CN117710901A - 一种基于机器视觉的电缆制造异常检测*** - Google Patents
一种基于机器视觉的电缆制造异常检测*** Download PDFInfo
- Publication number
- CN117710901A CN117710901A CN202410145743.1A CN202410145743A CN117710901A CN 117710901 A CN117710901 A CN 117710901A CN 202410145743 A CN202410145743 A CN 202410145743A CN 117710901 A CN117710901 A CN 117710901A
- Authority
- CN
- China
- Prior art keywords
- cable
- image
- module
- abnormality
- coefficient
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 98
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000009432 framing Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000034 method 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
- 238000011160 research Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及自动化技术领域，本发明公开了一种基于机器视觉的电缆制造异常检测***，包括：电缆图像采集模块、采集图像预处理模块、特征信息提取模块、表面异常判断模块、形状异常检测模块、像素差异比较模块、***异常自调整模块、调整后检测模型建立模块，以及***异常预警模块，将电缆图像分帧处理，获取各帧图像的电缆相关数据，计算电缆的表面完整度系数、形状匹配度系数和像素同质度系数，依据预设阈值判断是否出现异常，并对异常模块进行自动调整，调整后检测模型建立模块计算图像异常指数，依据图像异常指数检测电缆制造是否出现异常状态，并进行预警提示，通过自动化检测，降低了人工成本，提高了电缆的生产质量。
Description
技术领域
本发明涉及自动化技术领域，更具体地涉及一种基于机器视觉的电缆制造异常检测***。
背景技术
机器视觉是人工智能正在快速发展的一个分支，主要是通过计算机来模拟人的视觉功能，利用机器代替人眼来进行测量和判断，通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理***，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像***对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。
在电缆制造过程中，由于各种原因可能导致生产出的电缆存在缺陷或异常，不仅会影响电缆的质量，还可能引发安全事故，因此，电缆制造异常检测成为了一个重要的研究方向，基于机器视觉的电缆制造异常检测***，利用计算机视觉技术实现电缆制造过程中异常检测的方法，通过对电缆进行自动检测，能够快速、准确地发现电缆制造过程中的各种异常，为提高电缆质量和生产效率提供了有力保障。
传统检测方法的局限：传统的电缆制造异常检测方法主要依靠人工检测，不仅效率低下，而且容易受到人为因素的影响，对于一些微小的缺陷，人工检测也很难准确判断，此外，传统的电缆制造异常检测方法是通过判断发出预警提醒，缺乏对异常情况的自动调整，加大了人工工作的工作强度，不利于提高电缆生产的生产效率。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种基于机器视觉的电缆制造异常检测***，以解决上述背景技术中存在的问题。
本发明提供如下技术方案：一种基于机器视觉的电缆制造异常检测***，包括：电缆图像采集模块、采集图像预处理模块、特征信息提取模块、表面异常判断模块、形状异常检测模块、像素差异比较模块、***异常自调整模块、调整后检测模型建立模块，以及***异常预警模块；
所述电缆图像采集模块，采用高分辨率工业相机，在生产线上对电缆进行实时拍摄，获取一次图像数据，并将获取的一次图像数据传输至采集图像预处理模块；
所述采集图像预处理模块，包括噪声消除单元、几何变换单元和色彩校正单元，接收电缆图像采集模块传输的一次图像数据，通过预处理操作获取二次图像数据，并将二次图像数据传输至特征信息提取模块；
所述特征信息提取模块，接收采集图像预处理模块传输的二次图像数据，利用边缘检测算法提取二次图像数据的特征信息，包括电缆表面信息、电缆形状信息和电缆像素信息；
所述表面异常判断模块，基于特征信息提取模块提取的电缆表面信息，通过电缆表面检测数学模型计算得出表面完整度系数，并将计算得出的表面完整度系数传输至***异常自调整模块和调整后检测模型建立模块；
所述形状异常检测模块，基于特征信息提取模块提取的电缆形状信息，通过电缆形状检测数学模型计算得出形状匹配度系数，并将计算得出的形状匹配度系数传输至***异常自调整模块和调整后检测模型建立模块；
所述像素差异比较模块，基于特征信息提取模块提取的电缆像素信息，通过电缆像素检测数学模型计算得出像素同质度系数，并将计算得出的像素同质度系数传输至***异常自调整模块；
所述***异常自调整模块，接收表面异常判断模块、形状异常检测模块和像素差异比较模块传输的表面完整度系数、形状匹配度系数和像素同质度系数，依据预设阈值判断是否出现异常，并对异常模块进行自动调整；
所述调整后检测模型建立模块，基于***异常自调整模块调整过后得到的表面完整度系数、形状匹配度系数和像素同质度系数，建立数学模型计算图像异常指数，并将计算结果传输至***异常预警模块；
所述***异常预警模块，接收调整后检测模型建立模块传输的图像异常指数，检测电缆制造是否出现异常状态，并进行预警提示。
优选的，所述电缆图像采集模块中获取的一次图像数据包括n帧图像，表示为i=1，2，3，...，i，...，n。
优选的，所述采集图像预处理模块中噪声消除单元通过双边滤波减少噪声，几何变换单元通过矩阵运算和插值算法实现图像的几何变换，色彩校正单元通过颜色空间转换、色彩平衡和彩映射对图像进行色彩校正。
优选的，所述特征信息提取模块中提取二次图像数据的特征信息包括对n帧图像进行图像特征信息提取；
电缆表面信息包括各帧灰度图像电缆边缘线的圆形度、各帧灰度图像的灰度面积、各帧灰度图像电缆边缘线的周长、各帧灰度图像电缆边缘线不规则长度、电缆边缘线的标准圆形度以及图像帧数，分别用、/>、/>、/>、/>以及/>表示；
电缆形状信息包括各帧图像中各交点的横坐标和各帧图像中各交点的纵坐标，分别用和/>表示；
电缆像素信息包括各帧图像中像素的坐标、各帧图像中像素间隙值、各帧图像中的平均像素以及各帧图像中像素间隙值的标准差，分别用、/>、/>以及/>表示。
优选的，所述表面异常判断模块中通过电缆表面检测数学模型计算得出表面完整度系数的计算步骤如下：
步骤S01：对n帧图像进行灰度处理，得到电缆表面的灰度图像；
步骤S02：计算各帧灰度图像电缆边缘线的圆形度，计算公式为：，其中/>表示各帧灰度图像电缆边缘线的圆形度，/>表示各帧灰度图像的灰度面积，/>表示各帧灰度图像电缆边缘线的周长，/>表示各帧灰度图像电缆边缘线不规则长度；
步骤S03：计算电缆的表面完整度系数，计算公式为：，其中/>表示表面完整度系数，/>表示各帧灰度图像电缆边缘线的圆形度，/>表示电缆边缘线的标准圆形度，/>表示图像帧数。
优选的，所述形状异常检测模块中通过电缆形状检测数学模型计算得出形状匹配度系数的计算步骤如下：
步骤S01：将n帧图像中的交点用坐标表示，第i帧图像中点的各交点坐标表示为；
步骤S02：计算电缆的形状匹配度系数，计算公式为：，其中/>表示形状匹配度系数，/>表示各帧图像中各交点的坐标，/>表示各帧图像中各交点的横坐标，/>表示各帧图像中各交点的纵坐标。
优选的，所述像素差异比较模块中通过电缆像素检测数学模型计算得出像素同质度系数的计算步骤如下：
步骤S01：将n帧图像中的像素用坐标表示，第i帧图像中像素的坐标表示为；
步骤S02：计算电缆的像素同质度系数，计算公式为，其中/>表示像素同质度系数，/>表示各帧图像中像素的坐标，/>表示各帧图像中像素间隙值，/>表示各帧图像中的平均像素，/>表示各帧图像中像素间隙值的标准差。
优选的，所述***异常自调整模块接收表面异常判断模块传输的表面完整度系数，将表面完整度系数与预设的第一判断阈值/>进行对比，若表面完整度系数/>大于或等于预设的第一判断阈值/>，则判断电缆表面无异常，若表面完整度系数/>小于预设的第一判断阈值/>，则判断电缆表面异常，启动***异常自调整模块；
将形状匹配度系数与预设的第二判断阈值/>进行对比，若形状匹配度系数大于或等于预设的第二判断阈值/>，则判断电缆形状无异常，若形状匹配度系数/>小于预设的第二判断阈值/>，则判断电缆形状异常，启动***异常自调整模块；
将像素同质度系数与预设的第三判断阈值/>进行对比，若像素同质度系数大于或等于预设的第三判断阈值/>，则判断电缆内部无异常，若像素同质度系数/>小于预设的第三判断阈值/>，则判断电缆内部异常，启动***异常自调整模块。
优选的，所述调整后检测模型建立模块建立数学模型计算图像异常指数，图像异常指数的计算公式为：，其中/>表示图像异常指数，n表示图像帧数，/>表示表面完整度系数，/>表示形状匹配度系数，/>表示像素同质度系数，、/>和/>表示常数。
优选的，所述***异常预警模块接收调整后检测模型建立模块传输的图像异常指数，将图像异常指数/>与预设的电缆图像判断阈值/>进行对比，若图像异常指数/>大于预设的电缆图像判断阈值/>，则判断电缆制造异常，将预警提醒传送至***终端，若图像异常指数/>小于或等于预设的电缆图像判断阈值/>，则判断电缆制造无异常。
本发明的技术效果和优点：
本发明通过设有电缆图像采集模块、采集图像预处理模块、特征信息提取模块、表面异常判断模块、形状异常检测模块、像素差异比较模块、***异常自调整模块、调整后检测模型建立模块，以及***异常预警模块，将电缆图像分帧处理，获取各帧图像的电缆相关数据，计算电缆的表面完整度系数、形状匹配度系数和像素同质度系数，依据预设阈值判断是否出现异常，并对异常模块进行自动调整，调整后检测模型建立模块计算图像异常指数，依据图像异常指数检测电缆制造是否出现异常状态，并进行预警提示，总之，一种基于机器视觉的电缆制造异常检测***通过自动化检测，可以在线实时检测，一旦发现异常，及时进行报警或处理，降低了人工成本，提高了电缆的生产质量。
附图说明
图1为一种基于机器视觉的电缆制造异常检测***的流程图。
图2为采集图像预处理模块的流程图。
图3为特征信息提取模块的结构图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的一种基于机器视觉的电缆制造异常检测***并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了一种基于机器视觉的电缆制造异常检测***，包括：电缆图像采集模块、采集图像预处理模块、特征信息提取模块、表面异常判断模块、形状异常检测模块、像素差异比较模块、***异常自调整模块、调整后检测模型建立模块，以及***异常预警模块；
所述电缆图像采集模块，采用高分辨率工业相机，在生产线上对电缆进行实时拍摄，获取一次图像数据，并将获取的一次图像数据传输至采集图像预处理模块；
所述采集图像预处理模块，包括噪声消除单元、几何变换单元和色彩校正单元，接收电缆图像采集模块传输的一次图像数据，通过预处理操作获取二次图像数据，并将二次图像数据传输至特征信息提取模块；
所述特征信息提取模块，接收采集图像预处理模块传输的二次图像数据，利用边缘检测算法提取二次图像数据的特征信息，包括电缆表面信息、电缆形状信息和电缆像素信息；
所述表面异常判断模块，基于特征信息提取模块提取的电缆表面信息，通过电缆表面检测数学模型计算得出表面完整度系数，并将计算得出的表面完整度系数传输至***异常自调整模块和调整后检测模型建立模块；
所述形状异常检测模块，基于特征信息提取模块提取的电缆形状信息，通过电缆形状检测数学模型计算得出形状匹配度系数，并将计算得出的形状匹配度系数传输至***异常自调整模块和调整后检测模型建立模块；
所述像素差异比较模块，基于特征信息提取模块提取的电缆像素信息，通过电缆像素检测数学模型计算得出像素同质度系数，并将计算得出的像素同质度系数传输至***异常自调整模块；
所述***异常自调整模块，接收表面异常判断模块、形状异常检测模块和像素差异比较模块传输的表面完整度系数、形状匹配度系数和像素同质度系数，依据预设阈值判断是否出现异常，并对异常模块进行自动调整；
所述调整后检测模型建立模块，基于***异常自调整模块调整过后得到的表面完整度系数、形状匹配度系数和像素同质度系数，建立数学模型计算图像异常指数，并将计算结果传输至***异常预警模块；
所述***异常预警模块，接收调整后检测模型建立模块传输的图像异常指数，检测电缆制造是否出现异常状态，并进行预警提示。
本实施例中，需要具体说明的是，所述电缆图像采集模块中获取的一次图像数据包括n帧图像，表示为i=1，2，3，...，i，...，n。
本实施例中，需要具体说明的是，所述采集图像预处理模块中噪声消除单元通过双边滤波减少噪声，几何变换单元通过矩阵运算和插值算法实现图像的几何变换，色彩校正单元通过颜色空间转换、色彩平衡和彩映射对图像进行色彩校正。
本实施例中，需要具体说明的是，所述特征信息提取模块中提取二次图像数据的特征信息包括对n帧图像进行图像特征信息提取；
电缆表面信息包括各帧灰度图像电缆边缘线的圆形度、各帧灰度图像的灰度面积、各帧灰度图像电缆边缘线的周长、各帧灰度图像电缆边缘线不规则长度、电缆边缘线的标准圆形度以及图像帧数，分别用、/>、/>、/>、/>以及/>表示；
电缆形状信息包括各帧图像中各交点的横坐标和各帧图像中各交点的纵坐标，分别用和/>表示；
电缆像素信息包括各帧图像中像素的坐标、各帧图像中像素间隙值、各帧图像中的平均像素以及各帧图像中像素间隙值的标准差，分别用、/>、/>以及/>表示。
本实施例中，需要具体说明的是，所述表面异常判断模块中通过电缆表面检测数学模型计算得出表面完整度系数的计算步骤如下：
步骤S01：对n帧图像进行灰度处理，得到电缆表面的灰度图像；
步骤S02：计算各帧灰度图像电缆边缘线的圆形度，计算公式为：，其中/>表示各帧灰度图像电缆边缘线的圆形度，/>表示各帧灰度图像的灰度面积，/>表示各帧灰度图像电缆边缘线的周长，/>表示各帧灰度图像电缆边缘线不规则长度；
步骤S03：计算电缆的表面完整度系数，计算公式为：，其中/>表示表面完整度系数，/>表示各帧灰度图像电缆边缘线的圆形度，/>表示电缆边缘线的标准圆形度，/>表示图像帧数。
本实施例中，需要具体说明的是，所述形状异常检测模块中通过电缆形状检测数学模型计算得出形状匹配度系数的计算步骤如下：
步骤S01：将n帧图像中的交点用坐标表示，第i帧图像中点的各交点坐标表示为；
步骤S02：计算电缆的形状匹配度系数，计算公式为：，其中/>表示形状匹配度系数，/>表示各帧图像中各交点的坐标，/>表示各帧图像中各交点的横坐标，/>表示各帧图像中各交点的纵坐标。
本实施例中，需要具体说明的是，所述像素差异比较模块中通过电缆像素检测数学模型计算得出像素同质度系数的计算步骤如下：
步骤S01：将n帧图像中的像素用坐标表示，第i帧图像中像素的坐标表示为；
步骤S02：计算电缆的像素同质度系数，计算公式为，其中/>表示像素同质度系数，/>表示各帧图像中像素的坐标，/>表示各帧图像中像素间隙值，/>表示各帧图像中的平均像素，/>表示各帧图像中像素间隙值的标准差。
本实施例中，需要具体说明的是，所述***异常自调整模块接收表面异常判断模块传输的表面完整度系数，将表面完整度系数与预设的第一判断阈值/>进行对比，若表面完整度系数/>大于或等于预设的第一判断阈值/>，则判断电缆表面无异常，若表面完整度系数/>小于预设的第一判断阈值/>，则判断电缆表面异常，启动***异常自调整模块；
将形状匹配度系数与预设的第二判断阈值/>进行对比，若形状匹配度系数大于或等于预设的第二判断阈值/>，则判断电缆形状无异常，若形状匹配度系数/>小于预设的第二判断阈值/>，则判断电缆形状异常，启动***异常自调整模块；
将像素同质度系数与预设的第三判断阈值/>进行对比，若像素同质度系数大于或等于预设的第三判断阈值/>，则判断电缆内部无异常，若像素同质度系数/>小于预设的第三判断阈值/>，则判断电缆内部异常，启动***异常自调整模块。
本实施例中，需要具体说明的是，所述调整后检测模型建立模块建立数学模型计算图像异常指数，图像异常指数的计算公式为：，其中表示图像异常指数，n表示图像帧数，/>表示表面完整度系数，/>表示形状匹配度系数，表示像素同质度系数，/>、/>和/>表示常数。
本实施例中，需要具体说明的是，所述***异常预警模块接收调整后检测模型建立模块传输的图像异常指数，将图像异常指数/>与预设的电缆图像判断阈值/>进行对比，若图像异常指数/>大于预设的电缆图像判断阈值/>，则判断电缆制造异常，将预警提醒传送至***终端，若图像异常指数/>小于或等于预设的电缆图像判断阈值/>，则判断电缆制造无异常。
本实施例中，需要具体说明的是，本实施与现有技术的区别主要在于本实施例通过设有电缆图像采集模块、采集图像预处理模块、特征信息提取模块、表面异常判断模块、形状异常检测模块、像素差异比较模块、***异常自调整模块、调整后检测模型建立模块，以及***异常预警模块，将电缆图像分帧处理，获取各帧图像的电缆相关数据，计算电缆的表面完整度系数、形状匹配度系数和像素同质度系数，依据预设阈值判断是否出现异常，并对异常模块进行自动调整，调整后检测模型建立模块计算图像异常指数，依据图像异常指数检测电缆制造是否出现异常状态，并进行预警提示，总之，一种基于机器视觉的电缆制造异常检测***通过自动化检测，可以在线实时检测，一旦发现异常，及时进行报警或处理，降低了人工成本，提高了电缆的生产质量。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于机器视觉的电缆制造异常检测***，其特征在于：包括：电缆图像采集模块、采集图像预处理模块、特征信息提取模块、表面异常判断模块、形状异常检测模块、像素差异比较模块、***异常自调整模块、调整后检测模型建立模块，以及***异常预警模块；
所述电缆图像采集模块，采用高分辨率工业相机，在生产线上对电缆进行实时拍摄，获取一次图像数据，并将获取的一次图像数据传输至采集图像预处理模块；
所述采集图像预处理模块，包括噪声消除单元、几何变换单元和色彩校正单元，接收电缆图像采集模块传输的一次图像数据，通过预处理操作获取二次图像数据，并将二次图像数据传输至特征信息提取模块；
所述特征信息提取模块，接收采集图像预处理模块传输的二次图像数据，利用边缘检测算法提取二次图像数据的特征信息，包括电缆表面信息、电缆形状信息和电缆像素信息；
所述表面异常判断模块，基于特征信息提取模块提取的电缆表面信息，通过电缆表面检测数学模型计算得出表面完整度系数，并将计算得出的表面完整度系数传输至***异常自调整模块和调整后检测模型建立模块；
所述形状异常检测模块，基于特征信息提取模块提取的电缆形状信息，通过电缆形状检测数学模型计算得出形状匹配度系数，并将计算得出的形状匹配度系数传输至***异常自调整模块和调整后检测模型建立模块；
所述像素差异比较模块，基于特征信息提取模块提取的电缆像素信息，通过电缆像素检测数学模型计算得出像素同质度系数，并将计算得出的像素同质度系数传输至***异常自调整模块；
所述***异常自调整模块，接收表面异常判断模块、形状异常检测模块和像素差异比较模块传输的表面完整度系数、形状匹配度系数和像素同质度系数，依据预设阈值判断是否出现异常，并对异常模块进行自动调整；
所述调整后检测模型建立模块，基于***异常自调整模块调整过后得到的表面完整度系数、形状匹配度系数和像素同质度系数，建立数学模型计算图像异常指数，并将计算结果传输至***异常预警模块；
所述***异常预警模块，接收调整后检测模型建立模块传输的图像异常指数，检测电缆制造是否出现异常状态，并进行预警提示。
2.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述电缆图像采集模块中获取的一次图像数据包括n帧图像，表示为i=1，2，3，...，i，...，n。
3.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述采集图像预处理模块中噪声消除单元通过双边滤波减少噪声，几何变换单元通过矩阵运算和插值算法实现图像的几何变换，色彩校正单元通过颜色空间转换、色彩平衡和彩映射对图像进行色彩校正。
4.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述特征信息提取模块中提取二次图像数据的特征信息包括对n帧图像进行图像特征信息提取；
电缆表面信息包括各帧灰度图像电缆边缘线的圆形度、各帧灰度图像的灰度面积、各帧灰度图像电缆边缘线的周长、各帧灰度图像电缆边缘线不规则长度、电缆边缘线的标准圆形度以及图像帧数，分别用、/>、/>、/>、/>以及/>表示；
电缆形状信息包括各帧图像中各交点的横坐标和各帧图像中各交点的纵坐标，分别用和/>表示；
电缆像素信息包括各帧图像中像素的坐标、各帧图像中像素间隙值、各帧图像中的平均像素以及各帧图像中像素间隙值的标准差，分别用、/>、/>以及/>表示。
5.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述表面异常判断模块中通过电缆表面检测数学模型计算得出表面完整度系数的计算步骤如下：
步骤S01：对n帧图像进行灰度处理，得到电缆表面的灰度图像；
步骤S02：计算各帧灰度图像电缆边缘线的圆形度，计算公式为：，其中表示各帧灰度图像电缆边缘线的圆形度，/>表示各帧灰度图像的灰度面积，/>表示各帧灰度图像电缆边缘线的周长，/>表示各帧灰度图像电缆边缘线不规则长度；
步骤S03：计算电缆的表面完整度系数，计算公式为：，其中/>表示表面完整度系数，/>表示各帧灰度图像电缆边缘线的圆形度，/>表示电缆边缘线的标准圆形度，/>表示图像帧数。
6.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述形状异常检测模块中通过电缆形状检测数学模型计算得出形状匹配度系数的计算步骤如下：
步骤S01：将n帧图像中的交点用坐标表示，第i帧图像中点的各交点坐标表示为；
步骤S02：计算电缆的形状匹配度系数，计算公式为：，其中/>表示形状匹配度系数，/>表示各帧图像中各交点的坐标，/>表示各帧图像中各交点的横坐标，/>表示各帧图像中各交点的纵坐标。
7.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述像素差异比较模块中通过电缆像素检测数学模型计算得出像素同质度系数的计算步骤如下：
步骤S01：将n帧图像中的像素用坐标表示，第i帧图像中像素的坐标表示为；
步骤S02：计算电缆的像素同质度系数，计算公式为，其中/>表示像素同质度系数，/>表示各帧图像中像素的坐标，/>表示各帧图像中像素间隙值，/>表示各帧图像中的平均像素，/>表示各帧图像中像素间隙值的标准差。
8.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述***异常自调整模块接收表面异常判断模块传输的表面完整度系数，将表面完整度系数与预设的第一判断阈值/>进行对比，若表面完整度系数/>大于或等于预设的第一判断阈值/>，则判断电缆表面无异常，若表面完整度系数/>小于预设的第一判断阈值/>，则判断电缆表面异常，启动***异常自调整模块；
将形状匹配度系数与预设的第二判断阈值/>进行对比，若形状匹配度系数/>大于或等于预设的第二判断阈值/>，则判断电缆形状无异常，若形状匹配度系数/>小于预设的第二判断阈值/>，则判断电缆形状异常，启动***异常自调整模块；
将像素同质度系数与预设的第三判断阈值/>进行对比，若像素同质度系数/>大于或等于预设的第三判断阈值/>，则判断电缆内部无异常，若像素同质度系数/>小于预设的第三判断阈值/>，则判断电缆内部异常，启动***异常自调整模块。
9.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述调整后检测模型建立模块建立数学模型计算图像异常指数，图像异常指数的计算公式为：，其中/>表示图像异常指数，n表示图像帧数，/>表示表面完整度系数，/>表示形状匹配度系数，/>表示像素同质度系数，/>、/>和/>表示常数。
10.根据权利要求1所述的一种基于机器视觉的电缆制造异常检测***，其特征在于：所述***异常预警模块接收调整后检测模型建立模块传输的图像异常指数，将图像异常指数/>与预设的电缆图像判断阈值/>进行对比，若图像异常指数/>大于预设的电缆图像判断阈值/>，则判断电缆制造异常，将预警提醒传送至***终端，若图像异常指数/>小于或等于预设的电缆图像判断阈值/>，则判断电缆制造无异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145743.1A CN117710901B (zh) | 2024-02-02 | 2024-02-02 | 一种基于机器视觉的电缆制造异常检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410145743.1A CN117710901B (zh) | 2024-02-02 | 2024-02-02 | 一种基于机器视觉的电缆制造异常检测*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117710901A true CN117710901A (zh) | 2024-03-15 |
| CN117710901B CN117710901B (zh) | 2024-04-26 |
Family
ID=90162712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410145743.1A Active CN117710901B (zh) | 2024-02-02 | 2024-02-02 | 一种基于机器视觉的电缆制造异常检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117710901B (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102692216A (zh) * | 2012-06-08 | 2012-09-26 | 中北大学 | 基于机器视觉技术的实时光纤绕制缺陷检测方法 |
| CN107703148A (zh) * | 2017-10-10 | 2018-02-16 | 贵州大学 | 一种基于机器视觉的电缆绞线质量检测***及其检测方法 |
| CN108918542A (zh) * | 2018-08-29 | 2018-11-30 | 成都理工大学 | 一种光缆表面缺陷检测装置及方法 |
| CN109692820A (zh) * | 2018-12-19 | 2019-04-30 | 河南大学 | 基于图像处理的光纤金属件表面缺陷在线检测装置和方法 |
| CN110297476A (zh) * | 2019-07-24 | 2019-10-01 | 天长市海纳电气有限公司 | 一种基于电缆生产控制的智能pic控制*** |
| CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
| CN112697814A (zh) * | 2020-12-15 | 2021-04-23 | 电子科技大学 | 一种基于机器视觉的线缆表面缺陷检测***及方法 |
| CN113161067A (zh) * | 2021-04-16 | 2021-07-23 | 鲁能泰山曲阜电缆有限公司 | 一种智能矿物绝缘电缆 |
| EP3855359A1 (de) * | 2020-01-23 | 2021-07-28 | Schleuniger AG | Kabelbearbeitungsstation, kabelmaschine mit kabelbearbeitungsstationen sowie computerimplementiertes verfahren |
| CN113256570A (zh) * | 2021-05-10 | 2021-08-13 | 郑州轻工业大学 | 基于人工智能的视觉信息处理方法、装置、设备及介质 |
| CN113427731A (zh) * | 2021-06-24 | 2021-09-24 | 广州中和互联网技术有限公司 | 一种基于机器视觉的注塑机模具检测***及方法 |
| WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
| CN114757939A (zh) * | 2022-05-16 | 2022-07-15 | 安徽天凯光通信技术有限公司 | 一种基于机器视觉的光缆生产检测监管*** |
| KR20220147911A (ko) * | 2021-04-28 | 2022-11-04 | 주식회사 파인브이티 | 하네스 케이블 제작 공정에서 산출되는 케이블의 불량 여부를 판단하기 위한 공정 모니터링 장치 및 그 동작 방법 |
| CN115761405A (zh) * | 2022-11-21 | 2023-03-07 | 国网山东省电力公司临沂供电公司 | 一种高压电缆运行状态确定方法 |
| CN116721107A (zh) * | 2023-08-11 | 2023-09-08 | 青岛胶州电缆有限公司 | 一种电缆生产质量智能监控*** |
| CN117029703A (zh) * | 2023-10-09 | 2023-11-10 | 广东欢联电子科技有限公司 | 一种通讯线缆现场生产数据实时管理监测*** |
| CN117030721A (zh) * | 2023-08-14 | 2023-11-10 | 梅州达士通精密工业有限公司 | 一种基于机器视觉识别的线缆质检*** |
| CN117078005A (zh) * | 2023-08-01 | 2023-11-17 | 安徽远征电缆科技有限公司 | 一种基于数据分析的电缆组件产线运转风险评估*** |
| CN117250206A (zh) * | 2023-09-24 | 2023-12-19 | 南京理工大学 | 基于可见光和红外光融合的导电线异常检测方法与装置 |
| CN117392123A (zh) * | 2023-12-07 | 2024-01-12 | 广东新亚光电缆股份有限公司 | 一种基于图像识别的电线电缆标识防错印*** |
| CN117455843A (zh) * | 2023-09-28 | 2024-01-26 | 上海东捷建设(集团)有限公司 | 一种电缆头缺陷智能化检测*** |
-
2024
- 2024-02-02 CN CN202410145743.1A patent/CN117710901B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102692216A (zh) * | 2012-06-08 | 2012-09-26 | 中北大学 | 基于机器视觉技术的实时光纤绕制缺陷检测方法 |
| CN107703148A (zh) * | 2017-10-10 | 2018-02-16 | 贵州大学 | 一种基于机器视觉的电缆绞线质量检测***及其检测方法 |
| CN108918542A (zh) * | 2018-08-29 | 2018-11-30 | 成都理工大学 | 一种光缆表面缺陷检测装置及方法 |
| CN109692820A (zh) * | 2018-12-19 | 2019-04-30 | 河南大学 | 基于图像处理的光纤金属件表面缺陷在线检测装置和方法 |
| CN110297476A (zh) * | 2019-07-24 | 2019-10-01 | 天长市海纳电气有限公司 | 一种基于电缆生产控制的智能pic控制*** |
| EP3855359A1 (de) * | 2020-01-23 | 2021-07-28 | Schleuniger AG | Kabelbearbeitungsstation, kabelmaschine mit kabelbearbeitungsstationen sowie computerimplementiertes verfahren |
| CN111539935A (zh) * | 2020-04-24 | 2020-08-14 | 江苏大学 | 一种基于机器视觉的电缆表面缺陷在线检测方法 |
| WO2022065621A1 (ko) * | 2020-09-28 | 2022-03-31 | (주)미래융합정보기술 | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 |
| CN112697814A (zh) * | 2020-12-15 | 2021-04-23 | 电子科技大学 | 一种基于机器视觉的线缆表面缺陷检测***及方法 |
| CN113161067A (zh) * | 2021-04-16 | 2021-07-23 | 鲁能泰山曲阜电缆有限公司 | 一种智能矿物绝缘电缆 |
| KR20220147911A (ko) * | 2021-04-28 | 2022-11-04 | 주식회사 파인브이티 | 하네스 케이블 제작 공정에서 산출되는 케이블의 불량 여부를 판단하기 위한 공정 모니터링 장치 및 그 동작 방법 |
| CN113256570A (zh) * | 2021-05-10 | 2021-08-13 | 郑州轻工业大学 | 基于人工智能的视觉信息处理方法、装置、设备及介质 |
| CN113427731A (zh) * | 2021-06-24 | 2021-09-24 | 广州中和互联网技术有限公司 | 一种基于机器视觉的注塑机模具检测***及方法 |
| CN114757939A (zh) * | 2022-05-16 | 2022-07-15 | 安徽天凯光通信技术有限公司 | 一种基于机器视觉的光缆生产检测监管*** |
| CN115761405A (zh) * | 2022-11-21 | 2023-03-07 | 国网山东省电力公司临沂供电公司 | 一种高压电缆运行状态确定方法 |
| CN117078005A (zh) * | 2023-08-01 | 2023-11-17 | 安徽远征电缆科技有限公司 | 一种基于数据分析的电缆组件产线运转风险评估*** |
| CN116721107A (zh) * | 2023-08-11 | 2023-09-08 | 青岛胶州电缆有限公司 | 一种电缆生产质量智能监控*** |
| CN117030721A (zh) * | 2023-08-14 | 2023-11-10 | 梅州达士通精密工业有限公司 | 一种基于机器视觉识别的线缆质检*** |
| CN117250206A (zh) * | 2023-09-24 | 2023-12-19 | 南京理工大学 | 基于可见光和红外光融合的导电线异常检测方法与装置 |
| CN117455843A (zh) * | 2023-09-28 | 2024-01-26 | 上海东捷建设(集团)有限公司 | 一种电缆头缺陷智能化检测*** |
| CN117029703A (zh) * | 2023-10-09 | 2023-11-10 | 广东欢联电子科技有限公司 | 一种通讯线缆现场生产数据实时管理监测*** |
| CN117392123A (zh) * | 2023-12-07 | 2024-01-12 | 广东新亚光电缆股份有限公司 | 一种基于图像识别的电线电缆标识防错印*** |
Non-Patent Citations (1)
| Title |
|---|
| 乔湘洋;王海芳;祁超飞;李新庆;: "基于机器视觉的线缆表面缺陷检测***设计与算法研究", 机床与液压, no. 05, 15 March 2020 (2020-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117710901B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111539935B (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
| CN110458157B (zh) | 一种电力电缆生产过程智能监控*** | |
| CN116934740B (zh) | 基于图像处理的塑料模具表面缺陷分析检测方法 | |
| CN116630321B (zh) | 基于人工智能的桥梁健康智能监测*** | |
| CN114881915A (zh) | 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法 | |
| CN116520915A (zh) | 基于热红外图像的网络中心机房温度预警控制*** | |
| CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
| CN111339906A (zh) | 一种图像处理设备和图像处理*** | |
| CN114212452B (zh) | 基于激光辅助和图像处理的煤流检测方法及节能控制*** | |
| CN117710901B (zh) | 一种基于机器视觉的电缆制造异常检测*** | |
| CN113411510B (zh) | 一种基于图像质量评价和红热锻件的相机自动曝光算法 | |
| CN114199127A (zh) | 基于机器视觉的汽车零件尺寸检测***及方法 | |
| CN114257736A (zh) | 一种工件自适应拍摄方法 | |
| CN113091915B (zh) | 基于人脸识别的自动体温信息采集*** | |
| CN107507140B (zh) | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 | |
| CN112489018A (zh) | 一种电力线智能巡线方法及巡线 | |
| CN111402158A (zh) | 一种综采工作面低照度雾尘图像清晰化方法 | |
| CN110647837B (zh) | 电梯曳引机特征数据收集分析方法和电梯曳引机 | |
| CN111028289B (zh) | 基于模板匹配的变电站内设备异物定位方法 | |
| CN110717899A (zh) | 一种透明滤棒爆珠缺陷在线视觉检测方法 | |
| CN113297912A (zh) | 一种配网现场作业人员图像识别的图像预处理方法 | |
| CN116805405B (zh) | 用于铣床设备的智能防护方法及*** | |
| CN117935166B (zh) | 一种煤矿采空区智能火灾监测方法和*** | |
| CN118247230A (zh) | 一种道路空洞缺陷检测***及检测方法 | |
| CN114022451A (zh) | 一种基于图像分割识别的火焰智能检测方法 |
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 |