CN112132821B - 一种基于图像处理的开口销丢失检测方法 - Google Patents
一种基于图像处理的开口销丢失检测方法 Download PDFInfo
- Publication number
- CN112132821B CN112132821B CN202011060353.2A CN202011060353A CN112132821B CN 112132821 B CN112132821 B CN 112132821B CN 202011060353 A CN202011060353 A CN 202011060353A CN 112132821 B CN112132821 B CN 112132821B
- Authority
- CN
- China
- Prior art keywords
- image
- cotter pin
- gradient
- cotter
- axle
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/136—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
- G06T2207/10004—Still image; Photographic image
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
一种基于图像处理的开口销丢失检测方法,解决了现有动车开口销丢失检测效率低的问题,属于动车故障检测技术领域。本发明包括:采集动车车底的图像,对车底图像进行图像增强,获得增强后的车底图像;对增强后的车底图像中的车轴进行定位,根据车轴和开口销的刚性距离,确定所述开口销图像中开口销的位置,截取到开口销图像;对开口销图像中开口销座进行定位,并将定位的开口销座分成多段,分割出开口销座各段的二值图像;判断开口销座各段二值图像中白色像素的个数是否均小于各自设定的阈值,若否,则确定开口销丢失。本发明可使动车故障检测自动化,不受人工心理影响,提高检测效率、准确率和识别率。
Description
技术领域
本发明涉及一种基于图像处理的开口销丢失检测方法,属于动车故障检测技术领域。
背景技术
目前动车故障监控的方法为视觉判断,这种方法会受外界影响颇大,例如拍摄的图片不清晰,有水迹干扰等客观因素;人工分时性疲劳,注意力不集中等主观因素。都会造成部件故障的遗漏、误检等情况,影响动车行驶安全。
而动车故障中闸片开口销丢失若不及时发现,会对埋下隐患,进而危及行车安全。所以如何提高开口销丢失故障检测效率的问题亟需解决。
发明内容
针对现有动车开口销丢失检测效率低的问题,本发明提供一种基于图像处理的开口销丢失检测方法。
本发明的一种基于图像处理的开口销丢失检测方法,所述方法包括:
S1、采集动车车底的图像,对车底图像进行图像增强,获得增强后的车底图像;
S2、对增强后的车底图像中的车轴进行定位,根据车轴和开口销的刚性距离,确定所述开口销图像中开口销的位置,截取到开口销图像;
S3、对开口销图像中开口销座进行定位,并将定位的开口销座分成多段,分割出开口销座各段的二值图像;
S4、判断开口销座各段二值图像中白色像素的个数是否均小于各自设定的阈值,若否,则确定开口销丢失。
作为优选,所述S1中,增强后的车底图像finhance(x,y)通过如下公式获得:
finhance(x,y)=G(x,y)*Einfor(x,y)*Sbright(x,y)
亮度控制函数Sbright(x,y)=k*Vpixel(x,y)γ,k和γ为常数。
作为优选,所述S2包括:
S21、对车轴卷积模板和增强后的开口销图像进行卷积,得到车轴的梯度图像;
S22、遍历所述梯度图像,计算梯度图像中所有列的像素灰度值的累积和,并根据该累积和求出每列的平均灰度值;
S23、设置多个阈值区间,对S22获得的各列的平均灰度值按照设置的多个阈值区间进行分类,多个阈值区间包括平均灰度值的区间、该区间的灰度值的个数范围以及该区间的灰度值在车底图像中的坐标范围;
S24、根据分类结果,计算出车轴的坐标,根据车轴和开口销的刚性距离,确定车底图像中的开口销的坐标,截取到开口销图像。
作为优选,S21中车轴卷积模板为:
作为优选,所述S3包括:
S31、对开口销图像中开口销座进行定位,截取出开口销座图像;
S32、将开口销座图像分段,获取开口销座各段的梯度图像;
S33、分别对开口销座的各段梯度图像去除噪声;
S34、进行形态学的闭运算,把开口销座的各段梯度图像中单独的像素点去除,留下包括聚集的像素点的梯度图像;
S35、根据S34的梯度图像分割出开口销座各段的二值图像。
作为优选,所述S32中,开口销座各段的梯度图像包括开口销座前段梯度图像、开口销座中段梯度图像和开口销座后段梯度图像,开口销座前段表示开口销的圆环部分,开口销座中段表示开口销销体,开口销座后段表示开口销销尾。
作为优选,S32包括:
MF(x,y)、MM(x,y)、MB(x,y)分别为卷积之后开口销座前段梯度图像、开口销座中段梯度图像和开口销座后段梯度图像,则有:
MF(x,y)=f(x,y)*k1*0.5+f(x,y)*k2*0.5
MM(x,y)=f(x,y)*k1
MB(x,y)=f(x,y)*k1*0.2+f(x,y)*k2*0.8
其中,x和y分别为开口销座图像中像素f(x,y)的行列坐标,k1表示在水平方向的卷积模板,k2表示在竖直方向的卷积模板。
作为优选,所述S31包括:
S311、对开口销座卷积模板和开口销图像进行卷积,得到开口销座的梯度图像;
S312、遍历S312得到的梯度图像,计算开口销座的梯度图像中所有列的像素灰度值的累积和,并根据该累积和求出每列的平均灰度值;
S313、设置多个阈值区间,对S312获得的各列的平均灰度值按照设置的多个阈值区间进行分类,多个阈值区间包括平均灰度值的区间、该区间的灰度值的个数范围以及该区间的灰度值在车底图像中的坐标范围;
S314、根据分类结果,计算出开口销座的坐标,截取到开口销座图像。
作为优选,所述S34还包括:对开口销座各段的二值图像中的孔洞进行填充,得到孔洞填充后的开口销座各段的二值图像。
本发明的有益效果:本发明可使动车故障检测自动化,不受人工心理影响,提高检测效率、准确率和识别率。本发明的增强图像方法能够改善开口销图像不清晰现象,本发明的梯度值累加的分类方法自动精确定位到车轴及开口销座,本发明对开口销座分段式检测和分割出开口销座的各段,进行丢失检测,提高检测准确率和识别率。
附图说明
图1为本发明实施方式的检测流程图;
图2为开口销部件图像;
图3为增强后的开口销部件图像;
图4为车轴梯度图像;
图5为截取的开口销图像,包括图5(a)和图5(b);
图6为开口销座前、中、后段图像示例;
图7为分段检测图像;
图8为孔洞填充后的开口销二值图像。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施方式的一种基于图像处理的开口销丢失检测方法,包括:利用高清相机对动车车底进行拍摄,得到动车底部各个角度的图像。根据相关图像信息定位到闸片开口销部分区域,采用梯度值分类方法精确定位到车轴和开口销,截取开口销图像;采集的开口销图像中开口销插在开口销座上,本实施方式把开口销座从开口销图像中完整的分割出来,对开口销座分段,利用孔洞填充算法补充各段的像素,根据开口销座各段的像素判断开口销是否有缺失。在测试中,根据开口销的丢失程度上传平台报警,保证行车安全。
本发明对开口销座分段式检测和分割出开口销座的各段,进行丢失检测,提高检测准确率和识别率。本实施方式可使动车故障检测自动化,不受人工心理影响,提高检测效率、准确率和识别率。
本实施方式的一种基于图像处理的开口销丢失检测方法,方法流程如图1所示,包括步骤一至步骤四:
如图2所示为要检测的闸片开口销图像,为达到对比效果,本实施方式选取了一张发生故障的图像,即图像上方框处为开口销,下方框处为丢失后的开口销。由图像可知,其还存在制动夹钳、闸片等部件这些部件对于检测开口销而言相当于干扰部件,首先需要做的便是将开口销分离出来。由于动车在运动过程中每次经过拍摄设备时速度是不一样的,所以开口销部件在整个图像中的位置是不固定的,但是不会差很多,每次左右偏差大概20-30像素左右,因为所拍图像为底部图像,且相机固定,所以上下偏差基本相同,可忽略不计。如果在这种粗定位后的图像中直接截取开口销部件,每次结果必定不同,极大可能会截取不到,导致漏检情况,所以再做一次精确定位是十分有必要的。
由图像可知,右侧的竖直部分为车轴部件,在不考虑图像拉伸等特殊情况下,车轴的距离到开口销的距离是固定的,因为开口销和车轴都是刚性部件,在动车运动中不会由做其他运动。本实施方式只要通过这个关系便可以精确定位。
为此,本实施方式通过增强图像的细节信息和图像竖直方向上梯度累积分类方法确定车轴的位置,进而确定开口销的位置。
