CN108596872B - 基于Gabor小波和SVM的钢轨病害的检测方法 - Google Patents
基于Gabor小波和SVM的钢轨病害的检测方法 Download PDFInfo
- Publication number
- CN108596872B CN108596872B CN201810189940.8A CN201810189940A CN108596872B CN 108596872 B CN108596872 B CN 108596872B CN 201810189940 A CN201810189940 A CN 201810189940A CN 108596872 B CN108596872 B CN 108596872B
- Authority
- CN
- China
- Prior art keywords
- steel rail
- rail
- diseases
- boundary
- disease
- 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.)
- Expired - Fee Related
Links
Images
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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Gabor小波和SVM的钢轨病害的检测方法,包括:读取钢轨表面图像;采用中值滤波滤除钢轨表面图像中的噪声,并进行背景补偿;对钢轨表面图像中的钢轨进行矫正、定位和分割;对钢轨进行动态引导滤波、边缘检测和标记,计算并定位钢轨的表面病害,并对表面病害进行分割;根据钢轨的表面病害的最小矩形框从不同角度计算并提取表面病害的特征向量;根据钢轨的表面病害的定位、分割和提取的特征向量,基于SVM对钢轨表面的病害进行识别检测。本发明能够在一定程度上实现钢轨表面剥离掉块病害的自动定位识别,并提高了传统人工检测所难以保证的客观准确性。
Description
技术领域
本发明涉及轨道交通线路钢轨缺陷病害检测领域,特别是涉及一种基于Gabor小波和SVM的钢轨病害的检测方法。
背景技术
近年来,轨道交通作为一种现代化的交通运输方式,在国内各大城市得到了快速发展,其对轨道交通的运输安全提出了更加严格的要求。钢轨作为与机车直接接触运行的基础,是保证轨道交通安全稳定运行的关键。轨道运营机车和钢轨之间存在持续接触摩擦作用,加上自然环境的侵蚀,在线路上很容易出现钢轨表面的缺陷,产生钢轨伤损。特别是在机车的紧急制动状态下,轮轨之间剧烈摩擦,踏面处发生淬火致使车轮碾压钢轨表面的小部分金属,使表面产生掉块病害。
钢轨表面形成的剥离掉块等伤损如果不及时处理,会对机车转向架的轮对和轴承造成不同程度的磨耗,且随着掉块病害严重性的不断增加,严重时会使钢轨出现断裂或者崩塌,这必然会引起列车事故,导致不可挽回的损失。因此,对钢轨表面关键病害的定期巡检是必不可少的,及时发现并处理钢轨表面的剥离掉块等病害,同时***性地记录缺陷检测数据,为钢轨维保策略的制定提供有效的数据支持,从而更有力地有效地保障轨道交通的安全高效运营。
然而,相对于国内轨道交通线路的不断发展,轨道线路缺陷检测技术的发展相对滞后。目前仍然以人工巡检的方式为主,该方式虽然简单易操作但检测效率低下,结果往往受主观的影响,难以满足日益增长的运营需求。现存的相对成熟的自动化检测方法中如超声波检测需要与钢轨接触良好,检测速度受到很大的限制;电涡流法存在一定的电磁干扰,信号处理复杂,影响检测检测效率等。
发明内容
为了解决上述问题至少之一,本发明第一方面提供一种基于Gabor小波和SVM的钢轨病害的检测方法,包括:
S101:读取钢轨表面图像;
S103:滤除所述钢轨表面图像中的噪声,并进行背景补偿;
S105:对所述钢轨表面图像中的所述钢轨进行矫正、定位和分割;
S107:对所述钢轨进行动态引导滤波、边缘检测和标记,计算并定位所述钢轨的表面病害,并对所述表面病害进行分割;
S109:根据所述钢轨的表面病害的最小矩形框从不同角度计算并提取所述表面病害的特征向量;
S111:根据所述钢轨的表面病害的定位、分割和提取的所述特征向量,基于SVM对所述钢轨表面的病害进行识别检测。
进一步地,所述步骤S103具体包括:
S1031:采用中值滤波滤除所述钢轨表面图像中的噪声;
S1033:对所述钢轨表面图像使用基于形态学的背景补偿以突出所述钢轨的边缘。
进一步地,所述步骤S105具体包括:
S1051:利用霍夫变换对所述钢轨表面图像的所述钢轨进行竖直方向的矫正;
S1053:设计水平梯度算子强化所述钢轨表面的边界并进行边界估计以确定所述钢轨的一个边界;
S1055:根据所述钢轨表面图像中所述钢轨的经验宽度值寻找所述钢轨的中线位置以确定所述钢轨的另一个边界;
S1057:根据所述两个边界定位所述钢轨表面图像中的所述钢轨区域,并对所述钢轨区域进行分割。
进一步地,所述步骤S107具体包括:
S1071:使用动态引导滤波滤除所述钢轨的表面噪声和异常干扰点;
S1073:采用Canny边缘算子对滤波后的所述钢轨的表面进行边缘检测;
S1075:使用标记分量对所述边缘检测的结果的二值区域进行标记;
S1077:根据所述标记计算并定位所述钢轨的表面病害,并对所述表面病害进行分割。
进一步地,所述步骤S109具体包括:
S1091:对所述病害进行基于Gabor小波多方向的纹理特征提取,并计算所述病害的特征向量;
S1093:根据所述病害的灰度共生矩阵计算所述病害区域的特征向量;
S1095:对所述病害的最小矩形框病害区域进行形状特征计算得到所述病害的特征向量。
进一步地,所述基于Gabor小波多方向的纹理特征提取包括0°、45°、90°和135°。
进一步地,所述病害区域灰度共生矩阵包括对比度、相关性和能量三个具体量度。
进一步地,所述步骤S111具体包括:根据所述钢轨的表面病害的定位、分割和提取的所述特征向量,利用直方图交叉核函数结合SVM训练设计得到了剥离掉块病害的最优分类器,最终实现了钢轨剥离掉块病害的识别检测。
本发明的有益效果如下:
本发明提供的一种基于Gabor小波和SVM的钢轨病害的检测方法,能够在一定程度上实现钢轨表面剥离掉块病害的自动定位识别,解决了传统人工检测难以保证效果的客观准确性,同时有效的克服了现存的钢轨病害自动检测设备检测速度和效率受到一定限制的弊端。本发明还能够准确有效地识别出钢轨表面存在的剥离掉块病害,并显著提高了检测效率,同时为满足轨道交通线路安全高效地在线检测提供了良好的基础。本发明还能够实现在线检测,检测速度高,在充足光源下能适应不同时间段的检测需求,可靠性强,准确率高。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例所述的钢轨病害检测方法的流程图;
图2示出本发明的一个实施例所述的钢轨表面的原始图像;
图3示出本发明的一个实施例所述的钢轨去噪和背景增强的流程图;
图4示出本发明的一个实施例所述的使用中值滤波后的钢轨表面图像;
图5示出本发明的一个实施例所述的使用背景均匀化的钢轨表面图像;
图6示出本发明的一个实施例所述的钢轨表面的定位与分割的流程图;
图7示出本发明的一个实施例所述的钢轨的旋转校正的表面图像;
图8示出本发明的一个实施例所述的钢轨的一条边界的表面图像;
图9示出本发明的一个实施例所述的钢轨另一边界的候选位置的表面图像;
图10示出本发明的一个实施例所述的钢轨的两条边界的表面图像;
图11示出本发明的一个实施例所述的钢轨表面病害定位与分割的流程图;
图12示出本发明的一个实施例所述的使用Canny边缘算子进行边缘检测的对比图;
图13示出本发明的一个实施例所述的钢轨表面疑似病害标记定位的表面图像;
图14示出本发明的一个实施例所述的最小矩形框的病害提取的流程图;
图15示出本发明的一个实施例所述的钢轨的剥离掉块的识别检测结果。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明的一个实施例提供了一种基于Gabor小波和SVM的钢轨病害的检测方法,如图1所示,包括:
S101:读取钢轨表面图像。如图2所示,原始钢轨表面图像中包含有一定比例的噪声。
S103:滤除所述钢轨表面图像中的噪声,并进行背景补偿。对于原始钢轨表面图像进行处理,如图3所示,具体包括:
S1031:采用中值滤波滤除所述钢轨表面图像中的噪声。如图4所示,首先采用中值滤波滤除了图像中的噪声。
S1033:对所述钢轨表面图像使用基于形态学的背景补偿以突出所述钢轨的边缘。再利用基于形态学的背景补偿算法,处理钢轨主体与背景之间的不均匀光照问题,如图5所示,得到背景均匀化的图像,从图像中可以看出减少了原始图像中的背景异常,突出了钢轨主体的边缘。
S105:对所述钢轨表面图像中的所述钢轨进行矫正、定位和分割。所述原始钢轨表面图像中的钢轨存在一定角度问题,不利于钢轨区域的分割,因此需要对图像中的钢轨进行校正,如图6所示,具体包括:
S1051:利用霍夫变换对所述钢轨表面图像的所述钢轨进行竖直方向的矫正。首先利用霍夫变换寻找与钢轨平行的最长的直线,实现对钢轨竖直方向的矫正,如图7所示。
S1053:设计水平梯度算子强化所述钢轨表面的边界并进行边界估计以确定所述钢轨的一个边界。为了寻找钢轨主体的边界,设计一种水平梯度算子,强化钢轨表面的左右边界,该算子定义为:
通过对上述边界强化后的阈值分割图进行垂直投影统计,根据多个统计极值点的边界估计得到图像中钢轨主体的某一边界,如图8中虚线右侧的实线所示:
其中,edge代表钢轨的边界,Candi代表第i个候选钢轨边界的索引值,VP代表垂直投影统计数组,ee是先验知识,表示统计框的大小。
S1055:根据所述钢轨表面图像中所述钢轨的经验宽度值寻找所述钢轨的中线位置以确定所述钢轨的另一个边界。
然后,根据图像中钢轨的经验宽度值,寻找钢轨表面的中线位置,为另一条边界的判定提供参照,如图9所示:
其中,q,p均为垂直投影中横坐标的索引值;Nwt(p)代表坐标p的邻域,wt为邻域的宽度,设定为图像中钢轨的宽度;Med表示钢轨中线的索引值。
进一步根据确定的钢轨某一边界和中线,确定其另一条边界的两个候选:
C1=2×Med-Posedge (5)
S1057:根据所述两个边界定位所述钢轨表面图像中的所述钢轨区域,并对所述钢轨区域进行分割。其中,ed代表寻找垂直边缘投影的下一个极大值的左右搜索范围。最后,根据式(2)分别统计两个候选边界的极值点进行边界估计,如图10中两条实线所示,最终得到图像中钢轨的两条边界,定位到钢轨区域,完成对钢轨区域的分割。
S107:对所述钢轨进行动态引导滤波、边缘检测和标记,计算并定位所述钢轨的表面病害,并对所述表面病害进行分割。对所述钢轨的表面图像进行处理后,进一步的,对钢轨的表面病害进行处理,如图11所示,具体包括:
S1071:使用动态引导滤波滤除所述钢轨的表面噪声和异常干扰点。
首先,将动态引导滤波(RollingGuidanceFilter)应用到钢轨区域图像中,滤除裁切原图像残留下的噪声和异常干扰点,并加强钢轨区域存在的缺陷边缘,有利于准确定位表面已有的病害。该滤波算子的定义为:
S1073:采用Canny边缘算子对滤波后的所述钢轨的表面进行边缘检测。
然后,采用Canny边缘算子对滤波后的钢轨表面图像进行边缘检测,为了对比滤波的效果,将相同参数的Canny算子分别应用到原图像和滤波后的图像中,得到对比图12,可以发现滤波后图像中缺陷的边缘是闭合的,证明了动态引导滤波应用的必要性。
S1075:使用标记分量对所述边缘检测的结果的二值区域进行标记。
进一步地,根据钢轨图像的Canny边缘检测结果,利用标记分量的方法对结果图像中二值区域完成了标记,通过计算所标记区域的填充面积,按其面积大小依次定位了表面中存在的疑似典型病害。
S1077:根据所述标记计算并定位所述钢轨的表面病害,并对所述表面病害进行分割。如图13所示,利用最小矩形框完成对所定位病害区域的分割。
S109:根据所述钢轨的表面病害的最小矩形框从不同角度计算并提取所述表面病害的特征向量。在基于最小矩形框实现对所定位病害区域的分割后,利用基于区域的纹理特征和形状特征完成对病害的特征提取和描述。如图14所示,具体包括:
S1091:对所述病害进行基于Gabor小波多方向的纹理特征提取,并计算所述病害的特征向量。首先基于Gabor小波提取了最小矩形框病害区域0、45、90、135等四个方向的纹理特征,得到了不同方向的纹理基,计算不同方向纹理基的平均值和方差,得到了病害区域的8个特征向量。
S1093:根据所述病害的灰度共生矩阵计算所述病害区域的特征向量。
其次,计算每个病害区域灰度共生矩阵的对比度、相关性、能量三个具体量度,分别计算每个量度的平均值和方差,得到了病害区域的6个特征向量。
S1095:对所述病害的最小矩形框病害区域进行形状特征计算得到所述病害的特征向量。
再次,计算最小矩形框病害区域的长宽比为形状特征,得到了病害区域的1个特征向量。
如此,计算提取得到了基于最小矩形框病害区域的不同特征元素,依次排序构成了15维特征向量。
S111:根据所述钢轨的表面病害的定位、分割和提取的所述特征向量,基于SVM对所述钢轨表面的病害进行识别检测。
经过步骤S107和S109得到钢轨表面疑似病害的数据集和特征描述。并将数据集的特征描述随机分为训练集和测试集。利用直方图交叉核函数定义向量的非线性变换,其定义为:
其中:x,z∈Rn为特征向量
最后,结合SVM训练设计得到了剥离掉块病害的最优分类器,如图15所示,实现对钢轨剥离掉块病害的识别检测。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (6)
1.一种基于Gabor小波和SVM的钢轨病害的检测方法,其特征在于,包括:
S101:读取钢轨表面图像;
S103:滤除所述钢轨表面图像中的噪声,并进行背景补偿;
S105:对所述钢轨表面图像中的所述钢轨进行矫正、定位和分割,包括:
S1051:利用霍夫变换对所述钢轨表面图像的所述钢轨进行竖直方向的矫正;
S1053:设计水平梯度算子强化所述钢轨表面的边界并进行边界估计以确定所述钢轨的一个边界,为了寻找钢轨主体的边界,设计一种水平梯度算子,强化钢轨表面的左右边界,该算子定义为:
通过对上述边界强化后的阈值分割图进行垂直投影统计,根据多个统计极值点的边界估计得到图像中钢轨主体的某一边界:
其中,edge代表钢轨的边界,Candi 代表第i个候选钢轨边界的索引值,VP代表垂直投影统计数组,ee是先验知识,表示统计框的大小;
S1055:根据所述钢轨表面图像中所述钢轨的经验宽度值寻找所述钢轨的中线位置以确定所述钢轨的另一个边界,
根据图像中钢轨的经验宽度值,寻找钢轨表面的中线位置,为另一条边界的判定提供参照:
其中,q,p均为垂直投影中横坐标的索引值;Nwt(p)代表坐标p的邻域,wt为邻域的宽度,设定为图像中钢轨的宽度;Med表示钢轨中线的索引值,进一步根据确定的钢轨某一边界和中线,确定其另一条边界的两个候选:
C1=2×Med-Posedge (5)
S1057:最后,根据式(2)分别统计两个候选边界的极值点进行边界估计,最终得到图像中钢轨的两条边界,定位到钢轨区域,完成对钢轨区域的分割;
S107:对所述钢轨进行动态引导滤波、边缘检测和标记,计算并定位所述钢轨的表面病害,并对所述表面病害进行分割;
S109:根据所述钢轨的表面病害的最小矩形框从不同角度计算并提取所述表面病害的特征向量,包括:
S1091:对所述病害进行基于Gabor小波多方向的纹理特征提取,并计算所述病害的特征向量;
S1093:根据所述病害区域灰度共生矩阵计算所述病害区域的特征向量;
S1095:对所述病害的最小矩形框病害区域进行形状特征计算得到所述病害的特征向量;
S111:根据所述钢轨的表面病害的定位、分割和提取的所述特征向量,基于SVM对所述钢轨表面的病害进行识别检测。
2.根据权利要求1所述的检测方法,其特征在于,所述步骤S103具体包括:
S1031:采用中值滤波滤除所述钢轨表面图像中的噪声;
S1033:对所述钢轨表面图像使用基于形态学的背景补偿以突出所述钢轨的边缘。
3.根据权利要求1所述的检测方法,其特征在于,所述步骤S107具体包括:
S1071:使用动态引导滤波滤除所述钢轨的表面噪声和异常干扰点;
S1073:采用Canny边缘算子对滤波后的所述钢轨的表面进行边缘检测;
S1075:使用标记分量对所述边缘检测的结果的二值区域进行标记;
S1077:根据所述标记计算并定位所述钢轨的表面病害,并对所述表面病害进行分割。
4.根据权利要求1所述的检测方法,其特征在于,所述基于Gabor小波多方向的纹理特征提取包括0°、45°、90°和135°。
5.根据权利要求1所述的检测方法,其特征在于,所述病害区域灰度共生矩阵包括对比度、相关性和能量三个具体量度。
6.根据权利要求1所述的检测方法,其特征在于,所述步骤S111具体包括:
根据所述钢轨的表面病害的定位、分割和提取的所述特征向量,利用直方图交叉核函数结合SVM训练设计得到了剥离掉块病害的最优分类器,最终实现了钢轨剥离掉块病害的识别检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189940.8A CN108596872B (zh) | 2018-03-08 | 2018-03-08 | 基于Gabor小波和SVM的钢轨病害的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810189940.8A CN108596872B (zh) | 2018-03-08 | 2018-03-08 | 基于Gabor小波和SVM的钢轨病害的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596872A CN108596872A (zh) | 2018-09-28 |
CN108596872B true CN108596872B (zh) | 2021-09-28 |
Family
ID=63625918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810189940.8A Expired - Fee Related CN108596872B (zh) | 2018-03-08 | 2018-03-08 | 基于Gabor小波和SVM的钢轨病害的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596872B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109591846A (zh) * | 2018-12-20 | 2019-04-09 | 成都唐源电气股份有限公司 | 一种轮对踏面在线检测方法 |
CN110555820A (zh) * | 2019-08-28 | 2019-12-10 | 西北工业大学 | 基于卷积神经网络和动态引导滤波的图像融合方法 |
CN110991667A (zh) * | 2019-11-28 | 2020-04-10 | 中国铁道科学研究院集团有限公司 | 铁路轨道设施异常识别方法及*** |
CN111311567A (zh) * | 2020-02-12 | 2020-06-19 | 北京交通大学 | 对轨道线路图像进行扣件和钢轨病害识别的方法 |
CN112419289B (zh) * | 2020-11-30 | 2022-11-15 | 西南交通大学 | 一种城市地铁轨道扣件缺陷智能检测方法 |
CN116109638B (zh) * | 2023-04-13 | 2023-07-04 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及*** |
CN116152237B (zh) * | 2023-04-18 | 2023-07-04 | 中铁四局集团有限公司 | 一种钢轨剥落掉块检测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
-
2018
- 2018-03-08 CN CN201810189940.8A patent/CN108596872B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
Non-Patent Citations (2)
Title |
---|
rolling guidance filter;Qi Zhang等;《computer vision ECCV 2014》;20140912;第1-16页 * |
基于动态引导滤波的多尺度图像融合算法;洪铭等;《海峡科学》;20161014;第42-45段 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596872A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596872B (zh) | 基于Gabor小波和SVM的钢轨病害的检测方法 | |
CN115272334B (zh) | 用于复杂背景下的钢轨表面微小缺陷检测方法 | |
CN106683076B (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN110047070B (zh) | 一种轨道磨损程度的识别方法及*** | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN111311567A (zh) | 对轨道线路图像进行扣件和钢轨病害识别的方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN110717900B (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
CN115294099A (zh) | 一种钢板轧制过程发纹缺陷的检测方法及*** | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及*** | |
CN109241975B (zh) | 一种基于字符中心点定位的车牌字符分割方法 | |
CN114612403A (zh) | 一种上料皮带破损缺陷智能检测方法及*** | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN115423816B (zh) | 一种金属表面磨削质量检测方法 | |
CN112288717A (zh) | 一种动车组列车侧部异物检测方法 | |
CN115631146A (zh) | 一种基于图像的受电弓碳滑条缺损缺陷检测方法 | |
Yuan et al. | A detection method of palmprint principal lines based on local minimum gray value and line following | |
Elanangai et al. | Automated system for defect identification and character recognition using IR images of SS-plates | |
CN108399184B (zh) | 一种钢材的表面处理方法 | |
CN116818778B (zh) | 一种汽车部件快速智能检测方法及*** | |
CN109146909B (zh) | 一种图像目标识别方法 | |
CN115272318B (zh) | 一种硅钢钢带的表面自适应缺陷检测方法 | |
CN112949644B (zh) | 一种货车下拉杆故障图像识别方法 | |
CN112508908B (zh) | 基于图像处理动车组撒砂管接头断开故障检测方法 | |
Jaffery et al. | Performance comparison of segmentation techniques for detection of defect in rail head surface images |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210928 |
|
CF01 | Termination of patent right due to non-payment of annual fee |