CN113888558B - 钢包渣面图像校正方法 - Google Patents
钢包渣面图像校正方法 Download PDFInfo
- Publication number
- CN113888558B CN113888558B CN202111129741.6A CN202111129741A CN113888558B CN 113888558 B CN113888558 B CN 113888558B CN 202111129741 A CN202111129741 A CN 202111129741A CN 113888558 B CN113888558 B CN 113888558B
- Authority
- CN
- China
- Prior art keywords
- slag surface
- tank opening
- ladle
- ladle slag
- plane
- 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
- 239000002893 slag Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003702 image correction Methods 0.000 title claims abstract description 18
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011248 coating agent Substances 0.000 claims description 9
- 238000000576 coating method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000012937 correction Methods 0.000 abstract description 9
- 238000009851 ferrous metallurgy Methods 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000010008 shearing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005253 cladding Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007664 blowing Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/50—Depth or shape recovery
- G06T7/536—Depth or shape recovery from perspective effects, e.g. by using vanishing points
-
- 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
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Treatment Of Steel In Its Molten State (AREA)
Abstract
本发明涉及钢铁冶金自动化检测及图像处理技术领域，公开了一种钢包渣面图像校正方法，包括如下步骤：获得钢包渣面图像、提取罐口外轮廓、重绘取得所述罐口外轮廓特征，进而计算取得未裁切钢包渣面重绘椭圆平面、未裁切罐口区域平面、裁切后罐口区域平面和裁切后钢包渣面重绘椭圆平面的四个顶点像素坐标，两两计算透视映射矩阵，进行透视变换，得到校正后的钢包渣面图像及罐口图像。本发明钢包渣面图像校正方法，实现对渣面图像自动校正，减小罐壁对渣面图像采集影响，提高渣面检测精度，并可以完成对罐口图像自动识别与裁剪。
Description
技术领域
本发明涉及钢铁冶金自动化检测及图像处理技术领域，具体涉及一种钢包渣面图像校正方法。
背景技术
炼钢生产流程长，工艺复杂，生产中需要测量检测的参数较多，采用传统接触式测量方式已经无法满足低成本高效冶炼需求。近年来，随着图像处理和计算机技术的发展，有着耐高温、灵敏度高、可靠性高等优点的CCD相机***，广泛应用于钢水温度测量、钢水渣面检测、铸坯定尺测量、铸坯表面缺陷检测等领域，取得了不错的应用效果。
在钢水渣面检测应用中，采用相机采集钢包表层渣面视频，通过图像分割方法，可以实现钢包渣面面积定量测量，为后续工艺处理提供检测反馈。由于钢包作业区域存在高温、粉尘和飞溅钢渣等因素影响，为了保证图像采集硬件工作可靠性，需要在现场选取影响因素较少的位置，配合相机吹扫防护装置，来提高图像采集质量。但由于冶炼区域空间受限，相机硬件安装位置受到诸多限制，与采集对象钢包渣面存在一定的高度与偏移角度，从而造成钢包渣面图像一定程度的畸变，为后续定量检测造成一定影响，具体如下：
1、渣面图像近似旋转一定角度的椭圆，通过渣面分割后，提取的渣面轮廓与实际轮廓存在很大差异，影响渣面物理检测结果；
2、渣面与罐口存在一定距离，靠近摄像头一侧，由于罐壁遮挡，会影响一部分渣面图像采集；
3、钢包停车位置不固定，为了确保对渣面有效检测，必须增大摄像头视场，因此，渣面图像中罐口区域占比较小。
发明内容
本发明的目的就是针对上述技术的不足，提供一种钢包渣面图像校正方法，实现对渣面图像自动校正，减小罐壁对渣面图像采集影响，提高渣面检测精度，并可以完成对罐口图像自动识别与裁剪。
为实现上述目的，本发明所设计的一种钢包渣面图像校正方法，包括如下步骤：
A)读取渣面相机视频，获得钢包渣面图像，通过图像分割，提取罐口外轮廓；
B)对所述罐口外轮廓进行重绘，取得所述罐口外轮廓特征；
C)通过所述罐口外轮廓特征计算包覆所述罐口外轮廓的椭圆圆心像素坐标、椭圆水平角度及短轴和长轴像素长度；
D)通过所述步骤C)取得的包覆所述罐口外轮廓的椭圆圆心像素坐标、椭圆水平角度及短轴和长轴像素长度计算未裁切钢包渣面重绘椭圆平面的四个顶点像素坐标；
E)通过所述罐口外轮廓特征计算未裁切罐口区域平面的四个顶点像素坐标及裁切后罐口区域平面的四个顶点像素坐标；
F)将未裁切钢包渣面重绘椭圆平面和未裁切罐口区域平面分别作为原平面和目标平面，计算透视映射矩阵，设定所述钢包渣面图像的像素大小，进行透视变换，得到校正后的钢包渣面图像；
G)根据所述罐口外轮廓特征，裁剪得到罐口图像像素坐标区域，进而计算裁切后钢包渣面重绘椭圆平面的四个顶点像素坐标，将裁切后钢包渣面重绘椭圆平和裁切后罐口区域平面分别作为原平面和目标平面，计算透视映射矩阵，设定罐口图像像素大小，进行透视变换，可以得到校正后的罐口图像。
优选地，所述步骤B)中，所述罐口外轮廓特征包括：通过外圆重绘得到的包覆所述罐口外轮廓的最小外圆半径R、通过椭圆重绘得到的包覆所述罐口外轮廓的椭圆参数Ebox及通过矩形重绘得到的包覆所述罐口外轮廓的最小正矩形起点像素坐标(x,y)、宽度w和高度h。
优选地，所述步骤C)中，计算公式为：
其中，(xk,yk)为椭圆圆心像素坐标，angle为椭圆水平角度，ak为短轴素长度，bk为长轴像素长度。
优选地，所述步骤D)中，计算公式为：
其中，(ex,ey)、(fx,fy)、(gx,gy)、(hx,hy)为未裁切钢包渣面重绘椭圆平面P的四个顶点像素坐标。
优选地，所述步骤E)中，计算公式为：
其中，(e1x,e1y)、(f1x,f1y)、(g1x,g1y)、(h1x,h1y)为未裁切罐口区域平面P1的四个顶点像素坐标，Lx为宽度方向的补偿长度，Ly为高度方向的补偿长度；
其中，(e′x,e′y)、(f′x,f′y)、(g′x,g′y)、(h′x,h′y)为裁切后罐口区域平面P′的四个顶点像素坐标，Lx为宽度方向的补偿长度，Ly为高度方向的补偿长度。
优选地，所述步骤G)中，所述罐口外轮廓特征中，取得所述罐口外轮廓的最小正矩形参数(x,y,w,h)，罐口图像像素坐标区域为[y:y+h,x:x+w]，套用所述步骤D)中的计算公式计算裁切后钢包渣面重绘椭圆平面PP的四个顶点像素坐标(epx,epy)、(fpx,fpy)、(gpx,gpy)、(hpx,hpy)。
优选地，所述步骤A)中，获得钢包渣面图像后，对所述钢包渣面图像进行灰度处理，采用阈值分割方法，对所述钢包渣面图像进行罐口图像分割。
本发明与现有技术相比，具有以下优点：
1、通过坐标变换，可以修正钢包渣面图像畸变，减少摄像头安装高度和角度对钢包渣面图像的影响，提高渣面检测精度；
2、可以自动识别罐口外轮廓，自动计算原罐口平面、目标平面参数，自动实现钢包渣面校正；
3、可以实现对原钢包渣面图像校正，也可以实现对罐口区域图像剪切，并完成剪切后罐口区域图像校正。
附图说明
图1为本本发明钢包渣面图像校正方法的流程示意图；
图2为本发明中原平面和目标平面的变换示意图；
图3为本发明中未裁切钢包渣面重绘椭圆平面P的示意图；
图4为本发明中未裁切钢包渣面变换前后的对比图；
图5为本发明中裁切后钢包渣面重绘椭圆平面PP的示意图；
图6为本发明中裁切后钢包渣面变换前后对比图。
具体实施方式
下面附图和具体实施例对本发明作进一步的详细说明。
如图1所示，一种钢包渣面图像校正方法，包括如下步骤：
A)读取渣面相机视频，获得钢包渣面图像，通过图像分割，提取罐口外轮廓；
B)对罐口外轮廓进行重绘，取得罐口外轮廓特征，罐口外轮廓特征包括：通过外圆重绘得到的包覆罐口外轮廓的最小外圆半径R、通过椭圆重绘得到的包覆罐口外轮廓的椭圆参数Ebox及通过矩形重绘得到的包覆罐口外轮廓的最小正矩形起点像素坐标(x,y)、宽度w和高度h；
