CN107424142B - 一种基于图像显著性检测的焊缝识别方法 - Google Patents

一种基于图像显著性检测的焊缝识别方法 Download PDF

Info

Publication number
CN107424142B
CN107424142B CN201710201792.2A CN201710201792A CN107424142B CN 107424142 B CN107424142 B CN 107424142B CN 201710201792 A CN201710201792 A CN 201710201792A CN 107424142 B CN107424142 B CN 107424142B
Authority
CN
China
Prior art keywords
image
pixel
super
superpixels
weld joint
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.)
Expired - Fee Related
Application number
CN201710201792.2A
Other languages
English (en)
Other versions
CN107424142A (zh
Inventor
洪晶
祝传贝
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.)
Shanghai Wanru Technology Development Co ltd
Original Assignee
Shanghai Wanru Technology Development Co ltd
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 Shanghai Wanru Technology Development Co ltd filed Critical Shanghai Wanru Technology Development Co ltd
Priority to CN201710201792.2A priority Critical patent/CN107424142B/zh
Publication of CN107424142A publication Critical patent/CN107424142A/zh
Application granted granted Critical
Publication of CN107424142B publication Critical patent/CN107424142B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30152—Solder

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明的目的是解决现有技术存在的问题和不足，提出了一种基于图像显著性检测的焊缝识别方法，实现焊缝识别的自动化，提高焊接的准确度。为了实现这一目的，本发明采用以下技术方案。概括的，首先使用彩色CCD摄像机拍摄焊缝图像，然后通过比较图像中焊缝区域与母材区域的特征，包括颜色、纹理以及亮度特征，检测出图像中的显著区域，最后根据得到的显著图提取出焊缝的边缘。

