CN111557018B - 用于估算代表待表征的轮胎的测试样本的橡胶组合物与增强帘布层之间的黏合分数的方法 - Google Patents
用于估算代表待表征的轮胎的测试样本的橡胶组合物与增强帘布层之间的黏合分数的方法 Download PDFInfo
- Publication number
- CN111557018B CN111557018B CN201880083134.0A CN201880083134A CN111557018B CN 111557018 B CN111557018 B CN 111557018B CN 201880083134 A CN201880083134 A CN 201880083134A CN 111557018 B CN111557018 B CN 111557018B
- Authority
- CN
- China
- Prior art keywords
- image
- binary mask
- theoretical
- cords
- reinforcing
- 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
- 230000003014 reinforcing effect Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 41
- 229920001971 elastomer Polymers 0.000 title claims abstract description 38
- 239000000203 mixture Substances 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 title claims abstract description 19
- 230000002787 reinforcement Effects 0.000 claims abstract description 49
- 230000000877 morphologic effect Effects 0.000 claims description 18
- 239000003550 marker Substances 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 239000002184 metal Substances 0.000 description 20
- 239000012783 reinforcing fiber Substances 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000004744 fabric Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004753 textile Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000009966 trimming Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- RRHGJUQNOFWUDK-UHFFFAOYSA-N Isoprene Chemical compound CC(=C)C=C RRHGJUQNOFWUDK-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 229920001195 polyisoprene Polymers 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007655 standard test method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/04—Measuring adhesive force between materials, e.g. of sealing tape, of coating
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10008—Still image; Photographic image from scanner, fax or copier
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
用于估算代表待表征的轮胎的测试样本的橡胶组合物与增强帘布层之间的黏合分数的方法,所述测试样本包括至少两个嵌入橡胶组合物中的增强帘布层,每个增强帘布层本身包括并排放置的增强帘线。所述方法包括这样的步骤,在压力下熏烤测试样本,然后形成预期的规格,并且对测试样本的两个增强帘布层执行剥离测试。所述方法进一步包括以下步骤:采集在剥离测试结束时获得的两个半个测试样本的至少一个图像,修整采集的图像,然后通过分割二值掩模图像、折叠的二值掩模图像、修改的分割二值掩模图像、修改的折叠的二值掩模图像以及重新调整的折叠的二值掩模图像确定第一图像,所述第一图像将增强件的区域从橡胶组合物的区域分离,通过理论图像和调整的理论图像,根据轮胎的增强帘线的间距和直径确定第二图像,根据第一图像中增强帘线的面积与第二图像中增强帘线的面积的比值来确定分数。
Description
技术领域
本发明的技术领域是图像处理,更具体地,本发明的技术领域是应用于质量控制(特别是在轮胎制造中)的图像处理。
背景技术
轮胎通常包括与道路直接接触的胎面,所述胎面设置有沟槽和胎面花纹块并且设置在使轮胎具有强度的胎体上。
胎体可以是对角线的或者径向的,并且包括嵌入橡胶组合物中的增强纤维的帘布层的叠置。帘布层是基本上平行的增强纤维的层。
在轮胎的研发期间,或者在监测轮胎质量时,通常测试橡胶组合物与(织物或金属的)增强帘布层之间的黏合。
为了执行黏合测试,制造样本,该样本与橡胶组合物和增强帘布层之间的黏合是待测试的轮胎具有相同的成分和相同的生产过程。然后将获得的样本在压力下烘烤,继而形成预期的规格。
然后通过剥离由橡胶组合物结合的两个增强帘布层而对该样本进行剥离,在此期间测量将两个增强帘布层分离所需的拉力。在剥离结束时,测试样本分为两个半个样本。然后操作员根据半个样本的视觉外观和橡胶组合物对增强件的覆盖程度来对样本进行评分。
