CN115082745B - 基于图像的电缆绞线质量检测方法及其*** - Google Patents
基于图像的电缆绞线质量检测方法及其*** Download PDFInfo
- Publication number
- CN115082745B CN115082745B CN202211006052.0A CN202211006052A CN115082745B CN 115082745 B CN115082745 B CN 115082745B CN 202211006052 A CN202211006052 A CN 202211006052A CN 115082745 B CN115082745 B CN 115082745B
- Authority
- CN
- China
- Prior art keywords
- stranded wire
- scale
- convolution
- wire section
- cable
- 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 76
- 238000010586 diagram Methods 0.000 claims abstract description 77
- 230000007547 defect Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 238000011176 pooling Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 31
- 239000000284 extract Substances 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 239000004020 conductor Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
公开了一种基于图像的电缆绞线质量检测方法及其***，其实现电缆绞线质量检测的智能化。具体地，首先通过摄像头沿待检测电缆绞线的延伸方向采集待检测电缆绞线的多个绞线段图像，然后将多个绞线段图像通过具有多尺度卷积结构的第一卷积神经网络来提取各个绞线段的特征，并通过协方差计算得到不同绞线段的特征之间的差异，接着使用具有三维卷积核的第二卷积神经网络作为特征提取器来捕捉不同绞线段的特征的差异之间的关联特征以得到绞线段关联特征图，最后将绞线段关联特征图通过分类器得到用于表示待检测电缆绞线是否存在质量缺陷的分类结果。这样，基于绞线图像构建电缆绞线质量智能化检测方案。
Description
技术领域
本申请涉及智能制造领域，且更为具体地，涉及一种基于图像的电缆绞线质量检测方法及其***。
背景技术
电缆绞线是电线电缆的导电内芯，常用的有铜、铝两种，铜、铝线可以绞制成各种不同规格截面以及不同种类的电线电缆的导线电芯。在电缆绞线的制备过程中，其会因各种原因而出现多种类型的缺陷，例如，1.单线或绞线表面擦伤；2.单线起皮、斑疤、脆断、拱起、有夹杂物；3.绞合方向错、蛇形、绞合节距大、长度不合格；以及，4.排线乱和压伤、刮伤、撞伤、电线电缆导电线芯直流电阻不合格等。
传统的电缆绞线质量检测主要依托于人眼观察来实现，这种方式非常依赖于工人的经验，且因这种做法因受限于人眼的观察分辨率，其无法观察到细微的或隐藏的缺陷。
因此，期待一种优化的用于电缆绞线质量检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于图像的电缆绞线质量检测方法及其***，其实现电缆绞线质量检测的智能化。具体地，首先通过摄像头沿待检测电缆绞线的延伸方向采集待检测电缆绞线的多个绞线段图像，然后将多个绞线段图像通过具有多尺度卷积结构的第一卷积神经网络来提取各个绞线段的特征，并通过协方差计算得到不同绞线段的特征之间的差异，接着使用具有三维卷积核的第二卷积神经网络作为特征提取器来捕捉不同绞线段的特征的差异之间的关联特征以得到绞线段关联特征图，最后将绞线段关联特征图通过分类器得到用于表示待检测电缆绞线是否存在质量缺陷的分类结果。这样，基于绞线图像构建电缆绞线质量智能化检测方案。
根据本申请的一个方面，提供了一种基于图像的电缆绞线质量检测方法，其包括：沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
在上述基于图像的电缆绞线质量检测方法中，所述将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图，包括：使用所述具有多尺度卷积结构的第一卷积神经网络的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于第一卷积核的卷积处理以得到第一尺度卷积特征图；对所述输入数据进行基于第二卷积核的卷积处理以得到第二尺度卷积特征图；对所述输入数据进行基于第三卷积核的卷积处理以得到第三尺度卷积特征图；将所述第一尺度卷积特征图、所述第二尺度卷积特征图和所述第三尺度卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到非线性激活特征图；其中，所述具有多尺度卷积结构的第一卷积神经网络的最后一层的输出为所述多尺度绞线段特征图。
在上述基于图像的电缆绞线质量检测方法中，所述分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量，包括：分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述多个多尺度绞线段特征向量。
在上述基于图像的电缆绞线质量检测方法中，所述对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵，包括：以如下公式对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到所述多个校正后协方差矩阵；其中，所述公式为：
其中
是所述多个协方差矩阵的第
个协方差矩阵的每个位置的特征值，且
是所述多个协方差矩阵中除所述第
个协方差矩阵以外的其它协方差矩阵的对应位置的特征值，
为空间控制超参数。
在上述基于图像的电缆绞线质量检测方法中，所述将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图，包括：使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层输出所述绞线段关联特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
在上述基于图像的电缆绞线质量检测方法中，所述将所述绞线段关联特征图通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述绞线段关联特征图进行处理以得到所述分类结果，其中，所述公式为：
其中，
为所述分类结果，
和
为第
个分类对应的权重和偏置矩阵，
为所述绞线段关联特征图。
根据本申请的另一方面，提供了一种基于图像的电缆绞线质量检测***，其包括：图像采集模块，用于沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；第一特征提取模块，用于将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；池化处理模块，用于分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；协方差矩阵计算模块，用于计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；校正模块，用于对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；第二特征提取模块，用于将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及检测结果生成模块，用于将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
在上述基于图像的电缆绞线质量检测***中，所述第一特征提取模块，用于使用所述具有多尺度卷积结构的第一卷积神经网络的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于第一卷积核的卷积处理以得到第一尺度卷积特征图；对所述输入数据进行基于第二卷积核的卷积处理以得到第二尺度卷积特征图；对所述输入数据进行基于第三卷积核的卷积处理以得到第三尺度卷积特征图；将所述第一尺度卷积特征图、所述第二尺度卷积特征图和所述第三尺度卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到非线性激活特征图；其中，所述具有多尺度卷积结构的第一卷积神经网络的最后一层的输出为所述多尺度绞线段特征图。
在上述基于图像的电缆绞线质量检测***中，所述池化处理模块，用于分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述多个多尺度绞线段特征向量。
在上述基于图像的电缆绞线质量检测***中，所述校正模块，用于以如下公式对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到所述多个校正后协方差矩阵；其中，所述公式为：
其中
是所述多个协方差矩阵的第
个协方差矩阵的每个位置的特征值，且
是所述多个协方差矩阵中除所述第
个协方差矩阵以外的其它协方差矩阵的对应位置的特征值，
为空间控制超参数。
在上述基于图像的电缆绞线质量检测***中，所述第二特征提取模块，用于使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层输出所述绞线段关联特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
在上述基于图像的电缆绞线质量检测***中，所述检测结果生成模块，用于使用所述分类器以如下公式对所述绞线段关联特征图进行处理以得到所述分类结果，其中，所述公式为：
其中，
为所述分类结果，
和
为第
个分类对应的权重和偏置矩阵，
为所述绞线段关联特征图。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于图像的电缆绞线质量检测方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于图像的电缆绞线质量检测方法。
与现有技术相比，本申请提供的基于图像的电缆绞线质量检测方法及其***，其实现电缆绞线质量检测的智能化。具体地，首先通过摄像头沿待检测电缆绞线的延伸方向采集待检测电缆绞线的多个绞线段图像，然后将多个绞线段图像通过具有多尺度卷积结构的第一卷积神经网络来提取各个绞线段的特征，并通过协方差计算得到不同绞线段的特征之间的差异，接着使用具有三维卷积核的第二卷积神经网络作为特征提取器来捕捉不同绞线段的特征的差异之间的关联特征以得到绞线段关联特征图，最后将绞线段关联特征图通过分类器得到用于表示待检测电缆绞线是否存在质量缺陷的分类结果。这样，基于绞线图像构建电缆绞线质量智能化检测方案。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于图像的电缆绞线质量检测方法的应用场景图。
图2为根据本申请实施例的基于图像的电缆绞线质量检测方法的流程图。
图3为根据本申请实施例的基于图像的电缆绞线质量检测方法的架构示意图。
图4为根据本申请实施例的基于图像的电缆绞线质量检测方法中，将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图的流程图。
图5为根据本申请实施例的基于图像的电缆绞线质量检测***的框图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，传统的电缆绞线质量检测主要依托于人眼观察来实现，这种方式非常依赖于工人的经验，且因这种做法因受限于人眼的观察分辨率，其无法观察到细微的或隐藏的缺陷。因此，期待一种优化的用于电缆绞线质量检测方案。
近年来，深度学***。
深度学习以及神经网络的发展为电缆绞线质量检测提供了新的解决思路和解决方案。
应可以理解，电缆绞线质量检测可以转化为基于图像的多分类问题，也就是，利用深度神经网络作为特征提取器提取待检测电缆绞线的图像中的特征，并将所提取到的特征表示通过分类器以得到用于表示待检测电缆绞线是否存在质量缺陷的分类结果。但是，考虑到电缆绞线的缺陷众多且电缆绞线的特征在图像层面的呈现上并不明显，导致如果直接以简单的特征提取器+分类器组合的模型难以提升质量检测的精准度。
为此，在本申请的技术方案中，采用不同绞线段特征之间的比对与特征差异之间的关联模式来作为分类判断的依据。应可以理解，如果某一绞线段存在质量缺陷，而其他绞线段不存在质量缺陷，则两者之间的对比会明显，而如果差异特征比较相近，则表示不同绞线段可能存在相同的缺陷类型。
具体地，首先通过摄像头沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像。然后，使用卷积神经网络模型作为特征提取器来分别对各个所述绞线段图像进行特征提取。为了准确地提取到缺陷所在区域的特征，对所使用的所述卷积神经网络模型进行结构改进。具体地，引入多尺度卷积结构。
所述多尺度卷积结构存在于所述卷积神经网络模型的各层，其包括多个不同尺寸的卷积核分别对输入数据进行具有不同感受野的特征提取，这样大感受野的卷积核能提取到更多的上下文信息，而小感受野的卷积核能提取到更为小粒度的特征，这样结合上下文信息和粒度特征能提高对缺陷特征的感知能力。
接着，分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量。也就是，通过全局均值池化的方式对所述多尺度绞线段特征图进行降维处理。
接着，计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵，也就是，以每两个多尺度绞线段特征向量之间的协方差矩阵表表示两个绞线段之间的高维隐含特征之间的差异性表达。并将所述多个协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图，也就是，以使用三维卷积核的第二卷积神经网络作为特征提取器来捕捉不同绞线段的高维图像局部特征之间的差异的绞线段间的关联特征。然后，将所述绞线段关联特征图通过分类器就可以得到用于表示待检测电缆绞线是否存在质量缺陷的分类结果。
这里，对于所述多个协方差矩阵，因为其每个为两个多尺度绞线段特征向量之间的协方差矩阵，因此其作为沿着待检测电缆绞线的延伸方向的分布式的图像多尺度语义的协方差表示，在特征分布上存在一定程度上的各向异性，也就是，其表示驻留在整个高维特征空间的狭窄子集中，这就使得排列为三维输入张量后缺乏连续性，影响使用三维卷积核的第二卷积神经网络在通道维度上的特征提取效果。
因此，首先对每个协方差矩阵进行对比搜索空间同向化，即：
其中
是所述多个协方差矩阵的第
个协方差矩阵的每个位置的特征值，且
是所述多个协方差矩阵中除所述第
个协方差矩阵以外的其它协方差矩阵的对应位置的特征值。
为空间控制超参数，例如初始设置为第
个协方差矩阵与第
个协方差矩阵之间的距离。
通过对比搜索空间同向化，可以将每个协方差矩阵迁移到各向同性且有区分度的表示空间，以增强排列后得到的三维输入张量的沿通道方向上的特征表示的分布连续性，提升绞线段关联特征图的特征表达效果。这样，提高对所述电缆绞线的质量检测的精准度。
基于此，本申请提出了一种基于图像的电缆绞线质量检测方法，其包括：沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及,将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
图1为根据本申请实施例的基于图像的电缆绞线质量检测方法的应用场景图。如图1所示，在该应用场景中，首先通过摄像头（例如，如图1中所示意的C）沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线（例如，如图1中所示意的M）的多个绞线段图像；然后，将所述待检测电缆绞线的多个绞线段图像输入至部署有基于图像的电缆绞线质量检测算法的服务器（例如，如图1中所示意的S）中，其中，所述服务器以基于图像的电缆绞线质量检测算法对所述待检测电缆绞线的多个绞线段图像进行处理，以输出得到分类结果，其中，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的基于图像的电缆绞线质量检测方法的流程图。如图2所示，根据本申请实施例的基于图像的电缆绞线质量检测方法，包括：S110，沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；S120，将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；S130，分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；S140，计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；S150，对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；S160，将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及，S170，将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
图3为根据本申请实施例的基于图像的电缆绞线质量检测方法的架构示意图。如图3所示，在所述基于图像的电缆绞线质量检测方法的架构中，首先，沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；然后，将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；接着，分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；然后，计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；接着，对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；然后，将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及，最后，将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
在步骤S110中，沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像。如前所述，考虑到通过人眼观察来实现电缆绞线质量检测的过程中会因受限于人眼的观察分辨率，而无法观察到电缆绞线上细微的或隐藏的缺陷。在本申请的技术方案中，将电缆绞线质量检测转化为基于图像的多分类问题，也就是，利用深度神经网络作为特征提取器提取待检测电缆绞线的图像中的特征，并将所提取到的特征表示通过分类器以得到用于表示待检测电缆绞线是否存在质量缺陷的分类结果。
但是，考虑到电缆绞线的缺陷众多且电缆绞线的特征在图像层面的呈现上并不明显，导致如果直接以简单的特征提取器和分类器组合的模型难以提升质量检测的精准度。因此，在本申请的技术方案中，采用不同绞线段特征之间的比对与特征差异之间的关联模式来作为分类判断的依据。应可以理解，如果某一绞线段存在质量缺陷，而其他绞线段不存在质量缺陷，则两者之间的对比会明显，而如果差异特征比较相近，则表示不同绞线段可能存在相同的缺陷类型。
可以理解的是，在本申请实施例中，通过摄像头沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像。其中，所述摄像头的数量不局限为图1中所示例的一个，即所述摄像头的数量可以为多个，多个摄像头可以沿待检测电缆绞线的延伸方向布置，以分别采集所述待检测电缆绞线的多个绞线段图像，以提高图像采集的效率。
在步骤S120中，将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图。也就是，使用第一卷积神经网络模型作为特征提取器来分别对所述多个绞线段图像中各个绞线段图像进行特征提取。可以理解，在本申请的技术方案中，为了准确地提取到缺陷所在区域的特征，对所使用的所述第一卷积神经网络模型进行结构改进。例如，在本申请的一具体示例中，引入多尺度卷积结构。
其中，所述多尺度卷积结构存在于所述第一卷积神经网络模型的各层，其包括多个不同尺寸的卷积核分别对输入数据进行具有不同感受野的特征提取，这样大感受野的卷积核能提取到更多的上下文信息，而小感受野的卷积核能提取到更为小粒度的特征，这样结合上下文信息和粒度特征能提高对缺陷特征的感知能力。
具体地，在本申请实施例中，图4为根据本申请实施例的基于图像的电缆绞线质量检测方法中，将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图的流程图。如图4所示，所述将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图，包括：使用所述具有多尺度卷积结构的第一卷积神经网络的各层在层的正向传递过程中分别对输入数据进行：S210，对所述输入数据进行基于第一卷积核的卷积处理以得到第一尺度卷积特征图；S220，对所述输入数据进行基于第二卷积核的卷积处理以得到第二尺度卷积特征图；S230，对所述输入数据进行基于第三卷积核的卷积处理以得到第三尺度卷积特征图；S240，将所述第一尺度卷积特征图、所述第二尺度卷积特征图和所述第三尺度卷积特征图进行级联以得到多尺度卷积特征图；S250，对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及S260，对所述池化特征图进行非线性激活以得到非线性激活特征图；其中，所述具有多尺度卷积结构的第一卷积神经网络的最后一层的输出为所述多尺度绞线段特征图。
进一步地，为了准确地提取到所述待检测电缆绞线的多个绞线段图像中各个绞线段图像的特征，在本申请中提供了小尺寸的卷积核来解决这个问题。另外，除了所述待检测电缆绞线自身特征外，所述待检测电缆绞线的周围还存在着丰富的上下文信息，例如，电缆绞线外侧保护层特有的一些特征。这些特征信息可以有效地补充所述电缆绞线的特征，并帮助更好地确认所述待检测电缆绞线是否存在质量缺陷。也就是说，在本申请中，为了提取所述待检测电缆绞线周围的上下文特征信息，需要使用不同尺寸的卷积核在所述各个绞线段图像上提取特征。
可以理解的是，多尺度卷积核有效了解决了单一尺寸卷积核在图像中不能提取不同尺度的特征的问题，但是每种尺寸的卷积核在卷积层中依然只提取了一次特征。为了达到多次提取特征的目的，提出了分组卷积的概念：利用分组卷积分别对特征图提取特征，分组卷积将一个卷积核按照通道分成多组，分别对特征图进行卷积操作。在本申请另一具体示例中，将一个卷积核按照通道分成多组卷积核，将所述多个绞线段图像中各个绞线段图像分别进行基于不同通道的多组卷积核处理以得到所述多个多尺度绞线段特征图。
在步骤S130中，分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量。也就是，通过全局均值池化的方式对所述多尺度绞线段特征图进行降维处理。
具体地，在本申请实施例中，分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述多个多尺度绞线段特征向量。这里，通过全局均值计算来得到所述多个多尺度绞线段特征向量，能够在降维的基础上关注到所述多个多尺度绞线段特征图的全局特征信息以防止数据丢失造成的分类精度降低，并且还能够降低参数的数量，从而降低计算量，防止过拟合，以提高后续分类的准确性。
在步骤S140和步骤S150中，计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵，然后对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵。也就是，以每两个多尺度绞线段特征向量之间的协方差矩阵表表示两个绞线段之间的高维隐含特征之间的差异性表达。
具体地，对于所述多个协方差矩阵，因为其每个为两个多尺度绞线段特征向量之间的协方差矩阵，因此其作为沿着待检测电缆绞线的延伸方向的分布式的图像多尺度语义的协方差表示，在特征分布上存在一定程度上的各向异性，也就是，其表示驻留在整个高维特征空间的狭窄子集中，这就使得排列为三维输入张量后缺乏连续性，影响使用三维卷积核的第二卷积神经网络在通道维度上的特征提取效果。
更具体地，为解决上述问题，在本申请实施例中，首先对每个协方差矩阵进行对比搜索空间同向化，即以如下公式对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到所述多个校正后协方差矩阵；其中，所述公式为：
其中
是所述多个协方差矩阵的第
个协方差矩阵的每个位置的特征值，且
是所述多个协方差矩阵中除所述第
个协方差矩阵以外的其它协方差矩阵的对应位置的特征值。
为空间控制超参数，例如初始设置为第
个协方差矩阵与第
个协方差矩阵之间的距离。
可以理解的是，通过对比搜索空间同向化，可以将每个协方差矩阵迁移到各向同性且有区分度的表示空间，以增强排列后得到的三维输入张量的沿通道方向上的特征表示的分布连续性，提升绞线段关联特征图的特征表达效果。这样，提高对所述电缆绞线的质量检测的精准度。
在步骤S160中，将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图。也就是，以使用三维卷积核的第二卷积神经网络作为特征提取器来捕捉不同绞线段的高维图像局部特征之间的差异的绞线段间的关联特征。
具体地，在本申请实施例中，使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层输出所述绞线段关联特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
可以理解的是，对于所述多个校正后协方差矩阵，需要更加突出在空间维度上的隐含关联特征信息，因此需要将所述多个校正后协方差矩阵排列为三维输入张量后，通过使用具有三维卷积核的第二卷积神经网络来进行深层关联特征的挖掘，以使得三维卷积核的第二卷积神经网络来捕捉不同绞线段的高维图像局部特征之间的差异的绞线段间的关联特征，以得到所述绞线段关联特征图。
在步骤S170中，将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。也就是，将所述绞线段关联特征图输入分类函数以获得分类函数值，其中，所述分类函数值为所述分类结果，所述分类结果用于表示所述待检测电缆绞线是否存在质量缺陷。
具体地，在本申请实施例中，使用所述分类器以如下公式对所述绞线段关联特征图进行处理以得到所述分类结果，其中，所述公式为：
其中，
为所述分类结果，
和
为第
个分类对应的权重和偏置矩阵，
为所述绞线段关联特征图。
综上，基于本申请实施例的基于图像的电缆绞线质量检测方法被阐明，其实现电缆绞线质量检测的智能化。具体地，首先通过摄像头沿待检测电缆绞线的延伸方向采集待检测电缆绞线的多个绞线段图像，然后将多个绞线段图像通过具有多尺度卷积结构的第一卷积神经网络来提取各个绞线段的特征，并通过协方差计算得到不同绞线段的特征之间的差异，接着使用具有三维卷积核的第二卷积神经网络作为特征提取器来捕捉不同绞线段的特征的差异之间的关联特征以得到绞线段关联特征图，最后将绞线段关联特征图通过分类器得到用于表示待检测电缆绞线是否存在质量缺陷的分类结果。这样，基于绞线图像构建电缆绞线质量智能化检测方案。
示例性***
图5为根据本申请实施例的基于图像的电缆绞线质量检测***100的框图。如图5所示，根据本申请实施例的基于图像的电缆绞线质量检测***100，包括：图像采集模块110，用于沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；第一特征提取模块120，用于将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；池化处理模块130，用于分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；协方差矩阵计算模块140，用于计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；校正模块150，用于对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；第二特征提取模块160，用于将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及，检测结果生成模块170，用于将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
在一个示例中，在上述基于图像的电缆绞线质量检测***100中，所述第一特征提取模块120，进一步用于：使用所述具有多尺度卷积结构的第一卷积神经网络的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行基于第一卷积核的卷积处理以得到第一尺度卷积特征图；对所述输入数据进行基于第二卷积核的卷积处理以得到第二尺度卷积特征图；对所述输入数据进行基于第三卷积核的卷积处理以得到第三尺度卷积特征图；将所述第一尺度卷积特征图、所述第二尺度卷积特征图和所述第三尺度卷积特征图进行级联以得到多尺度卷积特征图；对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及对所述池化特征图进行非线性激活以得到非线性激活特征图；其中，所述具有多尺度卷积结构的第一卷积神经网络的最后一层的输出为所述多尺度绞线段特征图。
在一个示例中，在上述基于图像的电缆绞线质量检测***100中，所述池化处理模块130，进一步用于：分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述多个多尺度绞线段特征向量。
在一个示例中，在上述基于图像的电缆绞线质量检测***100中，所述校正模块150，进一步用于：以如下公式对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到所述多个校正后协方差矩阵；其中，所述公式为：
其中
是所述多个协方差矩阵的第
个协方差矩阵的每个位置的特征值，且
是所述多个协方差矩阵中除所述第
个协方差矩阵以外的其它协方差矩阵的对应位置的特征值，
为空间控制超参数。
在一个示例中，在上述基于图像的电缆绞线质量检测***100中，所述第二特征提取模块160，进一步用于：使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层输出所述绞线段关联特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
在一个示例中，在上述基于图像的电缆绞线质量检测***100中，所述检测结果生成模块170，进一步用于：使用所述分类器以如下公式对所述绞线段关联特征图进行处理以得到所述分类结果，其中，所述公式为：
其中，
为所述分类结果，
和
为第
个分类对应的权重和偏置矩阵，
为所述绞线段关联特征图。
这里，本领域技术人员可以理解，上述基于图像的电缆绞线质量检测***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于图像的电缆绞线质量检测方法描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于图像的电缆绞线质量检测***100可以实现在各种终端设备中，例如用于电缆绞线质量智能检测的服务器等。在一个示例中，根据本申请实施例的基于图像的电缆绞线质量检测***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于图像的电缆绞线质量检测***100可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于图像的电缆绞线质量检测***100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于图像的电缆绞线质量检测***100与该终端设备也可以是分立的设备，并且该基于图像的电缆绞线质量检测***100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6为根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于图像的电缆绞线质量检测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如电缆绞线材质等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构（未示出）互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于图像的电缆绞线质量检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于图像的电缆绞线质量检测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种基于图像的电缆绞线质量检测方法，其特征在于，包括：
沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；
将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；
分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；
计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；
对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；
将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及
将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
2.根据权利要求1所述的基于图像的电缆绞线质量检测方法，其特征在于，所述将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图，包括：使用所述具有多尺度卷积结构的第一卷积神经网络的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行基于第一卷积核的卷积处理以得到第一尺度卷积特征图；
对所述输入数据进行基于第二卷积核的卷积处理以得到第二尺度卷积特征图；
对所述输入数据进行基于第三卷积核的卷积处理以得到第三尺度卷积特征图；
将所述第一尺度卷积特征图、所述第二尺度卷积特征图和所述第三尺度卷积特征图进行级联以得到多尺度卷积特征图；
对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到非线性激活特征图；
其中，所述具有多尺度卷积结构的第一卷积神经网络的最后一层的输出为所述多尺度绞线段特征图。
3.根据权利要求2所述的基于图像的电缆绞线质量检测方法，其特征在于，所述分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量，包括：
分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述多个多尺度绞线段特征向量。
4.根据权利要求3所述的基于图像的电缆绞线质量检测方法，其特征在于，所述将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图，包括：
使用所述具有三维卷积核的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述具有三维卷积核的第二卷积神经网络的最后一层输出所述绞线段关联特征图，其中，所述具有三维卷积核的第二卷积神经网络的第一层的输入为所述三维输入张量。
5.根据权利要求4所述的基于图像的电缆绞线质量检测方法，其特征在于，所述将所述绞线段关联特征图通过分类器以得到分类结果，包括：
使用所述分类器以如下公式对所述绞线段关联特征图进行处理以得到所述分类结果，其中，所述公式为：
其中，O为所述分类结果，Wi和bi为第i个分类标签对应的权重和偏置矩阵，x为所述绞线段关联特征图。
6.一种基于图像的电缆绞线质量检测***，其特征在于，包括：
图像采集模块，用于沿待检测电缆绞线的延伸方向采集所述待检测电缆绞线的多个绞线段图像；
第一特征提取模块，用于将所述待检测电缆绞线的多个绞线段图像中各个绞线段图像分别通过具有多尺度卷积结构的第一卷积神经网络以得到多个多尺度绞线段特征图；
池化处理模块，用于分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图进行沿通道维度的全局均值池化处理以得到多个多尺度绞线段特征向量；
协方差矩阵计算模块，用于计算所述多个多尺度绞线段特征向量中每两个多尺度绞线段特征向量之间的协方差矩阵以得到多个协方差矩阵；
校正模块，用于对所述多个协方差矩阵中的各个协方差矩阵中各个位置的特征值进行校正以得到多个校正后协方差矩阵；
第二特征提取模块，用于将所述多个校正后协方差矩阵排列为三维输入张量后通过具有三维卷积核的第二卷积神经网络以得到绞线段关联特征图；以及
检测结果生成模块，用于将所述绞线段关联特征图通过分类器以得到分类结果，所述分类结果用于表示待检测电缆绞线是否存在质量缺陷。
7.根据权利要求6所述的基于图像的电缆绞线质量检测***，其特征在于，所述第一特征提取模块，进一步用于：使用所述具有多尺度卷积结构的第一卷积神经网络的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行基于第一卷积核的卷积处理以得到第一尺度卷积特征图；
对所述输入数据进行基于第二卷积核的卷积处理以得到第二尺度卷积特征图；
对所述输入数据进行基于第三卷积核的卷积处理以得到第三尺度卷积特征图；
将所述第一尺度卷积特征图、所述第二尺度卷积特征图和所述第三尺度卷积特征图进行级联以得到多尺度卷积特征图；
对所述多尺度卷积特征图进行池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到非线性激活特征图；
其中，所述具有多尺度卷积结构的第一卷积神经网络的最后一层的输出为所述多尺度绞线段特征图。
8.根据权利要求7所述的基于图像的电缆绞线质量检测***，其特征在于，所述池化处理模块，进一步用于：分别对所述多个多尺度绞线段特征图中各个多尺度绞线段特征图的沿通道维度的各个特征矩阵进行全局均值池化处理以得到所述多个多尺度绞线段特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211006052.0A CN115082745B (zh) | 2022-08-22 | 2022-08-22 | 基于图像的电缆绞线质量检测方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211006052.0A CN115082745B (zh) | 2022-08-22 | 2022-08-22 | 基于图像的电缆绞线质量检测方法及其*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115082745A CN115082745A (zh) | 2022-09-20 |
| CN115082745B true CN115082745B (zh) | 2022-12-30 |
Family
ID=83244739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211006052.0A Active CN115082745B (zh) | 2022-08-22 | 2022-08-22 | 基于图像的电缆绞线质量检测方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115082745B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115561243B (zh) * | 2022-09-30 | 2023-05-23 | 东莞市言科新能源有限公司 | 锂电池制备中极片质量监测***及其方法 |
| CN115827257B (zh) * | 2023-02-20 | 2023-05-05 | 腾云创威信息科技(威海)有限公司 | 用于处理器体系的cpu容量预测方法及其*** |
| CN117237270B (zh) * | 2023-02-24 | 2024-03-19 | 靖江仁富机械制造有限公司 | 耐磨防腐管道生产用成型控制方法及*** |
| CN116309446B (zh) * | 2023-03-14 | 2024-05-07 | 浙江固驰电子有限公司 | 用于工业控制领域的功率模块制造方法及*** |
| CN116797533B (zh) * | 2023-03-24 | 2024-01-23 | 东莞市冠锦电子科技有限公司 | 电源适配器的外观缺陷检测方法及其*** |
| CN116777892B (zh) * | 2023-07-03 | 2024-01-26 | 东莞市震坤行胶粘剂有限公司 | 基于视觉检测的点胶质量检测方法及其*** |
| CN117593285A (zh) * | 2023-12-14 | 2024-02-23 | 江苏恒兆电缆有限公司 | 一种柔性矿物绝缘柔性防火电缆的品质检测***及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108388904A (zh) * | 2018-03-13 | 2018-08-10 | 中国海洋大学 | 一种基于卷积神经网络和协方差张量矩阵的降维方法 |
| US10635739B1 (en) * | 2016-08-25 | 2020-04-28 | Cyber Atomics, Inc. | Multidimensional connectivity graph-based tensor processing |
| CN114677565A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 特征提取网络的训练方法和图像处理方法、装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7734097B1 (en) * | 2006-08-01 | 2010-06-08 | Mitsubishi Electric Research Laboratories, Inc. | Detecting objects in images with covariance matrices |
| CN109801286B (zh) * | 2019-01-29 | 2023-06-06 | 江南大学 | 一种lcd导光板的表面缺陷检测方法 |
| WO2021071711A1 (en) * | 2019-10-09 | 2021-04-15 | The Uab Research Foundation | Method for uncertainty estimation in deep neural networks |
-
2022
- 2022-08-22 CN CN202211006052.0A patent/CN115082745B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10635739B1 (en) * | 2016-08-25 | 2020-04-28 | Cyber Atomics, Inc. | Multidimensional connectivity graph-based tensor processing |
| CN108388904A (zh) * | 2018-03-13 | 2018-08-10 | 中国海洋大学 | 一种基于卷积神经网络和协方差张量矩阵的降维方法 |
| CN114677565A (zh) * | 2022-04-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 特征提取网络的训练方法和图像处理方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115082745A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115082745B (zh) | 基于图像的电缆绞线质量检测方法及其*** | |
| CN115203380B (zh) | 基于多模态数据融合的文本处理***及其方法 | |
| JP6994588B2 (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
| CN109543602B (zh) | 一种基于多视角图像特征分解的行人再识别方法 | |
| CN112949710B (zh) | 一种图像的聚类方法和装置 | |
| Tian et al. | Ear recognition based on deep convolutional network | |
| CN112446476A (zh) | 神经网络模型压缩的方法、装置、存储介质和芯片 | |
| US9070041B2 (en) | Image processing apparatus and image processing method with calculation of variance for composited partial features | |
| Dosovitskiy et al. | Unsupervised feature learning by augmenting single images | |
| CN111768457B (zh) | 图像数据压缩方法、装置、电子设备和存储介质 | |
| CN104616000B (zh) | 一种人脸识别方法和装置 | |
| CN108573209A (zh) | 一种基于人脸的单模型多输出的年龄性别识别方法及*** | |
| EP4047509A1 (en) | Facial parsing method and related devices | |
| CN113066065B (zh) | 无参考图像质量检测方法、***、终端及介质 | |
| CN115443490A (zh) | 影像审核方法及装置、设备、存储介质 | |
| Ameur et al. | Fusing Gabor and LBP feature sets for KNN and SRC-based face recognition | |
| CN112188306B (zh) | 一种标签生成方法、装置、设备及存储介质 | |
| JP2010108494A (ja) | 画像内の顔の特性を判断する方法及びシステム | |
| CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
| CN114519877A (zh) | 人脸识别方法、人脸识别装置、计算机设备及存储介质 | |
| CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
| US20120052473A1 (en) | Learning apparatus, learning method, and computer program product | |
| CN112786160A (zh) | 基于图神经网络的多图片输入的多标签胃镜图片分类方法 | |
| Kapadia et al. | Improved CBIR system using Multilayer CNN | |
| CN110287973B (zh) | 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法 |
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 |