CN103983651A - 基于概率预测的焊缝x射线自动检测伪缺陷剔除方法 - Google Patents
基于概率预测的焊缝x射线自动检测伪缺陷剔除方法 Download PDFInfo
- Publication number
- CN103983651A CN103983651A CN201410222780.4A CN201410222780A CN103983651A CN 103983651 A CN103983651 A CN 103983651A CN 201410222780 A CN201410222780 A CN 201410222780A CN 103983651 A CN103983651 A CN 103983651A
- Authority
- CN
- China
- Prior art keywords
- defect
- field picture
- latent
- image
- weld seam
- 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
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
基于概率预测的焊缝X射线自动检测伪缺陷剔除方法,属于焊缝X射线缺陷检测技术领域。本发明针对相邻两帧图像中检出的潜在缺陷区域,根据两帧图像拍摄范围沿焊缝方向位移与垂直于焊缝的侧向位移,对前帧图像潜在缺陷区域出现在后帧图像中不同位置上的概率进行预测,之后通过分析后帧图像潜在缺陷区域与概率预测结果,对伪缺陷进行剔除,保留实际缺陷位置。本发明能够利用前后帧图像信息实现对伪缺陷的剔除,有利于减少误检,并能够适应不同的检测装置相对焊缝移动速度的要求,并在发生侧向窜动的情况下保证准确检出,避免漏检。
Description
技术领域
本发明涉及一种基于概率预测的伪缺陷剔除方法,可广泛应用于焊缝X射线缺陷检测技术领域。
背景技术
胶片照相、CR成像、线阵探测器成像、面阵探测器成像、图像增强器成像等均为焊缝缺陷X射线检测的重要成像方法。胶片成像由于步骤复杂、耗时长、不利于自动化检测、所用药水对环境造成污染等原因,在应用上受到制约;而线阵/面阵探测器成像和CR成像所需的成像时间较长,动态性不足,因此多用于X射线静态成像。基于图像增强器的方法动态性较好,适用于X射线实时成像,在焊缝缺陷X射线实时检测领域有较为广泛的应用。其工作原理为:射线作用于图像增强器输入屏的闪烁体,经光电转换、电信号放大、模数转换后,得到数字化图像,用于显示、处理和分析。通过数字射线图像序列的处理和分析,对缺陷进行自动判断,在线地实现焊缝缺陷自动检测,能够有效地提高检测效率,降低由于人为因素造成的漏检概率。但该方法在图像处理上面临的问题是:一方面,X射线实时成像的信噪比、图像分辨率、相对灵敏度均较低,所得到的图像对比度低,缺陷特征不明显,造成缺陷难以检出;另一方面,图像灰度与对比度水平均具有一定的时变性,在对连续的图像序列进行自动检测时难以避免会出现一定比例的误检;加之连续生产需要较快的图像处理速度,综上,X射线实时成像的焊缝缺陷检测对用于图像处理算法提出了较高要求。
焊缝X射线自动检测中单次曝光形成的图像不可避免地存在噪声影响,因焊缝区域内缺陷及其邻域的灰度对比度较小,缺陷检出难度较大,同时由于噪声区域与缺陷区域表现为类似的灰度特征,通常在缺陷检出步骤中会得到包含一系列伪缺陷在内的潜在缺陷区域,因此需要在图像理解步骤中对其进行判断,对伪缺陷进行剔除,减少误检,准确得到焊缝缺陷的位置和特征信息。
现有方法多利用焊缝缺陷形态学特征进行伪缺陷的剔除,如:对提取的潜在缺陷区域进行形状特征参数的提取,并通过人工神经网络的方法进行分类,不属于已有缺陷类型的潜在缺陷区域被认为是伪缺陷,参见张晓光等的论文“X射线检测焊缝的图像处理与缺陷识别”,华东理工大学学报,2004,30(2):199-202;在孔类缺陷的检测中用面积阈值剔除伪缺陷,在长条形缺陷的检测中用长度阈值剔除伪缺陷,参见张乃祺等的论文“基于厚壁工件X射线实时成像的焊缝缺陷自动检测”,沈阳航空航天大学学报,2012,29(2):72-76。上述方法均利用单帧图像进行伪缺陷的剔除,在缺陷形态发生变化时容易误剔除真实缺陷而造成漏检。
发明内容
针对上述问题,本发明的目的在于提供一种基于概率预测的伪缺陷剔除方法,在焊缝X射线缺陷自动检测过程中对初步图像处理中分割得到的潜在缺陷区域进行判断,有效降低误检率。
为实现上述目的,本发明采取以下技术方案:
一种基于概率预测的焊缝X射线自动检测伪缺陷剔除方法,包括以下步骤:
步骤1).连续拍摄焊缝X射线图像序列,记同一焊缝X射线图像序列中的相邻两帧图像分别为前帧图像Ik和后帧图像Ik+1,对前后两帧图像分别进行焊缝区域提取,分别计算所述后帧图像Ik+1与所述前帧图像Ik中的焊缝重心位置,并计算焊缝重心位置沿垂直焊缝方向的位移量,记为
步骤2).记焊缝在沿焊缝方向相对检测装置的稳定速度为V,拍摄帧频为f,X射线成像视场范围沿焊缝方向长度为L,拍摄得到X射线数字图像沿焊缝方向总像素数为l,按下式计算焊缝沿焊缝方向的位移量,记为
其中,表示沿焊缝方向位移量,的矢量方向与焊缝沿焊缝方向相对检测装置运动速度V在图像坐标系中的方向相同;
步骤3).在前帧图像Ik中提取潜在缺陷区域,记为其中n为潜在缺陷区域个数;
步骤4).在后帧图像Ik+1中提取潜在缺陷区域,记为其中m为潜在缺陷区域个数;
步骤5).按下式计算焊缝在图像坐标系中的合成位移量
将所述前帧图像Ik中的潜在缺陷区域在图像坐标系中平移得到预测缺陷区域
步骤6).对于后帧图像Ik+1上图像坐标系中任意(x,y)位置,按照下式计算后帧图像Ik+1中缺陷区域的预测概率Pk+1|k(x,y):
其中,d为点(x,y)到预测缺陷区域的最短距离,σ满足σ∈[5,max(a,b)],其中a为后帧图像Ik+1长度方向像素数,b为后帧图像Ik+1宽度方向像素数;
步骤7).构造后帧图像Ik+1的潜在缺陷图像BWk+1:将后帧图像Ik+1中属于潜在缺陷区域内的像素赋值为1,将其余像素赋值为0,得到潜在缺陷图像BWk+1;
步骤8).按下式计算后帧图像Ik+1中任意(x,y)位置存在缺陷的后验概率Rk+1(x,y):
Rk+1(x,y)=Pk+1|k(x,y)·BWk+1
步骤9).按下式对后帧图像Ik+1对应的真实缺陷图像Defectk+1进行计算:
Defectk+1(x,y)=Rk+1(x,y)≥Th
其中阈值Th满足Th∈(0,0.5],真实缺陷图像Defectk+1中,值为1的位置判断为缺陷区域,值为0的位置判断为不存在缺陷的区域。
在步骤3)中,提取前帧图像Ik的潜在缺陷区域采用如下方法:采用动态阈值法对前帧图像Ik进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中n为潜在缺陷区域个数。
在步骤4)中,提取后帧图像Ik+1的潜在缺陷区域采用如下方法:采用动态阈值法对后帧图像Ik+1进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中m为潜在缺陷区域个数。
本发明由于采用上述技术方案,具有以下优点:
①通过连续拍摄的焊缝X射线图像序列,利用缺陷与待测焊缝相对静止而噪声随机出现的特点,根据前帧图像的初检结果,结合该相对运动的矢量,对后帧图像中潜在缺陷出现位置及概率进行预测,能够将不符合预测的伪缺陷进行剔除,减少误检。
②在对缺陷出现位置及概率进行预测时,考虑了沿焊缝方向的检测区域相对移动与待测焊缝可能发生的侧向窜动,在待测焊缝因传动机构发生侧向窜动的情况下能够保证后帧图像中缺陷位置预测的准确,避免漏检。
附图说明
图1本发明所述方法的流程图。
图2连续拍摄焊缝X射线图像序列中第1047帧至第1051帧的伪缺陷剔除。
具体实施方式
图1为本发明所述方法的流程图,本发明提供一种基于概率预测的方法,对焊缝X射线自动成像所得图像进行伪缺陷剔除,包括以下步骤:
步骤1).连续拍摄焊缝X射线图像序列,记同一焊缝X射线图像序列中的相邻两帧图像分别为前帧图像Ik和后帧图像Ik+1,对前后两帧图像分别进行焊缝区域提取,分别计算所述后帧图像Ik+1与所述前帧图像Ik中的焊缝重心位置,并计算焊缝重心位置沿垂直焊缝方向的位移量,记为
步骤2).记焊缝在沿焊缝方向相对检测装置的稳定速度为V,拍摄帧频为f,X射线成像视场范围沿焊缝方向长度为L,拍摄得到X射线数字图像沿焊缝方向总像素数为l,焊缝沿焊缝方向的位移量由单位时间内焊缝相对检测装置移动距离决定,由相对运动速度V除以拍摄帧频f可得到,经换算为像素数,记为计算如下式:
其中,表示沿焊缝方向位移量,的矢量方向与焊缝沿焊缝方向相对检测装置运动速度V在图像坐标系中的方向相同;
步骤3).在前帧图像Ik中,提取潜在缺陷区域,记为其中n为潜在缺陷区域个数;
步骤4).在后帧图像Ik+1中,提取潜在缺陷区域,记为其中m为潜在缺陷区域个数;
步骤5).按下式计算焊缝在图像坐标系中的合成位移量
将所述前帧图像Ik中的潜在缺陷区域在图像坐标系中平移得到预测缺陷区域
步骤6).对于后帧图像Ik+1上图像坐标系中任意(x,y)位置,按照下式计算后帧图像Ik+1中缺陷区域的预测概率Pk+1|k(x,y):
其中,d为点(x,y)到预测缺陷区域的最短距离,σ满足σ∈[5,max(a,b)],其中a为后帧图像Ik+1长度方向像素数,b为后帧图像Ik+1宽度方向像素数;
步骤7).构造后帧图像Ik+1的潜在缺陷图像BWk+1:将后帧图像Ik+1中属于潜在缺陷区域内的像素赋值为1,将其余像素赋值为0,得到潜在缺陷图像BWk+1;
步骤8).按下式计算后帧图像Ik+1中任意(x,y)位置存在缺陷的后验概率Rk+1(x,y):
Rk+1(x,y)=Pk+1|k(x,y)·BWk+1
步骤9).按下式对后帧图像Ik+1对应的真实缺陷图像Defectk+1进行计算:
Defectk+1(x,y)=Rk+1(x,y)≥Th
其中阈值Th满足Th∈(0,0.5],真实缺陷图像Defectk+1中,值为1的位置判断为缺陷区域,值为0的位置判断为不存在缺陷的区域。
步骤3)中,提取前帧图像Ik的潜在缺陷区域采用如下方法:采用动态阈值法对前帧图像Ik进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中n为潜在缺陷区域个数。
步骤4)中,提取后帧图像Ik+1的潜在缺陷区域采用如下方法:采用动态阈值法对后帧图像Ik+1进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中m为潜在缺陷区域个数。
下面结合附图和实施例对本发明进行详细的描述。
实施例:
一种基于概率预测的焊缝X射线自动检测伪缺陷剔除方法,按照如图1所示流程,包括以下步骤:
步骤1).连续拍摄焊缝X射线图像序列,共得到2000帧X射线图像,取该焊缝X射线图像序列中的第1046帧与第1047帧图像,分别记为I1046和I1047,对所述两帧图像分别进行焊缝区域提取,分别计算I1046和I1047中的焊缝重心位置,并计算焊缝重心位置沿垂直焊缝方向的位移量,记为
步骤2).记焊缝在沿焊缝方向相对检测装置的稳定速度为V,拍摄帧频为f,X射线成像视场范围沿焊缝方向长度为L,拍摄得到X射线数字图像沿焊缝方向总像素数为l,焊缝沿焊缝方向的位移量由单位时间内焊缝相对检测装置移动距离决定,由相对运动速度V除以拍摄帧频f可得到,经换算为像素数,记为计算如下式:
其中,表示沿焊缝方向位移量,的矢量方向与焊缝沿焊缝方向相对检测装置运动速度V在图像坐标系中的方向相同;
步骤3).采用动态阈值法对第1046帧图像I1046进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中n为第1046帧图像I1046中的潜在缺陷区域个数;
步骤4).采用动态阈值法对第1047帧图像I1047进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中m为第1047帧图像I1047中的潜在缺陷区域个数;
步骤5).按下式计算从焊缝在图像坐标系中的合成位移量
将第1046帧图像I1046中的潜在缺陷区域在图像坐标系中平移得到预测缺陷区域
步骤6).对于第1047帧图像I1047上图像坐标系中任意(x,y)位置,按照下式计算第1047帧图像I1047中缺陷区域的预测概率P1047|1046(x,y):
其中,d为点(x,y)到预测缺陷区域的最短距离,σ=8;
步骤7).构造第1047帧图像I1047的潜在缺陷图像BW1047:将第1047帧图像I1047中属于潜在缺陷区域内的像素赋值为1,将其余像素赋值为0,得到潜在缺陷图像BW1047;
步骤8).按下式计算第1047帧图像I1047中任意(x,y)位置存在缺陷的后验概率R1047(x,y):
R1047(x,y)=P1047|1046(x,y)·BW1047
步骤9).按下式对第1047帧图像I1047对应的真实缺陷图像Defect1047进行计算:
Defect1047(x,y)=R1047(x,y)≥Th
其中阈值Th=0.5,真实缺陷图像Defectk+1中,值为1的位置判断为缺陷区域,值为0的位置判断为不存在缺陷的区域。
对连续多帧焊缝X射线图像进行上述步骤的处理,得到第1047帧至1051帧焊缝X射线图像检出的潜在缺陷区域与剔除伪缺陷后的结果,如图2。
上述实施例仅用于说明本发明,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (3)
1.一种基于概率预测的焊缝X射线自动检测伪缺陷剔除方法,其特征在于该方法包括以下步骤:
步骤1).连续拍摄焊缝X射线图像序列,记同一焊缝X射线图像序列中的相邻两帧图像分别为前帧图像Ik和后帧图像Ik+1,对前后两帧图像分别进行焊缝区域提取,分别计算所述后帧图像Ik+1与所述前帧图像Ik中的焊缝重心位置,并计算焊缝重心位置沿垂直焊缝方向的位移量,记为
步骤2).记焊缝在沿焊缝方向相对检测装置的稳定速度为V,拍摄帧频为f,X射线成像视场范围沿焊缝方向长度为L,拍摄得到X射线数字图像沿焊缝方向总像素数为l,按下式计算焊缝沿焊缝方向的位移量,记为
其中,表示沿焊缝方向位移量,的矢量方向与焊缝沿焊缝方向相对检测装置运动速度V在图像坐标系中的方向相同;
步骤3).在前帧图像Ik中提取潜在缺陷区域,记为其中n为潜在缺陷区域个数;
步骤4).在后帧图像Ik+1中提取潜在缺陷区域,记为其中m为潜在缺陷区域个数;
步骤5).按下式计算焊缝在图像坐标系中的合成位移量
将所述前帧图像Ik中的潜在缺陷区域在图像坐标系中平移得到预测缺陷区域
步骤6).对于后帧图像Ik+1上图像坐标系中任意(x,y)位置,按照下式计算后帧图像Ik+1中缺陷区域的预测概率Pk+1|k(x,y):
其中,d为点(x,y)到预测缺陷区域的最短距离,σ满足σ∈[5,max(a,b)],其中a为后帧图像Ik+1长度方向像素数,b为后帧图像Ik+1宽度方向像素数;
步骤7).构造后帧图像Ik+1的潜在缺陷图像BWk+1:将后帧图像Ik+1中属于潜在缺陷区域内的像素赋值为1,将其余像素赋值为0,得到潜在缺陷图像BWk+1;
步骤8).按下式计算后帧图像Ik+1中任意(x,y)位置存在缺陷的后验概率Rk+1(x,y):
Rk+1(x,y)=Pk+1|k(x,y)·BWk+1
步骤9).按下式对后帧图像Ik+1对应的真实缺陷图像Defectk+1进行计算:
Defectk+1(x,y)=Rk+1(x,y)≥Th
其中阈值Th满足Th∈(0,0.5],真实缺陷图像Defectk+1中,值为1的位置判断为缺陷区域,值为0的位置判断为不存在缺陷的区域。
2.如权利要求1所述的基于概率预测的焊缝X射线自动检测伪缺陷剔除方法,其特征在于:所述步骤3)中,提取前帧图像Ik的潜在缺陷区域采用如下方法:采用动态阈值法对前帧图像Ik进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中n为潜在缺陷区域个数。
3.如权利要求1所述的基于概率预测的焊缝X射线自动检测伪缺陷剔除方法,其特征在于:所述步骤4)中,提取后帧图像Ik+1的潜在缺陷区域采用如下方法:采用动态阈值法对后帧图像Ik+1进行阈值分割,对分割结果进行腐蚀、膨胀操作,将连通域标记为潜在缺陷区域,记为其中m为潜在缺陷区域个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410222780.4A CN103983651B (zh) | 2014-05-23 | 2014-05-23 | 基于概率预测的焊缝x射线自动检测伪缺陷剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410222780.4A CN103983651B (zh) | 2014-05-23 | 2014-05-23 | 基于概率预测的焊缝x射线自动检测伪缺陷剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103983651A true CN103983651A (zh) | 2014-08-13 |
CN103983651B CN103983651B (zh) | 2016-02-24 |
Family
ID=51275707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410222780.4A Active CN103983651B (zh) | 2014-05-23 | 2014-05-23 | 基于概率预测的焊缝x射线自动检测伪缺陷剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103983651B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226291A (zh) * | 2017-12-07 | 2018-06-29 | 中航复合材料有限责任公司 | 一种评价复合材料层压结构缺陷超声检出概率的方法 |
CN108883495A (zh) * | 2016-02-12 | 2018-11-23 | 普雷茨特两合公司 | 尤其在借助于激光辐射接合时监测接缝的方法及装置 |
CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
CN110286138A (zh) * | 2018-12-27 | 2019-09-27 | 合刃科技(深圳)有限公司 | 信息检测方法、装置及系统 |
CN115797314A (zh) * | 2022-12-16 | 2023-03-14 | 哈尔滨耐是智能科技有限公司 | 零件表面缺陷检测方法、系统、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006145278A (ja) * | 2004-11-17 | 2006-06-08 | Jfe Koken Corp | 検査処理方法及び検査処理装置 |
CN101699279A (zh) * | 2009-10-27 | 2010-04-28 | 中国长江航运集团青山船厂 | 双相钢与碳钢t型接头角焊缝超声波探伤方法 |
-
2014
- 2014-05-23 CN CN201410222780.4A patent/CN103983651B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006145278A (ja) * | 2004-11-17 | 2006-06-08 | Jfe Koken Corp | 検査処理方法及び検査処理装置 |
CN101699279A (zh) * | 2009-10-27 | 2010-04-28 | 中国长江航运集团青山船厂 | 双相钢与碳钢t型接头角焊缝超声波探伤方法 |
Non-Patent Citations (1)
Title |
---|
欧阳彭生: "射线底片显示的一种对接焊缝根部伪缺陷分析", 《华中电力》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108883495A (zh) * | 2016-02-12 | 2018-11-23 | 普雷茨特两合公司 | 尤其在借助于激光辐射接合时监测接缝的方法及装置 |
CN108226291A (zh) * | 2017-12-07 | 2018-06-29 | 中航复合材料有限责任公司 | 一种评价复合材料层压结构缺陷超声检出概率的方法 |
CN110286138A (zh) * | 2018-12-27 | 2019-09-27 | 合刃科技(深圳)有限公司 | 信息检测方法、装置及系统 |
CN109859177A (zh) * | 2019-01-17 | 2019-06-07 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
CN109859177B (zh) * | 2019-01-17 | 2023-03-10 | 航天新长征大道科技有限公司 | 基于深度学习的工业射线影像评定方法及装置 |
CN115797314A (zh) * | 2022-12-16 | 2023-03-14 | 哈尔滨耐是智能科技有限公司 | 零件表面缺陷检测方法、系统、设备及存储介质 |
CN115797314B (zh) * | 2022-12-16 | 2024-04-12 | 哈尔滨耐是智能科技有限公司 | 零件表面缺陷检测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103983651B (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Real-time automatic detection of weld defects in steel pipe | |
CN103983651B (zh) | 基于概率预测的焊缝x射线自动检测伪缺陷剔除方法 | |
Shao et al. | Automatic weld defect detection based on potential defect tracking in real-time radiographic image sequence | |
CN109886298B (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
Miao et al. | Real-time defect identification of narrow overlap welds and application based on convolutional neural networks | |
Priyadumkol et al. | Crack detection on unwashed eggs using image processing | |
Hassan et al. | Welding defect detection and classification using geometric features | |
EP3067823A1 (en) | Detection method and device | |
CN106952274B (zh) | 基于立体视觉的行人检测与测距方法 | |
CN109376572A (zh) | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 | |
CN112465746B (zh) | 一种射线底片中小缺陷检测方法 | |
CN102565103B (zh) | 一种基于x射线图像的焊缝缺陷跟踪检测方法 | |
Zhao et al. | A sparse-representation-based robust inspection system for hidden defects classification in casting components | |
Islam et al. | Capsule image segmentation in pharmaceutical applications using edge-based techniques | |
Wang et al. | Fully convolution network architecture for steel-beam crack detection in fast-stitching images | |
JP6079948B1 (ja) | 表面欠陥検出装置および表面欠陥検出方法 | |
CN103822932B (zh) | 基于多尺度滤波算子的x射线实时图像焊缝缺陷检出方法 | |
AU2020272936B2 (en) | Methods and systems for crack detection using a fully convolutional network | |
CN105510364A (zh) | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 | |
Mery et al. | Image processing for fault detection in aluminum castings | |
CN109165603B (zh) | 一种舰船检测方法及装置 | |
CN113155839A (zh) | 一种基于机器视觉的钢板外表面缺陷在线检测方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN111539251A (zh) | 一种基于深度学习的安检物品识别方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |