CN107966270A - 一种基于稀疏字典的螺栓拧紧检测方法 - Google Patents
一种基于稀疏字典的螺栓拧紧检测方法 Download PDFInfo
- Publication number
- CN107966270A CN107966270A CN201711166471.XA CN201711166471A CN107966270A CN 107966270 A CN107966270 A CN 107966270A CN 201711166471 A CN201711166471 A CN 201711166471A CN 107966270 A CN107966270 A CN 107966270A
- Authority
- CN
- China
- Prior art keywords
- bolt
- matrix
- sparse dictionary
- detection method
- dictionary
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
一种基于稀疏字典的螺栓拧紧检测方法,包括以下步骤:步骤1:拍摄标准作业图片至少一张,从该标准作业图片获得基于像素坐标的灰度值矩阵Y;步骤2:根据矩阵Y,用K‑SVD算法获得稀疏字典D;步骤3:拍摄实际作业图片,从该实际作业图片获得基于像素坐标的灰度值矩阵Y’;步骤4:利用稀疏字典D对矩阵Y’进行稀疏变换,获得变换后的系数矩阵X’;步骤5:根据每个螺栓所在位置处对应的X’的稀疏度,判断该螺栓的拧紧标记是否遗漏,并输出判断结果。本发明能够避免实际标记中的位置不统一造成的误判,也替代了低效的人工目测判断,提高了检测方法的准确率和稳定性,降低了工人操作强度。
Description
技术领域
本发明涉及一种生产线上工位检查的方法,尤其涉及一种螺栓拧紧的检测方法。
背景技术
发动机是一种高速、高温、高惯性力工作的机器,如果发动机螺栓拧紧出现遗漏,在发动机运行时螺栓或被连接件将飞出,将会造成人员伤亡或财产损失,因此发动机的螺栓拧紧检查工作在发动机装配线上占据非常重要的地位。发动机机体上螺栓数量多,分布广,生产线工人在当前工位使用电枪拧紧后需要在下一个工位进行检查,以防前一工位工人遗漏拧紧。
目前发动机厂基本采用的方法是需要拧紧工位工人在拧紧完螺栓后使用中性笔在螺栓头和被拧紧件竖直画一条线,在下一个工位检查时由工人目测检查是否有画线。考虑到流水线上工人工作的重复性,而且螺栓标记绝大部分都不会被遗漏,因此当某台发动机的某个螺栓未标记时,极有可能不被检查的工人发现,从而存在风险。
另有通过拍照将实际作业图片比对标准作业图片的方法,利用机器直接将两张照片进行比对,对拧紧标记进行判断。该方法存在最大的问题是要求标记工人在螺栓上的固定位置进行标记,因为如果标记出现在与标准作业图片不一致的位置亦会被认为标记遗漏,造成误判,例如在标准作业图片中标记在螺栓的左边,在实际作业图片中标记在该螺栓的右边,则会被认为是标记遗漏。而要求工人在固定位置进行标记将延长工位操作时间及增加工人工作强度。由于效率和效果不佳,该方法只是在工件安装判断工位使用,在螺栓拧紧检查工位一般不被采用。
发明内容
基于此,本发明的目的在于,提供一种准确率和稳定性高的螺栓拧紧检测方法。
本发明所采用的技术方案是:
一种基于稀疏字典的螺栓拧紧检测方法,包括以下步骤:
步骤1:拍摄位于所需检测的工位上的产品的标准作业图片至少一张,该标准作业图片对所有需要拧紧的螺栓均有标记;从该标准作业图片获得基于像素坐标的灰度值矩阵Y;
步骤2:根据矩阵Y,用K-SVD算法获得稀疏字典D;
步骤3:拍摄位于所需检测的工位上的产品的实际作业图片,从该实际作业图片获得基于像素坐标的灰度值矩阵Y’;
步骤4:利用稀疏字典D对矩阵Y’进行稀疏变换,获得变换后的系数矩阵X’;
步骤5:根据每个螺栓所在位置处对应的X’的稀疏度,判断该螺栓的拧紧标记是否遗漏,并输出判断结果。
本发明的基于稀疏字典的螺栓拧紧检测方法,针对需检测的工位训练学习稀疏字典,然后对根据实际作业图片获得的灰度值矩阵进行稀疏变换,根据不同像素坐标对应的稀疏度来判断相应位置上的螺栓是否存在拧紧标记,与现有技术中直接将标准作业图片和实际作业图片进行对比的方案相比,能够避免实际标记中的位置不统一造成的误判,也替代了低效的人工目测判断,提高了检测方法的准确率和稳定性,也降低了工人操作强度。
进一步地,在步骤1中,拍摄三张以上标准作业图片,每张标准作业图片上同一螺栓的拧紧标记的位置不同。该方案能够提高检测方法的鲁棒性。
进一步地,所述步骤2包括以下步骤:
步骤21:固定稀疏字典D,利用正交匹配追踪算法求得最优的系数矩阵X;
步骤22:采用SVD方法,逐列更新稀疏字典D和系数矩阵X;
步骤23:重复步骤21及22,直至稀疏字典D和系数矩阵X不再改变。
进一步地,所述步骤21包括以下步骤:
步骤211:从矩阵Y中抽取样本,作为稀疏字典D的原子,并初始化系数矩阵X,稀疏度K设为螺栓个数,初始化残差r0=Y,索引集
步骤212:找出残差r和字典内积最大的原子索引λ,即λi=arg maxj=1,…,N|<ri-1,dj>|;
步骤213:更新索引集Λt=Λt-1∪{λt},记录字典的重建原子集合
步骤214:由最小二乘得到Xt=argmin||Y-DtX||2;
步骤215:更新残差rt=Y-DtXt,t=t+1;
步骤216:若t<K,继续迭代,重复步骤212-215;若t≥K,输出系数矩阵X,执行下一步。
进一步地,在步骤22中,逐列更新稀疏字典D和系数矩阵X,即当更新第k列原子的时候,其它的原子固定不变;令当前要更新第k列原子为dk,令系数矩阵X对应的第k行为则惩罚项重写为:
矩阵Ek表示除去第k个字典项后的所有N个样本的误差,使用奇异值分解法分解矩阵Ek,得到最大奇异值所对应的正交单位向量,作为新的dk,将最大奇异值所对应的特征向量与该最大奇异值相乘以更新使以下式最小化:
其中,范数值F=2,T0为容许的误差。
进一步地,在步骤4中,根据以下公式进行稀疏变换:
X’=D-1*Y’,其中,D-1表示D的逆。
进一步地,在步骤5中,根据每个螺栓所在位置处对应的X’的稀疏度,判断该螺栓的拧紧标记是否遗漏,若稀疏度大于或等于标准值,则输出该螺栓的拧紧标记正常,若稀疏度小于标准值则输出该螺栓的拧紧标记遗漏。
本发明还提供一种基于稀疏字典的发动机生产线螺栓拧紧检测方法,包括上述任一项所述的基于稀疏字典的螺栓拧紧检测方法,所述所需检测的工位为发动机生产线上的工位。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明的基于稀疏字典的螺栓拧紧检测方法的流程图;
图2为本发明的稀疏变换后的矩阵X’的示意图。
具体实施方式
请参阅图1,其为本发明的基于稀疏字典的螺栓拧紧检测方法的流程图。
本发明的基于稀疏字典的螺栓拧紧检测方法,可用于检测螺栓的拧紧标记是否遗漏,以判断螺栓是否被拧紧,在本实施例中,被检测的产品是位于发动机生产线上的发动机。本发明的检测方法包括以下步骤:
1)步骤1:拍摄位于所需检测的工位上的产品的标准作业图片至少一张,该标准作业图片对所有需要拧紧的螺栓均有标记;从该标准作业图片获得基于像素坐标的灰度值矩阵Y。
为了进一步提高检测方法的鲁棒性,该标准作业图片优选三张以上,每张标准作业图片上对所有需要拧紧的螺栓均有标记。每张标准作业图片上同一螺栓的拧紧标记的位置不同,例如在第一张图中,螺栓A的拧紧标记位于其左边,在第二张图中,螺栓A的拧紧标记位于其右边,其余图片同理,以提取虽位于不同位置但均属于已标记的情况的对应数据。在本实施例中,标准作业图片拍摄五张,效果较优。
2)步骤2:根据矩阵Y,用K-SVD算法获得稀疏字典D。本步骤2具体包括步骤21-23:
步骤21:固定稀疏字典D,利用正交匹配追踪算法(OMP Algorithm)求得最优的系数矩阵X。
正交匹配追踪算法的原理是:采用贪婪的思想选择原子,每次迭代选择字典(总共N列)中和原图像内积最大的列,从原图像减去所选部分得到残差,直到达到稀疏度K(一般可以选择螺栓个数)或者残差小于误差阈值(可取1e-3),停止迭代。具体地,步骤21具体包括步骤211-216:
步骤211:从矩阵Y中抽取样本,作为稀疏字典D的原子,并初始化系数矩阵X,稀疏度K设为所需检测的螺栓个数,初始化残差r0=Y,索引集
步骤212:找出残差r和字典内积最大的原子索引λ,即λi=argmaxj=1,…,N|<ri-1,dj>|;
步骤213:更新索引集Λt=Λt-1∪{λt},记录字典的重建原子集合
步骤214:由最小二乘得到Xt=argmin||Y-DtX||2;
步骤215:更新残差rt=Y-DtXt,t=t+1;
步骤216:若t<K,继续迭代,重复步骤212-215;若t≥K,输出系数矩阵X,执行下一步。
步骤22:采用SVD方法,逐列更新稀疏字典D和系数矩阵X。
具体地,当更新第k列原子的时候,其它的原子固定不变;令当前要更新第k列原子为dk,令系数矩阵X对应的第k行为则惩罚项重写为:
矩阵Ek表示除去第k个字典项后的所有N个样本的误差,使用奇异值分解法分解矩阵Ek,得到最大奇异值所对应的正交单位向量,作为新的dk,将最大奇异值所对应的特征向量与该最大奇异值相乘以更新使以下式最小化:
其中,xi为矩阵的第i列,同理,后文中yi为矩阵Y的第i列,范数值F=2,T0为容许的误差,是一个很小的正值。
步骤23:重复步骤21及22,直至稀疏字典D和系数矩阵X不再改变。
3)步骤3:拍摄位于所需检测的工位上的产品的实际作业图片,从该实际作业图片获得基于像素坐标的灰度值矩阵Y’。
该实际作业图片即需要进行螺栓拧紧检测的图片。
4)步骤4:利用稀疏字典D对矩阵Y’进行稀疏变换,获得变换后的系数矩阵X’。
具体地,X’=D-1*Y’,其中,D-1表示D的逆。
5)步骤5:根据每个螺栓所在位置处对应的X’的稀疏度,判断该螺栓的拧紧标记是否遗漏,并输出判断结果。
具体地,若稀疏度大于或等于标准值,则输出该螺栓的拧紧标记正常,若稀疏度小于标准值则输出该螺栓的拧紧标记遗漏。该标准值取值为一接近0的较小正数。请参阅图2,其为稀疏变换后的矩阵X’的示意图,横坐标为矩阵X’的每个元素的位置,纵坐标为该元素对应的系数值,即稀疏度,可以看出,大多数元素的稀疏度为0或接近于0,仅有4个值远大于0,其对应4个螺栓拧紧标记,若实际作业图片中有5个螺栓,则意味着有1个螺栓的标记遗漏。
在初次使用本发明的方法时,拍摄标准作业图片,通过步骤1和2获得稀疏字典D,在以后的每次使用中,只需要拍摄实际作业图片,进行步骤3-5,即可利用该稀疏字典D对螺栓拧紧标记是否遗漏进行判断,从而判断螺栓是否已被拧紧。
本发明的基于稀疏字典的螺栓拧紧检测方法,针对需检测的工位训练学习稀疏字典,然后对根据实际作业图片获得的灰度值矩阵进行稀疏变换,根据不同像素坐标对应的稀疏度来判断相应位置上的螺栓是否存在拧紧标记,与现有技术中直接将标准作业图片和实际作业图片进行对比的方案相比,能够避免实际标记中的位置不统一造成的误判,也替代了低效的人工目测判断,提高了检测方法的准确率和稳定性,也降低了工人操作强度。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种基于稀疏字典的螺栓拧紧检测方法,其特征在于:包括以下步骤:
步骤1:拍摄位于所需检测的工位上的产品的标准作业图片至少一张,该标准作业图片对所有需要拧紧的螺栓均有标记;从该标准作业图片获得基于像素坐标的灰度值矩阵Y;
步骤2:根据矩阵Y,用K-SVD算法获得稀疏字典D;
步骤3:拍摄位于所需检测的工位上的产品的实际作业图片,从该实际作业图片获得基于像素坐标的灰度值矩阵Y’;
步骤4:利用稀疏字典D对矩阵Y’进行稀疏变换,获得变换后的系数矩阵X’;
步骤5:根据每个螺栓所在位置处对应的X’的稀疏度,判断该螺栓的拧紧标记是否遗漏,并输出判断结果。
2.根据权利要求1所述的基于稀疏字典的螺栓拧紧检测方法,其特征在于:在步骤1中,拍摄三张以上标准作业图片,每张标准作业图片上同一螺栓的拧紧标记的位置不同。
3.根据权利要求1所述的基于稀疏字典的螺栓拧紧检测方法,其特征在于:所述步骤2包括以下步骤:
步骤21:固定稀疏字典D,利用正交匹配追踪算法求得最优的系数矩阵X;
步骤22:采用SVD方法,逐列更新稀疏字典D和系数矩阵X;
步骤23:重复步骤21及22,直至稀疏字典D和系数矩阵X不再改变。
4.根据权利要求3所述的基于稀疏字典的螺栓拧紧检测方法,其特征在于:所述步骤21包括以下步骤:
步骤211:从矩阵Y中抽取样本,作为稀疏字典D的原子,并初始化系数矩阵X,稀疏度K设为螺栓个数,初始化残差r0=Y,索引集t=1;
步骤212:找出残差r和字典内积最大的原子索引λ,即λi=argmaxj=1,…,N|<ri-1,dj>|;
步骤213:更新索引集Λt=Λt-1∪{λt},记录字典的重建原子集合
步骤214:由最小二乘得到Xt=argmin||Y-DtX||2;
步骤215:更新残差rt=Y-DtXt,t=t+1;
步骤216:若t<K,继续迭代,重复步骤212-215;若t≥K,输出系数矩阵X,执行下一步。
5.根据权利要求4所述的基于稀疏字典的螺栓拧紧检测方法,其特征在于:在步骤22中,逐列更新稀疏字典D和系数矩阵X,即当更新第k列原子的时候,其它的原子固定不变;令当前要更新第k列原子为dk,令系数矩阵X对应的第k行为则惩罚项重写为:
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<mi>D</mi>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>j</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</munder>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
矩阵Ek表示除去第k个字典项后的所有N个样本的误差,使用奇异值分解法分解矩阵Ek,得到最大奇异值所对应的正交单位向量,作为新的dk,将最大奇异值所对应的特征向量与该最大奇异值相乘以更新使以下式最小化:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>D</mi>
<mo>,</mo>
<mi>X</mi>
</mrow>
</munder>
<mo>{</mo>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<mi>D</mi>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>}</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi> </mi>
<mi>t</mi>
<mi>o</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>,</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,范数值F=2,T0为容许的误差。
6.根据权利要求1所述的基于稀疏字典的螺栓拧紧检测方法,其特征在于:在步骤4中,根据以下公式进行稀疏变换:
X’=D-1*Y’,其中,D-1表示D的逆。
7.根据权利要求1所述的基于稀疏字典的螺栓拧紧检测方法,其特征在于:在步骤5中,根据每个螺栓所在位置处对应的X’的稀疏度,判断该螺栓的拧紧标记是否遗漏,若稀疏度大于或等于标准值,则输出该螺栓的拧紧标记正常,若稀疏度小于标准值则输出该螺栓的拧紧标记遗漏。
8.一种基于稀疏字典的发动机生产线螺栓拧紧检测方法,其特征在于:包括权利要求1-8中任一项所述的基于稀疏字典的螺栓拧紧检测方法,所述所需检测的工位为发动机生产线上的工位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711166471.XA CN107966270B (zh) | 2017-11-21 | 2017-11-21 | 一种基于稀疏字典的螺栓拧紧检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711166471.XA CN107966270B (zh) | 2017-11-21 | 2017-11-21 | 一种基于稀疏字典的螺栓拧紧检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107966270A true CN107966270A (zh) | 2018-04-27 |
CN107966270B CN107966270B (zh) | 2019-02-19 |
Family
ID=62001394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711166471.XA Active CN107966270B (zh) | 2017-11-21 | 2017-11-21 | 一种基于稀疏字典的螺栓拧紧检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107966270B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176329A (zh) * | 2011-01-28 | 2011-09-07 | 清华大学 | 一种核主泵用螺栓松动监测装置及其监测方法 |
CN103646256A (zh) * | 2013-12-17 | 2014-03-19 | 上海电机学院 | 一种基于图像特征稀疏重构的图像分类方法 |
CN104680517A (zh) * | 2015-01-22 | 2015-06-03 | 清华大学 | 一种螺栓松动的检测方法 |
US20170003118A1 (en) * | 2015-06-30 | 2017-01-05 | Minebea Co., Ltd. | Bolt sensor |
CN107145905A (zh) * | 2017-05-02 | 2017-09-08 | 重庆大学 | 电梯紧固螺帽松动的图像识别检测方法 |
-
2017
- 2017-11-21 CN CN201711166471.XA patent/CN107966270B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102176329A (zh) * | 2011-01-28 | 2011-09-07 | 清华大学 | 一种核主泵用螺栓松动监测装置及其监测方法 |
CN103646256A (zh) * | 2013-12-17 | 2014-03-19 | 上海电机学院 | 一种基于图像特征稀疏重构的图像分类方法 |
CN104680517A (zh) * | 2015-01-22 | 2015-06-03 | 清华大学 | 一种螺栓松动的检测方法 |
US20170003118A1 (en) * | 2015-06-30 | 2017-01-05 | Minebea Co., Ltd. | Bolt sensor |
CN107145905A (zh) * | 2017-05-02 | 2017-09-08 | 重庆大学 | 电梯紧固螺帽松动的图像识别检测方法 |
Non-Patent Citations (2)
Title |
---|
李璞等: "柴油机飞轮螺栓拧紧工艺改进研究", 《韶关学院学报 自然科学》 * |
王自桦: "基于多字典和稀疏表示的图像去噪方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107966270B (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335331B (zh) | 一种钢卷双目视觉定位方法及设备 | |
MY188906A (en) | Method, device and computer-readable storage medium for identifying whether image comprises watermark | |
WO2007145931A2 (en) | Method and apparatus for obtaining photogrammetric data to estimate impact severity | |
US11080892B2 (en) | Computer-implemented methods and system for localizing an object | |
Xiang et al. | A dictionary-based method for tire defect detection | |
CN107680091B (zh) | 一种输电线路的防震锤脱落缺陷检测方法 | |
CN109086884B (zh) | 基于梯度逆向对抗样本复原的神经网络攻击防御方法 | |
CN109118473A (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN114612345B (zh) | 一种基于图像处理的光源检测方法 | |
CN107966270A (zh) | 一种基于稀疏字典的螺栓拧紧检测方法 | |
US20160078314A1 (en) | Image Retrieval Apparatus, Image Retrieval Method, and Recording Medium | |
CN111124896A (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
CN104376578A (zh) | 一种应用于直录播系统中的运动目标检测处理方法及设备 | |
JP6388507B2 (ja) | 画像処理装置 | |
CN113837208B (zh) | 一种异常图像的确定方法、装置、电子设备及存储介质 | |
CN106780425B (zh) | 一种vver蒸汽发生器传热管涡流检测系统定位方法 | |
CN111968183B (zh) | 一种用于单目线激光三维测量模块标定的量块标定法 | |
CN112950765A (zh) | 一种基于点云建模的腔体直线度检测方法 | |
CN109215024A (zh) | 一种安卓自动测试缺陷黑光灯的方法 | |
JP3728461B2 (ja) | 画像情報における位置補正を自動的に処理する方法 | |
CN105719287B (zh) | 一种不规则图形的对位方法 | |
CN117788583A (zh) | 一种基于双目视觉的悬索桥索夹滑移检测方法 | |
Varga | On investigation of some non-linear integral boundary value problem | |
Chen et al. | Pose measurement base on machine vision for the aircraft model in wire-driven parallel suspension system | |
Jia et al. | Research of parameters solution method of Rational Function Model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |