CN113763491B - 一种烟丝桶残余物的视觉检测方法 - Google Patents

一种烟丝桶残余物的视觉检测方法 Download PDF

Info

Publication number
CN113763491B
CN113763491B CN202110986935.1A CN202110986935A CN113763491B CN 113763491 B CN113763491 B CN 113763491B CN 202110986935 A CN202110986935 A CN 202110986935A CN 113763491 B CN113763491 B CN 113763491B
Authority
CN
China
Prior art keywords
image
residue
tobacco shred
barrel
channel
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
CN202110986935.1A
Other languages
English (en)
Other versions
CN113763491A (zh
Inventor
金振训
章强
王维松
徐鑫
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.)
China Tobacco Zhejiang Industrial Co Ltd
Original Assignee
China Tobacco Zhejiang Industrial Co Ltd
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 China Tobacco Zhejiang Industrial Co Ltd filed Critical China Tobacco Zhejiang Industrial Co Ltd
Priority to CN202110986935.1A priority Critical patent/CN113763491B/zh
Publication of CN113763491A publication Critical patent/CN113763491A/zh
Application granted granted Critical
Publication of CN113763491B publication Critical patent/CN113763491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了视觉检测领域的一种烟丝桶残余物的视觉检测方法，包括：获取在线烟丝桶内部图像，对在线烟丝桶内部图像得到最终残余物二值化分割图像BF；计算所述最终残余物二值化分割图像BF中残余物像素数量，对否存在残余物进行初步判断；将在线烟丝桶内部图像分离出在线残余物图像IF；计算残余物图像IF的维特征向量并输入训练好的支持向量机SVM进行判断，进一步判断否存在残余物进行；将所述最终残余物二值化分割图像BF中残余物像素数量与设定数量进行对比，判断是否需要机器清扫；本发明提出的检测方法实施简单，硬件要求低，采用无接触测量，操作简单，直接应用在现有生产线上，避免了生产线改造，减少了安装成本。

Description

一种烟丝桶残余物的视觉检测方法
技术领域
本发明属于视觉检测技术领域，具体涉及烟丝桶残余物的视觉检测。
背景技术
在制丝环节中为了生产出高品质的成品烟丝，必须保证烟丝的产品等级，而烟丝桶残余物的清除是确保烟丝等级的关键。当前烟丝桶残留物的检测主要是依靠人工人眼排查，发现有残留物存在，进行人工清扫，增加了人力成本，而且效率也比较低下；若残留物未清扫进入后续的生产环节，将导致严重的质量事故，造成更大的经济损失。
发明内容
本发明的目的在于提供一种烟丝桶残余物的视觉检测方法，从而减少生产线中的人眼排查，提高生产线的自动化水平。
为达到上述目的，本发明所采用的技术方案是：
一种烟丝桶残余物的视觉检测方法，包括：
获取在线烟丝桶内部图像，对在线烟丝桶内部图像分析生成残余物初步二值化分割图像BSLT；
采用概率图模型对残余物初步二值化分割图像BSLT迭代得到最终残余物二值化分割图像BF；计算所述最终残余物二值化分割图像BF中残余物像素数量，当残余物像素数量为0时，输出不存在残余物的判断；
当残余物像素数量不为0时，通过最终残余物二值化分割图像BF将在线烟丝桶内部图像分离出在线残余物图像IF；计算残余物图像IF的维特征向量并输入训练好的支持向量机SVM进行判断，当所述最终残余物二值化分割图像BF的分割不正确时，输出不存在残余物的判断；
当最终残余物二值化分割图像BF的分割正确时，将所述最终残余物二值化分割图像BF中残余物像素数量与设定数量进行对比，判断是否需要机器清扫。
优选的，烟丝生产过程中烟丝桶运行至工业相机下方，调节光源将烟丝桶内部照亮，工业相机拍摄图像，并对图像进行固定区域分割，获取在线烟丝桶内部图像。
优选的，对在线烟丝桶内部图像分析得到饱和度通道特征分布图FS、亮度通道特征分布图FL和纹理密度特征分布图FT，并融合形成残余物初步二值化分割图像BSLT。
优选的，由在线烟丝桶内部图像得到饱和度通道颜色直方图，通过饱和度通道颜色直方图和残余物特征模型计算在线烟丝桶内部图像中每一个像素为残余物像素的概率值，得到饱和度通道特征分布图FS。
优选的，所述残余物特征模型构建过程包括：
获取烟丝桶内部历史图像，构建离线数据集；
对烟丝桶内部历史图像进行固定区域分割，获取烟丝桶底面历史图像；
人工对每一张烟丝桶底面历史图像进行判断，若存在残余物，将烟丝桶中的残余物按像素进行标注，将残余物从烟丝桶底面历史图像中分割出来，构成离线烟丝桶残余物图像数据集；
对离线烟丝桶残余物图像数据集进行颜色通道分割，得到离线饱和度通道颜色直方图，并进行平均操作得到离线饱和度通道平均直方图；取离线饱和度通道平均直方图中达到设定像素比例的分布区域作为残余物分布区域[Sd，Su]，构建残余物特征模型。
优选的，由在线烟丝桶内部图像得到饱和度S通道下的饱和度通道颜色直方图，对饱和度通道颜色直方图平滑操作；平滑操作方法包括：低通滤波器滤波，滑窗均值滤波，局部线性回归，三次样条插值；饱和度通道颜色直方图在残余物分布区域[Sd，Su]中，搜索峰值对应的饱和度值Smax，在[0，Smax]之间搜索像素数最少的饱和度值Smin，在线烟丝桶内部图像中每个像素的饱和度值S(Is)与Smax和Smin通过高斯函数公式计算该像素为残余物像素的概率值，得到饱和度通道特征分布图FS，所述计算公式如下所示：
其中C为实验系数。
优选的，平滑操作方法包括：低通滤波器滤波，滑窗均值滤波，局部线性回归，三次样条插值。
优选的，在线烟丝桶内部图像通过MATLAB导出L通道图像，对L通道图像采用自动图像分割算法将L通道图像分为两类，并生成二值化图像亮度通道特征分布图FL；对L通道图像采用纹理密度算子生成纹理密度特征分布图FT。
优选的，所述支持向量机SVM的训练过程包括：
获取历史残余物图像，通过人工判断历史残余物图像分割是否正确，
选取分割错误的历史残余物图像作为负样本，选取残余物分割正确的历史残余物图像作为正样本；分别在L亮度通道、绿红颜色通道和蓝黄颜色通道下，获得历史残余物图像的维特征向量；
将历史残余物图像的维特征向量输入到支持向量机SVM进行训练。
优选的，所述维特征向量的种类包括均值μ、标准差σ、偏度Skew和峰度Kurt。
与现有技术相比，本发明所达到的有益效果：
(1)本发明提出的检测方法实施简单，硬件要求低，采用无接触测量，操作简单，直接应用在现有生产线上，避免了生产线改造，减少了安装成本。
(2)本发明采用概率图模型对残余物初步二值化分割图像BSLT迭代得到最终残余物二值化分割图像BF；计算所述最终残余物二值化分割图像BF中残余物像素数量；通过概率图模型进一步提升检测精度，能够完成细小残余物的检测。
(3)本发明提出的检测方法通过最终残余物二值化分割图像BF将在线烟丝桶内部图像分离出在线残余物图像IF；计算残余物图像IF的维特征向量并输入训练好的支持向量机SVM进行判断，采用SVM支持向量机判断残余物的检测是否正确，能够提升检测的准确率。
附图说明
图1是本发明实施例提供的整体流程图；
图2是本发明实施例提供的由在线烟丝桶内部图像分析生成残余物初步二值化分割图像BSLT的流程图；
图3是本发明实施例提供的由残余物初步二值化分割图像BSLT迭代得到最终残余物二值化分割图像BF的流程图；
图4是本发明实施例提供的支持向量机SVM的检测流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图中所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须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。本发明描述中使用的术语“前”、“后”、“左”、“右”、“上”、“下”指的是附图中的方向，术语“内”、“外”分别指的是朝向或远离特定部件几何中心的方向。
如图1-4所示，一种烟丝桶残余物的视觉检测方法，包括：一种烟丝桶残余物的视觉检测方法，包括：
构建残余物特征模型：
在线检测前，当烟丝桶运行至工业相机下方时，调节光源将烟丝桶内部照亮，工业相机拍摄图像，获取烟丝桶内部历史图像；所述烟丝桶内部历史图像不用于后续在线检测，对烟丝桶内部历史图像进行内容评估，构建离线数据集；对烟丝桶内部历史图像进行固定区域分割，获取烟丝桶底面历史图像；邀请10名业内人士对每一张烟丝桶底面历史图像进行判断，若存在残余物，将烟丝桶中的残余物按像素进行标注，超过5人标注残余的像素认为是具有残余物的像素，将残余物从烟丝桶底面历史图像中分割出来，构成离线烟丝桶残余物图像数据集；
对离线烟丝桶残余物图像数据集进行颜色通道分割，得到离线饱和度通道颜色直方图，并进行平均操作得到离线饱和度通道平均直方图；取离线饱和度通道平均直方图中达到95％像素的分布区域作为残余物分布区域[Sd,Su]，从而构建残余物特征模型。
所述支持向量机SVM的训练过程包括：
获取历史残余物图像，通过人工判断历史残余物图像分割是否正确，选取1000张分割错误的历史残余物图像作为负样本，选取1000张残余物分割正确的历史残余物图像作为正样本；分别在L亮度通道、绿红颜色通道和蓝黄颜色通道下，获得历史残余物图像的维特征向量；将历史残余物图像的维特征向量输入到支持向量机SVM进行训练。
在线检测烟丝桶残余物的过程为：
烟丝生产过程中烟丝桶运行至工业相机下方，调节光源将烟丝桶内部照亮，工业相机拍摄图像，并对图像进行固定区域分割，获取在线烟丝桶内部图像。
由在线烟丝桶内部图像得到饱和度S通道下的饱和度通道颜色直方图，对饱和度通道颜色直方图平滑操作；平滑操作方法包括：低通滤波器滤波，滑窗均值滤波，局部线性回归，三次样条插值；饱和度通道颜色直方图在残余物分布区域[Sd，Su]中，搜索峰值对应的饱和度值Smax，在[0，Smax]之间搜索像素数最少的饱和度值Smin，搜索峰值选自：全局搜索算法、二分法搜索算法和变步长搜索算法；在线烟丝桶内部图像中每个像素的饱和度值S(Is)与Smax和Smin通过高斯函数公式计算该像素为残余物像素的概率值，得到饱和度通道特征分布图FS，所述计算公式如下所示：
其中C为实验系数。
在线烟丝桶内部图像通过MATLAB导出L通道图像，对L通道图像采用自动图像分割算法将L通道图像分为两类，并生成二值化图像亮度通道特征分布图FL；对L通道图像采用纹理密度算子生成纹理密度特征分布图FT，对在线烟丝桶内部图像分析得到饱和度通道特征分布图FS、亮度通道特征分布图FL和纹理密度特征分布图FT，将饱和度通道特征分布图FS和亮度通道特征分布图FL相乘并采用固定阈值分割，得到二值化图像BSL；将二值化图像BSL与纹理密度特征分布图FT相乘并采用自动图像分割算法，得到初步二值化分割图像BSLT。
采用概率图模型对残余物初步二值化分割图像BSLT迭代得到最终残余物二值化分割图像BF；计算所述最终残余物二值化分割图像BF中残余物像素数量，当残余物像素数量为0时，输出不存在残余物的判断；
当残余物像素数量不为0时，通过最终残余物二值化分割图像BF将在线烟丝桶内部图像分离出在线残余物图像IF；计算残余物图像IF的维特征向量并输入训练好的支持向量机SVM进行判断，所述维特征向量的种类包括均值μ、标准差σ、偏度Skew和峰度Kurt；当所述最终残余物二值化分割图像BF的分割不正确时，输出不存在残余物的判断；
当最终残余物二值化分割图像BF的分割正确时，将所述最终残余物二值化分割图像BF中残余物像素数量与设定数量进行对比，判断是否需要机器清扫。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种烟丝桶残余物的视觉检测方法，其特征在于，包括：
获取在线烟丝桶内部图像，由在线烟丝桶内部图像得到饱和度通道颜色直方图，通过饱和度通道颜色直方图和残余物特征模型计算在线烟丝桶内部图像中每一个像素为残余物像素的概率值，得到饱和度通道特征分布图FS；
在线烟丝桶内部图像通过MATLAB导出L通道图像，对L通道图像采用自动图像分割算法将L通道图像分为两类，并生成二值化图像亮度通道特征分布图FL；对L通道图像采用纹理密度算子生成纹理密度特征分布图FT；
对在线烟丝桶内部图像分析得到饱和度通道特征分布图FS、亮度通道特征分布图FL和纹理密度特征分布图FT，并融合形成残余物初步二值化分割图像BSLT；
采用概率图模型对残余物初步二值化分割图像BSLT迭代得到最终残余物二值化分割图像BF；计算所述最终残余物二值化分割图像BF中残余物像素数量，当残余物像素数量为0时，输出不存在残余物的判断；
当残余物像素数量不为0时，通过最终残余物二值化分割图像BF将在线烟丝桶内部图像分离出在线残余物图像IF；计算残余物图像IF的维特征向量并输入训练好的支持向量机SVM进行判断，当所述最终残余物二值化分割图像BF的分割不正确时，输出不存在残余物的判断；
当最终残余物二值化分割图像BF的分割正确时，将所述最终残余物二值化分割图像BF中残余物像素数量与设定数量进行对比，判断是否需要机器清扫。
2.根据权利要求1所述的一种烟丝桶残余物的视觉检测方法，其特征在于，烟丝生产过程中烟丝桶运行至工业相机下方，调节光源将烟丝桶内部照亮，工业相机拍摄图像，并对图像进行固定区域分割，获取在线烟丝桶内部图像。
3.根据权利要求1所述的一种烟丝桶残余物的视觉检测方法，其特征在于，所述残余物特征模型构建过程包括：
获取烟丝桶内部历史图像，构建离线数据集；
对烟丝桶内部历史图像进行固定区域分割，获取烟丝桶底面历史图像；
人工对每一张烟丝桶底面历史图像进行判断，若存在残余物，将烟丝桶中的残余物按像素进行标注，将残余物从烟丝桶底面历史图像中分割出来，构成离线烟丝桶残余物图像数据集；
对离线烟丝桶残余物图像数据集进行颜色通道分割，得到离线饱和度通道颜色直方图，并进行平均操作得到离线饱和度通道平均直方图；取离线饱和度通道平均直方图中达到设定像素比例的分布区域作为残余物分布区域[Sd,Su]，构建残余物特征模型。
4.根据权利要求1所述的一种烟丝桶残余物的视觉检测方法，其特征在于，由在线烟丝桶内部图像得到饱和度S通道下的饱和度通道颜色直方图，对饱和度通道颜色直方图平滑操作；饱和度通道颜色直方图在残余物分布区域[Sd,Su]中，搜索峰值对应的饱和度值Smax，在[0,Smax]之间搜索像素数最少的饱和度值Smin，在线烟丝桶内部图像中每个像素的饱和度值S(Is)与Smax和Smin通过高斯函数公式计算该像素为残余物像素的概率值，得到饱和度通道特征分布图FS，计算公式如下所示：
其中C为实验系数。
5.根据权利要求4所述的一种烟丝桶残余物的视觉检测方法，其特征在于，平滑操作方法包括：低通滤波器滤波，滑窗均值滤波，局部线性回归，三次样条插值。
6.根据权利要求1所述的一种烟丝桶残余物的视觉检测方法，其特征在于，所述支持向量机SVM的训练过程包括：
获取历史残余物图像，通过人工判断历史残余物图像分割是否正确，
选取分割错误的历史残余物图像作为负样本，选取残余物分割正确的历史残余物图像作为正样本；分别在L亮度通道、绿红颜色通道和蓝黄颜色通道下，获得历史残余物图像的维特征向量；
将历史残余物图像的维特征向量输入到支持向量机SVM进行训练。
7.根据权利要求6所述的一种烟丝桶残余物的视觉检测方法，其特征在于，所述维特征向量的种类包括均值μ、标准差σ、偏度Skew和峰度Kurt。
CN202110986935.1A 2021-08-26 2021-08-26 一种烟丝桶残余物的视觉检测方法 Active CN113763491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110986935.1A CN113763491B (zh) 2021-08-26 2021-08-26 一种烟丝桶残余物的视觉检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110986935.1A CN113763491B (zh) 2021-08-26 2021-08-26 一种烟丝桶残余物的视觉检测方法

Publications (2)

Publication Number Publication Date
CN113763491A CN113763491A (zh) 2021-12-07
CN113763491B true CN113763491B (zh) 2024-03-12

Family

ID=78791309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110986935.1A Active CN113763491B (zh) 2021-08-26 2021-08-26 一种烟丝桶残余物的视觉检测方法

Country Status (1)

Country Link
CN (1) CN113763491B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267002B (zh) * 2022-03-02 2022-05-24 深圳市华付信息技术有限公司 卷烟厂制丝车间工况监测方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809732A (zh) * 2015-05-07 2015-07-29 山东鲁能智能技术有限公司 一种基于图像比对的电力设备外观异常检测方法
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统
CN105973904A (zh) * 2016-04-28 2016-09-28 南京汇川图像视觉技术有限公司 一种基于图像背景概率图的食用油杂质检测方法
WO2018040756A1 (zh) * 2016-09-05 2018-03-08 华为技术有限公司 一种车身颜色识别的方法及装置
WO2020107716A1 (zh) * 2018-11-30 2020-06-04 长沙理工大学 目标图像分割方法、装置及设备
CN111738342A (zh) * 2020-06-24 2020-10-02 西南交通大学 一种受电弓异物检测方法、存储介质及计算机设备
CN112241692A (zh) * 2020-09-25 2021-01-19 天津大学 基于航拍图超像素纹理的渠道异物智能检测与分类方法
CN112991318A (zh) * 2021-03-31 2021-06-18 中车青岛四方机车车辆股份有限公司 一种动车组受电弓故障检测方法、装置及存储介质
CN113298059A (zh) * 2021-07-27 2021-08-24 昆山高新轨道交通智能装备有限公司 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809732A (zh) * 2015-05-07 2015-07-29 山东鲁能智能技术有限公司 一种基于图像比对的电力设备外观异常检测方法
CN105973904A (zh) * 2016-04-28 2016-09-28 南京汇川图像视觉技术有限公司 一种基于图像背景概率图的食用油杂质检测方法
CN105930815A (zh) * 2016-05-04 2016-09-07 中国农业大学 一种水下生物检测方法和系统
WO2018040756A1 (zh) * 2016-09-05 2018-03-08 华为技术有限公司 一种车身颜色识别的方法及装置
WO2020107716A1 (zh) * 2018-11-30 2020-06-04 长沙理工大学 目标图像分割方法、装置及设备
CN111738342A (zh) * 2020-06-24 2020-10-02 西南交通大学 一种受电弓异物检测方法、存储介质及计算机设备
CN112241692A (zh) * 2020-09-25 2021-01-19 天津大学 基于航拍图超像素纹理的渠道异物智能检测与分类方法
CN112991318A (zh) * 2021-03-31 2021-06-18 中车青岛四方机车车辆股份有限公司 一种动车组受电弓故障检测方法、装置及存储介质
CN113298059A (zh) * 2021-07-27 2021-08-24 昆山高新轨道交通智能装备有限公司 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于视觉传感器的输液中异物检测系统设计;杨福刚;;传感器与微系统;20100320(03);全文 *
应用区域颜色分割的机采棉杂质检测方法;张成梁;李蕾;董全成;葛荣雨;;纺织学报;20170715(07);全文 *

Also Published As

Publication number Publication date
CN113763491A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN109816652B (zh) 一种基于灰度显著性的复杂铸件缺陷识别方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN111652085B (zh) 基于2d与3d特征结合的物体识别方法
CN110197153B (zh) 一种户型图中墙体自动识别方法
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN110827235B (zh) 钢板表面缺陷检测方法
US10445868B2 (en) Method for detecting a defect on a surface of a tire
CN108898132B (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN114399522A (zh) 一种基于高低阈值的Canny算子的边缘检测方法
JP5852919B2 (ja) ひび割れ検出方法
CN113935666B (zh) 基于图像处理的建筑装饰墙面砖异常评估方法
CN109781737A (zh) 一种软管表面缺陷的检测方法及其检测系统
CN113763491B (zh) 一种烟丝桶残余物的视觉检测方法
CN107153067A (zh) 一种基于matlab的零件表面缺陷检测方法
CN113674206A (zh) 一种适用于深熔k-tig焊熔池和锁孔入口特征参数的提取方法
CN112164042A (zh) 三维砂型打印铺砂过程中缺陷自动识别方法及系统
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN111429429A (zh) 干细胞融合度检测方法、装置、计算机设备及存储介质
CN107832732B (zh) 基于三叉树遍历的车道线检测方法
Kubola et al. Automatic determination of the g-band chromosomes number based on geometric features
CN113487538A (zh) 一种多目标分割缺陷检测方法、装置及其计算机存储介质
CN111402232B (zh) 精液中精子聚集检测方法
CN111667419A (zh) 一种基于Vibe算法的移动目标鬼影消除方法及系统

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