CN110232692B - 一种基于改进种子填充算法的电气设备热源区域分离方法 - Google Patents
一种基于改进种子填充算法的电气设备热源区域分离方法 Download PDFInfo
- Publication number
- CN110232692B CN110232692B CN201910429324.XA CN201910429324A CN110232692B CN 110232692 B CN110232692 B CN 110232692B CN 201910429324 A CN201910429324 A CN 201910429324A CN 110232692 B CN110232692 B CN 110232692B
- Authority
- CN
- China
- Prior art keywords
- frequency component
- image
- point
- low
- seed
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000011049 filling Methods 0.000 title claims abstract description 24
- 238000000926 separation method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000001931 thermography Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000002146 bilateral effect Effects 0.000 claims abstract description 9
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 101100394003 Butyrivibrio fibrisolvens end1 gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
Abstract
本发明公开了一种基于改进种子填充算法的电气设备热源区域分离方法,包括:(1)使用红外热成像传感器对电气设备进行温度监测,获取红外热像图,并进一步得到红外热成像的灰度图;(2)采用双边滤波方法分离灰度图,得到高频分量与低频分量,对高频分量和低频分量分别进行图像增强处理后再进行融合;(3)使用自适应确定分类数目的K‑means聚类算法对步骤(2)处理后的灰度图进行聚类处理,分离低灰度的背景层,进一步突出高频主体;(4)使用改进的种子填充算法,优选种子点,并依据种子点以及填充的边界条件,分割主要热点区域。利用本发明,能够快速、准确、合理的分离出电气设备红外图像中的热点区域。
Description
技术领域
本发明属于图像分割及特征分离提取领域,尤其是涉及一种基于改进种子填充算法的电气设备热源区域分离方法。
背景技术
将红外热成像技术,应用于电气设备的故障检测由来已久,但传统的电气设备热故障检测均由人工完成,不仅效率低下且结果的可靠程度有着极大的不确定性。近几年来随着人工智能的不断发展,电气设备的故障检测逐渐由效率低下可靠度低下的人工转向为高效精准的计算机完成。
但是红外热像图不同于可见光图像,红外热像具有低分辨率、低对比度、高噪声等特点,这对图像的特征提取造成了巨大困难,为计算机完成故障检测带来了巨大障碍。因此,对红外图像进行预处理,提取出更多更准确的对象特征,对电气设备红外故障检测显得尤为重要。
在进行红外热点特征提取时,热点区域的分割提取具有重要的意义。一些基础的图像分割方法,如阈值分割方法需要面临如何计算选取合理的分割阈值,最常见的最大类间方差法也因计算量巨大而难以应用到实际,再例如基于边缘的图像分割方法,会产生边缘检测时抗噪性能与检测精确度的矛盾,若检测精度过高则会因为噪声而产生虚假的边缘,若提高抗噪性则容易产生边缘检测的遗漏和偏差。
《系统仿真学报》2017年6月“改进二维OTSU和自适应遗传算法的红外图像分割”文献公开了改进的二维OTSU算法和自适应遗传算法相结合的方法,提高了阈值查找速度和红外图像的分割效率,但是遗传算法的终止的遗传代数是认为根据图像复杂程度人为设定的,在加速运算和智能选择遗传代数方面需要过多人工优化,因此分割效果普适性不强。
发明内容
本发明提供了一种基于改进种子填充算法的电气设备热源区域分离方法,能快速、准确、合理的分离出电气设备红外图像中的重要热源区域。
本发明的技术方案如下:
一种基于改进种子填充算法的电气设备热源区域分离方法,包括:
(1)使用红外热成像传感器对交流接触器、交换机等电气设备进行温度监测,获取红外热像图,并进一步得到红外热成像的灰度图;
(2)采用双边滤波方法分离灰度图,得到高频分量与低频分量,对高频分量和低频分量分别进行图像增强处理后再进行融合;
(3)使用自适应确定分类数目的K-means聚类算法对步骤(2)处理后的灰度图进行聚类处理,分离低灰度的背景层,进一步突出高频主体;
(4)使用改进的种子填充算法,通过设置温度的极值点、极值点的梯度分布和极值点温度三个条件优选种子点,并依据种子点以及填充的边界条件,分割主要热点区域。
