CN113269800A - 一种太阳能光伏组件红外图像分割方法 - Google Patents
一种太阳能光伏组件红外图像分割方法 Download PDFInfo
- Publication number
- CN113269800A CN113269800A CN202110570299.4A CN202110570299A CN113269800A CN 113269800 A CN113269800 A CN 113269800A CN 202110570299 A CN202110570299 A CN 202110570299A CN 113269800 A CN113269800 A CN 113269800A
- Authority
- CN
- China
- Prior art keywords
- image
- infrared
- infrared image
- pixel
- contour
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003709 image segmentation Methods 0.000 title claims description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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
- G06T7/90—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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Solid State Image Pick-Up Elements (AREA)
Abstract
本发明公开了一种太阳能光伏组件红外图像分割方法,包括,通过红外成像仪采集太阳能光伏电站的光伏组件红外原图;将红外原图进行高斯滤波处理,获得红外图像;通过颜色直方图统计红外图像的像素比,根据像素比判断红外图像包含的环境信息是否复杂;若不复杂,则利用OTSU对经过判断的红外图像进行分割;若复杂,则利用Sobel算子对红外图像进行检测,获得图像轮廓;通过颜色直方图统计图像轮廓的像素比,根据图像轮廓的像素比判断图像轮廓的边缘信息是否复杂;若复杂则重新利用Sobel算子对图像进行检测;若不复杂,则利用OTSU对经过判断的图像轮廓进行分割;本发明能够提升红外图像的分割效果和光伏系统故障诊断的准确度。
Description
技术领域
本发明涉及图像处理的技术领域,尤其涉及一种太阳能光伏组件红外图像分割方法。
背景技术
能源问题已成为本世纪最受广泛关注的问题,近十几年来,光伏能源作为一种清洁可再生能源在各国政府的倡导和扶持下得到了迅猛的发展。太阳能光伏发电具有绿色无污染、可持续开发等特点,在新能源产业中具有广阔应用与发展前景,渐由次要供给能源向主要供给能源过渡。随着光伏发电技术越来越广泛的应用,已有大量的光伏系统投入运行。光伏故障诊断是伴随着光伏产业发展的重要趋势,基于电气测量的诊断手段因为测量参数居多,数据湮灭,传感器价格等因素已经逐步不适应于光伏故障诊断,红外测量逐步成为该领域故障诊断的主流方法,但是红外图像噪声大,非均匀成像等特点一直使得红外图片的分割效果受限,从而影响光伏故障诊断准确度。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种太阳能光伏组件红外图像分割方法,能够解决红外图片的分割效果受限的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,通过红外成像仪采集太阳能光伏电站的光伏组件红外原图G;将所述光伏组件红外原图G进行高斯滤波处理,获得高斯滤波后的红外图像Gg;通过颜色直方图统计红外图像Gg的像素比,根据所述红外图像Gg的像素比判断红外图像Gg包含的环境信息是否复杂;若不复杂,则利用最大类间方差法对经过判断的高斯滤波后的红外图像Gg进行分割;若复杂,则利用Sobel算子对所述红外图像Gg进行检测,获得图像轮廓Gn;通过颜色直方图统计图像轮廓Gn的像素比,根据所述图像轮廓Gn的像素比判断所述图像轮廓Gn的边缘信息是否复杂;若复杂则重新利用所述Sobel算子对所述红外图像Gg进行检测;若不复杂,则利用所述最大类间方差法对经过判断的Sobel算子检测后的图像轮廓Gn图像进行分割。
作为本发明所述的太阳能光伏组件红外图像分割方法的一种优选方案,其中:所述高斯滤波包括,通过N*N的高斯卷积核对光伏组件红外原图G的每一个像素进行扫描,用高斯卷积核领域内像素的加权平均灰度值去代替高斯卷积核中心的像素点值,进而获得所述红外图像Gg:
Gg=G*G(x,y)
作为本发明所述的太阳能光伏组件红外图像分割方法的一种优选方案,其中:所述判断红外图像Gg包括,若像素值150以下的像素比大于或等于K%则认为复杂,否则认为不复杂;即:若m≥K%则复杂,否则认为不复杂;其中,m为红外图像Gg像素值150以下的像素比。
作为本发明所述的太阳能光伏组件红外图像分割方法的一种优选方案,其中:所述像素比m包括,对于所述红外图像Gg统计其像素值150以下的像素比例m,假设红外图像Gg的大小为x*y,r为Gg(i,j)此点的像素值,则其像素值150以下像素值的个数n及像素比例m的计算公式分别如下:
其中,g为统计常数。
作为本发明所述的太阳能光伏组件红外图像分割方法的一种优选方案,其中:所述图像轮廓Gn包括,分别使用x方向算子与y方向的算子与所述光伏组件红外原图G进行卷积,从而获取边缘信息,即所述图像轮廓Gn:
作为本发明所述的太阳能光伏组件红外图像分割方法的一种优选方案,其中:所述判断图像轮廓Gn包括,若图像轮廓Gn像素值50以下的像素比大于或等于K%则认为不复杂,否则认为复杂;即:若z≥K%则复杂,否则认为不复杂;若不复杂,则其中,z为图像轮廓Gn像素值50以下的像素比。
作为本发明所述的太阳能光伏组件红外图像分割方法的一种优选方案,其中:所述像素比z包括,对于所述图像轮廓Gn像素值50以下的像素比z,假设图像轮廓Gn的大小为x*y,r为Gn(i,j)此点的像素值,则其像素值50以下像素值的个数b及像素比例z的计算公式分别如下:
其中,g为统计常数。
作为本发明所述的太阳能光伏组件红外图像分割方法的一种优选方案,其中:所述最大类间方差法包括,对于需要分割的图像,将前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;需要分割的图像的总平均灰度记为μ,类间方差记为g;假设需要分割的图像的背景较暗,并且需要分割的图像的大小为M×N,将需要分割的图像中像素的灰度值小于分割阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/(M×N)
ω1=N1/(M×N)
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2;
结合所述需要分割的图像的总平均灰度μ和类间方差记为g获得类间方差替换式:
g=ω0ω1(μ0-μ1)^2;
通过遍历获得使类间方差g最大的分割阈值T,通过所述分割阈值T对所述需要分割的图像进行分割。
本发明的有益效果:本发明通过OTSU自动计算一个最合适阈值,消除了重复设置阈值不适用的情况;同时通过Sobel算子消除了现有阈值分割方法的缺陷,对于不明显故障区域,小的热斑都可以做到精确定位。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的太阳能光伏组件红外图像分割方法的流程示意图;
图2为本发明第一个实施例所述的一种太阳能光伏组件红外图像分割方法的光伏组件红外原图G;
图3为本发明第一个实施例所述的一种太阳能光伏组件红外图像分割方法的红外图像Gg;
图4为本发明第一个实施例所述的一种太阳能光伏组件红外图像分割方法的红外图像Gn;
图5为本发明第二个实施例所述的现有的阈值分割方法获得的分割结果示意图;
图6为本发明第二个实施例所述的一种太阳能光伏组件红外图像分割方法的分割结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图4,为本发明的第一个实施例,该实施例提供了一种太阳能光伏组件红外图像分割方法,包括:
S1:通过红外成像仪采集太阳能光伏电站的光伏组件红外原图G。
S2:将光伏组件红外原图G进行高斯滤波处理,获得高斯滤波后的红外图像Gg。
其中需要说明的是,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程;高斯滤波是基于由一维高斯函数(公式一)转变得到的二维高斯函数(公式二)的一种滤波方式。
公式一:
公式二:
具体的,通过N*N的高斯卷积核对光伏组件红外原图G的每一个像素进行扫描,用高斯卷积核领域内像素的加权平均灰度值去代替高斯卷积核中心的像素点值,进而获得红外图像Gg:
Gg=G*G(x,y)
S3:通过颜色直方图统计红外图像Gg的像素比,根据红外图像Gg的像素比判断红外图像Gg包含的环境信息是否复杂。
若像素值150以下的像素比大于或等于K%则认为红外图像Gg包含的环境信息复杂,否则认为不复杂;即:若m≥K%则复杂,否则认为不复杂;
其中,m为红外图像Gg像素值150以下的像素比;K值为一个依据现场情况而滚动的动态值。
其中需要说明的是,最大K=100,此时传感器测量后拟合的现场温度T=50摄氏度,现场光照比例S=100%,组件负荷P=100%,逆变器负荷H=100%;最小K=0,此时传感器测量后拟合的现场温度T=0摄氏度,现场光照比例S=0%,组件负荷P=0%,逆变器负荷H=0%;T、S、P、H的值均有现场传感器一次性获得,且都为现成值,无需加工或再计算;
其约束条件如下所示:
T=0,t≤0
T=t,0<t<50
T=50,t≥50
0≤100*S≤100
0≤100*P≤100
0≤100*H≤100
其中,t为传感器测量的实际现场温度。
K计算公式如下所示:
K=T+20S+20P+10H;
像素比m根据下式进行计算:
对于红外图像Gg统计其像素值150以下的像素比例m,假设红外图像Gg的大小为x*y,r为Gg(i,j)此点的像素值,则其像素值150以下像素值的个数n及像素比例m的计算公式分别如下:
其中,g为统计常数。
进一步的,①若红外图像Gg包含的环境信息不复杂,则利用最大类间方差法对经过判断的高斯滤波后的红外图像Gg进行分割;
具体的,最大类间方差法的原理为:对于需要分割的图像,将前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;需要分割的图像的总平均灰度记为μ,类间方差记为g;
假设需要分割的图像的背景较暗,并且需要分割的图像的大小为M×N,将需要分割的图像中像素的灰度值小于分割阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/(M×N)
ω1=N1/(M×N)
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
结合需要分割的图像的总平均灰度μ和类间方差记为g获得类间方差替换式:
g=ω0ω1(μ0-μ1)^2
通过遍历获得使类间方差g最大的分割阈值T,通过分割阈值T对需要分割的图像进行分割。
②若红外图像Gg包含的环境信息复杂,则利用Sobel算子对图像Gg进行检测,获得图像轮廓Gn;
其中需要说明的是,Sobel算子是一种一离散性差分的边缘检测算子,Sobel算子根据像素点上下、左右邻点灰度加权差,在边缘处达到极值这一现象检测边缘。
具体的,分别使用x方向算子与y方向的算子与光伏组件红外原图G进行卷积,从而获取边缘信息,即图像轮廓Gn:
S4:通过颜色直方图统计图像轮廓Gn的像素比,根据图像轮廓Gn的像素比判断图像轮廓Gn的边缘信息是否复杂。
若图像轮廓Gn像素值50以下的像素比大于或等于K%则认为不复杂,否则认为复杂;即:若z≥K%则复杂,否则认为不复杂;
其中,K值的计算方式与步骤S3一致;z为图像轮廓Gn像素值50以下的像素比,像素比z根据下式进行计算:
对于图像轮廓Gn像素值50以下的像素比z,假设图像轮廓Gn的大小为x*y,r为Gn(i,j)此点的像素值,则其像素值50以下像素值的个数b及像素比例z的计算公式分别如下:
其中,g为统计常数。
①若复杂则重新利用Sobel算子对图像Gg进行检测,重新获取图像轮廓Gn
②若不复杂,则利用最大类间方差法对经过判断的Sobel算子检测后的图像轮廓Gn图像进行分割。
实施例2
对本方法中采用的技术效果加以验证说明,本实施例选择现有的阈值分割方法和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
现有的阈值分割方法在分割红外图像时阈值差异很大,对于不明显故障区域,小的热斑无法做到精确定位。
为验证本方法相对现有的阈值分割方法具有较好的分割效果,本实施例中将现有的阈值分割方法和本方法分别对光伏组件红外图像进行分割对比。
测试环境:CPU:2.0GHz;Memory:8GB;OS:win10 64位。
在Python3.8中分别对现有的阈值分割方法和本方法进行程序编译,通过运行程序分别分割结果,采用现有的阈值分割方法获得的分割结果如图5所示,采用本方法获得的分割结果如图6所示;由图可见,本方法的分割效果明显优于现有的阈值分割方法,很好地保留了图像细节。
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者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种太阳能光伏组件红外图像分割方法,其特征在于:包括,
通过红外成像仪采集太阳能光伏电站的光伏组件红外原图G;
将所述光伏组件红外原图G进行高斯滤波处理,获得高斯滤波后的红外图像Gg;
通过颜色直方图统计红外图像Gg的像素比,根据所述红外图像Gg的像素比判断红外图像Gg包含的环境信息是否复杂;若不复杂,则利用最大类间方差法对经过判断的高斯滤波后的红外图像Gg进行分割;
若复杂,则利用Sobel算子对所述红外图像Gg进行检测,获得图像轮廓Gn;
通过颜色直方图统计图像轮廓Gn的像素比,根据所述图像轮廓Gn的像素比判断所述图像轮廓Gn的边缘信息是否复杂;若复杂则重新利用所述Sobel算子对所述红外图像Gg进行检测;
若不复杂,则利用所述最大类间方差法对经过判断的Sobel算子检测后的图像轮廓Gn进行分割。
3.如权利要求1或2所述的太阳能光伏组件红外图像分割方法,其特征在于:所述判断红外图像Gg包括,
若像素值150以下的像素比大于或等于K%则认为复杂,否则认为不复杂;即:若m≥K%则复杂,否则认为不复杂;
其中,m为红外图像Gg像素值150以下的像素比。
6.如权利要求1或5所述的太阳能光伏组件红外图像分割方法,其特征在于:所述判断图像轮廓Gn包括,
若图像轮廓Gn像素值50以下的像素比大于或等于K%则认为不复杂,否则认为复杂;即:若z≥K%则复杂,否则认为不复杂;若不复杂,则
其中,z为图像轮廓Gn像素值50以下的像素比。
8.如权利要求1所述的太阳能光伏组件红外图像分割方法,其特征在于:所述最大类间方差法包括,
对于需要分割的图像,将前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;需要分割的图像的总平均灰度记为μ,类间方差记为g;
假设需要分割的图像的背景较暗,并且需要分割的图像的大小为M×N,将需要分割的图像中像素的灰度值小于分割阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/(M×N)
ω1=N1/(M×N)
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2;
结合所述需要分割的图像的总平均灰度μ和类间方差记为g获得类间方差替换式:
g=ω0ω1(μ0-μ1)^2;
通过遍历获得使类间方差g最大的分割阈值T,通过所述分割阈值T对所述需要分割的图像进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570299.4A CN113269800B (zh) | 2021-05-25 | 2021-05-25 | 一种太阳能光伏组件红外图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570299.4A CN113269800B (zh) | 2021-05-25 | 2021-05-25 | 一种太阳能光伏组件红外图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269800A true CN113269800A (zh) | 2021-08-17 |
CN113269800B CN113269800B (zh) | 2023-05-12 |
Family
ID=77232721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570299.4A Active CN113269800B (zh) | 2021-05-25 | 2021-05-25 | 一种太阳能光伏组件红外图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269800B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030010530A (ko) * | 2001-07-26 | 2003-02-05 | 캐논 가부시끼가이샤 | 이미지 처리 방법, 장치 및 시스템 |
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
KR101087592B1 (ko) * | 2011-03-11 | 2011-11-29 | 국방과학연구소 | Ir 영상추적기의 단일표적 추적성능 향상 방법 |
CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
CN105427286A (zh) * | 2015-11-06 | 2016-03-23 | 中国电子科技集团公司第二十八研究所 | 一种基于灰度和梯度分割的红外目标检测方法 |
CN106651893A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
CN110728692A (zh) * | 2019-10-29 | 2020-01-24 | 中国计量大学 | 一种基于Scharr算子改进的图像边缘检测方法 |
CN111275723A (zh) * | 2020-02-18 | 2020-06-12 | 南京邮电大学 | 一种基于Grab Cut算法的图像分割方法 |
CN112529910A (zh) * | 2020-12-08 | 2021-03-19 | 电科云(北京)科技有限公司 | 一种sar图像快速超像素合并及图像分割方法 |
-
2021
- 2021-05-25 CN CN202110570299.4A patent/CN113269800B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030010530A (ko) * | 2001-07-26 | 2003-02-05 | 캐논 가부시끼가이샤 | 이미지 처리 방법, 장치 및 시스템 |
CN101789080A (zh) * | 2010-01-21 | 2010-07-28 | 上海交通大学 | 车辆车牌实时定位字符分割的检测方法 |
KR101087592B1 (ko) * | 2011-03-11 | 2011-11-29 | 국방과학연구소 | Ir 영상추적기의 단일표적 추적성능 향상 방법 |
CN103927526A (zh) * | 2014-04-30 | 2014-07-16 | 长安大学 | 一种基于高斯差分多尺度边缘融合的车辆检测方法 |
CN105427286A (zh) * | 2015-11-06 | 2016-03-23 | 中国电子科技集团公司第二十八研究所 | 一种基于灰度和梯度分割的红外目标检测方法 |
CN106651893A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
CN109886168A (zh) * | 2019-02-01 | 2019-06-14 | 淮阴工学院 | 一种基于层阶的地面交通标志识别方法 |
CN110728692A (zh) * | 2019-10-29 | 2020-01-24 | 中国计量大学 | 一种基于Scharr算子改进的图像边缘检测方法 |
CN111275723A (zh) * | 2020-02-18 | 2020-06-12 | 南京邮电大学 | 一种基于Grab Cut算法的图像分割方法 |
CN112529910A (zh) * | 2020-12-08 | 2021-03-19 | 电科云(北京)科技有限公司 | 一种sar图像快速超像素合并及图像分割方法 |
Non-Patent Citations (2)
Title |
---|
YI ZHANG: "Edge detection algorithm of image fusion based on improved Sobel operator", 《 2017 IEEE 3RD INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》 * |
杨陶: "基于边缘检测与 Otsu 的图像分割算法研究", 《计算机工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269800B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20010055415A1 (en) | Pattern inspection method and pattern inspection device | |
Stromer et al. | Enhanced crack segmentation (eCS): a reference algorithm for segmenting cracks in multicrystalline silicon solar cells | |
Demant et al. | Microcracks in silicon wafers I: Inline detection and implications of crack morphology on wafer strength | |
CN107274393B (zh) | 基于栅线检测的单晶硅太阳能电池片表面缺陷检测方法 | |
CN109993094A (zh) | 基于机器视觉的材料缺陷智能检测系统及方法 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及系统 | |
CN108088381B (zh) | 一种基于图像处理的非接触式微小间隙宽度测量方法 | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
Kurukuru et al. | Machine learning framework for photovoltaic module defect detection with infrared images | |
CN108764119A (zh) | 基于迭代最大类间方差的sar图像变化检测方法 | |
CN115115643B (zh) | 一种光伏电池板生产缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN107525768A (zh) | 一种dna倍体分析设备的质量控制方法 | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN114821284A (zh) | 一种纺织品生产用码布机智能调节方法 | |
CN115984356A (zh) | 一种基于图像的导线压接间距测量方法及系统 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN112381759A (zh) | 基于光流法和置信度法的单晶硅太阳能晶片缺陷检测方法 | |
CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
CN113269800A (zh) | 一种太阳能光伏组件红外图像分割方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
CN112541478A (zh) | 一种基于双目摄像头的绝缘子串污损检测方法及系统 | |
CN116539638A (zh) | 掺杂浓度测量方法、装置、电子设备及存储介质 | |
CN113822104B (zh) | 基于多候选虚拟标尺的人工智能水面检测系统 | |
CN108986080B (zh) | 一种射线数字图像调制度确定方法及应用 |
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 |