CN108416771A - 一种基于单目相机的金属材料锈蚀面积检测方法 - Google Patents
一种基于单目相机的金属材料锈蚀面积检测方法 Download PDFInfo
- Publication number
- CN108416771A CN108416771A CN201810185972.0A CN201810185972A CN108416771A CN 108416771 A CN108416771 A CN 108416771A CN 201810185972 A CN201810185972 A CN 201810185972A CN 108416771 A CN108416771 A CN 108416771A
- Authority
- CN
- China
- Prior art keywords
- image
- corrosion
- indicate
- region
- pixel
- 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
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 62
- 238000005260 corrosion Methods 0.000 title claims abstract description 62
- 239000007769 metal material Substances 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 239000002184 metal Substances 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于单目相机的金属材料锈蚀面积检测方法,包括如下步骤:步骤1,通过图像采集设备获取金属材料的全部表面图像,并传输进入计算机;步骤2,将步骤1输入的图像经过图像处理,得到金属表面锈蚀部分的区域分割图像;步骤3,依据金属表面锈蚀部分的区域分割图像中锈蚀区域面积占总面积的比例,划分金属材料表面锈蚀等级,判定材料的锈蚀程度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于单目相机的金属材料锈蚀面积检测方法。
背景技术
在锈蚀领域中,金属的锈蚀面积是诊断锈蚀发生、锈蚀类型和锈蚀程度的重要依据,这对及时调整防锈措施、避免事故发生、降低损失具有重大意义。传统的锈蚀面积检测中,大多采用人工检测和专业锈蚀检测仪器的检测方法。但由于人眼缺乏持久性,并具有主观性,所以人工检测的方法难以保证测量的准确性。运用检测仪器检测虽然准确率可以得到保证,但是检测仪器造价过高,不便于携带,缺乏灵活性。
近年来,数字图像处理技术作为一种较为成熟的图像分析处理技术受到了各研究领域的广泛关注。单目相机应用于锈蚀面积检测中,可以借助图像处理技术对图像中的锈蚀面积进行定量描述。单目相机检测技术精确度高,造价低,便于携带和操作,这为金属锈蚀面积检测提供了良好的方案。
发明内容
本发明针对传统人工检测中准确性差和专业锈蚀检测仪器造价高,缺乏灵活性的缺点,提供了一种基于图像处理的金属锈蚀面积检测方法。该方法使得金属锈蚀面积检测更加简单易行,不仅提高了金属锈蚀面积检测的效率,同时也保证了检测的准确率。实现上述基于单目相机的金属锈蚀面积检测方法,包括以下步骤:
步骤1,通过图像采集设备获取金属材料的全部表面图像,并传输进入计算机;
步骤2,将步骤1输入的图像经过图像处理,得到金属表面锈蚀部分的区域分割图像;
步骤3,依据金属表面锈蚀部分的区域分割图像中锈蚀区域面积占总面积的比例,划分金属材料表面锈蚀等级,判定材料的锈蚀程度。
步骤1中所述图像采集设备包括手持CCD工业相机和无人机装置;所述无人机装置包括无人机机身和挂载的CCD相机。
步骤2包括如下步骤:
步骤2-1,通过直方图均衡化对获取的图像作增强处理(参考文献:吴成茂.直方图均衡化的数学模型研究[J].电子学报,2013,41(03):598-602.),凸显锈蚀表面与未锈蚀表面的差异;提高图像对比度,显示颜色差异。
步骤2-2,对获取的图像进行色彩空间变换和形态学膨胀操作,显示出金属材料表面锈蚀区域;所述色彩空间变换是将RGB彩色图像通过公式(1)转换为灰色图像;
Y=R×0.299+G×0.587+B×0.114 (1)
其中R、G和B分别表示彩色图像中每个像素点的红色、绿色和蓝色像素值;Y表示变换后该像素点的灰度值;所述形态学膨胀是通过公式(2)平滑锈蚀区域的轮廓、断开较窄的狭颈并消除细的突出物;
dst(x,y)=max{src(x+x’,y+y’)}
(x’,y’)∈kernel (2)
其中src(x,y)表示上述灰色图像,dst(x,y)表示输出图像,kernel用于膨胀的核结构元素,x’,y’分别表示核结构元素的横坐标和纵坐标,x,y分别表示图像像素的横坐标和纵坐标。
步骤2-3,将步骤2-2所得图像,经过阈值处理转换成黑白图像,并对其应用canny边缘算子,勾勒出锈蚀区域的轮廓;
步骤2-4,计算步骤2-3所得图像的Hu不变矩,计算锈蚀区域的面积;
步骤2-5,将步骤2-4所得结果输出到计算机显示屏,作为判定金属材料锈蚀程度的判别标准。
步骤2-3中所述阈值处理包括:应用公式(3)把步骤2-2所得图像转换为黑白图像:
其中src(x,y)表示步骤2-2所得图像,thresh表示所选取的分割阈值,dst(x,y)表示输出图像。
