CN109886935A - 一种基于深度学习的道面异物检测方法 - Google Patents
一种基于深度学习的道面异物检测方法 Download PDFInfo
- Publication number
- CN109886935A CN109886935A CN201910080818.1A CN201910080818A CN109886935A CN 109886935 A CN109886935 A CN 109886935A CN 201910080818 A CN201910080818 A CN 201910080818A CN 109886935 A CN109886935 A CN 109886935A
- Authority
- CN
- China
- Prior art keywords
- image
- foreign matter
- deep learning
- 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.)
- Pending
Links
Abstract
本发明公开了一种基于深度学习的道面异物检测方法，属于图像采集技术领域，根据系统输入的坐标点对原始图像(2048*1000)进行裁剪，得到500*500图像；对500*500图像进行预处理，截取出多个100*100的疑似异物块；使用深度学习对多个异物块进行判断和识别，输出异物类别。本发明采用深度学习做深入的分析，与传统的图像处理方式相比，漏检率更低，准确率更高；深度学习模块的训练采用离线训练，降低处理时间；深度学习模块训练时采用偏向性参数，保证更低的漏检率；预处理模块采用角点特征对平面干扰例如标志线、刹车痕等进行去除，减少了干扰。
Description
技术领域
本发明涉及一种道面异物检测方法，特别是涉及一种基于深度学习的道面异物检测方法，属于图像采集技术领域。
背景技术
基于某道面异物检测设备的技术需求进行的，要求对探测道面进行实时的图像采集，得到2048*1000的单通道原始图像，通过外置其他设备的初步探测，得到疑似异物的位置，将该位置转化为对应道面图像中的像素坐标位置后，截取出500*500的图像，通过预处理后再从500*500的图像中得到多个100*100的疑似异物块。
由于探测设备要求尽可能低的漏检率的同时，保持一定的准确率，因此采用深度学习模块对多个100*100的疑似异物块进行进一步的判断和分类，得出异物存在与否，以及异物的类别，与传统的图像分类算法相比提高了很大的准确率，探测设备要求所有的处理具备一定的实时性，所以深度学习处理模块中较为费时的训练部分采用离线训练的方法，极大的降低了处理时间。
发明内容
本发明的主要目的是为了提供一种基于深度学习的道面异物检测方法，采用深度学习做深入的分析，提高准确率，采用离线训练，降低处理时间。
本发明的目的可以通过采用如下技术方案达到：
一种基于深度学习的道面异物检测方法，包括以下步骤：
步骤1：根据系统输入的坐标点对原始图像(2048*1000)进行裁剪，得到500*500图像；
步骤2：对500*500图像进行预处理，截取出多个100*100的疑似异物块；
步骤3：使用深度学习对多个异物块进行判断和识别，输出异物类别。
步骤1中，探测设备经过外置设备的探测，输出疑似异物的物理坐标位置，将该坐标映射到图像中的像素位置后，以该位置为中心截取500*500大小的图像作为后续的处理对象。
步骤2中，对500*500图像进行预处理，截取出多个100*100的疑似异物块图像预处理包含以下三种处理方式：
方式一：图像去噪+背景差分处理；
方式二：图像去噪+背景差分+边缘检测处理；
方式三：图像去噪+背景差分+边缘检测+角点检测处理。
方式一中，图像去噪+背景差分，包括以下步骤：
利用高斯平滑算法对图像进行去噪，高斯平滑后的图像每一个点的值，都由其自身和领域内的其他像素值经过加权平均后得到；
高斯平滑后，道面上细小的噪声被去除，虽然对图像中的边缘信息有一定的削弱，但是相对噪声来说，边缘还是被保留了；
背景差分算法通过提取整幅图像(500*500)的灰度值中值作为背景的灰度值，再计算图像中每个像素点灰度值与背景的差值绝对值。
利用高斯平滑算法对图像进行去噪，高斯平滑后的图像每一个点的值，都由其自身和领域内的其他像素值经过加权平均后得到，具体的操作是使用一个模板扫描图像中的每一个像素，用模板确定的领域内像素的加权平均灰度值代替模板中心像素点的值，滤波后的图像记为Ifg：
表示中心点If(i,j)邻域内If(k,l)点的权重值。
背景差分算法通过提取整幅图像(500*500)的灰度值中值作为背景的灰度值，再计算图像中每个像素点灰度值与背景的差值绝对值：
Isub＝|Ifg-bg|
式中bg为整幅图像的中值，已知相比于背景点与背景灰度值的差异，异物点具有更大的差一点，因此将差值的绝对值Isub看做像素点属于异物点的可能性，该值越大对应的像素点越有可能是异物点。
方式二中，图像去噪+背景差分+边缘检测，包括如下步骤：采用加入边缘检测的方法来降低一部分干扰。
边缘检测采用canny算子进行运算，包括以下步骤：
步骤221：利用sobel算子找到图像灰度沿着两个方法的偏导数(Gx，Gy)，并求出梯度的大小：
步骤222：计算出梯度的方向
步骤223：确定边缘方向后，将边缘梯度的方向分为水平、竖直、45°、135°方向，通过梯度的方向可以找到该方向梯度方向的邻接像素；
步骤224：非最大值抑制：遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的，则将该像素值置为0，即不是边缘；
步骤225：使用累计直方图计算两个阈值，凡是大于高阈值的一定是边缘；小于低阈值的一定不是边缘；若检测结果在低阈值与高阈值之间，则看该像素的邻接像素中有没有超过高阈值的边缘像素，若有则为边缘，反之则不是；
步骤226：得到图像中的边缘以后，为了避免异物的边缘断开，首先对边缘图像进行闭操作进行优化，闭操作后，采用孔洞填充算法对封闭的边缘区域进行填充处理；
步骤227：为了去除检测中的噪声，采用与操作将背景差分的结果与边缘检测的结果进行结合。
方式三中，图像去噪+背景差分+边缘检测+角点检测，包括如下步骤：
加入了角点检测，避免因道面上的白色标志线等固有的标识在经过上述处理时，在图像中的表现与异物类似，甚至计算得到的异物概率大于实际的异物概率，为了去除这些固有的表面物体的干扰；
选用角点特征数目对背景差分和边缘检测得到的多个异物区域进一步删选，设定阈值去除角点数过少的部分；
步骤3中，深度学习模块用于接收预处理得到的多个100*100的图像块，使用离线训练好的模型将图像块中的异物分为P个类别；在对模型进行训练时调整模型参数偏向于100％的检测率，并对异物的类别进行识别。
本发明的有益技术效果：
1、本发明提供的基于深度学习的道面异物检测方法，采用深度学习做深入的分析，与传统的图像处理方式相比，漏检率更低，准确率更高。
2、本发明提供的基于深度学习的道面异物检测方法，深度学习模块的训练采用离线训练，降低处理时间。
3、本发明提供的基于深度学习的道面异物检测方法，深度学习模块训练时采用偏向性参数，保证更低的漏检率。
4、本发明提供的基于深度学习的道面异物检测方法，预处理模块采用角点特征对平面干扰例如标志线、刹车痕等进行去除，减少了干扰。
附图说明
图1为按照本发明的基于深度学习的道面异物检测方法的一优选实施例的系统基本流程示意图；
图2为按照本发明的基于深度学习的道面异物检测方法的一优选实施例的待检测的500*500图像；
图3为按照本发明的基于深度学习的道面异物检测方法的一优选实施例的去噪+背景差分得到的检测结果图；
图4为按照本发明的基于深度学习的道面异物检测方法的一优选实施例的去噪+边缘检测得到的检测结果图；
图5为按照本发明的基于深度学习的道面异物检测方法的一优选实施例的去噪+背景差分+边缘检测图；
图6为按照本发明的基于深度学习的道面异物检测方法的一优选实施例的去噪+背景差分+边缘检测+角点检测图，框选住部分为最后检测到的异物。
具体实施方式
为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，本实施例提供的基于深度学习的道面异物检测方法包括以下步骤：
步骤1：根据系统输入的坐标点对原始图像(2048*1000)进行裁剪，得到500*500图像；
步骤2：对500*500图像进行预处理，截取出多个100*100的疑似异物块；
步骤3：使用深度学习对多个异物块进行判断和识别，输出异物类别。
如图1-图6所示，本实施例提供的基于深度学习的道面异物检测方法具体包括以下步骤：
步骤1：根据系统输入的坐标点对原始图像(2048*1000)进行裁剪，得到500*500图像；
探测设备经过外置设备的探测，输出疑似异物的物理坐标位置，将该坐标映射到图像中的像素位置后，以该位置为中心截取500*500大小的图像作为后续的处理对象；
步骤2：对500*500图像进行预处理，截取出多个100*100的疑似异物块图像预处理包含以下三种处理方案：
步骤21：图像去噪+背景差分
利用高斯平滑算法对图像进行去噪，高斯平滑后的图像每一个点的值，都由其自身和领域内的其他像素值经过加权平均后得到。具体的操作是使用一个模板扫描图像中的每一个像素，用模板确定的领域内像素的加权平均灰度值代替模板中心像素点的值，滤波后的图像记为Ifg：
表示中心点If(i,j)邻域内If(k,l)点的权重值；
高斯平滑后，道面上细小的噪声被去除，虽然对图像中的边缘信息有一定的削弱，但是相对噪声来说，边缘还是被保留了；
背景差分算法通过提取整幅图像(500*500)的灰度值中值作为背景的灰度值，再计算图像中每个像素点灰度值与背景的差值绝对值：
Isub＝|Ifg-bg|
式中bg为整幅图像的中值，已知相比于背景点与背景灰度值的差异，异物点具有更大的差一点，因此将差值的绝对值Isub看做像素点属于异物点的可能性，该值越大对应的像素点越有可能是异物点；
步骤22：图像去噪+背景差分+边缘检测
已知步骤21中的处理方法可以解决一部分的问题，但是从实际的检测效果来看存在的干扰点较多，采用加入边缘检测的方法来降低一部分干扰。
