CN112903703A - 一种基于图像处理的陶瓷表面缺陷检测方法及*** - Google Patents
一种基于图像处理的陶瓷表面缺陷检测方法及*** Download PDFInfo
- Publication number
- CN112903703A CN112903703A CN202110109329.1A CN202110109329A CN112903703A CN 112903703 A CN112903703 A CN 112903703A CN 202110109329 A CN202110109329 A CN 202110109329A CN 112903703 A CN112903703 A CN 112903703A
- Authority
- CN
- China
- Prior art keywords
- image
- ceramic
- defect
- surface defect
- image processing
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及陶瓷表面缺陷检测技术领域,具体涉及一种基于图像处理的陶瓷表面缺陷检测方法及***,所述方法包括:获取陶瓷的RGB图像和NIR图像,从所述RGB图像中提取陶瓷所在区域的第一图像,从所述NIR图像中提取陶瓷所在区域的第二图像;将所述第一图像转换为YUV格式,得到YUV图像,根据YUV图像中的Y分量图像和第二图像得到混合图像;将所述混合图像转换为二值化图像,分割出所述二值化图像中的缺陷区域,根据所述缺陷区域确定陶瓷的表面缺陷类型,本发明基于图像处理进行陶瓷表面缺陷检测,具有高效可靠、且低成本的优点。
Description
技术领域
本发明涉及陶瓷表面缺陷检测技术领域,具体涉及一种基于图像处理的陶瓷表面缺陷检测方法及***。
背景技术
在陶瓷生产过程中,釉面缺陷是导致陶瓷质量不合格的一大困扰,特别是凹釉、釉泡、棕眼、针孔等陶瓷表面缺陷,是常见的几项质量问题点,对陶瓷表面质量进行检测,是保证陶瓷墙地砖外观质量和整个产品档次的重要途径和措施。
现有技术中,仅靠人工进行肉眼质检,容易存在错误检测的情况,且费时费力,不能适应当前智能制造的发展需求,因此,亟待一种高效可靠、且低成本的陶瓷表面缺陷检测手段,以解决上述问题。
发明内容
本发明提供一种基于图像处理的陶瓷表面缺陷检测方法及***,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,本发明提供以下技术方案:
一种基于图像处理的陶瓷表面缺陷检测方法,所述方法包括以下步骤:
获取陶瓷的RGB图像和NIR图像,从所述RGB图像中提取陶瓷所在区域的第一图像,从所述NIR图像中提取陶瓷所在区域的第二图像;
将所述第一图像转换为YUV格式,得到YUV图像,根据YUV图像中的Y分量图像和第二图像得到混合图像;
将所述混合图像转换为二值化图像,分割出所述二值化图像中的缺陷区域,根据所述缺陷区域确定陶瓷的表面缺陷类型。
进一步,将所述第一图像转换为YUV格式的转换公式为:Y=0.257*R+0.504*G+0.098*B+16,U=-0.148*R-0.291*G+0.439*B+128,V=0.439*R-0.368*G-0.071*B+128;
其中:Y、U、V分别为YUV图像的三个分量,R、G、B分别为RGB图像的三个分量。
进一步,所述混合图像的计算公式为:混合图像=255*(第二图像/YUV图像中的Y分量图像)。
进一步,所述将所述混合图像转换为二值化图像,分割出所述二值化图像中的缺陷区域,根据所述缺陷区域确定陶瓷的表面缺陷类型,包括:
将所述混合图像转换为二值化图像,将所述二值化图像按设定比例值等比例缩小,得到基准模;所述设定比例值的取值范围为[0.001,0.01];
从所述二值化图像的一端开始,以基准模对所述二值化图像进行分割,得到基准图像;
计算每张基准图像的亮度平均值,根据所述亮度平均值确定亮度区间;
将偏离所述亮度区间的图像区域作为所述基准图像中的缺陷区域;
确定所述缺陷区域的大小,若所述缺陷区域小于设定阈值,则确定所述缺陷区域为点状缺陷;若所述缺陷区域大于设定阈值,通过目标检测模型确定陶瓷的表面缺陷类型,所述缺陷类型包括凹釉、釉泡、棕眼、以及针孔。
进一步,所述通过目标检测模型确定陶瓷的表面缺陷类型,包括:
搭建神经网络模型,采用训练图像对所述经网络模型进行训练,得到目标检测模型,所述训练图像标定有至少一种缺陷类型,所述缺陷类型包括凹釉、釉泡、棕眼、以及针孔;
将大于设定阈值的输入目标检测模型进行识别,得到陶瓷的表面缺陷类型。
进一步,所述神经网络模型为FasterR-CNN模型、YOLOv3模型或SSD模型中任一种。
一种基于图像处理的陶瓷表面缺陷检测***,所述***包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述任一项所述的基于图像处理的陶瓷表面缺陷检测方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有基于图像处理的陶瓷表面缺陷检测程序,所述基于图像处理的陶瓷表面缺陷检测程序被处理器执行时实现上述任意一项所述的基于图像处理的陶瓷表面缺陷检测方法的步骤。
本发明的有益效果是:本发明公开一种基于图像处理的陶瓷表面缺陷检测方法及***,本发明通过获取陶瓷的RGB图像和NIR图像,即使在弱光下也可以呈现清晰的图像,可减少光照对图像信息的影响,接着将所述第一图像转换为YUV格式,得到YUV图像,根据YUV图像中的Y分量图像和第二图像得到混合图像,混合图像可以准确全面的体现陶瓷表面的情况,便于准确的进行陶瓷的表面缺陷检测;通过将所述混合图像转换为二值化图像,分割出所述二值化图像中的缺陷区域,根据所述缺陷区域确定陶瓷的表面缺陷类型,可以基于图像处理算法进行自动化检测。本发明基于图像处理进行陶瓷表面缺陷检测,具有高效可靠、且低成本的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于图像处理的陶瓷表面缺陷检测方法的流程示意图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本申请的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,如图1所示为本申请实施例提供的一种基于图像处理的陶瓷表面缺陷检测方法,所述方法包括以下步骤:
步骤S100、获取陶瓷的RGB图像和NIR图像,从所述RGB图像中提取陶瓷所在区域的第一图像,从所述NIR图像中提取陶瓷所在区域的第二图像;
具体的,采用图像分割算法从所述RGB图像中提取陶瓷所在区域的第一图像,采用图像分割算法从所述NIR图像中提取陶瓷所在区域的第二图像;所述图像分割算法包括分水岭算法、边缘检测算法中任一种。
步骤S200、将所述第一图像转换为YUV格式,得到YUV图像,根据YUV图像中的Y分量图像和第二图像得到混合图像;
步骤S300、将所述混合图像转换为二值化图像,分割出所述二值化图像中的缺陷区域,根据所述缺陷区域确定陶瓷的表面缺陷类型。
在一个实施例中,将所述第一图像转换为YUV格式的转换公式为:Y=0.257*R+0.504*G+0.098*B+16,U=-0.148*R-0.291*G+0.439*B+128,V=0.439*R-0.368*G-0.071*B+128;其中,Y、U、V分别为YUV图像的三个分量,R、G、B分别为RGB图像的三个分量。
在一个实施例中,所述混合图像的计算公式为:混合图像=255*(第二图像/YUV图像中的Y分量图像)。
在一个实施例中,所述步骤S300包括:
将所述混合图像转换为二值化图像,将所述二值化图像按设定比例值等比例缩小,得到基准模;所述设定比例值的取值范围为[0.001,0.01];
从所述二值化图像的一端开始,以基准模对所述二值化图像进行分割,得到基准图像;
计算每张基准图像的亮度平均值,根据所述亮度平均值确定亮度区间;
将偏离所述亮度区间的图像区域作为所述基准图像中的缺陷区域;
确定所述缺陷区域的大小,若所述缺陷区域小于设定阈值,则确定所述缺陷区域为点状缺陷;若所述缺陷区域大于设定阈值,通过目标检测模型确定陶瓷的表面缺陷类型,所述缺陷类型包括凹釉、釉泡、棕眼、以及针孔。
其中,所述根据所述亮度平均值确定亮度区间,具体为:将亮度平均值的±10%偏差范围作为所述亮度区间。
在一个实施例中,所述通过目标检测模型确定陶瓷的表面缺陷类型,包括:
搭建神经网络模型,采用训练图像对所述经网络模型进行训练,得到目标检测模型,所述训练图像标定有至少一种缺陷类型,所述缺陷类型包括凹釉、釉泡、棕眼、以及针孔;
将大于设定阈值的输入目标检测模型进行识别,得到陶瓷的表面缺陷类型。
在一个实施例中,所述神经网络模型为FasterR-CNN模型、YOLOv3模型或SSD模型中任一种。
与图1的方法相对应,本发明实施例还提供一种基于图像处理的陶瓷表面缺陷检测***,所述***包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上述任一实施例所述的基于图像处理的陶瓷表面缺陷检测方法。
上述方法实施例中的内容均适用于本***实施例中,本***实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
与图1的方法相对应,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于图像处理的陶瓷表面缺陷检测程序,所述基于图像处理的陶瓷表面缺陷检测程序被处理器执行时实现如上述任一实施例所述的基于图像处理的陶瓷表面缺陷检测方法的步骤。
所述处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于图像处理的陶瓷表面缺陷检测***的控制中心,利用各种接口和线路连接整个基于图像处理的陶瓷表面缺陷检测***可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于图像处理的陶瓷表面缺陷检测***的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本申请的预定范围。此外,上文以发明人可预见的实施例对本申请进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。
Claims (8)
1.一种基于图像处理的陶瓷表面缺陷检测方法,其特征在于,所述方法包括以下步骤:
获取陶瓷的RGB图像和NIR图像,从所述RGB图像中提取陶瓷所在区域的第一图像,从所述NIR图像中提取陶瓷所在区域的第二图像;
将所述第一图像转换为YUV格式,得到YUV图像,根据YUV图像中的Y分量图像和第二图像得到混合图像;
将所述混合图像转换为二值化图像,分割出所述二值化图像中的缺陷区域,根据所述缺陷区域确定陶瓷的表面缺陷类型。
2.根据权利要求1所述的一种基于图像处理的陶瓷表面缺陷检测方法,其特征在于,将所述第一图像转换为YUV格式的转换公式为:Y=0.257*R+0.504*G+0.098*B+16,U=-0.148*R-0.291*G+0.439*B+128,V=0.439*R-0.368*G-0.071*B+128;
其中:Y、U、V分别为YUV图像的三个分量,R、G、B分别为RGB图像的三个分量。
3.根据权利要求2所述的一种基于图像处理的陶瓷表面缺陷检测方法,其特征在于,所述混合图像的计算公式为:混合图像=255*(第二图像/YUV图像中的Y分量图像)。
4.根据权利要求3所述的一种基于图像处理的陶瓷表面缺陷检测方法,其特征在于,所述将所述混合图像转换为二值化图像,分割出所述二值化图像中的缺陷区域,根据所述缺陷区域确定陶瓷的表面缺陷类型,包括:
将所述混合图像转换为二值化图像,将所述二值化图像按设定比例值等比例缩小,得到基准模;所述设定比例值的取值范围为[0.001,0.01];
从所述二值化图像的一端开始,以基准模对所述二值化图像进行分割,得到基准图像;
计算每张基准图像的亮度平均值,根据所述亮度平均值确定亮度区间;
将偏离所述亮度区间的图像区域作为所述基准图像中的缺陷区域;
确定所述缺陷区域的大小,若所述缺陷区域小于设定阈值,则确定所述缺陷区域为点状缺陷;若所述缺陷区域大于设定阈值,通过目标检测模型确定陶瓷的表面缺陷类型,所述缺陷类型包括凹釉、釉泡、棕眼、以及针孔。
5.根据权利要求4所述的一种基于图像处理的陶瓷表面缺陷检测方法,其特征在于,所述通过目标检测模型确定陶瓷的表面缺陷类型,包括:
搭建神经网络模型,采用训练图像对所述经网络模型进行训练,得到目标检测模型,所述训练图像标定有至少一种缺陷类型,所述缺陷类型包括凹釉、釉泡、棕眼、以及针孔;
将大于设定阈值的输入目标检测模型进行识别,得到陶瓷的表面缺陷类型。
6.根据权利要求5所述的一种基于图像处理的陶瓷表面缺陷检测方法,其特征在于,所述神经网络模型为FasterR-CNN模型、YOLOv3模型或SSD模型中任一种。
7.一种基于图像处理的陶瓷表面缺陷检测***,其特征在于,所述***包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至6任一项所述的基于图像处理的陶瓷表面缺陷检测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于图像处理的陶瓷表面缺陷检测程序,所述基于图像处理的陶瓷表面缺陷检测程序被处理器执行时实现如权利要求1至6中任意一项所述的基于图像处理的陶瓷表面缺陷检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109329.1A CN112903703A (zh) | 2021-01-27 | 2021-01-27 | 一种基于图像处理的陶瓷表面缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109329.1A CN112903703A (zh) | 2021-01-27 | 2021-01-27 | 一种基于图像处理的陶瓷表面缺陷检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112903703A true CN112903703A (zh) | 2021-06-04 |
Family
ID=76120589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110109329.1A Pending CN112903703A (zh) | 2021-01-27 | 2021-01-27 | 一种基于图像处理的陶瓷表面缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112903703A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283324A (zh) * | 2021-12-30 | 2022-04-05 | 杭州电子科技大学 | 一种基于N-cut算法的陶瓷茶壶图像分割识别方法及装置 |
CN114820368A (zh) * | 2022-04-27 | 2022-07-29 | 广东职业技术学院 | 一种基于3d扫描的破损陶瓷图像修复方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04270592A (ja) * | 1991-02-26 | 1992-09-25 | Matsushita Electron Corp | 固体撮像素子の評価方法 |
US20070071304A1 (en) * | 2005-09-27 | 2007-03-29 | Sharp Kabushiki Kaisha | Defect detecting device, image sensor device, image sensor module, image processing device, digital image quality tester, and defect detecting method |
US20080205747A1 (en) * | 2006-12-28 | 2008-08-28 | Toshimasa Kuchii | Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium |
CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
CN109444146A (zh) * | 2018-09-17 | 2019-03-08 | 鲁班嫡系机器人(深圳)有限公司 | 一种工业加工产品的缺陷检测方法、装置及设备 |
CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
CN110400315A (zh) * | 2019-08-01 | 2019-11-01 | 北京迈格威科技有限公司 | 一种缺陷检测方法、装置及*** |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
CN110865077A (zh) * | 2019-11-15 | 2020-03-06 | 上海电器科学研究所(集团)有限公司 | 用于rfid天线生产的外观缺陷视觉检测*** |
-
2021
- 2021-01-27 CN CN202110109329.1A patent/CN112903703A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04270592A (ja) * | 1991-02-26 | 1992-09-25 | Matsushita Electron Corp | 固体撮像素子の評価方法 |
US20070071304A1 (en) * | 2005-09-27 | 2007-03-29 | Sharp Kabushiki Kaisha | Defect detecting device, image sensor device, image sensor module, image processing device, digital image quality tester, and defect detecting method |
US20080205747A1 (en) * | 2006-12-28 | 2008-08-28 | Toshimasa Kuchii | Defect detecting device, defect detecting method, image sensor device, image sensor module, defect detecting program, and computer-readable recording medium |
CN103149214A (zh) * | 2013-02-27 | 2013-06-12 | 上海交通大学 | 水果表面缺陷检测方法 |
CN109444146A (zh) * | 2018-09-17 | 2019-03-08 | 鲁班嫡系机器人(深圳)有限公司 | 一种工业加工产品的缺陷检测方法、装置及设备 |
CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
CN110503633A (zh) * | 2019-07-29 | 2019-11-26 | 西安理工大学 | 一种基于图像差分的贴花陶瓷盘表面缺陷检测方法 |
CN110400315A (zh) * | 2019-08-01 | 2019-11-01 | 北京迈格威科技有限公司 | 一种缺陷检测方法、装置及*** |
CN110826416A (zh) * | 2019-10-11 | 2020-02-21 | 佛山科学技术学院 | 一种基于深度学习的卫浴陶瓷表面缺陷检测方法及装置 |
CN110865077A (zh) * | 2019-11-15 | 2020-03-06 | 上海电器科学研究所(集团)有限公司 | 用于rfid天线生产的外观缺陷视觉检测*** |
Non-Patent Citations (2)
Title |
---|
孙进 等: ""陶瓷膜表面缺陷的表征与分类研究"", 《徐州工程学院学报》 * |
张传江 等: ""无人机巡检图像采集融合***研究"", 《电子信息》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283324A (zh) * | 2021-12-30 | 2022-04-05 | 杭州电子科技大学 | 一种基于N-cut算法的陶瓷茶壶图像分割识别方法及装置 |
CN114283324B (zh) * | 2021-12-30 | 2024-06-14 | 杭州电子科技大学 | 一种基于N-cut算法的陶瓷茶壶图像分割识别方法及装置 |
CN114820368A (zh) * | 2022-04-27 | 2022-07-29 | 广东职业技术学院 | 一种基于3d扫描的破损陶瓷图像修复方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544258B (zh) | 图像分割的方法、装置、电子设备和存储介质 | |
US7639878B2 (en) | Shadow detection in images | |
CN108764352B (zh) | 重复页面内容检测方法和装置 | |
WO2018149253A1 (zh) | 图像处理的方法和设备 | |
CN110399842B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN108615030B (zh) | 一种标题一致性检测方法、装置及电子设备 | |
WO2021189259A1 (zh) | Oled屏幕点缺陷判定方法、装置、存储介质及电子设备 | |
WO2022028383A1 (zh) | 车道线标注、检测模型确定、车道线检测方法及相关设备 | |
US11922673B2 (en) | Product inspection method and device, producing system and computer storage medium | |
CN111523551A (zh) | 蓝色目标的二值化方法、装置和设备 | |
CN106815587A (zh) | 图像处理方法及装置 | |
CN112903703A (zh) | 一种基于图像处理的陶瓷表面缺陷检测方法及*** | |
CN110909772B (zh) | 一种高精度实时多尺度表盘指针检测方法和*** | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
CN115690470A (zh) | 一种用于识别开关指示牌状态的方法和相关产品 | |
CN112288677A (zh) | 摄像机 | |
CN113850756A (zh) | 一种基于模板比对的标签缺陷检测方法 | |
CN111695374A (zh) | 监控视角中斑马线区域的分割方法、***、介质及设备 | |
CN112668578B (zh) | 指针式仪表读数方法、装置、计算机设备和存储介质 | |
CN112241697B (zh) | 角点颜色判定方法、装置、终端设备及可读存储介质 | |
WO2021008187A1 (zh) | 显示界面切换功能的检测方法及*** | |
Ma et al. | A method of license plate location based on mathematical morphology and corner detection | |
JP6354316B2 (ja) | 画像検出装置及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |