CN112528827B - 一种高铁接触网供电设备裂损自动检测方法 - Google Patents

一种高铁接触网供电设备裂损自动检测方法 Download PDF

Info

Publication number
CN112528827B
CN112528827B CN202011414706.4A CN202011414706A CN112528827B CN 112528827 B CN112528827 B CN 112528827B CN 202011414706 A CN202011414706 A CN 202011414706A CN 112528827 B CN112528827 B CN 112528827B
Authority
CN
China
Prior art keywords
equipment
image
area
new
speed rail
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
CN202011414706.4A
Other languages
English (en)
Other versions
CN112528827A (zh
Inventor
张方恒
石会莹
吴勇
王志强
杨习习
吉越
王丕
李阳
陶可猛
张继洲
张焕兵
隋金雁
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.)
Heyuan Intelligent Technology Co ltd
Original Assignee
Heyuan Intelligent Technology 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 Heyuan Intelligent Technology Co ltd filed Critical Heyuan Intelligent Technology Co ltd
Priority to CN202011414706.4A priority Critical patent/CN112528827B/zh
Publication of CN112528827A publication Critical patent/CN112528827A/zh
Application granted granted Critical
Publication of CN112528827B publication Critical patent/CN112528827B/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
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)

Abstract

一种高铁接触网供电设备裂损自动检测方法，包括：建立数据样本库、训练两个深度卷积神经网络进行数据学习和训练。本发明针对现有设备外观异常检测方法单一或者数据量较少等缺陷，本发明利用基于深度学习的特征识别模型，集合正常样本实现对外观异常设备的准确检测。

Description

一种高铁接触网供电设备裂损自动检测方法
技术领域
本发明公开一种高铁接触网供电设备裂损自动检测方法，属于图像识别设备缺陷的技术领域。
背景技术
近些年来，我国铁路运输高速持续发展，动车和高铁在国民经济发展中起着不可替代的作用。随着我国高铁的全面开通，高铁线路巡检显得尤其重要。传统的高铁线路设备巡检工作，依靠固定位置的摄像头定点拍摄照片，再传回至地面，由工作人员通过对视频图像分析判断设备缺陷。随着海量检测数据的生成，只靠工作人员人眼识别势必造成大量强度较高的重复性劳动，以及视觉疲劳造成的识别率下降和漏检率上升，因此急需采用一种方法，既能高于人眼的识别率，又能长时间保持一个效率，极大降低误检率，实践证明使用基于深度学习的特征识别模型是一个很好的选择。
然而现有的设备外观异常检测方法需要采集设备外观异常数据，而异常数据样本一般难以获取，导致深度学习样本少，学习训练模型准确率降低。因此在技术领域中，怎样利用正常样本实现对外观异常设备的准确检测，成为较为棘手的技术问题。
发明内容
针对现有技术的不足，本发明公开一种高铁接触网供电设备裂损自动检测方法。
本发明的技术方案如下：
一种高铁接触网供电设备裂损自动检测方法，其特征在于，包括：
1)建立数据样本库：
首先，采集高铁用电系统中的设备定位器底座区域图像，人工标注所诉图像对应设备的类型及位置坐标，形成第一训练数据(图像、图像对应设备的类型、设备所处位置坐标)；
其次，对所述第一训练数据中的设备所处位置坐标进行处理：对所述图像中的设备定位器底座进行框选，形成图形框，其中图形框的一个短点的坐标为x,y，则令所述图形框的位置标签为[x:(x+w)，y:(y+h)]，其中，w、h分别为该图形框的宽度和高度；形成第二训练数据(图形框、[x:(x+w)，y:(y+h)])；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络
Figure BDA0002814996220000011
用于将步骤1)中的第一训练数据得到设备定位器底座目标检测模型
Figure BDA0002814996220000012
另一个是：采用UNet结构的网络架构，用于将步骤2)中的得到的第一训练数据得到不同设备底座的图像重构模型；
3)开始测试：
实时采集被测高铁用电系统中的设备定位器底座图像，并将其导入步骤2)中的目标检测模型
Figure BDA0002814996220000021
中，得到：被测设备的类型及设备所处位置坐标；
对本步骤中的所述设备定位器底座图像ROI区域做以下预处理：
将设备所处位置坐标根据获得的区域大小向外扩大原图像的1.1倍，并对该扩大后的图像进行Ostu阈值分割使得设备区域为1，背景区域为0；其中，Ostu是指大津法，最大类间方差法；然后以设备区域为中心对图像进行二次裁剪，使得设备位于图像的正中间；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的设备区域放到步骤2)得到不同设备底座的图像重构模型中，并输出重构后的新设备图像Y。
根据本发明优选的，所述的二次裁剪的步骤如下：
a)设备所处位置坐标Xmin、Ymin以及图像宽高分别为w,h，根据此信息获得的设备图像为X，为了使得提取的设备图像完整包含了设备信息，需要在原检测图像(实时采集被测高铁用电系统中的设备定位器底座图像)中找出新的坐标点newXmin、newYmin及图像宽高，其计算公式为：
newXmin＝Xmin-0.05*w
newYmin＝Ymin-0.05*h
其中，new_w＝1.1*w；new_h＝1.1*h；
b)获得第一次裁剪的设备图像X1，对X1进行常规的滤波和二值化操作得到设备区域和背景区域；
c)记录设备区域为的最大最小横向坐标和纵向坐标：x1min,x1max,y1min,y1max,并计算该区域的宽高w1＝x1max-x1min，h1＝y1max-y1min；
将计算得到该宽高与new_w,new_h作比值计算：
如果不小于0.7，则以(w1/2，h1/2)为中心向外扩w/2,h/2进行设备区域二次裁剪，获得设备区域X_new；
如果比值小于0.7，则重复进行步骤c)，直到得到的比值不小于0.7。
根据本发明优选的，将重构后的新设备图像Y与X_new做一个减法运算得到重构后的差值图像：
Ydif＝Y-X_new。
根据本发明优选的，对所述重构后的差值图像进行逐像素值比较：
如果该位置处像素值大于100的区域，则为设备外观异常区域。
根据本发明优选的，在确认设备外观异常区域后，再根据该像素点坐标获得裂损位置。
本发明的技术优势在于：
本发明针对现有设备外观异常检测方法单一或者数据量较少等缺陷，本发明利用基于深度学习的特征识别模型，集合正常样本实现对外观异常设备的准确检测。
附图说明
图1是本发明所述方法中模型训练流程图；
图2是本发明所述方法的流程图；
图3是本发明实施例中的实际场景监测流程信息图，对正常设备进行监测的图像；
图4是本发明实施例中的实际场景监测流程信息图，对异常设备进行监测的图像；
图5是本发明中二次裁剪的步骤流程图。
具体实施方式
下面结合实施例和说明书附图做详细的说明，但不限于此。
实施例
如图1、2、5所示。
一种高铁接触网供电设备裂损自动检测方法，包括：
1)建立数据样本库：
首先，采集高铁用电系统中的设备定位器底座区域图像，人工标注所诉图像对应设备的类型及位置坐标，形成第一训练数据(图像、图像对应设备的类型、设备所处位置坐标)；
其次，对所述第一训练数据中的设备所处位置坐标进行处理：对所述图像中的设备定位器底座进行框选，形成图形框，其中图形框的一个短点的坐标为x,y，则令所述图形框的位置标签为[x:(x+w)，y:(y+h)]，其中，w、h分别为该图形框的宽度和高度；形成第二训练数据(图形框、[x:(x+w)，y:(y+h)])；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络
Figure BDA0002814996220000031
用于将步骤1)中的第一训练数据得到设备定位器底座目标检测模型
Figure BDA0002814996220000032
另一个是：采用UNet结构的网络架构，用于将步骤2)中的得到的第一训练数据得到不同设备底座的图像重构模型；
3)开始测试：
实时采集被测高铁用电系统中的设备定位器底座图像，并将其导入步骤2)中的目标检测模型
Figure BDA0002814996220000041
中，得到：被测设备的类型及设备所处位置坐标；
对本步骤中的所述设备定位器底座图像ROI区域做以下预处理：
将设备所处位置坐标根据获得的区域大小向外扩大原图像的1.1倍，并对该扩大后的图像进行Ostu阈值分割使得设备区域为1，背景区域为0；其中，Ostu是指大津法，最大类间方差法；然后以设备区域为中心对图像进行二次裁剪，使得设备位于图像的正中间；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的设备区域放到步骤2)得到不同设备底座的图像重构模型中，并输出重构后的新设备图像Y。
所述的二次裁剪的步骤如下：
a)设备所处位置坐标Xmin、Ymin以及图像宽高分别为w,h，根据此信息获得的设备图像为X，为了使得提取的设备图像完整包含了设备信息，需要在原检测图像(实时采集被测高铁用电系统中的设备定位器底座图像)中找出新的坐标点newXmin、newYmin及图像宽高，其计算公式为：
newXmin＝Xmin-0.05*w
newYmin＝Ymin-0.05*h
其中，new_w＝1.1*w；new_h＝1.1*h；
b)获得第一次裁剪的设备图像X1，对X1进行常规的滤波和二值化操作得到设备区域和背景区域；
c)记录设备区域为的最大最小横向坐标和纵向坐标：x1min,x1max,y1min,y1max,并计算该区域的宽高w1＝x1max-x1min，h1＝y1max-y1min；
将计算得到该宽高与new_w,new_h作比值计算：
如果不小于0.7，则以(w1/2，h1/2)为中心向外扩w/2,h/2进行设备区域二次裁剪，获得设备区域X_new；
如果比值小于0.7，则重复进行步骤c)，直到得到的比值不小于0.7。
将重构后的新设备图像Y与X_new做一个减法运算得到重构后的差值图像：
Ydif＝Y-X_new。
对所述重构后的差值图像进行逐像素值比较：
如果该位置处像素值大于100的区域，则为设备外观异常区域。
在确认设备外观异常区域后，再根据该像素点坐标获得裂损位置。
利用本实施例所述方法对图3中的“原图像”进行处理，最后得到“差值图像”，判定为设备正常。
利用本实施例所述方法对图4中的“原图像”进行处理，最后得到“差值图像”，判定为设备异常。

Claims (4)

1.一种高铁接触网供电设备裂损自动检测方法，其特征在于，包括：
1)建立数据样本库：
首先，采集高铁用电系统中的设备定位器底座区域图像，人工标注所述图像对应设备的类型及位置坐标，形成第一训练数据：图像、图像对应设备的类型、设备所处位置坐标；
其次，对所述第一训练数据中的设备所处位置坐标进行处理：对所述图像中的设备定位器底座进行框选，形成图形框，其中图形框的一个短点的坐标为x，y，则令所述图形框的位置标签为[x：(x+w)，y：(y+h)]，其中，w、h分别为该图形框的宽度和高度；形成第二训练数据：图形框、图形库的位置标签[x：(x+w)，y：(y+h)]；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络
Figure QLYQS_1
用于将步骤1)中的第一训练数据得到设备定位器底座目标检测模型
Figure QLYQS_2
另一个是：采用UNet结构的网络架构，用于将步骤1)中的第二训练数据得到不同设备底座的图像重构模型；
3)开始测试：
实时采集被测高铁用电系统中的设备定位器底座图像，并将其导入步骤2)中的目标检测模型
Figure QLYQS_3
中，得到：被测设备的类型及设备所处位置坐标；
对本步骤中的所述设备定位器底座图像ROI区域做以下预处理：
将设备所处位置坐标根据获得的区域大小向外扩大1.1倍并对应到原图像，并对该扩大后的图像进行Ostu阈值分割使得设备区域为1，背景区域为0；其中，Ostu是指大津法，最大类间方差法；然后以设备区域为中心对图像进行二次裁剪，使得设备位于图像的正中间；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的设备区域放到步骤2)得到不同设备底座的图像重构模型中，并输出重构后的新设备图像Y；
所述的二次裁剪的步骤如下：
a)设备所处位置坐标Xmin、Ymin以及图形框的宽度高度分别为w，h，根据此信息获得的设备图像为X，在原检测图像中找出新的坐标点newXmin、newYmin及图形框宽度new_w和图形框高度new_h，其计算公式为：
newXmin＝Xmin-0.05*w
newYmin＝Ymin-0.05*h
其中，new_w＝1.1*w；new_h＝1.1*h；
b)获得第一次裁剪的设备图像X1，对X1进行常规的滤波和二值化操作得到设备区域和背景区域；
c)记录设备区域的最大最小横向坐标和纵向坐标：x1min，x1max，y1min，y1max，并计算该区域的宽度和高度w1＝x1max-x1min，h1＝y1max-y1min；
将计算得到该宽高分别与new_w，new_h作比值计算：
如果比值均小于0.7，则重复进行步骤c)，直到得到的比值不小于0.7：
如果比值均不小于0.7，则以(w1/2，h1/2)为中心向外扩w/2，h/2进行设备区域二次裁剪，获得设备区域X_new。
2.根据权利要求1所述的一种高铁接触网供电设备裂损自动检测方法，其特征在于，将重构后的新设备图像Y与X_new做一个减法运算得到重构后的差值图像：
Ydif＝Y-X_new。
3.根据权利要求2所述的一种高铁接触网供电设备裂损自动检测方法，其特征在于，对所述重构后的差值图像进行逐像素值比较：
该位置处像素值大于100的区域，则为设备外观异常区域。
4.根据权利要求3所述的一种高铁接触网供电设备裂损自动检测方法，其特征在于，在确认设备外观异常区域后，再根据像素点坐标获得裂损位置。
CN202011414706.4A 2020-12-03 2020-12-03 一种高铁接触网供电设备裂损自动检测方法 Active CN112528827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414706.4A CN112528827B (zh) 2020-12-03 2020-12-03 一种高铁接触网供电设备裂损自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414706.4A CN112528827B (zh) 2020-12-03 2020-12-03 一种高铁接触网供电设备裂损自动检测方法

Publications (2)

Publication Number Publication Date
CN112528827A CN112528827A (zh) 2021-03-19
CN112528827B true CN112528827B (zh) 2023-04-07

Family

ID=74997827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414706.4A Active CN112528827B (zh) 2020-12-03 2020-12-03 一种高铁接触网供电设备裂损自动检测方法

Country Status (1)

Country Link
CN (1) CN112528827B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法
CN109242840A (zh) * 2018-08-29 2019-01-18 上海联影医疗科技有限公司 检测乳房图像中限束器区域的方法、在乳房图像中确定边界的方法和医疗设备
CN109345543A (zh) * 2018-09-20 2019-02-15 昆明理工大学 一种基于灰度图像处理的爆破漏斗体积识别方法
CN110349082A (zh) * 2019-06-28 2019-10-18 腾讯科技（深圳）有限公司 图像区域的裁剪方法和装置、存储介质及电子装置
CN111126300A (zh) * 2019-12-25 2020-05-08 成都极米科技股份有限公司 一种人体图像检测方法、装置和电子设备及可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107547169B (zh) * 2016-06-28 2020-08-25 华为技术有限公司 一种数据重传方法和相关装置
CN107492091B (zh) * 2017-07-06 2020-09-04 东莞理工学院 基于机器视觉的标签外观检测方法及终端设备
CN110223306B (zh) * 2019-06-14 2021-06-15 北京奇艺世纪科技有限公司 一种图像的裁剪方法及装置
CN111145188B (zh) * 2019-12-25 2023-06-06 西安电子科技大学 一种基于ResNet与UNet模型的图像分割方法
CN110766011B (zh) * 2019-12-26 2020-04-28 南京智莲森信息技术有限公司 一种基于深度多级优化的接触网螺母异常识别方法
CN111382785B (zh) * 2020-03-04 2023-09-01 武汉精立电子技术有限公司 一种gan网络模型及实现样本自动清洗、辅助标记的方法
CN111310761B (zh) * 2020-03-06 2022-04-29 西南交通大学 基于重构和分类卷积自编码网络的接触网绝缘子检测方法
CN112016546A (zh) * 2020-08-14 2020-12-01 中国银联股份有限公司 一种文本区域的定位方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法
CN109242840A (zh) * 2018-08-29 2019-01-18 上海联影医疗科技有限公司 检测乳房图像中限束器区域的方法、在乳房图像中确定边界的方法和医疗设备
CN109345543A (zh) * 2018-09-20 2019-02-15 昆明理工大学 一种基于灰度图像处理的爆破漏斗体积识别方法
CN110349082A (zh) * 2019-06-28 2019-10-18 腾讯科技（深圳）有限公司 图像区域的裁剪方法和装置、存储介质及电子装置
CN111126300A (zh) * 2019-12-25 2020-05-08 成都极米科技股份有限公司 一种人体图像检测方法、装置和电子设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贺辉 等.一种面向移动终端目标图像自动裁剪的快速区域定位算法.《计算机与数字工程》.2018,第46卷(第3期),第570-574页. *

Also Published As

Publication number Publication date
CN112528827A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN108009591B (zh) 一种基于深度学习的接触网关键部件识别方法
CN111080634A (zh) 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN112101138B (zh) 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法
CN114897908B (zh) 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统
CN110186375A (zh) 智能化高铁白车身焊接装配特征检测装置及检测方法
CN113962951B (zh) 检测分割模型的训练方法及装置、目标检测方法及装置
CN112528861A (zh) 应用于铁路隧道内道床的异物检测方法及装置
CN111561967A (zh) 弓网运行状态实时在线检测方法及系统
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN113298077A (zh) 一种基于深度学习的变电站异物识别定位方法及装置
CN112037182A (zh) 基于时序图像的机车走行部故障检测方法、装置及存储介质
CN112907734B (zh) 基于虚拟crh380a模型和深度学习的teds故障检测方法
CN112767345B (zh) 一种dd6单晶高温合金共晶缺陷检测和分割方法
CN110672632A (zh) 一种隧道病害识别方法
CN114331961A (zh) 用于对象的缺陷检测的方法
CN112528827B (zh) 一种高铁接触网供电设备裂损自动检测方法
CN117372677A (zh) 一种高速铁路接触网紧固件开口销健康状态检测方法
CN112330633A (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
CN113012113B (zh) 一种高铁接触网供电设备螺栓松动自动检测方法
Huang et al. Mango surface defect detection based on HALCON
CN116664512A (zh) 一种基于视觉识别的veh连接器组装安全监测报警系统
CN115049623A (zh) 一种视觉分割分析受电弓轮廓的装置

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