CN110211102B - 一种无人网络租售机之羽毛球拍断线检测方法 - Google Patents

一种无人网络租售机之羽毛球拍断线检测方法 Download PDF

Info

Publication number
CN110211102B
CN110211102B CN201910432543.3A CN201910432543A CN110211102B CN 110211102 B CN110211102 B CN 110211102B CN 201910432543 A CN201910432543 A CN 201910432543A CN 110211102 B CN110211102 B CN 110211102B
Authority
CN
China
Prior art keywords
image
racket
straight line
badminton
badminton racket
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
CN201910432543.3A
Other languages
English (en)
Other versions
CN110211102A (zh
Inventor
汤红富
杨平
赵世新
李腾
李同强
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.)
Hangzhou Lianglin Electronics Technology Co ltd
Original Assignee
Hangzhou Lianglin Electronics Technology Co ltd
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 Hangzhou Lianglin Electronics Technology Co ltd filed Critical Hangzhou Lianglin Electronics Technology Co ltd
Priority to CN201910432543.3A priority Critical patent/CN110211102B/zh
Publication of CN110211102A publication Critical patent/CN110211102A/zh
Application granted granted Critical
Publication of CN110211102B publication Critical patent/CN110211102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/136—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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无人网络租售机之羽毛球拍断线检测方法。它具体包括如下步骤：采集拟租售的各种羽毛球球拍的图像训练循环神经网络并优化确定网络参数；在无人网络租售机的摄像头下采集拟出租的羽毛球球拍的标准图像；对拟返还的羽毛球球拍采集其图像识别出哪一种球拍以及对应的标准图像；以标准图像为参考图像，对采集出的图像配准；将图像转换为灰度图像做带阻滤波；对滤波后图像做二值分割，对二值分割出的前景部分进行区域连通；对图像做直线探测；将检测出的直线与标准图像已经标注好的直线做比照获得结果。本发明的有益效果是：采集对应的羽毛球球拍就可以实现自动检测羽毛球球拍上是否存在网线断裂的情况，确保该羽毛球能够被再次租售。

Description

一种无人网络租售机之羽毛球拍断线检测方法
技术领域
本发明涉及球拍检测相关技术领域，尤其是指一种无人网络租售机之羽毛球拍断线检测方法。
背景技术
羽毛球拍一般由拍头、拍杆、拍柄及拍框与拍杆的接头构成。一支球拍的长度不超过68厘米，其中球拍柄与球拍杆长度不超过42厘米，拍框长度不超过25厘米，宽为20厘米，随着科学技术的发展，球拍的发展向着重量越来越轻、拍框越来越硬、拍杆弹性越来越好、空气阻力越来越小的方向发展。
现有的羽毛球拍在租赁过程中往往存在羽毛球拍上的线断了，导致羽毛球拍无法再次被租赁，而用户在归还羽毛球拍时，无人网络租售机往往无法检测羽毛球拍的拍面上线是否已经断了。
发明内容
本发明是为了克服现有技术中存在上述的不足，提供了一种自动检测羽毛球拍线断裂的无人网络租售机之羽毛球拍断线检测方法。
为了实现上述目的，本发明采用以下技术方案：
一种无人网络租售机之羽毛球拍断线检测方法，具体包括如下步骤：
(1)采集拟租售的各种羽毛球球拍的图像若干幅，然后将采集图像的80％用于训练循环神经网络，训练好之后用剩余的20％采集图像进行测试并优化确定网络参数；
(2)在无人网络租售机的摄像头下采集拟出租的羽毛球球拍的标准图像若干幅，分别命名为IMG1、IMGP2、…、IMGPN，然后在这些标准图像上通过手工标注的方式获得每个球拍中每根网线的起始坐标和终止坐标，以及每种球拍的网线的根数；
(3)当拟返还的羽毛球球拍被放到无人租售机的摄像头下时，采集其图像IMG，然后调用步骤(1)中已训练好的循环神经网络识别出该球拍是哪一种球拍，这种球拍的标准图像为步骤(2)中第i幅的标准图像IMGi，1≤i≤N；
(4)以标准图像IMGi为参考图像，对步骤(3)中采集出的图像IMG先做基于特征点的图像配准，保存配准后图像为IMG_CALI，使其与参考图像的坐标达到一致；
(5)将图像IMG_CALI转换为灰度图像IMG_GRAY，之后对其做带阻滤波，得到滤波后图像IMG_FILTER；
(6)对滤波后图像IMG_FILTER做二值分割，采用大津法实现自动分割，将图像IMG_FILTER中所有大于前景和背景的分割阈值的图像像素做为前景分割出来；
(7)对二值分割出的前景部分进行区域连通，然后将连通的区域做一次膨胀处理，对应这些区域找到图像IMG_GRAY中对应部分的图像IMageReduced；
(8)对图像IMageReduced做直线探测；
(9)将在步骤(5)中检测出的直线与标准图像IMGi已经标注好的直线做比照，若检测出的直线与标准图像中的各条直线都基本重合，没有断续则认为球拍的网线没有断线情况，可以退还；而若标准图像对应的网线位置在我们检测出的直线中没有对应或出现不连续情况，可以认定球拍网线应已有断裂情况出现。
采用上述方法的设计，在无人租售机的摄像头前面，通过采集对应的羽毛球球拍就可以实现自动检测羽毛球球拍上是否存在网线断裂的情况，从而确保该羽毛球能够被再次租售。
作为优选，在步骤(1)中，在各种光照及背景条件下采集球拍图像，每种球拍图像不少于200张。
作为优选，在步骤(1)中，循环神经网络包括卷积神经网络和残差单元组合成为卷积残差网络，利用卷积残差网络构造多分类模型并进行训练，提取最优训练模型下的网络参数；然后再利用迁移学习继续优化模型，保存最优模型下的网络参数。
作为优选，在步骤(4)中，配准的具体操作步骤如下：对步骤(3)中采集出的图像IMG先做定位处理，如果选取图像IMG中的特征区域进行角点检测，其中角点检测采用harris角点检测算法，然后在检出的角点中选择三个特征点做进一步的特征匹配，来计算其仿射变换系数，根据求出的仿射变换系数对图像IMG进行仿射变换，之后对图像IMG进行剪切就可以得到配准之后的图像结果了。
作为优选，仿射变换系数的计算公式如下：
Figure GDA0002753684370000031
其中：x＇、y＇为变换后图像像素点的x，y坐标，x、y为变换前图像像素点的x，y坐标，a11、a12、a21、a22为旋转缩放尺度，a13、a23为平移量。
作为优选，在步骤(5)中，在做带阻滤波时，n阶ButterWorth滤波器的传递函数如下：
Figure GDA0002753684370000041
其中：W是带阻的宽度，D0是带阻的中心半径，D(u，v)是(u2+v2)1/2，表示点(u，v)到原点的距离，H(u，v)为传递函数。
作为优选，在步骤(6)中，采用大津法实现自动分割的具体操作步骤如下：对于图像IMG_FILTER，前景和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1，图像的总平均灰度记为μ，类间方差记假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有
ω0＝N0/M×N (1)
ω1＝N1/M×N (2)
N0+N1＝M×N (3)
ω0+ω1＝1 (4)
μ＝ω0*μ0+ω1*μ1 (5)
g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
将式(5)代入式(6)得到等价公式
g＝ω0ω1(μ0-μ1)^2 (7)
g就是类间方差，采用遍历的方法得到使类间方差g最大的阈值T，即为所求。
作为优选，在步骤(8)中，直线探测采用RHT-LSM直线探测算法，即：首先用随机Hough变换确定直线的大致位置；然后，利用所得直线参数，计算图像中的点到直线的距离，根据距离，可以确定每条直线附近的点集，剔除干扰点和噪声；最后，用最小二乘法对点集中的各点进行拟合，得到精确的直线参量。
本发明的有益效果是：通过采集对应的羽毛球球拍就可以实现自动检测羽毛球球拍上是否存在网线断裂的情况，从而确保该羽毛球能够被再次租售。
附图说明
图1是本发明的配准方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
一种无人网络租售机之羽毛球拍断线检测方法，具体包括如下步骤：
(1)采集拟租售的各种羽毛球球拍的图像若干幅，然后将采集图像的80％用于训练循环神经网络，训练好之后用剩余的20％采集图像进行测试并优化确定网络参数；在各种光照及背景条件下采集球拍图像，每种球拍图像不少于200张；循环神经网络包括卷积神经网络和残差单元组合成为卷积残差网络，利用卷积残差网络构造多分类模型并进行训练，提取最优训练模型下的网络参数；然后再利用迁移学习继续优化模型，保存最优模型下的网络参数；
(2)在无人网络租售机的摄像头下采集拟出租的羽毛球球拍的标准图像若干幅，分别命名为IMG1、IMGP2、…、IMGPN，然后在这些标准图像上通过手工标注的方式获得每个球拍中每根网线的起始坐标和终止坐标，以及每种球拍的网线的根数；
(3)当拟返还的羽毛球球拍被放到无人租售机的摄像头下时，采集其图像IMG，然后调用步骤(1)中已训练好的循环神经网络识别出该球拍是哪一种球拍，这种球拍的标准图像为步骤(2)中第i幅的标准图像IMGi，1≤i≤N；
(4)以标准图像IMGi为参考图像，对步骤(3)中采集出的图像IMG先做基于特征点的图像配准，保存配准后图像为IMG_CALI，使其与参考图像的坐标达到一致；
如图1所示，配准的具体操作步骤如下：对步骤(3)中采集出的图像IMG先做定位处理，如果选取图像IMG中的特征区域进行角点检测，其中角点检测采用harris角点检测算法，然后在检出的角点中选择三个特征点做进一步的特征匹配，来计算其仿射变换系数，仿射变换系数的计算公式如下：
Figure GDA0002753684370000061
其中：x＇、y＇为变换后图像像素点的x，y坐标，x、y为变换前图像像素点的x，y坐标，a11、a12、a21、a22为旋转缩放尺度，a13、a23为平移量，根据求出的仿射变换系数对图像IMG进行仿射变换，之后对图像IMG进行剪切就可以得到配准之后的图像结果了；
(5)将图像IMG_CALI转换为灰度图像IMG_GRAY，之后对其做带阻滤波，得到滤波后图像IMG_FILTER；在做带阻滤波时，n阶ButterWorth滤波器的传递函数如下：
Figure GDA0002753684370000071
其中：W是带阻的宽度，D0是带阻的中心半径，D(u，v)是(u2+v2)1/2，表示点(u，v)到原点的距离，H(u，v)为传递函数；
(6)对滤波后图像IMG_FILTER做二值分割，采用大津法实现自动分割，将图像IMG_FILTER中所有大于前景和背景的分割阈值的图像像素做为前景分割出来；
采用大津法实现自动分割的具体操作步骤如下：对于图像IMG_FILTER，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1，图像的总平均灰度记为μ，类间方差记假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有
ω0＝N0/M×N (1)
ω1＝N1/M×N (2)
N0+N1＝M×N (3)
ω0+ω1＝1 (4)
μ＝ω0*μ0+ω1*μ1 (5)
g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
将式(5)代入式(6)得到等价公式
g＝ω0ω1(μ0-μ1)^2 (7)
g就是类间方差，采用遍历的方法得到使类间方差g最大的阈值T，即为所求；
(7)对二值分割出的前景部分进行区域连通，然后将连通的区域做一次膨胀处理，对应这些区域找到图像IMG_GRAY中对应部分的图像IMageReduced；
(8)对图像IMageReduced做直线探测；直线探测采用RHT-LSM直线探测算法，即：首先用随机Hough(RHT)变换确定直线的大致位置；然后，利用所得直线参数，计算图像中的点到直线的距离，根据距离，可以确定每条直线附近的点集，剔除干扰点和噪声；最后，用最小二乘法(LSM)对点集中的各点进行拟合，得到精确的直线参量；
(9)将在步骤(5)中检测出的直线与标准图像IMGi已经标注好的直线做比照，若检测出的直线与标准图像中的各条直线都基本重合，没有断续则认为球拍的网线没有断线情况，可以退还；而若标准图像对应的网线位置在我们检测出的直线中没有对应或出现不连续情况，可以认定球拍网线应已有断裂情况出现。

Claims (8)

1.一种无人网络租售机之羽毛球拍断线检测方法，其特征是，具体包括如下步骤：
(1)采集拟租售的各种羽毛球球拍的图像若干幅，然后将采集图像的80％用于训练循环神经网络，训练好之后用剩余的20％采集图像进行测试并优化确定网络参数；
(2)在无人网络租售机的摄像头下采集拟出租的羽毛球球拍的标准图像若干幅，分别命名为IMG1、IMGP2、…、IMGPN，然后在这些标准图像上通过手工标注的方式获得每个球拍中每根网线的起始坐标和终止坐标，以及每种球拍的网线的根数；
(3)当拟返还的羽毛球球拍被放到无人租售机的摄像头下时，采集其图像IMG，然后调用步骤(1)中已训练好的循环神经网络识别出该球拍是哪一种球拍，这种球拍的标准图像为步骤(2)中第i幅的标准图像IMGi，1≤i≤N；
(4)以标准图像IMGi为参考图像，对步骤(3)中采集出的图像IMG先做基于特征点的图像配准，保存配准后图像为IMG_CALI，使其与参考图像的坐标达到一致；
(5)将图像IMG_CALI转换为灰度图像IMG_GRAY，之后对其做带阻滤波，得到滤波后图像IMG_FILTER；
(6)对滤波后图像IMG_FILTER做二值分割，采用大津法实现自动分割，将图像IMG_FILTER中所有大于前景和背景的分割阈值的图像像素做为前景分割出来；
(7)对二值分割出的前景部分进行区域连通，然后将连通的区域做一次膨胀处理，对应这些区域找到图像IMG_GRAY中对应部分的图像IMageReduced；
(8)对图像IMageReduced做直线探测；
(9)将在步骤(5)中检测出的直线与标准图像IMGi已经标注好的直线做比照，若检测出的直线与标准图像中的各条直线都基本重合，没有断续则认为球拍的网线没有断线情况，可以退还；而若标准图像对应的网线位置在我们检测出的直线中没有对应或出现不连续情况，可以认定球拍网线应已有断裂情况出现。
2.根据权利要求1所述的一种无人网络租售机之羽毛球拍断线检测方法，其特征是，在步骤(1)中，在各种光照及背景条件下采集球拍图像，每种球拍图像不少于200张。
3.根据权利要求1或2所述的一种无人网络租售机之羽毛球拍断线检测方法，其特征是，在步骤(1)中，循环神经网络包括卷积神经网络和残差单元组合成为卷积残差网络，利用卷积残差网络构造多分类模型并进行训练，提取最优训练模型下的网络参数；然后再利用迁移学习继续优化模型，保存最优模型下的网络参数。
4.根据权利要求1所述的一种无人网络租售机之羽毛球拍断线检测方法，其特征是，在步骤(4)中，配准的具体操作步骤如下：对步骤(3)中采集出的图像IMG先做定位处理，如果选取图像IMG中的特征区域进行角点检测，其中角点检测采用harris角点检测算法，然后在检出的角点中选择三个特征点做进一步的特征匹配，来计算其仿射变换系数，根据求出的仿射变换系数对图像IMG进行仿射变换，之后对图像IMG进行剪切就可以得到配准之后的图像结果了。
5.根据权利要求4所述的一种无人网络租售机之羽毛球拍断线检测方法，其特征是，仿射变换系数的计算公式如下：
Figure FDA0002753684360000031
其中：x＇、y＇为变换后图像像素点的x，y坐标，x、y为变换前图像像素点的x，y坐标，a11、a12、a21、a22为旋转缩放尺度，a13、a23为平移量。
6.根据权利要求1所述的一种无人网络租售机之羽毛球拍断线检测方法，其特征是，在步骤(5)中，在做带阻滤波时，n阶ButterWorth滤波器的传递函数如下：
Figure FDA0002753684360000032
其中：W是带阻的宽度，D0是带阻的中心半径，D(u，v)是(u2+v2)1/2，表示点(u，v)到原点的距离，H(u，v)为传递函数。
7.根据权利要求1所述的一种无人网络租售机之羽毛球拍断线检测方法，其特征是，在步骤(6)中，采用大津法实现自动分割的具体操作步骤如下：对于图像IMG_FILTER，前景和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1，图像的总平均灰度记为μ，类间方差记假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有
ω0＝N0/M×N (1)
ω1＝N1/M×N (2)
N0+N1＝M×N (3)
ω0+ω1＝1 (4)
μ＝ω0*μ0+ω1*μ1 (5)
g＝ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
将式(5)代入式(6)得到等价公式
g＝ω0ω1(μ0-μ1)^2 (7)
g就是类间方差，采用遍历的方法得到使类间方差g最大的阈值T，即为所求。
8.根据权利要求1所述的一种无人网络租售机之羽毛球拍断线检测方法，其特征是，在步骤(8)中，直线探测采用RHT-LSM直线探测算法，即：首先用随机Hough变换确定直线的大致位置；然后，利用所得直线参数，计算图像中的点到直线的距离，根据距离，可以确定每条直线附近的点集，剔除干扰点和噪声；最后，用最小二乘法对点集中的各点进行拟合，得到精确的直线参量。
CN201910432543.3A 2019-05-23 2019-05-23 一种无人网络租售机之羽毛球拍断线检测方法 Active CN110211102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910432543.3A CN110211102B (zh) 2019-05-23 2019-05-23 一种无人网络租售机之羽毛球拍断线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910432543.3A CN110211102B (zh) 2019-05-23 2019-05-23 一种无人网络租售机之羽毛球拍断线检测方法

Publications (2)

Publication Number Publication Date
CN110211102A CN110211102A (zh) 2019-09-06
CN110211102B true CN110211102B (zh) 2021-01-19

Family

ID=67788254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910432543.3A Active CN110211102B (zh) 2019-05-23 2019-05-23 一种无人网络租售机之羽毛球拍断线检测方法

Country Status (1)

Country Link
CN (1) CN110211102B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381800B (zh) * 2020-11-16 2021-08-31 广东电网有限责任公司肇庆供电局 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732900A (zh) * 2013-12-20 2015-06-24 昆山国显光电有限公司 像素缺陷检测方法和装置
CN107180422A (zh) * 2017-04-02 2017-09-19 南京汇川图像视觉技术有限公司 一种基于词袋特征的标贴破损检测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9965678B2 (en) * 2016-06-29 2018-05-08 Konica Minolta Laboratory U.S.A., Inc. Method for recognizing table and flowchart in document images
CN106204618A (zh) * 2016-07-20 2016-12-07 南京文采科技有限责任公司 基于机器视觉的产品包装表面缺陷检测与分类方法
CN107564002A (zh) * 2017-09-14 2018-01-09 广东工业大学 塑料管表面缺陷检测方法、系统及计算机可读存储介质
CN108665464A (zh) * 2018-04-03 2018-10-16 电子科技大学 一种基于形态学的高压电塔及高压电线的异物检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732900A (zh) * 2013-12-20 2015-06-24 昆山国显光电有限公司 像素缺陷检测方法和装置
CN107180422A (zh) * 2017-04-02 2017-09-19 南京汇川图像视觉技术有限公司 一种基于词袋特征的标贴破损检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A sparse representation method for image-based surface defect detection;Yao Ming-hai;《OPTOELECTRONICS LETTERS》;20181130;第14卷(第6期);全文 *
基于视觉的经编机纺纱断线检测技术研究;谢一首;《科技创新》;20171231;全文 *

Also Published As

Publication number Publication date
CN110211102A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN106845408B (zh) 一种复杂环境下的街道垃圾识别方法
CN109191459B (zh) 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法
CN110544251B (zh) 基于多迁移学习模型融合的大坝裂缝检测方法
CN108009515B (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN106680285B (zh) 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法
WO2022236876A1 (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN113012157B (zh) 一种设备缺陷视觉检测方法及系统
CN105572143B (zh) 压延过程中压延材料表面周期性缺陷的检测方法
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN110211102B (zh) 一种无人网络租售机之羽毛球拍断线检测方法
CN114332096A (zh) 基于深度学习的猪场猪只实例分割方法
CN113781435A (zh) 一种基于yolov5网络的香烟小包外观缺陷检测方法
CN115841633A (zh) 一种电力塔和电力线关联矫正的电力塔和电力线检测方法
CN115620279A (zh) 基于计算机视觉的豆荚表型分析方法、系统及装置
CN112084851A (zh) 手卫生效果检测方法、装置、设备及介质
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法
CN116758085B (zh) 一种气体污染红外图像视觉辅助检测方法
CN117237990A (zh) 群养猪只体重的估测方法、装置、电子设备及存储介质
CN108898080B (zh) 一种基于山脊线邻域评价模型的裂缝连接方法
CN116309447A (zh) 一种基于深度学习的水坝斜坡裂缝检测方法
CN110853097A (zh) 一种应用于饼干表面图案打印设备的饼干识别定位方法
CN110598669A (zh) 一种复杂场景中人群密度的检测方法和系统
CN113343942B (zh) 一种遥感图像缺陷检测方法

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