CN116524004B - 基于HoughLines算法的钢筋尺寸检测方法及系统 - Google Patents
基于HoughLines算法的钢筋尺寸检测方法及系统 Download PDFInfo
- Publication number
- CN116524004B CN116524004B CN202310803942.2A CN202310803942A CN116524004B CN 116524004 B CN116524004 B CN 116524004B CN 202310803942 A CN202310803942 A CN 202310803942A CN 116524004 B CN116524004 B CN 116524004B
- Authority
- CN
- China
- Prior art keywords
- length
- group
- steel bar
- detection
- straight lines
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 127
- 239000010959 steel Substances 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 176
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 50
- 238000004519 manufacturing process Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 19
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000003491 array Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 206010061274 Malocclusion Diseases 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 108700041286 delta Proteins 0.000 claims 3
- 230000009466 transformation Effects 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract 1
- 230000026676 system process Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000012797 qualification Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000003326 Quality management system Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明为基于HoughLines算法的钢筋尺寸检测方法及系统，检测系统通过计算机批量处理建筑工地或钢筋集中加工工厂现场的钢筋拍摄图像，提取HoughLines这一直线检测机器视觉算法中最核心的HoughLines直线检测函数作为根本检测手段，充分利用其代码量小、处理速度快、使用方便、处理效果较好的优势，结合数据格式转换模块、尺寸检测模块、外部传输显示模块三大模块共同运行，进而实现钢筋尺寸检测自动化和智能化的转型升级，在提高速度和准确率的同时有效降低人工检测成本。
Description
技术领域
本发明属于钢筋质量检测技术领域，具体是一种基于HoughLines算法的钢筋尺寸（包括长度和直径）检测方法及系统。
背景技术
钢筋是传统建筑行业不可或缺的关键材料，占到原材料总造价的30%以上，每年可带动千亿级的钢筋加工市场。由于钢筋是整个建筑物的骨架，其质量直接决定着建筑的安全性，因此对钢筋尺寸的偏差必须控制在一定的允许偏差范围之内，从而在钢筋验收过程中需要对钢筋进行尺寸（包括长度和直径）的检测，确保所用于建造的建筑结构的稳定。
在目前的钢筋生产加工过程中，传统钢筋加工模式仍以建筑工地上游标卡尺和米尺人工测量、原位实测为主，错误率高且误差较大，效率极低，加之抽样检测时难以保证每根生产出的钢筋都符合施工标准，亟待智能化的转型升级。但现有的钢筋测量板等物理检测装置，如CN 110779421 A一种用于钢筋尺寸的检测装置及检测方法，其装置只能针对单一类型的钢筋进行测量，检测参数提取困难、运行维护成本高、测量周期较长、精度有待提高。
而关于现存的钢筋尺寸智能检测方法，如CN 110264466 B一种基于深度卷积神经网络的钢筋检测方法，虽然集成了检测精度较高、泛化性和稳定性更好的级联R-CNN、特征金字塔网络、可变形卷积模块等高级算法，但却严重影响了检测的速度，不适用于钢筋集中加工工厂快速高效的检测要求。
因此，发明一种准确、高效、简便的基于HoughLines算法的钢筋尺寸检测方法对打造一套高效精准的钢筋生产加工质量管理体系尤为重要。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于HoughLines算法的钢筋尺寸检测方法及系统。
本发明解决所述技术问题的技术方案是：
第一方面，本发明提供一种基于HoughLines算法的钢筋尺寸检测方法，所述检测方法包括以下步骤：
获取待检测钢筋的图像，进行HoughLines直线检测；
设置角度误差阈值TH1，利用角度误差阈值TH1在HoughLines直线检测结果中找到所有相互平行的平行直线，获得多个平行组，并使用K-Means聚类算法将所有平行组划分为长度组和宽度组两个计算大组，获得这两个计算大组的聚类中心；
排除干扰线：基于长度组和宽度组各自的聚类中心，计算组中直线与聚类中心二维检测数组的数值之差，首先排除角度干扰线，之后再排除长度干扰线，获得长度组和宽度组各N2对属于钢筋边缘轮廓的直线的二维检测数组；所述宽度组中N2取值大于等于5；所述长度组中N2取值大于等于3；
在长度组中，与原点距离最大的N2条直线的均值为L1，与原点距离最小的N2条
直线的均值为L2，则均值L1和L2为两条特征直线的长度特征值；所述是满足
HoughLines直线检测阈值条件的直线到原点的垂直距离；
在宽度组中，与原点距离最大的N2条直线的均值为W1，与原点距离最小的N2条
直线的均值为W2，则均值W1和W2为两条特征直线的长度特征值；
在获得长度组和宽度组各自的两条特征直线的长度特征值之后，以L1-L2作为钢
筋在像素点维度上的长度L，以W1-W2作为钢筋在像素点维度上的宽度，进而获得钢筋尺
寸。
所述图像预处理包括灰度化处理、Canny边缘检测；
所述灰度化处理为按照
对采集的彩色待检测钢筋照片转换成只保留亮度信息的黑白钢筋图像，其中为灰度
化后的图像，、、分别为R、G、B三通道在像素点的图像。
获取待检测钢筋的图像的过程是：
布置采集环境：固定好工业相机或其它获取图片信息的硬件设备拍摄的位置，并搭配与钢筋本身颜色对比较为明显的拍摄背景板，推荐使用白色背景板；
构建尺寸检测数据库：获取相同产线上不同类型钢筋产品通过调试拍摄设备与钢筋样品的距离和使用焦距确定的距离系数α，所述距离系数α为计算机所识别的像素点数量与现实物理空间中实际距离之间的换算系数；
根据钢筋类型设定所需HoughLines直线检测的阈值K的范围，将相同产线的钢筋类型、阈值K的范围、距离系数α之间进行一一对应，单条产线不同钢筋类型对应的距离系数α和阈值K的范围形成参数数据集，大量产线的参数数据集构成尺寸检测数据库；
所述HoughLines直线检测时，在进行函数参数设置时，已知待测钢筋的类型，直接根据待测钢筋的类型从尺寸检测数据库中确定对应的阈值K的范围，再通过工作人员结合实时显示出的可视化检测结果，对参数进行及时的修正，以完成函数参数的合理设定；参数设置环节结合钢筋种类进行自由调整；
当排除干扰线操作中，取满足相应组内误差要求的直线的数量小于N1或N2时，需要按照“N1/N2→K→其它参数”的顺序调整检测条件，直至得到符合要求的检测结果；调整过程中若调整N1和N2的值至边界范围时程序依然无法正常运行，则调整阈值K；若在尺寸检测数据库中对应产线的钢筋类型的阈值K的范围之内均不能满足检测要求，再调整其它参数，所述其它参数为Y1、Y2、TH1。
所述宽度组中的N1取值大于等于100，N2取值大于等于5；所述长度组中的N1取值大于等于40，N2取值大于等于3。N1、N2的取值均为正整数。
第二方面，本发明提供一种基于HoughLines算法的钢筋尺寸检测系统，执行所述的检测方法。
本发明一种基于HoughLines算法的钢筋尺寸检测系统，所述检测系统包括：数据格式转换模块、尺寸检测模块、外部传输显示模块；
所述数据格式转换模块包括图像采集传输和图像预处理两个阶段，旨在获取可检测源文件及相应检测参数范围，消除图像中的无关信息，增强有关信息的可检测性；
所述尺寸检测模块包括HoughLines直线检测和尺寸检测计算两个环节，对HoughLines直线检测的检测结果，经过尺寸检测计算环节获得钢筋的准确长度和直径；
所述外部传输显示模块连接有外部设备显示器，将检测结果与汇总分析得到的结论进行可视化展示；
所述尺寸检测模块中的尺寸检测计算环节包括寻找平行线单元、排除干扰线单元、选取特征直线单元、钢筋尺寸计算单元；
所述寻找平行线单元利用HoughLines算法检测得出的直线角度，获取了所有可用于计算的平行组，并完成长度组和宽度组的划分；
所述排除干扰线单元在满足角度分类阈值Y1的前提下，在长度组和宽度组分别得到N2对能代表钢筋长度和直径的直线；所述宽度组中N2取值大于等于5；所述长度组中N2取值大于等于3；
所述选取特征直线单元使用求取平均值的方式构造出最终用于尺寸计算的特征直线；
所述钢筋尺寸计算单元对选取特征直线单元获得的特征直线进行计算，结合距离系数得到钢筋的实际长宽数据。
进一步地，所述寻找平行线单元的具体实现过程是：
设置角度误差阈值TH1，计算HoughLines直线检测获得的任意两个二维检测数组
中之差的绝对值，若绝对值小于角度误差阈值TH1，则认为两直线为平行直线；否则不为
平行直线；利用角度误差阈值找到所有相互平行的平行直线，获得多个平行组；计算出每个
平行组中直线的角度的平均值，以角度的平均值作为当前平行组的代表角度；随后根据
不同平行组之间的数值，使用K-Means聚类算法将多个平行组划为长度组和宽度组这两
个计算大组，聚类时视为一类，将最终的的范围控制在[0,180°]；根据长度组
和宽度组内各平行直线对应的二维检测数组，分别计算长度组和宽度组的聚类中
心，均用表示；所述为长度组和宽度组中所有直线到原点的垂直距离的平均值，
所述为长度组和宽度组中所有直线垂直线与逆时针旋转测量的水平轴之间所成的角度
的平均值。
所述是满足HoughLines直线检测阈值条件的直线的垂直线与其逆时针旋转测
量的水平轴之间所形成的角度，的范围同样通过的方式控制在[0,180°]；是满
足HoughLines直线检测阈值条件的直线到原点的垂直距离。
进一步地，所述排除干扰线单元包括排除角度干扰线和排除长度干扰线，具体实
现过程是：基于长度组和宽度组各自的聚类中心，计算长度组和宽度组中各直线的值与各自聚类中心的差值；设置角度分类阈值Y1和角度计算量N1，将长度组和宽度
组各自的从小到大进行排序，分别取长度组和宽度组的角度组内误差在Y1之内的较
小的前N1条同类直线保留，排除角度干扰线；
设置长度分类阈值Y2和长度计算量N2，根据长度组和宽度组各自取出的前N1条同
类直线，在各自的组内将前N1条同类直线的值按照值从小到大进行排序，取长度组内
误差在Y2之内的前N2条和后N2条同类直线保留，排除长度干扰线；
所述宽度组中N1取值大于等于100，所述长度组中的N1取值大于等于40。
进一步地，所述选取特征直线单元的具体实现过程是：取长度组内误差在Y2之内的后N2条同类直线为与原点距离最大的N2条直线，取长度组内误差在Y2之内的前N2条同类直线为与原点距离最小的N2条直线；在进行长度干扰线排除后分别获得长度组和宽度组各N2对属于钢筋边缘轮廓的直线的二维检测数组；
在长度组中，与原点距离最大的N2条直线的均值为L1，与原点距离最小的N2条
直线的均值为L2，则均值L1和L2为两条特征直线的长度特征值；
在宽度组中，与原点距离最大的N2条直线的均值为W1，与原点距离最小的N2条
直线的均值为W2，则均值W1和W2为两条特征直线的长度特征值。
进一步地，所述钢筋尺寸计算单元的具体实现过程是：在获得长度组和宽度组各
自的两条特征直线之后，以作为钢筋在像素点维度上的长度L，以作为钢
筋在像素点维度上的宽度；
将像素点维度上的长度和宽度转换为真实物理空间内对应的实际钢筋尺寸，实现钢筋尺寸的检测。
进一步地，所述外部传输显示模块将尺寸检测模块获得的钢筋尺寸进行保存和显示、通过显示器进行数据动态展示、根据检测的长度和直径（宽度）进行合格判断，所述动态展示的内容包括在源图像上直接标注出的HoughLines直线检测结果图和最终的钢筋尺寸计算结果图；并根据每隔一段时间的检测结果进行分析汇总，输出这段时间的钢筋数量与长度、直径的分布图，同时输出合格率信息，用于对所检测的该条钢筋生产线的生产质量进行评估分析，得出每一时间段内产线的生产情况，最后将数据通过互联网上传到服务器存档，以便进行生产过程优化。
与现有技术相比，本发明有益效果在于：
1、本发明检测系统通过计算机批量处理建筑工地或钢筋集中加工工厂现场的钢筋拍摄图像，提取HoughLines这一直线检测机器视觉算法中最核心的HoughLines直线检测函数作为根本检测手段，充分利用其代码量小、处理速度快、使用方便、处理效果较好的优势，结合数据格式转换模块、尺寸检测模块、外部传输显示模块三大模块共同运行，进而实现钢筋尺寸检测自动化和智能化的转型升级，在提高速度和准确率的同时有效降低人工检测成本。
2、本发明检测方法中的图像预处理环节创新性地结合了Pillow图像处理库中的格式转换功能和Canny边缘检测方法，既简化了图片读取处理时信息量过大、内存占用过高、处理效率低下的困难，又最大程度上避免了图像噪声的干扰，能够检测到全面真正的弱边缘，较好地满足了HoughLines直线检测的要求，具有特征提取准确、运行高效、处理兼容性好等明显优势。
3、本发明检测方法中涉及寻找平行线、排除干扰线、选定特征直线、钢筋尺寸计算四个环节，在克服传统尺寸计算方法中只取极值造成计算结果偏大缺点的基础之上，又有效地解决了特征直线不平行、测量直线倾斜、部分取值直线过于密集等问题，能够有效将钢筋尺寸测量误差控制在一个更小的区间范围之内。
4、本发明基于图像中的像素点数量进行尺寸计算，为此定义了距离系数α，使得实际将钢筋图像中的像素点数量转化为实际钢筋尺寸时更加精确可靠，并且以之为基础搭配了具有数据有线/无线传输、图表可视化显示、合格率实时反馈等功能的外部传输显示模块，并且能够支持内置参数（N1和N2、K、Y1、Y2、TH1等）调节，可以推广应用到不同种类不同工艺的钢筋生产线上，且保持操作简单、传输稳定、计算精确、判断准确等特点。
附图说明
图1为本发明基于HoughLines算法的钢筋尺寸检测系统的整体流程图；
图2为本发明基于HoughLines算法的钢筋尺寸检测系统的实物连接示意图；
图3为本发明一种实施例的检测方法的流程示意图；
图4为本发明一种实施例的待检测钢筋源文件；
图5为本发明一种实施例的HoughLines直线检测结果图，图中为灰度处理后的结果；
图6为本发明一种实施例的钢筋尺寸计算结果图；
图7为本发明一种实施例的钢筋尺寸检测结果的可视化表示。
具体实施方式
下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。
本发明一种基于HoughLines算法的钢筋尺寸检测方法，所述检测方法包括以下步骤：
直线检测：设定HoughLines直线检测的阈值K，获取待检测钢筋的图像，经图像预
处理后进行HoughLines直线检测，获得所有满足阈值K的二维检测数组，是满足
HoughLines直线检测阈值条件的直线到原点的垂直距离，所述是满足HoughLines直线检
测阈值条件的直线的垂直线与其逆时针旋转测量的水平轴之间所形成的角度，的范围同
样通过的方式控制在[0,180°]；
寻找平行线：设置角度误差阈值TH1，计算HoughLines直线检测获得的任意两个二
维检测数组中之差的绝对值，若绝对值小于角度误差阈值TH1，则认为两直线为平行直
线；否则不为平行直线；利用角度误差阈值找到所有相互平行的平行直线，获得多个平行
组；计算出每个平行组中直线的角度的平均值，以角度的平均值作为当前平行组的代表角
度；随后根据不同平行组之间的数值，使用K-Means聚类算法将多个平行组划为长度
组和宽度组这两个计算大组，聚类时视为一类，将最终的的范围控制在[0,
180°]；根据长度组和宽度组内各平行直线对应的二维检测数组，分别计算长度组和
宽度组的聚类中心，均用表示；所述为长度组和宽度组中所有直线到原点的垂直
距离的平均值，所述为长度组和宽度组中所有直线垂直线与逆时针旋转测量的水平轴之
间所成的角度的平均值。
排除干扰线：包括排除角度干扰线和排除长度干扰线：基于长度组和宽度组各自
的聚类中心，计算长度组和宽度组中各直线的值和各自聚类中心的差值，设
置角度分类阈值Y1和角度计算量N1，将长度组和宽度组各自的从小到大进行排序，分别
取长度组和宽度组的角度组内误差在Y1之内的前N1条同类直线保留，排除角度
干扰线；
设置长度分类阈值Y2和长度计算量N2，根据长度组和宽度组各自取出的前N1条同
类直线，在各自的组内将前N1条同类直线的值按照值从小到大进行排序，取取长度组
内误差在Y2之内的前N2条和后N2条同类直线保留，排除长度干扰线；
所述组内误差指的是同组内（长度组/宽度组）不同直线的二维检测数组的
参数差值，其中之差称为长度组内误差，之差称为角度组内误差；
选取特征直线：取长度组内误差在Y2之内的后N2条同类直线为与原点距离最大的N2条直线，取长度组内误差在Y2之内的前N2条同类直线为与原点距离最小的N2条直线，在进行长度干扰线排除后分别获得长度组和宽度组各N2对属于钢筋边缘轮廓的直线的二维检测数组；
在长度组中，与原点距离最大的N2条直线的均值为L1，与原点距离最小的N2条
直线的均值为L2，则均值L1和L2为两条特征直线的长度特征值；
在宽度组中，与原点距离最大的N2条直线的均值为W1，与原点距离最小的N2条
直线的均值为W2，则均值W1和W2为两条特征直线的长度特征值；
钢筋尺寸计算：在获得长度组和宽度组各自的两条特征直线之后，以L1-L2作为钢
筋在像素点维度上的长度L，以W1-W2作为钢筋在像素点维度上的宽度；
将像素点维度上的长度和宽度转换为真实物理空间内对应的实际钢筋尺寸，实现钢筋尺寸的检测。
实施例1：本实施例基于HoughLines算法的钢筋尺寸检测方法（参见图3），该检测方法包括以下步骤：
步骤1：图像采集传输
（1）布置采集环境
在开始尺寸检测之前，需要先从硬件上布置好采集环境，主要包括固定好工业相机（或其它获取图片信息的硬件设备）拍摄的位置，并搭配与钢筋本身颜色对比较为明显的拍摄背景板（推荐使用白色）两个方面，进而解决尺寸计算参数调整过多和预处理阶段灰度化处理精确度较低的问题。
（2）构建尺寸检测数据库
在布置好采集环境之后，调整拍摄设备与钢筋样品之间的距离和使用焦距，根据样品的已知尺寸和待检测钢筋源文件的图片拍摄效果确定距离系数α，所述距离系数为计算机所识别的像素点数量与现实物理空间中实际距离之间的换算系数。
根据历史检测经验得到HoughLines直线检测的阈值K的范围，将相同产线的钢筋类型、阈值K的范围、距离系数α之间进行一一对应，单条产线不同钢筋类型对应的距离系数α和阈值K的范围形成参数数据集，大量产线的参数数据集构成尺寸检测数据库，服务于后续的函数参数设置环节。所述同类型待测产品指钢筋的材质、直径、型号相同。尺寸检测数据库结合所述钢筋尺寸检测方法的检测结果，在实际生产检测的过程中不断加以完善和修订。
（3）传输至计算机
在将拍摄好的图像文件传输至计算机的指定位置时，进行试验参数设置，可以通过有线传输和/或无线传输两种方式进行。有线传输安全性较高、带宽较高、抗干扰能力强，但移动性较差，适用于长期固定的、需求量大的尺寸检测场所，如PC构件厂的检测；无限传输连接方便、移动性好、设置和维护都比较简单，但稳定性安全性弱，传输速率较慢，适用于临时生产线对速率和稳定性要求较低的装配。
步骤2：图像预处理
（1）布置运行环境
在钢筋尺寸检测之前，需要先进行图像的预处理，为计算机提前配置好Python开发运行环境，安装好相应的Pillow Python 图像处理库、OpenCV跨平台计算机视觉库、Numpy多维数组执行计算库，减少报错现象的出现；此外，还需要统一待检测素材文件的保存位置与命名格式，以确保检测程序的正常运行。
（2）图片格式转换
Pillow支持广泛的图像格式，如 “jpeg”、“png”、“bmp”、“gif”、“ppm”、“tiff”等，并支持各个不同格式文件之间的相互转换，使用计算库中的save方法以指定的格式存储图片，能够有效将大内存文件转变成压缩的无损小内存文件进行读取，以所用钢筋网片图片为例，可以将57.1MB的.bmp格式的文件转变为658KB的.jpg文件，将文件压缩为原来的89分之1，并且丝毫不影响检测的精确度。
（3）灰度化处理
灰度化处理就是把彩色的待检测钢筋照片变成了只保留亮度信息的黑白钢筋图像，能够显著地减小运行内存、增强对比效果、提高处理速率，并服务于后续的边缘检测环节。
在图像灰度化的实现上，本发明选择了加权平均值法对图像进行处理。加权平均值法指的是根据人眼对于R、B、G三种颜色的敏感度，按照一定的权值对各个像素点进行加权平均处理，得到各像素点转换后灰度值的方法。具体的系数和计算公式如下所示：
，
其中，为灰度化后的图像，、、分别为R、G、B三通道在
像素点的图像。由于人眼对绿色最为敏感，因此其系数最高，为0.59；人眼对蓝色最不
敏感，系数为0.11。相较于其它处理方式，加权平均值法处理的灰度图像明暗适中、层次分
明、使用效果最好，尤其对于钢筋尺寸这种较难用常规方法检测的数据来说，极大地方便了
后续的处理进程。
（4）Canny边缘检测
Canny边缘检测是一种从不同视觉对象中提取有用结构信息并显著减少要处理的数据量的技术，鉴于本算法的目的在于计算出所拍摄的钢筋尺寸大小，因此使用此边缘检测算法能够充分利用边缘有效信息，忽略钢筋图片内部的无效信息，进而实现HoughLines直线检测。
在实施环节中，Canny边缘检测可以分为高斯滤波降噪、梯度计算、非极大值抑制、双阈值检测四个步骤。其中，高斯滤波降噪目的是去除图像噪点，梯度计算是去除边缘，非极大值抑制是剔除一大部分非边缘点，而双阈值检测则是为了挑选出足够“像”边缘的点。
可以说，Canny边缘检测的这一基本思想同后续HoughLines直线检测的思想大体一致，但二者相比，由于Canny边缘检测函数需要调整的参数较HoughLines函数多，且调整对于检测结果的影响较小，在调试时一般选择默认参数，如threshold1=50，threshold2=200，apertureSize=3，只有在必要时才对其进行调整。
步骤3：HoughLines直线检测
基于霍夫变换对Canny边缘检测后的像素点进行处理，分步描述如下：
（1）极坐标系变换
，
将各个像素点由原来所在的直角坐标空间遵循上式变换到极坐标空间，其中是
原点到直线的垂直距离，是这条直线的垂直线与逆时针旋转测量的水平轴之间所形成的
角度。经此变换后，原直角坐标系上任意的一个点（x，y）可以变成新极坐标系下的一条直线
（），原直角坐标系上的一条直线的所有点将在新建立的极坐标系下具有同一个交点，完
成用点代替直线的环节。
（2）参数空间量化
首先创建一个二维数组或累加器以保存两个参数的值，并且赋初值为0，用
来表示行，用来表示列。数组的大小取决于所要求的精度，假设角度精度为1度，则需要180
列；对于r，可能的最大距离是图像的对角线长度，所以若取一像素精度，行数则需要设定为
图像的对角线长度。
（3）函数参数设置
基于Numpy多维数组执行计算库，使用了OpenCV跨平台计算机视觉库中的函数cv2.HoughLines(img,X1,X2,K)，其中img是经过边缘检测的输入二值图像，X1是极径的运算精度，X2是极角的运算精度，K是判定为直线所需像素点数量的阈值，即HoughLines直线检测的阈值K。对参数设置这一环节来说，K值的调整极为关键，当K过大时，检测出的直线数量过少，而当K过小时，检测出的直线数量过多，这两种情况都会造成尺寸计算准确度的大幅下降。所述参数包括极径的运算精度X1、极角的运算精度X2、判定为直线所需像素点数量的阈值K。
而具体到参数设置的方法，主要分为两步，首先根据待测钢筋的类型，从尺寸检测数据库中确定距离系数α值和对应的阈值K的范围，再者通过工作人员结合实时显示出的可视化检测结果，对参数进行及时的修正，以完成函数参数的合理设定。参数设置环节结合钢筋种类进行自由调整。
（4）遍历空间各点
设定好对应函数参数的精度(X1,X2)和HoughLines直线检测的阈值K后，对图像边
缘上的每一个点进行变换，变换到属于哪一组的，就把该组对应的值增加1，最
后再与HoughLines直线检测的阈值K进行比较，得到所有满足条件的交点值，为尺寸
检测计算环节打好基础。
步骤4：钢筋尺寸检测计算
（1）寻找平行线
本申请利用HoughLines直线检测算法的直线检测结果直接进行计算，由于
HoughLines直线检测算法是一个投票算法，因此通过HoughLines直线检测的阈值K利用
HoughLines直线检测算法可以得到所有满足阈值K的二维检测数组，是满足阈值
条件的直线到原点的垂直距离，是满足HoughLines直线检测阈值条件的直线的垂直线与
其逆时针旋转测量的水平轴之间所形成的角度。
为便于找出所有可进行距离计算的直线，设置角度误差阈值TH1，计算HoughLines
直线检测获得的任意两个二维检测数组中之差的绝对值，若绝对值小于角度误差阈值
TH1，则认为两直线为平行直线，否则不为平行直线。利用角度误差阈值找到所有相互平行
的平行直线，获得多个平行组。
针对已经分出的多个平行组，计算出每个平行组中直线的角度的平均值，以角度
的平均值作为当前平行组的代表角度；随后根据不同平行组之间的数值，使用K-
Means聚类算法将多个平行组划为长度组和宽度组这两个计算大组，聚类时视为
一类将的范围控制在[0,180°]；根据长度组和宽度组内各平行直线对应的二维检测数组，分别计算长度组和宽度组的聚类中心，均用表示，进行下述排除干扰线
和选定特征直线等操作。所述为长度组和宽度组中所有直线到原点的垂直距离的平均
值，所述为长度组和宽度组中所有直线垂直线与逆时针旋转测量的水平轴之间所成的角
度的平均值。
（2）排除干扰线
在检测出了所有的平行直线之后，需要排除角度干扰线和长度干扰线，寻找最有代表性的最边缘的两对直线之间的距离之差，其中对代表性的讨论是本部分的核心内容。
通过聚类结果和同类直线数量两个方面保证所选取直线角度的代表性，基于长度
组和宽度组的聚类中心，计算长度组和宽度组中各直线的值和各自聚类中心
的差值，设置角度分类阈值Y1和角度计算量N1，将长度组和宽度组各自的从小到大进
行排序，分别取长度组和宽度组的角度组内误差在Y1之内的前N1条同类直线保
留，排除角度干扰线。
对于长度干扰线的排除，设置长度分类阈值Y2和长度计算量N2，根据长度组和宽
度组各自取出的前N1条同类直线，在各自的组内将前N1条同类直线的值按照值从小到
大进行排序，取长度组内误差在Y2之内的前N2条和后N2条同类直线保留，排除长度干扰线。
所述组内误差指的是同组内（长度组/宽度组）不同直线的二维检测数组的
参数差值，其中之差称为长度组内误差，之差称为角度组内误差；
需特别注意的地方在于，在排除干扰线的过程中，取满足相应组内误差要求的直线的数量小于N1或N2时，需要按照“N1/N2→K→其它参数”的顺序调整检测条件，直至得到符合要求的检测结果；调整过程中若调整N1和N2的值至边界范围时程序依然无法正常运行，则调整阈值K；若在尺寸检测数据库中对应产线的钢筋类型的阈值K的范围之内均不能满足检测要求，再调整其它参数，所述其它参数为Y1、Y2、TH1。
（3）选取特征直线
在寻找平行线、排除干扰线之后，本方案得到了长度组和宽度组各N2对近似平行
的、可用于最终计算的边缘直线二维数组。
取长度组内误差在Y2之内的后N2条同类直线为与原点距离最大的N2条直线，取长度组内误差在Y2之内的前N2条同类直线为与原点距离最小的N2条直线，在进行长度干扰线排除后分别获得长度组和宽度组各N2对属于钢筋边缘轮廓的直线的二维检测数组；
在长度组中，与原点距离最大的N2条直线的均值为L1，与原点距离最小的N2条
直线的均值为L2，则均值L1和L2为两条特征直线的长度特征值；
在宽度组中，与原点距离最大的N2条直线的均值为W1，与原点距离最小的N2条
直线的均值为W2，则均值W1和W2为两条特征直线的长度特征值。
（4）钢筋尺寸计算
在获得长度组和宽度组各自的两条特征直线的长度特征值之后，以作为
钢筋在像素点维度上的长度L，以W1-W2作为钢筋在像素点维度上的宽度W，具体如下式所
示：
长度
宽度
最后，通过查阅尺寸检测数据库中的距离系数α，将像素点维度上的长度和宽度转换为真实物理空间内对应的实际钢筋尺寸，实现钢筋尺寸的检测。
步骤5：输出显示检测结果
（1）写入指定位置
在完成对钢筋长度和直径（宽度）的检测之后，将对应数据实时导入到计算机中的指定位置，并且每隔一段时间将所得数据在Excel文件中保存，以便进行后续的数据处理。
（2）显示器可视化显示
基于所写入的实时文件，通过显示面板进行动态展示和根据检测的长度和直径进行合格判断，具体包括在源图像上直接标注出的HoughLines直线检测结果图和最终的钢筋尺寸计算结果图；根据每隔一段时间（可根据需要灵活调整）获得的Excel文件，进行这一段时间检测结果的分析汇总，如图7所示，横坐标为钢筋数量，纵坐标为长度或直径，包括合格率等信息。
图4为本实施例的待检测钢筋源文件；图5为本发明实施例的HoughLines直线检测结果图，图中为灰度处理后的结果；图6为本发明实施例的钢筋尺寸计算结果图。
（3）数据汇总分析判断
对所检测的该条钢筋生产线的生产质量进行评估分析，得出每一时间段内产线的生产情况，并可将数据通过互联网上传到服务器存档，以便进行生产过程优化。
至此完成基于HoughLines算法的钢筋尺寸检测。
本发明基于HoughLines算法的钢筋尺寸检测系统，参见图1和图2，包括：数据格式转换模1、尺寸检测模块2、外部传输显示模块3；
所述数据格式转换模块包括图像采集传输和图像预处理两个阶段，旨在获取可检测源文件及相应检测参数范围，消除图像中的无关信息，增强有关信息的可检测性；
所述尺寸检测模块包括HoughLines直线检测和尺寸检测计算两个环节，对HoughLines的检测结果，经过尺寸检测计算环节获得钢筋的准确长度和直径；
所述外部传输显示模块连接有外部设备显示器，将检测结果与汇总分析得到的结论进行可视化展示；
所述尺寸检测模块中的尺寸检测计算环节包括寻找平行线单元、排除干扰线单元、选取特征直线单元、钢筋尺寸计算单元；
所述寻找平行线单元利用HoughLines算法检测得出的直线角度，获取了所有可用于计算的平行组，并完成长度组和宽度组的划分；
所述排除干扰线单元在满足角度分类阈值Y1的前提下，在长度组和宽度组分别得到了N2对能代表钢筋长度和直径的直线；
所述选取特征直线单元使用求取平均值的方式构造出最终用于尺寸计算的特征直线；
所述钢筋尺寸计算单元对选取特征直线单元获得的特征直线进行计算，结合距离系数得到钢筋的实际长宽数据。
本发明未述及之处适用于现有技术。
Claims (7)
1.一种基于HoughLines算法的钢筋尺寸检测方法，其特征在于，所述检测方法包括以下步骤：
获取待检测钢筋的图像，进行HoughLines直线检测；
设置角度误差阈值TH1，利用角度误差阈值TH1在HoughLines直线检测结果中找到所有相互平行的平行直线，获得多个平行组，并使用K-Means聚类算法将所有平行组划分为长度组和宽度组两个计算大组，获得这两个计算大组的聚类中心；
排除干扰线：基于长度组和宽度组各自的聚类中心，计算组中直线与聚类中心二维检测数组的数值之差，首先排除角度干扰线，之后再排除长度干扰线，获得长度组和宽度组各N2对属于钢筋边缘轮廓的直线的二维检测数组；所述宽度组中N2取值大于等于5；所述长度组中N2取值大于等于3；
在长度组中，与原点距离最大的N2条直线的ρ′均值为L1，与原点距离最小的N2条直线的ρ′均值为L2，则均值L1和L2为两条特征直线的长度特征值；所述ρ′是满足HoughLines直线检测阈值条件的直线到原点的垂直距离；
在宽度组中，与原点距离最大的N2条直线的ρ′均值为W1，与原点距离最小的N2条直线的ρ′均值为W2，则均值W1和W2为两条特征直线的长度特征值；
在获得长度组和宽度组各自的两条特征直线的长度特征值之后，以L1-L2作为钢筋在像素点维度上的长度L，以W1-W2作为钢筋在像素点维度上的宽度W，进而获得钢筋尺寸。
2.根据权利要求1所述的基于HoughLines算法的钢筋尺寸检测方法，其特征在于，对待检测钢筋的图像进行图像预处理，所述图像预处理包括灰度化处理、Canny边缘检测；
所述灰度化处理公式为：I(x,y)＝0.3×IR(x,y)+0.59×IG(x,y)+0.11×IB(x,y)，
其中，I(x,y)为灰度化后的图像，IR(x,y)、IG(x,y)、IB(x,y)分别为R、G、B三通道在像素点(x,y)的图像。
3.根据权利要求1所述的基于HoughLines算法的钢筋尺寸检测方法，其特征在于，获取待检测钢筋的图像的过程是：
布置采集环境：固定好工业相机拍摄的位置，并搭配与钢筋本身颜色对比明显的拍摄背景板；
构建尺寸检测数据库：获取相同产线上不同类型钢筋产品通过调试拍摄设备与钢筋样品的距离和使用焦距确定的距离系数α，所述距离系数α为计算机所识别的像素点数量与现实物理空间中实际距离之间的换算系数；
根据钢筋类型设定所需HoughLines直线检测的阈值K的范围，将相同产线的钢筋类型、阈值K的范围、距离系数α之间进行一一对应，单条产线不同钢筋类型对应的距离系数α和阈值K的范围形成参数数据集，不同产线的参数数据集构成尺寸检测数据库；
所述HoughLines直线检测时，在进行函数参数设置时，根据待测钢筋的类型从尺寸检测数据库中确定对应的阈值K的范围，再通过工作人员结合实时显示出的可视化检测结果，对参数进行修正，以完成函数参数的设定；所述参数包括极径的运算精度X1、极角的运算精度X2、判定为直线所需像素点数量的阈值K。
4.一种基于HoughLines算法的钢筋尺寸检测系统，其特征在于，所述检测系统包括：数据格式转换模块、尺寸检测模块、外部传输显示模块；
所述数据格式转换模块包括图像采集传输和图像预处理两个阶段；
所述尺寸检测模块包括HoughLines直线检测和尺寸检测计算两个环节，对HoughLines直线检测的检测结果，经过尺寸检测计算环节获得钢筋的准确长度和直径；
所述外部传输显示模块连接有外部设备显示器，用于可视化展示；
所述尺寸检测模块中的尺寸检测计算环节包括寻找平行线单元、排除干扰线单元、选取特征直线单元、钢筋尺寸计算单元；
所述寻找平行线单元利用HoughLines算法获取所有平行组，并对平行组划分长度组和宽度组；
所述排除干扰线单元在满足角度分类阈值Y1的前提下，在长度组和宽度组分别得到N2对能代表钢筋长度和直径的直线；所述宽度组中N2取值大于等于5；所述长度组中N2取值大于等于3；
所述选取特征直线单元使用求取平均值的方式构造出最终用于尺寸计算的特征直线；
所述钢筋尺寸计算单元对选取特征直线单元获得的特征直线进行计算，结合距离系数得到钢筋的实际长宽数据；
所述选取特征直线单元的具体实现过程是：取长度组内误差在Y2之内的后N2条同类直线为与原点距离最大的N2条直线，取长度组内误差在Y2之内的前N2条同类直线为与原点距离最小的N2条直线；在进行长度干扰线排除后分别获得长度组和宽度组各N2对属于钢筋边缘轮廓的直线的二维检测数组；
在长度组中，与原点距离最大的N2条直线的ρ′均值为L1，与原点距离最小的N2条直线的ρ′均值为L2，则均值L1和L2为两条特征直线的长度特征值；
在宽度组中，与原点距离最大的N2条直线的ρ′均值为W1，与原点距离最小的N2条直线的ρ′均值为W2，则均值W1和W2为两条特征直线的长度特征值；
所述钢筋尺寸计算单元的具体实现过程是：在获得长度组和宽度组各自的两条特征直线之后，以L1-L2作为钢筋在像素点维度上的长度L，以W1-W2作为钢筋在像素点维度上的宽度W；
将像素点维度上的长度和宽度转换为真实物理空间内对应的实际钢筋尺寸，实现钢筋尺寸的检测。
5.根据权利要求4所述的基于HoughLines算法的钢筋尺寸检测系统，其特征在于，所述寻找平行线单元的具体实现过程是：
设置角度误差阈值TH1，计算HoughLines直线检测获得的任意两个二维检测数组中θ′之差的绝对值，若绝对值小于角度误差阈值TH1，则认为两直线为平行直线；否则不为平行直线；利用角度误差阈值找到所有相互平行的平行直线，获得多个平行组；计算出每个平行组中直线的角度的平均值，以角度的平均值作为当前平行组的代表角度θ1；随后根据不同平行组之间θ1的数值，使用K-Means聚类算法将多个平行组划为长度组和宽度组这两个计算大组，聚类时θ1±180°视为一类，将θ1的范围控制在[0,180°]；根据长度组和宽度组内各平行直线对应的二维检测数组(ρ′,θ′)，分别计算长度组和宽度组的聚类中心，均用(ρ2,θ2)表示；所述ρ2为长度组和宽度组中所有直线到原点的垂直距离的平均值，所述θ2为长度组和宽度组中所有直线垂直线与逆时针旋转测量的水平轴之间所成的角度的平均值；
所述θ′是满足HoughLines直线检测阈值条件的直线的垂直线与其逆时针旋转测量的水平轴之间所形成的角度；ρ′是满足HoughLines直线检测阈值条件的直线到原点的垂直距离。
6.根据权利要求5所述的基于HoughLines算法的钢筋尺寸检测系统，其特征在于，所述排除干扰线单元包括排除角度干扰线和排除长度干扰线，具体实现过程是：基于长度组和宽度组各自的聚类中心(ρ2,θ2)，计算长度组和宽度组中各直线的θ′值与各自聚类中心θ2的差值Δ1；设置角度分类阈值Y1和角度计算量N1，将长度组和宽度组各自的Δ1从小到大进行排序，分别取长度组和宽度组的角度组内误差在Y1之内的Δ1较小的前N1条同类直线保留，排除角度干扰线；
设置长度分类阈值Y2和长度计算量N2，根据长度组和宽度组各自取出的前N1条同类直线，在各自的组内将前N1条同类直线的ρ′值按照ρ′值从小到大进行排序，取长度组内误差在Y2之内的前N2条和后N2条同类直线保留，排除长度干扰线；
所述宽度组中N1取值大于等于100，所述长度组中的N1取值大于等于40。
7.根据权利要求4所述的基于HoughLines算法的钢筋尺寸检测系统，其特征在于，所述外部传输显示模块将尺寸检测模块获得的钢筋尺寸进行保存和显示、通过显示器进行数据动态展示、根据检测的长度和直径进行合格判断，所述动态展示的内容包括在源图像上直接标注出的HoughLines直线检测结果图和最终的钢筋尺寸计算结果图；外部传输显示模块通过互联网与服务器通讯。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310803942.2A CN116524004B (zh) | 2023-07-03 | 2023-07-03 | 基于HoughLines算法的钢筋尺寸检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310803942.2A CN116524004B (zh) | 2023-07-03 | 2023-07-03 | 基于HoughLines算法的钢筋尺寸检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116524004A CN116524004A (zh) | 2023-08-01 |
| CN116524004B true CN116524004B (zh) | 2023-09-08 |
Family
ID=87405116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310803942.2A Active CN116524004B (zh) | 2023-07-03 | 2023-07-03 | 基于HoughLines算法的钢筋尺寸检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116524004B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956942A (zh) * | 2016-05-12 | 2016-09-21 | 陕西瑞海电力工程有限公司 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
| WO2020234757A1 (en) * | 2019-05-21 | 2020-11-26 | Centro Di Ricerca, Sviluppo E Studi Superiori In Sardegna Crs4 Srl Uninominale | System for detecting interactions with a surface |
| CN113177959A (zh) * | 2021-05-21 | 2021-07-27 | 广州普华灵动机器人技术有限公司 | 一种快速运动过程中qr码实时提取算法 |
| CN113781422A (zh) * | 2021-09-01 | 2021-12-10 | 廊坊中油朗威工程项目管理有限公司 | 基于单幅图像几何测量算法的管道施工违章识别方法 |
| CN114913134A (zh) * | 2022-04-21 | 2022-08-16 | 中南大学 | 隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 |
| CN115482206A (zh) * | 2022-09-01 | 2022-12-16 | 河北工业大学 | 一种超大型钢筋网片整体尺寸检测方法 |
| CN115546155A (zh) * | 2022-10-11 | 2022-12-30 | 无锡安欣达科技有限公司 | 一种基于机器视觉的铆钉尺寸检测方法 |
| CN115841633A (zh) * | 2022-12-05 | 2023-03-24 | 深圳市优智创芯科技有限公司 | 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7571864B2 (en) * | 2005-12-16 | 2009-08-11 | Pisafe, Inc. | Method and system for creating and using barcodes |
-
2023
- 2023-07-03 CN CN202310803942.2A patent/CN116524004B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105956942A (zh) * | 2016-05-12 | 2016-09-21 | 陕西瑞海电力工程有限公司 | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 |
| WO2020234757A1 (en) * | 2019-05-21 | 2020-11-26 | Centro Di Ricerca, Sviluppo E Studi Superiori In Sardegna Crs4 Srl Uninominale | System for detecting interactions with a surface |
| CN113177959A (zh) * | 2021-05-21 | 2021-07-27 | 广州普华灵动机器人技术有限公司 | 一种快速运动过程中qr码实时提取算法 |
| CN113781422A (zh) * | 2021-09-01 | 2021-12-10 | 廊坊中油朗威工程项目管理有限公司 | 基于单幅图像几何测量算法的管道施工违章识别方法 |
| CN114913134A (zh) * | 2022-04-21 | 2022-08-16 | 中南大学 | 隧道喷射混凝土粗糙度识别方法、终端设备及存储介质 |
| CN115482206A (zh) * | 2022-09-01 | 2022-12-16 | 河北工业大学 | 一种超大型钢筋网片整体尺寸检测方法 |
| CN115546155A (zh) * | 2022-10-11 | 2022-12-30 | 无锡安欣达科技有限公司 | 一种基于机器视觉的铆钉尺寸检测方法 |
| CN115841633A (zh) * | 2022-12-05 | 2023-03-24 | 深圳市优智创芯科技有限公司 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116524004A (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
| CN105956942B (zh) | 基于机器视觉的电力管廊钢筋网质量检测方法及检测装置 | |
| CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
| CN111368906B (zh) | 一种基于深度学习的指针式油位计读数识别方法 | |
| CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
| CN109360396A (zh) | 基于图像识别技术和NB-IoT技术的远程抄表方法及系统 | |
| CN111563896B (zh) | 一种用于接触网异常检测的图像处理方法 | |
| CN104809724A (zh) | 多波段遥感影像的自动精配准方法 | |
| CN114663436A (zh) | 一种基于深度学习的跨尺度缺陷检测方法 | |
| CN113379712A (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
| CN107610119A (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
| CN112465809A (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
| CN106122430B (zh) | 一种基于特征图像的小模数齿轮边缘检测精度计算方法 | |
| CN116524004B (zh) | 基于HoughLines算法的钢筋尺寸检测方法及系统 | |
| CN117523573A (zh) | 基于多阶段视觉检测融合故障预警的水表读数方法、系统 | |
| CN102521874B (zh) | 一种基于图像重建三维数据的法线重采样方法 | |
| CN115222817B (zh) | 一种指针式压力表的指针定位方法 | |
| CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
| CN115760808A (zh) | 平板玻璃尺寸测量方法、系统、装置及可读存储介质 | |
| CN113870328A (zh) | 一种液体异物视觉检测方法及系统 | |
| CN112146593A (zh) | 一种基于机器视觉的外螺纹检测方法及实时检测系统 | |
| CN112632469A (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
| CN117649564B (zh) | 一种飞机舱位装配偏差识别装置及量化评估方法 | |
| CN116681698B (zh) | 一种弹簧自动装配质量检测方法及系统 | |
| CN114926841B (zh) | 基于改进穿线法的电子式水表读数图像识别方法及装置 |
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 |