CN111784677A - 一种基于场景分析的单摄像头刀闸臂张角识别方法 - Google Patents
一种基于场景分析的单摄像头刀闸臂张角识别方法 Download PDFInfo
- Publication number
- CN111784677A CN111784677A CN202010632478.1A CN202010632478A CN111784677A CN 111784677 A CN111784677 A CN 111784677A CN 202010632478 A CN202010632478 A CN 202010632478A CN 111784677 A CN111784677 A CN 111784677A
- Authority
- CN
- China
- Prior art keywords
- switch arm
- image
- knife
- opening angle
- knife switch
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000003068 static effect Effects 0.000 claims abstract description 20
- 239000002131 composite material Substances 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000003331 infrared imaging Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000012212 insulator Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10024—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
- G06T2207/20081—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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及刀闸臂张角识别,具体涉及一种基于场景分析的单摄像头刀闸臂张角识别方法,通过摄像头获取刀闸的侧视图像,通过热成像仪获取刀闸侧向的红外成像,提取侧视图像中刀闸的边缘图像,将红外成像与边缘图像进行复合叠加,根据叠加复合结果判断刀闸是否处于完全闭合状态,若刀闸处于完全闭合状态,则直接输出结果,否则进入S4,对识别模型进行深度学习训练,将侧视图像输入深度学习训练的识别模型,利用滑动窗口选择包含刀闸臂、静触头在内的初选矩形框,并删除初选矩形框中的背景图像,得到二次矩形框;本发明提供的技术方案能够有效克服现有技术所存在的无法更加精准地对刀闸张角进行分析的缺陷。
Description
技术领域
本发明涉及刀闸臂张角识别,具体涉及一种基于场景分析的单摄像头刀闸臂张角识别方法。
背景技术
随着电网规模的不断扩大,刀闸作为电网中重要的组成部分,关系到整个电网的稳定运行。在常规的安全生产中,需要人工操作并确认刀闸是否准确倒闸到位,将结果传递到监控中心,这种人工模式劳动强度大、效率低,且容易受操作人员的主观影响而产生误判。
在现有技术中,还有使用深度学习方法检测刀闸闭合状态的,通过训练模型来检测绝缘子、刀闸的潜在位置,并进一步利用非极大值抑制和直线拟合算法获得精确的绝缘子、刀闸的位置,最后利用与绝缘子的连通性和刀闸区域的长宽比来识别刀闸的闭合或断开状态。
但是,上述方法存在以下问题:只能通过刀闸的连通性判断刀闸的状态,无法更加精准地对刀闸张角进行分析,存在刀闸连通但未实际完全闭合的情况。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于场景分析的单摄像头刀闸臂张角识别方法,能够有效克服现有技术所存在的无法更加精准地对刀闸张角进行分析的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于场景分析的单摄像头刀闸臂张角识别方法,包括以下步骤:
S1、通过摄像头获取刀闸的侧视图像,通过热成像仪获取刀闸侧向的红外成像;
S2、提取侧视图像中刀闸的边缘图像,将红外成像与边缘图像进行复合叠加;
S3、根据叠加复合结果判断刀闸是否处于完全闭合状态,若刀闸处于完全闭合状态,则直接输出结果,否则进入S4;
S4、对识别模型进行深度学习训练,将侧视图像输入深度学习训练的识别模型;
S5、利用滑动窗口选择包含刀闸臂、静触头在内的初选矩形框,并删除初选矩形框中的背景图像,得到二次矩形框,综合各二次矩形框的图像得到终选矩形框;
S6、识别判断终选矩形框中刀闸臂、静触头之间的夹角,确定刀闸臂张角。
优选地,S2中提取侧视图像中刀闸的边缘图像,将红外成像与边缘图像进行复合叠加,包括:根据像素对比度从侧视图像中提取刀闸的边缘图像,形成边缘框架,再将红外成像中与边缘框架形状相同的部分放入边缘框架内,进行复合叠加。
优选地,所述根据像素对比度从侧视图像中提取刀闸的边缘图像之前,通过直方图均衡化增强侧视图像的像素对比度。
优选地,S3中根据叠加复合结果判断刀闸是否处于完全闭合状态,包括:若红外成像中存在与边缘框架形状相同的部分,并能完全放入边缘框架内,且完全放入边缘框架内的部分颜色分布均匀,则判断刀闸处于完全闭合状态,否则进入S4。
优选地,S4中对识别模型进行深度学习训练,包括:利用摄像头拍摄包含刀闸臂、静触头在内的图像集作为训练集,利用高斯分布初始化卷积神经网络的权值,并在训练集上构建卷积神经网络来迭代训练识别模型。
优选地,所述训练集中的图像需要经过预处理,包括:采用高斯滤波对训练集中的图像进行去噪处理,通过直方图均衡化增强训练集中图像的像素对比度。
优选地,S5中滑动窗口采用多个尺寸不同的矩形窗口。
优选地,S6中识别判断终选矩形框中刀闸臂、静触头之间的夹角之前,需要提取刀闸臂、静触头的图像,包括:对终选矩形框中的图像进行锐化处理,对锐化处理后的图像进行二值化处理,提取包含刀闸臂在内的刀闸臂直线,以及包含静触头在内的阴影区域。
优选地,S6中识别判断终选矩形框中刀闸臂、静触头之间的夹角,确定刀闸臂张角,包括:判断静触头上与刀闸臂配合开口最后端点,在阴影区域内作出包含该点的竖直直线,确定刀闸臂直线、竖直直线之间的夹角,得到刀闸臂张角。
(三)有益效果
与现有技术相比,本发明所提供的一种基于场景分析的单摄像头刀闸臂张角识别方法,能够通过刀闸的侧视图像、红外成像判断刀闸是否处于完全闭合状态,当刀闸没有处于完全闭合状态时,再利用深度学习训练的识别模型得到终选矩形框,通过在终选矩形框中提取刀闸臂、静触头的图像,为最终计算刀闸臂张角提供依据,从而能够准确地对刀闸张角进行分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明刀闸臂张角识别流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于场景分析的单摄像头刀闸臂张角识别方法,如图1所示,通过摄像头获取刀闸的侧视图像,通过热成像仪获取刀闸侧向的红外成像;提取侧视图像中刀闸的边缘图像,将红外成像与边缘图像进行复合叠加。
提取侧视图像中刀闸的边缘图像,将红外成像与边缘图像进行复合叠加,包括:通过直方图均衡化增强侧视图像的像素对比度,根据像素对比度从侧视图像中提取刀闸的边缘图像,形成边缘框架,再将红外成像中与边缘框架形状相同的部分放入边缘框架内,进行复合叠加。
根据叠加复合结果判断刀闸是否处于完全闭合状态,若刀闸处于完全闭合状态,则直接输出结果,否则进入对侧视图像的深度识别。
根据叠加复合结果判断刀闸是否处于完全闭合状态,包括:若红外成像中存在与边缘框架形状相同的部分,并能完全放入边缘框架内,且完全放入边缘框架内的部分颜色分布均匀,则判断刀闸处于完全闭合状态,否则进入对侧视图像的深度识别。
由于红外成像中存在与边缘框架形状相同的部分,并且该部分颜色分布均匀,说明刀闸完全卡入静触头上与刀闸臂配合的开口中,此时刀闸整体热量分布均匀。
对侧视图像进行深度识别,包括以下步骤:
对识别模型进行深度学习训练,将侧视图像输入深度学习训练的识别模型;
利用滑动窗口选择包含刀闸臂、静触头在内的初选矩形框,并删除初选矩形框中的背景图像,得到二次矩形框,综合各二次矩形框的图像得到终选矩形框。
对识别模型进行深度学习训练,包括:利用摄像头拍摄包含刀闸臂、静触头在内的图像集作为训练集,利用高斯分布初始化卷积神经网络的权值,并在训练集上构建卷积神经网络来迭代训练识别模型。
训练集中的图像需要经过预处理,包括:采用高斯滤波对训练集中的图像进行去噪处理,通过直方图均衡化增强训练集中图像的像素对比度。
利用滑动窗口选择包含刀闸臂、静触头在内的初选矩形框,包括:设计多个不同尺寸的滑动窗口滑动获取包含刀闸臂、静触头在内的目标区域,当刀闸臂、静触头作为输入时,获取初选矩形框。
识别判断终选矩形框中刀闸臂、静触头之间的夹角,确定刀闸臂张角。
识别判断终选矩形框中刀闸臂、静触头之间的夹角之前,需要提取刀闸臂、静触头的图像,包括:对终选矩形框中的图像进行锐化处理,对锐化处理后的图像进行二值化处理,提取包含刀闸臂在内的刀闸臂直线,以及包含静触头在内的阴影区域。
识别判断终选矩形框中刀闸臂、静触头之间的夹角,确定刀闸臂张角,包括:判断静触头上与刀闸臂配合开口最后端点,在阴影区域内作出包含该点的竖直直线,确定刀闸臂直线、竖直直线之间的夹角,得到刀闸臂张角。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:包括以下步骤:
S1、通过摄像头获取刀闸的侧视图像,通过热成像仪获取刀闸侧向的红外成像;
S2、提取侧视图像中刀闸的边缘图像,将红外成像与边缘图像进行复合叠加;
S3、根据叠加复合结果判断刀闸是否处于完全闭合状态,若刀闸处于完全闭合状态,则直接输出结果,否则进入S4;
S4、对识别模型进行深度学习训练,将侧视图像输入深度学习训练的识别模型;
S5、利用滑动窗口选择包含刀闸臂、静触头在内的初选矩形框,并删除初选矩形框中的背景图像,得到二次矩形框,综合各二次矩形框的图像得到终选矩形框;
S6、识别判断终选矩形框中刀闸臂、静触头之间的夹角,确定刀闸臂张角。
2.根据权利要求1所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:S2中提取侧视图像中刀闸的边缘图像,将红外成像与边缘图像进行复合叠加,包括:根据像素对比度从侧视图像中提取刀闸的边缘图像,形成边缘框架,再将红外成像中与边缘框架形状相同的部分放入边缘框架内,进行复合叠加。
3.根据权利要求2所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:所述根据像素对比度从侧视图像中提取刀闸的边缘图像之前,通过直方图均衡化增强侧视图像的像素对比度。
4.根据权利要求2所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:S3中根据叠加复合结果判断刀闸是否处于完全闭合状态,包括:若红外成像中存在与边缘框架形状相同的部分,并能完全放入边缘框架内,且完全放入边缘框架内的部分颜色分布均匀,则判断刀闸处于完全闭合状态,否则进入S4。
5.根据权利要求1所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:S4中对识别模型进行深度学习训练,包括:利用摄像头拍摄包含刀闸臂、静触头在内的图像集作为训练集,利用高斯分布初始化卷积神经网络的权值,并在训练集上构建卷积神经网络来迭代训练识别模型。
6.根据权利要求5所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:所述训练集中的图像需要经过预处理,包括:采用高斯滤波对训练集中的图像进行去噪处理,通过直方图均衡化增强训练集中图像的像素对比度。
7.根据权利要求1所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:S5中滑动窗口采用多个尺寸不同的矩形窗口。
8.根据权利要求1所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:S6中识别判断终选矩形框中刀闸臂、静触头之间的夹角之前,需要提取刀闸臂、静触头的图像,包括:对终选矩形框中的图像进行锐化处理,对锐化处理后的图像进行二值化处理,提取包含刀闸臂在内的刀闸臂直线,以及包含静触头在内的阴影区域。
9.根据权利要求8所述的基于场景分析的单摄像头刀闸臂张角识别方法,其特征在于:S6中识别判断终选矩形框中刀闸臂、静触头之间的夹角,确定刀闸臂张角,包括:判断静触头上与刀闸臂配合开口最后端点,在阴影区域内作出包含该点的竖直直线,确定刀闸臂直线、竖直直线之间的夹角,得到刀闸臂张角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010632478.1A CN111784677A (zh) | 2020-07-03 | 2020-07-03 | 一种基于场景分析的单摄像头刀闸臂张角识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010632478.1A CN111784677A (zh) | 2020-07-03 | 2020-07-03 | 一种基于场景分析的单摄像头刀闸臂张角识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784677A true CN111784677A (zh) | 2020-10-16 |
Family
ID=72759654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010632478.1A Pending CN111784677A (zh) | 2020-07-03 | 2020-07-03 | 一种基于场景分析的单摄像头刀闸臂张角识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784677A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385434A (zh) * | 2023-06-02 | 2023-07-04 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001050717A (ja) * | 1999-08-13 | 2001-02-23 | Nec Corp | ゲートの開度計測・監視装置 |
WO2015131048A1 (en) * | 2014-02-27 | 2015-09-03 | Bs & B Innovation Limited | Suppression and isolation system |
WO2016145157A1 (en) * | 2015-03-12 | 2016-09-15 | Robert Bosch Gmbh | User interface system in a table saw |
CN107944396A (zh) * | 2017-11-27 | 2018-04-20 | 国网安徽省电力有限公司经济技术研究院 | 一种基于改进深度学习的刀闸状态识别方法 |
CN108304777A (zh) * | 2017-12-27 | 2018-07-20 | 广东电网有限责任公司电力调度控制中心 | 一种基于图像识别的刀闸状态识别方法 |
CN109376732A (zh) * | 2018-12-14 | 2019-02-22 | 朱明增 | 基于多特征模式匹配和模式分类的刀闸分合状态识别方法 |
CN110728171A (zh) * | 2019-08-19 | 2020-01-24 | 广东电网有限责任公司 | 一种刀闸状态精细化检测识别方法 |
CN111275759A (zh) * | 2020-01-16 | 2020-06-12 | 国网江苏省电力有限公司 | 基于无人机双光影像融合的变电站刀闸温度检测方法 |
-
2020
- 2020-07-03 CN CN202010632478.1A patent/CN111784677A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001050717A (ja) * | 1999-08-13 | 2001-02-23 | Nec Corp | ゲートの開度計測・監視装置 |
WO2015131048A1 (en) * | 2014-02-27 | 2015-09-03 | Bs & B Innovation Limited | Suppression and isolation system |
WO2016145157A1 (en) * | 2015-03-12 | 2016-09-15 | Robert Bosch Gmbh | User interface system in a table saw |
CN107944396A (zh) * | 2017-11-27 | 2018-04-20 | 国网安徽省电力有限公司经济技术研究院 | 一种基于改进深度学习的刀闸状态识别方法 |
CN108304777A (zh) * | 2017-12-27 | 2018-07-20 | 广东电网有限责任公司电力调度控制中心 | 一种基于图像识别的刀闸状态识别方法 |
CN109376732A (zh) * | 2018-12-14 | 2019-02-22 | 朱明增 | 基于多特征模式匹配和模式分类的刀闸分合状态识别方法 |
CN110728171A (zh) * | 2019-08-19 | 2020-01-24 | 广东电网有限责任公司 | 一种刀闸状态精细化检测识别方法 |
CN111275759A (zh) * | 2020-01-16 | 2020-06-12 | 国网江苏省电力有限公司 | 基于无人机双光影像融合的变电站刀闸温度检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385434A (zh) * | 2023-06-02 | 2023-07-04 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
CN116385434B (zh) * | 2023-06-02 | 2023-08-08 | 同济检测(济宁)有限公司 | 一种用于预制梁裂缝的智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN112733950A (zh) | 一种基于图像融合与目标检测结合的电力设备故障诊断方法 | |
JP2005228042A (ja) | 顔識別装置、顔識別方法及び顔識別プログラム | |
CN107766801B (zh) | 一种基于红外热点追踪的绝缘子识别方法及装置 | |
CN111160301A (zh) | 基于机器视觉的隧道病害目标智能识别及提取方法 | |
CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及系统 | |
CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
WO2023168984A1 (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 | |
CN111784677A (zh) | 一种基于场景分析的单摄像头刀闸臂张角识别方法 | |
JP2004213567A (ja) | 画像学習装置及びその学習方法 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN114170153A (zh) | 一种晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN110800021A (zh) | 特异部检测系统及特异部检测方法 | |
CN116758425A (zh) | 一种大基地光伏电站自动验收方法和装置 | |
Schmugge et al. | Automatic detection of cracks during power plant inspection | |
CN104318526A (zh) | 基于mtf的遥感器在轨自动优化在轨参数的方法 | |
CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
CN110532993B (zh) | 一种人脸防伪方法、装置、电子设备及介质 | |
CN113888503A (zh) | 产品外观检测方法、装置和存储介质 | |
CN109410169B (zh) | 一种图像背景干扰度的识别方法及装置 | |
CN107491746B (zh) | 一种基于大梯度像素分析的人脸预筛选方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |
|
RJ01 | Rejection of invention patent application after publication |