CN112927197B - 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 - Google Patents
一种空调外机支架锈蚀检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112927197B CN112927197B CN202110191903.2A CN202110191903A CN112927197B CN 112927197 B CN112927197 B CN 112927197B CN 202110191903 A CN202110191903 A CN 202110191903A CN 112927197 B CN112927197 B CN 112927197B
- Authority
- CN
- China
- Prior art keywords
- image
- bracket
- rust
- air conditioner
- stage
- 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
Images
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
- 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
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20—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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种空调外机支架锈蚀检测方法、装置、设备及存储介质。该方法包括:获取空调外机支架对应的待检测图像;基于第一预设模型识别待检测图像中空调外机与支架整体区域作为感兴趣区域图像;采用第二预设模型对感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架或第一非锈蚀支架;采用第三预设模型对第一非锈蚀支架图像进行图像分割,并基于图像分割结果得到二阶段锈蚀检测图像;基于锈蚀颜色特征对二阶段锈蚀检测图像进行二阶段锈蚀识别;计算二阶段锈蚀检测图像中的锈蚀占比;根据一阶段锈蚀检测的第一锈蚀支架和/或二阶段锈蚀检测的锈蚀占比确认空调外机支架锈蚀检测结果。实现提高识别支架锈蚀准确度的效果。
Description
技术领域
本发明实施例涉及缺陷检测技术,尤其涉及一种空调外机支架锈蚀检测方法、装置、设备及存储介质。
背景技术
空调外挂机是最常见的民用外挂设施,近年来空调外挂机坠落事件时有发生,对人员生命及财产安全造成严重危害,已经在社会公共安全领域引起广泛关注。外挂机支架长时间风吹雨淋,很容易被锈蚀,锈蚀可导致支架承载力下降,最终造成“扛不住”的支架发生断裂,造成外挂机的坠落。
传统空调外挂机支架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,排除背景干扰造成的误判;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。
然而由于空调外机支架目标过小或特征不明显造成支架的漏检率较高;同时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;以及一些锈蚀不明显的锈蚀支架容易漏检。
发明内容
本发明提供一种空调外机支架锈蚀检测方法、装置、设备及存储介质,以实现提高支架目标检测准确性、排除待检测图像背景干扰以及两阶段锈蚀检测,从而达到提高支架锈蚀识别准确度的效果。
第一方面,本发明实施例提供了一种空调外机支架锈蚀检测方法,包括:
获取待检测空调外机支架对应的待检测图像;
基于第一预设模型识别所述待检测图像中的空调外机与支架整体区域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图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像;
采用第三预设模型对所述第一非锈蚀支架图像进行图像分割,得到支架分割图像;
基于所述支架分割图像提取所述第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像;
对所述二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对所述二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像;
根据所述锈蚀区域图像的像素个数与所述二阶段锈蚀检测区域图像的像素个数的比重,计算所述待检测空调外机支架的锈蚀占比;
根据所述第一锈蚀支架图像和/或所述锈蚀占比确认空调外机支架锈蚀检测结果。
可选的,所述待检测图像包括单个或多个空调外机和外机支架整体区域对应的图像。
可选的,所述采用第一预设模型识别所述待检测图像中的空调外机与支架整体区域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空调外机和空调外机支架;
获取所述空调外机和空调外机支架的位置信息,所述空调外机和空调外机支架的位置信息为具有坐标信息的第一检测区域框;
将所述第一检测区域框按预设百分比扩大范围后进行处理得到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图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像包括:
采用第二预设模型识别所述感兴趣区域图像中的空调外机支架,生成具有所述空调外机支架坐标信息的第二检测区域框,同时识别所述第二检测区域框对应的类别,所述类别包第一锈蚀支架和第一非锈蚀图支架。
