CN109341524A - 一种基于机器视觉的光纤几何参数检测方法 - Google Patents
一种基于机器视觉的光纤几何参数检测方法 Download PDFInfo
- Publication number
- CN109341524A CN109341524A CN201811207895.0A CN201811207895A CN109341524A CN 109341524 A CN109341524 A CN 109341524A CN 201811207895 A CN201811207895 A CN 201811207895A CN 109341524 A CN109341524 A CN 109341524A
- Authority
- CN
- China
- Prior art keywords
- image
- coat
- optical fiber
- geometric parameter
- threshold
- 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
Classifications
-
- 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
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提出了一种基于机器视觉的光纤几何参数检测方法，包括对图像采集装置获取的光纤横截面图像进行预处理、提取涂覆层的外边缘图像、提取涂覆层的内边缘图像和包层的外边缘图像；运用圆形拟合发和椭圆拟合法，对涂覆层的外边缘图像、涂覆层的内边缘图像及包层的外边缘图像均进行圆形拟合和椭圆拟合，以获取各图像对应的圆形参数和椭圆参数、运用光纤几何参数求解模型，分别求解边缘图像对应的直径和不圆度。本发明的优点为：采用改进的Canny算法，可以减少干扰边缘有利于曲线拟合；二次曲线标准化法和齐次方程法相结合的方法对边缘进行曲线拟合，并用高斯‑牛顿迭代法求解光纤几何参数，提高了边缘曲线拟合的精确度。
Description
技术领域
本发明属于几何量检测技术领域，尤其涉及一种基于机器视觉的光纤几何参数检测方法。
背景技术
目前，光线已经广泛应用在科研、电信、传感、监视等领域，是国家重点扶持和大力开展的新型产业。其中，光线的几何参数如包层直径、包层不圆度、涂覆层直径、涂覆层不圆度等对光纤传感和光纤通信等领域的研究至关重要。此外，在光纤生产中，光纤的几何参数带来的误差对光纤间的耦合效率起着决定性的影响。
目前已经提出了很多光纤几何参数检测方法，如人工判读为主的放大法、以光纤传输成像为主的折射近场法和近场扫描法等，但都存在着一定的缺陷：1)人工判读为主的放大法，检测精度低；2)折射近场法利用光纤折射率分布计算光纤参数分布计算光纤参数，近场扫描法是对近场放大像面进行扫描，测得近场强度分布扫描图，从而拟合光纤参数。这两种方法实验装置复杂，测量过程不直观。因此工业上亟需能够研究一种快速、高效、自动化程度高的检测方法具有重要意义。
发明内容
本发明的目的在于提供一种基于机器视觉的光纤几何参数检测方法，其检测速度快、检测精度高。为实现上述目的，本发明所采用的技术方案为：
一种基于机器视觉的光纤几何参数检测方法，包括以下步骤：
S1：对图像采集装置获取的光纤横截面图像进行预处理：所述光纤横截面包括涂覆层、包层和纤芯；
S2：确定分割阈值，对预处理后的光纤横截面图像进行阈值分割，提取涂覆层的外边缘图像；
S3：分别运用改进的Canny算法对涂覆层的内边缘和包层的外边缘进行边缘检测以提取涂覆层的内边缘图像和包层的外边缘图像；
S4：运用圆形拟合发和椭圆拟合法，对涂覆层的外边缘图像、涂覆层的内边缘图像及包层的外边缘图像均进行圆形拟合和椭圆拟合，以获取各图像对应的圆形参数和椭圆参数；
S5：分别将步骤S4中的圆形参数和椭圆参数作为输入参数，运用光纤几何参数求解模型，分别求解步骤S4中各图像对应的直径和不圆度。
优选地，在步骤S1中，所述预处理包括灰度变换、平滑处理及锐化处理。
优选地，在步骤S2中，运用最大类间方差法确定分割阈值。
优选地，所述最大类间方差法具体为：
S21：运用累加法计算像素的灰度值属于暗背景的概率p1和像素的灰度值属于亮物体的概率p2；其中，pi为图像灰度级i出现的概率，k为图像分割阈值，L为图像的灰度级；
S22：根据p1、p2计算出暗背景区域的平均灰度值g1和亮物体区域的平均灰度值g2；其中，
S23：根据平均灰度值，可计算出图像的类间方差 计算阈值范围[0，L-1]的类间方差，以最大的类间方差对应的阈值作为分割阈值。
优选地，在步骤S3中，提取涂覆层的内边缘图像具体步骤为：
S31：运用形态学方法，由涂覆层的外边缘图像确定涂覆层的内边缘ROI区域；
S32：对涂覆层的内边缘ROI区域采用二维高斯函数G(x，y)对该区域的图像f(x，y)进行平滑滤波以去除噪声，得到图像fs(x，y)；
S33：利用一阶微分Sobel算子计算平滑后的图像fs(x，y)各点处的梯度幅值和梯度方向，从而获得相应的梯度幅值图像M(x，y)和梯度方向图像θ(x，y):
S34：在M(x，y)中以点(x，y)为中心，在设置的邻域内沿θ(x，y)进行插值，如果点(x，y)处的梯度幅值M(x，y)大于θ(x，y)方向上与其相邻的插值，则将点(x，y)标记为候选边缘点，以获取候选边缘图像N；
S35：选取阈值Tl，检测候选边缘图像N中标记为候选边缘点的任一像素点(x，y)；若点(x，y)处的梯度幅值M(x，y)大于其低阈值Tl，则将该点标记为边缘
点，以获得阈值检测图像N1；
S36：对阈值检测图像N1，以中心坐标分成多个区域Si；运用局部区域距离阈值法分别对Si分别筛选，以获取每个Si中符合设置条件的边缘子图像；其中，i为区域个数；
S37：连接所述边缘子图像以获取涂覆层的外边缘图像。
优选地，在步骤S4中，所述椭圆拟合法具体为：
S41：运用二次曲线标准化法对提取的边缘图像进行椭圆拟合以获取二次曲线方程，由二次曲线方程求取椭圆中间参数；
S42：采用齐次方程法以步骤S41中获取的椭圆中间参数作为齐次方程法中初始迭代值，求解椭圆参数值。
优选地，在步骤S4中，所述圆拟合法和椭圆拟合方法相同。
优选地，步骤S5中，所述光纤几何参数求解模型为高斯-牛顿迭代法模型。
与现有技术相比，本发明的优点为：
1)采用改进的Canny算法，可以减少干扰边缘有利于曲线拟合；
2)同时二次曲线标准化法和齐次方程法相结合的方法对边缘进行曲线拟合，并用高斯-牛顿迭代法求解光纤几何参数，提高了边缘曲线拟合的精确度；
3)本发明对实验环境的要求低，对对应的测量系统的结构简单。
附图说明
图1为本发明一实施例的基于机器视觉的光纤几何参数检测方法的流程图；
图2为图1中光纤横截面图像；
图3为图2中光纤横截面图像预处理后的图像；
图4为图1中涂覆层的外边缘图像；
图5为运用现有技术中Canny算法检测获取的涂覆层的内边缘图像；
图6为本发明改进的Canny算法检测获取的涂覆层的内边缘图像；
图7为本发明涂覆层的内边缘图像的椭圆拟合结果图；
图8为本发明光纤横截面的椭圆拟合及圆形拟合结果图。
具体实施方式
下面将结合示意图对本发明的基于机器视觉的光纤几何参数检测方法进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明，而仍然实现本发明的有利效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。
如图1所示，本实施例提出了一种于机器视觉的光纤几何参数检测方法，包括步骤S1～S5，具体为：
S1：对图像采集装置，如摄像机，获取的光纤横截面图像进行预处理：光纤横截面包括涂覆层、包层和纤芯；预处理具体为：利用数学函数对原始图像的灰度值进行图像灰度变换以增强图像对比度。运用空间域的中值滤波，消除图像噪声。然后运用一阶微分算子Sobel对图像进行锐化处理以增强图像边缘。如图2所示为摄像机采集到的光纤横截面结构图，图3为光纤横截面图像预处理后的图像。
S2：确定分割阈值，对预处理后的光纤横截面图像进行阈值分割，提取涂覆层的外边缘图像；在本实施例中，运用最大类间方差法确定分割阈值，原理为将：将图像划分为暗背景C1和亮物体C2，确定分割阀值，之后运用形态学及开、闭运算消除图像区域的毛刺，填补区域孔洞，即可直接分割出光纤亮物体区域，从而获得涂覆层的外边缘图像。最大类间方差法具体步骤为：
S21：运用累加法计算像素的灰度值属于暗背景的概率p1和像素的灰度值属于亮物体的概率p2；其中，
pi为图像灰度级i出现的概率，k为图像分割阈值，L为图像的灰度级；
S22：根据p1、p2计算出暗背景区域的平均灰度值g1和亮物体区域的平均灰度值g2；其中，
S23：根据平均灰度值，可计算出图像的类间方差
计算阈值范围内[0，L-1]的每个阈值K的类间方差，以最大的类间方差对应的阈值K作为分割阈值。
S3：分别运用改进的Canny算法对涂覆层的内边缘和包层的外边缘进行边缘检测以提取涂覆层的内边缘图像和包层的外边缘图像；图5和图6的对比可知，改进的Canny算法可有效减少干扰边缘。其中，提取涂覆层的内边缘图像具体步骤为：
S31：运用形态学方法，由涂覆层的外边缘图像确定涂覆层的内边缘ROI区域；
S32：对涂覆层的内边缘ROI区域采用二维高斯函数G(x，y)对该区域的图像f(x，y)进行平滑滤波以去除噪声，得到图像fs(x，y)；
fs(x，y)＝G(x，y)*f(x，y) (7)
其中，σ为控制平滑程度的高斯滤波器参数，σ较小的滤波器定位精度高，但信噪比低；σ较大，则反之。
S33：利用一阶微分Sobel算子计算平滑后的图像fs(x，y)各点处的梯度幅值和梯度方向，从而获得相应的梯度幅值图像M(x，y)和梯度方向图像θ(x，y)；
其中
S34：在M(x，y)中以点(x，y)为中心，在设置的邻域，如在3×3的邻域内，沿θ(x，y)进行插值，如果点(x，y)处的梯度幅值M(x，y)大于θ(x，y)方向上与其相邻的2个插值，则将点(x，y)标记为候选边缘点，反之则标记为非边缘点，候选边缘点组成候选边缘图像N；
S35：选取阈值Tl，检测候选边缘图像N中标记为候选边缘点的任一像素点(x，y)；若点(x，y)处的梯度幅值M(x，y)大于其低阈值Tl，则将该点标记为边缘点，以获得阈值检测图像N1；选取阈值Tl的具体过程为：根据检测的梯度大小，计算出梯度图的统计直方图，再根据直方图求出图像背景，从而获得低阈值，此低阈值即为Tl。
S36：对阈值检测图像N1，以中心坐标分成多个区域Si；运用局部区域距离阈值法分别对Si分别筛选，以获取每个Si中符合设置条件的边缘子图像；其中，i为区域个数；具体的，对阈值检测图像N1,运用局部区域距离阈值法进行二次筛选。利用图像的中心坐标把图像分成四个区域Si(i＝1，2，3，4)。即把图像边缘分配到四个不同的区域,每个边缘坐标为(xi，yi)。每个区域的边缘个数mi，利用边缘处灰度联通性较好的原理，选出Si区域中最长边缘作为理想对象，对Si区域的其它边缘进行筛选。由于光纤涂覆层为近圆轮廓，运用点到边缘的距离值筛除非轮廓区域。公式如下：
其中Di为在Si区域中图像的中心坐标到各个边缘的距离，Dh为圆心到最长边缘的距离，δ0为设定的微小量。
S37：连接所述边缘子图像以获取涂覆层的外边缘图像。
S4：运用圆形拟合发和椭圆拟合法，对涂覆层的外边缘图像、涂覆层的内边缘图像及包层的外边缘图像均进行圆形拟合和椭圆拟合，以获取各图像对应的圆形参数和椭圆参数；圆拟合法和椭圆拟合方法相同。其中，椭圆拟合法具体为：
S41：运用二次曲线标准化法对提取的边缘图像进行椭圆拟合以获取二次曲线参数，由二次曲线参数求取椭圆中间参数；二次曲线标准化法具体为：
运用二次曲线标准化法对提取的边缘图像进行椭圆拟合，间接求取椭圆中间参数。以(xi，yi)＝Xi (i＝1，2，...n)，表示在边缘轮廓上观测的n个点的坐标。设二次曲线方程可表示为：
a1x2+a2xy+a3y2+a4x+a5y+a6＝0 (11)
其中a1、a2、a3、a4、a5、a6为待测参数，经过变化使二次曲线方程常数项为1，二次曲线方程可表示为：
b1x2+b2xy+b3y2+b4x+b5y+1＝0 (12)
其中bT＝(b1、b2、b3、b4、b5、1)为待测参数。待测参数等于参数近似值与参数改正数之和。二次曲线方程可表示为矩阵形式：
C′·b′+C·δ＝0 (13)
其中参数近似值为b′T＝(b′1、b′2、b′3、b′4、b′5、1)、参数改正数δT＝(δ1、δ2、δ3、δ4、δ5)、系数矩阵C′＝(x2、xy、y2、x、y、1)、系数矩阵C＝(x2、xy、y2、x、y)
每一对坐标点列出误差方程：
Vi＝C′i·b′+Ci·δ (14)
通过最小化误差：
为求使上式之和最小的参数，令求算结果为：
S·δ＝S′·b′ (16)
其中，
使b′T＝(0、0、0、0、0、1)作为初始迭代向量，迭代至参数改正数收敛，最终求得二次曲线参数和二次曲线方程。根据二次曲线方程，求取椭圆中间参数。
S42：采用齐次方程法以步骤S41中获取的椭圆中间参数作为齐次方程法中初始迭代值，求解椭圆参数值。齐次方程法具体为：
椭圆的另一种更直观的方法是用平面坐标系的几何参数表示。即椭圆中心坐标X0＝(x0，y0)，长轴和短轴a、b，及长轴的转角θ。设参数β＝(x0、y0、a、b、θ)。测量坐标系经过旋转，平移变成椭圆标准坐标系。已知(xi，yi)＝Xi (i＝1，2，...n)为观测坐标，坐标经过旋转，平移变为椭圆标准坐标系中的坐标(xs，ys)＝Xs。它们之间的关系如下：
X＝R(α)Xs+X0 (17)
其中
经过转换之后，椭圆在椭圆标准坐标系中的方程表示为：
其中
列出误差方程：
需要用高斯-牛顿迭代法对参数迭代求解。高斯牛顿迭代法的初始值选择二次曲线拟合所求参数。迭代公式:
其中是函数f((x，y)，β)对β的Jacobian矩阵
Jacobian矩阵
S5：分别将步骤S4中的圆形参数和椭圆参数作为输入参数，运用光纤几何参数求解模型，分别求解步骤S4中各图像对的直径和不圆度。在本实施例中，光纤几何参数求解模型为高斯-牛顿迭代法模型。拟合结果如图7和图8所示。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (8)
1.一种基于机器视觉的光纤几何参数检测方法，其特征在于，包括以下步骤：
S1：对图像采集装置获取的光纤横截面图像进行预处理：所述光纤横截面包括涂覆层、包层和纤芯；
S2：确定分割阈值，对预处理后的光纤横截面图像进行阈值分割，提取涂覆层的外边缘图像；
S3：分别运用改进的Canny算法对涂覆层的内边缘和包层的外边缘进行边缘检测以提取涂覆层的内边缘图像和包层的外边缘图像；
S4：运用圆形拟合发和椭圆拟合法，对涂覆层的外边缘图像、涂覆层的内边缘图像及包层的外边缘图像均进行圆形拟合和椭圆拟合，以获取各图像对应的圆形参数和椭圆参数；
S5：分别将步骤S4中的圆形参数和椭圆参数作为输入参数，运用光纤几何参数求解模型，分别求解步骤S4中各图像对应的直径和不圆度。
2.根据权利要求1所述的基于机器视觉的光纤几何参数检测方法，其特征在于，在步骤S1中，所述预处理包括灰度变换、平滑处理及锐化处理。
3.根据权利要求1所述的基于机器视觉的光纤几何参数检测方法，其特征在于，在步骤S2中，运用最大类间方差法确定分割阈值。
4.根据权利要求3所述的基于机器视觉的光纤几何参数检测方法，其特征在于，所述最大类间方差法具体为：
S21：运用累加法计算像素的灰度值属于暗背景的概率p1和像素的灰度值属于亮物体的概率p2；其中，pi为图像灰度级i出现的概率，k为图像分割阈值，L为图像的灰度级；
S22：根据p1、p2计算出暗背景区域的平均灰度值g1和亮物体区域的平均灰度值g2；其中，
S23：根据平均灰度值，可计算出图像的类间方差 计算阈值范围[0，L-1]的类间方差，以最大的类间方差对应的阈值作为分割阈值。
5.根据权利要求1所述的基于机器视觉的光纤几何参数检测方法，其特征在于，在步骤S3中，提取涂覆层的内边缘图像具体步骤为：
S31：运用形态学方法，由涂覆层的外边缘图像确定涂覆层的内边缘ROI区域；
S32：对涂覆层的内边缘ROI区域采用二维高斯函数G(x，y)对该区域的图像f(x，y)进行平滑滤波以去除噪声，得到图像fs(x，y)；
S33：利用一阶微分Sobel算子计算平滑后的图像fs(x，y)各点处的梯度幅值和梯度方向，从而获得相应的梯度幅值图像M(x，y)和梯度方向图像θ(x，y):
S34：在M(x，y)中以点(x，y)为中心，在设置的邻域内沿θ(x，y)进行插值，如果点(x，y)处的梯度幅值M(x，y)大于θ(x，y)方向上与其相邻的插值，则将点(x，y)标记为候选边缘点，以获取候选边缘图像N；
S35：选取阈值Tl，检测候选边缘图像N中标记为候选边缘点的任一像素点(x，y)；若点(x，y)处的梯度幅值M(x，y)大于其低阈值Tl，则将该点标记为边缘点，以获得阈值检测图像N1；
S36：对阈值检测图像N1，以中心坐标分成多个区域Si；运用局部区域距离阈值法分别对Si分别筛选，以获取每个Si中符合设置条件的边缘子图像；其中，i为区域个数；
S37：连接所述边缘子图像以获取涂覆层的外边缘图像。
6.根据权利要求1所述的基于机器视觉的光纤几何参数检测方法，其特征在于，在步骤S4中，所述椭圆拟合法具体为：
S41：运用二次曲线标准化法对提取的边缘图像进行椭圆拟合以获取二次曲线方程，由二次曲线方程求取椭圆中间参数；
S42：采用齐次方程法以步骤S41中获取的椭圆中间参数作为齐次方程法中初始迭代值，求解椭圆参数值。
7.根据权利要求1所述的基于机器视觉的光纤几何参数检测方法，其特征在于，在步骤S4中，所述圆拟合法和椭圆拟合方法相同。
8.根据权利要求1所述的基于机器视觉的光纤几何参数检测方法，其特征在于，步骤S5中，所述光纤几何参数求解模型为高斯-牛顿迭代法模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811207895.0A CN109341524A (zh) | 2018-10-17 | 2018-10-17 | 一种基于机器视觉的光纤几何参数检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811207895.0A CN109341524A (zh) | 2018-10-17 | 2018-10-17 | 一种基于机器视觉的光纤几何参数检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109341524A true CN109341524A (zh) | 2019-02-15 |
Family
ID=65310595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811207895.0A Pending CN109341524A (zh) | 2018-10-17 | 2018-10-17 | 一种基于机器视觉的光纤几何参数检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109341524A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378906A (zh) * | 2019-07-24 | 2019-10-25 | 华南理工大学 | 一种基于弦切线距离的椭圆检测方法 |
| CN110490846A (zh) * | 2019-07-30 | 2019-11-22 | 武汉睿芯特种光纤有限责任公司 | 一种对光纤图像进行几何尺寸测试的方法和装置 |
| CN111815571A (zh) * | 2020-06-16 | 2020-10-23 | 理光软件研究所（北京）有限公司 | 齿轮状物体尺寸检测方法、装置、电子设备和存储介质 |
| CN112819843A (zh) * | 2021-01-20 | 2021-05-18 | 上海大学 | 一种夜间电力线的提取方法及系统 |
| CN114838664A (zh) * | 2022-07-04 | 2022-08-02 | 江西农业大学 | 一种基于黑皮鸡枞菌的菌盖尺寸原位测量方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033134A (zh) * | 2013-01-07 | 2013-04-10 | 上海理工大学 | 针对破损光纤几何参数的检测系统及方法 |
| CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
| CN108109155A (zh) * | 2017-11-28 | 2018-06-01 | 东北林业大学 | 一种基于改进Canny的自动阈值边缘检测方法 |
-
2018
- 2018-10-17 CN CN201811207895.0A patent/CN109341524A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033134A (zh) * | 2013-01-07 | 2013-04-10 | 上海理工大学 | 针对破损光纤几何参数的检测系统及方法 |
| CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
| CN108109155A (zh) * | 2017-11-28 | 2018-06-01 | 东北林业大学 | 一种基于改进Canny的自动阈值边缘检测方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378906A (zh) * | 2019-07-24 | 2019-10-25 | 华南理工大学 | 一种基于弦切线距离的椭圆检测方法 |
| CN110378906B (zh) * | 2019-07-24 | 2023-07-25 | 华南理工大学 | 一种基于弦切线距离的椭圆检测方法 |
| CN110490846A (zh) * | 2019-07-30 | 2019-11-22 | 武汉睿芯特种光纤有限责任公司 | 一种对光纤图像进行几何尺寸测试的方法和装置 |
| CN110490846B (zh) * | 2019-07-30 | 2023-01-06 | 武汉睿芯特种光纤有限责任公司 | 一种对光纤图像进行几何尺寸测试的方法和装置 |
| CN111815571A (zh) * | 2020-06-16 | 2020-10-23 | 理光软件研究所（北京）有限公司 | 齿轮状物体尺寸检测方法、装置、电子设备和存储介质 |
| CN111815571B (zh) * | 2020-06-16 | 2024-04-02 | 理光软件研究所（北京）有限公司 | 齿轮状物体尺寸检测方法、装置、电子设备和存储介质 |
| CN112819843A (zh) * | 2021-01-20 | 2021-05-18 | 上海大学 | 一种夜间电力线的提取方法及系统 |
| CN114838664A (zh) * | 2022-07-04 | 2022-08-02 | 江西农业大学 | 一种基于黑皮鸡枞菌的菌盖尺寸原位测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109341524A (zh) | 一种基于机器视觉的光纤几何参数检测方法 | |
| CN106846344B (zh) | 一种基于边缘完备度的图像分割最优识别方法 | |
| CN110268190B (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
| CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
| CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
| CN105844621A (zh) | 一种印刷品质量检测方法 | |
| CN103020970B (zh) | 玉米果穗图像籽粒分割方法 | |
| CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
| CN109754377A (zh) | 一种多曝光图像融合方法 | |
| CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
| CN109035195A (zh) | 一种织物疵点检测方法 | |
| CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
| CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN115331119B (zh) | 一种固体废弃物识别方法 | |
| CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
| CN113240623B (zh) | 一种路面病害检测方法及装置 | |
| CN109766818A (zh) | 瞳孔中心定位方法及系统、计算机设备及可读存储介质 | |
| CN105260559B (zh) | 一种基于轮廓面积和轮廓细化的纸浆纤维形态参数计算方法 | |
| CN102855485A (zh) | 一种小麦抽穗的自动检测方法 | |
| CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
| CN109359653A (zh) | 一种棉花叶部粘连病斑图像分割方法和系统 | |
| CN103438802B (zh) | 光纤涂覆层几何参数测量方法 |
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: 20190215 |
|
| RJ01 | Rejection of invention patent application after publication |