CN111489338A - 一种盾构机液压管路内部缺陷无损检测方法 - Google Patents
一种盾构机液压管路内部缺陷无损检测方法 Download PDFInfo
- Publication number
- CN111489338A CN111489338A CN202010268612.4A CN202010268612A CN111489338A CN 111489338 A CN111489338 A CN 111489338A CN 202010268612 A CN202010268612 A CN 202010268612A CN 111489338 A CN111489338 A CN 111489338A
- Authority
- CN
- China
- Prior art keywords
- image
- hydraulic pipeline
- edge
- defects
- shield tunneling
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000005641 tunneling Effects 0.000 title claims abstract description 19
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000005284 excitation Effects 0.000 claims abstract description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 24
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001931 thermography Methods 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—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
- G06T2207/20032—Median 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种盾构机液压管路内部缺陷无损检测方法,属于盾构机技术领域。解决了现有技术中采用红外图像检测盾构机液压管路内部缺陷时,对尺寸小的缺陷会造成漏检和误检的问题。本发明的技术方案是:激励源给液压管路加热,调整红外热成像仪拍摄角度和位置,将采集到的数据传输到计算机上,通过对采集到的图像数据进行处理分析,即将图像进行灰度化、中值滤波、锐化处理、边缘提取和反色处理,就可以得到液压管路内部是否存在缺陷,及其缺陷的形状和位置。本发明提高了检测的准确性,避免漏检和误检情况的发生。本方法能够快速的对盾构机液压管路内部是否存在缺陷进行判断,对管路不会造成损伤,适用于盾构机液压管路的检测。
Description
技术领域
本发明属于盾构机技术领域,具体涉及一种盾构机液压管路内部缺陷无损检测方法。
背景技术
盾构机液压管路内部存在的缺陷主要有裂纹和凹陷,目前对于盾构机液压管路寿命的检测主要是通过外观检测,但是外观检测无法发现液压管路内部的缺陷,往往管路内部的缺陷造成的危险才是最为严重的。
温度在液压管路内部的传递是有规律的,而缺陷的存在会使得温度的分布出现差异,不同的缺陷造成的差异不同,缺陷程度的不同也会使得温度的分布出现差异。因此,从理论上来说,通过激励源对液压管路进行加热,然后通过红外热成像仪将温度变化记录下来,从而判断液压管路内部缺陷的位置、缺陷类型和缺陷程度是可行的。
但是红外图像采集过程中易受外部条件的干扰,如拍摄环境和拍摄距离等,造成缺陷视觉效果边缘模糊,温差区别不明显,加之测量时各种设备影响,易引起红外热成像图的非均匀性,导致图像产生噪声、串扰、畸变等,最终导致红外热图像背景噪音大、分辨率低和对比度低,通过目测图像识别缺陷,对于尺寸小的缺陷会造成漏检和误检,定位困难。
发明内容
针对现有技术中采用红外图像检测盾构机液压管路内部缺陷时,对尺寸小的缺陷会造成漏检和误检的问题,本发明提供一种盾构机液压管路内部缺陷无损检测方法,其目的在于:提高盾构机液压管路内部缺陷检测的准确性,防止漏检和误检。
本发明采用的技术方案如下:
一种盾构机液压管路内部缺陷无损检测方法,包括以下步骤:
S1:通过激励源对盾构机液压管路进行加热;
S2:采用红外热成像仪对加热后的液压管路进行拍摄,并将红外热成像仪采集到的图像数据传输到计算机上;
S3:对采集到的图像进行灰度化处理;
S4:对灰度化处理后的图像进行中值滤波,去除图像中的噪声干扰;
S5:对中值滤波后的图像进行锐化处理,增强图像边缘;
S6:对锐化处理后的图像进行边缘提取;所述边缘提取的步骤为用边缘算子提取反映灰度变化的边缘点集,并在边缘点集中剔除部分边界点或者填补边界间的断点,使图像上的缺陷目标显像出来;
S7:对边缘提取后的图像进行反色处理,凸显出图像的边缘曲线,使缺陷更加直观;
S8:根据反色处理后的图像判断液压管路内部缺陷的位置和形状。
采用该技术方案后,红外图像经过处理后,提高了对比度和分辨率,通过目测能够轻易的液压管路内部缺陷的部位和尺寸,提高了检测的准确性,避免漏检和误检情况的发生。本方法能够快速的对盾构机液压管路内部是否存在缺陷进行判断,对管路不会造成损伤。根据液压管路缺陷类型、大小,可以判断液压管路是否可以继续使用,避免因液压管路内部缺陷而造成的风险。
作为优选,步骤S3中所述的灰度化处理采用加权平均法,按权取RGB三色分量的平均值,转换关系如下:
R=G=B=WrR+WgG+WbB
式中的R代表红色成分数值,G代表绿色成分数值,B代表蓝色成分数值,Wr为红色的权值,Wg为绿色权值,Wb为蓝色权值,式中Wr=0.587,Wg=0.299,Wb=0.144。
采用该优选方案后,能够将红外图像转化为灰度图像,灰度图像能够避免可见的条带失真,并且非常易于编程,便于后续的处理。
作为优选,步骤S5中所述的锐化处理为采用梯度算子进行一次微分计算,所述梯度算子如下:
G[F(j,k)]=|1.5×F(j,k)-F(j+1,k)|+|1.5×F(j,k)-F(j,k+1)|
式中F(j,k)为图像上j行k列像素点的灰度值,G[F(j,k)]为经过梯度算子计算后j行k列像素点的灰度值。
采用该优选方案后,图像上的边缘、轮廓更加突出,图像更加清晰。
作为优选,步骤S6中所述的边缘算子采用robert算子,robert算子为:
式中的f(j,k)为图像上j行k列像素点的灰度值,g(j,k)为经过Robert算子计算后j行k列像素点的灰度值。
采用该优选方案后,在边缘点集合中剔除某些边界点或者填补边界间的断点,并将这些边缘点连接成完整的线,从而完成对图像边缘进行提取,勾画出图像的边缘,使图像上的缺陷目标显像出来。
作为优选,步骤S7中所述的反色处理采用的是最高度灰度值减去某点像素的灰度值。
采用该优选方案后,图像上的缺陷目标更加明显,能够更加直观的看出来,避免出现漏检和误检的情况。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.红外图像经过处理后,提高了对比度和分辨率,通过目测能够轻易的液压管路内部缺陷的部位和尺寸,提高了检测的准确性,避免漏检和误检情况的发生。本方法能够快速的对盾构机液压管路内部是否存在缺陷进行判断,对管路不会造成损伤。根据液压管路缺陷类型、大小,可以判断液压管路是否可以继续使用,避免因液压管路内部缺陷而造成的风险。
2.将红外图像转化为灰度图像,灰度图像能够避免可见的条带失真,并且非常易于编程,便于后续的处理。
3.锐化处理后图像上的边缘、轮廓更加突出,图像更加清晰。
4.在边缘点集合中剔除某些边界点或者填补边界间的断点,并将这些边缘点连接成完整的线,从而完成对图像边缘进行提取,勾画出图像的边缘,使图像上的缺陷目标显像出来。
5.反色处理后图像上的缺陷目标更加明显,能够更加直观的看出来,避免出现漏检和误检的情况。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的原理图;
图2是图像处理的流程及示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例的描述中,需要说明的是,术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请实施例的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连通”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;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。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合图1、图2对本发明作详细说明。
一种盾构机液压管路内部缺陷无损检测方法,包括以下步骤:
S1:通过激励源对盾构机液压管路进行加热;
S2:采用红外热成像仪对加热后的液压管路进行拍摄,并将红外热成像仪采集到的图像数据传输到计算机上;
S3:对采集到的图像进行灰度化处理;
S4:对灰度化处理后的图像进行中值滤波,去除图像中的噪声干扰;
S5:对中值滤波后的图像进行锐化处理,增强图像边缘;
S6:对锐化处理后的图像进行边缘提取;所述边缘提取的步骤为用边缘算子提取反映灰度变化的边缘点集,并在边缘点集中剔除部分边界点或者填补边界间的断点,使图像上的缺陷目标显像出来;
S7:对边缘提取后的图像进行反色处理,凸显出图像的边缘曲线,使缺陷更加直观;
S8:根据反色处理后的图像判断液压管路内部缺陷的位置和形状。
本发明的工作原理:
盾构机液压管路内部存在的缺陷主要有裂纹和凹陷,温度在液压管路内部按照一定规律传递,而缺陷的存在会使得温度的分布出现差异,缺陷的类型和缺陷的程度也会使得温度分布出现差异。通过激励源对液压管路进行加热,在内部热学性质差异及热传导的作用下,液压管路表面温度产生变化,进而在管路表面局部形成温度梯度,通过红外热成像仪将温度梯度记录下来,并将图像数据传输给计算机,计算机对图像通过灰度化、中值滤波、锐化处理、边缘提取和反色处理,使缺陷目标更加明显,能够更加直观的看出来,从而判断液压管路内部是否存在缺陷,及其缺陷的形状和位置,避免出现漏检和误检的情况。
本实施例中,步骤S3中所述的灰度化处理采用加权平均法,按权取RGB三色分量的平均值,转换关系如下:
R=G=B=WrR+WgG+WbB
RGB是代表红(R)、绿(G)、蓝(B)三个颜色通道,每种颜色都可以用这三种颜色来组合,每种颜色成份数值范围从0到255,例如黑色R=0,G=0,B=0。上式中的R代表红色成分数值,G代表绿色成分数值,B代表蓝色成分数值,Wr为红色的权值,Wg为绿色权值,Wb为蓝色权值,上式中Wr=0.587,Wg=0.299,Wb=0.144。
将灰度化的图像进行中值滤波,去除图像中的噪声干扰,是一种非线性平滑技术。将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,即用周围像素点灰度值的中值代替该点的灰度值,让周围的像素值接近真实值。
将中值滤波后的图像进行锐化处理,能够增强图像的边缘,锐化图像,使模糊的图像变得清晰起来。本实施例中,步骤S5中所述的锐化处理为采用梯度算子进行一次微分计算,所述梯度算子如下:
G[F(j,k)]=|1.5×F(j,k)-F(j+1,k)|+|1.5×F(j,k)-F(j,k+1)|
式中F(j,k)为图像上j行k列像素点的灰度值,G[F(j,k)]为经过梯度算子计算后j行k列像素点的灰度值。
将锐化后的图像进行边缘提取,勾画图像上的边缘,使图像上缺陷目标显像出来。本实施例中,步骤S6中所述的边缘算子采用robert算子,robert算子为:
式中的f(j,k)为图像上j行k列像素点的灰度值,g(j,k)为经过Robert算子计算后j行k列像素点的灰度值。robert算子用于提取反映灰度变化的边缘点集,在边缘点集中剔除某些边界点或者填补边界间断点,并将这些边缘连接成完整的线。
最后将边缘提取后的图像进行反色处理,凸显出图像的边缘曲线,使缺陷更加直观看出来。本实施例中,步骤S7中所述的反色处理采用的是最高度灰度值减去某点像素的灰度值。
如图2所示,原始图像背景噪音大、分辨率低并且对比度低,仅凭检测人员的目测很难识别缺陷的位置和大小,而通过步骤S7反色处理后的图像已经非常清楚,检测人员能够通过图像直观的看出盾构机液压管路的内部缺陷的位置、类型和程度,能够避免漏检和误检的情况,避免因液压管路内部缺陷而造成的风险。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (5)
1.一种盾构机液压管路内部缺陷无损检测方法,其特征在于:包括以下步骤:
S1:通过激励源对盾构机液压管路进行加热;
S2:采用红外热成像仪对加热后的液压管路进行拍摄,并将红外热成像仪采集到的图像数据传输到计算机上;
S3:对采集到的图像进行灰度化处理;
S4:对灰度化处理后的图像进行中值滤波,去除图像中的噪声干扰;
S5:对中值滤波后的图像进行锐化处理,增强图像边缘;
S6:对锐化处理后的图像进行边缘提取;所述边缘提取的步骤为用边缘算子提取反映灰度变化的边缘点集,并在边缘点集中剔除部分边界点或者填补边界间的断点,使图像上的缺陷目标显像出来;
S7:对边缘提取后的图像进行反色处理,凸显出图像的边缘曲线,使缺陷更加直观;
S8:根据反色处理后的图像判断液压管路内部缺陷的位置和形状。
2.根据权利要求1所述的一种盾构机液压管路内部缺陷无损检测方法,其特征在于,步骤S3中所述的灰度化处理采用加权平均法,按权取RGB三色分量的平均值,转换关系如下:
R=G=B=WrR+WgG+WbB
式中的R代表红色成分数值,G代表绿色成分数值,B代表蓝色成分数值,Wr为红色的权值,Wg为绿色权值,Wb为蓝色权值,式中Wr=0.587,Wg=0.299,Wb=0.144。
3.根据权利要求1所述的一种盾构机液压管路内部缺陷无损检测方法,其特征在于,步骤S5中所述的锐化处理为采用梯度算子进行一次微分计算,所述梯度算子如下:
G[F(j,k)]=|1.5×F(j,k)-F(j+1,k)|+|1.5×F(j,k)-F(j,k+1)|
式中F(j,k)为图像上j行k列像素点的灰度值,G[F(j,k)]为经过梯度算子计算后j行k列像素点的灰度值。
5.根据权利要求1所述的一种盾构机液压管路内部缺陷无损检测方法,其特征在于,步骤S7中所述的反色处理采用的是最高度灰度值减去某点像素的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268612.4A CN111489338A (zh) | 2020-04-07 | 2020-04-07 | 一种盾构机液压管路内部缺陷无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268612.4A CN111489338A (zh) | 2020-04-07 | 2020-04-07 | 一种盾构机液压管路内部缺陷无损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111489338A true CN111489338A (zh) | 2020-08-04 |
Family
ID=71791566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010268612.4A Pending CN111489338A (zh) | 2020-04-07 | 2020-04-07 | 一种盾构机液压管路内部缺陷无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489338A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365426A (zh) * | 2020-11-25 | 2021-02-12 | 兰州理工大学 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
CN113418509A (zh) * | 2021-05-20 | 2021-09-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于农业的自动对靶检测装置及检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076329A (zh) * | 2012-11-21 | 2013-05-01 | 南京理工大学 | 一种基于主动加热的叶中含梗红外成像检测方法 |
CN107064217A (zh) * | 2016-12-05 | 2017-08-18 | 南京航空航天大学 | 一体化脉冲涡流感应热成像检测装置及其检测方法 |
