CN107993225A - 一种磁光涡流成像检测的缺陷识别方法 - Google Patents
一种磁光涡流成像检测的缺陷识别方法 Download PDFInfo
- Publication number
- CN107993225A CN107993225A CN201711219094.1A CN201711219094A CN107993225A CN 107993225 A CN107993225 A CN 107993225A CN 201711219094 A CN201711219094 A CN 201711219094A CN 107993225 A CN107993225 A CN 107993225A
- Authority
- CN
- China
- Prior art keywords
- magneto
- optic
- threshold
- value
- mark
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000003384 imaging method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 31
- 239000013589 supplement Substances 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 11
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 230000003190 augmentative effect Effects 0.000 claims description 5
- 230000005381 magnetic domain Effects 0.000 claims description 4
- 238000013019 agitation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000005284 excitation Effects 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000000205 computational method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241001248531 Euchloe <genus> Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004446 light reflex Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10052—Images from lightfield camera
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种磁光涡流成像检测的缺陷识别方法,包括以下步骤:S1:初始化磁光图像及参数;S2:对完成灰度化的磁光灰度图像窗口编号赋值;S3:连通性统计处理;S4:分割图像滤波处理;S5:输出检测结果。本发明提出了基于连通性的缺陷识别检测方法,该方法主要从磁光图像的产生原理上解释了缺陷引起的磁场变化规律,同时阐述了激励在磁场的畸变中所处的地位,并在分析磁场畸变的基础之上,设计了缺陷识别方法。本方法在检测图像信息含量较弱且凭肉眼无法识别的情况下,可以很快的将缺陷定位并描述其形状特性。且通过对以上方法的分析和结果的展示可以验证,本发明提出的缺陷识别方法对磁光图像具有极强的实用性。
Description
技术领域
本发明涉及涡流检测可视化领域,尤其涉及一种磁光涡流成像检测的缺陷识别方法。
背景技术
在涡流检测发展过程中,一直在追求检测的可视化,希望可以通过可视化方法可以更加直观的了解缺陷存在的形式。在涡流可视化的研究中,先后有涡流阵列检测方法、脉冲涡流热成像检测方法和涡流磁光检测方法等。通过对这些方法的研究表明,磁光涡流成像检测无论在精度和检测速度上都是这三种方法中最优的,而且这种成像方式更加直观,数据不需要做多余的处理便可得到图像信息。其中,磁光直接检测到的信号为空间中的磁场信号,该磁场信号由涡流和试件缺陷共同作用产生,因此通过对磁场空间的成像,可以直接将内部缺陷的形状进行可视化。另外,对涡流精确检测的研究可以知道,通过对涡流趋肤深度的控制,使用不同的激励方式,可以检测到不同深度下的缺陷形状,实现内部缺陷的可视化检测。
然而在检测过程中的各种难题也是层出不穷。根据磁光涡流检测基本原理可知,图像的成像是光和磁场的作用而产生的,由于其对磁场的灵敏度很高,微小的磁场运动都会表现在磁光图像上。这为缺陷的检测带来了巨大的干扰和挑战。另外,缺陷的形成过程是复杂多变的,没有固定的形状和深度,因此在图像处理中,一般的图像处理方法很难识别出缺陷的位置,比如深度学习和模式识别等。因为这些方法都是建立在图像本身具有的固定信息上,具有明显的区分度。
具体地,由于多种混合因素的存在,如材料的磁畴、激光的不均匀、薄膜间隙间的光干涉等等原因,都会使得磁光图像中存在对缺陷识别有干扰的其他图像。特别是磁化磁场的原因,这些都会随着磁场激励的不同而不同,在表现上和缺陷对磁场的影响极其相似。这些都使得对磁光图像而言很难确定缺陷的具***置。由于缺陷和干扰图像都是变化的,没有固定的形状和位置,因此现有的图像分割和识别方法很难对磁光图像进行处理,实际效果不好。
因此,需要建立一个新的图像处理机制来解决磁光涡流成像中的缺陷识别问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种磁光涡流成像检测的缺陷识别方法。
本发明的目的是通过以下技术方案来实现的:一种磁光涡流成像检测的缺陷识别方法,包括以下步骤:
S1:将磁光涡流成像检测到的磁光图像I进行灰度化处理,得到灰度化后的磁光图像G,,其大小为m×n;
S2:对完成灰度化的磁光灰度图G进行窗口化处理,设定一个窗口Window,大小为Windowsize×Windowsize的一个方阵;方阵排列为从左往右,从上而下的顺序进行生成:
当原磁光图像的大小边界m和n都是参数Windowsize的整数倍时,生成的窗口所组成的阵列尺寸为M×N,其中M=m/Windowsize,N=n/Windowsize;
如果不满足整除关系的时候,对剩下的不能满足Windowsize×Windowsize大小的区域,即图像边沿部分,进行特殊处理,就按照最后剩下的大小作为一个窗口;这样将磁光灰度图G划分为了多个小窗口图像,称为像素块,此时得到的窗口阵列大小为M=floor(Windowsize)+1,N=floor(Windowsize)+1,其中floor(*)表示向下取整,即舍去小数部分,取整数部分;
S3:对M×N个像素块建立一个标记矩阵Mark(M,N),大小为M×N;遍历所有像素块,对每个像素块的像素值进行统计,设定一个阈值Threshold:
(1)若第l行,第h列窗口中像素值Window(i,j)<Threshold的像素点个数占整个窗口像素点数量的Z%以上,则认定该窗口为缺陷或者磁畴斑点的一部分,则令此时窗口对应的编号位置的值Mark(l,h)=1;
(2)若第l行,第h列窗口中的像素值在阈值Threshold以下的不到Z%的,则令Mark(l,h)=0,其中0<l<M和0<h<N;
S4:对标记矩阵Mark进行连通性运算处理,即对于Mark矩阵中的非零元素进行统计,采用4方向联通原则,使得上下左右都是非零元素的集合认为是一个联通容器,若与其他的非零元素群隔离,那另外的认为是另一个联通容器,这样对所有的非零联通容器进行编号为1~n;按照规则对标记矩阵进行处理后得到n个联通容器,且编号值为1~n,记为L(n);
S5:对连通性图像进行统计处理,即统计在矩阵L数字i的个数,其中i=1,···,n,得到每个数字的数量Number(i),表示编号为i的联通容器所包含的像素块个数;其中,认为缺陷位置的连通性数量一定是最大的几个数,将向量数表Number排序后,取向前差分最大的那个数为阈值Threshold_filter,然后对Mark矩阵进行遍历:
(1)若Mark(l,h)=i,且Number(i)<Threshold_filter,则Markout(l,h)=0;
(2)若Mark(l,h)=i,且Number(i)≥Threshold_filter,则Markout(l,h)=1;
最后得到修改后的缺陷磁光二值化图像Markout;
S6:对于步骤S5中标记矩阵Mark中的非零像素块,且满足Number(i)<Threshold_filter条件的像素块Mark(l,j),在图G中找到对应的位置,使用步骤S2中相反的方式,用磁光灰度图G的全局灰度值的均值进行回填,即用大的像素值去修改原有的较低的像素值;
其中,步骤S3所述的阈值Threshold的选取方法包括以下子步骤:
S301:对磁光灰度图G进行均值滤波;
S302:初始化,设定初始增补值q,每次填充高度Δq,每次填充用的编号t=1,计算图像的最大像素值p,取1.2p为增补的最大边界高度,保证对整副磁光图像扫描完毕;
S303:对滤波后的磁光灰度图像进行增补操作:设置一个单位矩阵H,其大小和G等大;对磁光图像G进行如下式计算:
Φ=q·H-G;
其中Φ为数据统计矩阵,Φ矩阵中包含了被填充部分的像素信息;
S304:对矩阵Φ进行统计,对矩阵Φ的像素点进行全面扫描,计算矩阵Φ中大于等于0的像素点个数,存储于向量元素S(t)中,为第t次增补过程后的需要统计的像素个数;记录每次增补时统计的像素点数量;
S305:对q进行更新前的评估,并记录该值V(t)=q,若q≤1.2G,则更新计算参数,其中q=q+Δq,t=t+1,返回步骤S303;若q>1.2G,则停止计算,进入步骤S306;
S306:经过以上步骤后,得到一个填充面积向量S,它记录了每次增补后使用了的像素个数,同时得到一个增补高度向量V,对应于每次增补的高度;为了得到最佳阈值,需要对数据集合X(V,S)进行统计分析;其中,最佳阈值为S变化率最大的部分,而对应的填充高度V(t)值即为最佳阈值;
S307:对X求一次导数得到X(1),二次导数X(2);其中,X(1)代表了X的变化率,X(2)代表了X(1)的变化率;通过对X(2)分析找到X(1)曲线中的典型的变化部分,即满足:
(1)X(2)(i)>0,且X(2)(i-1)<0,则第i点为X(1)图线的最小值点;
(2)在第i点以后,满足X(2)(j)<0,且X(2)(j-1)>0则为X(1)图线的最大值点;
这样就搜寻到S向量中变化率最大的部分,即为第j个点处;
S308:通过步骤S307找到的第j个点为向量S的最大变化率的点,其对应的填充高度V(j)即为寻找的磁光图像的最佳阈值Threshold=V(j)。
进一步地,在步骤S306中,由于该集合X为离散数据点对,纵坐标为像素填充面积值,横坐标为对应填充的高度,这些点对在步骤S307中要进行求导计算,为了使得计算更加准确,减少扰动误差,对数据集合进行了三次样条差值处理,使得集合X更加平滑。
进一步地,由于X数据点对经过三次样条插值平滑过,使得找到的点的编号j可能为一个非整数值,为此将j向上取整得到jref,此时的阈值Threshold=V(jref)为所计算的得到最佳阈值。
进一步地,在步骤S5中,在向量数表Number排序后,对其做差分,得到一个差分向量L;假设L中有n个元素,则将向量中的值全部归一化到[0,n]区间,然后对这些值进行统计,选取第一个大于1的值为分界点,作为缺陷和干扰区域的的分界。
本发明的有益效果是:
本发明提出了基于连通性的缺陷识别检测方法,该方法主要从磁光图像的产生原理上解释了缺陷引起的磁场变化规律,同时阐述了激励在磁场的畸变中所处的地位,并在分析磁场畸变的基础之上,设计了缺陷识别方法。本方法在检测图像信息含量较弱且凭肉眼无法识别的情况下,可以很快的将缺陷定位并描述其形状特性。且通过对以上方法的分析和结果的展示可以验证,本发明提出的缺陷识别方法对磁光图像具有极强的实用性。另外,由于本方法在缺陷识别过程中对图像的分割好坏要求较高,分割结果将直接影响算法的识别能力;在这个强烈的需求之下,设计了基于磁光成像特性的图像分割方法——自适应阈值计算方法。从分割结果可以看出,根据对偶计算方法得到的最佳阈值可以很好的得到确缺陷的特征,其轮廓和位置都展现的非常完整。另一方面,最佳阈值是建立在缺陷与干扰图像在成像特性上的算法,因此,它对缺陷和干扰图像之间的区分能力也非常优秀。
附图说明
图1为本发明方法流程图;
图2为磁光检测图像的灰度图;
图3为磁光检测图像的窗口化示意图;
图4为窗口区域划分规则示意图;
图5为图像二值化联通编号示意图;
图6为窗口大小为15×15像素点的磁光图像窗口标记二值化图;
图7为连通域编号图;
图8为窗口大小为15×15像素点的缺陷标记图;
图9为原磁光检测图像灰度图和逆标记后的磁光灰度图;
图10为增强后的原磁光灰度图和增强后的逆标记后的磁光灰度图;
图11为窗口大小为5×5像素点的磁光图像窗口标记二值化图;
图12为窗口大小为5×5像素点的缺陷标记图;
图13为经过缺陷处横切面示意图;
图14为磁光检测原图和中指平滑示意图;
图15为阈值搜索流程图;
图16为增补像素点的数量统计分析曲线示意图;
图17为阈值threshold=44时的图像分割示意图;
图18为连通域面积排序归一化差分曲线示意图;
图19为结合了阈值搜索的缺陷识别图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案:
在图像处理中,一方面为了处理速度快;另一方面,因为磁场影响图像的根本因素是对其部分区域的光线的通过量的影响,也即磁光图像主要的特性为明暗程度,所以在本实施例中的方法设计过程中都使用的是磁光图像的灰度图。从图2中可以看到,通过对图像的灰度处理,在中下部分的混合区域有了明显的区分边界,因此灰度图对图像的处理具有促进作用。
从磁光成像机理分析,在没有缺陷的区域,由于各种干扰的存在,会出现区域性的磁场,导致斑点干扰的存在。这些区域在位置上是随机不确定的,因此无法对干扰信息进行定点捕捉,但是存在的区域都不会很大。相反,由于一般具有破坏性的缺陷都会比这种微观尺寸要大很多。从光的能量分析,当光从试件上表面反射到检偏器时,由于在不同可视区域内的不同原因造成了空间磁场的分布不均匀,在缺陷处的磁场强于没有缺陷处的磁场,因此光在有缺陷部分的旋转角度大于没有缺陷部分光的旋转角度。所以在缺陷的地方的光通量小,在正常部分光通量大,也即在缺陷处的图像会比干扰处的图像像素值低很多(注意:当检偏器旋转的角度不同时,也有可能出现相反的结果,但是相对差不变)。在图像中虽然看上去两者相差不多,但是在像素级将会有很大的差别。由以上分析,可以得出两条推论:
(1)在图像中,缺陷区域的面积大于单个干扰区域的面积;
(2)在图像中,缺陷的连通性比干扰区域的联通好。
因此,以上两条推论分别从局部和全局对缺陷和干扰进行了特性阐述。根据这两条特性,可以设计出区别缺陷和干扰的方法,如图1所示,其主要处理步骤如下:
S1:得到一个检测到的磁光图像I,将其灰度化,得到灰度化后的磁光图像G,如图2所示,其大小为m×n,在本实施例中使用的是1205×1345大小。
S2:为了增加联通特性,对完成灰度化的磁光灰度图G进行窗口化处理,如图3所示网格。设定一个窗口Window,大小为Windowsize×Windowsize的一个方阵。方阵排列为从左往右,从上而下的顺序进行生成。当原磁光图像的大小边界m和n都是参数Windowsize的整数倍时,生成的窗口所组成的阵列尺寸为M×N,其中M=m/Windowsize,N=n/Windowsize。如果不满足整除关系的时候,需要做特殊的处理,如图4所示,对于区域“1”(非最后一列和最后一行),按照固定大小进行划分,为一个方阵,对于“2”,“3”,“4”这三部分区域,是对区域“1”划分后,剩下的可能不能满足Windowsize×Windowsize大小的区域,即图像边沿部分,需要特殊处理,就按照最后剩下的大小(每行)作为一个窗口。例如,Windowsize=10,第一行窗口最后剩下的为10×8的大小,而不是10×10,则按照10×8大小建立这个窗口,如图4所示。这样将磁光灰度图G划分为了由一个一个的小窗口图像,称为像素块,此时得到的窗口阵列大小为M=floor(Windowsize)+1,N=floor(Windowsize)+1,其中floor(*)表示向下取整,即舍去小数部分,取整数部分。
S3:对M×N个像素块建立一个标记矩阵Mark(M,N),大小为M×N。遍历所有像素块,对每个像素块的像素值进行统计,设定一个阈值Threshold:
(1)若第l行,第h列窗口中像素值Window(i,j)<Threshold的像素点个数占整个窗口像素点数量的60%以上,则认定该窗口为缺陷或者磁畴斑点的一部分,如图3的“2”号小窗口,则令此时窗口对应的编号位置的值Mark(l,h)=1;
(2)若第l行,第h列窗口中的像素值在阈值Threshold以下的不到60%的,如图3的“1”号小窗口,则令Mark(l,h)=0,其中0<l<M和0<h<N。
S4:对标记矩阵Mark进行连通性运算处理。即对于Mark矩阵中的非零元素进行统计,采用4方向联通原则,使得上下左右都是非零元素的集合认为是一个联通容器,若与其他的非零元素群隔离,那另外的认为是另一个联通容器,这样对所有的非零联通容器进行编号为1~n;按照规则对标记矩阵进行处理后得到n个联通容器,且编号值为1~n,记为L(n);如图5所示,为联通容器为4个的时候的示意图。
S5:对连通性图像进行统计处理,即统计在矩阵L数字i的个数,其中i=1,···,n,得到每个数字的数量Number(i),表示编号为i的联通容器所包含的像素块个数。根据上述两条推论,认为缺陷位置的连通性数量一定是最大的几个数,将向量数表Number排序后,取向前差分最大的那个数为阈值Threshold_filter,然后对Mark矩阵进行遍历:
(1)若Mark(l,h)=i,且Number(i)<Threshold_filter,则Markout(l,h)=0;
(2)若Mark(l,h)=i,且Number(i)≥Threshold_filter,则Markout(l,h)=1;
最后得到修改后的缺陷磁光二值化图像Markout。
S6:对于步骤5中标记矩阵Mark中的非零像素块,且满足Number(i)<Threshold_filter条件的像素块Mark(l,j),在图G中找到对应的位置,使用步骤S2中相反的方式,用磁光灰度图G的全局灰度值的均值进行回填,即用大的像素值去修改原有的较低的像素值。(步骤S2中是根据方法分配了窗口,现在是根据窗口标定值确认是否为缺陷后,将不是缺陷的进行回补,所以需要的过程是先找窗口后在回补窗中的像素值,所以说的是按照步骤S2的相反的方式)
在本实施例中,首先对磁光灰度图进行窗口化特征标记处理,在本实施例中中,窗口大小为15×15像素点,如图6所示。
从图6中可以看出,由于干扰的存在,标记图像中出现了分布散乱的,面积很小的白色区域。这些区域表明了基于磁光成像特性的推论的有效性。根据先验知识可知,中间长条部分为实际缺陷所在的位置。因此可以判断,所选用的窗口特性阈值Threshold有能力将缺陷信息保留,并且使得缺陷和干扰图像相互分割,这种结果也是期望该阈值要达到的效果。通过对窗口特性的标记(二值化),可以为实现对不同联通区域进行标记做铺垫。如图7所示为基于连通性原理和两条推论得到的连通域标记图。从图中可以看出,每个标记下的连通域面积不同(所占像素点数)。特别的是在实际缺陷区域中,标记数据的连通性很好,而其他区域的都散乱分布。由此可以证明推论中的第二条的正确性。
通过对最大面积的查找,可以断定缺陷区域为中间白色部分,由此便可以得到关于缺陷的标记矩阵,如图8所示。
从图8中可以看出,标记矩阵对中间一个条形图像进行了标记,将其他离散的小散斑块滤除,即根据算法认定该区域为实际区域存在的区域。这个结论恰好与实际情况一致,说明了该缺陷识别方法的实用性。此标记图在整体上已经将缺陷的位置做了大概的确认,与这些区域对应的窗口将被视为实际缺陷所包含的区域。为了从实际图中可视缺陷的位置,算法将这些标记对应至窗口像素中,实现逆向标记。逆向标记主要分为两个步骤:首先对窗口标记中属于缺陷的窗口像素保持不变,以还原缺陷真实面貌,同时对非缺陷标记的窗口区域但属于干扰图像的窗口像素点进行更新,使该区域的图像区别于缺陷处的像素值,增加缺陷和周围环境的对比度;其次,对整个图像进行增强对比度,使图像清晰可见。处理后的图像如图9和图10所示。
图中可以看到,经过逆标记后的磁光图像对缺陷的识别度大大提高,而且根据窗口标记图可确定缺陷的位置,这为实现自动检测和定位提供了条件。在上述实施例中采用的是15×15像素点的窗口,而在另一个实施例中,若采用5×5像素点的窗口,将会使得缺陷标记图更加接近实际图像,如图11和图12所示。
在上述步骤中,由于该方法的成功性在一定程度上取决于阈值Threshold。该阈值在算法中真实的作用是将缺陷和干扰信息分割开。因此,该阈值是实现了缺陷和干扰的解耦过程。为了实现对磁光图像的不同情况下的解耦,该阈值的计算方法将在下述内容中进行阐述。
如图13所示为取图像中的一个横向侧视图,该侧视图中包含缺陷和干扰图像。从图中可以看到,缺陷区域的像素值明显小于干扰区域的像素值,而且缺陷区域的宽度也大于每个干扰区域的宽度,也证明了缺陷区域的面积大于每个干扰区域的面积。同时从图中可以看出,若要对缺陷和干扰区域进行分割,需要的最好的阈值为47.5左右。因此若要得到这个最佳的阈值,可以通过对侧视图的观察来获得该侧视面上的最佳阈值,但是对于全局而言,这个方法不可行,因为不能确定缺陷的方向(或走向)。为了得到全局的最佳阈值,本实施例中设计了一种基于像素的对偶计算方法。根据两条推论可知,缺陷处的面积比单个干扰区域的面积大且像素值小,若考虑从小的像素值开始统计,将较小的像素值增加到最佳阈值,在增加的过程中,需要增加的较小的像素值的个数将会被统计。由于磁场在缺陷处时连续变化,且发生畸变的地方处于近缺陷边沿处,但是还没有达到边沿,此时的磁场较小,当处于缺陷中时,改变会很大,就造成了磁光侧视图的缺陷或干扰区域都呈现一个“V”字型的缺口。所以,较小像素值的统计数会随着逼近最佳阈值,在数量的变化率上会出现一个先变大,后边小的过程。当在达到最佳阈值时,便是数量变化率开始由快变慢的点。这便是对偶计算方法的主要思想。在对偶计算中,像素值统计数的变化出现如下过程:
(1)首先在刚开始时,由于对偶计算的主要对象为缺陷处的像素值,因此数量会以一个稳定的速度增加;
(2)随着计算的进行,当在靠近最佳阈值时,也即开始对干扰区域的较小像素值进行计算,此时由于很多且分散的干扰区域的对象加入计算,数量会开始以很快的速度增加;
(3)当增加数值几乎逼近最佳阈值时,由于几乎涵盖了具有影响作用的干扰区域的像素值,因此统计数会再次以平稳较小的速度增加;
(4)当增加数值越过最佳阈值时,几乎对所有的区域进行了统计,且由于“V”型的特点,统计数的增加速度回变得很小,即变化平缓。
通过上述分析可知,当对偶计算的结果逼近最佳阈值时,缺陷信息一定包含在了该阈值中,虽然对部分干扰的信息也进行了吸纳,但是可以做到很好的分割并且全貌展示缺陷的轮廓信息。
在根据对偶计算方法搜索最佳阈值时,需要对磁光图像做平滑预处理。因为各种各样的干扰因素的存在,图像中会存在很强的脉冲干扰,这会导致在计算过程中,使得统计变化率突变严重,对搜索最佳阈值非常不利。为了使得整个变化过程相对平滑,需要对磁光图像进行平滑预处理,如图14所示。通过对磁光图像的平滑处理,可以看出在缺陷和干扰区域都对部分脉冲干扰信号滤除,同时使缺陷的连通性更加完整,边缘也更加平滑,这些改变都对缺陷的识别和最佳阈值的计算有促进作用。
通过对最佳阈值搜索方法的介绍,根据这个原理,其具体实现方式,如图15所示,具体如下:
(1)对原始彩色磁光图像进行灰度化,得到磁光灰度图G。
(2)对磁光灰度图进行均值滤波,取滤波窗体不易过小,一般在5个像素以上。太小会导致部分坏像素点无法滤除,导致后面的填充统计图波动较大,降低阈值收索精度。
(3)设定初始增补值q,每次填充高度Δq,每次填充用的编号t=1,计算图像的最大像素值p,取1.2p为增补的最大边界高度,保证对整副磁光图像扫描完毕。
(4)对滤波后的磁光灰度图像进行增补操作。设置一个单位矩阵H,其大小和G等大。对磁光图像G进行如下式(5-1)计算,该操作就是对图像进行增补动作,Φ矩阵中包含了被填充部分的像素信息;
Φ=q·H-G, (5-1)
其中Φ为数据统计矩阵。
(5)对矩阵Φ进行统计。对矩阵Φ的像素点进行全面扫描,计算矩阵Φ中大于等于0的像素点个数,存储于向量元素S(t)中,为第t次增补过程后的需要统计的像素个数。它的作用是记录每次增补时统计的像素点数量。
(6)对q进行更新前的评估,并记录该值V(t)=q,若q≤1.2G,则更新计算参数,其中q=q+Δq,t=t+1,进入步骤(4);若q>1.2G,则停止计算,进入步骤(7)。
(7)经过以上步骤后,得到一个填充面积向量S,它记录了每次增补后使用了的像素个数,同时得到一个增补高度向量V,对应于每次增补的高度。为了得到最佳阈值,需要对数据集合X(V,S)进行统计分析。经过上述分析可知,最佳阈值为S变化率最大的部分,对应的填充高度V(t)值即为最佳阈值。由于该集合X为离散数据点对,纵坐标为像素填充面积值,横坐标为对应填充的高度,这些点对在步骤(8)中要进行求导计算,为了使得计算更加准确,减少扰动误差,对数据集合进行了三次样条差值处理,使得集合X更加平滑。
(8)对X求一次导数得到X(1),二次导数X(2)。由于在增补过程中,磁光图片背景颜色本身也需要被填充,且由于光子和传感器本身的测量误差,会导致背景色也会存在高低不同的灰度值。这样在初始增补过程中,当增补高度达到缺陷高度值的最底部之前,X也会出现一个“S”形状的变化走势,在背景几乎增补完毕到缺陷部分中的最低像素值之间,会出现一个比较平坦的区域,该区域被称为“过渡区”。从该区域之后,X的变化中斜率最大的地方这可以认定为最佳阈值处。通过对X(1)和X(2)计算,可以知道,X(1)代表了X的变化率,X(2)代表了X(1)的变化率。通过对X(2)分析可以找到X(1)曲线中的典型的变化部分,即满足:
(8-1)X(2)(i)>0,且X(2)(i-1)<0,则第i点为X(1)图线的最小值点;
(8-2)另外在第i点以后,满足X(2)(j)<0,且X(2)(j-1)>0则为X(1)图线的最大值点;
这样就可以搜寻到S向量中变化率最大的部分,即为第j个点处。
(9)通过第8步骤可以找到第j个点为向量S的最大变化率的点,其对应的填充高度V(j)即为寻找的磁光图像的最佳阈值Threshold=V(j)。但是由于X数据点对经过三次样条插值平滑过,使得找到的点的编号j可能为一个非整数值,为此将j向上取整得到jref,此时的阈值Threshold=V(jref)为所计算的得到最佳阈值。
以上便是对偶计算的最佳阈值搜索方法的具体步骤。通过实验可以看出,前后分两个阶段,一个是对背景的增补过程,一个是目标对象的增补过程。这两个过程都会出现一个“S”形状的变化规律,即表示增补像素点的数量的变化是先缓慢增加,而后快速增加,最后又缓慢增加直到停止不增加,如图16所示。根据对偶计算思想,在变化率最大时的增补数值为最佳阈值。在实验中,q=4,Δq=5,滤波窗口大小为10×10像素点,通过计算得到最佳阈值在j=9时,此时的增补数量变化最快,由此最佳阈值Threshold=V(9)=44。根据该阈值对磁光图像进行分割计算,其结果如图17所示。
从分割结果可以看出,根据对偶计算方法得到的最佳阈值可以很好的得到确缺陷的特征,其轮廓和位置都展现的非常完整。另一方面,最佳阈值是建立在缺陷与干扰图像在成像特性上的算法,因此,它对缺陷和干扰图像之间的区分能力也非常优秀。通过图像还可以看出,每个暗区域的边沿都比之前处理的结果要圆滑且局部比较完整,其中的主要原因是该算法在处理之前的平滑滤波处理。从结果看,这种预处理即对搜索最佳阈值有辅助作用,更是使图像分割清楚且缺陷轮廓清晰可辩。
需要特别说明的是在使用缺陷识别算法时,在确定滤除的干扰区域时,采用的是对每个连通域面积经过从小到大的排序后,采取前向差分的方法,用差分值最大的区域块为分界点,将之后的连通域都认为是缺陷的一部分。由于数据样本可能出现坏点,这种方法并不是很完善,下述内容将对该方法进行改进。在对面积排序后,同样对其做差分,得到一个差分向量L。假设L中有n个元素,则将向量中的值全部归一化到[0,n]区间。然后对这些值进行统计,选取第一个大于1的值为分界点,作为缺陷和干扰区域的的分界(此处的分界是如何将检测到的疑似缺陷的部分但不是缺陷的部分滤除的一个阈值。相当于在之前缺陷窗口计算出来的窗口不一定都是缺陷,需要设计一个方法去除这些窗口中不是缺陷的部分。故与步骤S5一起,有两个阈值的选取)。因为当这个差分值在归一化后,其值大于1,说明其变化率很大,在磁光检测中判定为畸变点,即为缺陷与干扰图像连通域的分界点。如图18所示,可见第69个点为第一个大于1的点,因此以该点为分界线,再通过计算可以得到之后的点所对应的连通域编号为[47,42,1,68],其中编号为1和68的连通域为背景图像,该图像不管任何时候都是整个图中联通域最大的,如图17中背景白色和边沿黑色背景部分,因此去除后得到两个连通域,这两个连通区域被判定为缺陷区域。
通过以上的改进,结合缺陷识别算法,可以得到最后的识别结果,如图19所示。从图中的结果看来,识别效果非常好,且对缺陷的轮廓表示的更加接近于实际形状。
本发明是通过实施例来描述的,但并不对本发明构成限制,参照本发明的描述,所公开的实施例的其他变化,如对于本领域的专业人士是容易想到的,这样的变化应该属于本发明权利要求限定的范围之内。
Claims (4)
1.一种磁光涡流成像检测的缺陷识别方法,其特征在于:包括以下步骤:
S1:将磁光涡流成像检测到的磁光图像I进行灰度化处理,得到灰度化后的磁光图像G,,其大小为m×n;
S2:对完成灰度化的磁光灰度图G进行窗口化处理,设定一个窗口Window,大小为Windowsize×Windowsize的一个方阵;方阵排列为从左往右,从上而下的顺序进行生成:
当原磁光图像的大小边界m和n都是参数Windowsize的整数倍时,生成的窗口所组成的阵列尺寸为M×N,其中M=m/Windowsize,N=n/Windowsize;
如果不满足整除关系的时候,对剩下的不能满足Windowsize×Windowsize大小的区域,即图像边沿部分,进行特殊处理,就按照最后剩下的大小作为一个窗口;这样将磁光灰度图G划分为了多个小窗口图像,称为像素块,此时得到的窗口阵列大小为M=floor(Windowsize)+1,N=floor(Windowsize)+1,其中floor(*)表示向下取整,即舍去小数部分,取整数部分;
S3:对M×N个像素块建立一个标记矩阵Mark(M,N),大小为M×N;遍历所有像素块,对每个像素块的像素值进行统计,设定一个阈值Threshold:
(1)若第l行,第h列窗口中像素值Window(i,j)<Threshold的像素点个数占整个窗口像素点数量的Z%以上,则认定该窗口为缺陷或者磁畴斑点的一部分,则令此时窗口对应的编号位置的值Mark(l,h)=1;
(2)若第l行,第h列窗口中的像素值在阈值Threshold以下的不到Z%的,则令Mark(l,h)=0,其中0<l<M和0<h<N;
S4:对标记矩阵Mark进行连通性运算处理,即对于Mark矩阵中的非零元素进行统计,采用4方向联通原则,使得上下左右都是非零元素的集合认为是一个联通容器,若与其他的非零元素群隔离,那另外的认为是另一个联通容器,这样对所有的非零联通容器进行编号为1~n;按照规则对标记矩阵进行处理后得到n个联通容器,且编号值为1~n,记为L(n);
S5:对连通性图像进行统计处理,即统计在矩阵L数字i的个数,其中i=1,···,n,得到每个数字的数量Number(i),表示编号为i的联通容器所包含的像素块个数;其中,认为缺陷位置的连通性数量一定是最大的几个数,将向量数表Number排序后,取向前差分最大的那个数为阈值Threshold_filter,然后对Mark矩阵进行遍历:
(1)若Mark(l,h)=i,且Number(i)<Threshold_filter,则Markout(l,h)=0;
(2)若Mark(l,h)=i,且Number(i)≥Threshold_filter,则Markout(l,h)=1;
最后得到修改后的缺陷磁光二值化图像Markout;
S6:对于步骤S5中标记矩阵Mark中的非零像素块,且满足Number(i)<Threshold_filter条件的像素块Mark(l,j),在图G中找到对应的位置,使用步骤S2中相反的方式,用磁光灰度图G的全局灰度值的均值进行回填,即用大的像素值去修改原有的较低的像素值;
其中,步骤S3中所述的阈值Threshold的选取方法包括以下子步骤:
S301:对磁光灰度图G进行均值滤波;
S302:初始化,设定初始增补值q,每次填充高度Δq,每次填充用的编号t=1,计算图像的最大像素值p,取1.2p为增补的最大边界高度,保证对整副磁光图像扫描完毕;
S303:对滤波后的磁光灰度图像进行增补操作:设置一个单位矩阵H,其大小和G等大;对磁光图像G进行如下式计算:
Φ=q·H-G;
其中Φ为数据统计矩阵,Φ矩阵中包含了被填充部分的像素信息;
S304:对矩阵Φ进行统计,对矩阵Φ的像素点进行全面扫描,计算矩阵Φ中大于等于0的像素点个数,存储于向量元素S(t)中,为第t次增补过程后的需要统计的像素个数;记录每次增补时统计的像素点数量;
S305:对q进行更新前的评估,并记录该值V(t)=q,若q≤1.2G,则更新计算参数,其中q=q+Δq,t=t+1,返回步骤S303;若q>1.2G,则停止计算,进入步骤S306;
S306:经过以上步骤后,得到一个填充面积向量S,它记录了每次增补后使用了的像素个数,同时得到一个增补高度向量V,对应于每次增补的高度;为了得到最佳阈值,需要对数据集合X(V,S)进行统计分析;其中,最佳阈值为S变化率最大的部分,而对应的填充高度V(t)值即为最佳阈值;
S307:对X求一次导数得到X(1),二次导数X(2);其中,X(1)代表了X的变化率,X(2)代表了X(1)的变化率;通过对X(2)分析找到X(1)曲线中的典型的变化部分,即满足:
(1)X(2)(i)>0,且X(2)(i-1)<0,则第i点为X(1)图线的最小值点;
(2)在第i点以后,满足X(2)(j)<0,且X(2)(j-1)>0则为X(1)图线的最大值点;
这样就搜寻到S向量中变化率最大的部分,即为第j个点处;
S308:通过步骤S307找到的第j个点为向量S的最大变化率的点,其对应的填充高度V(j)即为寻找的磁光图像的最佳阈值Threshold=V(j)。
2.根据权利要求1所述的一种磁光涡流成像检测的缺陷识别方法,其特征在于:在步骤S306中,由于该集合X为离散数据点对,纵坐标为像素填充面积值,横坐标为对应填充的高度,这些点对在步骤S307中要进行求导计算,为了使得计算更加准确,减少扰动误差,对数据集合进行了三次样条差值处理,使得集合X更加平滑。
3.根据权利要求2所述的一种磁光涡流成像检测的缺陷识别方法,其特征在于:由于X数据点对经过三次样条插值平滑过,使得找到的点的编号j可能为一个非整数值,为此将j向上取整得到jref,此时的阈值Threshold=V(jref)为所计算的得到最佳阈值。
4.根据权利要求1所述的一种磁光涡流成像检测的缺陷识别方法,其特征在于:在步骤S5中,在向量数表Number排序后,对其做差分,得到一个差分向量L;假设L中有n个元素,则将向量中的值全部归一化到[0,n]区间,然后对这些值进行统计,选取第一个大于1的值为分界点,作为缺陷和干扰区域的的分界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219094.1A CN107993225B (zh) | 2017-11-28 | 2017-11-28 | 一种磁光涡流成像检测的缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711219094.1A CN107993225B (zh) | 2017-11-28 | 2017-11-28 | 一种磁光涡流成像检测的缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107993225A true CN107993225A (zh) | 2018-05-04 |
CN107993225B CN107993225B (zh) | 2020-06-23 |
Family
ID=62033765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711219094.1A Active CN107993225B (zh) | 2017-11-28 | 2017-11-28 | 一种磁光涡流成像检测的缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993225B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064451A (zh) * | 2018-07-09 | 2018-12-21 | 杭州舜浩科技有限公司 | 导光板缺陷检测方法 |
CN110660021A (zh) * | 2019-08-16 | 2020-01-07 | 西安理工大学 | 一种基于深度学习的脉冲涡流热成像高分辨率清晰化方法 |
CN112069974A (zh) * | 2020-09-02 | 2020-12-11 | 安徽铜峰电子股份有限公司 | 一种识别元器件缺损的图像识别方法及其*** |
CN112070710A (zh) * | 2019-06-10 | 2020-12-11 | 北京平恒智能科技有限公司 | 工业品缺陷图像检测的方法 |
CN113393440A (zh) * | 2021-06-15 | 2021-09-14 | 电子科技大学 | 基于磁光成像的焊缝缺陷自动增强及识别方法 |
CN113758994A (zh) * | 2021-09-29 | 2021-12-07 | 华中科技大学 | 一种基于磁光效应的动生涡流检测方法 |
CN118153786A (zh) * | 2024-05-11 | 2024-06-07 | 江苏省气象台 | 基于深度学习的对流性大风短时预报方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593667A (zh) * | 2012-12-06 | 2014-02-19 | 张忠伟 | 基于集合连通性原理的图像异物快速识别方法 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
CN106204478A (zh) * | 2016-07-06 | 2016-12-07 | 电子科技大学 | 基于背景噪声特征空间的磁光图像增强算法 |
-
2017
- 2017-11-28 CN CN201711219094.1A patent/CN107993225B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593667A (zh) * | 2012-12-06 | 2014-02-19 | 张忠伟 | 基于集合连通性原理的图像异物快速识别方法 |
CN105427324A (zh) * | 2015-12-07 | 2016-03-23 | 电子科技大学 | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 |
CN106204478A (zh) * | 2016-07-06 | 2016-12-07 | 电子科技大学 | 基于背景噪声特征空间的磁光图像增强算法 |
Non-Patent Citations (2)
Title |
---|
TIAN L , CHENG Y , YIN C , ET AL: "Detection of the crack by reducing the influence of the magnetic domain based on the MOI", 《2016 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE》 * |
YUHUA CHENG: "A magnetic domain spots filtering method with self-adapting threshold value selecting for crack detection based on the MOI", 《NONLINEAR DYNAMICS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064451A (zh) * | 2018-07-09 | 2018-12-21 | 杭州舜浩科技有限公司 | 导光板缺陷检测方法 |
CN112070710A (zh) * | 2019-06-10 | 2020-12-11 | 北京平恒智能科技有限公司 | 工业品缺陷图像检测的方法 |
CN110660021A (zh) * | 2019-08-16 | 2020-01-07 | 西安理工大学 | 一种基于深度学习的脉冲涡流热成像高分辨率清晰化方法 |
CN110660021B (zh) * | 2019-08-16 | 2022-12-20 | 西安理工大学 | 一种基于深度学习的脉冲涡流热成像高分辨率清晰化方法 |
CN112069974A (zh) * | 2020-09-02 | 2020-12-11 | 安徽铜峰电子股份有限公司 | 一种识别元器件缺损的图像识别方法及其*** |
CN112069974B (zh) * | 2020-09-02 | 2023-04-18 | 安徽铜峰电子股份有限公司 | 一种识别元器件缺损的图像识别方法及其*** |
CN113393440A (zh) * | 2021-06-15 | 2021-09-14 | 电子科技大学 | 基于磁光成像的焊缝缺陷自动增强及识别方法 |
CN113393440B (zh) * | 2021-06-15 | 2022-06-14 | 电子科技大学 | 基于磁光成像的焊缝缺陷自动增强及识别方法 |
CN113758994A (zh) * | 2021-09-29 | 2021-12-07 | 华中科技大学 | 一种基于磁光效应的动生涡流检测方法 |
CN118153786A (zh) * | 2024-05-11 | 2024-06-07 | 江苏省气象台 | 基于深度学习的对流性大风短时预报方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107993225B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993225A (zh) | 一种磁光涡流成像检测的缺陷识别方法 | |
CN106407917B (zh) | 基于动态尺度分配的视网膜血管提取方法及*** | |
US20180182099A1 (en) | Identifying and Excluding Blurred Areas of Images of Stained Tissue To Improve Cancer Scoring | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN104463138B (zh) | 基于视觉结构属性的文本定位方法及*** | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测*** | |
CN109685732A (zh) | 一种基于边界捕捉的深度图像高精度修复方法 | |
CN104239909B (zh) | 一种图像的识别方法和装置 | |
CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN106651872A (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN109671058A (zh) | 一种大分辨率图像的缺陷检测方法及*** | |
CN108320280A (zh) | 基于视觉清晰度与轮廓提取的熔池图像异常检测方法 | |
CN103413288A (zh) | 一种lcd总体检测缺陷方法 | |
CN108846397A (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN103985110B (zh) | 数字图像中伪影或非均匀亮度的定位及显示方法 | |
CN106228161A (zh) | 一种指针式表盘自动读数方法 | |
CN109035195A (zh) | 一种织物疵点检测方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
CN110111711A (zh) | 屏幕的检测方法及装置、计算机可读存储介质 | |
CN109993797A (zh) | 门窗位置检测方法及装置 | |
CN105869148A (zh) | 目标检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |