本發(fā)明涉及一種電纜外觀缺陷的檢測方法，屬于圖像分析（g06t7/00）。

背景技術：

1、電纜在電力、通信等基礎設施建設中起著關鍵作用。然而，在敷設過程中，由于機械拉伸、摩擦、壓力等外界因素，電纜表面常會出現(xiàn)劃痕、裂紋、凹凸不平等外觀缺陷。因此，電纜外觀缺陷檢測已成為電纜敷設過程中不可或缺的質(zhì)量控制手段。

2、傳統(tǒng)的電纜外觀檢測主要依賴人工視覺，然而，這種方法效率低下，一致性差，且容易受到操作員疲勞和主觀判斷的影響，導致檢測結果的不穩(wěn)定和不可靠。隨著計算機視覺技術的進步，基于2d圖像的電纜外觀缺陷檢測技術逐漸得到廣泛應用。該技術通過ccd相機捕捉電纜表面圖像，并通過圖像處理，如邊緣檢測、對比度增強來識別外觀缺陷。盡管2d圖像檢測技術提升了檢測效率，但仍難以準確識別毫米級的缺陷類型，并且缺乏電纜深度信息。此外，該技術自適應能力較差，在檢測不同類型或顏色的電纜時，需要重新調(diào)整閾值參數(shù)。

3、鑒于現(xiàn)有技術的局限性，迫切需要開發(fā)一種電纜外觀缺陷檢測技術，以實現(xiàn)對電纜外觀缺陷的高精度檢測。

技術實現(xiàn)思路

1、本發(fā)明要解決的技術問題是：如何實現(xiàn)對電纜外觀缺陷的高精度檢測。

2、本發(fā)明為解決上述技術問題提出的技術方案是：一種電纜外觀缺陷的檢測方法，包括如下步驟：

3、步驟1：取一條歷史電纜，掃描該歷史電纜表面獲得歷史電纜表面3d點云，同時對歷史電纜表面3d點云去除離群點并降噪；

4、步驟2：將所述歷史電纜表面3d點云轉換為歷史電纜表面2d深度圖像；

5、步驟3：對所述歷史電纜表面2d深度圖像進行序列分割獲得多個圖像片段，同時對每個圖像片段標注屬于某種歷史外觀缺陷類型的標簽值；

6、外觀缺陷類型包括無缺陷、裂紋、劃痕、凸起和凹陷的五種外觀缺陷類型；

7、將所有圖像片段平分為訓練集和驗證集的兩類集合，訓練集和驗證集中均包含五種歷史外觀缺陷類型的圖像片段；

8、步驟4：將所述訓練集和驗證集的每個圖像片段輸入卷積自編碼器進行訓練；

9、步驟4.1：卷積自編碼器根據(jù)自身第一初始超參數(shù)對訓練集中每個圖像片段提取邊緣、紋理和形狀特征生成每個圖像片段相同長度和寬度的第一重建圖像xrec；

10、步驟4.2：按下式（1）計算訓練集中每個圖像片段與每個圖像片段生成的第一重建圖像的均方誤差損失、邊緣保留損失、相似差異損失和損失函數(shù)l1

11、?????（1）；

12、式（1）中，xij是訓練集中每個圖像片段平面坐標i、j點處的深度值；xrec，ij是每個第一重建圖像平面坐標i、j點處的深度值；o是每個第一重建圖像與訓練集中每個圖像片段的高度；p是每個第一重建圖像與訓練集中每個圖像片段的寬度；?是梯度運算符；

13、按下式（2）計算訓練集損失函數(shù)l2

14、????????????????????????（2）；

15、式（2）中，k1是訓練集中圖像片段的數(shù)量；

16、步驟4.3：卷積自編碼器根據(jù)自身第一初始超參數(shù)對驗證集中每個圖像片段提取邊緣、紋理和形狀特征生成每個圖像片段的第二重建圖像；按式（1）、（2）計算驗證集損失函數(shù)l3；

17、卷積自編碼器不斷迭代更新自身第一初始超參數(shù)直至得到的訓練集損失函數(shù)l2值和驗證集損失函數(shù)l3值均不再變小，卷積自編碼器訓練完成；

18、步驟5：將所述訓練集和驗證集的每個圖像片段輸入人工神經(jīng)網(wǎng)絡ann進行訓練；

19、步驟5.1：人工神經(jīng)網(wǎng)絡ann?根據(jù)自身第二初始超參數(shù)對訓練集中每個圖像片段預測出每種外觀缺陷類型的概率；

20、按下式（3）計算訓練集中每個圖像片段的歷史外觀缺陷類型與外觀缺陷類型預測概率的損失函數(shù)l4

21、???????????????（3）；

22、式（3）中，k2是外觀缺陷類型數(shù)量；ut是第t種歷史外觀缺陷類型的標簽數(shù)值；pt是第t種歷史外觀缺陷類型的預測概率；

23、按下式（4）計算訓練集預測損失函數(shù)l5

24、?????????????????????????（4）；

25、步驟5.3：人工神經(jīng)網(wǎng)絡ann根據(jù)自身的第二初始超參數(shù)對驗證集中每個圖像片段預測出每種外觀缺陷類型的概率，按式（3）、（4）計算驗證集預測損失函數(shù)l6；

26、人工神經(jīng)網(wǎng)絡ann不斷迭代更新自身第二初始超參數(shù)直至得到的訓練集預測損失函數(shù)l5值和驗證集預測損失函數(shù)l6值均不再變小，人工神經(jīng)網(wǎng)絡ann訓練完成；

27、步驟6：按照步驟5將所述訓練集和驗證集的每個圖像片段輸入支持向量機svm、極限學習機elm、長短期記憶網(wǎng)絡lstm完成訓練；

28、步驟7：任選步驟3中無外觀缺陷的一個圖像片段輸入經(jīng)步驟3訓練好的卷積自編碼器提取無外觀缺陷深層特征獲得無外觀缺陷深層特征序列；

29、ht是在時間點t時的無外觀缺陷深層特征；

30、步驟7.1：對每個時間點t根據(jù)無外觀缺陷深層特征序列構建相空間向量；

31、τ是延遲時間；m是嵌入維度；

32、步驟7.1.1：根據(jù)每個相空間向量ht1中無外觀缺陷深層特征的排列順序獲得每個相空間向量ht1的順序模式；

33、步驟7.1.2：統(tǒng)計π個順序模式中每個順序模式出現(xiàn)的概率p(π)，按下式（5）計算無外觀缺陷深層特征的排列熵p；

34、?????????????????（5）；

35、步驟7.2：對每個時間點t根據(jù)無外觀缺陷深層特征序列構建相空間向量；

36、z是模式維數(shù)；

37、步驟7.2.1：設定距離閾值r，距離閾值r取值范圍在無外觀缺陷深層特征序列數(shù)據(jù)標準差的15%~20%；

38、根據(jù)每個相空間向量ht2與其他所有相空間向量的距離，統(tǒng)計在距離閾值r內(nèi)的距離數(shù)量占所有距離數(shù)量的比例；

39、擴大模式維數(shù)為z+1，根據(jù)每個相空間向量ht2與其他所有相空間向量的距離，統(tǒng)計在距離閾值r內(nèi)的距離數(shù)量占所有距離數(shù)量的比例；

40、步驟7.2.2：按下式（6）計算無外觀缺陷深層特征的樣本熵s；

41、????????????????????（6）；

42、步驟7.3：按下式（7）計算無外觀缺陷深層特征的融合熵f1

43、????????????????（7）；

44、式（7）中，a和b是權重系數(shù)，a=0.4，b=0.6；

45、步驟8：取一條待測電纜，掃描待測電纜表面獲得待測電纜表面3d點云，同時對待測電纜表面3d點云去除離群點并降噪；

46、將待測電纜表面3d點云轉換為待測電纜表面2d深度圖像并輸入經(jīng)步驟3訓練好的卷積自編碼器提取待測深層特征獲得待測深層特征序列；

47、按照步驟6.1至步驟6.3計算待測深層特征的融合熵f2；

48、若，將待測深層特征輸入經(jīng)步驟6訓練后的人工神經(jīng)網(wǎng)絡ann，將得到的概率最大的一種外觀缺陷類型的作為待測電纜的外觀缺陷類型；

49、若，將待測深層特征輸入經(jīng)步驟7訓練后的支持向量機svm，將得到的概率最大的一種外觀缺陷類型的作為待測電纜的外觀缺陷類型；

50、若，將待測深層特征輸入經(jīng)步驟7訓練后的極限學習機elm，將得到的概率最大的一種外觀缺陷類型的作為待測電纜的外觀缺陷類型；

51、若，將待測深層特征輸入經(jīng)步驟7訓練后的長短期記憶網(wǎng)絡lstm，將得到的概率最大的一種外觀缺陷類型的作為待測電纜的外觀缺陷類型。

52、進一步，所述步驟1采用z-score統(tǒng)計方法去除離群點，利用高斯濾波消除噪聲數(shù)據(jù)。

53、本發(fā)明的有益效果是：由于將歷史電纜表面3d點云轉換為歷史電纜表面2d深度圖像，對歷史電纜表面2d深度圖像分割成多個圖像片段，并對每個圖像片段標注歷史外觀缺陷類型，將所有圖像片段平分為訓練集和驗證集輸入卷積自編碼器訓練特征提取能力，有助于識別和分類電纜表面的各種細微缺陷并提高了后續(xù)預測模型外觀缺陷類型的準確性。又由于將排列熵和樣本綜合成融合熵，更細致地刻畫數(shù)據(jù)的結構和動態(tài)特性，捕捉到單一熵無法描述的復雜性和變化，提升了特征描述的全面性。通過計算電纜無外觀缺陷深層特征的融合熵和待測電纜深層特征的融合熵，利用這兩個融合熵的差值決定輸入哪種最合適的預測模型以實現(xiàn)電纜外觀缺陷的高精度檢測，同時提高電纜外觀缺陷檢測的魯棒性和適應性。