[發明專利]一種基于深度學習的電纜工藝質量動態缺陷檢測方法

在審

• 申請號: 202110993552.7
• 申請日: 2021-08-27
• 公開（公告）號: CN113947563A
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 鄧新財;呂齊;郭天翔;舒展;陳波;杜挺;吳順軍;王培波;張一航;何家勁;韓佳杰;馬玉坤;劉暢
• 申請（專利權）人: 國網浙江省電力有限公司;國網浙江省電力有限公司金華供電公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/00;G06T5/30;G06T7/62;G06T7/73;G06T7/90;G06V10/44;G06V10/56;G06V10/74;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 戴俊波

1.一種基于深度學習的電纜工藝質量動態缺陷檢測方法，其特征在于：包括如下步驟：

步驟S1、使用攝像機獲取待檢測的圖片生成圖片數據集，圖片里至少含有一個待檢測的線纜；

步驟S2、使用YOLOV5目標檢測算法對獲取到的圖片進行檢測，識別出圖片中的電纜；使用labelme工具對圖片中的電纜進行標注；

步驟S3、根據電纜檢測框位置，將電纜從圖片中截取出來待檢；

步驟S4、使用UNet分割網絡模型將電纜特征分割出來；采用的Mobilenet-V2網絡作為UNet分割網絡模的主干網絡；

步驟S5、根據分割電纜特征判斷電纜是否異常。

2.根據權利要求1所述的一種基于深度學習的電纜工藝質量動態缺陷檢測方法，其特征在于：所述電纜特征包括有紅色絕緣膠帶、黑色保護層和裸露線纜。

3.根據權利要求1所述的一種基于深度學習的電纜工藝質量動態缺陷檢測方法，其特征在于：UNet分割網絡模型包含編碼器和解碼器，其中：

編碼器是負責特征提取，將圖像進行四次下采樣，最終將原圖尺寸縮小16倍，將原圖中的特征充分提取與壓縮；

解碼器負責圖像的上采樣，將提取出的特征進行四次上采樣，每上采樣一次就和編碼器部分對應的通道數相同尺度融合，最終將特征還原成原圖尺寸大小，最后所得即是分割后的圖片；對截取的電纜圖片進行圖像預處理，統一將圖像改成640*320的尺寸，預處理后的圖片作為UNet分割網絡模型中輸入，經過下采樣和上采樣，最終得到640*320大小的分割圖。

4.根據權利要求2所述的一種基于深度學習的電纜工藝質量動態缺陷檢測方法，其特征在于：步驟S5中，包括如下步驟：

對紅色絕緣膠帶部分進行形態學運算，判斷紅色絕緣膠帶的像素個數，如果像素個數大于預設閾值，則判斷電纜有紅色絕緣膠帶，屬于正常；否則，進行下一步；

對裸露的電纜部分進行形態學閉運算，清除噪點，進一步計算裸露部分像素點個數，如果裸露電纜的像素個數小于預設閾值，則認為電纜沒有裸露部分或者裸露部分沒有達到尺寸要求，判斷電纜黑色保護層尺寸是否符合要求；如果裸露電纜的像素個數大于預設閾值，進一步計算裸露電纜部分的最小外接矩形框，根據最小外接矩形框判定電纜黑色保護層尺寸是否正常。

5.根據權利要求2或4所述的一種基于深度學習的電纜工藝質量動態缺陷檢測方法，其特征在于：

對分割出來的紅色絕緣膠帶進行形態學運算，包括如下步驟：

對分割出來的紅色絕緣膠帶部分進行圖像形態學開運算去除圖像中的噪聲，平滑電纜的輪廓；然后對處理后的圖片進行圖像形態學閉運算。

6.根據權利要求5所述的一種基于深度學習的電纜工藝質量動態缺陷檢測方法，其特征在于：對處理后的圖片進行圖像形態學閉運算包括如下步驟：

對圖像進行膨脹處理，用3*3的模板B跟圖像A進行卷積計算，得出模板B覆蓋區域的像素點最小值，并用最小值來替代參考點的像素值；

對圖像A進行膨脹處理，通過模板B與圖像A進行卷積計算，掃描圖像中的每一個像素點，用模板元素與二值圖像元素做“與”運算；

進一步判斷紅色膠帶絕緣體的像素點個數，如果大于預設閾值，則判斷電纜有紅色絕緣膠帶，判定電纜屬于正常。

7.根據權利要求4所述的一種基于深度學習的電纜工藝質量動態缺陷檢測方法，其特征在于：根據最小外接矩形框判定電纜黑色保護層尺寸是否正常，包括如下步驟：

計算裸露電纜部分的外接最小矩形框，得到裸露電纜矩形框的長邊和短邊；

計算黑色保護層的外接最小矩形框，得到黑色保護層矩形框的長邊和短邊；

通過裸露電纜部分外接最小矩形框的長邊和短邊與黑色保護層的外接最小矩形框長邊和短邊比較判定電纜保護層尺寸是否符合要求。