可选的,所述基于所述支架分割图像提取所述第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像包括:
将所述支架分割图像二值化后的图像信息作为第一掩码,所述第一掩码为0和1所组成的矩阵,矩阵大小为第一非锈蚀支架图像大小;其中,支架区域对应的掩码值为1,背景区域掩码值为0;
将所述第一非锈蚀支架图像与所述第一掩码进行“按位与”运算,得到二阶段锈蚀检测区域图像,所述二阶段锈蚀检测区域图像包含支架区域和黑色的背景区域。
可选的,所述对所述二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对所述二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像包括:
将所述二阶段锈蚀检测区域图像由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,矩阵大小为二阶段锈蚀检测区域图像大小;其中,锈蚀区域对应的掩码值为1,背景区域掩码值为0;
将所述二阶段锈蚀检测区域图像与所述第二掩码进行“按位与”运算,得到锈蚀区域图像,所述锈蚀区域图像包含锈蚀区域和黑色的背景区域。
可选的,所述根据所述第一锈蚀支架图像或所述锈蚀占比确认并输出空调外机支架锈蚀检测结果包括:
若一阶段锈蚀识别得到第一锈蚀支架图像,则确认并输出空调外机支架锈蚀检测结果为一级锈蚀;
若一阶段锈蚀识别得到第一非锈蚀支架图像,则在二阶段锈蚀识别判断所述锈蚀占比与第一阈值关系;
若所述锈蚀占比大于等于第一阈值,则确认并输出空调外机支架锈蚀检测结果为二级锈蚀;
若所述锈蚀占比小于第一阈值,则确认并输出空调外机支架锈蚀检测结果为未锈蚀。
第二方面,本发明实施例还提供了一种空调外机支架锈蚀检测装置,包括:
图像获取模块,用于获取待检测空调外机支架对应的待检测图像;
第一图像区域提取模块,用于基于第一预设模型识别所述待检测图像中的空调外机与支架整体区域作为感兴趣区域图像;
一阶段锈蚀识别模块,用于采用第二预设模型对所述感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像;
图像分割模块,用于采用第三预设模型对所述第一非锈蚀支架图像进行图像分割,得到支架分割图像;
第二图像区域提取模块,用于基于所述支架分割图像提取所述第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像;
二阶段锈蚀检测模块,用于对所述二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对所述二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像;
锈蚀占比确认模块,用于根据所述锈蚀区域图像的像素个数与所述二阶段锈蚀检测区域图像的像素个数的比重,计算所述待检测空调外机支架的锈蚀占比;
锈蚀结果确认模块,用于根据所述第一锈蚀支架图像和/或所述锈蚀占比确认空调外机支架锈蚀检测结果。
第三方面,本发明实施例还提供了一种空调外机支架锈蚀检测设备,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空调外机支架锈蚀检测方法。
第四方面,本发明实施例还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空调外机支架锈蚀检测方法。
本实施例的技术方案,通过从待检测图像中识别空调外机与支架整体区域图像作为感兴趣区域图像,通过两阶段锈蚀识别,确定空调外机支架锈蚀检测结果,通过空调外机这一显著目标辅助检测外机支架,解决了空调外机支架目标较小或特征不明显导致的漏检问题,采用二阶段锈蚀识别进一步排查一阶段分类为非锈蚀的支架,实现了提高支架目标检测准确性、排除待检测图像背景干扰以及提高识别锈蚀支架的准确度的效果。
附图说明
图1A为本发明实施例一提供的一种空调外机支架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空调外机支架锈蚀检测方法中的待检测图像的示意图;
图1C为本发明实施例一提供的一种空调外机支架锈蚀检测方法中的第一锈蚀支架图像的示意图;
图1D为本发明实施例一提供的一种空调外机支架锈蚀检测方法中的第一非锈蚀支架图像的示意图;
图1E为本发明实施例一提供的一种空调外机支架锈蚀检测方法中的支架分割图像的示意图;
图1F为本发明实施例一提供的一种空调外机支架锈蚀检测方法中的二阶段锈蚀检测区域图像的示意图;
图1G为本发明实施例一提供的一种空调外机支架锈蚀检测方法中的锈蚀区域图像的示意图;
图2A为本发明实施例一提供的一种空调外机支架锈蚀检测方法的子流程示意图;
图2B为本发明实施例一提供的又一种空调外机支架锈蚀检测方法的子流程示意图;
图2C为本发明实施例一提供的再一种空调外机支架锈蚀检测方法的子流程示意图;
图3为本发明实施例二提供的一种空调外机支架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空调外机支架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空调外挂机的支架进行锈蚀检测的情况,该方法可以由一种空调外机支架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、获取待检测空调外机支架对应的待检测图像。
对需要进行检测的空调外机支架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,由于空调外机支架目标过小或特征不明显造成支架的漏检率较高,而空调看外机目标较大,特征比较显著,更容易被检测到,所以采集图像时应当将范围扩大,略大于空调外机和外机支架整体对应的图像,完整包含空调外机支架整体区域和空调外机所在区域。
