CN111968098A - 一种带钢表面缺陷检测方法、装置和设备 - Google Patents

一种带钢表面缺陷检测方法、装置和设备 Download PDF

Info

Publication number
CN111968098A
CN111968098A CN202010855966.9A CN202010855966A CN111968098A CN 111968098 A CN111968098 A CN 111968098A CN 202010855966 A CN202010855966 A CN 202010855966A CN 111968098 A CN111968098 A CN 111968098A
Authority
CN
China
Prior art keywords
image
detected
defect
features
defects
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
Application number
CN202010855966.9A
Other languages
English (en)
Inventor
房小兆
韩娜
刘志虎
江粼
周郭许
滕少华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010855966.9A priority Critical patent/CN111968098A/zh
Publication of CN111968098A publication Critical patent/CN111968098A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/10004—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Abstract

本申请公开了一种带钢表面缺陷检测方法、装置和设备，提取待检测图像的LBP直方图并统计LBP直方图的峰值个数；判断待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定待检测图像存在缺陷，若否，则判定待检测图像不存在缺陷；对存在缺陷的待检测图像进行图像分割，对得到的第一分割图像进行目标特征提取和特征融合；通过预置哈希函数对融合特征进行哈希映射得到哈希码；将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出待检测图像的缺陷类别，解决了现有的技术中采用机器视觉检测技术来检测带钢表面缺陷，针对不同类型的缺陷识别采用不同的算法，增加了算法复杂性，限制了缺陷检测速度的技术问题。

Description

一种带钢表面缺陷检测方法、装置和设备
技术领域
本申请涉及缺陷检测技术领域，尤其涉及一种带钢表面缺陷检测方法、装置和设备。
背景技术
传统的带钢表面缺陷检测方法主要是人工目视法，通过人眼的视觉暂留效应在视网膜上留下的影响，使得工人可以看清运动速度极快的钢板，凭借工人的经验对缺陷进行分辨，该方法依赖于人的经验，使得检测效率较低，实时性差。为了解决该问题，现有技术中提出了机器视觉检测技术来检测带钢表面缺陷，针对不同类型的缺陷识别采用不同的算法，增加了算法复杂性，限制了缺陷检测速度。
发明内容
本申请提供了一种带钢表面缺陷检测方法、装置和设备，用于解决现有的技术中采用机器视觉检测技术来检测带钢表面缺陷，针对不同类型的缺陷识别采用不同的算法，增加了算法复杂性，限制了缺陷检测速度的技术问题。
有鉴于此，本申请第一方面提供了一种带钢表面缺陷检测方法，包括：
实时采集带钢图像，得到待检测图像；
在提取所述待检测图像的LBP直方图后，统计所述待检测图像的LBP直方图的峰值个数；
判断所述待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定所述待检测图像存在缺陷，若否，则判定所述待检测图像不存在缺陷；
对存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，所述目标特征包括灰度特征、几何特征、纹理特征和投影特征；
对提取的所述灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码；
将所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出所述待检测图像的缺陷类别。
可选的，所述预置样本库的构建过程包括：
采集具有表面缺陷的带钢图像，得到缺陷图像；
在所述缺陷图像进行图像分割后，对得到的第二分割图像进行所述目标特征提取；
对所述第二分割图像的所述目标特征进行特征融合，并将融合后的特征输入预置分类模型进行缺陷类型分类；
根据分类结果对所述缺陷图像进行类别标注，得到所述缺陷样本图像，采用所述缺陷样本图像生成所述预置样本库。
可选的，所述将所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出所述待检测图像的缺陷类别，包括：
计算所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码之间的汉明距离，将最小的所述汉明距离对应的所述缺陷样本图像的缺陷类别作为所述待检测图像的缺陷类别进行输出。
可选的，所述对存在缺陷的所述待检测图像进行图像分割，之前还包括：
对存在缺陷的所述待检测图像进行预处理，得到预处理后的所述待检测图像，所述预处理为高斯滤波处理；
相应的，所述对存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，包括：
对预处理后的存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取。
可选的，所述对提取的所述灰度特征、几何特征、纹理特征和投影特征进行特征融合之后，通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码之前，还包括：
对得到的融合特征进行PCA降维处理，得到降维后的融合特征；
相应的，所述通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码，包括：
通过预置哈希函数对所述降维后的融合特征进行哈希映射，得到所述待检测图像的哈希码。
本申请第二方面提供了一种带钢表面缺陷检测装置，包括：
采集单元，用于实时采集带钢图像，得到待检测图像；
统计单元，用于在提取所述待检测图像的LBP直方图后，统计所述待检测图像的LBP直方图的峰值个数；
判断单元，用于判断所述待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定所述待检测图像存在缺陷，若否，则判定所述待检测图像不存在缺陷；
特征提取单元，用于对存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，所述目标特征包括灰度特征、几何特征、纹理特征和投影特征；
映射单元，用于对提取的所述灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码；
输出单元，用于将所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出所述待检测图像的缺陷类别。
可选的，还包括：构建单元；
所述构建单元具体用于：
采集具有表面缺陷的带钢图像，得到缺陷图像；
在所述缺陷图像进行图像分割后，对得到的第二分割图像进行所述目标特征提取；
对所述第二分割图像的所述目标特征进行特征融合，并将融合后的特征输入预置分类模型进行缺陷类型分类；
根据分类结果对所述缺陷图像进行类别标注，得到所述缺陷样本图像，采用所述缺陷样本图像生成所述预置样本库。
可选的，所述映射单元具体用于：
计算所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码之间的汉明距离，将最小的所述汉明距离对应的所述缺陷样本图像的缺陷类别作为所述待检测图像的缺陷类别进行输出。
可选的，还包括：
预处理单元，用于对存在缺陷的所述待检测图像进行预处理，得到预处理后的所述待检测图像，所述预处理为高斯滤波处理；
相应的，所述特征提取单元具体用于：
对预处理后的存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取。
本申请第三方面提供了一种带钢表面缺陷检测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的带钢表面缺陷检测方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种带钢表面缺陷检测方法，包括：实时采集带钢图像，得到待检测图像；在提取待检测图像的LBP直方图后，统计待检测图像的LBP直方图的峰值个数；判断待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定待检测图像存在缺陷，若否，则判定待检测图像不存在缺陷；对存在缺陷的待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，目标特征包括灰度特征、几何特征、纹理特征和投影特征；对提取的灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到待检测图像的哈希码；将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出待检测图像的缺陷类别。
本申请中的带钢表面缺陷检测方法，通过待检测图像的LBP直方图的峰值个数初步检测待检测图像是否存在缺陷，因为工业生产中，大部分产品是符合要求的，因此，通过待检测图像的LBP直方图的峰值个数对待检测图像进行初步检测，有助于提高检测效率；在检测到待检测图像存在缺陷时，提取待检测图像的多种目标特征并进行特征融合，通过提取待检测图像的多种特征并融合可以增强带钢图像的特征表示，有助于提高缺陷检测识别率；将融合后的特征进行哈希映射得到哈希码，通过将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，得到待检测图像的缺陷类别，本申请通过局部敏感哈希算法将图像识别问题转化为图像检索问题，不需要针对不同类型的缺陷识别采用不同的算法，降低了算法复杂性，进一步提高了缺陷检测效率，从而解决了现有的技术中采用机器视觉检测技术来检测带钢表面缺陷，针对不同类型的缺陷识别采用不同的算法，增加了算法复杂性，限制了缺陷检测速度的技术问题。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种带钢表面缺陷检测方法的一个流程示意图；
图2为本申请实施例提供的一种带钢表面缺陷检测方法的另一个流程示意图；
图3为本申请实施例提供的一种带钢表面缺陷检测装置的一个结构示意图。
具体实施方式
本申请提供了一种带钢表面缺陷检测方法、装置和设备，用于解决现有的技术中采用机器视觉检测技术来检测带钢表面缺陷，针对不同类型的缺陷识别采用不同的算法，增加了算法复杂性，限制了缺陷检测速度的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动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。
为了便于理解，请参阅图1，本申请提供的一种带钢表面缺陷检测方法的一个实施例，包括：
步骤101、实时采集带钢图像，得到待检测图像。
采用线阵CCD扫描相机组对带钢进行在线图像实时采集，通过LED光源进行照明来弥补光照不足的问题，同时在CCD相机外侧安装相机保护罩来防止镜面灰尘积累过多的问题。
步骤102、在提取待检测图像的LBP直方图后，统计待检测图像的LBP直方图的峰值个数。
步骤103、判断待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定待检测图像存在缺陷，若否，则判定待检测图像不存在缺陷。
考虑到工业生产中，大部分产品是符合要求的，不存在缺陷，为了提高检测效率，本申请实施例中采用LBP(Local Binary Pattern，局部二值模式)算法初步检测待检测图像是否存在缺陷，再对存在缺陷的待检测图像做进一步的缺陷类别检测。采用LBP(LocalBinary Pattern，局部二值模式)算法初步检测待检测图像是否存在缺陷的具体步骤如下：
1、将待检测图像分成3×3的子窗口，利用窗口中心像素点的灰度值作为阈值，然后将领域内的各像素点的灰度值与该阈值进行比较，将大于或等于阈值的像素点的灰度值设为1，小于阈值的像素点的灰度值设为0；
2、将比较结果根据像素不同位置进行加权求和，得到子窗口中心像素点的LBP值，然后统计得到各个子窗口的LBP直方图，将各个子窗口的LBP直方图整合得到待检测图像的LBP直方图；
3、统计待检测图像的LBP直方图的峰值个数，判断待检测图像的LBP直方图的峰值个数是否大于基于标准图像(无缺陷图像)得到的峰值阈值，若是，则判定待检测图像存在缺陷，若否，则判定待检测图像不存在缺陷。
步骤104、对存在缺陷的待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，目标特征包括灰度特征、几何特征、纹理特征和投影特征。
对存在缺陷的待检测图像进行图像分割，将待检测图像中的带钢区域与背景区域进行分割，得到带钢区域的第一分割图像，可以减少背景因素的干扰。对得到的第一分割图像进行目标特征提取，具体包括：(1)提取第一分割图像的灰度直方图得到第一分割图像的灰度特征；(2)提取第一分割图像中带钢区域的面积、周长、长宽比、圆形度和矩形度，得到几何特征；(3)通过灰度共生矩阵提取到第一分割图像的纹理特征，其中，纹理特征指标包括对比度、相关系数、熵、方差和逆差距；(4)将第一分割图像沿水平方向或垂直方向进行投影，可以得到峰值、平均峰值、均方根幅值和方根幅值，通过这些指标可以得到波形特征、脉冲特征、裕度特征和峰值特征来代表第一分割图像的投影特征，具体的，可以将第一分割图像进行二值化处理，得到二值化图像，将二值化图像进行行求和，得到水平方向上的投影曲线，或将二值化图像进行列求和，得到垂直方向上的投影曲线，进而提取得到波形特征、脉冲特征、裕度特征和峰值特征等投影特征。
步骤105、对提取的灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到待检测图像的哈希码。
本申请实施例中提取第一分割图像的灰度特征、几何特征、纹理特征和投影特征多种特征并进行特征融合，以增强特征表示，提高检测准确率。得到融合特征后，通过预置哈希函数对得到的融合特征进行哈希映射，得到待检测图像的哈希码，预置哈希函数为：
H＝＝{h：S→U}；
式中，h为哈希码，S为欧式空间，U为哈希编码空间。假设输入的特征数据P中所有点的坐标中最大值为C，则对P中任意一点p＝(x1,x2,…,xi,…,xn)，用U空间的坐标表示为：
v(p)＝UnaryC(x1)UnaryC(x2)…UnaryC(xi)…UnaryC(xn)；
式中，UnaryC(xi)为二进制编码，表示前xi位为1，后C-xi位为0，定义的哈希函数为：
Figure BDA0002646404000000071
其中，r是服从[0，nC]均匀随机分布的一个随机数。
步骤106、将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出待检测图像的缺陷类别。
采用同样的方法计算预置样本库中各缺陷样本图像的哈希码，将待检测图像作为查询样本，预置样本库作为检索集，将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，寻找与待检测图像相似的缺陷样本图像，查询该缺陷样本图像的缺陷类别并输出，得到待检测图像的缺陷类别。本申请通过局部敏感哈希算法将图像识别问题转化为图像检索问题，相比于现有方法中针对不同类型的缺陷识别采用不同的算法，本申请降低了算法复杂性，提高了缺陷检测效率。
本申请实施例中的带钢表面缺陷检测方法，通过待检测图像的LBP直方图的峰值个数初步检测待检测图像是否存在缺陷，因为工业生产中，大部分产品是符合要求的，因此，通过待检测图像的LBP直方图的峰值个数对待检测图像进行初步检测，有助于提高检测效率；在检测到待检测图像存在缺陷时，提取待检测图像的多种目标特征并进行特征融合，通过提取待检测图像的多种特征并融合可以增强带钢图像的特征表示，有助于提高缺陷检测识别率；将融合后的特征进行哈希映射得到哈希码，通过将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，得到待检测图像的缺陷类别，本申请通过局部敏感哈希算法将图像识别问题转化为图像检索问题，不需要针对不同类型的缺陷识别采用不同的算法，降低了算法复杂性，进一步提高了缺陷检测效率，从而解决了现有的技术中采用机器视觉检测技术来检测带钢表面缺陷，针对不同类型的缺陷识别采用不同的算法，增加了算法复杂性，限制了缺陷检测速度的技术问题。
以上为本申请提供的一种带钢表面缺陷检测方法的一个实施例，以下为本申请提供的一种带钢表面缺陷检测方法的另一个实施例。
为了便于理解，请参阅图2，本申请提供的一种带钢表面缺陷检测方法的另一个实施例，包括：
步骤201、构建预置样本库。
本申请实施例中预置样本库的具体构建过程包括：
1、采集具有表面缺陷的带钢图像，得到缺陷图像。
表面缺陷包括：点绣、划痕、裂缝、压痕、孔洞、油污、疤痕和脱皮等。
2、在缺陷图像进行图像分割后，对得到的第二分割图像进行目标特征提取。
在对缺陷图像进行分割处理之前，还可以对缺陷图像进行预处理。具体的，可以先对缺陷图像I进行高斯滤波处理，高斯滤波后的缺陷图像Iσ为：
Iσ＝I*Gσ；
式中，*为卷积操作，Gσ为标准差为σ的二维高斯核函数，即：
Figure BDA0002646404000000091
式中，(x，y)为像素点的坐标。本申请实施例中取σ＝1.5得到的离散高斯权重矩阵对缺陷图像I进行高斯滤波处理。为了让滤波后的缺陷图像保持原图像一样的灰度范围，对离散高斯权重矩阵进行归一化处理，通过归一化处理后的离散高斯权重矩阵对缺陷图像I进行高斯滤波处理。
采用图像分割方法对预处理后的缺陷图像进行分割处理，以将带钢区域与背景区域进行分割，得到带钢区域的第二分割图像。本申请实施例中采用C-V分割算法进行图像分割，利用曲面的几何特性来建立一个曲线变形的能量方程，然后通过求取能量方程的最小值找到待预处理后的缺陷图像的边缘，即可得到目标边界的闭合曲线，完成图像分割。本申请实施例中的能量方程为：
F(C,c1,c2)＝λa∫∫C|I'-c1|2dxdy+λb∫∫C|I'-c2|2dxdy+μL(C)；
式中，I'为预处理后的缺陷图像的平均灰度，C为闭合曲线，c1、c2分别为闭合曲线内部和外部的平均灰度，λa、λb和μ分别为各个能量项的权重系数，L(C)为闭合曲线C的长度。
对分割得到第一分割图像进行目标特征提取，提取的目标特征包括灰度特征、几何特征、纹理特征和投影特征，具体提取过程与步骤104的具体提取过程一致，在此不再进行赘述。
3、对第二分割图像的目标特征进行特征融合，并将融合后的特征输入预置分类模型进行缺陷类型分类。
其中，预置分类模型为由少量有标签的训练集训练得到，具体的，提取训练集的特征数据并进行特征融合后得到融合特征数据集；对融合特征数据集放回采样200次，产生200个子训练集；给每个子训练集赋予1/200相等的权值，然后采用决策树对子训练集训练100轮，没轮训练后，对训练失败的训练样本赋予较大的权值，从而得到权值不同的预测函数构成的预置分类模型；通过预置分类模型对第二分割图像融合后的特征进行缺陷类别分类。通过预置分类模型对大量缺陷图像进行缺陷类别分类，以构建得到尽可能包含多的缺陷图像的预置样本库，以便于后续提高缺陷检测准确率。
4、根据分类结果对缺陷图像进行类别标注，得到缺陷样本图像，采用缺陷样本图像生成预置样本库。
根据预置分类模型对缺陷图像的分类结果对缺陷图像进行类别标注，得到缺陷样本图像，进而生成预置样本库，完成预置样本库的构建。
步骤202、实时采集带钢图像，得到待检测图像。
步骤203、在提取待检测图像的LBP直方图后，统计待检测图像的LBP直方图的峰值个数。
步骤204、判断待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定待检测图像存在缺陷，若否，则判定待检测图像不存在缺陷。
步骤202至步骤204的具体内容与步骤101至步骤103的具体内容一致，在此不再对步骤202至步骤204进行赘述。
步骤205、对存在缺陷的待检测图像进行预处理，得到预处理后的待检测图像，预处理为高斯滤波处理。
步骤205中的预处理过程与步骤201中的预处理具体过程一致，在此不再对预处理具体步骤进行赘述。
步骤206、对预处理后的存在缺陷的待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，目标特征包括灰度特征、几何特征、纹理特征和投影特征。
预处理后的存在缺陷的待检测图像的图像分割的具体过程与前述步骤201中的预处理后的缺陷图像的图像分割处理过程一致，在此不再进行赘述。
步骤207、对提取的灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到待检测图像的哈希码。
进一步，对提取的灰度特征、几何特征、纹理特征和投影特征进行特征融合之后，通过预置哈希函数对得到的融合特征进行哈希映射，得到待检测图像的哈希码之前，还包括：对得到的融合特征进行PCA降维处理，得到降维后的融合特征，以去除冗余的特征表示，减少计算量，提高检测效率；通过预置哈希函数对降维后的融合特征进行哈希映射，得到待检测图像的哈希码。
步骤208、将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出待检测图像的缺陷类别。
计算待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码之间的汉明距离，将最小的汉明距离对应的缺陷样本图像的缺陷类别作为待检测图像的缺陷类别进行输出。本申请实施例将待检测图像作为查询样本，预置样本库作为检索集，计算查询样本与检索集中各样本之间的汉明距离，通过汉明距离寻找与待检测图像相似的缺陷样本图像，查询该缺陷样本图像的缺陷类别并输出，得到待检测图像的缺陷类别，相比于现有方法中针对不同类型的缺陷识别采用不同的算法，本申请降低了算法复杂性，提高了缺陷检测效率。
以上为本申请提供的一种带钢表面缺陷检测方法的一个实施例，以下为本申请提供的一种带钢表面缺陷检测装置的一个实施例。
为了便于理解，请参阅图3，本申请提供的一种带钢表面缺陷检测装置的一个实施例，包括：
采集单元301，用于实时采集带钢图像，得到待检测图像；
统计单元302，用于在提取待检测图像的LBP直方图后，统计待检测图像的LBP直方图的峰值个数；
判断单元303，用于判断待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定待检测图像存在缺陷，若否，则判定待检测图像不存在缺陷；
特征提取单元304，用于对存在缺陷的待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，目标特征包括灰度特征、几何特征、纹理特征和投影特征；
映射单元305，用于对提取的灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到待检测图像的哈希码；
输出单元306，用于将待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出待检测图像的缺陷类别。
作为进一步地改进，还包括：构建单元307；
构建单元307具体用于：
采集具有表面缺陷的带钢图像，得到缺陷图像；
在缺陷图像进行图像分割后，对得到的第二分割图像进行目标特征提取；
对第二分割图像的目标特征进行特征融合，并将融合后的特征输入预置分类模型进行缺陷类型分类；
根据分类结果对缺陷图像进行类别标注，得到缺陷样本图像，采用缺陷样本图像生成预置样本库。
作为进一步地改进，映射单元305具体用于：
计算待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码之间的汉明距离，将最小的汉明距离对应的缺陷样本图像的缺陷类别作为待检测图像的缺陷类别进行输出。
作为进一步地改进，还包括：
预处理单元308，用于对存在缺陷的待检测图像进行预处理，得到预处理后的待检测图像，预处理为高斯滤波处理；
相应的，特征提取单元304具体用于：
对预处理后的存在缺陷的待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取。
作为进一步地改进，映射单元305具体用于：
对提取的灰度特征、几何特征、纹理特征和投影特征进行特征融合后，对得到的融合特征进行PCA降维处理，得到降维后的融合特征；
通过预置哈希函数对降维后的融合特征进行哈希映射，得到待检测图像的哈希码。
本申请实施例还提供一种带钢表面缺陷检测设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述的带钢表面缺陷检测方法实施例中的带钢表面缺陷检测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：RandomAccess Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种带钢表面缺陷检测方法，其特征在于，包括：
实时采集带钢图像，得到待检测图像；
在提取所述待检测图像的LBP直方图后，统计所述待检测图像的LBP直方图的峰值个数；
判断所述待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定所述待检测图像存在缺陷，若否，则判定所述待检测图像不存在缺陷；
对存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，所述目标特征包括灰度特征、几何特征、纹理特征和投影特征；
对提取的所述灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码；
将所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出所述待检测图像的缺陷类别。
2.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述预置样本库的构建过程包括：
采集具有表面缺陷的带钢图像，得到缺陷图像；
在所述缺陷图像进行图像分割后，对得到的第二分割图像进行所述目标特征提取；
对所述第二分割图像的所述目标特征进行特征融合，并将融合后的特征输入预置分类模型进行缺陷类型分类；
根据分类结果对所述缺陷图像进行类别标注，得到所述缺陷样本图像，采用所述缺陷样本图像生成所述预置样本库。
3.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述将所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出所述待检测图像的缺陷类别，包括：
计算所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码之间的汉明距离，将最小的所述汉明距离对应的所述缺陷样本图像的缺陷类别作为所述待检测图像的缺陷类别进行输出。
4.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述对存在缺陷的所述待检测图像进行图像分割，之前还包括：
对存在缺陷的所述待检测图像进行预处理，得到预处理后的所述待检测图像，所述预处理为高斯滤波处理；
相应的，所述对存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，包括：
对预处理后的存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取。
5.根据权利要求1所述的带钢表面缺陷检测方法，其特征在于，所述对提取的所述灰度特征、几何特征、纹理特征和投影特征进行特征融合之后，通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码之前，还包括：
对得到的融合特征进行PCA降维处理，得到降维后的融合特征；
相应的，所述通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码，包括：
通过预置哈希函数对所述降维后的融合特征进行哈希映射，得到所述待检测图像的哈希码。
6.一种带钢表面缺陷检测装置，其特征在于，包括：
采集单元，用于实时采集带钢图像，得到待检测图像；
统计单元，用于在提取所述待检测图像的LBP直方图后，统计所述待检测图像的LBP直方图的峰值个数；
判断单元，用于判断所述待检测图像的LBP直方图的峰值个数是否大于峰值阈值，若是，则判定所述待检测图像存在缺陷，若否，则判定所述待检测图像不存在缺陷；
特征提取单元，用于对存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取，所述目标特征包括灰度特征、几何特征、纹理特征和投影特征；
映射单元，用于对提取的所述灰度特征、几何特征、纹理特征和投影特征进行特征融合后，通过预置哈希函数对得到的融合特征进行哈希映射，得到所述待检测图像的哈希码；
输出单元，用于将所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码进行比对，输出所述待检测图像的缺陷类别。
7.根据权利要求6所述的带钢表面缺陷检测装置，其特征在于，还包括：构建单元；
所述构建单元具体用于：
采集具有表面缺陷的带钢图像，得到缺陷图像；
在所述缺陷图像进行图像分割后，对得到的第二分割图像进行所述目标特征提取；
对所述第二分割图像的所述目标特征进行特征融合，并将融合后的特征输入预置分类模型进行缺陷类型分类；
根据分类结果对所述缺陷图像进行类别标注，得到所述缺陷样本图像，采用所述缺陷样本图像生成所述预置样本库。
8.根据权利要求6所述的带钢表面缺陷检测装置，其特征在于，所述映射单元具体用于：
计算所述待检测图像的哈希码与预置样本库中各缺陷样本图像的哈希码之间的汉明距离，将最小的所述汉明距离对应的所述缺陷样本图像的缺陷类别作为所述待检测图像的缺陷类别进行输出。
9.根据权利要求6所述的带钢表面缺陷检测装置，其特征在于，还包括：
预处理单元，用于对存在缺陷的所述待检测图像进行预处理，得到预处理后的所述待检测图像，所述预处理为高斯滤波处理；
相应的，所述特征提取单元具体用于：
对预处理后的存在缺陷的所述待检测图像进行图像分割，并对得到的第一分割图像进行目标特征提取。
10.一种带钢表面缺陷检测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的带钢表面缺陷检测方法。
CN202010855966.9A 2020-08-24 2020-08-24 一种带钢表面缺陷检测方法、装置和设备 Pending CN111968098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010855966.9A CN111968098A (zh) 2020-08-24 2020-08-24 一种带钢表面缺陷检测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010855966.9A CN111968098A (zh) 2020-08-24 2020-08-24 一种带钢表面缺陷检测方法、装置和设备

Publications (1)

Publication Number Publication Date
CN111968098A true CN111968098A (zh) 2020-11-20

Family

ID=73391255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010855966.9A Pending CN111968098A (zh) 2020-08-24 2020-08-24 一种带钢表面缺陷检测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN111968098A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112304958A (zh) * 2020-11-25 2021-02-02 四川晶剑电子材料有限公司 基于机器视觉的铜带表面缺陷检测方法及系统
CN112697803A (zh) * 2020-12-16 2021-04-23 沈阳建筑大学 一种基于机器视觉的板带钢表面缺陷检测方法及装置
CN112907514A (zh) * 2021-01-20 2021-06-04 南京迪沃航空技术有限公司 一种基于图像识别的螺栓螺母缺陷诊断方法及系统
CN112966755A (zh) * 2021-03-10 2021-06-15 深圳市固电电子有限公司 电感缺陷检测方法、设备及可读存储介质
CN116452587A (zh) * 2023-06-15 2023-07-18 山东兴华钢结构有限公司 一种环保建筑结构钢板缺陷识别方法
CN116609339A (zh) * 2023-04-28 2023-08-18 江苏智马科技有限公司 一种转子冲片的形状缺陷检测方法及系统
CN117218097A (zh) * 2023-09-23 2023-12-12 宁波江北骏欣密封件有限公司 一种轴套类丝网垫圈零件表面缺陷检测方法及装置
CN117367331A (zh) * 2023-12-04 2024-01-09 山西阳光三极科技股份有限公司 一种矿区地表形变的雷达监测方法、装置以及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN104021264A (zh) * 2013-02-28 2014-09-03 华为技术有限公司 一种缺陷预测方法及装置
CN108549915A (zh) * 2018-04-27 2018-09-18 成都考拉悠然科技有限公司 基于二值权重的图像哈希码训练模型算法及分类学习方法
US20180299388A1 (en) * 2016-01-29 2018-10-18 Fujifilm Corporation Defect inspection apparatus, method, and program
CN108986091A (zh) * 2018-07-12 2018-12-11 太原科技大学 基于深度哈希网络的铸件缺陷图像检测方法
CN110209867A (zh) * 2019-06-05 2019-09-06 腾讯科技（深圳）有限公司 图像检索模型的训练方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021264A (zh) * 2013-02-28 2014-09-03 华为技术有限公司 一种缺陷预测方法及装置
CN103593670A (zh) * 2013-10-14 2014-02-19 浙江工业大学 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
US20180299388A1 (en) * 2016-01-29 2018-10-18 Fujifilm Corporation Defect inspection apparatus, method, and program
CN108549915A (zh) * 2018-04-27 2018-09-18 成都考拉悠然科技有限公司 基于二值权重的图像哈希码训练模型算法及分类学习方法
CN108986091A (zh) * 2018-07-12 2018-12-11 太原科技大学 基于深度哈希网络的铸件缺陷图像检测方法
CN110209867A (zh) * 2019-06-05 2019-09-06 腾讯科技（深圳）有限公司 图像检索模型的训练方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈宁纪: "基于视觉感知的带钢表面缺陷检测与识别", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, 15 April 2018 (2018-04-15), pages 022 - 127 *
高雪梅: "基于机器视觉的带钢表面缺陷检测系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, 15 December 2011 (2011-12-15), pages 140 - 367 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112304958A (zh) * 2020-11-25 2021-02-02 四川晶剑电子材料有限公司 基于机器视觉的铜带表面缺陷检测方法及系统
CN112697803A (zh) * 2020-12-16 2021-04-23 沈阳建筑大学 一种基于机器视觉的板带钢表面缺陷检测方法及装置
CN112907514A (zh) * 2021-01-20 2021-06-04 南京迪沃航空技术有限公司 一种基于图像识别的螺栓螺母缺陷诊断方法及系统
CN112966755A (zh) * 2021-03-10 2021-06-15 深圳市固电电子有限公司 电感缺陷检测方法、设备及可读存储介质
CN116609339A (zh) * 2023-04-28 2023-08-18 江苏智马科技有限公司 一种转子冲片的形状缺陷检测方法及系统
CN116609339B (zh) * 2023-04-28 2024-03-12 江苏智马科技有限公司 一种转子冲片的形状缺陷检测方法及系统
CN116452587A (zh) * 2023-06-15 2023-07-18 山东兴华钢结构有限公司 一种环保建筑结构钢板缺陷识别方法
CN116452587B (zh) * 2023-06-15 2023-08-18 山东兴华钢结构有限公司 一种环保建筑结构钢板缺陷识别方法
CN117218097A (zh) * 2023-09-23 2023-12-12 宁波江北骏欣密封件有限公司 一种轴套类丝网垫圈零件表面缺陷检测方法及装置
CN117218097B (zh) * 2023-09-23 2024-04-12 宁波江北骏欣密封件有限公司 一种轴套类丝网垫圈零件表面缺陷检测方法及装置
CN117367331A (zh) * 2023-12-04 2024-01-09 山西阳光三极科技股份有限公司 一种矿区地表形变的雷达监测方法、装置以及电子设备
CN117367331B (zh) * 2023-12-04 2024-03-12 山西阳光三极科技股份有限公司 一种矿区地表形变的雷达监测方法、装置以及电子设备

Similar Documents

Publication Publication Date Title
CN111968098A (zh) 一种带钢表面缺陷检测方法、装置和设备
CN109816644B (zh) 一种基于多角度光源影像的轴承缺陷自动检测系统
CN106778586B (zh) 离线手写签名鉴别方法及系统
EP1229493B1 (en) Multi-mode digital image processing method for detecting eyes
EP1991946B1 (en) Approaches and apparatus for eye detection in a digital image
US8340420B2 (en) Method for recognizing objects in images
WO2015149696A1 (en) Method and system for extracting characteristic of three-dimensional face image
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
EP1217572A2 (en) Digital image processing method and computer program product for detecting human irises in an image
CN111209962B (zh) 一种联合热图特征回归的基于cnn特征提取网络的联合图像分类方法
CN103593670A (zh) 一种基于在线序列极限学习机的铜板带表面缺陷检测方法
CN116091883B (zh) 基于多源信息融合的目标检测识别方法、系统及存储介质
CN110826408B (zh) 一种分区域特征提取人脸识别方法
Kimura et al. CNN hyperparameter tuning applied to iris liveness detection
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN111241966A (zh) 一种发票目标区域的定位方法、装置、设备及介质
Szankin et al. Influence of thermal imagery resolution on accuracy of deep learning based face recognition
CN111709305A (zh) 一种基于局部图像块的人脸年龄识别方法
CN111353385A (zh) 一种基于掩膜对齐与注意力机制的行人再识别方法和装置
CN114419317A (zh) 一种用于复杂环境线结构光的光条中心提取方法
CN112418085A (zh) 一种部分遮挡工况下的面部表情识别方法
Yang et al. Intelligent collection of rice disease images based on convolutional neural network and feature matching
Lian A face recognition approach based on computer vision
Carvajal-González et al. Feature selection by relevance analysis for abandoned object classification
CN117037049B (zh) 基于YOLOv5深度学习的图像内容检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201120

RJ01 Rejection of invention patent application after publication