CN116823808A - 基于机器视觉的电缆绞线智能检测方法 - Google Patents
基于机器视觉的电缆绞线智能检测方法 Download PDFInfo
- Publication number
- CN116823808A CN116823808A CN202311061566.0A CN202311061566A CN116823808A CN 116823808 A CN116823808 A CN 116823808A CN 202311061566 A CN202311061566 A CN 202311061566A CN 116823808 A CN116823808 A CN 116823808A
- Authority
- CN
- China
- Prior art keywords
- cable
- suspected
- gray
- stranded wire
- edge
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 239000004020 conductor Substances 0.000 description 6
- 230000000737 periodic effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及图像处理技术领域,提出了基于机器视觉的电缆绞线智能检测方法,包括:采集电缆绞线图像并进行预处理;使用霍夫变换获取疑似电缆边缘线,并计算各疑似电缆边缘线之间的边缘匹配度,获取疑似电缆区域以及疑似电缆区域的代表线段,根据代表线段上像素点灰度值的变化计算各疑似电缆区域的纹路螺旋度,进而判断各疑似电缆区域是否为电缆绞线区域;根据电缆绞线区域对应的灰度波形曲线上各波峰段的实际长度与预测长度的差值,判断是否发生散股。本发明旨在解决电缆绞线与背景环境难以区分导致检测结果不准确而产生较大误差的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉的电缆绞线智能检测方法。
背景技术
电线电缆已广泛应用于经济体系运转中所使用的设施、装备器材中,特别是庞大的电力传输***和信息传递***,服务于一切社会活动中并深入到每一个家庭和个人的日常生活中,但是,电线电缆分布范围较广,不像电机、变压器或信息发射设备、程控交换机等装在某一个“节点”上,容易控管和维护,如果某一个“节点”出现故障,一般不会涉及到其他“节点”,并且电线电缆产品一般是不能维修的,只能更换。因此,对电缆绞线进行智能检测具有十分重要的现实意义。
但是,由于电缆所处环境通常比较复杂,难以将电缆与背景相区分,使得电缆绞线的检测结果不够准确。
发明内容
为解决上述技术问题,本发明的目的在于提供一种基于机器视觉的电缆绞线智能检测方法,以解决现有的难以将电缆绞线与背景环境相区分导致检测结果不准确而产生较大误差的问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于机器视觉的电缆绞线智能检测方法,该方法包括以下步骤:
采集电缆绞线图像,对电缆绞线图像进行预处理获取电缆灰度图像;
使用霍夫变换获取所述电缆灰度图像中的疑似电缆边缘线和疑似电缆边缘线的起始点和终止点;
根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆边缘线之间的边缘匹配度;根据所述疑似电缆边缘线之间的边缘匹配度,获取疑似电缆区域;
根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆区域的代表线段;根据所述疑似电缆区域的代表线段上像素点的灰度值变化,获取所述疑似电缆区域的灰度波形曲线;
根据所述灰度波形曲线,获取对应的波峰距离一致度、波谷距离一致度;
基于所述波峰距离一致度、波谷距离一致度和灰度波形曲线,获取纹路螺旋度,并判断所述疑似电缆区域是否为电缆绞线区域;
根据电缆绞线区域的灰度波形曲线,获取各波峰段的预测长度;根据各波峰段的实际长度与预测长度的差值,判断所述电缆绞线区域在各波峰段处是否发生散股。
可选的,所述使用霍夫变换获取所述电缆灰度图像中的疑似电缆边缘线和疑似电缆边缘线的起始点和终止点,包括的具体方法为:
使用边缘检测算子获取所述电缆灰度图像的边缘信息,得到二值化图像;对二值化图像进行膨胀腐蚀获取膨胀腐蚀图像;
使用直线检测算法检测膨胀腐蚀图像中的直线,获得霍夫直线空间累加器阵列;
设置第一预设阈值,当霍夫直线空间累加器阵列中量化参数的元素值大于第一预设阈值时,初步判断对应量化参数表示的直线为疑似电缆边缘线;
将疑似电缆边缘线纵坐标较小的端点作为起始点,纵坐标较大的端点作为终止点。
可选的,所述根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆边缘线之间的边缘匹配度,包括的具体方法为:
根据所述疑似电缆边缘线在电缆灰度图像中的起始点和终止点计算疑似电缆边缘线对应的长度;
根据所述疑似电缆边缘线的起始点和终止点计算对应的长度;
取两条疑似电缆边缘线的长度之差的绝对值作为第一绝对值,取两条疑似电缆边缘线在霍夫直线空间累加器阵列中的角度量化参数之差的绝对值作为第二绝对值;
取第一绝对值与第二绝对值乘积的相反数为第一相反数,将第一相反数取以自然常数为底的指数函数,记为两条疑似电缆边缘线之间的边缘匹配度。
可选的,所述根据所述疑似电缆边缘线之间的边缘匹配度,获取疑似电缆区域,包括的具体方法为:
当所述疑似电缆边缘线之间的边缘匹配度大于第二预设阈值时,两条疑似电缆边缘线匹配成功,将匹配成功的两条疑似电缆边缘线的起始点和终止点作为顶点构成疑似电缆区域。
可选的,所述根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆区域的代表线段,包括的具体方法为:
将所述疑似电缆区域的两条疑似电缆边缘线的起始点的中点作为代表线段的起始点,终止点的中点作为代表线段的终止点,获取疑似电缆区域对应的代表线段。
可选的,所述根据所述疑似电缆区域的代表线段上像素点的灰度值变化,获取所述疑似电缆区域的灰度波形曲线,包括的具体方法为:
将所述疑似电缆区域的代表线段上各像素点按照从代表线段起始点开始的出现顺序对其进行标号;
将代表线段上各像素点的标号作为横坐标,灰度值作为纵坐标,建立灰度波动折线图;
将各相邻像素点在灰度波动折线图中对应的点依次相连得到灰度波动折线图,使用滤波算法对所述灰度波动折线图作平滑处理,获取所述疑似电缆区域的灰度波形曲线。
可选的,所述根据所述灰度波形曲线,获取对应的波峰距离一致度、波谷距离一致度,包括的具体方法为:
获取所述灰度波形曲线的各个极值点,将极大值点记为波峰,极小值点记为波谷;
记录波峰、波谷的位置与灰度值,计算相邻两个波峰之间的距离,获取所述灰度波形曲线上相邻波峰之间距离的极差和标准差;
将所述灰度波形曲线上相邻波峰之间距离的极差和标准差的乘积作为第一乘积,取第一乘积的倒数为对应的波峰距离一致度;
获取所述灰度波形曲线对应的波谷距离一致度。
可选的,所述基于所述波峰距离一致度、波谷距离一致度和灰度波形曲线,获取纹路螺旋度,并判断所述疑似电缆区域是否为电缆绞线区域,包括的具体方法为:
将所述波峰距离一致度与波谷距离一致度之和作为第一累加和,将波峰与波谷的个数之和作为第二累加和,将第一累加和与第二累加和的乘积作为第二乘积;
对第二乘积进行归一化,获取纹路螺旋度;
当所述疑似电缆区域的纹路螺旋度大于第三预设阈值时,则判定该区域为电缆绞线区域。
可选的,所述根据电缆绞线区域的灰度波形曲线,获取各波峰段的预测长度,包括的具体方法为:
根据电缆绞线区域对应的灰度波形曲线上各相邻波峰之间的距离获取波峰距离序列,相邻波峰之间构成波峰段,波峰距离序列的元素值等于各波峰段的长度,使用时间序列预测模型,根据波峰距离序列中前第一预设数量个元素值预测后一元素值,得到各波峰段的预测长度。
可选的,所述根据各波峰段的实际长度与预测长度的差值,判断所述电缆绞线区域在各波峰段处是否发生散股,包括的具体方法为:
获取所述各波峰段的实际长度与预测长度差值的绝对值,将所述绝对值记为第一差值;
当第一差值大于第四预设阈值时,判断所述电缆绞线区域在对应波峰段处发生散股,否则,没有发生散股。
本发明的有益效果是:根据同一电缆的两条边缘几乎平行且长度大致相等的匹配准则,对每条疑似电缆边缘线获取与匹配度最高的疑似电缆边缘线,提高了电缆绞线检测的准确性;在电缆区域内部,与其边缘平行的中间直线上像素点的灰度值变化受外界环境影响较小,将各疑似电缆区域两条疑似电缆边缘线的起始点的中点与终止点的中点相连,构成对应的代表线段,然后根据代表线段上像素点的灰度值变化是否具有周期性特征来判断疑似电缆区域是否为电缆区域,进一步提高了电缆绞线检测的准确性;由于电缆是由绞线绞合而成,呈现为螺旋状区域,因此在电缆区域的灰度波形曲线上会有大量的波峰、波谷,综合波峰距离一致度和波谷距离一致度,以及波峰、波谷的总个数,多因素分析共同确定疑似电缆区域的纹路螺旋度,进而判断疑似电缆区域是否为电缆绞线区域,解决了电缆绞线与背景环境难以区分导致检测结果不准确而产生较大误差的问题,提高了电缆绞线检测的可靠性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于机器视觉的电缆绞线智能检测方法流程示意图;
图2为疑似电缆区域的代表线段的示意图。
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。
请参阅图1,其示出了本发明一个实施例所提供的基于机器视觉的电缆绞线智能检测方法流程图,该方法包括以下步骤:
步骤S001、采集电缆绞线图像,并对电缆绞线图像进行预处理,获取电缆灰度图像。
本实施例的目的是电缆绞线进行智能检测,由于电缆绞线所处环境比较复杂,并且当电缆绞线发生散股时,往往缺陷比较细微,而工业相机具有高分辨率的特点,可以捕捉到电缆绞线上的细微缺陷,因此,本实施例使用工业相机获取高精度的电缆绞线图像,实施者也可使用其他相机获取电缆绞线图像。
使用NLM非局部均值滤波对获取的电缆绞线图像进行图像增强,提高后续分析的准确性,实施者也可采取其他图像增强、去噪方法,然后将获取的电缆绞线的RGB图像转换为电缆灰度图像,方便后续的图像处理。
至此,获取到预处理后的电缆灰度图像。
步骤S002、先使用霍夫变换获取疑似电缆边缘线,再获取疑似电缆边缘线的起始点和终止点,并根据疑似电缆边缘线的起始点和终止点,获取疑似电缆边缘线之间的边缘匹配度,然后根据疑似电缆边缘线之间的边缘匹配度,获取疑似电缆区域。
需要说明的是,由于电缆所处环境复杂,在对电缆绞线进行检测时,需要先将电缆绞线与背景环境先区分。
具体的,使用边缘检测算子获取电缆灰度图像的边缘信息,得到二值化图像,本实施例使用canny边缘检测算子,实施者也可采取其他边缘检测算法。
进一步需要说明的是,电缆整体呈现为一条长直线,但是其内部呈现螺旋状,并且周围环境复杂,若直接使用直线检测算法提取图像中的电缆绞线区域,可能会被外界环境中其他物体的边缘或者电缆内部的直线所干扰,导致电缆绞线区域提取错误,因此,需要先对二值化图像使用膨胀腐蚀操作,减弱电缆内部绞线绞合边缘的影响,提高电缆区域提取的准确性;然后对膨胀腐蚀之后的二值化图像使用霍夫直线变换检测图像中的直线,得到霍夫直线空间累加器矩阵,实施者也可采取其他直线检测算法。
具体的,霍夫直线空间累加器矩阵的一个维度是量化角度,另一个维度是量化距离/>,矩阵的每个元素的值/>等于位于由量化参数/>表示的线上的点或像素的总和。由于电缆通常比较长,为了减少其所处环境中其他线状物体的干扰,设置第一预设阈值,当霍夫直线空间累加器阵列的元素值/>大于第一预设阈值时,初步判断由该量化参数表示的直线为疑似电缆边缘线,并获取疑似电缆边缘线在电缆灰度图像中的起始点和终止点,第一预设阈值经验取值为电缆灰度图像宽度的一半。
进一步需要说明的是,同一电缆的两条边缘几乎平行且长度大致相等,为了获取完整的疑似电缆区域,需要根据角度相差不大且长度大致相等的匹配准则,计算疑似电缆边缘线之间的边缘匹配度,对每条疑似电缆边缘线获取与其相匹配的疑似电缆边缘线。
具体的,疑似电缆边缘线之间的边缘匹配度的具体计算方法为:
其中,为以自然常数为底的指数函数;/>为第i条和第j条疑似电缆边缘线之间的边缘匹配度;/>、/>分别为第i条、第j条疑似电缆边缘线在霍夫直线空间中的角度量化参数;/>、/>分别为第i条、第j条疑似电缆边缘线的长度。
需要说明的是,当两条疑似电缆边缘线的角度相差越小且长度大致相等时,两条边缘越可能平行且隶属于同一物体的可能性越大,边缘匹配度越高。
具体的,当边缘匹配度大于第二预设阈值时,则两条疑似电缆边缘线匹配成功,将匹配成功的两条疑似电缆边缘线的起始点和终止点作为顶点构成疑似电缆区域,第二预设阈值经验取值为0.5。
至此,获取到电缆灰度图像中的疑似电缆区域。
步骤S003、获取各疑似电缆区域的代表线段,并根据代表线段上像素点的灰度值变化,获取代表线段上的波峰距离一致度、波谷距离一致度,计算对应的纹路螺旋度,进而判断各疑似电缆区域是否为电缆绞线区域。
需要说明的是,在电缆绞线区域内部,与其边缘平行的中间直线上像素点的灰度值变化受外界环境影响较小,因此,可以将与疑似电缆区域对应的疑似电缆边缘线平行的中间直线作为疑似电缆区域的代表线段,用代表线段上像素点灰度值的变化代表该疑似电缆区域灰度值的纵向变化情况。
具体的,将各疑似电缆区域的两条疑似电缆边缘线的起始点的中点作为代表线段的起始点,终止点的中点作为代表线段的终止点,将代表线段的起始点和终止点相连构成代表线段,疑似电缆区域的代表线段示意图如图2所示,其中(x1,y1)为疑似电缆区域中一条疑似电缆边缘线的起始点的横纵坐标,(x2,y2)为疑似电缆区域中另一条疑似电缆边缘线的起始点的横纵坐标,(x3,y3)为疑似电缆区域中一条疑似电缆边缘线的终止点的横纵坐标,(x4,y4)为疑似电缆区域中另一条疑似电缆边缘线的终止点的横纵坐标。
进一步需要说明的是,由于在电缆区域内部,电缆绞线的灰度值比较单一,外层绞线的绞合缝隙处灰度值往往相对较小,并且呈现为螺旋状区域,电缆内部与其边缘平行的直线上,像素点的灰度值呈现一定的周期性变化,因此可以根据疑似电缆区域的代表线段上像素点的灰度值变化是否具有周期性特征来判断该区域是否为电缆区域;当该区域为螺旋状区域时,灰度波形曲线的相邻波峰之间的距离一致程度较高,相邻波谷之间的距离一致程度也较高,且波峰与波谷的个数较多。
具体的,先将疑似电缆区域的代表线段上各像素点按照从代表线段起始点开始的出现顺序对其进行标号,然后将代表线段上各像素点的标号作为横坐标,灰度值作为纵坐标,根据各像素点的位置和灰度值绘制散点图,然后将各个相邻像素点相连得到灰度波形曲线,在对灰度波形曲线进行分析之前,为了减小偶然因素造成的误差,先使用滤波算法对灰度波形曲线作平滑处理,本实施例采用均值滤波,实施者也可采取其他滤波算法。
进一步的,获取灰度波形曲线的各个极值点,极大值点为波峰,极小值点为波谷,并记录其位置与灰度值,获取相邻两个波峰之间的距离,计算波峰距离一致度。波峰距离一致度的具体计算方法为:
其中,为波峰距离一致度;/>为相邻波峰之间距离的最大值,/>为相邻波峰之间距离的最小值;/>为相邻波峰之间距离的标准差,反映了相邻波峰之间距离的离散程度。
需要说明的是,当相邻波峰之间距离的最大值与最小值之间差距越大时,说明相邻波峰之间距离的波动范围越大,灰度波形曲线的波峰距离一致度越低;当相邻波峰之间距离的标准差越大时,说明相邻波峰之间距离的离散程度越高,灰度波形曲线的波峰距离一致度越低。
进一步需要说明的是,由于电缆是由绞线绞合而成,呈现为螺旋状区域,在电缆区域的灰度波形曲线上会有大量的波峰、波谷,并且相邻波峰、相邻波谷之间距离的一致程度较高,因此可以疑似电缆区域代表线段上的波峰距离一致度、波谷距离一致度和波峰、波谷的总个数,计算疑似电缆区域的纹路螺旋度,进而根据灰度波形曲线是否具有周期性特征来判断该区域是否为电缆区域。
具体的,按照上述同样的方法,根据灰度波形曲线上相邻两个波谷之间距离的极差和标准差,获取对应的波谷距离一致度。疑似电缆区域的纹路螺旋度的具体计算方法为:
其中,表示以自然常数为底的指数函数,/>为疑似电缆区域内代表线段上灰度波形曲线的波峰距离一致度;/>为疑似电缆区域内代表线段上灰度波形曲线的波谷距离一致度;/>为代表线段的灰度波形曲线上极值点的个数,代表波峰、波谷的总个数。
需要说明的是,当灰度波形曲线上的相邻波峰、相邻波谷之间距离一致程度越高时,对应代表线段上像素点的灰度值变化越具有周期性特征,纹路螺旋度越高;当波峰、波谷的总个数越多时,对应的代表线段上像素点灰度值变化的周期越小,纹路螺旋度越高;当疑似电缆区域的纹路螺旋度大于第三预设阈值时,则判定该区域为电缆绞线区域,第三预设阈值经验取值为0.7。
至此,获取到电缆灰度图像中的电缆区域。
步骤S004、根据电缆绞线区域对应的灰度波形曲线上各波峰段的实际长度与预测长度的差值,判断在各波峰段处是否发生散股。
需要说明的是,正常情况下,电缆绞线紧密绞合在一起,外层绞线的绞合缝隙较小且宽度一致,但是发生散股时,由于绞线之间的缝隙增大,对应于灰度波形曲线上发生散股的位置处,相邻波峰之间的距离也会增大。
具体的,根据电缆绞线区域对应的灰度波形曲线上各相邻波峰之间的距离构建波峰距离序列,相邻波峰之间构成波峰段;
使用时间序列预测模型,根据波峰距离序列中前第一预设数量个元素值预测后一元素值,得到各波峰段的预测长度,第一预设数量经验取值为5;
当第一差值大于第四预设阈值时,判断电缆绞线区域在对应波峰段处发生散股,否则没有发生散股,第四预设阈值经验取值为8。
至此,完成对电缆绞线上的散股缺陷进行智能检测。
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。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。
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 (10)
1.基于机器视觉的电缆绞线智能检测方法,其特征在于,该方法包括以下步骤:
采集电缆绞线图像,对电缆绞线图像进行预处理获取电缆灰度图像;
使用霍夫变换获取所述电缆灰度图像中的疑似电缆边缘线和疑似电缆边缘线的起始点和终止点;
根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆边缘线之间的边缘匹配度;根据所述疑似电缆边缘线之间的边缘匹配度,获取疑似电缆区域;
根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆区域的代表线段;根据所述疑似电缆区域的代表线段上像素点的灰度值变化,获取所述疑似电缆区域的灰度波形曲线;
根据所述灰度波形曲线,获取对应的波峰距离一致度、波谷距离一致度;
基于所述波峰距离一致度、波谷距离一致度和灰度波形曲线,获取纹路螺旋度,并判断所述疑似电缆区域是否为电缆绞线区域;
根据电缆绞线区域的灰度波形曲线,获取各波峰段的预测长度;根据各波峰段的实际长度与预测长度的差值,判断所述电缆绞线区域在各波峰段处是否发生散股。
2.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述使用霍夫变换获取所述电缆灰度图像中的疑似电缆边缘线和疑似电缆边缘线的起始点和终止点,包括的具体方法为:
使用边缘检测算子获取所述电缆灰度图像的边缘信息,得到二值化图像;
对二值化图像进行膨胀腐蚀获取膨胀腐蚀图像;
使用直线检测算法检测膨胀腐蚀图像中的直线,获得霍夫直线空间累加器阵列;
当霍夫直线空间累加器阵列中量化参数的元素值大于第一预设阈值时,初步判断对应量化参数表示的直线为疑似电缆边缘线;
将疑似电缆边缘线纵坐标较小的端点作为起始点,纵坐标较大的端点作为终止点。
3.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆边缘线之间的边缘匹配度,包括的具体方法为:
根据所述疑似电缆边缘线的起始点和终止点计算对应的长度;
取两条疑似电缆边缘线的长度之差的绝对值作为第一绝对值,取两条疑似电缆边缘线在霍夫直线空间累加器阵列中的角度量化参数之差的绝对值作为第二绝对值;
取第一绝对值与第二绝对值乘积的相反数为第一相反数,将第一相反数取以自然常数为底的指数函数,记为两条疑似电缆边缘线之间的边缘匹配度。
4.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述根据所述疑似电缆边缘线之间的边缘匹配度,获取疑似电缆区域,包括的具体方法为:
当所述疑似电缆边缘线之间的边缘匹配度大于第二预设阈值时,两条疑似电缆边缘线匹配成功,将匹配成功的两条疑似电缆边缘线的起始点和终止点作为顶点构成疑似电缆区域。
5.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述根据所述疑似电缆边缘线的起始点和终止点,获取疑似电缆区域的代表线段,包括的具体方法为:
将所述疑似电缆区域的两条疑似电缆边缘线的起始点的中点作为代表线段的起始点,终止点的中点作为代表线段的终止点,获取疑似电缆区域对应的代表线段。
6.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述根据所述疑似电缆区域的代表线段上像素点的灰度值变化,获取所述疑似电缆区域的灰度波形曲线,包括的具体方法为:
将所述疑似电缆区域的代表线段上各像素点按照从代表线段起始点开始的出现顺序对其进行标号;
将代表线段上各像素点的标号作为横坐标,灰度值作为纵坐标,建立灰度波动折线图;
将各相邻像素点在灰度波动折线图中对应的点依次相连得到灰度波动折线图,使用滤波算法对所述灰度波动折线图作平滑处理,获取所述疑似电缆区域的灰度波形曲线。
7.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述根据所述灰度波形曲线,获取对应的波峰距离一致度、波谷距离一致度,包括的具体方法为:
获取所述灰度波形曲线的各个极值点,将极大值点记为波峰,极小值点记为波谷;
记录波峰、波谷的位置与灰度值,计算相邻两个波峰之间的距离,获取所述灰度波形曲线上相邻波峰之间距离的极差和标准差;
将所述灰度波形曲线上相邻波峰之间距离的极差和标准差的乘积作为第一乘积,取第一乘积的倒数为对应的波峰距离一致度;
获取所述灰度波形曲线对应的波谷距离一致度。
8.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述基于所述波峰距离一致度、波谷距离一致度和灰度波形曲线,获取纹路螺旋度,并判断所述疑似电缆区域是否为电缆绞线区域,包括的具体方法为:
将所述波峰距离一致度与波谷距离一致度之和作为第一累加和,将波峰与波谷的个数之和作为第二累加和,将第一累加和与第二累加和的乘积作为第二乘积;
对第二乘积进行归一化,获取纹路螺旋度;
当所述疑似电缆区域的纹路螺旋度大于第三预设阈值时,则判定该区域为电缆绞线区域。
9.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述根据电缆绞线区域的灰度波形曲线,获取各波峰段的预测长度,包括的具体方法为:
根据电缆绞线区域对应的灰度波形曲线上各相邻波峰之间的距离获取波峰距离序列,相邻波峰之间构成波峰段,波峰距离序列的元素值等于各波峰段的长度;
使用时间序列预测模型,根据波峰距离序列中前第一预设数量个元素值预测后一元素值,得到各波峰段的预测长度。
10.根据权利要求1所述的基于机器视觉的电缆绞线智能检测方法,其特征在于,所述根据各波峰段的实际长度与预测长度的差值,判断所述电缆绞线区域在各波峰段处是否发生散股,包括的具体方法为:
获取所述各波峰段的实际长度与预测长度差值的绝对值,将所述绝对值记为第一差值;
