【技术实现步骤摘要】
本专利技术涉及一种电缆外观缺陷的检测方法，属于图像分析（g06t7/00）。
技术介绍
1、电缆在电力、通信等基础设施建设中起着关键作用。然而，在敷设过程中，由于机械拉伸、摩擦、压力等外界因素，电缆表面常会出现划痕、裂纹、凹凸不平等外观缺陷。因此，电缆外观缺陷检测已成为电缆敷设过程中不可或缺的质量控制手段。
2、传统的电缆外观检测主要依赖人工视觉，然而，这种方法效率低下，一致性差，且容易受到操作员疲劳和主观判断的影响，导致检测结果的不稳定和不可靠。随着计算机视觉技术的进步，基于2d图像的电缆外观缺陷检测技术逐渐得到广泛应用。该技术通过ccd相机捕捉电缆表面图像，并通过图像处理，如边缘检测、对比度增强来识别外观缺陷。尽管2d图像检测技术提升了检测效率，但仍难以准确识别毫米级的缺陷类型，并且缺乏电缆深度信息。此外，该技术自适应能力较差，在检测不同类型或颜色的电缆时，需要重新调整阈值参数。
3、鉴于现有技术的局限性，迫切需要开发一种电缆外观缺陷检测技术，以实现对电缆外观缺陷的高精度检测。
技术实现思路
1、本专利技术要解决的技术问题是：如何实现对电缆外观缺陷的高精度检测。
2、本专利技术为解决上述技术问题提出的技术方案是：一种电缆外观缺陷的检测方法，包括如下步骤：
3、步骤1：取一条历史电缆，扫描该历史电缆表面获得历史电缆表面3d点云，同时对历史电缆表面3d点云去除离群点并降噪；
4、步骤2：将所述历史电缆表面3d点云转换为历史
5、步骤3：对所述历史电缆表面2d深度图像进行序列分割获得多个图像片段，同时对每个图像片段标注属于某种历史外观缺陷类型的标签值；
6、外观缺陷类型包括无缺陷、裂纹、划痕、凸起和凹陷的五种外观缺陷类型；
7、将所有图像片段平分为训练集和验证集的两类集合，训练集和验证集中均包含五种历史外观缺陷类型的图像片段；
8、步骤4：将所述训练集和验证集的每个图像片段输入卷积自编码器进行训练；
9、步骤4.1：卷积自编码器根据自身第一初始超参数对训练集中每个图像片段提取边缘、纹理和形状特征生成每个图像片段相同长度和宽度的第一重建图像xrec；
10、步骤4.2：按下式（1）计算训练集中每个图像片段与每个图像片段生成的第一重建图像的均方误差损失、边缘保留损失、相似差异损失和损失函数l1
11、 （1）；
12、式（1）中，xij是训练集中每个图像片段平面坐标i、j点处的深度值；xrec，ij是每个第一重建图像平面坐标i、j点处的深度值；o是每个第一重建图像与训练集中每个图像片段的高度；p是每个第一重建图像与训练集中每个图像片段的宽度；∇是梯度运算符；
13、按下式（2）计算训练集损失函数l2
14、 （2）；
15、式（2）中，k1是训练集中图像片段的数量；
16、步骤4.3：卷积自编码器根据自身第一初始超参数对验证集中每个图像片段提取边缘、纹理和形状特征生成每个图像片段的第二重建图像；按式（1）、（2）计算验证集损失函数l3；
17、卷积自编码器不断迭代更新自身第一初始超参数直至得到的训练集损失函数l2值和验证集损失函数l3值均不再变小，卷积自编码器训练完成；
18、步骤5：将所述训练集和验证集的每个图像片段输入人工神经网络ann进行训练；
19、步骤5.1：人工神经网络ann 根据自身第二初始超参数对训练集中每个图像片段预测出每种外观缺陷类型的概率；
20、按下式（3）计算训练集中每个图像片段的历史外观缺陷类型与外观缺陷类型预测概率的损失函数l4
21、 （3）；
22、式（3）中，k2是外观缺陷类型数量；ut是第t种历史外观缺陷类型的标签数值；pt是第t种历史外观缺陷类型的预测概率；
23、按下式（4）计算训练集预测损失函数l5
24、 （4）；
25、步骤5.3：人工神经网络ann根据自身的第二初始超参数对验证集中每个图像片段预测出每种外观缺陷类型的概率，按式（3）、（4）计算验证集预测损失函数l6；
26、人工神经网络ann不断迭代更新自身第二初始超参数直至得到的训练集预测损失函数l5值和验证集预测损失函数l6值均不再变小，人工神经网络ann训练完成；
27、步骤6：按照步骤5将所述训练集和验证集的每个图像片段输入支持向量机svm、极限学习机elm、长短期记忆网络lstm完成训练；
28、步骤7：任选步骤3中无外观缺陷的一个图像片段输入经步骤3训练好的卷积自编码器提取无外观缺陷深层特征获得无外观缺陷深层特征序列；
29、ht是在时间点t时的无外观缺陷深层特征；
30、步骤7.1：对每个时间点t根据无外观缺陷深层特征序列构建相空间向量；
31、τ是延迟时间；m是嵌入维度；
32、步骤7.1.1：根据每个相空间向量ht1中无外观缺陷深层特征的排列顺序获得每个相空间向量ht1的顺序模式；
33、步骤7.1.2：统计π个顺序模式中每个顺序模式出现的概率p(π)，按下式（5）计算无外观缺陷深层特征的排列熵p；
34、 （5）；
35、步骤7.2：对每个时间点t根据无外观缺陷深层特征序列构建相空间向量；
36、z是模式维数；
37、步骤7.2.1：设定距离阈值r，距离阈值r取值范围在无外观缺陷深层特征序列数据标准差的15%~20%；
38、根据每个相空间向量ht2与其他所有相空间向量的距离，统计在距离阈值r内的距离数量占所有距离数量的比例；
39、扩大模式维数为z+1，根据每个相空间向量ht2与其他所有相空间向量的距离，统计在距离阈值r内的距离数量占所有距离数量的比例；
40、步骤7.2.2：按下式（6）计算无外观缺陷深层特征的样本熵s；
41、 （6）；
42、步骤7.3：按下式（7）计算无外观缺陷深层特征的融合熵f1
43、 （7）；
44、式（7）中，a和b是权重系数，a=0.4，b=0.6；
45、步骤8：取一条待测电缆，扫描待测电缆表面获得待测电缆表面3d点云，同时对待测电缆表面3d点云去除离群点并降噪；
46、将待测电缆表面3d点云转换为待测电缆表面2d深度图像并输入经步骤3训练好的卷积自编码器提取待测深层特征获得待测深层特征序列；
47、按照步骤6.1至步骤6.3计算待测深层特征的融合熵f2；<本文档来自技高网...
【技术保护点】
1.一种电缆外观缺陷的检测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的电缆外观缺陷的检测方法，其特征在于：所述步骤1采用Z-score统计方法去除离群点，利用高斯滤波消除噪声数据。
【技术特征摘要】
1.一种电缆外观缺陷的检测方法，其特征在于包括如下步骤：
2.根据权利要求1所述的电缆外观...
【专利技术属性】
技术研发人员：杨卓然，吕立翔，周平，王晗，陈伟，刘剑，童斌，饶环宇，姚天翼，王雨阳，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，
类型：发明
国别省市：
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。