CN111999001B - 一种基于图像处理的换流站空冷器泄漏检测方法及系统 - Google Patents

一种基于图像处理的换流站空冷器泄漏检测方法及系统 Download PDF

Info

Publication number
CN111999001B
CN111999001B CN202010943448.2A CN202010943448A CN111999001B CN 111999001 B CN111999001 B CN 111999001B CN 202010943448 A CN202010943448 A CN 202010943448A CN 111999001 B CN111999001 B CN 111999001B
Authority
CN
China
Prior art keywords
air cooler
leakage
characteristic data
tube bundle
data
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.)
Active
Application number
CN202010943448.2A
Other languages
English (en)
Other versions
CN111999001A (zh
Inventor
李阳
冯小晓
崔学龙
赵建明
田松丰
张鹏望
高雨杰
杨礼太
薛佳琦
徐宏争
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.)
Dali Bureau of Extra High Voltage Transmission Co
Original Assignee
Dali Bureau of Extra High Voltage Transmission Co
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 Dali Bureau of Extra High Voltage Transmission Co filed Critical Dali Bureau of Extra High Voltage Transmission Co
Priority to CN202010943448.2A priority Critical patent/CN111999001B/zh
Publication of CN111999001A publication Critical patent/CN111999001A/zh
Application granted granted Critical
Publication of CN111999001B publication Critical patent/CN111999001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/002—Investigating fluid-tightness of structures by using thermal means
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供一种基于图像处理的换流站空冷器泄漏检测方法及系统，包括：步骤1、获取空冷器管束泄漏时对应的检测数据，根据所述检测数据分析得到泄露位置的第一特征数据；步骤2、获取空冷器管束的温度分布图；步骤3、利用最大类间方差法对所述温度分布图进行阈值分割；步骤4、通过R‑CNN目标检测法，根据所述第一特征数据和进行阈值分割的图像分析得到所述空冷器管束的泄漏位置信息；整个过程无需停机检查，可以更加方便、准确地对空冷器管束的泄漏情况进行检测，提高了检测的效率。

Description

一种基于图像处理的换流站空冷器泄漏检测方法及系统
技术领域
本发明涉及换流站空冷器泄漏检测技术领域，具体而言，涉及一种基于图像处理的换流站空冷器泄漏检测方法及系统。
背景技术
换流站空冷器管束多达3840余根，内部作业空间狭小，若管束表面、焊缝处发生渗漏，不易观察渗漏点。当空冷器管箱内管束出现泄漏时，现阶段需要停机后打开管箱后检查。对于泄漏点的检查，采用管束逐根试压的方法检查确认，直到定位到泄漏管束。但是，这种检测方法不利于换流站的正常运行。所以需要提供一种方案以便于更加方便、准确地对空冷器管束的泄漏情况进行检测。
发明内容
本发明的目的在于提供一种基于图像处理的换流站空冷器泄漏检测方法及系统，用以实现更加方便、准确地对空冷器管束的泄漏情况进行检测的技术效果。
第一方面，本发明实施例提供了一种基于图像处理的换流站空冷器泄漏检测方法，包括
步骤1、获取空冷器管束泄漏时对应的检测数据，根据所述检测数据分析得到泄露位置的第一特征数据；
步骤2、获取空冷器管束的温度分布图；
步骤3、利用最大类间方差法对所述温度分布图进行阈值分割；
步骤4、通过R-CNN目标检测法，根据所述第一特征数据和进行阈值分割的图像分析得到所述空冷器管束的泄漏位置信息；包括：
将进行阈值分割后的图像输入R-CNN目标检测网络；
通过R-CNN目标检测网络进行特征提取，获取对应的第二特征数据；
根据所述第二特征数据和所述第一特征数据分析空冷器管束的泄漏位置。
进一步地，所述步骤1还包括：将所述检测数据输入R-CNN网络进行训练，得到泄漏位置的第一特征数据；根据所述第一特征数据将所述空冷器管束分为泄漏管束和无泄漏管束。
进一步地，所述步骤2利用空冷器渗漏点处渗漏的水经高速气流冷却，其温度相较于无渗漏处要低的原理，采用远红外热成像技术，采集空冷器的温度数据，得到空冷器管束的温度分布图。
第二方面，本发明实施例提供一种基于图像处理的换流站空冷器泄漏检测系统，包括远红外热成像仪和处理终端；所述处理终端包括：
第一分析模块，用于获取空冷器管束泄漏时对应的检测数据，根据所述检测数据分析得到泄露位置的第一特征数据；
获取模块，用于获取远红外热成像仪检测到的空冷器管束的温度分布图；
图像分割模块，用于利用最大类间方差法对所述温度分布图进行阈值分割；
第二分析模块，用于通过R-CNN目标检测法，根据所述第一特征数据和进行阈值分割的图像分析得到所述空冷器管束的泄漏位置信息；包括：
将进行阈值分割后的图像输入R-CNN目标检测网络；
通过R-CNN目标检测网络进行特征提取，获取对应的第二特征数据；
根据所述第二特征数据和所述第一特征数据分析空冷器管束的泄漏位置。
进一步地，所述第一分析模块执行步骤包括：将所述检测数据输入R-CNN网络进行训练，得到泄漏位置的第一特征数据；根据所述第一特征数据将所述空冷器管束分为泄漏管束和无泄漏管束。
本发明能够实现的有益效果是：本发明提供的基于图像处理的换流站空冷器泄漏检测方法先通过空冷器管束泄漏时对应的检测数据分析得到泄漏位置的特征数据；其次，利用红外热成像采集空冷器管束的温度分布图；然后，利用最大类间方差法对该温度分布图进行阈值分割处理；最后根据分割后的图像和泄漏位置的特征数据分析得到空冷器管束的具体泄漏位置，整个过程无需停机检查，可以更加方便、准确地对空冷器管束的泄漏情况进行检测，提高了检测的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例提供的一种换流站空冷器泄漏检测方法流程示意图；
图2为本发明实施例提供的一种换流站空冷器泄漏检测系统拓扑结构示意图。
图标：10-换流站空冷器泄漏检测系统；100-远红外热成像仪；200-处理终端；210-第一分析模块；220-获取模块；230-图像分割模块；240-第二分析模块。
具体实施方式
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描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参看图1，为本发明实施例提供的一种换流站空冷器泄漏检测方法流程示意图。
经申请人研究发现，目前对于泄漏点的检查，采用管束逐根试压的方法检查确认，直到定位到泄漏管束。该方法需要停机后打开管箱进行检查，非常不利于换流站的正常运行。所以本发明实施例提供了一种基于图像处理的换流站空冷器泄漏检测方法，以便于更加方便、准确地对空冷器管束的泄漏情况进行检测，其具体内容如下所述。
步骤1、获取空冷器管束泄漏时对应的检测数据，根据所述检测数据分析得到泄露位置的第一特征数据。
在一种实施方式中，可以从先通过远红外热成像仪获取多张空冷器管束泄漏时的温度图像，然后通过R-CNN网络进行训练，得到泄漏位置的第一特征数据，然后根据该第一特征数据将空冷器管束分为泄漏管束和无泄漏管束。具体地，温度图像中存在第一特征数据的为泄漏管束，不存在第一特征数据的无泄漏管束。
步骤2、获取空冷器管束的温度分布图。
在一种实施方式中，当获取到泄漏位置的第一特征数据后就可以打开需要进行检查的空冷器管箱，然后通过远红外热成像仪采集空冷器管束的温度分布图。
步骤3、利用最大类间方差法对所述温度分布图进行阈值分割。
在一种实施方式中，在获取到需要进行检查的空冷器管箱的温度分布图后，就可以利用最大类间方差法对所述温度分布图进行阈值分割。具体地，最大类间方差法按照以下步骤实施：
步骤I、设一幅图像有L个灰度级[1，2，…，i，L]，灰度级为i的像素点的个数为ni，总的像素点个数为N＝n1+n2+…+ni+nL。
步骤II、使用归一化的灰度级直方图，并将其作为这幅图的概率分布，公式为：
Figure GDA0003657201660000051
其中，
Figure GDA0003657201660000052
Pi为这幅图的概率分布。
步骤III、设通过一个灰度级为k的门限将像素点划分为两类：C0和C1(背景和目标),C0表示灰度级为[1,2,…,k]的像素点，C1表示灰度级为[k+1,…,L]的像素点。则每一类出现的概率以及平均灰度级为：
Figure GDA0003657201660000053
Figure GDA0003657201660000054
Figure GDA0003657201660000061
Figure GDA0003657201660000062
Figure GDA0003657201660000063
其中，ω0表示C0出现的概率；ω1表示C1出现的概率；μ0表示C0的灰度级；μ1表示C1的灰度级；
Figure GDA0003657201660000064
表示灰度级从1到k的累积出现概率；
Figure GDA0003657201660000065
表示灰度级从1到k的平均灰度级；μT表示整幅图的平均灰度级。故可验证：
ω0μ0+ω1μ1＝μT，ω0+ω1＝1
步骤IV、计算以上两类的类间方差
Figure GDA0003657201660000066
和
Figure GDA0003657201660000067
Figure GDA0003657201660000068
Figure GDA0003657201660000069
步骤V，引入以下量来评价灰度级k。
Figure GDA0003657201660000071
Figure GDA0003657201660000072
Figure GDA0003657201660000073
其中，
Figure GDA0003657201660000074
为类内方差；
Figure GDA0003657201660000075
为类间方差；
Figure GDA0003657201660000076
为灰度级总方差。
步骤VI，求取最佳门限k*，根据最佳门限k*进行阈值分割。
Figure GDA0003657201660000077
Figure GDA0003657201660000078
步骤4、通过R-CNN目标检测法，根据所述第一特征数据和进行阈值分割的图像分析得到所述空冷器管束的泄漏位置信息。
在一种实施方式中，步骤4的具体流程如下：
步骤A、候选区域选择，将Region Proposal算法看作不同宽和高的滑动窗口，通过窗口滑动获得潜在的目标图像。将Region Proposal提取的目标图像进行归一化，作为R-CNN目标检测网络的输入；
步骤B、R-CNN目标检测网络进行特征提取，根据输入进行卷积、池化操作，得到固定的标准输出向量；
步骤C、根据第一特征数据的训练分类器，对上一步的输出向量进行分类，并通过边界回归得到精确的泄漏位置。
请参看图2，图2为本发明实施例提供的一种换流站空冷器泄漏检测系统拓扑结构示意图。
在一种实施方式中，本发明实施例还提供了一种使用上述换流站空冷器泄漏检测方法的换流站空冷器泄漏检测系统10，该系统包括远红外热成像仪100和处理终端200；处理终端200包括：第一分析模块210，用于获取空冷器管束泄漏时对应的检测数据，根据检测数据分析得到泄露位置的第一特征数据；获取模块220，用于获取远红外热成像仪检测到的空冷器管束的温度分布图；图像分割模块230，用于利用最大类间方差法对温度分布图进行阈值分割；第二分析模块240，用于通过R-CNN目标检测法，根据第一特征数据和进行阈值分割的图像分析得到空冷器管束的泄漏位置信息。
具体地，第一分析模块执行步骤包括：将检测数据输入R-CNN网络进行训练，得到泄漏位置的第一特征数据；根据第一特征数据将空冷器管束分为泄漏管束和无泄漏管束。第二分析模块执行的步骤包括：将进行阈值分割后的图像输入R-CNN目标检测网络；通过R-CNN目标检测网络进行特征提取，获取对应的第二特征数据；根据第二特征数据和第一特征数据分析空冷器管束的泄漏位置。
综上所述，本发明实施例提供一种基于图像处理的换流站空冷器泄漏检测方法及系统，包括：步骤1、获取空冷器管束泄漏时对应的检测数据，根据检测数据分析得到泄露位置的第一特征数据；步骤2、获取空冷器管束的温度分布图；步骤3、利用最大类间方差法对温度分布图进行阈值分割；步骤4、通过R-CNN目标检测法，根据第一特征数据和进行阈值分割的图像分析得到空冷器管束的泄漏位置信息；整个过程无需停机检查，可以更加方便、准确地对空冷器管束的泄漏情况进行检测，提高了检测的效率。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于图像处理的换流站空冷器泄漏检测方法，其特征在于，包括:
步骤1、获取空冷器管束泄漏时对应的检测数据，根据所述检测数据分析得到泄露位置的第一特征数据；
步骤2、获取空冷器管束的温度分布图；
步骤3、利用最大类间方差法对所述温度分布图进行阈值分割，具体为，采用最大类间方差法，步骤如下：
步骤I、设一幅图像有L个灰度级[1，2，…，i，L]，灰度级为i的像素点的个数为ni，总的像素点个数为N＝n1+n2+…+ni+nL；
步骤II、使用归一化的灰度级直方图，并将其作为这幅图的概率分布，公式为：
Figure FDA0003652600440000011
其中，
Figure FDA0003652600440000012
Pi为这幅图的概率分布；
步骤III、设通过一个灰度级为k的门限将像素点划分为两类：C0和C1,C0表示灰度级为[1,2,…,k]的像素点，C1表示灰度级为[k+1,…,L]的像素点，则每一类出现的概率以及平均灰度级为：
Figure FDA0003652600440000013
Figure FDA0003652600440000021
Figure FDA0003652600440000022
Figure FDA0003652600440000023
Figure FDA0003652600440000024
其中，ω0表示C0出现的概率；ω1表示C1出现的概率；μ0表示C0的灰度级；μ1表示C1的灰度级；
Figure FDA0003652600440000025
表示灰度级从1到k的累积出现概率；
Figure FDA0003652600440000026
表示灰度级从1到k的平均灰度级；μT表示整幅图的平均灰度级；其中：
ω0μ0+ω1μ1＝μT，ω0+ω1＝1；
步骤IV、计算以上两类的类间方差
Figure FDA0003652600440000027
和
Figure FDA0003652600440000028
Figure FDA0003652600440000029
Figure FDA0003652600440000031
步骤V，引入以下量来评价灰度级k，
Figure FDA0003652600440000032
Figure FDA0003652600440000033
Figure FDA0003652600440000034
其中，
Figure FDA0003652600440000035
为类内方差；
Figure FDA0003652600440000036
为类间方差；
Figure FDA0003652600440000037
为灰度级总方差；
步骤VI，求取最佳门限k*，根据最佳门限k*进行阈值分割，
Figure FDA0003652600440000038
Figure FDA0003652600440000039
步骤4、通过R-CNN目标检测法，根据所述第一特征数据和进行阈值分割的图像分析得到所述空冷器管束的泄漏位置信息；包括：
将进行阈值分割后的图像输入R-CNN目标检测网络；
通过R-CNN目标检测网络进行特征提取，获取对应的第二特征数据；
根据所述第二特征数据和所述第一特征数据分析空冷器管束的泄漏位置；具体流程包括：
步骤A、候选区域选择，将Region Proposal算法看作不同宽和高的滑动窗口，通过窗口滑动获得潜在的目标图像；将Region Proposal提取的目标图像进行归一化，作为R-CNN目标检测网络的输入；
步骤B、R-CNN目标检测网络进行特征提取，根据输入进行卷积、池化操作，得到固定的标准输出向量；
步骤C、根据第一特征数据的训练分类器，对上一步的输出向量进行分类，并通过边界回归得到精确的泄漏位置。
2.根据权利要求1所述的方法，其特征在于，所述步骤1还包括：
将所述检测数据输入R-CNN网络进行训练，得到泄漏位置的第一特征数据；
根据所述第一特征数据将所述空冷器管束分为泄漏管束和无泄漏管束。
3.根据权利要求1所述的方法，其特征在于，所述步骤2利用空冷器渗漏点处渗漏的水经高速气流冷却，其温度相较于无渗漏处要低的原理，采用远红外热成像技术，采集空冷器的温度数据，得到空冷器管束的温度分布图。
4.一种基于图像处理的换流站空冷器泄漏检测系统，应用权利要求1所述的基于图像处理的换流站空冷器泄漏检测方法，其特征在于，包括远红外热成像仪和处理终端；所述处理终端包括：
第一分析模块，用于获取空冷器管束泄漏时对应的检测数据，根据所述检测数据分析得到泄露位置的第一特征数据；
获取模块，用于获取远红外热成像仪检测到的空冷器管束的温度分布图；
图像分割模块，用于利用最大类间方差法对所述温度分布图进行阈值分割；
第二分析模块，用于通过R-CNN目标检测法，根据所述第一特征数据和进行阈值分割的图像分析得到所述空冷器管束的泄漏位置信息；包括：
将进行阈值分割后的图像输入R-CNN目标检测网络；
通过R-CNN目标检测网络进行特征提取，获取对应的第二特征数据；
根据所述第二特征数据和所述第一特征数据分析空冷器管束的泄漏位置。
5.根据权利要求4所述的换流站空冷器泄漏检测系统，其特征在于，所述第一分析模块执行步骤包括：
将所述检测数据输入R-CNN网络进行训练，得到泄漏位置的第一特征数据；
根据所述第一特征数据将所述空冷器管束分为泄漏管束和无泄漏管束。
CN202010943448.2A 2020-09-09 2020-09-09 一种基于图像处理的换流站空冷器泄漏检测方法及系统 Active CN111999001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010943448.2A CN111999001B (zh) 2020-09-09 2020-09-09 一种基于图像处理的换流站空冷器泄漏检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010943448.2A CN111999001B (zh) 2020-09-09 2020-09-09 一种基于图像处理的换流站空冷器泄漏检测方法及系统

Publications (2)

Publication Number Publication Date
CN111999001A CN111999001A (zh) 2020-11-27
CN111999001B true CN111999001B (zh) 2022-07-08

Family

ID=73469731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010943448.2A Active CN111999001B (zh) 2020-09-09 2020-09-09 一种基于图像处理的换流站空冷器泄漏检测方法及系统

Country Status (1)

Country Link
CN (1) CN111999001B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276754A (zh) * 2019-06-21 2019-09-24 厦门大学 一种表面缺陷检测方法、终端设备及存储介质
CN110702331A (zh) * 2019-11-14 2020-01-17 中国南方电网有限责任公司超高压输电公司大理局 基于换流站阀内冷系统的漏水检测方法和装置以及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109804119B (zh) * 2016-12-30 2021-03-19 同济大学 基于红外热像图分析的沥青路面裂缝发育程度检测方法
US10823618B2 (en) * 2018-01-25 2020-11-03 General Electric Company Methods and systems for temperature measurement with machine learning algorithm

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276754A (zh) * 2019-06-21 2019-09-24 厦门大学 一种表面缺陷检测方法、终端设备及存储介质
CN110702331A (zh) * 2019-11-14 2020-01-17 中国南方电网有限责任公司超高压输电公司大理局 基于换流站阀内冷系统的漏水检测方法和装置以及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于图像处理和神经网络的变电站关键设备红外检测方法;臧晓春;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》;20190115(第1期);第I-VI、1-63页 *

Also Published As

Publication number Publication date
CN111999001A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN111242123B (zh) 一种基于红外图像的电力设备故障诊断方法
US11221107B2 (en) Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
WO2023077404A1 (zh) 缺陷检测方法、装置和系统
CN110148130B (zh) 用于检测零件缺陷的方法和装置
US8331650B2 (en) Methods, systems and apparatus for defect detection
CN111624229B (zh) 一种基于红外成像的带电设备故障智能诊断方法
CN110119710A (zh) 细胞分类方法、装置、计算机设备和存储介质
CN111047568A (zh) 一种漏汽缺陷检测识别方法及系统
CN106709958A (zh) 一种基于灰度梯度和颜色直方图的图像质量评价方法
Guan et al. Automatic fault diagnosis algorithm for hot water pipes based on infrared thermal images
CN105938513A (zh) 为计算机辅助诊断提供可靠性的装置和方法
Gao et al. A novel VBM framework of fiber recognition based on image segmentation and DCNN
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
CN115345894B (zh) 一种焊缝射线检测图像分割方法
CN111860593A (zh) 一种基于生成对抗网络的风机叶片故障检测方法
CN114266881A (zh) 一种基于改进型语义分割网络的指针式仪表自动读数方法
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
Dai et al. Detection and segmentation of image anomalies based on unsupervised defect reparation
CN111999001B (zh) 一种基于图像处理的换流站空冷器泄漏检测方法及系统
CN108992033B (zh) 一种视觉测试的评分装置、设备和存储介质
CN112001894B (zh) 一种甲状腺边界平滑度检测装置
CN113628252A (zh) 一种基于热成像视频的泄漏气体云团检测方法
CN111626989B (zh) 针对缺失标注的病理图像的高精度检测网络训练方法
CN111882521A (zh) 一种细胞涂片的图像处理方法
CN116563283A (zh) 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置

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
GR01 Patent grant
GR01 Patent grant