圖像識別技術(shù)及其在架空線檢查機(jī)器人中的運用

李 響,陸 鋒,陳鈺婷,蔣 淼,金圣哲

(南京工程學(xué)院電力工程學(xué)院,南京 210008)

架空輸電線路覆蓋面大,運行環(huán)境復(fù)雜,出現(xiàn)概率高,檢測難度大,故障后影響面廣,每年需花費大量的人力物力用于輸電線路巡檢。而傳統(tǒng)的檢查方式越來越難以滿足大規(guī)模的線路巡檢實際需求,且人工巡檢成本高,效率低,實際實施過程中存在一定的風(fēng)險。目前,X射線和超聲波技術(shù)應(yīng)用較為廣泛,通過X射線對碳纖維復(fù)合芯導(dǎo)線進(jìn)行無損檢測可獲取導(dǎo)線表層鋁線和內(nèi)部芯棒圖像[1]。有研究提出,利用X射線技術(shù)對耐張線夾及接續(xù)管內(nèi)壓接情況進(jìn)行探測,判斷輸電線耐張管情況[2]。還有研究利用超聲導(dǎo)波技術(shù),通過小波分析判斷出輸電線損傷位置[3]。本研究從智能化圖像識別技術(shù)、數(shù)字圖像識別技術(shù)、圖像分割技術(shù)入手,對巡線機(jī)器人的可行性進(jìn)行分析,指出圖像識別技術(shù)方法存在的問題及未來發(fā)展方向。

1 線路探傷分析

鋼絲鋁絞線是一種電力輸電線路中常用的導(dǎo)線類型,由多股鋁合金導(dǎo)線和鍍鋅鋼絲絲芯組成,通過編絞在一起形成絞合結(jié)構(gòu)。這種導(dǎo)線具有較高的強(qiáng)度和較低的電阻,被廣泛應(yīng)用于輸電線路中。但長期以來,鋼絲鋁絞線存在著一些線路損傷問題,需要研究解決。

導(dǎo)線老化和劣化問題。鋼絲鋁絞線長期受到自然環(huán)境的侵蝕和電力負(fù)荷的作用,導(dǎo)線表面可能產(chǎn)生腐蝕、氧化等問題,導(dǎo)致導(dǎo)線性能下降,甚至是線路故障。不同的環(huán)境條件(如溫度、濕度、污染等)會對鋼絲鋁絞線的導(dǎo)電性能和機(jī)械性能產(chǎn)生影響,因此需研究不同環(huán)境條件下導(dǎo)線的損傷情況。此外,外界因素會引起線路損傷,如鋼絲鋁絞線可能受到風(fēng)、冰雪、閃電等因素的影響而引發(fā)損傷,周圍植物和動物的干擾可能導(dǎo)致導(dǎo)線切斷、拉斷、掛斷等,長期處于水汽、風(fēng)沙、酸雨等物質(zhì)作用下,導(dǎo)致導(dǎo)線表面逐漸銹蝕。在高負(fù)荷和過載情況下,導(dǎo)線可能會受到較大的應(yīng)力,引發(fā)損壞、松動等問題。輸電導(dǎo)線以導(dǎo)線斷股最為常見,鋼芯鋁絞線橫向排列并有一定周期循環(huán)性的特點,當(dāng)導(dǎo)線斷股損傷時,由于導(dǎo)線的連續(xù)性和彈性,導(dǎo)線斷股后會脫離鋼芯產(chǎn)生殘缺或上翹。

鋼絲鋁絞線的線路損傷檢測主要是為了解決導(dǎo)線老化、負(fù)荷應(yīng)力及安裝維護(hù)等問題,以確保輸電線路的穩(wěn)定運行和可靠性。對3種圖像識別技術(shù)進(jìn)行比較分析,選擇合適的技術(shù)降低線路損傷風(fēng)險,提高線路的使用壽命和可靠性。

2 圖像識別技術(shù)

2.1 圖像識別流程

智能化識別技術(shù)是一種綜合性技術(shù),充分融合計算機(jī)技術(shù)的優(yōu)勢,將輸入到計算機(jī)系統(tǒng)的圖像信息轉(zhuǎn)化為系統(tǒng)可識別的數(shù)字信息,從而實現(xiàn)對多源數(shù)據(jù)信息的高效處理,將此數(shù)據(jù)轉(zhuǎn)化為特征信息,使原始圖像通過變換、濾波和增強(qiáng)技術(shù),顯示圖像通過空間域或頻域的BP神經(jīng)網(wǎng)絡(luò)、哈達(dá)瑪變換、沃爾什變換、正弦或余弦變換及傅里葉變換,進(jìn)一步提高計算機(jī)操作系統(tǒng)的網(wǎng)絡(luò)運行速度,使顯示圖像更加精確。對得到的圖片搜索繼續(xù)進(jìn)行分類匹配,顯示無法識別的圖片。采取該技術(shù)能夠進(jìn)一步提升數(shù)字圖像處理質(zhì)量及效率,提高識別相關(guān)信息的準(zhǔn)確性,且抗干擾能力強(qiáng),外部環(huán)境對顯示圖像的影響很小。在信息技術(shù)的支持下,該技術(shù)的識別精度進(jìn)一步提升,更多與數(shù)字相關(guān)的信息轉(zhuǎn)換為顯示圖像。如果將該技術(shù)應(yīng)用于計算中,無需將目標(biāo)顯示圖像轉(zhuǎn)換為for循環(huán),即可完成高清顯示圖像的處理。

2.2 圖像處理

2.2.1 預(yù)處理

具體流程如圖1所示。將采集的圖像輸入到計算機(jī)中,對圖像進(jìn)行預(yù)處理,這是圖像技術(shù)識別應(yīng)用的關(guān)鍵。圖像預(yù)處理方法主要有灰度化處理和二值化等。

圖1 圖像識別流程

圖2 驅(qū)動電機(jī)控制器流程

灰度化處理是將彩色圖像轉(zhuǎn)化為灰色圖像的過程,彩色圖像中每個像素的顏色由R、G、B三個分量決定,每個分量上又有256種取值,那么每一像素點可有16 777 216(256×256×256)的顏色變化范圍。灰度圖像的每個像素點變化范圍為256種,在減少計算機(jī)后續(xù)圖像計算量的同時仍可反映整幅圖像的整體布局、色度與亮度的分布特征?；叶然幚碛?種方法,即最大值法、平均值法、加權(quán)平均值法。最大值法是使R、G、B取其中值最大的一個,此方法會形成亮度很高的灰度圖像。平均值法是取R、G、B三者的平均值,此方法形成的灰度圖像較柔和。加權(quán)平均值法根據(jù)不同分量的重要性或其他指標(biāo)對R、G、B賦予不同的權(quán)重,從而達(dá)到加權(quán)的目的。

二值化處理是將圖像上的像素點灰度值設(shè)為0或255,使整個圖像呈現(xiàn)出黑白效果。對256種等級的灰度圖像選取適當(dāng)?shù)拈撝?從而反映圖像的整體和局部特征的二值化圖像,灰度如果大于閾值判斷為特定物體,灰度值為255,否則像素點設(shè)置為最小值0。二值化的常用算法包括全局二值化、局部二值化及局部自適應(yīng)二值化。全局二值化對于一幅圖像內(nèi)的所有成分,包括目標(biāo)物體、背景及噪聲等設(shè)置一個全局的閾值M,用M將圖像分為兩大部分：大于M的像素群A和小于M的像素群B。將像素群A的像素值設(shè)定為黑色(白色),將像素群B的像素值設(shè)定為白色(黑色),但是全局二分法對于圖像細(xì)節(jié)的展示效果不精確,有較大的缺陷,故引入了局部二值化。局部二值化是根據(jù)圖像的區(qū)域不同對整個圖像進(jìn)行劃分,劃分為N個窗口,再對每個窗口設(shè)定閾值進(jìn)行處理。局部自適應(yīng)二值化比局部二值化更優(yōu)的地方是閾值設(shè)定更加合理,對窗口像素的平均值、差平方、均方根值等數(shù)據(jù)擬合出一個參數(shù)方程對閾值進(jìn)行計算,這樣得出來的二值化圖細(xì)節(jié)自然,可以更好地表現(xiàn)出來。

2.2.2 圖像壓縮

對圖像的壓縮處理是對圖像多余的信息進(jìn)行壓縮刪減,在可識別性的基礎(chǔ)上減少圖像占用空間,便于圖像的后期儲存與傳輸。經(jīng)典圖像壓縮格式包括JPEG、JPEG2000、BPG、VVC等。隨著科技的進(jìn)步與發(fā)展。圖像壓縮技術(shù)也有了進(jìn)一步的提高,李玉峰等[4]引入簡化版本注意力機(jī)制,用殘差快速增大接受場,使率失真性能有了一定的提升。

2.2.3 圖像分割

圖像分割是把圖像分成互補(bǔ)重疊又具有各自特征的子區(qū)域。許多傳統(tǒng)的圖像分割方法已被廣泛使用,主要包括基于閾值的分割、基于邊緣的分割、基于區(qū)域的方法、基于聚類的分割、基于深度學(xué)習(xí)的分割等。

1)基于閾值的分割?；陂撝档膱D像分割是通過比較像素值和一個設(shè)定的閾值,根據(jù)目標(biāo)物體和背景在灰度上的差異來調(diào)整閾值,將像素點分為不同的類別,實現(xiàn)圖像分割[5],方法有很多種,如直方圖閾值法、Otsu法和迭代法等。主要流程為確定閾值,通過實驗或根據(jù)應(yīng)用場景確定合適閾值,將像素值分為兩類,再將每個像素值和確定的閾值進(jìn)行比較,將其分類到合適的類別中。此類分割最關(guān)鍵的一步是按照一定算法求解到最佳的灰度閾值。

2)基于邊緣的分割。是指一個圖像不同區(qū)域邊界線上的連續(xù)像素點的集合,反映了局部特征不連續(xù),體現(xiàn)灰度、顏色、紋理等特征的突變,基于邊緣的分割是在邊緣灰度值呈現(xiàn)出階躍型變化的基礎(chǔ)上通過檢測包含不同區(qū)域的邊緣來解決分割問題?；谶吘壏指畹闹饕襟E是對邊緣進(jìn)行檢測,得到邊緣信息后用Soble等算子檢驗,再將相鄰的邊緣進(jìn)行連接,從而得到完整的邊緣線,對邊緣進(jìn)行細(xì)化,將邊緣分類成區(qū)域內(nèi)邊緣和背景區(qū)域邊緣,對兩類區(qū)域進(jìn)行處理,得到最終結(jié)果。邊緣分割的檢驗算子有一階微分邊緣檢驗算子、二階微分邊緣檢驗算子。一階微分的邊緣檢驗算子有梯度算子、Roberts算子、Sobel算子、Prewitt算子,二階微分的算子包括LOG算子、DOG算子、canny邊緣檢測等。

3)基于區(qū)域的分割。此分割方法包括區(qū)域分類合并法、分水嶺法等。區(qū)域分裂合并法是將圖像分為若干個沒有交集的區(qū)域,將每個區(qū)域標(biāo)記成屬于不同類別的像素,按照相關(guān)特性對這些區(qū)域進(jìn)行分裂或合成,從而完成分割任務(wù)。分水嶺分割算法是區(qū)域生長法的改進(jìn),基于測地學(xué)中分水嶺的構(gòu)造原理提出的圖像分割算法,其原理是將圖片看成一幅地圖,圖像中的像素灰度值代表一個海拔高度,圖像中每個灰度局部極小值及周圍的區(qū)域相當(dāng)于一個盆地,其邊界就是分水嶺。找到灰度值最小的像素點,讓其從最小值開始增長,在增長過程中會碰到周圍的領(lǐng)域像素,測量這些像素到起始點的測地距離,如果小于閾值,則被淹沒,反之,對其設(shè)置大壩,將區(qū)域像素進(jìn)行分類。

4)基于聚類的分割。是對給定的樣本集按照樣本之間距離的大小將樣本劃分為k個簇,讓簇內(nèi)的點緊密連接在一起,讓簇間的距離盡量的大。在空間直角坐標(biāo)系中隨機(jī)選取k個點作為k個簇的中心,計算所有像素點到k個簇心的距離,并將其劃分至與其距離最小的簇。計算每一類樣本點的均值,作為下一次迭代的聚類中心,計算下一次迭代的聚類中心與當(dāng)前聚類中心的差距,如果小于迭代閾值則迭代結(jié)束。因初始設(shè)定的簇類個數(shù)不同,劃分的類簇也會產(chǎn)生差異,實驗中誤差平方和越小,分割效果越好。在同一次實驗中,前后兩個誤差平方和在很小的范圍內(nèi)波動,則認(rèn)為其收斂。

將圖像的每個像素點的灰度或RGB 作為樣本(特征向量),因此整個圖像構(gòu)成了一個樣本集合(特征向量空間),從而把圖像分割任務(wù)轉(zhuǎn)換為對數(shù)據(jù)集合的聚類任務(wù)。在此特征空間中運用K-means 聚類算法進(jìn)行圖像區(qū)域分割,抽取圖像區(qū)域的特征。

5)基于深度學(xué)習(xí)的分割。這是一種新興的圖像分割技術(shù),通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),將圖像像素分類為不同的區(qū)域。常用的方法包括全卷積神經(jīng)網(wǎng)絡(luò)(FCN)、U-Net等。由于其強(qiáng)大的表達(dá)能力和學(xué)習(xí)能力,適用于各種復(fù)雜場景的圖像分割。基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法相較于傳統(tǒng)的基于閾值、邊緣、區(qū)域及聚類方法,具有更高的準(zhǔn)確度和更強(qiáng)的泛化能力,U-Net模型與傳統(tǒng)的圖像分割方法(自動編碼器體系結(jié)構(gòu))有所區(qū)別。傳統(tǒng)的經(jīng)典圖像分割方法是最初輸入信息的大小隨著層數(shù)的增加其特征信息在不斷減少,至此,自動編碼器體系結(jié)構(gòu)的編碼器部分完成,開始解碼器部分。而U-Net模型學(xué)習(xí)線性特征表示其特征大小在逐漸增大,最后的輸出大小等于輸入大小。

此技術(shù)可準(zhǔn)確地將圖像中的區(qū)域分割出來,對圖像理解和分析具有重要意義。不同的圖像分割技術(shù)適用于不同的圖像特性和應(yīng)用場景,可應(yīng)對各種復(fù)雜的圖像情況。隨著計算機(jī)硬件的不斷發(fā)展和算法的優(yōu)化,現(xiàn)代圖像分割技術(shù)具有較高的實時性能,可在實時圖像流中進(jìn)行分割。

2.3 圖像識別

圖像識別技術(shù)靈敏度高,借助計算機(jī)處理圖像,能夠結(jié)合實際需要和條件對圖像進(jìn)行縮放或調(diào)整,以保證變換后的圖像滿足相關(guān)要求[6]。由此可見,對于不同的圖像尺寸,能夠借助圖像識別技術(shù)進(jìn)行有效處理和識別。因此線性和非線性計算能夠結(jié)合二維數(shù)據(jù)中的灰度值,以保證圖像質(zhì)量滿足要求。實際選用過程中,計算機(jī)會將圖像轉(zhuǎn)換為32位圖像,以進(jìn)一步提升圖像處理精度,滿足不同客戶的圖像處理要求。此技術(shù)具有高準(zhǔn)確性,圖像識別技術(shù)可在大規(guī)模圖像數(shù)據(jù)庫中實現(xiàn)高準(zhǔn)確率的圖像分類,對于圖像搜索、智能監(jiān)控等應(yīng)用具有重要意義。數(shù)字圖像識別技術(shù)可以處理大規(guī)模圖像數(shù)據(jù)集,具有較強(qiáng)的可擴(kuò)展性和適應(yīng)性。此技術(shù)應(yīng)用領(lǐng)域廣泛,包括工業(yè)自動化、醫(yī)學(xué)影像處理、交通監(jiān)控、物體檢測等。隨著技術(shù)的不斷更新,人們對圖像的要求也在改變,需保持創(chuàng)新精神,推動圖像處理技術(shù)的進(jìn)步,提高圖像識別水平。

2.3.1 圖像特征提取

圖像特征提取是在圖像檢索過程中對圖像的顏色、紋理、形狀等特征進(jìn)行分析,從而提取能反映圖像本質(zhì)特征的方法,是檢索精度和速度的關(guān)鍵因素。目前已有的圖像特征提取方法包括顏色直方圖法、幾何特征法和紋理特征法等。顏色直方圖法是通過對圖像進(jìn)行顏色直方圖計算,提取出圖像的顏色特征,再與數(shù)據(jù)庫中的圖像進(jìn)行匹配,實現(xiàn)圖像檢索。幾何特征法在實際應(yīng)用過程中有較大的局限性,在外部條件不好的情況下,反映出來的結(jié)果難以滿足實際需求。紋理特征法是基于對象的圖像分析法的主要實現(xiàn)方式之一,根據(jù)不同對象在圖像中所表現(xiàn)出的紋理特征將圖像進(jìn)行分類,以實現(xiàn)圖像的檢索。

2.3.2 圖像分類

圖像分類是一個模式分類問題,將不同的圖像劃分到不同的類別中,實現(xiàn)最小的分類誤差。主要分為3類,即跨物種語義級別的圖像分類、子類細(xì)粒度圖像分類及實例圖像分類。跨物種語義級別的圖像分類是在不同物種的層次上識別不同類別的對象,因物種的差異,往往類與類之間存在較大的方差,分類的誤差自然較小。子類細(xì)粒度圖像分類相較于跨物種語義級別分類,其分類范圍更加精細(xì),往往是對一個大類中的子類進(jìn)行分類,相應(yīng)的對分類器要求也有了進(jìn)一步的提升。視力圖像分類區(qū)分的不是種類,而是不同的個體。

3 機(jī)器人模型

3.1 機(jī)器人電路設(shè)計

3.1.1 機(jī)器人的主控制器

該系統(tǒng)可完成對外部信號的采集和處理分析,工作人員可根據(jù)實際的巡檢要求提出不同的控制指令,自動化系統(tǒng)會操控機(jī)器人運動。選擇MPC微處理器為主控制器來處理大量數(shù)據(jù),MPC的運行步驟如下：在每一個采樣時刻估計測量系統(tǒng)的狀態(tài)值,獲取當(dāng)前測量信息,在線求解一個有限時間的開環(huán)優(yōu)化問題,將優(yōu)化解的第一個與元素作用于系統(tǒng),在下一個采樣時刻,重復(fù)用新的測量值作為此時刻系統(tǒng)未來動態(tài)的初始條件,刷新優(yōu)化問題并重新求解。該微處理器的主頻高達(dá)200 MHz,可保證控制器的運行效率。該處理器具有顯示處理約束能力,此能力基于其對系統(tǒng)未來動態(tài)行為的預(yù)測,把約束加到未來的輸入、輸出或狀態(tài)變量上,把約束顯示表現(xiàn)在一個在線求解的二次規(guī)劃或非線性規(guī)劃問題上。該模型預(yù)測具有良好的控制效果,可提高機(jī)器人運行的安全性,具有強(qiáng)魯棒性,可克服過程中的不確定性、非線性等,方便處理過程中不同變量間的各種約束。為了減少空間電磁干擾,將主控器與永磁斷路器本體分開布置,開關(guān)內(nèi)部線路采用屏蔽雙絞線連接。主控器外殼采用純鐵等導(dǎo)磁性好的材料制作,將塑料航插更換為金屬航空插頭。

3.1.2 電機(jī)驅(qū)動設(shè)計

采用單獨的電機(jī)驅(qū)動單元來控制直流無刷電機(jī),實現(xiàn)電機(jī)運作的信號輸出,并快速響應(yīng)控制指令。在考慮了上述系統(tǒng)功能后,決定以STM32系列作為機(jī)器人驅(qū)動控制器的核心。該系列內(nèi)核采用ARM32位Cortex-M3CPU,最高可達(dá)到72 MHz的工作頻率,作為一款32位微控制器,在驅(qū)動和傳感方面進(jìn)行了相關(guān)優(yōu)化改進(jìn)。由于其具有高性能、低成本及低功耗等特點,被廣泛應(yīng)用于電機(jī)驅(qū)動等領(lǐng)域,具備出色的響應(yīng)能力和處理機(jī)制。

3.2 攝像頭的選擇

巡線機(jī)器人需要在架空線路上自主翻越障礙物并記錄線路狀態(tài),故攝像頭的成像質(zhì)量對整個機(jī)器人性能有著直接影響。選擇豪威科技生產(chǎn)的CMOS圖像傳感器——OV5640型號攝像頭,其為500W像素高清攝像頭集成模塊,支持更高的分辨率, OV5640感光陣列達(dá)到2624×1964分辨率,最高支持2592×1944 15fps或90fpsVGA的圖像輸出,采集速率高、圖像處理性能好,具備LED補(bǔ)光、ISP(圖像信號處理)、AFC(自動聚焦控制)等功能。該攝像頭的嵌入式處理器可便于技術(shù)人員的后續(xù)功能開發(fā)。

3.3 軟件設(shè)計

3.3.1 驅(qū)動電機(jī)控制器的設(shè)計

機(jī)器人電池管理系統(tǒng)采取電壓、電流、電機(jī)轉(zhuǎn)速的雙全閉環(huán)自適應(yīng)控制。全閉環(huán)位置傳感器采取PI整定選擇方式,該選擇模式能夠監(jiān)測無刷直流電機(jī)接收信號的相電壓和電流及電機(jī)轉(zhuǎn)速。在嵌入式系統(tǒng)中參考電機(jī)驅(qū)動控制電路的異常運行、暫停和運行程序的正常狀態(tài)之一進(jìn)行設(shè)置。在正常空閑狀態(tài)下,恢復(fù)系統(tǒng)收到運動操作指令后將進(jìn)入設(shè)備運行狀態(tài)。在設(shè)備運行狀態(tài)下,內(nèi)部控制系統(tǒng)分析控制操作指令,計算出永磁同步電機(jī)的電機(jī)轉(zhuǎn)速。記錄異步電機(jī)的電機(jī)轉(zhuǎn)速、電壓、電流及砂輪切割機(jī)等關(guān)鍵點,其在數(shù)據(jù)庫數(shù)據(jù)中繼續(xù)引用訪問數(shù)據(jù)庫相關(guān)數(shù)據(jù)直接執(zhí)行恢復(fù)系統(tǒng),使用最小二乘法能夠保證整線連接軟件的檢測功能,當(dāng)恢復(fù)系統(tǒng)設(shè)備出現(xiàn)故障時將無法識別機(jī)器人發(fā)出的電壓及電流信號,進(jìn)入異常工作狀態(tài),電池管理系統(tǒng)將繼續(xù)驅(qū)動并開始控制PWM輸出,異步電機(jī)運動的具體過程將停止,恢復(fù)系統(tǒng)開始垂直向上反饋運行程序信息及控制電路數(shù)據(jù)。

3.3.2 圖像解析軟件的設(shè)計

攝像頭捕捉到的所有圖像數(shù)據(jù)會實時傳輸?shù)綄?yīng)的控制站,在圖像數(shù)據(jù)傳輸過程中,每一個PCLK時鐘周期內(nèi)會輸出8位/10位的數(shù)據(jù)。系統(tǒng)通信采用8位接口,在每傳輸一個字節(jié)時會進(jìn)行記錄,且每兩個字節(jié)可組成一個像素顏色。為了壓縮和存儲攝像頭活動側(cè)的圖片,采用最小編碼單元的方式。每個最小標(biāo)碼單元由8×8像素組成,按照從左到右、從上到下的順序進(jìn)行存儲。圖像信號解碼包括3個主要步驟：Huffman解碼、量化和IDCT。圖像信息通過YUV色彩空間來描述,通過調(diào)整亮度和色度等參數(shù)解碼后的圖像將是可解讀的灰度圖像。

3.3.3 圖像檢測缺陷處理算法

對于缺陷檢測,采用特征提取與分類方法。根據(jù)攝像機(jī)獲得的圖像進(jìn)行灰度處理,由于輸電導(dǎo)線的表面顏色情況較為單一,故3種灰度處理都可滿足需求。

由于架空線路的環(huán)境復(fù)雜多樣,不確定因素較多,最終的圖像中會存在噪聲影響,為了提高獲取圖像的質(zhì)量,利用基于SFCM改進(jìn)的BM3D去噪[7],有較好的效果。對圖像進(jìn)行局部二值化處理,將輸電線路缺陷圖像轉(zhuǎn)化成二值圖像。結(jié)合預(yù)定的劃分機(jī)制,在圖像處理過程中將具備不同特征的缺陷分為不同的預(yù)定義類別,選用一定的算法對提取的特征進(jìn)行相關(guān)操作,將其與類別中的特征進(jìn)行比較。當(dāng)缺陷特征等于或接近某類缺陷特征時,將缺陷歸入該類,促進(jìn)達(dá)成缺陷圖像的自動化分類。采用灰度空間共生矩陣(GLCM)方法進(jìn)行紋理分析。從圖像計算出的GLCM并不是直接用來表達(dá)圖像的紋理特征,而是借助額外的GLCM計算來獲得二次統(tǒng)計數(shù)據(jù)或借助Laws提出的紋理能量測量方法來獲取紋理特征。從一個小區(qū)域開始,計算該區(qū)域的灰度不規(guī)則性,計算較大區(qū)域上像素灰度值的一階統(tǒng)計特征。一般使用平均值或標(biāo)準(zhǔn)差用來充當(dāng)標(biāo)準(zhǔn),將獲得的紋理特征與分類特征進(jìn)行比較,獲得具體的缺陷位置信息。

4 結(jié)束語

針對鋼芯鋁絞線損傷問題,討論運用圖像處理方法分析缺陷的可行性,介紹了機(jī)器人模型,根據(jù)實際情況選擇合適的技術(shù)實現(xiàn)線路損傷的高效、精確檢測,節(jié)省人力物力,促進(jìn)人工智能化探傷技術(shù)的應(yīng)用。