CN107144572A - 灰度图像中裂缝自动识别和检测方法 - Google Patents

灰度图像中裂缝自动识别和检测方法 Download PDF

Info

Publication number
CN107144572A
CN107144572A CN201710386790.5A CN201710386790A CN107144572A CN 107144572 A CN107144572 A CN 107144572A CN 201710386790 A CN201710386790 A CN 201710386790A CN 107144572 A CN107144572 A CN 107144572A
Authority
CN
China
Prior art keywords
mrow
image
munder
msub
value
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
Application number
CN201710386790.5A
Other languages
English (en)
Inventor
王海东
王安红
肖媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN201710386790.5A priority Critical patent/CN107144572A/zh
Publication of CN107144572A publication Critical patent/CN107144572A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明灰度图像中裂缝自动识别和检测方法属于测绘科学与图像处理的交叉领域，解决了现有自动裂缝识别的方法对噪声比较敏感，导致检测准确度下降的问题，采用的技术方案为：1)读取图像，对图像依次进行图像降噪处理和增强处理；2)设计模板矩阵；3)步骤三，使用四个模板矩阵对图像I0分别进行图像卷积运算，得到4个卷积后的图像，记为I10、I11、I12和I13；4)对I10、I11、I12和I13进行限幅操作；5)步骤五，将I10、I11、I12和I13合并成图像矩阵I2；步骤六，对图像矩阵I2进行二值化处理。

Description

灰度图像中裂缝自动识别和检测方法
技术领域
本发明属于测绘科学与图像处理的交叉领域，特别是涉及一种灰度图像中裂缝自动识别和检测方法。主要应用于桥墩表面裂缝自动识别和检测，也可应用于隧道衬砌、大坝表面的裂缝检测和识别。
背景技术
桥墩在使用过程中在载荷和自然环境的共同作用下，会形成多种破损，表面裂缝是最常见的一种破损形式，对桥墩危害很大。为了评价桥墩出现裂缝后的稳定性，必须对裂缝进行必要的检查和测量，为桥梁结构安全评估和病害治理提供依据。目前对裂缝的检测主要有两种方法：一种是采用数显式裂缝观测仪，人工读取数据并记录。但是这种方法费时费力，不利于大规模的对桥墩进行安全检测评估。另一种方法是采用图像处理的方法检测和识别裂缝，首先用CCD相机获取桥墩表面的灰度图像，然后用图像处理算法识别出裂缝，并从背景中把裂缝提取出来。这种方法具有便捷、直观、非接触、可再现、适应性强等优点，具有很好的应用前景。
混凝土表面的自动裂缝识别主要有下面几种图像识别算法：
第一：阈值分割识别算法。这种方法假设裂缝和背景的灰度范围有较大差别，同过自适应的寻找阈值将其分开，从而提取裂缝。该方法计算简单但抗干扰性较差。
第二：边缘检测识别算法。这种方法假设裂缝具有较强的边缘特征，即背景内部和裂缝内部的灰度变化缓慢，从背景到裂缝灰度变换会产生跳跃。可以利用常用的边缘检测算子，如Sobel算子、拉普拉斯算子、canny算子等，检测裂缝的边缘。但这种方法对噪声较为敏感。
第三：基于区域生长的种子游走算法。这用方法是以一组“种子”像素点作为开始，根据一定的规则判断相邻像素点与“种子”像素是否相似，如果相似则将这些相邻像素点附加到“种子”像素上。最后根据图像的形态判断这些“生长”出来的图像是否为裂缝。这种方法的精确度仍然不高。
第四：基于神经网络的识别算法。这种方法是利用神经网络模拟大脑的工作模式。用神经网络进行裂缝识别需要训练样本对计算机进行训练，这些样本如果有裂缝则是正样本，如果没裂缝则是负样本。神经网络一般包括输入层、隐含层和输出层，每一层有大量的权值和阈值，通过训练来不断的调整这些权值和阈值，以保证输出结果的正确率。这种方法计算复杂度高、速度慢、检测过程复杂，还没有在工程实践中验证其价值。
发明内容
本发明克服现有技术存在的不足，解决了现有自动裂缝识别的方法对噪声比较敏感，导致检测准确度下降的问题，旨在提供一种灰度图像中裂缝自动识别和检测方法，该方法受噪声影响较小，检测准确度高。
为解决上述技术问题，本发明采用的技术方案为：灰度图像中裂缝自动识别和检测方法，包括以下步骤：
步骤一，读取图像，对图像依次进行图像降噪处理和增强处理，得到增强后的图像，记为I0；
步骤二，设计模板矩阵，模板矩阵包括0度模板矩阵、45度模板矩阵、90度模板矩阵、135度模板矩阵共四个方向的矩阵；
步骤三，使用四个模板矩阵对图像I0分别进行图像卷积运算，得到4个卷积后的图像，记为I10、I11、I12和I13，
步骤四，对I10、I11、I12和I13进行限幅操作，即在上述图像矩阵中，如果一个元素的值小于零，则将该元素的值置零，如果一个元素的值大于给定的最大值，则将该元素的值置最大值；
步骤五，将I10、I11、I12和I13合并成图像矩阵I2，合并公式为：
I2(x,y)＝max{I10(x,y),I11(x,y),I12(x,y),I13(x,y)}；
步骤六，对图像矩阵I2进行二值化处理，即给定一个阈值，I2中所有大于阈值的元素置1，小于阈值的元素置0，二值化后的图像记为B0，这些值为1的元素可以组成若干个连通域，将连通域中元素的个数称为该连通域的面积，删除那些面积小于给定阈值的连通域，统计每个连通域的面积、长度、宽度和长宽比，给定一组阈值，如果有一个参数小于阈值，则删除该连通域，最后剩余的连通域则为检测出的裂缝。
步骤一中图像降噪处理采用高斯滤波和中值滤波来去除噪声。
步骤二中模板矩阵的设计原则为：
模版矩阵分成3个区域，记为A区、B区、C区，每个区域内部元素的值相等，A、B、C区域中元素值记为a，b，c，A区域和C区域的元素个数相同，记为N1，B区域的元素个数记为N2，要求N1×(a+c)-N2×b≈0。
步骤四中图像限幅操作可以根据额外获得的图像信息，改变I10、I11、I12和I13中元素的值。
本发明跟现有技术相比具有的有益效果为：本发明的裂缝自动识别和检测方法，能够快速准确地表达出裂缝结构信息，从而得到可以正确度量的相关参数。为后面桥墩表面裂缝的修复提供可靠的参考数据，具有十分重要的意义。本发明的方法也可以应用到隧道衬砌、大坝表面的裂缝检测和识别。
附图说明
下面结合附图对本发明做进一步详细的说明。
图1为0度模版矩阵示意图。
图2为45度模版矩阵示意图。
图3为90度模版矩阵示意图。
图4为135度模版矩阵示意图。
图5为原始图像1。
图6为原始图像1采用canny边缘检测算法检测到的裂缝图像。
图7为原始图像1采用本发明检测到的裂缝。
图8为原始图像2。
图9为原始图像2采用canny边缘检测算法检测到的裂缝图像。
图10为原始图像2本发明检测到的裂缝。
具体实施方式
为使本发明的目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
灰度图像中裂缝自动识别和检测方法，包括以下步骤：
步骤一，读取图像，对图像进行高斯滤波和中值滤波来去除噪声，使用幂次变换对图像进行增强处理，得到增强后的图像，记为I0。
步骤二，设计模板矩阵，模板矩阵包括0度模板矩阵、45度模板矩阵、90度模板矩阵、135度模板矩阵共四个方向的矩阵，模板矩阵的设计原则为：
模版矩阵分成3个区域，记为A区、B区、C区，如图1、图2、图3和图4所示，每个区域内部元素的值相等，A、B、C区域中元素值记为a，b，c，A区域和C区域的元素个数相同，记为N1，B区域的元素个数记为N2，要求N1×(a+c)-N2×b≈0。
例如：
3x3模版
9x9模版
步骤三，使用四个模板矩阵对图像I0分别进行图像卷积运算，得到4个卷积后的图像，记为I10、I11、I12和I13，
步骤四，对I10、I11、I12和I13进行限幅操作，即在上述图像矩阵中，如果一个元素的值小于零，则将该元素的值置零，如果一个元素的值大于给定的最大值，则将该元素的值置最大值；
如果知道一些额外的信息(如方向信息等)，可以改变I10、I11、I12和I13中元素的值，比如如果知道裂缝的方向以水平为主(没有垂直方向的裂缝)，则可以让I12的每个元素等于零。该步骤是可选步骤，通过该步骤可以进一步提升检测准确度。
步骤五，将I10、I11、I12和I13合并成图像矩阵I2，合并公式为：
I2(x,y)＝max{I10(x,y),I11(x,y),I12(x,y),I13(x,y)}；
步骤六，对图像矩阵I2进行二值化处理，即给定一个阈值，I2中所有大于阈值的元素置1，小于阈值的元素置0，二值化后的图像记为B0，这些值为1的元素可以组成若干个连通域，将连通域中元素的个数称为该连通域的面积，删除那些面积小于给定阈值的连通域，统计每个连通域的面积、长度、宽度和长宽比，给定一组阈值，如果有一个参数小于阈值，则删除该连通域，最后剩余的连通域则为检测出的裂缝。
下面在通过实验比较本发明与现有技术的区别，在背景中我们介绍了4中现有的算法，方法1、2效果一般，但计算量较小；方法3、4效果较好，但计算量很大，不适合大规模应用。下面我们比较了canny边缘检测算法和本发明算法的比较：
图5为原始图像，图6为canny边缘检测算法检测到的裂缝，图7为本发明检测到的裂缝。可以明显的看到图6中裂缝检测不完整，并且存在很多误检测。图7的检测结果完整且准确。
从图8-图10也可以看出是同样的结果，本发明的算法效果明显改善。
综上所述，本发明的检测方法灵敏度高，抗噪声干扰性强，能够快速准确地表达出裂缝结构信息。
上面结合附图对本发明的实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.灰度图像中裂缝自动识别和检测方法，其特征在于，包括以下步骤：
步骤一，读取图像，对图像依次进行图像降噪处理和增强处理，得到增强后的图像，记为I0；
步骤二，设计模板矩阵，模板矩阵包括0度模板矩阵、45度模板矩阵、90度模板矩阵、135度模板矩阵共四个方向的矩阵；
步骤三，使用四个模板矩阵对图像I0分别进行图像卷积运算，得到4个卷积后的图像，记为I10、I11、I12和I13，
<mrow> <msub> <mi>I</mi> <mn>10</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>m</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>H</mi> <mn>0</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>I</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mi>m</mi> <mo>,</mo> <mi>y</mi> <mo>-</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>I</mi> <mn>11</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>m</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>H</mi> <mn>45</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>I</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mi>m</mi> <mo>,</mo> <mi>y</mi> <mo>-</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>I</mi> <mn>12</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>m</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>H</mi> <mn>90</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>I</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mi>m</mi> <mo>,</mo> <mi>y</mi> <mo>-</mo> <mi>n</mi> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>I</mi> <mn>13</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>m</mi> </munder> <munder> <mo>&amp;Sigma;</mo> <mi>n</mi> </munder> <mi>H</mi> <mn>135</mn> <mrow> <mo>(</mo> <mi>m</mi> <mo>,</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <msub> <mi>I</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>-</mo> <mi>m</mi> <mo>,</mo> <mi>y</mi> <mo>-</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
步骤四，对I10、I11、I12和I13进行限幅操作，即在上述图像矩阵中，如果一个元素的值小于零，则将该元素的值置零，如果一个元素的值大于给定的最大值，则将该元素的值置最大值；
步骤五，将I10、I11、I12和I13合并成图像矩阵I2，合并公式为：
I2(x,y)＝max{I10(x,y),I11(x,y),I12(x,y),I13(x,y)}；
步骤六，对图像矩阵I2进行二值化处理，即给定一个阈值，I2中所有大于阈值的元素置1，小于阈值的元素置0，二值化后的图像记为B0，这些值为1的元素可以组成若干个连通域，将连通域中元素的个数称为该连通域的面积，删除那些面积小于给定阈值的连通域，统计每个连通域的面积、长度、宽度和长宽比，给定一组阈值，如果有一个参数小于阈值，则删除该连通域，最后剩余的连通域则为检测出的裂缝。
2.根据权利要求1所述的灰度图像中裂缝自动识别和检测方法，其特征在于：步骤一中图像降噪处理采用高斯滤波和中值滤波来去除噪声。
3.根据权利要求1或2所述的灰度图像中裂缝自动识别和检测方法，其特征在于：步骤二中模板矩阵的设计原则为：
模版矩阵分成3个区域，记为A区、B区、C区，每个区域内部元素的值相等，A、B、C区域中元素值记为a，b，c，A区域和C区域的元素个数相同，记为N1，B区域的元素个数记为N2，要求N1×(a+c)-N2×b≈0。
4.根据权利要求3所述的灰度图像中裂缝自动识别和检测方法，其特征在于：步骤四中图像限幅操作可以根据额外获得的图像信息，改变I10、I11、I12和I13中元素的值。
CN201710386790.5A 2017-05-26 2017-05-26 灰度图像中裂缝自动识别和检测方法 Pending CN107144572A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710386790.5A CN107144572A (zh) 2017-05-26 2017-05-26 灰度图像中裂缝自动识别和检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710386790.5A CN107144572A (zh) 2017-05-26 2017-05-26 灰度图像中裂缝自动识别和检测方法

Publications (1)

Publication Number Publication Date
CN107144572A true CN107144572A (zh) 2017-09-08

Family

ID=59779260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710386790.5A Pending CN107144572A (zh) 2017-05-26 2017-05-26 灰度图像中裂缝自动识别和检测方法

Country Status (1)

Country Link
CN (1) CN107144572A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110589122A (zh) * 2018-06-12 2019-12-20 Ckd株式会社 检查装置、ptp包装机和ptp片的制造方法
CN110689538A (zh) * 2019-10-12 2020-01-14 太原科技大学 隧道衬砌裂缝图像检测方法
CN111639203A (zh) * 2020-05-28 2020-09-08 神华包神铁路集团有限责任公司 隧道病害定位方法、装置、计算机设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1247603A (zh) * 1997-12-15 2000-03-15 埃勒夫勘探产品公司 自动检测穿过环境地层的平面不均匀体的方法
CN101013469A (zh) * 2006-02-02 2007-08-08 富士通株式会社 图像处理方法和图像处理装置
EP2177898A1 (en) * 2008-10-14 2010-04-21 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for selecting an optimized evaluation feature subset for an inspection of free-form surfaces and method for inspecting a free-form surface
CN101867682A (zh) * 2009-04-17 2010-10-20 佳能株式会社 图像处理装置及图像处理方法
CN101936915A (zh) * 2010-07-30 2011-01-05 哈尔滨工业大学（威海） 一种啤酒瓶瓶底中心区域污物的检测方法
CN106651893A (zh) * 2016-12-23 2017-05-10 贵州电网有限责任公司电力科学研究院 一种基于边缘检测的墙体裂缝识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1247603A (zh) * 1997-12-15 2000-03-15 埃勒夫勘探产品公司 自动检测穿过环境地层的平面不均匀体的方法
CN101013469A (zh) * 2006-02-02 2007-08-08 富士通株式会社 图像处理方法和图像处理装置
EP2177898A1 (en) * 2008-10-14 2010-04-21 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Method for selecting an optimized evaluation feature subset for an inspection of free-form surfaces and method for inspecting a free-form surface
CN101867682A (zh) * 2009-04-17 2010-10-20 佳能株式会社 图像处理装置及图像处理方法
CN101936915A (zh) * 2010-07-30 2011-01-05 哈尔滨工业大学（威海） 一种啤酒瓶瓶底中心区域污物的检测方法
CN106651893A (zh) * 2016-12-23 2017-05-10 贵州电网有限责任公司电力科学研究院 一种基于边缘检测的墙体裂缝识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋君: "基于数字图像的混凝土裂缝检测算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
袁金国: "《遥感图像数字处理》", 31 December 2006, 中国环境科学出版社 *
邓良基: "《遥感基础与应用》", 31 December 2009 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110589122A (zh) * 2018-06-12 2019-12-20 Ckd株式会社 检查装置、ptp包装机和ptp片的制造方法
CN110689538A (zh) * 2019-10-12 2020-01-14 太原科技大学 隧道衬砌裂缝图像检测方法
CN110689538B (zh) * 2019-10-12 2022-03-29 太原科技大学 隧道衬砌裂缝图像检测方法
CN111639203A (zh) * 2020-05-28 2020-09-08 神华包神铁路集团有限责任公司 隧道病害定位方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Ali et al. Structural crack detection using deep convolutional neural networks
Reid et al. A semi-automated methodology for discontinuity trace detection in digital images of rock mass exposures
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
CN105913415A (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
CN107507170A (zh) 一种基于多尺度图像信息融合的机场跑道裂缝检测方法
CN103048329A (zh) 一种基于主动轮廓模型的路面裂缝检测方法
CN107144572A (zh) 灰度图像中裂缝自动识别和检测方法
CN103632137A (zh) 一种人眼虹膜图像分割方法
Thanikkal et al. Advanced plant leaf classification through image enhancement and canny edge detection
CN107886065A (zh) 一种混合字体的数字序列识别方法
CN103914829B (zh) 一种含噪图像边缘检测方法
CN109766892A (zh) 一种基于边缘检测的射线检测图像标记信息字符分割方法
CN107016680A (zh) 一种基于显著性检测的害虫图像背景去除方法
CN106469300A (zh) 一种色斑检测识别方法
Shao et al. A kind of pavement crack detection method based on digital image processing
CN103325123A (zh) 一种基于自适应神经模糊推理系统的图像边缘检测方法
Wang et al. Crack image recognition on fracture mechanics cross valley edge detection by fractional differential with multi-scale analysis
Zhao et al. Analysis of image edge checking algorithms for the estimation of pear size
Gooda et al. Automatic detection of road cracks using EfficientNet with residual U-net-based segmentation and YOLOv5-based detection
CN103136518A (zh) 指纹图像自动识别系统预处理算法
CN108242060A (zh) 一种基于Sobel算子的图像边缘检测方法
Xu et al. Based on improved edge detection algorithm for English text extraction and restoration from color images
CN113436216A (zh) 基于Canny算子的电气设备红外图像边缘检测方法
Chen et al. K-means clustering with morphological filtering for silicon wafer grain defect detection
CN109034070A (zh) 一种置换混叠图像盲分离方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170908