CN112862707A - 一种基于图像处理的风电叶磨损分析方法及装置 - Google Patents
一种基于图像处理的风电叶磨损分析方法及装置 Download PDFInfo
- Publication number
- CN112862707A CN112862707A CN202110107735.4A CN202110107735A CN112862707A CN 112862707 A CN112862707 A CN 112862707A CN 202110107735 A CN202110107735 A CN 202110107735A CN 112862707 A CN112862707 A CN 112862707A
- Authority
- CN
- China
- Prior art keywords
- image
- wind power
- pixel
- color space
- components
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 39
- 238000004043 dyeing Methods 0.000 claims abstract description 28
- 238000005299 abrasion Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 28
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 5
- 238000010186 staining Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013481 data capture Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000007447 staining method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
-
- 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
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明实施例涉及图像处理领域,公开了一种基于图像处理的风电叶磨损分析方法,包括:获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像;对所述转换图像进行噪声像素滤波,得到滤波图像;利用预设的染色方式对所述滤波图像进行染色,得到标准图像;对所述标准图像进行细节增强处理,得到增强图像;对所述增强图像进行二值化分割,得到二值化图像;提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。本发明还提出一种基于图像处理的风电叶磨损分析装置。本发明可以解决对风电叶磨损程度分析的精确度较低的问题。
Description
技术领域
本发明实施例涉及图像处理领域,特别涉及一种基于图像处理的风电叶磨损分析方法及装置。
背景技术
风能作为一种清洁的可再生能源,成为当今世界各国应对传统化石能源日益枯竭问题的首选方案。在风能资源丰富的地区中,若风中携带的沙砾易对风力发电机叶片(风电叶)造成划痕、空洞和裂纹等损伤,使风电叶产生磨损,则需要及时对风电叶进行更换维护,否则会严重影响了风力发电的效率。因此,对风电叶磨损程度进行判断,进而及时更换维护风电叶,提高风电叶运行的稳定性。
现有的风电叶磨损分析方法多为利用地面望远镜捕获风电叶图像,再直接对捕获到的图像中风电叶的划痕数量进行分析来判断风电叶的磨损程度,但该方法中,采集的图像受环境噪声的影响较为严重,且仅根据划痕数量对风电叶的磨损程度判断会导致分析得出的结果的精确度较低。
发明内容
本发明实施方式的目的在于提供一种基于图像处理的风电叶磨损分析方法及装置,通过对获取的风电叶图进行滤波、增强等处理后,再结合多因素对风电叶磨损程度进行分析,可以解决对风电叶磨损程度分析的精确度较低的问题。
为解决上述技术问题,本发明的实施方式提供了一种基于图像处理的风电叶磨损分析方法,所述方法包括:获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像;对所述转换图像进行噪声像素滤波,得到滤波图像;利用预设的染色方式对所述滤波图像进行染色,得到标准图像;对所述标准图像进行细节增强处理,得到增强图像;对所述增强图像进行二值化分割,得到二值化图像;提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。
为了解决上述问题,本发明还提供一种基于图像处理的风电叶磨损分析装置,所述装置包括:空间转换模块,用于获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像;像素滤波模块,用于对所述转换图像进行噪声像素滤波,得到滤波图像;图像染色模块,用于利用预设的染色方式对所述滤波图像进行染色,得到标准图像;细节增强模块,用于对所述标准图像进行细节增强处理,得到增强图像;图像分割模块,用于对所述增强图像进行二值化分割,得到二值化图像;磨损计算模块,用于提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于图像处理的风电叶磨损分析方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于图像处理的风电叶磨损分析方法。
本发明实施例通过对风电叶图像进行色彩空间转换,实现了将风电叶图像从原始色彩空间转换至目标色彩空间,利用目标色彩空间可更好的显示图像细节特征,有利于后续精准地对图像细节进行增强;转换图像进行噪声像素滤波、染色及细节增强处理,均可突出图像中的细节特征,有利于提高对图像中细节进行磨损程度分析的精确度,根据所述面积、长度及数量计算风电叶的磨损程度,结合多因素对风电叶磨损程度进行分析,避免了单一因素分析导致的结果不精确的问题。因此本发明可以解决对风电叶磨损程度分析的精确度较低的问题。
另外,所述对所述风电叶图像进行色彩空间转换,得到转换图像,包括:获取风电叶图像的原始色彩空间参数;根据所述原始色彩空间参数遍历并获取所述风电叶图像中各像素点的颜色三分量;根据绝对色彩空间的绝对色彩参数对所述颜色三分量进行中间值转化,得到中间值三分量;将所述中间值三分量进行归一化处理,得到归一化三分量;根据目标色彩空间的目标色彩参数对所述归一化三分量进行数值校正,得到所述风电叶图像中各像素点校正三分量;将所述校正三分量输入至所述目标色彩空间,得到转换图像。
本发明实施例对风电叶图像进行色彩空间转换,实现了将风电叶图像从原始色彩空间转换至目标色彩空间,利用目标色彩空间可更好的显示图像细节特征,有利于后续精准地对图像细节进行增强。
另外,所述对所述转换图像进行噪声像素滤波,得到滤波图像,包括:将所述转换图像进行均匀切割,得到多个图像块;分别对所述多个图像块进行像素卷积,得到多个卷积图像块;分别对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块;将所述多个平滑图像块进行拼接,得到滤波图像。
本发明实施例对转换图像进行噪声像素滤波,可去除转换图像中的噪声,保留后续分析时需要的划痕纹理,有利于提高最终分析的精确度。
另外,所述利用预设的一种或者多种染色方式对所述滤波图像进行染色,得到标准图像,包括:获取预设的颜色参数;遍历并获取所述滤波图像中各像素点的像素值;根据所述颜色参数对所述像素值进行线性调整,得到标准图像。
本发明实施例利用预设的染色方式对滤波图像进行染色,可实现在不同颜色下突出滤波图像中的图像细节,有利于提高对图像中细节进行磨损程度分析的精确度。
另外,所述对所述标准图像进行细节增强处理,得到增强图像,包括:利用n×n的图像窗口在所述标准图像中依次执行区域选择,得到多个图像区域;根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元;根据所述二进制码元对所述中心像素进行像素增强,得到增强图像。
本发明实施例对标准图像进行细节增强处理,将标准图像中噪声像素点进行过滤,并对图像细节进行局部纹理加深,突出了图像中的细节特征,有利于提高对图像进行分析的精确度。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明实施例提供的基于图像处理的风电叶磨损分析方法流程示意图;
图2为本发明实施例提供的对转换图像进行均匀切割的示意图;
图3为本发明实施例提供的基于图像处理的风电叶磨损分析装置的模块示意图;
图4为本发明实施例提供的实现基于图像处理的风电叶磨损分析方法的电子设备的内部结构示意图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施方式中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本申请所要求保护的技术方案。
本发明的实施方式涉及一种基于图像处理的风电叶磨损分析方法。本实施方式的核心在于通过对获取的风电叶图像进行去噪处理,再根据去噪后的图像进行磨损分析,可以解决对风电叶磨损程度分析的精确度较低的问题。下面对本实施方式的基于图像处理的风电叶磨损分析方法实现细节进行具体的说明,以下内容仅为方便理解提供的实现细节,并非实施本方案的必须。
本发明实施例所述基于图像处理的风电叶磨损分析方法的第一实施方式具体实施方式可参阅图1所示的流程图,包括:
S1、获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像。
本发明实施例中,所述风电叶图像为风力发电机上使用的用于风力发电的叶片,可通过预先安装的摄像设备,如相机、监控摄像头等获取所述风电叶图像。
通常,由于相机等具有图像捕获功能的设备的限制,获取到的风电叶图像一般为RGB色彩空间的图像或为CMYK色彩空间的图像。
详细地,所述对所述风电叶图像进行色彩空间转换,得到转换图像,包括:
获取风电叶图像的原始色彩空间参数;
根据所述原始色彩空间参数遍历并获取所述风电叶图像中各像素点的颜色三分量;
根据绝对色彩空间的绝对色彩参数对所述颜色三分量进行中间值转化,得到中间值三分量;
将所述中间值三分量进行归一化处理,得到归一化三分量;
根据目标色彩空间的目标色彩参数对所述归一化三分量进行数值校正,得到所述风电叶图像中各像素点校正三分量;
将所述校正三分量输入至所述目标色彩空间,得到转换图像。
本发明实施例可利用具有数据抓取功能的python语句从不同颜色空间的底层数据中获取所述原始色彩空间参数、所述绝对色彩参数和所述目标色彩参数。
详细地,所述原始色彩空间参数是所述风电叶图像所在的色彩空间中定义颜色范围的特定参数,所述原始色彩空间包括但不限于RGB色彩空间、CMYK色彩空间,原始色彩空间中显示的色彩范围会随着显示设备的变动而变动。
所述绝对色彩参数是绝对色彩空间定义颜色范围的特定参数,所述绝对色彩空间包括但不限于sRGB色彩空间、Adobe RGB色彩空间,绝对色彩空间是显示的色彩范围不会随着显示设备的变动而变动。
所述目标色彩空间包括LAB色彩空间,所述目标色彩参数是目标色彩空间中定义颜色范围的特定参数,目标色彩空间中显示的颜色范围不会随显示设备的变动而变动,且由于目标色彩空间中显示的颜色范围适用于人类视觉,更有利于显示图像细节特征。
由于所述风电叶图像所在的原始色彩空间中显示的色彩范围会随着显示设备的变动而变动,但目标色彩空间中显示的颜色范围不会随显示设备的变动而变动,因此,先将原始色彩空间中的风电叶图像转化至绝对色彩空间中,通过绝对色彩空间将所述风电叶图像转化至所述目标色彩空间,能够实现,将所述风电叶图像从原始色彩空间转化至所述目标色彩空间的目的。
例如,风电叶图像的原始色彩空间为RGB色彩空间,目标色彩空间为LAB色彩空间,在将风电叶图像从RGB色彩空间转换至LAB色彩空间时,需要先将风电叶图像从RGB色彩空间转换至sRGB色彩空间(即绝对色彩空间),再通过sRGB色彩空间将风电叶图像转换至LAB色彩空间。
本发明实施例遍历所述风电叶图像,获取所述风电叶图像中各像素点的颜色三分量,并利用线性变换函数根据绝对色彩参数对所述颜色三分量进行中间值转化,得到中间值三分量,其中,所述线性变换函数如下:
y=α*R+β*G+γ*B
z=δ*R+ε*G+θ*B
详细地,所述中间值三分量x、y、z分别用于表示绝对色彩空间中图像的任一像素点的颜色三分量。
本发明实施例通过上述步骤将风电叶图像的色彩空间由原始色彩空间转化为绝对色彩空间。
进一步地,所述将所述中间值三分量进行归一化处理得到归一化三分量,包括:
利用如下归一化算法将所述中间值三分量进行归一化处理:
Fx=ρ*x
Fy=σ*y
Fz=τ*z
其中,Fx、Fy、Fz为所述归一化三分量,x、y、z为所述中间值三分量,ρ、σ、τ为预设的归一化系数。
本发明实施例中,所述根据所述目标色彩参数对所述归一化三分量进行数值校正得到所述风电叶图像中各像素点校正三分量,包括:
利用如下数值校正算法对所述归一化三分量进行数值校正:
a=ω*(Fx-Fy)
本发明实施例中对风电叶图像进行色彩空间转换,实现了将风电叶图像从原始色彩空间转换至目标色彩空间,利用目标色彩空间可更好的显示图像细节特征,有利于后续精准地对图像细节进行增强。
S2、对所述转换图像进行噪声像素滤波,得到滤波图像。
本发明实施例中,所述对所述转换图像进行噪声像素滤波,得到滤波图像,包括:
将所述转换图像进行均匀切割,得到多个图像块;
分别对所述多个图像块进行像素卷积,得到多个卷积图像块;
分别对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块;
将所述多个平滑图像块进行拼接,得到滤波图像。
详细地,参图2所示,图2为本发明实施例提供的对转换图像进行均匀切割的示意图。
图2中,存在尺寸为9X9的转换图像,按照等长度与等宽度将所述转换图像切分为9个3X3的图像块。
本发明实施例中,将转换图像进行均匀切割为多个图像块,有利于减少每个图像块中的像素数量,从而提高对转换图像进行噪声像素滤波的效率。
具体地,本发明实施例采用Gabor滤波器对所述多个图像块进行像素卷积,所述Gabor滤波器会根据预先设定的方向数和尺度数对所述多个图像块进行卷积计算,只允许符合预设纹理的图像通过,而不符合滤波器的图像则受到抑制,因此,当预设纹理设置为划痕时,通过Gabor滤波器根据预先设定的方向数和尺度数对所述多个图像块进行卷积计算,可保留图像块中划痕的纹理,而去处非划痕的纹理,以便于突出所述转换图像中的划痕特征,有利于提高最终分析的精确度。
本发明实施例中,利用高斯核函数对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块,所述高斯核函数也称径向基函数,是常用的一种平滑核函数,可利用高斯核函数的旋转对称性将有限维数据(既像素值)平滑映射到高维空间,以实现对多个卷积图像块进行高斯平滑处理。
本发明实施例对转换图像进行噪声像素滤波,可去除转换图像中的噪声,保留后续分析时需要的划痕纹理,有利于提高最终分析的精确度。
S3、利用预设的染色方式对所述滤波图像进行染色,得到标准图像。
本发明实施例中,预设的染色方式可以为一种或多种。可以根据获取到的图像的属性采取相同或者不同的染色方式。
本发明实施例中,所述利用预设的染色方式对所述滤波图像进行染色,得到标准图像,包括:
获取预设的颜色参数;
遍历并获取所述滤波图像中各像素点的像素值;
根据所述颜色参数对所述像素值进行线性调整,得到标准图像。
本发明实施例利用具有数据抓取功能的python语句从预先构建的数据库中获取所述颜色参数。
详细地,所述颜色参数是用于唯一标识不同色彩的参数,所述颜色参数为动态浮点数值,可根据目标像素的像素值将目标像素转化至预设的颜色范围内。
例如,红色的颜色参数为r,红色的颜色范围为(qp),存在目标像素的像素值为k,且k不在(qp)范围内,则利用颜色参数r对目标像素的像素值进行线性调整,使得所述目标像素的像素值落入(qp)范围内。
本发明实施例中,分别利用多种颜色参数对滤波图像中各像素点的像素值进行线性调整,得到标准图像。
本发明实施例利用预设的染色方式对滤波图像进行染色,可实现在不同颜色下突出滤波图像中的图像细节,有利于提高对图像中细节进行磨损程度分析的精确度。
S4、对所述标准图像进行细节增强处理,得到增强图像。
本发明实施例中,所述对所述标准图像进行细节增强处理,得到增强图像,包括:
利用n×n的图像窗口在所述标准图像中依次进行区域选择,得到多个图像区域,其中,所述n为正整数;
根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元;
根据所述二进制码元对所述中心像素进行像素增强,得到增强图像。
可选地,所述根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元,包括:
其中,P0为所述图像区域的中心像素,Pe为所述中心像素的邻域像素的均值,n为所述邻域像素的个数,s(P0-Pe)为量化运算。
本发明实施例对标准图像进行细节增强处理,将标准图像中噪声像素点进行过滤,并对图像细节进行局部纹理加深,突出了图像中的细节特征,有利于提高对图像进行分析的精确度。
S5、对所述增强图像进行二值化分割,得到二值化图像。
本发明实施例中,所述对所述增强图像进行二值化分割,得到二值化图像,包括:
获取所述增强图像中各像素点的像素值;
利用预设二值化公式对所述增强图像中各像素点的像素值进行二值化分割,得到二值化图像。
详细地,本发明实施例可利用具有像素遍历功能的python语句遍历所述增强图像以获取所述增强图像中各像素点的像素值。
具体地,所述预设二值化公式为:
其中,f(m,n)为所述增强图像中像素点(m,n)的像素值,g(m,n)为所述增强图像中像素点(m,n)二值化后的像素值,C为预设常数。
本发明实施例通过对增强图像进行二值化分割,可突出增强图像中的划痕,提高后续利用划痕对风电叶磨损程度进行分析的精确度。
S6、提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。
本发明实施例可直接利用图像处理软件提取所述二值化图像中磨损纹理的面积、长度及数量,所述图像处理软件包括但不限于photoshop,picasa等。
详细地,所述根据所述面积、长度及数量计算风电叶的磨损程度,包括:
利用如下权重算法根据所述面积、长度及数量计算风电叶的磨损程度:
当所述二值化图像中磨损纹理的数量为0时,即可计算得到风电叶的磨损程度未0,当所述二值化图像中磨损纹理的数量不为0时,即可根据所述面积、长度及数量计算出风电叶的磨损程度T。
本发明实施例通过对风电叶图像进行色彩空间转换,实现了将风电叶图像从原始色彩空间转换至目标色彩空间,利用目标色彩空间可更好的显示图像细节特征,有利于后续精准地对图像细节进行增强;转换图像进行噪声像素滤波、染色及细节增强处理,均可突出图像中的细节特征,有利于提高对图像中细节进行磨损程度分析的精确度,根据所述面积、长度及数量计算风电叶的磨损程度,结合多因素对风电叶磨损程度进行分析,避免了单一因素分析导致的结果不精确的问题。因此本发明实施例提供的基于图像处理的风电叶磨损分析方法,可以解决对风电叶磨损程度分析的精确度较低的问题。
如图3所示,是本发明实施例提供的基于图像处理的风电叶磨损分析装置的模块示意图。
本发明所述基于图像处理的风电叶磨损分析装置100可以安装于电子设备中。根据实现的功能,所述基于图像处理的风电叶磨损分析装置可以包括空间转换模块101、像素滤波模块102、图像染色模块103、细节增强模块104、图像分割模块105和磨损计算模块106。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述空间转换模块101,用于获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像。
本发明实施例中,所述风电叶图像为风力发电机上使用的用于风力发电的叶片,可通过预先安装的摄像设备,如相机、监控摄像头等获取所述风电叶图像。
通常,由于相机等具有图像捕获功能的设备的限制,获取到的风电叶图像一般为RGB色彩空间的图像或为CMYK色彩空间的图像。
详细地,所述空间转换模块101具体用于:
获取风电叶图像的原始色彩空间参数;
根据所述原始色彩空间参数遍历并获取所述风电叶图像中各像素点的颜色三分量;
根据绝对色彩空间的绝对色彩参数对所述颜色三分量进行中间值转化,得到中间值三分量;
将所述中间值三分量进行归一化处理,得到归一化三分量;
根据目标色彩空间的目标色彩参数对所述归一化三分量进行数值校正,得到所述风电叶图像中各像素点校正三分量;
将所述校正三分量输入至所述目标色彩空间,得到转换图像。
本发明实施例可利用具有数据抓取功能的python语句从不同颜色空间的底层数据中获取所述原始色彩空间参数、所述绝对色彩参数和所述目标色彩参数。
详细地,所述原始色彩空间参数是所述风电叶图像所在的色彩空间中定义颜色范围的特定参数,所述原始色彩空间包括但不限于RGB色彩空间、CMYK色彩空间,原始色彩空间中显示的色彩范围会随着显示设备的变动而变动。
所述绝对色彩参数是绝对色彩空间定义颜色范围的特定参数,所述绝对色彩空间包括但不限于sRGB色彩空间、Adobe RGB色彩空间,绝对色彩空间是显示的色彩范围不会随着显示设备的变动而变动。
所述目标色彩空间包括LAB色彩空间,所述目标色彩参数是目标色彩空间中定义颜色范围的特定参数,目标色彩空间中显示的颜色范围不会随显示设备的变动而变动,且由于目标色彩空间中显示的颜色范围适用于人类视觉,更有利于显示图像细节特征。
由于所述风电叶图像所在的原始色彩空间中显示的色彩范围会随着显示设备的变动而变动,但目标色彩空间中显示的颜色范围不会随显示设备的变动而变动,因此,先将原始色彩空间中的风电叶图像转化至绝对色彩空间中,通过绝对色彩空间将所述风电叶图像转化至所述目标色彩空间,能够实现,将所述风电叶图像从原始色彩空间转化至所述目标色彩空间的目的。
例如,风电叶图像的原始色彩空间为RGB色彩空间,目标色彩空间为LAB色彩空间,在将风电叶图像从RGB色彩空间转换至LAB色彩空间时,需要先将风电叶图像从RGB色彩空间转换至sRGB色彩空间(即绝对色彩空间),再通过sRGB色彩空间将风电叶图像转换至LAB色彩空间。
本发明实施例遍历所述风电叶图像,获取所述风电叶图像中各像素点的颜色三分量,并利用线性变换函数根据绝对色彩参数对所述颜色三分量进行中间值转化,得到中间值三分量,其中,所述线性变换函数如下:
y=α*R+β*G+γ*B
z=δ*R+ε*G+θ*B
详细地,所述中间值三分量x、y、z分别用于表示绝对色彩空间中图像的任一像素点的颜色三分量。
本发明实施例通过上述步骤将风电叶图像的色彩空间由原始色彩空间转化为绝对色彩空间。
进一步地,所述将所述中间值三分量进行归一化处理得到归一化三分量,包括:
利用如下归一化算法将所述中间值三分量进行归一化处理:
Fx=ρ*x
Fy=σ*y
Fz=τ*z
其中,Fx、Fy、Fz为所述归一化三分量,x、y、z为所述中间值三分量,ρ、σ、τ为预设的归一化系数。
本发明实施例中,所述根据所述目标色彩参数对所述归一化三分量进行数值校正得到所述风电叶图像中各像素点校正三分量,包括:
利用如下数值校正算法对所述归一化三分量进行数值校正:
a=ω*(Fx-Fy)
本发明实施例中对风电叶图像进行色彩空间转换,实现了将风电叶图像从原始色彩空间转换至目标色彩空间,利用目标色彩空间可更好的显示图像细节特征,有利于后续精准地对图像细节进行增强。
所述像素滤波模块102,用于对所述转换图像进行噪声像素滤波,得到滤波图像。
本发明实施例中,所述像素滤波模块102具体用于:
将所述转换图像进行均匀切割,得到多个图像块;
分别对所述多个图像块进行像素卷积,得到多个卷积图像块;
分别对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块;
将所述多个平滑图像块进行拼接,得到滤波图像。
详细地,参图2所示,图2为本发明实施例提供的对转换图像进行均匀切割的示意图。
图2中,存在尺寸为9X9的转换图像,按照等长度与等宽度将所述转换图像切分为9个3X3的图像块。
本发明实施例中,将转换图像进行均匀切割为多个图像块,有利于减少每个图像块中的像素数量,从而提高对转换图像进行噪声像素滤波的效率。
具体地,本发明实施例采用Gabor滤波器对所述多个图像块进行像素卷积,所述Gabor滤波器会根据预先设定的方向数和尺度数对所述多个图像块进行卷积计算,只允许符合预设纹理的图像通过,而不符合滤波器的图像则受到抑制,因此,当预设纹理设置为划痕时,通过Gabor滤波器根据预先设定的方向数和尺度数对所述多个图像块进行卷积计算,可保留图像块中划痕的纹理,而去处非划痕的纹理,以便于突出所述转换图像中的划痕特征,有利于提高最终分析的精确度。