C)通过罐口外轮廓特征计算包覆罐口外轮廓的椭圆圆心像素坐标、椭圆水平角度及短轴和长轴像素长度，计算公式为：
其中，(xk,yk)为椭圆圆心像素坐标，angle为椭圆水平角度，ak为短轴素长度，bk为长轴像素长度；
D)通过步骤C)取得的包覆罐口外轮廓的椭圆圆心像素坐标、椭圆水平角度及短轴和长轴像素长度计算未裁切钢包渣面重绘椭圆平面P的四个顶点像素坐标，计算公式为：
其中，如图3所示，(ex,ey)、(fx,fy)、(gx,gy)、(hx,hy)为未裁切钢包渣面重绘椭圆平面P的四个顶点像素坐标；
E)通过罐口外轮廓特征计算未裁切罐口区域平面P1的四个顶点像素坐标及裁切后罐口区域平面P′的四个顶点像素坐标，计算公式为：
其中，(e1x,e1y)、(f1x,f1y)、(g1x,g1y)、(h1x,h1y)为未裁切罐口区域平面P1的四个顶点像素坐标，Lx为宽度方向的补偿长度，Ly为高度方向的补偿长度；
其中，(e′x,e′y)、(f′x,f′y)、(g′x,g′y)、(h′x,h′y)为裁切后罐口区域平面P′的四个顶点像素坐标，Lx为宽度方向的补偿长度，Ly为高度方向的补偿长度；
F)将未裁切钢包渣面重绘椭圆平面P和未裁切罐口区域平面P1分别作为原平面和目标平面，计算透视映射矩阵，设定钢包渣面图像的像素大小(wL,hL)，结合图2所示，进行透视变换，得到校正后的钢包渣面图像，校正前后效果对比图见图4，其中，具体参数如表1：
表1钢包渣面图像校正参数表
| 参数 | 值(像素) | 参数 | 值(像素) |
| (wL,hL) | (768,1024) | (w,h) | (422,310) |
| (x,y) | (76,398) | R | 218 |
| e | (84,624) | e1 | (68,537) |
| f | (487,489) | f1 | (504,537) |
| g | (331,691) | g1 | (286,755) |
| h | (241,422) | h1 | (286,319) |
G)根据罐口外轮廓特征，取得罐口外轮廓的最小正矩形参数(x,y,w,h)，裁剪得到罐口图像像素坐标区域[y:y+h,x:x+w]，结合图5所示，进而套用步骤D)中的计算公式计算裁切后钢包渣面重绘椭圆平面PP的四个顶点像素坐标(epx，epy)、(fpx，fpy)、(gpx，gpy)、(hpx，hpy)，将裁切后钢包渣面重绘椭圆平面PP和裁切后罐口区域平面P′分别作为原平面和目标平面，计算透视映射矩阵，设定罐口图像像素大小(wC，hC)，结合图2所示，进行透视变换，可以得到校正后的罐口图像，校正前后效果对比图见图6，其中，具体参数如表2：
表2罐口渣面图像校正参数表
| 参数 | 值(像素) | 参数 | 值(像素) |
| (wC，hC) | (460，460) | (w，h) | (443，343) |
| (x，y) | (59，373) | R | 221 |
| eP | (22，247) | e′ | (17，230) |
| fP | (428，116) | f′ | (455，230) |
| gP | (270，320) | g′ | (236，449) |
| hP | (181，44) | h′ | (236，11) |
本实施例步骤A)中，获得钢包渣面图像后，对钢包渣面图像进行灰度处理，采用阈值分割方法，对钢包渣面图像进行罐口图像分割。
本发明钢包渣面图像校正方法，通过坐标变换，可以修正钢包渣面图像畸变，减少摄像头安装高度和角度对钢包渣面图像的影响，提高渣面检测精度；可以自动识别罐口外轮廓，自动计算原罐口平面、目标平面参数，自动实现钢包渣面校正；可以实现对原钢包渣面图像校正，也可以实现对罐口区域图像剪切，并完成剪切后罐口区域图像校正。
Claims (7)
1.一种钢包渣面图像校正方法，其特征在于：包括如下步骤：
A)读取渣面相机视频，获得钢包渣面图像，通过图像分割，提取罐口外轮廓；
B)对所述罐口外轮廓进行重绘，取得所述罐口外轮廓特征；
C)通过所述罐口外轮廓特征计算包覆所述罐口外轮廓的椭圆圆心像素坐标、椭圆水平角度及短轴和长轴像素长度；
D)通过所述步骤C)取得的包覆所述罐口外轮廓的椭圆圆心像素坐标、椭圆水平角度及短轴和长轴像素长度计算未裁切钢包渣面重绘椭圆平面的四个顶点像素坐标；
E)通过所述罐口外轮廓特征计算未裁切罐口区域平面的四个顶点像素坐标及裁切后罐口区域平面的四个顶点像素坐标；
F)将未裁切钢包渣面重绘椭圆平面和未裁切罐口区域平面分别作为原平面和目标平面，计算透视映射矩阵，设定所述钢包渣面图像的像素大小，进行透视变换，得到校正后的钢包渣面图像；
G)根据所述罐口外轮廓特征，裁剪得到罐口图像像素坐标区域，进而计算裁切后钢包渣面重绘椭圆平面的四个顶点像素坐标，将裁切后钢包渣面重绘椭圆平面和裁切后罐口区域平面分别作为原平面和目标平面，计算透视映射矩阵，设定罐口图像像素大小，进行透视变换，可以得到校正后的罐口图像。
2.根据权利要求1所述钢包渣面图像校正方法，其特征在于：所述步骤B)中，所述罐口外轮廓特征包括：通过外圆重绘得到的包覆所述罐口外轮廓的最小外圆半径R、通过椭圆重绘得到的包覆所述罐口外轮廓的椭圆参数Ebox及通过矩形重绘得到的包覆所述罐口外轮廓的最小正矩形起点像素坐标(x,y)、宽度w和高度h。
3.根据权利要求2所述钢包渣面图像校正方法，其特征在于：所述步骤C)中，计算公式为：
其中，(xk,yk)为椭圆圆心像素坐标，angle为椭圆水平角度，ak为短轴素长度，bk为长轴像素长度。
4.根据权利要求3所述钢包渣面图像校正方法，其特征在于：所述步骤D)中，计算公式为：
其中，(ex,ey)、(fx,fy)、(gx,gy)、(hx,hy)为未裁切钢包渣面重绘椭圆平面P的四个顶点像素坐标。
5.根据权利要求4所述钢包渣面图像校正方法，其特征在于：所述步骤E)中，计算公式为：
其中，(e1x,e1y)、(f1x,f1y)、(g1x,g1y)、(h1x,h1y)为未裁切罐口区域平面P1的四个顶点像素坐标，Lx为宽度方向的补偿长度，Ly为高度方向的补偿长度；
其中，(e′x,e′y)、(f′x,f′y)、(g′x,g′y)、(h′x,h′y)为裁切后罐口区域平面P′的四个顶点像素坐标，Lx为宽度方向的补偿长度，Ly为高度方向的补偿长度。
6.根据权利要求5所述钢包渣面图像校正方法，其特征在于：所述步骤G)中，所述罐口外轮廓特征中，取得所述罐口外轮廓的最小正矩形参数(x,y,w,h)，罐口图像像素坐标区域为[y:y+h,x:x+w]，套用所述步骤D)中的计算公式计算裁切后钢包渣面重绘椭圆平面PP的四个顶点像素坐标(epx,epy)、(fpx,fpy)、(gpx,gpy)、(hpx,hpy)。
7.根据权利要求1所述钢包渣面图像校正方法，其特征在于：所述步骤A)中，获得钢包渣面图像后，对所述钢包渣面图像进行灰度处理，采用阈值分割方法，对所述钢包渣面图像进行罐口图像分割。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129741.6A CN113888558B (zh) | 2021-09-26 | 2021-09-26 | 钢包渣面图像校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111129741.6A CN113888558B (zh) | 2021-09-26 | 2021-09-26 | 钢包渣面图像校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113888558A CN113888558A (zh) | 2022-01-04 |
| CN113888558B true CN113888558B (zh) | 2024-05-28 |
Family
ID=79006730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111129741.6A Active CN113888558B (zh) | 2021-09-26 | 2021-09-26 | 钢包渣面图像校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888558B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703925B (zh) * | 2023-08-08 | 2023-10-31 | 菲特（天津）检测技术有限公司 | 一种轴承缺陷检测方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815832A (zh) * | 2016-12-20 | 2017-06-09 | 华中科技大学 | 一种表面贴装技术的钢网图像自动配准方法和*** |
| CN108856664A (zh) * | 2018-08-07 | 2018-11-23 | 中冶连铸技术工程有限责任公司 | 一种连铸机结晶器自动加渣***及控制方法 |
| CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
| WO2019080229A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、***、存储介质及机器人 |
| CN110443847A (zh) * | 2019-07-31 | 2019-11-12 | 浪潮金融信息技术有限公司 | 一种基于摄像头的自动售卖机云台定位检测方法 |
-
2021
- 2021-09-26 CN CN202111129741.6A patent/CN113888558B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106815832A (zh) * | 2016-12-20 | 2017-06-09 | 华中科技大学 | 一种表面贴装技术的钢网图像自动配准方法和*** |
| WO2019080229A1 (zh) * | 2017-10-25 | 2019-05-02 | 南京阿凡达机器人科技有限公司 | 基于机器视觉的棋子定位方法、***、存储介质及机器人 |
| CN108856664A (zh) * | 2018-08-07 | 2018-11-23 | 中冶连铸技术工程有限责任公司 | 一种连铸机结晶器自动加渣***及控制方法 |
| CN109190628A (zh) * | 2018-08-15 | 2019-01-11 | 东北大学 | 一种基于机器视觉的板材镰刀弯检测方法 |
| CN110443847A (zh) * | 2019-07-31 | 2019-11-12 | 浪潮金融信息技术有限公司 | 一种基于摄像头的自动售卖机云台定位检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 分割线扫描鱼眼图像有效区域提取算法;程德强;刘洋;柳雪;赵国;张佳琳;;电视技术;20150317(第06期);全文 * |
| 基于机器视觉的圆形马口铁罐罐口缺陷检测;张宏钊;周松斌;刘伟鑫;;自动化与信息工程;20160215(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113888558A (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110480127B (zh) | 一种基于结构光视觉传感的焊缝跟踪***及方法 | |
| CN110717872B (zh) | 一种激光辅助定位下的v型焊缝图像特征点提取方法及提取*** | |
| CN114279357B (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及*** | |
| CN109489591B (zh) | 基于机器视觉的平面划痕长度非接触测量方法 | |
| CN108447070B (zh) | 一种基于像素向量不变关系特征的工业零件缺损检测算法 | |
| CN113724193B (zh) | Pcba零部件尺寸及间隙高精度视觉测量方法 | |
| CN113888558B (zh) | 钢包渣面图像校正方法 | |
| CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及*** | |
| CN111681279B (zh) | 基于改进李群非线性优化的行车吊臂空间位姿测量方法 | |
| CN112529858A (zh) | 一种基于机器视觉的焊缝图像处理方法 | |
| CN110674812B (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
| CN109448059B (zh) | 一种快速x角点亚像素检测方法 | |
| CN116758084B (zh) | 基于图像数据的钣金件焊接缺陷智能检测方法 | |
| CN112365439B (zh) | 一种镀锌钢gmaw焊缝成形特征与焊枪方向同步实时检测方法 | |
| CN116993731A (zh) | 基于图像的盾构机刀头缺陷检测方法 | |
| CN113570631A (zh) | 一种基于图像的指针式仪表智能识别方法及设备 | |
| CN110751669A (zh) | 一种新型cbocp在线红外转炉出钢钢流自动检测与跟踪方法及*** | |
| CN112801966A (zh) | 一种热轧带钢跑偏的在线检测方法 | |
| CN115187567A (zh) | 一种金属增材制造熔池成形方向及宽度检测方法 | |
| CN113763279A (zh) | 一种具有矩形框图像的精确校正处理方法 | |
| CN107677677B (zh) | 一种连铸坯偏析程度定量化表征方法 | |
| CN111476792A (zh) | 一种板带钢图像轮廓的提取方法 | |
| CN112489015B (zh) | 一种用于移动机器人的化纤飘杂识别方法 | |
| CN111862007B (zh) | 基于方差区域分割的货车制动缸倾斜检测方法 | |
| CN113406920A (zh) | 一种基于机器视觉的箱体定位控制***及其方法 |
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 |