一种电缆编织线的缺陷检测装置和方法

技术领域

本发明涉及视觉缺陷检测与定位领域，具体涉及基于深度学习的电缆编织线缺陷检测技术。

背景技术

随着科技发展，电在人们的日常生活以及工业生产制造中发挥着越来越重要的作用，因而起到传输作用的电缆需求量也越来越大。电缆一般是由导电线芯、绝缘层、护套层三部分组成，其中在线芯外表面有一层保护覆盖层称为电缆护层，它能够起到防潮、防油、防腐、机械保护等作用，编织是常用的护层之一。

但在实际编织生产过程中，机器编织缠绕在线芯外表面的编织线会存在一定的缺陷，其中缺陷种类主要有线过疏、线过密、线凸起、线断裂等，而线凸起与断裂会对后续工序造成巨大影响，因而需停机解决，其他缺陷仅仅需要报警进行人工提醒。

目前工厂中使用的方法多是人工检测，但人工检测存在耗时、耗力，同时由于疲劳等原因会出现检测错误、遗漏等问题。也有采用自动化设备进行检测，例如：

申请号为202210241575.7，专利名称为《一种基于机器视觉的线缆表面缺陷实时检测方法和系统》的公开文献，公开了一种基于机器视觉的线缆表面缺陷实时检测方法和系统，其中的检测方法包括步骤：1、构建线缆缺陷检测网络，所述网络包括：并行的三路特征提取分支，所述三路特征提取分支的输入均为线缆表面图像，输出均为提取的图像特征；三路特征提取分支的输出按不同权重级联后依次输入三层全连接层获取缺陷分类，输出线缆表面图像是否有缺陷；2、采用训练集对所述线缆缺陷检测网络进行训练；3、采用测试集对训练后的线缆缺陷检测网络进行调优；如准确率和召回率不符合预设的要求，则进行再次训练；4、实时采集线缆表面图像，输入到训练好的线缆缺陷检测网络中，获取检测结果。

申请号为202011473554.5，专利名称为《一种基于机器视觉的线缆表面缺陷检测系统及方法》的公开文献，公开了一种基于机器视觉的线缆表面缺陷检测系统及方法，包括数据采集单元和数据处理单元，所述数据采集单元包括图像采集装置和线缆信息采集装置，所述图像采集装置设置于一箱体内、包括相机和光源，所述箱体相对的两个侧面上开设有位置对应的过孔用于线缆穿过，设置有两个所述相机、其镜头相对且错位设置于所述箱体内上下两侧，所述光源用于照射线缆：所述线缆信息采集装置包括速度编码器和记米器：所述图像采集装置和线缆信息采集装置采集到的数据传输给所述数据处理单元进行缺陷识别和缺陷定位。

申请号为201620452172.7，专利名称为《线缆护套表面瑕疵检测仪》的公开文献，公开了一种线缆护套表面瑕疵检测仪。包括检测区、图像采集单元和支撑部件；所述检测区包括呈柱状的空心的线缆通道；所述图像采集单元包括光源、相机和显示器；所述光源固定于线缆通道的内壁上；所述光源为环形光源或者点状光源；所述相机设置有多个，间隔均匀的固定在线缆通道四周，相机镜头对准线缆通道的轴线方向；相机通过超六类网线与工控机内部的千兆网卡相连接；所述支撑部件设置在检测区下方。

由于电缆编织线的特征较复杂，因此上述检测方法和系统均存在检测准确率一般，存在误检率情况，实际使用效果差的问题，缺乏一种基于深度学习进行电缆编制线的缺陷检测技术，同时将无监督训练与有监督训练结合应用到缺陷检测中。

发明内容

本发明所要解决的技术问题是实现一种基于深度学习的电缆编织线缺陷检测方法和装置，能够针对编织线存在的缺陷做出分类并进行精准定位，实现自动化缺陷检测，解决人工耗时、耗力、检测错误和遗漏等问题。

为了实现上述目的，本发明采用的技术方案为：一种电缆编织线的缺陷检测装置，装置的图像采集装置固定在黑箱内，所述黑箱固定在电缆编织设备的上方，电缆编织线穿过黑箱，所述黑箱内支撑电缆编织线的导向滚轮，所述黑箱内的不同方位设有采集电缆编织线不同侧的相机，所述黑箱内设有光源。