步骤2-3中所述应用边缘算子,勾勒出锈蚀区域的轮廓,具体包括:应用公式(4)画出锈蚀区域的轮廓:
dsts(x,y)=dst(x,y)×G(x,y) (4)
θ=tan-1(gy/gx)
其中dsts(x,y)是高斯平滑的输出图像,G(x,y)是高斯函数,σ2是权重因子,取值为0.64,M(x,y)和θ分别表示梯度幅值和方向,gx和gy为x,y方向上的一阶偏导,分别取x和y方向上相邻像素做差代替,x,y分别表示图像像素的横坐标和纵坐标,以图像左上角为原点O建立以像素为单位的直角坐标系x-y(像素的横坐标x与纵坐标y分别是在其图像数组中所在的列数与所在行数);最后根据梯度幅值和方向,对锈蚀区域进行非极大值抑制并连接边缘得出轮廓曲线(参考文献:张玲艳.基于Canny理论的自适应边缘检测方法研究[D].西北大学,2009.)。
步骤2-4中,运用公式(4)计算锈蚀区域的面积:
Mpq=∫∫xp×yq×f(x,y)dxdy (5)
其中Mpq表示图像的Hu矩,x,y分别表示图像像素的横坐标和纵坐标,f(x,y)代表像素的灰度值;p,q表示Hu矩的阶数,当其都取0时,Mpq就是腐蚀区域的面积;xp,yq是一个整体,整体解释没有实际含义。
本发明具有如下有益效果:
相机具有非接触的优势,测量金属表面锈蚀面积时避免了样件拆卸、检测时间长的问题,保证了测量的便捷性和时效性。
测量方法中使用计算机视觉软件,科学计算金属表面的锈蚀面积,避免了传统检测方法中人为主观性因素对测量结果的影响。
本方法基于普通相机或航拍式无人机,相比传统测量方法,操作简单,成本低廉,自动化程度极高。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1为图像的像素坐标系图像。
图2为基于视觉的金属锈蚀面积检测方法和设备放置示意图。
图3a~图3e为CCD相机拍摄的待测钢板初始图像和经过图像处理后的图像。
图4a表示获取的原图像的直方图。
图4b表示进行均衡化处理后的直方图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
参阅图2,基于视觉的金属材料锈蚀面积检测的设备包括无人机装置1、待测钢板2、CCD工业相机3、笔记本电脑4。所述CCD工业相机3或无人机装置1用于拍摄待测钢板2表面,得到表面清晰的彩色图像。所述无人机装置1优选大疆精灵PHANTOM3SE型号无人机,与所述笔记本电脑4WiFi连接,实现实时图片传输。所述笔记本电脑4用于对采集的图像进行图像处理,为后续判断金属材料锈蚀程度提供相应的锈蚀检测结果。
用CCD工业相机或无人机装置与钢板保持一定的距离和角度拍摄初始图像。如图3a所示,为CCD工业相机所拍初始图像。通过OpenCV等软件进行图像处理提取钢板的锈蚀面积。提取所述钢板的锈蚀面积处理步骤为:
a)CCD工业相机或无人机装置获取的所述初始图像,由于材料自身和拍摄条件的影响,像素点灰度范围一般较窄,因此通过公式(1)进行直方图均衡化(如图3b所示),对图像作增强处理,凸显锈蚀表面与未锈蚀表面的差异。效果如图4a和图4b所示,图4a表示获取的原图像的直方图,图4b表示进行均衡化处理后的直方图。均衡化后的图像的灰度级跨越更宽,对比度变大,有效增强图像。
b)对步骤a)所述的经过直方图均衡化的图像进行色彩空间变换和形态学膨胀操作(如图3c所示),显示出金属材料表面锈蚀区域;所述色彩空间转换是将RGB彩色图像通过公式(1)转换为灰色图像;
Y=R×0.299+G×0.587+B×0.114 (1)
其中R、G和B分别表示彩色图像中每个像素点的红色、绿色和蓝色像素值;Y表示变换后该像素点的灰度值;所述形态学膨胀是通过公式(2)平滑锈蚀区域的轮廓、断开较窄的狭颈并消除细的突出物;
dst(x,y)=max{src(x+x’,y+y’)}
(x’,y’)∈kernel (2)
其中src(x,y)表示上述灰色图像,dst(x,y)表示输出图像,kernel用于膨胀的核结构元素,x’,y’分别表示核结构元素的横坐标和纵坐标,x,y分别表示图像像素的横坐标和纵坐标。
c)将步骤b)所得图像,经过阈值处理转换成黑白图像(如图3d所示);并对其应用canny边缘算子,勾勒出锈蚀区域的轮廓(如图3e所示);所述阈值操作是应用公式(3)把灰度图像转换为黑白图像;其中src(x,y)表示输入图像,thresh表示所选取的分割阈值,dst(x,y)表示输出图像
所述Canny边缘算子是应用公式(4)画出锈蚀区域的轮廓;其中dst(x,y)是输入图像;dsts(x,y)是高斯平滑的输出图像;G(x,y)是高斯函数;σ2是权重因子取0.64;M(x,y)和θ是梯度幅值和方向;gx和gy为x,y方向上的一阶偏导,分别取x和y方向上相邻像素做差代替,x,y分别表示图像像素的横坐标和纵坐标,按图1所示建立坐标系,以图像左上角为原点O建立以像素为单位的直角坐标系x-y;最后根据梯度幅值和方向,对锈蚀区域进行非极大值抑制并连接边缘得出轮廓曲线。
d)计算步骤c)所得图像的Hu不变矩,运用公式(5)计算锈蚀区域的面积;其中Mpq表示图像的Hu矩;x,y表示图像像素的位置,f(x,y)代表像素的灰度值;p,q表示Hu矩的阶数,当其都取0时,公式(5)就是腐蚀区域的面积;xp,yq是一个整体,整体解释没有实际含义。
Mpq=∫∫xp×yq×f(x,y)dxdy (5)
e)将步骤d)所得结果输出到显示屏,整理其结果如表1所示,
表1
按照GB/T6461-2002《金属基体上金属和其他无机覆盖层经腐蚀试验后的试样和试件的评级》标准对保护等级进行评定,保护等级可以利用公式(6)计算:
R=3(2-log10A) (6)
其中R表示保护等级,A表示缺陷面积的百分比。可算出A值为0.278598611,R值为7.665063159,由此可评定保护等级为7级。
本发明提供了一种基于单目相机的金属材料锈蚀面积检测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种基于单目相机的金属材料锈蚀面积检测方法,其特征在于,包括如下步骤:
步骤1,通过图像采集设备获取金属材料的全部表面图像,并传输进入计算机;
步骤2,将步骤1输入的图像经过图像处理,得到金属表面锈蚀部分的区域分割图像;
步骤3,依据金属表面锈蚀部分的区域分割图像中锈蚀区域面积占总面积的比例,划分金属材料表面锈蚀等级,判定材料的锈蚀程度。
2.根据权利要求1所述的方法,其特征在于,步骤1中所述图像采集设备包括手持CCD工业相机和无人机装置;所述无人机装置包括无人机机身和挂载的CCD相机。
3.根据权利要求2所述的方法,其特征在于,步骤2包括如下步骤:
步骤2-1,通过直方图均衡化对获取的图像作增强处理,提高图像对比度;
步骤2-2,对获取的图像进行色彩空间变换和形态学膨胀操作,显示出金属材料表面锈蚀区域,所述色彩空间变换是将RGB彩色图像通过公式(1)转换为灰色图像:
Y=R×0.299+G×0.587+B×0.114 (1)
其中R、G和B分别表示彩色图像中每个像素点的红色、绿色和蓝色像素值,Y表示变换后该像素点的灰度值;
步骤2-3,将步骤2-2所得图像,经过阈值处理转换成黑白图像,并对其应用边缘算子,勾勒出锈蚀区域的轮廓;
步骤2-4,计算步骤2-3所得图像的Hu不变矩,计算锈蚀区域的面积;
步骤2-5,将步骤2-4所得结果输出到计算机显示屏,作为判定金属材料锈蚀程度的判别标准。
4.根据权利要求3所述的方法,其特征在于,步骤2-2中,所述形态学膨胀是通过公式(2)平滑锈蚀区域的轮廓、断开较窄的狭颈并消除细的突出物;
dst(x,y)=max{src(x+x’,y+y’)}
(x’,y’)∈kernel (2)
其中src(x,y)表示步骤2-2中所述灰色图像,dst(x,y)表示输出图像,kernel用于膨胀的核结构元素,x’,y’分别表示核结构元素的横坐标和纵坐标,x,y分别表示图像像素的横坐标和纵坐标。
5.根据权利要求4所述的方法,其特征在于,步骤2-3中所述阈值处理包括:应用公式(3)把步骤2-2所得图像转换为黑白图像:
其中src(x,y)表示步骤2-2所得图像,thresh表示所选取的分割阈值,dst(x,y)表示输出图像。
6.根据权利要求5所述的方法,其特征在于,步骤2-3中所述应用边缘算子,勾勒出锈蚀区域的轮廓,具体包括:应用公式(4)画出锈蚀区域的轮廓:
其中dsts(x,y)是高斯平滑的输出图像,G(x,y)是高斯函数,σ2是权重因子,M(x,y)和θ分别表示梯度幅值和方向,gx和gy为x,y方向上的一阶偏导,分别取x和y方向上相邻像素做差代替,以图像左上角为原点O建立以像素为单位的直角坐标系x-y;最后根据梯度幅值和方向,对锈蚀区域进行非极大值抑制并连接边缘得出轮廓曲线。
7.根据权利要求6所述的方法,其特征在于,步骤2-4中,运用公式(5)计算锈蚀区域的面积:
Mpq=∫∫xp×yq×f(x,y)dxdy (5)
其中Mpq表示图像的Hu矩,x,y分别表示图像像素的横坐标和纵坐标,f(x,y)代表像素的灰度值;p,q表示Hu矩的阶数,当其都取0时,Mpq就是腐蚀区域的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185972.0A CN108416771A (zh) | 2018-03-07 | 2018-03-07 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810185972.0A CN108416771A (zh) | 2018-03-07 | 2018-03-07 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108416771A true CN108416771A (zh) | 2018-08-17 |
Family
ID=63130275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810185972.0A Pending CN108416771A (zh) | 2018-03-07 | 2018-03-07 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416771A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110038859A (zh) * | 2019-05-24 | 2019-07-23 | 苏州贝亚敏光电科技有限公司 | 一种激光清洗设备的清洗路径自动监测方法 |
CN110211120A (zh) * | 2019-06-04 | 2019-09-06 | 北京航天宏图信息技术股份有限公司 | 文物的锈蚀程度确定方法、装置以及电子设备 |
CN110333241A (zh) * | 2019-07-09 | 2019-10-15 | 湖南晗光智能科技股份有限公司 | 一种烟花产品的视觉检测系统及检测方法 |
CN110376206A (zh) * | 2019-07-09 | 2019-10-25 | 湖南晗光智能科技股份有限公司 | 一种烟花的引线视觉检测系统及检测方法 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN112419298A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
CN112669305A (zh) * | 2021-01-05 | 2021-04-16 | 三峡大学 | 一种金属表面抗锈性能测试台及抗锈性能测评方法 |
CN112767364A (zh) * | 2021-01-22 | 2021-05-07 | 三峡大学 | 一种闸门门叶表面锈蚀的图像检测系统及锈蚀面积快速测算方法 |
CN112906639A (zh) * | 2021-03-19 | 2021-06-04 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
CN112927197A (zh) * | 2021-02-19 | 2021-06-08 | 中冶建筑研究总院(深圳)有限公司 | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 |
CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
CN114463293A (zh) * | 2022-01-22 | 2022-05-10 | 广东省建筑工程监理有限公司 | 基于图像处理技术的钢结构质量无线检测分析方法及系统 |
CN114494205A (zh) * | 2022-01-27 | 2022-05-13 | 江苏瑞构新型材料有限公司 | 一种基于自适应的颜色分级的门窗锈蚀程度判定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183223A (zh) * | 2011-01-13 | 2011-09-14 | 新兴铸管股份有限公司 | 一种判定金属锈蚀面积的方法 |
CN103063167A (zh) * | 2012-12-28 | 2013-04-24 | 江苏大学 | 一种自动判断激光清洗效果的方法 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN104122194A (zh) * | 2014-07-28 | 2014-10-29 | 成都派莱克科技有限公司 | 金属表面腐蚀速率检测方法 |
-
2018
- 2018-03-07 CN CN201810185972.0A patent/CN108416771A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183223A (zh) * | 2011-01-13 | 2011-09-14 | 新兴铸管股份有限公司 | 一种判定金属锈蚀面积的方法 |
CN103063167A (zh) * | 2012-12-28 | 2013-04-24 | 江苏大学 | 一种自动判断激光清洗效果的方法 |
CN103413150A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于可见光影像对电力线路缺陷进行诊断的方法 |
CN104122194A (zh) * | 2014-07-28 | 2014-10-29 | 成都派莱克科技有限公司 | 金属表面腐蚀速率检测方法 |
Non-Patent Citations (4)
Title |
---|
KUO-WEI LIAO 等: "Detection of rust defects on steel bridge coatings via digital image recognition", 《AUTOMATION IN CONSTRUCTION》 * |
夏德深 等: "《计算机图像处理及应用》", 29 February 2004, 东南大学出版社 * |
张洪才: "直升机巡检输电线路锈蚀缺陷识别方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
肖世德 等: "《高等机械CAD/CAM》", 31 January 2015, 西南交通大学出版社 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110038859A (zh) * | 2019-05-24 | 2019-07-23 | 苏州贝亚敏光电科技有限公司 | 一种激光清洗设备的清洗路径自动监测方法 |
CN110211120A (zh) * | 2019-06-04 | 2019-09-06 | 北京航天宏图信息技术股份有限公司 | 文物的锈蚀程度确定方法、装置以及电子设备 |
CN110333241A (zh) * | 2019-07-09 | 2019-10-15 | 湖南晗光智能科技股份有限公司 | 一种烟花产品的视觉检测系统及检测方法 |
CN110376206A (zh) * | 2019-07-09 | 2019-10-25 | 湖南晗光智能科技股份有限公司 | 一种烟花的引线视觉检测系统及检测方法 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN112419298B (zh) * | 2020-12-04 | 2024-01-19 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
CN112419298A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
CN112669305A (zh) * | 2021-01-05 | 2021-04-16 | 三峡大学 | 一种金属表面抗锈性能测试台及抗锈性能测评方法 |
CN112669305B (zh) * | 2021-01-05 | 2022-01-21 | 三峡大学 | 一种金属表面抗锈性能测试台及抗锈性能测评方法 |
CN112767364A (zh) * | 2021-01-22 | 2021-05-07 | 三峡大学 | 一种闸门门叶表面锈蚀的图像检测系统及锈蚀面积快速测算方法 |
CN112927197A (zh) * | 2021-02-19 | 2021-06-08 | 中冶建筑研究总院(深圳)有限公司 | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 |
CN112906639A (zh) * | 2021-03-19 | 2021-06-04 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
CN112906639B (zh) * | 2021-03-19 | 2024-02-20 | 北京科技大学 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
CN114049354A (zh) * | 2022-01-12 | 2022-02-15 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
CN114463293A (zh) * | 2022-01-22 | 2022-05-10 | 广东省建筑工程监理有限公司 | 基于图像处理技术的钢结构质量无线检测分析方法及系统 |
CN114494205A (zh) * | 2022-01-27 | 2022-05-13 | 江苏瑞构新型材料有限公司 | 一种基于自适应的颜色分级的门窗锈蚀程度判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416771A (zh) | 一种基于单目相机的金属材料锈蚀面积检测方法 | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN105279372B (zh) | 一种确定建筑物高度的方法和装置 | |
CN104318548B (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN107179322A (zh) | 一种基于双目视觉的桥梁底面裂缝检测方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN106803286A (zh) | 基于多视点图像的虚实遮挡实时处理方法 | |
CN107392929B (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN106530271B (zh) | 一种红外图像显著性检测方法 | |
CN108629343A (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
CN108416766A (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN108665468B (zh) | 一种提取直线塔绝缘子串的装置及方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN109685142A (zh) | 一种图像匹配方法及装置 | |
CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
CN112288758B (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN104574312A (zh) | 标靶图像求圆心的方法和装置 | |
CN114445331A (zh) | 一种基于图像识别的电缆中间接头施工缺陷检测方法、系统及装置 | |
CN112801141B (zh) | 基于模板匹配和孪生神经网络优化的异源图像匹配方法 | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 |
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 |
Application publication date: 20180817 |
|
RJ01 | Rejection of invention patent application after publication |