一种电缆接头毛刺快速检测方法、装置及系统与流程

本发明涉及图像缺陷识别，具体涉及一种电缆接头毛刺快速检测方法、装置及系统。

背景技术：

1、电缆接头处出现的毛刺会对电缆的绝缘性能造成损害，影响电器的能效，导致故障风险增加，并且在一定程度上会干扰信号的传输；因此电缆接头处毛刺的存在会直接关系到电缆的性能和安全性。所以需要准确并及时的检测出电缆接头处的毛刺，从而及时消除毛刺以提高电缆的性能和安全性。考虑到人工检测电缆接头毛刺的效率和准确性均较低，因此通常图像处理方法对毛刺进行自动化检测，以保证电缆接头毛刺的效率和准确性。

2、现有技术通常采用基于深度学习的目标检测方法识别电缆接头处的电缆横截面图像中的毛刺区域。由于基于深度学习的目标检测方法需要借助深度学习模型进行毛刺区域的识别，所以需要大量的训练样本以保证识别效果的准确性；此外，毛刺区域在分布具有一定的随机性且形态多样，基于深度学习的目标检测方法可能无法全面捕捉毛刺特征导致部分毛刺区域被遗漏。因此现有技术采用基于深度学习的目标检测方法进行毛刺区域检测的准确度较低。

技术实现思路

1、本技术提供了一种电缆接头毛刺快速检测方法、装置及系统，根据毛刺区域边缘通常较为尖锐、角点密度较大且角点的方向分布趋近一致的特点，通过计算出的边缘特征异常度表征每个连通域在形态边缘上与毛刺区域的相似性；进一步在边缘特征异常度的基础上根据毛刺区域在不同拍摄角度下的连通域特征变化相对于正常区域变化更大的特点，确定主视角下每个连通域对应的表征毛刺区域异常特征的异常程度，从而根据异常程度筛选出所有异常毛刺区域；最后根据各个连通域在整体灰度和边缘梯度上与异常毛刺区域之间的相似情况结合边缘特征异常度，对每个连通域的毛刺区域可能性进行进一步地计算，从而根据毛刺区域可能性以及已经筛选出的异常毛刺区域进行毛刺检测，解决了现有技术采用目标检测方法可能无法全面捕捉毛刺特征的问题，使得检测出的真实毛刺区域的准确性更高。

2、本技术第一方面提供了一种电缆接头毛刺快速检测方法，包括：

3、通过相机采集电缆接头处的电缆横截面在每个拍摄角度下的电缆横截面灰度图像；获取所述电缆横截面灰度图像中的所有连通域；所述拍摄角度包括一个主视角和至少两个辅助视角；

4、在所述电缆横截面灰度图像中，根据每个连通域的形状与圆形的相似情况以及所述连通域中的角点密度和角点的方向分布一致情况，确定每个连通域的边缘特征异常度；

5、根据主视角下每个连通域与每个辅助视角下的所有连通域之间在整体灰度值、边缘特征异常度和位置上的相似情况，确定主视角下的每个连通域与每个辅助视角下的每个连通域之间的匹配程度；

6、根据所述匹配程度确定主视角下的每个连通域在每个辅助视角下的匹配连通域；根据主视角下的每个连通域的边缘特征异常度以及对应的各个匹配连通域的匹配程度的波动情况，确定主视角下的每个连通域的异常程度；根据所述异常程度筛选出的主视角中的所有异常毛刺区域；

7、根据主视角下的每个连通域与各个异常毛刺区域之间在灰度梯度和灰度上的相似情况以及对应的边缘特征异常度，确定主视角下每个连通域的毛刺区域可能性；根据所述毛刺区域可能性以及所有异常毛刺区域检测出所有真实毛刺区域。

8、在本技术第一方面一实施例中，所述边缘特征异常度的获取方法包括：

9、计算所述电缆横截面灰度图像中每个连通域的圆形度；

10、借助角点检测方法确定每个连通域对应的所有角点以及每个角点的角点方向；根据每个角点的角点方向与水平方向的夹角，将每个角点的角点方向量化为角点方向角度；计算每个连通域中所有角点对应的角点方向角度方差；

11、根据每个连通域中的角点数量与连通域面积，确定每个连通域的角点密度；

12、根据所述角点方向角度方差、所述角点密度和所述圆形度，确定每个连通域的边缘特征异常度；所述角点方向角度方差和所述圆形度均与所述边缘特征异常度呈负相关关系，所述角点密度与所述边缘特征异常度呈正相关关系。

13、在本技术第一方面一实施例中，所述匹配程度的获取方法包括：

14、确定所述电缆横截面灰度图像中每个连通域的质心点像素坐标并计算每个连通域中所有像素点的灰度值均值；依次将主视角下的每个连通域作为目标连通域；依次将每个辅助视角下的每个连通域作为辅助连通域；

15、根据所述目标连通域的灰度值均值与所述辅助连通域的灰度值均值之间的差异，确定对应的参考灰度差异；

16、根据所述目标连通域的质心点像素坐标与所述辅助连通域的质心点像素坐标之间的欧氏距离，确定对应的参考位置差异；

17、根据所述目标连通域的边缘特征异常度与所述辅助连通域的边缘特征异常度之间的差异，确定对应的边缘异常差异；

18、根据所述参考灰度差异、所述参考位置差异和所述边缘异常差异，确定所述目标连通域与所述辅助连通域之间的匹配程度；所述参考灰度差异、所述参考位置差异和所述边缘异常差异均与所述匹配程度呈负相关关系。

19、在本技术第一方面一实施例中，所述匹配连通域的获取方法包括：

20、将每个辅助视角下与目标连通域之间的最大匹配程度对应的连通域，作为目标连通域在每个辅助视角下的匹配连通域。

21、在本技术第一方面一实施例中，所述异常程度的获取方法包括：

22、根据目标连通域与对应的所有匹配连通域之间的匹配程度方差，确定目标连通域的匹配程度离散度；根据所述匹配程度离散度与目标连通域对应的边缘特征异常度，确定目标连通域的异常程度；所述匹配程度离散度和目标连通域对应的边缘特征异常度均与所述异常程度呈正相关关系。

23、在本技术第一方面一实施例中，所述异常毛刺区域的获取方法包括：

24、在主视角下的所有连通域中，将异常程度大于预设异常阈值的连通域作为异常毛刺区域。

25、在本技术第一方面一实施例中，所述毛刺区域可能性的获取方法包括：

26、根据所有异常毛刺区域中所有像素点的灰度值均值，确定参考异常灰度值；根据所有异常毛刺区域中所有边缘像素点的灰度梯度值均值，确定参考异常梯度值；

27、将主视角下每个连通域中所有像素点的灰度值均值与所述参考异常灰度值之间的差异进行负相关映射处理，确定主视角下每个连通域的灰度异常程度；

28、将主视角下每个连通域中所有边缘像素点的灰度梯度值均值与所述参考异常梯度值之间的差异进行负相关映射处理，确定主视角下每个连通域的梯度异常程度；

29、根据所述灰度异常程度、所述梯度异常程度和主视角下每个连通域对应的边缘特征异常度，确定主视角下每个连通域的毛刺区域可能性；主视角下每个连通域对应的边缘特征异常度、所述灰度异常程度和所述梯度异常程度均与所述毛刺区域可能性呈正相关关系。

30、在本技术第一方面一实施例中，所述真实毛刺区域的获取方法包括：

31、在主视角下的所有连通域中，将毛刺区域可能性大于预设毛刺阈值的连通域以及所有异常毛刺区域，作为真实毛刺区域。

32、第二方面，本技术提供一种电缆接头毛刺快速检测系统，所述系统包括：

33、数据采集预处理模块，用于通过相机采集电缆横截面在每个拍摄角度下的电缆横截面灰度图像；获取所述电缆横截面灰度图像中的所有连通域；所述拍摄角度包括一个主视角和至少两个辅助视角；

34、第一确定模块，用于在所述电缆横截面灰度图像中，根据每个连通域的形状与圆形的相似情况以及所述连通域中的角点密度和角点的方向分布一致情况，确定每个连通域的边缘特征异常度；

35、第二确定模块，用于根据主视角下每个连通域与每个辅助视角下的所有连通域之间在整体灰度值、边缘特征异常度和位置上的相似情况，确定主视角下的每个连通域与每个辅助视角下的每个连通域之间的匹配程度；

36、异常毛刺区域筛选模块，用于根据所述匹配程度确定主视角下的每个连通域在每个辅助视角下的匹配连通域；根据主视角下的每个连通域的边缘特征异常度以及对应的各个匹配连通域的匹配程度的波动情况，确定主视角下的每个连通域的异常程度；根据所述异常程度筛选出的主视角中的所有异常毛刺区域；

37、真实毛刺区域检测模块，用于根据主视角下的每个连通域与各个异常毛刺区域之间在灰度梯度和灰度上的相似情况以及对应的边缘特征异常度，确定主视角下每个连通域的毛刺区域可能性；根据所述毛刺区域可能性以及所有异常毛刺区域检测出所有真实毛刺区域。

38、第三方面，本技术提供一种电缆接头毛刺快速检测装置，包括存储器和处理器。该存储器用于存储计算机程序代码，该处理器用于从存储器中调用并运行该计算机程序代码，以执行如本技术第一方面或第一方面任意实施例的方法。

39、第四方面，本技术提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，当所述计算机程序代码被执行时，以执行如本技术第一方面或第一方面任意实施例的方法。

40、第五方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序代码，当所述计算机程序代码被执行时，以执行如本技术第一方面或第一方面任意实施例的方法。

41、本技术具有以下有益效果：

42、在毛刺区域边缘形状的维度上，毛刺区域相对于其他正常区域的边缘更为尖锐也即与圆形的差异较大，对应的角点密度相对于正常区域更多且这些角点对应的方向呈现出较高的一致性，所以本技术首先根据每个连通域的形状与圆形的相似情况以及所述连通域中的角点密度和角点的方向分布一致情况，在形态边缘的维度上计算每个边缘域对应的边缘特征异常度。

43、进一步地由于毛刺区域的边缘较为突出，并且由于毛刺的物理结构通常会受到一定程度的光照的影响，在不同的拍摄角度下毛刺对应的连通域在图像上的特征表现相比于正常的电缆区域即非毛刺区域的连通域而言变化更大，因此需要根据主视角下的每个连通域在各个辅助视角中的特征变化情况结合边缘特征异常度进行异常程度的计算，从而根据异常程度计算出更加准确的异常毛刺区域。

44、最后为了避免出现部分毛刺区域由于拍摄角度的问题导致没有筛选出来的问题，根据各个连通域在整体灰度和边缘梯度上与异常毛刺区域之间的相似情况结合边缘特征异常度，对每个连通域的毛刺区域可能性进行进一步地计算，从而根据毛刺区域可能性以及已经筛选出的异常毛刺区域进行毛刺检测，使得检测出的真实毛刺区域的准确性更高。