步骤120、基于第一预设模型识别待检测图像中的空调外机与支架整体区域作为感兴趣区域图像。
在进行空调外机支架锈蚀检测前,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,可以为faster-RCNN、SSD、YOLO等中的一种。第一预设模型的训练包括:对采集的图像中的空调外机和空调外机支架整体区域进行数据标注,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、随机旋转和水平翻转、直方图均衡化、加高斯噪声、HSV空间颜色变换等,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,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。
如图1B所示,将采集到的待检测图像输入第一预设模型进行识别,识别待测图像中的空调外机10和空调外机支架20整体区域30对应的图像,然后截取空调外机支架20整体区域对应的图像部分作为感兴趣区域图像20a。将感兴趣区域图像作为后续的识别图像完整的包含了支架区域,保证支架的显著性,提高后续对空调支架的目标检测与分割的精度。
步骤130、采用第二预设模型对感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像。
第二预设模型为支架目标检测模型,可以对感兴趣区域图像进行支架目标定位和支架类型分类,支架分类结果为第一锈蚀支架图像或第一非锈蚀支架图像,第二预设模型可以为faster-RCNN、SSD、YOLO等中的一种。
第二预设模型的训练包括:对感兴趣区域图像中的支架进行进一步数据标注,将支架分为锈蚀和非锈蚀两类,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、随机旋转和水平翻转、加高斯噪声、颜色变化(亮度、饱和度、对比度)等,其中,采用dropout正则化方法提高模型泛化能力;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。
将感兴趣区域图像输入第二预设模型进行识别,精确识别感兴趣区域图像中的空调外机支架图像,并对识别到的支架图像进行分类,如图1C和1D所示,生成第一锈蚀支架图像(图1C)或第一非锈蚀支架图像(图1D),其中第一锈蚀支架图像20b中包含锈蚀区域21。
如果待检测图像中存在第一非锈蚀支架图像,则执行后续步骤。
步骤140、采用第三预设模型对第一非锈蚀支架图像进行图像分割,得到支架分割图像。
第三预设模型为空调外机支架图像分割模型,是基于支架类型检测结果训练并使用一个基于深度学习的图像分割模型对空调外机支架进行分割,模型可以为FCN、UNet、DeepLab等中的一种。
第三预设模型的训练包括:首先第一非锈蚀支架图像内的支架进行数据标注,并形成训练集和验证集,训练所采用的每张图像即为第一非锈蚀支架图像内的图像,标签为二值化的掩码图像,其中支架区域像素值为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,所采用的数据增强方式包括但不限于尺度变化、透视变换、随机旋转和水平翻转、加高斯噪声、颜色变化(亮度、饱和度、对比度)等,同时在卷积神经网络模型加入Dropout正则化方法提高模型泛化能力;最后,当验证集验证结果满足结束条件时结束训练,保存空调外机支架图像分割模型参数。
通过训练不同环境下的图像数据并提取图像高维度特征,结合数据扩展、正则化等操作,可在空调外机支架出现阴影、锈蚀、图像质量不佳等干扰的情况下仍然可以稳定地提取准确的空调外机支架区域并准确地显示真实的边缘特征。
如图1C和1E所示,调用第三预设模型,将第一非锈蚀支架图像20b输入到第三预设模型中,进行图像分割处理,得到支架分割图像(如图1E所示),其中,支架分割图像为一张灰度图像,图1E中包含完整的支架区域图像,即支架分割图像22和已经被纯黑像素(像素值为0)取代的背景区域23。
步骤150、基于支架分割图像提取第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像。
由于一些支架只存在少量的锈斑,锈蚀特征并不明显,在第二预设模型识别时,可能会被判别为非锈蚀支架,为了进一步将锈蚀不明显的支架中的锈蚀部分准确检测出来,需要基于支架分割图像提取第一非锈蚀支架图像中的支架区域,进一步提取更精确的支架检测区域图像进行二阶段锈蚀检测。如图1F所示,将第一非锈蚀支架图像与二值化后的支架分割图像进行“按位与”运算,遮挡了检测区域图像中的非支架区域图像,提取出支架区域对应的图像,即二阶段锈蚀检测区域图像,图中包含黑色背景区域24和锈蚀检测区域25。
基于深度学习的空调外机支架图像分割方法可在支架图像出现阴影、锈蚀、图像质量不佳等干扰的情况下仍然可以高鲁棒性地提取支架区域。
步骤160、对二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像。
将二阶段锈蚀检测区域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二阶段锈蚀检测区域图像进行颜色检测,即基于锈蚀区域具有的颜色特征判断并提取锈蚀检测区域图像中的锈蚀区域图像,如图1G所示,锈蚀检测区域图像中包含黑色的背景区域25和目标锈蚀区域26。
步骤170、根据锈蚀区域图像的像素个数与二阶段锈蚀检测区域图像中支架区域的像素个数的比重,计算待检测空调外机支架的锈蚀占比。
计算目标锈蚀区域的像素个数与二阶段锈蚀检测区域图像中支架区域的像素个数的比值,作为进一步空调外机支架锈蚀检测结果分类的条件。
步骤180、根据第一锈蚀支架图像和/或锈蚀占比确认空调外机支架锈蚀检测结果。
在对空调外机支架的锈蚀检测过程中,会得到不同的锈蚀检测结果,为了更清楚的表示空调外机支架的锈蚀程度,对锈蚀检测结果进行了分类。示例性的,若在一阶段锈蚀识别时,得到第一锈蚀支架图像,则确认并输出空调外机支架锈蚀检测结果为一级锈蚀,此时,空调外机支架的锈蚀程度较高,需要立刻进行人工检修和更换;若一阶段锈蚀识别得到第一非锈蚀支架图像,则需要在二阶段锈蚀识别判断锈蚀占比与第一阈值关系,进一步的,若锈蚀占比大于等于第一阈值,确认并输出空调外机支架锈蚀检测结果为二级锈蚀,此时,空调外机支架的锈蚀程度较低,需要进行人工检修和维护,例如,补刷防锈漆等;若锈蚀占比小于第一阈值,则确认并输出空调外机支架锈蚀检测结果为未锈蚀,此时,空调外机支架基本无锈蚀。示例性的,第一阈值为10%,当锈蚀占比大于50%时,判断锈蚀程度为一级锈蚀;当锈蚀占比小于50%大于10%时,判断为二级锈蚀;当锈蚀占比小于10%时,判断锈蚀程度为未锈蚀。
本实施例的技术方案,通过从待检测图像中识别空调外机与支架整体区域图像作为感兴趣区域图像,通过先获取含空调外机支架和空调外机所在区域图像作为待检测图像,再从待检测图像中识别空调外机与支架整体区域图像作为感兴趣区域图像进行处理,通过两阶段锈蚀识别,确定空调外机支架锈蚀检测结果,通过空调外机这一显著目标辅助检测外机支架,解决了空调外机支架目标较小或特征不明显导致的漏检问题,采用二阶段锈蚀识别进一步排查一阶段分类为非锈蚀的支架,实现了提高支架目标检测准确性、排除待检测图像背景干扰以及提高识别锈蚀区域的准确度的效果。
在上述技术方案的基础上,如图2A所示,进一步的,步骤120包括以下具体步骤:
步骤121、采用第一预设模型识别待检测图像中的空调外机和空调外机支架整体区域。
步骤122、获取空调外机和空调外机支架的位置信息,空调外机和空调外机支架的位置信息为具有坐标信息的第一检测区域框。
示例性的,第一检测区域框表示为(x1,y1,w1,h1),其中x1和y1是当前待测图像第一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。
将支架和空调外挂机作为整体检测目标,由于整体目标特征显著性较强,可有效提高目标检测准确性。
步骤123、将第一检测区域框按预设百分比扩大范围后进行处理得到对应的图像作为感兴趣区域图像。
为了保证第一检测区域框内包含所有完整的空调外机支架,检测框向外扩展5%的长度对应的区域范围作为感兴趣区域图像,由于空调外机支架位于外挂机下方,截取第一检测区域框的下半部分作为感兴趣区域最终结果,排除了大部分背景干扰区域,同时保证了空调外机支架特征的显著性,有利于提高后期支架目标检测准确性。同时将感兴趣区域图像截取出来作为后续识别图像。
在上述技术方案的基础上,进一步的,步骤130包括以下具体步骤:
步骤131、采用第二预设模型识别感兴趣区域图像中的空调外机支架,生成具有空调外机支架坐标信息的第二检测区域框,同时识别第二检测区域框对应的类别,类别包括第一锈蚀支架图像或第一非锈蚀支架图像。
将感兴趣区域图像输入第二预设模型进行识别,识别感兴趣区域图像中的空调外机支架图像,示例性的,第二检测区域框表示为(x2,y2,w2,h2),其中x2和y2是当前待测图像第二检测区域框的中心点坐标,w2和h2表示检测区域框的宽和高。
目标检测模型可以同时进行分类和定位功能,在定位第二检测区域框的同时识别第二检测区域框内支架对应的类别,若分类为锈蚀支架,则标识为第一锈蚀支架,若分类为非锈蚀支架,则标识为第一非锈蚀支架。
通过深度学习的第二预设模型检测空调支架并且对锈蚀支架进行一阶段锈蚀识别,对具有明显锈蚀的空调支架快速识别,提高了锈蚀检测的速度。
在上述技术方案的基础上,如图2B所示,进一步的,步骤150包括以下具体步骤:
步骤151、将支架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,矩阵大小为第一非锈蚀支架图像大小;其中,支架区域对应的掩码值为1,背景区域掩码值为0。
在进行图像分割和二值化后,空调外机支架的区域和其他区域明显区别开来,支架区域像素值为255,背景区域值为0二值化的图像转化成二维矩阵后,将值为255的位置变为1,并将该矩阵作为第一掩码。
步骤152、将第一非锈蚀支架图像与第一掩码进行“按位与”运算,得到二阶段锈蚀检测区域图像,二阶段锈蚀检测区域图像包含支架区域和黑色的背景区域。
将第一非锈蚀支架图像与第一掩码进行“按位与”运算,得到支架检测区域图像,即对第一非锈蚀支架图像中非空调外机支架区域进行遮挡,其中包含支架区域和黑色的背景区域;对第一非锈蚀支架图像中的空调外机支架图像进行提取,得到精确的空调外机支架区域图像,排除可能的与锈蚀颜色相近的背景图像干扰。
在上述技术方案的基础上,如图2C所示,进一步的,步骤160包括以下具体步骤:
步骤161、将二阶段锈蚀检测区域图像由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信息判断大于某一个阈值,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162、根据锈蚀颜色特征在HSV空间的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,矩阵大小为二阶段锈蚀检测区域图像大小;其中,锈蚀区域对应的掩码值为1,背景区域掩码值为0。
步骤163、将二阶段锈蚀检测区域图像与第二掩码进行“按位与”运算,得到锈蚀区域图像,锈蚀区域图像包含锈蚀区域和黑色的背景区域。
将支架检测区域图像与第二掩码进行“按位与”运算,遮挡了检测区域图像中的非锈蚀颜色特征图像,提取出锈蚀颜色特征对应的区域,即锈蚀区域图像。
实施例二
本发明实施例所提供的空调外机支架锈蚀检测装置可执行本发明任意实施例所提供的空调外机支架锈蚀检测方法,具备执行方法相应的功能模块和有益效果。
如图3所示,一种空调外机支架锈蚀检测装置,包括:
图像获取模块310,用于获取待检测空调外机支架对应的待检测图像。
对需要进行检测的空调外机支架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,由于空调外机支架目标过小或特征不明显造成支架的漏检率较高,而空调看外机目标较大,特征比较显著,更容易被检测到,所以采集图像时应当将范围扩大,略大于空调外机和外机支架整体对应的图像,完整包含空调外机支架整体区域和空调外机所在区域。
第一图像区域提取模块320,用于基于第一预设模型识别待检测图像中的空调外机与支架整体区域作为感兴趣区域图像。
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,可以为faster-RCNN、SSD、YOLO等中的一种。第一预设模型的训练包括:对采集的图像中的空调外机和空调外机支架整体区域进行数据标注,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、随机旋转和水平翻转、直方图均衡化、加高斯噪声、HSV空间颜色变换等,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,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,识别待测图像中的空调外机和空调外机支架对应的图像,然后截取空调外机支架对应的图像部分作为感兴趣区域图像。将感兴趣区域图像作为后续的识别图像完整的包含了支架区域,保证支架的显著性,提高后续对空调支架的目标检测与分割的精度。
一阶段锈蚀识别模块330,用于采用第二预设模型对感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像。
第二预设模型为支架目标检测模型,可以对感兴趣区域图像进行支架目标定位和支架类型分类,支架分类结果为第一锈蚀支架图像或第一非锈蚀支架图像,第二预设模型可以为faster-RCNN、SSD、YOLO等中的一种。
图像分割模块340,用于采用第三预设模型对第一非锈蚀支架图像进行图像分割,得到支架分割图像。
第三预设模型为空调外机支架图像分割模型,是基于支架类型检测结果训练并使用一个基于深度学习的图像分割模型对空调外机支架进行分割,模型可以为FCN、UNet、DeepLab等中的一种。
通过训练不同环境下的图像数据并提取图像高维度特征,结合数据扩展、正则化等操作,可在空调外机支架出现阴影、锈蚀、图像质量不佳等干扰的情况下仍然可以稳定地提取准确的空调外机支架区域并准确地显示真实的边缘特征。
调用第三预设模型,将第一非锈蚀支架图像输入到第三预设模型中,进行图像分割处理,得到支架分割图像,其中,支架分割图像为一张灰度图像,图中包含完整的支架区域图像,即支架分割图像和已经被纯黑像素(像素值为0)取代的背景区域,可清晰地显示空调外机支架的边缘信息。
第二图像区域提取模块350,用于基于支架分割图像提取第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像。
由于一些支架只存在少量的锈斑,锈蚀特征并不明显,在第二预设模型识别时,可能会被判别为非锈蚀支架,为了进一步将锈蚀不明显的支架中的锈蚀部分准确检测出来,需要基于支架分割图像提取第一非锈蚀支架图像进行中的支架区域,进一步提取更精确的支架检测区域图像进行二阶段锈蚀检测。
基于深度学习的空调外机支架图像分割方法可在支架图像出现阴影、锈蚀、图像质量不佳等干扰的情况下仍然可以高鲁棒性地提取支架区域。
二阶段锈蚀检测模块360,用于对二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像。
将支架检测区域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支架检测区域图像进行颜色检测,即基于锈蚀区域具有的颜色特征判断并提取检测区域图像中的锈蚀区域图像。
锈蚀占比确认模块370,用于根据锈蚀区域图像的像素个数与所述二阶段锈蚀检测区域图像的像素个数的比重,计算待检测空调外机支架的锈蚀占比。
计算目标锈蚀区域的像素个数与二阶段检测区域图像中支架区域的像素个数的比值,作为进一步空调外机支架锈蚀检测结果分类的条件。
锈蚀结果确认模块380,用于根据第一锈蚀支架图像和/或锈蚀占比确认空调外机支架锈蚀检测结果。
在对空调外机支架的锈蚀检测过程中,会得到不同的锈蚀检测结果,为了更清楚的表示空调外机支架的锈蚀程度,对锈蚀检测结果进行了分类。示例性的,若在一阶段锈蚀识别时,得到第一锈蚀支架图像,则确认并输出空调外机支架锈蚀检测结果为一级锈蚀,此时,空调外机支架的锈蚀程度较高,需要立刻进行人工检修和更换;若一阶段锈蚀识别得到第一非锈蚀支架图像,则需要在二阶段锈蚀识别判断锈蚀占比与第一阈值关系,进一步的,若锈蚀占比大于等于第一阈值,确认并输出空调外机支架锈蚀检测结果为二级锈蚀,此时,空调外机支架的锈蚀程度较低,需要进行人工检修和维护,例如,补刷防锈漆等;若锈蚀占比小于第一阈值,则确认并输出空调外机支架锈蚀检测结果为未锈蚀,此时,空调外机支架基本无锈蚀。示例性的,第一阈值为10%,当锈蚀占比大于50%时,判断锈蚀程度为一级锈蚀;当锈蚀占比小于50%大于10%时,判断为二级锈蚀;当锈蚀占比小于10%时,判断锈蚀程度为未锈蚀。
本实施例的技术方案,通过从待检测图像中识别空调外机与支架整体区域图像作为感兴趣区域图像,通过先获取含空调外机支架和空调外机所在区域图像作为待检测图像,再从待检测图像中识别空调外机与支架整体区域图像作为感兴趣区域图像进行处理,通过两阶段锈蚀识别,确定空调外机支架锈蚀检测结果,通过空调外机这一显著目标辅助检测外机支架,解决了空调外机支架目标较小或特征不明显导致的漏检问题,采用二阶段锈蚀识别进一步排查一阶段分类为非锈蚀的支架,实现了提高支架目标检测准确性、排除待检测图像背景干扰以及提高识别锈蚀区域的准确度的效果。
进一步的,第一图像区域提取模块还包括:
整体目标获取单元,用于采用第一预设模型识别待检测图像中的空调外机和空调外机支架;
第一位置获取单元,用于获取空调外机和空调外机支架的位置信息,空调外机和空调外机支架的位置信息为具有坐标信息的第一检测区域框;
第一图像提取单元,用于将第一检测区域框扩大预设值后进行处理得到对应的图像作为感兴趣区域图像。
进一步的,一阶段锈蚀识别模块还包括:
支架目标获取单元,用于采用第二预设模型识别感兴趣区域图像中的空调外机支架,生成具有空调外机支架坐标信息的第二检测区域框;
支架分类单元,用于采用第二预设模型识别第二检测区域框对应的类别,类别包括第一锈蚀支架图像和第一非锈蚀支架图像。
进一步的,第二图像区域提取模块还包括:
第一掩码获取单元,用于将图像分割结果二值化后的图像信息作为第一掩码;
第二图像提取单元,用于将第一非锈蚀支架图像与第一掩码进行“按位与”运算,得到二阶段锈蚀检测区域图像。
进一步的,二阶段锈蚀检测模块还包括:
色彩空间转换单元,用于将支架检测区域图像由RGB空间转换为HSV空间;
第二掩码获取单元,用于根据锈蚀特征在HSV空间的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,用于将二阶段锈蚀检测区域图像与第二掩码进行“按位与”运算,得到锈蚀区域图像。
进一步的,锈蚀结果确认模块还包括:
一级锈蚀确认单元,用于若一阶段锈蚀识别得到第一锈蚀支架图像,则确认并输出空调外机支架锈蚀检测结果为一级锈蚀;
锈蚀占比判断单元,用于若一阶段锈蚀识别得到第一非锈蚀支架图像,则在二阶段锈蚀识别判断锈蚀占比与第一阈值关系;
二级锈蚀确认单元,用于若锈蚀占比大于等于第一阈值,则确认并输出空调外机支架锈蚀检测结果为二级锈蚀;
未锈蚀确认单元,用于若锈蚀占比小于第一阈值,则确认并输出空调外机支架锈蚀检测结果为未锈蚀。
实施例三
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空调外机支架锈蚀检测方法对应的程序指令/模块(例如,空调外机支架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、一阶段锈蚀识别模块330、第二图像区域提取模块340、二阶段锈蚀检测模块350、锈蚀占比确认模块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,即实现上述的空调外机支架锈蚀检测方法。
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空调外机支架锈蚀检测方法,该方法包括:
获取待检测空调外机支架对应的待检测图像;
基于第一预设模型识别待检测图像中的空调外机与支架整体区域作为感兴趣区域图像;
采用第二预设模型对感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像;
采用第三预设模型对第一非锈蚀支架图像进行图像分割,得到支架分割图像;
基于支架分割图像提取第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像;
对支架检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像;
根据锈蚀区域图像的像素个数与二阶段锈蚀检测区域图像的像素个数的比重,计算待检测空调外机支架的锈蚀占比;
根据第一锈蚀支架图像和/或锈蚀占比确认空调外机支架锈蚀检测结果。
一阶段当然,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空调外机支架锈蚀检测方法中的相关操作。
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,上述空调外机支架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 (10)
1.一种空调外机支架锈蚀检测方法,其特征在于,包括:
获取待检测空调外机支架对应的待检测图像;
基于第一预设模型识别所述待检测图像中的空调外机与支架整体区域作为感兴趣区域图像,其中,所述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;
采用第二预设模型对所述感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像,其中,所述第二预设模型为支架目标检测模型,对所述感兴趣区域图像进行支架目标定位和支架类型分类;
采用第三预设模型对所述第一非锈蚀支架图像进行图像分割,得到支架分割图像,其中,所述第三预设模型为空调外机支架图像分割模型,是基于支架类型检测结果训练并使用一个基于深度学习的图像分割模型对空调外机支架进行分割;
基于所述支架分割图像提取所述第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像;
对所述二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对所述二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像;
根据所述锈蚀区域图像的像素个数与所述二阶段锈蚀检测区域图像的像素个数的比重,计算所述待检测空调外机支架的锈蚀占比;
根据所述第一锈蚀支架图像和/或所述锈蚀占比确认空调外机支架锈蚀检测结果。
2.根据权利要求1所述的空调外机支架锈蚀检测方法,其特征在于,所述待检测图像包括单个或多个空调外机和外机支架整体区域对应的图像。
3.根据权利要求1所述的空调外机支架锈蚀检测方法,其特征在于,采用第一预设模型识别所述待检测图像中的空调外机与支架整体区域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空调外机和空调外机支架;
获取所述空调外机和空调外机支架的位置信息,所述空调外机和空调外机支架的位置信息为具有坐标信息的第一检测区域框;
将所述第一检测区域框按预设百分比扩大范围后进行处理得到对应的图像作为感兴趣区域图像。
4.根据权利要求1所述的空调外机支架锈蚀检测方法,其特征在于,所述采用第二预设模型对所述感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像包括:
采用第二预设模型识别所述感兴趣区域图像中的空调外机支架,生成具有所述空调外机支架坐标信息的第二检测区域框,同时识别所述第二检测区域框对应的类别,所述类别包括第一锈蚀支架和第一非锈蚀图支架。
5.根据权利要求1所述的空调外机支架锈蚀检测方法,其特征在于,所述基于所述支架分割图像提取所述第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像包括:
将所述支架分割图像二值化后的图像信息作为第一掩码,所述第一掩码为0和1所组成的矩阵,矩阵大小为第一非锈蚀支架图像大小;其中,支架区域对应的掩码值为1,背景区域掩码值为0;
将所述第一非锈蚀支架图像与所述第一掩码进行“按位与”运算,得到二阶段锈蚀检测区域图像,所述二阶段锈蚀检测区域图像包含支架区域和黑色的背景区域。
6.根据权利要求1所述的空调外机支架锈蚀检测方法,其特征在于,所述对所述二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对所述二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像包括:
将所述二阶段锈蚀检测区域图像由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,矩阵大小为二阶段锈蚀检测区域图像大小;其中,锈蚀区域对应的掩码值为1,背景区域掩码值为0;
将所述二阶段锈蚀检测区域图像与所述第二掩码进行“按位与”运算,得到锈蚀区域图像,所述锈蚀区域图像包含锈蚀区域和黑色的背景区域。
7.根据权利要求1所述的空调外机支架锈蚀检测方法,其特征在于,所述根据所述第一锈蚀支架图像或所述锈蚀占比确认并输出空调外机支架锈蚀检测结果包括:
若一阶段锈蚀识别得到第一锈蚀支架图像,则确认并输出空调外机支架锈蚀检测结果为一级锈蚀;
若一阶段锈蚀识别得到第一非锈蚀支架图像,则在二阶段锈蚀识别判断所述锈蚀占比与第一阈值关系;
若所述锈蚀占比大于等于第一阈值,则确认并输出空调外机支架锈蚀检测结果为二级锈蚀;
若所述锈蚀占比小于第一阈值,则确认并输出空调外机支架锈蚀检测结果为未锈蚀。
8.一种空调外机支架锈蚀检测装置,其特征在于,包括:
图像获取模块,用于获取待检测空调外机支架对应的待检测图像;
第一图像区域提取模块,用于基于第一预设模型识别所述待检测图像中的空调外机与支架整体区域作为感兴趣区域图像,其中,所述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;
一阶段锈蚀识别模块,用于采用第二预设模型对所述感兴趣区域图像进行一阶段锈蚀识别,得到第一锈蚀支架图像或第一非锈蚀支架图像,其中,所述第二预设模型为支架目标检测模型,对所述感兴趣区域图像进行支架目标定位和支架类型分类;
图像分割模块,用于采用第三预设模型对所述第一非锈蚀支架图像进行图像分割,得到支架分割图像,其中,所述第三预设模型为空调外机支架图像分割模型,是基于支架类型检测结果训练并使用一个基于深度学习的图像分割模型对空调外机支架进行分割;
第二图像区域提取模块,用于基于所述支架分割图像提取所述第一非锈蚀支架图像中的支架区域作为二阶段锈蚀检测区域图像;
二阶段锈蚀检测模块,用于对所述二阶段锈蚀检测区域图像进行颜色空间转换,并根据锈蚀颜色特征对所述二阶段锈蚀检测区域图像进行二阶段锈蚀识别,得到锈蚀区域图像;
锈蚀占比确认模块,用于根据所述锈蚀区域图像的像素个数与所述二阶段锈蚀检测区域图像的像素个数的比重,计算所述待检测空调外机支架的锈蚀占比;
锈蚀结果确认模块,用于根据所述第一锈蚀支架图像和/或所述锈蚀占比确认空调外机支架锈蚀检测结果。
9.一种空调外机支架锈蚀检测设备,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1-7中任一所述的空调外机支架锈蚀检测方法。
10.一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1-7中任一所述的空调外机支架锈蚀检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110191903.2A CN112927197B (zh) | 2021-02-19 | 2021-02-19 | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110191903.2A CN112927197B (zh) | 2021-02-19 | 2021-02-19 | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927197A CN112927197A (zh) | 2021-06-08 |
CN112927197B true CN112927197B (zh) | 2023-06-13 |
Family
ID=76169989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110191903.2A Active CN112927197B (zh) | 2021-02-19 | 2021-02-19 | 一种空调外机支架锈蚀检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927197B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005291984A (ja) * | 2004-04-01 | 2005-10-20 | Kozo Keikaku Engineering Inc | 鋼材から成る構造物の発錆状況判定装置、方法及びプログラム |
CN109085175A (zh) * | 2018-07-27 | 2018-12-25 | 江门市凯骏环保科技有限公司 | 一种用于检测空调外机支架使用状态的无线检测系统 |
CN109300119A (zh) * | 2018-09-11 | 2019-02-01 | 石家庄铁道大学 | 钢结构表面锈蚀区域的检测方法、检测装置及终端设备 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
JP2020020744A (ja) * | 2018-08-03 | 2020-02-06 | Automagi株式会社 | 錆検出プログラム、錆検出システム及び錆検出方法 |
CN111028197A (zh) * | 2019-11-01 | 2020-04-17 | 深圳先进技术研究院 | 一种检测金属锈蚀的方法及终端 |
CN111879710A (zh) * | 2020-07-23 | 2020-11-03 | 中冶建筑研究总院(深圳)有限公司 | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110569769A (zh) * | 2019-08-29 | 2019-12-13 | 浙江大搜车软件技术有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN111539910B (zh) * | 2020-03-13 | 2024-03-19 | 石家庄铁道大学 | 锈蚀区域检测方法及终端设备 |
-
2021
- 2021-02-19 CN CN202110191903.2A patent/CN112927197B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005291984A (ja) * | 2004-04-01 | 2005-10-20 | Kozo Keikaku Engineering Inc | 鋼材から成る構造物の発錆状況判定装置、方法及びプログラム |
CN109085175A (zh) * | 2018-07-27 | 2018-12-25 | 江门市凯骏环保科技有限公司 | 一种用于检测空调外机支架使用状态的无线检测系统 |
JP2020020744A (ja) * | 2018-08-03 | 2020-02-06 | Automagi株式会社 | 錆検出プログラム、錆検出システム及び錆検出方法 |
CN109300119A (zh) * | 2018-09-11 | 2019-02-01 | 石家庄铁道大学 | 钢结构表面锈蚀区域的检测方法、检测装置及终端设备 |
CN110427970A (zh) * | 2019-07-05 | 2019-11-08 | 平安科技(深圳)有限公司 | 图像分类方法、装置、计算机设备和存储介质 |
CN111028197A (zh) * | 2019-11-01 | 2020-04-17 | 深圳先进技术研究院 | 一种检测金属锈蚀的方法及终端 |
CN111879710A (zh) * | 2020-07-23 | 2020-11-03 | 中冶建筑研究总院(深圳)有限公司 | 钢结构涂层防腐性能评定方法、系统、服务器和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112927197A (zh) | 2021-06-08 |
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 | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN112419298B (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
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 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN111461076A (zh) | 帧差法与神经网络结合的烟雾检测方法和检测系统 | |
CN110705553A (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN117036342B (zh) | 一种芯片缺陷识别方法及系统 | |
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 | |
CN117763186A (zh) | 遥感图像检索方法、系统、计算机设备及存储介质 | |
CN111402185B (zh) | 一种图像检测方法及装置 | |
CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 | |
CN112465747A (zh) | 一种输电杆塔金具锈蚀的智能识别方法 | |
CN111523583A (zh) | 一种利用无人机对设备铭牌照片自动识别分类的方法 | |
CN112329783B (zh) | 基于图像处理的钩尾框折断识别方法 | |
CN114140792B (zh) | 基于动态滑动窗口的微小目标检测方法及装置 | |
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 | |
CN115272984B (zh) | 占道经营检测方法、系统、计算机及可读存储介质 | |
CN117351011B (zh) | 屏幕缺陷检测方法、设备和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |