CN113344955A - 一种模糊边缘精准检测边坡的***及方法 - Google Patents

一种模糊边缘精准检测边坡的***及方法 Download PDF

Info

Publication number
CN113344955A
CN113344955A CN202110572155.2A CN202110572155A CN113344955A CN 113344955 A CN113344955 A CN 113344955A CN 202110572155 A CN202110572155 A CN 202110572155A CN 113344955 A CN113344955 A CN 113344955A
Authority
CN
China
Prior art keywords
image
edge
filtering
slope
contour
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.)
Granted
Application number
CN202110572155.2A
Other languages
English (en)
Other versions
CN113344955B (zh
Inventor
刘跃成
周创
杨静
伍东卫
杜彬
张文勰
熊训飞
叶保权
杨讯华
周水
蒋中明
罗文斌
唐栋
龚建
亓祥宇
岳晋伟
姜男
郝建云
黄宗才
李国辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Fengji Technology Co ltd
Yunnan Fengyun Expressway Co ltd
Changsha University of Science and Technology
Yunnan Highway Science and Technology Research Institute
Original Assignee
Yunnan Fengji Technology Co ltd
Yunnan Fengyun Expressway Co ltd
Changsha University of Science and Technology
Yunnan Highway Science and Technology Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Fengji Technology Co ltd, Yunnan Fengyun Expressway Co ltd, Changsha University of Science and Technology, Yunnan Highway Science and Technology Research Institute filed Critical Yunnan Fengji Technology Co ltd
Priority to CN202110572155.2A priority Critical patent/CN113344955B/zh
Publication of CN113344955A publication Critical patent/CN113344955A/zh
Application granted granted Critical
Publication of CN113344955B publication Critical patent/CN113344955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种模糊边缘精准检测边坡的***,包括：检测件，用于安装在边坡上；拍摄模块，用于拍摄检测件；中值滤波处理模块，用于进行图像二值化并进行中值滤波处理；轮廓提取模块，用于对图像进行轮廓提取；轮廓初级处理模块，用于在图像的轮廓边缘处生成多个正矩形，并以正矩形中心为圆心、正矩形的边长为直径生成圆；轮廓中级处理模块，用于将边缘检测关键点与圆心之间连接形成一条直线并将该直线延长，记录该延长线与圆边交点之间的距离为s，根据所有的s得到集合S；轮廓末级处理模块，用于对集合S进行过滤，并对过滤后的集合S中的各s进行识别后重新找到圆心点。本发明还公开了一种模糊边缘精准检测边坡的方法。

Description

一种模糊边缘精准检测边坡的***及方法
技术领域
本发明涉及领域，特别是一种模糊边缘精准检测边坡的***及方法。
背景技术
TD边坡监测***是一种基于浅表沉降和倾斜形变高精度量测的边坡自动化监测预警***，该***可对边坡进行远程自动化监测，并能对监测数据进行实时分析，及时作出预警反应，在山体下的固定点安装超长焦数字化相机监测***作为观测点，将检测件安装在在山体上边坡上，根据相机拍摄检测件的位置判断边坡有没有出现滑坡的现象，然而现有的拍摄设备在拍摄到检测件的照片时，由于照片轮廓较为模糊，不便在照片上判断检测件的位置，从而影响判断边坡是否出现滑坡。
发明内容
为解决现有技术中存在的问题，本发明提供了一种模糊边缘精准检测边坡的***及方法。
本发明采用的技术方案是：
一种模糊边缘精准检测边坡的***，包括：
检测件，用于安装在边坡上供拍摄模块进行拍摄；
拍摄模块，用于拍摄安装在边坡上的检测件的图像；
中值滤波处理模块，用于调整图像饱和度后进行图像二值化并进行中值滤波处理；
轮廓提取模块，用于对图像进行边缘检测、膨胀处理后进行轮廓提取；
轮廓初级处理模块，用于在图像的轮廓边缘处生成多个正矩形，并以正矩形中心为圆心、正矩形的边长为直径生成圆；
轮廓中级处理模块，用于计算轮廓初级处理模块中生成的圆与边缘检测关键点的重合数量，并将边缘检测关键点与圆心之间连接形成一条直线并将该直线延长，记录该延长线与圆边交点之间的距离为s，根据所有的s得到集合S；
轮廓末级处理模块，用于对集合S进行过滤，并对过滤后的集合S中的各s进行识别后重新找到圆心点。
优选的，所述中值滤波处理模块中的中值滤波处理具体为：
生成滤波模板，并在该模板内将像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为g(x,y)＝medf{f(x-k,y-1),(k,l∈w)}，其中f(x,y)和g(x,y)分别是原图像和调整图像饱和度后的图像,w为输入的二维模板；
通过从图像中的二维模板取出奇数个数据进行排序，用排序后的中值取代要处理的数据。
优选的，所述轮廓提取模块中的边缘检测具体为：
应用高斯滤波来平滑图像去除噪声；
找寻图像的强度梯度；
应用非最大抑制来消除边误检；
应用双阈值来决定可能的边界；
利用滞后来跟踪边界。
优选的，所述轮廓末级处理模块中对集体S进行过滤具体为：
计算出集合S中的s的平均值s1，将集合S中大于平均值s1的过滤掉，并将集合S中出现频率最少的s过滤掉。
优选的，所述轮廓末级处理模块中对集合S中的各s进行识别具体为：
A＝avg(abs(S))，其中avg表示平均值，abs表示绝对值。
一种模糊边缘精准检测边坡的方法，包括如下步骤：
S1、在待检测的边坡上安装好检测件；
S2、拍摄边坡上检测件的图像；
S3、调整图像饱和度后进行图像二值化并进行中值滤波处理；
S4、对图像进行边缘检测、膨胀处理后进行轮廓提取；
S5、在图像的轮廓边缘处生成多个正矩形，并以正矩形中心为圆心、正矩形的边长为直径生成圆；
S6、计算该圆与边缘检测关键点的重合数量，将边缘检测关键点与圆心之间连接形成一条直线并将该直线延长，记录该延长线与圆边交点之间的距离为s，根据所有的s得到集合S；
S7、对集合S进行过滤，并对过滤后的集合S中的各s进行识别后重新找到圆心点。
优选的，中值滤波具体为：
生成滤波模板，并在该模板内将像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为g(x,y)＝medf{f(x-k,y-1),(k,l∈w)}，其中f(x,y)和g(x,y)分别是原图像和调整图像饱和度后的图像,w为输入的二维模板；
通过从图像中的二维模板取出奇数个数据进行排序，用排序后的中值取代要处理的数据。
优选的，图像进行边缘检测具体为：
应用高斯滤波来平滑图像去除噪声；
找寻图像的强度梯度；
应用非最大抑制来消除边误检；
应用双阈值来决定可能的边界；
利用滞后来跟踪边界。
优选的，过滤集合S具体为：
计算出集合S中的s的平均值s1，将集合S中大于平均值s1的过滤掉，并将集合S中出现频率最少的s过滤掉。
优选的，对对集合S中的各s进行识别具体为：
A＝avg(abs(S))，其中avg表示平均值，abs表示绝对值。
本发明的有益效果是：本发明通过拍摄设备对边坡上安装的检测件进行拍照处理，针对拍摄设备拍摄到检测件的照片较为模糊时，通过该方法对照片上的边缘进行处理得到清晰的边缘轮廓，从而便于判断照片上检测件的位置，通过照片即可观察边坡上检测件的位置是否发生了改变，当照片上拍摄检测件的位置发生了改变，则说明边坡出现了滑坡等现象。
附图说明
图1为本发明实施例1的结构示意图；
图2为本发明实施例2的流程示意图；
附图标记：1、检测件，2、拍摄模块，3、中值滤波处理模块，4、轮廓提取模块，5、轮廓初级处理模块，6、轮廓中级处理模块，7、轮廓末级处理模块。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例1
如图1所示，一种模糊边缘精准检测边坡的***，包括：
检测件1，用于安装在边坡上供拍摄模块2进行拍摄；
拍摄模块2，用于拍摄安装在边坡上的检测件1的图像；
中值滤波处理模块3，用于调整图像饱和度后进行图像二值化并进行中值滤波处理；
轮廓提取模块4，用于对图像进行边缘检测、膨胀处理后进行轮廓提取；
轮廓初级处理模块5，用于在图像的轮廓边缘处生成多个正矩形，并以正矩形中心为圆心、正矩形的边长为直径生成圆；
轮廓中级处理模块6，用于计算轮廓初级处理模块5中生成的圆与边缘检测关键点的重合数量，并将边缘检测关键点与圆心之间连接形成一条直线并将该直线延长，记录该延长线与圆边交点之间的距离为s，根据所有的s得到集合S；
轮廓末级处理模块7，用于对集合S进行过滤，并对过滤后的集合S中的各s进行识别后重新找到圆心点。
所述中值滤波处理模块3中的中值滤波处理具体为：
生成滤波模板，并在该模板内将像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为g(x,y)＝medf{f(x-k,y-1),(k,l∈w)}，其中f(x,y)和g(x,y)分别是原图像和调整图像饱和度后的图像,w为输入的二维模板；
通过从图像中的二维模板取出奇数个数据进行排序，用排序后的中值取代要处理的数据。
所述轮廓提取模块4中的边缘检测具体为：
应用高斯滤波来平滑图像去除噪声；
找寻图像的强度梯度；
应用非最大抑制来消除边误检；
应用双阈值来决定可能的边界；
利用滞后来跟踪边界。
所述轮廓末级处理模块7中对集体S进行过滤具体为：
计算出集合S中的s的平均值s1，将集合S中大于平均值s1的过滤掉，并将集合S中出现频率最少的s过滤掉。
所述轮廓末级处理模块7中对集合S中的各s进行识别具体为：
A＝avg(abs(S))，其中avg表示平均值，abs表示绝对值。
实施例2
如图2所示，一种模糊边缘精准检测边坡的方法，包括如下步骤：
S1、在待检测的边坡上安装好检测件；
S2、拍摄边坡上检测件的图像；
S3、调整图像饱和度后进行图像二值化并进行中值滤波处理；
S4、对图像进行边缘检测、膨胀处理后进行轮廓提取，其中，膨胀处理的目的主要是为了连通相近的轮廓点，并使边缘光滑；
S5、在图像的轮廓边缘处生成多个正矩形，并以正矩形中心为圆心、正矩形的边长为直径生成圆；
S6、计算该圆与边缘检测关键点的重合数量，将边缘检测关键点与圆心之间连接形成一条直线并将该直线延长，记录该延长线与圆边交点之间的距离为s，根据所有的s得到集合S；
S7、对集合S进行过滤，并对过滤后的集合S中的各s进行识别后重新找到圆心点。
中值滤波具体为：
生成滤波模板，并在该模板内将像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为g(x,y)＝medf{f(x-k,y-1),(k,l∈w)}，其中f(x,y)和g(x,y)分别是原图像和调整图像饱和度后的图像,w为输入的二维模板；
通过从图像中的二维模板取出奇数个数据进行排序，用排序后的中值取代要处理的数据。
图像进行边缘检测具体为：
应用高斯滤波来平滑图像去除噪声；
找寻图像的强度梯度；
应用非最大抑制来消除边误检；
应用双阈值来决定可能的边界；
利用滞后来跟踪边界。
过滤集合S具体为：
计算出集合S中的s的平均值s1，将集合S中大于平均值s1的过滤掉，并将集合S中出现频率最少的s过滤掉。
对对集合S中的各s进行识别具体为：
A＝avg(abs(S))，其中avg表示平均值，abs表示绝对值。
根据步骤S7中重新找到的圆心点即可生成清晰的边缘轮廓，从而便于判断图像上检测件的位置，通过观察图像上检测件的位置与原位置相比是否发生了改变，如图像上检测件的位置发生了改变，则说明边坡出现了滑坡等现象。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种模糊边缘精准检测边坡的***，其特征在于，包括：
检测件(1)，用于安装在边坡上供拍摄模块(2)进行拍摄；
拍摄模块(2)，用于拍摄安装在边坡上的检测件(1)的图像；
中值滤波处理模块(3)，用于调整图像饱和度后进行图像二值化并进行中值滤波处理；
轮廓提取模块(4)，用于对图像进行边缘检测、膨胀处理后进行轮廓提取；
轮廓初级处理模块(5)，用于在图像的轮廓边缘处生成多个正矩形，并以正矩形中心为圆心、正矩形的边长为直径生成圆；
轮廓中级处理模块(6)，用于计算轮廓初级处理模块(5)中生成的圆与边缘检测关键点的重合数量，并将边缘检测关键点与圆心之间连接形成一条直线并将该直线延长，记录该延长线与圆边交点之间的距离为s，根据所有的s得到集合S；
轮廓末级处理模块(7)，用于对集合S进行过滤，并对过滤后的集合S中的各s进行识别后重新找到圆心点。
2.根据权利要求1所述模糊边缘精准检测边坡的***，其特征在于，所述中值滤波处理模块(3)中的中值滤波处理具体为：
生成滤波模板，并在该模板内将像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为g(x,y)＝medf{f(x-k,y-1),(k,l∈w)}，其中f(x,y)和g(x,y)分别是原图像和调整图像饱和度后的图像,w为输入的二维模板；
通过从图像中的二维模板取出奇数个数据进行排序，用排序后的中值取代要处理的数据。
3.根据权利要求1所述模糊边缘精准检测边坡的***，其特征在于，所述轮廓提取模块(4)中的边缘检测具体为：
应用高斯滤波来平滑图像去除噪声；
找寻图像的强度梯度；
应用非最大抑制来消除边误检；
应用双阈值来决定可能的边界；
利用滞后来跟踪边界。
4.根据权利要求1所述模糊边缘精准检测边坡的***，其特征在于，所述轮廓末级处理模块(7)中对集体S进行过滤具体为：
计算出集合S中的s的平均值s1，将集合S中大于平均值s1的过滤掉，并将集合S中出现频率最少的s过滤掉。
5.根据权利要求1所述模糊边缘精准检测边坡的***，其特征在于，所述轮廓末级处理模块(7)中对集合S中的各s进行识别具体为：
A＝avg(abs(S))，其中avg表示平均值，abs表示绝对值。
6.一种模糊边缘精准检测边坡的方法，其特征在于，包括如下步骤：
S1、在待检测的边坡上安装好检测件；
S2、拍摄边坡上检测件的图像；
S3、调整图像饱和度后进行图像二值化并进行中值滤波处理；
S4、对图像进行边缘检测、膨胀处理后进行轮廓提取；
S5、在图像的轮廓边缘处生成多个正矩形，并以正矩形中心为圆心、正矩形的边长为直径生成圆；
S6、计算该圆与边缘检测关键点的重合数量，将边缘检测关键点与圆心之间连接形成一条直线并将该直线延长，记录该延长线与圆边交点之间的距离为s，根据所有的s得到集合S；
S7、对集合S进行过滤，并对过滤后的集合S中的各s进行识别后重新找到圆心点。
7.根据权利要求6所述的一种模糊边缘精准检测边坡方法，其特征在于，中值滤波具体为：
生成滤波模板，并在该模板内将像素值进行排序，生成单调上升或单调下降的二维数据序列，二维中值滤波输出为g(x,y)＝medf{f(x-k,y-1),(k,l∈w)}，其中f(x,y)和g(x,y)分别是原图像和调整图像饱和度后的图像,w为输入的二维模板；
通过从图像中的二维模板取出奇数个数据进行排序，用排序后的中值取代要处理的数据。
8.根据权利要求6所述的一种模糊边缘精准检测边坡方法，其特征在于，图像进行边缘检测具体为：
应用高斯滤波来平滑图像去除噪声；
找寻图像的强度梯度；
应用非最大抑制来消除边误检；
应用双阈值来决定可能的边界；
利用滞后来跟踪边界。
9.根据权利要求6所述的一种模糊边缘精准检测边坡方法，其特征在于，过滤集合S具体为：
计算出集合S中的s的平均值s1，将集合S中大于平均值s1的过滤掉，并将集合S中出现频率最少的s过滤掉。
10.根据权利要求6所述的一种模糊边缘精准检测边坡方法，其特征在于，对对集合S中的各s进行识别具体为：
A＝avg(abs(S))，其中avg表示平均值，abs表示绝对值。
CN202110572155.2A 2021-05-25 2021-05-25 一种模糊边缘精准检测边坡的***及方法 Active CN113344955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110572155.2A CN113344955B (zh) 2021-05-25 2021-05-25 一种模糊边缘精准检测边坡的***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110572155.2A CN113344955B (zh) 2021-05-25 2021-05-25 一种模糊边缘精准检测边坡的***及方法

Publications (2)

Publication Number Publication Date
CN113344955A true CN113344955A (zh) 2021-09-03
CN113344955B CN113344955B (zh) 2022-03-18

Family

ID=77471330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110572155.2A Active CN113344955B (zh) 2021-05-25 2021-05-25 一种模糊边缘精准检测边坡的***及方法

Country Status (1)

Country Link
CN (1) CN113344955B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361605A (zh) * 2014-12-10 2015-02-18 天津普达软件技术有限公司 一种检测瓶坯瓶口外轮廓缺陷的方法
CN106169186A (zh) * 2016-07-01 2016-11-30 西安电子科技大学 基于水平集运动目标检测中获取初始轮廓的方法
KR20170051369A (ko) * 2015-11-02 2017-05-11 코그넥스코오포레이션 비전 시스템으로 이미지에서 라인을 찾기 위한 시스템 및 방법
CN107123146A (zh) * 2017-03-20 2017-09-01 深圳市华汉伟业科技有限公司 一种标定板图像的标志物定位方法和***
CN110070557A (zh) * 2019-04-07 2019-07-30 西北工业大学 一种基于边缘特征检测的目标识别与定位方法
CN110307790A (zh) * 2019-07-04 2019-10-08 深圳市富源信息技术有限公司 应用于边坡安全监测的摄像机检测装置及方法
JP2021044701A (ja) * 2019-09-11 2021-03-18 キヤノン株式会社 画像読取装置およびその制御方法
CN112819845A (zh) * 2021-02-26 2021-05-18 华南理工大学 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361605A (zh) * 2014-12-10 2015-02-18 天津普达软件技术有限公司 一种检测瓶坯瓶口外轮廓缺陷的方法
KR20170051369A (ko) * 2015-11-02 2017-05-11 코그넥스코오포레이션 비전 시스템으로 이미지에서 라인을 찾기 위한 시스템 및 방법
CN106169186A (zh) * 2016-07-01 2016-11-30 西安电子科技大学 基于水平集运动目标检测中获取初始轮廓的方法
CN107123146A (zh) * 2017-03-20 2017-09-01 深圳市华汉伟业科技有限公司 一种标定板图像的标志物定位方法和***
CN110070557A (zh) * 2019-04-07 2019-07-30 西北工业大学 一种基于边缘特征检测的目标识别与定位方法
CN110307790A (zh) * 2019-07-04 2019-10-08 深圳市富源信息技术有限公司 应用于边坡安全监测的摄像机检测装置及方法
JP2021044701A (ja) * 2019-09-11 2021-03-18 キヤノン株式会社 画像読取装置およびその制御方法
CN112819845A (zh) * 2021-02-26 2021-05-18 华南理工大学 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YAN SHIJIANG 等: "Method for the Extraction of Loess Shoulder-Line from Grid Dems Based on Log Edge Detector", 《2010 INTERNATIONAL CONFERENCE ON MULTIMEDIA TECHNOLOGY》 *
刘学增 等: "基于亚像素圆心检测法的变形监测技术", 《岩石力学与工程学报》 *
杨应彬 等: "基于Hough变换与特征聚类的指针轮廓识别方法", 《机械设计与研究》 *
王 星，邓小炼: "SUSAN算子角点提取在船舶舷号定位中的应用", 《绿色科技》 *

Also Published As

Publication number Publication date
CN113344955B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN109146860B (zh) 全自动机械设备安装泄露检测方法及装置
CN111080582B (zh) 工件内外表面缺陷检测方法
JPH07302328A (ja) 背景差分による動物体領域抽出方法
CN111489337B (zh) 一种自动光学检测伪缺陷去除方法及***
CN106645209B (zh) 一种按键丝印的检测方法及***
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测***
CN108288274B (zh) 模具检测方法、装置以及电子设备
CN108889635B (zh) 一种易拉罐制造缺陷在线视觉检测方法
CN105957300B (zh) 一种智慧金睛识别可疑张贴遮蔽报警方法和装置
CN112561875A (zh) 一种基于人工智能的光伏电池板粗栅检测方法
CN113344955B (zh) 一种模糊边缘精准检测边坡的***及方法
JPH08189904A (ja) 表面欠陥検出装置
JP3635795B2 (ja) 微細線状欠陥の検出方法及びその装置
KR102133330B1 (ko) 구조물의 균열 인식 장치 및 방법
CN117036259A (zh) 一种基于深度学习的金属板材表面缺陷检测方法
JPH08171689A (ja) 変化領域検出装置
CN115018829A (zh) 一种玻璃瑕疵定位方法及装置
CN110634124A (zh) 一种区域检测的方法及设备
JP2000003436A (ja) Ｉｓａｒ画像識別装置およびｉｓａｒ画像識別方法
CN114862786A (zh) 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及***
CN112419296A (zh) 微纳光学元件表面缺陷检测方法及图像分割方法
JPH0217832B2 (zh)
JP2021190515A (ja) ワーク取り残し判定システム
JP2711649B2 (ja) 検査対象物の表面傷検出方法
KR100713335B1 (ko) 이미지 인식방법

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