CN108921828A - 一种复杂场景下不显著焊缝识别方法 - Google Patents
一种复杂场景下不显著焊缝识别方法 Download PDFInfo
- Publication number
- CN108921828A CN108921828A CN201810619142.4A CN201810619142A CN108921828A CN 108921828 A CN108921828 A CN 108921828A CN 201810619142 A CN201810619142 A CN 201810619142A CN 108921828 A CN108921828 A CN 108921828A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- tube section
- copper tube
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
Abstract
本发明公开了一种复杂场景下不显著焊缝识别方法,属于机器视觉自动检测与控制领域。依据图像铜管区域的灰度特性、色调特性和饱和度特性对铜管区域分别进行提取;融合上述提取结果实现图像铜管区域较准确的提取。结合二值图像形态学运算与逻辑运算,在铜管区域中提取候选焊缝区域。去除面积过大或过小的焊缝候选区域,实现复杂场景下铜管套管焊缝的准确识别。本发明可在复杂背景下准确识别外观不够显著的铜管套管焊缝,还可推广应用于其他复杂场景下的不显著目标识别场合。
Description
技术领域
本发明涉及机器视觉自动检测与控制领域,特别是一种复杂场景下不显著焊缝识别方法。
背景技术
焊接作为制造领域的一种重要工艺,被广泛的应用于工业生产。传统的手工焊接方式存在工作环境恶劣、劳动强度大、焊接质量不容易控制等缺点,亟待发展焊接自动化技术。
国内外科技人员已在焊接自动化和焊接机器人相关领域进行了大量的研究。较早期的“示教-再现”和“离线编程”自动焊接技术对于焊接环境的一致性要求严格,对工件变形,焊缝位置和尺寸变化不具有适应性。实现对焊缝的自动定位与跟踪是提升焊接自动化技术适应性和智能化水平的关键。
视觉检测技术具有获取的信息量大、非接触、灵活性强、集成性高等显著特点和优势,已逐渐成为焊缝的自动定位与跟踪领域最具活力、最为流行的一种技术。英国的Meta公司研发的Meta Torch500视觉传感器基于面结构光测量原理,可实现焊缝的三维视觉跟踪,具有一定的抗干扰能力;加拿大的Servo-robot公司将激光和CCD传感器相结合,针对多个不同应用场合研制了多种商品级的机器人焊接传感器;吉林大学赵继等设计了一种基于双目视觉的焊缝自动跟踪系统;上海交通大学姚瞬等研制了一种利用环形激光的焊缝跟踪系统。
上述工作均在一定程度上提升了焊缝自动定位与跟踪技术水平。但是,现有技术只有在焊缝的形状和位置比较固定、焊缝较容易识别的应用场合才能取得较好的效果,而对于外观不够显著、形状不够规则、位置不确定性强、背景复杂的焊缝 (如冰箱压缩机铜管套接焊缝),现有技术则难以稳定准确的实现焊缝自动定位与跟踪。其中的关键问题在于现有研究对复杂背景下不显著焊缝的准确识别问题关注不多,现有图像处理技术无法实现这类焊缝的准确识别。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种复杂场景下不显著焊缝识别方法,实现复杂背景下外观不够显著的铜管套管焊缝的准确识别,实现铜管套管焊缝的自动定位与跟踪。
为解决上述技术问题,本发明所采用的技术方案是:一种复杂场景下不显著焊缝识别方法,包括以下步骤:
1)图像铜管区域提取:将待识别RGB彩色图像分别转换为灰度图像和HSV彩色图像;依据图像铜管区域的灰度特性、色调(HSV彩色图像的H)特性和饱和度 (HSV彩色图像的S分量)特性对铜管区域分别进行提取;融合上述提取结果实现图像铜管区域较准确的提取。
2)焊缝候选区域提取:结合二值图像形态学运算与逻辑运算,在图像铜管区域中提取候选焊缝区域。
3)伪焊缝区域抑制:去除面积过大或过小的焊缝候选区域,实现复杂场景下细铜管套管焊缝的准确识别。
所述步骤1)中,铜管区域提取的步骤为:
1)将待识别RGB彩色图像I转换为灰度图像Igray;应用大津法对Igray进行自适应阈值分割,提取Igray中灰度较大的区域,得到二值图像IBgray。
2)将待识别RGB彩色图像I转换为HSV彩色图像IHSV;将IHSV的H(色调)和S(饱和度)分量分别提取为独立的灰度图像IH和IS;
3)分别依据图像中铜管区域的H和S参数取值范围对IH和IS进行阈值分割,将 IH、IS中色调或饱和度接近铜管的像素灰度值置1,否则置0,得到二值图像IBH、 IBS;
4)对图像IBgray和IBH进行逻辑与运算,提取待识别图像中灰度和色调均接近铜管的区域,得到二值图像IBHgray,计算公式为:
IBHgray=IBgray∧IBH
其中,“∧”为逻辑与运算。
5)对图像IBH和IBS进行逻辑与运算,提取待识别图像中色调和饱和度均接近铜管的区域,得到二值图像IBHS,计算公式为:
IBHS=IBH∧IBS
6)对图像IBHgray、IBHS进行逻辑或运算,实现待识别图像铜管区域较准确的提取,得到标记铜管区域的二值图像It,计算公式为:
It=IBHgray∨IBHS
其中,“∨”为逻辑或运算。
所述图像铜管区域提取的步骤1)中,将待识别RGB彩色图像I转换为灰度图像Igray的计算公式为:
gsij=0.3×rij+0.59×gij+0.11×bij(i=1,2,…M;j=1,2,…N)
其中,gsij为图像Igray中第i行第j列像素的灰度值;rij、gij、bij分别为图像I中第i行第j列像素红色通道R、绿色通道G和蓝色通道B的值,N、M分别为图像Igray和I以像素为单位的宽度和高度。
所述图像铜管区域提取的步骤1)中,应用大津法对Igray进行自适应阈值分割的计算公式为:
其中,Bgsij为二值图像IBgray中第i行第j列像素的灰度值;Ts为由大津法得到的阈值:TS=argmax[σ2(T)],σ2(T)=wA(T)(uA(T)-u)2+wB(T)(uB(T)-u)2, u=wA(T)uA(T)+wB(T)uB(T),
N×M为图像Igray中的像素总数;L为Igray中的灰度级总数;nk、nr分别为Igray中灰度值等于k、r 的像素个数:T的取值范围为(0,L)。
所述图像铜管区域提取的步骤3)中,二值图像IBH的获取公式为:
其中,BHij为二值图像IBH中第i行第j列像素的灰度值;Hij为灰度图像IH中第i行第j列像素的的灰度值;阈值H1的取值区间为[0.03L2,0.1L2],L2为IH中的灰度级总数。
所述图像铜管区域提取的步骤3)中,二值图像IBS的获取公式为:
其中,BSij为二值图像IBS中第i行第j列像素的灰度值;Sij为灰度图像IS中第i行第j列像素的的灰度值;阈值S1的取值区间为[0.2L3,0.4L3],阈值S2的取值范围为 [0.75L3,0.85L3],L3为IS中的灰度级总数。
所述步骤2)中,焊缝候选区域提取的方法为:
1)对铜管区域提取结果It进行形态学闭运算,填充标记铜管区域的细微孔洞,弥合铜管区域的细微裂缝,计算公式为:
其中,Ic为标It的形态学闭运算结果,“·”为形态学闭运算符,为形态学膨胀运算符,“Θ”为形态学腐蚀运算符。Α1为尺寸是T1×T1的矩形结构元素:
Spq=1,p=1,2,…T1,q=1,2,…T1;T1在集合[5,17]中取值,且T1为奇数。
2)对Ic和It进行差分运算,提取铜管区域的细微孔洞和裂缝,计算公式为:
Id=Ic-It
其中,Id为铜管区域的细微孔洞和裂缝提取结果,图中,铜管区域的细微孔洞和裂缝灰度值为1,其他像素灰度值为0。
3)提取Ic的边缘,计算公式为:
Ie=Ic-(IcΘA2)
其中,Ie为边缘检测结果,A2为3×3的矩形结构元素:
4)获取铜管边缘所在区域掩膜图像,计算公式为:
其中,Imask为铜管边缘所在区域掩膜图像,A3为T3×T3的矩形结构元素:
Smn=1,m=1,2,…T3,n=1,2,…T3;T3在集合[21,71]中取值,且T3为奇数。
5)去除Id中的铜管边缘区域的细微孔洞和裂缝,获取焊缝造成的铜管区域裂缝,计算公式为:
Iwc=Id-Id∧Imask
其中,Iwc为焊缝造成的铜管区域裂缝二值图。
6)修复噪声干扰造成的Iwc中前景区域缺损,实现焊缝候选区域提取,计算公式为:
Ip=Iwc·A3
其中,Ip为焊缝候选区域提取结果图像。
所述步骤3)中,伪焊缝区域抑制的实现方法为:若焊缝潜在区域提取结果图像 Ip中第q个联通区域像素的个数caq满足如下条件:
或
则判定该连通区域为伪焊缝区域,将该区域的所有像素灰度值都置为0。
其中,Z1为区域过小抑制系数,Z1在区间[0.1,0.95]中取值;Z2为区域过大抑制系数,Z2在区间[1.2,3]中取值;f为采集待识别RGB图像所使用镜头的焦距, f在区间[4mm,75mm]中取值;dist为采集待识别RGB图像时的物距,dist在区间[110mm,2000mm]中取值;st的计算公式为:
其中,st1、st2为由带识别套管焊缝连接的两铜管以毫米为单位的外径。
