CN104766336A - 一种固体发动机三维ct缺陷提取及标记方法 - Google Patents
一种固体发动机三维ct缺陷提取及标记方法 Download PDFInfo
- Publication number
- CN104766336A CN104766336A CN201510195757.5A CN201510195757A CN104766336A CN 104766336 A CN104766336 A CN 104766336A CN 201510195757 A CN201510195757 A CN 201510195757A CN 104766336 A CN104766336 A CN 104766336A
- Authority
- CN
- China
- Prior art keywords
- defect
- dimensional
- extracted
- image
- data
- 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 Processing (AREA)
Abstract
本发明涉及一种固体发动机三维CT缺陷提取及标记方法,属于无损检测领域。针对一系列固体发动机推进剂孔洞缺陷,在进行缺陷分割时,本发明首先对重建后体数据分层,对得到的一组二维切片数据进行滤波、形态学处理、阈值分割、缺陷提取、缺陷标记和三维可视化等操作,提取及标记出缺陷信息。在形态学处理时,采用略小于中心星孔10的正方形结构算子对每一层图像进行高帽变换。在缺陷提取中,采用最大连通区域法提取缺陷区域。本发明能够有效的分割、提取并标记图像中的孔洞缺陷。
Description
技术领域
本发明涉及一种辐射成像技术,属于无损检测领域,尤其是一种固体发动机三维CT缺陷提取及标记方法。
背景技术
工业CT技术即计算机断层成像技术,是目前无损检测领域公认的最佳检测技术之一。大型固体发动机的生产费用很高,如果没有先进的无损检测和评价技术,任何一个超标缺陷的存在都极易引发发动机故障,其经济损失将无法估量。高能X射线CT检测设备可对固体发动机定期实施不解体检测,及时发现各种缺陷的空间位置和几何尺寸,掌握其质量情况和变化规律,为生产和维修提供可靠依据。在固体发动机所有组成部件中,推进剂中的缺陷最为常见,缺陷的成因最为复杂,产生的危害也最大。缺陷在发动机中出现的位置常具有一定的规律,如脱粘一般出现在各粘接界面处,裂纹多接近推进剂内表,推进剂内部则多出现气泡。
基于平板探测器的三维工业CT系统,采用锥束射线照射到被测的工件,射线透过被测工件后被平板探测器接收,一次扫描可获得工件某一区域的二维投影图像,测量时工件步进旋转,得到一系列投影数据,由计算机重建成剖面或立体图像,进而得到工件的全部空间信息和缺陷位置,可以通过图像分析和处理,准确地判定缺陷的位置、类型、尺寸和数目等。但在目前的CT无损检测中,主要是通过观察一组二维切片图像去判定缺陷,往往依靠评片人员根据经验进行人工判读。至于准确的确定损伤部位的空间位置、大小、几何形状等信息,仅通过观察二维切片图像是很难实现的。目前,对工业CT图像进行后处理尤其是三维重建的软件多是国外的产品,由于工业CT设备本身价格非常昂贵,其三维重建的后处理软件价格也非常高,导致三维重建的应用受限。
近年来,一些具有应用价值的工业CT缺陷检测系统应运而生。这些系统利用计算机完成对投影图像的重建及后处理,通过数字图像处理来实现图像的增强、滤波、分割以及缺陷检测等,采用这种方法可以大大提高检测效率。但对工业CT图像进行后处理的软件多是国外的产品,工业CT设备本身价格就非常昂贵,其重建后处理软件的价格也非常高,且目前的缺陷检测方法仍存在检测速度慢、检测方法单一、不能实时处理等诸多问题。
发明内容
本发明的目的是为克服上述现有技术的不足,针对一系列固体发动机推进剂内部孔洞缺陷,提供一种检测速度快、检测手段合理、可以准确地将固体发动机推进剂内部孔洞缺陷体提取并标记的方法。
为实现上述目的,本发明采用下述技术方案:
一种固体发动机三维CT缺陷提取及标记方法,包括以下步骤:
(1)、导入固体发动机三维重建后的Raw格式体数据,Raw格式数据存储的是原始的像素值;
(2)、图像预处理,包括体数据分层和滤波处理;
首先,沿Raw格式的三个方向上建立直角坐标系OXYZ,垂直于Z方向剖分体数据,得到Z方向的一系列切片,即得到一组断层图像数据;
其次,对该二维切片图像序列进行图像滤波;
(3)、缺陷的分割和提取,包括形态学顶帽变换结合阈值分割方法进行缺陷分割,以及去除最大连通区域提取出缺陷;
缺陷分割首先采用略小于中心星孔的结构元素对二维图像序列进行形态学高帽变换,去除星孔,之后进行阈值分割,采用最大类间方差法自适应的确定阈值,即可将图像中的缺陷及固体发动机壳体区域分割出来;
缺陷提取采用最大连通区域法,通过连通区域的计算,将连通区域面积最大的固体发动机壳体区域去除掉,即可提取出缺陷区域;
(4)、缺陷的标记及三维可视化;
缺陷的标记首先将缺陷提取后的二维序列图像封装成规则体数据,缺陷体灰度值设置为灰度范围的上限值;对标记出缺陷的三维体数据进行体绘制三维可视化,对灰度上限值进行颜色映射,使用某种彩色显示三维图像中的缺陷体。
所述步骤(1)前增加一步,获取固体发动机三维体数据,首先将被测含有人工设计缺陷的固体发动机模型工件固定在转台上,使物体中心与旋转轴重合,然后利用计算机控制射线源发射射线,并开启平板探测器接收X射线,得到一个角度下的投影,最后通过控制伺服电机带动转台以1度的采样间隔进行旋转,得到360个角度下的二维投影数据;其次,通过实际系统中采集到的CT投影数据,三维重建后的Raw格式的体数据。
所述步骤(2)中的滤波采用均值滤波进行滤波降噪,将二维切片中的噪声滤除。
所述步骤(2)中的滤波窗口采用3×3像素大小。
所述步骤(3)中的缺陷分割采用的略小于中心星孔的结构元素为正方形结构元素,来进行形态学高帽变换。
所述步骤(3)中的最大类间方差法自适应的确定阈值是先设定一个阈值T,通过T将图像按灰度值分为背景和目标2部分,使背景和目标之间组内方差最小并且使组间方差最大的那个T作为分割的阈值。
所述步骤(3)中的最大连通区域法,连通区域面积的计算,是对分割后的图像按像素进行处理,按照8邻域统计各个连通区域的像素为1的个数为连通区域的面积,其中,8邻域指选取目标像素点在二维空间在上下左右以及45°角方向所有的相邻像素。
所述的步骤(4)中的灰度范围的上限值8位无符号数据为255或16位无符号数据为65535。
本发明的原理是基于利用高能X射线在不同角度对被测固体发动机投射的投影图像,利用图像重建算法,恢复出被测固体发动机的三维断层图像信息,用于三维缺陷的提取和标记。
本发明所提固体发动机三维CT缺陷提取及标记方法,针对固体发动机分层图像存在对比度低,边缘模糊,缺陷特征可能会被噪声淹没等特点,采用邻域平均法以降低噪声的影响。采用形态学高帽变换结合阈值分割,去除背景信息对缺陷信息的影响。采用最大连通区域法提取出缺陷后,获得缺陷体的三维体数据,进行标记后三维可视化显示,能够更直观、更真实地体现工件的真实细节。该方法已实验运用于项目中的推进剂装药缺陷检测,测试表明,该方法取得了良好的效果。
附图说明
图1是本发明的算法流程图;
图2是本发明的固体发动机模型工件示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明公开的一种固体发动机三维CT缺陷提取及标记方法,如图1所示,
首先,获取固体发动机三维体数据,本发明的实施图像数据源于含有人工设计缺陷的固体发动机模型工件1(如图2所示),工件1直径为120mm,壳体钢壁厚2mm,中间为填药用的星孔10,壁上面有四个分布不均的孔11、12、13、14代表缺陷,最大孔14直径3mm,最小孔11直径2mm,通过平板锥束CT实验系统采集投影数据,工作过程如下:首先将被测工件固定在转台上,使物体中心与旋转轴重合,然后利用计算机控制射线源发射射线,并开启平板探测器(型号:paxscan2520)接收X射线,得到一个角度下的投影,最后通过控制伺服电机带动转台以1度的采样间隔进行旋转,得到360个角度下的二维投影数据。实际投影数据参数如下:射线源-工件中心距离为1060mm,工件中心-探测器距离140mm,探测器为paxscan2520,探元大小0.127mm,探测器中心1015,探测器精度12bit,射线源电压290KV,电流1.8mA,投影图像大小1536*1920。
其次,通过实际系统中采集到的CT投影数据,三维重建后的Raw格式的体数据,分辨率为512x512x512,编程工具为Microsoft Visual Studio 2010,编程语言为C++。
接下来时进行缺陷提取及标记,具体实施步骤如下:
1、导入固体发动机推进剂三维重建后的Raw格式体数据;
体数据为以上三维重建后的Raw格式体数据,Raw格式数据存储的是原始的像素值;
2、图像预处理;
首先,三维体数据的层切片,由于Raw格式裸文件数据量庞大,不便于图像的后续处理,而且在一般的看图软件中不能正常显示,为便于进行数字图像处理。实际实施中,沿Raw格式的三个方向上建立直角坐标系OXYZ,垂直于Z方向剖分体数据,得到Z方向的一系列切片,即得到一组二维面数据。在二维切片图像内对每层图像单独做图像处理,不需要考虑上下层间的联系对分割处理过程的影响。当三维体数据的所有层切片图像被分割完成后,利用图像层间的连续性组合成三维分割结果的几何模型。该方法简单、精度高并且计算量少;
其次,均值滤波降低噪声,由于固体发动机分层图像存在灰度对比度低,边缘模糊,噪音信息多等特点,缺陷特征可能会被噪声淹没。均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。为降低噪声的影响,实际实施中,二维图像序列做均值滤波预处理,使用大小为3x3的均值滤波处理。均值滤波器能有效地滤除噪声,但该方法在平滑图像信号的同时,也使图像的细节部分变得有一些模糊;
3、缺陷的分割和提取;
首先,形态学高帽变换屏蔽中心星形空洞,滤波后的固体发动机分层图像按灰度级可以明显分成两部分,目标图像为高灰度级,背景图像为低灰度级。图像虽然经过均值滤波,不过还是存在一定的噪声,如果能降低甚至消除图像的噪声及背景信息的影响,将获得更好的图像分割效果。由数学形态学原理可知,使用一定大小的结构元素,通过运用高帽变换能够屏蔽大于此元素尺寸的目标。根据先验知识估计中心星孔10的大小,选择略小于星孔10面积大小的正方形结构元素对二维图像序列进行形态学高帽变换,去除固体发动机推进剂中心星孔10。实际实施中,选择用5x5的矩形结构算子对图像进行顶帽变换,去除中心星孔10,并且去除图像的背景,增强图像的缺陷部分;
其次,对形态学变换后的图像采用最大类间方差法进行阈值分割,即Otsu阀值分割二值化,设定一个阈值T,通过T将图像按灰度值分为背景和目标2部分,使背景和目标之间组内方差最小并且使组间方差最大的那个T作为分割的阈值。采用这种选取阈值的方法可以将图像中想要得到的有效信息和背景很好地分离。最大类间方差法对整幅图像使用同一个阈值,在图像对比度较高、受噪声污染较小时,可以取得比较好的分割效果。经形态学高帽变换后的图像满足该条件,故高帽变换结合阈值分割处理后效果良好,缺陷信息跟固体发动机壳体被完整的分割出来;
最后,连通区域处理保留缺陷区域,经过上述算法的处理,图像中只存在固体发动机壳体区域以及缺陷区域,只需要将固体发动机壳体区域屏蔽掉,就可以成功地提取到缺陷信息。对分割后的图像按像素进行处理,采用最大连通区域法。像素之间的连通性是确定区域的标准,目标像素周围有相同灰度的像素点存在时,称该像素点与目标像素具有连通性。区域标记是指把唯一的标号赋给图像各像素区域,但相同像素值根据邻域数不同而被区别标记为不同的区域。区域连通是指在一幅二值图像中,任意一点加上其n个邻域点,按照从上到下且从左到右的顺序,以灰度值非0则为连通区域的规则且从1开始整数递增顺序标记各连通区域。常用的连通性有4邻域连通和8邻域连通,实际实施中,选择8邻域连通,即选取目标像素点在二维空间在上下左右以及45°角方向所有的相邻像素。统计各个连通区域的像素为1的个数为连通区域的面积,进行连通区域计算,由于缺陷区域跟固体发动机壳体区域面积相差较大,并且固体发动机外壳区域的面积是图像中连通区域最大的部分,所以对计算出的所有面积进行比较,找到面积最大的外壳区域,将此外壳区域的像素值设为1,即可提取获得缺陷区域;
4、缺陷的标记及三维可视化;
首先,将每层图像封装成规则三维体数据,通过上述步骤已经将每一层的缺陷区域提取出来了,继续处理,将每一层提取的缺陷图像封装成规则三维体数据,按层在Z方向累加,获得缺陷体的三维体数据,格式仍然为raw格式;
其次,标记原始三维体数据中的缺陷体位置,使用缺陷体三维体数据对原始三维体数据进行标记,将缺陷体灰度值设置为灰度范围的上限值(8位无符号数据为255,16位无符号数据为65535),实施例中设置为255;
最后,体数据三维可视化,对标记出缺陷的三维体数据基于VTK(Visualization Toolkit),商业软件系统进行体绘制三维可视化,对灰度上限值做一个颜色映射,实际实施中,使用绿色显示三维图像中的缺陷体。
本发明采用形态学顶帽变换结合阈值分割方法进行缺陷分割,以及去除最大连通区域后,可以将推进剂中的孔洞缺陷完全提取出来,能够在三维视图中清晰地看到标记后的缺陷体,不仅准确检测出孔洞的数量,而且较好地保持了缺陷的形状,不会导致误判。
Claims (8)
1.一种固体发动机三维CT缺陷提取及标记方法,其特征在于,包括以下步骤:
(1)、导入固体发动机三维重建后的Raw格式体数据,Raw格式数据存储的是原始的像素值;
(2)、图像预处理,包括体数据分层和滤波处理;
首先,沿Raw格式的三个方向上建立直角坐标系OXYZ,垂直于Z方向剖分体数据,得到Z方向的一系列切片,即得到一组断层图像数据;
其次,对该二维切片图像序列进行图像滤波;
(3)、缺陷的分割和提取,包括形态学顶帽变换结合阈值分割方法进行缺陷分割,以及去除最大连通区域提取出缺陷;
缺陷分割首先采用略小于中心星孔的结构元素对二维图像序列进行形态学高帽变换,去除星孔,之后进行阈值分割,采用最大类间方差法自适应的确定阈值,即可将图像中的缺陷及固体发动机壳体区域分割出来;
缺陷提取采用最大连通区域法,通过连通区域的计算,将连通区域面积最大的固体发动机壳体区域去除掉,即可提取出缺陷区域;
(4)、缺陷的标记及三维可视化;
缺陷的标记首先将缺陷提取后的二维序列图像封装成规则体数据,缺陷体灰度值设置为灰度范围的上限值;对标记出缺陷的三维体数据进行体绘制三维可视化,对灰度上限值进行颜色映射,使用某种彩色显示三维图像中的缺陷体。
2.根据权利要求1所述的一种固体发动机三维CT缺陷提取及标记方法,其特征在于:所述步骤(1)前增加一步,获取固体发动机三维体数据,首先将被测含有人工设计缺陷的固体发动机模型工件固定在转台上,使物体中心与旋转轴重合,然后利用计算机控制射线源发射射线,并开启平板探测器接收X射线,得到一个角度下的投影,最后通过控制伺服电机带动转台以1度的采样间隔进行旋转,得到360个角度下的二维投影数据;
其次,通过实际系统中采集到的CT投影数据,三维重建后的Raw格式的体数据。
3.根据权利要求1所述的一种固体发动机三维CT缺陷提取及标记方法,其特征在于:所述步骤(2)中的滤波采用均值滤波进行滤波降噪,将二维切片中的噪声滤除。
4.根据权利要求3所述的一种固体发动机三维CT缺陷提取及标记方法,其特征在于:所述步骤(2)中的滤波窗口采用3×3像素大小。
5.根据权利要求1所述的一种固体发动机三维CT缺陷提取及标记方法,其特征在于:所述步骤(3)中的缺陷分割采用的略小于中心星孔的结构元素为正方形结构元素,来进行形态学高帽变换。
6.根据权利要求1所述的一种固体发动机三维CT缺陷提取及标记方法,其特征在于:所述步骤(3)中的最大类间方差法自适应的确定阈值是先设定一个阈值T,通过T将图像按灰度值分为背景和目标2部分,使背景和目标之间组内方差最小并且使组间方差最大的那个T作为分割的阈值。
7.根据权利要求1所述的一种固体发动机三维CT缺陷提取及标记方法,其特征在于:所述步骤(3)中的最大连通区域法,连通区域面积的计算,是对分割后的图像按像素进行处理,按照8邻域统计各个连通区域的像素为1的个数为连通区域的面积,其中,8邻域指选取目标像素点在二维空间在上下左右以及45°角方向所有的相邻像素。
8.根据权利要求1所述的一种固体发动机三维CT缺陷提取及标记方法,其特征在于:所述的步骤(4)中的灰度范围的上限值8位无符号数据为255或16位无符号数据为65535。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510195757.5A CN104766336B (zh) | 2015-04-16 | 2015-04-16 | 一种固体发动机三维ct缺陷提取及标记方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510195757.5A CN104766336B (zh) | 2015-04-16 | 2015-04-16 | 一种固体发动机三维ct缺陷提取及标记方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766336A true CN104766336A (zh) | 2015-07-08 |
CN104766336B CN104766336B (zh) | 2017-11-28 |
Family
ID=53648141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510195757.5A Expired - Fee Related CN104766336B (zh) | 2015-04-16 | 2015-04-16 | 一种固体发动机三维ct缺陷提取及标记方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766336B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100369A (zh) * | 2018-08-20 | 2018-12-28 | 首都师范大学 | 一种圆柱形组合工件的缺陷检测定位表征方法 |
CN109636800A (zh) * | 2019-01-28 | 2019-04-16 | 中国科学院上海硅酸盐研究所 | 一种测量物体内部缺陷尺寸的方法 |
CN111060528A (zh) * | 2019-12-31 | 2020-04-24 | 塔里木大学 | 水果缺陷发展规律光学检测系统及检测方法 |
CN111340786A (zh) * | 2020-02-28 | 2020-06-26 | 燕山大学 | 一种复杂点阵结构内部缺陷的三维分割方法及系统 |
CN112288662A (zh) * | 2019-08-12 | 2021-01-29 | 中北大学 | 一种轮毂x射线图像增强方法及系统 |
CN114152637A (zh) * | 2022-02-07 | 2022-03-08 | 东莞市志橙半导体材料有限公司 | 一种硬质碳化硅材料打孔检测装置与方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339652A (zh) * | 2007-12-28 | 2009-01-07 | 中国人民解放军海军航空工程学院 | 一种固体发动机ct图像的分割方法 |
CN101738405A (zh) * | 2008-11-18 | 2010-06-16 | 同方威视技术股份有限公司 | 射线检测系统以及利用射线进行无损检测物体的方法 |
CN101756707A (zh) * | 2009-12-31 | 2010-06-30 | 苏州和君科技发展有限公司 | 用Micro-CT成像系统对长目标物体进行扫描重建的方法 |
WO2012083503A1 (zh) * | 2010-12-23 | 2012-06-28 | 中国科学院自动化研究所 | 基于切伦科夫效应的断层成像方法和系统 |
CN103543167A (zh) * | 2013-10-08 | 2014-01-29 | 华南理工大学 | 一种基于知识库的三维x射线断层扫描检测系统及方法 |
-
2015
- 2015-04-16 CN CN201510195757.5A patent/CN104766336B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339652A (zh) * | 2007-12-28 | 2009-01-07 | 中国人民解放军海军航空工程学院 | 一种固体发动机ct图像的分割方法 |
CN101738405A (zh) * | 2008-11-18 | 2010-06-16 | 同方威视技术股份有限公司 | 射线检测系统以及利用射线进行无损检测物体的方法 |
CN101756707A (zh) * | 2009-12-31 | 2010-06-30 | 苏州和君科技发展有限公司 | 用Micro-CT成像系统对长目标物体进行扫描重建的方法 |
WO2012083503A1 (zh) * | 2010-12-23 | 2012-06-28 | 中国科学院自动化研究所 | 基于切伦科夫效应的断层成像方法和系统 |
CN103543167A (zh) * | 2013-10-08 | 2014-01-29 | 华南理工大学 | 一种基于知识库的三维x射线断层扫描检测系统及方法 |
Non-Patent Citations (5)
Title |
---|
K. S. SIM ET AL: "Application of Contrast Enhancement Bilateral Closing Top-hat Otsu Thresholding (CEBICTOT) Technique on Crack Images", 《CYBERNETIC INTELLIGENT SYSTEMS》 * |
任少卿 等: "基于工业CT断层图像的三维可视化", 《中国体视学与图像分析》 * |
张俊生 等: "基于高帽变换预处理的Otsu分割算法", 《传感器世界》 * |
朱敏 等: "固体发动机CT图像的一种自动分割方法", 《固体火箭技术》 * |
杨静 等: "一种X 射线图像缺陷的自动分割方法的实现", 《弹箭与制导学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100369A (zh) * | 2018-08-20 | 2018-12-28 | 首都师范大学 | 一种圆柱形组合工件的缺陷检测定位表征方法 |
CN109636800A (zh) * | 2019-01-28 | 2019-04-16 | 中国科学院上海硅酸盐研究所 | 一种测量物体内部缺陷尺寸的方法 |
CN112288662A (zh) * | 2019-08-12 | 2021-01-29 | 中北大学 | 一种轮毂x射线图像增强方法及系统 |
CN111060528A (zh) * | 2019-12-31 | 2020-04-24 | 塔里木大学 | 水果缺陷发展规律光学检测系统及检测方法 |
CN111340786A (zh) * | 2020-02-28 | 2020-06-26 | 燕山大学 | 一种复杂点阵结构内部缺陷的三维分割方法及系统 |
CN111340786B (zh) * | 2020-02-28 | 2022-09-16 | 燕山大学 | 一种复杂点阵结构内部缺陷的三维分割方法及系统 |
CN114152637A (zh) * | 2022-02-07 | 2022-03-08 | 东莞市志橙半导体材料有限公司 | 一种硬质碳化硅材料打孔检测装置与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104766336B (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766336A (zh) | 一种固体发动机三维ct缺陷提取及标记方法 | |
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN107301648B (zh) | 基于重叠区域边界角度的冗余点云去除方法 | |
Li et al. | An improved building boundary extraction algorithm based on fusion of optical imagery and LIDAR data | |
AU2016385541A1 (en) | Object surface deformation feature extraction method based on line scanning three-dimensional point Cloud | |
CN102495026B (zh) | 一种用于线激光扫描视觉测量系统的光带中心线提取方法 | |
CN105203552A (zh) | 一种360°踏面图像检测系统及其检测方法 | |
CN104567758B (zh) | 立体成像系统及其方法 | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN115345881B (zh) | 一种基于计算机视觉的路面病害检测方法 | |
CN112330693A (zh) | 一种煤矸石检测方法及系统 | |
CN104458764A (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 | |
CN104658034B (zh) | Ct图像数据的融合绘制方法 | |
CN110298821A (zh) | 一种基于Faster R-CNN的钢筋检测方法 | |
EP2874124A2 (en) | Method and apparatus for marking an object in a 3D image | |
He et al. | Robust laser stripe extraction for 3D measurement of complex objects | |
CN110322428A (zh) | 检测隧道病害的方法、装置及电子设备 | |
Li et al. | Pixel-level detection and measurement of concrete crack using faster region-based convolutional neural network and morphological feature extraction | |
CN116630323A (zh) | 一种稠密金属腐蚀深度自动计算方法、系统、介质和设备 | |
CN110268441A (zh) | 获得物体的多个部件的3d模型数据的方法 | |
CN115240086A (zh) | 基于无人机的河道船只检测方法、装置、设备及存储介质 | |
CN113610786A (zh) | 一种基于视觉测量的轨道变形监测方法 | |
CN117078585A (zh) | 一种管道的缺陷损伤检测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171128 Termination date: 20180416 |
|
CF01 | Termination of patent right due to non-payment of annual fee |