CN112232222B - 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 - Google Patents

基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 Download PDF

Info

Publication number
CN112232222B
CN112232222B CN202011118727.1A CN202011118727A CN112232222B CN 112232222 B CN112232222 B CN 112232222B CN 202011118727 A CN202011118727 A CN 202011118727A CN 112232222 B CN112232222 B CN 112232222B
Authority
CN
China
Prior art keywords
bolt
image
ellipse
point
end cover
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
CN202011118727.1A
Other languages
English (en)
Other versions
CN112232222A (zh
Inventor
王斐
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202011118727.1A priority Critical patent/CN112232222B/zh
Publication of CN112232222A publication Critical patent/CN112232222A/zh
Application granted granted Critical
Publication of CN112232222B publication Critical patent/CN112232222B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/10—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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，包括一：获取待检测图像；二：对待检测图像进行直方图规定化处理；三：针对直方图规定化处理后的图像，利用canny算子进行边缘检测，并输出轮廓点梯度大小和方向；四：根据轮廓点梯度大小和方向得到端盖椭圆中心点位置；五：分别截取螺栓图像，截图过程中将图像进行旋转，使螺栓的中心与端盖中心的连线逆时针与水平方向成18度角；六：根据旋转后的螺栓图像判断螺栓孔是否存在，若存在则认定为故障并将故障上传，若不存在则判断螺栓是否存在，若存在则检测下一个螺栓，若不存在则提取LBP特征并利用SVM分类器判断螺栓是否丢失，若判定为丢失则将故障上传，若判定为未丢失则检测下一个螺栓。

Description

基于图像处理的动车轴箱端盖螺栓丢失故障检测方法
技术领域
本发明涉及铁路车辆故障诊断技术领域，具体为基于图像处理的动车轴箱端盖螺栓丢失故障检测方法。
背景技术
目前动车组故障检测，一般采用人工排查的方式进行故障检修。由检测作业受作业人员的业务素质、责任心、劳动强度等因素影响较大，容易发生漏检或简化作业等情况。人工检测工作效率低，一旦出现作业质量问题，不利于查找作业过程中产生问题的原因和问题发生的时间。
发明内容
本发明的目的是：针对现有技术中人工检测工作效率低的问题，提出一种基于图像处理的动车轴箱端盖螺栓丢失故障检测方法。
本发明为了解决上述技术问题采取的技术方案是：
基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，包括以下步骤：
步骤一：获取待检测图像；
步骤二：对待检测图像进行直方图规定化处理；
步骤三：针对直方图规定化处理后的图像进行边缘检测，同时输出轮廓点位置、梯度大小和梯度方向；
步骤四：根据轮廓点梯度大小和方向得到端盖椭圆中心点位置；
步骤五：截取每个螺栓图像，截取过程中将图像进行旋转，使螺栓的中心与端盖中心的连线逆时针与水平方向成18度角；
步骤六：根据旋转后的螺栓图像，判断螺栓孔是否存在，若存在，则认定为故障，并将故障上传，若不存在，则判断螺栓是否存在，若存在，则检测下一个螺栓，若不存在，则提取LBP特征，并利用SVM分类器判断螺栓是否丢失，若判定为丢失，则将故障上传，若判定为未丢失，则检测下一个螺栓。
进一步的，所述边缘检测通过SOBEL算子进行。
进一步的，所述边缘检测通过改进canny算子进行，所述改进的canny算子的输出为双通道的矩阵，一个通道存储轮廓点位置及梯度大小，另一个通道存储轮廓点的梯度方向。
进一步的，所述步骤四的具体步骤为：
步骤四一：循环遍历边缘检测后的矩阵中的每个像素点，并保留梯度大小在梯度阈值范围内的轮廓点(x,y)；
步骤四二：遍历所有轮廓点(x,y)，循环遍历每个轮廓点的极坐标倾斜角φ，根据轴箱端盖的高a和宽b得到轮廓点在该倾斜角下对应的椭圆中心点(x0,y0)；
步骤四三：根据轮廓点(x,y)及对应的椭圆中心(x0,y0)得到椭圆上点(x,y)的法线方向θ，当法线方向θ与该轮廓点的梯度方向差值小于角度阈值时，得到的该椭圆中心点有效，否则无效；
步骤四四：所有轮廓点遍历结束后，得到一个矩阵，矩阵中每个值表示图像中以该点为椭圆中心点的椭圆上符合要求的轮廓点数量，矩阵中每个值的横轴坐标为椭圆横坐标，矩阵中每个值的纵轴坐标为椭圆纵坐标；
步骤四五：将矩阵进行高斯滤波处理，获取矩阵中超过阈值点的区域，得到连通区域；
步骤四六：计算连通区域内的x方向与y方向一阶矩，x方向和y方向一阶矩分别与灰度值总和的比值即为椭圆的中心点坐标。
进一步的，所述椭圆中心(x0,y0)表示为：
x0＝x-b*cosφ
y0＝y-a*sinφ。
进一步的，所述法线方向θ表示为：
Figure BDA0002731239610000021
进一步的，所述步骤六中判断螺栓孔是否存在的具体步骤为：
首先使用聚类算法，根据灰度值将旋转后的图像中螺栓、安装孔、端盖及背景进行分类，然后进行阈值分割，之后根据阈值分割的结果并结合纹理特征判断图像中是否存在螺栓孔。
本发明的有益效果是：
1、利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本。
2、相对于模板匹配等方式利用端盖的椭圆形特征寻找端盖中心的方式效率更高，稳定性更好。
3、相对于深度学习等方式，利用端盖的几何特征定位端盖和螺栓，能够有效的提高运行效率减少计算机资源消耗，硬件上不需要GPU参与，减少设备运行成本提高运行效率。
附图说明
图1为故障判定流程图；
图2为轴箱端盖图；
图3为通过轮廓特征定位椭圆形端盖图；
图4为正常螺栓图像示意图；
图5为螺栓孔对比不明显示意图；
图6为螺栓对比不明显示意图。
具体实施方式
具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，包括以下步骤：
步骤一：获取待检测图像；
步骤二：对待检测图像进行直方图规定化处理；
步骤三：针对直方图规定化处理后的图像，利用canny算子进行边缘检测，并输出轮廓点梯度大小和方向；
步骤四：根据轮廓点梯度大小和方向得到端盖椭圆中心点位置；
步骤五：分别截取螺栓图像，截图过程中将图像进行旋转，使螺栓的中心与端盖中心的连线逆时针与水平方向成18度角；
步骤六：根据旋转后的螺栓图像，判断螺栓孔是否存在，若存在，则认定为故障，并将故障上传，若不存在，则判断螺栓是否存在，则检测下一个螺栓，若不存在，则提取LBP特征，并利用SVM分类器判断螺栓是否丢失，若判定为丢失，则将故障上传，若判定为未丢失，则检测下一个螺栓。
1、获取图像轮廓
为了使不同亮度对比度的图像在经过边缘检测后得到类似的边缘图像，首先对图像进行直方图规定化，使得到的图像有相似的亮度对比度。由于相机安装后角度固定，椭圆形端盖的倾斜在图像中的倾斜角度固定，为了减少计算量，将图像旋转一个角度，使图像中端盖斜椭圆，变为正椭圆。
原canny算子只将获取图像中轮廓点的位置，对canny算子进行修改，卷积计算过程中计算点梯度大小的同时，计算梯度方向。获取轮廓点位置的同时，获取轮廓点对应的梯度方向。
将canny算子的输出改为双通道的矩阵，一个通道存储轮廓点位置及梯度大小，一个通道存储轮廓点的梯度方向。
2、获取端盖中心点位置
当相机角度固定后，不同端盖高度a和宽度b尺寸基本相同。
循环遍历图像中每个像素点，判断每个梯度点的梯度大小是否在制定阈值范围内。
根据椭圆公式得出当椭圆上点(x,y)，其对应的椭圆中心为(x0,y0)。
x0＝x-b*cosφ
y0＝y-a*sinφ
同时求导得出当点位于椭圆上时，该点的法线方向为
Figure BDA0002731239610000041
那么当θ方向与该点的梯度方向差值小于阈值时，可以认为该点位于中心为(x0,y0)，高宽为a和b的椭圆上。
那么循环遍历每个点的角度参数φ，即可得到一些高宽为a和b的椭圆中心点。
当整张图像遍历结束时，可得到一个，矩阵横纵坐标代表椭圆的中心点坐标，矩阵中每个元素的值为以该点为中心的椭圆上存在的轮廓点数量。把矩阵当作图像处理进行高斯滤波，过滤掉干扰。获取在图像中所有超过阈值点的连通区域，计算该区域的x方向与y方向一阶矩。区域内点x方向和y方向一阶矩分别与灰度值总和的比值即为椭圆的中心。
当相机角度固定后，螺栓在端盖的角度位置基本确定，根据端盖中心点位置，截取各个螺栓的图像。为方便后续识别将所有螺栓统一旋转到固定角度方向。这样后续需要识别的螺栓样本训练集只需要一个角度的螺栓图像，减少后续处理的复杂程度。
3、识别故障
识别故障采用SVM分类与图像处理相结合的方式判断螺栓是否丢失。通常来说正常螺栓在图像中存在圆形轮廓，螺栓丢失后，在原来安装螺栓的位置会出现更小的螺栓安装孔，安装孔相对周围像素点灰度值较低。首先使用聚类算法，根据灰度值将图像中螺栓、安装孔、端盖及背景等进行分类，进行阈值分割后，判断图像中是否存在螺栓孔及正常螺栓。
有时螺栓丢失后，在原来安装螺栓位置的安装孔与安装耳的灰度差值不明显，而且正常螺栓与安装耳的灰度值的差值有时也不明显，按照上面的处理方式无法找到灰度值较大的螺栓和灰度值较小的螺栓孔。为了避免漏报，采用上述方式判断螺栓丢失的同时，采用纹理特征判断螺栓是否丢失。收集上述对比度不明显的图像，提取螺栓子图的LBP特征，使用SVM训练。在识别过程中，无法提取通过灰度值判断螺栓和螺栓孔是否存在时，提取LBP特征，使用SVM进行识别判断。以此避免漏报，减少误报。
通过改进canny算子，获取图像中轮廓点的位置，梯度大小及梯度方向。通过循环遍历轮廓点，根据椭圆上轮廓点法线方向与梯度方向基本一致的特征寻找椭圆中心，即端盖中心。截取端盖螺栓图像，根据一般正常螺栓灰度值较高及螺栓孔灰度值较低的特点，通过图像处理判定螺栓是否丢失。对于少数灰度值对比不明显的螺栓采用SVM分类的方式判断螺栓是否丢失。以此避免漏报，减少误报。
轴箱端盖如图2所示，通过轮廓特征定位椭圆形端盖如图3所示，正常螺栓图像示意图如图4所示，螺栓孔对比不明显示意图如图5所示，螺栓对比不明显示意图如图6所示。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (6)

