CN113724258A - 一种基于图像处理的传送带撕裂检测方法及*** - Google Patents
一种基于图像处理的传送带撕裂检测方法及*** Download PDFInfo
- Publication number
- CN113724258A CN113724258A CN202111290088.1A CN202111290088A CN113724258A CN 113724258 A CN113724258 A CN 113724258A CN 202111290088 A CN202111290088 A CN 202111290088A CN 113724258 A CN113724258 A CN 113724258A
- Authority
- CN
- China
- Prior art keywords
- conveyor belt
- edge
- local area
- image
- straight line
- 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
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
- G06T7/13—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
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)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的传送带撕裂检测方法及***,包括:获取待检测的传送带的局部区域拍摄图像,进而得到获取传送带局部区域图像;根据传送带局部区域图像,确定传送带局部区域图像的获取可靠程度值、传送带局部区域内部的各个疑似裂缝连通域及其所对应的撕裂像素个数;根据传送带局部区域图像的获取可靠程度值和各个疑似裂缝连通域所对应的撕裂像素个数,确定各个疑似裂缝连通域对应的霍夫变换阈值,进而确定各个疑似裂缝连通域是否为裂缝区域。本发明结合图像处理特点和相机成像特点,针对传送带的不同位置自适应调节霍夫变换的直线选取阈值,实现了对传送带不同位置的裂缝直线检测,有效提高了检测准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像处理的传送带撕裂检测方法及***。
背景技术
传送带,又称为输送带,由于其具有能够连续高效运输,使用简便,易于维修,运费廉价,能够节省人力物力等多个优点,被广泛运用于农业、电力、工矿企业和交通运输等多个领域中。但是,由于传送带需要长时间处于负重状态,且由于运输材料多样化,传送带经常会出现磨损、裂缝等异常情况,如果这些异常得不到及时检测和处理,严重时可出现停运、横向断带、人员伤亡、巨大经济损失等重大安全事故。因此,在传送带使用过程中,需要实时或定期对磨损、撕裂等异常情况进行检测和维护。
传统的传送带异常检测通常是通过人工来实现,但是随着近年来机器视觉的发展,图像处理技术被逐渐应用到传送带异常检测中。这种技术可以排除人的主观因素影响,同时有效提高了检测效率。但是,在现有的图像处理过程中,常常会使用到霍夫变换来对传送带裂缝直线进行检测,而霍夫变换的阈值一般是由人工设定的,为全局性阈值,即整个图像均用一个阈值对裂缝进行筛选,这就造成检测结果的不准确,不满足工业高泛化能力的要求。
发明内容
本发明的目的在于提供一种基于图像处理的传送带撕裂检测方法及***,用于解决现有传送带撕裂检测不准确的问题。
为解决上述技术问题,本发明提供了一种基于图像处理的传送带撕裂检测方法,包括以下步骤:
获取待检测的传送带的局部区域拍摄图像,并根据待检测的传送带的局部区域拍摄图像,获取传送带局部区域图像;
根据传送带局部区域图像,确定传送带局部区域图像的获取可靠程度值、第一边缘直线和第二边缘直线以及传送带局部区域内部的各个疑似裂缝连通域;
根据传送带局部区域图像及其第一边缘直线、第二边缘直线以及各个疑似裂缝连通域,计算各个疑似裂缝连通域所对应的撕裂像素个数;
根据传送带局部区域图像的获取可靠程度值和各个疑似裂缝连通域所对应的撕裂像素个数,确定各个疑似裂缝连通域对应的霍夫变换阈值;
根据各个疑似裂缝连通域以及各个疑似裂缝连通域对应的霍夫变换阈值,确定各个疑似裂缝连通域是否为裂缝区域。
进一步的,确定传送带局部区域图像的获取可靠程度值的步骤包括:
在传送带局部区域图像中构建二维坐标系,所述二维坐标系以传送带局部区域图像为拍摄放置方向时传送带局部区域图像中的最左下角的边缘像素点为坐标原点,以水平向右的方向为x轴正方向,以过坐标原点且竖直向上的方向为y轴正方向;
根据传送带局部区域图像的各个边缘像素点在二维坐标系中的坐标,确定传送带局部区域的第一边缘侧的各个边缘直线和第二边缘侧的各个边缘直线;
根据传送带局部区域图像的各个边缘像素点、传送带局部区域的第一边缘侧的各个边缘直线和第二边缘侧的各个边缘直线,确定各个边缘直线所经过的各个边缘像素点;
根据各个边缘直线所经过的各个边缘像素点的坐标,确定各个边缘直线所对应的准确性程度值;
根据各个边缘直线所对应的准确性程度值,计算传送带局部区域图像的获取可靠程度值。
进一步的,确定各个边缘直线所对应的准确性程度值的步骤包括:
对各个边缘直线所经过的各个边缘像素点对应的纵坐标进行归一化处理;
计算归一化处理后的每个边缘直线所经过的各个边缘像素点对应的纵坐标的均值,从而得到各个边缘直线所对应的准确性程度值。
进一步的,对各个边缘直线所经过的各个边缘像素点对应的纵坐标进行归一化处理所对应的计算公式为:
其中,为归一化处理后的边缘直线所经过的第t个边缘像素点对应的纵坐标,为归一化处理前的边缘直线所经过的第t个边缘像素点对应的纵坐标,为传送带局部区域图像中传送带区域的各个像素点对应纵坐标的最大值,为传送带局部区域图像中传送带区域的各个像素点对应纵坐标的最小值。
进一步的,计算传送带局部区域图像的获取可靠程度值所对应的计算公式为:
其中,R为传送带局部区域图像的获取可靠程度值,为传送带局部区域的第一边缘侧的第i个边缘直线所对应的准确性程度值,为传送带局部区域的第一边缘侧的各个边缘直线所对应的准确性程度值的均值,为传送带局部区域的第一边缘侧的各个边缘直线的总数目,为传送带局部区域的第二边缘侧的第j个边缘直线所对应的准确性程度值,为传送带局部区域的第二边缘侧的各个边缘直线所对应的准确性程度值的均值,为传送带局部区域的第二边缘侧的各个边缘直线的总数目。
进一步的,确定传送带局部区域图像的第一边缘直线和第二边缘直线的步骤包括:
根据传送带局部区域的第一边缘侧的各个边缘直线所对应的准确性程度值以及第二边缘侧的各个边缘直线所对应的准确性程度值,选取第一边缘侧的各个边缘直线中准确性程度值最大的边缘直线以及第二边缘侧的各个边缘直线中准确性程度值最大的边缘直线;
比较选取出的两条边缘直线的斜率,若两条边缘直线的斜率一个大于0且一个小于0,则将斜率大于0的边缘直线作为第一边缘直线,将另外一条直线作为第二边缘直线;若两条边缘直线的斜率均大于0或均小于0,则将斜率绝对值较大的边缘直线作为第一边缘直线,将另外一条直线作为第二边缘直线。
进一步的,计算各个疑似裂缝连通域所对应的撕裂像素个数的步骤包括:
根据传送带局部区域图像中的最大的传送带宽度以及传送带局部区域图像的第一边缘直线和第二边缘直线的斜率,计算传送带局部区域图像中任何一个位置所对应的传送带宽度;
根据传送带局部区域内部的各个疑似裂缝连通域以及传送带局部区域图像中任何一个位置所对应的传送带宽度,计算各个疑似裂缝连通域所对应的传送带宽度均值;
根据传送带局部区域图像中的最大的传送带宽度以及各个疑似裂缝连通域所对应的传送带宽度均值,计算各个疑似裂缝连通域所对应的撕裂像素个数。
进一步的,传送带局部区域图像中任何一个位置所对应的传送带宽度对应的计算公式为:
若两条边缘直线的斜率一个大于0且一个小于0,则:
若两条边缘直线的斜率均大于0或均小于0,则:
其中,为传送带局部区域图像中的传送带宽度,为传送带局部区域图像中某一位置到传送带局部区域图像中的最大的传送带宽度所在直线的距离,为第一边缘直线的斜率,为第二边缘直线的斜率,为传送带在传送带局部区域图像中的最大的传送带宽度。
进一步的,各个疑似裂缝连通域对应的霍夫变换阈值对应的计算公式为:
为解决上述技术问题,本发明还提供了一种基于图像处理的传送带撕裂检测***,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现上述的基于图像处理的传送带撕裂检测方法。
本发明具有如下有益效果:通过获取待检测的传送带的局部区域拍摄图像,进而得到传送带局部区域图像,并根据传送带局部区域图像,确定传送带局部区域图像的获取可靠程度值、传送带局部区域内部的各个疑似裂缝连通域及其所对应的撕裂像素个数;根据传送带局部区域图像的获取可靠程度值和各个疑似裂缝连通域所对应的撕裂像素个数,确定各个疑似裂缝连通域对应的霍夫变换阈值,进而确定各个疑似裂缝连通域是否为裂缝区域。本发明通过利用相机成像特点,来确定各个疑似裂缝连通域所对应的撕裂像素个数,并利用传送带局部区域图像的获取可靠程度值来对疑似裂缝连通域所对应的撕裂像素个数进行约束,从而可以针对传送带的不同位置处的裂缝连通域自适应调节霍夫变换的直线选取阈值,,实现了对传送带不同位置的裂缝直线检测,有效提高了传送带裂缝检测的准确性。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明基于图像处理的传送带撕裂检测方法的流程图;
图2为本发明相机拍摄出来的传送带的局部区域拍摄图像的示意图;
图3为本发明相机设置在传送带左侧时所得到的传送带局部区域;
图4为本发明相机设置在传送带中部时所得到的传送带局部区域;
图5为本发明相机设置在传送带右侧时所得到的传送带局部区域。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于图像处理的传送带撕裂检测方法,该检测方法使用图像处理技术,结合图像处理特点以及相机成像的特点,对传送带的不同位置,自适应调节霍夫变换的直线选取阈值,实现对传送带不同位置的裂缝直线检测,不仅扩大了相机的检测范围,还在一定程度上降低了噪声对检测结果的干扰,有效提高了检测准确性。且由于可对距离相机较远位置的检测,实现了对传送带撕裂的提前感知,提前发出预警,使技术人员及时处理。
在正式介绍该基于图像处理的传送带撕裂检测方法之前,这里先对霍夫变换的原理进行介绍。霍夫变换的原理是运用两个坐标空间之间的变换,将在一个空间中具有相同形状的曲线或直线,y=kx+b,映射到另一个坐标空间的一个点(r,)上形成峰值,从而把检测任意形状的问题转化为统计峰值问题。
直角坐标系下过一个点(x,y)的所有直线在极坐标空间下映射为一条正弦曲线,当直角坐标系下的多点存在共线情况时,极坐标空间下表现为它们所对应的正弦曲线相交于一点(r,),在该位置相交的次数峰值即为直角坐标系下共线点的个数,峰值越大,表示落在这条直线上的点个数越多。
对峰值的大小设定一个阈值即可筛选出符合要求的直线,所以阈值的选取对结果的影响很大,但由于人工设定阈值的局限性,所设阈值可能过大或过小,阈值过大可能丢失所需线段,阈值过小则会产生较多干扰线段,由此造成了检测结果的不准确。
基于上述霍夫变换的原理,本实施例所提出的基于图像处理的传送带撕裂检测方法的流程图如图1所示,具体包括以下步骤:
(1)获取待检测的传送带的局部区域拍摄图像,并根据待检测的传送带的局部区域拍摄图像,获取传送带局部区域图像。
使用相机拍摄待检测的传送带的工作区域,从而得到待检测的传送带的局部区域拍摄图像,该拍摄图像为RGB图像。在本实施例中,相机的设置位置为待检测的传送带的上表面的上方,且相机的镜头面向传送带的传输方向,此时相机拍摄出来的传送带的局部区域拍摄图像如图2所示,图2中的两条线是表征的是传送带的两边缘。
需要说明的是,在获取待检测的传送带的局部区域拍摄图像时,相机不需要实时拍摄图像,而是视野范围内的传送带运动结束后,再次采集图像,即传送带运行一定时间后,再采集图像,直到整个传送带运动停止为止。
在获取待检测的传送带的局部区域拍摄图像之后,利用语义分割网络对局部区域拍摄图像进行语义分割检测,从而得到传送带局部区域图像。在该传送带局部区域图像中,属于传送带的像素,其值标注为1,属于背景的像素,其值标注为0。
当然,在利用语义分割网络对局部区域拍摄图像进行语义分割检测之前,首先需要构建和训练语义分割网络。在本实施例中,构建和训练语义分割网络的过程如下:
利用神经网络构建语义分割网络,该语义分割网络采用Encoder-Decoder编码解码的结构,所采用的loss函数为交叉熵损失函数。在构建好语义分割网络后,通过收集大量的各种类型的传送带拍摄图像,获取训练数据集,该训练数据集分为训练集和验证集。按照传送带区域与背景区域将所有像素点分为2类,即传送带区域像素点以及背景区域像素点。将训练数据集中的传送带拍摄图像的传送带区域像素点值人工标注为1,将背景区域像素点值人工标注为0。在对训练数据集标注完成之后,采用该训练数据集对构建的语义分割网络进行训练,从而得到训练好的语义分割网络。由于构建语义分割网络以及其对应的训练过程均属于现有技术,此处不再赘述。
(2)根据传送带局部区域图像,确定传送带局部区域图像的获取可靠程度值、第一边缘直线和第二边缘直线以及传送带局部区域内部的各个疑似裂缝连通域。
在步骤(1)获得传送带局部区域图像的基础上,对传送带局部区域图像进行边缘检测,并根据边缘检测结果,确定传送带局部区域图像的获取可靠程度值、第一边缘直线和第二边缘直线以及传送带局部区域内部的各个疑似裂缝连通域,具体实现过程如下:
(2-1)在传送带局部区域图像中构建二维坐标系,二维坐标系以传送带局部区域图像为拍摄放置方向时传送带局部区域图像中的最左下角的边缘像素点为坐标原点,以水平向右的方向为x轴正方向,以过坐标原点且竖直向上的方向为y轴正方向。
在获得传送带局部区域图像之后,首先将该传送带局部区域图像旋转至拍摄放置方向,该拍摄放置方向是指相机拍摄后直接所得到的图像方向,当传送带局部区域图像处于拍摄放置方向时,靠近相机镜头的传送带区域位于图像的下端,远离相机镜头的传送带区域位于图像的上端。
在将传送带局部区域图像旋转至拍摄放置方向后,以传送带局部区域图像中的最左下角的边缘像素点为坐标原点,以水平向右的方向为x轴正方向,以过坐标原点且竖直向上的方向为y轴正方向,在传送带局部区域图像中构建二维坐标系xoy。
(2-2)根据传送带局部区域图像的各个边缘像素点在二维坐标系中的坐标,确定传送带局部区域的第一边缘侧的各个边缘直线和第二边缘侧的各个边缘直线。
将传送带局部区域图像进行灰度化处理,并使用Canny算子对灰度化处理后的传送带局部区域图像进行边缘检测,得到传送带局部区域传送带的各个边缘像素点,进而获得各个边缘像素点的坐标。由于边缘检测得到的只是边缘像素点,因此想得到传送带两侧的边缘直线还需要对边缘像素点进行直线拟合。由于最小二乘法等算法只能得到一条直线,而霍夫变换可以检测出多条直线,所以使用霍夫变换对传送带两侧的边缘直线进行检测。
但实际上,在语义分割过程中,靠近相机的区域中传送带比较清晰,所以该区域的分割结果比较准确,远离相机的区域中传送带区域较为模糊,再加上光照等环境因素的干扰,所以该区域的分割结果准确性较低。再加上语义分割所得传送带区域图像的边缘并非完全平直的,而是存在一定程度的波动,这就使得利用霍夫变换检测传送带两侧的边缘时会检测到多条直线。
对检测到的多条边缘直线进行分组,即选取传送带局部区域图像中传送带区域两条短边(图像中与传送带传输方向垂直的两条边)的中点,根据两个中点的连线将整个图像划分为两个区域,将霍夫检测结果中完全位于相同区域内的直线划分为一组,分别记为I 1、I 2,各组中直线的数目分别记为n 1、n 2,将I 1称为传送带局部区域的第一边缘侧的各个边缘直线,将I 2称为传送带局部区域的第二边缘侧的各个边缘直线。
(2-3)根据传送带局部区域图像的各个边缘像素点、传送带局部区域的第一边缘侧的各个边缘直线和第二边缘侧的各个边缘直线,确定各个边缘直线所经过的各个边缘像素点。
其中,在已知传送带局部区域图像的各个边缘像素点的坐标以及I 1、I 2中各条直线坐标的情况下,可以分别判断传送带局部区域图像的各个边缘像素点是否位于I 1、I 2中各条直线上,进而可以确定各个边缘直线所经过的各个边缘像素点。
(2-4)根据各个边缘直线所经过的各个边缘像素点的坐标,确定各个边缘直线所对应的准确性程度值,具体实现过程如下:
(2-4-1)对各个边缘直线所经过的各个边缘像素点对应的纵坐标进行归一化处理。
其中,为归一化处理后的边缘直线所经过的第t个边缘像素点对应的纵坐标,为归一化处理前的边缘直线所经过的第t个边缘像素点对应的纵坐标,为传送带局部区域图像中传送带区域的各个像素点对应纵坐标的最大值,为传送带局部区域图像中传送带区域的各个像素点对应纵坐标的最小值。
(2-4-2)计算归一化处理后的每个边缘直线所经过的各个边缘像素点对应的纵坐标的均值,从而得到各个边缘直线所对应的准确性程度值。
同样以I 1、I 2中的某条边缘直线l i 为例,边缘直线所对应的准确性程度值的计算公式为:
上述计算各个边缘直线所对应的准确性程度值的原因在于,越靠近相机的区域语义分割结果越准确,所以边缘直线所经过的边缘像素点中靠近相机一侧的点占比越多,边缘直线的准确性越高,即准确性程度值越大。
(2-5)根据各个边缘直线所对应的准确性程度值,计算传送带局部区域图像的获取可靠程度值,并确定传送带局部区域图像的第一边缘直线和第二边缘直线。
在本实施例中,传送带局部区域图像的获取可靠程度值对应的计算公式为:
其中,R为传送带局部区域图像的获取可靠程度值,为传送带局部区域的第一边缘侧的第i个边缘直线所对应的准确性程度值,为传送带局部区域的第一边缘侧的各个边缘直线所对应的准确性程度值的均值,为传送带局部区域的第一边缘侧的各个边缘直线的总数目,为传送带局部区域的第二边缘侧的第j个边缘直线所对应的准确性程度值,为传送带局部区域的第二边缘侧的各个边缘直线所对应的准确性程度值的均值,为传送带局部区域的第二边缘侧的各个边缘直线的总数目。
上述计算传送带局部区域图像的获取可靠程度值的原因在于,步骤(1)中语义分割效果的好坏会影响后续传送带撕裂检测结果的可靠性,当语义分割效果较好时,边缘的变化程度比较稳定,此时得到的直线分布比较集中,后续最终选取的第一边缘直线和第二边缘直线的可靠性就较高;当语义分割结果较差时,边缘的变化程度较大,此时得到的直线比较分散,后续最终选取的第一边缘直线和第二边缘直线的可靠性就会较低。
(2-5-1)根据传送带局部区域的第一边缘侧的各个边缘直线所对应的准确性程度值以及第一边缘侧的各个边缘直线所对应的准确性程度值,选取第一边缘侧的各个边缘直线中准确性程度值最大的边缘直线以及第二边缘侧的各个边缘直线中准确性程度值最大的边缘直线。
(2-5-2)比较选取出的两条边缘直线的斜率,若两条边缘直线的斜率一个大于0且一个小于0,则将斜率大于0的边缘直线作为第一边缘直线,将另外一条直线作为第二边缘直线;若两条边缘直线的斜率均大于0或均小于0,则将斜率绝对值较大的边缘直线作为第一边缘直线,记作l1,将另外一条直线作为第二边缘直线,记作l2。
或表示为以下形式:
(2-6)根据传送带局部区域图像,传送带局部区域内部的各个疑似裂缝连通域。
其中,传送带局部区域图像实质上是一种遮罩图像,为了获取传送带局部区域内部的各个疑似裂缝连通域,需要去除传送带局部区域图像的遮罩,即将传送带局部区域图像与传送带的局部区域拍摄图像相乘,即可得到去遮罩后的传送带局部区域图像。
由于传送带的裂纹位于传送带区域内,且近似直线,因此对去遮罩后的传送带局部区域图像进行灰度处理,并在灰度处理后对传送带区域内部进行Canny边缘检测,得到各个边缘像素点,对所得各个边缘像素点使用Seed Filling(种子填充法)进行连通域分析,得到具有不同标签(label)的连通域,所得连通域即为疑似传送带撕裂区域,也就是疑似裂缝连通域,这些疑似裂缝连通域可以是纵向的连通域,也可以是横向的连通域。
(3)根据传送带局部区域图像及其第一边缘直线、第二边缘直线以及各个疑似裂缝连通域,计算各个疑似裂缝连通域所对应的撕裂像素个数,具体实现过程如下:
(3-1)根据传送带局部区域图像中的最大的传送带宽度以及传送带局部区域图像的第一边缘直线和第二边缘直线的斜率,计算传送带局部区域图像中任何一个位置所对应的传送带宽度。
由于相机相对传送带的设置位置不同,即相机在传送带的左侧上方,中部上方以及右侧上方三种情况,所得传送带在图像中的成像情况也不相同,对应传送带的两条边缘直线的情况也不相同,如图3、图4和图5所示。
设传送带在传送带局部区域图像中的最大的传送带宽度为,在传送带局部区域图像中到传送带局部区域图像中的最大的传送带宽度所在直线的距离为的位置,宽度为的长度在图像中该位置处表现的长度为,当边缘直线的斜率大于0,则标记为1,当边缘直线斜率小于0时,标记为-1,将第一边缘直线和第二边缘直线的斜率标记进行相加,结果记为,则M的取值总共会有两种情况:
此时表明传送带的两条边缘直线,即第一边缘直线和第二边缘直线的斜率一个大于0,一个小于0,即,如图4所示,此时相机位于传送带中部上方位置。则该情况下,传送带宽度可表示为与轴平行的方向上的传送带距离,此时的最大的传送带距离为最靠近相机的位置上的传送带宽度,即为传送带在传送带局部区域图像中的最大的传送带宽度。此时,在传送带局部区域图像中到传送带局部区域图像中的最大的传送带宽度所在直线的距离为的位置所对应的传送带宽度:
其中,为传送带局部区域图像中的传送带宽度,为传送带局部区域图像中某一位置到传送带局部区域图像中的最大的传送带宽度所在直线的距离,即等于图4中的传送带局部区域图像中某一位置的纵坐标,为第一边缘直线的斜率,为第二边缘直线的斜率,为传送带在传送带局部区域图像中的最大的传送带宽度。
此时表明传送带的两条边缘直线,即第一边缘直线和第二边缘直线的斜率均大于0或均小于0,即或,如图3和图5所示,此时相机位于传送带的左侧或右侧。则该情况下,传送带宽度可表示为过斜率绝对值较大的边缘直线(靠近相机的边缘)与x轴的交点,且垂直于该边缘直线的方向上的传送带距离,此时的最大的传送带距离为最靠近相机的位置上的传送带宽度,即为传送带在传送带局部区域图像中的最大的传送带宽度。此时,在传送带局部区域图像中到传送带局部区域图像中的最大的传送带宽度所在直线的距离为的位置所对应的传送带宽度:
其中,为传送带局部区域图像中的传送带宽度,为传送带局部区域图像中某一位置到传送带局部区域图像中的最大的传送带宽度所在直线的距离,如图3和图5所示,,为传送带局部区域图像中该某一位置的纵坐标,为第一边缘直线的斜率,为第二边缘直线的斜率,为传送带在传送带局部区域图像中的最大的传送带宽度。
(3-2)根据传送带局部区域内部的各个疑似裂缝连通域以及传送带局部区域图像中任何一个位置所对应的传送带宽度,计算各个疑似裂缝连通域所对应的传送带宽度均值。
对于步骤(2-6)所确定的各个疑似裂缝连通域,分别确定各个疑似裂缝连通域在纵方向上各自的分布范围,即确定各个疑似裂缝连通域所对应的纵坐标区域,并结合传送带局部区域图像中任何一个位置所对应的传送带宽度,计算各个疑似裂缝连通域所对应的传送带宽度均值,即计算疑似裂缝连通域范围内的传送带实际宽度表现在图像中的传送带宽度均值:
(3-3)根据传送带局部区域图像中的最大的传送带宽度以及各个疑似裂缝连通域所对应的传送带宽度均值,计算各个疑似裂缝连通域所对应的撕裂像素个数。
此时,各个疑似裂缝连通域所对应的传送带宽度均值D在图像中占的像素点个数N:
需要说明的是,的具体值可根据传送带的使用方式或运输的物品类型自行设计,例如传送带运输重物时,裂缝的检测长度要调小,即将调整为一个较大的值;当传送带运输的是小型物品时,裂缝的检测长度可适当调大,即将调整为一个较小的值。
(4)根据传送带局部区域图像的获取可靠程度值和各个疑似裂缝连通域所对应的撕裂像素个数,确定各个疑似裂缝连通域对应的霍夫变换阈值,对应的计算公式为:
上述计算各个疑似裂缝连通域对应的霍夫变换阈值的原因在于,语义分割效果的可靠性越高,则各个疑似裂缝连通域所对应的撕裂像素个数作为霍夫变换的阈值就越准确,此时传送带局部区域图像的获取可靠程度值就越大,计算出来的疑似裂缝连通域对应的霍夫变换阈值越接近;当语义分割结果的可靠性较低时,则各个疑似裂缝连通域所对应的撕裂像素个数作为霍夫变换的阈值就越不准确,此时需要降低霍夫变换的阈值,即计算出来的疑似裂缝连通域对应的霍夫变换阈值越小于,以提高裂缝检测的敏感程度。
(5)根据各个疑似裂缝连通域以及各个疑似裂缝连通域对应的霍夫变换阈值,确定各个疑似裂缝连通域是否为裂缝区域。
根据步骤(2-6)可知,各个疑似裂缝连通域是由边缘像素点填充得到的,因此可以得到每个疑似裂缝连通域所对应的各个边缘像素点,然后将各个疑似裂缝连通域经过其边缘像素点的所有直线转换到霍夫空间下,并利用投票机制,在霍夫空间找高亮点,将亮点的峰值与该疑似裂缝连通域对应的霍夫变换阈值t进行比较,若亮点的峰值大于霍夫变换阈值t,则说明该疑似裂缝连通域可能为裂缝区域,将其作为待确定的裂缝区域;否则该疑似裂缝连通域为非裂纹区域。
由于待确定的裂缝区域可能为传送带上的脏印形成的,而裂缝与脏污存在的最主要的区别为裂缝末端必然存在角点,所以对各个待确定的裂缝区域进行角点检测,即可将二者区分开。
因此,对于各个待确定的裂缝区域,使用SIFT算子对其进行角点检测,若该待确定的裂缝区内存在角点,认为该待确定的裂缝区为裂缝区域,停止传送带的运行,并向工作人员发出预警;若该待确定的裂缝区域内不存在角点,则认为其为非裂缝区域。
本实施例还提供了一种基于图像处理的传送带撕裂检测***,包括处理器和存储器,该处理器用于处理存储在存储器中的指令,以实现上述的基于图像处理的传送带撕裂检测方法。由于该基于图像处理的传送带撕裂检测方法已经在上述的基于图像处理的传送带撕裂检测方法实施例中进行了详细介绍,此处不再赘述。
本发明通过自适应调节不同区域的霍夫变换阈值,对传送带的不同位置进行裂缝直线检测,有效提高了传送带裂缝检测的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图像处理的传送带撕裂检测方法,其特征在于,包括以下步骤:
获取待检测的传送带的局部区域拍摄图像,并根据待检测的传送带的局部区域拍摄图像,获取传送带局部区域图像;
根据传送带局部区域图像,确定传送带局部区域图像的获取可靠程度值、第一边缘直线和第二边缘直线以及传送带局部区域内部的各个疑似裂缝连通域;
根据传送带局部区域图像及其第一边缘直线、第二边缘直线以及各个疑似裂缝连通域,计算各个疑似裂缝连通域所对应的撕裂像素个数;
根据传送带局部区域图像的获取可靠程度值和各个疑似裂缝连通域所对应的撕裂像素个数,确定各个疑似裂缝连通域对应的霍夫变换阈值;
根据各个疑似裂缝连通域以及各个疑似裂缝连通域对应的霍夫变换阈值,确定各个疑似裂缝连通域是否为裂缝区域。
2.根据权利要求1所述的基于图像处理的传送带撕裂检测方法,其特征在于,确定传送带局部区域图像的获取可靠程度值的步骤包括:
在传送带局部区域图像中构建二维坐标系,所述二维坐标系以传送带局部区域图像为拍摄放置方向时传送带局部区域图像中的最左下角的边缘像素点为坐标原点,以水平向右的方向为x轴正方向,以过坐标原点且竖直向上的方向为y轴正方向;
根据传送带局部区域图像的各个边缘像素点在二维坐标系中的坐标,确定传送带局部区域的第一边缘侧的各个边缘直线和第二边缘侧的各个边缘直线;
根据传送带局部区域图像的各个边缘像素点、传送带局部区域的第一边缘侧的各个边缘直线和第二边缘侧的各个边缘直线,确定各个边缘直线所经过的各个边缘像素点;
根据各个边缘直线所经过的各个边缘像素点的坐标,确定各个边缘直线所对应的准确性程度值;
根据各个边缘直线所对应的准确性程度值,计算传送带局部区域图像的获取可靠程度值。
3.根据权利要求2所述的基于图像处理的传送带撕裂检测方法,其特征在于,确定各个边缘直线所对应的准确性程度值的步骤包括:
对各个边缘直线所经过的各个边缘像素点对应的纵坐标进行归一化处理;
计算归一化处理后的每个边缘直线所经过的各个边缘像素点对应的纵坐标的均值,从而得到各个边缘直线所对应的准确性程度值。
6.根据权利要求3所述的基于图像处理的传送带撕裂检测方法,其特征在于,确定传送带局部区域图像的第一边缘直线和第二边缘直线的步骤包括:
根据传送带局部区域的第一边缘侧的各个边缘直线所对应的准确性程度值以及第二边缘侧的各个边缘直线所对应的准确性程度值,选取第一边缘侧的各个边缘直线中准确性程度值最大的边缘直线以及第二边缘侧的各个边缘直线中准确性程度值最大的边缘直线;
比较选取出的两条边缘直线的斜率,若两条边缘直线的斜率一个大于0且一个小于0,则将斜率大于0的边缘直线作为第一边缘直线,将另外一条直线作为第二边缘直线;若两条边缘直线的斜率均大于0或均小于0,则将斜率绝对值较大的边缘直线作为第一边缘直线,将另外一条直线作为第二边缘直线。
7.根据权利要求6所述的基于图像处理的传送带撕裂检测方法,其特征在于,计算各个疑似裂缝连通域所对应的撕裂像素个数的步骤包括:
根据传送带局部区域图像中的最大的传送带宽度以及传送带局部区域图像的第一边缘直线和第二边缘直线的斜率,计算传送带局部区域图像中任何一个位置所对应的传送带宽度;
根据传送带局部区域内部的各个疑似裂缝连通域以及传送带局部区域图像中任何一个位置所对应的传送带宽度,计算各个疑似裂缝连通域所对应的传送带宽度均值;
根据传送带局部区域图像中的最大的传送带宽度以及各个疑似裂缝连通域所对应的传送带宽度均值,计算各个疑似裂缝连通域所对应的撕裂像素个数。
10.一种基于图像处理的传送带撕裂检测***,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-9中任一项所述的基于图像处理的传送带撕裂检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290088.1A CN113724258B (zh) | 2021-11-02 | 2021-11-02 | 一种基于图像处理的传送带撕裂检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290088.1A CN113724258B (zh) | 2021-11-02 | 2021-11-02 | 一种基于图像处理的传送带撕裂检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724258A true CN113724258A (zh) | 2021-11-30 |
CN113724258B CN113724258B (zh) | 2022-02-08 |
Family
ID=78686488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290088.1A Active CN113724258B (zh) | 2021-11-02 | 2021-11-02 | 一种基于图像处理的传送带撕裂检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724258B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419048A (zh) * | 2022-03-31 | 2022-04-29 | 启东亦大通自动化设备有限公司 | 基于图像处理的输送机在线检测方法及*** |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
CN115131738A (zh) * | 2022-08-30 | 2022-09-30 | 海门市重型矿山机械厂 | 输送机传送带撕裂预警方法与装置 |
CN116342614A (zh) * | 2023-06-01 | 2023-06-27 | 山东九思新材料科技有限责任公司 | 基于图像识别的废硅片形状检测方法 |
CN116452595A (zh) * | 2023-06-19 | 2023-07-18 | 烟台金丝猴食品科技有限公司 | 一种基于图像处理的控制方法及设备 |
CN116503397A (zh) * | 2023-06-26 | 2023-07-28 | 山东天通汽车科技股份有限公司 | 基于图像数据的车内传输带缺陷检测方法 |
CN116863249A (zh) * | 2023-09-01 | 2023-10-10 | 山东拓新电气有限公司 | 基于人工智能的煤矿传送带跑偏识别方法 |
CN117078661A (zh) * | 2023-10-12 | 2023-11-17 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130011057A1 (en) * | 2008-08-29 | 2013-01-10 | Xinju Li | Hough Transform Method for Linear Ribbon and Circular Ring Detection in the Gradient Domain |
CN105692122A (zh) * | 2016-04-19 | 2016-06-22 | 南京工程学院 | 一种基于激光线的输送带纵向撕裂检测方法 |
CN106326894A (zh) * | 2016-08-31 | 2017-01-11 | 西南交通大学 | 一种高铁接触网旋转双耳横向销钉不良状态检测方法 |
CN106934829A (zh) * | 2017-02-14 | 2017-07-07 | 中铁大桥科学研究院有限公司 | 一种表面裂缝的检测方法及*** |
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
CN110111303A (zh) * | 2019-04-04 | 2019-08-09 | 上海大学 | 一种基于动态图像的大型运载皮带撕裂故障智能检测方法 |
CN110211107A (zh) * | 2019-05-28 | 2019-09-06 | 太原理工大学 | 一种基于双波段红外图像的矿用胶带损伤检测方法 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
CN111754466A (zh) * | 2020-06-08 | 2020-10-09 | 西安电子科技大学 | 传输机皮带损伤状况的智能检测方法 |
CN111833350A (zh) * | 2020-08-26 | 2020-10-27 | 南京原觉信息科技有限公司 | 机器视觉检测方法与*** |
CN112330598A (zh) * | 2020-10-14 | 2021-02-05 | 浙江华睿科技有限公司 | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 |
CN112926443A (zh) * | 2021-02-24 | 2021-06-08 | 北京优创新港科技股份有限公司 | 一种基于卷积神经网络的烟叶收购传送带是否有人的判断方法及装置 |
CN113120555A (zh) * | 2021-04-28 | 2021-07-16 | 中国矿业大学 | 一种基于线结构光的输送带纵向撕裂检测方法 |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及*** |
-
2021
- 2021-11-02 CN CN202111290088.1A patent/CN113724258B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130011057A1 (en) * | 2008-08-29 | 2013-01-10 | Xinju Li | Hough Transform Method for Linear Ribbon and Circular Ring Detection in the Gradient Domain |
CN105692122A (zh) * | 2016-04-19 | 2016-06-22 | 南京工程学院 | 一种基于激光线的输送带纵向撕裂检测方法 |
CN106326894A (zh) * | 2016-08-31 | 2017-01-11 | 西南交通大学 | 一种高铁接触网旋转双耳横向销钉不良状态检测方法 |
CN106934829A (zh) * | 2017-02-14 | 2017-07-07 | 中铁大桥科学研究院有限公司 | 一种表面裂缝的检测方法及*** |
CN108038883A (zh) * | 2017-12-06 | 2018-05-15 | 陕西土豆数据科技有限公司 | 一种应用于公路路面视频图像的裂缝检测及识别方法 |
CN109454006A (zh) * | 2018-10-08 | 2019-03-12 | 杭州慧知连科技有限公司 | 化纤丝锭绊丝缺陷在线检测和分级的装置及其检测分级方法 |
CN110111303A (zh) * | 2019-04-04 | 2019-08-09 | 上海大学 | 一种基于动态图像的大型运载皮带撕裂故障智能检测方法 |
CN110211107A (zh) * | 2019-05-28 | 2019-09-06 | 太原理工大学 | 一种基于双波段红外图像的矿用胶带损伤检测方法 |
CN111444921A (zh) * | 2020-03-25 | 2020-07-24 | 浙江华睿科技有限公司 | 划痕缺陷检测方法、装置、计算设备和存储介质 |
CN111754466A (zh) * | 2020-06-08 | 2020-10-09 | 西安电子科技大学 | 传输机皮带损伤状况的智能检测方法 |
CN111833350A (zh) * | 2020-08-26 | 2020-10-27 | 南京原觉信息科技有限公司 | 机器视觉检测方法与*** |
CN112330598A (zh) * | 2020-10-14 | 2021-02-05 | 浙江华睿科技有限公司 | 一种化纤表面僵丝缺陷检测的方法、装置及存储介质 |
CN112926443A (zh) * | 2021-02-24 | 2021-06-08 | 北京优创新港科技股份有限公司 | 一种基于卷积神经网络的烟叶收购传送带是否有人的判断方法及装置 |
CN113120555A (zh) * | 2021-04-28 | 2021-07-16 | 中国矿业大学 | 一种基于线结构光的输送带纵向撕裂检测方法 |
CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及*** |
Non-Patent Citations (6)
Title |
---|
LIANG XU等: "A Defect Inspection for Explosive Cartridge Using an Improved Visual Attention and Image-Weighted Eigenvalue", 《 IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
TIEZHU QIAO: "Real-time Detection Technology Based on Dynamic Line-edge for Conveyor Belt Longitudinal Tear", 《JOURNAL OF COMPUTERS》 * |
XIAO-LIHAO等: "A multi-class support vector machine real-time detection system for surface damage of conveyor belts based on visual saliency", 《MEASUREMENT》 * |
乔铁柱: "输送带纵向撕裂可见光与红外双目视觉在线检测***研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
梁欢: "基于视觉显著性的传送带纵向撕裂检测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
齐嘉锐: "基于高阶卷积神经网络的工图零件字符识别与检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419048A (zh) * | 2022-03-31 | 2022-04-29 | 启东亦大通自动化设备有限公司 | 基于图像处理的输送机在线检测方法及*** |
CN115063407A (zh) * | 2022-07-28 | 2022-09-16 | 海门市亚泰精密铜材有限公司 | 一种用于环形铜垫片的划痕及裂纹识别方法 |
CN115131738A (zh) * | 2022-08-30 | 2022-09-30 | 海门市重型矿山机械厂 | 输送机传送带撕裂预警方法与装置 |
CN115131738B (zh) * | 2022-08-30 | 2022-11-18 | 海门市重型矿山机械厂 | 输送机传送带撕裂预警方法与装置 |
CN116342614A (zh) * | 2023-06-01 | 2023-06-27 | 山东九思新材料科技有限责任公司 | 基于图像识别的废硅片形状检测方法 |
CN116342614B (zh) * | 2023-06-01 | 2023-08-08 | 山东九思新材料科技有限责任公司 | 基于图像识别的废硅片形状检测方法 |
CN116452595B (zh) * | 2023-06-19 | 2023-08-18 | 烟台金丝猴食品科技有限公司 | 一种基于图像处理的控制方法及设备 |
CN116452595A (zh) * | 2023-06-19 | 2023-07-18 | 烟台金丝猴食品科技有限公司 | 一种基于图像处理的控制方法及设备 |
CN116503397A (zh) * | 2023-06-26 | 2023-07-28 | 山东天通汽车科技股份有限公司 | 基于图像数据的车内传输带缺陷检测方法 |
CN116863249A (zh) * | 2023-09-01 | 2023-10-10 | 山东拓新电气有限公司 | 基于人工智能的煤矿传送带跑偏识别方法 |
CN116863249B (zh) * | 2023-09-01 | 2023-11-21 | 山东拓新电气有限公司 | 基于人工智能的煤矿传送带跑偏识别方法 |
CN117078661A (zh) * | 2023-10-12 | 2023-11-17 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
CN117078661B (zh) * | 2023-10-12 | 2024-01-05 | 济宁久邦工程机械设备有限公司 | 一种高空作业车结构件生产质量智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113724258B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113724258B (zh) | 一种基于图像处理的传送带撕裂检测方法及*** | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN109359594B (zh) | 一种基于视频处理的矿井皮带异常检测方法及装置 | |
US8902053B2 (en) | Method and system for lane departure warning | |
CN107220976B (zh) | 一种航拍公路图像的公路定位方法 | |
CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检*** | |
CN102915433A (zh) | 基于字符组合的车牌定位和识别方法 | |
CN112001878A (zh) | 基于二值化神经网络的深度学习矿石尺度测量方法及应用*** | |
CN115171051B (zh) | 一种运输皮带边缘撕裂的在线检测方法及*** | |
CN112446225B (zh) | 光学代码的模块尺寸的确定 | |
CN113689429B (zh) | 一种基于计算机视觉的木板缺陷检测方法 | |
CN110782436A (zh) | 一种基于计算机视觉的传送带物料状态检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检*** | |
CN112950540A (zh) | 一种条码识别方法及设备 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN113343834A (zh) | 基于机器视觉和激光线的皮带跑偏诊断方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN115239727A (zh) | 一种pcb板表面缺陷检测方法 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN109978879B (zh) | 基于铁路货车装载视频监视的箱角入槽状态检测方法 | |
CN117274967A (zh) | 一种基于卷积神经网络多模态融合车牌识别算法 |
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 |