CN110473240A - 图像波纹处理方法 - Google Patents
图像波纹处理方法 Download PDFInfo
- Publication number
- CN110473240A CN110473240A CN201910743147.2A CN201910743147A CN110473240A CN 110473240 A CN110473240 A CN 110473240A CN 201910743147 A CN201910743147 A CN 201910743147A CN 110473240 A CN110473240 A CN 110473240A
- Authority
- CN
- China
- Prior art keywords
- image
- processing method
- acquisition
- camera lens
- ripple
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 5
- IGRCWJPBLWGNPX-UHFFFAOYSA-N 3-(2-chlorophenyl)-n-(4-chlorophenyl)-n,5-dimethyl-1,2-oxazole-4-carboxamide Chemical compound C=1C=C(Cl)C=CC=1N(C)C(=O)C1=C(C)ON=C1C1=CC=CC=C1Cl IGRCWJPBLWGNPX-UHFFFAOYSA-N 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000009466 transformation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像波纹处理方法，S1：当被检测物体垂直距离镜头表面距离大于L时，镜头通过需要补光的角度自动转动来调节采集的角度，然后红外传感器对图像进行采集；S2：采集后的图像，将获得的图像进行筛选，然后对图像进行预处理；S3：把预处理后的图像进行配准，接下来进行图像融合，最后得到目标图像；S4：在预览器中显示目标图像，对图像间的空间变换关系进行确定。本发明完全自动化操作，人为干扰因素小，检测效率高，融合一体化集成。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及图像波纹处理方法。
背景技术
随着图像技术行业的快速发展，部分企业已经开发了多款利用图像进行相关的观检测系统，很大程度还存在检测方法系统化低、观测死角、误报率高等问题。且相关设备普遍存在智能化程度不高的特点，只是一个接触式的图像采集器，无法智能化一体化的融合相关信息，更不能的直观快捷的解决目前市面遇到的效率低下问题。本次开发的图像波纹处理方法在实施性、智能化、自动化、一体化方面进行着重开发，采用波长为470nm蓝光和波长为850nm近红外光作为主要光源、倾斜摄影测量技术、深度学习图像识别和波纹外观提取技术、非接触式测量等先进手段，打造一款智能型的图像波纹采集利器。并制定相应的作业指南。图像波纹采集系统主要完成对被检测物高清拍照，图像处理后对被检测物病害自动识别和检测的功能。后续进行宏观和微观展现。
为了能够尽量“接近”病害，采用装备诸如放大镜、单反照相机、人眼识别等，由于现有的检测设备存在这样或那样的问题，不能完全适应各种应用场合，存在不足和检查死角。根据检测技术人员和借助设备种类的不同，一般情况下，国内外传统的定期外观检查采用近距离使用肉眼或者放大镜，借助小型检测设备直接进行观察并记录。检查者可以直接近距离或者通过用放大镜来“抵近”观察器件表面波纹，利用肉眼判断、小型设备测量来发现和记录病害类型、位置及大小。这种方法比较简单，具有较强的灵活性。但是这种方法也有一些显著的缺点。首先肉眼判别表面会存在着很大的误差，特别是在长时间观察造成的视觉疲劳，这些都会极大程度的影响观察的准确性；另外这种方法，费时耗力，效率低下，严重限制了检查的范围，会造成一些检查“死角”问题。在生产质量检测需求迅速增长的情况下，需要开发新的能够接近测量的设备和平台，作为现有手段的补充。
目前市场在相关外观波纹监测需要进行接触式方案或者人眼识别，检测效率低，耗时耗力、生产成本高，且检测误报率高等等。基于目前常规波纹检测存在这样那样的问题，进行非接触式波纹图像采集系统设计。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出图像波纹处理方法，本发明完全自动化操作，人为干扰因素小，检测效率高，融合一体化集成。
根据本发明实施例的一种图像波纹处理方法，所述图像处理方法为：
S1：当被检测物体垂直距离镜头表面距离大于L时，镜头通过需要补光的角度自动转动来调节采集的角度，然后红外传感器对图像进行采集；
S2：采集后的图像，将获得的图像进行筛选，然后对图像进行预处理；
S3：把预处理后的图像进行配准，接下来进行图像融合，最后得到目标图像；
S4：在预览器中显示目标图像，对图像间的空间变换关系进行确定。
优选地，所述步骤S1具体还包括采用蓝光和近红外光作为主要光源进行图像采集补光，通过被检测波纹和光源系统非接触的方式采集局部或者全局图像采集。
优选地，所述步骤S2具体还包括CCDC控制器接受来自CMOS的视频信号，依次经过数据和采样模块、光黑钳位模块、黑电平补偿模块、数据格式化和视频端像素选择模块来对视频信号进行预处理。
优选地，所述图像配准包括基于灰度信息的图像配准、基于变换域的图像配准和基于特征的图像配准。
优选地，所述步骤S3具体还包括：
S31：先对图像进行融合，使拼接后的图像无缝且图像质量清晰，实现拼接区域的平滑过渡；
S32：再将匹配融合拼接的图像分别进行灰度比算法处理和二值化算法处理；
S33：将处理好的图像进行图像波纹识别。
优选地，所述灰度比算法处理包括分量法处理、最大值法处理、平均法处理和加权平均法处理。
优选地，所述步骤S33具体还包括设有自动报警功能，如果自动检测出数据超出预警阈值，现场进行自动语音提示。
优选地，包括固定架和壳体，所述固定架上安装有壳体，所述壳体第一侧安装有镜头，所述壳体第二侧安装有封盖，所述镜头位于壳体内的端部设有用于转动镜头的转轴，所述壳体内设有电路板，且电路板与镜头和转轴均信号连接。
本发明中的有益效果是：本发明完全自动化操作，人为干扰因素小，检测效率高，融合一体化集成，镜头通过需要补光的角度自动转动来调节采集的角度。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明提出的图像波纹处理方法的处理流程图；
图2为本发明提出的图像波纹处理方法的处理装置结构图；
图3为本发明提出的图像波纹处理方法图像配准流程图；
图4为本发明提出的图像波纹处理方法处理单元的结构示意图；
图5为本发明提出的图像波纹处理方法步骤S4的流程图。
图中：1-封盖、2-壳体、3-镜头、4-电路板、5-固定架。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
参照图1，一种图像波纹处理方法，所述图像处理方法为：
S1：当被检测物体垂直距离镜头表面距离大于L时，镜头通过需要补光的角度自动转动来调节采集的角度，然后红外传感器对图像进行采集，采用蓝光和近红外光作为主要光源进行图像采集补光，通过被检测波纹和光源系统非接触的方式采集局部或者全局图像采集；
S2：采集后的图像，将获得的图像进行筛选，然后对图像进行预处理，CCDC控制器接受来自CMOS的视频信号，依次经过数据和采样模块、光黑钳位模块、黑电平补偿模块、数据格式化和视频端像素选择模块来对视频信号进行预处理；
数据和采样模块、光黑钳位模块、黑电平补偿模块、数据格式化和视频端像素选择模块由控制单元统一控制。
S3：把预处理后的图像进行配准，接下来进行图像融合，最后得到目标图像；
图像配准可以定义为两幅图像在空间和灰度上的映射，对于两幅图像，经过数字化处理后，则两幅图像间的映射关系可以表示为：f。图像配准要达到两幅图像的二维空间变换关系f和平面灰度变换关系g最合理，也就是需要最优解的过程，普遍情况下，只需要寻找两幅匹配图像的空间几何变换，关于图像配准的方式方法和技术手段很多，对于不同的应用领域，各种方法都有一定的适用范围，也各自具有不同的特点。图像配准的方法对于不同的应用领域尽管不同，但基本框架是一致的，是由特征空间、相似性测度、搜索空间和搜索策略四个方面组成的，图像配准过程都涉及对这四个方面算法开发。目前，对于不同的确定配准控制点的方法以及利用到的图像的信息，配准方法分为三个主要类别：基于灰度信息的图像配准、基于变换域法的图像配准、基于特征法的图像配准。
(1)基于灰度信息的图像配准
基于灰度信息的图像配准是以图像的灰度信息为依据，通过图像自身的灰度信息，来衡量两幅待配准图像之间的相似性。
基于灰度信息的图像配准方法原理简单，利用的图像信息有限，仅仅利用到了图像的灰度信息，因此应用范围狭小，对于图像的非线性变换，则不能直接运用，并且在搜索过程中计算量较大。另外，该方法由于依靠的是图像的灰度信息，所以对图像的灰度变化很敏感，当光照变化时，将使算法性能大大降低；同时，该方法对于目标对象的旋转、形变及遮挡等比较敏感。因此，在图像的全自动配准中，很少采用这种方法。
(2)基于变换域的图像配准
基于变换域的图像配准方法是通过将图像信息从二维空间域转变到频率域，转变方法通过傅里叶变换完成，在频域通过功率谱计算待配准图像的几何变换关系，进行图像配准。由于图像的平移、旋转以及仿射等变化可以在傅氏变换中有相应的体现，所以该方法有一定的抵抗噪声的鲁棒性，但对于较复杂的仿射变换并不适用，由于采用傅里叶变换实现，利用到数字信号处理的实现方法，因此在实现上具备快速的算法和成熟的硬件芯片，也具有自身的优势。
(3)基于特征的图像配准
基于特征的图像配准需要先进行两幅图像的特征提取，然后对两幅图像提取到的特征进行匹配，通过建立图像间的配准映射关系来描述特征匹配关系。图像特征包括图像的点特征、线特征、图像边缘、图像轮廓以及图像的各种统计特征等。对于不同的图像特征，对应有不同的配准算法。根据所提取的图像特征的不同，特征提取算子也不同，如点特征提取算子(如SUSAN算子、SIFT算子、SURF算子)、线特征提取算子(如HOG算子、Hough算子)，虽然计算方法不同，但基本步骤是一致的，如图3所示；
S4：在预览器中显示目标图像，对图像间的空间变换关系进行确定，对于两幅进过配准后的图像，由于拍摄的光照、环境条件等因素的影像，如果直接对两幅图像的重叠区域进行叠加处理，那么一般都达不到较好的图像拼接效果，在重叠区域可以很明显的看到图像叠加的痕迹，并且重叠区域会产生模糊和失真，达不到图像拼接的质量要求。那么为了消除图像拼接的这样影响，就需要选择合适的融合方法，使拼接后的图像无缝且图像质量清晰，实现拼接区域的平滑过渡。计算公式如下：
Gx(x，y)＝H(x+1，y)-H(x-1，y)
Gy(x，y)＝H(x，y+1)-H(x，y-1)
式中Gx(x，y)，Gy(x，y)，H(x，y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x，y)处的梯度幅值和梯度方向分别为：
将匹配融合拼接的图像进行灰度化处理，灰度化有(1)分量法处理，(2)最大值法处理，(3)平均法处理(4)加权平均法处理，本系统发开主要进行平均法和加权平均进行算法实现，关于YUV空间的彩色图像，其Y的分量的物理意义本身就是像素点的亮度，由该值反映亮度等级，因此可根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应：Y＝0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。将拼接好的彩色图片进行256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像，动动态观察其分割图像图像的二值化后，使图像变得简单，而且数据量减小，能凸显出设备识别相关部位目标的轮廓，二值化后进行相关神经网路的边缘提取，进而实现一个物体完成，对数据处理的方式比较复杂，需要对数据进行匀色匀光处理，并经过多视角的几何校正和联合平差的处理方法。二值化完后进行边缘检测进行图形的问题识别。整体拼接好后图像算法处理过程如下图4.5所示，二值化计算方法代码如下所示：
所述图像配准包括基于灰度信息的图像配准、基于变换域的图像配准和基于特征的图像配准，所述步骤S3具体还包括：
S31：先对图像进行融合，使拼接后的图像无缝且图像质量清晰，实现拼接区域的平滑过渡；
S32：再将匹配融合拼接的图像分别进行灰度比算法处理和二值化算法处理；
S33：将处理好的图像进行图像波纹识别。
所述灰度比算法处理包括分量法处理、最大值法处理、平均法处理和加权平均法处理。
所述步骤S33具体还包括设有自动报警功能，如果自动检测出数据超出预警阈值，现场进行自动语音提示。
包括固定架5和壳体2，固定架5上安装有壳体2，壳体2内安装固定三块电路板4，壳体2用于密封电路板4用4个螺栓和封盖固定架连接在一起，壳体2第一侧安装有镜头3，镜头3上安装有红外传感器，壳体2第二侧安装有封盖1，镜头3位于壳体2内的端部设有用于转动镜头3的转轴，且电路板2与镜头3和转轴均信号连接，整体结构的优点：可以通过调整垫片来调节镜头视场范围，缩小了体积，方便安装，精简结构，适宜批量生产和销售推广，便于现在调节和后期维护。
本发明完全自动化操作，人为干扰因素小，检测效率高，融合一体化集成。该系统由FPGA+DSP作为主处理器进行相关图像采集处理。了使该装置能够实现自动检测器件是否到来以便打开采集系统，因此系统采用了红外感应模块；当被检测物体垂直距离镜头表面20cm时，可以使被检测信息完整呈现在图像传感器视野范围内，所以红外感应模块的感应距离应该至少为20cm。CCDC控制器接受来自CMOS的视频信号，依次经过数据和采样模块、光黑钳位模块、黑电平补偿模块、数据格式化和视频端像素选择模块来对视频信号进行处理，处理后把图像传输到预览器模块，在预览器模块中主要进行中值滤波、噪声滤波器、CFA插值、Gamam校正、RGB到YCbCr的转换，将图像数据变成YCbCr4：2：2的格式。把处理后的图像存入缓冲区DDR2中，Y存入0X82000000，Cb存入0X8204B000，Cr存入0X82096000，等待视频处理后端进行处理。DSP的视频处理后端主要包括OSD模块和VENC模块，它的主要作用是辅助图像和视频在显示屏上进行显示。OSD模块的主要作用是把图像数据和视频数据转换成同一个数字视频的格式。VENC主要包括视频编码模块、数字LCD控制器模块和时序产生器模块3部分，视频编码模块主要是完成数字视频到模拟视频的转换；数字LCD控制器模块主要的作用是控制各种数据输出时所需要的时钟信号；时序产生器主要是给编码模块和数字控制器模块提供时钟信号。经过处理后，与设计规范参数对比，若发现器波纹超出设计要求，进行自动语音提醒以及记录标记当前被检测器件表面编码。
本发明使用到的标准零件均可以从市场上购买，异形件根据说明书的和附图的记载均可以进行订制，各个零件的具体连接方式均采用现有技术中成熟的螺栓、铆钉、焊接等常规手段，机械、零件和设备均采用现有技术中，常规的型号，加上电路连接采用现有技术中常规的连接方式，在此不再详述，本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述，仅为本发明较佳的具体实施方式，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揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种图像波纹处理方法，其特征在于：所述图像处理方法为：
S1：当被检测物体垂直距离镜头表面距离大于L时，镜头通过需要补光的角度自动转动来调节采集的角度，然后红外传感器对图像进行采集；
S2：采集后的图像，将获得的图像进行筛选，然后对图像进行预处理；
S3：把预处理后的图像进行配准，接下来进行图像融合，最后得到目标图像；
S4：在预览器中显示目标图像，对图像间的空间变换关系进行确定。
2.根据权利要求1所述的图像波纹处理方法，其特征在于：所述步骤S1具体还包括采用蓝光和近红外光作为主要光源进行图像采集补光，通过被检测波纹和光源系统非接触的方式采集局部或者全局图像采集。
3.根据权利要求1所述的图像波纹处理方法，其特征在于：所述步骤S2具体还包括CCDC控制器接受来自CMOS的视频信号，依次经过数据和采样模块、光黑钳位模块、黑电平补偿模块、数据格式化和视频端像素选择模块来对视频信号进行预处理。
4.根据权利要求1所述的图像波纹处理方法，其特征在于：所述图像配准包括基于灰度信息的图像配准、基于变换域的图像配准和基于特征的图像配准。
5.根据权利要求1所述的图像波纹处理方法，其特征在于：所述步骤S3具体还包括：
S31：先对图像进行融合，使拼接后的图像无缝且图像质量清晰，实现拼接区域的平滑过渡；
S32：再将匹配融合拼接的图像分别进行灰度比算法处理和二值化算法处理；
S33：将处理好的图像进行图像波纹识别。
6.根据权利要求5所述的图像波纹处理方法，其特征在于：所述灰度比算法处理包括分量法处理、最大值法处理、平均法处理和加权平均法处理。
7.根据权利要求5所述的图像波纹处理方法，其特征在于：所述步骤S33具体还包括设有自动报警功能，如果自动检测出数据超出预警阈值，现场进行自动语音提示。
8.一种如权利要求1-7任意一项的图像波纹处理方法的处理装置，其特征在于：包括固定架和壳体，所述固定架上安装有壳体，所述壳体第一侧安装有镜头，所述壳体第二侧安装有封盖，所述镜头位于壳体内的端部设有用于转动镜头的转轴，所述壳体内设有电路板，且电路板与镜头和转轴均信号连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910743147.2A CN110473240A (zh) | 2019-08-13 | 2019-08-13 | 图像波纹处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910743147.2A CN110473240A (zh) | 2019-08-13 | 2019-08-13 | 图像波纹处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110473240A true CN110473240A (zh) | 2019-11-19 |
Family
ID=68510647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910743147.2A Pending CN110473240A (zh) | 2019-08-13 | 2019-08-13 | 图像波纹处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110473240A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018076732A1 (zh) * | 2016-10-31 | 2018-05-03 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
-
2019
- 2019-08-13 CN CN201910743147.2A patent/CN110473240A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018076732A1 (zh) * | 2016-10-31 | 2018-05-03 | 广州飒特红外股份有限公司 | 红外图像和可见光图像融合的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 卢守波: "非接触多光谱手成像采集系统研制", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 * |
| 樊向党等: "图像拼接在塑料薄膜疵点检测系统中的应用", 《数学技术与应用》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3534326A1 (en) | Method and apparatus for merging infrared image and visible light image | |
| CN106101697B (zh) | 图像清晰度检测方法、装置及测试设备 | |
| GB2569751A (en) | Static infrared thermal image processing-based underground pipe leakage detection method | |
| CN104700424B (zh) | 医用彩色电子内窥镜图像坏点检测装置 | |
| CN105243386A (zh) | 人脸活体判断方法以及系统 | |
| CN110108711A (zh) | 圆环侧壁缺陷的视觉检测系统 | |
| CN103424409A (zh) | 一种基于dsp的视觉检测系统 | |
| CN109409289A (zh) | 一种电力作业安全监督机器人安全作业识别方法及系统 | |
| CN109886195B (zh) | 基于深度相机近红外单色灰度图的皮肤识别方法 | |
| CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
| CN112396011A (zh) | 一种基于视频图像心率检测及活体检测的人脸识别系统 | |
| CN109255785A (zh) | 一种轴承外观缺陷检测系统 | |
| CN105787870A (zh) | 一种图形图像拼接融合系统 | |
| CN114419311B (zh) | 一种基于多源信息的百香果成熟度无损检测方法及装置 | |
| CN112862744A (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN114821440A (zh) | 一种基于深度学习的移动视频流内容识别分析方法 | |
| CN116596928B (zh) | 基于图像特征的花生油杂质快速检测方法 | |
| CN112907571A (zh) | 基于多光谱图像融合识别的目标判定方法 | |
| CN110473240A (zh) | 图像波纹处理方法 | |
| CN115731443A (zh) | 一种输变电设备热缺陷识别方法、装置、设备和存储介质 | |
| CN109299655A (zh) | 一种基于无人机的海上溢油在线快速识别方法 | |
| CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
| CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 | |
| Zhou et al. | Wireless capsule endoscopy video automatic segmentation | |
| CN112348823A (zh) | 一种面向对象的高分辨率遥感影像分割算法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |