CN110930352A - 物体色差缺陷检测方法、装置、计算机设备及存储介质 - Google Patents
物体色差缺陷检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110930352A CN110930352A CN201910135958.4A CN201910135958A CN110930352A CN 110930352 A CN110930352 A CN 110930352A CN 201910135958 A CN201910135958 A CN 201910135958A CN 110930352 A CN110930352 A CN 110930352A
- Authority
- CN
- China
- Prior art keywords
- image
- color difference
- detected
- defect detection
- neural network
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 163
- 238000001514 detection method Methods 0.000 title claims abstract description 102
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000000513 principal component analysis Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 abstract description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 17
- 239000010935 stainless steel Substances 0.000 description 17
- 230000002950 deficient Effects 0.000 description 14
- 230000001186 cumulative effect Effects 0.000 description 10
- 230000004075 alteration Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请涉及一种物体色差缺陷检测方法、装置、计算机设备及存储介质，通过对多元彩色图像进行主成分分析，能对待测物体图像进行多元分析，得到待测物体的单通道图像，并将提取的单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，自动对待测物体图像的像素色差缺陷进行对比检测，根据待测物体图像的像素缺陷检测结果，得到待测物体的色差缺陷检测结果，无需人工操作，进行自动化学习检测，结果准确。
Description
技术领域
本申请涉及检测技术领域，特别是涉及一种物体色差缺陷检测方法、装置、计算机设备及存储介质。
背景技术
目前，随着机械化生产的迅猛发展，机械设备、生活用品等实现了机械化批量生产，然而某些产品设备对表面形状、颜色等要求高，通过机械化生产出来的产品需要对表面色差等缺陷进行检测，才能进行出厂。
传统的表面色差检测方法是通过安排专业的质检人员采用人工目测的作业方式，实现对待测物体表面色差缺陷进行检测。
但是采用人工目测，个人评判标准不一，易受主观因素的影响，并且人工劳动强度大，形成视觉疲劳影响检测结果，导致检测结果不准确。
发明内容
基于此，有必要针对检测结果不准确的问题，提供一种检测结果准确的物体色差缺陷检测方法、装置、计算机设备及存储介质。
一种物体色差缺陷检测方法，包括：
获取待测物体的多元彩色图像；
对多元彩色图像进行主成分分析，获取待测物体的单通道图像；
提取单通道图像的像素点灰度值；
将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP(backpropagation)神经网络模型，获取像素缺陷检测结果；
根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。
在其中一个实施例中，将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果之前，还包括：
构建BP神经网络初始模型，BP神经网络初始模型的输入层由单通道图像的像素点灰度值作为输入向量构建，BP神经网络初始模型的输出层由各待测物体的像素缺陷检测结果作为输出向量构建，BP神经网络模型的隐含层由输入向量和输出向量之间的映射关系构建；
根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型。
在其中一个实施例中，根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型包括：
采用均方误差函数mse(mean square error)对BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到BP神经网络模型。
在其中一个实施例中，获取待测物体的多元彩色图像包括：
采集待测物体的图像；
对待测物体的图像进行卷积处理，获取待测物体的多尺度图像；
将待测物体的多尺度图像转换为待测物体的多元彩色图像。
在其中一个实施例中，对多元彩色图像进行主成分分析，获取单通道图像包括：
展开多元彩色图像，获取对应的二维数据矩阵；
对二维数据矩阵进行标准化处理，获取协方差矩阵；
对协方差矩阵进行特征值分解，获取特征值和特征向量；
根据特征向量和特征值进行矩阵转换，获取特征图像，特征图像为多个；
依次计算特征图像的方差贡献率；
选取累计方差贡献率达到预设阈值的特征图像作为单通道图像。
在其中一个实施例中，根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果之后，还包括：
当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记。
在其中一个实施例中，当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记之后，还包括：
记录色差缺陷区域的数量；
根据色差缺陷区域的数量，发送缺陷预警消息。
一种物体色差缺陷检测装置，包括：
多元图像获取模块，用于获取待测物体的多元彩色图像；
单通道图像获取模块，用于对多元彩色图像进行主成分分析，获取待测物体的单通道图像；
灰度值提取模块，用于提取单通道图像的像素点灰度值；
像素缺陷结果获取模块，用于将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；
色差缺陷结果获取模块，用于根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取待测物体的多元彩色图像；
对多元彩色图像进行主成分分析，获取待测物体的单通道图像；
提取单通道图像的像素点灰度值；
将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；
根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测物体的多元彩色图像；
对多元彩色图像进行主成分分析，获取待测物体的单通道图像；
提取单通道图像的像素点灰度值；
将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；
根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。
上述物体色差缺陷检测方法、装置、计算机设备及存储介质。通过对多元彩色图像进行主成分分析，能对待测物体图像进行多元分析，得到待测物体的单通道图像，并将提取的单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，自动对待测物体图像的像素色差缺陷进行对比检测，根据待测物体图像的像素缺陷检测结果，得到待测物体的色差缺陷检测结果，无需人工操作，进行自动化学习检测，结果准确。
附图说明
图1为上述物体色差缺陷检测方法其中一个实施例流程示意图；
图2为上述物体色差缺陷检测方法另一个实施例流程示意图；
图3为上述物体色差缺陷检测装置其中一个实施例结构示意图；
图4为计算机设备其中一个实施例内部结构示意图。
具体实施方式
在本方案中，待测物体可以包括各种材质、各种设备的物体，例如，铁板、木板、不锈钢钢板等，为了方便对本方案进行说明，选取待测物体为不锈钢钢板为例进行解释。为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在其中一个实施例中，如图1所示，提供了一种物体色差缺陷检测方法，包括以下步骤：
S110：获取待测物体的多元彩色图像。
多元彩色图像是表示同一个对象多个不同性质的观测量，在空间上对应一致的多个通道图像数据，即在灰度值上叠加多种通道的图像，单通道图像的像素坐标与二维数据矩阵相对应，多元图像在二维的基础上增加了一维尺度信息，为三维彩色图像。其中，尺度变量可以用任何参数来表示。以待测物体为不锈钢钢板为例，获取不锈钢钢板的多元彩色图像。
S120：对多元彩色图像进行主成分分析，获取待测物体的单通道图像。
主成分分析时将多个变量通过正交变换以选出较少个数的重要变量即主成分的一种多元统计分析法，也是一种常用的降维方法。一般而言，图像包括由像素点组成的像素图，就是以单个像素点为单位有规律的巧妙组合与排列，形成的图像。图像通道在RGB色彩模式下就是指在下就是指单独的红色R、绿色G、蓝色B部分，图像一般是由红色、绿色以及蓝色三个通道组成的，三通道图像，图像的像素点都具有三个值；但图像并不仅限于三通道图像，可以是三通道图像也可以是四通道图像等多通道图像，例如CMYK模式便是4通道，4通道图像的像素点具有4个值。其中单通道图像是指每个像素都只有一个值表示颜色，可以理解为灰度图。进一步的，本实施例中，多元彩色图像为多通道的三维彩色图像，对多元彩色图像进行主成分分析，得到符合要求的单通道图像，得到的单通道图像数量可以为多个，可以理解的是，本实施例对单通道图像的数量并不做要求。
S130：提取单通道图像的像素点灰度值。
灰度值是指由于景物个点的颜色及亮度不同，拍摄成黑白照片上或电视机接收重现的黑白图像上各点呈现不同程度的灰色，把白色与黑色之间对数关系分为若干级，称为灰度等级。范围一般从0到225。在本实施例中，可以通过浮点算法、整数方法、移位方法或取平均值方法等其中任意一种方法提取单通道图像中的灰度值。
S140：将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果。
BP神经网络模型是一种按照误差逆向传播算法训练的多层前馈神经网络。其主要思想是从后向前逐层传播输出层的误差，以间接算出隐含层误差，通过第一阶段的正向过程，输入信息从输入层经隐含层逐层计算个单元的输出值，再经第二阶段的反向传播，输出误差逐层向前算出隐含层各单元之间的误差，并用误差修正前层权值。梯度下降算法是迭代法的一种，可以求解最小二乘问题，通过梯度下降算法一步一步的迭代求解，得到最小化的损失函数和模型参数。本实施例中，基于梯度下降算法构建BP神经网络模型，将单通道图像的像素点灰度值输入模型后，根据构建好的BP神经网络模型，对像素点是否合格进行识别，当像素点有缺陷不合格时，模型输出不合格消息，当像素点无缺陷合格时，输出像素点合格消息，具体的，当识别像素点有缺陷不合格时，输出0，表示像素点异常，当像素点无缺陷合格时，输出1，表示像素点正常。
S150：根据像素缺陷检测结果，得到待测物体的色差缺陷检测结果。
像素是图像色彩的一种体现形式，当将图像的像素点逐个输入到BP神经网络模型后，识别经BP网络模型的输出结果，得到整个图像中像素点的缺陷识别结果，当像素点存在缺陷时，对缺陷像素位置进行追踪，由像素点构成的待测物体的图形呈现出来的颜色便是有色差缺陷的图像，从而不锈钢钢板表面存在色差缺陷。进一步的，当经过BP神经网络模型识别处理后，将有缺陷的像素点标记为0，将无缺陷的像素点标记为1，对像素点的标记进行识别，追踪有缺陷的像素位置，当有缺陷像素点构成的缺陷区域面积大于预设阈值时，此时不锈钢钢板表面有色差缺陷。可以理解的是，预设阈值可以在本实施例中并不做限定，可以根据生产要求的实际情况进行设置。非必要的，当得到不锈钢钢板的色差检测结果后，对不锈钢钢板的型号，以及型号对应的色差缺陷进行记录，计算不锈钢钢板的合格率，并将检测结果、记录结果、合格率等信息将发送至管理终端。
上述物体色差缺陷检测方法、装置、计算机设备及存储介质。通过对多元彩色图像进行主成分分析，能对待测物体图像进行多元分析，得到待测物体的单通道图像，并将提取的单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，自动对待测物体图像的像素色差缺陷进行对比检测，根据待测物体图像的像素缺陷检测结果，得到待测物体的色差缺陷检测结果，无需人工操作，进行自动化学习检测，结果准确。
在其中一个实施例中，将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果之前，还包括：构建BP神经网络初始模型，BP神经网络初始模型的输入层由单通道图像的像素点灰度值作为输入向量构建，BP神经网络初始模型的输出层由各待测物体的像素缺陷检测结果作为输出向量构建，BP神经网络模型的隐含层由输入向量和输出向量之间的映射关系构建；根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型。
根据单通道图像的图像数量选择BP神经网络初始模型输入层的神经元个数，以获取3幅单通道图像为例，设置输入层神经元个数为3个，提取各单通道图像中像素点的灰度值，以各单通道图像中像素点的灰度值作为输出向量，构建BP神经网络初始模型的输入层；使用激活函数softmaxhan(Softmax function)函数，进行离散概率分布，将各待测物体的像素缺陷检测结果作为输出向量构建BP神经网络初始模型的输出层，且缺陷像素缺陷检测结果为合格像素和不合格像素，因此设置输出层的神经元个数为2个；根据像素点灰度值和缺陷像素之间的映射关系构建BP神经网络初始模型的隐含层，根据实验过程中获取的经验值，设置隐含层的神经元个数为4个。将像素点灰度值作为训练样本，以及根据正常像素点的灰度值对BP神经网络初始模型进行训练，得到BP神经网络模型。本实施例中，通过构建BP神经网络模型，进行自主学习，实现自动化检测。
进一步的，在其中一个实施例中，根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型包括：采用均方误差函数mse对BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到BP神经网络模型。其中，均方误差函数mse,表示为参数估计中是指参数估计值与参数真值之差平方的期望值，记为mse。本实施例中，根据单通道图像的像素点灰度值与正常像素点灰度值之间差平方的期望，进行误差分析，设置预设误差为0.10，当训练误差收敛到0.01以内时，停止对BP神经网络初始模型进行训练，得到BP神经网络模型，非必要的，当训练迭代次数为1000，当训练次数达到1000次单训练误差大于0.01时，也停止训练，学习率为0.01。可以理解的是迭代次数与预设误差值并不是唯一设定，可以根据实际情况进行选择，在本实施例中的预设误差值0.01以及迭代此次数1000是经过多次试验得到，在学习率为0.01时既能加快收敛速度，又能减小误差震荡，能保证最优训练结果。通过均方误差函数进行性能分析，降低检测结果误差，提高结果准确性。
在其中一个实施例中，如图2所示，S110包括：
S101:采集待测物体的图像。
S102:对待测物体的图像进行卷积处理，获取待测物体的多尺度图像。
S103:将待测物体的多尺度图像转换为待测物体的多元彩色图像。
以待测物体为不锈钢钢板为例，通过CCD(Charge Coupled Device)相机或者CMOS(Complementary Metal Oxide Semiconductor)相机等工业相机拍摄待测物体不锈钢钢板表面的彩色图像，将采集到的不锈钢钢板表面图像与不同尺度下的高斯核滤波器卷积，得到二维的多尺度图像，再通过cat(Concatenate)函数将多尺度图像转换为三维的多元彩色图像，其中cat函数matlab中的一个函数，用于构造多维数组。具体的，高斯核函数定义为空间中任意一点X到某一中心点Y之间欧氏距离的单调函数：
其中，σ为函数径向作用范围，称为尺度参数。经试验得到在σ分别等于0.6、1.55以及2.55时，具有更好的区分度以及更大的信息覆盖。以不锈钢钢板彩色图像为RGB的3通道图像为例，使用地址指针分别指向不锈钢钢板表面彩色图像的R、G、B的首地址。R通道图像、G通道图像以及B通道图像分别与σ1＝0.6,σ2＝1.55,σ3＝2.55的高斯滤波器卷积，得到二维的九幅多尺度图像，再通过cat函数，以连接数组的方式将九幅二维的多尺度图像转换为一幅多元彩色图像。具体的，设f1(x,y),f2(x,y),...,fm(x,y)是被检测对象的M个大小为I×J像素的多尺度图像，则联结M个通道图像就可以得到I×J×M的多元图像数据X。在本实施例中，通过对采集不锈钢钢钢板彩色图像，并对不锈钢钢钢板彩色图像进行卷积得到多尺度图像，将多尺度图像转换为多元彩色图像，能从多个方面对图像进行观测，使得检测缺陷检测结果更加准确。
在其中一个实施例中，对多元彩色图像进行主成分分析，获取待测物体的单通道图像包括：展开多元彩色图像，获取对应的二维数据矩阵；对二维数据矩阵进行标准化处理，获取协方差矩阵；对协方差矩阵进行特征值分解，获取特征值和特征向量；根据特征向量和特征值进行矩阵转换，获取特征图像，特征图像为多个；依次计算特征图像的方差贡献率；选取累计方差贡献率达到预设阈值的特征图像作为单通道图像。
对三维多元彩色图像进行主成分分析，首先将多元彩色图像的三维矩阵展开成二维数据矩阵，将多元彩色图像按照行顺序展开成像素矢量
Xm＝[xm1,xm2,…,xmN]T(N＝I·J)，
展开后的二维数据矩阵，即二维多元图像矩阵XN×M可以写成：
通过标准化函数zscore对二维数据矩阵进行标准化处理，将二维数据矩阵的每一列减去对应的均值，得到均值为0，标准差为1的服从标准正态分布的样本矩阵，保证每个维度的均值为0，计算样本矩阵的协方差矩阵，例如，当二维的样本矩阵为(x1，x2)，计算协方差矩阵为：
其中，
C11＝E[X1-E(X1)]2,C12＝E[X1-E(X1)][X2-E(X2)],
C21＝E[X2-E(X2)][X1-E(X1)],C22＝E[X2-E(X2)]2
通过对协方差矩阵C进行特征值分解，求取特征值λ，以及特征值对应的特征矢量w，具体的，对协方差矩阵进行特征值分解，得到特征值λ＝diag[λ1,λ2,…,λn]，和特征向量Wn＝[w1,w2,…,wn]，将特征值和特征向量按照从大到小的顺序排列，取前d(d>0)个特征值λd＝diag[λ1,λ2,…,λd]和特征向量Wd＝[w1,w2,...,wd]，作为子空间的基底，根据特征值和特征向量的大小排序，转换为特征向量矩阵，依次得到降维后的特征图像，计算每一个特征图像的方差贡献率，其中，方差贡献率是指单个公因子引起的变异占总变异的比例，说明公因子对因变量的影响力大小，累计方差贡献率是所有公因子引起的变异占总变异比例，说明所有公因子对因变量的合计影响力，各方差贡献率相加等于累计方差贡献率。在本实施例中，公因子为特征图像，计算每个特征图像的方差贡献率，从第一个特征图像开始依次计算累计方差贡献率，当累计方差贡献率达到95％时，选取累计方差率到达95％的多个特征图像作为多个单通道图像。可以理解的是，预设阈值并不限定为95％，可以根据情况进行合理选择。本实施例能够从多观测角度的众多图像中，选取具有主要影响的图像进行检测，提高检测效率同时，保证了结果的准确性。
在其中一个实施例中，如图2所示，S150之后，还包括：S160:当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记。其中，图像是由无数个像素点排列组合构成，本实施例中，当像素点有缺陷时，BP神经网络模型输出0，当像素点无缺陷时，BP神经网络模型输出1，当识别图像中结果为0的像素点所构成的区域面积大于预设阈值时，识别为缺陷区域，在待测物体的图像上对缺陷区域进行突出标记。非必要的，将进行突出标记的待测物体图像发送至管理终端。本实施例中，通过对缺陷区域进行标记，能快速找到待测物体的缺陷位置，提高检测效率，不需人为操作，保证结果准确性。
在其中一个实施例中，如图2所示，S160之后，还包括：S170：记录色差缺陷区域的数量；根据色差缺陷区域的数量，发送缺陷预警消息。其中，预警消息可以包括预警等级信息，例如缺陷区域数量在1-2之间，为轻度预警，缺陷区域数量在3-5之间为中度预警，缺陷区域数量在5个以上为重度预警。在本实施例中，对待测物体图像上的缺陷区域进行标记后，统计图像上缺陷区域的数量，当图像上的缺陷区域数量为1时，发送轻度预警消息至管理终端。非必要的，预警消息可以包括不锈钢钢板型号信息、检测时间、检测机器号等信息。通过发送预警消息，能提示管理人员对缺陷结果的确认检查，保证自动化缺陷检查过程中的准确性。
在其中一个实施例中，如图3所示，提供了一种物体色差缺陷检测装置，包括以下模块，其中：
多元图像获取模块310，用于获取待测物体的多元彩色图像；
单通道图像获取模块320，用于对多元彩色图像进行主成分分析，获取待测物体的单通道图像；
灰度值提取模块330，用于提取单通道图像的像素点灰度值；
像素缺陷结果获取模块340，用于将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；
色差缺陷结果获取模块350，用于根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。
在其中一个实施例中，上述物体缺陷检测装置，还包括模型构建模块，用于构建BP神经网络初始模型，BP神经网络初始模型的输入层由单通道图像的像素点灰度值作为输入向量构建，BP神经网络初始模型的输出层由各待测物体的像素缺陷检测结果作为输出向量构建，BP神经网络模型的隐含层由输入向量和输出向量之间的映射关系构建；根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型。
在其中一个实施例中，上述模型构建模块，还用于采用均方误差函数mse对BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到BP神经网络模型。
在其中一个实施例中，多元图像获取模块310，还用于采集待测物体的图像；对待测物体的图像进行卷积处理，获取待测物体的多尺度图像；将待测物体的多尺度图像转换为待测物体的多元彩色图像。
在其中一个实施例中，单通道图像获取模块320，还用于展开多元彩色图像，获取对应的二维数据矩阵；对二维数据矩阵进行标准化处理，获取协方差矩阵；对协方差矩阵进行特征值分解，获取特征值和特征向量；根据特征向量和特征值进行矩阵转换，获取特征图像，特征图像为多个；依次计算特征图像的方差贡献率；选取累计方差贡献率达到预设阈值的特征图像作为单通道图像。
在其中一个实施例中，上述物体色差缺陷检测装置，还包括标记模块，用于当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记。
在其中一个实施例中，上述物体色差缺陷检测装置，还包括预警模块，用于记录色差缺陷区域的数量；根据色差缺陷区域的数量，发送缺陷预警消息。
关于物体色差缺陷检测装置的具体限定可以参见上文中对于物体色差缺陷检测方法的限定，在此不再赘述。上述物体色差缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储物体色差缺陷检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物体色差缺陷检测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待测物体的多元彩色图像；对多元彩色图像进行主成分分析，获取待测物体的单通道图像；提取单通道图像的像素点灰度值；将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：构建BP神经网络初始模型，BP神经网络初始模型的输入层由单通道图像的像素点灰度值作为输入向量构建，BP神经网络初始模型的输出层由各待测物体的像素缺陷检测结果作为输出向量构建，BP神经网络模型的隐含层由输入向量和输出向量之间的映射关系构建；根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：采用均方误差函数mse对BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到BP神经网络模型。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：采集待测物体的图像对待测物体的图像进行卷积处理，获取待测物体的多尺度图像；将待测物体的多尺度图像转换为待测物体的多元彩色图像。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：展开多元彩色图像，获取对应的二维数据矩阵；对二维数据矩阵进行标准化处理，获取协方差矩阵；对协方差矩阵进行特征值分解，获取特征值和特征向量；根据特征向量和特征值进行矩阵转换，获取特征图像，特征图像为多个；依次计算特征图像的方差贡献率；选取累计方差贡献率达到预设阈值的特征图像作为单通道图像。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记。
在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：记录色差缺陷区域的数量；根据色差缺陷区域的数量，发送缺陷预警消息。
在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理执行时实现以下步骤：获取待测物体的多元彩色图像；对多元彩色图像进行主成分分析，获取待测物体的单通道图像；提取单通道图像的像素点灰度值；将单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；根据像素缺陷检测结果，得到待测物体的物体色差缺陷检测结果。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：构建BP神经网络初始模型，BP神经网络初始模型的输入层由单通道图像的像素点灰度值作为输入向量构建，BP神经网络初始模型的输出层由各待测物体的像素缺陷检测结果作为输出向量构建，BP神经网络模型的隐含层由输入向量和输出向量之间的映射关系构建；根据各待测物体单通道图像的像素点灰度值，通过梯度下降算法对BP神经网络初始模型进行训练，得到BP神经网络模型。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用均方误差函数mse对BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到BP神经网络模型。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：采集待测物体的图像对待测物体的图像进行卷积处理，获取待测物体的多尺度图像；将待测物体的多尺度图像转换为待测物体的多元彩色图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：展开多元彩色图像，获取对应的二维数据矩阵；对二维数据矩阵进行标准化处理，获取协方差矩阵；对协方差矩阵进行特征值分解，获取特征值和特征向量；根据特征向量和特征值进行矩阵转换，获取特征图像，特征图像为多个；依次计算特征图像的方差贡献率；选取累计方差贡献率达到预设阈值的特征图像作为单通道图像。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：当像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对色差缺陷区域进行标记。
在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：记录色差缺陷区域的数量；根据色差缺陷区域的数量，发送缺陷预警消息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种物体色差缺陷检测方法，其特征在于，所述方法包括：
获取待测物体的多元彩色图像；
对所述多元彩色图像进行主成分分析，获取所述待测物体的单通道图像；
提取所述单通道图像的像素点灰度值；
将所述单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；
根据所述像素缺陷检测结果，得到所述待测物体的物体色差缺陷检测结果。
2.根据权利要求1所述物体色差缺陷检测方法，其特征在于，所述将所述单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果之前，还包括：
构建BP神经网络初始模型，所述BP神经网络初始模型的输入层由所述单通道图像的像素点灰度值作为输入向量构建，所述BP神经网络初始模型的输出层由所述各待测物体的像素缺陷检测结果作为输出向量构建，所述BP神经网络模型的隐含层由所述输入向量和输出向量之间的映射关系构建；
根据所述各待测物体单通道图像的像素点灰度值，通过梯度下降算法对所述BP神经网络初始模型进行训练，得到所述BP神经网络模型。
3.根据权利要求2所述物体色差缺陷检测方法，其特征在于，所述根据所述各待测物体单通道图像的像素点灰度值，通过梯度下降算法对所述BP神经网络初始模型进行训练，得到所述BP神经网络模型包括：
采用均方误差函数mse对所述BP神经网络初始模型进行误差分析，当误差值小于预设误差时，得到所述BP神经网络模型。
4.根据权利要求1所述物体色差缺陷检测方法，其特征在于，所述获取待测物体的多元彩色图像包括：
采集所述待测物体的图像；
对所述待测物体的图像进行卷积处理，获取所述待测物体的多尺度图像；
将所述待测物体的多尺度图像转换为所述待测物体的多元彩色图像。
5.根据权利要求1所述物体色差缺陷检测方法，其特征在于，所述对多元彩色图像进行主成分分析，获取单通道图像包括：
展开所述多元彩色图像，获取对应的二维数据矩阵；
对所述二维数据矩阵进行标准化处理，获取协方差矩阵；
对所述协方差矩阵进行特征值分解，获取特征值和特征向量；
根据所述特征向量和所述特征值进行矩阵转换，获取特征图像，所述特征图像为多个；
依次计算所述特征图像的方差贡献率；
选取累计方差贡献率达到预设阈值的所述特征图像作为所述单通道图像。
6.根据权利要求1所述物体色差缺陷检测方法，其特征在于，所述根据所述像素缺陷检测结果，得到所述待测物体的物体色差缺陷检测结果之后，还包括：
当所述像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对所述色差缺陷区域进行标记。
7.根据权利要求6所述物体色差缺陷检测方法，其特征在于，所述当所述像素缺陷检测结果中具有色差缺陷的像素点构成的色差缺陷区域面积大于预设阈值时，对所述色差缺陷区域进行标记之后，还包括：
记录所述色差缺陷区域的数量；
根据所述色差缺陷区域的数量，发送缺陷预警消息。
8.一种物体色差缺陷检测装置，其特征在于，所述装置包括：
多元图像获取模块，用于获取待测物体的多元彩色图像；
单通道图像获取模块，用于对所述多元彩色图像进行主成分分析，获取所述待测物体的单通道图像；
灰度值提取模块，用于提取所述单通道图像的像素点灰度值；
像素缺陷结果获取模块，用于将所述单通道图像的像素点灰度值输入基于梯度下降算法构建的BP神经网络模型，获取像素缺陷检测结果；
色差缺陷结果获取模块，用于根据所述像素缺陷检测结果，得到所述待测物体的物体色差缺陷检测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135958.4A CN110930352B (zh) | 2019-02-25 | 2019-02-25 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
| PCT/CN2019/125095 WO2020173177A1 (zh) | 2019-02-25 | 2019-12-13 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135958.4A CN110930352B (zh) | 2019-02-25 | 2019-02-25 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110930352A true CN110930352A (zh) | 2020-03-27 |
| CN110930352B CN110930352B (zh) | 2024-02-13 |
Family
ID=69855671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910135958.4A Active CN110930352B (zh) | 2019-02-25 | 2019-02-25 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110930352B (zh) |
| WO (1) | WO2020173177A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111707692A (zh) * | 2020-07-17 | 2020-09-25 | 碳升技术服务(北京)有限公司 | 汽车零部件的缺陷检测方法、系统及电子设备 |
| CN112270663A (zh) * | 2020-10-27 | 2021-01-26 | 蔡晓征 | 基于蜂巢网络环境的沥青路面过筛修复系统 |
| CN112446865A (zh) * | 2020-11-25 | 2021-03-05 | 创新奇智(广州)科技有限公司 | 瑕疵识别方法、装置、设备和存储介质 |
| CN112446864A (zh) * | 2020-11-25 | 2021-03-05 | 创新奇智(合肥)科技有限公司 | 瑕疵检测方法、装置、设备和存储介质 |
| CN113780881A (zh) * | 2021-09-26 | 2021-12-10 | 广域铭岛数字科技有限公司 | 一种涂装色差溯源方法、系统、介质及终端 |
| CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419291A (zh) * | 2020-11-30 | 2021-02-26 | 佛山职业技术学院 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
| CN114926723A (zh) * | 2022-06-10 | 2022-08-19 | 国网江苏省电力有限公司电力科学研究院 | 一种输电线路周边干扰物识别与报警触发方法、终端及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1746901A (zh) * | 2005-09-19 | 2006-03-15 | 南京大学 | 肺癌早期细胞涂片彩色图像信息的计算机智能化处理的方法及其处理设备 |
| CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
| CN107730500A (zh) * | 2017-11-01 | 2018-02-23 | 广东工业大学 | 一种瓷砖纹理检测方法、系统、装置及可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781210B2 (en) * | 2011-11-09 | 2014-07-15 | United Technologies Corporation | Method and system for automated defect detection |
| CN106841212B (zh) * | 2016-12-30 | 2019-06-21 | 湖南大学 | 一种基于局部pca和bp神经网络的瓶口缺陷检测方法 |
-
2019
- 2019-02-25 CN CN201910135958.4A patent/CN110930352B/zh active Active
- 2019-12-13 WO PCT/CN2019/125095 patent/WO2020173177A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1746901A (zh) * | 2005-09-19 | 2006-03-15 | 南京大学 | 肺癌早期细胞涂片彩色图像信息的计算机智能化处理的方法及其处理设备 |
| CN102279976A (zh) * | 2011-09-22 | 2011-12-14 | 河南工业大学 | 不同糙米籽粒识别的bp神经网络构建及识别方法 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
| CN107730500A (zh) * | 2017-11-01 | 2018-02-23 | 广东工业大学 | 一种瓷砖纹理检测方法、系统、装置及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈平: "基于机器视觉的带钢表面缺陷检测算法研究", 中国优秀硕士学位论文全文数据库信息科技辑 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111707692A (zh) * | 2020-07-17 | 2020-09-25 | 碳升技术服务(北京)有限公司 | 汽车零部件的缺陷检测方法、系统及电子设备 |
| CN112270663A (zh) * | 2020-10-27 | 2021-01-26 | 蔡晓征 | 基于蜂巢网络环境的沥青路面过筛修复系统 |
| CN112270663B (zh) * | 2020-10-27 | 2023-11-24 | 北京京能东方建设工程有限公司 | 基于蜂巢网络环境的沥青路面过筛修复系统 |
| CN112446865A (zh) * | 2020-11-25 | 2021-03-05 | 创新奇智(广州)科技有限公司 | 瑕疵识别方法、装置、设备和存储介质 |
| CN112446864A (zh) * | 2020-11-25 | 2021-03-05 | 创新奇智(合肥)科技有限公司 | 瑕疵检测方法、装置、设备和存储介质 |
| CN113780881A (zh) * | 2021-09-26 | 2021-12-10 | 广域铭岛数字科技有限公司 | 一种涂装色差溯源方法、系统、介质及终端 |
| CN117593651A (zh) * | 2024-01-18 | 2024-02-23 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
| CN117593651B (zh) * | 2024-01-18 | 2024-04-05 | 四川交通职业技术学院 | 一种隧道裂纹分割识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020173177A1 (zh) | 2020-09-03 |
| CN110930352B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930352A (zh) | 物体色差缺陷检测方法、装置、计算机设备及存储介质 | |
| CN110930353B (zh) | 孔位保护门状态检测方法、装置、计算机设备和存储介质 | |
| US11062458B2 (en) | Appearance inspection device, transformation data generation device, and program | |
| CN111680746B (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
| KR100586277B1 (ko) | 넌-리터럴 패턴 인식 방법 및 초 스팩트럼 이미지 이용을위한 시스템 | |
| US7936377B2 (en) | Method and system for optimizing an image for improved analysis of material and illumination image features | |
| CN111199523B (zh) | 电力设备识别方法、装置、计算机设备和存储介质 | |
| CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
| EP2870586B1 (en) | System and method for residual analysis of images | |
| CN110097535B (zh) | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 | |
| CN108830197A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN108593645B (zh) | 一种尿液试纸的检测结果确定方法及确定装置 | |
| CN111401387A (zh) | 异常样本构建方法、装置、计算机设备和存储介质 | |
| Mamatov et al. | Methods for improving contrast of agricultural images | |
| CN114841956A (zh) | 基于图像分析的毁伤评估方法、系统、设备及存储介质 | |
| Petrellis | Plant disease diagnosis with color normalization | |
| Solana-Gutiérrez et al. | A variogram model comparison for predicting forest changes | |
| CN107220998B (zh) | 利用图像颜色判定物体温度的方法及系统 | |
| CN112974303A (zh) | 一种基于高光谱的果品品质检测方法、设备及介质 | |
| Yadav et al. | An automated image processing method for segmentation and quantification of rust disease in maize leaves | |
| Petrellis | Plant lesion characterization for disease recognition A Windows Phone application | |
| CN114943720A (zh) | 一种电力图像处理方法及装置 | |
| CN115018777A (zh) | 电网设备状态评估方法、装置、计算机设备和存储介质 | |
| CN114359232A (zh) | 一种基于上下文协方差矩阵的图像变化检测方法及装置 | |
| Yelmanov et al. | A method for rapid quantitative assessment of incomplete integral contrast for complex images |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230713 Address after: 518000 1701, Yanxiang Science and Technology Building, No. 31, High-tech Middle 4th Road, Maling Community, Yuehai Street, Nanshan District, Shenzhen, Guangdong Province Applicant after: Yanxiang smart IOT Technology Co.,Ltd. Address before: 518107 5th floor, No.1, Yanxiang Zhigu chuangxiangdi, No.11, Gaoxin Road, Guangming New District, Shenzhen City, Guangdong Province Applicant before: EVOC INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |