CN117437229A - 基于图像分析高强阻燃转弯输送带缺陷检测方法 - Google Patents
基于图像分析高强阻燃转弯输送带缺陷检测方法 Download PDFInfo
- Publication number
- CN117437229A CN117437229A CN202311756018.XA CN202311756018A CN117437229A CN 117437229 A CN117437229 A CN 117437229A CN 202311756018 A CN202311756018 A CN 202311756018A CN 117437229 A CN117437229 A CN 117437229A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gray level
- edge pixel
- level image
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 239000003063 flame retardant Substances 0.000 title claims abstract description 26
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 title claims abstract description 21
- 238000010191 image analysis Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims description 17
- 230000001105 regulatory effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 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
- 230000005611 electricity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
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)
Abstract
本发明涉及图像分割技术领域,具体涉及一种基于图像分析高强阻燃转弯输送带缺陷检测方法,通过获取待检测转弯输送带的表面图像的灰度图像,并确定灰度图像中的各个边缘像素点;根据灰度图像中每个像素点的梯度幅值、梯度方向和弦方向,确定灰度图像中每个像素点的方向平行指标,进而确定灰度图像中每个边缘像素点的最终属于纹理边缘可能性,根据该最终属于纹理边缘可能性,对灰度图像中像素点的灰度值进行调整,得到调整灰度图像,并根据调整灰度图像,进行缺陷检测。本发明通过对灰度图像中的纹理边缘像素点进行准确识别,避免了输送带纹理本身对缺陷识别的影响,有效提高了输送带缺陷检测的准确性。
Description
技术领域
本发明涉及图像分割检测技术领域,具体涉及一种基于图像分析高强阻燃转弯输送带缺陷检测方法。
背景技术
在一些工业场所中,如存在可燃性物质的煤矿和化工厂,由于传统的输送带可能因静电、摩擦或其他原因而容易引发火灾,因此运输材料所采用的输送带一般为高阻燃输送带。高阻燃输送带是采用防火材料制造而成,能够有效降低火灾的风险,保护工作人员和设备的安全。在材料传输过程中,当需要改变材料的传输方向时,通常会将高阻燃输送带设置成可转弯型。由于高阻燃转弯输送带的外侧弯道受到的拉力比较大,使得输送带更容易产生裂纹等缺陷,从而影响其使用,因此需要定期对高阻燃转弯输送带进行裂纹缺陷检测。
传统输送带的裂纹缺陷检测通常由人工实现,随着计算机视觉技术的快速发展,基于图像识别的缺陷检测技术被逐渐应用于输送带裂纹检测中。其中,在进行输送带的裂纹检测时,通过获取输送带的表面图像,并对该表面图像进行识别,从而确定输送带是否存在裂纹缺陷。但是,由于高阻燃输送带本身纹理容易与裂纹混淆,容易将纹理区域误判为裂纹区域,从而影响高阻燃输送带缺陷检测的准确性。
发明内容
本发明的目的在于提供一种基于图像分析高强阻燃转弯输送带缺陷检测方法,用于解决现有转弯输送带裂纹缺陷检测的准确性较低的问题。
为解决上述技术问题,本发明提供了一种基于图像分析高强阻燃转弯输送带缺陷检测方法,包括以下步骤:
获取待检测转弯输送带的表面图像的灰度图像,对所述灰度图像进行边缘检测,获取所述灰度图像中的各个边缘像素点;
确定所述灰度图像中每个像素点的梯度幅值、梯度方向和弦方向,根据每个像素点的所述梯度方向和弦方向的差异,确定所述灰度图像中每个像素点的方向平行指标;
根据所述灰度图像中每个边缘像素点的方向平行指标,每个边缘像素点所在转弯半径方向上各个像素点的方向平行指标,以及每个边缘像素点与其所在转弯半径方向上各个像素点之间的梯度方向和梯度幅值的差异,确定所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性;
根据所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性,每个边缘像素点所在旋转方向上相邻边缘像素点的初始属于纹理边缘可能性,以及每个边缘像素点与其所在旋转方向上相邻边缘像素点的实际弧长距离与对应理想弧长距离之间的差异,确定所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性;
根据所述灰度图像中各个边缘像素点的位置,对边缘像素点所围成的区域进行检测,得到各个目标区域,根据所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性,对所述目标区域中像素点的灰度值进行调整,得到调整灰度图像,并根据所述调整灰度图像,进行缺陷检测。
进一步的,确定所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性,对应的计算公式为:
;其中,表示所述灰度图像中
第i个边缘像素点的初始属于纹理边缘可能性;表示所述灰度图像中第i个边缘像素点
的方向平行指标;表示所述灰度图像中第i个边缘像素点的所在转弯半径方向上第v个
像素点的方向平行指标;表示所述灰度图像中第i个边缘像素点与其所在转弯半径方向
上第v个像素点之间的梯度方向的差值绝对值;表示所述灰度图像中第i个边缘像素点
与其所在转弯半径方向上第v个像素点之间的梯度幅值的差值绝对值;表示所述灰度图
像中第i个边缘像素点所在转弯半径方向上各个像素点的总数目;表示第一参数;表示
第二参数;表示归一化函数。
进一步的,确定所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性,对应的计算公式为:
;其中,表示所述灰度图像中第i个边缘像素点的最
终属于纹理边缘可能性;表示所述灰度图像中第i个边缘像素点的初始属于纹理边缘可
能性;表示所述灰度图像中第i个边缘像素点所在旋转方向上最相邻的边缘像素点的初
始属于纹理边缘可能性;表示所述灰度图像中第i个边缘像素点与其所在旋转方向上相
邻边缘像素点的理想弧长距离;表示所述灰度图像中第i个边缘像素点与其所在旋转方
向上最相邻的边缘像素点的实际弧长距离;| |表示取绝对值符号;表示第三参数。
进一步的,对所述目标区域中像素点的灰度值进行调整,得到调整灰度图像,包括:
调低所述灰度图像中每个边缘像素点的灰度值,且每个边缘像素点的最终属于纹理边缘可能性与该边缘像素点的灰度值的调低幅度成负相关关系,每个边缘像素点的灰度值与该边缘像素点的灰度值的调低幅度成正相关关系;
所述灰度图像中所有边缘像素点的灰度值调低完成后,根据所述目标区域中各个边缘像素点的调低后的灰度值,对所述目标区域中的非边缘像素点的灰度值进行调整,得到调整灰度图像。
进一步的,调低所述灰度图像中每个边缘像素点的灰度值,对应的计算公式为:
;其中,表示所述灰度图像中第i个边缘像素点
的调低后的灰度值;表示所述灰度图像中第i个边缘像素点的调低前的灰度值;表示所
述灰度图像中第i个边缘像素点的最终属于纹理边缘可能性;表示归一化函数。
进一步的,对所述目标区域中的非边缘像素点的灰度值进行调整,得到调整灰度图像,包括:
确定所述目标区域中每个非边缘像素点的宽度直线与该目标区域的边缘像素点的交点,所述宽度直线为过每个非边缘像素点的且与所述目标区域的主成分方向垂直的直线,并计算所有交点对应的调低后的灰灰度值的平均值,得到所述目标区域中每个非边缘像素点对应的灰度均值;
利用所述目标区域中每个非边缘像素点对应的灰度均值,对所述目标区域中每个非边缘像素点的灰度值进行更新,从而得到调整灰度图像。
进一步的,确定所述灰度图像中每个像素点的方向平行指标,包括:
确定所述灰度图像中每个像素点的所述梯度方向对应的角度和弦方向对应的角度的差值绝对值,对所述差值绝对值进行负相关映射,并将负相关映射结果确定为所述灰度图像中每个像素点的方向平行指标。
进一步的,进行负相关映射对应的计算公式为:
;其中,表示所述灰度图像中第i个像素点的负相关映射结果;
表示所述灰度图像中第i个像素点的所述梯度方向对应的角度;表示所述灰度图像中第i
个像素点的弦方向对应的角度;表示调整参数;| |表示取绝对值符号。
进一步的,确定所述灰度图像中每个像素点的弦方向,包括:
将所述灰度图像中每个像素点作为目标像素点,确定所述灰度图像中目标像素点到所述灰度图像中输送带内边缘线的最短距离,并确定所述最短距离的距离连线与所述灰度图像中输送带内边缘线的交点,得到第一交点;
以所述灰度图像中目标像素点对应的第一交点为中心,在所述灰度图像中输送带内边缘线上对称截取弧段,得到第一弧段,并将根据所述第一弧段所确定的圆形的圆心作为内圆心;
确定所述灰度图像中目标像素点对应的第一弧段在第一交点位置处的切线的垂直方向与所述灰度图像中输送带外边缘线的交点,得到第二交点;
以所述灰度图像中目标像素点对应的第二交点为中心,在所述灰度图像中输送带外边缘线上对称截取弧段,得到第二弧段,并将根据所述第二弧段所确定的圆形的圆心作为外圆心;
获取所述灰度图像中目标像素点对应的内圆心和外圆心的中心位置,以所述中心位置为圆心确定圆形,得到目标圆形,所述目标圆形过对应的目标像素点;
确定所述灰度图像中每个像素点对应的目标圆形在该像素点处的切线方向,并根据所述切线方向确定所述灰度图像中每个像素点的弦方向。
进一步的,进行缺陷检测,包括:
利用大津算法对所述调整灰度图像进行阈值分割,得到二值分割图像,并根据所述二值分割图像,确定是否存在缺陷区域。
本发明具有如下有益效果:本发明通过获取转弯输送带的表面图像的灰度图像,并确定灰度图像中的各个边缘像素点。这些边缘像素点可能属于裂纹缺陷边缘,也可能属于输送带本身纹理边缘。根据转弯输送带表面纹理沿着转弯半径方向分布的特点,纹理边缘的梯度方向通常与弦方向即转动方向平行,而其他像素点则没有这种特点,因此根据每个像素点的梯度方向和弦方向的差异,对每个像素点的梯度方向和弦方向一致性情况进行衡量,确定每个像素点的方向平行指标。结合纹理边缘上沿着转弯半径方向上各个像素点的梯度方向和弦方向一致性较好,且各个像素点之间的梯度方向和梯度幅值相差较小,因此可以确定灰度图像中每个边缘像素点的初始属于纹理边缘可能性,以对纹理边缘进行初步筛选。由于输送带表面纹理区域之间的间隔是符合一定规律的,而裂纹区域是随机出现的,因此结合每个边缘像素点及其所在旋转方向上相邻边缘像素点的初始属于纹理边缘可能性,并将每个边缘像素点与其所在旋转方向上相邻边缘像素点的实际弧长距离与对应的理想弧长距离进行比较,对边缘像素点属于纹理边缘的可能性进行最终的准确衡量,从而得到每个边缘像素点的最终属于纹理边缘可能性。基于该最终属于纹理边缘可能性,对灰度图像中边缘像素点所围成的目标区域中的像素点灰度进行调整,以对纹理区域和裂纹区域进行区分,最终得到调整灰度图像,并基于该调整灰度图像,实现输送带表面缺陷检测。由于本发明通过对转弯输送带表面的纹理边缘像素点进行准确识别,并对灰度图像中的边缘像素点所围成的目标区域进行灰度调整,以对纹理区域和裂纹区域进行区分,从而降低了输送带本身纹理区域对裂纹缺陷识别的影响,有效提高了输送带表面裂纹缺陷检测的准确性。
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为本发明实施例的基于图像分析高强阻燃转弯输送带缺陷检测方法的流程图;
图2为本发明实施例的高阻燃转弯输送带的表面示意图;
图3为本发明实施例的灰度图像中任意一个像素点的第一交点和第二交点的示意图。
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。另外,本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
为了解决现有输送带裂纹缺陷检测的准确性较低的问题,本实施例提供了一种基于图像分析高强阻燃转弯输送带缺陷检测方法,该方法对应的流程图如图1所示,包括以下步骤:
步骤S1:获取待检测转弯输送带的表面图像的灰度图像,对所述灰度图像进行边缘检测,获取所述灰度图像中的各个边缘像素点。
在高阻燃转弯输送带(以下简称为输送带)的上方合适位置安装相机,相机镜头方向正对输送带表面,在输送带表面没有运输材料时,定时或者不定时对输送带表面进行图像采集,从而得到输送带的表面图像。图2示出了某次图像采集后所得到的部分输送带的表面图像的灰度图。在得到输送带的表面图像之后,对该表面图像进行语义分割,以对该表面图像中的输送带区域进行识别,排除背景区域的影响,从而得到输送带区域图像。对该输送带区域图像进行灰度化处理,从而得到表面图像的灰度图像。然后利用Canny边缘检测算法对灰度图像进行边缘检测,从而得到灰度图像的各个边缘像素点。
步骤S2:确定所述灰度图像中每个像素点的梯度幅值、梯度方向和弦方向,根据每个像素点的所述梯度方向和弦方向的差异,确定所述灰度图像中每个像素点的方向平行指标。
在所获取的灰度图像中,当输送带表面存在裂纹缺陷时,则灰度图像中的边缘像素点为裂纹边缘或者输送带纹理边缘,而当输送带表面不存在裂纹缺陷时,则灰度图像中的边缘像素点为输送带纹理边缘。通过对图2中所示的一种比较常见到的输送带的纹理进行分析可知,该纹理的特点是每条纹理沿着转弯半径方向分布,此时输送带的纹理边缘具有一些周期性规律,但是由于裂纹缺陷是随机出现的,因此裂纹边缘则不具有这种周期性规律。基于这种特征,可以对裂纹边缘和传送带纹理边缘进行区分,从而最终准确识别出输送带表面是否存在裂纹缺陷。
为了对裂纹边缘和传送带纹理边缘进行区分,对于灰度图像中的每个像素点,对该像素点进行梯度检测,得到梯度幅值和梯度方向,梯度方向对应一个角度。同时,确定灰度图像中每个像素点所在转弯曲线的弦方向,该弦方向是指在该像素点处的输送带旋转方向,即该像素点所在的转弯曲线在该像素点处的切线方向。当灰度图像中的像素点为边缘像素点,且该边缘像素点属于纹理边缘像素点时,则该边缘像素点的梯度方向与输送带在该像素点所在转弯曲线的弦方向是平行的,即该边缘像素点的梯度方向与转弯曲线的弦方向越一致,则该边缘像素点为纹理边缘像素点的可能性就越大,否则说明该边缘像素点为裂纹缺陷边缘像素点的可能性就越大。
优选的,在本实施例中,确定灰度图像中每个像素点的弦方向,实现步骤包括:
将所述灰度图像中每个像素点作为目标像素点,确定所述灰度图像中目标像素点到所述灰度图像中输送带内边缘线的最短距离,并确定所述最短距离的距离连线与所述灰度图像中输送带内边缘线的交点,得到第一交点;
以所述灰度图像中目标像素点对应的第一交点为中心,在所述灰度图像中输送带内边缘线上对称截取弧段,得到第一弧段,并将根据所述第一弧段所确定的圆形的圆心作为内圆心;
确定所述灰度图像中目标像素点对应的第一弧段在第一交点位置处的切线的垂直方向与所述灰度图像中输送带外边缘线的交点,得到第二交点;
以所述灰度图像中目标像素点对应的第二交点为中心,在所述灰度图像中输送带外边缘线上对称截取弧段,得到第二弧段,并将根据所述第二弧段所确定的圆形的圆心作为外圆心;
获取所述灰度图像中目标像素点对应的内圆心和外圆心的中心位置,以所述中心位置为圆心确定圆形,得到目标圆形,所述目标圆形过对应的目标像素点;
确定所述灰度图像中每个像素点对应的目标圆形在该像素点处的切线方向,并根据所述切线方向确定所述灰度图像中每个像素点的弦方向。
为了便于理解,如图3所示,确定灰度图像中任意一个像素点P到灰度图像中输送
带内边缘线L1的最短距离的连线与输送带内边缘线L1的交点H1,将交点H1记为第一交点,
然后以交点H1为中心,沿着输送带内边缘线L1上下各截取设定数目个像素点,截取得到一
截曲线,将该曲线记为第一弧段。设定数目可以根据需要进行合理设置,本实施例设置该设
定数目的取值为10。确定该第一弧段对应圆的圆心,将该圆心记为内圆心,用表示(图3
中未示出)。在确定该第一弧段对应圆的圆心时,若输送带沿着规则圆形轨迹运行,则此时
输送带内边缘线L1为圆形的一部分,此时根据该第一弧段可以确定唯一圆的圆心。若输送
带沿着非规则圆形轨迹运行时,此时则在第一弧段上任意取三个像素点,由这三个像素点
确定一个圆形,每任意取三个像素点,即可得到一个圆形,确定所有圆形中圆心最靠近输送
带内边缘线L1在交点H1处的切线的垂直方向上的圆形,并将该圆形作为该第一弧段对应圆
的圆心。同时,确定输送带内边缘线L1在交点H1处的切线的垂直方向与输送带外边缘线L2
的交点H2,将交点H2记为第二交点,然后以交点H2为中心,沿着输送带外边缘线L2上下各截
取设定数目个像素点,截取得到一截曲线,将该曲线记为第二弧段。同样按照确定第一弧段
对应圆的圆心的方式,确定第二弧段对应圆的圆心,将该圆心记为外圆心,用表示(图3
中未示出)。对内圆心和外圆心的位置求均值,从而得到一个中心位置,以该中心位置
为圆心,像素点P为圆上的点绘制一个圆,将绘制出的圆记为目标圆形,确定该目标圆形在
该像素点P处的切线方向,该切线方向对应相差180度的两个角度,分别确定两个角度与该
像素点P的梯度方向(也是一个角度)的差值绝对值,并将较小的差值绝对值所对应的方向,
作为该像素点P的弦方向,将较小的差值绝对值所对应的角度,作为弦方向的角度。
对于灰度图像中任意一个像素点,由于当该像素点的梯度方向与输送带在该像素点所在转弯曲线的弦方向越接近时,该像素点为纹理边缘像素点的可能性就越大。基于这种特点,将灰度图像中每个像素点的梯度方向与对应弦方向进行比较,确定灰度图像中每个像素点的方向平行指标,即:确定所述灰度图像中每个像素点的所述梯度方向对应的角度和弦方向对应的角度的差值绝对值,对所述差值绝对值进行负相关映射,并将负相关映射结果确定为所述灰度图像中每个像素点的方向平行指标。
优选的,在本实施例中,进行负相关映射对应的计算公式为:
;其中,表示所述灰度图像中第i个像素点的负相关映射结果;
表示所述灰度图像中第i个像素点的所述梯度方向对应的角度;表示所述灰度图像中第i
个像素点的弦方向对应的角度;表示调整参数,用于防止分母为零,本实施例设置;|
|表示取绝对值符号。
上式中,当像素点的梯度方向与其对应的弦方向的角度差异越小时,则说明梯度方向与其对应的弦方向的平行性越好,对应像素点为纹理边缘像素点的可能性就越大,对应的负相关映射结果也就是方向平行指标的取值就越大。而当像素点的梯度方向与其对应的弦方向的角度差异越大时,则说明对应像素点为非边缘像素点或者裂纹边缘像素点的可能性就越大,对应的负相关映射结果也就是方向平行指标的取值就越小。
步骤S3:根据所述灰度图像中每个边缘像素点的方向平行指标,每个边缘像素点所在转弯半径方向上各个像素点的方向平行指标,以及每个边缘像素点与其所在转弯半径方向上各个像素点之间的梯度方向和梯度幅值的差异,确定所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性。
由于转弯输送带上的纹理是固定的,纹理表现为在转弯半径方向上,同一纹理边缘具有相同的梯度幅值和梯度方向。因此,对于灰度图像中每个边缘像素点,该边缘像素点的梯度幅值和梯度方向与其转弯半径方向上的其他所有像素点的度幅值和梯度方向越相似,则说明该个边缘像素点属于纹理边缘的可能性越大,同时结合这些像素点的方向平行指标,可以确定该边缘像素点的初始属于纹理边缘可能性。
对于灰度图像中的每个边缘像素点,确定该边缘像素点的转弯半径方向,即确定该边缘像素点与该边缘像素点所对应的目标圆形的圆心之间的连线,该连线方向即为该边缘像素点的转弯半径方向。进而,可以确定灰度图像中每个边缘像素点所在转弯半径方向上的所有像素点。在此基础上,可以确定该边缘像素点的初始属于纹理边缘可能性,对应的计算公式为:
;其中,表示所述灰度图像中
第i个边缘像素点的初始属于纹理边缘可能性;表示所述灰度图像中第i个边缘像素点
的方向平行指标;表示所述灰度图像中第i个边缘像素点的所在转弯半径方向上第v个
像素点的方向平行指标;表示所述灰度图像中第i个边缘像素点与其所在转弯半径方向
上第v个像素点之间的梯度方向的差值绝对值;表示所述灰度图像中第i个边缘像素点
与其所在转弯半径方向上第v个像素点之间的梯度幅值的差值绝对值;表示所述灰度图
像中第i个边缘像素点所在转弯半径方向上像素点的总数目;表示第一参数,用于防止分
母为零,本实施例设置;表示第二参数,用于防止分母为零,本实施例设置;表示归一化函数。
上式中,当灰度图像中第i个边缘像素点所在转弯半径方向上各个像素点对应的方向平行指标越大,则说明各个像素点越可能属于纹理边缘像素点,且当第i个边缘像素点与其所在转弯半径方向上各个像素点之间的梯度幅值差异和梯度方向差异越小时,说明第i个边缘像素点属于纹理边缘像素点的可信度越高,相应的初始属于纹理边缘可能性的取值就越大。
步骤S4:根据所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性,每个边缘像素点所在旋转方向上相邻边缘像素点的初始属于纹理边缘可能性,以及每个边缘像素点与其所在旋转方向上相邻边缘像素点的实际弧长距离与对应理想弧长距离之间的差异,确定所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性。
为了进一步准确识别灰度图像中的纹理边缘像素点,对于灰度图像中的每个边缘像素点,确定其对应的转弯曲线,即在每个边缘像素点所对应的目标圆形上,以该边缘像素点为中心,截取一段圆弧,并将截取的圆弧作为该边缘像素点所在的转弯曲线。然后,在该边缘像素点所在转弯曲线上找到距离该边缘像素点最近的且大于设定距离阈值的一个边缘像素点,并将其作为该边缘像素点所在旋转方向上最相邻的边缘像素点。设定距离阈值可以根据纹理的宽度进行合理设定,其目的是保证找到的最相邻的边缘像素点与对应的边缘像素点不属于同一个边缘像素点所围成的目标区域,在本实施例中,将设定距离阈值设置为0.3。由于后续会对目标区域进行详细介绍,此处不再赘述。确定该边缘像素点与其所在旋转方向上最相邻的边缘像素点在该边缘像素点所在转弯曲线上的弧线距离,并将该弧线距离作为该边缘像素点与其所在旋转方向上相邻边缘像素点的实际弧长距离。同时,根据灰度图像中输送带表面纹理之间的间隔情况,在已知该边缘像素点在灰度图像中的位置的情况下,可以确定该边缘像素点与其所在旋转方向上最相邻的边缘像素点之间的理想弧长距离,该理想弧长距离是指纹理间隔。在同一个灰度图像中,当边缘像素点越靠近输送带内边缘时,则其对应的理想弧长距离应当越小,反之则对应的理想弧长距离应当越大。由于确定该边缘像素点与其所在旋转方向上最相邻的边缘像素点之间的理想弧长距离的实现方式属于现有技术,此处不做限定。例如,可以提前测量获取灰度图像中每个像素点到输送带内边缘的距离,与该像素点所对应的理想弧长距离之间的几何变化关系,然后通过测量每个边缘像素点到输送带内边缘的距离,并结合该几何变化关系,即可以确定每个边缘像素点与其所在旋转方向上最相邻的边缘像素点之间的理想弧长距离。
在确定灰度图像中的每个边缘像素点对应的实际弧长距离与理想弧长距离之后,将该边缘像素点对应的实际弧长距离与理想弧长距离进行比较,同时结合该边缘像素点及其所在旋转方向上最相邻的边缘像素点的初始属于纹理边缘可能性,可以确定该边缘像素点的最终属于纹理边缘可能性,对应的计算公式为:
;其中,表示所述灰度图像中第i个边缘像素点的最
终属于纹理边缘可能性;表示所述灰度图像中第i个边缘像素点的初始属于纹理边缘可
能性;表示所述灰度图像中第i个边缘像素点所在旋转方向上最相邻的边缘像素点的初
始属于纹理边缘可能性;表示所述灰度图像中第i个边缘像素点与其所在旋转方向上相
邻边缘像素点的理想弧长距离;表示所述灰度图像中第i个边缘像素点与其所在旋转方
向上最相邻的边缘像素点的实际弧长距离;| |表示取绝对值符号;表示第三参数,用于防
止分母为零,本实施例设置。
上式中,第i个边缘像素点的初始属于纹理边缘可能性越大,说明第i个边缘像素点属于纹理的可能性越大,对应的最终属于纹理边缘可能性的取值就越大。同时,当第i个边缘像素点与其最相邻的边缘像素点之间的实际弧长距离与理想弧长距离越接近时,表明第i个边缘像素点与其最相邻的边缘像素点之间的间隔越符合第i个边缘像素点的位置纹理间隔,反映第i个边缘像素点属于纹理的可能性越大。考虑到第i个边缘像素点的最相邻的边缘像素点可能不属于纹理边缘,导致所获得的实际弧长距离无法表现纹理间隔,所以利用第i个边缘像素点的最相邻的边缘像素点本身纹理表现,确定间隔的权重,当该最相邻的边缘像素点的初始属于纹理边缘可能性越大,则第i个边缘像素点与其最相邻的边缘像素点之间的间隔越能够反应实际纹理间隔,间隔的权重越大。
步骤S5:根据所述灰度图像中各个边缘像素点的位置,对边缘像素点所围成的区域进行检测,得到各个目标区域,根据所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性,对所述目标区域中像素点的灰度值进行调整,得到调整灰度图像,并根据所述调整灰度图像,进行缺陷检测。
根据上述步骤所确定灰度图像中每个边缘像素点的最终属于纹理边缘可能性,对每个边缘像素点的灰度值进行调整,即:调低所述灰度图像中每个边缘像素点的灰度值,且每个边缘像素点的最终属于纹理边缘可能性与该边缘像素点的灰度值的调底幅度成负相关关系,每个边缘像素点的灰度值与该边缘像素点的灰度值的调低幅度成正相关关系。
优选的,在本实施例中,调低灰度图像中每个边缘像素点的灰度值,对应的计算公式为:
;其中,表示所述灰度图像中第i个边缘像素点
的调低后的灰度值;表示所述灰度图像中第i个边缘像素点的调低前的灰度值;表示所
述灰度图像中第i个边缘像素点的最终属于纹理边缘可能性;表示归一化函数。
上述中,当灰度图像中第i个边缘像素点的最终属于纹理边缘可能性的取值越大
时,说明第i个边缘像素点属于纹理边缘像素点的可能性越大,则该第i个边缘像素点的灰
度值调节权重的取值就越小,第i个边缘像素点的灰度值调节幅度就较小。同
时第i个边缘像素点的灰度值越小,为了与原灰度值相匹配,此时第i个边缘像素点的灰度
值的调低幅度就应该越小。
为了避免灰度图像中的纹理区域对裂纹缺陷检测的影响,在完成灰度图像中每个边缘像素点的灰度值调整后,基于每个边缘像素点的调整后的灰度值,对边缘像素点所围成连通区域内部的像素点的灰度进行调整,最终得到调整灰度图像。具体的,根据灰度图像中的各个边缘像素点的位置,对边缘像素点所围成的连通域进行区域检测,从而得到各个目标区域,这些目标区域可能为裂纹区域,也能为纹理区域。对于灰度图像中的每个目标区域中的每个非边缘像素点,确定该非边缘像素点的的宽度直线与其所在目标区域的边缘像素点的交点,宽度直线是指过每个非边缘像素点的且与该非边缘像素点所在目标区域的主成分方向垂直的直线,每个交点即为一个边缘边像素点,并计算该非边缘像素点所对应的所有边缘边像素点的调低后的灰度值的均值,得到灰度均值,并利用该灰度均值对该非边缘像素点的灰度值进行更新,从而实现该非边缘像素点的灰度值的调整。通过这种方式对灰度图像中各个目标区域的非边缘像素点进行灰度值调整后,最终可以得到调整灰度图像。
在调整灰度图像中,由于纹理像素点的灰度值相对更加接近背景区域,而裂纹像素点的灰度值则相对与背景区域相差较大,因此利用大津算法对调整灰度图像进行分割,将高于阈值的像素点标记为前景区域,即灰度值调整为255,并将小于阈值的像素点标记为背景区域,即灰度值调整为0,得到二值分割图像。在二值分割图像中,当不存在灰度值为255的白色区域时,则说明输送带表面不存在裂纹缺陷;当存在灰度值为255的白色区域时,说明输送带表面存在裂纹缺陷,此时则发出预警信号,及时提醒工作人员进行更换或修理,避免影响后续使用。
本发明通过对转弯输送带的表面图像的灰度图像中的纹理边缘像素点进行准确识别,并根据识别结果对灰度图像中的边缘像素点所围成的目标区域进行灰度调整,以对纹理区域和裂纹区域进行区分,从而降低了输送带本身纹理区域对裂纹缺陷识别的影响,有效提高了输送带表面裂纹缺陷检测的准确性。
需要说明的是:以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,包括以下步骤:
获取待检测转弯输送带的表面图像的灰度图像,对所述灰度图像进行边缘检测,获取所述灰度图像中的各个边缘像素点;
确定所述灰度图像中每个像素点的梯度幅值、梯度方向和弦方向,根据每个像素点的所述梯度方向和弦方向的差异,确定所述灰度图像中每个像素点的方向平行指标;
根据所述灰度图像中每个边缘像素点的方向平行指标,每个边缘像素点所在转弯半径方向上各个像素点的方向平行指标,以及每个边缘像素点与其所在转弯半径方向上各个像素点之间的梯度方向和梯度幅值的差异,确定所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性;
根据所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性,每个边缘像素点所在旋转方向上相邻边缘像素点的初始属于纹理边缘可能性,以及每个边缘像素点与其所在旋转方向上相邻边缘像素点的实际弧长距离与对应理想弧长距离之间的差异,确定所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性;
根据所述灰度图像中各个边缘像素点的位置,对边缘像素点所围成的区域进行检测,得到各个目标区域,根据所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性,对所述目标区域中像素点的灰度值进行调整,得到调整灰度图像,并根据所述调整灰度图像,进行缺陷检测。
2.根据权利要求1所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,确定所述灰度图像中每个边缘像素点的初始属于纹理边缘可能性,对应的计算公式为:
;其中,/>表示所述灰度图像中第i个边缘像素点的初始属于纹理边缘可能性;/>表示所述灰度图像中第i个边缘像素点的方向平行指标;/>表示所述灰度图像中第i个边缘像素点的所在转弯半径方向上第v个像素点的方向平行指标;/>表示所述灰度图像中第i个边缘像素点与其所在转弯半径方向上第v个像素点之间的梯度方向的差值绝对值;/>表示所述灰度图像中第i个边缘像素点与其所在转弯半径方向上第v个像素点之间的梯度幅值的差值绝对值;/>表示所述灰度图像中第i个边缘像素点所在转弯半径方向上各个像素点的总数目;/>表示第一参数;/>表示第二参数;/>表示归一化函数。
3.根据权利要求1所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,确定所述灰度图像中每个边缘像素点的最终属于纹理边缘可能性,对应的计算公式为:
;其中,/>表示所述灰度图像中第i个边缘像素点的最终属于纹理边缘可能性;/>表示所述灰度图像中第i个边缘像素点的初始属于纹理边缘可能性;/>表示所述灰度图像中第i个边缘像素点所在旋转方向上最相邻的边缘像素点的初始属于纹理边缘可能性;/>表示所述灰度图像中第i个边缘像素点与其所在旋转方向上相邻边缘像素点的理想弧长距离;/>表示所述灰度图像中第i个边缘像素点与其所在旋转方向上最相邻的边缘像素点的实际弧长距离;| |表示取绝对值符号;/>表示第三参数。
4.根据权利要求1所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,对所述目标区域中像素点的灰度值进行调整,得到调整灰度图像,包括:
调低所述灰度图像中每个边缘像素点的灰度值,且每个边缘像素点的最终属于纹理边缘可能性与该边缘像素点的灰度值的调低幅度成负相关关系,每个边缘像素点的灰度值与该边缘像素点的灰度值的调低幅度成正相关关系;
所述灰度图像中所有边缘像素点的灰度值调低完成后,根据所述目标区域中各个边缘像素点的调低后的灰度值,对所述目标区域中的非边缘像素点的灰度值进行调整,得到调整灰度图像。
5.根据权利要求4所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,调低所述灰度图像中每个边缘像素点的灰度值,对应的计算公式为:
;其中,/>表示所述灰度图像中第i个边缘像素点的调低后的灰度值;/>表示所述灰度图像中第i个边缘像素点的调低前的灰度值;/>表示所述灰度图像中第i个边缘像素点的最终属于纹理边缘可能性;/>表示归一化函数。
6.根据权利要求4所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,对所述目标区域中的非边缘像素点的灰度值进行调整,得到调整灰度图像,包括:
确定所述目标区域中每个非边缘像素点的宽度直线与该目标区域的边缘像素点的交点,所述宽度直线为过每个非边缘像素点的且与所述目标区域的主成分方向垂直的直线,并计算所有交点对应的调低后的灰灰度值的平均值,得到所述目标区域中每个非边缘像素点对应的灰度均值;
利用所述目标区域中每个非边缘像素点对应的灰度均值,对所述目标区域中每个非边缘像素点的灰度值进行更新,从而得到调整灰度图像。
7.根据权利要求1所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,确定所述灰度图像中每个像素点的方向平行指标,包括:
确定所述灰度图像中每个像素点的所述梯度方向对应的角度和弦方向对应的角度的差值绝对值,对所述差值绝对值进行负相关映射,并将负相关映射结果确定为所述灰度图像中每个像素点的方向平行指标。
8.根据权利要求7所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,进行负相关映射对应的计算公式为:
;其中,/>表示所述灰度图像中第i个像素点的负相关映射结果;/>表示所述灰度图像中第i个像素点的所述梯度方向对应的角度;/>表示所述灰度图像中第i个像素点的弦方向对应的角度;/>表示调整参数;| |表示取绝对值符号。
9.根据权利要求1所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,确定所述灰度图像中每个像素点的弦方向,包括:
将所述灰度图像中每个像素点作为目标像素点,确定所述灰度图像中目标像素点到所述灰度图像中输送带内边缘线的最短距离,并确定所述最短距离的距离连线与所述灰度图像中输送带内边缘线的交点,得到第一交点;
以所述灰度图像中目标像素点对应的第一交点为中心,在所述灰度图像中输送带内边缘线上对称截取弧段,得到第一弧段,并将根据所述第一弧段所确定的圆形的圆心作为内圆心;
确定所述灰度图像中目标像素点对应的第一弧段在第一交点位置处的切线的垂直方向与所述灰度图像中输送带外边缘线的交点,得到第二交点;
以所述灰度图像中目标像素点对应的第二交点为中心,在所述灰度图像中输送带外边缘线上对称截取弧段,得到第二弧段,并将根据所述第二弧段所确定的圆形的圆心作为外圆心;
获取所述灰度图像中目标像素点对应的内圆心和外圆心的中心位置,以所述中心位置为圆心确定圆形,得到目标圆形,所述目标圆形过对应的目标像素点;
确定所述灰度图像中每个像素点对应的目标圆形在该像素点处的切线方向,并根据所述切线方向确定所述灰度图像中每个像素点的弦方向。
10.根据权利要求1所述的一种基于图像分析高强阻燃转弯输送带缺陷检测方法,其特征在于,进行缺陷检测,包括:
利用大津算法对所述调整灰度图像进行阈值分割,得到二值分割图像,并根据所述二值分割图像,确定是否存在缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311756018.XA CN117437229B (zh) | 2023-12-20 | 2023-12-20 | 基于图像分析高强阻燃转弯输送带缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311756018.XA CN117437229B (zh) | 2023-12-20 | 2023-12-20 | 基于图像分析高强阻燃转弯输送带缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437229A true CN117437229A (zh) | 2024-01-23 |
CN117437229B CN117437229B (zh) | 2024-03-15 |
Family
ID=89550184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311756018.XA Active CN117437229B (zh) | 2023-12-20 | 2023-12-20 | 基于图像分析高强阻燃转弯输送带缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437229B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103604815A (zh) * | 2013-11-26 | 2014-02-26 | 上海海事大学 | 玻璃晶片检测装置与标定方法 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas***的地图道路标记及道路质量采集装置及方法 |
CN111914623A (zh) * | 2020-06-17 | 2020-11-10 | 成都飞机工业(集团)有限责任公司 | 一种圆弧刻度表盘图像的刻度线识别方法 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116309565A (zh) * | 2023-05-17 | 2023-06-23 | 山东晨光胶带有限公司 | 基于计算机视觉的高强传送带跑偏检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及*** |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测*** |
-
2023
- 2023-12-20 CN CN202311756018.XA patent/CN117437229B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103604815A (zh) * | 2013-11-26 | 2014-02-26 | 上海海事大学 | 玻璃晶片检测装置与标定方法 |
CN106919915A (zh) * | 2017-02-22 | 2017-07-04 | 武汉极目智能技术有限公司 | 基于adas***的地图道路标记及道路质量采集装置及方法 |
CN111914623A (zh) * | 2020-06-17 | 2020-11-10 | 成都飞机工业(集团)有限责任公司 | 一种圆弧刻度表盘图像的刻度线识别方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116168039A (zh) * | 2023-04-26 | 2023-05-26 | 济宁市新华电力特种材料有限公司 | 一种环保节能硅酸铝板质量检测方法 |
CN116309565A (zh) * | 2023-05-17 | 2023-06-23 | 山东晨光胶带有限公司 | 基于计算机视觉的高强传送带跑偏检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及*** |
CN117173189A (zh) * | 2023-11-03 | 2023-12-05 | 南通江华机械有限公司 | 一种铝合金表面抛光效果视觉检测*** |
Non-Patent Citations (2)
Title |
---|
XIAOLIANG QIAN ET AL.: "Micro-cracks detection of solar cells surface via combining short-term and long-term deep features", 《NEURAL NETWORKS》, 18 April 2020 (2020-04-18), pages 132 - 140 * |
李博: "基于视觉分析的物流传送带表面缺陷检测与定位***研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, 15 March 2021 (2021-03-15), pages 021 - 135 * |
Also Published As
Publication number | Publication date |
---|---|
CN117437229B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294120B (zh) | 基于图像识别的阀门表面质量检测方法 | |
CN116071387A (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
WO2020110667A1 (ja) | 表面欠陥検出方法、表面欠陥検出装置、鋼材の製造方法、鋼材の品質管理方法、鋼材の製造設備、表面欠陥判定モデルの生成方法、及び表面欠陥判定モデル | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN113643276B (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN114359246A (zh) | 输送机皮带检测方法、装置、***、电子设备及介质 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN115018850A (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN115311267B (zh) | 一种格纹织物异常检测方法 | |
CN113689429B (zh) | 一种基于计算机视觉的木板缺陷检测方法 | |
CN116523923B (zh) | 一种电池外壳缺陷识别方法 | |
CN116503397B (zh) | 基于图像数据的车内传输带缺陷检测方法 | |
CN115171051A (zh) | 一种运输皮带边缘撕裂的在线检测方法及*** | |
CN117036357B (zh) | 基于视觉特征的型钢表面缺陷检测方法 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及*** | |
CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
CN114234832B (zh) | 一种基于标靶识别的隧道监控量测方法 | |
CN114663744A (zh) | 基于机器学习的仪表自动识别方法及*** | |
CN117437229B (zh) | 基于图像分析高强阻燃转弯输送带缺陷检测方法 | |
CN117036358B (zh) | 一种数控机床刀具磨损检测方法及*** | |
CN116977333B (zh) | 基于图像数据的装配式钢结构构件质量检测方法 | |
CN112833983B (zh) | 一种基于激光扫描的煤量检测方法 | |
WO2019007164A1 (zh) | 纸币涂鸦的检测方法及装置 |
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 |