CN115222741B - 一种电缆表面缺陷检测方法 - Google Patents
一种电缆表面缺陷检测方法 Download PDFInfo
- Publication number
- CN115222741B CN115222741B CN202211146203.2A CN202211146203A CN115222741B CN 115222741 B CN115222741 B CN 115222741B CN 202211146203 A CN202211146203 A CN 202211146203A CN 115222741 B CN115222741 B CN 115222741B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- value
- points
- point
- noise points
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010000496 acne Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/13—Edge detection
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像识别技术领域,具体涉及一种电缆表面缺陷检测方法,该方法包括:获取电缆同一区域的两帧表面图像及其对应的灰度图像,获取灰度图像对应的灰度-邻域梯度均值的二维直方图,两个二维直方图中对应的灰度-邻域梯度均值的频数作差,并将差值大于0对应灰度级的像素点作为目标点,确定目标点中的有效噪声点,确定有效噪声点中位置相近的有效目标噪声点,对有效目标噪声点进行聚类,确定聚类的面积,并根据聚类的面积确定滤波滑窗尺寸,根据滤波滑窗尺寸对图像进行去噪处理,并进行边缘检测确定缺陷区域,本发明实现了对图像进行准确去噪,保证了缺陷的检测的准确性。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种电缆表面缺陷检测方法。
背景技术
随着社会的不断发展,也不断推动了电线电缆行业的发展,其在国家制造业方面的占比很大,由于电线电缆发生故障时,会导致电力***运行产生安全隐患,故需要对电线电缆产品的质量安全检测,以避免劣质电线电缆产品流入市场。
在电线电缆进行质量检测时,需要先对其外观进行全面检测,电线电缆外观尺寸检测是电线电缆质量控制的首检项目,从而确保电缆表面是否圆整光滑,有无毛刺、裂纹、斑点、油污影响正常使用的缺陷。
现有技术对电缆表面进行缺陷检测时,主要利用视觉检测技术的图像分割或者边缘检测,在进行图像分割前,都需要对电缆图像表面进行去噪处理,其中,噪声的主要来源在于空气中的声音,噪声干扰会导致直接检测的不准确,故现有技术多采用高斯滤波和均值滤波的方法进行去噪,其去噪时都是设定固定的滤波滑窗尺寸,然而不同时刻的声音噪声对图像的影响情况不同,用固定的滤波滑窗尺寸去噪时,当主要噪声影响大时,而滤波滑窗尺寸较小,则达不到平滑效果,即不能起到滤除噪声点的作用,会使得后续边缘检测时继续受到噪声点的影响而导致检测出错误的边缘,当主要噪声影响小时,而滤波滑窗尺寸较大,则会导致平滑过度,过度平滑会导致边缘检测时,难以确定边缘,故,在去噪时并不能对不同噪声进行准确去噪,影响去噪效果,从而会影响边缘检测时缺陷区域的检测的准确性。
故,本发明需要提供一种电缆表面缺陷检测方法,予以解决上述问题。
发明内容
本发明提供一种电缆表面缺陷检测方法,以解决现有的检测效率低的问题。
本发明的一种电缆表面缺陷检测方法采用如下技术方案:
获取电缆同一区域的两帧表面图像及其对应的灰度图像;
根据每个像素点的灰度值、其与邻域内邻域像素点的邻域梯度均值获取两帧灰度图像对应的灰度-邻域梯度均值的二维直方图;
将两个二维直方图对应的灰度-邻域梯度均值的频数作差得到对应的频数差值,将频数差值大于0对应灰度级的像素点作为目标点;
根据目标点的邻域内各个邻域像素点的邻域梯度均值计算目标点为有效噪声点的概率,根据概率与预设概率阈值确定目标点中的有效噪声点;
根据有效噪声点的灰度值、邻域梯度均值计算每两个有效噪声点在表面图像中位置相近的可能性值,根据位置相近的可能性值与可能性阈值确定位置相近的有效目标噪声点;
对所有效目标噪声点进行位置聚类,根据所有聚类的面积的均值确定滤波滑窗尺寸,根据滤波滑窗尺寸对灰度图像进行高斯滤波得到去噪后的图像,对去噪后的图像进行边缘检测确定缺陷区域。
优选的,根据每个像素点的灰度值、其与邻域内邻域像素点的邻域梯度均值获取每个灰度图像对应的二维直方图的步骤包括:
分别获取每个像素点的在x方向和y方向的梯度值;
根据每个像素点的在x方向和y方向的梯度值获取该像素点的梯度值;
根据每个像素点梯度值与其8邻域内邻域像素点的梯度值获取该像素点与其邻域内邻域像素点的邻域梯度均值;
根据灰度值及邻域梯度均值构建灰度-邻域梯度均值的二维直方图,其中,二维直方图中的x轴表示灰度级,y轴表示邻域梯度均值,z轴表示频数。
优选的,根据目标点的邻域内各个邻域像素点的邻域梯度均值计算目标点为有效噪声点的概率的步骤:
对目标点的邻域内所有邻域像素点的邻域梯度均值求和求均值,并记为目标值;
对目标值进行归一化得到有效噪声点的概率。
优选的,根据概率与预设概率阈值确定目标点中的有效噪声点包括:
当概率大于预设概率阈值时,则目标点为有效噪声点,当概率小于预设概率阈值时,则目标点为无效噪声点。
优选的,根据有效噪声点的灰度值、邻域梯度均值计算每两个有效噪声点在表面图像中位置相近的可能性值的步骤包括:
根据有效噪声点的灰度值计算两个有效噪声点的灰度差值;
根据有效噪声点对应的邻域梯度均值计算两个有效噪声点的邻域梯度均值的差值;
计算两个有效噪声点的灰度差值与邻域梯度均值的差值的乘积;
对两个有效噪声点的灰度差值与邻域梯度均值的差值的乘积进行归一化得到两个有效噪声点的位置相近的可能性值。
优选的,将位置相近的可能性值大于可能性阈值的两个有效噪声点作为有效目标噪声点,反之,则记为无效目标噪声点。
优选的,获取每个聚类的面积的步骤包括:
获取每个聚类中有效目标噪声点构成的区域;
获取该区域的最小外接矩形;
将最小外接矩形的面积作为对应聚类的面积。
优选的,计算所有聚类的面积的均值的根值,将根值作为滤波滑窗的长和宽并得到滤波滑窗尺寸。
本发明的一种电缆表面缺陷检测方法的有益效果是:
1、通过获取电缆的同一个区域的二维直方图,并根据二维直方图对应的灰度-邻域梯度均值的频率进行作差,然后根据差值确定图像中灰度发生变化的灰度级对应的像素点并作为目标点,筛选出目标点中的有效噪声点,从而确定需要平滑去除的噪声点,保证去噪精度。
2、通过对有效噪声点进行其在表面图像中位置相近的可能性值来确定相近的有效目标噪声点,并确定有效目标噪声点的位置聚类,根据聚类的面积确定滤波滑窗尺寸,避免了需要设定很大的滑窗尺寸才能去除散乱分布且距离远的有效噪声点,从而保证了对大量且聚集的有效目标噪声进行准确去噪,保证去噪效果,故在对去噪后的图像进行边缘检测时的检测的缺陷区域更准确,进而保证了电缆质量检测的结果的准确度。
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为本发明的一种电缆表面缺陷检测方法的实施例的结构示意图;
图2为本发明的一种电缆表面缺陷检测方法中的二维直方图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种电缆表面缺陷检测方法的实施例,本实施例的使用场景为:在电缆的橡胶套包装完成后,对电缆外层橡胶套的外观进行图像采集,对采集到的图像进行去噪,去噪后检测表面缺陷,具体的,在对电缆的表面图像进行缺陷检测前,先对电缆的表面图像进行高斯滤波去噪处理,即去噪处理时,如图1所示,该方法包括:
S1、获取电缆同一区域的两帧表面图像及其对应的灰度图像。
具体的,在电缆的生产线上放置采集相机,相机采集包装完成的电缆的表面图像,由于不同时刻的声音噪声是不同的,采集到的图像受噪声影响也不同,故对电缆的每一个电缆区域采集两张图像,由于图像采集到的图像包含背景区域和电缆区域,所以对采集到的图像进行语义分割,最终获得只包含电缆区域的表面图像,将语义分割后的电缆的表面图像转换为灰度图像。
S2、根据每个像素点的灰度值、其与邻域内邻域像素点的邻域梯度均值获取两帧灰度图像对应的灰度-邻域梯度均值的二维直方图。
具体的,由于受噪声的影响,在灰度图中无法判断图像中那些是噪声点,哪些是缺陷点,但是通过统计频率直方图可以将所有灰度级的像素点都统计出来,由于噪声点的产生是随机的,数量不固定的,所以对一个区域两张表面图像对应的直方图进行差分可以获得存在噪声点的灰度级,同时差分的结果中会包含一些缺陷区域的像素点也被差分出来,所以还需要一步筛选,只保留为真实的噪声点,然后分析噪声点的频数以及位置信息,从而选取合适的窗口尺寸进行滤波。
其次,在电缆外观合格的情况下,电缆表面是圆滑平整且灰度均匀的,梯度接近于0;但是当电缆表面出现疙瘩、凹坑、裂纹缺陷时,灰度变得不均一,同时部分像素点的梯度值较大,故说明图像中存在梯度以及梯度较大的点都是噪声点或者缺陷区域的缺陷点。
基于此,为区分噪声点和缺陷点,需要先获取两个灰度图像对应的直方图,由于灰度图像的一维直方图只能反映灰度信息,为了在反映灰度信息的同时反映位置信息,本实施例,需要先获取每个像素点的梯度值信息,然后获取灰度图像对应的灰度-邻域梯度均值的二维直方图,其中,获取灰度图像对应的二维直方图的具体步骤包括:分别获取每个像素点的在x方向和y方向的梯度值;根据每个像素点的在x方向和y方向的梯度值获取该像素点的梯度值;根据每个像素点梯度值与其8邻域内邻域像素点的梯度值获取该像素点与其邻域内邻域像素点的邻域梯度均值;根据灰度值及邻域梯度均值构建灰度-邻域梯度均值的二维直方图,如图2所示,其中,二维直方图中的x轴表示灰度级,y轴表示邻域梯度均值,z轴表示频数,通过灰度-邻域梯度均值的二维直方图从而最大程度上锁定像素点的位置。
其中,根据每个像素点的在x方向和y方向的梯度值获取该像素点的梯度值的公式:
其中,需要说明的是,计算梯度值时采用现有技术的sobel算法计算各像素点在x、y方向上的梯度值。
S3、将两个二维直方图对应的灰度-邻域梯度均值的频数作差得到对应的频数差值,将频数差值大于0对应灰度级的像素点作为目标点。
具体的,由于噪声的产生是随机的,所以噪声点的分布是随机的,而缺陷点是固定的,不管噪声如何影响,缺陷点的位置是固定不变的,所以同一个区域的两张图像中的噪声点是不完全相同的,而区域纹理是相同的,主要表现为同一灰度级上的像素的频数在两个二维直方图上是不一样的,如果存在噪声点,那么两张二维直方图上同一灰度级上的像素频数有差异;反之如果是纹理区域,不存在噪声点,那么两张二维直方图上同一灰度级上的像素频数无差异。
基于此分析,本实施例对两个二维直方图对应的灰度-邻域梯度均值的频数作差得到对应的频数差值,将频数差值大于0对应灰度级的像素点作为目标点,其中,频数差值大于0表示频数差值大于0对应灰度级的像素点在前后两帧表面图像中发生了变化,故判断出频数差值大于0对应灰度级的像素点为噪声点或者为受噪声点干扰的缺陷区域的点,本实施例将这部分频数差值大于0对应灰度级的像素点记为目标点,以用来进行后续的分析。
S4、根据目标点的邻域内各个邻域像素点的邻域梯度均值计算目标点为有效噪声点的概率,根据概率与预设概率阈值确定目标点中的有效噪声点。
具体的,通过步骤3的二维直方图做差获得两帧灰度图中灰度值发生变换的像素点,但这些点中有些可能是噪声点,有些是缺陷点,其中,有些噪声点在正常区域;同样也有些噪声点落在了缺陷区域,缺陷区域的噪声点不应该被统计,因为,需要分割出缺陷区域,故缺陷区域不能被平滑,因此,需要平滑去除的是正常区域的噪声点;故,首先,将位于缺陷区域的噪声点记为无效噪声点,将位于正常区域的噪声点记为有效噪声点,当概率大于预设概率阈值时,则目标点为有效噪声点,当概率小于预设概率阈值时,则目标点为无效噪声点,其中,概率阈值根据经验值取0.14;
其中,根据目标点的邻域内各个邻域像素点的邻域梯度均值计算目标点为有效噪声点的概率的步骤包括:对目标点的邻域内所有邻域像素点的邻域梯度均值求和求均值,并记为目标值;对目标值进行归一化得到有效噪声点的概率,具体的,计算目标点为有效噪声点的概率公式为:
其中,需要说明的是,表示对目标点的8邻域内各个邻域像素点的邻域梯度均值进行求和,求和后的值能够反映出目标点处于平滑区域还是缺陷边缘,因为,平滑区域除了噪声点之外其余各点的邻域梯度均值很小,而缺陷区域整体的梯度都很丰富,故,以此可以区分目标点处于平滑的正常区域还是缺陷边缘的缺陷区域;表示对目标点的8邻域的邻域像素点的邻域梯度均值求和取均值并进行归一化操作,其中,为指数函数中的常数e;
当目标点为有效噪声点的概率时,认为目标点为有效噪声点,反映目标点周围的区域较为平滑;反之,当目标点为有效噪声点的概率时,认为当前噪声点为无效噪声点,即目标点周围的区域的纹理丰富,故为是缺陷边缘点,将所有概率的目标点标记为有效噪声点,继续分析,将所有概率的目标点标记为无效噪声点,后续步骤不再考虑,需要说明的是,此处的无效噪声点指的是除有效噪声点以外的所有点。
S5、根据有效噪声点的灰度值、邻域梯度均值计算每两个有效噪声点在表面图像中位置相近的可能性值,根据位置相近的可能性值与可能性阈值确定位置相近的有效目标噪声点。
具体的,高斯滤波时需要设定一个合适大小的尺寸,为了使得能通过较少次数达到高效地去噪效果,所以窗口的尺寸需要参考需要去除的有效噪声点的位置信息、密度信息进行设定,故,本实施例需要先得到有效噪声点的密集程度与位置距离信息;
具体的,本实施例根据有效噪声点的自身灰度信息以及邻域梯度均值的相似性分析判断有效噪声点在图像中的空间距离以及密集程度,其中,根据有效噪声点的灰度值、邻域梯度均值计算每两个有效噪声点在表面图像中位置相近的可能性值的步骤包括:根据有效噪声点的灰度值计算两个有效噪声点的灰度差值;根据有效噪声点对应的邻域梯度均值计算两个有效噪声点的邻域梯度均值的差值;计算两个有效噪声点的灰度差值与邻域梯度均值的差值的乘积;对两个有效噪声点的灰度差值与邻域梯度均值的差值的乘积进行归一化得到两个有效噪声点的位置相近的可能性值,其中,计算每两个有效噪声点在表面图像中位置相近的可能性值的公式:
需要说明的是,的值反映了有效噪声点与有效噪声点之间的灰度相似性,对于电缆的灰度图像是没有过多的颜色信息的,除去电缆本身的纯色之外,就是缺陷区域及噪声的颜色变化,又因为步骤S5中保留的是纹理平滑区域的有效噪声点,故该区域里面不存在缺陷边缘上的无效噪声点,故灰度相似性的计算能够很好地区分出缺陷区域的无效噪声点和正常区域的有效噪声点,而的值反映了有效噪声点与有效噪声点之间的邻域梯度均值相似性,由于图像中每个像素点所处的位置区域的梯度是有差异的,所以本实施例认为一个像素点的邻域梯度均值可以表达一个像素点的位置,即二者的邻域梯度均值差异越小能够反映这两点越近,最近时可以达到一个有效噪声点是另一个有效噪声点的邻域内的领域像素点;灰度相似性与邻域梯度均值相似性二者的关系是并列关系,故灰度相似性与邻域梯度均值相似性二者是紧密联系的,且梯度是由灰度求得的,故将与相乘来反映有效噪声点与有效噪声点的位置相近程度,当有效噪声点与有效噪声点的灰度相似性以及邻域梯度均值相似性中任一相似性增大时,均能反映两点在位置上的相近程度在增大,指数函数目的是为了归一化将位置相近的可能性值控制在[0,1];
具体的,在计算时,先选取其中一个有效噪声点,并计算其与剩余的每个有效噪声点之间的位置相近的可能性值,当该有效噪声点计算结束后,在对剩余的各有效噪声点依次与其他未计算过位置相近的可能性值的有效噪声点计算一次位置相近的可能性值,假如有n个噪声点,则需要计算次,此处,根据经验值,设定可能性阈值为0.67,当可能性值时,认为两个有效噪声点的位置十分相近,并将位置相近的有效噪声点记为有效目标噪声点,反之对于可能性值的两个有效噪声点的位置距离比较远的,难以在同一个滤波滑窗尺寸内,故需要去除这两个有效噪声点,最终选出位置相近的有效目标噪声点。
S6、对所有效目标噪声点进行位置聚类,根据所有聚类的面积的均值确定滤波滑窗尺寸,根据滤波滑窗尺寸对灰度图像进行高斯滤波得到去噪后的图像,对去噪后的图像进行边缘检测确定缺陷区域。
具体的,滤波滑窗尺寸即在滤波时的滑窗尺寸,故要保证滤波滑窗尺寸适合,即需要保证滑窗尺寸内有效目标噪声点数量相对要多,故需要分析这些距离较近的有效目标噪声点到底有多少数量以及占多大面积,基于此,统计每个有效目标噪声点与其相近的有效目标噪声点的集合,并将集合记为,则数量集合,即聚类,然后在根据这些位置相近的噪声点构成集合(聚类)形成的区域的最小外接矩形,将最小外接矩形的面积作为每个集合(聚类)的面积,即最小外接矩形的面积对应集合中像素点的数量,其中,表示第个集合,并得到对应的最小外接矩形的面积集合为,求得各个最小外接矩形的面积的均值作为滤波滑窗,故滤波滑窗的尺寸为。
具体的,滤波去噪处理时,以尺寸为的滤波滑窗从待检测电缆的表面图像的左上角开始滑动,滑动步长为1,每滑动一次进行一次中心像素点和滑窗其余像素点的灰度值加权取均值,最终的运算结果作为中心点去噪后的像素值,以此类推,得到每个像素点去噪后的像素值,并得到去噪后的图像,该去噪后的图像中的缺陷区域的边缘不再过于模糊,且更为清晰和明显,因此,对去噪后的图像进行边缘检测时,边缘检测的效率也会更高,边缘检测的结果更加清晰明了,进而使得电缆外观缺陷检测的结果更加准确,能够更加真实地反映出电缆表面的所有不平滑区域的边缘信息,当边缘检测图像中出现一些边缘时,认为电缆表面存在缺陷,并且边缘检测出的区域面积和真实缺陷区域的大小更加相近,即该检测出区域即为缺陷区域。
基于此,本发明的一种电缆表面缺陷检测方法,通过获取电缆的同一个区域的二维直方图,并根据二维直方图对应的灰度-邻域梯度均值的频率进行作差,然后根据差值确定图像中灰度发生变化的灰度级对应的像素点并作为目标点,筛选出目标点中的有效噪声点,从而确定需要平滑去除的噪声点,保证去噪精度,通过对有效噪声点进行其在表面图像中位置相近的可能性值来确定相近的有效目标噪声点,并确定有效目标噪声点的位置聚类,根据聚类的面积确定滤波滑窗尺寸,该过程避免需要设定很大的滑窗尺寸才能去除散乱分布且距离远的有效噪声点,从而保证了对大量且聚集的有效目标噪声进行准确去噪,保证去噪效果,故在对去噪后的图像进行边缘检测时的检测的缺陷区域更准确,进而保证了电缆质量检测的结果的准确度。
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 (6)
1.一种电缆表面缺陷检测方法,其特征在于,该方法包括:
获取电缆同一区域的两帧表面图像及其对应的灰度图像;
根据每个像素点的灰度值、其与邻域内邻域像素点的邻域梯度均值获取两帧灰度图像对应的灰度-邻域梯度均值的二维直方图;
将两个二维直方图对应的灰度-邻域梯度均值的频数作差得到对应的频数差值,将频数差值大于0对应灰度级的像素点作为目标点;
根据目标点的邻域内各个邻域像素点的邻域梯度均值计算目标点为有效噪声点的概率,根据概率与预设概率阈值确定目标点中的有效噪声点;
根据有效噪声点的灰度值、邻域梯度均值计算每两个有效噪声点在表面图像中位置相近的可能性值,根据位置相近的可能性值与可能性阈值确定位置相近的有效目标噪声点;
对所有效目标噪声点进行位置聚类,根据所有聚类的面积的均值确定滤波滑窗尺寸,根据滤波滑窗尺寸对灰度图像进行高斯滤波得到去噪后的图像,对去噪后的图像进行边缘检测确定缺陷区域;
根据有效噪声点的灰度值、邻域梯度均值计算每两个有效噪声点在表面图像中位置相近的可能性值的步骤包括:
根据有效噪声点的灰度值计算两个有效噪声点的灰度差值;
根据有效噪声点对应的邻域梯度均值计算两个有效噪声点的邻域梯度均值的差值;
计算两个有效噪声点的灰度差值与邻域梯度均值的差值的乘积;
对两个有效噪声点的灰度差值与邻域梯度均值的差值的乘积进行归一化得到两个有效噪声点的位置相近的可能性值;
计算所有聚类的面积的均值的根值,将根值作为滤波滑窗的长和宽并得到滤波滑窗尺寸。
2.根据权利要求1所述的一种电缆表面缺陷检测方法,其特征在于,根据每个像素点的灰度值、其与邻域内邻域像素点的邻域梯度均值获取每个灰度图像对应的二维直方图的步骤包括:
分别获取每个像素点的在x方向和y方向的梯度值;
根据每个像素点的在x方向和y方向的梯度值获取该像素点的梯度值;
根据每个像素点梯度值与其8邻域内邻域像素点的梯度值获取该像素点与其邻域内邻域像素点的邻域梯度均值;
根据灰度值及邻域梯度均值构建灰度-邻域梯度均值的二维直方图,其中,二维直方图中的x轴表示灰度级,y轴表示邻域梯度均值,z轴表示频数。
3.根据权利要求1所述的一种电缆表面缺陷检测方法,其特征在于,根据目标点的邻域内各个邻域像素点的邻域梯度均值计算目标点为有效噪声点的概率的步骤:
对目标点的邻域内所有邻域像素点的邻域梯度均值求和求均值,并记为目标值;
对目标值进行归一化得到有效噪声点的概率。
4.根据权利要求1所述的一种电缆表面缺陷检测方法,其特征在于,根据概率与预设概率阈值确定目标点中的有效噪声点包括:
当概率大于预设概率阈值时,则目标点为有效噪声点,当概率小于预设概率阈值时,则目标点为无效噪声点。
5.根据权利要求1所述的一种电缆表面缺陷检测方法,其特征在于,将位置相近的可能性值大于可能性阈值的两个有效噪声点作为有效目标噪声点,反之,则记为无效目标噪声点。
6.根据权利要求1所述的一种电缆表面缺陷检测方法,其特征在于,获取每个聚类的面积的步骤包括:
获取每个聚类中有效目标噪声点构成的区域;
获取该区域的最小外接矩形;
将最小外接矩形的面积作为对应聚类的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146203.2A CN115222741B (zh) | 2022-09-20 | 2022-09-20 | 一种电缆表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146203.2A CN115222741B (zh) | 2022-09-20 | 2022-09-20 | 一种电缆表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222741A CN115222741A (zh) | 2022-10-21 |
CN115222741B true CN115222741B (zh) | 2023-02-28 |
Family
ID=83617435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211146203.2A Active CN115222741B (zh) | 2022-09-20 | 2022-09-20 | 一种电缆表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222741B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375588B (zh) * | 2022-10-25 | 2023-02-07 | 山东旗胜电气股份有限公司 | 基于红外成像的电网变压器故障识别方法 |
CN115797333B (zh) * | 2023-01-29 | 2023-05-09 | 成都中医药大学 | 一种个性化定制的智能视觉训练方法 |
CN115829883B (zh) * | 2023-02-16 | 2023-06-16 | 汶上县恒安钢结构有限公司 | 一种异性金属结构件表面图像去噪方法 |
CN115841493B (zh) * | 2023-02-27 | 2023-05-12 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
CN115861987B (zh) * | 2023-02-27 | 2023-05-12 | 江苏天南电力股份有限公司 | 一种用于输电线路在线监测的智能电力金具缺陷识别方法 |
CN116452513B (zh) * | 2023-03-20 | 2023-11-21 | 山东未来智能技术有限公司 | 一种海底电缆皱纹铝护套缺陷自动识别方法 |
CN116152242B (zh) * | 2023-04-18 | 2023-07-18 | 济南市莱芜区综合检验检测中心 | 一种篮球用天然皮革缺陷可视化检测*** |
CN116168039B (zh) * | 2023-04-26 | 2023-07-14 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116228768B (zh) * | 2023-05-09 | 2023-07-21 | 济宁众达利电气设备有限公司 | 一种电子元器件表面划痕检测方法 |
CN116310360B (zh) * | 2023-05-18 | 2023-08-18 | 实德电气集团有限公司 | 一种电抗器表面缺陷检测方法 |
CN116337879B (zh) * | 2023-05-23 | 2023-08-04 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116342610B (zh) * | 2023-05-31 | 2023-08-15 | 山东恒海钢结构有限公司 | 一种钢结构装配式建筑焊接异常检测方法 |
CN116563275B (zh) * | 2023-07-05 | 2023-09-01 | 苏州普林新能源有限公司 | 一种晶硅电池内部缺陷检测方法 |
CN116758071B (zh) * | 2023-08-17 | 2023-11-03 | 青岛冠宝林活性炭有限公司 | 一种视觉辅助下碳电极脏污智能检测方法 |
CN116912254B (zh) * | 2023-09-14 | 2023-12-08 | 山东博诚电气有限公司 | 基于数据增强预处理的电缆缺陷识别方法 |
CN117058143B (zh) * | 2023-10-12 | 2024-01-26 | 深圳市合成快捷电子科技有限公司 | 一种电路板引脚智能检测方法及*** |
CN117088071B (zh) * | 2023-10-19 | 2024-01-23 | 山西戴德测控技术股份有限公司 | 一种传送带损伤位置定位***、服务器及方法 |
CN117495798B (zh) * | 2023-11-02 | 2024-05-03 | 微山县兄弟玻璃制品有限公司 | 一种阻燃玻璃纤维网格布的疵点检测方法 |
CN117173168B (zh) * | 2023-11-02 | 2024-02-23 | 深圳福禄山科技有限公司 | 基于人工智能的oled显示屏质量检测方法 |
CN117351214B (zh) * | 2023-12-06 | 2024-02-13 | 上海电气集团腾恩驰科技(苏州)有限公司 | 一种基于图像处理的伴热电缆检测方法及*** |
CN117392122B (zh) * | 2023-12-07 | 2024-03-15 | 深圳前海慧联科技发展有限公司 | 基于超声波技术的螺栓无损检测方法 |
CN117437219B (zh) * | 2023-12-18 | 2024-04-19 | 惠州市德立电子有限公司 | 基于计算机视觉的磁胶电感不规则外观缺陷检测方法 |
CN117455911B (zh) * | 2023-12-22 | 2024-05-10 | 广东胜高通信有限公司 | 一种网线水晶头生产测试方法及*** |
CN117455800B (zh) * | 2023-12-22 | 2024-03-15 | 肥城新查庄地质勘查有限公司 | 基于计算机视觉的煤矿钻探定位方法 |
CN117911792B (zh) * | 2024-03-15 | 2024-06-04 | 垣矽技术(青岛)有限公司 | 一种电压基准源芯片生产用引脚检测*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390280A (zh) * | 2013-07-26 | 2013-11-13 | 无锡信捷电气股份有限公司 | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及*** |
CN115049736A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4766897B2 (ja) * | 2004-12-13 | 2011-09-07 | 株式会社東京精密 | 画像欠陥検査方法、画像欠陥検査装置及び外観検査装置 |
CN106154122A (zh) * | 2015-04-01 | 2016-11-23 | 上海捷胜线缆科技有限公司 | 一种可追溯的电力电缆检测控制*** |
CN111610407B (zh) * | 2020-05-18 | 2022-10-18 | 国网江苏省电力有限公司电力科学研究院 | 基于朴素贝叶斯的电缆老化状态评估方法和装置 |
CN114972329B (zh) * | 2022-07-13 | 2022-10-21 | 江苏裕荣光电科技有限公司 | 基于图像处理的表面缺陷检测仪的图像增强方法及*** |
CN115049647B (zh) * | 2022-08-12 | 2023-11-17 | 百益信科技(深圳)有限公司 | 基于bv电缆的用户端数据反馈方法及*** |
-
2022
- 2022-09-20 CN CN202211146203.2A patent/CN115222741B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390280A (zh) * | 2013-07-26 | 2013-11-13 | 无锡信捷电气股份有限公司 | 基于灰度-梯度二维对称Tsallis交叉熵的快速阈值分割方法 |
CN114742788A (zh) * | 2022-04-01 | 2022-07-12 | 南通高精数科机械有限公司 | 一种基于机器视觉的铜排缺陷检测方法及*** |
CN115049736A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市正晟电缆有限公司 | 用于电缆表面缺陷精准定位的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115222741A (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222741B (zh) | 一种电缆表面缺陷检测方法 | |
CN115375676B (zh) | 一种基于图像识别的不锈钢制品质量检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及*** | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
Miller et al. | Classification of breast tissue by texture analysis | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及*** | |
You et al. | On-line milling cutter wear monitoring in a wide field-of-view camera | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN115100191B (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN116777941B (zh) | 一种基于机器视觉的型材轮廓检测方法及*** | |
CN115063423A (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
CN116735612A (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN115100208A (zh) | 一种基于直方图和动态光源的薄膜表面缺陷评估方法 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及*** | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN112396618B (zh) | 一种基于图像处理的晶界提取及晶粒度测量方法 | |
CN116612125B (zh) | 基于人工智能的食药品胶囊质量检测方法 | |
CN109509168A (zh) | 一种针对图像质量客观评测枯叶图的细节自动分析方法 | |
CN114842041A (zh) | 一种基于嵌入式的钢轨廓形检测光条提取方法 | |
Sengupta et al. | Edge detection in dermascopic images by linear structuring element | |
JP7508556B2 (ja) | 文字分割方法、装置、および、コンピュータ可読記憶媒体 |
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 |