CN110288562B - 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 - Google Patents
一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 Download PDFInfo
- Publication number
- CN110288562B CN110288562B CN201910408860.1A CN201910408860A CN110288562B CN 110288562 B CN110288562 B CN 110288562B CN 201910408860 A CN201910408860 A CN 201910408860A CN 110288562 B CN110288562 B CN 110288562B
- Authority
- CN
- China
- Prior art keywords
- joint
- image
- value
- steel wire
- wire rope
- 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.)
- Active
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,本发明旨在准确高效计算出钢丝绳芯输送带接头抽动距离,提高钢丝绳芯输送带接头抽动检测的可操作性和准确性,以实现对接头状况的判断。本发明基于钢丝绳芯输送带图像中接头分层区域最小外接矩形以及接头空档区域的提取结果,通过计算上下接头拟合直线、接头空档区域重心,实现对各钢丝绳接头端点的抽动距离检测。本发明所提出的算法高效且准确率高,能够应用于基于X光的钢丝绳芯输送带无损检测***,实现X光的钢丝绳芯输送带接头抽动检测,有益于预防重大断带安全事故,具有较大的应用价值。
Description
技术领域
本发明属于无损检测领域,尤其涉及一种基于X光图像的钢丝绳芯输送带接头抽动检测方法。
背景技术
带式输送机运输是煤矿等生产领域中的主要运输方式,其使用的输送带以钢丝绳芯输送带为主。钢丝绳芯输送带是以钢丝绳作为骨架材料的橡胶输送带,广泛运用于煤炭、矿山、港口等领域。在实际应用中,一条完整的钢丝绳芯输送带由若干段钢丝绳输送带搭接而成。接头区域是整条钢丝绳芯输送带拉伸强度最低、最为薄弱的部位,经常会发生钢丝绳抽动故障,导致断带等重大安全事故的发生,严重影响安全生产。因此,及时准确的检测钢丝绳芯输送带接头状态十分重要。
随着X光检测技术的发展,能够通过X光无损检测***获取包含钢丝绳芯输送带接头信息的X光图像,目前已存在的接头抽动距离计算方法都是先提取出钢丝绳端点信息,然后根据各端点进行直线拟合,通过计算点到拟合直线的距离实现抽动距离的计算。但由于在恶劣工况环境下采集到的X光图像质量较低,通过现有方法提取到的钢丝绳端点信息存在较大误差,导致接头抽动检测方法存在着检测效率低、准确性较差等问题。综上所述,需要一种能够高效可靠判断接头抽动故障的检测方法。
发明内容
发明目的:针对以上问题,本发明提出一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,目的是通过钢丝绳芯输送带接头的X光图像,准确计算钢丝绳芯输送带各钢丝绳接头端点的抽动距离,提高钢丝绳芯输送带接头故障检测的可操作性和准确性。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,包含以下步骤:
步骤1:将T1时刻采集到的含有完整接头的钢丝绳芯输送带X光图像,即T1时刻的原始图像作为基准图像;
步骤2:对原始图像分别进行横向均值滤波和全局均值滤波,以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理,得到图像A;
步骤3:对图像A进行形态学闭操作,孔洞填充、开操作,得到图像B;
步骤4:对图像B进行连通分量提取,并根据面积特征从各连通分量中筛选出接头分层区域,对各分层区域求并集,得到图像C;
步骤5:分别对图像A与图像C进行连通分量提取,并对两图像中的连通分量求交集,得到图像D;
步骤6:利用最小外接矩形算子获取图像D中各接头分层区域的最小外接矩形,并取得每个矩形的方向值,即矩形上下两边的斜率,得到图像E;
步骤7:利用每个最小外接矩形的方向值,即斜率,与此矩形区域中纵坐标最大、最小时相对应的坐标点,计算得到每个接头分层区域的下、上接头拟合直线;
步骤8:对原始图像进行全局均值滤波,以均值滤波后的图像为参考图像,对原始图像进行动态阈值处理,并对阈值处理后的图像进行开操作,得到图像F;
步骤9:对图像F进行形态学腐蚀以及开操作,得到图像G;
步骤10:分别对图像E中每一个最小外接矩形与图像G进行交集运算,并对求交后图像进行连通分量提取,再根据面积特征从各连通分量中筛选出接头空档区域,得到图像H;
步骤11:对步骤10得到的每一层接头空档区域,提取接头空档区域的重心,计算各重心到对应上下接头拟合直线的距离,进一步计算每一层接头的各上下接头点状态值,直至最后一个最小外接矩形运算完成;
步骤12:对T2时刻采集到的含有完整接头的钢丝绳芯输送带X光图像,即T2时刻的原始图像作为待检图像,根据步骤2-11处理得到待检图像的每一层接头的各上下接头点状态值;
步骤13:对待检图像与基准图像经过步骤2-11处理后,分别得到待检图像与基准图像的每一层接头的各上下接头点状态值,计算所述待检图像与基准图像中相对应的每一接头点的状态值的差值,该差值作为接头点抽动距离;
步骤14:计算基准图像接头点状态值的均值,将此均值的t倍数作为阈值,判断待检图像每一接头点抽动距离值是否大于此阈值,若大于此阈值,则判定该接头点发生了抽动故障。
进一步,在步骤2中,对原始图像分别进行横向均值滤波和全局均值滤波,以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理,步骤如下:
步骤2.1:选取a*1大小的均值模板对原始图像进行横向均值滤波;由于图像中接头区域与非接头区域之间、接头空档区域与其周围区域之间的灰度值差异较大,利用横向滤波处理有利于突出接头空档区域以及整体接头上下端与非接头区域的边缘;
步骤2.2:选取a*b大小的均值模板对原始图像进行全局均值滤波;
步骤2.3:以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理;将横向均值滤波后的图像与参考图像中任一点进行灰度值比较,若横向均值滤波后的图像中像素点灰度值高于阈值l,则设定该像素点的灰度值为256,反之,该像素点的灰度值则为0。
进一步,在步骤3中,对图像A进行形态学闭操作,孔洞填充、开操作的步骤如下:
步骤3.1:选取c*d大小的矩形结构元对动态阈值分割后的图像进行形态学闭操作,即先膨胀后腐蚀;
步骤3.2:对形态学闭操作过程中提取出来的各区域进行孔洞填充;
步骤3.3:选取a*1大小的矩形结构元对步骤3.2得到的孔洞填充后的图像进行开操作,以此去除图像中存在的干扰。
进一步,在步骤4中,对图像B进行连通分量提取、连通分量面积特征筛选、以及连通分量求并集的步骤如下:
步骤4.1:对步骤3得到的图像进行连通分量提取;
步骤4.2:根据连通分量特征,从步骤4.1提取出的各连通分量中筛选出接头分层区域;所述连通分量特征为:各连通分量面积是否在区间范围[S1,S2]之内,S1和S2分别表示预设面积值的下限和上限,若在此区间范围内,则判定此连通分量为接头分层区域,反之,则不为接头分层区域;
步骤4.3:对步骤4.2得到的各接头分层区域求并集。
进一步,在步骤5中,由于经步骤2至4处理后提取出的接头分层区域可能处于失真状态,即得到的区域并非真实接头分层面积大小的区域;因此需要提取出图像A的连通分量以及图像C的连通分量,对两者进行交集运算,以获取准确的接头分层区域,即更精确的接头分层区域图像。
通过以上步骤2至6可以从原始图像中提取出各接头分层区域的最小外接矩形,并取得每个矩形的方向值,即矩形上下两边的斜率。
进一步,在步骤7中,利用每个最小外接矩形的上下两边的斜率,与此矩形区域中纵坐标最大、最小时相对应的坐标点,计算得到每个接头分层区域的下、上接头拟合直线;方法如下:
步骤7.1:设最小外接矩形中上下两边的直线y=kix+bi,其中,ki为斜率,bi为截距,i=0,1,...,2M,M为接头分层数目;
步骤7.2:设定原始图像中钢丝绳方向为Y轴方向,输送带运行的方向为Y轴正方向,垂直于钢丝绳的方向为X轴方向;首先计算出各个最小外接矩形的重心坐标,根据各个坐标的Y值大小进行接头分层排序;
步骤7.3:在拟合得到的第j个最小外接矩形中选取Y轴方向上Y值最大时对应的像素点坐标(xm,ymax)以及Y值最小时对应的像素点坐标(xn,ymin);
步骤7.4:将Y值最大时对应的像素点坐标(xm,ymax)代入y=kupx+bm,其中kup代表已知的第j个矩形上边的斜率,由此可以计算得到截距bm,最后求得矩形上边的直线函数,即接头拟合直线;
步骤7.5:将Y值最小时对应的像素点坐标(xn,ymin)代入y=kdownx+bn,其中kdown代表已知的第j个矩形下边的斜率,在同一矩形中,kup=kdown;由此可以计算得到截距bn,最后求得矩形下边的直线函数,即接头拟合直线;
步骤7.6:按照步骤7.3-7.5依次对每个最小外接矩形求取上下边直线函数,最后得到完整接头中每一条接头分层拟合直线;其中,从第一个外接矩形求得的上边直线以及最后一个外接矩形求得的下边直线在计算接头抽动距离时是无用的,因此将这两条直线剔除。
进一步,在步骤8中,对原始图像进行全局均值滤波,以均值滤波后的图像为参考图像,对原始图像进行动态阈值处理,并对阈值处理后的图像进行开操作,步骤如下:
步骤8.1:选取e*f大小的均值滤波模板对原始图像进行滤波处理,以滤波后的图像作为参考图像,对原始图像进行动态阈值分割,即原始图像与参考图像中任一点进行灰度值比较,若原始图像中像素点灰度值高于阈值l,则设定该像素点的灰度值为256,反之,该像素点的灰度值则为0;
步骤8.2:选取半径为r1的圆形结构元对阈值处理后的图像进行形态学开操作,以此去除图像的噪点以及钢丝绳边缘的毛刺。
进一步,在步骤9中,对图像F进行形态学腐蚀以及开操作的步骤如下:
步骤9.1:选取g*1大小的矩形结构元对步骤8得到的图像进行腐蚀,缩小相邻钢丝绳之间的间距,突出接头空档区域;
步骤9.2:采用半径为r2的圆形结构元再次对腐蚀后的图像进行形态学开操作处理,去除图像在处理过程中存在的噪点。
进一步,在步骤10中,分别对图像E中每一个最小外接矩形与图像G进行交集运算;求交运算后接头分层区域中各接头空档被提取了出来,同时,细小的非接头空档也被提取了出来;再对求交后图像进行连通分量提取,并根据连通分量的特征,即面积大于S3,筛选出真正的接头空档连通分量。
进一步,在步骤11中,各层接头空档区域重心提取的方法如下:
S11:设定钢丝绳方向为Y轴方向,输送带运行的方向为Y轴正方向,垂直于钢丝绳的方向为X轴方向;首先计算出各个最小外接矩形的重心坐标(x,y),根据各重心坐标的y值大小进行接头分层排序;
S12:将排好序的最小外接矩形逐个与图像E和图像G求交后的图像求交集,得到各行接头空档集合Ei,i=1,2,...,m,m为矩形个数;
S13:计算每个集合中各接头空档的重心坐标(x,y),按照重心坐标的x值大小将各坐标进行升序排序并保存。
进一步,在步骤11中,每一层接头的各上下接头点状态值的计算方法如下:
S21:从第一个外接矩形开始,计算每个接头空档区域重心到上拟合直线的距离,各距离记为Ji,i=1,2,...,n,其中n为接头空档区域重心个数;计算距离的均值,表示为:
S22:计算接头空档区域重心到上拟合直线的距离Ji与均值Lup的差值Pi=Ji-Lup,i=1,2,...,n;
S23:计算每个接头空档区域重心到下拟合直线的距离,各距离记为Ki,i=1,2,...,n,其中n为接头空档区域重心个数;计算距离的均值,表示为:
S24:计算接头空档区域重心到下拟合直线距离Ki与均值Ldown的差值Qi=Ki-Ldown,i=1,2,...,n;
S25:根据步骤S21到S24的方法分别计算出五个外接矩形各对应的Pi与Qi;
S26:剔除第一个外接矩形的Pi与第五个外接矩形的Qi;将第一个外接矩形的Qi作为第一层接头的各上接头点的状态值,第二个外接矩形的Pi作为第一层接头的各下接头点的状态值;将第二个外接矩形的Qi作为第二层接头的各上接头点的状态值,第三个外接矩形的Pi作为第二层接头的各下接头点的状态值;将第三个外接矩形的Qi作为第三层接头的各上接头点的状态值,第四个外接矩形的Pi作为第三层接头的各下接头点的状态值;将第四个外接矩形的Qi作为第四层接头的各上接头点的状态值,第五个外接矩形的Pi作为第四层接头的各下接头点的状态值。
进一步,在步骤13中,计算所述待检图像与基准图像中相对应的每一接头点的状态值的差值,以此作为接头点抽动距离;其计算方法为:
从待检图像中第一层接头的第一个上接头点开始,计算此接头点状态值与相匹配的基准图像接头点状态值的差值,直至最后一层接头的下接头点中最后一个接头点状态值差值;各差值则为各接头点的抽动距离。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
(1)本发明设计的钢丝绳芯输送带接头抽动检测方法,采用了提取接头分层区域最小外接矩形以及接头空档区域重心的方式,避免了直接提取接头点以计算抽动距离产生的较大误差,适应于在恶劣工况环境下采集到的低质量的钢丝绳芯输送带X光图像。
(2)本发明提出的方法提高了钢丝绳芯输送带接头抽动检测精度,解决了内部钢丝绳接头抽动计算不准确的问题,有益于预防重大断带事故的发生,具有较大的应用价值。
附图说明
图1是整体方案流程图;
图2是最小外接矩形提取流程图;
图3是最小外接矩形提取中间过程结果图;
图4是上下接头拟合直线提取结果图;
图5是接头空档区域重心提取流程图;
图6是接头空档区域重心提取中间过程结果图;
图7是各层接头区域和各个外接矩形示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,整体方案流程如图1所示,对含有完整接头的钢丝绳芯输送带X光待检图像与基准图像分别进行接头分层区域的最小外接矩形提取以及接头空档区域重心提取,以此为基础,计算得到图像中各接头点状态值,通过计算待检图像与基准图像中相对应的接头点状态值的差值,实现待检图像的接头抽动检测。
图2展示了钢丝绳芯输送带X光图像中接头分层区域的最小外接矩形提取过程,图3展示了最小外接矩形提取中间过程结果图。
本发明所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,包括以下步骤:
步骤1:将T1时刻采集到的含有完整接头的钢丝绳芯输送带X光图像,即T1时刻的原始图像作为基准图像;
步骤2:对原始图像分别进行横向均值滤波和全局均值滤波,以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理,得到图像A;
步骤3:对图像A进行形态学闭操作,孔洞填充、开操作,得到图像B;
步骤4:对图像B进行连通分量提取,并根据面积特征从各连通分量中筛选出接头分层区域,对各分层区域求并集,得到图像C;
步骤5:分别对图像A与图像C进行连通分量提取,并对两图像中的连通分量求交集,得到图像D;
步骤6:利用最小外接矩形算子获取图像D中各接头分层区域的最小外接矩形,并取得每个矩形的方向值,即矩形上下两边的斜率,得到图像E;
步骤7:利用每个最小外接矩形的方向值,即斜率,与此矩形区域中纵坐标最大、最小时相对应的坐标点,计算得到每个接头分层区域的下、上接头拟合直线;
步骤8:对原始图像进行全局均值滤波,以均值滤波后的图像为参考图像,对原始图像进行动态阈值处理,并对阈值处理后的图像进行开操作,得到图像F;
步骤9:对图像F进行形态学腐蚀以及开操作,得到图像G;
步骤10:分别对图像E中每一个最小外接矩形与图像G进行交集运算,并对求交后图像进行连通分量提取,再根据面积特征从各连通分量中筛选出接头空档区域,得到图像H;
步骤11:对步骤10得到的每一层接头空档区域,提取接头空档区域的重心,计算各重心到对应上下接头拟合直线的距离,进一步计算每一层接头的各上下接头点状态值,直至最后一个最小外接矩形运算完成;
步骤12:对T2时刻采集到的含有完整接头的钢丝绳芯输送带X光图像,即T2时刻的原始图像作为待检图像,根据步骤2-11处理得到待检图像的每一层接头的各上下接头点状态值;
步骤13:对待检图像与基准图像经过步骤2-11处理后,分别得到待检图像与基准图像的每一层接头的各上下接头点状态值,计算所述待检图像与基准图像中相对应的每一接头点的状态值的差值,该差值作为接头点抽动距离;
步骤14:计算基准图像接头点状态值的均值,将此均值的t倍数作为阈值,判断待检图像每一接头点抽动距离值是否大于此阈值,若大于此阈值,则判定该接头点发生了抽动故障。
在步骤2中,对原始图像分别进行横向均值滤波和全局均值滤波,以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理,步骤如下:
步骤2.1:选取90*1大小的均值模板对原始图像进行横向均值滤波,滤波结果如图3(a)所示;由于图像中接头区域与非接头区域之间、接头空档区域与其周围区域之间的灰度值差异较大,利用横向滤波处理有利于突出接头空档区域以及整体接头上下端与非接头区域的边缘;
步骤2.2:选取90*180大小的均值模板对原始图像进行全局均值滤波,滤波结果如图3(b)所示;
步骤2.3:以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理;将横向均值滤波后的图像与参考图像中任一点进行灰度值比较,若横向均值滤波后的图像中像素点灰度值高于3,则设定该像素点的灰度值为256,反之,该像素点的灰度值则为0;动态阈值分割结果如图3(c)所示,原始图像中每一层接头空档之间被连接,即图中白色区域中5个上下排列的长矩形的区域,这5个区域为接头分层区域。
在步骤3中,对图像A进行形态学闭操作,孔洞填充、开操作的步骤如下:
步骤3.1:选取10*10大小的矩形结构元对动态阈值分割后的图像进行形态学闭操作,即先膨胀后腐蚀,其处理效果如图3(d)所示;经形态学闭操作之后,图3(c)中长矩形区域内断开的小区域被连接在一起,同时,长矩形的区域之中存在细小的孔洞,尤其是从上往下数第一个与最后一个区域;
步骤3.2:对形态学闭操作过程中提取出来的各区域进行孔洞填充,填充后的图像如图3(e)所示,长矩形区域中的孔洞被完全填充;
步骤3.3:由步骤3.2得到孔洞填充后的图像中除了需要提取的区域之外,存在干扰小区域,尤其是横向条状干扰小区域;因此,选取90*1大小的矩形结构元对孔洞填充后的图像进行开操作,以此去除图像中存在的干扰;开操作后的图像如图3(f)所示,图中干扰小区域被剔除。
在步骤4中,对图像B进行连通分量提取、连通分量面积特征筛选、以及连通分量求并集的步骤如下:
步骤4.1:对步骤3得到的图像进行连通分量提取;
步骤4.2:根据连通分量特征,从步骤4.1提取出的各连通分量中筛选出接头分层区域;所述连通分量特征为:各连通分量面积是否在区间范围[10000,9999999]之内,若在此区间范围内,则判定此连通分量为接头分层区域,反之,则不为接头分层区域;
步骤4.3:对步骤4.2得到的各接头分层区域求并集,处理结果如图3(g)所示,图3(f)中左右两端原本存在的干扰区域被剔除,留下了5个接头分层处的区域。
在步骤5中,由于经步骤2至4处理后提取出的5个接头分层区域可能处于失真状态,即得到的区域并非真实接头分层面积大小的区域;因此需要提取出图像A的连通分量以及图像C的连通分量,对两者进行交集运算,以获取准确的接头分层区域,即更精确的接头分层区域图像,结果如图3(h)所示。
在步骤6中,利用最小外接矩形算子获取图像D中各接头分层区域的最小外接矩形,结果如图3(i)所示,图3(h)中5个接头分层区域被拟合成规则的长矩形。
通过以上步骤2至6可以精确地从原始图像中提取出各接头分层区域的最小外接矩形,并取得每个矩形的方向值,即矩形上下两边的斜率。
在步骤7中,利用每个最小外接矩形的上下两边的斜率,与此矩形区域中纵坐标最大、最小时相对应的坐标点,计算得到每个接头分层区域的下、上接头拟合直线;方法如下:
步骤7.1:设最小外接矩形中上下两边的直线y=kix+bi,其中,ki为斜率,bi为截距,i=0,1,...,2M,M为接头分层数目;
步骤7.2:设定原始图像中钢丝绳方向为Y轴方向,输送带运行的方向为Y轴正方向,垂直于钢丝绳的方向为X轴方向;首先计算出各个最小外接矩形的重心坐标,根据各个坐标的Y值大小进行接头分层排序;
步骤7.3:在拟合得到的第j个最小外接矩形中选取Y轴方向上Y值最大时对应的像素点坐标(xm,ymax)以及Y值最小时对应的像素点坐标(xn,ymin);
步骤7.4:将Y值最大时对应的像素点坐标(xm,ymax)代入y=kupx+bm,其中kup代表已知的第j个矩形上边的斜率,由此可以计算得到截距bm,最后求得矩形上边的直线函数,即接头拟合直线;
步骤7.5:将Y值最小时对应的像素点坐标(xn,ymin)代入y=kdownx+bn,其中kdown代表已知的第j个矩形下边的斜率,在同一矩形中,kup=kdown;由此可以计算得到截距bn,最后求得矩形下边的直线函数,即接头拟合直线;
步骤7.6:按照步骤7.3-7.5依次对每个最小外接矩形求取上下边直线函数,最后得到完整接头中每一条接头分层拟合直线;其中,从第一个外接矩形求得的上边直线以及最后一个外接矩形求得的下边直线在计算接头抽动距离时是无用的,因此将这两条直线剔除,最后将计算得到8条直线。
图4分别展示了待检图像中第二、三个最小外接矩形的上下拟合直线提取结果。
图5为接头空档区域重心提取流程图,图6展示了接头空档区域重心提取中间过程结果图。
在步骤8中,对原始图像进行全局均值滤波,以均值滤波后的图像为参考图像,对原始图像进行动态阈值处理,并对阈值处理后的图像进行开操作,步骤如下:
步骤8.1:选取21*21大小的均值滤波模板对原始图像进行滤波处理,结果如图6(a)所示,以滤波后的图像作为参考图像,对原始图像进行动态阈值分割,即原始图像与参考图像中任一点进行灰度值比较,若原始图像中像素点灰度值高于3,则设定该像素点的灰度值为256,反之,该像素点的灰度值则为0;
步骤8.2:选取半径为1的圆形结构元对阈值处理后的图像进行形态学开操作,以此去除图像的噪点以及钢丝绳边缘的毛刺;如图6(b)所示为形态学开操作后结果图。
在步骤9中,对图像F进行形态学腐蚀以及开操作的步骤如下:
步骤9.1:选取3*1大小的矩形结构元对步骤8得到的图像进行腐蚀,缩小相邻钢丝绳之间的间距,突出接头空档区域;
步骤9.2:采用半径为1.5的圆形结构元再次对腐蚀后的图像进行形态学开操作处理,去除图像在处理过程中存在的噪点;图6(c)为腐蚀后开操作的结果图,图中接头空档区域相较于处理之前更明显。
在步骤10中,分别对图像E中每一个最小外接矩形与图像G进行交集运算;求交结果如图6(d)所示,图中接头分层区域中各接头空档被提取了出来,同时,细小的非接头空档也被提取了出来;再对求交后图像进行连通分量提取,并根据连通分量的特征,即面积大于250,筛选出真正的接头空档连通分量;筛选结果如图6(e)所示,图中白色区域代表各接头空档区域;图6(f)展示了第一层接头空档区域。
在步骤11中,各层接头空档区域重心提取的方法如下:
S11:设定钢丝绳方向为Y轴方向,输送带运行的方向为Y轴正方向,垂直于钢丝绳的方向为X轴方向;首先计算出各个最小外接矩形的重心坐标(x,y),根据各重心坐标的y值大小进行接头分层排序;
S12:将排好序的最小外接矩形逐个与图像E和图像G求交后的图像求交集,得到各行接头空档集合Ei,i=1,2,...,m,m为矩形个数;
S13:计算每个集合中各接头空档的重心坐标(x,y),按照重心坐标的x值大小将各坐标进行升序排序并保存。
在步骤11中,每一层接头的各上下接头点状态值的计算方法如下:
S21:从第一个外接矩形开始,计算每个接头空档区域重心到上拟合直线的距离,各距离记为Ji,i=1,2,...,n,其中n为接头空档区域重心个数;计算距离的均值,表示为:
S22:计算接头空档区域重心到上拟合直线的距离Ji与均值Lup的差值Pi=Ji-Lup,i=1,2,...,n;
S23:计算每个接头空档区域重心到下拟合直线的距离,各距离记为Ki,i=1,2,...,n,其中n为接头空档区域重心个数;计算距离的均值,表示为:
S24:计算接头空档区域重心到下拟合直线距离Ki与均值Ldown的差值Qi=Ki-Ldown,i=1,2,...,n;
S25:根据步骤S21到S24的方法分别计算出五个外接矩形各对应的Pi与Qi;
S26:剔除第一个外接矩形的Pi与第五个外接矩形的Qi;将第一个外接矩形的Qi作为第一层接头的各上接头点的状态值,第二个外接矩形的Pi作为第一层接头的各下接头点的状态值;将第二个外接矩形的Qi作为第二层接头的各上接头点的状态值,第三个外接矩形的Pi作为第二层接头的各下接头点的状态值;将第三个外接矩形的Qi作为第三层接头的各上接头点的状态值,第四个外接矩形的Pi作为第三层接头的各下接头点的状态值;将第四个外接矩形的Qi作为第四层接头的各上接头点的状态值,第五个外接矩形的Pi作为第四层接头的各下接头点的状态值。
在步骤13中,计算所述待检图像与基准图像中相对应的每一接头点的状态值的差值,以此作为接头点抽动距离;其计算方法为:
从待检图像中接头第一层的第一个上接头点开始,计算此接头点状态值与相匹配的基准图像接头点状态值的差值,直至第四层接头的下接头点中最后一个接头点状态值差值;各差值则为各接头点的抽动距离。
Claims (8)
1.一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:该方法包括如下步骤:
步骤1:将T1时刻采集到的含有完整接头的钢丝绳芯输送带X光图像,即T1时刻的原始图像作为基准图像;
步骤2:对原始图像分别进行横向均值滤波和全局均值滤波,以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理,得到图像A;
步骤3:对图像A进行形态学闭操作,孔洞填充、开操作,得到图像B;
步骤4:对图像B进行连通分量提取,并根据面积特征从各连通分量中筛选出接头分层区域,对各分层区域求并集,得到图像C;
步骤5:分别对图像A与图像C进行连通分量提取,并对两图像中的连通分量求交集,得到图像D;
步骤6:利用最小外接矩形算子获取图像D中各接头分层区域的最小外接矩形,并取得每个矩形的方向值,即矩形上下两边的斜率,得到图像E;
步骤7:利用每个最小外接矩形的方向值,即斜率,与此矩形区域中纵坐标最大、最小时相对应的坐标点,计算得到每个接头分层区域的下、上接头拟合直线;
步骤8:对原始图像进行全局均值滤波,以均值滤波后的图像为参考图像,对原始图像进行动态阈值处理,并对阈值处理后的图像进行开操作,得到图像F;
步骤9:对图像F进行形态学腐蚀以及开操作,得到图像G;
步骤10:分别对图像E中每一个最小外接矩形与图像G进行交集运算,并对求交后图像进行连通分量提取,再根据面积特征从各连通分量中筛选出接头空档区域,得到图像H;
步骤11:对步骤10得到的每一层接头空档区域,提取接头空档区域的重心,计算各重心到对应上下接头拟合直线的距离,进一步计算每一层接头的各上下接头点状态值,直至最后一个最小外接矩形运算完成;
其中,各层接头空档区域重心提取的方法如下:
S11:设定钢丝绳方向为Y轴方向,输送带运行的方向为Y轴正方向,垂直于钢丝绳的方向为X轴方向;首先计算出各个最小外接矩形的重心坐标(x,y),根据各重心坐标的y值大小进行接头分层排序;
S12:将排好序的最小外接矩形逐个与图像E和图像G求交后的图像求交集,得到各行接头空档集合Ei,i=1,2,…,m,m为矩形个数;
S13:计算每个集合中各接头空档的重心坐标(x,y),按照重心坐标的x值大小将各坐标进行升序排序并保存;
每一层接头的各上下接头点状态值的计算方法如下:
S21:从第一个外接矩形开始,计算每个接头空档区域重心到上拟合直线的距离,各距离记为Ji,i=1,2,…,n,其中n为接头空档区域重心个数;计算距离的均值,表示为:
S22:计算接头空档区域重心到上拟合直线的距离Ji与均值Lup的差值Pi=Ji-Lup,i=1,2,…,n;
S23:计算每个接头空档区域重心到下拟合直线的距离,各距离记为Ki,i=1,2,…,n,其中n为接头空档区域重心个数;计算距离的均值,表示为:
S24:计算接头空档区域重心到下拟合直线距离Ki与均值Ldown的差值Qi=Ki-Ldown,i=1,2,…,n;
S25:根据步骤S21到S24的方法分别计算出五个外接矩形各对应的Pi与Qi;
S26:剔除第一个外接矩形的Pi与第五个外接矩形的Qi;将第一个外接矩形的Qi作为第一层接头的各上接头点的状态值,第二个外接矩形的Pi作为第一层接头的各下接头点的状态值;将第二个外接矩形的Qi作为第二层接头的各上接头点的状态值,第三个外接矩形的Pi作为第二层接头的各下接头点的状态值;将第三个外接矩形的Qi作为第三层接头的各上接头点的状态值,第四个外接矩形的Pi作为第三层接头的各下接头点的状态值;将第四个外接矩形的Qi作为第四层接头的各上接头点的状态值,第五个外接矩形的Pi作为第四层接头的各下接头点的状态值;
步骤12:对T2时刻采集到的含有完整接头的钢丝绳芯输送带X光图像,即T2时刻的原始图像作为待检图像,根据步骤2-11处理得到待检图像的每一层接头的各上下接头点状态值;
步骤13:对待检图像与基准图像经过步骤2-11处理后,分别得到待检图像与基准图像的每一层接头的各上下接头点状态值,计算所述待检图像与基准图像中相对应的每一接头点的状态值的差值,该差值作为接头点抽动距离;
步骤14:计算基准图像接头点状态值的均值,将此均值的t倍数作为阈值,判断待检图像每一接头点抽动距离值是否大于此阈值,若大于此阈值,则判定该接头点发生了抽动故障。
2.根据权利要求1所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:在步骤2中,对原始图像分别进行横向均值滤波和全局均值滤波,以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理,步骤如下:
步骤2.1:选取a*1大小的均值模板对原始图像进行横向均值滤波;
步骤2.2:选取a*b大小的均值模板对原始图像进行全局均值滤波;
步骤2.3:以全局均值滤波后的图像为参考图像,对横向均值滤波后的图像进行动态阈值处理;将横向均值滤波后的图像与参考图像中任一点进行灰度值比较,若横向均值滤波后的图像中像素点灰度值高于阈值l,则设定该像素点的灰度值为256,反之,该像素点的灰度值则为0。
3.根据权利要求1所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:在步骤3中,对图像A进行形态学闭操作,孔洞填充、开操作,步骤如下:
步骤3.1:选取c*d大小的矩形结构元对动态阈值分割后的图像进行形态学闭操作,即先膨胀后腐蚀;
步骤3.2:对形态学闭操作过程中提取出来的各区域进行孔洞填充;
步骤3.3:选取a*1大小的矩形结构元对步骤3.2得到的孔洞填充后的图像进行开操作,以此去除图像中存在的干扰。
4.根据权利要求1所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:在步骤4中,对图像B进行连通分量提取、连通分量面积特征筛选、以及连通分量求并集,步骤如下:
步骤4.1:对步骤3得到的图像进行连通分量提取;
步骤4.2:根据连通分量特征,从步骤4.1提取出的各连通分量中筛选出接头分层区域;所述连通分量特征为:各连通分量面积是否在区间范围[S1,S2]之内,S1和S2分别表示预设面积值的下限和上限,若在此区间范围内,则判定此连通分量为接头分层区域,反之,则不为接头分层区域;
步骤4.3:对步骤4.2得到的各接头分层区域求并集。
5.根据权利要求1所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:在步骤7中,利用每个最小外接矩形的上下两边的斜率,与此矩形区域中纵坐标最大、最小时相对应的坐标点,计算得到每个接头分层区域的下、上接头拟合直线;方法如下:
步骤7.1:设最小外接矩形中上下两边的直线y=kix+bi,其中,ki为斜率,bi为截距,i=0,1,…,2M,M为接头分层数目;
步骤7.2:设定原始图像中钢丝绳方向为Y轴方向,输送带运行的方向为Y轴正方向,垂直于钢丝绳的方向为X轴方向;首先计算出各个最小外接矩形的重心坐标,根据各个坐标的Y值大小进行接头分层排序;
步骤7.3:在拟合得到的第j个最小外接矩形中选取Y轴方向上Y值最大时对应的像素点坐标(xm,ymax)以及Y值最小时对应的像素点坐标(xn,ymin);
步骤7.4:将Y值最大时对应的像素点坐标(xm,ymax)代入y=kupx+bm,其中kup代表已知的第j个矩形上边的斜率,由此可以计算得到截距bm,最后求得矩形上边的直线函数,即接头拟合直线;
步骤7.5:将Y值最小时对应的像素点坐标(xn,ymin)代入y=kdownx+bn,其中kdown代表已知的第j个矩形下边的斜率,在同一矩形中,kup=kdown;由此可以计算得到截距bn,最后求得矩形下边的直线函数,即接头拟合直线;
步骤7.6:按照步骤7.3-7.5依次对每个最小外接矩形求取上下边直线函数,其中,从第一个外接矩形求得的上边直线以及最后一个外接矩形求得的下边直线在计算接头抽动距离时是无用的,将这两条直线剔除,最后得到完整接头中每一条接头分层拟合直线。
6.根据权利要求1所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:在步骤8中,对原始图像进行全局均值滤波,以均值滤波后的图像为参考图像,对原始图像进行动态阈值处理,并对阈值处理后的图像进行开操作,步骤如下:
步骤8.1:选取e*f大小的均值滤波模板对原始图像进行滤波处理,以滤波后的图像作为参考图像,对原始图像进行动态阈值分割,即原始图像与参考图像中任一点进行灰度值比较,若原始图像中像素点灰度值高于阈值l,则设定该像素点的灰度值为256,反之,该像素点的灰度值则为0;
步骤8.2:选取半径为r1的圆形结构元对阈值处理后的图像进行形态学开操作,以此去除图像的噪点以及钢丝绳边缘的毛刺。
7.根据权利要求1所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:在步骤9中,对图像F进行形态学腐蚀以及开操作的步骤如下:
步骤9.1:选取g*1大小的矩形结构元对步骤8得到的图像进行腐蚀,缩小相邻钢丝绳之间的间距,突出接头空档区域;
步骤9.2:采用半径为r2的圆形结构元再次对腐蚀后的图像进行形态学开操作处理,去除图像在处理过程中存在的噪点。
8.根据权利要求1-7任一所述的一种基于X光图像的钢丝绳芯输送带接头抽动检测方法,其特征在于:在步骤13中,计算所述待检图像与基准图像中相对应的每一接头点的状态值的差值,以此作为接头点抽动距离;其计算方法为:
从待检图像中第一层接头的第一个上接头点开始,计算此接头点状态值与相匹配的基准图像接头点状态值的差值,直至最后一层接头的下接头点中最后一个接头点状态值差值;各差值则为各接头点的抽动距离。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408860.1A CN110288562B (zh) | 2019-05-16 | 2019-05-16 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
PCT/CN2019/094535 WO2020228111A1 (zh) | 2019-05-16 | 2019-07-03 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910408860.1A CN110288562B (zh) | 2019-05-16 | 2019-05-16 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288562A CN110288562A (zh) | 2019-09-27 |
CN110288562B true CN110288562B (zh) | 2023-01-17 |
Family
ID=68002203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910408860.1A Active CN110288562B (zh) | 2019-05-16 | 2019-05-16 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110288562B (zh) |
WO (1) | WO2020228111A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570551B (zh) * | 2021-07-05 | 2023-07-07 | 天津市三特电子有限公司 | 球团链篦机篦条状态监测方法及其监测*** |
CN113553926B (zh) * | 2021-07-08 | 2023-08-11 | 天津工业大学 | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 |
CN113989643B (zh) * | 2021-10-26 | 2023-09-01 | 萱闱(北京)生物科技有限公司 | 管道状态检测方法、装置、介质及计算设备 |
CN113983966B (zh) * | 2021-10-27 | 2023-07-21 | 北京半导体专用设备研究所(中国电子科技集团公司第四十五研究所) | 一种芯片平面度测量方法、装置、电子设备及存储介质 |
CN116563223B (zh) * | 2023-04-11 | 2023-09-26 | 新创碳谷集团有限公司 | 一种玻纤纱线绕罗拉检测方法、设备及存储介质 |
CN116416251B (zh) * | 2023-06-12 | 2023-08-25 | 梁山水泊胶带股份有限公司 | 基于图像处理的整芯阻燃输送带质量检测方法及相关装置 |
CN117110330B (zh) * | 2023-10-25 | 2024-01-30 | 山西慧达澳星科技有限公司 | 一种输送带探伤检测方法、装置、设备及存储介质 |
CN117218549B (zh) * | 2023-11-07 | 2024-03-05 | 山东力加力钢结构有限公司 | 一种公路桥梁的状态评估方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730083A (zh) * | 2015-04-09 | 2015-06-24 | 中煤科工集团重庆研究院有限公司 | 钢丝绳芯输送带接头抽动自动检测方法 |
CN106296700A (zh) * | 2016-08-15 | 2017-01-04 | 南京工程学院 | 一种钢丝绳输送带接头抽动检测方法 |
CN108470333A (zh) * | 2018-03-07 | 2018-08-31 | 天津工业大学 | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 |
CN108550135A (zh) * | 2018-03-07 | 2018-09-18 | 天津工业大学 | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4020712B2 (ja) * | 2002-06-27 | 2007-12-12 | アンリツ産機システム株式会社 | X線画像処理フィルタ自動設定方法,x線異物検出方法及びx線異物検出装置 |
JP2013099520A (ja) * | 2011-10-14 | 2013-05-23 | Toshiba Corp | X線コンピュータ断層撮像装置、医用画像処理装置、及び医用画像処理方法 |
CN102590247A (zh) * | 2012-03-05 | 2012-07-18 | 上海海事大学 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
CN103995011B (zh) * | 2014-05-27 | 2016-05-25 | 天津工业大学 | 一种提高钢丝绳芯输送带x光图像质量的方法 |
CN104698944B (zh) * | 2015-03-19 | 2017-06-27 | 天津工业大学 | 一种基于fpga的钢丝绳芯输送带x光探测器采集控制与信号处理装置 |
CN105976368B (zh) * | 2016-04-28 | 2018-12-11 | 华北电力大学(保定) | 一种绝缘子定位方法 |
CN108169332A (zh) * | 2017-12-14 | 2018-06-15 | 太原理工大学 | 基于热声成像的钢丝绳芯检测方法和装置 |
CN108169253A (zh) * | 2018-02-12 | 2018-06-15 | 无锡百年通工业输送有限公司 | 一种x射线探测芳纶输送带指型接头抽动的方法 |
-
2019
- 2019-05-16 CN CN201910408860.1A patent/CN110288562B/zh active Active
- 2019-07-03 WO PCT/CN2019/094535 patent/WO2020228111A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730083A (zh) * | 2015-04-09 | 2015-06-24 | 中煤科工集团重庆研究院有限公司 | 钢丝绳芯输送带接头抽动自动检测方法 |
CN106296700A (zh) * | 2016-08-15 | 2017-01-04 | 南京工程学院 | 一种钢丝绳输送带接头抽动检测方法 |
CN108470333A (zh) * | 2018-03-07 | 2018-08-31 | 天津工业大学 | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 |
CN108550135A (zh) * | 2018-03-07 | 2018-09-18 | 天津工业大学 | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 |
Non-Patent Citations (3)
Title |
---|
X光钢丝绳芯输送带接头伸长自动检测算法研究与实现;张灿;《中国优秀硕士学位论文全文数据库 信息科技辑》;20181215(第2018年第12期);I138-1186 * |
钢丝绳芯输送带接头伸长量计算方法;李现国等;《工矿自动化》;20180329(第04期);8-12 * |
钢丝绳芯输送带非均匀光照X光图像校正与接头抽动检测方法研究;韩现代;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190215(第2019年第2期);I138-1836 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020228111A1 (zh) | 2020-11-19 |
CN110288562A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288562B (zh) | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 | |
CN106290388B (zh) | 一种绝缘子故障自动检测方法 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及*** | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN110334750B (zh) | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 | |
CN105787486B (zh) | 一种基于图像处理的钢梁裂纹检测方法 | |
CN109993099A (zh) | 一种基于机器视觉的车道线提取识别方法 | |
CN108550135B (zh) | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 | |
CN115018827B (zh) | 一种建材焊缝质量自动检测方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN113077437B (zh) | 工件质量检测方法及其*** | |
CN107154034B (zh) | 一种高铁接触网斜拉线定位钩的状态检测方法及*** | |
CN111932490A (zh) | 一种用于工业机器人的视觉***抓取信息提取方法 | |
CN114663672B (zh) | 一种输电线路塔钢构件腐蚀检测方法及*** | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN114399518A (zh) | 一种监测车底螺栓紧固度的方法及电子设备 | |
CN113588663A (zh) | 一种管线缺陷识别与信息提取方法 | |
CN116309447B (zh) | 一种基于深度学习的水坝斜坡裂缝检测方法 | |
CN102313740A (zh) | 太阳能电池板裂痕检测方法 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 | |
CN108470333B (zh) | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 | |
CN115409768A (zh) | 一种基于特征输入增强的渗漏水病害深度学习检测方法 |
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 |