本课题重点研究了车载高压电缆线芯图像的纹理消除方法。近年来,全国各地发生了多起因高压电缆问题引起电动汽车自燃事件,造成财产损失并威胁到生命安全,因而电动汽车电缆的安全性和可靠性非常重要。在对电动汽车的电缆线芯参数测量过程中,刀痕纹理严重影响了测量效果,降低了测量精度。为提高电缆线芯质量检测精度和效率,刀痕纹理干扰问题亟待解决。因此,对车载高压电缆线芯图像纹理消除方法进行研究可以提高测量效果,保证电缆的质量,从而提升电动汽车的安全性。目前,利用机器视觉实现车载高压电缆线芯参数测量是一个重要的发展趋势,但在制样过程中,采集到的线芯截面图像易受刀具行程变化、刀具磨损及电缆线芯的自身材质等因素影响,产生显著的刀痕纹理,成像时对参数测量造成不同程度的干扰,严重影响了电缆线芯参数的测量。刀痕纹理消除是线芯测量的关键第一步。本文研究聚焦于电缆线芯图像刀痕纹理消除,在消除刀痕纹理的同时,尽可能地保留线芯导体的轮廓边缘信息。本文主要从多角度分析线芯图像刀痕纹理的分布特点,提出了三种刀痕纹理消除方法,并通过实验验证了算法的有效性。主要研究内容如下:（1）提出了一种基于双边滤波的线芯图像纹理消除方法,分析采集的线芯截面图像,分析刀痕纹理空域分布特点,运用双边滤波器的“保边去噪”的特点,将空域邻近度和像素相似度参数结合起来,以获得最佳的纹理消除效果。（2）提出了一种基于改进频域滤波的线芯图像纹理消除方法,将线芯图像的刀痕纹理映射到频域中,分析刀痕纹理在频域中的主能量方向,研究改进型巴特沃斯陷波滤波器,设计了椭圆形的窄阻带邻域以降低刀痕纹理对应的带状区域能量,从而消除刀痕纹理。（3）提出了一种基于深度学习的线芯图像纹理消除方法,从图像的内容构成进行分析,线芯图像由前景图像（刀痕纹理图像）和背景图像（线芯导体结构图像）组成,搭建并训练卷积编解码网络模型,预测纹理消除后的图像,该方法实现简单,消除刀痕纹理效果较好。实验表明,本文提出的三种方法在纹理消除效果上表现各自的特点:空域方法易于消除多且细小的纹理分布特征;频域方法纹理消除效果较稳定,运算速度较快,能消除大部分方向性特征的刀痕纹理;深度学习方法适用于多种、较复杂的刀痕纹理特征消除。以上三种方法均能有效地消除线芯截面图像中的刀痕纹理,同时也能较好地保留线芯导体轮廓边缘信息,具有良好的刀痕纹理消除效果。