步骤一、采集动车车底的图像,对车底图像进行图像增强,获得增强后的车底图像。由于图像中存在着噪声且开口销和车轴的区域在图像中显示较暗,本实施方式的图像细节信息增强方法,能够很好的适应本测试图像,可以提高轴部件附近区域的亮度和开口销部件区域的细节,便于后续轴的定位和开口销的分割,方法如下:
首先设x和y分别为车底图像中像素的行列坐标,f(x,y)为采集的车底图像的像素,G(x,y)为二维高斯函数,Einfor(x,y)表示图像的信息函数,Vpixel(x,y)为图像上某一点的像素灰度值大小,为该点的灰度值在图像中出现的概率,Sbright(x,y)为亮度控制函数,finhance(x,y)为最终信息增强后的图像。本实施方式中的信息函数反映了图像的细节,函数值越大,细节就越清晰。
所用的公式如下:
其中,信息函数n的取值范围为(0~255),因为本实施方式使用的车底图像为8位的灰度图像;亮度控制函数中,k和γ为常数,本实施方式分别取值为25和0.38;本实施方式高斯函数中选取标准差σ=0.8,高斯核大小选取3×3;概率函数的计算方法为该点灰度值出现的个数与整个图像大小(图像的长宽之积)的比值。如图3所示的信息增强图像,右侧车轴的区域亮度增加明显,且开口销区域显示的更加清晰。
步骤二、对增强后的车底图像中的车轴进行定位,根据车轴和开口销的刚性距离,确定所述开口销图像中开口销的位置,截取到开口销图像:
步骤1、根据得到的信息增强图像,本实施方式通过设计一种车轴卷积模板,用来和增强后的图像进行卷积,进而得到当前车底图像中车轴的梯度图像。如下所示车轴卷积模板:
其中,y表示竖直方向。此车轴卷积模板可以检测到图像的边缘信息,使得边缘部分灰度值较高,且非边缘部分较低或者灰度值为0,如图4所示车轴梯度图像。
由车轴梯度图像可知右侧的上下两条白色的边缘线就是车轴的边缘部分,而其他部件在竖直方向梯度上没有形成很强的边缘线,有的是水平边缘,有的是带点角度的,有的虽然是竖直的但是部件较小且边缘部分很短不明显。所以基于这个特征,本实施方式设计出基于梯度值的定位车轴的算法,因为梯度图像的梯度值是有大小和方向的,本实施方恨少只使用大小,即梯度值就代表像素灰度值的大小。
步骤2、遍历梯度图像,计算图像中所有列(竖直方向)的像素灰度值的累积和,再分别除以图像的列数(图像的宽),得到每列的平均灰度值;
步骤3、然后把这些平均灰度值分类,例如平均灰度值为50的,有多少个;平均灰度值为100的,有多少个等等,当然这些个数的总和应当是当前图像的行数(图像的长),这样把所有的灰度等级按照像素个数分开之后,设定多个阈值进行筛选。设置的阈值包括平均灰度值的区间、区间灰度值的个数范围以及区间灰度值在图像中的坐标的区间范围。其中,在设置的灰度值区间内得到的所有符合条件的坐标都应当是连续的,且连续的数目应和给出的个数范围一致。这样设置阈值的好处是使得该算法可以应对各种不同的开口销图像,而不是单独对于某一张。
步骤4、根据分类结果,计算出车轴的坐标,再结合车轴和开口销的刚性距离,确定车底图像中的开口销的坐标,便可以截取得到两个开口销部位图像,如图5(a)和图5(b)。
如图5所示,截取的开口销部件。本实施方式所用图像大小为400×400,设置的阈值为灰度值区间为(150~170)、个数范围(10~15)、坐标范围为图像的右半部分,即(350~400)。
步骤三、对开口销图像中开口销座进行定位,并将定位的开口销座分成多段,分割出开口销各段的二值图像:
针对图5(a)和图5(b)中两张开口销部位图像,虽然已经通过定位截取到了开口销图像,去除了很大部分的干扰,但是开口销座对于开口销部件的检测也带来一定的困难,两个部件还是一体的很难做到完全的分离,所以本实施方式采用对开口销座分段式方法进行处理,分为以下几个步骤:
步骤1、开口销座根据前面设计的定位算法进行定位,具体过程包括:对开口销座卷积模板和开口销图像进行卷积,得到开口销座的梯度图像;遍历开口销座的梯度图像,计算开口销座的中所有列的像素灰度值的累积和,并根据该累积和求出每列的平均灰度值;设置多个阈值区间,对获得的各列的平均灰度值按照设置的多个阈值区间进行分类,多个阈值区间包括平均灰度值的区间、该区间的灰度值的个数范围以及该区间的灰度值在车底图像中的坐标范围;根据分类结果,计算出开口销座的坐标,截取到开口销座图像;
步骤2、开口销座分段及检测
本实施方式选择合适的阈值把开口销座分为三段,即前段、中段和后段。前段是开口销的圆环部分,中段是销体,后边是销尾。如图6所示划分的三个部分,注:后续示例图片都用存在开口销的图像。
本实施方式设计两个卷积模板,分别对三个部分进行卷积操作,这两个模板分别为k1和k2,其中k1表示在水平方向,k2表示在竖直方向。如下卷积模板:
若f(x,y)为开口销座图像中的像素,MF(x,y)、MM(x,y)、MB(x,y)分别为卷积之后的梯度图像,则有以下公式:
MF(x,y)=f(x,y)*k1*0.5+f(x,y)*k2*0.5
MM(x,y)=f(x,y)*k1 (4)
MB(x,y)=f(x,y)*k1*0.2+f(x,y)*k2*0.8
考虑到前段是开口销圆环所以在进行卷积时,水平和竖直模板各自一半相加;中段为直线段秩序水平模板;后段销尾在竖直方向呈现的较多,所以再分配上给予竖直方向的比例大一些。
步骤3、经过上述算法生成的开口销座分段的梯度图像再利用像素的邻域去除算法去噪声,即如果某个像素的8个邻域像素只要存在一个或多个黑色像素(灰度值为0),那么就要去除这个像素(灰度置为0);
步骤4、进行形态学的闭运算,经过此系列算法就会把梯度图像中单独的像素点去除,留下聚集的像素点。
如图7所示,经卷积操作和邻域去除算法得到的梯度图像。
步骤5、根据前步所得到的梯度图像,采用大津法自动获取合适阈值,分割梯度图像,得到各段的二值图像;
本实施方式中,在得到的各段二值图像中查找连通域区域,由于开口销座灰度值不均匀的特点,所以连通域内会出现些许的孔洞,孔洞就是白色像素包围的封闭区域中有黑色的像素,采用孔洞填充算法,包含腐蚀、膨胀等形态学操作,最终得到如图8所示孔洞填充后的二值图像。
步骤四、判断开口销座各段二值图像中白色像素的个数是否均小于各自设定的阈值,若否,则确定开口销丢失:通过计算前段、中段和后段的每一部分白色像素的个数来设定阈值,若检测结果小于所设定阈值,则不报警;若检测结果大于设定阈值则直接将信息上传到报警平台,本实施方式三段对应的阈值可以是相同的,也可以根据各自情况进行设定。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (9)
1.一种基于图像处理的开口销丢失检测方法,其特征在于,所述方法包括:
S1、采集动车车底的图像,对车底图像进行图像增强,获得增强后的车底图像;
S2、对增强后的车底图像中的车轴进行定位,根据车轴和开口销的刚性距离,确定所述开口销图像中开口销的位置,截取到开口销图像;
S3、对开口销图像中开口销座进行定位,并将定位的开口销座分成多段,分割出开口销座各段的二值图像;
S4、判断开口销座各段二值图像中白色像素的个数是否均小于各自设定的阈值,若否,则确定开口销丢失;
所述S2包括:
S21、对车轴卷积模板和增强后的开口销图像进行卷积,得到车轴的梯度图像;
S22、遍历所述梯度图像,计算梯度图像中所有列的像素灰度值的累积和,并根据该累积和求出每列的平均灰度值;
S23、设置多个阈值区间,对S22获得的各列的平均灰度值按照设置的多个阈值区间进行分类,多个阈值区间包括平均灰度值的区间、该区间的灰度值的个数范围以及该区间的灰度值在车底图像中的坐标范围;
S24、根据分类结果,计算出车轴的坐标,根据车轴和开口销的刚性距离,确定车底图像中的开口销的坐标,截取到开口销图像。
4.根据权利要求3所述的基于图像处理的开口销丢失检测方法,其特征在于,所述S3包括:
S31、对开口销图像中开口销座进行定位,截取出开口销座图像;
S32、将开口销座图像分段,获取开口销座各段的梯度图像;
S33、分别对开口销座的各段梯度图像去除噪声;
S34、进行形态学的闭运算,把开口销座的各段梯度图像中单独的像素点去除,留下包括聚集的像素点的梯度图像;
S35、根据S34的梯度图像分割出开口销座各段的二值图像。
5.根据权利要求4所述的基于图像处理的开口销丢失检测方法,其特征在于,所述S32中,开口销座各段的梯度图像包括开口销座前段梯度图像、开口销座中段梯度图像和开口销座后段梯度图像,开口销座前段表示开口销的圆环部分,开口销座中段表示开口销销体,开口销座后段表示开口销销尾。
6.根据权利要求5所述的基于图像处理的开口销丢失检测方法,其特征在于,S32包括:
MF(x,y)、MM(x,y)、MB(x,y)分别为卷积之后开口销座前段梯度图像、开口销座中段梯度图像和开口销座后段梯度图像,则有:
MF(x,y)=f(x,y)*k1*0.5+f(x,y)*k2*0.5
MM(x,y)=f(x,y)*k1
MB(x,y)=f(x,y)*k1*0.2+f(x,y)*k2*0.8
其中,x和y分别为开口销座图像中像素f(x,y)的行列坐标,k1表示在水平方向的卷积模板,k2表示在竖直方向的卷积模板。
8.根据权利要求4所述的基于图像处理的开口销丢失检测方法,其特征在于,所述S31包括:
S311、对开口销座卷积模板和开口销图像进行卷积,得到开口销座的梯度图像;
S312、遍历S312得到的梯度图像,计算开口销座的梯度图像中所有列的像素灰度值的累积和,并根据该累积和求出每列的平均灰度值;
S313、设置多个阈值区间,对S312获得的各列的平均灰度值按照设置的多个阈值区间进行分类,多个阈值区间包括平均灰度值的区间、该区间的灰度值的个数范围以及该区间的灰度值在车底图像中的坐标范围;
S314、根据分类结果,计算出开口销座的坐标,截取到开口销座图像。
9.根据权利要求4所述的基于图像处理的开口销丢失检测方法,其特征在于,所述S34还包括:对开口销座各段的二值图像中的孔洞进行填充,得到孔洞填充后的开口销座各段的二值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060353.2A CN112132821B (zh) | 2020-09-30 | 2020-09-30 | 一种基于图像处理的开口销丢失检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060353.2A CN112132821B (zh) | 2020-09-30 | 2020-09-30 | 一种基于图像处理的开口销丢失检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132821A CN112132821A (zh) | 2020-12-25 |
CN112132821B true CN112132821B (zh) | 2021-05-11 |
Family
ID=73843512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011060353.2A Active CN112132821B (zh) | 2020-09-30 | 2020-09-30 | 一种基于图像处理的开口销丢失检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132821B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733742B (zh) * | 2021-01-14 | 2022-02-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的铁路货车下拉杆圆销故障检测方法 |
CN114777645B (zh) * | 2022-04-13 | 2024-01-26 | 中车青岛四方车辆研究所有限公司 | 用于轨道车辆检测的rgv定位方法及rgv定位*** |
CN116012375B (zh) * | 2023-03-22 | 2023-08-04 | 西南交通大学 | 一种接触网软横跨悬吊滑轮开口销缺陷检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260744B (zh) * | 2015-10-08 | 2018-08-14 | 北京航空航天大学 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及*** |
CN107154033B (zh) * | 2016-03-03 | 2020-02-14 | 成都交大光芒科技股份有限公司 | 一种高铁接触网旋转双耳竖向开口销缺失检测方法及*** |
CN108805868B (zh) * | 2018-05-25 | 2020-07-31 | 哈尔滨市科佳通用机电股份有限公司 | 一种电务车载车下走行部设备故障检测的图像处理方法及故障检测方法 |
CN110942455A (zh) * | 2019-11-26 | 2020-03-31 | 南方电网数字电网研究院有限公司 | 输电线路开口销缺失检测方法、装置和计算机设备 |
CN111080600A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车弹簧托板上开口销的故障识别方法 |
CN111091541B (zh) * | 2019-12-12 | 2020-08-21 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车横跨梁组装螺母丢失故障识别方法 |
CN111091551A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车制动梁支柱开口销丢失故障检测方法 |
-
2020
- 2020-09-30 CN CN202011060353.2A patent/CN112132821B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255776A (zh) * | 2018-07-23 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种输电线路开口销缺损自动识别方法 |
CN109753929A (zh) * | 2019-01-03 | 2019-05-14 | 华东交通大学 | 一种图库联合的高铁绝缘子巡检图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112132821A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112132821B (zh) | 一种基于图像处理的开口销丢失检测方法 | |
CN111310558B (zh) | 一种基于深度学习和图像处理法的路面病害智能提取方法 | |
CN101799434B (zh) | 一种印刷图像缺陷检测方法 | |
CN104794721B (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN107705283B (zh) | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 | |
CN107437243B (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
US10445868B2 (en) | Method for detecting a defect on a surface of a tire | |
JP5310247B2 (ja) | 画像処理装置および方法、並びにプログラム | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN107240086B (zh) | 一种基于积分图算法的织物瑕疵检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN112528861A (zh) | 应用于铁路隧道内道床的异物检测方法及装置 | |
CN108108740B (zh) | 一种主动毫米波人体图像性别识别方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
Abdellah et al. | Defect detection and identification in textile fabric by SVM method | |
CN116524205A (zh) | 一种污水曝气自动检测识别方法 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
JP2023551696A (ja) | 自動外観検査用の画像拡張技術 | |
Moghimirad et al. | Multi-scale approach for retinal vessel segmentation using medialness function | |
CN116542963A (zh) | 一种基于机器学习的浮法玻璃缺陷检测***及检测方法 | |
CN110008955B (zh) | 一种汽车刹车片表面字符压印质量检验方法 | |
CN113269005A (zh) | 一种安全带检测方法、装置及电子设备 | |
CN115352832A (zh) | 一种皮带撕裂检测方法 |
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 |