CN102590247A - 一种基于x光图像处理技术的钢丝绳损伤检测方法 - Google Patents
一种基于x光图像处理技术的钢丝绳损伤检测方法 Download PDFInfo
- Publication number
- CN102590247A CN102590247A CN2012100555453A CN201210055545A CN102590247A CN 102590247 A CN102590247 A CN 102590247A CN 2012100555453 A CN2012100555453 A CN 2012100555453A CN 201210055545 A CN201210055545 A CN 201210055545A CN 102590247 A CN102590247 A CN 102590247A
- Authority
- CN
- China
- Prior art keywords
- wire rope
- image
- ray image
- steel wire
- damage
- 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.)
- Pending
Links
Images
Abstract
本发明涉及一种基于X光图像处理技术的钢丝绳损伤检测方法,包括如下步骤:(1)采集预处理钢丝绳X光图像;(2)取一组典型无缺陷钢丝绳X光图像,进行纹理能量计算得到能量特征向量,建立无缺陷钢丝绳图像训练样本集;(3)将步骤(2)所建立的训练样本集输入到支持向量机分类算法中,建立基于支持向量机分类算法的钢丝绳损伤检测模型;(4)待测图像分类:将待测钢丝绳X光图像的能量特征向量输入步骤(3)得到的损伤检测模型中,即可判断缺陷是否发生,并可进一步确定缺陷发生的位置。本发明所提出的方法适用于钢丝绳损伤检测,能够提高缺陷识别精度,实现钢丝绳缺陷判断智能化。
Description
技术领域
本发明涉及钢丝绳损伤识别领域,特别涉及一种基于X光图像处理技术的钢丝绳损伤检测方法。
背景技术
钢丝绳在矿山、冶金、航运、旅游和建筑等诸多行业得到广泛应用,在使用过程中会发生疲劳、腐蚀、磨损、甚至断裂等现象,钢丝绳破断引发的事故危及人身和设备安全,因此实时监测钢丝绳损伤情况具有十分重要的社会和经济效益。
多年来,人们一直探索检测钢丝绳缺陷的各种方法,主要有人工检测法、电磁法、X光射线检测法等。人工检测法,即由专业人员定期对钢丝绳进行外观检查,采用卡尺测量、手摸或目测等方式寻找缺陷。该方法简单易行,但难以探测到钢丝绳内部缺陷,同时受人为因素的影响较大,很容易造成漏检。电磁法是根据电磁原理,将钢丝绳磁化,然后通过检查磁场曲线实现对截面损失的定量检测,但磁场曲线不能反映缺陷的周向分布情况,而且易受工作环境的干扰,不能保证得到准确的磁场曲线。
X光射线检测法是一种基于X射线投影成像及计算机图像处理的无损探伤技术。其原理是利用钢丝绳对X射线吸收率的不同,通过X射线吸收量的变化生成透视图像,利用图像纹理的变化来监测钢丝绳缺陷是否已经发生。该方法可实现实时检测、信息量丰富,国内外已开发出基于X光探测原理的钢丝绳检测系统。
但在实际应用中,由于钢丝绳工作环境恶劣,线路传输、射线散射、及钢丝绳自身振动等因素也会降低图像质量;同时,图像信号转换过程中会引入大量测量噪声,造成图像像素值出现偏差。特别是当出现较小缺陷时,测量误差的影响往往掩盖了钢丝绳损伤的信息,很难判断损伤是否已经发生。因此需要进一步提高钢丝绳X光检测的可靠性和智能性。
近年来,随着计算机技术、模式识别等领域的快速发展,人工智能方法也引入损伤检测领域。例如,在现已公开的关于钢丝绳损伤检测的专利中,发明专利(公开号为CN 1928543A)“基于霍尔传感器阵列的钢丝绳无损检测方法”,以霍尔传感器阵列获取缺陷标样处的漏磁信号,采用K-L变换提取特征量并以此训练神经网络,再以该网络检验实际缺陷。发明专利申请(公开号为CN201010146881.X)“X光成像的钢丝绳芯拉伸故障自动检测方法”,根据局部直方图信息筛选拼接钢丝绳芯完整X光图像,采用改进的差分算法和聚类方法实现对接头拉伸故障的自动检测。
但如果要取得较好的预测效果,上述方法都需要收集大量可靠的试验数据充分训练预测模型,这在很大程度上限制了人工智能方法的广泛应用。近年来出现的支持向量机算法(Support Vector Machine,SVM),能够在样本量较少的情况下亦能获得很好的学习效果,并避免神经网络等方法模型参数难于确定、过学习以及局部极小化等问题,在数据样本量较少的情况下亦能获得很好的学习效果。基于X光图像处理技术的钢丝绳损伤检测,很适合支持向量机算法的应用。
发明内容
针对上述问题,本发明的主要目的在于在现有钢丝绳X光图像检测技术的基础上,进一步提高钢丝绳损伤监测的可靠性和精度,提出一种基于X光图像处理技术的钢丝绳损伤检测方法。
为了要解决上述的技术问题,本发明的技术方案如下:首先采集钢丝绳X光图像并预处理,通过数字图像增强处理技术提高图像质量。然后选取一组典型无缺陷钢丝绳X光图像,计算纹理能量并经过合成变换处理,得到相应的纹理能量特征向量,从而建立无缺陷钢丝绳图像训练样本集。接着通过支持向量机分类算法,构建钢丝绳损伤检测模型。待测图像的能量特征向量输入到分类模型中,即可判断损伤是否发生,并可进一步确定损伤发生位置。
本发明是通过下述技术方案来解决上述技术问题的:一种基于X光图像处理技术的钢丝绳损伤检测方法,其特征在于:所述方法包括如下步骤:
(1).采集预处理钢丝绳X光图像;
X射线发生器发射X光束穿透钢丝绳,由X射线光伏探测器接收,经采集得到钢丝绳X光二维投影图像,并转换为24位(bit)离散的图像数字信号。
根据现场测试环境特点,进行图像增强处理。测量噪声可分成随机噪声和系统噪声。通过图像平滑滤波处理方法减少随机测量噪声,利用图像补偿的方法降低系统测量噪声。
(2).取一组典型无缺陷钢丝绳X光图像,进行纹理能量计算得到能量特征向量,建立无缺陷钢丝绳图像训练样本集;
选取一组典型无缺陷钢丝绳X光图像,首先进行纹理能量计算,即对图像中每个像素及其邻域的灰度分布进行一阶统计分析,采用模板滤波方式实现。一般可取3~5个5×5的模板,将每幅图像与模板进行卷积运算,分别得到与之对应的纹理能量图。
将每幅图像对应的所有纹理能量图合成为一幅能量图,然后采用高斯滤波对合成图进行平滑处理,就得到了一组无缺陷钢丝绳X光图像的纹理能量特征向量,从而建立了无缺陷钢丝绳图像训练样本集。
(3).建立基于支持向量机分类算法的钢丝绳损伤检测模型;
将步骤(2)所建立的训练样本输入到支持向量机分类算法中,选择合适的核函数及相关参数,建立基于支持向量机算法的钢丝绳损伤检测模型。
为了提高支持向量机算法的计算精度,需要选择合适的核函数,一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等。通过计算发现,采取径向基函数能够取得较好的预测效果。径向基函数参数的选择,利用遗传算法自动寻优得到。
(4).待测图像分类:将待测钢丝绳X光图像的能量特征向量输入步骤(3)建立的损伤检测模型中,即可判断缺陷是否发生,并可进一步通过图像差值运算确定损伤发生位置。
本发明的积极进步效果在于:本发明提供的基于X光图像处理技术的钢丝绳损伤检测方法具有以下优点:本发明利用支持向量机对钢丝绳X光图像进行分类,一方面可以降低X光测试噪声的干扰,提高计算精度;另一方面将待测X光图像的能量特征向量输入到检测模型中,即可接判断是否发生损伤。从而提高了X光图像的处理精度,简化了损伤识别过程,节省检测时间。
附图说明
图1本发明提供的基于X光图像处理技术的钢丝绳损伤检测方法的具体流程图。
具体实施方式
下面结合附图给出本发明较佳实施例,以详细说明本发明的技术方案。
本发明提供的基于X光图像处理技术的钢丝绳损伤检测方法的具体流程图,如图1所示。本发明的基于X光图像处理技术的钢丝绳损伤检测方法,按以下步骤具体实施:
1)钢丝绳X光图像采集预处理。
X射线光伏探测器接收到钢丝绳X光束,采集得到钢丝绳的二维投影图像,并转换为24位(bit)离散的图像数字信号。
根据现场测试环境特点,进行图像预处理。对于随机测量噪声,可通过多次平滑滤波图像处理方法进行处理。例如先用3×3的窗口进行一次中值滤波,再用5×5窗口进行二次中值滤波,这样处理后的图像比只用3×3的窗口进行滤波的效果好。
而测量系统噪声可以用图像补偿的方法降低。在没有射线照射的情况下,可采集空白暗场图像进行补偿。
2)然后建立无缺陷钢丝绳图像训练样本集。
选取一组典型无缺陷钢丝绳X光图像,首先进行纹理能量计算合成,得到X光图像的纹理能量特征向量,这就建立了一组无缺陷钢丝绳图像训练样本集。
例如,可选取9幅无缺陷钢丝绳X光图像进行处理。
取3个一维矢量,分别为
L=(1 4 5 4 1)、E=(-1 -2 1 2 1)和S=(-1 0 3 0-1)。将这3个矢量经过两两不同的组合及行列矢量积运算,构造5个二维5×5矩阵作为模板,分别为:
对于每幅X光图像,用这5个模板分别进行模板滤波,即将图像与模板进行卷积运算。
设Fn(i,j)表示用第n个模板对X光图像像素点(i,j)进行滤波卷积运算的结果,则对应第n个模板的能量图上的每点的像素值式中r、c分别为像素点的行列数。然后将模板滤波后的5幅能量图合并,就得到一个含有5个通道的能量图,图像中每个像素点对应的像素值为
这样,对所有9幅无缺陷钢丝绳X光图像进行类似处理,就得到了9幅无缺陷图像的纹理能量图。最后采用高斯滤波对能量图进行平滑处理,最终就得到了9组无缺陷钢丝绳X光图像的纹理特征向量,从而建立了无缺陷钢丝绳图像训练样本集。
3)按照支持向量机分类算法,建立钢丝绳X光图像损伤检测模型。
将无损钢丝绳X光图像的纹理能量特征向量作为训练样本,输入到支持向量机分类算法中,选择合适的核函数及相关参数,建立基于支持向量机分类算法的钢丝绳缺陷检测模型。
为了提高支持向量机算法的计算精度,需要选择合适的核函数。一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等,通过计算发现采取径向基函数能够取得较好的预测效果。径向基函数参数的选择,利用遗传算法自动寻优得到。为计算方便,若像素值变化较大,可将其归一化到[0,1]之间处理。
4)待测图像分类。
待测钢丝绳X光图像的纹理能量特征向量输入到分类模型中,即可判断损伤缺陷是否发生。若出现损伤,可进一步通过图像差值运算确定损伤发生位置。
本发明利用支持向量机对钢丝绳X光图像进行分类,可提高X光检测的精度,简化了损伤识别过程,节省检测时间。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种基于X光图像处理技术的钢丝绳损伤检测方法,其特征在于:所述方法包括如下步骤:
(1).采集预处理钢丝绳X光图像;将采集到的钢丝绳X光二维投影图像转换为24位(bit)离散的图像数字信号,并进行图像增强处理降低测量噪声。
(2).取一组典型无缺陷钢丝绳X光图像,进行纹理能量计算得到能量特征向量,建立无缺陷钢丝绳图像训练样本集;
(3).将步骤(2)所建立的训练样本集输入到支持向量机分类算法中,建立基于支持向量机分类算法的钢丝绳损伤检测模型;
(4).待测图像分类:将待测钢丝绳X光图像的能量特征向量输入步骤(3)得到的损伤检测模型中,即可判断缺陷是否发生,并可进一步确定缺陷发生的位置。
2.根据权利要求1所述的基于X光图像处理技术的钢丝绳损伤检测方法,其特征在于:步骤(2)中的具体步骤包括:选取一组典型无缺陷钢丝绳X光图像,进行纹理能量计算合成,得到与之对应的纹理能量图;然后采用高斯滤波进行平滑处理,就得到了无缺陷钢丝绳X光图像的能量特征向量,建立无缺陷钢丝绳图像训练样本集。
3.根据权利要求1所述的基于X光图像处理技术的钢丝绳损伤检测方法,其特征在于:步骤(3)中的具体步骤包括:选择径向基核函数,并利用遗传算法自动寻优函数参数,将步骤(2)所建立的训练样本集输入到支持向量机分类算法中,建立基于支持向量机分类算法的钢丝绳损伤检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100555453A CN102590247A (zh) | 2012-03-05 | 2012-03-05 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100555453A CN102590247A (zh) | 2012-03-05 | 2012-03-05 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102590247A true CN102590247A (zh) | 2012-07-18 |
Family
ID=46479186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100555453A Pending CN102590247A (zh) | 2012-03-05 | 2012-03-05 | 一种基于x光图像处理技术的钢丝绳损伤检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102590247A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198512A (zh) * | 2014-08-18 | 2014-12-10 | 北京农业质量标准与检测技术研究中心 | 基于支持向量机的x射线荧光光谱分析方法及装置 |
CN105096517A (zh) * | 2015-08-07 | 2015-11-25 | 东莞市天楠光电科技有限公司 | 机器人绳索疲劳智能检测装置 |
CN105335692A (zh) * | 2014-08-15 | 2016-02-17 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及系统 |
CN108072671A (zh) * | 2016-11-11 | 2018-05-25 | 天津工业大学 | X光监测的钢丝绳芯输送带接头拉伸实验方法 |
CN108900198A (zh) * | 2018-06-29 | 2018-11-27 | 中国石油大学(华东) | 一种串行抵消列表译码参数的快速确定方法 |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 |
CN110487812A (zh) * | 2019-07-23 | 2019-11-22 | 北京首钢股份有限公司 | 一种对钢包的洁净度进行评判的方法及装置 |
CN111310686A (zh) * | 2020-02-25 | 2020-06-19 | 江西理工大学 | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 |
CN111610205A (zh) * | 2020-06-12 | 2020-09-01 | 上海鸢安智能科技有限公司 | 一种金属零部件x光图像缺陷检测装置 |
WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
CN112037211A (zh) * | 2020-09-04 | 2020-12-04 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法 |
CN112489021A (zh) * | 2020-12-01 | 2021-03-12 | 江苏科技大学 | 一种大容量塑料桶表面缺陷的视觉检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1867971A2 (en) * | 2006-06-15 | 2007-12-19 | Bridgestone Corporation | Tire inspection method using electromagnetic radiation |
JP3162221U (ja) * | 2010-06-02 | 2010-08-26 | 豊 平間 | X線診断装置 |
CN101825584A (zh) * | 2010-04-15 | 2010-09-08 | 天津工业大学 | X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102081020A (zh) * | 2010-01-26 | 2011-06-01 | 上海海事大学 | 基于支持向量机的材料疲劳寿命预测方法 |
CN201965100U (zh) * | 2010-10-16 | 2011-09-07 | 王进 | 钢丝绳芯胶带检测设备 |
-
2012
- 2012-03-05 CN CN2012100555453A patent/CN102590247A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1867971A2 (en) * | 2006-06-15 | 2007-12-19 | Bridgestone Corporation | Tire inspection method using electromagnetic radiation |
EP1867971A3 (en) * | 2006-06-15 | 2009-12-23 | Bridgestone Corporation | Tire inspection method using electromagnetic radiation |
CN102081020A (zh) * | 2010-01-26 | 2011-06-01 | 上海海事大学 | 基于支持向量机的材料疲劳寿命预测方法 |
CN101825584A (zh) * | 2010-04-15 | 2010-09-08 | 天津工业大学 | X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法 |
JP3162221U (ja) * | 2010-06-02 | 2010-08-26 | 豊 平間 | X線診断装置 |
CN201965100U (zh) * | 2010-10-16 | 2011-09-07 | 王进 | 钢丝绳芯胶带检测设备 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
Non-Patent Citations (5)
Title |
---|
刘德华 等: "遗传算法对图像模板匹配的优化", 《巢湖学院学报》, vol. 13, no. 3, 31 March 2011 (2011-03-31) * |
刘龙 等: "基于支持向量机的材料单轴疲劳寿命预测", 《2010年海峡两岸材料破坏/断裂学术会议暨第十届破坏科学研讨会/第八届全国MTS材料试验学术会议论文集》, 31 December 2010 (2010-12-31) * |
张燕超 等: "基于X射线数字成像技术的钢丝绳检测系统", 《影像技术》, no. 2, 29 February 2008 (2008-02-29) * |
毛磊 等: "用数字图像技术检测钢丝绳表面缺陷", 《起重运输机械》, no. 5, 31 May 2007 (2007-05-31) * |
邢慧强 等: "SVM用于基于块划分特征提取的图像分类", 《微计算机信息》, vol. 22, no. 51, 31 May 2006 (2006-05-31) * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335692A (zh) * | 2014-08-15 | 2016-02-17 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及系统 |
CN105335692B (zh) * | 2014-08-15 | 2019-05-24 | 软控股份有限公司 | 一种轮胎x光图像检测识别方法及系统 |
CN104198512A (zh) * | 2014-08-18 | 2014-12-10 | 北京农业质量标准与检测技术研究中心 | 基于支持向量机的x射线荧光光谱分析方法及装置 |
CN105096517A (zh) * | 2015-08-07 | 2015-11-25 | 东莞市天楠光电科技有限公司 | 机器人绳索疲劳智能检测装置 |
CN105096517B (zh) * | 2015-08-07 | 2019-04-16 | 广东天浩科技有限公司 | 机器人绳索疲劳智能检测装置 |
CN108072671A (zh) * | 2016-11-11 | 2018-05-25 | 天津工业大学 | X光监测的钢丝绳芯输送带接头拉伸实验方法 |
CN108900198A (zh) * | 2018-06-29 | 2018-11-27 | 中国石油大学(华东) | 一种串行抵消列表译码参数的快速确定方法 |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 |
CN109859170B (zh) * | 2019-01-04 | 2023-04-18 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 |
WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
CN110487812A (zh) * | 2019-07-23 | 2019-11-22 | 北京首钢股份有限公司 | 一种对钢包的洁净度进行评判的方法及装置 |
CN111310686B (zh) * | 2020-02-25 | 2022-03-29 | 江西理工大学 | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 |
CN111310686A (zh) * | 2020-02-25 | 2020-06-19 | 江西理工大学 | 一种ipso-bp神经网络的钢丝绳断丝损伤识别方法 |
CN111610205A (zh) * | 2020-06-12 | 2020-09-01 | 上海鸢安智能科技有限公司 | 一种金属零部件x光图像缺陷检测装置 |
CN112037211A (zh) * | 2020-09-04 | 2020-12-04 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法 |
CN112037211B (zh) * | 2020-09-04 | 2022-03-25 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法 |
CN112489021A (zh) * | 2020-12-01 | 2021-03-12 | 江苏科技大学 | 一种大容量塑料桶表面缺陷的视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102590247A (zh) | 一种基于x光图像处理技术的钢丝绳损伤检测方法 | |
CN108665452B (zh) | 管道焊缝底片扫描入库及焊缝缺陷识别方法及其系统 | |
CN110047073B (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
Shipway et al. | Automated defect detection for fluorescent penetrant inspection using random forest | |
CN104964886A (zh) | 一种焊接构件疲劳应力及应变实时非接触式监测方法 | |
CN109115812A (zh) | 一种焊缝底片缺陷识别方法及系统 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN109658387A (zh) | 电力列车的受电弓碳滑板缺陷的检测方法 | |
Dubey et al. | Maximally stable extremal region marking-based railway track surface defect sensing | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN105067531A (zh) | 一种芒果品质无损检测方法及装置 | |
JPH0896136A (ja) | 溶接欠陥の評価システム | |
Fu et al. | Anomaly detection of complex MFL measurements using low-rank recovery in pipeline transportation inspection | |
CN101013126A (zh) | 用计算机预测木质人造板强度的方法 | |
Kurukuru et al. | Machine learning framework for photovoltaic module defect detection with infrared images | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN103514445B (zh) | 基于多流形学习的带钢表面缺陷识别方法 | |
Chen et al. | A mixed samples-driven methodology based on denoising diffusion probabilistic model for identifying damage in carbon fiber composite structures | |
You | PCB defect detection based on generative adversarial network | |
Tian et al. | Signal processing schemes for Eddy Current Testing of steam generator tubes of nuclear power plants | |
Chen et al. | Localization and imaging of internal hidden defects in concrete slabs based on deep learning of vibration signals | |
O'Byrne et al. | Effects of turbidity and lighting on the performance of an image processing based damage detection technique | |
Molefe et al. | Classification of thermite welding defects using local binary patterns and k nearest neighbors | |
Chen et al. | Wire Rope Damage Detection Based on Magnetic Leakage and Visible Light | |
Yasuno et al. | One-class steel detector using patch GAN discriminator for visualising anomalous feature map |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120718 |