基于机器视觉的电缆沟内的电缆缺陷检测方法及系统与流程

本发明涉及电缆缺陷检测，具体是指基于机器视觉的电缆沟内的电缆缺陷检测方法及系统。

背景技术：

1、电缆沟内的电缆缺陷检测是指对电缆沟道中的电缆进行系统化的检查和诊断，以识别和定位可能存在的缺陷，这一过程通常通过如红外热像仪、内窥镜技术和超声波检测等检测技术和设备进行，这项检测能够提高电力系统的运行稳定性，避免由电缆故障引发的潜在风险。

2、然而，传统的电缆沟内的电缆缺陷检测方法存在受光照条件和环境噪声限制，导致图像质量参差不齐且图像多样性低，不能充分覆盖实际应用中的各种场景和条件的技术问题；存在电缆沟内视野受限和视觉效果差的情况下，无法处理电缆图像中的细小缺陷和微弱信号且难以适应电缆沟内多种不同尺度图像特征的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于机器视觉的电缆沟内的电缆缺陷检测方法及系统，针对传统的电缆沟内的电缆缺陷检测方法存在受光照条件和环境噪声限制，导致图像质量参差不齐且图像多样性低，不能充分覆盖实际应用中的各种场景和条件的技术问题，本方案创造性地采用了深度卷积生成对抗网络模型进行电缆图像数据增强的方法，通过对预处理后的数据集进行增强，得到高质量、高图像多样性的数据集，丰富训练数据的同时，改善了模型的泛化能力；针对传统的电缆沟内的电缆缺陷检测方法存在电缆沟内视野受限和视觉效果差的情况下，无法处理电缆图像中的细小缺陷和微弱信号且难以适应电缆沟内多种不同尺度图像特征的技术问题，本方案创造性地采用了多维弱注意残差网络模型进行电缆沟内的电缆缺陷检测，结合弱信号注意机制和多尺度感知，通过增强对细节的捕捉能力并融合不同尺度特征，提高检测的准确性和鲁棒性。

2、本发明采取的技术方案如下：本发明提供的基于机器视觉的电缆沟内的电缆缺陷检测方法，该方法包括以下步骤：

3、步骤s1：图像采集；

4、步骤s2：图像预处理；

5、步骤s3：电缆图像数据增强；

6、步骤s4：电缆缺陷检测模型构建；

7、步骤s5：电缆沟内的电缆缺陷检测。

8、进一步地，在步骤s1中，所述图像采集，用于采集电缆沟内的电缆缺陷检测所需的历史图像，具体为从电缆安全管理系统中通过采集，得到电缆缺陷检测历史图像集，所述电缆缺陷检测历史图像集，具体包括无缺陷电缆历史图像集和有缺陷电缆历史图像集。

9、进一步地，在步骤s2中，所述图像预处理，用于对历史图像进行图像预处理，具体包括以下步骤：

10、步骤s21：图像标注，用于标注历史图像，具体为对所述电缆缺陷检测历史图像集进行标注，并将标注作为标签，得到标注历史图像集；

11、步骤s22：尺寸调整，用于调整标注后图像的尺寸，具体为将所述标注历史图像集的图像尺寸调整至一致的大小，得到粗处理历史图像集；

12、步骤s23：图像去噪，用于降低粗处理历史图像中的噪声，具体为采用小波变换去噪方法对所述粗处理历史图像集进行图像去噪，得到去噪历史图像集；

13、步骤s24：图像对比度增强，用于增强去噪历史图像对比度，步骤包括：

14、步骤s241：图像局部对比度增强，具体为采用对比度限制自适应直方图均衡化进行局部对比度增强；

15、步骤s242：图像全局对比度增强，具体为采用直方图均衡化进行全局对比度增强；

16、步骤s243：增强图像对比度，具体为通过所述图像局部对比度增强和所述图像全局对比度增强，增强所述去噪历史图像集的对比度，得到均衡化历史图像集；

17、步骤s25：预处理，具体为通过所述图像标注、所述尺寸调整、所述图像去噪和所述图像对比度增强，对所述电缆缺陷检测历史图像集进行图像预处理，得到均衡化历史图像集。

