CN113610854B - 一种线索缺陷检测方法、终端设备以及计算机存储介质 - Google Patents
一种线索缺陷检测方法、终端设备以及计算机存储介质 Download PDFInfo
- Publication number
- CN113610854B CN113610854B CN202111179874.4A CN202111179874A CN113610854B CN 113610854 B CN113610854 B CN 113610854B CN 202111179874 A CN202111179874 A CN 202111179874A CN 113610854 B CN113610854 B CN 113610854B
- Authority
- CN
- China
- Prior art keywords
- detected
- defect
- prediction probability
- clue
- image
- 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
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种线索缺陷检测方法、终端设备以及计算机存储介质,该线索缺陷检测方法包括:获取待检测图像中线索的预测概率图;基于预测概率图确定线索的拟合直线段;基于对拟合直线段的切分操作,由待检测图像生成若干待检测子图;对若干待检测子图进行缺陷检测,以得到线索的缺陷信息。本申请通过预测概率结果对线索进行直线拟合,并且利用对拟合直线段的切分操作生成待检测子图,通过待检测子图的缺陷检测结果综合评价线索的缺陷情况,能够有效提高线索缺陷检测的准确性。
Description
技术领域
本申请涉及缺陷检测应用技术领域,特别是涉及一种线索缺陷检测方法、终端设备以及计算机存储介质。
背景技术
目前,我国高速电器化铁路战略正稳步推广与实施,高铁接触网作为电气化铁路的关键组成之一,其可靠性与安全性变得越来越重要。若高铁接触网发生故障,轻则导致列车延误造成经济损失,重则将会对列车乘客的生命安全造成威胁。其中,接触网悬挂装置的结构稳定性对列车的行车安全影响较大,因此必须对其进行经常性的维护与管理。为了提高装置的维护效率,接触网悬挂状态检测系统(4C系统)应运而生。
在这个系统中,巡检车顶部安装有多组高清成像设备,通过这些成像设备来获取悬挂装置的图像,然后再通过人工或者计算机辅助的方式,对图像进行分析,找出悬挂装置中出现缺陷的零部件。接触网中存在各种类别的线索结构,包括接触线、承力索、补偿绳和各类附加线等,主要负责供电、支撑受力等重要功能,其数量较多,形状细长,而且缺陷的大小往往比较细微,缺陷区域在图像中占有像素面积较小,若由人工逐一进行缺陷检测和分析效率低下且容易导致漏检。
发明内容
本申请提供一种线索缺陷检测方法、终端设备以及计算机存储介质。
本申请采用的一个技术方案是提供一种线索缺陷检测方法,所述线索缺陷检测方法包括:
获取待检测图像中线索的预测概率图;
基于所述预测概率图确定所述线索的拟合直线段;
基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图;
对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息。
通过上述方式,通过预测概率结果对线索进行直线拟合,并且利用对拟合直线段的切分操作生成待检测子图,通过待检测子图的缺陷检测结果综合评价线索的缺陷情况,能够有效提高线索缺陷检测的准确性。
其中,所述对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息,包括:
获取每一待检测子图的缺陷概率;
基于所述待检测子图的缺陷概率中的最大缺陷概率,生成所述线索的缺陷信息。
通过上述方式,对每一个待检测子图分别进行缺陷预测,得到每一个待检测子图的缺陷概率,然后再综合所有待检测子图的缺陷概率,来评价线索的缺陷情况,能够对不同待检测子图分别预测,提高线索缺陷的准确性。
其中,基于所述待检测子图的缺陷概率中的最大缺陷概率,生成所述线索的缺陷信息,包括:
判断所述线索的缺陷概率是否大于等于预设概率阈值;
若是,输出所述线索存在缺陷的缺陷信息;
若否,输出所述线索不存在缺陷的缺陷信息。
通过上述方式,通过由待检测子图中的最大缺陷概率决定线索的缺陷概率,再由线索的缺陷概率与预设概率阈值比较,根据比较结果输出缺陷信息,最大缺陷概率代表线索的最大可能缺陷概率,用最大缺陷概率表征线索的缺陷概率,能够提高对线索缺陷检测的全面性。
其中,所述基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图,包括:
采用预设尺寸的滑动窗口,沿所述拟合直线段的长度方向对所述待检测图像进行切分,得到若干待检测子图。
通过上述方式,通过滑动窗口对待检测图像进行切分,提高对每一个待检测子图的检测准确性。
其中,所述基于所述预测概率图确定线索的拟合直线段,包括:
基于所述预测概率图中各个像素点的预测概率大小,获取所述预测概率图中的局部峰值点;
基于所述局部峰值点的位置,在所述待检测图像中生成所述拟合直线段。
通过上述方式,通过对预设概率图的像素点进行类别预测,输出类别为线索的像素点的预测概率,并从多个像素点的预测概率中筛选出局部峰值点,用于拟合直线段,提高直线段拟合的准确性。
其中,所述基于所述预测概率图中各个像素点的预测概率大小,获取所述预测概率图中的局部峰值点,包括:
提取所述预测概率图中每一像素点的预测概率;
响应于所述预测概率图中的一个像素点的预测概率大于其他相邻像素点的预测概率,将预测概率大于其他相邻像素点的所述像素点作为局部峰值点。
通过上述方式,通过每个像素点的预测概率大小和位置,从多个像素点的预测概率中筛选出局部峰值点,用于拟合直线段,提高直线段拟合的准确性。
其中,所述基于所述预测概率图确定所述线索的拟合直线段之后,所述线索缺陷检测方法还包括:
获取所述拟合直线段的两个端点;
按照所述两个端点的位置旋转所述待检测图像,使得旋转后的待检测图像中的拟合直线段呈水平方向放置。
通过上述方式,通过将待检测图像进行旋转转正,便于后续对图像进行裁剪,保留线索及其附近的区域,提高对线索检测的集中度。
其中,所述线索的类别至少包括承力索、接触线、补偿绳以及附加线;
获取线索区域中每一类别线索的预测概率图;
对每一类别线索的预测概率图执行:
基于所述预测概率图确定线索的拟合直线段;
基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图;
对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息。
通过上述方式,通过对图像中的像素点进行不同线索类别的预测,可以分别对不同线索类别的线索进行缺陷检测,能区分多个线索类别,并且对单一线索类别的线索进行缺陷检测,避免其他线索类别的线索的影响,提高线索缺陷检测的准确性。
本申请采用的另一个技术方案是提供一种终端设备,所述终端设备包括:预测概率模块、拟合直线模块、切分模块以及缺陷检测模块;其中,
所述预测概率模块,用于获取待检测图像中线索区域的预测概率图;
所述拟合直线模块,用于基于所述预测概率图确定线索的拟合直线段;
所述切分模块,用于基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图;
所述缺陷检测模块,用于对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息。
本申请采用的另一个技术方案是提供另一种终端设备,所述终端设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述的线索缺陷检测方法。
本申请采用的另一个技术方案是提供一种计算机存储介质,所述计算机存储介质用于存储程序数据,所述程序数据在被计算机执行时,用以实现如上述的线索缺陷检测方法。
本申请的有益效果是:终端设备获取待检测图像中线索的预测概率图;基于预测概率图确定线索的拟合直线段;基于对拟合直线段的切分操作,由待检测图像生成若干待检测子图;对若干待检测子图进行缺陷检测,以得到线索的缺陷信息。本申请通过预测概率结果对线索进行直线拟合,并且利用对拟合直线段的切分操作生成待检测子图,通过待检测子图的缺陷检测结果综合评价线索的缺陷情况,能够有效提高线索缺陷检测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的线索缺陷检测方法一实施例的流程示意图;
图2是本申请提供的待检测图像一实施例的示意图;
图3是本申请提供的线索区域分割情况的示意图;
图4是本申请提供的线索结构的直线拟合情况的示意图;
图5是本申请提供的转正后的待检测子图的示意图;
图6是本申请提供的切分后的待检测子图的示意图;
图7是本申请提供的待检测子图的缺陷预测情况的示意图;
图8是本申请提供的线索结构的缺陷预测情况的示意图;
图9是本申请提供的终端设备一实施例的结构示意图;
图10是本申请提供的终端设备另一实施例的结构示意图;
图11是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术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,都属于本申请保护的范围。
具体请参见图1,图1是本申请提供的线索缺陷检测方法一实施例的流程示意图。本申请实施例的线索缺陷检测方法可应用于一种终端设备,其中,本申请的终端设备可以为服务器,也可以为电子设备,还可以为由服务器和电子设备相互配合的系统。相应地,终端设备包括的各个部分,例如各个单元、子单元、模块、子模块可以全部设置于服务器中,也可以全部设置于电子设备中,还可以分别设置于服务器和电子设备中。
进一步地,上述服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,例如用来提供分布式服务器的软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
如图1所示,本申请实施例的线索缺陷检测方法具体可以包括以下步骤:
步骤S11:获取待检测图像中线索的预测概率图。
在本申请实施例中,终端设备将包含高铁4C系统中接触网的待检测图像输入预设分割网络模型,对待检测图像中的线索结构区域进行像素级分割,得到线索结构区域的预测概率图。其中,待检测图像具体请参阅图2。
具体地,高铁4C系统的待检测图像通常会拍摄到接触网悬挂装置的不同零部件,对于本申请的线索缺陷检测方法而言,待检测图像中的大部分区域,即不包含线索结构的区域实际上都是非目标区域,理论上无需对整张待检测图像的所有区域都进行概率预测和缺陷检测。对整张待检测图像的所有区域都进行检测会导致算法处理耗时增加,还可能导致检测结果误报情况增加。因此,终端设备在将待检测图像输入预设分割网络模型之前,还可以先将线索结构所在的区域分割出来,即裁剪掉所有的非目标区域,以降低后续缺陷检测的运算量。
其中,对于待检测图像的分割过程,可以由用户通过图像处理软件对线索结构所在的区域进行分割;还可以将待检测图像输入预设分割网络模型后,根据预测概率图的结果进行分割,即保留预设概率值不为0的区域作为线索结构所在的区域,即如图3所示。
在预设分割网络模型中,终端设备可以通过设置预设分割网络模型的卷积层或者模型参数,使得预设分割网络模型输出单一类别,即用户关注的线索类别的预设概率图;也可以控制预设分割网络模型输出多个类别的预测概率图,即每一类别的线索结构对应输出一个相关的预测概率图。其中,本申请提出的线索结构包括但不限于一下类别:承力索、接触线、补偿绳、附加线等。
终端设备可以基于每一个预测概率图执行本申请的线索缺陷检测方法,以输出每一个类别的线索结构的缺陷检测信息;通过多个类别的预测概率图输出的多个缺陷检测信息,还可以便于区分最终线索缺陷所在的线索结构类别。
具体地,本申请实施例的预测概率图包括待检测图像中所有像素点属于目标类别线索的预测概率值,像素点的预测概率值越大,说明该像素点属于目标类别线索的可能性越大。
步骤S12:基于预测概率图确定线索的拟合直线段。
在本申请实施例中,请继续参阅图4,终端设备按照预测概率图中的预测概率值大小进行局部峰值点的点集提取与直线段拟合。
具体地,通过每张待检测图像中都有一条以上的线索,这些线索基本上都是比较规则的直线,因此可以采用不同的直线参数来表示这些线索的位置,例如直线所在的图像坐标范围等。
终端设备提取预测概率图中每一个像素点的预测概率值,然后将预测概率图中的所有局部峰值点的坐标位置提取出来。其中,局部峰值点的定义为:该局部峰值点的预设概率值大于其他相邻像素点的预测概率值。
在本申请实施例中,局部峰值点的位置一般位于线索结构的横截面中心,因此,终端设备可以根据所有局部峰值点之间的距离将这些局部峰值点进行连接和聚合,从而得到不同的点集。每一个点集都可以表征待检测图像中一个线索结构的描述,如图4所示,图4中即包括多个点集,以及多个点集分别组合成的多条线索。
终端设备分别对这些点集进行直线拟合,即可以得到在待检测图像上的多个拟合直线段,每个拟合直线段对应一个点集,每个拟合直线段的参数可以用于表征预测线索的位置。其中,本申请实施例采用的直线拟合算法可以为最小二乘法,也可以为基于随机采样一致性的最小二乘法。在其他实施例中,也可以采用其他可行的直线拟合算法,在此不一一列举。
终端设备可以直接将包括拟合出来的拟合直线段的待检测图像输入预设线索缺陷分类器,进行线索缺陷检测。但由于现实中大部分的线索结构都是十分细长的,宽高比例悬殊,即线索的高度合适但宽度都比较大,直接输入预设线索缺陷分类器会影响分类器的分类精确度。因此,本申请实施例还可以对步骤S13得到的包括拟合直线段的待检测图像进一步进行水平方向的切分,得到尺寸较为合理的待检测子图,再输入预设线索缺陷分类器进行分类。具体请参阅以下步骤:
步骤S13:基于对拟合直线段的切分操作,由待检测图像生成若干待检测子图。
在本申请实施例中,终端设备在对待检测图像进行切分之前,需要按照拟合直线段旋转转正的方向将待检测图像进行旋转,便于对待检测图像中的其他非目标区域进行裁剪剔除。
具体地,终端设备基于直线拟合结果计算得到拟合直线段在待检测图像中的两个端点,然后根据两个端点的位置对待检测图像进行方向旋转转正以及裁剪。例如,终端设备可以根据拟合直线段对应的点集的数值范围来确定拟合直线段的实际范围,从而能够得到每条拟合直线段的两个端点。其中,点集的数值范围即点集中多个局部峰值点的坐标位置值范围。
由于待检测图像中每个拟合直线段的方向可能都不相同,为了尽量降低非目标区域的影响和统一拟合直线段的方向以便后续缺陷检测算法的处理,算法将根据拟合直线段的两个端点来对拟合直线段的方向进行旋转转正,使拟合直线段呈水平方向放置。为进一步排除非目标区域的干扰,算法将对转正后的待检测图像以拟合直线段为中心按一定的高度对待检测图像进行裁剪,只保留拟合直线段及拟合直线段附近的区域,即得到如图5所示的转正后的待检测图像。
进一步地,终端设备还需要使用滑动窗口对转正后的待检测图像中的拟合直线段区域进行横向切分。具体地,终端设备采用预设尺寸的滑动窗口,沿所述拟合直线段的长度方向对待检测图像进行切分,得到若干待检测子图,得到如图6所示的待检测子图。
步骤S14:对若干待检测子图进行缺陷检测,以得到线索的缺陷信息。
在本申请实施例中,终端设备将每一个包含拟合直线子段的待检测子图分别输入预设线索缺陷分类器,得到每一个待检测子图的缺陷预测概率,其中,缺陷预测概率越大,表明该待检测子图中越有可能有线索缺陷情况出现。如图7所示,待检测图像可以切分为三个待检测子图,三个待检测子图的缺陷预测概率依次分别为:0.1、0.9、0.8。
终端设备通过融合所有待检测子图的缺陷预测结果来判断线索是否有缺陷。具体地,如图8所示,终端设备融合图7中三个待检测子图的缺陷预测概率,即将所有待检测子图的缺陷预测概率中的最大缺陷预测概率,作为线索的缺陷概率,即0.9。
终端设备进而判断线索的缺陷概率是否大于等于预设概率阈值,若线索的缺陷概率大于等于预设概率阈值,则输出线索存在缺陷的缺陷信息;若线索的缺陷概率小于预设概率阈值,则输出线索不存在缺陷的缺陷信息。如图8所示,假设预设概率阈值为0.7,线索的缺陷概率0.9大于0.7,则判断该线索存在缺陷。
其中,缺陷信息具体可以包括是否存在缺陷的信息、存在缺陷的概率、存在缺陷的位置以及存在缺陷的原因为线索损伤或存在异物等。
在本申请实施例中,终端设备获取待检测图像中线索的预测概率图;基于预测概率图确定线索的拟合直线段;基于对拟合直线段的切分操作,由待检测图像生成若干待检测子图;对若干待检测子图进行缺陷检测,以得到线索的缺陷信息。本申请通过预测概率结果对线索进行直线拟合,并且利用对拟合直线段的切分操作生成待检测子图,通过待检测子图的缺陷检测结果综合评价线索的缺陷情况,能够有效提高线索缺陷检测的准确性。
进一步,终端设备使用两阶段的方法进行线索缺陷检测,先对目标区域进行分割定位后再进行缺陷检测,有效提高了算法的效率,并降低了算法的误报;在进行线索缺陷检测前进行了旋转转正的前处理,进一步提高了图像中的有效区域的占比,提高了算法的效率,并通过滑动窗口的方式调整了缺陷分类器的输入分辨率,提高了缺陷的召回率;整体算法流程简捷,能高效满足高铁接触网应用场景下数据量巨大的线索类缺陷检测的需求。
以上实施例,仅是对本申请的其中一种常见案例而已,并非对本申请的技术范围做任何限制,故凡是依据本申请方案的实质对以上内容所做的任何细微修改、等同变化或者修饰,均仍属于本申请技术方案的范围内。
请继续参见图9,图9是本申请提供的终端设备一实施例的结构示意图。其中,终端设备30包括预测概率模块31、拟合直线模块32、切分模块33以及缺陷检测模块34。
其中,所述预测概率模块31,用于获取线索区域的预测概率图。
所述预测概率模块31,用于获取待检测图像中线索区域的预测概率图。
所述拟合直线模块32,用于基于所述预测概率图确定线索的拟合直线段。
所述切分模块33,用于基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图。
所述缺陷检测模块34,用于对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息。
请继续参见图10,图10是本申请提供的终端设备另一实施例的结构示意图。本申请实施例的终端设备500包括处理器51、存储器52、输入输出设备53以及总线54。
该处理器51、存储器52、输入输出设备53分别与总线54相连,该存储器52中存储有程序数据,处理器51用于执行程序数据以实现上述任意实施例所述的线索缺陷检测方法。
在本申请实施例中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP,Digital Signal Process)、专用集成电路(ASIC,Application Specific Integrated Circuit)、现场可编程门阵列(FPGA,FieldProgrammable Gate Array)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质,请继续参阅图11,图11是本申请提供的计算机存储介质一实施例的结构示意图,该计算机存储介质600中存储有程序数据61,该程序数据61在被处理器执行时,用以实现上述任意实施例的线索缺陷检测方法。
本申请的实施例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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,方式利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种线索缺陷检测方法,其特征在于,所述线索缺陷检测方法包括:
获取待检测图像中线索的预测概率图;
基于所述预测概率图确定所述线索的拟合直线段;
基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图;
对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息;
所述基于所述预测概率图确定线索的拟合直线段,包括:
基于所述预测概率图中各个像素点的预测概率大小,获取所述预测概率图中的局部峰值点;
基于所述局部峰值点的位置,在所述待检测图像中生成所述拟合直线段;
所述基于所述预测概率图中各个像素点的预测概率大小,获取所述预测概率图中的局部峰值点,包括:
提取所述预测概率图中每一像素点的预测概率;
响应于所述预测概率图中的一个像素点的预测概率大于其他相邻像素点的预测概率,将预测概率大于其他相邻像素点的所述像素点作为局部峰值点。
2.根据权利要求1所述的线索缺陷检测方法,其特征在于,
所述对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息,包括:
获取每一待检测子图的缺陷概率;
基于所述待检测子图的缺陷概率中的最大缺陷概率,生成所述线索的缺陷信息。
3.根据权利要求2所述的线索缺陷检测方法,其特征在于,
基于所述待检测子图的缺陷概率中的最大缺陷概率,生成所述线索的缺陷信息,包括:
判断所述线索的最大缺陷概率是否大于等于预设概率阈值;
若是,输出所述线索存在缺陷的缺陷信息;
若否,输出所述线索不存在缺陷的缺陷信息。
4.根据权利要求1所述的线索缺陷检测方法,其特征在于,
所述基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图,包括:
采用预设尺寸的滑动窗口,沿所述拟合直线段的长度方向对所述待检测图像进行切分,得到若干待检测子图。
5.根据权利要求1-4任意一项所述的线索缺陷检测方法,其特征在于,
所述基于所述预测概率图确定所述线索的拟合直线段之后,所述线索缺陷检测方法还包括:
获取所述拟合直线段的两个端点;
按照所述两个端点的位置旋转所述待检测图像,使得旋转后的待检测图像中的拟合直线段呈水平方向放置。
6.根据权利要求1所述的线索缺陷检测方法,其特征在于,
所述线索的类别至少包括承力索、接触线、补偿绳以及附加线;
获取线索区域中每一类别线索的预测概率图;
对每一类别线索的预测概率图执行:
基于所述预测概率图确定线索的拟合直线段;
基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图;
对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息。
7.一种线索缺陷检测装置,其特征在于,所述线索缺陷检测装置包括:预测概率模块、拟合直线模块、切分模块以及缺陷检测模块;其中,
所述预测概率模块,用于获取待检测图像中线索区域的预测概率图;
所述拟合直线模块,用于基于所述预测概率图确定线索的拟合直线段;
所述切分模块,用于基于对所述拟合直线段的切分操作,由所述待检测图像生成若干待检测子图;
所述缺陷检测模块,用于对所述若干待检测子图进行缺陷检测,以得到线索的缺陷信息;
所述拟合直线模块,还用于基于所述预测概率图中各个像素点的预测概率大小,获取所述预测概率图中的局部峰值点;基于所述局部峰值点的位置,在所述待检测图像中生成所述拟合直线段;
所述拟合直线模块,还用于提取所述预测概率图中每一像素点的预测概率;响应于所述预测概率图中的一个像素点的预测概率大于其他相邻像素点的预测概率,将预测概率大于其他相邻像素点的所述像素点作为局部峰值点。
8.一种终端设备,其特征在于,所述终端设备包括存储器以及与所述存储器耦接的处理器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1~6任一项所述的线索缺陷检测方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质用于存储程序数据,所述程序数据在被计算机执行时,用以实现如权利要求1~6任一项所述的线索缺陷检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111179874.4A CN113610854B (zh) | 2021-10-11 | 2021-10-11 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
PCT/CN2022/092222 WO2023060885A1 (zh) | 2021-10-11 | 2022-05-11 | 一种线索缺陷检测方法、终端设备、计算机存储介质和计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111179874.4A CN113610854B (zh) | 2021-10-11 | 2021-10-11 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610854A CN113610854A (zh) | 2021-11-05 |
CN113610854B true CN113610854B (zh) | 2022-04-01 |
Family
ID=78343551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111179874.4A Active CN113610854B (zh) | 2021-10-11 | 2021-10-11 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113610854B (zh) |
WO (1) | WO2023060885A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610854B (zh) * | 2021-10-11 | 2022-04-01 | 深圳市商汤科技有限公司 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402248A (zh) * | 2020-03-23 | 2020-07-10 | 华南理工大学 | 一种基于机器视觉的输电线路导线缺陷检测方法 |
CN112001317A (zh) * | 2020-08-25 | 2020-11-27 | 广东电网有限责任公司 | 基于语义信息的导线缺陷识别方法、系统及终端设备 |
CN112102298A (zh) * | 2020-09-17 | 2020-12-18 | 深圳市商汤科技有限公司 | 图像识别方法及装置、电子设备和存储介质 |
CN112164025A (zh) * | 2020-08-31 | 2021-01-01 | 上海商汤智能科技有限公司 | 螺纹连接件的缺陷检测方法及装置、电子设备和存储介质 |
CN112633177A (zh) * | 2020-12-24 | 2021-04-09 | 浙江大学 | 一种基于注意力空间卷积神经网络的车道线检测分割方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102198177B1 (ko) * | 2014-04-01 | 2021-01-05 | 삼성전자주식회사 | 촬영 장치, 그 제어 방법 및 컴퓨터 판독 가능 기록 매체 |
US10837995B2 (en) * | 2017-06-16 | 2020-11-17 | Florida Power & Light Company | Composite fault mapping |
CN112508910A (zh) * | 2020-12-02 | 2021-03-16 | 创新奇智(深圳)技术有限公司 | 用于多分类缺陷检测的缺陷提取方法及装置 |
CN113610854B (zh) * | 2021-10-11 | 2022-04-01 | 深圳市商汤科技有限公司 | 一种线索缺陷检测方法、终端设备以及计算机存储介质 |
-
2021
- 2021-10-11 CN CN202111179874.4A patent/CN113610854B/zh active Active
-
2022
- 2022-05-11 WO PCT/CN2022/092222 patent/WO2023060885A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402248A (zh) * | 2020-03-23 | 2020-07-10 | 华南理工大学 | 一种基于机器视觉的输电线路导线缺陷检测方法 |
CN112001317A (zh) * | 2020-08-25 | 2020-11-27 | 广东电网有限责任公司 | 基于语义信息的导线缺陷识别方法、系统及终端设备 |
CN112164025A (zh) * | 2020-08-31 | 2021-01-01 | 上海商汤智能科技有限公司 | 螺纹连接件的缺陷检测方法及装置、电子设备和存储介质 |
CN112102298A (zh) * | 2020-09-17 | 2020-12-18 | 深圳市商汤科技有限公司 | 图像识别方法及装置、电子设备和存储介质 |
CN112633177A (zh) * | 2020-12-24 | 2021-04-09 | 浙江大学 | 一种基于注意力空间卷积神经网络的车道线检测分割方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023060885A1 (zh) | 2023-04-20 |
CN113610854A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008809B (zh) | 表格数据的获取方法、装置和服务器 | |
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN108489996B (zh) | 一种绝缘子的缺陷检测方法、系统及终端设备 | |
CN115147416B (zh) | 一种倒绳机乱绳检测方法、装置和计算机设备 | |
CN115018840B (zh) | 精密铸件裂纹检测方法、系统及装置 | |
CN111784681A (zh) | 钢丝绳乱绳检测方法、装置、计算机设备和存储介质 | |
CN113610854B (zh) | 一种线索缺陷检测方法、终端设备以及计算机存储介质 | |
CN116957309B (zh) | 一种纺织场景动态监测方法、系统及介质 | |
CN112381800B (zh) | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN116168351B (zh) | 电力设备巡检方法及装置 | |
CN111912846A (zh) | 一种基于机器视觉的表面缺陷与边缘毛刺检测方法 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN114627526A (zh) | 基于多摄像头抓拍图像的融合去重方法、装置及可读介质 | |
CN113822110B (zh) | 一种目标检测的方法和装置 | |
CN112164045A (zh) | 一种用于电缆生产的综合检测系统 | |
CN115409839B (zh) | 基于像素分析模型的道路声屏障隐患识别方法及装置 | |
CN111444834A (zh) | 图像文本行检测方法、装置、设备及存储介质 | |
CN110796129A (zh) | 一种文本行区域检测方法及装置 | |
KR102285269B1 (ko) | 빅데이터 기반 Geo AI를 활용한 이미지 분석 장치 및 방법 | |
CN115272262A (zh) | 室外绝缘子表面缺陷识别方法、装置及电子设备 | |
CN112164025A (zh) | 螺纹连接件的缺陷检测方法及装置、电子设备和存储介质 | |
CN112183554A (zh) | 一种自动化道路边界轮廓提取方法 | |
CN112329783B (zh) | 基于图像处理的钩尾框折断识别方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40061940 Country of ref document: HK |