144:根据差异绝对值对比所述对比模型,判断图像缺陷,减少计算量。
步骤2中,建立质量与检测速度正相关控制函数,基于检测值修正控制函数的理想值,计算实时采样间隔。
建立正相关控制函数,用于检测质量与检测速度。在检测启动初期,所有参数均按照理想值进行初始化,参数的综合计算结果表示产品的质量参数。初始化以后的设备,采用一定跨度的间隔进行采样,使检测过程具有较高速度,检测质量与检测速度的正相关控制函数计算算式如下:
Ti=F(Qi);
式中,Qi为质量参数,Ti为采样间隔,F为检测质量与检测速度的正相关控制函数。
机器开始检测过程后,逐步用检测值修正初始化采用的理想值。取得实时质量参数和分布参数,实时采样间隔计算算式如下:
Tr=F(Qr,σ);
式中,Qr为实时质量参数,σ为分布参数,Tr为实时采样间隔,F为检测质量与检测速度的正相关控制函数。
实时质量参数、正相关控制函数和实时采样间隔计算算式如下:
Qr=Qi(aCs+bDi+cDp+dDq)σ;
F(Qi)=mQi+n,m>0;
式中,F为检测质量与检测速度的正相关控制函数,Ti为采样间隔,σ为分布参数,Tr为实时采样间隔,Qr为实时质量参数,Qi为质量参数,Cs为表面粗糙度,Di为内部杂质含量,Dp为轮廓与标准的比较偏离度,Dq为各部分影像灰度与标准灰度偏离度,m为正相关常数,n为补偿常数,λ为比例系数,a,b,c,d分别为表面粗糙度的影响常数、内部杂质含量的影响常数、轮廓与标准的比较偏离度的影响常数和影像灰度与标准灰度偏离度的影响常数。
步骤3中,实时采样间隔换算为传感器采样间隔。根据实时采样间隔同步对应的传感器采样间隔,使传感器采样开始时间和采样间隔相同,提高数据采样的有效性,降低数据异常概率。
一种电缆缺陷检测的采样速度控制***,包括计算机、服务器、数据库,计算机和服务器采用不低于千兆以太网的介质进行连接,服务器连接数据库,数据库为本地数据库或者云数据库。
服务器包括传感器、物理参数提取装置和3D建模***,传感器用于采集电缆实时数据,物理参数提取装置用于提取电缆物理信息,3D建模***根据提取的电缆实时数据和电缆物理信息构建电缆3D模型,实时显示电缆3D信息。计算机负责各种物理参数的模型显示界面和3D模型的即时计算。
如图2所示,模型显示界面显示预览3D模型,预处理3D模型缩略图、实时数据和物理信息。预览3D模型采用切片式显示方式,减小数据计算量,降低计算机负担,预览3D模型上下左右分别设置箭头按钮,用于翻转预览3D模型,例如,左箭头按钮将预览3D模型自右向左旋转。预处理3D模型缩略图位于预览3D模型正下方,共有5个模型缩略图,正中间模型缩略图为预览3D模型的缩略图,点击模型缩略图,计算机将对应模型缩略图按最小移动距离向左或向右移动至正中间,根据模型缩略图创建3D模型并显示于预览3D模型处,模型缩略图向左移动一格或二格,预处理3D模型缩略图右端补充一个或两个新模型缩略图,模型缩略图向右移动一格或二格,预处理3D模型缩略图左端补充一个或两个新模型缩略图。实时数据包括表面粗糙度、内部杂质含量、轮廓偏离度和影像灰度偏离度,物理信息包括内径、外径、层厚、线芯直径、线芯结构常数、线芯结构系数。
如图3所示,传感器控制界面显示传感器信息,包括传感器编号、传感器名称、采样值、采样速度和修改采样速度,按照传感器编号顺序排序。传感器编号、传感器名称、采样值和采样速度内容不可编辑,修改采样速度内容可编辑,其实现方式如下:在输入框中输入速度值,鼠标点击非该输入口区域后,***读取速度值、对应传感器编号和传感器名称,将速度值通过以太网传输至对应传感器,将速度值修改为对应传感器的采样速度。通过传感器编号或传感器名称精确搜索指定传感器。
计算机设置两种账户权限,账户权限分别为:非操作者权限和操作者权限。
非操作者权限查阅预览3D模型状态,***仅显示电缆的物理信息,且不可切换3D模型。
操作者权限查阅预览3D模型状态,即时根据电缆实时数据和电缆物理信息生成3D模型并显示,同时告知服务器预览临近空缺的前后位置显示预处理3D模型缩略图,本地数据库或者云数据库存储3D模型计算结果。
Claims (10)
1.一种电缆缺陷检测的采样速度控制方法,其特征在于,包括以下步骤:
S1:获取电缆缺陷计算因子,所述电缆缺陷计算因包括:表面粗糙度、内部杂质、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度;
S2:建立质量与检测速度正相关控制函数,基于检测值修正控制函数的理想值,计算实时采样间隔;
S3:实时采样间隔换算为传感器采样间隔。
2.根据权利要求1所述的一种电缆缺陷检测的采样速度控制方法,其特征在于,步骤S1中,获取电缆缺陷计算因子包括以下步骤:
S11:采集图像数据,采取高斯滤波、均值滤波或中值滤波消除噪声,利用直方图均衡化和伽马变换增强图像颜色、亮度和对比度;
S12:图像处理,将图像分解为若干个独立区域,分别用于检测表面粗糙度、轮廓与标准的比较偏离度和影像灰度与标准灰度偏离度,采用的方法为基于阈值的分割方法、基于区域的分割方法和基于形态学分水岭的分割方法;
