CN118115744A - 一种基于图像识别的电能表外壳检测方法 - Google Patents
一种基于图像识别的电能表外壳检测方法 Download PDFInfo
- Publication number
- CN118115744A CN118115744A CN202410487660.0A CN202410487660A CN118115744A CN 118115744 A CN118115744 A CN 118115744A CN 202410487660 A CN202410487660 A CN 202410487660A CN 118115744 A CN118115744 A CN 118115744A
- Authority
- CN
- China
- Prior art keywords
- filtering
- value
- window
- shell
- electric energy
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000007547 defect Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理领域,更具体地,本发明涉及一种基于图像识别的电能表外壳检测方法,方法包括:采集电能表的外壳图像并进行预处理;对预处理后的外壳图像进行滤波去噪,并计算滤波窗口内像素点的像素值的方差和梯度值,得到噪声水平指标;计算滤波窗口内像素点的细节信息指标和噪声水平指标对应的可信度值以及优选程度值,确定显著滤波窗口;设置多项式阶数阈值,根据显著滤波窗口和多项式阶数阈值使用最小二乘法进行滤波,对去噪后的外壳图像进行特征分类,得到电能表的外壳图像的缺陷检测结果。本发明通过对滤波窗口内的噪声水平以及细节信息进行自适应滤波窗口,提高对电能表外壳图像的去噪效果和检测方法的效率。
Description
技术领域
本发明一般地涉及图像数据处理领域。更具体地,本发明涉及一种基于图像识别的电能表外壳检测方法。
背景技术
在传统的电能表生产和检测流程中,外壳检测主要依靠人工视觉检查和物理测量,工作人员需对电能表外壳进行仔细检查,以识别裂纹、划痕、变形或其他任何制造缺陷。随着计算机视觉和图像处理技术的发展,基于图像识别的电能表外壳检测方法应运而生,这种方法使用高分辨率摄像头捕获电能表外壳的图像,然后通过图像识别算法自动识别外壳上的缺陷。在图像识别过程中往往需要对采集到的电能表外壳图像进行去噪以改善图像质量,突出缺陷特征,进而提高外壳检测的效率。
目前,使用图像识别的方法对电能表外壳图像进行检测,在检测时,图像中的噪点会影响识别的准确性,需要对外壳图像进行去噪,使用滤波去噪时,往往设置固定滤波窗口大小进行滤波,但是由于在电能表外壳图像中不同图像区域所包含的细节信息和噪声的情况复杂,使用统一大小的窗口对整个图像进行滤波时,会导致图像部分区域出现过平滑或者欠平滑的问题。
发明内容
为解决上述一个或多个技术问题,本发明提出对于每个一个像素点通过不断迭代滤波窗口大小,通过噪声和细节信息确定其优选程度,从而根据优选程度对每个像素点的滤波窗口实现自适应,以在保证去噪效果的同时保留更多的图像细节信息,进而提高对电能表外壳的去噪效果,提高基于图像识别的电能表外壳质量检测方法的效率,为此,本发明在如下的多个方面中提供方案。
一种基于图像识别的电能表外壳检测方法,包括:采集电能表的外壳图像,进行预处理;对预处理后的外壳图像进行滤波去噪,预设滤波窗口,计算所述滤波窗口内像素点的像素值的方差和梯度值,将滤波窗口中去除梯度值最大的像素点,计算滤波窗口内其他像素点的像素值的方差,将方差的差值作为噪声水平指标;计算滤波窗口内像素点的梯度幅值的均值,作为滤波窗口内细节信息指标;对梯度值使用大津法将滤波窗口内的像素点进行二分类,得到高梯度值聚类簇和低梯度值聚类簇,其中,高梯度值聚类簇是指边缘像素点或者为噪点的像素点,低梯度值聚类簇是指外壳图像内平滑的像素点;使用动态规划算法计算高梯度聚类簇中所有像素点之间的最短路径长度;计算所述高梯度值聚类簇的个数和最短路径长度的比值,作为细节信息指标的可信度值,根据细节信息指标的可信度值,得到噪声水平指标的可信度值;根据所述噪声水平指标和细节信息指标以及对应的可信度值,计算滤波窗口的优选程度值,根据所述优选程度值使用手肘法,确定显著滤波窗口;所述优选程度值满足下述关系式:,式中,/>表示滤波窗口内第/>个像素点的第/>次迭代过程中的滤波窗口优选程度值,/>表示噪声水平指标的可信度值,/>表示滤波窗口内对第/>个像素点进行滤波前的噪声水平指标,/>表示滤波窗口内对第/>个像素点进行滤波后的噪声水平指标,/>表示/>与/>差值的绝对值,/>表示滤波窗口内对第/>个像素点进行滤波前的细节信息指标,/>表示滤波窗口内对第/>个像素点进行滤波后的细节信息指标,/>表示/>与/>差值的绝对值,/>表示指数函数;设置多项式阶数阈值,根据所述显著滤波窗口和多项式阶数阈值使用最小二乘法进行滤波,完成对电能表的外壳图像的去噪,对去噪后的外壳图像进行提取关键特征,使用神经网络模型进行特征分类,得到电能表的外壳图像的缺陷检测结果。
在一个实施例中,所述噪声水平指标满足下述关系式:
式中,表示滤波窗口的噪声水平指标,/>表示滤波窗口内所有像素点像素值的方差,/>表示去除滤波窗口内一个噪声点后的方差,/>表示/>与/>差值的绝对值。
在一个实施例中,所述细节信息指标满足下述关系式:
式中,表示滤波窗口内的细节信息指标,/>表示滤波窗口内像素点的个数,/>表示滤波窗口内第/>个像素点的梯度幅度,/>表示滤波窗口内像素点的梯度幅值的均值。
在一个实施例中,所述细节信息指标的可信度值满足下述关系式:
式中,表示噪声水平指标的可信度值,/>表示滤波窗口内高梯度值聚类簇的像素点个数,/>表示高梯度值聚类簇中所有像素点的最短路径的路径长度,/>表示细节信息指标的可信度值,/>表示指数函数。
在一个实施例中,根据所述噪声水平指标和细节信息指标以及对应的可信度值,计算滤波窗口的优选程度值,包括以下步骤:
计算滤波前后噪声水平指标的差值,作为滤波窗口的去噪程度;
计算滤波前后细节信息指标的差值,作为滤波窗口的细节信息的损失程度;
根据每次迭代滤波窗口内滤波前后的去噪程度和损失程度,得到迭代滤波窗口的优选程度值。
在一个实施例中,对所述去噪后的外壳图像进行提取关键特征,使用神经网络模型进行特征分类,得到电能表的外壳图像的缺陷检测结果,包括步骤:
根据所述去噪后的外壳图像进行边缘检测、纹理分析和形态学操作,提取图像中缺陷纹理特征;
将缺陷纹理特征构建样本数据集,卷积神经网络模型进行训练,得到优异分类模型,并实时获取新的电能表的外壳图像输入到优异分类模型中,进行预测,得到电能表的外壳图像检测结果。
本发明具有以下效果:
1、本发明通过图像中的每个像素点的滤波窗口内的噪声水平以及细节信息进行自适应窗口,能够避免统一滤波窗口进行滤波时,对图像造成过平滑或者欠平滑的问题,确保去噪效果的同时保留更多的图像细节信息,从而提高对电能表外壳图像的去噪效果,进而提高基于图像识别的电能表外壳检测方法的效率。
2、本发明通过分析电能表外壳图像中每个像素点在不同大小的滤波窗口内的优选程度,进行SG滤波时自适应滤波窗口,相较于传统算法中通过人为不断调试滤波窗口大小的方式,并依据调试后的滤波窗口大小对整幅图像进行SG滤波的方法,能够有效节省人工调试滤波窗口所带来的时间成本以及人为的主观因素,提高滤波效率。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例一种基于图像识别的电能表外壳检测方法中步骤S1-步骤S8的方法流程图。
图2是本发明实施例一种基于图像识别的电能表外壳检测方法中步骤S70-步骤S72的方法流程图。
图3是本发明实施例一种基于图像识别的电能表外壳检测方法中步骤S80-步骤S81的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,一种基于图像识别的电能表外壳检测方法包括步骤S1-步骤S8,具体如下:
S1:采集电能表的外壳图像,进行预处理。
进一步说明,实用工业相机对电能表的外壳图像进行拍摄,设置光照均匀的照明条件,对外壳图像进行采集;对外壳图像进行灰度化处理,从而有利于进一步去噪处理。
S2:对预处理后的外壳图像进行滤波去噪,预设滤波窗口,计算滤波窗口内像素点的像素值的方差和梯度值,将滤波窗口中去除梯度值最大的像素点,计算滤波窗口内其他像素点的像素值的方差,将方差的差值作为噪声水平指标。
噪声水平指标满足下述关系式:
式中,表示滤波窗口的噪声水平指标,/>表示滤波窗口内所有像素点像素值的方差,/>表示去除滤波窗口内一个噪声点后的方差,/>表示/>与/>差值的绝对值。
进一步说明,本实施例中,梯度值采用拉普拉斯算子方法计算,拉普拉斯算子(Laplace Operator)是n维欧几里德空间中的一个二阶微分算子,本技术为公知领域,本实例中不再详细描述;因为噪声往往表示为突变点,这会导致滤波窗口内像素值的局部方差变大,然后除去噪声点后其局部方差又会出现明显的降低。因此可利用滤波窗口内像素点像素值的方差大小以及去除梯度值最大的点(本案认为梯度值最大的点为噪声点,因为突变点的像素值与周围像素点差值大即其梯度值较大)前后的方差差值表征滤波窗口内的噪声水平指标,其中方差越大并且去除噪声点前后方差的差值越大,则噪声水平指标越大。
S3:计算滤波窗口内像素点的梯度幅值的均值,作为滤波窗口内细节信息指标。
细节信息指标满足下述关系式:
式中,表示滤波窗口内的细节信息指标,/>表示滤波窗口内像素点的个数,/>表示滤波窗口内第/>个像素点的梯度幅度,/>表示滤波窗口内像素点的梯度幅值的均值。
进一步说明,本实施例中,细节信息即为电能表外壳中本身存在的纹理轮廓以及各种缺陷的边缘信息,这样的边缘信息最主要的特征就是梯度值较大,因此可利用窗内像素点的梯度幅值的均值表示,梯度幅值越高说明滤波窗口内的边缘信息越多,则滤波窗口内细节信息指标越大。
本实施例中,因为噪声水平指标是通过滤波窗口内的像素点像素值的方差表示,那么由于滤波窗口内还可能存在自身纹理边缘和缺陷边缘,这也会导致像素值的方差变大,因此需要对噪声水平指标做出修正;反之由于细节信息指标是通过滤波窗口内的梯度大小计算得到,而噪声也会引起梯度值的变化,因此也需要对细节信息指标做出修正;而噪声点导致的梯度值变化和细节信息导致的梯度值变化的区别是梯度值较高像素点的连续性,噪点导致的梯度值变化往往是一个孤立点,而细节信息导致的梯度值变化是一些连续紧密的点,因此可利用梯度值较高像素点的连续性计算得到两个指标的可信度,连续性越高则说明滤波窗口内梯度值是由细节信息导致的,则细节信息指标的可信度较高,反之噪声水平指标的可信度较低。
S4:对梯度值使用大津法将滤波窗口内的像素点进行二分类,得到高梯度值聚类簇和低梯度值聚类簇,其中,高梯度值聚类簇是指边缘像素点或者为噪点的像素点,低梯度值聚类簇是指外壳图像内平滑的像素点。
进一步说明,本实施例中,梯度值较大的一类的像素点作为梯度值较高的一类,即属于边缘像素点或者噪点的像素点,对边缘像素点和噪声点进行连续性分析。
S5:使用动态规划算法计算高梯度聚类簇中所有像素点之间的最短路径长度。
进一步说明,利用Floyd(动态规划算法)算法,又称为插点法,本技术为公知技术,不再详细描述,通过Floyd算法找到一条包含梯度值较高一类中所有像素点的最短路径(边权为两个像素点之间的欧氏距离)。
S6:计算高梯度值聚类簇的个数和最短路径长度的比值,作为细节信息指标的可信度值,根据细节信息指标的可信度值,得到噪声水平指标的可信度值。
细节信息指标的可信度值满足下述关系式:
式中,表示噪声水平指标的可信度值,/>表示滤波窗口内高梯度值聚类簇的像素点个数,/>表示高梯度值聚类簇中所有像素点的最短路径的路径长度,/>表示细节信息指标的可信度值,/>表示指数函数。
进一步说明,使用该路径长度与点数的比值即可表征两个点之间的平均距离即连续性,如果比值越小则平均距离越小,则连续性越好;为利用Floyd算法找到的一条包含梯度值较高一类中所有像素点的最短路径的路径长度,则/>表示路径长度与点数的比值表征连续性。
S7:根据噪声水平指标和细节信息指标以及对应的可信度值,计算滤波窗口的优选程度值,根据优选程度值使用手肘法,确定显著滤波窗口。
参考图2,包括步骤S70-步骤S72:
进一步说明,滤波窗口的去噪效果可用滤波前后噪声水平指标的差值表示,差值越大则去噪效果越好,则滤波窗口的优选程度越高;滤波窗口细节信息的损失可用滤波前后细节信息指标的差值表示,差值越大则细节损失越多,则滤波窗口的优选程度越低;同时利用两个指标的可信度分别作为滤波前后指标变化的可信度,如果细节信息指标的可信度越高,说明滤波窗口内细节信息比较重要,则细节信息指标变化表征滤波窗口优选程度时所占重要性就越大,噪声水平指标变化表征滤波窗口优选程度时所占重要性就越小。
S70:计算滤波前后噪声水平指标的差值,作为滤波窗口的去噪程度;
S71:计算滤波前后细节信息指标的差值,作为滤波窗口的细节信息的损失程度;
S72:根据每次迭代滤波窗口内滤波前后的去噪程度和损失程度,得到迭代滤波窗口的优选程度值。
进一步说明,以像素点(电能表的外壳图像中第/>个像素点)为例,初始迭代滤波窗口大小为以当前像素点/>为中心的/>滤波窗口大小(经验值/>,/>为奇数),迭代步长为2(滤波窗口的边长大小,即/>、/>和/>……)。在进行SG滤波时,不对图像中边缘两圈的像素点进行滤波,不需要对这些像素点进行相关计算,对于除边缘两圈像素点的边缘像素点的/>、/>滤波窗口都可以完整取到,但对于更大的滤波窗口则做相应的截断(例如图像中位于第3行第3列位置像素点取/>滤波窗口时,由于该像素点靠近边缘,取不到/>大小的滤波窗口,则取上方的两行,左边两列,右边三列,下方三列的滤波窗口范围)。然后计算每次迭代滤波窗口内滤波前后的噪声水平指标和细节信息指标,从而得到迭代滤波窗口的优选程度。
优选程度值满足下述关系式:
式中,表示滤波窗口内第/>个像素点的第/>次迭代过程中的滤波窗口优选程度值,/>表示噪声水平指标的可信度值,/>表示滤波窗口内对第/>个像素点进行滤波前的噪声水平指标,/>表示滤波窗口内对第/>个像素点进行滤波后的噪声水平指标,/>表示/>与/>差值的绝对值,/>表示滤波窗口内对第/>个像素点进行滤波前的细节信息指标,/>表示滤波窗口内对第/>个像素点进行滤波后的细节信息指标,/>表示与/>差值的绝对值,/>表示指数函数。
进一步说明,即为滤波前后噪声水平指标的差值表征当前滤波窗口的去噪效果;/>为归一化过程,这样做的目的是与后续细节信息损失表征滤波窗口优选程度/>时的损失统一度量;
即为滤波前后细节信息指标的差值表征当前滤波窗口细节信息的损失,则/>即为对滤波窗口优选程度的影响。
本实施例中,使用手肘法确定显著滤波窗口,手肘法为公知技术,不再详细描述。
S8:设置多项式阶数阈值,根据显著滤波窗口和多项式阶数阈值使用最小二乘法进行滤波,完成对电能表的外壳图像的去噪,对去噪后的外壳图像进行提取关键特征,使用神经网络模型进行特征分类,得到电能表的外壳图像的缺陷检测结果。
进一步说明,本实施例中,多项式阶数阈值设置为3,滤波窗口与多项式阶数阈值的次数共同控制平滑效果(低的次数得到的拟合结果较平滑,保留细节少;高的次数拟合结果保留细节多,甚至会出现新噪声)。
参考图3,包括步骤S80-步骤S81:
S80:根据去噪后的外壳图像进行边缘检测、纹理分析和形态学操作,提取图像中缺陷纹理特征;
进一步说明,可以使用Canny边缘检测算法来检测外壳图像中的边缘,或者使用纹理分析方法如灰度共生矩阵、Gabor滤波器来提取图像的纹理信息。
S81:将缺陷纹理特征构建样本数据集,卷积神经网络模型进行训练,得到优异分类模型,并实时获取新的电能表的外壳图像输入到优异分类模型中,进行预测,得到电能表的外壳图像检测结果。
进一步说明,利用卷积神经网络(Convolutional Neural Network,CNN)对提取出的特征进行分类,将识别出来的缺陷以视觉形式展现给工作人员并记录在数据库中,以便于进一步的分析和处理。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.一种基于图像识别的电能表外壳检测方法,其特征在于,包括:
采集电能表的外壳图像,进行预处理;
对预处理后的外壳图像进行滤波去噪,预设滤波窗口,计算所述滤波窗口内像素点的像素值的方差和梯度值,将滤波窗口中去除梯度值最大的像素点,计算滤波窗口内其他像素点的像素值的方差,将方差的差值作为噪声水平指标;
计算滤波窗口内像素点的梯度幅值的均值,作为滤波窗口内细节信息指标;
对梯度值使用大津法将滤波窗口内的像素点进行二分类,得到高梯度值聚类簇和低梯度值聚类簇,其中,高梯度值聚类簇是指边缘像素点或者为噪点的像素点,低梯度值聚类簇是指外壳图像内平滑的像素点;
使用动态规划算法计算高梯度聚类簇中所有像素点之间的最短路径长度;
计算所述高梯度值聚类簇的个数和最短路径长度的比值,作为细节信息指标的可信度值,根据细节信息指标的可信度值,得到噪声水平指标的可信度值;
所述优选程度值满足下述关系式:
;
式中,表示滤波窗口内第/>个像素点的第/>次迭代过程中的滤波窗口优选程度值,/>表示噪声水平指标的可信度值,/>表示滤波窗口内对第/>个像素点进行滤波前的噪声水平指标,/>表示滤波窗口内对第/>个像素点进行滤波后的噪声水平指标,/>表示与/>差值的绝对值,/>表示滤波窗口内对第/>个像素点进行滤波前的细节信息指标,表示滤波窗口内对第/>个像素点进行滤波后的细节信息指标,/>表示/>与差值的绝对值,/>表示指数函数;
根据所述噪声水平指标和细节信息指标以及对应的可信度值,计算滤波窗口的优选程度值,根据所述优选程度值使用手肘法,确定显著滤波窗口;
设置多项式阶数阈值,根据所述显著滤波窗口和多项式阶数阈值使用最小二乘法进行滤波,完成对电能表的外壳图像的去噪,对去噪后的外壳图像进行提取关键特征,使用神经网络模型进行特征分类,得到电能表的外壳图像的缺陷检测结果。
2.根据权利要求1所述的一种基于图像识别的电能表外壳检测方法,其特征在于,所述噪声水平指标满足下述关系式:
;
式中,表示滤波窗口的噪声水平指标,/>表示滤波窗口内所有像素点像素值的方差,表示去除滤波窗口内一个噪声点后的方差,/>表示/>与/>差值的绝对值。
3.根据权利要求1所述的一种基于图像识别的电能表外壳检测方法,其特征在于,所述细节信息指标满足下述关系式:
;
式中,表示滤波窗口内的细节信息指标,/>表示滤波窗口内像素点的个数,/>表示滤波窗口内第/>个像素点的梯度幅度,/>表示滤波窗口内像素点的梯度幅值的均值。
4.根据权利要求1所述的一种基于图像识别的电能表外壳检测方法,其特征在于,所述细节信息指标的可信度值满足下述关系式:
;
式中,表示噪声水平指标的可信度值,/>表示滤波窗口内高梯度值聚类簇的像素点个数,/>表示高梯度值聚类簇中所有像素点的最短路径的路径长度,/>表示细节信息指标的可信度值,/>表示指数函数。
5.根据权利要求1所述的一种基于图像识别的电能表外壳检测方法,其特征在于,根据所述噪声水平指标和细节信息指标以及对应的可信度值,计算滤波窗口的优选程度值,包括以下步骤:
计算滤波前后噪声水平指标的差值,作为滤波窗口的去噪程度;
计算滤波前后细节信息指标的差值,作为滤波窗口的细节信息的损失程度;
根据每次迭代滤波窗口内滤波前后的去噪程度和损失程度,得到迭代滤波窗口的优选程度值。
6.根据权利要求1所述的一种基于图像识别的电能表外壳检测方法,其特征在于,对所述去噪后的外壳图像进行提取关键特征,使用神经网络模型进行特征分类,得到电能表的外壳图像的缺陷检测结果,包括步骤:
根据所述去噪后的外壳图像进行边缘检测、纹理分析和形态学操作,提取图像中缺陷纹理特征;
将缺陷纹理特征构建样本数据集,卷积神经网络模型进行训练,得到优异分类模型,并实时获取新的电能表的外壳图像输入到优异分类模型中,进行预测,得到电能表的外壳图像检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487660.0A CN118115744B (zh) | 2024-04-23 | 一种基于图像识别的电能表外壳检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410487660.0A CN118115744B (zh) | 2024-04-23 | 一种基于图像识别的电能表外壳检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118115744A true CN118115744A (zh) | 2024-05-31 |
CN118115744B CN118115744B (zh) | 2024-07-02 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047821A1 (en) * | 2005-08-26 | 2007-03-01 | Fuji Photo Film Co., Ltd. | Image processing apparatus, image processing method and image processing program |
CN115082776A (zh) * | 2022-08-18 | 2022-09-20 | 无锡市恒通电器有限公司 | 一种基于图像识别的电能表自动检测***及方法 |
CN115690012A (zh) * | 2022-10-18 | 2023-02-03 | 浙江华云信息科技有限公司 | 一种电能表接错线的检测方法 |
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*** |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047821A1 (en) * | 2005-08-26 | 2007-03-01 | Fuji Photo Film Co., Ltd. | Image processing apparatus, image processing method and image processing program |
CN115082776A (zh) * | 2022-08-18 | 2022-09-20 | 无锡市恒通电器有限公司 | 一种基于图像识别的电能表自动检测***及方法 |
CN115690012A (zh) * | 2022-10-18 | 2023-02-03 | 浙江华云信息科技有限公司 | 一种电能表接错线的检测方法 |
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
CN114757900B (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN111223093A (zh) | 一种aoi缺陷检测方法 | |
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN115063423B (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN116610938B (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN117576100A (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN114663391A (zh) | 一种基于无监督深度学习算法的工业图像缺陷检测方法 | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测***及其方法 | |
CN117934467A (zh) | 基于图像处理的钛金属焊接质量检测方法及*** | |
CN116777917B (zh) | 一种光缆生产用缺陷检测方法及*** | |
CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 | |
CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
CN118115744A (zh) | 一种基于图像识别的电能表外壳检测方法 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及*** | |
Liang et al. | Automated detection of coffee bean defects using multi-deep learning models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |