CN112419298B - 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 - Google Patents
一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112419298B CN112419298B CN202011410041.XA CN202011410041A CN112419298B CN 112419298 B CN112419298 B CN 112419298B CN 202011410041 A CN202011410041 A CN 202011410041A CN 112419298 B CN112419298 B CN 112419298B
- Authority
- CN
- China
- Prior art keywords
- image
- rust
- detection
- area
- corrected
- 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
Links
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 title claims abstract description 229
- 238000001514 detection method Methods 0.000 title claims abstract description 204
- 230000009466 transformation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000003709 image segmentation Methods 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000007797 corrosion Effects 0.000 claims description 24
- 238000005260 corrosion Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 11
- 238000003702 image correction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06T7/13—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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种螺栓节点板锈蚀检测方法、装置、设备及存储介质。该方法包括:获取待检测的螺栓节点板对应的待检测图像;采用第一预设模型识别待检测图像中的螺栓节点板作为感兴趣区域图像;采用第二预设模型对感兴趣区域内的节点板进行图像分割,并基于图像分割结果确定用于透视变换的参考点;采用透视变换对感兴趣区域图像进行校正得到校正图像;采用透视变换对节点板分割图像进行校正得到校正分割图像;基于校正图像和校正分割图像提取校正图像中的螺栓节点板作为锈蚀检测图像;根据锈蚀颜色特征提取锈蚀检测图像中的锈蚀区域并计算锈蚀区域面积所占比例。实现排除待检测图像中与锈蚀颜色特征相近的背景区域干扰,准确识别锈蚀区域的效果。
Description
技术领域
本发明实施例涉及缺陷检测技术,尤其涉及一种螺栓节点板锈蚀检测方法、装置、设备及存储介质。
背景技术
螺栓连接节点是最常用的钢结构构件连接方式之一,螺栓在服役过程中由于大气中水分、氧气和其他污染物等多因素影响会造成螺栓节点板出现锈蚀的情况,从而威胁到整个结构的安全性和稳定性,因此对螺栓的锈蚀检测具有重要意义。
传统螺栓节点板的锈蚀主要通过人工检查发现,效率低且容易漏检,无论从经济性还是可操作性上都偏低。近年来,基于计算机视觉的结构健康检测方法受到了学术界和工业界的广泛关注,现有的金属表面锈蚀检测方法主要包括:基于锈蚀的颜色特征对锈蚀区域进行提取与分析,其中,可以通过单目视差原理,对连续帧进行特征匹配从而确定物体前后关系,排除背景误差造成的误判;或者直接采用目标检测方法或图像分割方法对锈蚀缺陷进行检测或者分割。
然而图像识别钢结构锈蚀面临的主要问题是:采集的图像中往往除了所关注的目标区域往往还包含无关的背景区域,而背景区域难免存在与锈蚀颜色相同的区域,从而对检测造成干扰。
发明内容
本发明提供一种螺栓节点板锈蚀检测方法、装置、设备及存储介质,以实现准确检测螺栓节点板锈蚀情况的效果。
第一方面,本发明实施例提供了一种螺栓节点板锈蚀检测方法,包括:
获取待检测的螺栓节点板对应的待检测图像;
采用第一预设模型识别所述待检测图像中的螺栓节点板作为感兴趣区域图像;
采用第二预设模型对所述感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于所述分割图像获取检测参考点;
基于所述检测参考点和预设参考图像的基准参考点采用透视变换对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像;
基于所述校正图像和所述校正分割图像提取所述校正图像中的螺栓节点板作为锈蚀检测图像;
对所述锈蚀检测图像进行颜色空间转换,并根据锈蚀颜色特征提取所述锈蚀检测图像中的目标锈蚀区域;
根据所述目标锈蚀区域的像素个数与所述锈蚀检测图像的像素个数的比值,确认所述待检测螺栓节点板的锈蚀占比。
可选的,所述采用第一预设模型识别所述待检测图像中的螺栓节点板作为感兴趣区域图像包括:
采用第一预设模型识别所述待检测图像中的螺栓节点板;
获取所述螺栓节点板的位置信息,所述螺栓节点板的位置信息为具有坐标信息的检测区域框;
将所述检测区域框按预设百分比扩大范围后对应的图像作为感兴趣区域图像。
可选的,所述采用第二预设模型对所述感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于所述分割图像获取检测参考点包括:
采用第二预设模型对所述感兴趣区域图像进行图像分割,得到所述感兴趣区域图像螺栓节点板的边缘信息;
基于所述边缘信息检测得到所述感兴趣区域图像的边缘直线;
获取各直线的交点作为透视变换的检测参考点。
可选的,所述基于所述检测参考点和预设参考图像的基准参考点采用透视变换对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像包括:
获取预设参考图像的基准参考点;
根据所述基准参考点和所述检测参考点计算透视变换矩阵;
根据所述透视变换矩阵对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像。
可选的,所述基于所述校正图像和所述校正分割图像提取所述校正图像中的螺栓节点板作为锈蚀检测图像包括:
将所述校正分割图像二值化后的信息作为第一掩码,所述第一掩码为0和1所组成的矩阵,矩阵大小为校正分割图像大小;其中,节点板区域对应的掩码值为1,背景区域掩码值为0;
将所述校正图像与所述第一掩码进行“按位与”运算,得到锈蚀检测图像,所述锈蚀检测图像包含节点板区域和黑色的背景区域。
可选的,所述对所述锈蚀检测图像进行颜色空间转换,并根据锈蚀颜色特征提取所述锈蚀检测图像中的目标锈蚀区域包括:
将所述锈蚀检测图像由RGB空间转换为HSV空间;
根据锈蚀颜色特征在HSV空间的预设颜色范围中提取锈蚀区域对应的第二掩码,所述第二掩码为0和1所组成的矩阵,矩阵大小为锈蚀检测图像大小;其中,锈蚀区域对应的掩码值为1,背景区域掩码值为0;;
将所述锈蚀检测图像与所述第二掩码进行“按位与”运算,得到目标锈蚀区域图像,所述目标锈蚀区域图像包含锈蚀区域和黑色的背景区域。
可选的,将标准图像经过所述第一预设模型和所述第二预设模型提取基准参考点,保存并形成所述预设参考图像信息。
第二方面,本发明实施例提供了一种螺栓节点板锈蚀检测装置,包括:
图像获取模块,用于获取待检测螺栓节点板对应的待检测图像;
第一图像区域提取模块,用于采用第一预设模型识别所述待检测图像中的螺栓节点板作为感兴趣区域图像;
参考点获取模块,用于采用第二预设模型对所述感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于所述分割图像获取检测参考点;
图像校正模块,用于基于所述检测参考点和预设参考图像的基准参考点采用透视变换对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像;
第二图像区域提取模块,用于基于所述校正图像和所述校正分割图像提取所述校正图像中的螺栓节点板作为锈蚀检测图像;
锈蚀检测模块,用于对所述锈蚀检测图像进行颜色空间转换,并根据锈蚀特征提取所述锈蚀检测图像中的目标锈蚀区域;
锈蚀结果确认模块,用于根据所述目标锈蚀区域的像素个数与所述锈蚀检测图像的像素个数的比值,确认所述待检测螺栓节点板的锈蚀占比。
第三方面,本发明实施例提供了一种螺栓节点板锈蚀检测设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一所述的螺栓节点板锈蚀检测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一所述的螺栓节点板锈蚀检测方法。
本发明实施例通过先识别待检测图像中的螺栓节点板作为感兴趣区域图像,再采用第二预设模型对感兴趣区域的螺栓节点板进行图像分割,并基于分割结果得到检测参考点,然后基于检测参考点和基准参考点对感兴趣图像和节点板分割图像进行校正,并基于校正后的感兴趣区域图像和校正后的分割图像精确提取螺栓节点板作为锈蚀检测图像锈蚀检测图像,基于锈蚀颜色特征对锈蚀检测图像进行锈蚀检测,解决目标检测区域常常包含无关的背景干扰,从而导致锈蚀检测出现误判的问题,以及通过校正图像还原真实锈蚀区域占比情况的效果。,实现通过校正图像还原真实锈蚀区域占比情况的效果。
附图说明
图1A为本发明实施例一提供的一种螺栓节点板锈蚀检测方法的流程示意图;
图1B为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的感兴趣区域图像的示意图;
图1C为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的螺栓节点板分割结果图像的示意图;
图1D为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的检测参考点的示意图;
图1E为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的另一种感兴趣区域图像的示意图;
图1F为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的预设参考图像的示意图;
图1G为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的校正图像的示意图;
图1H为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的另一种螺栓节点板分割结果图像的示意图;
图1I为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的校正分割图像的示意图;
图1J为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的锈蚀检测图像的示意图;
图2A为本发明实施例一提供的另一种螺栓节点板锈蚀检测的流程示意图;
图2B为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的第二掩码的示意图;
图2C为本发明实施例一提供的一种螺栓节点板锈蚀检测方法中得到的目标锈蚀区域的示意图;
图3为本发明实施例二提供的一种螺栓节点板锈蚀检测装置的结构示意图;
图4为本发明实施例三提供的一种螺栓节点板锈蚀检测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
本实施例可适用于对检测螺栓节点板是否存在锈蚀的情况,该方法可以由螺栓节点板锈蚀检测装置来执行,如图1A所示,具体包括如下步骤:
步骤110、获取待检测的螺栓节点板对应的待检测图像。
对需要进行检测的螺栓节点板图像进行采集生成待检测图像,图像采集方式包括:人工采集、无人机巡检采集、检测机器人采集等多种方式;其中采集的图像范围完整包含螺栓连接节点板所在区域。
步骤120、采用第一预设模型识别待检测图像中的螺栓节点板作为感兴趣区域图像。
在进行螺栓节点板锈蚀检测前,需要进行深度学习模型的训练,第一预设模型为感兴趣区域图像识别模型,是基于深度学习方法训练得到的目标检测模型,目标检测模型可以为faster-RCNN、SSD、YOLO等系列中的一种。第一预设模型的训练包括:首先采集包含螺栓节点板预设区域图像;对采集的图像中的螺栓节点进行数据标注,并形成训练集和验证集;其次,在模型训练的过程中使用在线数据增强的方式,所采用的数据增强的方式包括但不限于以下几种:尺度变化、透视变换、随机旋转和翻转、直方图均衡化、加高斯噪声、HSV空间颜色变换、转灰度等,其中,采用DropBlock的正则化方法对卷积神经网络模型特征图进行随机区块式的遮挡,可更好的适应螺栓节点板出现锈蚀、阴影等情况,提高模型泛化能力;最后,当验证集验证结果满足结束条件时结束训练,保存检测模型参数。
将采集到的待检测图像输入第一预设模型进行识别,识别待测图像中的螺栓节点板作为感兴趣区域图像,其中,感兴趣区域图像范围略大于螺栓连接节点板对应的范围。
将感兴趣区域图像作为后续的识别图像可以排除非螺栓节点板的背景图像影响,突出螺栓节点板目标特征,提高后续节点板分割性能,从而后续提高锈蚀检测的准确度。
步骤130、采用第二预设模型对感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于分割图像获取检测参考点。
第二预设模型为螺栓连接节点板图像分割模型,是基于深度学习方法训练得到的图像分割模型,可以为FCN、UNet、DeepLab等图像分割模型中的一种。第三预设模型的训练包括:首先对获取的感兴趣区域图像中的螺栓连接节点板进行数据标注,并形成训练集和验证集,其中,标签为二值化的掩码图像,螺栓连接节点区域像素值为255,背景区域值为0;其次,在模型训练的过程中使用在线数据增强的方式,所采用的数据增强的方式包括但不限于以下几种:尺度变化、透视变换、随机旋转和翻转、直方图均衡化、加高斯噪声、HSV空间颜色变换、转灰度等;采用DropBlock的正则化方法对卷积神经网络模型特征图进行随机区块式的遮挡,提高模型泛化能力;当验证集验证结果满足结束条件时结束训练,保存目标检测模型参数。
如图1B所示,将感兴趣区域图像10输入第二预设模型进行识别,对感兴趣区域图像10进行图像分割,图像分割结果为灰度图,如图1C所示,区域11是灰度值较低的背景区域,区域10a是灰度值较高的节点板前景区域,前景区域与背景区域之间可以显明看见节点板边缘特征,并且没有其他无效边缘特征,然后使用Canny算子进行边缘检测,如图1D所示,基于得到的边缘信息使用Hough变换算法提取出螺栓节点板边缘直线(如图1D中12、13、14和15所示),计算各直线之间的交点坐标值作为检测参考点(如图1D中a、b、c和d所示)。
基于深度学习的螺栓节点板图像分割方法可在节点板出现阴影、锈蚀、图像质量不佳等干扰的情况下仍然可以高鲁棒性地突出准确的节点板边缘特征,同时排除其他非节点板干扰边缘特征,提高后续基于节点板边缘特征的直线检测准确性。
步骤140、基于检测参考点和预设参考图像的基准参考点采用透视变换对感兴趣区域图像和节点板分割图像进行校正,得到校正图像和校正分割图像。
由于待检测图像与标准图像存在尺度、角度、位置等不确定偏差,因此,基于待检测图像获取的感兴趣区域图像也存在尺度、角度、位置等不确定偏差;进行螺栓缺失检测时,需将待测图像的视角转换成预设参考图像的视角以还原锈蚀区域所占真实比例,采用透视变换的方法将感兴趣区域图像进行校正得到校正图像;如图1E、图1F和图1G所示,具体包括:获取感兴趣图像20中螺栓连接节点板20a的4个检测参考点(如图1E中a2、b2、c2和d2)与预设参考图像30中螺栓连接节点板30a的4个基准参考点(如图1F中a3、b3、c3和d3)的坐标值计算得出透视变换矩阵H,根据透视变换矩阵H对感兴趣区域图像进行透视变换,得到校正图像40,其中包含完整的螺栓连接节点板40a,从而使透视变换后的校正图像与预设参考图像置于同一视角。
由于后续需要用颜色特征来判断锈蚀,那么就必须严格排除掉所有背景区域的干扰,防止误判,使用图像分割的方法可以精确地划分出节点板区域。首先采用同样的方法和同样的透视变换矩阵H对节点板分割图像进行校正,得到校正分割图像,具体方法与上述内容相同,在此不再进行赘述,此时校正分割图像与预设参考图像置于同一视角,即校正分割图像与校正图像为同一视角,此时校正分割图像的节点板前景区域与校正图像的节点板区域在同一坐标系下几乎重合,后期可基于校正图像和校正分割图像获得排除了背景区域螺栓节点板图像。如图1H和图1I所示,图1H为节点板分割结果图像,其中包括感兴趣区域图像50,结果图像为白色的节点板区域50a和黑色的背景区域51;图1I为校正分割图像,其中包括感兴趣区域图像60,结果图像为白色的节点板区域60a和黑色的背景区域61。
其中,预设参考图像由标准螺栓图像处理得到,标准螺栓图像为螺栓的正面视角,无水平或垂直方向的角度偏转。预设参考图像的构建包括:(1)调用第一预设模型,并将读取的标准螺栓图像输入到第一预设模型中,识别螺栓连接节点板的位置信息,截取螺栓连接节点板图像为感兴趣区域图像作为后续识别图像,其中,为了保证检测区域框内包含所有完整的螺栓,检测框向外扩展5%作为感兴趣区域最终结果;(2)调用第二预设模型,将感兴趣区域图像输入到第二预设模型中,对螺栓连接节点板图像进行图像分割得到灰度图像,然后使用Canny算子进行边缘检测,基于得到的边缘信息使用Hough变换算法提取出螺栓连接节点板边缘直线,计算各直线之间的交点坐标值作为预设参考图像的基准参考点;其中,由于节点板的所检测的边缘可能会检测出多条相似的直线,那么也就会产生多个直线之间的交点,以矩形螺栓节点板为例,使用k-means聚类方法对所有交点信息进行聚类,最终将数据分成4组,4组数据的聚类中心为最终确定的4个基准参考点坐标;将获得的基准参考点信息保存即为预设参考图像信息。
步骤150、基于校正图像和校正分割图像提取校正图像中的螺栓节点板作为锈蚀检测图像。
校正图像与预设参考图像为同样视角,还原了真实锈蚀区域的情况;如图1J所示,基于校正图像和校正分割图像提取校正图像中的螺栓节点板作为锈蚀检测图像,其中,图1J中包含完整的螺栓节点板区域,即锈蚀检测图像70a,和已经被纯黑像素(像素值为0)取代的背景区域71,依据锈蚀检测图像进行的锈蚀检测,可以准确识别待检测图像中的真实锈蚀区域。
步骤160、对锈蚀检测图像进行颜色空间转换,并根据锈蚀颜色特征提取锈蚀检测图像中的目标锈蚀区域。
将锈蚀检测图像转换成预设的颜色空间,根据预设颜色空间对应的颜色判断条件对锈蚀检测图像进行颜色检测,即基于锈蚀区域具有的颜色特征判断并提取锈蚀检测图像中的目标锈蚀区域。
步骤170、根据目标锈蚀区域的像素个数与锈蚀检测图像的像素个数的比值,确认待检测螺栓节点板的锈蚀占比。
根据目标锈蚀区域的像素个数与锈蚀检测图像的像素个数的比值,确认目标锈蚀区域在锈蚀检测图像中的占比,即确认锈蚀程度。
本发明实施例通过先识别待检测图像中的螺栓节点板作为感兴趣区域图像,再采用第二预设模型对感兴趣区域的螺栓节点板进行图像分割,并基于分割结果得到检测参考点,然后基于检测参考点和基准参考点对感兴趣图像和节点板分割图像进行校正,并基于校正后的感兴趣区域图像和校正后的分割图像精确提取螺栓节点板作为锈蚀检测图像检测区域图像,基于锈蚀颜色特征对锈蚀检测图像进行锈蚀检测,解决目标检测区域常常包含无关的背景干扰,从而导致锈蚀检测出现误判的问题,实现通过校正图像还原真实锈蚀区域占比情况的效果。
在上述技术方案的基础上,如图2所示,一种螺栓节点板锈蚀检测方法的具体步骤包括:
步骤201、获取待检测的螺栓节点板对应的待检测图像。
步骤202、采用第一预设模型识别待检测图像中的螺栓节点板。
步骤203、获取螺栓节点板的位置信息,螺栓节点板的位置信息为具有坐标信息的检测区域框。
示例性的,检测区域框表示为(x1,y1,w1,h1),其中x1和y1是当前待测图像检测区域框的中心点坐标,w1和h1表示检测区域框的宽和高。
步骤204、将检测区域框扩大预设值后对应的图像作为感兴趣区域图像。
为了保证检测区域框内包含所有完整的螺栓,检测框向外扩展5%作为感兴趣区域最终结果,截取感兴趣区域图像作为后续识别图像。
步骤205、采用第二预设模型对感兴趣区域图像进行图像分割,得到感兴趣区域图像螺栓节点板的边缘信息。
调用第二预设模型,将感兴趣区域图像输入到第二预设模型中,进行图像分割处理,输出结果为一张灰度图像,其中,灰度图像可清晰地显示螺栓节点板的边缘信息,因而所检测的边缘直线更加准确,相比其他直接检测边缘直线的方法有明显优势。
使用Canny算子对得到的灰度图像进行边缘检测,其中,Canny算子的高低阈值参数优选设置为150和50,由于基于深度学习的图像分割结果的准确性较高,可清晰辨认螺栓节点板边缘,因此Canny边缘检测在无需调试算子的高低阈值参数的情况下,可准确提取螺栓节点板实际的边缘信息。
步骤206、基于边缘信息检测得到感兴趣区域图像的边缘直线。
基于得到的边缘信息使用Hough变换算法将检测到的边缘点映射到Hough变换空间并存储在累加器中,通过设置合适的阈值从累加器中提取出感兴趣区域图像的边缘直线。
步骤207、获取各直线的交点作为透视变换的检测参考点。
步骤208、获取预设参考图像的基准参考点。
步骤209、根据基准参考点和检测参考点计算透视变换矩阵。
4个检测参考点与4个基准参考点对应,根据基准参考点的坐标值和检测参考点的坐标值计算得出透视变换矩阵H。
步骤210、根据透视变换矩阵对感兴趣区域图像和节点板分割图像进行校正,得到校正图像和校正分割图像。
根据透视变换矩阵H对感兴趣区域图像和节点板分割图像进行透视变换,从而使透视变换后的校正图像、校正分割图像与预设参考图像置于同一视角。校正后的图像还原真实锈蚀区域比重,可准确描述螺栓节点板锈蚀情况。
步骤211、将校正分割图像二值化后的图像信息作为第一掩码,第一掩码为0和1所组成的矩阵,矩阵大小为校正分割图像大小;其中,节点板区域对应的掩码值为1,背景区域掩码值为0。
校正图像与校正分割图像也为同样视角,基于校正分割图像可以准确提取的校正图像中的锈蚀检测图像。在校正分割图像进行二值化后,螺栓节点板和其他区域明显区别开来(如图1I中的节点板区域60a和背景区域61),螺栓节点板区域像素值为255,背景区域像素值为0,将此时图像信息作为第一掩码。
步骤212、将校正图像与第一掩码进行“按位与”运算,得到锈蚀检测图像,锈蚀检测图像包含节点板区域和黑色的背景区域。
将校正图像与第一掩码进行“按位与”运算,得到锈蚀检测图像,即对校正图像中非螺栓节点板图像进行遮挡,对校正图像中的螺栓节点板图像进行提取,得到精确的螺栓节点板区域图像,排除与锈蚀颜色相近的背景图像干扰。其中,锈蚀检测图像包含白色的节点板区域和黑色的背景区域。
步骤213、将锈蚀检测图像由RGB空间转换为HSV空间。
对于图像而言,识别相应的颜色在RGB空间、HSV空间或者其它颜色空间都是可行的。在HSV空间中H代表的色调结合饱和度和亮度在某个连续的值域范围内,可以确定某种颜色。而RGB由三个分量构成,需要判断每种分量的贡献比例。因此将HSV空间用于指定颜色分割时,有较好的效果。
步骤214、根据锈蚀颜色特征在HSV空间的预设颜色范围中提取锈蚀区域对应的第二掩码,第二掩码为0和1所组成的矩阵,矩阵大小为锈蚀检测图像大小;其中,锈蚀区域对应的掩码值为1,背景区域掩码值为0。
根据锈蚀颜色特征所对应的HSV空间的颜色范围在检测图像中提取锈蚀区域对应的第二掩码,如图2B所示,图中包含黑色背景区域81和白色前景区域82(锈蚀区域对应的掩码)。
步骤215、将锈蚀检测图像与第二掩码进行“按位与”运算,得到目标锈蚀区域图像,目标锈蚀区域图像包含锈蚀区域和黑色的背景区域。
将锈蚀检测图像与第二掩码进行“按位与”运算,遮挡了锈蚀检测图像中的非锈蚀颜色特征区域,提取出锈蚀颜色特征对应的区域,即目标锈蚀区,如图2C所示,图中包含黑色的背景区域91和白色的目标锈蚀区域92。
进一步的,在确认待检测螺栓节点板的锈蚀占比之后,还可以根据锈蚀占比与多个预设阈值之间的关系,将锈蚀程度进行分级,示例性的,当锈蚀占比大于50%时,判断锈蚀程度为严重锈蚀;当锈蚀占比小于50%大于10%时,判断为中度腐蚀;当锈蚀占比小于10%时,判断锈蚀程度为轻度锈蚀。
实施例二
本发明实施例所提供的螺栓节点板锈蚀检测装置可执行本发明任意实施例所提供的螺栓节点板锈蚀检测方法,具备执行方法相应的功能模块和有益效果。
如图3所示,一种螺栓节点板锈蚀检测方法装置,包括:
图像获取模块310,用于获取待检测螺栓节点板对应的待检测图像。
对需要进行检测的螺栓节点板图像进行采集生成待检测图像,图像采集方式包括:人工采集、无人机巡检采集、检测机器人采集等多种方式;其中采集的图像范围完整包含螺栓节点板所在区域。
第一图像区域提取模块320,用于采用第一预设模型识别待检测图像中的螺栓节点板作为感兴趣区域图像。
在进行螺栓节点板锈蚀检测前,需要进行深度学习模型的训练,第一预设模型为感兴趣区域图像识别模型,是基于深度学习方法训练得到的目标检测模型,目标检测模型可以为faster-RCNN、SSD、YOLO等系列中的一种。
将采集到的待检测图像输入第一预设模型进行识别,识别待测图像中的螺栓节点板作为感兴趣区域图像,其中,感兴趣区域图像范围略大于螺栓连接节点板对应的范围。将感兴趣区域图像作为后续的识别图像可以排除非螺栓节点板的背景图像影响,突出前景目标特征,提高后续节点板分割性能,从而提高后续锈蚀检测的准确度。
参考点获取模块330,用于采用第二预设模型对感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于分割图像获取检测参考点。
第二预设模型为螺栓连接节点板图像分割模型,是基于深度学习方法训练得到的图像分割模型,可以为FCN、UNet、DeepLab等图像分割模型中的一种。
将感兴趣区域图像输入第二预设模型进行识别,对感兴趣区域图像中的螺栓连接节点板进行图像分割,突出螺栓连接节点板的边缘特征,然后使用Canny算子进行边缘检测,基于得到的边缘信息使用Hough变换算法提取出螺栓连接节点板边缘直线,计算各直线之间的交点坐标值作为检测参考点。
图像校正模块340,用于基于检测参考点和预设参考图像的基准参考点采用透视变换对感兴趣区域图像和节点板分割图像进行校正,得到校正图像和校正分割图像。
由于待检测图像与标准图像存在尺度、角度、位置等不确定偏差,因此,基于待检测图像获取的感兴趣区域图像也存在尺度、角度、位置等不确定偏差;进行螺栓缺失检测时,需将待测图像的视角转换成预设参考图像的视角以还原锈蚀区域所占真实比例,采用透视变换的方法将感兴趣区域图像和节点板分割图像进行校正,得到校正图像和和校正分割图像。透视变换不仅可以解决感兴趣区域图像视角问题,即校正分割图像与校正图像为同一视角,此时校正分割图像的节点板前景区域与校正图像的节点板区域在同一坐标系下几乎重合,后期可基于校正图像和校正分割图像获得排除了背景区域螺栓节点板图像。。
第二图像区域提取模块350,用于基于校正图像和校正分割图像提取校正图像中的螺栓节点板作为锈蚀检测图像。
校正图像与预设参考图像为同样视角,还原了真实锈蚀区域的情况;基于校正图像和校正分割图像提取待检测图像中的螺栓节点板作为锈蚀检测图像,依据锈蚀检测图像进行的锈蚀检测,可以准确识别原待检测图像中的真实锈蚀区。
锈蚀检测模块360,用于对锈蚀检测图像进行颜色空间转换,并根据锈蚀特征提取锈蚀检测图像中的目标锈蚀区域。
将锈蚀检测图像转换成预设的颜色空间,根据预设颜色空间对应的颜色判断条件对锈蚀检测图像进行颜色检测,即基于锈蚀区域具有的颜色特征判断并提取锈蚀检测图像中的目标锈蚀区域。
锈蚀结果确认模块370,用于根据目标锈蚀区域的像素个数与锈蚀检测图像的像素个数的比值,确认待检测螺栓节点板的锈蚀占比。
根据目标锈蚀区域的像素个数与锈蚀检测图像的像素个数的比值,确认目标锈蚀区域在锈蚀检测图像中的占比,即确认锈蚀程度。
本发明实施例通过先识别待检测图像中的螺栓节点板作为感兴趣区域图像,再采用第二预设模型对感兴趣区域的螺栓节点板进行图像分割,并基于分割结果得到检测参考点,然后基于检测参考点和基准参考点对感兴趣图像和节点板分割图像进行校正,并基于校正后的感兴趣区域图像和校正后的分割图像精确提取螺栓节点板作为锈蚀检测图像,锈蚀检测图像基于锈蚀特征对锈蚀检测图像进行锈蚀检测,解决目标检测区域常常包含无关的背景干扰,从而导致锈蚀检测出现误判的问题,实现通过校正图像还原真实锈蚀区域占比情况的效果。
进一步的,螺栓节点板锈蚀检测装置的第一图像区域提取模块包括:
第一图像识别单元,用于采用第一预设模型识别待检测图像中的螺栓节点板。
第一位置获取单元,用于获取螺栓节点板的位置信息,螺栓节点板的位置信息为具有坐标信息的检测区域框。
第一图像提取单元,用于将检测区域框扩大预设值后对应的图像作为感兴趣区域图像。
进一步的,螺栓节点板锈蚀检测装置的参考点获取模块包括:
图像分割单元,用于采用第二预设模型对感兴趣区域图像进行图像分割,得到感兴趣区域图像的边缘信息。
边缘直线获取单元,用于基于边缘信息检测得到感兴趣区域图像的边缘直线。
参考点获取单元,用于获取各直线的交点作为透视变换的检测参考点。
进一步的,螺栓节点板锈蚀检测装置的图像校正模块包括:
参考点获取单元,用于获取预设参考图像的基准参考点。
变换矩阵计算单元,用于根据基准参考点和检测参考点计算透视变换矩阵。
透视变化单元,用于根据透视变换矩阵对感兴趣区域图像和节点板分割图像进行校正,得到校正图像和校正分割图像。
进一步的,螺栓节点板锈蚀检测装置的第二图像区域提取模块包括:
第一掩码获取单元,用于将校正分割图像二值化后的图像信息作为第一掩码。
第二图像提取单元,用于将校正图像与第一掩码进行“按位与”运算,得到锈蚀检测图像。
进一步的,螺栓节点板锈蚀检测装置的锈蚀检测模块包括:
色彩空间转换单元,用于将锈蚀检测图像由RGB空间转换为HSV空间。
第二掩码获取单元,用于根据锈蚀颜色特征在HSV空间的预设颜色范围中提取锈蚀区域对应的第二掩码。
第三图像提取单元,用于将锈蚀检测图像与第二掩码进行“按位与”运算,得到目标锈蚀区域。
实施例三
图4为本发明实施例三提供的一种螺栓节点板锈蚀检测设备的结构示意图,如图4所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图4中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的螺栓节点板锈蚀检测方法对应的程序指令/模块(例如,螺栓节点板锈蚀检测装置中的图像获取模块310、第一图像区域提取模块320、参考点获取模块330、图像校正模块340、第二图像区域提取模块350、锈蚀检测模块360和锈蚀结果确认模块370)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的螺栓节点板锈蚀检测方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种螺栓节点板锈蚀检测方法,该方法包括:
获取待检测的螺栓节点板对应的待检测图像;
采用第一预设模型识别待检测图像中的螺栓节点板作为感兴趣区域图像;
采用第二预设模型对感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于分割图像获取检测参考点;
基于检测参考点和预设参考图像的基准参考点采用透视变换对感兴趣区域图像和节点板分割图像进行校正,得到校正图像和校正分割图像;
基于校正图像和校正分割图像提取校正图像中的螺栓节点板作为锈蚀检测图像;
对锈蚀检测图像进行颜色空间转换,并根据锈蚀颜色特征提取锈蚀检测图像中的目标锈蚀区域;
根据目标锈蚀区域的像素个数与锈蚀检测图像的像素个数的比值,确认待检测螺栓节点板的锈蚀占比。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的螺栓节点板锈蚀检测中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述螺栓节点板锈蚀检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (7)
1.一种螺栓节点板锈蚀检测方法,其特征在于,包括:获取待检测的螺栓节点板对应的待检测图像;
采用第一预设模型识别所述待检测图像中的螺栓节点板作为感兴趣区域图像;
采用第二预设模型对所述感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于所述分割图像获取检测参考点;
基于所述检测参考点和预设参考图像的基准参考点采用透视变换对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像,包括:获取预设参考图像的基准参考点;根据所述基准参考点和所述检测参考点计算透视变换矩阵;根据所述透视变换矩阵对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像;
基于所述校正图像和所述校正分割图像提取所述校正图像中的螺栓节点板作为锈蚀检测图像,包括:将所述校正分割图像二值化后的信息作为第一掩码,所述第一掩码为0和1所组成的矩阵,矩阵大小为校正分割图像大小;其中,节点板区域对应的掩码值为1,背景区域掩码值为0;将所述校正图像与所述第一掩码进行“按位与”运算,得到锈蚀检测图像,所述锈蚀检测图像包含节点板区域和黑色的背景区域;
对所述锈蚀检测图像进行颜色空间转换,并根据锈蚀颜色特征提取所述锈蚀检测图像中的目标锈蚀区域,包括:将所述锈蚀检测图像由RGB空间转换为HSV空间;根据锈蚀颜色特征在HSV空间的预设颜色范围中提取锈蚀区域对应的第二掩码,所述第二掩码为0和1所组成的矩阵,矩阵大小为锈蚀检测图像大小;其中,锈蚀区域对应的掩码值为1,背景区域掩码值为0;将所述锈蚀检测图像与所述第二掩码进行“按位与”运算,得到目标锈蚀区域图像,所述目标锈蚀区域图像包含锈蚀区域和黑色的背景区域;
根据所述目标锈蚀区域的像素个数与所述锈蚀检测图像的像素个数的比值,确认所述待检测螺栓节点板的锈蚀占比。
2.根据权利要求1所述的螺栓节点板锈蚀检测方法,其特征在于,所述采用第一预设模型识别所述待检测图像中的螺栓节点板作为感兴趣区域图像包括:
采用第一预设模型识别所述待检测图像中的螺栓节点板;
获取所述螺栓节点板的位置信息,所述螺栓节点板的位置信息为具有坐标信息的检测区域框;
将所述检测区域框按预设百分比扩大范围后对应的图像作为感兴趣区域图像。
3.根据权利要求1所述的螺栓节点板锈蚀检测方法,其特征在于,所述采用第二预设模型对所述感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于所述分割图像获取检测参考点包括:
采用第二预设模型对所述感兴趣区域图像进行图像分割,得到所述感兴趣区域图像螺栓节点板的边缘信息;
基于所述边缘信息检测得到所述感兴趣区域图像的边缘直线;获取各直线的交点作为透视变换的检测参考点。
4.根据权利要求1所述的螺栓节点板锈蚀检测方法,其特征在于,将标准图像经过所述第一预设模型和所述第二预设模型提取基准参考点,保存并形成所述预设参考图像信息。
5.一种螺栓节点板锈蚀检测装置,其特征在于,包括:
图像获取模块,用于获取待检测螺栓节点板对应的待检测图像;
第一图像区域提取模块,用于采用第一预设模型识别所述待检测图像中的螺栓节点板作为感兴趣区域图像;
参考点获取模块,用于采用第二预设模型对所述感兴趣区域中的螺栓节点板进行图像分割得到节点板分割图像,并基于所述分割图像获取检测参考点;
图像校正模块,用于基于所述检测参考点和预设参考图像的基准参考点采用透视变换对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像,包括:获取预设参考图像的基准参考点;根据所述基准参考点和所述检测参考点计算透视变换矩阵;根据所述透视变换矩阵对所述感兴趣区域图像和所述节点板分割图像进行校正,得到校正图像和校正分割图像;第二图像区域提取模块,用于基于所述校正图像和所述校正分割图像提取所述校正图像中的螺栓节点板作为锈蚀检测图像,包括:将所述校正分割图像二值化后的信息作为第一掩码,所述第一掩码为0和1所组成的矩阵,矩阵大小为校正分割图像大小;其中,节点板区域对应的掩码值为1,背景区域掩码值为0;将所述校正图像与所述第一掩码进行“按位与”运算,得到锈蚀检测图像,所述锈蚀检测图像包含节点板区域和黑色的背景区域;
锈蚀检测模块,用于对所述锈蚀检测图像进行颜色空间转换,并根据锈蚀特征提取所述锈蚀检测图像中的目标锈蚀区域,包括:将所述锈蚀检测图像由RGB空间转换为HSV空间;根据锈蚀颜色特征在HSV空间的预设颜色范围中提取锈蚀区域对应的第二掩码,所述第二掩码为0和1所组成的矩阵,矩阵大小为锈蚀检测图像大小;其中,锈蚀区域对应的掩码值为1,背景区域掩码值为0;将所述锈蚀检测图像与所述第二掩码进行“按位与”运算,得到目标锈蚀区域图像,所述目标锈蚀区域图像包含锈蚀区域和黑色的背景区域;
锈蚀结果确认模块,用于根据所述目标锈蚀区域的像素个数与所述锈蚀检测图像的像素个数的比值,确认所述待检测螺栓节点板的锈蚀占比。
6.一种电子设备,其特征在于,所述设备包括:一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的螺栓节点板锈蚀检测方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的螺栓节点板锈蚀检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410041.XA CN112419298B (zh) | 2020-12-04 | 2020-12-04 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410041.XA CN112419298B (zh) | 2020-12-04 | 2020-12-04 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419298A CN112419298A (zh) | 2021-02-26 |
CN112419298B true CN112419298B (zh) | 2024-01-19 |
Family
ID=74830410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410041.XA Active CN112419298B (zh) | 2020-12-04 | 2020-12-04 | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419298B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313760A (zh) * | 2021-06-29 | 2021-08-27 | 同济大学 | 用于阵列式金属连接件的锈蚀检测方法、装置和系统 |
CN114049354B (zh) * | 2022-01-12 | 2022-04-29 | 山东仲良格环保技术有限公司 | 一种基于金属锈蚀程度的除锈剂优化配比方法及系统 |
CN114549576B (zh) * | 2022-01-26 | 2023-05-23 | 广州方图科技有限公司 | 行走能力检测方法、装置、存储介质及体检机 |
CN114820620B (zh) * | 2022-06-29 | 2022-09-13 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓松动缺陷检测方法、系统及装置 |
CN115546223A (zh) * | 2022-12-05 | 2022-12-30 | 南京天创电子技术有限公司 | 一种列车车下设备紧固螺栓的缺失检测方法和系统 |
CN117197127B (zh) * | 2023-11-02 | 2024-02-20 | 广东乾威精密连接器有限公司 | 一种基于机器视觉的汽车端子检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012041418A1 (en) * | 2010-10-01 | 2012-04-05 | Telefonica, S.A. | Method and system for real-time images foreground segmentation |
KR20130007950A (ko) * | 2011-07-11 | 2013-01-21 | 광주과학기술원 | 관심영역 검출 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록매체 |
WO2013103032A1 (ja) * | 2012-01-05 | 2013-07-11 | オムロン株式会社 | 画像検査装置の検査領域設定方法 |
CN106404793A (zh) * | 2016-09-06 | 2017-02-15 | 中国科学院自动化研究所 | 基于视觉的轴承密封件缺陷检测方法 |
CN108416771A (zh) * | 2018-03-07 | 2018-08-17 | 南京工业大学 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
CN110334750A (zh) * | 2019-06-21 | 2019-10-15 | 西安工程大学 | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN111539910A (zh) * | 2020-03-13 | 2020-08-14 | 石家庄铁道大学 | 锈蚀区域检测方法及终端设备 |
WO2020221177A1 (zh) * | 2019-04-30 | 2020-11-05 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
-
2020
- 2020-12-04 CN CN202011410041.XA patent/CN112419298B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012041418A1 (en) * | 2010-10-01 | 2012-04-05 | Telefonica, S.A. | Method and system for real-time images foreground segmentation |
KR20130007950A (ko) * | 2011-07-11 | 2013-01-21 | 광주과학기술원 | 관심영역 검출 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록매체 |
WO2013103032A1 (ja) * | 2012-01-05 | 2013-07-11 | オムロン株式会社 | 画像検査装置の検査領域設定方法 |
CN106404793A (zh) * | 2016-09-06 | 2017-02-15 | 中国科学院自动化研究所 | 基于视觉的轴承密封件缺陷检测方法 |
CN108416771A (zh) * | 2018-03-07 | 2018-08-17 | 南京工业大学 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
WO2020221177A1 (zh) * | 2019-04-30 | 2020-11-05 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
CN110334750A (zh) * | 2019-06-21 | 2019-10-15 | 西安工程大学 | 输电线路铁塔螺栓锈蚀程度图像分类识别方法 |
CN110726725A (zh) * | 2019-10-23 | 2020-01-24 | 许昌许继软件技术有限公司 | 一种输电线路金具锈蚀检测方法及装置 |
CN111539910A (zh) * | 2020-03-13 | 2020-08-14 | 石家庄铁道大学 | 锈蚀区域检测方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112419298A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419299B (zh) | 一种螺栓缺失检测方法、装置、设备及存储介质 | |
CN112419298B (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
CN112419297B (zh) | 一种螺栓松动检测方法、装置、设备及存储介质 | |
CN110033431B (zh) | 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN104506857A (zh) | 一种摄像头位置偏离检测方法及设备 | |
CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
CN114820620B (zh) | 一种螺栓松动缺陷检测方法、系统及装置 | |
CN110502977B (zh) | 一种建筑物变化分类检测方法、系统、装置及存储介质 | |
CN103577828B (zh) | 一种基于边缘特征的道路检测方法 | |
CN114820621B (zh) | 一种螺栓丢失缺陷检测方法、系统及装置 | |
CN110889374A (zh) | 印章图像处理方法、装置、计算机及存储介质 | |
CN115760058A (zh) | 用于车辆底盘腐蚀评估的agv系统 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN107066985B (zh) | 一种基于快速霍夫变换的路口斑马线检测方法 | |
CN114266748B (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
CN112927197B (zh) | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 | |
CN112883977A (zh) | 车牌识别方法、装置、电子设备和存储介质 | |
CN117173185B (zh) | 轧制板材的区域检测方法及装置、存储介质、计算机设备 | |
CN108399412A (zh) | 一种x型角点亚像素提取方法 | |
CN117593528B (zh) | 一种基于机器视觉的轨道车辆螺栓松动检测方法 | |
CN104573692B (zh) | 一种基于模糊退化模型的车牌二值化方法 | |
CN115272984B (zh) | 占道经营检测方法、系统、计算机及可读存储介质 | |
CN112329783B (zh) | 基于图像处理的钩尾框折断识别方法 | |
CN118261861A (zh) | 一种基于图像处理的手机盖板缺陷的智能检测方法 |
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 |