S13:提取特征,图像特征有几何特征、形状特征、颜色特征、纹理特征和灰度特征,所述几何特征通过统计缺陷边界和内部像素点个数提取,所述形状特征从轮廓和形状区域中提取,所述几何特征和形状特征用于分析轮廓与标准的比较偏离度,所述颜色特征通过颜色直方图、颜色聚合向量、颜色矩阵等方法来提取和匹配,所述纹理特征利用图像的直方图的矩对纹理结构进行提取,所述颜色特征和纹理特征用于分析表面粗糙度,灰度特征从图像的灰度直方图信息中提取,所述灰度特征用于分析影像灰度与标准灰度偏离度;
S14:对比图像和模型判断图像缺陷,通过BP神经网络、支持向量机和K-means聚类算法输出缺陷值。
3.根据权利要求2所述的一种电缆缺陷检测的采样速度控制方法,其特征在于,步骤S14中,对比图像和模型判断图像缺陷的步骤如下:
S141:设置5个对比模型,按绝对值0-5排序;
S142:将采集的图像360°角度以45°为区间,分别用整数1-8表示;
S143:所述图像的不同两个角度以45°为区间向下取整,用整数表示,计算整数之间差异绝对值;
S144:根据差异绝对值对比所述对比模型,判断图像缺陷。
4.根据权利要求1所述的一种电缆缺陷检测的采样速度控制方法,其特征在于,步骤S2中,实时质量参数、正相关控制函数和实时采样间隔计算算式如下:
Ti=F(Qi);
Tr=F(Qr,σ);
Qr=Qi(aCs+bDi+cDp+dDq)σ;
F(Qi)=mQi+n,m>0;
式中,F为检测质量与检测速度的正相关控制函数,Ti为采样间隔,σ为分布参数,Tr为实时采样间隔,Qr为实时质量参数,Qi为质量参数,Cs为表面粗糙度,Di为内部杂质含量,Dp为轮廓与标准的比较偏离度,Dq为各部分影像灰度与标准灰度偏离度度,m为正相关常数,n为补偿常数,λ为比例系数,a,b,c,d分别为表面粗糙度的影响常数、内部杂质含量的影响常数、轮廓与标准的比较偏离度的影响常数和影像灰度与标准灰度偏离度的影响常数。
5.根据权利要求1所述的一种电缆缺陷检测的采样速度控制方法,其特征在于,步骤S3中,根据实时采样间隔同步对应的传感器采样间隔,使传感器采样开始时间和采样间隔相同。
6.一种电缆缺陷检测的采样速度控制***,适用于权利要求1-5任一项所述的一种电缆缺陷检测的采样速度控制方法,其特征在于,包括:计算机和服务器采用不低于千兆以太网的介质进行连接,所述服务器连接数据库。
7.根据权利要求6所述的一种电缆缺陷检测的采样速度控制***,其特征在于,所述服务器包括传感器、物理参数提取装置和3D建模***,所述传感器用于采集电缆实时数据,所述物理参数提取装置用于提取电缆物理信息,所述3D建模***根据提取的电缆实时数据和电缆物理信息构建电缆3D模型。
8.根据权利要求6或7所述的一种电缆缺陷检测的采样速度控制***,其特征在于,模型显示界面显示预览3D模型,预处理3D模型缩略图、实时数据和物理信息,所述预览3D模型采用切片式显示方式,设置箭头按钮用于旋转预览3D模型,所述预处理3D模型缩略图共有5个,点击模型缩略图,计算机将对应模型缩略图按最小移动距离向左或向右移动至正中间,根据模型缩略图创建预览3D模型,模型缩略图向左或向右移动若干格,预处理3D模型缩略图右端或左端补充若干个新模型缩略图,所述实时数据包括表面粗糙度、内部杂质含量、轮廓偏离度和影像灰度偏离度,所述物理信息包括内径、外径、层厚、线芯直径、线芯结构常数和线芯结构系数。
9.根据权利要求8所述的一种电缆缺陷检测的采样速度控制***,其特征在于,账户权限包括非操作者权限和操作者权限,所述非操作者权限查阅预览3D模型状态,仅显示电缆的物理信息,且不可切换3D模型,所述操作者权限查阅预览3D模型,根据电缆实时数据和电缆物理信息创建预览3D模型并显示,显示预处理3D模型缩略图。
10.根据权利要求6所述的一种电缆缺陷检测的采样速度控制***,其特征在于,传感器控制界面显示传感器信息,传感器编号、传感器名称、采样值和采样速度内容不可编辑,修改采样速度内容可编辑,其实现方式如下:在输入框中输入速度值,鼠标点击非该输入口区域后,***读取速度值、对应传感器编号和传感器名称,将速度值通过以太网传输至对应传感器,将速度值修改为对应传感器的采样速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474680.5A CN114998214A (zh) | 2022-04-29 | 2022-04-29 | 一种电缆缺陷检测的采样速度控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210474680.5A CN114998214A (zh) | 2022-04-29 | 2022-04-29 | 一种电缆缺陷检测的采样速度控制方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998214A true CN114998214A (zh) | 2022-09-02 |
Family
ID=83026064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210474680.5A Pending CN114998214A (zh) | 2022-04-29 | 2022-04-29 | 一种电缆缺陷检测的采样速度控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998214A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796668A (zh) * | 2022-11-28 | 2023-03-14 | 广东新亚光电缆股份有限公司 | 一种控制电缆的信号质量管理*** |
CN116721108A (zh) * | 2023-08-11 | 2023-09-08 | 山东奥晶生物科技有限公司 | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 |
CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
-
2022
- 2022-04-29 CN CN202210474680.5A patent/CN114998214A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796668A (zh) * | 2022-11-28 | 2023-03-14 | 广东新亚光电缆股份有限公司 | 一种控制电缆的信号质量管理*** |
CN115796668B (zh) * | 2022-11-28 | 2023-09-19 | 广东新亚光电缆股份有限公司 | 一种控制电缆的信号质量管理*** |
CN116721108A (zh) * | 2023-08-11 | 2023-09-08 | 山东奥晶生物科技有限公司 | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 |
CN116721108B (zh) * | 2023-08-11 | 2023-11-03 | 山东奥晶生物科技有限公司 | 一种基于机器视觉的甜菊糖苷产品杂质检测方法 |
CN116912234A (zh) * | 2023-09-06 | 2023-10-20 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
CN116912234B (zh) * | 2023-09-06 | 2023-11-28 | 青岛理研电线电缆有限公司 | 一种基于图像特征的电缆绞线质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998214A (zh) | 一种电缆缺陷检测的采样速度控制方法和*** | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN110070570B (zh) | 一种基于深度信息的障碍物检测***及方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN110400322B (zh) | 基于颜色和三维几何信息的水果点云分割方法 | |
CN110120042B (zh) | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN113324864B (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN112907519A (zh) | 一种基于深度学习的金属曲面缺陷分析***及方法 | |
CN110598030A (zh) | 一种基于局部cnn框架的甲骨拓片分类方法 | |
CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及*** | |
CN108596176B (zh) | 一种对提取的硅藻区域进行硅藻类型识别方法及装置 | |
CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
CN110866547B (zh) | 基于多特征和随机森林的中药饮片自动分类***及方法 | |
CN110232703B (zh) | 一种基于颜色和纹理信息的运动目标识别装置及方法 | |
CN114998103A (zh) | 一种基于孪生网络的点云文物碎片的三维虚拟拼接方法 | |
CN114120218A (zh) | 一种基于边缘计算的河道漂浮物监测方法 | |
JP5403180B1 (ja) | 画像評価方法、画像評価装置及び画像評価プログラム |
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 |