1.基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，包括以下步骤：
步骤一：获取待检测图像；
步骤二：对待检测图像进行直方图规定化处理；
步骤三：针对直方图规定化处理后的图像进行边缘检测，同时输出轮廓点位置、梯度大小和梯度方向；
步骤四：根据轮廓点梯度大小和方向得到端盖椭圆中心点位置；
步骤五：截取每个螺栓图像，截取过程中将图像进行旋转，使螺栓的中心与端盖中心的连线逆时针与水平方向成18度角；
步骤六：根据旋转后的螺栓图像，判断螺栓孔是否存在，若存在，则认定为故障，并将故障上传，若不存在，则判断螺栓是否存在，若存在，则检测下一个螺栓，若不存在，则提取LBP特征，并利用SVM分类器判断螺栓是否丢失，若判定为丢失，则将故障上传，若判定为未丢失，则检测下一个螺栓；
其特征在于所述步骤四的具体步骤为：
步骤四一：循环遍历边缘检测后的矩阵中的每个像素点，并保留梯度大小在梯度阈值范围内的轮廓点(x,y)；
步骤四二：遍历所有轮廓点(x,y)，循环遍历每个轮廓点的极坐标倾斜角φ，根据轴箱端盖的高a和宽b得到轮廓点在该倾斜角下对应的椭圆中心点(x0,y0)；
步骤四三：根据轮廓点(x,y)及对应的椭圆中心(x0,y0)得到椭圆上点(x,y)的法线方向θ，当法线方向θ与该轮廓点的梯度方向差值小于角度阈值时，得到的该椭圆中心点有效，否则无效；
步骤四四：所有轮廓点遍历结束后，得到一个矩阵，矩阵中每个值表示图像中以该点为椭圆中心点的椭圆上符合要求的轮廓点数量，矩阵中每个值的横轴坐标为椭圆横坐标，矩阵中每个值的纵轴坐标为椭圆纵坐标；
步骤四五：将矩阵进行高斯滤波处理，获取矩阵中超过阈值点的区域，得到连通区域；
步骤四六：计算连通区域内的x方向与y方向一阶矩，x方向和y方向一阶矩分别与灰度值总和的比值即为椭圆的中心点坐标。
2.根据权利要求1所述的基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，其特征在于所述边缘检测通过SOBEL算子进行。
3.根据权利要求1所述的基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，其特征在于所述边缘检测通过改进的canny算子进行，所述改进的canny算子的输出为双通道的矩阵，一个通道存储轮廓点位置及梯度大小，另一个通道存储轮廓点的梯度方向。
4.根据权利要求1所述的基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，其特征在于所述椭圆中心(x0,y0)表示为：
x0＝x-b*cosφ
y0＝y-a*sinφ。
5.根据权利要求4所述的基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，其特征在于所述法线方向θ表示为：
Figure FDA0002986003590000021
6.根据权利要求1所述的基于图像处理的动车轴箱端盖螺栓丢失故障检测方法，其特征在于所述步骤六中判断螺栓孔是否存在的具体步骤为：
首先使用聚类算法，根据灰度值将旋转后的图像中螺栓、安装孔、端盖及背景进行分类，然后进行阈值分割，之后根据阈值分割的结果并结合纹理特征判断图像中是否存在螺栓孔。
CN202011118727.1A 2020-10-19 2020-10-19 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 Active CN112232222B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011118727.1A CN112232222B (zh) 2020-10-19 2020-10-19 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011118727.1A CN112232222B (zh) 2020-10-19 2020-10-19 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法