边缘检测算法采用canny算子进行运算：
步骤221：利用sobel算子找到图像灰度沿着两个方法的偏导数(Gx，Gy)，并求出梯度的大小：
步骤222：利用上一步的结果计算出梯度的方向
步骤223：知道边缘方向后，可以将边缘梯度的方向大致分为水平、竖直、45°、135°方向，通过梯度的方向可以找到该方向梯度方向的邻接像素；
步骤224：非最大值抑制：遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的，则将该像素值置为0，即不是边缘；
步骤225：使用累计直方图计算两个阈值，凡是大于高阈值的一定是边缘；小于低阈值的一定不是边缘；若检测结果在低阈值与高阈值之间，则看该像素的邻接像素中有没有超过高阈值的边缘像素，若有则为边缘，反之则不是；
步骤226：得到图像中的边缘以后，为了避免异物的边缘断开，首先对边缘图像进行闭操作进行优化，闭操作后，采用孔洞填充算法对封闭的边缘区域进行填充处理；
步骤227：为了去除检测中的噪声，采用与操作将背景差分的结果与边缘检测的结果进行结合；
步骤23：图像去噪+背景差分+边缘检测+角点检测
实际实验中发现，道面上的白色标志线等固有的标识在经过上述处理时，在图像中的表现与异物类似，甚至计算得到的异物概率大于实际的异物概率，为了去除这些固有的表面物体的干扰，加入了角点检测；
已知道面本身存在标志线、轮胎印等均为平行纹理，所以单纯就道面复杂的背景来说，角点存在的数量很少，而可能出现的异物如螺钉、石子等均具有多角点特征。
因此选用角点特征数目对背景差分和边缘检测得到的多个异物区域进一步删选，设定阈值去除角点数过少的部分；
步骤3：使用深度学习对多个异物块进行判断和识别，输出异物类别
深度学习模块用于接收预处理得到的多个100*100的图像块，使用离线训练好的模型将图像块中的异物分为P个类别；
由于该探测设备要求尽可能低的漏检率，因此在对模型进行训练时调整模型参数偏向于100％的检测率，并对异物的类别进行识别。
综上所述，在本实施例中，本实施例提供的基于深度学习的道面异物检测方法，采用深度学习做深入的分析，与传统的图像处理方式相比，漏检率更低，准确率更高；深度学习模块的训练采用离线训练，降低处理时间；深度学习模块训练时采用偏向性参数，保证更低的漏检率；预处理模块采用角点特征对平面干扰例如标志线、刹车痕等进行去除，减少了干扰。
以上所述，仅为本发明进一步的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。
Claims (10)
1.一种基于深度学习的道面异物检测方法，其特征在于，包括以下步骤：
步骤1：根据系统输入的坐标点对原始图像(2048*1000)进行裁剪，得到500*500图像；
步骤2：对500*500图像进行预处理，截取出多个100*100的疑似异物块；
步骤3：使用深度学习对多个异物块进行判断和识别，输出异物类别。
2.如权利要求1所述的一种基于深度学习的道面异物检测方法，其特征在于，步骤1中，探测设备经过外置设备的探测，输出疑似异物的物理坐标位置，将该坐标映射到图像中的像素位置后，以该位置为中心截取500*500大小的图像作为后续的处理对象。
3.如权利要求1所述的一种基于深度学习的道面异物检测方法，其特征在于，步骤2中，对500*500图像进行预处理，截取出多个100*100的疑似异物块图像预处理包含以下三种处理方式：
方式一：图像去噪+背景差分处理；
方式二：图像去噪+背景差分+边缘检测处理；
方式三：图像去噪+背景差分+边缘检测+角点检测处理。
4.如权利要求3所述的一种基于深度学习的道面异物检测方法，其特征在于，方式一中，图像去噪+背景差分，包括以下步骤：
利用高斯平滑算法对图像进行去噪，高斯平滑后的图像每一个点的值，都由其自身和领域内的其他像素值经过加权平均后得到；
高斯平滑后，道面上细小的噪声被去除，虽然对图像中的边缘信息有一定的削弱，但是相对噪声来说，边缘还是被保留了；
背景差分算法通过提取整幅图像(500*500)的灰度值中值作为背景的灰度值，再计算图像中每个像素点灰度值与背景的差值绝对值。
5.如权利要求4所述的一种基于深度学习的道面异物检测方法，其特征在于，利用高斯平滑算法对图像进行去噪，高斯平滑后的图像每一个点的值，都由其自身和领域内的其他像素值经过加权平均后得到，具体的操作是使用一个模板扫描图像中的每一个像素，用模板确定的领域内像素的加权平均灰度值代替模板中心像素点的值，滤波后的图像记为Ifg：
表示中心点If(i,j)邻域内If(k,l)点的权重值。
6.如权利要求4所述的一种基于深度学习的道面异物检测方法，其特征在于，背景差分算法通过提取整幅图像(500*500)的灰度值中值作为背景的灰度值，再计算图像中每个像素点灰度值与背景的差值绝对值：
Isub＝|Ifg-bg|
式中bg为整幅图像的中值，已知相比于背景点与背景灰度值的差异，异物点具有更大的差一点，因此将差值的绝对值Isub看做像素点属于异物点的可能性，该值越大对应的像素点越有可能是异物点。
7.如权利要求3所述的一种基于深度学习的道面异物检测方法，其特征在于，方式二中，图像去噪+背景差分+边缘检测，包括如下步骤：采用加入边缘检测的方法来降低一部分干扰。
8.如权利要求7所述的一种基于深度学习的道面异物检测方法，其特征在于，边缘检测采用canny算子进行运算，包括以下步骤：
步骤221：利用sobel算子找到图像灰度沿着两个方法的偏导数(Gx，Gy)，并求出梯度的大小：
步骤222：计算出梯度的方向
步骤223：确定边缘方向后，将边缘梯度的方向分为水平、竖直、45°、135°方向，通过梯度的方向可以找到该方向梯度方向的邻接像素；
步骤224：非最大值抑制：遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大的，则将该像素值置为0，即不是边缘；
步骤225：使用累计直方图计算两个阈值，凡是大于高阈值的一定是边缘；小于低阈值的一定不是边缘；若检测结果在低阈值与高阈值之间，则看该像素的邻接像素中有没有超过高阈值的边缘像素，若有则为边缘，反之则不是；
步骤226：得到图像中的边缘以后，为了避免异物的边缘断开，首先对边缘图像进行闭操作进行优化，闭操作后，采用孔洞填充算法对封闭的边缘区域进行填充处理；
步骤227：为了去除检测中的噪声，采用与操作将背景差分的结果与边缘检测的结果进行结合。
9.如权利要求3所述的一种基于深度学习的道面异物检测方法，其特征在于，方式三中，图像去噪+背景差分+边缘检测+角点检测，包括如下步骤：
加入了角点检测，避免因道面上的白色标志线等固有的标识在经过上述处理时，在图像中的表现与异物类似，甚至计算得到的异物概率大于实际的异物概率，为了去除这些固有的表面物体的干扰；
选用角点特征数目对背景差分和边缘检测得到的多个异物区域进一步删选，设定阈值去除角点数过少的部分。
10.如权利要求1所述的一种基于深度学习的道面异物检测方法，其特征在于，步骤3中，深度学习模块用于接收预处理得到的多个100*100的图像块，使用离线训练好的模型将图像块中的异物分为P个类别；在对模型进行训练时调整模型参数偏向于100％的检测率，并对异物的类别进行识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910080818.1A CN109886935A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的道面异物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910080818.1A CN109886935A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的道面异物检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109886935A true CN109886935A (zh) | 2019-06-14 |
Family
ID=66927073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910080818.1A Pending CN109886935A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的道面异物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886935A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110916646A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于faster-rcnn的qrs波检测方法 |
| CN110916645A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种结合小波变换和图像分割网络的qrs波识别方法 |
| CN112508837A (zh) * | 2019-08-26 | 2021-03-16 | 天津新松机器人自动化有限公司 | 一种可用于深度图纹理检测的算子 |
| CN113128321A (zh) * | 2020-01-16 | 2021-07-16 | 宁波微科光电股份有限公司 | 一种地铁门异物检测方法 |
| CN114463258A (zh) * | 2021-12-23 | 2022-05-10 | 中铁第一勘察设计院集团有限公司 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
| CN116468729A (zh) * | 2023-06-20 | 2023-07-21 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、系统及计算机 |
| CN116993740A (zh) * | 2023-09-28 | 2023-11-03 | 山东万世机械科技有限公司 | 基于图像数据的混凝土结构表面缺陷检测方法 |
| CN114463258B (zh) * | 2021-12-23 | 2024-04-30 | 中铁第一勘察设计院集团有限公司 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130058534A1 (en) * | 2010-05-14 | 2013-03-07 | Conti Temic Microelectronic Gmbh | Method for Road Sign Recognition |
| CN103473792A (zh) * | 2013-09-11 | 2013-12-25 | 清华大学深圳研究生院 | 一种运动目标检测方法 |
| CN106845346A (zh) * | 2016-12-16 | 2017-06-13 | 北京无线电计量测试研究所 | 一种用于机场跑道异物检测的图像检测方法 |
| CN106952474A (zh) * | 2017-04-12 | 2017-07-14 | 湖南源信光电科技股份有限公司 | 基于运动车辆检测的车流量统计方法 |
| CN108985170A (zh) * | 2018-06-15 | 2018-12-11 | 山东信通电子股份有限公司 | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 |
| CN109086656A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技（深圳）有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
| CN113362375A (zh) * | 2021-06-16 | 2021-09-07 | 江铃汽车股份有限公司 | 用于车辆的运动目标检测方法 |
-
2019
- 2019-01-28 CN CN201910080818.1A patent/CN109886935A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130058534A1 (en) * | 2010-05-14 | 2013-03-07 | Conti Temic Microelectronic Gmbh | Method for Road Sign Recognition |
| CN103473792A (zh) * | 2013-09-11 | 2013-12-25 | 清华大学深圳研究生院 | 一种运动目标检测方法 |
| CN106845346A (zh) * | 2016-12-16 | 2017-06-13 | 北京无线电计量测试研究所 | 一种用于机场跑道异物检测的图像检测方法 |
| CN106952474A (zh) * | 2017-04-12 | 2017-07-14 | 湖南源信光电科技股份有限公司 | 基于运动车辆检测的车流量统计方法 |
| CN109086656A (zh) * | 2018-06-06 | 2018-12-25 | 平安科技（深圳）有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
| CN108985170A (zh) * | 2018-06-15 | 2018-12-11 | 山东信通电子股份有限公司 | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 |
| CN113362375A (zh) * | 2021-06-16 | 2021-09-07 | 江铃汽车股份有限公司 | 用于车辆的运动目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘迪等: ""机场道面复杂背景下异物特征分析与检测"", 《电子设计工程》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508837A (zh) * | 2019-08-26 | 2021-03-16 | 天津新松机器人自动化有限公司 | 一种可用于深度图纹理检测的算子 |
| CN110916646A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于faster-rcnn的qrs波检测方法 |
| CN110916645A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种结合小波变换和图像分割网络的qrs波识别方法 |
| CN113128321A (zh) * | 2020-01-16 | 2021-07-16 | 宁波微科光电股份有限公司 | 一种地铁门异物检测方法 |
| CN113128321B (zh) * | 2020-01-16 | 2023-06-16 | 宁波微科光电股份有限公司 | 一种地铁门异物检测方法 |
| CN114463258A (zh) * | 2021-12-23 | 2022-05-10 | 中铁第一勘察设计院集团有限公司 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
| CN114463258B (zh) * | 2021-12-23 | 2024-04-30 | 中铁第一勘察设计院集团有限公司 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
| CN116468729A (zh) * | 2023-06-20 | 2023-07-21 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、系统及计算机 |
| CN116468729B (zh) * | 2023-06-20 | 2023-09-12 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、系统及计算机 |
| CN116993740A (zh) * | 2023-09-28 | 2023-11-03 | 山东万世机械科技有限公司 | 基于图像数据的混凝土结构表面缺陷检测方法 |
| CN116993740B (zh) * | 2023-09-28 | 2023-12-19 | 山东万世机械科技有限公司 | 基于图像数据的混凝土结构表面缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886935A (zh) | 一种基于深度学习的道面异物检测方法 | |
| CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
| CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
| CN107203973B (zh) | 一种三维激光扫描系统中线激光中心的亚像素定位方法 | |
| Kim et al. | Adaptive smoothness constraints for efficient stereo matching using texture and edge information | |
| CN108694393A (zh) | 一种基于深度卷积的证件图像文本区域提取方法 | |
| CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
| CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
| CN105046252A (zh) | 一种人民币冠字码识别方法 | |
| CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
| CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
| CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
| CN107832674B (zh) | 一种车道线检测方法 | |
| CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
| CN112232222B (zh) | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 | |
| CN105913425B (zh) | 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法 | |
| CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
| CN108256385A (zh) | 基于视觉的前方车辆检测方法 | |
| CN108038482A (zh) | 一种汽车发动机缸体序列号视觉智能识别系统 | |
| CN104537632A (zh) | 基于边缘提取的红外图像直方图增强方法 | |
| CN106600615A (zh) | 一种图像边缘检测算法评价系统及方法 | |
| CN104408430B (zh) | 一种车牌定位方法及装置 | |
| CN106384103A (zh) | 一种车脸识别方法及装置 | |
| CN110956616A (zh) | 一种基于立体视觉的目标检测方法及系统 | |
| CN116309780A (zh) | 一种基于目标检测的水尺水位识别方法 |
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 |