CN116721096B - 基于人工智能的新能源线束质量在线检测方法 - Google Patents

Abstract

本申请涉及图像处理领域，提供基于人工智能的新能源线束质量在线检测方法，包括：对新能源线束的待检测图像进行边缘检测，确定边缘像素点，边缘像素点包括第一边缘像素点集合和第二边缘像素点集合，第一边缘像素点集合表示新能源线束的左侧长边，第二边缘像素点集合表示新能源线束的右侧长边；将第一边缘像素点集合中的第一边缘像素点与第二边缘像素点集合中的第二边缘像素点连接，进而得到多个检测线段；确定每一检测线段的异常情况；基于检测线段的异常情况确定新能源线束质量是否存在缺陷。本申请的方法根据每一个检测线段的异常情况确定新能源线束上是否存在缺陷，该方法能够适用于缺陷种类多样化的计算场景，并且提高算法效率。

Description

基于人工智能的新能源线束质量在线检测方法

技术领域

本申请涉及图像处理领域，特别是涉及基于人工智能的新能源线束质量在线检测方法。

背景技术

新能源线束用于连接车辆的各种电气和电子设备，如果线束的质量不佳，就会引发短路、火灾等其他安全问题。通过对线束表面质量的检测可以及时发现和纠正可能存在的问题，从而提升产品的质量和安全，并且还可以保障人员安全。

新能源线束表面最为常见的缺陷为划痕、腐蚀等缺陷。传统的图像处理方法是通过分析新能源线束表面存在的缺陷的特征，对逐个缺陷进行识别，但是这种方法效率较低，且如果出现新的缺陷种类，就很难通过原来的算法对其进行识别。

发明内容

本发明提供一种基于人工智能的新能源线束质量在线检测方法，该方法能够提高算法效率，并且适用于缺陷种类多样化的计算场景。

第一方面，本申请提供一种基于人工智能的新能源线束质量在线检测方法，包括：

对新能源线束的待检测图像进行边缘检测，确定边缘像素点，所述边缘像素点包括第一边缘像素点集合和第二边缘像素点集合，所述第一边缘像素点集合表示新能源线束的左侧长边，所述第二边缘像素点集合表示新能源线束的右侧长边；

将第一边缘像素点集合中的第一边缘像素点与第二边缘像素点集合中的第二边缘像素点连接，进而得到多个检测线段；

确定每一检测线段的异常情况；

基于所述检测线段的异常情况确定新能源线束质量是否存在缺陷。

可选的，与所述第一边缘像素点连接的第二边缘像素点在第一边界点和第二边界点之间；

其中，如果所述第二边缘像素点与第一边缘像素点的连线与第二边缘像素点的切线重合，则所述第二边缘像素点为所述第一边缘像素点的第一边界点和第二边界点。

可选的，确定每一检测线段的异常情况，包括：

计算检测线段上的异常像素点的数量以及异常像素点的波动系数；

基于检测线段上的异常像素点的数量以及异常像素点的波动系数确定检测线段上异常像素点的缺陷程度估计值；

基于检测线段上异常像素点的缺陷程度估计值确定检测线段的质量评估参数，所述质量评估参数用于表征检测线段的异常情况。

可选的，计算检测线段上的异常像素点的数量以及异常像素点的波动系数，包括：

计算所述检测线段上当前像素点与相邻的像素点的灰度差值；

如果灰度差值大于阈值，则确定所述当前像素点为异常像素点，从而确定异常像素点的数量；

将所述检测线段上所有异常像素点对应的灰度差值之和作为所述检测线段的异常点波动系数。

可选的，基于检测线段上的异常像素点的数量以及异常像素点的波动系数确定检测线段上异常像素点的缺陷程度估计值，包括：

如果检测线段上的异常像素点的数量等于1，则基于所述检测线段的异常点波动系数和所述异常像素点邻域内的灰度变化情况确定所述检测线段上一个异常像素点的第一缺陷程度估计值；

如果检测线段上的异常像素点的数量大于1，则基于所述检测线段的异常点波动系数、所述异常像素点所在区域的区域线窗口异常估计值和所述异常像素点所在区域的灰度纹理差异确定所述检测线段上多个异常像素点的第二缺陷程度估计值。

可选的，所述第一缺陷程度估计值的计算方式为：

计算异常像素点的邻域内经过所述异常像素点的直线的最小灰度方差和最大灰度方差/>之间的差值/>；所述差值/>表征所述异常像素点邻域内的灰度变化情况；

计算差值和最小灰度方差/>的商/>；

基于检测线段的异常点波动系数与商/>之间的乘积计算得到第一缺陷程度估计值；

所述第二缺陷程度估计值的计算方式为：

基于第一窗口中角点数量和第二窗口中角点数量与第一窗口中角点数量的差值的比值确定当前异常像素点所在区域的区域线窗口异常估计值；其中所述第一窗口为检测线段上的所有异常像素点的最小外接矩形；所述第二窗口为检测线段的最小外接矩形，所述第一窗口位于所述第二窗口范围内；

基于第三窗口中每一像素点的灰度值与所述第三窗口的灰度值均值确定当前异常像素点所在区域的灰度纹理差异；其中所述第三窗口以当前异常像素点与参考像素点的区域线的中轴线为中心的正方形，所述参考像素点为与当前异常像素点相邻的异常像素点；

基于所述检测线段的异常点波动系数、当前异常像素点所在区域的区域线窗口异常估计值、当前异常像素点所在区域的灰度纹理差异和当前异常像素点与参考像素点的距离确定所述第二缺陷程度估计值。

可选的，当前异常像素点所在区域的区域线窗口异常估计值的计算方式为：

计算第二窗口中角点数量n2与第一窗口中角点数量n1的差值；

计算第一窗口中角点数量n1与差值的比值，得到当前异常像素点所在区域的区域线窗口异常估计值。

可选的，当前异常像素点所在区域的灰度纹理差异的计算方式为：

计算第三窗口中第j个像素点的灰度值与第三窗口的灰度值均值/>的差值的绝对值/>；

将第三窗口中所有像素点计算得到的差值的绝对值相加，得到当前异常像素点所在区域的灰度纹理差异B；

其中，B=，/>为第三窗口中像素点的个数。

可选的，第二缺陷程度估计值的计算方式为：

计算当前异常像素点i所在区域的区域线窗口异常估计值、当前异常像素点i所在区域的灰度纹理差异/>和当前异常像素点i与参考像素点i+1的距离/>的乘积；

将所有异常像素点计算得到的乘积相加，并与检测线段的异常点波动系数相乘，得到第二缺陷程度估计值E2；

其中，，G为检测线段的异常点波动系数，m为异常像素点的个数。

可选的，基于检测线段上异常像素点的缺陷程度估计值确定检测线段的质量评估参数，包括：

计算第一加权系数与第一缺陷程度估计值/>之间的乘积/>，计算第二加权系数/>与第二缺陷程度估计值/>之间的乘积/>；

计算乘积和乘积/>的和/>；

确定异常线段的交点，将所有交点所对应的检测线段对应的相加，得到检测线段的质量评估参数V；

其中， ，/>表示交点的数量，i表示异常像素点，表示第i个异常像素点的第一缺陷程度估计值，/>表示第i个异常像素点的第二缺陷程度估计值。

本申请的有益效果，区别于现有技术，本申请的基于人工智能的新能源线束质量在线检测方法，包括：对新能源线束的待检测图像进行边缘检测，确定边缘像素点，所述边缘像素点包括第一边缘像素点集合和第二边缘像素点集合，所述第一边缘像素点集合表示新能源线束的左侧长边，所述第二边缘像素点集合表示新能源线束的右侧长边；将第一边缘像素点集合中的第一边缘像素点与第二边缘像素点集合中的第二边缘像素点连接，进而得到多个检测线段；确定每一检测线段的异常情况；基于所述检测线段的异常情况确定新能源线束质量是否存在缺陷。本申请的方法根据每一个检测线段的异常情况确定新能源线束上是否存在缺陷，该方法能够适用于缺陷种类多样化的计算场景，并且提高算法效率。

附图说明

图1为本发明基于人工智能的新能源线束质量在线检测方法的第一实施例的流程示意图；

图2为新能源线束的结构示意图；

图3为图1中步骤S13的一实施例的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

下面结合附图和实施例对本申请进行详细的说明。

请参见图1，图1为本发明基于人工智能的新能源线束质量在线检测方法的第一实施例的流程示意图，具体包括：

步骤S11：对新能源线束的待检测图像进行边缘检测，确定边缘像素点，所述边缘像素点包括第一边缘像素点集合和第二边缘像素点集合，所述第一边缘像素点集合表示新能源线束的左侧长边，所述第二边缘像素点集合表示新能源线束的右侧长边。

具体的，使用CMOS相机采集得到新能源线束的彩色RGB图像，将RGB图像转换为灰度图像。对灰度图像进行预处理，例如选用中值滤波方法对图像进行预处理，消除噪声和部分外界干扰造成的影响，同时保留图像的边缘信息，增强后续分析的准确性。将预处理后的图像记为新能源线束的待检测图像。

利用Canny边缘检测算子对新能源线束的待检测图像进行边缘检测，确定新能源线束的边缘像素点，所有边缘像素点围绕的区域即为连通域。

请结合图2，新能源线束的外侧的边缘像素点为第一边缘像素点，所有的第一边缘像素点组成第一边缘像素点集合；新能源线束的内测的边缘像素点为第二边缘像素点，所有的第二边缘像素点组成第二边缘像素点集合。也即，对新能源线束的待检测图像进行边缘检测，得到的边缘像素点包括第一边缘像素点集合和第二边缘像素点集合。其中，所述第一边缘像素点集合表示新能源线束的左侧长边（即外侧的边），所述第二边缘像素点集合表示新能源线束的右侧长边（即内侧的边）。

步骤S12：将第一边缘像素点集合中的第一边缘像素点与第二边缘像素点集合中的第二边缘像素点连接，进而得到多个检测线段。

新能源线束比较细长，拍摄得到的图像中的每条新能源线束的宽度都较小，直接对线束表面存在一些划痕、腐蚀等缺陷进行识别时，导致缺陷不易被识别出来，所以就需要更加精细的识别方法来检测新能源线束表面的质量缺陷。

基于上述情况，请参见图2，本申请对连通域两侧的边缘像素点进行连线。具体的，将外侧的第一边缘像素点与内侧的第二边缘像素点连接，得到多个检测线段。在一实施例中，与第一边缘像素点连接的第二边缘像素点在第一边界点和第二边界点之间。如果所述第二边缘像素点与第一边缘像素点的连线与第二边缘像素点的切线重合，则所述第二边缘像素点为第一边缘像素点的第一边界点和第二边界点，具体如图2所示，第一边界点的切线与第一边界点和第一边缘像素点的连线重合，并且第二边界点的切线与第二边界点和第一边缘像素点的连接重合。

通过如上方式设置第一边界点和第二边界点的目的是为了让边缘像素点之间的检测线段不相交于另一个边缘点，即该检测线段上只有两个边缘像素点，不可能出现三个边缘像素点。如果出现第三个边缘像素点，那么计算最***的两个边缘像素点之间的异常点时就会将背景区域也计算进来，影响计算结果的准确性。也即，通过如上方式设置第一边界点和第二边界点的目的是为了避免背景区域的干扰，从而提高计算结果的准确性。

需要说明的是，图2中，第一边界点和第二边界点之间具有3个第二边缘像素点，则将第一边缘像素点分别与这3个第二边缘像素点连接，进而得到检测线段。在另一实施例中，第一边界点和第二边界点之间的第二边缘像素点的数量还可以大于3或小于3，无论第一边界点和第二边界点之间的第二边缘像素点的数量为多少，均将对应的第一边缘像素点与第一边界点和第二边界点之间的第二边缘像素点进行连接，以得到检测线段。将所有的第一边缘像素点按照上述规则与第二边缘像素点连接，可以得到检测线段序列，表示该连通域内存在有/>条检测线段。通过计算这/>条检测线段上出现的异常情况，以此来判断该条检测线段是否经过缺陷所在位置的区域。