然而,由于操作人员的目视检查,上述方法的再现性和获得的数据的可靠性是可变的。
以下文件从现有技术中已知的。
文件“AFNOR–NF ISO 36–2011年11月”公开了涉及这样一种测试方法的法国标准NF ISO 36的特点,该方法通过剥离由橡胶或橡胶层(其结合至织物帘布层)结合的两个织物帘布层来测量分离所需的力。
文件“ASTM标准–StandardTest Method for Strap Peel Adhesion ofReinforcing Cords or Fabrics to Rubber Compounds–D4393/D4393M–10”公开了通过剥离测试来测量轮胎增强件的黏合的标准化方法。其中提到的视觉评分由操作人员进行。
在实习报告“Brendan Le Bouil-Caractérisation de l'adhésion tissu/composition de caoutchouc de pneumatiques par traitement d'images numériques-Laboratoire IMS–米其林–实习报告,2014年9月”中提出使用自动化的方法来估算橡胶组合物对增强件的覆盖程度,虽然没有研发出完整的方法,但它描述了对样本图像中的织物增强件和橡胶组合物进行分割的可行性的研究。
提出的分割是基于与超像素分组相关的SLIC超像素算法(SLIC是Simple LinearIterative Clustering的首字母缩写)。由于对齐样本的问题,这种分割技术并不总是有效的。
在Radhakrishna Achanta、Appu Shaji、Kevin Smith、Aurelien Lucchi、PascalFua以及SabineSüsstrunk于2012年5月在IEEE Transactions on Pattern Analysis andMachine Intelligence的第34卷、第11期、第2274-2282页发表了“SLIC SuperpixelsCompared to State-of-the-art Superpixel Methods”之后,编写了SLIC超像素算法的代码。
该文件还指出“橡胶组合物的桥”的存在是在增强层之间的黏合的检查中进行分割的工业化的绊脚石。
需要一种根据剥离测试后橡胶组合物对增强件的覆盖程度来估算分数的方法,并且该方法具有改善的再现性和改善的客观性。
发明内容
本发明的一个主题是一种用于估算代表待表征的轮胎的样本的橡胶组合物与增强帘布层之间的黏合的分数的方法,
所述样本包括至少两个嵌入橡胶组合物中的增强帘布层,每个增强帘布层本身包括并排放置的增强帘线。
所述方法包括以下步骤:
在压力下烘烤样本,然后,
通过将样本的两个增强帘布层剥离开来进行剥离测试。
所述方法进一步包括以下步骤:
采集通过剥离测试而在剥离结束时获得的两个半个样本的至少一个图像,
修整采集的图像,
然后根据修整的采集的图像经由超像素分解来确定第一图像,所述第一图像将增强件的区域从橡胶组合物的区域分离,所述第一图像选自:分割二值掩模图像、折叠的二值掩模图像、修改的分割二值掩模图像、修改的折叠的二值掩模图像以及对齐的折叠的二值掩模图像,
根据轮胎的增强帘线的间距和直径确定增强帘线的第二图像,所述第二图像选自理论图像和拟合的理论图像,
根据第一图像中增强帘线的面积与第二图像中增强帘线的面积的比值来确定分数。
可以利用平板扫描仪采集两个半个样本的图像。
可以利用平板扫描仪并结合使用刚性半个样本保持器来采集半个样本的图像,从而使得每个半个样本被压向扫描仪的窗口,并且每个半个样本在扫描仪的采集区域中的对齐受到控制。
为了修整采集的图像,可以执行这样的步骤:将采集的图像的颜色成分去除,以便获得灰度图像,
然后应用灰度阈值,使得灰度低于阈值的像素归于第一布尔值,灰度高于或等于阈值的像素归于第二布尔值,
选择灰度阈值,以便将背景图像去除并且保存样本的图像,
确定与灰度图像相同大小的二值掩模,在二值掩模中待修整的图像的每个像素都与第一布尔值或第二布尔值相关,
对二值掩模执行闭运算形态学滤波,以将半个样本结合,
在先前获得的滤波后的二值掩模执行开运算形态学滤波,以去除噪声。
为了确定诸如分割二值掩模图像的第一图像,可以执行将超像素分解应用于修整后的图像的步骤,
然后确定分割二值掩模,所述分割二值掩模包含偏心率高于偏心率阈值并且亮度高于亮度阈值的超像素。
为了确定诸如拟合的理论图像的第二图像,可以执行以下步骤:
对分割掩模图像和理论图像执行“与”逻辑运算,然后,
通过对非零布尔值的像素求和来测量理论图像的帘线与分割二值掩模图像的帘线在位置上的偏差,在预先定义的关于初始值的间距值和第一帘线的位置值的区间中,重复对偏差的测量,
保留与确定的偏差值中最大值相关的间距值和第一帘线的位置值,
然后根据保留的帘线的间距值、第一帘线的位置值以及保留的帘线和第一帘线的直径来确定拟合的理论图像。
为了确定诸如修改的分割二值掩模图像的第一图像,可以执行以下步骤:
如果拟合的理论图像是不可用的,
则利用代表水平线的结构元素来膨胀分割二值掩模,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的分割二值掩模图像的图像,
然后利用作为标记(marqueur)的膨胀的分割二值掩模图像和作为掩模的理论图像执行线性形态学重构,以获得修改的分割二值掩模图像,
如果拟合的理论图像是可用的,
则利用代表水平线的结构元素来膨胀分割二值掩模,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的拟合的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的分割二值掩模图像的图像,
然后利用作为标记的膨胀的分割二值掩模图像和作为掩模的拟合的理论图像执行线性形态学重构,以获得修改的分割二值掩模图像。
为了确定诸如折叠的二值掩模的第一图像,以避免误检(fausses détections),可以执行以下步骤:
在与一个半个样本相对应的分割二值掩模图像的下部执行水平镜像运算,
通过对上半个掩模的每个像素与下半个掩模的水平镜像的每个像素执行“或”逻辑运算来确定折叠的二值掩模图像,以便将与两个半个样本中可见的增强帘线相对应的像素叠加。
为了确定诸如拟合的理论图像的第二图像,可以执行以下步骤:
对折叠的二值掩模图像和理论图像执行“与”逻辑运算,然后,
通过对非零布尔值的像素求和来测量理论图像的帘线与折叠的二值掩模图像的帘线在位置上的偏差,在预先定义的关于初始值的间距值和第一帘线的位置值的区间中,重复对该偏差的测量,
保留与确定的偏差值中最大值相关的间距值和第一帘线的位置值,
然后根据保留的帘线的间距值、第一帘线的位置值以及保留的帘线和第一帘线的直径来确定拟合的理论图像。
为了确定诸如修改的折叠的图像的第二图像,可以执行以下步骤:
如果拟合的理论图像是不可用的,
则利用代表水平线的结构元素来膨胀折叠的二值掩模图像,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的折叠的二值掩模图像的图像,
然后利用作为标记的膨胀的折叠的二值掩模图像和作为掩模的理论图像执行线性形态学重构,以获得修改的折叠的图像,
如果拟合的理论图像是可用的,
则利用代表水平线的结构元素来膨胀折叠的二值掩模图像,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的拟合的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的折叠的二值掩模图像的图像,
然后利用作为标记的膨胀的折叠的二值掩模图像和作为掩模的拟合的理论图像执行线性形态学重构,以获得修改的折叠的二值掩模图像。
可以通过分割二值掩模图像确定两个分割二值掩模半个图像,
对于每个分割二值掩模半个图像,可以确定理论半个图像,可以根据理论半个图像和分割二值掩模半个图像来确定拟合的理论半个图像,并且可以根据分割二值掩模半个图像和拟合的理论半个图像来确定膨胀的分割二值掩模半个图像,然后,
对与分割二值掩模图像的下部相对应并且与一个半个样本相对应的膨胀的分割二值掩模半个图像执行水平镜像运算,
水平偏移可以应用于水平镜像运算所产生的半个样本的图像,
通过对上半个掩模的每个像素与下半个掩模的水平镜像的每个像素执行“或”逻辑运算来确定折叠的二值掩模图像,以便将与两个半个样本中可见的增强帘线相对应的像素叠加。
附图说明
可以确定分别与一个水平偏移相对应的至少两个分数,然后可以将针对每个水平偏移所获得的所有分数中的最小分数确定为最终分数。
通过阅读以下仅以非限制性示例方式给出的描述并且参考附图,本发明的其它目的、特征以及优点将变得明显,在附图中:
-图1显示了根据本发明的估算方法的第一实施方式的主要步骤;
-图2显示了根据本发明的估算方法的第二实施方式的主要步骤;
-图3显示了根据本发明的估算方法的第三实施方式的主要步骤;
-图4显示了根据本发明的估算方法的第四实施方式的主要步骤;
-图5显示了根据本发明的估算方法的第五实施方式的主要步骤;
-图6显示了根据本发明的估算方法的第六实施方式的主要步骤;
-图7显示了样本的橡胶组合物的桥和增强帘线;
-图8显示了对获取的图像应用修整步骤之后获得的图像;
-图9显示了超像素分解所产生的图像;
-图10显示了根据超像素的偏心率、平均亮度进行分类所产生的二值掩模以及折叠的二值掩模;
-图11显示了具有不同间距值和直径的增强帘线的理论图像的两个示例;以及
-图12显示了增强帘线的理论图像、折叠的二值掩模图像与拟合的理论图像之间的叠加的图像以及修改后的折叠的二值掩模图像。
具体实施方式
本发明在于用自动化的检查和评分来代替牵引后的样本的目视检查和评分,以改善再现性和观察结果的比较。
为此,通过图像采集设备来采集图像,然后采用图像分析方法,以测量增强件的可视面积,并且通过确定覆盖程度来评分,这种确定是通过比较增强件面积的测量值与理论值所产生的。
估算方法包括第一步骤1,在该步骤中采集从同一个样本所获得的两个半个样本的至少一个图像。
为了执行图像采集,可以采用任何图像采集设备,例如摄像机、摄影传感器或者扫描仪,尤其是例如通常在办公室中使用的平板扫描仪。优选为使用扫描仪结合使用刚性半个样本保持器,因为这可以通过将每个半个样本正确的压向扫描仪的窗口来限制景深效果,并且通过在扫描仪的采集区域中正确的对齐来提高半个样本的对齐。通过扫描仪采集的图像可以使采集图像中的半个样本的各种成分之间的对比度(在织物的情况下为颜色对比度、在金属的情况下为亮度对比度)得到提高。
更确切地,为了执行图像采集,通过预先固定至扫描仪窗口并且相对于图像采集的方向对齐的刚性保持器而将半个样本放置在平板扫描仪的窗口上。
刚性保持器包括至少一个与半个样本相同尺寸的孔,并且通过限制半个样本的横向移动来使得它们正确地定位。由于保持器是对齐的,半个样本也是对齐的。每个刚性保持器的可以包括每个孔至少一个刚性板,该刚性板能够被拧至所述保持器,以将相应的半个样本压向扫描仪的窗口。具体地,尽管在压力下烘烤,半个样本仍保持曲率。
能够成为同时采集的对象的半个样本的数量仅受限于图像采集设备的面积。
估计方法继续进行第二步骤,在第二步骤中修整采集的图像。
具体地,通过平板扫描仪采集的图像通常出现在窗口的整个区域中。然后为了将采集的图像限制在样本的区域中,修整是必要的。
为了修整采集的图像,将图像的颜色成分去除,以便获得灰度图像。
接下来,应用灰度阈值,以便将灰度值低于阈值的像素归于第一布尔值,例如0,将灰度值高于或者等于阈值的像素归于第二布尔值,例如1。
选择阈值,以便将背景图像去除并且保存样本的图像。
这将产生与灰度图像尺寸相同的二值掩模图像,在二值掩模中待修整的图像的每个像素都与第一布尔值或第二布尔值相关。
接下来,对二值掩模图像执行闭运算形态学滤波,以将半个样本结合。为此,使用竖直线形形状并且长度等于半个样本之间的间距的结构元素。
接下来,对先前获得的滤波后的二值掩模图像执行开运算形态学滤波,以去除噪声。为此,使用正方形形状并且尺寸等于待去除的最大寄生元素的结构元素。
获得了这样的单个图像,其包含剥离测试中从给定的样本获得的两个半个样本的图像。
图8显示了这样的修整步骤,其中附图标记12表示采集的图像,附图标记13表示修整后的图像。
或者,根据刚性保持器的孔在扫描仪的采集区域中的坐标,可以将平板扫描仪的采集区域仅限制为预先设置的刚性保持器的孔。
接下来,在第三步骤中确定分割二值掩模图像。
分割二值掩模图像的确定在于将图像中对应于增强件的部分与相同图像中对应于橡胶组合物的部分分离开,以获得分割二值掩模图像形式的图像分割。具体地,将与橡胶组合物相对应的部分归于第一布尔值,将与增强件相对应的部分归于第二布尔值。
为了获得分割二值掩模图像,通过应用SLIC算法,将超像素分解应用于第二步骤所产生的图像。获得由各种形状和颜色的超像素组成的图像的伪规则分区。通过对具有相似特征(颜色、亮度)的相邻像素进行分组来确定超像素。
SLIC算法是这样一种迭代过程,使规则的分区(网格)变形,以便根据图像的特征优化预定义的条件。起始网格的大小和允许的变形量是可参数化的。
图9显示了从修整后的图像(附图标记13)获得的超像素分解所产生的图像(附图标记14)。图9还包括超像素分解所产生的图像14的一部分的放大15,其中可以更容易地看到超像素16。
基于超像素的偏心率和平均亮度的分类过程是实现分区的有效方法,并且可以获得所需的二值掩模图像。
为此,每个超像素被认为是图像的相关联的成分,其特征是可测量的。因此,计算每个超像素的偏心率,超像素的偏心率与具有与超像素相同的2阶矩的椭圆的偏心率相对应。因此,该标准表示超像素的伸长率。接下来,将每个超像素的偏心率与阈值相比较,将偏心率高于阈值的超像素与第一布尔值关联,将偏心率低于或等于阈值的超像素与第二布尔值关联。
而且,通过除以确定的组成超像素的每个像素的亮度的算术平均值来确定每个超像素的平均亮度。接下来,将每个超像素的平均亮度与阈值相比较,将平均亮度高于阈值的超像素与第一布尔值关联,将平均亮度低于或等于阈值的超像素与第二布尔值关联。
接下来,确定这样的二值掩模图像,其包含偏心率高于偏心率阈值并且亮度高于亮度阈值的超像素。该二值掩模图像是通过对偏心率二值掩模图像的每个像素与平均亮度二值掩模图像的每个对应的像素进行“与”逻辑运算而确定的。
更确切地,与增强件相对应的超像素的偏心率和平均亮度相比,与橡胶组合物相对应的超像素被认为具有更低的偏心率和平均亮度。所获得的二值掩模图像包含:对于与增强帘线相关的超像素内的每个像素具有的第一布尔值,对于与橡胶组合物相关的超像素内的每个像素具有的第二布尔值。
如此获得的二值掩模图像是分割二值掩模图像。
通过该分割二值掩模图像,多种实施方式能够获得黏合分数。在该方法的这一点上,由于橡胶组合物的桥的存在,半个样本的图像是不可利用的。允许橡胶组合物的覆盖程度被计算的半个样本的参考面积并不对应于半个样本的总面积。具体地,只有增强件的面积算在内。因此需要去除位于帘线之间的橡胶组合物的桥(在图7中的附图标记10)。在图7中帘线的附图标记为11。
在图1所示的第一实施方式中,在生成理论图像的步骤2a中,理论模型用于通过将仅与增强件相对应的参考面积给予半个样本的图像,来使半个样本的图像可利用。
由于样本中增强帘线的间距、增强帘线的直径以及图像采集设备的像素/毫米的传递函数是已知的,因此可以生成裸露的增强帘线的理论图像。增强帘线指的是样本的生产过程中使用的增强层的织物增强纤维或者金属增强纤维。图11显示了具有不同间距值和直径的增强帘线的理论图像的两个示例19和20。
估算方法以确定分数N的第五步骤5a结束,该分数N量化了增强帘线和橡胶组合物的重叠程度:
N=1-(分割二值掩模图像的金属面积)/(理论图像的金属面积)
应当注意的是,在考虑二值掩模时,面积被确定为掩模的像素值的总和。
在图2所示的第二实施方式中,在生成理论图像的步骤2a中,理论模型用于通过将仅与增强件相对应的参考面积给予半个样本的图像,来使半个样本的图像可利用。
由于样本中增强帘线的间距、增强帘线的直径以及图像采集设备的像素/毫米的传递函数是已知的,因此可以生成裸露的增强帘线的理论图像。增强帘线指的是样本的生产过程中使用的增强层的织物增强纤维或者金属增强纤维。
为了避免将增强件的区域计算两次(每个半个样本一次)(这可能导致没有物理意义的负的分数),该方法继续进行折叠的第三步骤3a,在该步骤中执行以下两个子步骤。
在第一子步骤中,在与一个半个样本相对应的分割二值掩模图像的下部执行水平镜像运算。
在第二子步骤中,通过对上半个掩模的每个像素与下半个掩模的水平镜像的每个像素执行“或”逻辑运算来确定折叠的二值掩模图像,以便将与两个半个样本中可见的增强帘线相对应的像素叠加。
然后估算方法以确定分数N的第五步骤5b结束,该分数N量化了增强帘线和橡胶组合物的重叠程度:
N=1-(折叠的二值掩模图像的金属面积)/(理论图像的金属面积)
在图3所示的第三实施方式中,在生成理论图像的步骤2a中,理论模型用于通过将仅与增强件相对应的参考面积给予半个样本的图像,来使半个样本的图像可利用。
由于样本中增强帘线的间距、增强帘线的直径以及图像采集设备的像素/毫米的传递函数是已知的,因此可以生成裸露的增强帘线的理论图像。增强帘线指的是样本的生产过程中使用的增强层的织物增强纤维或者金属增强纤维。
确定拟合的理论图像,以在考虑第一帘线的偏移的同时,考虑理论间距与观察到的间距之间的差异。该步骤能够改善理论图像并且提高从理论图像得出的分数。
为此,执行拟合理论图像的步骤2b,其中帘线间距和第一帘线的位置关于它们的初始值(所述初始值在理论模型中定义)变化,以获得与折叠的二值掩模图像重叠最好的拟合的理论图像。
更确切地,拟合理论图像的步骤2b包括以下子步骤。
对理论图像和分割二值掩模图像执行“与”逻辑运算,然后通过对利用“与”逻辑运算获得的图像的非零布尔值的像素求和来测量理论图像的帘线与分割二值掩模图像的帘线在位置上的偏差。
通过确定新的理论图像来重复对该偏差的测量,所述新的理论图像的间距值和第一帘线的位置值包含在预先定义的关于理论模型的初始值的间距值和第一帘线的位置值的区间内。保留使得偏差值为最大的间距值和第一帘线的位置值。
接下来,根据变化后的帘线的间距、第一帘线的位置以及帘线和第一帘线在轮胎中的直径来确定拟合的理论图像。
然后估算方法以确定分数N的第五步骤5c结束,该分数N量化了增强帘线和橡胶组合物的重叠程度:
N=1-(分割二值掩模图像的金属面积)/(拟合的理论图像的金属面积)
在图4所示的第四实施方式中,在生成理论图像的步骤2a中,理论模型用于通过将仅与增强件相对应的参考面积给予半个样本的图像,来使半个样本的图像可利用。
由于样本中增强帘线的间距、增强帘线的直径以及图像采集设备的像素/毫米的传递函数是已知的,因此可以生成裸露的增强帘线的理论图像。增强帘线指的是样本的生产过程中使用的增强层的织物增强纤维或者金属增强纤维。
考虑到样本的帘线的片段与理论模型不重叠,通过对分割二值掩模图像执行膨胀以便补偿对齐误差,来补偿半个样本之间的对齐不佳。
为此,在第四步骤4a中,利用宽度为F的水平线形状的结构元素来膨胀分割二值掩模图像,其中:
F=帘线距离-帘线直径+1
其中:
帘线距离:两个增强帘线之间的距离
帘线直径:增强帘线的直径。
接下来,对膨胀的分割二值掩模图像和增强帘线的理论图像执行“与”逻辑运算,以便获得称为膨胀的分割二值掩模图像的图像。该图像包含有关理论图像(所述理论图像包含裸露的帘线)的分割的信息。
接下来,基于膨胀的分割二值掩模图像执行形态学重构。
在水平线上,任何裸露的帘线片段都要算作帘线的线。考虑到该假设,利用作为标记的膨胀的分割二值掩模图像和作为掩模的理论图像执行线性形态学重构,以获得称为修改的分割二值掩模图像的图像。
然后估算方法以确定分数N的第五步骤5d结束,该分数N量化了增强帘线和橡胶组合物的重叠程度:
N=1-(修改的分割二值掩模图像的金属面积)/(理论图像的金属面积)
在图5所示的第五实施方式中,在生成理论图像的步骤2a中,理论模型用于通过将仅与增强件相对应的参考面积给予半个样本的图像,来使半个样本的图像可利用。
由于样本中增强帘线的间距、增强帘线的直径以及图像采集设备的像素/毫米的传递函数是已知的,因此可以生成裸露的增强帘线的理论图像。增强帘线指的是样本的生产过程中使用的增强层的织物增强纤维或者金属增强纤维。
结合了第二实施方式、第三实施方式以及第四实施方式的步骤和优点。
在拟合理论图像的步骤中,对理论图像和分割二值掩模图像执行“与”逻辑运算,然后通过对利用“与”逻辑运算获得的图像的非零布尔值的像素求和来测量理论图像的帘线与分割二值掩模图像的帘线在位置上的偏差。
通过确定新的理论图像来重复对该偏差的测量,所述新的理论图像的间距值和第一帘线的位置值包含在预先定义的关于理论模型的初始值的间距值和第一帘线的位置值的区间内。保留使得偏差值为最大的间距值和第一帘线的位置值。
接下来,根据变化后的帘线的间距、第一帘线的位置以及帘线和第一帘线在轮胎中的直径来确定拟合的理论图像。
在折叠的第三步骤3a的第一子步骤中,在与一个半个样本相对应的分割二值掩模图像的下部执行水平镜像运算。
在折叠的第三步骤3a的第二子步骤中,通过对上半个掩模的每个像素与下半个掩模的水平镜像的每个像素执行“或”逻辑运算来确定折叠的二值掩模图像,以便将与两个半个样本中可见的增强帘线相对应的像素叠加。
在第四步骤4b中,利用宽度为F的水平线形状的结构元素来膨胀折叠二值掩模图像,其中:
F=帘线距离-帘线直径+1
其中:
帘线距离:两个增强帘线之间的距离
帘线直径:增强帘线的直径
接下来,对折叠的二值掩模图像和拟合的理论图像执行“与”逻辑运算,以便获得称为膨胀的折叠的二值掩模图像的图像。该图像包含有关拟合的理论图像(所述拟合的理论图像包含裸露的帘线)的分割的信息。
接下来,基于膨胀的折叠的二值掩模图像来执行形态学重构。
在水平线上,任何裸露的帘线片段都要算作帘线的线。考虑到该假设,利用作为标记的膨胀的折叠的二值掩模图像和作为掩模的拟合的理论图像执行线性形态学重构,以获得称为修改的折叠的二值掩模图像的图像。
图12显示了增强帘线的拟合的理论图像19、折叠的二值掩模图像与拟合的理论图像21的叠加以及修改的折叠的二值掩模图像22。
然后估算方法以确定分数N的第五步骤5e结束,该分数N量化了增强帘线和橡胶组合物的重叠程度:
N=1-(修改的折叠的二值掩模图像的金属面积)/(理论图像的金属面积)
在图6所示的第六实施方式中,在分区的步骤6中,通过沿着水平线将分割二值掩模图像分为尺寸相同的2个子图像,来通过分割二值掩模图像确定两个分割二值掩模半个图像。
对于每个分割二值掩模半个图像,执行以下步骤:
在生成理论半个图像的步骤2c中,理论模型用于通过将仅与增强件相对应的参考面积给予半个样本的图像,来使半个样本的图像可利用。
由于样本中增强帘线的间距、增强帘线的直径以及图像采集设备的像素/毫米的传递函数是已知的,因此可以生成与分割半个掩模相对应的裸露的增强帘线的理论半个图像。增强帘线指的是样本的生产过程中使用的增强层的织物增强纤维或者金属增强纤维。
在拟合理论半个图像的步骤2d中,对理论半个图像与分割二值掩模半个图像执行“与”逻辑运算,然后通过对利用“与”逻辑运算获得的图像的非零布尔值的像素求和来测量理论半个图像的帘线与分割二值掩模半个图像的帘线在位置上的偏差。
通过确定新的理论半个图像来重复对该偏差的测量,所述新的理论半个图像的间距值和第一帘线的位置值包含在预先定义的关于理论模型的初始值的间距值和第一帘线的位置值的区间内。保留使得偏差值为最大的间距值和第一帘线的位置值。
接下来,根据变化后的帘线的间距、第一帘线的位置以及帘线和第一帘线在轮胎中的直径来确定拟合的理论半个图像。
在第四步骤4c中,利用宽度为F的水平线形状的结构元素来膨胀分割二值掩模半个图像,其中:
F=帘线距离-帘线直径+1
其中:
帘线距离:两个增强帘线之间的距离
帘线直径:增强帘线的直径。
在步骤7中,然后对膨胀的分割二值掩模半个图像和增强帘线的拟合的理论半个图像执行“与”逻辑运算,以便获得膨胀的分割二值掩模半个图像。该半个图像包含有关理论半个图像(所述理论半个图像包含裸露的帘线)的分割的信息。
在该方法的这个步骤中,获得针对每个分割二值掩模半个图像的一个膨胀的分割二值掩模半个图像。
然后该方法继续进行通过膨胀的分割二值掩模半个图像确定对齐的折叠的二值掩模图像的步骤3b。
该步骤是基于先前实施方式中描述的折叠的第三步骤3a,修改折叠的第三步骤3a,以便添加对半个样本之间最优偏移的搜索。
具体地,折叠的步骤3a描述了简单折叠,该简单折叠在于将膨胀的分割半个掩模的一个进行镜像并且与另一个半个掩模执行“或”逻辑运算,然后计算分数。
该变型在于执行第三子步骤,在第三子步骤中,将水平偏移应用于由执行水平镜像运算的第一子步骤所产生的第二半个样本的图像。接下来,执行第二子步骤,在第二子步骤中执行“或”逻辑运算。
估算方法继续进行确定分数N的第五步骤5f,该分数N量化了增强帘线和橡胶组合物的重叠程度:
N=1-(对齐的折叠的二值掩模图像的金属面积)/(拟合的理论图像的金属面积)
然后将分数和相关的水平偏移存储在存储器中。
然后针对至少一个不同的水平偏移重复第三子步骤、第二子步骤以及分数的计算。在正负两个间距偏差的区间中选择水平偏移。
该方法以最终分数的确定和相关偏移的确定结束。最终分数等于所有的确定的分数中的最小值。这样的实施方式可以考虑半个样本之间的左右偏移并且可以选择半个掩模之间的最佳重叠(这会得到最小的分数)。
从而,该估算方法可以在通过对样本执行剥离测试的剥离之后,估算橡胶组合物对增强帘线的覆盖程度。由于采用了分割二值掩模和阈值二值掩模,该方法相对于操作人员的目视检查具有改善的再现性和改善的客观性。
Claims (6)
1.一种用于估算代表待表征的轮胎的样本的橡胶组合物与增强帘布层之间的黏合分数的方法,
所述样本包括至少两个嵌入橡胶组合物中的增强帘布层,每个增强帘布层本身包括并排设置的增强帘线,
所述方法包括以下步骤:
在压力下烘烤样本,然后,
通过将样本的两个增强帘布层剥离开来进行剥离测试,
其特征在于,包括以下步骤:
采集通过剥离测试而在剥离结束时获得的两个半个样本的至少一个图像,
修整采集的图像,
然后根据修整的采集的图像经由超像素分解来确定第一图像,所述第一图像将增强帘线的区域从橡胶组合物的区域分离,所述第一图像选自:分割二值掩模图像、折叠的二值掩模图像、修改的分割二值掩模图像、修改的折叠的二值掩模图像以及对齐的折叠的二值掩模图像,
根据轮胎的增强帘线的间距和直径确定增强帘线的第二图像,所述第二图像选自理论图像和拟合的理论图像,
根据第一图像中增强帘线的面积与第二图像中增强帘线的面积的比值来确定分数;
为了生成理论图像,基于增强帘线的间距、增强帘线的直径以及图像采集设备的像素/毫米的传递函数来生成理论图像,
为了确定诸如分割二值掩模图像的第一图像,将超像素分解应用于修整后的图像,
然后确定分割二值掩模,所述分割二值掩模包含偏心率高于偏心率阈值并且亮度高于亮度阈值的超像素,
为了确定诸如拟合的理论图像的第二图像,
对分割掩模图像和理论图像执行“与”逻辑运算,然后,
通过对非零布尔值的像素求和来测量理论图像的帘线与分割二值掩模图像的帘线在位置上的偏差,在预先定义的关于初始值的间距值和第一帘线的位置值的区间中,重复对偏差的测量,
保留与确定的偏差值中最大值相关的间距值和第一帘线的位置值,
然后根据保留的帘线的间距值、第一帘线的位置值以及保留的帘线和第一帘线的直径来确定拟合的理论图像,
为了确定诸如修改的分割二值掩模图像的第一图像,
如果拟合的理论图像是不可用的,
则利用代表水平线的结构元素来膨胀分割二值掩模,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的分割二值掩模图像的图像,
然后利用作为标记的膨胀的分割二值掩模图像和作为掩模的理论图像执行线性形态学重构,以获得修改的分割二值掩模图像,
如果拟合的理论图像是可用的,
则利用代表水平线的结构元素来膨胀分割二值掩模,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的拟合的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的分割二值掩模图像的图像,
然后利用作为标记的膨胀的分割二值掩模图像和作为掩模的拟合的理论图像执行线性形态学重构,以获得修改的分割二值掩模图像,
为了确定诸如折叠的二值掩模的第一图像,以避免误检,
在与一个半个样本相对应的分割二值掩模图像的下半部分执行水平镜像运算,
通过对上半个掩模的每个像素与下半个掩模的水平镜像的每个像素执行“或”逻辑运算来确定折叠的二值掩模图像,以便将与两个半个样本中可见的增强帘线相对应的像素叠加,
为了确定诸如拟合的理论图像的第二图像,
对折叠的二值掩模图像和理论图像执行“与”逻辑运算,然后,
通过对非零布尔值的像素求和来测量理论图像的帘线与折叠的二值掩模图像的帘线在位置上的偏差,在预先定义的关于初始值的间距值和第一帘线的位置值的区间中,重复对偏差的测量,
保留与确定的偏差值中最大值相关的间距值和第一帘线的位置值,
然后根据保留的帘线的间距值、第一帘线的位置值以及保留的帘线和第一帘线的直径来确定拟合的理论图像,
为了确定诸如修改的折叠的图像第二图像,
如果拟合的理论图像是不可用的,
则利用代表水平线的结构元素来膨胀折叠的二值掩模图像,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的折叠的二值掩模图像的图像,
然后利用作为标记的膨胀的折叠的二值掩模图像和作为掩模的理论图像执行线性形态学重构,以获得修改的折叠的图像,
如果拟合的理论图像是可用的,
则利用代表水平线的结构元素来膨胀折叠的二值掩模图像,所述水平线的宽度取决于两个增强帘线的距离和增强帘线的直径,然后,
然后对增强帘线的拟合的理论图像与膨胀结束时获得的图像执行“与”逻辑运算,以便获得称为膨胀的折叠的二值掩模图像的图像,
然后利用作为标记的膨胀的折叠的二值掩模图像和作为掩模的拟合的理论图像执行线性形态学重构,以获得修改的折叠的二值掩模图像。
2.根据权利要求1所述的方法,其中,半个样本的图像是利用平板扫描仪进行采集的。
3.根据权利要求1所述的方法,其中,半个样本的图像是利用平板扫描仪并结合使用了刚性半个样本保持器进行采集的,从而使得每个半个样本被压向扫描仪的窗口,并且每个半个样本在扫描仪的采集区域中的对齐受到控制。
4.根据前述权利要求中的任一项所述的方法,其中,为了修整采集的图像,将采集的图像的颜色成分去除,以便获得灰度图像,
然后应用灰度阈值,使得灰度低于阈值的像素归于第一布尔值,灰度高于或等于阈值的像素归于第二布尔值,
选择灰度阈值,以便将背景图像去除并且保存样本的图像,
确定与灰度图像尺寸相同的二值掩模,在二值掩模中待修整的图像的每个像素都与第一布尔值或第二布尔值相关,
对二值掩模执行闭运算形态学滤波,以将半个样本结合,
对先前获得的滤波后的二值掩模执行开运算形态学滤波,以去除噪声。
5.根据权利要求1所述的方法,其中,
通过分割二值掩模图像确定上下两个分割二值掩模半个图像,
对于每个分割二值掩模半个图像,确定理论半个图像,根据理论半个图像和分割二值掩模半个图像来确定拟合的理论半个图像,并且根据分割二值掩模半个图像和拟合的理论半个图像来确定膨胀的分割二值掩模半个图像,然后,
对与分割二值掩模图像的下半部分相对应并且与一个半个样本相对应的膨胀的分割二值掩模半个图像执行水平镜像运算,
水平偏移可以应用于水平镜像运算所产生的半个样本的图像,
通过对上半个掩模的每个像素与下半个掩模的水平镜像的每个像素执行“或”逻辑运算来确定折叠的二值掩模图像,以便将与两个半个样本中可见的增强帘线相对应的像素叠加。
6.根据权利要求1或5所述的方法,其中,
确定与一个水平偏移相对应的至少两个分数,然后,
将最终分数确定为针对每个水平偏移所获得的所有的分数集合中的最小分数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1759990 | 2017-10-23 | ||
FR1759990A FR3072812B1 (fr) | 2017-10-23 | 2017-10-23 | Procede d'estimation d'une note d'adhesion entre la composition de caoutchouc et les plis de renfort d'une eprouvette representative d'un pneumatique a caracteriser. |
PCT/EP2018/078241 WO2019081278A1 (fr) | 2017-10-23 | 2018-10-16 | Procédé d'estimation d'une note d'adhésion entre la composition de caoutchouc et les plis de renfort d'une éprouvette représentative d'un pneumatique à caractériser |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111557018A CN111557018A (zh) | 2020-08-18 |
CN111557018B true CN111557018B (zh) | 2024-03-12 |
Family
ID=60888502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880083134.0A Active CN111557018B (zh) | 2017-10-23 | 2018-10-16 | 用于估算代表待表征的轮胎的测试样本的橡胶组合物与增强帘布层之间的黏合分数的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11092537B2 (zh) |
EP (1) | EP3701494A1 (zh) |
CN (1) | CN111557018B (zh) |
FR (1) | FR3072812B1 (zh) |
WO (1) | WO2019081278A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3712851A1 (de) * | 2019-03-19 | 2020-09-23 | Bayer Animal Health GmbH | Reduzierung von videomaterial auf bewegungsabschnitte |
DE202021105040U1 (de) | 2021-09-17 | 2021-10-26 | Avitana Gmbh | Filtervorrichtung und Küchenmodul |
DE202021105038U1 (de) | 2021-09-17 | 2021-10-26 | Avitana Gmbh | Filtervorrichtung und Küchenmodul |
TWI807624B (zh) * | 2022-01-28 | 2023-07-01 | 友達光電股份有限公司 | 用於百格測試的附著力分析方法及系統 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB235232A (en) * | 1924-06-09 | 1926-08-26 | American Rubber Company | Improved process of thickening and stabilizing rubber latex and products prepared thereby |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
CN105829084A (zh) * | 2013-12-16 | 2016-08-03 | 倍耐力轮胎股份公司 | 在轮胎构建过程中控制半成品的制造和供给的方法和设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4763522B2 (ja) * | 2006-06-14 | 2011-08-31 | 株式会社ブリヂストン | タイヤ検査装置 |
US20110305829A1 (en) * | 2010-06-15 | 2011-12-15 | Dany Michiels | Tacky Finish and Textile Materials and Articles Treated Therewith |
US20120214372A1 (en) * | 2011-02-17 | 2012-08-23 | Shulong Li | Adhesion Composition and Textile Materials and Articles Treated Therewith |
US20120211139A1 (en) * | 2011-02-17 | 2012-08-23 | Shulong Li | Adhesion Composition and Textile Materials and Articles Treated Therewith |
WO2015105173A1 (ja) * | 2014-01-10 | 2015-07-16 | 横浜ゴム株式会社 | タイヤ内部の材料貼り合わせの不良を検出する方法及び装置 |
WO2017099053A1 (ja) * | 2015-12-11 | 2017-06-15 | Dic株式会社 | フレキシブルプリント配線板補強用熱硬化性材料、補強部付フレキシブルプリント配線板、その製造方法及び電子機器 |
-
2017
- 2017-10-23 FR FR1759990A patent/FR3072812B1/fr active Active
-
2018
- 2018-10-16 US US16/758,657 patent/US11092537B2/en active Active
- 2018-10-16 WO PCT/EP2018/078241 patent/WO2019081278A1/fr unknown
- 2018-10-16 CN CN201880083134.0A patent/CN111557018B/zh active Active
- 2018-10-16 EP EP18786342.8A patent/EP3701494A1/fr active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB235232A (en) * | 1924-06-09 | 1926-08-26 | American Rubber Company | Improved process of thickening and stabilizing rubber latex and products prepared thereby |
CN105829084A (zh) * | 2013-12-16 | 2016-08-03 | 倍耐力轮胎股份公司 | 在轮胎构建过程中控制半成品的制造和供给的方法和设备 |
CN105761266A (zh) * | 2016-02-26 | 2016-07-13 | 民政部国家减灾中心 | 从遥感图像中提取矩形建筑物的方法 |
Non-Patent Citations (3)
Title |
---|
American Society for Testing & Mater.《Standard Test Method for Strap Peel Adhesion of Reinforcing Cords or Fabrics to Rubber Compounds》.《DOI:10.1520/D4393_D4393M-10》.2010,第1-7页. * |
Baranowski P et al.《Assessment of Mechanical Properties of Offroad Vehicle Tire: Coupons Testing and FE Model Development》.《BazTech》.2012,第1-6页. * |
郑筱智.《基于空域与频域结合的轮胎缺陷检测》.《中国优秀硕士学位论文全文数据库 信息科技辑》.2016,(第第08期期),第I138-1097页. * |
Also Published As
Publication number | Publication date |
---|---|
US11092537B2 (en) | 2021-08-17 |
CN111557018A (zh) | 2020-08-18 |
FR3072812A1 (fr) | 2019-04-26 |
FR3072812B1 (fr) | 2019-10-18 |
US20210181087A1 (en) | 2021-06-17 |
WO2019081278A1 (fr) | 2019-05-02 |
EP3701494A1 (fr) | 2020-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111557018B (zh) | 用于估算代表待表征的轮胎的测试样本的橡胶组合物与增强帘布层之间的黏合分数的方法 | |
US10438096B2 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN111160301B (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
JP4420821B2 (ja) | 組織学的アセスメント | |
CN104915963B (zh) | 一种用于plcc元件的检测与定位方法 | |
CN110945337A (zh) | 轮胎图像识别方法和轮胎图像识别装置 | |
CN109523518B (zh) | 一种轮胎x光病疵检测方法 | |
CN103168220A (zh) | 用于识别和定义形成轮胎胎面设计的基本花纹的方法 | |
CN108122221B (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN107367241B (zh) | 一种基于机器视觉的汽车轮胎花纹识别方法 | |
CN103488974A (zh) | 基于模拟生物视觉神经网络的人脸表情识别方法及*** | |
CN106780522A (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN113012124B (zh) | 一种鞋印孔洞和嵌入物特征检测及描述方法 | |
CN105701805A (zh) | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 | |
CN115601332A (zh) | 一种基于语义分割的嵌入式指纹模块外观检测方法 | |
CN113781457A (zh) | 基于病理图像的细胞探测方法、装置、设备及存储介质 | |
CN111860500B (zh) | 一种鞋印磨损区域检测与描边方法 | |
CN114170473A (zh) | 基于病理图像的dMMR亚型分类方法及*** | |
CN105701816A (zh) | 一种图像自动分割方法 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN116681657A (zh) | 基于改进YOLOv7模型的沥青路面病害检测方法 | |
CN112381767B (zh) | 角膜反射图像的筛选方法、装置、智能终端及存储介质 | |
JP2006232064A (ja) | 特徴図の比較評価方法およびシミュレーションモデル作成方法 | |
Soares et al. | Curvature detection and segmentation of retinal exudates |
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 |