电缆表面缺陷检测方法研究

于思杰

春光线缆有限公司、江西省九江市永修县 330300

摘要：本文提出一种新型的去噪算 法，进行了混合噪声去噪实验。用均方误差作为去噪效果的衡量标准，对几种 滤波方式进行了对比，结果表明本文算法对混合噪声的去噪效果要优于其他三 种。电缆缺陷图像分割阶段先通过三种微分算子进行了边缘检测分割，结果表 明此种分割方式的结果无法满足后续的特征提取标准。通过分析缺陷的灰度直 方图，发现缺陷部分与背景间存在显著灰度差异，转而使用三种阈值分割技术 进行实验，结果表明迭代式阈值分割可以有效地将三种缺陷分割出来。然后通 过形态学滤波去除图像中细小的干扰项，使电缆缺陷图像达到了缺陷特征提取 的标准。基于轮廓跟踪法对电缆缺陷进行轮廓追踪，并通过扫描连通域完成缺陷区 域的标记，提取出了缺陷的面积和周长特征。

关键词：电缆表面；缺陷检测；方法研究

1 引言

通过查阅国内外主流文献库发现，目前国内外关于电力电缆缺陷检测的相关研究文献大都注重于电缆绝缘内部缺陷，对于采用机器视觉技术检测电力电缆生产过程中由于工艺原因造成表面缺陷的研究文献则寥寥无几。张俊和乔湘洋等人的研究对象为线缆而非本文研究对象电力电缆，且二者针对表面缺陷检测的研究都侧重于缺陷检测算法，二者对于图像采集过程中可能出现的噪声却并没有着重进行去噪方面研究。随着我国基础设施建设的飞速发展，国内对电力电缆的需求量也逐渐提高。中国的电缆制造业发展迅猛，已经超越欧洲和美国，发展成世界上最大的电力电缆制造国。随着行业的发展速度加快，不达标的电力电缆制造工艺以及产品质量参差不齐的问题越发明显，越来越多电力电缆制造商的产品质量、制造工艺、安装运营环境不达标，导致国内的电力电缆质量良莠不齐。这些不合格的产品给未来的生产使用埋下了安全隐患，一旦质量不达标，会在日后的使用中因磨损等原因给社会造成巨额损失，情形严重的甚至能够危及人身安全。

2 电缆表面缺陷检测方法

2.1电缆缺陷图像轮廓跟踪

轮廓跟踪算法，首先就是要找到需要提取的电缆缺陷图像中缺陷轮廓上的第一个像素点，之后再以这个像素点为基准点，根据事先设定的跟踪规则对此边缘轮廓其他像素点进行逐一标定。对于本文的算法来说，首先第一步寻找电缆缺陷轮廓第一个像素点采用的是从电缆缺陷图像最左上角的第一个像素点开始，按照从上到下，从左到右的顺序依次逐行进行扫描，找到第一个边界点以后停止对缺陷轮廓起始点的搜索。第二步要设定轮廓的搜索机理。根据扫描的方向能够知道，确定的第一个边界点一定是电缆缺陷边界最左上方的点，记为A点。在A点的八邻域中一定存在至少一个像素点也是边界点，从A的右侧按照顺时针方向进行搜索，找到的第一个与A像素值相等的点以后记为B点，并记录从A点到B点的进入方向。之后将B点作为新的初始点，将A点到B点进入方向逆时针旋转90°作为新的搜索方向，在其八邻域的范围顺时针开始寻找下一个边界点，找到的边界点记为C点。然后以C点为初始点继续进行八邻域方向边界点的搜索。从轮廓上的1点进行八邻域的轮廓跟踪，最终当追踪到2点的时候出现了两条路径。正常来说一个轮廓的标定应该是从初始点按照顺时针的方向最终又回到初始点即为一个轮廓的完整标定。若是按照另外一条路径就会导致边界点跟踪到了另外一个轮廓上。

2.2电缆缺陷标记及特征提取

对于电缆缺陷区域的标记采用从上到下，从左到右的方式逐行扫描，遇到的第一个电缆缺陷点标记为1作为起始点，然后继续搜索下一个点，若第二个点与前一个标记点不相邻，则标记为2，以此类推。若第二个点与第一个点相邻，则按照优先级由高到低依次为右上、上、左上、左的顺序对第二个点进行区域标记。在遍历全图后，便可完成所有电缆缺陷区域的标记。对电缆缺陷图像的各个缺陷区域标记完成后，需要进行电缆缺陷特征的提取，方便后续进行电缆缺陷分类。本文主要提取的是电缆缺陷的周长和面积。对于电缆缺陷周长的特征提取来说，首先需要了解的是链码的意义。对于一个点来说，其八邻域的各个方向都可以用数字来代表，链码的作用就是将轮廓跟踪过程中的行进方向用数字表示出来。本文算法在进行电缆缺陷轮廓跟踪的同时，也对电缆缺陷轮廓的链码进行了存储。

2.3电缆缺陷图像分类

当需要分类的数据为三类以上时，常用的方法有两种。一种是一对一法，在进行分类训练时，将每两种不同的样本都训练出一个二分类器，这样我们就能得到多个二分类器共同组成大的分类器。使用该分类器进行分类时，将出现最多的类别作为输出的分类结果。另一种是一对多法，在进行分类训练时，先将某一类和其他类训练成一个二分类器，然后再从其他类中挑选出一类，与剩余的种类再继续训练出一个二分类器，以此类推，最终能够得到由多个二分类器组成的多分类器。对于本文研究对象来说是一种三分类设计，而且各种类别之间特征信息差异明显，所以采用第二种分类方法，优点是算法简单，单次分类速度较快，不容易出错。线一和线二则代表了两条极限的分类线，也称为支持线，与两条线相交的点称作支持向量，两线之间的距离称为边缘距离。不同的分类线会对应不同的支持线，支持线之间的边缘距离也是不同的，并且我们认为：边缘距离的大小对分类的精准度影响甚大，边缘距离越大，则分类越精准，反之亦然。所以，要找的最好的分类线，就是拥有最大边缘距离的那个分类线，此线与两个支持线保持平行，平分最大边缘距离。

3 结论

以电缆表面的凹痕、凸起以及划痕类缺陷作为检测的目标，以工业相机作为基础的图像采集元件，基于机器视觉技术完成了对电缆表面缺陷的识别与分类，主要研究结论如下：通过选出符合本文要求的工业相机、镜头以及光源，设计出电缆采图机械装置，并针对电缆生产过程中常出现的噪声进行了细致分析，运用图像处理技术中的去噪算法进行去噪实验。结果发现均值滤波的去噪效果一般，维纳滤波可以较好地去除高斯噪声，而中值滤波去除椒盐噪声效果极佳，但三种滤波方式均无法较好地去除混合噪声，且去噪效果随着噪声浓度增加而变差。考虑到生产中高斯噪声和椒盐噪声是可以同时出现，针对这种情况本文提出一种新型去噪算法，并对此算法的去噪效果进行实验。通过对比几种去噪算法处理前后电缆图片的均方误差，结果表明本文去噪算法对混合噪声处理效果要优于另外三种方法。对于电缆表面缺陷的不同，首先进行了边缘检测分割处理，分别运用三种微分算子对不同的电缆缺陷图片进行了图像分割，实验结果表明边缘检测分割技术对本文研究对象的三种缺陷分割效果不明显。通过分析三种缺陷的灰度直方图，发现电缆缺陷与背景在灰度值上有明显差异，故转而采用三种阈值分割技术。实验结果表明，大津法和最大熵分割法对于凹痕和凸起这类点状电缆缺陷能够很好的完成分割，但是对于划痕类电缆缺陷分割效果不明显，无法满足特征提取所需要的条件。

参考文献

1. 周远翔, 赵健康, 刘睿, 等. 高压/超高压电力电缆关键技术分析及展望[J]. 高电压技术, 2019, 40(9): 2593-2612.

2. 杜伯学, 韩晨磊, 李进, 等. 高压直流电缆聚乙烯绝缘材料研究现状[J]. 电 工技术学报, 2019, 34(1): 179-191.

3. 周雁, 李振权, 杨玉智. 交联电缆质量控制与提高[J]. 高电压技术, 2019, 1(2): 20-21.

4. 李盛涛, 王诗航, 李建英. 高压直流电缆料的研发进展与路径分析[J]. 高 电压技术, 2019, 44(5): 1399-1411.

5. 李程, 刘俊华, 刘鑫鑫, 等. 基于 X 射线检测的电力电缆常见缺陷分析[J]. 电子测试, 2020, 1(3): 116-117.

2