Description

一种基于图像显著性检测的焊缝识别方法
技术领域
本发明属于焊接自动化和智能化领域，具体涉及一种基于图像显著性检测的焊缝识别方法。
背景技术
实现焊缝自动识别跟踪技术的关键是焊缝跟踪传感器，目前已研究了多种焊缝跟踪传感器。CCD视觉传感器是近年来发展较为迅速的一类焊缝跟踪传感器。它通过CCD摄像机获取二维焊缝图像，对图像进行分析，从中提取焊缝区域的特征信息，进而实现焊缝的识别。
现有的基于视觉传感器的焊缝识别方法结合了图像处理技术，其中包括：基于纹理分割的焊缝识别方法和基于图像色彩信息的焊缝识别方法。
基于纹理分割的焊缝识别方法是从CCD获取的焊缝图像中分析焊缝区域和母材区域纹理特征的差异性，区分出焊缝区域，从而提取焊缝边缘。该方法提取纹理特征时，需要根据图像纹理特征和焊缝识别精度要求将图像划分成子图像，不易获取适合的子图像尺寸，并将子图像作为基本单元，计算纹理特征并提取焊缝边缘，该方法的效果依赖于子图像的划分结果，因此焊缝识别结果不够稳定和准确。
基于图像色彩信息的焊缝识别方法是依据焊缝区域与母材区域颜色特征的差异性，提出了彩色空间变换的方法,根据灰度直方图对图像进行阈值分割,得到二值化图像。经过阈值分割的图像只是大致地区分出焊缝区域和母材区域，其结果并不准确，且依赖于焊缝区域和母材区域颜色特征的差异性。
发明内容
本发明的目的是解决现有技术存在的问题和不足，提出了一种基于图像显著性检测的焊缝识别方法，实现焊缝识别的自动化，提高焊接的准确度。
为了实现这一目的，本发明采用以下技术方案。
概括的，首先使用彩色CCD摄像机拍摄焊缝图像，然后通过比较图像中焊缝区域与母材区域的特征，包括颜色、纹理以及亮度特征，检测出图像中的显著区域，最后根据得到的显著图提取出焊缝的边缘。
本发明提出的基于显著图分割的焊缝识别方法具体包括以下步骤。
采集焊缝图像，使用彩色CCD摄像机采集包含焊缝的图像，尽可能的使焊缝处于图像中心位置。
特征提取，从上一步获得的彩色图像中提取颜色特征，在RGB空间中提取图像的R,G,B三个颜色分量，在CIELab空间中提取图像的a,b颜色分量。
进一步地，在CIELab空间中提取图像的L分量，即图像的亮度特征。
进一步地，使用灰度共生矩阵提取图像的纹理特征。灰度共生矩阵反映的是图像灰度关于方向、相邻间隔、变化幅度的综合信息。
具体地，先将图像划分成子块，然后在每个子块中计算灰度共生矩阵,设子块中含有N个像素，则该子块的灰度共生矩阵P为一个N*N阶矩阵，即Pd(i,j)(i,j＝0,1,2,…,M-1),其中M表示图像的灰度级，i,j分别表示像素的灰度。表示从灰度为i的像素离开某个固定位置关系d＝(DX,DY)达到灰度为j的像素的概率，如图1所示。最后基于上述得到的灰度共生矩阵可以计算出描述纹理状况的4个统计量：二阶矩f1、对比度f2、熵f3和均匀性f4，如式(1)—(4)所示。
Figure GDA0002380602770000021
Figure GDA0002380602770000022
Figure GDA0002380602770000023
Figure GDA0002380602770000024
显著性度量，将上述步骤得到的图像特征组合作为图像像素的特征向量，根据该特征向量计算图像的显著性，用以区别出焊缝和母材。
具体地，在多尺度k的条件下，依据“中心-外周”原则计算各尺度下每个像素点与其相邻的n个像素点的特征差和位置距离，然后通过式(5)将各尺度的计算结果进行线性融合，求得每个像素的局部对比度。在式(5)中，disf(ic,jc)为尺度c下像素i与像素j的特征差,disl(ic,jc)为尺度c下像素i与像素j的位置距离。
Figure GDA0002380602770000031
依据像素的颜色特征、亮度特征以及纹理特征，通过SLIC(简单线性迭代聚类算法，在图像处理技术领域内已属于现有技术)对图像进行超像素分割，分割成多个超像素。在每个超像素中，使用平均特征向量表示该超像素的特征向量，平均位置坐标表示该超像素的位置坐标。通过式(6)计算基于超像素的全局对比度，即与所有的超像素比较。在式(6)中，Di表示超像素i的空间分布，其中locj表示超像素j的中心位置，ui表示特征fri的中心，ωij描述超像素i和超像素j之间的相似度，Zi为归一化常数。
Figure GDA0002380602770000032
进一步地，在超像素分割的基础上，先选取图像边缘的超像素，然后计算这些超像素的平均特征，将与平均特征相差较大的超像素剔除掉之后作为背景模板SPbg，图像中其余的超像素记为SPfg，最后通过式(7)计算SPfg中每个超像素与SPbg中所有超像素之间特征向量的欧氏距离作为该超像素的显著值，得到显著图Sbg。
Figure GDA0002380602770000033
将上述步骤得到的三个显著图进行融合，具体通过式(7)计算出最终的显著图S。
S＝Sl·Sg·Sbg (8)
显著图分割，根据焊缝区域和母材区域颜色、亮度和纹理特征的区别，选定阈值T，对上述所得显著图进行分割，将特征值大于等于阈值的像素标记为白色，即焊缝区域，将特征值小于该阈值的像素标记为黑色，即表示母材区域，这样便得到了初步的显著图分割结果。
提取焊缝，由于区域对比度可以保留住目标的轮廓信息依据之前计算得到的区域对比度，找到归一化之后最亮的部分，将该部分连接起来，可以大致描绘出焊缝边界。
优选地，依据上述得到的焊缝边界，将得到的初步分割结果中处于焊缝边界外侧的部分重新标记为母材区域，得到最终的焊缝。
本发明提出的基于显著图分割的焊缝识别方法，充分利用焊缝区域和母材区域在颜色、亮度以及纹理上的差异性，并且结合使用优势互补的显著性度量方法，全方位地度量焊缝和母材之间的各种差异性，确保了焊缝识别的精确度。
附图说明
图1为灰度共生矩阵示意图；
图2为基于图像显著性检测的焊缝识别方法流程；
图3为本发明实施例的具体实现流程。
具体实施方式
为了更好地理解本发明的技术方案，下面结合相关附图和实施例作进一步的详细描述。
如图2、图3所示是基于图像显著性检测的焊缝识别方法的流程图，具体步骤如下。
步骤101、采集焊缝图像。使用彩色CCD摄像机采集包含焊缝的图像，置焊缝处于图像中心位置，采集原始图像信息。
步骤102、提取步骤101图像信息中的颜色特征：在RGB空间中提取图像的R,G,B三个颜色分量，在CIELab空间中提取图像的a,b颜色分量。
步骤103、提取步骤101图像信息中的亮度特征：在CIELab空间中提取图像的L分量。
步骤104、分割步骤101图像信息：使用SLIC算法将图像划分成50个图像块，供步骤105处理。
步骤105、在每个图像块中计算灰度共生矩阵。
具体地，设某图像块中含有N个像素点，则该图像块的灰度共生矩阵P为一个N*N阶矩阵，即Pd(i,j)(i,j＝0,1,2,…,255),共生矩阵中的每个元素表示一组灰度组合出现的次数，例如：元素Pd(1,0)表示图像上位置关系为d的两个像素灰度分别为1和0的情况出现的次数。
步骤106、基于步骤105得到的灰度共生矩阵计算出描述纹理状况的4个统计量来描述纹理特征。
步骤107、完成图像特征提取：将步骤102、步骤103、步骤106得到的图像特征组合作为图像中每个像素点的特征向量，分别用于步骤201、步骤203。
步骤201、在5个尺度下，依据“中心-外周”原则计算每个像素点与相邻若干像素点的特征向量和位置坐标的欧氏距离disf(ic,jc),disl(ic,jc)。
所述5个尺度分别为：(1)以所求像素点为中心，边长为5的正方形区域，即相邻的24个像素点；(2)以所求像素点为中心，边长为7的正方形区域，即相邻的48个像素点；(3)以所求像素点为中心，边长为9的正方形区域，即相邻的80个像素点；(4)以所求像素点为中心，边长为11的正方形区域，即相邻的120个像素点；(5)以所求像素点为中心，边长为13的正方形区域，即相邻的168个像素点。
步骤202、通过式(5)将步骤201得到的5个尺度的计算结果进行线性融合，其中各参数设置为：k＝5,n＝24,48,80,120,168，求得每个像素的局部对比度，得到显著图Sl，分别用于步骤401、步骤210。
步骤203、依据步骤107像素的颜色特征、亮度特征以及纹理特征，通过SLIC算法对图像进行超像素分割，分割成num＝400个超像素，分别用于步骤204、步骤205。
所述超像素分割：在每个超像素中，使用超像素中所有像素的平均特征向量表示该超像素的特征向量，平均位置坐标表示该超像素的位置坐标。
步骤204、通过式(6)计算步骤203中基于超像素的全局对比度，其中参数σ＝0.2，即与图像中所有其他超像素比较，得到显著图Sg。
步骤205、在步骤203实现的超像素分割的基础上，先选取图像边缘的超像素作为备选背景模板。
步骤206、计算步骤205备选背景模板中所有超像素的平均特征向量。
步骤207、计算备选背景模板中所有超像素的特征向量与步骤206所得平均特征向量的欧氏距离。并按照递增顺序进行排序。
步骤208、取步骤207中排序结果位于前60％的超像素作为背景模板。
步骤209、对于图像中除背景模板之外的所有超像素，通过式(7)计算每个超像素的特征向量与步骤208筛选背景模板中所有超像素特征向量的欧氏距离，并求和作为该超像素的显著值Sbg。
步骤210、将步骤202、步骤204、步骤209得到的三个显著图进行融合并进行归一化，具体通过式(8)计算出最终的显著图S。
步骤301、计算步骤210中显著图S的平均显著值sm，选定阈值T＝sm。
步骤302、对步骤301继续处理，将显著图S中显著值大于等于阈值T的像素赋值为1，表示焊缝区域，将特征值小于该阈值的像素赋值为0，表示母材区域，这样便得到了二值化图像。
步骤401、依据步骤202得到的显著图Sl，找到其归一化之后最亮的部分，将该部分连接起来，初步描绘出焊缝边界。
步骤402、依据步骤401得到的焊缝边界，将步骤302得到的二值化图像中处于焊缝边界外侧的部分重新赋值为0，得到最终的焊缝。
以上内容仅为本发明的优选实施方式，本发明的保护范围并不局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。对于本技术领域的普通技术人员，依据本发明原理进行的变形和改进，这些也应视为本发明的保护范围。

Claims (1)

1.一种基于图像显著性检测的焊缝识别方法，其特征在于，首先使用彩色CCD摄像机拍摄焊缝图像，然后通过比较图像中焊缝区域与母材区域的特征，包括颜色、纹理以及亮度特征，检测出图像中的显著区域，最后根据得到的显著图提取出焊缝的边缘；
具体包括步骤:
步骤101、采集焊缝图像；使用彩色CCD摄像机采集包含焊缝的图像，置焊缝处于图像中心位置，采集原始图像信息；
步骤102、提取步骤101图像信息中的颜色特征：在RGB空间中提取图像的R,G,B三个颜色分量，在CIELab空间中提取图像的a,b颜色分量；
步骤103、提取步骤101图像信息中的亮度特征：在CIELab空间中提取图像的L分量；
步骤104、分割步骤101图像信息：使用SLIC算法将图像划分成50个图像块，供步骤105处理；
步骤105、在每个图像块中计算灰度共生矩阵；设某图像块中含有N个像素点，则该图像块的灰度共生矩阵P为一个N*N阶矩阵，即Pd(i,j)(i,j＝0,1,2,…,255),共生矩阵中的每个元素表示一组灰度组合出现的次数；
步骤106、基于步骤105得到的灰度共生矩阵计算出描述纹理状况的4个统计量来描述纹理特征；
步骤107、完成图像特征提取：将步骤102、步骤103、步骤106得到的图像特征组合作为图像中每个像素点的特征向量，分别用于步骤201、步骤203；
步骤201、在5个尺度下，依据“中心-外周”原则计算每个像素点与相邻若干像素点的特征向量和位置坐标的欧氏距离disf(ic,jc),disl(ic,jc)；所述5个尺度分别为：(1)以所求像素点为中心，边长为5的正方形区域，即相邻的24个像素点；(2)以所求像素点为中心，边长为7的正方形区域，即相邻的48个像素点；(3)以所求像素点为中心，边长为9的正方形区域，即相邻的80个像素点；(4)以所求像素点为中心，边长为11的正方形区域，即相邻的120个像素点；(5)以所求像素点为中心，边长为13的正方形区域，即相邻的168个像素点；
步骤202、通过式(5)将步骤201得到的5个尺度的计算结果进行线性融合，其中各参数设置为：k＝5,n＝24,48,80,120,168，求得每个像素的局部对比度，得到显著图Sl，分别用于步骤401、步骤210；
所述式(5)
Figure FDA0002404267400000021
在式(5)中，disf(ic,jc)为尺度c下像素i与像素j的特征差,disl(ic,jc)为尺度c下像素i与像素j的位置距离；
步骤203、依据步骤107像素的颜色特征、亮度特征以及纹理特征，通过SLIC算法对图像进行超像素分割，分割成num＝400个超像素，分别用于步骤204、步骤205；所述超像素分割：在每个超像素中，使用超像素中所有像素的平均特征向量表示该超像素的特征向量，平均位置坐标表示该超像素的位置坐标；
步骤204、通过式(6)计算步骤203中基于超像素的全局对比度，其中参数σ＝0.2，即与图像中所有其他超像素比较，得到显著图Sg；
式(6)为
Figure FDA0002404267400000022
在式(6)中，Di表示超像素i的空间分布，其中locj表示超像素j的中心位置，ui表示特征fri的中心，ωij描述超像素i和超像素j之间的相似度，Zi为归一化常数；
步骤205、在步骤203实现的超像素分割的基础上，先选取图像边缘的超像素作为备选背景模板；
步骤206、计算步骤205备选背景模板中所有超像素的平均特征向量；
步骤207、计算备选背景模板中所有超像素的特征向量与步骤206所得平均特征向量的欧氏距离；并按照递增顺序进行排序；
步骤208、取步骤207中排序结果位于前60％的超像素作为背景模板；
步骤209、对于图像中除背景模板之外的所有超像素，通过式(7)计算每个超像素的特征向量与步骤208筛选背景模板中所有超像素特征向量的欧氏距离，并求和作为该超像素的显著值Sbg；
式(7)为
Figure FDA0002404267400000031
将与平均特征相差较大的超像素剔除掉之后作为背景模板，记为SPbg；图像中其余的超像素记为SPfg；
步骤210、将步骤202、步骤204、步骤209得到的三个显著图进行融合并进行归一化，具体通过式(8)计算出最终的显著图S；
式(8)为S＝Sl·Sg·Sbg (8)
步骤301、计算步骤210中显著图S的平均显著值sm，选定阈值T＝sm；
步骤302、对步骤301继续处理，将显著图S中显著值大于等于阈值T的像素赋值为1，表示焊缝区域，将特征值小于该阈值的像素赋值为0，表示母材区域，这样便得到了二值化图像；
步骤401、依据步骤202得到的显著图Sl，找到其归一化之后最亮的部分，将该部分连接起来，初步描绘出焊缝边界；
步骤402、依据步骤401得到的焊缝边界，将步骤302得到的二值化图像中处于焊缝边界外侧的部分重新赋值为0，得到最终的焊缝。
CN201710201792.2A 2017-03-30 2017-03-30 一种基于图像显著性检测的焊缝识别方法 Expired - Fee Related CN107424142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710201792.2A CN107424142B (zh) 2017-03-30 2017-03-30 一种基于图像显著性检测的焊缝识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710201792.2A CN107424142B (zh) 2017-03-30 2017-03-30 一种基于图像显著性检测的焊缝识别方法

Publications (2)

Publication Number Publication Date
CN107424142A CN107424142A (zh) 2017-12-01
CN107424142B true CN107424142B (zh) 2020-05-19

Family

ID=60423891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710201792.2A Expired - Fee Related CN107424142B (zh) 2017-03-30 2017-03-30 一种基于图像显著性检测的焊缝识别方法

Country Status (1)

Country Link
CN (1) CN107424142B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764027A (zh) * 2018-04-13 2018-11-06 上海大学 一种基于改进的rbd显著性计算的海面目标检测方法
CN108921828B (zh) * 2018-06-15 2022-04-22 湖南科技大学 一种复杂场景下不显著焊缝识别方法
CN108960255A (zh) * 2018-06-28 2018-12-07 西安工程大学 基于颜色相似性和位置聚集性的显著性织物疵点检测方法
CN109886958B (zh) * 2019-03-18 2022-03-25 济南奥图科技有限责任公司 一种基于方管焊缝位置自动识别的方法、装置及系统
CN110110618B (zh) * 2019-04-22 2022-10-14 电子科技大学 一种基于pca和全局对比度的sar目标检测方法
CN110706294A (zh) * 2019-09-10 2020-01-17 武汉纺织大学 一种色纺织物颜色差异度检测方法
CN110852173B (zh) * 2019-10-15 2022-08-09 山东大学 一种针对模糊焊缝的视觉定位方法及系统
CN110961778B (zh) * 2019-12-05 2021-12-21 珠海屏珠科技有限公司 焊接工件的焊接区域自动识别方法、计算机装置及计算机可读存储介质
CN110893525B (zh) * 2019-12-05 2022-05-24 珠海屏珠科技有限公司 焊接工件的焊接区域识别方法、计算机装置及计算机可读存储介质
CN111126335B (zh) * 2019-12-31 2021-05-04 珠海大横琴科技发展有限公司 一种结合显著性和神经网络的sar船只识别方法及系统
CN112700441A (zh) * 2021-01-28 2021-04-23 中北大学 基于纹理特征的焊缝自动搜寻方法
CN113658132B (zh) * 2021-08-16 2022-08-19 沭阳九鼎钢铁有限公司 基于计算机视觉的结构件焊缝检测方法
CN114820629B (zh) * 2022-07-01 2022-09-02 山东意吉希精密制造有限公司 一种汽车零部件的焊接识别方法
CN116160145B (zh) * 2023-02-06 2024-04-02 青岛益鼎立容器有限公司 一种用于lpg钢瓶对接的最优焊接方法
CN117444458B (zh) * 2023-12-21 2024-03-19 深圳杩蚁科技有限公司 一种用于焊接机器人的自动控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867313A (zh) * 2012-08-29 2013-01-09 杭州电子科技大学 一种融合区域颜色和HoG特征的视觉显著性检测方法
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置
CN106203430A (zh) * 2016-07-07 2016-12-07 北京航空航天大学 一种基于前景聚集度和背景先验的显著性物体检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9619708B2 (en) * 2012-04-30 2017-04-11 Niko Corporation Method of detecting a main subject in an image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867313A (zh) * 2012-08-29 2013-01-09 杭州电子科技大学 一种融合区域颜色和HoG特征的视觉显著性检测方法
CN104977313A (zh) * 2014-04-09 2015-10-14 四川省特种设备检验研究院 一种焊缝x射线图像缺陷检测与识别方法和装置
CN106203430A (zh) * 2016-07-07 2016-12-07 北京航空航天大学 一种基于前景聚集度和背景先验的显著性物体检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于颜色和纹理特征的显著性检测算法;张艳邦等;《计算机应用研究》;20140827;第32卷(第1期);第284-286页 *
对比度与空间位置关系驱动的显著性检测;刘志远等;《计算机应用》;20160310(第3期);全文 *

Also Published As

Publication number Publication date
CN107424142A (zh) 2017-12-01

Similar Documents

Publication Publication Date Title
CN107424142B (zh) 一种基于图像显著性检测的焊缝识别方法
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
CN110033431B (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN108921120B (zh) 一种适应广泛零售场景下的香烟识别方法
CN108133216B (zh) 基于机器视觉的可实现小数点读取的数码管读数识别方法
CN111539330B (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN112883850B (zh) 一种基于卷积神经网络的多视角空天遥感图像匹配方法
CN104200461A (zh) 基于互信息图像选块和sift特征的遥感图像配准方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN113343976B (zh) 基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法
CN103729631A (zh) 一种基于视觉的连接器表面特征自动识别方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN104463134A (zh) 一种车牌检测方法和系统
CN111783493A (zh) 一种批量二维码的识别方法及识别终端
CN115035089A (zh) 适用于二维脑图像数据的脑解剖结构定位方法
CN104966283A (zh) 图像分层配准方法
CN110675442A (zh) 一种结合目标识别技术的局部立体匹配方法及系统
CN109753981B (zh) 一种图像识别的方法及装置
CN109635679B (zh) 一种实时的靶纸定位及环线识别方法
CN114926635B (zh) 与深度学习方法相结合的多焦图像中目标分割方法
CN105718929A (zh) 全天候未知环境下高精度快速圆形目标定位方法和系统
CN108734158B (zh) 一种实时列车车号识别方法及装置
CN113642430B (zh) 基于VGG+NetVLAD的地下停车场高精度视觉定位方法及系统
CN111583341B (zh) 云台像机移位检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200519

Termination date: 20210330