本发明实施例中,利用高斯核函数对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块,所述高斯核函数也称径向基函数,是常用的一种平滑核函数,可利用高斯核函数的旋转对称性将有限维数据(既像素值)平滑映射到高维空间,以实现对多个卷积图像块进行高斯平滑处理。
本发明实施例对转换图像进行噪声像素滤波,可去除转换图像中的噪声,保留后续分析时需要的划痕纹理,有利于提高最终分析的精确度。
所述图像染色模块103,用于利用预设的染色方式对所述滤波图像进行染色,得到标准图像。
本发明实施例中,预设的染色方式可以为一种或多种。可以根据获取到的图像的属性采取相同或者不同的染色方式。
本发明实施例中,所述图像染色模块103具体用于:
获取预设的颜色参数;
遍历并获取所述滤波图像中各像素点的像素值;
根据所述颜色参数对所述像素值进行线性调整,得到标准图像。
本发明实施例利用具有数据抓取功能的python语句从预先构建的数据库中获取所述颜色参数。
详细地,所述颜色参数是用于唯一标识不同色彩的参数,所述颜色参数为动态浮点数值,可根据目标像素的像素值将目标像素转化至预设的颜色范围内。
例如,红色的颜色参数为r,红色的颜色范围为(qp),存在目标像素的像素值为k,且k不在(qp)范围内,则利用颜色参数r对目标像素的像素值进行线性调整,使得所述目标像素的像素值落入(qp)范围内。
本发明实施例中,分别利用多种颜色参数对滤波图像中各像素点的像素值进行线性调整,得到标准图像。
本发明实施例利用预设的染色方式对滤波图像进行染色,可实现在不同颜色下突出滤波图像中的图像细节,有利于提高对图像中细节进行磨损程度分析的精确度。
所述细节增强模块104,用于对所述标准图像进行细节增强处理,得到增强图像。
本发明实施例中,所述细节增强模块104具体用于:
利用n×n的图像窗口在所述标准图像中依次进行区域选择,得到多个图像区域,其中,所述n为正整数;
根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元;
根据所述二进制码元对所述中心像素进行像素增强,得到增强图像。
可选地,所述根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元,包括:
其中,P0为所述图像区域的中心像素,Pe为所述中心像素的邻域像素的均值,n为所述邻域像素的个数,s(P0-Pe)为量化运算。
本发明实施例对标准图像进行细节增强处理,将标准图像中噪声像素点进行过滤,并对图像细节进行局部纹理加深,突出了图像中的细节特征,有利于提高对图像进行分析的精确度。
所述图像分割模块105,用于对所述增强图像进行二值化分割,得到二值化图像。
本发明实施例中,所述图像分割模块105具体用于:
获取所述增强图像中各像素点的像素值;
利用预设二值化公式对所述增强图像中各像素点的像素值进行二值化分割,得到二值化图像。
详细地,本发明实施例可利用具有像素遍历功能的python语句遍历所述增强图像以获取所述增强图像中各像素点的像素值。
具体地,所述预设二值化公式为:
其中,f(m,n)为所述增强图像中像素点(m,n)的像素值,g(m,n)为所述增强图像中像素点(m,n)二值化后的像素值,C为预设常数。
本发明实施例通过对增强图像进行二值化分割,可突出增强图像中的划痕,提高后续利用划痕对风电叶磨损程度进行分析的精确度。
所述磨损计算模块106,用于提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。
本发明实施例可直接利用图像处理软件提取所述二值化图像中磨损纹理的面积、长度及数量,所述图像处理软件包括但不限于photoshop,picasa等。
详细地,所述根据所述面积、长度及数量计算风电叶的磨损程度,包括:
利用如下权重算法根据所述面积、长度及数量计算风电叶的磨损程度:
当所述二值化图像中磨损纹理的数量为0时,即可计算得到风电叶的磨损程度未0,当所述二值化图像中磨损纹理的数量不为0时,即可根据所述面积、长度及数量计算出风电叶的磨损程度T。
如图4所示,是本发明实现基于图像处理的风电叶磨损分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器12、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器12上运行的计算机程序,如基于图像处理的风电叶磨损分析程序110。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于图像处理的风电叶磨损分析程序110的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器12是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于图像处理的风电叶磨损分析程序110等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器12等之间的连接通信。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器12逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于图像处理的风电叶磨损分析程序110是多个指令的组合,在所述处理器12中运行时,可以实现与上述方法项相同的技术实施手段,在此不再赘述。
进一步地,所述电子设备1集成的模块/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。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何设备或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
所述计算机可读存储介质上存储有基于图像处理的风电叶磨损分析程序,所述基于图像处理的风电叶磨损分析程序可被一个或多个处理器执行,以实现如下操作:
获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像;
对所述转换图像进行噪声像素滤波,得到滤波图像;
利用预设的染色方式对所述滤波图像进行染色,得到标准图像;
对所述标准图像进行细节增强处理,得到增强图像;
对所述增强图像进行二值化分割,得到二值化图像;
提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于图像处理的风电叶磨损分析方法,其特征在于,所述方法包括:
获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像;
对所述转换图像进行噪声像素滤波,得到滤波图像;
利用预设的染色方式对所述滤波图像进行染色,得到标准图像;
对所述标准图像进行细节增强处理,得到增强图像;
对所述增强图像进行二值化分割,得到二值化图像;
提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。
2.根据权利要求1所述的基于图像处理的风电叶磨损分析方法,其特征在于,所述对所述风电叶图像进行色彩空间转换,得到转换图像,包括:
获取风电叶图像的原始色彩空间参数;
根据所述原始色彩空间参数遍历并获取所述风电叶图像中各像素点的颜色三分量;
根据绝对色彩空间的绝对色彩参数对所述颜色三分量进行中间值转化,得到中间值三分量;
将所述中间值三分量进行归一化处理,得到归一化三分量;
根据目标色彩空间的目标色彩参数对所述归一化三分量进行数值校正,得到所述风电叶图像中各像素点校正三分量;
将所述校正三分量输入至所述目标色彩空间,得到转换图像。
3.根据权利要求2所述的基于图像处理的风电叶磨损分析方法,其特征在于,所述将所述中间值三分量进行归一化处理,得到归一化三分量,包括:
利用如下归一化算法将所述中间值三分量进行归一化处理:
Fx=ρ*x
Fy=σ*y
Fz=τ*z
其中,Fx、Fy、Fz为所述归一化三分量,x、y、z为所述中间值三分量,p、σ、τ为预设的归一化系数。
4.根据权利要求1所述的基于图像处理的风电叶磨损分析方法,其特征在于,所述对所述转换图像进行噪声像素滤波,得到滤波图像,包括:
将所述转换图像进行均匀切割,得到多个图像块;
分别对所述多个图像块进行像素卷积,得到多个卷积图像块;
分别对所述多个卷积图像块进行高斯平滑处理,得到多个平滑图像块;
将所述多个平滑图像块进行拼接,得到滤波图像。
5.根据权利要求1所述的基于图像处理的风电叶磨损分析方法,其特征在于,所述利用预设的一种或者多种染色方式对所述滤波图像进行染色,得到标准图像,包括:
获取预设的颜色参数;
遍历并获取所述滤波图像中各像素点的像素值;
根据所述颜色参数对所述像素值进行线性调整,得到标准图像。
6.根据权利要求1至4中任一项所述的基于图像处理的风电叶磨损分析方法,其特征在于,所述对所述标准图像进行细节增强处理,得到增强图像,包括:
利用n×n的图像窗口在所述标准图像中依次进行区域选择,得到多个图像区域,其中,所述n为正整数;
根据每个所述图像区域的中心像素以及所述中心像素的邻域像素,利用预设算法计算每个所述图像区域的中心像素的二进制码元;
根据所述二进制码元对所述中心像素进行像素增强,得到增强图像。
7.根据权利要求1至4中任一项所述的基于图像处理的风电叶磨损分析方法,其特征在于,所述对所述增强图像进行二值化分割,得到二值化图像,包括:
获取所述增强图像中各像素点的像素值;
利用预设二值化公式对所述增强图像中各像素点的像素值进行二值化分割,得到二值化图像。
9.一种基于图像处理的风电叶磨损分析装置,其特征在于,所述装置包括:
空间转换模块,用于获取风电叶图像,对所述风电叶图像进行色彩空间转换,得到转换图像;
像素滤波模块,用于对所述转换图像进行噪声像素滤波,得到滤波图像;
图像染色模块,用于利用预设的染色方式对所述滤波图像进行染色,得到标准图像;
细节增强模块,用于对所述标准图像进行细节增强处理,得到增强图像;
图像分割模块,用于对所述增强图像进行二值化分割,得到二值化图像;
磨损计算模块,用于提取所述二值化图像中磨损纹理的面积、长度及数量,并根据所述面积、长度及数量计算风电叶的磨损程度。
10.根据权利要求9所述的基于图像处理的风电叶磨损分析装置,其特征在于,所述图像分割模块具体用于:
遍历所述增强图像以获取所述增强图像中各像素点的像素值;
利用预设二值化公式对所述增强图像中各像素点的像素值进行二值化分割,得到二值化图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107735.4A CN112862707A (zh) | 2021-01-27 | 2021-01-27 | 一种基于图像处理的风电叶磨损分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107735.4A CN112862707A (zh) | 2021-01-27 | 2021-01-27 | 一种基于图像处理的风电叶磨损分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862707A true CN112862707A (zh) | 2021-05-28 |
Family
ID=76009422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110107735.4A Pending CN112862707A (zh) | 2021-01-27 | 2021-01-27 | 一种基于图像处理的风电叶磨损分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862707A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240924A (zh) * | 2021-12-27 | 2022-03-25 | 南方电网物资有限公司 | 一种基于数字化技术的电网设备质量评估方法 |
-
2021
- 2021-01-27 CN CN202110107735.4A patent/CN112862707A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240924A (zh) * | 2021-12-27 | 2022-03-25 | 南方电网物资有限公司 | 一种基于数字化技术的电网设备质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110712A1 (zh) | 图像增强方法、装置、电子设备及计算机可读存储介质 | |
CN111652845B (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
Yang et al. | Graph-regularized saliency detection with convex-hull-based center prior | |
CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN113012068A (zh) | 图像去噪方法、装置、电子设备及计算机可读存储介质 | |
Mubashshira et al. | An unsupervised approach for road surface crack detection | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN113610934A (zh) | 图像亮度调整方法、装置、设备及存储介质 | |
CN115147405A (zh) | 一种快速新能源电池无损检测方法 | |
CN112862707A (zh) | 一种基于图像处理的风电叶磨损分析方法及装置 | |
CN113393430A (zh) | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 | |
CN117314880A (zh) | 图像缺陷检测方法及装置 | |
CN111311573B (zh) | 枝条确定方法、装置及电子设备 | |
CN104702920A (zh) | 基于cmos图像采集对电能表进行自动抄表的方法 | |
Cheng et al. | Power pole detection based on graph cut | |
CN107045633A (zh) | 一种基于st‑mser的能源计量表具的数字定位分割方法 | |
CN115205596A (zh) | 图像分类方法、装置、设备及存储介质 |
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 |