Publications (2)

Publication Number Publication Date
CN112232222A CN112232222A (zh) 2021-01-15
CN112232222B true CN112232222B (zh) 2021-05-07

Family

ID=74118821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011118727.1A Active CN112232222B (zh) 2020-10-19 2020-10-19 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法

Country Status (1)

Country Link
CN (1) CN112232222B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907524B (zh) * 2021-02-04 2021-11-12 哈尔滨市科佳通用机电股份有限公司 基于图像处理的铁路货车防火板故障检测方法
CN113592916B (zh) * 2021-07-30 2024-02-06 内蒙古科技大学 一种烧结机台车车轴故障检测方法及系统
CN115170890B (zh) * 2022-07-28 2023-03-14 哈尔滨市科佳通用机电股份有限公司 一种铁路货车连接拉杆链折断故障识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1490208A (zh) * 2002-10-14 2004-04-21 北京理工大学 铁路货车滚动轴承故障检测方法及装置
CN104408477A (zh) * 2014-12-18 2015-03-11 成都铁安科技有限责任公司 一种关键部位的故障检测方法及装置
CN109741314A (zh) * 2018-12-29 2019-05-10 广州博通信息技术有限公司 一种零件的视觉检测方法及系统
CN110246132A (zh) * 2019-06-23 2019-09-17 中车青岛四方车辆研究所有限公司 轨道车辆螺栓松动检测方法及系统
CN111080603A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车轴端螺栓折断故障检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105424330B (zh) * 2014-08-29 2019-09-27 北京航空航天大学 一种货车轴端螺栓故障检测方法及装置
WO2018116032A1 (en) * 2016-12-19 2018-06-28 Airport Authority Automated airfield ground lighting inspection system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1490208A (zh) * 2002-10-14 2004-04-21 北京理工大学 铁路货车滚动轴承故障检测方法及装置
CN104408477A (zh) * 2014-12-18 2015-03-11 成都铁安科技有限责任公司 一种关键部位的故障检测方法及装置
CN109741314A (zh) * 2018-12-29 2019-05-10 广州博通信息技术有限公司 一种零件的视觉检测方法及系统
CN110246132A (zh) * 2019-06-23 2019-09-17 中车青岛四方车辆研究所有限公司 轨道车辆螺栓松动检测方法及系统
CN111080603A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车轴端螺栓折断故障检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TFDS系统心盘螺栓丢失故障的自动识别检测技术;陈燕 等;《郑州轻工业学院学报(自然科学版)》;20100630;第25卷(第3期);第2-4节 *
基于图像处理的动车轴端螺栓检测方法的研究;叶宏鹏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115(第1期);第3.3.1节、第4.3-5.3节 *
基于改进椭圆拟合与非线性支持向量机的配电设备螺栓带电检测;纪良 等;《南京理工大学学报》;20171231;第41卷(第6期);第1-2节 *

Also Published As

Publication number Publication date
CN112232222A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN112232222B (zh) 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法
CN110163853B (zh) 一种边缘缺陷的检测方法
CN106683075B (zh) 一种输电线杆塔横担处螺栓缺陷检测方法
CN110866903B (zh) 基于霍夫圆变换技术的乒乓球识别方法
CN105067638B (zh) 基于机器视觉的轮胎胎膜表面字符缺陷检测方法
CN108564814B (zh) 一种基于图像的停车场车位检测方法及装置
CN106296666B (zh) 一种彩色图像去阴影方法和应用
CN110119741B (zh) 一种有背景的卡证图像信息识别方法
CN108416809B (zh) 一种基于机器视觉的钢桶螺纹盖位姿识别方法
CN104318582B (zh) 一种高铁接触网旋转双耳部件销钉不良状态检测方法
CN111814686A (zh) 一种基于视觉的输电线路识别及异物入侵在线检测方法
CN109993099A (zh) 一种基于机器视觉的车道线提取识别方法
CN115018846B (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
CN102509098A (zh) 一种鱼眼图像车辆识别方法
CN110414308B (zh) 一种针对输电线路上动态异物的目标识别方法
CN110427979B (zh) 基于K-Means聚类算法的道路水坑识别方法
CN109886935A (zh) 一种基于深度学习的道面异物检测方法
CN103577828B (zh) 一种基于边缘特征的道路检测方法
CN112287888B (zh) 一种基于预测权重的轨道转弯识别方法
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
CN112883881B (zh) 一种条状农产品无序分拣方法及装置
WO2021109011A1 (zh) 一种基于超声图像的电容内部缺陷智能检测方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN111476804A (zh) 托辊图像高效分割方法、装置、设备及存储介质
CN114241438B (zh) 一种基于先验信息的交通信号灯快速精确的识别方法

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
GR01 Patent grant
GR01 Patent grant