CN107578379A (zh) * | 2017-07-12 | 2018-01-12 | 河海大学 | 一种象棋机器人对棋盘图像的处理方法 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN110749621A (zh) * | 2019-10-10 | 2020-02-04 | 天津城建大学 | 一种钢板组合剪力墙混凝土界面脱空缺陷红外检测方法 |
-
2020
- 2020-04-07 CN CN202010268612.4A patent/CN111489338A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076329A (zh) * | 2012-11-21 | 2013-05-01 | 南京理工大学 | 一种基于主动加热的叶中含梗红外成像检测方法 |
CN107064217A (zh) * | 2016-12-05 | 2017-08-18 | 南京航空航天大学 | 一体化脉冲涡流感应热成像检测装置及其检测方法 |
CN107578379A (zh) * | 2017-07-12 | 2018-01-12 | 河海大学 | 一种象棋机器人对棋盘图像的处理方法 |
CN110286126A (zh) * | 2019-06-17 | 2019-09-27 | 浙江大学 | 一种基于视觉图像的晶圆表面缺陷分区域检测方法 |
CN110749621A (zh) * | 2019-10-10 | 2020-02-04 | 天津城建大学 | 一种钢板组合剪力墙混凝土界面脱空缺陷红外检测方法 |
Non-Patent Citations (2)
Title |
---|
夏纪真: "《无损检测导论》", 31 August 2016 * |
韩九强等: "《数字图像处理 基于XAVIS组态软件》", 31 August 2018 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365426A (zh) * | 2020-11-25 | 2021-02-12 | 兰州理工大学 | 一种基于双分支卷积神经网络的红外图像边缘增强方法 |
CN113418509A (zh) * | 2021-05-20 | 2021-09-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于农业的自动对靶检测装置及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
EP3534326A1 (en) | Method and apparatus for merging infrared image and visible light image | |
CN105976352B (zh) | 一种基于灰度图像形态学的焊缝表面缺陷特征提取方法 | |
CN103534583B (zh) | 轮胎的缺陷检测方法 | |
CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
CN111489338A (zh) | 一种盾构机液压管路内部缺陷无损检测方法 | |
CN104318556B (zh) | 一种油污干扰下的硅钢板表面缺陷图像检测方法 | |
CN108257125B (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN109166125A (zh) | 一种基于多边缘融合机制的三维深度图像分割算法 | |
CN115494193B (zh) | 基于机器视觉单体燃烧试验火焰横向传播检测方法及系统 | |
CN115330802B (zh) | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 | |
CN110057308A (zh) | 一种形变监测方法及系统 | |
CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
CN114998352A (zh) | 一种基于图像处理的生产设备故障检测方法 | |
CN104392441A (zh) | 基于图像处理的高抗噪织物沾水等级检测评定方法 | |
CN104458764A (zh) | 基于大景深条带图像投影的弯曲粗糙表面缺陷鉴别方法 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN114677356A (zh) | 一种基于多视角图像融合的酒瓶外观缺陷检测方法 | |
KR101045393B1 (ko) | 철강공정 내부 크랙 및 중심편석 판정 방법 | |
CN103591887B (zh) | 一种拟南芥区域表型的检测方法 | |
CN107993243B (zh) | 一种基于rgb图像的小麦分蘖数自动检测方法 | |
CN114838297B (zh) | 一种原油管道泄漏检测方法、装置、存储介质及系统 | |
CN113269758A (zh) | 一种基于机器视觉的卷烟外观检测方法及测试装置 | |
CN103750810A (zh) | 对电子阴道镜取得图像进行特征分析的方法及装置 |
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 |
Application publication date: 20200804 |
|
RJ01 | Rejection of invention patent application after publication |