18、进一步地，在步骤s3中，所述电缆图像数据增强，用于增强电缆历史图像，具体为采用深度卷积生成对抗网络模型增强均衡化历史图像集并进行数据集分割，得到电缆缺陷检测训练集和电缆缺陷检测测试集；

19、所述深度卷积生成对抗网络模型具体包括采用深度卷积神经网络的生成器和采用深度卷积神经网络的判别器；

20、所述电缆图像数据增强，具体包括以下步骤：

21、步骤s31：构建生成器，用于深度卷积生成对抗网络模型的生成器的构建，所述生成器的损失函数，所用公式如下：

22、；

23、式中，表示生成器损失函数值，表示以随机噪声r作为输入的生成器输出，r表示随机噪声，表示判别器将以随机噪声r作为输入的生成器输出判断为真的概率，表示判别器将以随机噪声r作为输入的生成器输出判断为假的概率的对数期望值；

24、步骤s32：构建判别器，用于深度卷积生成对抗网络模型的判别器的构建，所述判别器的损失函数，所用公式如下：

25、；

26、式中，表示判别器损失函数值，s表示真实图像，表示判别器将真实图像s判断为真的概率，表示判别器将真实图像s判断为真的概率的对数期望值；

27、步骤s33：设计特征匹配损失函数，所用公式如下：

28、；

29、式中，表示特征匹配损失函数值，g表示生成图像，表示真实图像s在判别器特征层的输出，表示生成图像g在判别器特征层的输出，表示真实图像s在判别器特征层的均值，表示生成图像g在判别器特征层的均值；

30、步骤s34：增强图像数据，具体为通过所述构建生成器、所述构建判别器和所述设计特征匹配损失函数进行所述深度卷积生成对抗网络模型的构建，并采用所述深度卷积生成对抗网络模型对所述均衡化历史图像集进行数据增强，得到增强历史图像集；

31、步骤s35：数据集分割，用于分割数据集，具体为将所述增强历史图像集分割为电缆缺陷检测训练集和电缆缺陷检测测试集。

32、进一步地，在步骤s4中，所述电缆缺陷检测模型构建，用于构建电缆沟内的电缆缺陷检测所需的模型，具体为构建多维弱注意残差网络模型并训练，得到电缆缺陷检测模型；

33、所述多维弱注意残差网络模型，具体为包含弱信号注意模块和多尺度感知模块的残差网络模型；

34、所述电缆缺陷检测模型构建，具体包括以下步骤：

35、步骤s41：构建弱信号注意模块，步骤包括：

36、步骤s411：提取特征，所用公式如下：

37、；

38、式中，表示弱信号注意模块的输入，表示3×3卷积核的卷积操作函数，表示批归一化操作函数，表示提取到的特征；

39、步骤s412：伽马变换增强对比度，所用公式如下：

40、；

41、式中，表示标准化特征，表示均值函数，表示标准差函数，表示对比度增强特征，表示伽马因子；

42、步骤s413：设计空间注意力机制，所用公式如下：

43、；

44、式中，表示弱信号注意模块的输出，表示sigmoid函数，表示7×7卷积核的卷积操作函数，表示拼接函数，表示最大池化函数，表示平均池化函数；

45、步骤s414：模块构建，具体为通过所述提取特征、所述伽马变换增强对比度和所述设计空间注意力机制，进行所述弱信号注意模块的构建，得到所述弱信号注意模块；

46、步骤s42：构建多尺度感知模块，步骤包括：

47、步骤s421：计算扩张卷积，所用公式如下：

48、；

49、式中，a表示用于控制特征强度的系数，表示扩张率为1的3×3卷积核的扩张卷积函数，表示扩张率为2的3×3卷积核的扩张卷积函数，表示扩张率为3的3×3卷积核的扩张卷积函数，表示扩张率为1的1×1卷积核的扩张卷积函数，表示多尺度感知模块的输入，表示扩张率为1的3×3卷积核的扩张卷积输出，表示扩张率为2的3×3卷积核的扩张卷积输出，表示扩张率为3的3×3卷积核的扩张卷积输出，

50、表示扩张率为1的1×1卷积核的扩张卷积输出；

51、步骤s422：构建残差连接，所用公式如下：

52、；

53、式中，表示逐元素相加，表示扩张卷积输出与扩张卷积输出的残差连接输出，表示残差连接输出与扩张卷积输出的残差连接输出，表示残差连接输出与扩张卷积输出的残差连接输出；

54、步骤s423：多尺度特征融合，所用公式如下：

55、；

56、式中，fm表示多尺度感知模块输出；

57、步骤s424：模块构建，具体为通过所述计算扩张卷积、所述构建残差连接和所述多尺度特征融合，进行所述多尺度感知模块的构建，得到所述多尺度感知模块；

58、步骤s43：计算模型输出，所用公式如下：

59、；

60、式中，y表示模型的输出，表示softmax函数，w表示输出权重矩阵，b表示输出偏置项，x表示输出层的输入；

61、步骤s44：构造损失函数，所用公式如下：

62、；

63、式中，表示模型损失函数值，k表示图像类别总数，表示第i类图像的标签，x表示模型的输入，表示模型在输入x下对第i类图像的预测概率；

64、步骤s45：模型构建并训练，具体为通过所述构建弱信号注意模块、所述构建多尺度感知模块、所述计算模型输出和所述构造损失函数，进行所述多维弱注意残差网络模型的构建并基于所述电缆缺陷检测训练集进行模型训练，基于所述电缆缺陷检测测试集验证模型性能，得到电缆缺陷检测模型。

65、进一步地，在步骤s5中，所述电缆沟内的电缆缺陷检测，具体为采用所述电缆缺陷检测模型进行电缆沟内的电缆缺陷检测，得到电缆缺陷检测参考数据，并基于所述电缆缺陷检测参考数据分析电缆沟内的电缆状况。

66、本发明提供的基于机器视觉的电缆沟内的电缆缺陷检测系统，包括图像采集模块、图像预处理模块、电缆图像数据增强模块、电缆缺陷检测模型构建模块和电缆沟内的电缆缺陷检测模块；

67、所述图像采集模块，用于图像采集，通过图像采集，得到电缆缺陷检测历史图像集，并将所述电缆缺陷检测历史图像集发送至图像预处理模块；

68、所述图像预处理模块，用于图像预处理，通过图像预处理，得到均衡化历史图像集，并将所述均衡化历史图像集发送至电缆图像数据增强模块；

69、所述电缆图像数据增强模块，用于电缆图像数据增强，通过深度卷积生成对抗网络模型增强电缆图像数据并进行数据集分割，得到电缆缺陷检测训练集和电缆缺陷检测测试集，并将所述电缆缺陷检测训练集和所述电缆缺陷检测测试集发送至电缆缺陷检测模型构建模块；

70、所述电缆缺陷检测模型构建模块，用于构建电缆缺陷检测模型，通过构建多维弱注意残差网络模型并训练，得到电缆缺陷检测模型，并将所述电缆缺陷检测模型发送至电缆沟内的电缆缺陷检测模块；

71、所述电缆沟内的电缆缺陷检测模块，用于电缆沟内的电缆缺陷检测，通过采用所述电缆缺陷检测模型进行电缆沟内的电缆缺陷检测，得到电缆缺陷检测参考数据。

72、采用上述方案本发明取得的有益效果如下：

73、（1）针对传统的电缆沟内的电缆缺陷检测方法存在受光照条件和环境噪声限制，导致图像质量参差不齐且图像多样性低，不能充分覆盖实际应用中的各种场景和条件的技术问题，本方案创造性地采用了深度卷积生成对抗网络模型进行电缆图像数据增强的方法，通过对预处理后的数据集进行增强，得到高质量、高图像多样性的数据集，丰富训练数据的同时，改善了模型的泛化能力。

74、（2）针对传统的电缆沟内的电缆缺陷检测方法存在电缆沟内视野受限和视觉效果差的情况下，无法处理电缆图像中的细小缺陷和微弱信号且难以适应电缆沟内多种不同尺度图像特征的技术问题，本方案创造性地采用了多维弱注意残差网络模型进行电缆沟内的电缆缺陷检测，结合弱信号注意机制和多尺度感知，通过增强对细节的捕捉能力并融合不同尺度特征，提高检测的准确性和鲁棒性。

技术特征：

1.基于机器视觉的电缆沟内的电缆缺陷检测方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的基于机器视觉的电缆沟内的电缆缺陷检测方法，其特征在于：在步骤s4中，所述电缆缺陷检测模型构建，用于构建电缆沟内的电缆缺陷检测所需的模型，具体为构建多维弱注意残差网络模型并训练，得到电缆缺陷检测模型；

3.根据权利要求1所述的基于机器视觉的电缆沟内的电缆缺陷检测方法，其特征在于：在步骤s3中，所述电缆图像数据增强，用于增强电缆历史图像，具体为采用深度卷积生成对抗网络模型增强均衡化历史图像集并进行数据集分割，得到电缆缺陷检测训练集和电缆缺陷检测测试集；

4.根据权利要求1所述的基于机器视觉的电缆沟内的电缆缺陷检测方法，其特征在于：在步骤s2中，所述图像预处理，用于对历史图像进行图像预处理，具体包括以下步骤：

5.根据权利要求1所述的基于机器视觉的电缆沟内的电缆缺陷检测方法，其特征在于：在步骤s5中，所述电缆沟内的电缆缺陷检测，具体为采用所述电缆缺陷检测模型进行电缆沟内的电缆缺陷检测，得到电缆缺陷检测参考数据，并基于所述电缆缺陷检测参考数据分析电缆沟内的电缆状况。

6.根据权利要求1所述的基于机器视觉的电缆沟内的电缆缺陷检测方法，其特征在于：在步骤s1中，所述图像采集，用于采集电缆沟内的电缆缺陷检测所需的历史图像，具体为从电缆安全管理系统中通过采集，得到电缆缺陷检测历史图像集，所述电缆缺陷检测历史图像集，具体包括无缺陷电缆历史图像集和有缺陷电缆历史图像集。

7.基于机器视觉的电缆沟内的电缆缺陷检测系统，用于实现如权利要求1-6中任一项所述的基于机器视觉的电缆沟内的电缆缺陷检测方法，其特征在于：包括图像采集模块、图像预处理模块、电缆图像数据增强模块、电缆缺陷检测模型构建模块和电缆沟内的电缆缺陷检测模块。

8.根据权利要求7所述的基于机器视觉的电缆沟内的电缆缺陷检测系统，其特征在于：所述图像采集模块，用于图像采集，通过图像采集，得到电缆缺陷检测历史图像集，并将所述电缆缺陷检测历史图像集发送至图像预处理模块；

技术总结
本发明公开了基于机器视觉的电缆沟内的电缆缺陷检测方法及系统，方法包括图像采集、图像预处理、电缆图像数据增强、电缆缺陷检测模型构建和电缆沟内的电缆缺陷检测。本发明涉及电缆缺陷检测技术领域，具体是指基于机器视觉的电缆沟内的电缆缺陷检测方法及系统，本发明通过图像采集得到电缆缺陷检测历史图像；采用图像标注、尺寸调整、图像去噪和图像对比度增强的图像预处理方法；采用深度卷积生成对抗网络模型增强电缆图像数据，丰富训练数据的同时，改善了模型的泛化能力；采用多维弱注意残差网络模型进行电缆沟内的电缆缺陷检测，通过增强对细节的捕捉能力并融合不同尺度特征，提高了检测的准确性和鲁棒性。

技术研发人员：张乐,岳宗勇,王艳,修俊瑞,吕晓彤
受保护的技术使用者：国网山东省电力公司聊城供电公司
技术研发日：
技术公布日：2024/9/23