一种电缆外半导电层缺陷识别方法和系统

技术领域

本发明涉及电力电缆检测技术领域，尤其涉及一种电缆外半导电层缺陷识别方法和系统。

背景技术

目前，大部分的电缆线路故障是施工过程中存在不当操作导致的。一方面在铺设电缆过程中由于机械牵引力过大而拉伤电缆或电缆过度弯曲而损伤电缆。另一方面安装中间接头时不当操作导致接头处形成施工缺陷。在上述两方面因素中，电缆中间接头的施工缺陷最为隐蔽，电缆事故中因接头存在施工缺陷导致的占比最大，施工缺陷的存在直接导致接头绝缘性能降低，使用寿命缩短，在接头投入后很容易发生击穿。

中间接头施工质量无法达到的根本原因在于中间接头制作对施工环境和工艺质量要求有较高的要求，但现场施工人员技术水平的良莠不齐及不规范的施工习惯等因素易造成电缆外半导电层部位存在剥切长度不符合规范、切口损伤、混入杂质、存在尖角和毛刺等缺陷。目前缺乏一种对于电缆外半导电层部位剥离不齐缺陷的精确识别方法，当电缆外半导电层部位存在剥离不齐缺陷时，会导致配网电缆运行可靠性降低。

发明内容

本发明提供了一种电缆外半导电层缺陷识别方法和系统，解决了目前缺乏一种对于电缆外半导电层部位剥离不齐缺陷的精确识别方法，当电缆外半导电层部位存在剥离不齐缺陷时，会导致配网电缆运行可靠性降低的技术问题。

本发明第一方面提供的一种电缆外半导电层缺陷识别方法，包括：

响应于接收到的缺陷检测请求，确定所述缺陷检测请求对应的电缆中间接头；

获取所述电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像；

基于投影法，判断所述第一外半导电层图像关联的外半导电层是否存在缺陷；

若存在缺陷，则基于所述第一外半导电层图像关联的特征数据，确定缺陷识别结果。

可选地，所述获取所述电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像的步骤，包括：

获取所述电缆中间接头关联的采样图像，其中，所述采样图像包括电缆中间接头图像以及关联的第一外半导电层图像；

分别对所述电缆中间接头图像以及所述第一外半导电层图像建立关联的RGB彩色空间分量直方分布图；

从所述第一外半导电层图像关联的所述RGB彩色空间分量直方分布图提取对应的RGB分量值；

基于所述RGB分量值确定所述外半导电层本体所处的目标区域，并将所述目标区域的图像作为初步图像，其中，所述初步图像为仅包含外半导电层的图像；

采用Kirsch算子对所述初步图像进行边缘检测，生成外半导电层边缘图像；

对所述外半导电层边缘图像进行填充操作，生成外半导电层二值图像；

对所述外半导电层二值图像进行切割操作，生成第一外半导电层图像。

可选地，所述基于投影法，判断所述第一外半导电层图像关联的外半导电层是否存在缺陷的步骤，包括：

对所述第一外半导电层图像进行径向投影，得到对应的外半导电层投影图；

若所述外半导电层投影图存在尖顶状或台阶状，则判定所述第一外半导电层图像关联的外半导电层存在缺陷。

可选地，所述若存在缺陷，则基于所述第一外半导电层图像关联的特征数据，确定缺陷识别结果的步骤，包括：

若存在缺陷，则获取所述第一外半导电层图像关联的特征数据，其中，所述特征数据包括灰度变化特征数据、几何特征数据和尖顶状或台阶状的占比数据；

所述灰度变化特征数据为所述外半导电层投影图轴向上图像灰度非零区域中小于灰度均值的像素点与灰度非零像素点的比值；

所述几何特征数据为外半导电层外接最小矩形面积与外半导电层面积的比值；

采用所述灰度变化特征数据、所述几何特征数据和所述尖顶状或台阶状的占比数据输入目标神经网络识别模型，输出缺陷识别结果，其中，所述目标神经网络识别模型通过预置的模型训练过程所生成。

可选地，所述模型训练过程包括：

获取多个训练电缆中间接头关联的训练采样图像并进行预处理，生成对应的训练第一外半导电层图像；

获取所述训练第一外半导电层图像关联的训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据；

采用所述训练灰度变化特征数据、所述训练几何特征数据和所述训练尖顶状或台阶状的占比数据输入预设初始神经网络识别模型进行聚类训练，生成对应的训练结果；

计算所述训练结果与标准训练结果之间的误差值；

当所述误差值小于预设标准误差值时，输出所述目标神经网络识别模型。

可选地，还包括模型优化过程：

分别获取所述训练灰度变化特征数据、所述训练几何特征数据和所述训练尖顶状或台阶状的占比数据关联的权重值；

以预设第一调整值调整分别调整所述训练灰度变化特征数据、所述训练几何特征数据和所述训练尖顶状或台阶状的占比数据关联的所述权重值，获取多个权重值组合数据；

分别计算各所述权重值组合数据的误差率；

基于预设筛选条件，从多个所述误差率中筛选出目标误差率，并根据所述目标误差率关联的所述权重值反馈优化所述目标神经网络识别模型，其中，所述预设筛选条件为所述误差率小于或等于预设误差率容忍值且所述误差率为最小值。

可选地，所述训练结果为缺陷类型关联的聚类中心，在所述计算所述训练结果与标准训练结果之间的误差值的步骤之前，还包括：

当所述聚类中心的数量大于预设阈值时，则调整聚类范围；

若调整后的所述聚类中心的数量为预设目标值时，则判定所述聚类中心关联的所述第一外半导电层图像为外半导电层剥离不齐典型缺陷。

可选地，还包括：

当所述缺陷识别结果为外半导电层剥离不齐典型缺陷时，则获取第二外半导电层图像关联的特征数据，其中，所述第一外半导电层图像与所述第二外半导电层图像为同一外半导电层对称的两个方向上所获取的图像；

采用所述第二外半导电层图像关联的特征数据输入所述目标神经网络识别模型进行聚类识别；

当所述第二外半导电层图像关联的缺陷识别结果为外半导电层剥离不齐典型缺陷或聚类结果距离外半导电层剥离不齐典型缺陷的聚类中心值小于预设中心阈值时，则判定关联的所述外半导电层为严重剥离不齐典型缺陷。

本发明第二方面提供的一种电缆外半导电层缺陷识别系统，包括：

响应模块，用于响应于接收到的缺陷检测请求，确定所述缺陷检测请求对应的电缆中间接头；

预处理模块，用于获取所述电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像；

缺陷判断模块，用于基于投影法，判断所述第一外半导电层图像关联的外半导电层是否存在缺陷；

缺陷识别结果模块，用于若存在缺陷，则基于所述第一外半导电层图像关联的特征数据，确定缺陷识别结果。

可选地，所述预处理模块包括：

采样图像子模块，用于获取所述电缆中间接头关联的采样图像，其中，所述采样图像包括电缆中间接头图像以及关联的第一外半导电层图像；

RGB彩色空间分量直方分布图子模块，用于分别对所述电缆中间接头图像以及所述第一外半导电层图像建立关联的RGB彩色空间分量直方分布图；

RGB分量值子模块，用于从所述第一外半导电层图像关联的所述RGB彩色空间分量直方分布图提取对应的RGB分量值；

初步图像子模块，用于基于所述RGB分量值确定所述外半导电层本体所处的目标区域，并将所述目标区域的图像作为初步图像，其中，所述初步图像为仅包含外半导电层的图像；

外半导电层边缘图像子模块，用于采用Kirsch算子对所述初步图像进行边缘检测，生成外半导电层边缘图像；

外半导电层二值图像子模块，用于对所述外半导电层边缘图像进行填充操作，生成外半导电层二值图像；

第一外半导电层图像子模块，用于对所述外半导电层二值图像进行切割操作，生成第一外半导电层图像。

从以上技术方案可以看出，本发明具有以下优点：

在本发明中，响应于接收到的缺陷检测请求，确定缺陷检测请求对应的电缆中间接头，获取电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像，基于投影法，判断第一外半导电层图像关联的外半导电层是否存在缺陷，若存在缺陷，则基于第一外半导电层图像关联的特征数据，确定缺陷识别结果；解决了目前缺乏一种对于电缆外半导电层部位剥离不齐缺陷的精确识别方法，当电缆外半导电层部位存在剥离不齐缺陷时，会导致配网电缆运行可靠性降低的技术问题；本发明先通过投影法对外半导电层进行初判定，若是存在缺陷，然后再对外半导电层关联的采样图像进行预处理，得到第一外半导电层图像，并提取关联的特征数据输入目标神经网络识别模型，进一步判断外半导电层是否存在外半导电层剥离不齐缺陷，本发明识别结果较为准确，同时本发明通过对神经网络识别算法的优化进一步减小了识别的误差率，对于缺陷能进行快速准确识别，提升了配网电缆运行可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例一提供的一种电缆外半导电层缺陷识别方法的步骤流程图；

图2为本发明实施例二提供的一种电缆外半导电层缺陷识别方法的步骤流程图；

图3为第一外半导电层的R色彩空间分量直方分布图；

图4为第一外半导电层的G色彩空间分量直方分布图；

图5为第一外半导电层的B色彩空间分量直方分布图；

图6为图3分离出的第一外半导电层的R色彩空间分量直方分布图；

图7为图4分离出的第一外半导电层的G色彩空间分量直方分布图；

图8为图5分离出的第一外半导电层的B色彩空间分量直方分布图；

图9为边缘检测和填充后得出的图像；

图10为第一外半导电层图像的边缘的灰度变化特征图；

图11为第一外半导电层外接最小矩形面积示意图；

图12为本发明实施例三提供的一种电缆外半导电层缺陷识别系统的结构框图。

具体实施方式

本发明实施例提供了一种电缆外半导电层缺陷识别方法和系统，用于解决目前缺乏一种对于电缆外半导电层部位剥离不齐缺陷的精确识别方法，当电缆外半导电层部位存在剥离不齐缺陷时，会导致配网电缆运行可靠性降低的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例一提供的一种电缆外半导电层缺陷识别方法的步骤流程图。

本发明提供的一种电缆外半导电层缺陷识别方法，包括：

步骤101、响应于接收到的缺陷检测请求，确定缺陷检测请求对应的电缆中间接头。

缺陷检测请求，指的是针对电缆中间接头关联的外半导电层进行缺陷检测的请求信息。

在本发明实施例中，响应于接收到针对电缆中间接头关联的外半导电层进行缺陷检测的请求信息，确定缺陷检测请求对应的电缆中间接头。

步骤102、获取电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像。

第一外半导电层图像，指的是对采样图像进行预处理，从而生成仅包含外半导电层的图像。

在本发明实施例中，获取电缆中间接头关联的采样图像并进行预处理，生成仅包含外半导电层的图像。

步骤103、基于投影法，判断第一外半导电层图像关联的外半导电层是否存在缺陷。

投影法，指的是对第一外半导电层图像的径向进行投影，得到投影图。

在本发明实施例中，对第一外半导电层图像的径向进行投影，得到投影图，并根据投影图中是否存在尖顶状或者台阶状，若是存在则判断在外半导电层与主绝缘的交界存在异常。

步骤104、若存在缺陷，则基于第一外半导电层图像关联的特征数据，确定缺陷识别结果。

在本发明实施例中，若存在缺陷，则提取第一外半导电层图像关联的特征数据，输入通过预置的模型训练过程所生成目标神经网络识别模型，输出缺陷识别结果。

在本发明中，响应于接收到的缺陷检测请求，确定缺陷检测请求对应的电缆中间接头，获取电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像，基于投影法，判断第一外半导电层图像关联的外半导电层是否存在缺陷，若存在缺陷，则基于第一外半导电层图像关联的特征数据，确定缺陷识别结果；解决了目前缺乏一种对于电缆外半导电层部位剥离不齐缺陷的精确识别方法，当电缆外半导电层部位存在剥离不齐缺陷时，会导致配网电缆运行可靠性降低的技术问题；本发明先通过投影法对外半导电层进行初判定，若是存在缺陷，然后再对外半导电层关联的采样图像进行预处理，得到第一外半导电层图像，并提取关联的特征数据输入目标神经网络识别模型，进一步判断外半导电层是否存在外半导电层剥离不齐缺陷，本发明识别结果较为准确，同时本发明通过对神经网络识别算法的优化进一步减小了识别的误差率，对于缺陷能进行快速准确识别，提升了配网电缆运行可靠性。

请参阅图2，图2为本发明实施例二提供的一种电缆外半导电层缺陷识别方法的步骤流程图。

本发明提供的一种电缆外半导电层缺陷识别方法，包括：

步骤201、响应于接收到的缺陷检测请求，确定缺陷检测请求对应的电缆中间接头。

在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。

步骤202、获取电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像。

进一步地，步骤202可以包括以下子步骤：

S11、获取电缆中间接头关联的采样图像，其中，采样图像包括电缆中间接头图像以及关联的第一外半导电层图像。

S12、分别对电缆中间接头图像以及第一外半导电层图像建立关联的RGB彩色空间分量直方分布图。

S13、从第一外半导电层图像关联的RGB彩色空间分量直方分布图提取对应的RGB分量值。

S14、基于RGB分量值确定外半导电层本体所处的目标区域，并将目标区域的图像作为初步图像，其中，初步图像为仅包含外半导电层的图像。

S15、采用Kirsch算子对初步图像进行边缘检测，生成外半导电层边缘图像。

S16、对外半导电层边缘图像进行填充操作，生成外半导电层二值图像。

S17、对外半导电层二值图像进行切割操作，生成第一外半导电层图像。

在本发明实施例中，获取电缆中间接头图像以及电缆中间接头图像关联的第一外半导电层图像，分别对电缆中间接头图像以及第一外半导电层图像建立关联的RGB彩色空间分量直方分布图，其中，第一外半导电层图像的RGB彩色空间分量直方分布图如图3-图5所示，首先对第一外半导电层图像的RGB彩色空间分量直方分布图分离出第一外半导电层本体，然后再对电缆中间接头图像的RGB彩色空间分量直方分布图提取RGB分量值，通过分离出的第一外半导电层分布图的RGB分量值与电缆中间接头图像关联的RGB分量值，判断电缆中间接头图像中的第一外半导电层的区域；基于RGB分量值确定第一外半导电层本体所处的目标区域，并将目标区域的图像作为初步图像，其中，初步图像为仅包含第一外半导电层的图像；

根据图3-图5分离出的第一外半导电层提取了其RGB分量值如图6-图8所示。各灰度分量作为外半导电层的主要颜色特征能够有效的判定外半导电层的区域。值得一提的是，通过RGB分量值可将电缆中间接头图像与第一外半导电层图像分离开。

在S15中采用Kirsch算子对初步图像进行边缘检测，生成外半导电层边缘图像，具体为：

选定中心点，以3×3邻域的8个相邻点进行灰度运算，被测点的邻域如

本实施例中，Si设定为常用的8个模板，包括：

由于经过S16边缘检测的图像为仅仅只有边缘线的框图，因此，需要向经过边缘检测的图像进行填充，如图9，背景为黑色，第一外半导电层为白色，经过填充后的图像仅仅包含黑白颜色的二值图像，由于提取出来的是包含黑色背景的图像，因此通过S17对外半导电层二值图像进行切割，也即将背景剔除，优选的，可以采用最大类间方差法对第一外半导电层与背景的混合图像进行分割，最大类间方差法按灰度阈值e分割图像，生成第一外半导电层图像。

RGB色彩空间——以R(Red:红)、G(Green:绿)、B(Blue:蓝)三种基本色为基础，进行不同程度的叠加；

灰度值——将像素点从黑到白划分不同值，范围一般从0到255，白色为255，黑色为0。

步骤203、对第一外半导电层图像进行径向投影，得到对应的外半导电层投影图。

在本发明实施例中，对第一外半导电层图像的径向进行投影，得到外半导电层投影图。

值得一提的是，第一外半导电层图像是由一个个像素点组成的矩阵形式，投影也即对第一外半导电层图像的灰度矩阵做运算，得到n列的直方投影图。

步骤204、若外半导电层投影图存在尖顶状或台阶状，则判定第一外半导电层图像关联的外半导电层存在缺陷。

在本发明实施例中，并根据投影图中是否存在尖顶状或者台阶状，若是存在则判断在外半导电层与主绝缘的交界存在异常。

步骤205、若存在缺陷，则基于第一外半导电层图像关联的特征数据，确定缺陷识别结果。

进一步地，步骤205可以包括以下子步骤：

S21、若存在缺陷，则获取第一外半导电层图像关联的特征数据，其中，特征数据包括灰度变化特征数据、几何特征数据和尖顶状或台阶状的占比数据。

灰度变化特征数据为外半导电层投影图轴向上图像灰度非零区域中小于灰度均值的像素点与灰度非零像素点的比值。

几何特征数据为外半导电层外接最小矩形面积与外半导电层面积的比值。

S22、采用灰度变化特征数据、几何特征数据和尖顶状或台阶状的占比数据输入目标神经网络识别模型，输出缺陷识别结果，其中，目标神经网络识别模型通过预置的模型训练过程所生成。

在本发明实施例中，获取第一外半导电层图像的边缘的灰度变化特征与几何特征，判断电缆外半导电层是否存在外半导电层剥离不齐缺陷具体为：如图10所示，定义占空比为投影图轴向上图像灰度非零区域中小于灰度均值的像素点与灰度非零像素点的比值，得到投影图的占空比，图10中占空比为0.165，若占空比值大于0.1，则判断为异常区域，然后通过外半导电层外接最小矩形面积(如图11所示)与外半导电层面积之比，求出外半导电层的矩形度，规定矩形度在[0.95，1.05]内为正常，通过矩形度比较大小与占空比相结合，对外半导电层剥离不齐典型缺陷进行识别。

进一步地，步骤205还可以包括以下子步骤：

S23、当缺陷识别结果为外半导电层剥离不齐典型缺陷时，则获取第二外半导电层图像关联的特征数据，其中，第一外半导电层图像与第二外半导电层图像为同一外半导电层对称的两个方向上所获取的图像。

S24、采用第二外半导电层图像关联的特征数据输入目标神经网络识别模型进行聚类识别。

S25、当第二外半导电层图像关联的缺陷识别结果为外半导电层剥离不齐典型缺陷或聚类结果距离外半导电层剥离不齐典型缺陷的聚类中心值小于预设中心阈值时，则判定关联的外半导电层为严重剥离不齐典型缺陷。

在本发明实施例中，若第一外半导电层图像的缺陷识别结果为外半导电层剥离不齐典型缺陷，则获取该外半导电层图像对应的外半导电层另一边的图像(同一个电缆外半导电层不同拍照方向的图像，也即第二外半导电层图像)，并对第二外半导电层图像输入目标神经网络识别模型进行缺陷识别，若第二外半导电层图像的缺陷识别结果仍为外半导电层剥离不齐典型缺陷，则判断为严重剥离不齐缺陷，或，若某一个外半导电层图像的聚类结果距离外半导电层剥离不齐典型缺陷的聚类中心值小于设定的阈值，则判断为严重剥离不齐缺陷，其他则判断为一般剥离不齐缺陷。(设定了严重剥离不齐缺陷的阈值)。

进一步地，模型训练过程包括：

A11、获取多个训练电缆中间接头关联的训练采样图像并进行预处理，生成对应的训练第一外半导电层图像。

A12、获取训练第一外半导电层图像关联的训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据。

A13、采用训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据输入预设初始神经网络识别模型进行聚类训练，生成对应的训练结果。

在本发明实施例中，通过获取的将投影图的尖顶或者台阶状的占比大小、投影图的占空比以及矩形度作为特征量，对外半导电层进行归类聚类，聚类包括无缺陷和外半导电层剥离不齐典型缺陷；对预设初始神经网络识别模型进行训练，若神经网络训练的结果误差值小于设定值时结束训练，得到目标神经网络识别模型；对于任意一个新的外半导电层图像，通过目标神经网络识别模型进行聚类计算得出该外半导电层图像与聚类的中心的欧式距离，最小欧式距离对应的聚类中心的聚类即为外半导电层图像的聚类。(通过训练得到两个个聚类中心，无缺陷和外半导电层剥离不齐缺陷，检测时得到新的聚类，通过与新聚类欧氏距离最小的聚类中心判断是否存在缺陷)。

A14、计算训练结果与标准训练结果之间的误差值。

A15、当误差值小于预设标准误差值时，输出目标神经网络识别模型。

在本发明实施例中，将投影图的尖顶或者台阶状的占比大小、投影图的占空比以及矩形度三个特征量作为输入层的神经元个数，输出为是否存在外半导电层剥离不齐典型缺陷，对预设初始神经网络识别模型进行训练，若神经网络训练的结果误差值小于设定值时结束训练，得到目标神经网络识别模型。

进一步地，还包括模型优化过程：

A16、分别获取训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据关联的权重值。

A17、以预设第一调整值调整分别调整训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据关联的权重值，获取多个权重值组合数据。

A18、分别计算各权重值组合数据的误差率。

A19、基于预设筛选条件，从多个误差率中筛选出目标误差率，并根据目标误差率关联的权重值反馈优化目标神经网络识别模型，其中，预设筛选条件为误差率小于或等于预设误差率容忍值且误差率为最小值。

在本发明实施例中，设定投影图的尖顶或者台阶状的占比大小、投影图的占空比以及矩形度对应的权重值分别为α

进一步地，训练结果为缺陷类型关联的聚类中心，在A14之前，还可以包括以下步骤；

A141、当聚类中心的数量大于预设阈值时，则调整聚类范围。

A142、若调整后的聚类中心的数量为预设目标值时，则判定聚类中心关联的第一外半导电层图像为外半导电层剥离不齐典型缺陷。

在本发明实施例中，若聚类数量超过两个，则对聚类进行优化，优化的方法为：对所包含的外半导电层图像最多的某一个聚类定义为无缺陷(定义数量最多的外半导电层图像的聚类无缺陷)，对于其他的外半导电层图像，调整聚类的范围，即增加某一个聚类结果允许的最大欧式距离(调整具有某个的聚类的范围，使得剩余的图像只在一个聚类中，则调整的聚类为有缺陷的聚类)，若通过调整聚类的范围使聚类为一个，则判断这个聚类为外半导电层剥离不齐典型缺陷。

在本发明中，响应于接收到的缺陷检测请求，确定缺陷检测请求对应的电缆中间接头，获取电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像，基于投影法，判断第一外半导电层图像关联的外半导电层是否存在缺陷，若存在缺陷，则基于第一外半导电层图像关联的特征数据，确定缺陷识别结果；解决了目前缺乏一种对于电缆外半导电层部位剥离不齐缺陷的精确识别方法，当电缆外半导电层部位存在剥离不齐缺陷时，会导致配网电缆运行可靠性降低的技术问题；本发明先通过投影法对外半导电层进行初判定，若是存在缺陷，然后再对外半导电层关联的采样图像进行预处理，得到第一外半导电层图像，并提取关联的特征数据输入目标神经网络识别模型，进一步判断外半导电层是否存在外半导电层剥离不齐缺陷，本发明识别结果较为准确，同时本发明通过对神经网络识别算法的优化进一步减小了识别的误差率，对于缺陷能进行快速准确识别，提升了配网电缆运行可靠性。

请参阅图12，图12为本发明实施例三提供的一种电缆外半导电层缺陷识别系统的结构框图。

本发明提供的一种电缆外半导电层缺陷识别系统，包括：

响应模块301，用于响应于接收到的缺陷检测请求，确定缺陷检测请求对应的电缆中间接头；

预处理模块302，用于获取电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像；

缺陷判断模块303，用于基于投影法，判断第一外半导电层图像关联的外半导电层是否存在缺陷；

缺陷识别结果模块304，用于若存在缺陷，则基于第一外半导电层图像关联的特征数据，确定缺陷识别结果。

进一步地，预处理模块302包括：

采样图像子模块，用于获取电缆中间接头关联的采样图像，其中，采样图像包括电缆中间接头图像以及关联的第一外半导电层图像；

RGB彩色空间分量直方分布图子模块，用于分别对电缆中间接头图像以及第一外半导电层图像建立关联的RGB彩色空间分量直方分布图；

RGB分量值子模块，用于从第一外半导电层图像关联的RGB彩色空间分量直方分布图提取对应的RGB分量值；

初步图像子模块，用于基于RGB分量值确定外半导电层本体所处的目标区域，并将目标区域的图像作为初步图像，其中，初步图像为仅包含外半导电层的图像；

外半导电层边缘图像子模块，用于采用Kirsch算子对初步图像进行边缘检测，生成外半导电层边缘图像；

外半导电层二值图像子模块，用于对外半导电层边缘图像进行填充操作，生成外半导电层二值图像；

第一外半导电层图像子模块，用于对外半导电层二值图像进行切割操作，生成第一外半导电层图像。

进一步地，缺陷判断模块303包括：

外半导电层投影图子模块，用于对第一外半导电层图像进行径向投影，得到对应的外半导电层投影图；

缺陷判定子模块，用于若外半导电层投影图存在尖顶状或台阶状，则判定第一外半导电层图像关联的外半导电层存在缺陷。

进一步地，缺陷识别结果模块304包括：

特征数据子模块，用于若存在缺陷，则获取第一外半导电层图像关联的特征数据，其中，特征数据包括灰度变化特征数据、几何特征数据和尖顶状或台阶状的占比数据；

灰度变化特征数据为外半导电层投影图轴向上图像灰度非零区域中小于灰度均值的像素点与灰度非零像素点的比值；

几何特征数据为外半导电层外接最小矩形面积与外半导电层面积的比值；

目标神经网络识别模型子模块，用于采用灰度变化特征数据、几何特征数据和尖顶状或台阶状的占比数据输入目标神经网络识别模型，输出缺陷识别结果，其中，目标神经网络识别模型通过预置的模型训练过程所生成。

进一步地，模型训练过程包括：

获取多个训练电缆中间接头关联的训练采样图像并进行预处理，生成对应的训练第一外半导电层图像；

获取训练第一外半导电层图像关联的训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据；

采用训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据输入预设初始神经网络识别模型进行聚类训练，生成对应的训练结果；

计算训练结果与标准训练结果之间的误差值；

当误差值小于预设标准误差值时，输出目标神经网络识别模型。

进一步地，还包括模型优化过程：

分别获取训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据关联的权重值；

以预设第一调整值调整分别调整训练灰度变化特征数据、训练几何特征数据和训练尖顶状或台阶状的占比数据关联的权重值，获取多个权重值组合数据；

分别计算各权重值组合数据的误差率；

基于预设筛选条件，从多个误差率中筛选出目标误差率，并根据目标误差率关联的权重值反馈优化目标神经网络识别模型，其中，预设筛选条件为误差率小于或等于预设误差率容忍值且误差率为最小值。

进一步地，训练结果为缺陷类型关联的聚类中心，在计算训练结果与标准训练结果之间的误差值的步骤之前，还包括：

当聚类中心的数量大于预设阈值时，则调整聚类范围；

若调整后的聚类中心的数量为预设目标值时，则判定聚类中心关联的第一外半导电层图像为外半导电层剥离不齐典型缺陷。

进一步地，缺陷识别结果模块304还包括：

第一数据处理子模块，用于当缺陷识别结果为外半导电层剥离不齐典型缺陷时，则获取第二外半导电层图像关联的特征数据，其中，第一外半导电层图像与第二外半导电层图像为同一外半导电层对称的两个方向上所获取的图像；

第二数据处理子模块，用于采用第二外半导电层图像关联的特征数据输入目标神经网络识别模型进行聚类识别；

缺陷识别结果更新子模块，用于当第二外半导电层图像关联的缺陷识别结果为外半导电层剥离不齐典型缺陷或聚类结果距离外半导电层剥离不齐典型缺陷的聚类中心值小于预设中心阈值时，则判定关联的外半导电层为严重剥离不齐典型缺陷。

在本发明中，响应于接收到的缺陷检测请求，确定缺陷检测请求对应的电缆中间接头，获取电缆中间接头关联的采样图像并进行预处理，生成对应的第一外半导电层图像，基于投影法，判断第一外半导电层图像关联的外半导电层是否存在缺陷，若存在缺陷，则基于第一外半导电层图像关联的特征数据，确定缺陷识别结果；解决了目前缺乏一种对于电缆外半导电层部位剥离不齐缺陷的精确识别方法，当电缆外半导电层部位存在剥离不齐缺陷时，会导致配网电缆运行可靠性降低的技术问题；本发明先通过投影法对外半导电层进行初判定，若是存在缺陷，然后再对外半导电层关联的采样图像进行预处理，得到第一外半导电层图像，并提取关联的特征数据输入目标神经网络识别模型，进一步判断外半导电层是否存在外半导电层剥离不齐缺陷，本发明识别结果较为准确，同时本发明通过对神经网络识别算法的优化进一步减小了识别的误差率，对于缺陷能进行快速准确识别，提升了配网电缆运行可靠性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。