所述黑箱内设有四个相机，分别位于电缆编织线的左侧上方、右侧上方、左侧下方以及右侧下方，所述黑箱内的顶部和底部均设有光源。

所述电缆编织线在黑箱内直线穿行，所述黑箱为不透光的密封箱体，所述黑箱的两端设有供电缆编织线穿过的线孔，所述黑箱的侧面设有检修门。

所述黑箱内的底部固定有至少两个拖住电缆编织线下方的导向滚轮，所述黑箱内的顶部通过向下延伸的连杆固定有至少两个压紧轮，所述压紧轮向下压紧电缆编织线并向其施加向下的压力。

所述电缆编织设备两侧设有桁架，所述桁架的顶端固定有位于电缆编织设备上方的支撑架，所述黑箱固定在支撑架上。

一种电缆编织线的缺陷检测方法，包括以下步骤：

步骤1、当电缆编织线穿过黑箱时，所有相机实时获取电缆编织线的表面图片信息，并生成数据集；

步骤2、将采集得到的图片进行分类，并进行训练获得报警模型和停机模型；

步骤3、根据训练出的停机模型检测电缆编织线是否有停机缺陷发生，若无，则执行步骤4，若有，则进行停机操作；

步骤4、根据训练出的报警模型检测电缆编织线是否有报警缺陷发生，若无，则正常，若有，则显示报警信号。

所述步骤2中，针对电缆编织线的报警缺陷采用无监督的方式进行训练，获得报警模型，针对电缆编织线的停机缺陷采用目标检测中的Yolo v5算法进行训练，获得停机模型。

所述无监督的方式进行训练基于生成网络实现，采用的生成网络是DCGAN，所述DCGAN由生成器与判别器组成，所述生成器用于生成的图像，所述判别器是对生成器生成的图像与输入图像进行区分，分成真实的电缆编织线图片和虚假的电缆编织线图片，获得报警模型；

所述生成器将数据集作为输入，生产随机的100维噪声，再经过7次反卷积操作后得到256*256*3维的图像；所述判别器是对生成器生成的图像与输入图像进行区分，输出值在0-1之间，当输出为1时表示生成器输出的是真实的电缆编织线图片，当输出为0是表示生成器输出的是虚假的电缆编织线图片；

所述判别器的网络结构中，损失函数是由生成器和判别器两部分损失函数构成的，生成器的损失函数为:

判别器的损失函数为:

总得损失函数:Loss＝LossG+LossD。

其中X:输入模型的图像，y:生成器重构后的图像，D(x):真实图片的概率，G(Z):生成器生成的重构图像，D(G(z))表示生成器重构图像的概率；

所述Yolo v5算法进行训练包括：

采用数据增强的方法进行数据扩充；

采用标注工具对扩充后的电缆编织线图片进行标注，并将真实标注框采用k-Means聚类的方法获取到初始锚框；

将标注好的电缆编织线输入到yolo v5算法中进行训练，保存训练好的权重模型；

获得停机模型。

所述步骤3，将数据集输入到DCGAN网络中进行训练，训练完成后，将待检测的图片输入到训练完成的生成器中，生成器重构图像，然后将重构图像与待检测的图像进行残差计算，则定位出缺陷的位置，完成电缆编织线的缺陷检测。

所述步骤4中，将现场采集到的电缆编织线输入到训练好的深度学习框架中完成缺陷检测；当报警信号超出设定的阈值，则控制停机(机器将进行报警，人工进行检查)；当产生停机信号时，机器将停机操作。

本发明采用深度学习的方法进行电缆编织线缺陷检测，能够检测出电缆编织线的缺陷，解决传统人工检测时存在的误检或漏检多问题，通过结合无监督学习与有监督学习的方法进行缺陷检测，能够克服单一的深度学习算法检测准确率低，误检率高的问题。

附图说明

下面对本发明说明书中每幅附图表达的内容及图中的标记作简要说明：

图1为电缆编织线缺陷检测装置结构示意图；

图2为黑箱内部图像采集装置的示意图；

上述图中的标记均为：1、桁架；2、黑箱；3、光源；4、相机；5、导向滚轮；6、压紧轮；7、电缆编织线。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

本发明是基于深度学习的电缆编织线7缺陷检测装置和方法，通过线阵相机4获取电缆编织线7图片，依据训练好的深度学习模型，完成电缆编织线7的缺陷检测任务。

如图1所示，电缆编织线7的缺陷检测装置的图像采集装置固定在黑箱2内，黑箱2固定在电缆编织设备的上方，电缆编织设备两侧设有桁架1，桁架1的顶端固定有位于电缆编织设备上方的支撑架，黑箱2固定在支撑架上，即装置通过桁架1结构横跨安装在编织设备上方，电缆编织线7在黑箱2内直线穿行，黑箱2为不透光的密封箱体，图像采集装置所有零部件均安装在黑箱2中，用来减少外部光线对采集图像造成的干扰。黑箱2的两端设有供电缆编织线7穿过的线孔，黑箱2的侧面设有检修门，方便打开核心检修内部器件。

电缆编织线7穿过黑箱2，在黑箱2中错位安装四台相机4，分别得到电缆的上下表面以及两个侧面图片，一般来说分别位于电缆编织线7的左侧上方、右侧上方、左侧下方以及右侧下方，相机4可以采用2D线扫相机4拍摄图像，还可以使用线激光3D相机4扫描点云进行电缆编织线7的缺陷检测，相较于2D线扫相机4，使用线激光3D相机4能够测量出电缆编织线7上的深度数据，更有利于检测电缆编织线7上凸起缺陷。黑箱2内还设有光源3，优选安装两台光源3位于黑箱2内的顶部和底部，用于照射电缆编织线7。

黑箱2内的底部固定有至少两个拖住电缆编织线7下方的导向滚轮5，黑箱2内的顶部通过向下延伸的连杆固定有至少两个压紧轮6，压紧轮6向下压紧电缆编织线7并向其施加向下的压力，导向滚轮5和压紧轮6配合夹紧电缆编织线7，用于减少机器震动对拍摄图片的影响。

基于上述电缆编织线7的缺陷检测设备可以采用的缺陷检测方法，包括以下步骤：

步骤1、采用图像采集装置获取到待检测电缆编织线7图片，生成数据集；

步骤2、将采集得到的图片进行分类，针对线过疏、过密等报警情况，仅仅采用无监督的方式进行训练；针对线凸起、线断裂等停机情况，采用目标检测中的Yolo v5算法进行训练；从而通过训练获得报警模型和停机模型；

步骤3、根据训练出的停机模型检测电缆编织线7，判断当前电缆编织线7是否有线断裂与(或)凸起现象发生，若无，则执行步骤4，若有，则进行停机操作；

步骤4、根据训练出的报警模型检测电缆编织线7，判断当前电缆编织线7是否有线过疏或过密等现象发生，若无，则正常，若有，则显示报警信号，当报警信号超出设定的阈值，机器将进行报警，人工进行检查。

无监督训练是基于生成网络实现的，其中采用的生成网络是DCGAN。它是由生成器与判别器组成的，输入为随机的100维噪声，经过7次反卷积操作后得到256*256*3维的图像。生成器的网络结构如下表：

判别器是对生成器生成的图像与输入图像进行区分，输出值在0-1之间，当输出为1时表示生成器输出的是真实的电缆编织线7图片，当输出为0是表示生成器输出的是虚假的电缆编织线7图片。判别器网络结构如下表：

其中损失函数是由生成器和判别器两部分损失函数构成的，生成器的损失函数为：

判别器的损失函数为：

总得损失函数：Loss＝LossG+LossD。

其中X：输入模型的图像；

y：生成器重构后的图像；

D(x):真实图片的概率；

G(Z):生成器生成的重构图像；

D(G(z))表示生成器重构图像的概率；

将数据集输入到设计好的DCGAN网络中进行训练，训练完成后，将待检测的图片输入到训练完成的生成器中，生成器重构图像，然后将重构图像与待检测的图像进行残差计算，即能定位出缺陷的位置，从而完成电缆编织线7的缺陷检测。

有监督训练是基于目标检测的Yolo v5算法，包括以下步骤：

首先，在实际生产过程中有线断裂或凸起的电缆编织线7数据样本较少，因而采用数据增强的方法进行数据扩充，主要包括旋转、噪声添加、亮度变化、对比度变化等方法；

之后采用标注工具对扩充后的电缆编织线7图片进行标注，并将真实标注框采用k-Means聚类的方法获取到初始锚框；

然后将标注好的电缆编织线7输入到yolo v5算法中进行训练，保存训练好的权重模型；

最后将现场采集到的电缆编织线7输入到训练好的深度学习框架中完成缺陷检测。

本发明基于深度学习完成电缆编织线7的缺陷检测，能够实时检测缺陷，完成缺陷的定位与分类，并根据缺陷的分类进行相应操作，解决人工检测耗时、耗力，甚至出现漏检、误检等现象的发生；通过深度学习进行缺陷检测相比于传统机器学习更加方便，适用场景更广泛；结合非监督训练与监督训练进行缺陷检测相比于采用单一的深度学习算法进行缺陷检测，其准确率更高，漏检与误检更低。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。