步骤S13：确定每一检测线段的异常情况。

请结合图3，步骤S13具体包括：

步骤S31：计算检测线段上的异常像素点的数量以及异常像素点的波动系数。

如果检测线段上异常像素点的数量越多，则表示该检测线段所在的区域越异常。因此，检测线段的异常情况与检测线段上异常像素点的数量有关。

在一实施例中，计算检测线段上当前像素点与相邻的像素点的灰度差值；如果灰度差值大于阈值，则确定所述当前像素点为异常像素点，从而确定异常像素点的数量。可以理解的，将当前像素点的灰度值记为，将当前像素点与相邻的像素点的灰度值记为/>，如果检测线段上出现缺陷区域，那么计算检测线段上当前像素点与相邻的像素点的灰度值的差值绝对值/>，如果出现较大的差值，例如灰度差值的绝对值大于阈值T，即，则检测线段上的当前像素点为异常像素点。

计算得到检测线段上所有的异常像素点之后，将所述检测线段上所有异常像素点对应的灰度差值之和作为所述检测线段的异常点波动系数。在一实施例中，可以将检测线段上所有异常像素点对应的灰度差值的绝对值之和作为所述检测线段的异常点波动系数。异常点波动系数G的计算方式为：，其中，/>，m表示异常像素点的数量。在一具体实施例中，阈值T的经验值设置为20。异常点波动系数G越大表示该检测线段出现异常的可能性越高。

步骤S32：基于检测线段上的异常像素点的数量以及异常像素点的波动系数确定检测线段上异常像素点的缺陷程度估计值。

上一步已经识别出检测线段上异常像素点的数量和异常点波动系数。但是出现异常像素点的情况有很多，比如腐蚀缺陷和划痕缺陷，腐蚀缺陷和划痕缺陷的形貌不同，如果是腐蚀缺陷，则在新能源线束的连通域内会出现块状缺陷，如果是划痕缺陷，则在新能源线束的连通域内会出现线状缺陷。腐蚀缺陷区域大多为封闭的块状区域，且颜色较暗，纹理较复杂；划痕缺陷区域一般为细长的线条，其颜色较亮且表面光滑。

针对腐蚀与划痕这两类缺陷在一条检测线段上的表现情况，对检测线段上的个异常像素点进行分析。如果该条检测线段上只有一个异常像素点，也即m=1，表示该条检测线段上只可能存在划痕类条状缺陷和无缺陷两种情况。而如果只存在划痕类条状缺陷，则划痕处像素点颜色较亮，因此可以基于异常像素点处的灰度和异常像素点的邻域内的灰度变化情况确定该异常像素点的第一缺陷程度估计值。在一具体实施例中，如果检测线段上的异常像素点的数量等于1，即m=1时，基于检测线段的异常点波动系数和所述异常像素点邻域内的灰度变化情况确定所述检测线段上一个异常像素点的第一缺陷程度估计值。

在一实施例中，第一缺陷程度估计值的计算方式为：计算异常像素点的邻域内经过所述异常像素点的直线的最小灰度方差和最大灰度方差/>之间的差值；所述差值/>表征所述异常像素点邻域内的灰度变化情况；计算差值/>和最小灰度方差/>的商/>；基于检测线段的异常点波动系数/>与商/>之间的乘积计算得到第一缺陷程度估计值/>。具体的，第一缺陷程度估计值/>。第一缺陷程度估计值/>的分子/>的差值越大，即最小方差与最大方差之间的差距较大，表示该邻域内可能存在灰度值相邻近的直线，即经过该异常点的划痕类的直线，分母/>越小，即表示该邻域内越可能存在直线。异常点波动系数/>越大、分子越大、分母越小，即/>较大，表示该异常点周围存在划痕缺陷的估计程度较大。异常像素点的邻域可以为异常像素点所在5x5个像素点的邻域。

如果检测线段上的异常像素点的数量大于1，则基于所述检测线段的异常点波动系数、所述异常像素点所在区域的区域线窗口异常估计值和所述异常像素点所在区域的灰度纹理差异确定所述检测线段上多个异常像素点的第二缺陷程度估计值。

如果检测线段上的异常像素点的数量大于1，也即m＞1，表示该检测线段上可能存在腐蚀类块状缺陷、反光区域以及划痕缺陷这三种情况的组合。

具体的，除了分析检测线段上可能存在腐蚀类块状缺陷和划痕类条状缺陷，在新能源线束表面还会存在一些反光区域，这种反光区域会对识别新能源线束表面的缺陷造成干扰，其并不属于线束质量问题的范畴，但是会导致识别出现误差。这些反光区域，由于线束表面反光区域小于线束本身的宽度，且内部纹理较线束表面同样光滑。

针对这种情况，当检测线段出现多个异常像素点时，这些异常像素点范围内纹理情况以及该条检测线段周围的纹理情况之间的关系可以反映检测线段上多个异常像素点的第二缺陷程度估计值。

为了避免反光区域导致识别出现误差，本申请将检测线段上的所有异常像素点的最小外接矩形设置为第一窗口，具体的，通过设置检测线段上多个异常像素点中相距最远的两个异常像素点所在区域线的最小外接矩形，最小外接矩形即为第一窗口。设置检测线段的最小外接矩形为第二窗口。可以理解的，第一窗口位于所述第二窗口范围内。通过Harris角点检测算法检测第一窗口中的角点数量以及第二窗口中的角点数量/>。基于第一窗口中角点数量/>和第二窗口中角点数量/>与第一窗口中角点数量/>的差值的比值确定当前异常像素点所在区域的区域线窗口异常估计值。具体的，如果第一窗口内只存在反光区域，那么第一窗口和除第一窗口外的第二窗口的角点数量就比较相似，比值/>接近1；如果第一窗口不止存在反光区域，还存在块状缺陷区域，那么第一窗口和除第一窗口外的第二窗口的角点数量就相差较大，当前异常像素点所在区域的区域线窗口更异常。

具体的，计算第二窗口中角点数量n2与第一窗口中角点数量n1的差值；计算第一窗口中角点数量n1与差值/>的比值/>，得到当前异常像素点所在区域的区域线窗口异常估计值C，也即C=/>。当检测线段上的异常像素点的数量大于1，即/>时，如果第一窗口为反光区域，由于反光还会使得新能源线束表面的噪声减少，即/>极小，导致区域线窗口异常估计值/>极小；如果第一窗口为正常区域，则区域线窗口异常估计值/>较小；如果第一窗口为腐蚀类的块状区域，则第一窗口内腐蚀区域中的纹理沟壑较为混乱，即/>较大，则区域线窗口异常估计值/>也较大。

进一步的，基于第三窗口中每一像素点的灰度值与所述第三窗口的灰度值均值确定当前异常像素点所在区域的灰度纹理差异；其中所述第三窗口以当前异常像素点与参考像素点的区域线的中轴线为中心的正方形，所述参考像素点为与当前异常像素点相邻的异常像素点。

当检测线段上的异常像素点的数量大于1时，以当前异常像素点例如第个异常点与参考像素点例如第/>个异常像素点之间的区域线为中轴线，向左右等距延申得到一个/>大小的正方形窗口，得到第三窗口，区域线为同一检测线段上相邻异常像素点之间的连线，异常像素点的数量为m，则有m-1个区域线，每条区域线上有m1个像素点。参考像素点为与当前异常像素点相邻的异常像素点。

基于第三窗口中每一像素点的灰度值与所述第三窗口的灰度值均值确定当前异常像素点所在区域的灰度纹理差异。具体的，计算第三窗口内每个像素点的灰度值与第三窗口的灰度值均值之间的差值的绝对值之和，得到当前异常像素点所在区域的灰度纹理差异B，灰度纹理差异B的值越大，表示该区域线周围的纹理越混乱，有较大可能存在缺陷。

在一实施例中，计算第三窗口中第j个像素点的灰度值与第三窗口的灰度值均值/>的差值的绝对值/>；将第三窗口中所有像素点计算得到的差值的绝对值相加，得到当前异常像素点所在区域的灰度纹理差异B；其中，B=/>，/>为第三窗口中像素点的个数。

通过上述计算得到第i个异常像素点的区域线窗口异常估计值和第i个异常像素点所在区域的灰度纹理差异/>。基于所述检测线段的异常点波动系数G、当前异常像素点例如第i个异常像素点所在区域的区域线窗口异常估计值/>、当前异常像素点例如第i个异常像素点所在区域的灰度纹理差异/>和当前异常像素点例如第i个异常像素点与参考像素点例如第i+1个异常像素点的距离/>确定所述第二缺陷程度估计值。具体地，计算当前异常像素点i所在区域的区域线窗口异常估计值/>、当前异常像素点i所在区域的灰度纹理差异/>和当前异常像素点i与参考像素点i+1的距离/>的乘积/>；将所有异常像素点计算得到的乘积相加，并与检测线段的异常点波动系数相乘，得到第二缺陷程度估计值E2；其中，/>，G为检测线段的异常点波动系数，m为异常像素点的个数。需要说明的是，第i个异常像素点与第i+1个异常像素点之间具有m1个像素点（即正常像素点），则第i个异常像素点与第i+1个异常像素点之间的距离/>。

步骤S33：基于检测线段上异常像素点的缺陷程度估计值确定检测线段的质量评估参数，所述质量评估参数用于表征检测线段的异常情况。

在一实施例中，可以利用上述的方法逐一计算每一条检测线段上异常像素点，进而确定检测线段是否为异常线段。在另一实施例中，为了减少计算量，可以利用贝叶斯跳变算法对所有检测线段进行异常估计，确定所述检测线段中的异常线段，对异常线段进行上述计算方式。

通过上述步骤计算得到第一缺陷程度估计值和第二缺陷程度估计值/>。计算第一加权系数/>与第一缺陷程度估计值/>之间的乘积/>，计算第二加权系数/>与第二缺陷程度估计值/>之间的乘积/>；计算乘积/>和乘积/>的和；确定异常线段的交点，将所有交点所对应的检测线段对应的相加，得到检测线段的质量评估参数V；其中，，/>表示交点的数量，i表示异常像素点，/>表示第i个异常像素点的第一缺陷程度估计值，/>表示第i个异常像素点的第二缺陷程度估计值。

其中，为0.2，表示当该条检测线段上的异常像素点数量为1时，该条线的缺陷程度可能较小，即权重较小；/>为0.8，表示当该条检测线段的异常像素点数量大于1时该条检测线段的缺陷程度可能较大，即权重较大；/>和/>分别为检测线段上异常点数量等于1和大于1的缺陷程度估计。通过对/>个交点的异常程度指标进行求和，得到表征该新能源线束的质量评估参数V。如果质量评估参数V越大，即该新能源线束表面出现的异常点即缺陷的面积越大、越严重。

步骤S14：基于所述检测线段的异常情况确定新能源线束质量是否存在缺陷。

具体的，设置预设值，如果质量评估参数V大于预设值，则确定新能源线束质量存在缺陷。

传统的图像处理方法是通过分析新能源线束表面存在各种缺陷的特征进行识别，但是这种方法效率较低，且如果出现新的缺陷种类，就很难通过原来的算法对其进行识别。本发明通过对每条新能源线束所在的连通域上的边缘点之间进行连线，通过评价该条检测线段的缺陷程度估计，得到其中具有异常的直线，根据这些异常的检测线段得到该新能源线束的连通域内出现异常点的数量来评价该线束质量。避免了因缺陷种类多样需要逐个分析其缺陷特征的问题，提升了算法的效率。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (6)

1.基于人工智能的新能源线束质量在线检测方法，其特征在于，包括：

对新能源线束的待检测图像进行边缘检测，确定边缘像素点，所述边缘像素点包括第一边缘像素点集合和第二边缘像素点集合，所述第一边缘像素点集合表示新能源线束的左侧长边，所述第二边缘像素点集合表示新能源线束的右侧长边；

将第一边缘像素点集合中的第一边缘像素点与第二边缘像素点集合中的第二边缘像素点连接，进而得到多个检测线段；

确定每一检测线段的异常情况；

基于所述检测线段的异常情况确定新能源线束质量是否存在缺陷；

与所述第一边缘像素点连接的第二边缘像素点在第一边界点和第二边界点之间；

其中，如果所述第二边缘像素点与第一边缘像素点的连线与第二边缘像素点的切线重合，则所述第二边缘像素点为所述第一边缘像素点的第一边界点和第二边界点；

确定每一检测线段的异常情况，包括：

计算检测线段上的异常像素点的数量以及异常像素点的波动系数；

基于检测线段上的异常像素点的数量以及异常像素点的波动系数确定检测线段上异常像素点的缺陷程度估计值；

基于检测线段上异常像素点的缺陷程度估计值确定检测线段的质量评估参数，所述质量评估参数用于表征检测线段的异常情况；

基于检测线段上的异常像素点的数量以及异常像素点的波动系数确定检测线段上异常像素点的缺陷程度估计值，包括：

如果检测线段上的异常像素点的数量等于1，则基于所述检测线段的异常点波动系数和所述异常像素点邻域内的灰度变化情况确定所述检测线段上一个异常像素点的第一缺陷程度估计值；

如果检测线段上的异常像素点的数量大于1，则基于所述检测线段的异常点波动系数、所述异常像素点所在区域的区域线窗口异常估计值和所述异常像素点所在区域的灰度纹理差异确定所述检测线段上多个异常像素点的第二缺陷程度估计值。

2.根据权利要求1所述的基于人工智能的新能源线束质量在线检测方法，其特征在于，计算检测线段上的异常像素点的数量以及异常像素点的波动系数，包括：

计算所述检测线段上当前像素点与相邻的像素点的灰度差值；

如果灰度差值大于阈值，则确定所述当前像素点为异常像素点，从而确定异常像素点的数量；

将所述检测线段上所有异常像素点对应的灰度差值之和作为所述检测线段的异常点波动系数。

3.根据权利要求1所述的基于人工智能的新能源线束质量在线检测方法，其特征在于，所述第一缺陷程度估计值的计算方式为：

计算异常像素点的邻域内经过所述异常像素点的直线的最小灰度方差和最大灰度方差/>之间的差值/>；所述差值/>表征所述异常像素点邻域内的灰度变化情况；

计算差值和最小灰度方差/>的商/>；

基于检测线段的异常点波动系数与商/>之间的乘积计算得到第一缺陷程度估计值/>；

所述第二缺陷程度估计值的计算方式为：

基于第一窗口中角点数量和第二窗口中角点数量与第一窗口中角点数量的差值的比值确定当前异常像素点所在区域的区域线窗口异常估计值；其中所述第一窗口为检测线段上的所有异常像素点的最小外接矩形；所述第二窗口为检测线段的最小外接矩形，所述第一窗口位于所述第二窗口范围内；

基于第三窗口中每一像素点的灰度值与所述第三窗口的灰度值均值确定当前异常像素点所在区域的灰度纹理差异；其中所述第三窗口以当前异常像素点与参考像素点的区域线的中轴线为中心的正方形，所述参考像素点为与当前异常像素点相邻的异常像素点，所述区域线为同一检测线段上相邻异常像素点之间的连线，每条区域线上有m1个像素点；

基于所述检测线段的异常点波动系数、当前异常像素点所在区域的区域线窗口异常估计值、当前异常像素点所在区域的灰度纹理差异和当前异常像素点与参考像素点的距离确定所述第二缺陷程度估计值。

4.根据权利要求3所述的基于人工智能的新能源线束质量在线检测方法，其特征在于，当前异常像素点所在区域的区域线窗口异常估计值的计算方式为：

计算第二窗口中角点数量n2与第一窗口中角点数量n1的差值；

计算第一窗口中角点数量n1与差值的比值，得到当前异常像素点所在区域的区域线窗口异常估计值。

5.根据权利要求3所述的基于人工智能的新能源线束质量在线检测方法，其特征在于，当前异常像素点所在区域的灰度纹理差异的计算方式为：

计算第三窗口中第j个像素点的灰度值与第三窗口的灰度值均值/>的差值的绝对值；

将第三窗口中所有像素点计算得到的差值的绝对值相加，得到当前异常像素点所在区域的灰度纹理差异B；

其中，B=，/>为第三窗口中像素点的个数。

6.根据权利要求3所述的基于人工智能的新能源线束质量在线检测方法，其特征在于，第二缺陷程度估计值的计算方式为：

计算当前异常像素点i所在区域的区域线窗口异常估计值、当前异常像素点i所在区域的灰度纹理差异/>和当前异常像素点i与参考像素点的距离/>的乘积/>；

将所有异常像素点计算得到的乘积相加，并与检测线段的异常点波动系数相乘，得到第二缺陷程度估计值E2；

其中，，G为检测线段的异常点波动系数，m为异常像素点的个数。