与现有技术相比,本发明所具有的有益效果为:本发明综合利用图像颜色信息、灰度信息以区域特征,将阈值分割方法、图像形态学运算和逻辑运算相结合,解决了复杂背景下外观不够显著的铜管套管焊缝准确识别的技术难题,可为实现其自动定位与跟踪,进而实现其焊接自动化提供关键的技术支撑;实现步骤没有采用任何迭代运算,在复杂条件下的稳定性容易保证;本发明可推广应用于其他复杂场景下的不显著目标识别场合。
附图说明
图1为本发明一实施例方法流程图;图中,1、图像铜管区域提取,2、焊缝候选区域提取,3、伪焊缝区域抑制;
图2(a)~图2(e)为根据本发明的实施例图像铜管区域提取过程:图2(a) 为待识别图像;图2(b)为灰度图自适应阈值分割结果;图2(c)为H通道灰度图阈值分割结果;图2(d)为S通道灰度图阈值分割结果;图2(e)为铜管区域提取结果;
图3(a)~图3(f)为根据本发明的实施例焊缝候选区域提取过程:图3(a) 为对铜管区域提取结果进行形态学闭运算的结果;图3(b)为图3(a)与铜管区域提取结果进行差分运算的结果;图3(c)为对图3(a)进行形态学边缘检测的结果;图3(d)为铜管边缘所在区域掩膜图像;图3(e)为焊缝造成的铜管区域裂缝获取结果;图3(f)为焊缝候选区域提取结果;
图4为铜管套管焊缝识别结果。
具体实施方式
如图1所示,本发明方法识别某型号空调压缩机部件模型铜管套管焊缝过程如下:读取大小为3000×3000像素的待识别RGB彩色图像,参见附图2(a);由图可知,该待识别图象背景较复杂,焊缝在图像中的显著性不强,且由于铜管的形状具有较强的随机性,焊缝出现的区域也会较为随机;现有图像处理方法难以准确实现套管焊缝的准确识别。
本发明方法首先把待识别RGB彩色图像分别转换为灰度图像和HSV彩色图像,并将HSV彩色图像的H通道和S通道分别提取为独立的灰度图像。
接着,对灰度图像进行大津法自动阈值分割,提取灰度图像中灰度值较大的区域,分割结果参加附图2(b)。依据铜管成像后H和S参数取值范围分别对提取H 通道得到的灰度图像和提取S通道得到的灰度图像进行固定阈值分割,提取待识别图像中色调和饱和度接近铜管的区域,结果分别参见附图2(c)和附图2(d)。本实施列中,所有灰度图像的灰度级总数均为256级,分割提取H通道得到的灰度图像阈值H1取值为13;分割提取S通道得到的灰度图像的阈值S1取值为80,阈值S2取值为200。对以上三帧二值图像进行逻辑运算,提取铜管区域,提取结果参见附图2(e)。由附图2(e)可知,本发明方法较准确的提取了待识别图像中的铜管区域。
然后,对铜管区域提取结果进行形态学闭运算,填充标记铜管区域的细微孔洞,弥合铜管区域的细微裂缝,运算结果参见附图3(a);本实施列中,参数T1取值为11。对闭运算结果和铜管区域进行差分运算,提取铜管区域的细微孔洞和裂缝,运算结果参见附图3(b)。采用形态学边缘检测算法提取闭运算结果的边缘,边缘提取结果参见附图3(c)。采用形态学膨胀运算由边缘提取结果生成铜管边缘所在区域掩膜图像,掩膜图像参见附图3(d);本实施例中,参数T3取值为53 像素,附图3(d)中,铜管区域边缘附近的像素灰度值为1,其他区域像素的灰度值为0。利用掩膜图像通过逻辑运算和差分运算抑制铜管边缘区域的细微孔洞和裂缝,得到焊缝造成的铜管区域裂缝,运算结果参加附图3(e)。再次利用形态学闭运算修复噪声干扰造成的铜管区域裂缝中前景区域缺损,实现焊缝候选区域提取,焊缝候选区域提取结果参见附图3(f)。由图可知,大部分干扰和背景区域已经得到了抑制,最后只剩下了少数焊缝候选区域。
最后,利用真实焊缝区域的面积特征,抑制伪焊缝区域,完成铜管套管焊缝识别。本实施例中,采集待识别RGB图像所使用镜头的焦距为8mm,采集待识别RGB 图像时的物距dist为500mm,区域过小抑制系数Z1取值为0.6,区域过大抑制系数取值为1.8,带识别套管焊缝连接的两铜管以毫米为单位的外径st1、st2分别为15.88mm和12.7mm,伪焊缝区域抑制结果参见附图4。比对附图4和附图2 (a)可知,本发明方法准确的实现了铜管套管焊缝识别。
本发明综合利用图像颜色信息、灰度信息以区域特征,将阈值分割方法、图像形态学运算和逻辑运算相结合,解决了复杂背景下外观不够显著的铜管套管焊缝准确识别的技术难题,可为实现其自动定位与跟踪,进而实现其焊接自动化提供关键的技术支撑;实现步骤没有采用任何迭代运算,在复杂条件下的稳定性容易保证;本发明可推广应用于其他复杂场景下的不显著目标识别场合。
Claims (9)
1.一种复杂场景下不显著焊缝识别方法,其特征在于,包括以下步骤:
1)将待识别的RGB彩色图像分别转换为灰度图像和HSV彩色图像;依据图像铜管区域的灰度特性、色调特性和饱和度特性对铜管区域分别进行提取,得到标记铜管区域的二值图像;
2)结合二值图像形态学运算与逻辑运算,利用标记铜管区域的二值图像提取候选焊缝区域;
3)去除面积过大或过小的焊缝候选区域,实现复杂场景下铜管套管焊缝的准确识别。
2.根据权利要求1所述的复杂场景下不显著焊缝识别方法,其特征在于,步骤1)的具体实现过程包括:
1)将待识别的RGB彩色图像I转换为灰度图像Igray,应用大津法对Igray进行自适应阈值分割,得到二值图像IBgray;将待识别的RGB彩色图像I转换为HSV彩色图像IHSV;将IHSV的色调H和饱和度S分量分别提取为独立的灰度图像IH、IS;
2)分别依据图像中铜管区域的H和S参数取值范围对IH和IS进行阈值分割,将IH、IS中色调或饱和度接近铜管的像素灰度值置1,否则置0,得到二值图像IBH、IBS;
3)对图像IBgray和IBH进行逻辑与运算,提取待识别图像中灰度和色调均接近铜管的区域,得到二值图像IBHgray,计算公式为:IBHgray=IBgray∧IBH;其中,“∧”为逻辑与运算;对图像IBH和IBS进行逻辑与运算,提取待识别图像中色调和饱和度均接近铜管的区域,得到二值图像IBHS,计算公式为:IBHS=IBH∧IBS;对图像IBHgray和IBHS进行逻辑或运算,得到标记铜管区域的二值图像It,计算公式为:It=IBHgray∨IBHS;其中,“∨”为逻辑或运算。
3.根据权利要求2所述的复杂场景下不显著焊缝识别方法,其特征在于,将待识别的RGB彩色图像I转换为灰度图像Igray的计算公式为:
gsij=0.3×rij+0.59×gij+0.11×bij;
其中,gsij为图像Igray中第i行第j列像素的灰度值;rij、gij、bij分别为RGB彩色图像I中第i行第j列像素红色通道R、绿色通道G和蓝色通道B的值,i=1,2,…M;j=1,2,…N,N、M分别为图像Igray和I以像素为单位的宽度和高度。
4.根据权利要求2所述的复杂场景下不显著焊缝识别方法,其特征在于,应用大津法对Igray进行自适应阈值分割的计算公式为:
其中,Bgsij为二值图像IBgray中第i行第j列像素的灰度值;Ts为由大津法得到的阈值:TS=argmax[σ2(T)],σ2(T)=wA(T)(uA(T)-u)2+wB(T)(uB(T)-u)2,u=wA(T)uA(T)+wB(T)uB(T), N×M为图像Igray中的像素总数;L为Igray中的灰度级总数;nk、nr分别为Igray中灰度值等于k、r的像素个数;T的取值范围为(0,L)。
5.根据权利要求2所述的复杂场景下不显著焊缝识别方法,其特征在于,二值图像IBH的获取公式为:其中,BHij为二值图像IBH中第i行第j列像素的灰度值;Hij为灰度图像IH中第i行第j列像素的的灰度值;阈值H1的取值区间为[0.03L2,0.1L2],L2为IH中的灰度级总数。
6.根据权利要求2所述的复杂场景下不显著焊缝识别方法,其特征在于,二值图像IBS的计算公式为:其中,BSij为二值图像IBS中第i行第j列像素的灰度值;Sij为灰度图像IS中第i行第j列像素的的灰度值;阈值S1的取值区间为[0.2L3,0.4L3],阈值S2的取值范围为[0.75L3,0.85L3],L3为IS中的灰度级总数。
7.根据权利要求1所述的复杂场景下不显著焊缝识别方法,其特征在于,步骤2)中,所述候选焊缝区域的提取过程包括:
1)对标记铜管区域的二值图像It进行形态学闭运算,填充标记铜管区域的细微孔洞,弥合铜管区域的细微裂缝,计算公式为:其中,Ic为标It的形态学闭运算结果,“·”为形态学闭运算符,为形态学膨胀运算符,“Θ”为形态学腐蚀运算符;Α1为尺寸是T1×T1的矩形结构元素:Spq=1,p=1,2,…T1,q=1,2,…T1;T1在集合[5,17]中取值,且T1为奇数;
2)对Ic和It进行差分运算,提取铜管区域的细微孔洞和裂缝,计算公式为:Id=Ic-It;其中,Id为铜管区域的细微孔洞和裂缝提取结果,铜管区域的细微孔洞和裂缝灰度值为1,其他像素灰度值为0;
3)提取Ic的边缘,计算公式为:Ie=Ic-(IcΘA2);其中,Ie为边缘检测结果,A2为3×3的矩形结构元素:
4)获取铜管边缘所在区域掩膜图像,计算公式为:其中,Imask为铜管边缘所在区域掩膜图像,A3为T3×T3的矩形结构元素:Smn=1,m=1,2,…T3,n=1,2,…T3;T3在集合[21,71]中取值,且T3为奇数;
5)去除Id中的铜管边缘区域的细微孔洞和裂缝,获取焊缝造成的铜管区域裂缝,计算公式为:Iwc=Id-Id∧Imask;其中,Iwc为焊缝造成的铜管区域裂缝二值图;
6)修复噪声干扰造成的Iwc中前景区域缺损,实现焊缝候选区域提取,计算公式为:Ip=Iwc·A3;其中,Ip为焊缝候选区域提取结果图像。
8.根据权利要求1所述的复杂场景下不显著焊缝识别方法,其特征在于,步骤3)的具体实现过程包括:若焊缝潜在区域提取结果图像Ip中第q个联通区域caq满足如下条件:或则判定该连通区域为伪焊缝区域,将该区域的所有像素灰度值都置为0;其中,Z1为区域过小抑制系数,Z1在区间[0.1,0.95]中取值;Z2为区域过大抑制系数,f为采集待识别RGB图像所使用镜头的焦距;dist为采集待识别RGB图像时的物距;st的计算公式为:其中,st1、st2为由带识别套管焊缝连接的两铜管以毫米为单位的外径。
9.根据权利要求8所述的复杂场景下不显著焊缝识别方法,其特征在于,Z2在区间[1.2,3]中取值;f在区间[4mm,75mm]中取值;dist在区间[110mm,2000mm]中取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810619142.4A CN108921828B (zh) | 2018-06-15 | 2018-06-15 | 一种复杂场景下不显著焊缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810619142.4A CN108921828B (zh) | 2018-06-15 | 2018-06-15 | 一种复杂场景下不显著焊缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921828A true CN108921828A (zh) | 2018-11-30 |
CN108921828B CN108921828B (zh) | 2022-04-22 |
Family
ID=64421037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810619142.4A Active CN108921828B (zh) | 2018-06-15 | 2018-06-15 | 一种复杂场景下不显著焊缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921828B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109886958A (zh) * | 2019-03-18 | 2019-06-14 | 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 |
CN112734685A (zh) * | 2019-10-14 | 2021-04-30 | 中国石油天然气股份有限公司 | 一种管道焊缝信息识别方法 |
CN113570548A (zh) * | 2021-06-29 | 2021-10-29 | 北京工业大学 | 一种基于线阵相机的无间隙焊缝识别方法及其系统 |
CN116620360A (zh) * | 2023-05-17 | 2023-08-22 | 中建三局信息科技有限公司 | 一种轨道车定位系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521567A (zh) * | 2011-11-29 | 2012-06-27 | Tcl集团股份有限公司 | 一种人机交互的指尖检测方法、装置及电视机 |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN104850219A (zh) * | 2014-02-19 | 2015-08-19 | 北京三星通信技术研究有限公司 | 估计附着物体的人体姿势的设备和方法 |
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
US20160055392A1 (en) * | 2014-08-19 | 2016-02-25 | International Business Machines Corporation | Estimating degree of deterioration of road surface |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106097368A (zh) * | 2016-06-22 | 2016-11-09 | 国家林业局北京林业机械研究所 | 一种单板裂缝的识别方法 |
CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN106846317A (zh) * | 2017-02-27 | 2017-06-13 | 北京连心医疗科技有限公司 | 一种基于特征提取和相似匹配的医学影像检索方法 |
CN107424142A (zh) * | 2017-03-30 | 2017-12-01 | 上海万如科技发展有限公司 | 一种基于图像显著性检测的焊缝识别方法 |
-
2018
- 2018-06-15 CN CN201810619142.4A patent/CN108921828B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521567A (zh) * | 2011-11-29 | 2012-06-27 | Tcl集团股份有限公司 | 一种人机交互的指尖检测方法、装置及电视机 |
CN104850219A (zh) * | 2014-02-19 | 2015-08-19 | 北京三星通信技术研究有限公司 | 估计附着物体的人体姿势的设备和方法 |
US20160055392A1 (en) * | 2014-08-19 | 2016-02-25 | International Business Machines Corporation | Estimating degree of deterioration of road surface |
CN104574418A (zh) * | 2015-01-27 | 2015-04-29 | 西安工业大学 | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 |
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
CN105373794A (zh) * | 2015-12-14 | 2016-03-02 | 河北工业大学 | 一种车牌识别方法 |
CN105761271A (zh) * | 2016-03-16 | 2016-07-13 | 武汉大学 | 核安全壳表面缺陷自动检测方法及系统 |
CN105976352A (zh) * | 2016-04-14 | 2016-09-28 | 北京工业大学 | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 |
CN106097368A (zh) * | 2016-06-22 | 2016-11-09 | 国家林业局北京林业机械研究所 | 一种单板裂缝的识别方法 |
CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN106846317A (zh) * | 2017-02-27 | 2017-06-13 | 北京连心医疗科技有限公司 | 一种基于特征提取和相似匹配的医学影像检索方法 |
CN107424142A (zh) * | 2017-03-30 | 2017-12-01 | 上海万如科技发展有限公司 | 一种基于图像显著性检测的焊缝识别方法 |
Non-Patent Citations (3)
Title |
---|
GANG LI 等: "Long-distance precision inspection method for bridge cracks with image processing", 《AUTOMATION IN CONSTRUCTION》 * |
张大伟 等: "水下大坝裂缝图像分割方法研究", 《软件导刊》 * |
徐亚明 等: "HSV颜色理论在核安全壳表面缺陷检测中的应用", 《测绘地理信息》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859171A (zh) * | 2019-01-07 | 2019-06-07 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109859171B (zh) * | 2019-01-07 | 2021-09-17 | 北京工业大学 | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 |
CN109886958A (zh) * | 2019-03-18 | 2019-06-14 | 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 |
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 |
CN112734685A (zh) * | 2019-10-14 | 2021-04-30 | 中国石油天然气股份有限公司 | 一种管道焊缝信息识别方法 |
CN112734685B (zh) * | 2019-10-14 | 2024-03-26 | 中国石油天然气股份有限公司 | 一种管道焊缝信息识别方法 |
CN113570548A (zh) * | 2021-06-29 | 2021-10-29 | 北京工业大学 | 一种基于线阵相机的无间隙焊缝识别方法及其系统 |
CN116620360A (zh) * | 2023-05-17 | 2023-08-22 | 中建三局信息科技有限公司 | 一种轨道车定位系统及方法 |
CN116620360B (zh) * | 2023-05-17 | 2024-04-23 | 中建三局信息科技有限公司 | 一种轨道车定位系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108921828B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921828A (zh) | 一种复杂场景下不显著焊缝识别方法 | |
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN108573221A (zh) | 一种基于视觉的机器人目标零件显著性检测方法 | |
CN109447011B (zh) | 红外对蒸汽管道泄露的实时监控方法 | |
CN108596165A (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
CN106952280B (zh) | 一种基于计算机视觉的喷枪喷漆量均匀度检测方法 | |
CN111028271A (zh) | 基于人体骨架检测的多摄像机人员三维定位跟踪系统 | |
Liang et al. | Research on concrete cracks recognition based on dual convolutional neural network | |
CN105678737B (zh) | 一种基于Radon变换的数字图像角点检测方法 | |
CN104966302B (zh) | 一种任意角度激光十字的检测定位方法 | |
CN108109154A (zh) | 一种工件的新型定位及数据获取方法 | |
Li et al. | Weld image recognition algorithm based on deep learning | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
Wyeth et al. | Robust adaptive vision for robot soccer | |
CN110084777A (zh) | 一种基于深度学习的微小零件定位跟踪方法 | |
CN111127542A (zh) | 一种基于图像的非合作目标对接环提取方法 | |
CN111080712A (zh) | 一种基于人体骨架检测的多相机人员定位跟踪显示方法 | |
CN109635679A (zh) | 一种实时的靶纸定位及环线识别方法 | |
CN111583341B (zh) | 云台像机移位检测方法 | |
CN106097362A (zh) | 一种x光图像中人工圆形标记的自动检测和定位方法 | |
Qu et al. | Statistical classification based fast drivable region detection for indoor mobile robot | |
Chen et al. | Object recognition and localization based on kinect camera in complex environment | |
CN111784634A (zh) | 一种基于Harris-CPDA的角点检测方法 | |
JP2004258931A (ja) | 画像処理方法、画像処理装置、画像処理プログラム |
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 |