[发明专利]一种基于深度学习的电缆工艺质量动态缺陷检测方法

权利要求书

1.一种基于深度学习的电缆工艺质量动态缺陷检测方法，其特征在于：包括如下步骤：

步骤S1、使用摄像机获取待检测的图片生成图片数据集，图片里至少含有一个待检测的线缆；

步骤S2、使用YOLOV5目标检测算法对获取到的图片进行检测，识别出图片中的电缆；使用labelme工具对图片中的电缆进行标注；

步骤S3、根据电缆检测框位置，将电缆从图片中截取出来待检；

步骤S4、使用UNet分割网络模型将电缆特征分割出来；采用的Mobilenet-V2网络作为UNet分割网络模的主干网络；

步骤S5、根据分割电缆特征判断电缆是否异常。

2.根据权利要求1所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法，其特征在于：所述电缆特征包括有红色绝缘胶带、黑色保护层和裸露线缆。

3.根据权利要求1所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法，其特征在于：UNet分割网络模型包含编码器和解码器，其中：

编码器是负责特征提取，将图像进行四次下采样，最终将原图尺寸缩小16倍，将原图中的特征充分提取与压缩；

解码器负责图像的上采样，将提取出的特征进行四次上采样，每上采样一次就和编码器部分对应的通道数相同尺度融合，最终将特征还原成原图尺寸大小，最后所得即是分割后的图片；对截取的电缆图片进行图像预处理，统一将图像改成640*320的尺寸，预处理后的图片作为UNet分割网络模型中输入，经过下采样和上采样，最终得到640*320大小的分割图。

4.根据权利要求2所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法，其特征在于：步骤S5中，包括如下步骤：

对红色绝缘胶带部分进行形态学运算，判断红色绝缘胶带的像素个数，如果像素个数大于预设阈值，则判断电缆有红色绝缘胶带，属于正常；否则，进行下一步；

对裸露的电缆部分进行形态学闭运算，清除噪点，进一步计算裸露部分像素点个数，如果裸露电缆的像素个数小于预设阈值，则认为电缆没有裸露部分或者裸露部分没有达到尺寸要求，判断电缆黑色保护层尺寸是否符合要求；如果裸露电缆的像素个数大于预设阈值，进一步计算裸露电缆部分的最小外接矩形框，根据最小外接矩形框判定电缆黑色保护层尺寸是否正常。

5.根据权利要求2或4所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法，其特征在于：

对分割出来的红色绝缘胶带进行形态学运算，包括如下步骤：

对分割出来的红色绝缘胶带部分进行图像形态学开运算去除图像中的噪声，平滑电缆的轮廓；然后对处理后的图片进行图像形态学闭运算。

6.根据权利要求5所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法，其特征在于：对处理后的图片进行图像形态学闭运算包括如下步骤：

对图像进行膨胀处理，用3*3的模板B跟图像A进行卷积计算，得出模板B覆盖区域的像素点最小值，并用最小值来替代参考点的像素值；

对图像A进行膨胀处理，通过模板B与图像A进行卷积计算，扫描图像中的每一个像素点，用模板元素与二值图像元素做“与”运算；

进一步判断红色胶带绝缘体的像素点个数，如果大于预设阈值，则判断电缆有红色绝缘胶带，判定电缆属于正常。

7.根据权利要求4所述的一种基于深度学习的电缆工艺质量动态缺陷检测方法，其特征在于：根据最小外接矩形框判定电缆黑色保护层尺寸是否正常，包括如下步骤：

计算裸露电缆部分的外接最小矩形框，得到裸露电缆矩形框的长边和短边；

计算黑色保护层的外接最小矩形框，得到黑色保护层矩形框的长边和短边；

通过裸露电缆部分外接最小矩形框的长边和短边与黑色保护层的外接最小矩形框长边和短边比较判定电缆保护层尺寸是否符合要求。