一种基于深度学习的高压电缆接头打磨缺陷检测方法技术

本发明专利技术提供了一种基于深度学习的高压电缆接头打磨缺陷检测方法，包括：利用工业相机采集人工打磨后的高压电缆接头图片；对获得的图片进行预处理和背景分割后，利用标注软件在分割后的图片上人工标注出缺陷的位置及其种类；对标注好的图片进行裁剪，形成数据集，对数据集进行数据增广，按一定比例分为训练集和验证集；将训练集和验证集输入到基于深度学习的目标检测网络进行训练，生成检测模型；将待检测的高压电缆接头打磨图片输入到训练好的检测模型中，获得图片中的所有缺陷位置和缺陷类别。本发明专利技术利用机器视觉方法进行高压电缆接头打磨缺陷的检测，提出了一套完整的、切实可行的检测方法与操作流程，提高了缺陷检测方法的有效性与可行性。有效性与可行性。有效性与可行性。

【技术实现步骤摘要】
一种基于深度学习的高压电缆接头打磨缺陷检测方法


[0001]本专利技术涉及缺陷识别检测
，特别是涉及一种基于深度学习的高压电缆接头打磨缺陷检测方法。

技术介绍

[0002]高压电缆在铺设过程中往往需要特殊的连接方式，其中，电缆接头在投入使用前需要依赖人工打磨成特定的形状，以便具有更好的传输性能与耐用性。但人工打磨的方式中往往会造成许多缺陷，如表面不光滑、划痕、过渡带不平整等等，影响电缆的性能，因此，对电缆接头的缺陷检测至关重要。过去，人们通常使用人工检测的方式来检查这些缺陷，如经验丰富的老师傅以肉眼观察或手工触摸等，然而，这种方式不仅耗时费力、效率低下，而且由于主观原因，难以形成统一的标准。
[0003]高压电缆接头打磨缺陷检测属于工业领域表面缺陷检测的范畴，缺陷检测发展至今，其检测方法大致可分为非视觉的方法与视觉的方法，非视觉的方法包括磁粉检测法、渗透检测法、涡流检测法、X射线检测法、超声波检测法等，这些方法往往需要接触被测物体或对其施加强电场等，当用于高压电缆的检测时，虽然不会直接导致电缆绝缘层被击穿，但会加速电缆的老化减小其使用寿命，长期局部放电现象会导致绝缘劣坏甚至击穿；采用视觉的方法则可分为基于传统手工特征的方法与深度学习的方法，与基于非视觉的方法相比，基于视觉的方法可以实现非电量、非接触的电缆表面缺陷在线检测。
[0004]现如今，深度学习已被广泛的运用在机器视觉缺陷检测领域，与基于手工提取特征的传统方法相比，深度学习利用卷积运算自动提取特征，使用大量数据训练自动生成最适合产品的检测模型，具有鲁棒、准确、可移植性强等优点，近年来被广泛用于工业检测，如PCB板缺、钢材表面。然而，还没有基于深度学习的针对高压电缆接头打磨缺陷检测的成熟方案。

技术实现思路

[0005]本专利技术的目的是提供一种基于深度学习的高压电缆接头打磨缺陷检测方法，利用机器视觉方法进行高压电缆接头打磨缺陷的检测，从数据的采集、制作、模型的训练到最终的检测，提出了一套完整的、切实可行的检测方法与操作流程，提高了缺陷检测方法的有效性与可行性。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于深度学习的高压电缆接头打磨缺陷检测方法，包括如下步骤：
[0008]S1，利用工业相机采集人工打磨后的高压电缆接头图片；
[0009]S2，对获得的图片进行预处理和背景分割后，利用标注软件在分割后的图片上人工标注出缺陷的位置及其种类；
[0010]S3，对标注好的图片进行裁剪，形成数据集，对数据集进行数据增广，按一定比例分为训练集和验证集；
[0011]S4，将训练集和验证集输入到基于深度学习的目标检测网络进行训练，生成检测模型；
[0012]S5，将待检测的高压电缆接头打磨图片输入到训练好的检测模型中，获得图片中的所有缺陷位置和缺陷类别。
[0013]进一步的，所述步骤S1中，利用工业相机采集人工打磨后的高压电缆接头图片，具体包括：
[0014]利用四个工业相机分别位于上下左右四个角度，垂直于高压电缆进行拍摄，每个工业相机都与高压电缆保持同等距离，四个工业相机在空间上处于同一平面，与高压电缆侧面相垂直，顶面相平行。
[0015]进一步的，所述步骤S2中，对获得的图片进行预处理和背景分割后，利用标注软件在分割后的图片上人工标注出缺陷的位置及其种类，具体包括：
[0016]S201，对图片进行预处理：采用基于二维伽马函数的光照不均匀图像自适应校正算法来对图片光照不均匀现象进行矫正，采用高斯滤波来去除噪点；
[0017]S202，对图片进行背景分割：使用基于HSV颜色阈值分割的方法去除背景，之后对图片进行宽度收缩；
[0018]S203，对分割完成的图片使用Labelme标注软件进行标注，根据所选用的目标检测网络数据格式需要生成COCO或VOC格式存储。
[0019]进一步的，所述步骤S3中，对标注好的图片进行裁剪，形成数据集，对数据集进行数据增广，按一定比例分为训练集和验证集，具体包括：
[0020]将标注好的图片裁剪为800
×
800的小图；
[0021]对数据集进行随机图像翻转、随机亮度变换、随机尺度缩放，实现数据增广；
[0022]按照7：3、8：2或9：1的比例，将数据集划分为训练集和验证集。
[0023]进一步的，所述步骤S4中，将训练集和验证集输入到基于深度学习的目标检测网络进行训练，生成检测模型，具体包括：
[0024]采用CenterNet作为目标检测网络，使用Resnet50作为主干网络，并使用在PascalVOC2012数据集上训练过的模型作为预训练模型；
[0025]训练过程分为冻结训练阶段与解冻训练阶段，冻结训练50轮，batch_size设置为6，初始学习率设置为le
‑
3，解冻训练设置为250轮，batch_size设置为2，初始学习率设置为1e
‑
4，采用Adam优化器，权重衰减系数为4e
‑
4，采用等间隔调整学习策略Step_LR，调整间隔step_size为1，调整倍率gamma＝0.93；
[0026]在训练过程中，每个周期都进行验证与模型保存，并同时比较保存验证准确率最高的模型。
[0027]进一步的，所述步骤S5中，将待检测的高压电缆接头打磨图片输入到训练好的检测模型中，获得图片中的所有缺陷位置和缺陷类别，具体包括：
[0028]对待检测的高压电缆接头打磨图片进行光照增强，具体的光照增强方法为基于二维伽马函数的光照不均匀图像自适应校正算法；
[0029]对增强后的图片进行背景分割，具体的背景分割方法为基于HSV颜色阈值分割算法；
[0030]将去除了背景的图片拆分为N
×
N的小图，并送入训练好的检测模型进行检测；
[0031]将检测完成的小图按顺序拼接回原来的大小，输出图像。
[0032]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的基于深度学习的高压电缆接头打磨缺陷检测方法，能够解决高压电缆接头打磨缺陷检测难、效率低、无统一的评价标准，非视觉的方法难以直接对其进行无损检测等问题，本专利技术利用基于视觉的方法来进行高压电缆接头打磨缺陷的检测，从数据的采集、制作、模型的训练到最终的检测，提出了一套完整的、切实可行的检测方法与操作流程，证明了基于视觉的缺陷检测方法的有效性与可行性，为基于数字图像的工业界缺陷检测方法增添了新案例。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0034]图1为本专利技术实施例基于深度学习的高压电缆接头打磨缺陷检测方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高压电缆接头打磨缺陷检测方法，其特征在于，包括以下步骤：S1，利用工业相机采集人工打磨后的高压电缆接头图片；S2，对获得的图片进行预处理和背景分割后，利用标注软件在分割后的图片上人工标注出缺陷的位置及其种类；S3，对标注好的图片进行裁剪，形成数据集，对数据集进行数据增广，按一定比例分为训练集和验证集；S4，将训练集和验证集输入到基于深度学习的目标检测网络进行训练，生成检测模型；S5，将待检测的高压电缆接头打磨图片输入到训练好的检测模型中，获得图片中的所有缺陷位置和缺陷类别。2.根据权利要求1所述的基于深度学习的高压电缆接头打磨缺陷检测方法，其特征在于，所述步骤S1中，利用工业相机采集人工打磨后的高压电缆接头图片，具体包括：利用四个工业相机分别位于上下左右四个角度，垂直于高压电缆进行拍摄，每个工业相机都与高压电缆保持同等距离，四个工业相机在空间上处于同一平面，与高压电缆侧面相垂直，顶面相平行。3.根据权利要求1所述的基于深度学习的高压电缆接头打磨缺陷检测方法，其特征在于，所述步骤S2中，对获得的图片进行预处理和背景分割后，利用标注软件在分割后的图片上人工标注出缺陷的位置及其种类，具体包括：S201，对图片进行预处理：采用基于二维伽马函数的光照不均匀图像自适应校正算法来对图片光照不均匀现象进行矫正，采用高斯滤波来去除噪点；S202，对图片进行背景分割：使用基于HSV颜色阈值分割的方法去除背景，之后对图片进行宽度收缩；S203，对分割完成的图片使用Labelme标注软件进行标注，根据所选用的目标检测网络数据格式需要生成COCO或VOC格式存储。4.根据权利要求1所述的基于深度学习的高压电缆接头打磨缺陷检测方法，其特征在于，所述步骤S3中，对标注好的图片进行裁剪，形成数据集，对数据集进行数据增广，按一定比例分为训练集和验证集，具体包括：将标...

【专利技术属性】
技术研发人员：郑志豪，高毓群，卞佳音，贺庶奇，李瀚儒，刘奕军，卢海，刘万忠，汪朝阳，黄明烽，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：