CN113554067B - 基于集成学习的光纤缠绕缺陷检测方法与装置 - Google Patents

基于集成学习的光纤缠绕缺陷检测方法与装置 Download PDF

Info

Publication number
CN113554067B
CN113554067B CN202110744198.4A CN202110744198A CN113554067B CN 113554067 B CN113554067 B CN 113554067B CN 202110744198 A CN202110744198 A CN 202110744198A CN 113554067 B CN113554067 B CN 113554067B
Authority
CN
China
Prior art keywords
optical fiber
model
defect
image
fiber winding
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
CN202110744198.4A
Other languages
English (en)
Other versions
CN113554067A (zh
Inventor
曾龙
欧雪燕
冯平法
谢颂强
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua University
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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202110744198.4A priority Critical patent/CN113554067B/zh
Publication of CN113554067A publication Critical patent/CN113554067A/zh
Application granted granted Critical
Publication of CN113554067B publication Critical patent/CN113554067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一种基于集成学习的光纤缠绕缺陷检测方法和装置，该方法包括如下步骤：S1、采集光纤缠绕的图像；S2、对步骤S1采集的图像进行预处理；S3、通过数字图像处理模型对步骤S2预处理后的图像进行缺陷检测；S4、通过SVM模型对步骤S2预处理后的图像进行缺陷检测；S5、根据所述数字图像处理模型和所述SVM模型以设定权重相加的线性组合，对步骤S3和S4中两种模型的缺陷检测结果按照相应的权重进行投票，判断针对连续多张图片的投票结果是否不小于设定阈值分数，是则判定存在光纤缠绕缺陷。使用本发明进行光纤缠绕缺陷检测，能够减少误判率和漏检率，适用于各种直径的光纤，更适合工业环境生产，适应性高。

Description

基于集成学习的光纤缠绕缺陷检测方法与装置
技术领域
本发明涉及光纤缠绕缺陷检测技术，特别是涉及一种基于集成学习的光纤缠绕缺陷检测方法与装置。
背景技术
光纤制导近年来广泛运用于军事方面，是对付直升机和坦克的一种关键技术。光纤制导是利用光纤传感技术实现地面控制台和空中导弹的实时数据传输。作用原理是导弹尾部有一卷缠绕好的纺锤形光纤线包与发射控制台相连，导弹头部装有红外成像倒影头或微光电子摄像机，导弹飞行时光纤从尾部放出，并将头部拍摄到的画面通过光纤实时传回地面，射手依据传回信息控制导弹，具有发射、观察和更新的能力。
光纤制导是一种应用非常广泛的制导技术，该技术广泛应用在航天、航空和兵器领域。通过传感器将目标的图像等信息采集，通过光纤将上述信号传输制控制系统。如果目标距离控制系统较远，则需要有一个比较长的光纤跟随光学传感器发射导目标附近。在发射过程中为了防止光纤缠绕，必须将光纤按一定的规则缠绕成一个线包。线包缠绕的质量决定了信息传输的质量，也就决定了制导的质量。制导光纤为光纤制导导弹武器提供了长距离的数据传输，一旦缠绕出现缺陷，会使光纤释放会发生阻塞，使得传输型号发生衰变，最终导致导弹控制目标失控，发生安全事故。光纤缠绕致密表面无松散光纤匝是光纤顺利释放的关键。然而实际缠绕的过程中，会由于多种因素产生种种缺陷，这些缺陷会给光纤释放带来隐患。因此，如何对光纤线包的缠绕缺陷进行检测，保证线包质量就十分重要。
由于光纤在军事方面的特殊性，因此在绕制过程中对绕线的张力、速度、滞后角控制、以及排线的紧密程度都有严格的规定。在工业实际实质绕制光纤过程中，由于光纤直径误差、内应力、静电、环境震动等因素往往会影响排线的精度和张力的控制，由于这些因素具有很大的随机性，无法提前预知和消除，因此在绕线过程中会偶尔出现“间隙”和“重叠”两种缠绕缺陷。
目前，光纤绕制设备自动化程度低，缠绕过程需要人工辅助来完成。针对以上出现的缺陷，主要通过人工用肉眼对其进行识别，并将出错的光纤丝进行手动修正，由于人眼的分辨率较低，存在一定的局限性，人工检测时无法保证产品的一致性，因此误检情况经常发生。此外光纤丝直径很小，光纤环绕制一层需要绕制近五百匝光纤线圈，如此密集、细微的被测对象对人眼检测来说是一个巨大的挑战，人工无法长时间连续工作等这些因素很大程度上限制了光纤绕制的效率。利用机器视觉代替人工对光纤绕制过程进行检测，不仅可以提高目前国内的光纤绕制的自动化程度，还可以有效地提高光纤绕制的质量和生产效率，具有重要的理论意义和实用价值。
CN103018252A公开了一种利用绕筒切线处的阴影曲线图获取边缘信息，通过坐标扫描实现光纤定位和漏纤叠纤缺陷判定的方法。该方法算法复杂度高，数据量大，实时性不高。对于拍摄清晰度要求很高，且在光纤直径小的情况，不容易定位准确，容易存在误判和漏检，不适用在工业层面来解决问题。CN105115981A公开了一种利用边缘直线拟合和自定义阈值的方法来实现凸起和凹陷的缺陷检测，对于转速较高直径较小的光纤边缘很难拍摄清晰，且缺陷不明显未达到自定义阈值时，该方法容易存在漏检的情况，精度不够高。CN102692216A公开了一种利用固定ccd高清摄像机拍摄视频提取连续三张帧图像进行差分运算判断光纤绕制缺陷的方法。该方法对环境一致性要求较高，一旦发生环境变动时，连续的图片的差分图像差异很大，此时会干扰缺陷的判断，不适用与工业场景。
目前各类算法和缺陷检测系统存在理论意义大于工业应用意义问题，且算法复杂度较高实时性不高，且大部分算法对于不明显的缺陷存在很大的漏检情况，对于环境的干扰会产生较大的误检。因此，提供一种工业适用的误检率和漏检率较低的全自动光纤缠绕缺陷检测方法是本领域技术人员亟待解决的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的主要目的在于克服上述背景技术的缺陷，提供一种基于集成学习的光纤缠绕缺陷检测方法与装置。
为实现上述目的，本发明采用以下技术方案：
一种基于集成学习的光纤缠绕缺陷检测方法，包括如下步骤：
S1、采集光纤缠绕的图像；
S2、对步骤S1采集的图像进行预处理；
S3、通过数字图像处理模型对步骤S2预处理后的图像进行缺陷检测；
S4、通过SVM模型对步骤S2预处理后的图像进行缺陷检测；
S5、根据所述数字图像处理模型和所述SVM模型以设定权重相加的线性组合，对步骤S3和S4中两种模型的缺陷检测结果按照相应的权重进行投票，判断针对连续多张图片的投票结果是否不小于设定阈值分数，是则判定存在光纤缠绕缺陷。
进一步地：
步骤S2中，图像的预处理包括对采集的图像进行ROI区域提取，然后进行灰度转化、去除噪声、图像下采样、增加对比度中的一种或多种处理；优选地，所述ROI区域提取包括：在采集图像过程中处理器实时接收光纤缠绕控制器发送当前层数和匝数，通过层数和匝数确定当前缠绕的位置，并且计算出中心线上缠绕处的坐标，以所述坐标为起点，奇数层向左、偶数层向右截取已缠绕一侧的固定像素的正方形图片，以该图片作为所述ROI区域。
步骤S3中，检测缺陷包括对预处理好的图像依次进行canny算子边缘检测、形态学闭运算、连通域提取、最小外接矩形设置来判断是否产生缺陷。
还包括训练所述SVM模型的如下步骤：
S41、构建数据集，所述数据集包括缺陷图片数据集和正常图片数据集；
S42、对图片进行标注，标注内容为有无缺陷；
S43、构建所述SVM模型，其中，提取图片的hog算子特征，拼接成N*1的向量，对该向量进行PCA降维，保留12维，该12维的向量代表当前图片的向量特征，使用经典SVM二分类网络，创建高斯二分类SVM模型，使用所述数据集进行训练，并通过网格搜索法进行参数寻优，得到正确率最高的网络参数；优选地，SVM的核函数选择高斯核函数，调节的参数为正则化参数C和核函数参数gamma，使用网格搜索法来确定参数；其中，给定各个参数的调节范围和调节步长，计算出每个参数的可能取值，然后遍历所有的组合情况，返回最佳的参数值；更优选地，先设置C和gamma的值在0.1～10之间，然后再根据模型的表现，每次乘以0.1或者10作为一个步长，当确定范围后，再细化搜索区间，直到得到拟合效果最好、正确率最优的SVM网络参数
还包括对所述数字图像处理模型和所述SVM模型进行集成学习的步骤，其中，通过加法模型将所述数字图像处理模型和所述SVM模型进行线性的组合，统计所述数字图像处理模型和所述SVM模型的正确率，进行权重配比，以提升错误率小的模型权重，同时减小错误率高的模型权重；优选地，所述集成学习采用boosting组装所述数字图像处理模型和所述SVM模型。
步骤S5中，当步骤S3和S4中两种模型的缺陷检测结果分别为a和b，a和b的取值是当存在缺陷值为1，不存在缺陷值为0，则当前图片的投票得分Cn＝w1*a+w2*b，w1和w2分别为所述数字图像处理模型和所述SVM模型的权重，其中，所述连续多张图片为连续三张图片，所述设定阈值分数为3。
还包括对光纤缠绕的滞后角进行检测和辅助修正的步骤，其中，若步骤S5判定为存在缺陷，则测量当前图片中光纤缠绕的滞后角，即，正在绕制的上线光纤与前一匝绕制成功的光纤所在平面的夹角θ；进行退绕时，判断当前滞后角是否在设定的合理范围内，若滞后角不在合理范围内，则调整滞后角。
所述测量当前图片中的滞后角包括如下步骤：
1)截取ROI区域，截取上部分区域为滞后角的检测区域；
2)预处理：灰度变化，中值滤波，增加对比度；
3)Canny边缘检测；
4)形态学处理：采用运算，填充滞后角线条。
5)连通域提取：提取滞后角线条部分的一个长条形直线连通域。
6)最小外接矩形长宽比筛选：设定一个长宽比阈值T，通过对所有连通域取最小外接矩形的长宽比，筛选出滞后角条线；
7)测量滞后角：测量最小外接矩形的长边与竖直方向的夹角，得到滞后角的数值。
一种基于集成学习的光纤缠绕缺陷检测装置，包括图像采集系统和处理器，所述图像采集系统用于采集光纤缠绕的图像并发送给所述处理器，所述处理器运行由计算机可读存储介质存储的计算机程序时，执行所述方法的步骤S2至S5；优选地，所述图像采集系统使用与光纤筒弧度相同的两个弧形光源均匀照射在光纤绕筒的表面。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序由处理器运行时，执行所述方法的步骤S2至S5。
本发明具有如下有益效果：
本发明提出了一种基于集成学习的全自动光纤缠绕缺陷检测方法，利用图像处理技术和SVM技术进行双重判断缺陷，减少误判率和漏检率。适用于各种直径的光纤，更适合工业环境生产，适应性高。其中，基于集成学习的缺陷判别方法，可以有效减少工业生产中由于误判产生的机器停机频繁的情况，增加工业实用性。进一步地，对已经产生的缺陷通过滞后角的检测进行辅助修正，实现缺陷产生原因的辅助判断，加快缺陷的排除。
本发明还提出了一种基于集成学习的光纤缠绕缺陷检测装置，可以实现自动采集、处理、缺陷判断、报警等过程。
本发明与传统方法相比的优势体现在如下方面：
1.基于传统数字图像处理算法进行缺陷检测，容易受环境影响，对拍摄要求高，不具有普适性，正确率不稳定；而本发明在传统数字图像处理的基础上，采用了SVM学习辅助判断缺陷，提高了算法对于环境的适应性，降低环境的干扰，增加了准确度。
2.通过传统数字图像处理算法结果来确定是否有缺陷，目前各类算法的理论意义大于实际生产意义，在工业生产中会由于环境干扰大大提升误判率，会使得正常情况下机器频频停机，降低效率；而本发明加入集成学习对两种模型输出的结果都进行参考分析，增加了缺陷判断的严谨度，并且可以正对不同的工业环境和数据调整权重值，增加了工业适应性，且减少了误判率，不会使得机器频频停机，增加了工业实用性。
3.进一步地，本发明还增加了滞后角辅助修正环节，由于产生缺陷的关键原因就是滞后角不在合理范围内，本发明在检测出缺陷后同时检测出当前滞后角，为后续调整提供了很大便利。
附图说明
图1为本发明一种实施例的光纤缠绕缺陷检测装置的系统示意图。
图2为本发明一种实施例的光纤缠绕缺陷检测方法的流程图。
图3为本发明一种实施例的数字图像处理缺陷检测效果图，其中，a)为无缺陷图片，b)为间隙缺陷图片，c)为重叠缺陷图片，a)-c)中，左、中、右三部分分别代表原图、canny检测图和缺陷检测结果图。
图4为光纤缠绕的滞后角模型图。
图5为本发明一种实施例的滞后角检测效果图，其中左、中、右三部分分别代表原图、canny检测图和检测出侧滞后角的结果图。
具体实施方式
以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
本发明提出了一种光纤绕制缺陷检测的方法和系统。
在一些实施例中，一种全自动光纤缠绕缺陷检测方法，包括数字图像处理算法部分和SVM学习算法部分：
第一步：图像采集，采集工业数据图像，截取刚刚缠绕完成的ROI(region ofinterest)区域，输入图像预处理系统。
第二步：图像预处理。对采集图像进行灰度转化、去除噪声、图像下采样、增加对比度等预处理，为后续检测打基础。
第三步：数字图像处理检测缺陷。由于无缺陷图片和有缺陷图片纹理特征存在显著灰度差异，对预处理好的图片进行canny算子边缘检测、闭运算、连通域提取、最小外接矩形设置来判断是否产生缺陷。
以上为数字图像处理的缺陷判断方法，由于SVM学习算法相较于数字图像处理算法在环境适应性方面有明显的优势，更加符合工业场景需求，因此在以上方法的基础上，加入SVM学习算法进行辅助判断缺陷，更能够增加算法的准确性和环境适应性，SVM学习算法包括：
第一步：数据集构建。当工业运行过程中采集到了100张以上的缺陷图片数据集，那么再配合100张以上的正常图片数据集，将这200张以上的图片作为SVM模型的训练集。
第二步：图像标注。使用图像标注工具进行标注，标注内容为有无缺陷。
第三步：模型构建。提取图片的hog算子特征，拼接成N*1的向量，对该向量进行PCA降维，保留12维，在保留主要特征的同时大大加快训练时间，则该12维的向量代表当前图片的向量特征。使用经典SVM二分类网络，创建SVM模型，对200张以上数据集进行训练，并通过网格搜索法进行参数寻优，得到正确率最高的网络参数。
第四步：对于后续工业上采集的图片，预处理后，输入数字图像处理系统的同时也输入SVM模型进行测试，双重判断是否为缺陷图片。
在一些实施例中，一种基于集成学习的缺陷判别方法，为了减少偶然因素产生的环境变化对缺陷产生误判，采用集成学习的方法更加便于根据不同模型在不同工业环境中正确率影响不同进行模型权重配比，增加结果的准确性，同时减少误判率，减少机器频频停机。在典型的实施例中，只需在正式使用之前的测试阶段收集200张数据集，集成学习的过程如下：
第一步：模型相加。通过加法模型将数字图像处理模型和SVM模型进行线性的组合。
第二步：权重配比。统计以上200张以上图片数组学习算法和SVM算法的正确率，提升错误率小的模型权重，同时减小错误率高的模型权重。
第三步：投票缺陷。对后续工业采集的每一张图片，同时输入两种模型判断有无缺陷，两种模型按照权重进行投票，连续三张图片投票结果>3，则输出存在缺陷，否则继续运行。
在一些实施例中，还包括滞后角检测辅助修正。其中，基于集成学习的判断结果，若图片判定为正常，则系统继续运行，对下一张图片继续处理；若图片判定为缺陷，则测量当前图片的滞后角输出到电脑屏幕，并停机报警。由人工进行退绕，并查看当前滞后角是否在合理范围内，若滞后角产生偏差，则调整滞后角，重新开机。
在一些实施例中，如图1所示，本发明实施例的缺陷检测系统可包括三个部分：
图像采集系统：相机、光源、图像采集设备；算法系统：计算机、图像处理软件；数据交互系统：缺陷检测子系统与整体设备系统的交互。该缺陷检测系统可实现对光纤缠绕系统的全自动在线监测。
图像采集系统选择如下：
1)工业相机是机器视觉系统中重要的一部分，工业相机的选择会直接影响图像的分辨率以及图像的质量，相机的帧率还会影响拍摄是否产生拖影，因此相机选择高分辨率和高帧率的摄像机，在记录整个运行过程的同时截取其中的部分帧进行缺陷检测，布置在缠绕筒正上方。
2)在机器视觉系统中，照明系统的搭建至关重要，照明系统中的光源、照明方式、光照度等因素会对采集的图像信号产生一定的影响，进而会影响图像的对比度。为了减少环境灯光的干扰，选择与光纤筒弧度相同的两个弧形光源均匀照射在光纤绕筒的表面，使得拍摄图片表面灰度均匀。
算法系统主要包含以下模块：图像预处理模块；数字图像处理缺陷检测模块；SVM缺陷检测模块；基于集成学习的缺陷判断模块；滞后角辅助修正模块。
如图2所示，本发明实施例包括如下步骤：
1、图像采集
本设备采用绕筒固定旋转，光纤进给的方式进行缠绕，光纤通过往复运动实现每层的缠绕，随着缠绕直径的增加，光纤通过向上运动实现层数增加的缠绕。光纤缠绕控制器启动，发送信号给相机，相机开始连续拍摄缠绕视频并储存在硬盘中作为监控以便后续查找。将相机的对焦平面调到当前缠绕的上表面，相机的上下运动控制平台与光纤的上下运动的轴同源，实现光纤向上一层时，相机随着向上一层，能够保持相机和当前缠绕层表面的距离不变，保证了拍摄出来的画面不会虚焦。对于拍摄的视频，选择一定时间间隔的帧输入图像预处理系统。
2、图像预处理
1)ROI(regionofinterst)区域提取
由于绕筒位置固定，所以在拍摄过程中光纤缠绕控制器实时发送当前层数和匝数给计算机，计算机通过层数和匝数可以确定目前缠绕的位置，并且能够计算出中心线上缠绕处的坐标。那么以目前缠绕坐标为起点，向左(奇数层向左，偶数层向右)截取已缠绕一侧的固定像素的正方形图片(M*M)，该图片即为需要检测的ROI区域。由于绕筒出于不断旋转过程中，视频拍摄能够记录全过程，只要选取合适的时间间隔取帧，可以保证360度所有方位都截图，并存在一定的重叠率，保证每一个细节都被拍摄到并输入检测系统。
2)图像灰度变换。
将图片由三通道彩色图片变为单通道灰度图片，便于后续处理。并将所有图片变换到同一灰度等级m：遍历图片找到整体灰度的平均值v，当v>m时，图片每一个像素都减去v-m，当v<m时，图片每一个像素都加上m-v。如此保证每一张输入图片的灰度平均值都是m，方便后续缺陷判断时的阈值设定。
3)图像去噪
去除环境噪声的干扰。优选实施例采用中值滤波的方式，中值滤波是通过对邻域内像素按灰度排序的结果决定中心像素的灰度，可以很好的去除环境噪声，并保留图片的细节，尤其是保留了缺陷部分的细节。
4)图像下采样
图像下采样可以通俗地理解成缩小图像，又称为降采样。其目的有两个：(1)使得图像符合显示区域的大小；(2)生成对应图像的缩略图。基本原理为：给定kernel后，在图片上不重叠地滑动，加权相加后得到对应位置一个像素的值。例如有一幅图像Img，其大小为M*N，若想对该图像进行s倍下采样，即使图像缩小s倍，则要在长宽上同时缩小s倍。那么最终得到的下采样图像(结果图像)的大小就为(M/s)×(N/s)。模仿了CNN提取(这里可以理解为保)特征的过程)，实现图片分辨率减小但同时保留了特征信息。在保留图片细节的情况下去除了噪声，且减少了图片尺寸，有利于提高运行效率。
5)增加对比度
光纤绕制正常的部分排线紧密，灰度均匀，而缺陷部分灰度变化较大。因此增加对比度可以提高缺陷部分的识别度，有利于后续缺陷的提取。
3、数字图像缺陷检测
1)Canny边缘检测。
经过前面的一系列预处理后，此时图片未产生缺陷的部分灰度十分均匀，灰度梯度很小。存在缺陷的部分，灰度较周边有较大的差别，灰度梯度大。主要利用canny进行边缘提取，通过计算梯度，设置合适的阀值，过滤掉梯度较小的边缘，可得到此时的边缘图像。缺陷边缘很明显呈长条状。形态学运算。
对canny得到的图形进行形态学闭运算，使得长条装的缺陷边缘连接起来，且将中间部分填充，使每一个缺陷变成一个封闭的长条形连通域。
2)连通域提取。
对当前图片中所有连通域进行提取，还有缺陷的连通域很明显出现在图片中表现为长条状。
3)最小外接矩形。
对每一个连通域计算最小外接矩形，计算最小外接矩形的长宽比，设定一个长宽比阈值，由于缺陷部分长条形连通域明显区别于正常部分的连通域，因此最小外接矩形长宽比一定很大，设定一个较大的合适的阈值T0。对当前图片的每一个连通域最小外接矩形长宽比进行统计，存在大于T0的长宽比可以判断为存在缺陷，并且最小外接矩形的位置就是缺陷的位置。整体运行效果如图3所示。
4、SVM学习缺陷检测
使用SVM学习的方法进行缺陷检测需要一定量的图片数据作为训练集，训练好模型参数后即可用于缺陷检测，因此数据集的收集可以在图像处理算法测试阶段进行收集。
1)数据集构建。在图像处理算法的测试阶段，可以采集一批预处理后的图片作为SVM模型的训练集。优选实施例使用200张以上的图片，其中至少100张缺陷图片，这样能够保证各种缺陷在训练集中都出现过，提高模型的准确率。
2)图像标注。对于收集到的200张以上的数据集，可以利用打标签工具来给每个图片打标签，内容为有无缺陷。有缺陷lable＝1，无缺陷lable＝0。
3)SVM模型构建。
提取图片hog算子。SVM模型需要用一种数据特征来表示这一张图片，优选实施例采用hog特征，更能代表图片的信息。HOG特征是一种图像局部特征，其基本思路是对图像局部的梯度幅值和方向进行投票统计，形成基于梯度特性的直方图，然后将局部特征拼接起来作为总特征。局部特征在这里指的是将图像划分为多个子块(Block),每个Block内的特征进行联合以形成最终的特征。它对光照变化和小量的偏移不敏感，更加有利于减少环境的干扰，跟有利于突出缺陷本身的信息。
拼接成N*1维向量。将HOG特征的多个向量拼接成一个N维向量，更加规范化得表示每张图片的信息，方便后续操作。
PCA降维处理。由于HOG特征向量的维数较高达上万维，因此直接对这个大数据的向量进行处理需要更多的内存和损耗，会大大降低运行效率，增加后续训练模型的时间。另外，随着维度的增加，数据的稀疏性会越来越高。在高维向量空间中探索同样的数据集比在同样稀疏的数据集中探索更加困难。因此，需要保留图片特征的情况下简化特征向量。PCA本质上是将方差最大的方向作为主要特征，并且在各个正交方向上将数据“离相关”，也就是让它们在不同正交方向上没有相关性，可以最大限度保留图片的特征且降低维数，本发明将上万维的向量降至12维仍然能够保留95％以上的图片特征信息。
4)构建高斯二分类SVM模型。
支持向量机的基本模型是定义在特征空间的间隔最大的分类器，可形式化为一个求解凸二次规划的问题，也等价于正则化的损失函数的最小化问题。高斯核函数对应的映射函数将样本投射到一个无限维的空间中去了，按一定规律统一改变样本的特征数据得到新的样本，新的样本按新的特征数据能更好的分类，由于新的样本的特征数据与原始样本的特征数据呈一定规律的对应关系，因此根据新的样本的分布及分类情况，得出原始样本的分类情况。高斯核本质是在衡量样本和样本之间的“相似度”，在一个刻画“相似度”的空间中，让同类样本更好的聚在一起，进而线性可分，在样本数据量不够多时尤其适用。将上述打好标签的200个以上样本用高斯核函数的支持向量机进行训练，得到SVM模型。
5)网格搜索法参数优化。
SVM支持向量机算法中,有3个参数是比较重要的:第一个是核函数的选择，第二个是核函数的参数，第三个是正则化参数C。核函数选择高斯核函数，那么需要调整的参数有高斯核函数的参数，这时候我们需要调节的参数是正则化参数C和核函数参数gamma。为了保证调参的精确度，本发明优选实施例使用网格搜索法来确定参数。
网格搜索法就是给出各个参数的调节范围和调节步长，计算出每个参数的可能取值，然后遍历所有的组合情况，返回最佳的参数值。C和gamma的有效范围是：10-8～108；C表示模型对误差的惩罚系数，gamma反映了数据映射到高维特征空间后的分布；C越大，模型越容易过拟合；C越小，模型越容易欠拟合。gamma越大，支持向量越多，gamma值越小，支持向量越少。gamma越小，模型的泛化性变好，但过小，模型实际上会退化为线性模型；gamma越大，理论上SVM可以拟合任何非线性数据。为维持模型在过拟合和欠拟合之间的平衡，往往最佳的参数范围是C比较大，gamma比较小；或者C比较小，gamma比较大。也就是说当模型欠拟合时，我们需要增大C或者增大gamma，不能同时增加，调节后如果模型过拟合，我们又很难判断是C过大了，还是gamma过大了；同理，模型过拟合的时候，我们需要减小C或者减小gamma。
因为高斯SVM本身是一个非线性模型，调参的时候根据项目的不同，每一次都是从头开始的。如果想把上一个项目调好的参数套用到下一个项目上，往往没什么效果。正常情况下，我们都会先设置C和gamma的值在0.1～10之间，然后再根据模型的表现，每次乘以0.1或者10作为一个步长，当确定大致范围后，再细化搜索区间，直到得到拟合效果最好、正确率最优的SVM网络参数。
5、集成学习判断缺陷。
集成学习是把已有的算法进行结合，从而得到更好的效果。集成学习会挑选一些简单的基础模型进行组装，本发明优选实施例选择采用boosting的思路组装数字图像处理模型和SVM模型。Boosting对基础模型不是一致对待的，而是经过不停的考验和筛选来挑选出“精英”，然后给精英更多的投票权，表现不好的模型则给较少的投票权，然后综合两种模型的投票得到最终结果。
具体方法以上述200个样本为例。通过加法模型将基础模型进行线性的组合。每一轮从原始样本集中使用Bootstraping的方法抽取n个训练样本(在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中)，提升那些错误率小的基础模型权重，同时减小错误率高的模型权重。训练k轮后得到两个模型的投票权重：数字图像处理模型权重＝w1，SVM模型权重＝w2。
训练好权值后，就可对每一张输入图片进行缺陷判断，具体流程为：将预处理后的图片分别输入图像处理模型和SVM模型测试，分别的测试结果为a和b(存在缺陷值为1，不存在缺陷值为0)。那么本张图片的投票得分Cn＝w1*a+w2*b。但是由于实际工业生产中，为了不遗漏每一个缺陷，会将阈值低一些，使得宁愿误检也不会漏检。但这样就存在一个问题，由于误检，每出现一张疑似缺陷的图片就会立马停机，而通过测试发现，即使算法的正确率很高，但是由于全程拍摄需要360度完全记录，重叠度很高，缠绕一层至少需要拍摄上千张照片，即使正确率达到99％，也会使得缠绕一层停机10次以上，鉴于以上问题，目前的停机方法不适合工业实际环境，会使得工业生产效率低下。
基于以下共识：一旦产生缺陷，接下来连续拍摄的一系列图片都会是缺陷图片；算法正确率较高的情况下，一旦误检，只会是少量孤立的1-2张图片误检，不会出现连续一直误检。因此，本发明优选实施例结合集成学习的投票原理，当前图片是否为缺陷取决于当前图片Cn以及前两张图片Cn-1、Cn-2的共同投票得分是否大于等于3。如果运行过程中出现缺陷(假设此时为第n-2张)，那么此时Cn-2＝1，那么接下来两张图片一定都是缺陷即Cn-1＝1，Cn＝1，那么第n张图片得分C＝Cn+Cn-1+Cn-2≥3,则在第n张图片时系统就会发出停机指令；如果运行过程中出现误检(假设此时为第n-2张)，那么此时Cn-2＝1，出现连续误检的概率很低，那么接下来连续两张图片Cn-1和Cn至少有一张不等于1，则不满足C＝Cn+Cn-1+Cn-2≥3，系统继续拍摄运行，规避了误检带来的停机，使得缺陷判断更加严谨，更符合工业场景应用。
6、滞后角辅助修正
为实现光纤的紧密缠绕其基本的排线要求为:绕线电机旋转一周，则排线电机排一个光纤直径的距离。但是，由于光纤实际的绕制过程中使用的光纤直径存在微小的变化，使得光纤绕制时匝与匝之间不可避免的产生间隙，因此，在光纤绕制过程中需要存在一定的滞后角度。正在绕制的上线光纤与前一匝绕制成功光纤所在平面的夹角θ，光纤绕制过程中从光纤绕轴正上方拍摄所得的滞后角图如图4所示。在光纤实际绕制时，若光纤绕制滞后角θ较小，则会导致光纤间隙太大(大于光纤直径)，使得在缠绕下一层时光纤发生插入、坍塌，并受到挤压、卡住，甚至导致光纤发生断裂；若绕制滞后角θ较大，则会使得光纤发生回叠，导致光纤的绕制失败。
因此，缺陷产生的一个关键原因就是滞后角不在合理范围内。当缺陷产生，退绕后重新绕制依旧会产生缺陷，因此需要合理调整滞后角。本发明优选实施例在测出本张图片为缺陷后，接着测出当前图片的滞后角，便于后续修正缺陷。拍摄图片模型如图4所示，截取上部分区域作为滞后角的检测区域，检测流程如下：
1)截取ROI区域，截取上部分区域为滞后角的检测区域；
2)预处理：灰度变化，中值滤波，增加对比度；
3)Canny边缘检测；
4)形态学处理：采用运算，填充滞后角线条。
5)连通域提取：此时滞后角线条部分的连通域是一个长条形的直线，而其他环境干扰的连通域是一些不规则图形。
6)最小外接矩形长宽比筛选：由于滞后角线条为线性连通域，长宽比很大，因此可以设定一个较大的长宽比阈值T，通过对所有连通域取最小外接矩形的长宽比，可以筛选出该条线。
7)测量滞后角：最小外接矩形的长边一定与该线条平行，因此测量滞后角就是测量最小外接矩形的长边与竖直方向的夹角，最后可得到滞后角的数值。
实施例的检测效果如图5所示。
本发明的背景部分可以包含关于本发明的问题或环境的背景信息，而不一定是描述现有技术。因此，在背景技术部分中包含的内容并不是申请人对现有技术的承认。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。在本说明书的描述中，参考术语“一种实施例”、“一些实施例”、“优选实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管已经详细描述了本发明的实施例及其优点，但应当理解，在不脱离专利申请的保护范围的情况下，可以在本文中进行各种改变、替换和变更。

Claims (8)

1.一种基于集成学习的光纤缠绕缺陷检测方法，其特征在于，包括如下步骤：
S1、采集光纤缠绕的图像；
S2、对步骤S1采集的图像进行预处理；
S3、通过数字图像处理模型对步骤S2预处理后的图像进行缺陷检测；
S4、通过SVM模型对步骤S2预处理后的图像进行缺陷检测；
S5、根据所述数字图像处理模型和所述SVM模型以设定权重相加的线性组合，对步骤S3和S4中两种模型的缺陷检测结果按照相应的权重进行投票，判断针对连续多张图片的投票结果是否不小于设定阈值分数，是则判定存在光纤缠绕缺陷；
还包括对光纤缠绕的滞后角进行检测和辅助修正的步骤，其中，若步骤S5判定为存在缺陷，则测量当前图片中光纤缠绕的滞后角，即，正在绕制的上线光纤与前一匝绕制成功的光纤所在平面的夹角θ；进行退绕时，判断当前滞后角是否在预定的合理范围内，若滞后角不在合理范围内，则调整滞后角；
所述测量当前图片中的滞后角包括如下步骤：
1)截取ROI区域，截取上部分区域为滞后角的检测区域；
2)预处理：灰度转化，中值滤波，增加对比度；
3)Canny边缘检测；
4)形态学处理：采用形态学处理运算，填充滞后角线条；
5)连通域提取：提取滞后角线条部分的一个长条形直线连通域；
6)最小外接矩形长宽比筛选：设定一个长宽比阈值T，通过对所有连通域取最小外接矩形的长宽比，筛选出滞后角条线；
7)测量滞后角：测量最小外接矩形的长边与竖直方向的夹角，得到滞后角的数值。
2.如权利要求1所述的光纤缠绕缺陷检测方法，其特征在于，步骤S2中，图像的预处理包括对采集的图像进行ROI区域提取，然后进行灰度转化、去除噪声、图像下采样、增加对比度中的一种或多种处理；所述ROI区域提取包括：在采集图像过程中处理器实时接收光纤缠绕控制器发送当前层数和匝数，通过层数和匝数确定当前缠绕的位置，并且计算出中心线上缠绕处的坐标，以所述坐标为起点，奇数层向左、偶数层向右截取已缠绕一侧的固定像素的正方形图片，以该图片作为所述ROI区域。
3.如权利要求1所述的光纤缠绕缺陷检测方法，其特征在于，步骤S3中，检测缺陷包括对预处理好的图像依次进行canny算子边缘检测、形态学闭运算、连通域提取、最小外接矩形设置来判断是否产生缺陷。
4.如权利要求1所述的光纤缠绕缺陷检测方法，其特征在于，还包括训练所述SVM模型的如下步骤：
S41、构建数据集，所述数据集包括缺陷图片数据集和正常图片数据集；
S42、对图片进行标注，标注内容为有无缺陷；
S43、构建所述SVM模型，其中，提取图片的hog算子特征，拼接成N*1的向量，对该向量进行PCA降维，保留12维，该12维的向量代表当前图片的向量特征，使用经典SVM二分类网络，创建高斯二分类SVM模型，使用所述数据集进行训练，并通过网格搜索法进行参数寻优，得到正确率最高的网络参数； SVM的核函数选择高斯核函数，调节的参数为正则化参数C和核函数参数gamma，使用网格搜索法来确定参数；其中，给定各个参数的调节范围和调节步长，计算出每个参数的可能取值，然后遍历所有的组合情况，返回最佳的参数值；先设置C和gamma的值在0.1~10之间，然后再根据模型的表现，每次乘以0.1或者10作为一个步长，当确定范围后，再细化搜索区间，直到得到拟合效果最好、正确率最优的SVM网络参数。
5.如权利要求1所述的光纤缠绕缺陷检测方法，其特征在于，还包括对所述数字图像处理模型和所述SVM模型进行集成学习的步骤，其中，通过加法模型将所述数字图像处理模型和所述SVM模型进行线性的组合，统计所述数字图像处理模型和所述SVM模型的正确率，进行权重配比，以提升错误率小的模型权重，同时减小错误率高的模型权重；所述集成学习采用boosting组装所述数字图像处理模型和所述SVM模型。
6.如权利要求1所述的光纤缠绕缺陷检测方法，其特征在于，步骤S5中，当步骤S3和S4中两种模型的缺陷检测结果分别为a和b，a和b的取值是当存在缺陷值为1，不存在缺陷值为0，则当前图片的投票得分Cn=w1*a+w2*b，w1和w2分别为所述数字图像处理模型和所述SVM模型的权重，其中，所述连续多张图片为连续三张图片，所述设定阈值分数为3。
7.一种基于集成学习的光纤缠绕缺陷检测装置，其特征在于，包括图像采集系统和处理器，所述图像采集系统用于采集光纤缠绕的图像并发送给所述处理器，所述处理器运行由计算机可读存储介质存储的计算机程序时，执行如权利要求1至6任一项所述的方法的步骤；所述图像采集系统使用与光纤筒弧度相同的两个弧形光源均匀照射在光纤绕筒的表面。
8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序由处理器运行时，执行如权利要求1至6任一项所述的方法的步骤。
CN202110744198.4A 2021-07-01 2021-07-01 基于集成学习的光纤缠绕缺陷检测方法与装置 Active CN113554067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110744198.4A CN113554067B (zh) 2021-07-01 2021-07-01 基于集成学习的光纤缠绕缺陷检测方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110744198.4A CN113554067B (zh) 2021-07-01 2021-07-01 基于集成学习的光纤缠绕缺陷检测方法与装置

Publications (2)

Publication Number Publication Date
CN113554067A CN113554067A (zh) 2021-10-26
CN113554067B true CN113554067B (zh) 2023-06-16

Family

ID=78131322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110744198.4A Active CN113554067B (zh) 2021-07-01 2021-07-01 基于集成学习的光纤缠绕缺陷检测方法与装置

Country Status (1)

Country Link
CN (1) CN113554067B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549512A (zh) * 2022-03-01 2022-05-27 成都数之联科技股份有限公司 一种电路板缺陷检测方法、装置、设备及介质
CN114925716B (zh) * 2022-03-22 2023-08-25 西南交通大学 基于集成学习算法的碳纤维复合材料损伤定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102937657A (zh) * 2012-11-06 2013-02-20 北京航空航天大学 一种用于高速原子力显微成像的实时校正方法与系统
CN104076706A (zh) * 2014-06-27 2014-10-01 中国电子科技集团公司第八研究所 基于图像识别技术的光纤自动密排控制系统
CN107395072A (zh) * 2017-08-31 2017-11-24 哈尔滨工程大学 一种无位置传感器直流无刷电机相位补偿的方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4655410A (en) * 1985-12-23 1987-04-07 The United States Of America As Represented By The Secretary Of The Army Device for controlling optical fiber lag angle for fiber wound on a bobbin
CN103398677B (zh) * 2013-08-20 2015-09-16 长春设备工艺研究所 一种可进行馈线高度调节的滞后角精密检测装置
FR3029284B1 (fr) * 2014-11-27 2016-12-09 Airbus Helicopters Dispositif de mesure des positions angulaires d'un element de pale de giravion par rapport a un moyen de rotor, giravion associe et procede de mesure correspondant
CN105115981A (zh) * 2015-09-28 2015-12-02 北京工商大学 全自动光纤缠绕缺陷检测系统及方法、光纤缠绕方法
CN108050961A (zh) * 2017-12-29 2018-05-18 长春设备工艺研究所 一种光纤缠绕中的滞后角精密检测方法
CN108765412B (zh) * 2018-06-08 2021-07-20 湖北工业大学 一种带钢表面缺陷分类方法
CN109191430A (zh) * 2018-07-27 2019-01-11 江苏理工学院 一种基于Laws纹理与单分类SVM结合的素色布匹缺陷检测方法
CN109489724B (zh) * 2018-12-03 2021-07-09 大连维德集成电路有限公司 一种隧道列车安全运行环境综合检测装置及检测方法
CN110473178A (zh) * 2019-07-30 2019-11-19 上海深视信息科技有限公司 一种基于多光源融合的外观缺陷检测方法及系统
CN111105160A (zh) * 2019-12-20 2020-05-05 北京工商大学 一种基于倾向性异质装袋算法的钢材质量预测方法
CN111948278A (zh) * 2020-08-17 2020-11-17 广东工业大学 一种点焊缺陷磁光成像无损检测方法及系统
CN112837282A (zh) * 2021-01-27 2021-05-25 上海交通大学 一种基于云边协同和深度学习的小样本图像缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102937657A (zh) * 2012-11-06 2013-02-20 北京航空航天大学 一种用于高速原子力显微成像的实时校正方法与系统
CN104076706A (zh) * 2014-06-27 2014-10-01 中国电子科技集团公司第八研究所 基于图像识别技术的光纤自动密排控制系统
CN107395072A (zh) * 2017-08-31 2017-11-24 哈尔滨工程大学 一种无位置传感器直流无刷电机相位补偿的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GRNN的机器鱼直游稳态速度建模;郭顺利;朱其新;谢广明;;《兵工自动化》(11);第82-96页 *

Also Published As

Publication number Publication date
CN113554067A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
WO2023077404A1 (zh) 缺陷检测方法、装置和系统
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
CN113554067B (zh) 基于集成学习的光纤缠绕缺陷检测方法与装置
CN111368690B (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN112215201B (zh) 评估人脸识别模型、针对图像的分类模型的方法及装置
CN111310826B (zh) 样本集的标注异常检测方法、装置及电子设备
CN110991287A (zh) 一种实时视频流人脸检测跟踪方法及检测跟踪系统
US20220222822A1 (en) Microscopy System and Method for Evaluating Image Processing Results
CN113822844A (zh) 风电机组叶片无人机巡检缺陷检测方法、装置和存储介质
CN115861170A (zh) 基于改进yolo v4算法的表面缺陷检测方法
CN113281780B (zh) 对图像数据进行标注的方法、装置及电子设备
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
CN113554645A (zh) 基于wgan的工业异常检测方法和装置
KR20230023263A (ko) 딥러닝 기반 하수도 결함 감지 방법 및 그 장치
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及系统
Knysh et al. Improving a model of object recognition in images based on a convolutional neural network
CN116630263A (zh) 基于深度神经网络的焊缝x射线图像缺陷检测与识别方法
CN114170642A (zh) 图像检测的处理方法、装置、设备及存储介质
CN116994049A (zh) 全自动针织横机及其方法
CN116740335A (zh) 一种设备示数识别方法、装置及系统
CN115272340A (zh) 工业产品缺陷检测方法和装置
CN115457373A (zh) 无锚框的一阶段虫害图像检测方法、装置及存储介质
AU2020272936B2 (en) Methods and systems for crack detection using a fully convolutional network
CN114757941A (zh) 变电站设备缺陷的识别方法、装置、电子设备及存储介质
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质

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