一种基于机器视觉的线缆表面缺陷实时检测方法和系统技术方案

本发明专利技术公开了一种基于机器视觉的线缆表面缺陷实时检测方法和系统，其中的检测方法包括步骤：1、构建线缆缺陷检测网络，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；2、采用训练集对所述线缆缺陷检测网络进行训练；3、采用测试集对训练后的线缆缺陷检测网络进行调优；如准确率和召回率不符合预设的要求，则进行再次训练；4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。该方法能够提取线缆表面图像的缺陷特征，进而提升检测的准确率。的准确率。的准确率。

【技术实现步骤摘要】
一种基于机器视觉的线缆表面缺陷实时检测方法和系统


[0001]本专利技术属于线缆表面缺陷实时检测
，具体涉及一种基于机器视觉的线缆表面缺陷实时检测方法和系统。

技术介绍

[0002]为传输电能、磁能与信息，实现电磁能的转换，线缆在工业界的地位至关重要。线缆产品在国民经济的各个部门产生了巨大的经济效益，保证了现代经济社会的飞速发展，为诸多建设工程提供了不可或缺的配套支持。但线缆生产工艺复杂，过程繁多，影响其表面质量的因素也有很多，这将不可避免地造成线缆表面出现缺陷。这些缺陷在影响用途的同时，还可能造成严重的安全隐患，不容小视。因此，对线缆表面缺陷的实时检测是防止危险产生的关键，提高线缆表面缺陷的实时检测效率十分重要，需要真正实现对线缆表面的缺陷进行实时检测，及时对所响应的故障进行高效检修。
[0003]公开号为CN112697206A的中国专利文献，公开了一种线缆表面缺陷检测装置。该装置利用扇形齿轮与齿条的配合对已经传输出去的线缆进行长度计数，保证每条线缆处于一定长度。通过内置刮板对线缆的表面缺陷进行检测，使用推板和刀片的配合对缺陷部分进行切除。
[0004]公开号为CN209043824U的中国专利文献，公开了一种线缆表面缺陷检测仪。该缺陷检测仪使用检测箱体、支架、编码器计米轮和中央处理单元对线缆表面缺陷进行检测，整体结构简单，减少出现漏检的情形。
[0005]上述专利文献中的技术方案总体生产成本较高，有的需要人工直接参与，不能实现完全的自动化。此外，现实情况往往复杂多变，仅仅在检测装置结构上改进难以满足在现实中复杂情况下高效处理线缆表面缺陷的要求。
[0006]在基于机器视觉的检测方法中，采集到的线缆表面图像会存在一定的冗余信息，因此从中提取特征十分关键。

技术实现思路

[0007]专利技术目的：针对现有技术中存在的问题，本专利技术提供一种线缆表面缺陷实时检测方法和系统，该方法能够提取线缆表面图像的缺陷特征，进而提升检测的准确率。
[0008]技术方案：本专利技术一方面公开了一种基于机器视觉的线缆表面缺陷实时检测方法，包括步骤：
[0009]S1、构建线缆缺陷检测网络，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；
[0010]所述三路特征提取分支的每一个支路均包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层；所述第一卷积层包括多个卷积子层；所述第二卷积层为ECA
‑
Net；
[0011]S2、采用训练集对所述线缆缺陷检测网络进行训练，所述训练集为带有缺陷类别标签的线缆表面图像；训练的目标为最小化合页损失函数；
[0012]S3、采用测试集对训练后的线缆缺陷检测网络进行调优，所述测试集为带有缺陷类别标签的线缆表面图像；如准确率和召回率不符合预设的要求，则再次执行S2，进行再次训练；
[0013]S4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。
[0014]进一步地，所述三路特征提取分支中的第一卷积层中的卷积核采用基于二维主成分分析方法进行初始化；采用均衡归一化方法调节卷积子层间权重W
h,i,j
的比例；其中W
h,i,j
表示第h层卷积子层中第i个卷积核的第j个窗口的权值，所有的偏移量都初始化为0；激活函数采用Tanh或ReLU。
[0015]进一步地，所述三路特征提取分支中的第一池化层和第二池化层的池化类型均为最大池化，执行最大池化的树池分别是13x13、9x9、5x5、1x1；四个尺度池化后的结果进行做融合作为池化层的输出。
[0016]进一步地，所述三路特征提取支路的权重值采用反向传播算法自学习确定。
[0017]进一步地，所述三路特征提取分支中的第二卷积层中ECA
‑
Net的一维卷积核k的大小为：
[0018][0019]其中C为通道维数，|
·
odd
为获取最近的奇数运算符，γ与b均为预设的正整数；所述三路特征提取分支中，第一分支中γ与b取值为1与1，第二分支中γ与b取值为2与1，第三分支中γ与b取值为3与2。
[0020]另一方面，本专利技术还公开了一种基于机器视觉的线缆表面缺陷实时检测系统，包括：
[0021]图像采集装置，用于实时采集线缆表面图像；
[0022]检测控制装置，用于控制线缆运动，以及控制图像采集装置的拍摄频率；
[0023]线缆表面缺陷检测装置，用于对图像采集装置采集的线缆表面图像进行缺陷检测；所述线缆表面缺陷检测装置采用上述的线缆表面缺陷实时检测方法获取缺陷检测结果。
[0024]图像采集装置与检测控制装置配合来实时获取线缆表面图像，二者的配合有如下两种方式：
[0025]方式一：所述图像采集装置为一组固定的阵列摄像机；所述检测控制装置包括伺服电机和控制器，所述伺服电机带动线缆旋转，所述控制器用于控制线缆的旋转角速度和图像采集装置的拍摄频率，使线缆旋转一周图像采集装置拍摄多幅图像，所述多幅图像完整覆盖线缆一周的表面。
[0026]方式二：所述图像采集装置包括多组阵列摄像机，所述多组阵列摄像机沿待检测线缆的径向围绕线缆设置，从多个角度采集线缆表面图像，所述多个角度拍摄的图像完整覆盖线缆一周的表面；
[0027]所述检测控制装置控制多组阵列摄像机同步拍摄待检测线缆的表面图像。
[0028]进一步地，所述图像采集装置还包括光源。
[0029]进一步地，所述线缆表面缺陷检测装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的线缆表面缺陷实时检测方法。
[0030]有益效果：本专利技术公开线缆表面缺陷实时检测方法和系统使用卷积神经网络(CNN)提取线缆表面缺陷的多种特征，通过对卷积核进行二维主成分分析初始化，引入注意力机制模块ECA
‑
Net注意力机制，利用四个不同尺度的最大池化进行处理，从而改进卷积神经网络(CNN)，提高线缆表面缺陷的检测效率，显著提升了检测系统的抗干扰能力以及算法运行速度。与传统的线缆表面缺陷检测系统相比，本专利技术在降低线缆表面缺陷实时检测难度的同时，保证目标检测准确率和效果，显著提升检测速度。其次，本专利技术使得线缆表面缺陷实时检测系统稳定性得到大幅提高，整体拥有更强的鲁棒性，减少检测过程中由于系统受干扰而漏检的情况。
附图说明
[0031]图1为本专利技术公开的基于机器视觉的线缆表面缺陷实时检测方法的流程图；
[0032]图2为线缆缺陷检测网络的结构示意图；
[0033]图3为最大池化的树池示意图；
[0034]图4为ECA
‑
Net的结构示意图；
[0035]图5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的线缆表面缺陷实时检测方法，其特征在于，包括步骤：S1、构建线缆缺陷检测网络，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；所述三路特征提取分支的每一个支路均包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层；所述第一卷积层包括多个卷积子层；所述第二卷积层为ECA
‑
Net；S2、采用训练集对所述线缆缺陷检测网络进行训练，所述训练集为带有缺陷类别标签的线缆表面图像；训练的目标为最小化合页损失函数；S3、采用测试集对训练后的线缆缺陷检测网络进行调优，所述测试集为带有缺陷类别标签的线缆表面图像；如准确率和召回率不符合预设的要求，则再次执行S2，进行再次训练；S4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。2.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取分支中的第一卷积层中的卷积核采用基于二维主成分分析方法进行初始化；采用均衡归一化方法调节卷积子层间权重W
h,i,j
的比例；其中W
h,i,j
表示第h层卷积子层中第i个卷积核的第j个窗口的权值，所有的偏移量都初始化为0；激活函数采用Tanh或ReLU。3.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取分支中的第一池化层和第二池化层的池化类型均为最大池化，执行最大池化的树池分别是13x13、9x9、5x5、1x1；四个尺度池化后的结果进行做融合作为池化层的输出。4.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取支路的权重值采用反向传播算法自学习确定。5.根据权利要求1所述的线缆表面缺陷实时检测方法，其特征在于，所述三路特征提取分支中的第二...

【专利技术属性】
技术研发人员：陈俊风，姜云逸，杜静静，李庆武，
申请(专利权)人：河海大学，
类型：发明
国别省市：