CN113935953A - 基于图像处理的钢卷缺陷检测方法 - Google Patents
基于图像处理的钢卷缺陷检测方法 Download PDFInfo
- Publication number
- CN113935953A CN113935953A CN202111096944.XA CN202111096944A CN113935953A CN 113935953 A CN113935953 A CN 113935953A CN 202111096944 A CN202111096944 A CN 202111096944A CN 113935953 A CN113935953 A CN 113935953A
- Authority
- CN
- China
- Prior art keywords
- image
- circle
- steel coil
- clustering
- edge
- 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.)
- Withdrawn
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像处理的钢卷缺陷检测方法,包括:通过对采集到的图像进行语义分割,得到钢卷区域图像;通过霍夫圆检测对钢卷区域内,各层钢卷圆形边缘进行提取;对霍夫圆的边缘点统计策略进行优化,得到钢卷各层的松卷程度;基于本申请所述通过霍夫圆检测方法能够获取到卷取正常的钢卷层的边缘图像,相较于现有技术有益效果在于能够得到缺失的钢卷层边缘图像,根据缺失区域大小为边缘点统计策略优化提供参考,提高优化效率。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于图像处理的钢卷缺陷检测方法。
背景技术
目前,针对钢卷的缺陷类型主要是:钢卷卷度较松,钢卷呈现塔形,卷偏问题,其主要产生原因是:热轧卷卷取导向不良,对中不良,边部未对齐,导致产生偏移,或者钢带形状不良,钢带表面存在镰刀弯。针对上述问题,目前主要的缺陷检测方法还处于通过人工对钢卷质量进行检测,检测过程需要大量的人力持续不间断的对钢卷进行质量检测。
发明内容
为了克服上述现有技术的缺点,本发明采用以下技术方案:
一种基于图像处理的钢卷缺陷检测方法,包括以下步骤:
进一步,所述步骤为:通过相机采集的钢卷的正面图像,进行必要的图像数据预处理,将采集到的图像进行灰度化处理,灰度化采用加权灰度化,具体的灰度化方法不再描述,最终得到灰度图像;将处理后的图像输入语义分割网络,输出语义分割后钢卷图像,具体的语义分割网络步骤如下:语义分割网络结构为Encoder-Decoder,输出的图像为二值图像;通过人工对图像像素点进行标记,将训练集的钢卷区域的像素值标注为1,其他区域的像素标记为0,将标记好的图像输入语义分割网络进行训练。标签作为网络训练的监督;网络损失函数为交叉熵损失函数;将训练好的语义分割网络输出的二值图像与原图像相乘,得到钢卷图像。
进一步,所述步骤为;通过Canny边缘检测算法将图像中属于边缘的像素点提取出来,然后将所有边缘像素点的位置坐标进行三维极坐标系转化,此时,图像中每一个像素点就变为了三维空间(a,b,r)中的一个圆,圆的笛卡尔坐标系中的方程为:,进行三维空间映射后得到,,假设给定一个点,我们可以在三维直角坐标系中,绘出所有通过它的圆,如果两个不同点进行上述操作后得到的曲线在空间相交,即它们有一组公共的(a,b,r),这就意味着它们在同一个圆上,越多曲线相交于一点,也就意味着这个交点表示的圆由更多的点组成,通过设置阈值,来决定多少条曲线相较于一点才认为检测到了一个圆,当多组曲线出现多组公共的时,说明图像中存在多个圆,那么通过重复进行多条曲线相交于一点的阈值判断,那么,就可以检测到图像中的多个圆,由于钢卷的图像相对较大,阈值设置的也对较大。
进一步,所述步骤具体如下:图像缺失的区域的边缘像素点对应的三维空间中曲线交点中,可能存在一部分三维空间曲线相交的交点存在,交点的曲线数量未达到阈值,且部分松卷的整体圆形边缘为不规则的圆形,在进行同一圆形边缘点映射时,边缘点在三维空间某个范围内对应多个半径,相交多个交点 ,表示所有不满足阈值的三维空间交点总数,每个交点代表某个圆心对应的圆形边缘,我们将此类交点进行聚类,得到缺失区域的钢卷边缘,以步骤中得到的标准圆形边缘的三维空间交点最近邻的交点作为聚类的起始中心点,起始中心点的具体选取方法为:首先,对阈值进行调节,将阈值缩小10倍,获取一部分圆的边缘图像三维空间交点作为起始聚类中心点,每次缩小的比例即为聚类中心的初始半径,以缺陷区域最近邻标准圆形边缘区域的交点为初始中心点进行聚类,将初始半径内所有的交点聚为一类,认为同类中的不同交点所在的圆弧为同一个不规则圆上的边缘像素点,得到与标准钢卷圆最近邻不规则钢卷区域,将聚类的初始半径进行不断的扩大即可,当第一初始半径聚类完成后,不再有新的交点出现时,初始半径,在进行聚类,然后不断的扩大初始聚类半径,提高最近邻不规则圆形边缘的统计点范围,直到聚类区域中参与聚类的交点数量大于阈值,第一次聚类结束,得到最近邻不规则圆的所有边缘像素点,以最近邻不规则圆的聚类中心点的终止聚类半径为第二次聚类半径的起始半径,继续进行最近邻不规则圆的外侧第二个不规则圆的边缘像素点聚类,聚类方式与步骤c相同,当聚类区域中参与聚类的交点数量大于阈值,第二次聚类结束,得到第二个不规则圆的所有边缘像素点,然后不断进行迭代聚类,得到所有层的钢卷边缘所构成的不规则圆,通过上述聚类过程中,半径的迭代的次数,m表示:共有m层不规则圆形边缘,来对缺陷区域大小进行估计,也即为每层不规则圆的松卷程度,通过不同层的钢卷卷取的松卷程度的变化规律实现对当前松卷缺陷的判断。
本发明的有益效果是:
基于本申请所述通过霍夫圆检测方法能够获取到卷取正常的钢卷层的边缘图像,相较于现有技术有益效果在于能够得到缺失的钢卷层边缘图像,根据缺失区域大小为边缘点统计策略优化提供参考,提高优化效率。基于本申请所述通过钢卷层边缘缺失区域大小引导对应钢卷层的霍夫圆边缘点统计策略进行优化,相较于现有技术有益效果在于能够自适应的获取所有钢卷的边缘图像,提高霍夫圆检测算法的检测能力,能够获取与圆相近的边缘图像。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明所针对的具体场景为:钢带加工场景,对热轧冷却后的钢带进行卷取,得到钢卷。通过对钢卷卷取完成端布置相机对钢卷正面图像进行拍摄,具体的,钢卷正面是指带有多个钢卷卷取边缘的平面。主要针对的缺陷问题是:钢卷松卷问题,对钢卷突出部分问题不进行过多说明和处理。
该步骤的目的:通过语义分割网络对采集到的图像进行分割,得到钢卷的正面图像。能够带来的好处:通过语义分割网络能够将图像中非钢卷区域的图像分割出来,提高后续图像检测的效率。
输入为:进行语义分割处理,输出为:分割后的图像。
通过相机采集的钢卷的正面图像,进行必要的图像数据预处理,图像数据预处理应包括:图像去噪(中值滤波去噪),图像增强(直方图均衡化),图像预处理为本领域惯用处理手段,不再过多赘述细节。将采集到的图像进行灰度化处理,灰度化采用加权灰度化,具体的灰度化方法不再描述,最终得到灰度图像。
将处理后的图像输入语义分割网络,输出语义分割后钢卷图像,具体的语义分割网络步骤如下:
1.语义分割网络结构为Encoder-Decoder,输出的图像为二值图像。
2.通过人工对图像像素点进行标记,将训练集的钢卷区域的像素值标注为1,其他区域的像素标记为0,将标记好的图像输入语义分割网络进行训练。标签作为网络训练的监督。
3.网络损失函数为交叉熵损失函数。
将训练好的语义分割网络输出的二值图像与原图像相乘,得到钢卷图像。
该步骤的目的:对钢卷图像中所有的像素点进行霍夫圆检测,得到钢卷图像中圆形的钢卷边缘。能够带来的好处:能够快速的找到钢卷图像中正常卷取部分的钢卷边缘。
输入为:钢卷图像,进行霍夫圆检测,输出为:钢卷的圆形边缘。
传统的霍夫圆变换检测原理:
由于图像是钢卷的正面图像,所以图像中的像素点表示的类别为两种,一种是各层钢卷层的边缘像素点,另一种是各层边缘之间的图像像素点(此部分像素点为非边缘像素点)。通过Canny边缘检测算法(Canny边缘检测算法为公知算法,不再详细赘述),将图像中属于边缘的像素点提取出来,然后将所有边缘像素点的位置坐标(笛卡尔坐标系)进行三维极坐标系转化,此时,图像中每一个像素点就变为了三维空间(a,b,r)中的一个圆。可以理解为:圆的笛卡尔坐标系中的方程为:,进行三维空间映射后得到,。
然后,假设给定一个点,我们可以在三维直角坐标系中,绘出所有通过它的圆,最终我们将得到一条三维的曲线,我们可以对图像中所有的点进行上述操作,如果两个不同点进行上述操作后得到的曲线在空间相交,即它们有一组公共的(a,b,r),这就意味着它们在同一个圆上。越多曲线相交于一点,也就意味着这个交点表示的圆由更多的点组成,通过设置阈值,来决定多少条曲线相较于一点才认为检测到了一个圆。
至此,就得到了图像中正常卷取的钢卷区域边缘。
该步骤的目的:对钢卷区域图像中缺失的图像区域,进行边缘点统计策略优化。能够带来的好处:能够获取到不规则圆的边缘点,并根据优化范围大小来评估当前缺失区域的松卷程度。
输入为:钢卷边缘缺失区域图像,进行统计点策略优化处理,输出为:缺陷区域的松卷程度。
具体的获取钢卷松卷区域的边缘点松卷程度过程如下:
图像缺失的区域的边缘像素点对应的三维空间中曲线交点中,可能存在一部分三维空间曲线相交的交点存在,但是,由于部分松卷边缘为不规则圆形边缘,所以,交点的曲线数量未达到阈值,且部分松卷的整体圆形边缘为不规则的圆形,所以,在进行同一圆形边缘点映射时,边缘点在三维空间某个范围内对应多个半径,相交多个交点(表示所有不满足阈值的三维空间交点总数,实际上,这些交点即为部分属于同一半径的边缘像素点),每个交点代表某个圆心对应的圆形边缘,我们将此类交点进行聚类,得到缺失区域的钢卷边缘。
以步骤中得到的标准圆形边缘的三维空间交点最近邻的交点作为聚类的起始中心点,起始中心点的具体选取方法为:首先,对阈值进行调节,将阈值缩小10倍(此为经验值,可进行相应的调整)获取一部分圆的边缘图像三维空间交点作为起始聚类中心点,每次缩小的比例即为聚类中心的初始半径。以缺陷区域最近邻标准圆形边缘区域的交点为初始中心点进行聚类,将初始半径内所有的交点聚为一类,认为同类中的不同交点所在的圆弧为同一个不规则圆上的边缘像素点。得到与标准钢卷圆最近邻不规则钢卷区域。
由于钢卷在卷取过程中,一旦出现卷取问题,一定从标准圆形边缘向外侧不断增大不规则圆的松卷程度,所以,在进行聚类中心迭代的过程中,只需要将聚类的初始半径进行不断的扩大即可,当第一初始半径聚类完成后,不再有新的交点出现时,初始半径,在进行聚类,然后不断的扩大初始聚类半径,提高最近邻不规则圆形边缘的统计点范围,直到聚类区域中参与聚类的交点数量大于阈值,第一次聚类结束,得到最近邻不规则圆的所有边缘像素点。
进一步的,以最近邻不规则圆的聚类中心点的终止聚类半径为第二次聚类半径的起始半径,继续进行最近邻不规则圆的外侧第二个不规则圆的边缘像素点聚类,聚类方式与步骤c相同,当聚类区域中参与聚类的交点数量大于阈值,第二次聚类结束,得到第二个不规则圆的所有边缘像素点。然后不断进行迭代聚类,得到所有层的钢卷边缘所构成的不规则圆。
通过上述聚类过程中,半径的迭代的次数(m表示:共有m层不规则圆形边缘)来对缺陷区域大小进行估计,也即为每层不规则圆的松卷程度,此处松卷程度公式仅表征迭代次数与松卷程度的非线性关系,不表示实际的量化含义。最终,通过不同层的钢卷卷取的松卷程度的变化规律实现对当前松卷缺陷的判断。
以上实施例仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (2)
1.一种基于图像处理的钢卷缺陷检测方法,其特征在于,包括:
所述步骤为:通过Canny边缘检测算法将图像中属于边缘的像素点提取出来,然后将所有边缘像素点的位置坐标进行三维极坐标系转化,此时,图像中每一个像素点为三维空间(a,b,r)中的一个圆,圆的笛卡尔坐标系中的方程为:,进行三维空间映射后得到,;选取任意点,在三维直角坐标系中,绘出所有通过点的圆,得到三维曲线;当两个不同点进行上述操作后得到的曲线在三维空间相交,即两个不同点有一组公共的,则该两个不同点在同一个圆上;多条曲线相交于一点,则该交点表示的圆由多个点组成,当交点的曲线数量大于阈值,则为标准圆,反之,则为不规则的圆形;当多组曲线出现多组公共的时,则图像中存在多个圆;其中;
所述步骤具体如下:当为不规则的圆形时,在进行同一圆形边缘点映射时,边缘点在三维空间某个范围内对应多个半径,相交多个交点,表示所有不满足阈值的三维空间交点总数,每个交点代表某个圆心对应的圆形边缘,将各交点进行聚类,得到缺失区域的钢卷边缘;其中聚类的起始中心点是以步骤中得到的标准圆边缘的三维空间交点最近邻的交点作为聚类的起始中心点,起始中心点的具体选取方法为:首先,对阈值进行调节,将阈值缩小10倍,获取一部分圆的边缘图像三维空间交点作为起始聚类中心点,每次缩小的比例即为聚类中心的初始半径,以缺陷区域最近邻标准圆形边缘区域的交点为初始中心点进行聚类,将初始半径内所有的交点聚为一类,同类中的不同交点所在的圆弧为同一个不规则圆上的边缘像素点,得到与标准钢卷圆最近邻不规则钢卷区域,将聚类的初始半径进行不断的扩大,当第一初始半径聚类完成后,不再有新的交点出现时,初始半径,在进行聚类,然后不断的扩大初始半径,直到聚类区域中参与聚类的交点数量大于阈值,第一次聚类结束,得到最近邻不规则圆的所有边缘像素点,以最近邻不规则圆的聚类中心点的终止聚类半径为第二次聚类半径的起始半径,继续进行最近邻不规则圆的外侧第二个不规则圆的边缘像素点聚类,当聚类区域中参与聚类的交点数量大于阈值,第二次聚类结束,得到第二个不规则圆的所有边缘像素点,然后不断进行迭代聚类,得到所有层的钢卷边缘所构成的不规则圆,半径的迭代的次数,m表示:共有m层不规则圆形边缘;则每层不规则圆的松卷程度,通过不同层的钢卷卷取的松卷程度的变化规律实现对当前松卷缺陷的判断。
2.根据权利要求1所述一种基于图像处理的钢卷缺陷检测方法,其特征在于,所述步骤为:通过相机采集的钢卷的正面图像,进行图像数据预处理,将采集到的图像进行灰度化处理,得到灰度图像;灰度化采用加权灰度化;将处理后的图像输入语义分割网络,输出语义分割后的钢卷图像,具体的语义分割网络步骤如下:语义分割网络结构为Encoder-Decoder,输出的图像为二值图像;通过人工对图像像素点进行标记,将训练集的钢卷区域的像素值标注为1,其他区域的像素标记为0,将标记好的图像输入语义分割网络进行训练;标签作为网络训练的监督;网络损失函数为交叉熵损失函数;将训练好的语义分割网络输出的二值图像与原图像相乘,得到钢卷图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111096944.XA CN113935953A (zh) | 2021-09-18 | 2021-09-18 | 基于图像处理的钢卷缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111096944.XA CN113935953A (zh) | 2021-09-18 | 2021-09-18 | 基于图像处理的钢卷缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935953A true CN113935953A (zh) | 2022-01-14 |
Family
ID=79276092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111096944.XA Withdrawn CN113935953A (zh) | 2021-09-18 | 2021-09-18 | 基于图像处理的钢卷缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935953A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445483A (zh) * | 2022-01-28 | 2022-05-06 | 泗阳三江橡塑有限公司 | 基于图像金字塔的注塑件质量分析方法 |
CN114943684A (zh) * | 2022-04-15 | 2022-08-26 | 上海波士内智能科技有限公司 | 一种利用对抗生成自编码神经网络的曲面异常检测方法 |
CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及*** |
CN116993721A (zh) * | 2023-09-26 | 2023-11-03 | 江苏康意德科技有限公司 | 基于弱监督神经网络的钢板表面缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540918A (zh) * | 2018-11-28 | 2019-03-29 | 鞍钢集团自动化有限公司 | 一种热轧卷边部缺陷检测装置及方法 |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
KR20210066411A (ko) * | 2019-11-28 | 2021-06-07 | 동의대학교 산학협력단 | 기계학습 전처리를 통한 원형 플러그의 전기 아연 도금 불량 판별 방법 |
-
2021
- 2021-09-18 CN CN202111096944.XA patent/CN113935953A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109540918A (zh) * | 2018-11-28 | 2019-03-29 | 鞍钢集团自动化有限公司 | 一种热轧卷边部缺陷检测装置及方法 |
KR20210066411A (ko) * | 2019-11-28 | 2021-06-07 | 동의대학교 산학협력단 | 기계학습 전처리를 통한 원형 플러그의 전기 아연 도금 불량 판별 방법 |
CN112712512A (zh) * | 2021-01-05 | 2021-04-27 | 余波 | 一种基于人工智能的热轧带钢结疤缺陷检测方法及*** |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114445483A (zh) * | 2022-01-28 | 2022-05-06 | 泗阳三江橡塑有限公司 | 基于图像金字塔的注塑件质量分析方法 |
CN114943684A (zh) * | 2022-04-15 | 2022-08-26 | 上海波士内智能科技有限公司 | 一种利用对抗生成自编码神经网络的曲面异常检测方法 |
CN114943684B (zh) * | 2022-04-15 | 2023-04-07 | 上海波士内智能科技有限公司 | 一种利用对抗生成自编码神经网络的曲面异常检测方法 |
CN116309570A (zh) * | 2023-05-18 | 2023-06-23 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及*** |
CN116309570B (zh) * | 2023-05-18 | 2023-08-04 | 山东亮马新材料科技有限公司 | 一种钛合金棒材质量检测方法及*** |
CN116993721A (zh) * | 2023-09-26 | 2023-11-03 | 江苏康意德科技有限公司 | 基于弱监督神经网络的钢板表面缺陷检测方法 |
CN116993721B (zh) * | 2023-09-26 | 2023-11-28 | 江苏康意德科技有限公司 | 基于弱监督神经网络的钢板表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935953A (zh) | 基于图像处理的钢卷缺陷检测方法 | |
CN110175982B (zh) | 一种基于目标检测的缺陷检测方法 | |
CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及*** | |
CN110443778B (zh) | 一种检测工业品不规则缺陷的方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN103543394A (zh) | 一种高压电气设备放电紫外成像量化参数提取方法 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN113962997B (zh) | 基于图像处理的带钢边裂缺陷检测方法及*** | |
CN104732211B (zh) | 一种基于自适应阈值的交通标志检测方法 | |
CN101169867B (zh) | 图像分割方法、图像处理设备及*** | |
CN103295013A (zh) | 一种基于成对区域的单幅图像阴影检测方法 | |
CN109635814B (zh) | 基于深度神经网络的森林火灾自动检测方法和装置 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN116228747A (zh) | 一种金属柜加工质量监测方法 | |
CN112464942A (zh) | 基于计算机视觉的重叠烟叶智能化分级方法 | |
CN115345802A (zh) | 一种机电设备运行状态远程监控方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制*** | |
CN114648511A (zh) | 一种大肠杆菌轮廓的精确提取及识别方法 | |
CN108205678B (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN116934787A (zh) | 基于边缘检测的图像处理方法 | |
CN116843581A (zh) | 一种多场景图的图像增强方法、***、设备和存储介质 | |
CN115063603A (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
CN112986277B (zh) | 一种热轧带钢精轧辊印的检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220114 |
|
WW01 | Invention patent application withdrawn after publication |