当第一差值大于第四预设阈值时,判断所述电缆绞线区域在对应波峰段处发生散股,否则,没有发生散股。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061566.0A CN116823808B (zh) | 2023-08-23 | 2023-08-23 | 基于机器视觉的电缆绞线智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061566.0A CN116823808B (zh) | 2023-08-23 | 2023-08-23 | 基于机器视觉的电缆绞线智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823808A true CN116823808A (zh) | 2023-09-29 |
CN116823808B CN116823808B (zh) | 2023-11-17 |
Family
ID=88113022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311061566.0A Active CN116823808B (zh) | 2023-08-23 | 2023-08-23 | 基于机器视觉的电缆绞线智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823808B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135337A (zh) * | 2024-05-06 | 2024-06-04 | 江苏裕荣光电科技有限公司 | 基于特征抽取的电缆温度异常识别方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140168414A1 (en) * | 2012-12-19 | 2014-06-19 | Tenaris Connections Limited | Straightness Measurements of Linear Stock Material |
US20170263139A1 (en) * | 2014-08-01 | 2017-09-14 | Shenzhen Cimc-Tianda Airport Support Ltd. | Machine vision-based method and system for aircraft docking guidance and aircraft type identification |
WO2018077165A1 (zh) * | 2016-10-24 | 2018-05-03 | 北京进化者机器人科技有限公司 | 一种基于双目视觉目标检测的家居环境下门定位方法 |
EP3556576A1 (en) * | 2018-04-18 | 2019-10-23 | Bridgestone Europe NV/SA | Process and system for the detection of defects in a tyre |
CN112381848A (zh) * | 2018-12-27 | 2021-02-19 | 浙江大学台州研究院 | 复杂环境下仪表视觉读数在线监测***的抗干扰方法 |
CN113744197A (zh) * | 2021-08-09 | 2021-12-03 | 福建工程学院 | 一种基于红紫外复合成像的电缆故障检测方法 |
WO2022057607A1 (zh) * | 2020-09-21 | 2022-03-24 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、***及计算机可读存储介质 |
CN114387438A (zh) * | 2022-03-23 | 2022-04-22 | 武汉锦辉压铸有限公司 | 基于机器视觉的压铸机参数调控方法 |
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*** |
CN114972197A (zh) * | 2022-04-28 | 2022-08-30 | 江苏启灏医疗科技有限公司 | 一种x光片的成像质量评估方法及*** |
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及*** |
CN115205295A (zh) * | 2022-09-16 | 2022-10-18 | 江苏新世嘉家纺高新科技股份有限公司 | 一种服装面料拉伸强度检测方法 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN115272321A (zh) * | 2022-09-28 | 2022-11-01 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
CN115311260A (zh) * | 2022-09-29 | 2022-11-08 | 南通羿云智联信息科技有限公司 | 一种公路交通工程路面质量检测方法 |
CN115330762A (zh) * | 2022-10-12 | 2022-11-11 | 纵驰电子科技(南通)有限责任公司 | X射线图像的保险丝断丝检测方法 |
CN115641329A (zh) * | 2022-11-15 | 2023-01-24 | 武汉惠强新能源材料科技有限公司 | 一种锂电池隔膜缺陷检测方法及*** |
CN116205906A (zh) * | 2023-04-25 | 2023-06-02 | 青岛豪迈电缆集团有限公司 | 一种电缆内部生产异常无损检测方法 |
CN116503394A (zh) * | 2023-06-26 | 2023-07-28 | 济南奥盛包装科技有限公司 | 基于图像的印刷制品表面粗糙度检测方法 |
CN116563282A (zh) * | 2023-07-10 | 2023-08-08 | 东莞市博思特数控机械有限公司 | 一种基于机器视觉的钻削刀具检测方法及*** |
-
2023
- 2023-08-23 CN CN202311061566.0A patent/CN116823808B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140168414A1 (en) * | 2012-12-19 | 2014-06-19 | Tenaris Connections Limited | Straightness Measurements of Linear Stock Material |
US20170263139A1 (en) * | 2014-08-01 | 2017-09-14 | Shenzhen Cimc-Tianda Airport Support Ltd. | Machine vision-based method and system for aircraft docking guidance and aircraft type identification |
WO2018077165A1 (zh) * | 2016-10-24 | 2018-05-03 | 北京进化者机器人科技有限公司 | 一种基于双目视觉目标检测的家居环境下门定位方法 |
EP3556576A1 (en) * | 2018-04-18 | 2019-10-23 | Bridgestone Europe NV/SA | Process and system for the detection of defects in a tyre |
CN112381848A (zh) * | 2018-12-27 | 2021-02-19 | 浙江大学台州研究院 | 复杂环境下仪表视觉读数在线监测***的抗干扰方法 |
WO2022057607A1 (zh) * | 2020-09-21 | 2022-03-24 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、***及计算机可读存储介质 |
CN113744197A (zh) * | 2021-08-09 | 2021-12-03 | 福建工程学院 | 一种基于红紫外复合成像的电缆故障检测方法 |
CN114387438A (zh) * | 2022-03-23 | 2022-04-22 | 武汉锦辉压铸有限公司 | 基于机器视觉的压铸机参数调控方法 |
CN114972197A (zh) * | 2022-04-28 | 2022-08-30 | 江苏启灏医疗科技有限公司 | 一种x光片的成像质量评估方法及*** |
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*** |
CN115082462A (zh) * | 2022-08-22 | 2022-09-20 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及*** |
CN115205295A (zh) * | 2022-09-16 | 2022-10-18 | 江苏新世嘉家纺高新科技股份有限公司 | 一种服装面料拉伸强度检测方法 |
CN115239704A (zh) * | 2022-09-19 | 2022-10-25 | 南通友联新材料科技有限公司 | 一种木材表面缺陷的精准检测修复方法 |
CN115272321A (zh) * | 2022-09-28 | 2022-11-01 | 山东军冠纺织有限公司 | 一种基于机器视觉的纺织品缺陷检测方法 |
CN115311260A (zh) * | 2022-09-29 | 2022-11-08 | 南通羿云智联信息科技有限公司 | 一种公路交通工程路面质量检测方法 |
CN115330762A (zh) * | 2022-10-12 | 2022-11-11 | 纵驰电子科技(南通)有限责任公司 | X射线图像的保险丝断丝检测方法 |
CN115641329A (zh) * | 2022-11-15 | 2023-01-24 | 武汉惠强新能源材料科技有限公司 | 一种锂电池隔膜缺陷检测方法及*** |
CN116205906A (zh) * | 2023-04-25 | 2023-06-02 | 青岛豪迈电缆集团有限公司 | 一种电缆内部生产异常无损检测方法 |
CN116503394A (zh) * | 2023-06-26 | 2023-07-28 | 济南奥盛包装科技有限公司 | 基于图像的印刷制品表面粗糙度检测方法 |
CN116563282A (zh) * | 2023-07-10 | 2023-08-08 | 东莞市博思特数控机械有限公司 | 一种基于机器视觉的钻削刀具检测方法及*** |
Non-Patent Citations (2)
Title |
---|
曾洁;张德营;贾世杰;邹娟;: "基于边缘检测的焊缝图像自动识别算法", 大连交通大学学报, no. 01, pages 5 - 8 * |
石涵;都东;邹怡蓉;邵家鑫;王力;: "直缝钢管X射线图像焊缝缺陷检测降噪算法", 中国科技论文, no. 08, pages 59 - 61 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118135337A (zh) * | 2024-05-06 | 2024-06-04 | 江苏裕荣光电科技有限公司 | 基于特征抽取的电缆温度异常识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116823808B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116823808B (zh) | 基于机器视觉的电缆绞线智能检测方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN113808138B (zh) | 一种基于人工智能的电线电缆表面缺陷检测方法 | |
CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
CN110827311B (zh) | 一种基于成像法的电缆导体截面积测量方法及*** | |
CN115858832B (zh) | 一种用于钢绞线生产数据存储方法及*** | |
CN108489996A (zh) | 一种绝缘子的缺陷检测方法、***及终端设备 | |
CN113920122B (zh) | 一种基于人工智能的电缆缺陷检测方法及*** | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理*** | |
CN112365475A (zh) | 一种基于图像处理方式的输电线路覆冰监测方法及*** | |
CN115330790B (zh) | 基于图像的电缆绞线质量检测方法及*** | |
CN112819784A (zh) | 一种配电线路导线断股散股检测方法及*** | |
CN110084814B (zh) | 表面涂层测量方法、装置、计算机设备和存储介质 | |
CN115908431A (zh) | 一种输变电工程用线缆定位收纳方法 | |
CN116433667B (zh) | 一种配电物联低压智能开关检测方法 | |
CN117011280A (zh) | 基于点云分割的3d打印混凝土墙质量监测方法及*** | |
CN117291916B (zh) | 基于机器视觉的聚酰亚胺薄膜表面检测方法及*** | |
CN116958138B (zh) | 一种用于桥梁检测的取样控制方法、***、设备及介质 | |
CN117115152B (zh) | 基于图像处理的钢绞线生产监测方法 | |
CN117422705B (zh) | 基于图像视觉的连接器端子质量检测方法 | |
CN118154595B (zh) | 一种用于高铁吊围栏配件的视觉检测方法及*** | |
CN117095003B (zh) | 一种双金属复合板材碳钢原材料清洁度检测方法及装置 | |
CN117197067B (zh) | 线束芯线数量的视觉检测方法、装置、设备及存储介质 | |
CN115330776B (zh) | 一种钢丝绳磨损程度检测方法 | |
CN116452587B (zh) | 一种环保建筑结构钢板缺陷识别方法 |
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 |