【技术实现步骤摘要】
本专利技术涉及机器视觉检测领域，尤其是涉及一种基于机器视觉的线路线径的检测方法。
技术介绍
1、在传统的线路制造和维护过程中，对线路的尺寸和质量进行准确监测和检测是至关重要的。线路的真实线径是指导体或线路导线的实际尺寸，其精度对于电气性能、电流容量和线路可靠性至关重要。
2、目前，已存在一些与线路尺寸监测相关的技术，但它们通常不满足高精度、高速度、自动化和适用于各种线路类型的要求。这些技术包括但不限于：1)人工测量：人工测量方法依赖于操作员的技能和经验，容易受到主观因素的干扰，而且速度慢，不适用于大规模生产或连续监测。2)机械测量：公开号为cn115388792a的中国专利提供了一种供电线路线径检测装置，该装置在不剥绝缘皮的情况下对供电设备线的线径进行检测的装置。然而机械测量方法通常需要接触线路，可能会引起线路损坏或干扰其正常运行，而且不适用于复杂线路结构。
3、为了克服这些问题，基于机器视觉的线路真实线径检测方法应运而生。机器视觉技术具有高精度、高速度和非接触性的优势，可以用于线路真实线径的准确测量和监测，是一种适用于各种线路类型的解决方案。然而，目前尚无一种全面的基于机器视觉的线路真实线径检测方法的技术描述。因此，需要一种基于机器视觉的线路真实线径检测方法，能够克服上述现有技术的局限性，提供高精度、高速度、自动化和适用于各种线路类型的解决方案。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器视觉的线路线径的检测方法
2、本专利技术的目的可以通过以下技术方案来实现：
3、一方面，本专利技术公开了一种基于机器视觉的线路线径的检测方法，包括以下步骤：
4、步骤1、通过图像采集设备采集线路实例图像，构建数据集，利用标注工具对所述图像中的线路以及参考板的位置和类别进行标注；
5、步骤2、训练目标分割模型，通过所述目标分割模型将线路以及参考板分割，得到线路以及参考板的二值图像；
6、步骤3、根据线路的走势特征，处理所述二值图像，保留x方向的线路；
7、步骤4、利用形态学操作和轮廓查找，对所述二值图像中的线路进行定位和排序；
8、步骤5、对线路的轮廓进行像素点计算，得到线路轮廓的像素和；对参考板的轮廓进行像素点计算，得到参照板的像素和；
9、步骤6、根据参考板的大小、所述线路轮廓的像素和、参照板的像素和，计算线路实例的线径大小。
10、进一步地，所述采集线路实例图像包括不同型号和不同使用环境的线路实例图像。
11、进一步地，将所述数据集一部分作为训练数据集，一部分作为测试数据集。
12、进一步地，所述训练目标分割模型包括以下步骤：
13、步骤21、选择mask rcnn网络模型，将所述数据集的96％划分为所述训练数据集，4％划分为所述测试数据集；选择合适的超参数进行训练，得到用于预测的权重文件，所述合适的超参数包括：学习率r＝0.001，迭代次数epochs＝200；
14、步骤22、利用所述测试数据集对所述权重文件进行测试，以检测模型的拟合效果和泛化能力；
15、步骤23、重复步骤21以及22以获得在所述测试数据集上平均精度最高的权重文件，将所述权重文件用于线路以及参考板的分割。
16、进一步地，所述步骤3具体包括：根据线路的走势特征，利用sobel算子处理所述二值图像，保留x方向的线路。
17、进一步地，所述参考板为任何可求得实际面积的参考板。
18、进一步地，所述计算线路实例的线径大小的公式如下：
19、w＝(sxn2)/(n1xh)
20、其中，w表示线路实例的线径大小，n1表示参考板的像素和，n2表示线路轮廓的像素和，s为参考板的实际面积大小，h为线路实例在y方向上的高度。
21、进一步地，所述参考板为正方形参考板。
22、进一步地，所述计算线路实例的线径大小的公式如下：
23、w＝(rxrxn2)/(n1xh)
24、其中，w表示线路实例的线径大小，n1表示正方形参考板的像素和，n2表示线路轮廓的像素和，r为正方形参考板的边长，h为线路实例在y方向上的高度。
25、第二方面，本专利技术公开了一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被执行时，执行上述任一项所述的方法。
26、与现有技术相比，本专利技术具有以下有益效果：
27、(1)提高检测精度：本专利技术采用了深度学习算法进行图像分割和特征提取，结合传统视觉检测方法对线路进行处理，有效提高了检测精度和准确性。
28、(2)提高检测效率：采用深度学习算法进行特征提取和分类，大大减少了人工干预的时间和工作量，提高了检测效率。
29、(3)自动化程度高：本专利技术采用了计算机视觉和深度学习算法，实现了对线路线径的自动检测和评价，减少了人工参与的程度，提高了自动化程度。
本文档来自技高网...【技术保护点】
1.一种基于机器视觉的线路线径的检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述采集线路实例图像包括不同型号和不同使用环境的线路实例图像。
3.根据权利要求2所述的一种基于机器视觉的线路线径的检测方法，其特征在于，将所述数据集一部分作为训练数据集，一部分作为测试数据集。
4.根据权利要求3所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述训练目标分割模型包括以下步骤：
5.根据权利要求1所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述步骤3具体包括：根据线路的走势特征，利用Sobel算子处理所述二值图像，保留x方向的线路。
6.根据权利要求1所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述参考板为任何可求得实际面积的参考板。
7.根据权利要求6所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述计算线路实例的线径大小的公式如下：
8.根据权利要求6所述的一种基于机器视觉的线路线径的检测方法
9.根据权利要求8所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述计算线路实例的线径大小的公式如下：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，当所述程序被执行时，执行如权利要求1-9任一项所述的方法。
...【技术特征摘要】
1.一种基于机器视觉的线路线径的检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述采集线路实例图像包括不同型号和不同使用环境的线路实例图像。
3.根据权利要求2所述的一种基于机器视觉的线路线径的检测方法，其特征在于，将所述数据集一部分作为训练数据集，一部分作为测试数据集。
4.根据权利要求3所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述训练目标分割模型包括以下步骤：
5.根据权利要求1所述的一种基于机器视觉的线路线径的检测方法，其特征在于，所述步骤3具体包括：根据线路的走势特征，利用sobel算子处理所述二值图像，保留x...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。