本发明利用双边滤波及K-means聚类方法对原始红外图进行预处理,后使用改进的种子填充算法,依据热点阈值以及热点形态学分布情况完成红外图像的热点分割,能快速、准确、合理的分离出电气设备热源区域。
步骤(1)中,得到红外灰度图的具体步骤为:使用红外热成像传感器获得电气设备的温度分布图,将红外温度矩阵换为灰度矩阵,即得红外热成像的灰度图。
步骤(2)中,所述的低频分量是由灰度图,经双边滤波后所得,高频分量由红外灰度图与低频分量做差所得。
所述图像增强处理具体为:使用小波变换对高频分量进行高频增强,对低频分量进行高频抑制。
步骤(3)的具体步骤为:
(3-1)将每一类质心点与该类所有点距离之和求和,当该值趋于平缓时的拐点处的K值,即为最佳K值,即:
(3-2)使用K-means聚类算法对步骤(2)处理后的灰度图进行聚类处理,取聚类后所有质心中,灰度值最小的质心所在层,将该类灰度值置零。
步骤(4)中,所述种子点的的优选条件包括:
(4-1)首先,该种子点I(x,y)必须为热像图的一个极大值点
(4-2)其次,该种子点I(x,y)的x、y两个方向的梯度必须满足以下关系
式中grad0.8为全图所有点梯度模降序排序后80%处的梯度值
(4-3)最后,该种子点I(x,y)的温度值必须满足以下关系
T(x,y)>T0.8
式中为热点温度值,为全图所有热点温度降序排序后80%处的温度值。
步骤(4)中,所述填充的边界条件为:
首先,边界点与种子点的温差需满足以下关系
|Tedge-T(x0,y0)|<α(T(x0,y0)-Tmin)
式中,Tedge为边界点温度值,T(x0,y0)为与边界点对应的种子点温度值,Tmin为全图中温度最低点的温度值,0<α<1,用于控制相对温差阈值范围;
其次,所有边界点的梯度值必须沿填充方向递增。
与现有技术相比,本发明具有以下有益效果:
1、本发明能够实现多种电气设备红外图像增强、滤波降噪、自适应种子区域分割。其中种子的选取与区域的扩展规则根据电气设备本身性质而定,适应性强,满足多种环境下的需要,能够快速准确的分离出电气设备的主要热源区域。
2、本发明解决了红外成像中噪声过大、目标与背景区分不明显等缺陷对分析故障造成的难题,极大地简化了人工识别红外故障的重复性操作,提高了红外故障检测的效率和可靠性,也为电气设备预测性维护提供了数据预处理算法支撑,对电气设备的故障检测和智能运维有重要意义。
附图说明
图1为本发明一种基于改进种子填充算法的电气设备热源区域分离方法的流程示意图;
图2为本发明实施例中两个监测目标的可见光图;
图3为本发明实施例中两个监测目标的红外热成像灰度图;
图4为图3经过双边滤波处理后的低频背景主题图;
图5为图3经过双边滤波处理后的高频细节图;
图6为图4和图5经小波变换增强后的融合图;
图7为聚类层数优选过程中所有类内距离和随K的变化图;
图8为基于自适应分类数K-means聚类算法剔除背景后的热像图;
图9为基于改进种子填充算法提取出的热点填充种子图;
图10为基于改进种子填充算法填充分割出的发热区域图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于改进种子填充算法的电气设备热源区域分离方法,对实际采集到的电气设备红外热像信息进行处理分析,具体步骤描述如下:
S01,红外热成像传感器对交流接触器、交换机等电气设备进行温度监测,获取红外热像图数据信息。本实施例中的检测目标如图2所示,需要指出的是,本实施例所涉及到的图2~图10中,(a)均对应的是ABB接触器A145-30,(b)均对应的是施耐德140 CPS 114 20型号。
两个监测目标对应的红外热成像灰度图如图3所示。
S02,对所获得的灰度图进行双滤波处理,得到红外热像图中的低频分量,低频分量与原图做差得高频分量,而后使用小波变换分别对高低频部分做增强与抑制处理。
(2-1)此过程在matlab中的一种实现方法可以是使用与像素点位置相关的因子
以及与像素点空间距离相关的因子
合成双边滤波因子
式中δd、δr分别为位置距离因子与尺度因子。
以W(x,y,i,j)对如图3所示的原灰度图进行双边滤波处理即可得到如图4所示的低频背景部分。使用图3与图4做差,即可达到图中的高频细节部分,如图5所示。
(2-2)使用小波变换对低频背景部分进行高频抑制,此过程在matlab中的实现过程为
[c_di,s_di]=wavedec2(image_di,N,’sym4’);
式中:c_di、s_d分别为图像小波分解后的各层分解系数与各层分解系数长度;image_di为待处理的二维红外图像灰度矩阵;N为小波分解层数;‘sym4’为小波基函数;wavedec2表示二维数据小波分解。而后实现对低频部分的高频抑制,此过程在MATLAB中的语句为:
式中:c为处理后的小波系数;lf_pf为低频处理系数;hf_pf为高频处理系数。end1为高频分解系数的末值;begin1为低频分解系数与高频分解系数的分界。
(2-3)同理,使用小波分解对获得的高频细节部分进行高频增强,此过程在matlab中的实现过程同(2-2),但需要改变lf_pf与hf_pf的取值。最后将(2-2),(2-3)所得图像进行融合,最终得到如图6所示的融合的灰度图。
S03,使用自适应确定分类数目的K-means聚类算法对处理后的灰度图进行聚类处理,分离低灰度的背景层,进一步突出高频主体.
(3-1)分类数目的自适应选取过程在matlab上的实现过程可以为
式中,K_max为循环次数,亦为分类的最多类数;idx为每类质心;c为每个点所属的类;sumd为每类中点与质心距离之和;d为每个点到质心的距离;image为上一步融合后的像素矩阵;Sum_Sumd即为所有类中点到该类质心距离之和的总和。
例如,当K_max取10时,我们可以得到sum_sumd随K值变化曲线,如图7所示。之后求出图像中的“拐点”,即求出二阶导数的最小值所对应的K值,即为最佳K值,最终求得图7对应的最佳值分别为5和4。
(3-2)当获得了最佳分类的取值之后,按照此值进行类聚操作,此过程的matlab实现为:
[idx,c,sumd,d]=kmeans(image,4);
接下来根据idx返回的质心确定最小质心所在类,再根据C返回的每一点所在类确定最小质心所在类中的所有点,将这些点置零,以达到分离底层背景的目的,本实施例的处理结果如图8所示。
S04,使用改进的种子填充算法,基于热点极大值、热点形态学梯度变化情况,分割主要热点区域。
(4-1)首先我们通过温度的极值点、极值点的梯度分布、极值点温度筛选种子点,此步骤在matlab中实现过程可以为:
B1=imregionalmax(image);
[image_1~]=sort(image(:));
B_max=image>image_1(0.8*19200);
[gradx,grady]=gradient(image);
gradx=abs(gradx);
grady=abs(grady);
[gradx_1~]=sort(gradx(:));
B_gradx=gradx>gradx_1(0.8*19200);
[grady_1~]=sort(grady(:));
B_grady=grady>grady_1(0.8*19200);
B_grad=B_gradx&B_grady;
B=B1&B_max&B_grad;
式中,image为上述步骤处理得到的最终红外灰度图矩阵;gradx、grady分别为每一点的x、y方向的梯度值。B1限定种子点必须为极值点、B_max限定种子点的温度范围、B_grad限定种子点的梯度范围。式中通过限定种子点必须为极值点、温度值必须在全图的前80%,梯度必须在全图的前80%,最终得到的种子点如图9所示。
(4-2)接着,我们依据得到的种子点,按照种子点的两个填充规则进行区域填充,
|Tedge-T(x0,y0)|<α(T(x0,y0)-Tmin)
在本实施例中α的取值为0.2,最终我们得到如图10所示的区域填充图。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于改进种子填充算法的电气设备热源区域分离方法,其特征在于,包括:
(1)使用红外热成像传感器对电气设备进行温度监测,获取红外热像图,并进一步得到红外热像图的灰度图;
(2)采用双边滤波方法分离灰度图,得到高频分量与低频分量,对高频分量和低频分量分别进行图像增强处理后再进行融合;所述的低频分量是由红外灰度图经双边滤波后所得,高频分量由红外灰度图与低频分量做差所得;所述图像增强处理具体为:使用小波变换对高频分量进行高频增强,对低频分量进行高频抑制;
(3)使用自适应确定分类数目的K-means聚类算法对步骤(2)处理后的灰度图进行聚类处理,分离低灰度的背景层,进一步突出高频主体;具体步骤为:
(3-1)将每一类质心点与该类所有点距离之和求和,当该值趋于平缓时的拐点处的K值,即为最佳K值,即:
(3-2)使用K-means聚类算法对步骤(2)处理后的红外灰度图进行聚类处理,取聚类后所有质心中,灰度值最小的质心所在层,将该类灰度值置零;
(4)使用改进的种子填充算法,通过设置温度是否极值点、极值点的梯度分布和极值点温度三个条件优选种子点,并依据种子点以及填充的边界条件,分割主要热点区域;所述种子点的的优选条件包括:
(4-1)首先,该种子点I(x,y)必须为热像图的一个极大值点
(4-2)其次,该种子点I(x,y)的x、y两个方向的梯度必须满足以下关系
式中grad0.8为红外热成像灰度图所有点梯度模降序排序后80%处的梯度值;
(4-3)最后,该种子点I(x,y)的温度值必须满足以下关系
T(x,y)>T0.8
式中为热点温度值,为红外热成像灰度图所有热点温度降序排序后80%处的温度值;
所述填充的边界条件为:
首先,边界点与种子点的温差需满足以下关系
|Tedge-T(x0,y0)|<α(T(x0,y0)-Tmin)
式中,Tedge为边界点温度值,T(x0,y0)为与边界点对应的种子点温度值,Tmin为红外热成像灰度图中温度最低点的温度值,0<α<1,用于控制相对温差阈值范围;
其次,所有边界点的梯度值必须沿填充方向递增。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910429324.XA CN110232692B (zh) | 2019-05-22 | 2019-05-22 | 一种基于改进种子填充算法的电气设备热源区域分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910429324.XA CN110232692B (zh) | 2019-05-22 | 2019-05-22 | 一种基于改进种子填充算法的电气设备热源区域分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232692A CN110232692A (zh) | 2019-09-13 |
CN110232692B true CN110232692B (zh) | 2021-04-13 |
Family
ID=67860972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910429324.XA Active CN110232692B (zh) | 2019-05-22 | 2019-05-22 | 一种基于改进种子填充算法的电气设备热源区域分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232692B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850723B (zh) * | 2019-12-02 | 2023-01-03 | 西安科技大学 | 一种基于变电站巡检机器人系统的故障诊断及定位方法 |
CN111524224B (zh) * | 2020-04-13 | 2023-09-29 | 国家电网有限公司 | 一种电力变压器表面温度分布的全景成像方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706954A (zh) * | 2009-11-13 | 2010-05-12 | 北京中星微电子有限公司 | 图像增强方法和装置以及图像低频分量计算方法和装置 |
CN105405244A (zh) * | 2015-12-22 | 2016-03-16 | 山东神戎电子股份有限公司 | 一种用于森林防火的干扰源屏蔽方法 |
CN105844601A (zh) * | 2016-05-20 | 2016-08-10 | 中国矿业大学(北京) | 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法 |
CN107886670A (zh) * | 2017-10-17 | 2018-04-06 | 湖北林青测控科技有限公司 | 林区初期火灾快速识别与定位方法、存储介质、电子设备 |
CN107991999A (zh) * | 2017-11-09 | 2018-05-04 | 北京许继电气有限公司 | 电力电缆隧道综合监控系统和方法 |
CN108198171A (zh) * | 2017-12-27 | 2018-06-22 | 大连理工大学 | 一种基于服务器表面热状态的运行状态诊断的方法 |
CN105899884B (zh) * | 2014-03-20 | 2018-12-14 | 三菱电机株式会社 | 热源侧单元以及空调装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7286309B2 (en) * | 2004-01-28 | 2007-10-23 | Holliday Graham R | Infrared sight glass for aftermarket fitment |
US20110115766A1 (en) * | 2009-11-16 | 2011-05-19 | Sharp Laboratories Of America,Inc. | Energy efficient display system |
US20110125689A1 (en) * | 2009-11-24 | 2011-05-26 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | System and method for physical attribute status comparison of physical entities including physical entities associated with a social network and selected based on location information |
-
2019
- 2019-05-22 CN CN201910429324.XA patent/CN110232692B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706954A (zh) * | 2009-11-13 | 2010-05-12 | 北京中星微电子有限公司 | 图像增强方法和装置以及图像低频分量计算方法和装置 |
CN105899884B (zh) * | 2014-03-20 | 2018-12-14 | 三菱电机株式会社 | 热源侧单元以及空调装置 |
CN105405244A (zh) * | 2015-12-22 | 2016-03-16 | 山东神戎电子股份有限公司 | 一种用于森林防火的干扰源屏蔽方法 |
CN105844601A (zh) * | 2016-05-20 | 2016-08-10 | 中国矿业大学(北京) | 一种基于双边滤波和多尺度Retinex算法的矿井图像增强方法 |
CN107886670A (zh) * | 2017-10-17 | 2018-04-06 | 湖北林青测控科技有限公司 | 林区初期火灾快速识别与定位方法、存储介质、电子设备 |
CN107991999A (zh) * | 2017-11-09 | 2018-05-04 | 北京许继电气有限公司 | 电力电缆隧道综合监控系统和方法 |
CN108198171A (zh) * | 2017-12-27 | 2018-06-22 | 大连理工大学 | 一种基于服务器表面热状态的运行状态诊断的方法 |
Non-Patent Citations (2)
Title |
---|
Suitable features selection for monitoring thermal condition of electrical equipment using infrared thermography;A.S.N. Huda等;《Infrared Physics & Technology》;20131231;第184-191页 * |
红外成像故障诊断技术在供电站的应用研究;常瑞艳;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20110515;第I138-1258页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110232692A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Road crack detection using deep convolutional neural network and adaptive thresholding | |
JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
US7627175B2 (en) | Image segmentation method and device | |
CN106204509B (zh) | 基于区域特性的红外与可见光图像融合方法 | |
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 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN109035196B (zh) | 基于显著性的图像局部模糊检测方法 | |
CN110232692B (zh) | 一种基于改进种子填充算法的电气设备热源区域分离方法 | |
CN105741244B (zh) | 一种室内巡检机器人弱光下去除阴影和光晕的方法 | |
KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
CN111161222A (zh) | 一种基于视觉显著性的印刷辊筒缺陷检测方法 | |
Sakpal et al. | Adaptive background subtraction in images | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
Ferdosi et al. | White blood cell detection and segmentation from fluorescent images with an improved algorithm using k-means clustering and morphological operators | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN115511907A (zh) | 一种用于led屏幕的划痕检测方法 | |
CN115880501A (zh) | 一种基于红外相机的高压电线红外图像处理方法和系统 | |
CN113537236B (zh) | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 | |
Kumar et al. | Histogram thresholding in image segmentation: a joint level set method and lattice boltzmann method based approach | |
Chen et al. | Robust dislocation defects region segmentation for polysilicon wafer image with random texture background | |
CN111797795A (zh) | 一种基于YOLOv3与SSR的行人检测算法 | |
CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 |
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 |