CN109523549B - 一种用于压力容器气密性试验的漏气区域检测方法 - Google Patents

一种用于压力容器气密性试验的漏气区域检测方法 Download PDF

Info

Publication number
CN109523549B
CN109523549B CN201811605246.6A CN201811605246A CN109523549B CN 109523549 B CN109523549 B CN 109523549B CN 201811605246 A CN201811605246 A CN 201811605246A CN 109523549 B CN109523549 B CN 109523549B
Authority
CN
China
Prior art keywords
representing
point
pressure container
edge
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.)
Active
Application number
CN201811605246.6A
Other languages
English (en)
Other versions
CN109523549A (zh
Inventor
高飞
林俊辉
尤黄宇
卢书芳
张元鸣
肖刚
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201811605246.6A priority Critical patent/CN109523549B/zh
Publication of CN109523549A publication Critical patent/CN109523549A/zh
Application granted granted Critical
Publication of CN109523549B publication Critical patent/CN109523549B/zh
Active 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/06—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by observing bubbles in a liquid pool
    • G01M3/10—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by observing bubbles in a liquid pool for containers, e.g. radiators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Landscapes

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

Abstract

本发明提出了一种用于压力容器气密性试验的漏气区域检测方法，能够自动检测出检测池内的压力容器位置以及数量，在气密性试验过程中，能够根据漏气气泡判定压力容器是否存在漏气情况且能给出具体的漏气区域位置。比起工人通过肉眼查看检测压力容器漏气情况极大的提高了效率，同时避免压力容器漏气所带来的安全隐患。

Description

一种用于压力容器气密性试验的漏气区域检测方法
技术领域
本发明涉及图像处理识别领域，具体是一种用于压力容器气密性试验的漏气区域检测方法。
背景技术
近年来，随着计算机视觉技术的不断发展和应用，日常生活和工业生产逐渐步入自动化。压力容器在工业中常用与存放压缩的气体或液体。对于这类需要充入高压气体或液体的压力容器而言，如果在使用过程中发生泄漏，将会造成安全隐患，严重时还会造成火灾、爆炸等严重后果。为了避免此类事故的发生，相关部门规定压力容器出厂前必须进行气密性检测。
针对压力容器的气密性试验，国内外专家学者展开了重点研究。其中与本发明较为接近的技术方案包括：BusciglioA等(Linear stability analysis ofgas-fluidizedbeds for the prediction of incipient bubbling conditions[J].ChemicalEngineering Journal,2010,157(2):489-500)在研究气固两相流体中气泡行为时，利用图像处理技术，对气泡大小、速率进行了检测。邵建斌等(基于分水岭算法的气泡图像分割[J].西安理工大学学报,2011,27(02):185-189)。吴春龙等(基于光流法的气密性检测装置研究[J].机电工程,2013,30(8):947-951)基于Hom-Schunck光流图像处理算法，设计了一套气密性检测装置，应用于气液两相流场中气泡的识别与跟踪，初步实现了对钢瓶漏气点气泡的检测，但其抗干扰能力较弱。甘建伟等(气泡边缘检测的FPGA图像处理系统的设计[J].中国农机化学报,2015,36(2):293-296)以FPGA为核心，结合System Generator软件，采用Sobel边缘检测算法获取气泡边缘特征，提出一种基于Sobel边缘检测算法的气泡检测方法，并通过matlab实验验证了可行性，但该方法不适用于直径较小的气泡检测场景，且抗干扰能力较差。游于训(基于机器视觉的板式换热器气密性检测方法研究[D].中国计量学院,2015)针对板式换热器的气密性检测问题，在背景差分算法的基础上，利用Tasi标定法对相机进行标定，对气泡二值图像进行分析得到气泡的质心坐标、像素面积和直径等参数，再结合PTV粒子测速算法和Hough变换测量水中运动气泡的速度和体积，但这种方法同样不适用于体积较小的气泡检测，且无法判断出漏气的具体位置。梁秀满等(基于Otsu图像分割的颗粒与气泡碰撞检测方法[J].中国矿业,2017,26(06):127-130)利用数学形态学方法和最大类间差法，分割出气泡疑似区域，再应该最小二乘法，将气泡拟合成圆对气泡位置进行检测，该方法对气泡检测效果较好，但同样不适用于对体积较小的气泡检测。
综上所述，对比目前所提出的设备气密性检测方案，主要的问题在于：(1)方案用于体积较大的气泡检测效果较好，但体积较小的气泡容易被忽视或被误认为噪点剔除；(2)方案普遍是针对气泡的体积或流速，而未提到对漏气具体区域的检测方案；(3)部分方案虽然对漏气点的气泡着较好的检测效果，但算法复杂度较高，达不到工业气密性检测所需的实时检测效果。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种用于压力容器气密性试验的漏气区域检测方法，在气密性试验过程中对压力容器进行检测并进一步对漏气区域进行判断，通过双阈值二值化方法确定水槽内压力容器位置并进行区域预划分，最后通过ViBe对预划分区域进行投票确定压力容器漏气区域。
本发明技术方案如下：
一种用于压力容器气密性试验的漏气区域检测方法，其特征在于，包括如下步骤：
步骤1：用工业摄像机对气密性试验检测池进行拍摄，从摄像机中取得视频帧图像fi，i＝1,2,...,n，灰度化fi得到灰度图像gfi，用3*3的内核对灰度图gfi进行降噪后使用双阈值二值化方法，设置高低两个阈值t1和t2，然后根据公式(1)对gfi二值化得到二值图像bfi；
Figure BDA0001923440990000031
式中，f(x,y)表示像素点灰度值，阈值t1和t2由灰度直方图波谷值确定；
步骤2：对二值图bfi使用Canny算子得到其边缘图像efi和边缘集
Figure BDA0001923440990000032
Figure BDA0001923440990000033
表示edgesi中的第j条边缘，mi表示edgesi中边缘的数量，
Figure BDA0001923440990000034
表示边缘
Figure BDA0001923440990000035
中的第k个像素点，
Figure BDA0001923440990000036
表示
Figure BDA0001923440990000037
对应的坐标,
Figure BDA0001923440990000038
表示
Figure BDA0001923440990000039
中的像素点总数；
步骤3：计算
Figure BDA00019234409900000310
对应的闭合轮廓面积，记为
Figure BDA00019234409900000311
若
Figure BDA00019234409900000312
和
Figure BDA00019234409900000313
满足公式(2)，则将边缘
Figure BDA00019234409900000314
添加到压力容器边缘集bottleedges中；当所有符合要求的边缘
Figure BDA00019234409900000315
都加入到压力容器边缘集bottleEdges时，将其记为bottleEdges＝{ebv|v＝1,2,...,u}，ebv表示对应的压力容器边缘轮廓，则u即为检测池内压力容器的数量；
Figure BDA00019234409900000316
步骤4：计算边缘ebv的最小外接矩形并记为rv,v＝1,2,...,u，设最小外接矩形的左上角坐标为(xlv,ylv)，右下角坐标为(xrv,yrv)，然后由公式(3)计算由最小外接矩形rv划分得到的分区域参数；
Figure BDA00019234409900000317
式中，rwv表示最小外接矩形rv的宽度，rhv表示最小外接矩形rv的高度，droivs表示由最小外接矩形rv划分出的第s个分区域，其中dxvs表示第s个分区域左上角点横坐标，dyvs表示第s个分区域左上角点纵坐标，dwvs表示第s个分区域宽度，dhvs表示第s个分区域长度，dn表示分区域数量，icv表示分区域宽度；
步骤5：对压力容器充气加压，从摄像机中取得视频第一帧f0，根据最小外接矩形rv从灰度图gf0中提取分区域图像并初始化ViBe背景模型Mv(x)，式(4)为背景模型Mv(x)表达式；
Mv(x)＝{mv1,mv2,...,mvk,...,mvN},v＝1,2,...,u (4)
式中，mvk表示第v个分区域图像中像素点x的第k个背景模型样本，N是样本总数；
步骤6：从第二帧f1开始，按公式(5)对fi中像素点是否归属于背景进行判别，具体为：当像素点x被判别为背景时有1/φ的概率更新其背景模型，同时，也有1/φ的概率更新其邻居点背景模型，更新背景模型Mv(x)时，采用随机更新方式；设最小外接矩形rv的总票数为vtv，其分区域的总票数为vzvs，当像素点x被判定为前景时，对其所属的vtv和vzvs加1；
Figure BDA0001923440990000041
其中，vzvs表示第v个钢瓶的第s个分区域总票数，F(x)＝0时表示像素点x被判定为背景点，F(x)＝1时表示像素点x被判定为前景，SR(mv(x))表示以点x为中心R为半径的区域，Mv(x)表示点x的背景样本集，函数InterNum表示以SR(mv(x))为范围，计算新像素值和其背景样本集中每个样本值的差值，得出差值小于R的像素点个数，θ为像素点数量阈值；
步骤7：遍历视频帧fi后，若vtv满足
Figure BDA0001923440990000042
则判定第v个压力容器存在漏气情况，ε表示平均票数阈值，最终，计算出max(vzvs)，即得出第v个压力容器具体漏气区域。
本发明的有益效果是：本发明能够自动检测出检测池内的压力容器位置以及数量，在气密性试验过程中，能够根据漏气气泡判定压力容器是否存在漏气情况且能给出具体的漏气区域位置；比起工人通过肉眼查看检测压力容器漏气情况极大的提高了效率，同时避免压力容器漏气所带来的安全隐患。
附图说明
图1为气密性试验第一帧图像的灰度图；
图2为对气密性试验图像进行双阈值二值化的结果；
图3为对检测池内压力容器进行分区域划分的效果图；
图4为ViBe检测过程中对分区域进行投票的过程图。
具体实施方式
下面结合实例和图片来详细阐述本发明。
一种用于压力容器气密性试验的漏气区域检测方法，具体步骤如下：
步骤1：用工业摄像机对气密性试验检测池进行拍摄，从摄像机中取得视频帧图像fi，i＝1,2,...,n，灰度化fi得到灰度图像gfi，灰度图像gfi如图1所示，用3*3的内核对灰度图gfi进行降噪后使用双阈值二值化方法，设置高低两个阈值t1和t2，然后根据公式(1)对gfi二值化得到二值图像bfi，二值图像bfi如图2所示；
Figure BDA0001923440990000051
式中，f(x,y)表示像素点灰度值，阈值t1和t2由灰度直方图波谷值确定，在本实例中，t1和t2的值分别取35和50；
步骤2：对二值图bfi使用Canny算子得到其边缘图像efi和边缘集
Figure BDA0001923440990000052
Figure BDA0001923440990000053
表示edgesi中的第j条边缘，mi表示edgesi中边缘的数量，
Figure BDA0001923440990000054
表示边缘
Figure BDA0001923440990000055
中的第k个像素点，
Figure BDA0001923440990000056
表示
Figure BDA0001923440990000057
对应的坐标,
Figure BDA0001923440990000058
表示
Figure BDA0001923440990000059
中的像素点总数；
步骤3：计算
Figure BDA00019234409900000510
对应的闭合轮廓面积，记为
Figure BDA00019234409900000511
若
Figure BDA00019234409900000512
和
Figure BDA00019234409900000513
满足公式(2)，则将边缘
Figure BDA00019234409900000514
添加到压力容器边缘集bottleedges中；当所有符合要求的边缘
Figure BDA00019234409900000515
都加入到压力容器边缘集bottleEdges时，将其记为bottleEdges＝{ebv|v＝1,2,...,u}，ebv表示对应的压力容器边缘轮廓，则u即为检测池内压力容器的数量；
Figure BDA0001923440990000061
步骤4：计算边缘ebv的最小外接矩形并记为rv,v＝1,2,...,u，设最小外接矩形的左上角坐标为(xlv,ylv)，右下角坐标为(xrv,yrv)，然后由公式(3)计算由最小外接矩形rv划分得到的分区域参数，分区域划分效果如图3所示；
Figure BDA0001923440990000062
式中，rwv表示最小外接矩形rv的宽度，rhv表示最小外接矩形rv的高度，droivs表示由最小外接矩形rv划分出的第s个分区域，其中dxvs表示第s个分区域左上角点横坐标，dyvs表示第s个分区域左上角点纵坐标，dwvs表示第s个分区域宽度，dhvs表示第s个分区域长度，dn表示分区域数量，icv表示分区域宽度，在本实例中dn取7；
步骤5：对压力容器充气加压，从摄像机中取得视频第一帧f0，根据最小外接矩形rv从灰度图gf0中提取分区域图像并初始化ViBe背景模型Mv(x)，式(4)为背景模型Mv(x)表达式；
Mv(x)＝{mv1,mv2,...,mvk,...,mvN},v＝1,2,...,u (4)
式中，mvk表示第v个分区域图像中像素点x的第k个背景模型样本，N是样本总数，在本实例中N取20；
步骤6：从第二帧f1开始，按公式(5)对fi中像素点前后景归属进行判别，当像素点x被判别为背景时有1/φ的概率更新其背景模型，同时，也有1/φ的概率更新其邻居点背景模型，更新背景模型Mv(x)时，采用随机更新方式；设最小外接矩形rv的总票数为vtv，其分区域的总票数为vzvs，当像素点x被判定为前景时，对其所属的vtv和vzvs加1，在本实例中φ取16；检测过程如图4所示；
Figure BDA0001923440990000071
其中，vzvs表示第v个钢瓶的第s个分区域总票数，F(x)＝0时表示像素点x被判定为背景点，F(x)＝1时表示像素点x被判定为前景，SR(mv(x))表示以点x为中心R为半径的区域，Mv(x)表示点x的背景样本集，函数InterNum表示以SR(mv(x))为范围，计算新像素值和其背景样本集中每个样本值的差值，得出差值小于R的像素点个数，θ为像素点数量阈值，在本实例中，R和θ取值为20和14；
步骤7：遍历视频帧fi后，若vtv满足
Figure BDA0001923440990000072
则判定第v个压力容器存在漏气情况，ε表示平均票数阈值，在本实例中ε取3.33，最终，计算出max(vzvs)，即得出第v个压力容器具体漏气区域。

Claims (1)

1.一种用于压力容器气密性试验的漏气区域检测方法，其特征在于，包括如下步骤：
步骤1：用工业摄像机对气密性试验检测池进行拍摄，从摄像机中取得视频帧图像fi，i＝1,2,...,n，灰度化fi得到灰度图像gfi，用3*3的内核对灰度图gfi进行降噪后使用双阈值二值化方法，设置高低两个阈值t1和t2，然后根据公式(1)对gfi二值化得到二值图像bfi；
Figure FDA0003116622460000011
式中，f(x,y)表示像素点灰度值，阈值t1和t2由灰度直方图波谷值确定；
步骤2：对二值图像bfi使用Canny算子得到其边缘图像efi和边缘集
Figure FDA0003116622460000012
Figure FDA0003116622460000013
表示edgesi中的第j条边缘，mi表示edgesi中边缘的数量，
Figure FDA0003116622460000014
表示边缘
Figure FDA0003116622460000015
中的第k个像素点，
Figure FDA0003116622460000016
表示
Figure FDA0003116622460000017
对应的坐标,
Figure FDA0003116622460000018
表示
Figure FDA0003116622460000019
中的像素点总数；
步骤3：计算
Figure FDA00031166224600000110
对应的闭合轮廓面积，记为
Figure FDA00031166224600000111
若
Figure FDA00031166224600000112
和
Figure FDA00031166224600000113
满足公式(2)，则将边缘
Figure FDA00031166224600000114
添加到压力容器边缘集bottleEdges中；当所有符合要求的边缘
Figure FDA00031166224600000115
都加入到压力容器边缘集bottleEdges时，将其记为bottleEdges＝{ebv|v＝1,2,...,u}，ebv表示对应的压力容器边缘轮廓，则u即为检测池内压力容器的数量；
Figure FDA00031166224600000116
步骤4：计算边缘ebv的最小外接矩形并记为rv,v＝1,2,...,u，设最小外接矩形的左上角坐标为(xlv,ylv)，右下角坐标为(xrv,yrv)，然后由公式(3)计算由最小外接矩形rv划分得到的分区域参数；
Figure FDA00031166224600000117
式中，rwv表示最小外接矩形rv的宽度，rhv表示最小外接矩形rv的高度，droivs表示由最小外接矩形rv划分出的第s个分区域，其中dxvs表示第s个分区域左上角点横坐标，dyvs表示第s个分区域左上角点纵坐标，dwvs表示第s个分区域宽度，dhvs表示第s个分区域长度，dn表示分区域数量，icv表示分区域宽度；
步骤5：对压力容器充气加压，从摄像机中取得视频第一帧f0，根据最小外接矩形rv从灰度图gf0中提取分区域图像并初始化ViBe背景模型Mv(x)，式(4)为背景模型Mv(x)表达式；
Mv(x)＝{mv1,mv2,...,mvk,...,mvN},v＝1,2,...,u (4)
式中，mvk表示第v个分区域图像中像素点x的第k个背景模型样本，N是样本总数；
步骤6：从第二帧f1开始，按公式(5)对fi中像素点是否归属于背景进行判别，具体为：当像素点x被判别为背景时有1/φ的概率更新其背景模型，同时，也有1/φ的概率更新其邻居点背景模型，更新背景模型Mv(x)时，采用随机更新方式；设最小外接矩形rv的总票数为vtv，其分区域的总票数为vzvs，当像素点x被判定为前景时，对其所属的vtv和vzvs加1；
Figure FDA0003116622460000021
其中，vzvs表示第v个钢瓶的第s个分区域总票数，F(x)＝0时表示像素点x被判定为背景点，F(x)＝1时表示像素点x被判定为前景，SR(mv(x))表示以点x为中心R为半径的区域，Mv(x)表示点x的背景样本集，函数InterNum表示以SR(mv(x))为范围，计算新像素值和其背景样本集中每个样本值的差值，得出差值小于R的像素点个数，θ为像素点数量阈值；
步骤7：遍历视频帧fi后，若vtv满足
Figure FDA0003116622460000022
则判定第v个压力容器存在漏气情况，ε表示平均票数阈值，最终，计算出max(vzvs)，即得出第v个压力容器具体漏气区域。
CN201811605246.6A 2018-12-26 2018-12-26 一种用于压力容器气密性试验的漏气区域检测方法 Active CN109523549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811605246.6A CN109523549B (zh) 2018-12-26 2018-12-26 一种用于压力容器气密性试验的漏气区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811605246.6A CN109523549B (zh) 2018-12-26 2018-12-26 一种用于压力容器气密性试验的漏气区域检测方法

Publications (2)

Publication Number Publication Date
CN109523549A CN109523549A (zh) 2019-03-26
CN109523549B true CN109523549B (zh) 2021-07-27

Family

ID=65797957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811605246.6A Active CN109523549B (zh) 2018-12-26 2018-12-26 一种用于压力容器气密性试验的漏气区域检测方法

Country Status (1)

Country Link
CN (1) CN109523549B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110469325B (zh) * 2019-08-08 2022-03-29 中国石油天然气股份有限公司 一种油气田注气管柱找漏方法
CN110487493B (zh) * 2019-08-27 2021-06-04 浙江工业大学 一种用于压力容器气密性试验的多区域泄漏检测方法
CN112268663A (zh) * 2020-09-10 2021-01-26 杭州电子科技大学 一种机器视觉皂泡法气密性检验方法
CN112232283B (zh) * 2020-11-05 2023-09-01 深兰科技（上海）有限公司 基于光流和c3d网络的气泡检测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389814A (zh) * 2015-11-03 2016-03-09 浙江工业大学 一种用于气密性试验的气泡检测方法
CN106169079A (zh) * 2016-06-30 2016-11-30 浙江工业大学 一种基于计算机视觉的压力容器数量识别方法
CN109029861A (zh) * 2018-07-12 2018-12-18 浙江工业大学 一种基于背景建模与质心聚类的压力容器气密性检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389814A (zh) * 2015-11-03 2016-03-09 浙江工业大学 一种用于气密性试验的气泡检测方法
CN106169079A (zh) * 2016-06-30 2016-11-30 浙江工业大学 一种基于计算机视觉的压力容器数量识别方法
CN109029861A (zh) * 2018-07-12 2018-12-18 浙江工业大学 一种基于背景建模与质心聚类的压力容器气密性检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Design of a new type of mine rescue relay cabin;Gao Na 等;《International Journal of Mining Science and Technology》;20170731;第27卷(第4期);第711-715页 *
基于空间平面约束的视觉定位模型研究;高飞 等;《仪器仪表学报》;20180731;第39卷(第7期);第1-2页 *

Also Published As

Publication number Publication date
CN109523549A (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN109523549B (zh) 一种用于压力容器气密性试验的漏气区域检测方法
CN110992329A (zh) 一种产品表面缺陷检测方法、电子设备及可读存储介质
CN113724231B (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN105403147B (zh) 一种基于嵌入式的瓶胚检测系统和检测方法
CN107292297A (zh) 一种基于深度学习和重叠率跟踪的视频车流量检测方法
CN114359246B (zh) 输送机皮带检测方法、装置、系统、电子设备及介质
CN110490099B (zh) 一种基于机器视觉的地铁公共地点人流量分析方法
CN107292879B (zh) 一种基于图像分析的金属板材表面异常检测方法
CN101105893A (zh) 一种车辆视频识别测速方法
CN104183142A (zh) 一种基于图像视觉处理技术的车流量统计方法
CN106370659A (zh) 一种瓶体封装质量视觉检测方法
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN104101600A (zh) 连铸坯断面微小裂纹检测方法及装置
CN103439348A (zh) 基于差影法的遥控器按键缺陷检测方法
CN112991267A (zh) 一种基于改进的efficientNet-RCNN的带钢表面缺陷检测方法
CN109993758A (zh) 分割方法、分割装置、计算机设备及存储介质
CN109724988A (zh) 一种基于多模板匹配的pcb板缺陷定位方法
CN116665011A (zh) 一种基于机器视觉的煤矿带式输送机煤流异物识别方法
CN104200213B (zh) 一种基于多部件的车辆检测方法
CN112329858B (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN113610052A (zh) 一种基于深度学习的隧道渗漏水自动识别方法
CN115937217B (zh) 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法
CN107506739A (zh) 一种夜间前向车辆检测及测距方法
CN115100173B (zh) 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法
CN116402753A (zh) 一种基于改进的YOLOv5的钢材缺陷检测方法

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
GR01 Patent grant
GR01 Patent grant