CN113870268A - 一种基于连通分量检测的统计球团矿数量的方法 - Google Patents
一种基于连通分量检测的统计球团矿数量的方法 Download PDFInfo
- Publication number
- CN113870268A CN113870268A CN202111472163.6A CN202111472163A CN113870268A CN 113870268 A CN113870268 A CN 113870268A CN 202111472163 A CN202111472163 A CN 202111472163A CN 113870268 A CN113870268 A CN 113870268A
- Authority
- CN
- China
- Prior art keywords
- image
- pellet
- connected component
- boundary
- pellets
- 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.)
- Pending
Links
- 239000008188 pellet Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000005260 corrosion Methods 0.000 claims abstract description 5
- 230000007797 corrosion Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010191 image analysis Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/136—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于连通分量检测的统计球团矿数量的方法,包括以下步骤:针对球团生产过程中将大量球团倒入传送带瞬间拍下的图像,设计一种运用图像分析、连通分量检测,进行球团数量统计的方法。首先对原图像进行预处理,针对原图像采用Sobel算子求取边界,用原图像减掉边界图像后再采用高斯滤波,消除噪声的影响;采用CLAHE算法增强图片的对比度,将图片二值化;再进行腐蚀、膨胀等形态学操作,对得到的图像求取连通分量,即可得到实际的球团矿数量。本方法可在球团有粘连,前景物体与背景颜色相似且边界不明显的情况下有效地提取出前景物体,实现球团矿的个数与位置检测。
Description
技术领域
本发明涉及钢铁冶炼领域,特别是涉及一种球团矿数量的检测方法。
背景技术
钢铁产业作为我国制造业的支柱产业,当前正面临着节能降耗、技术创新、供给侧改革等重要挑战。球团矿是高炉炼铁的主要原料,高炉中球团矿的数量直接影响着高炉冶炼的效率。基于高炉中球团矿数量与位置的检测,进而可以得到实际球团的大小,有利于解决传统球团矿人工筛分过程中的低效率问题。
传统的对球团矿检测的方法主要依靠人工分筛分法,在筛分过程中会有效率低,误差较大等问题,并且不能很好地进行球团矿燃烧效率评估,限制了高炉炼铁的产能,而传统的图像分割方法,并不能有效地对昏暗背景下的球团矿进行分割。例如:秦长泽在其硕士论文中采用的分水岭分割的方法对球团矿进行筛选,但对于背景杂质和球团矿相似度极高的图片,分水岭算法并不能起到很好的作用。而通过计算连通分量,可以有效地得到每一个球团矿的位置,并取针对球团的特点进行筛选,可以精准地筛选出所有的球团矿,消除背景的影响。
发明内容
本发明目的:将连通分量应用于球团矿数量检测,开发了一种针对杂质较多图像的数量识别算法,可以为球团矿数量检测、模型评估提供高效、智能的鉴定方法。
为解决上述技术问题,本发明提供一种基于连通分量检测的统计球团矿数量的方法,该方法包括以下步骤:
Step1: 针对拍摄到的球团矿样本图像,采用Sobel算子分别求取出x、y两个方向的边界图像,然后进行图像加权;
Step2:用原图像减掉Step1得到的边界图像,得到边界更加清晰的球团矿图片;
Step3:在Step2的到的图像基础上,采用高斯滤波法,尽可能消除图像上噪声所带来的影响,同时又尽量不破坏球团的边界信息;
Step4:将图像转化为灰度图像,采用CLAHE算法,增强图像的对比度,使球团更加明显,然后采用局部阈值的方法对图像进行二值化;
Step5:在得到的二值图像上先后进行腐蚀与膨胀操作,确保图片中的每个球团可以形成一个连通分量;
Step6:求取图片中的连通分量的个数,对于所得到的连通域进行筛选,对求取的连通区域进行像素点数量筛选,小于200个像素点和大于1000个像素点的区域都进行剔除,最后求取连通分量的个数。
进一步的,所述Step1中预处理为选用Sobel算子分别在x、y两方向取差分阶数1,在3*3的模板中进行卷积,在得到的两幅图像后,各按0.5的权重进行加权。
进一步的,所述Step3中采用的噪声处理方法为高斯滤波,高斯核大小为27*27,锚点为中心点。
进一步的,所述Step4中,对图像的二值化采用了CV_ADAPTIVE_THRESH_MEAN_C自适应局部阈值的方法,BlockSize为45,常数C为3。
进一步的,所述Step5中,对图像先后采用了腐蚀与膨胀操作,内核形状均为MORPH_ELLIPSE,Size为:(3,3),锚点是中心点。
本发明有益效果:通过Sobel算子、高斯滤波、直方图均衡以及形态学操作四种方法对样本图像集进行预处理,可以有效降低噪声影响,将每一个球团矿标记为一个连通分量,提高数据的精确度;connectedComponentsWithStats()是opencv3新增的函数,而之前的先使用函数findContours(),第4个参数使用RETR_CCOMP;然后再令函数drawContours()的第四个参数color=component_label,第五个参数thickness = -1,循环调用函数cv::drawContours(),才能求取出连通分量的个数,而connectedComponentsWithStats()函数在返回个数的同时,还会返回stats和centroids,其中stats矩阵包含了每个连通区域的外接矩形的左上角坐标(x,y),外接矩形的长度和宽度以及连通区域面积的大小。centroids则是每一个label的质心,这些数据对于后续的球团矿评估有着非常重要的作用。
附图说明
图1 本发明处理流程图;
图2 采集到的球团矿样本图;
图3 Sobel算子求取的边界图像加权;
图4 原图像减边界图像所得图;
图5 经过CLAHE算法处理得到的图像;
图6 采用局部阈值二值化过后的图像;
图7 形态学操作之后的图像;
图8 计算出的连通分量图。
具体实施方式
实施例1
本实施例采用的开发工具为opencv4.0,后继出现的函数为opencv4.0中提供的函数,本发明提供一种基于连通分量检测的统计球团矿数量的方法,该方法包括以下步骤:
Step1: 针对高速摄像机拍摄到的球团矿样本图像,对图像使用Sobel算子进行梯度计算求取边界,分别求取出图像在X和Y两个方向的边界图像,然后进行图像加权。
本技术采用基于连通分量检测的思想对球团矿图像进行数量统计,在求取连通分量之前,对图像进行了增强操作,选用的Sobel算子对图像进行梯度的计算,由于图像的边界处灰度值变化一般比较明显,因此Sobel算子可以较好的得到球团的边界图。这一步中分别在X与Y两个方向进行梯度计算得到了两幅边界图像,分别是水平边界和垂直边界,随后将两幅图进行加权,得到整幅图的边界图像。
Step2:用原图像与Step1中用Sobel算子得到的边界图像进行相减,这一步得到的是边界更加清晰的球团矿图片。
Step3:在Step2的到的图像基础上,对图像进行高斯去噪,尽可能地消除图像上噪点所带来的影响,便于球团后续的分割操作。
由于后续需要对图像进行分割,而高斯滤波能较好地保存球团的边界信息,因此在此处采用了采用高斯去噪来降低图像噪声的影响。
Step4:将图像转化为灰度图像,采用CLAHE算法,增强图像的对比度,随后采取局部阈值,对图像进行二值化,得到黑白图像。去噪处理过的球团图像的前景与背景相差不大,且图像的亮暗分布极不均匀,因此在二值化时不能使用人为设定的阈值进行二值化,在这一步中对图像的二值化采用的是CV_ADAPTIVE_THRESH_MEAN_C()函数进行自适应的局部阈值进行二值化操作,这样就可以很好的照顾到整幅图中的球团图像。
Step5:在得到的二值图像上依次进行腐蚀与膨胀操作,消除噪点对球团分割带来的影响,同时也可以确保图片中的每个球团可以形成一个连通分量。
二值化过后的球团图像可能存在边界不清晰导致图像没有闭合的情况,会导致最后在进行连通分量求取的时候计算误差较大,因此在这一步对图像进行了形态学的开操作,具体步骤为先腐蚀后膨胀,这样不仅可以消除背景中的噪点带来的误差,而且能更好的闭合球团图像。
Step6:使用connectedComponentsWithStats()函数,求取图片中的连通分量的个数,同时返回各连通域的几何质心坐标与各个连通域的面积大小,方便后续进行进一步的筛选处理。对于所得到的连通域进行筛选,对求取的连通区域进行像素点数量筛选,小于200个像素点和大于1000个像素点的区域都进行剔除, 基于以上步骤,采用connectedComponentsWithStats()函数进行连通分量个数的统计与质心坐标的返回可以很精确的得到想要的参数,同时connectedComponentsWithStats()函数会返回STAT参数来表示每个连通域的大小,通过像素点数量的筛选可以有效地避免背景以及杂质对球团数量统计的影响。
总的来说,这一过程可以用图1展示。
实验采集到的样本图片如图2所示,针对采用高速摄像机拍摄到的球团矿样本图像,用Sobel算子分别求取出x、y两个方向的边界图像,Sobel 算子是两个 3*3 的矩阵, 主要用来计算图像中某一点在横向或者纵向上的梯度,如下所示:
Sobel函数中dx为X方向上的差分阶数,dy为Y方向上的差分阶数,取值均为1或0,其中,dx=1,dy=0,表示计算X方向的导数,检测出的是垂直方向上的边缘;dx=0,dy=1,表示计算Y方向的导数,检测出的是水平方向上的边缘。
对于两个方向上的边缘图像两采用0.5的权重进行加权,所得到的图像如图3所示。用原图像减去上一步得到的边界图像,得到边界更加清晰的球团矿图片,如图4所示。在以上步骤的基础上,采用高斯滤波法,消除图像上的噪声影响,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,它的一维形式是:
其中(x,y)为中心点坐标,σ是标准差。要想得到一个高斯滤波器的模板,可以对高斯函数进行离散化,得到的高斯函数值作为模板的系数。例如:要产生一个3×3的高斯滤波器模板,以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标,如下所示:
由于要尽可能要保证图像的边界信息不丢失,因此在此处选用的卷积核一般来说较大,经过不断调整参数,最终发现采用27*27大小的卷积核效果最好。为了进一步增强图像的边界信息,需要将图像转化为灰度图像,采用CLAHE算法,增强对比度,所的图像如图5所示。CLAHE同普通的自适应直方图均衡不同的地方主要是其对比度限幅,这个特性也可以应用到全局直方图均衡化中,即构成所谓的限制对比度直方图均衡(CLAHE)。在CLAHE中,对于每个小区域都必须使用对比度限幅。CLAHE主要是用来克服AHE的过度放大噪音问题。
将CLAHE算法处理过的图像采取局部阈值的方法进行二值化,在这里采用的是CV_ADAPTIVE_THRESH_MEAN_C自适应的局部阈值,因为图像的前景与背景对比度不强,因此采用全局阈值达不到预期的效果。本发明中像素大小采用了45,减去常数3后,得到的图像如图6所示。可以明显看到大部分的球团都可以构成一个连通分量。针对少数的没有形成连通分量的球团,采用形态学的开操作,即先进行腐蚀在进行膨胀,其中, 膨胀是腐蚀运算的对偶运算,作用是在结构元素的约束下将与目标区域相接触的背景合并到该目标物中,使目标边界向外部扩张,物体的面积增大了相应数量的点,腐蚀操作则完全相反。对一副二值图像的形态学操作需要设定一个SE核,此处采用的内核形状均为MORPH_ELLIPSE,即结构元为椭圆形,大小为3*3,锚点为中心点,其本质是一个矩阵,通过遍历原图像的每一个像素点,将像素点与SE核的原点对齐,然后取当前SE中所有1的位置所覆盖下原图中对应的像素中的最大值,用这个最大值替换当前像素值。当SE位于前景物体边缘时,它覆盖的区域内会同时出现0和1两种不同的像素值,这时把当前像素替换成1。因此膨胀的效果就是让前景物体膨胀了一圈,使得边界向外扩散。对于球团图像的前景中的一些细小的断裂处,这些断裂的地方可能会闭合,从而构成一个连通域,这样就会减小后续求连通分量时的误差。经过以上形态学处理得到的图像如图7所示。
在图像7的基础上,采用connectedComponentsWithStats()函数进行8邻域扩展,求出每一个连通分量,图片的背景也为一个连通分量,在最后统计使不计入即可。connectedComponentsWithStats()是opencv3新增的函数,在其中主要是是调用了之前版本的函数connectedcomponents_sub1()函数,通过该函数得到的结果,可以知道哪些顶点在一个连通图中,这样就可以将一个大图拆分成若干个连通子图。值得注意的是函数connectedComponents()只是会生成一个label图,而函数connectedComponentsWithStats()会提供关于每个连通区域的外接矩形、面积、质心等重要信息,因此在openCV2中使用findContours()和drawContours()也可以实现相同的功能,但是运行速度相对比较慢,原因主要是:函数findContours()为每个轮廓分配一个STL的vector,有时一张图像里有成百上千的轮廓;当想要填充毗邻轮廓的非凸区域时,函数drawContours()效率会很低;另外在收集连通区域的一些基本信息(如面积和外接矩形)时,会涉及一些额外的甚至代价昂贵的函数调用。基于以上原因,本发明采用connectedComponentsWithStats()来进行快速连通区域分析。
Claims (5)
1.一种基于连通分量检测统计球团矿数量的方法,其特征在于,该方法包括以下步骤:
Step1: 针对拍摄到的球团矿样本图像,采用Sobel算子分别求取出x、y两个方向的边界图像,然后进行图像加权;
Step2:用原图像减掉Step1得到的边界图像,得到边界更加清晰的球团矿图片;
Step3:在Step2的到的图像基础上,采用高斯滤波法,尽可能消除图像上噪声所带来的影响,同时又尽量不破坏球团的边界信息;
Step4:将图像转化为灰度图像,采用CLAHE算法,增强图像的对比度,使球团更加明显,然后采用局部阈值的方法对图像进行二值化;
Step5:在得到的二值图像上先后进行腐蚀与膨胀操作,确保图片中的每个球团可以形成一个连通分量;
Step6:求取图片中的连通分量的个数,对于所得到的连通域进行筛选,对求取的连通区域进行像素点数量筛选,小于200个像素点和大于1000个像素点的区域都进行剔除,最后求取连通分量的个数。
2.根据权利要求1所述的一种基于连通分量检测统计球团矿数量的方法,其特征在于,所述Step1中预处理为选用Sobel算子分别在x、y两方向取差分阶数1,在3*3的模板中进行卷积,在得到的两幅图像后,各按0.5的权重进行加权。
3.根据权利要求1所述的一种基于连通分量检测统计球团矿数量的方法,其特征在于,所述Step3中采用的噪声处理方法为高斯滤波,高斯核大小为27*27,锚点为中心点。
4.根据权利要求1所述的一种基于连通分量检测统计球团矿数量的方法,其特征在于,所述Step4中,对图像的二值化采用了CV_ADAPTIVE_THRESH_MEAN_C自适应局部阈值的方法,BlockSize为45,常数C为3。
5.根据权利要求1所述的一种基于连通分量检测统计球团矿数量的方法,其特征在于,所述Step5中,对图像先后采用了腐蚀与膨胀操作,内核形状均为MORPH_ELLIPSE,Size中两个参数设置分别为3和3,锚点是中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111472163.6A CN113870268A (zh) | 2021-12-06 | 2021-12-06 | 一种基于连通分量检测的统计球团矿数量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111472163.6A CN113870268A (zh) | 2021-12-06 | 2021-12-06 | 一种基于连通分量检测的统计球团矿数量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113870268A true CN113870268A (zh) | 2021-12-31 |
Family
ID=78985865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111472163.6A Pending CN113870268A (zh) | 2021-12-06 | 2021-12-06 | 一种基于连通分量检测的统计球团矿数量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113870268A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN103509901A (zh) * | 2012-06-25 | 2014-01-15 | 宝山钢铁股份有限公司 | 高炉原燃料的粒度检测方法 |
CN107316077A (zh) * | 2017-06-21 | 2017-11-03 | 上海交通大学 | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 |
CN108388853A (zh) * | 2018-02-09 | 2018-08-10 | 重庆东渝中能实业有限公司 | 针对白细胞与血小板共存全息图的分步重建与计数方法 |
CN110298860A (zh) * | 2019-05-31 | 2019-10-01 | 河池学院 | 一种基于机器视觉的高杆绣球检测计数系统 |
CN110910403A (zh) * | 2019-11-16 | 2020-03-24 | 厦门梓蔓生物科技有限公司 | 一种基于图像处理的工业大麻种子计数方法 |
CN113034573A (zh) * | 2021-04-01 | 2021-06-25 | 大连锐视达科技有限公司 | 一种球团粒径检测方法及系统 |
-
2021
- 2021-12-06 CN CN202111472163.6A patent/CN113870268A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN103509901A (zh) * | 2012-06-25 | 2014-01-15 | 宝山钢铁股份有限公司 | 高炉原燃料的粒度检测方法 |
CN107316077A (zh) * | 2017-06-21 | 2017-11-03 | 上海交通大学 | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 |
CN108388853A (zh) * | 2018-02-09 | 2018-08-10 | 重庆东渝中能实业有限公司 | 针对白细胞与血小板共存全息图的分步重建与计数方法 |
CN110298860A (zh) * | 2019-05-31 | 2019-10-01 | 河池学院 | 一种基于机器视觉的高杆绣球检测计数系统 |
CN110910403A (zh) * | 2019-11-16 | 2020-03-24 | 厦门梓蔓生物科技有限公司 | 一种基于图像处理的工业大麻种子计数方法 |
CN113034573A (zh) * | 2021-04-01 | 2021-06-25 | 大连锐视达科技有限公司 | 一种球团粒径检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
章学静: "像素级图像增强及配准算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
WO2016172827A1 (zh) | 一种逐步求精的路面裂缝检测方法 | |
CN112365494B (zh) | 一种基于深度学习预测边缘的矿石物料图像分割方法 | |
CN111681249B (zh) | 基于Grabcut的砂石颗粒的改进分割算法研究 | |
CN113240663B (zh) | 一种基于边缘响应融合算法的传送带矿石粒度检测方法 | |
CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN112580447B (zh) | 一种基于边缘二阶统计与融合的电力线检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
JP2019526865A (ja) | 粒子境界識別 | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN113870268A (zh) | 一种基于连通分量检测的统计球团矿数量的方法 | |
CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 | |
Yang et al. | The improvement of Bernsen binarization algorithm for QR Code image | |
CN109448010B (zh) | 一种基于内容特征的四方连续纹样自动生成方法 | |
CN109615630A (zh) | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 | |
CN111191534B (zh) | 一种模糊航空图像中的道路提取方法 | |
CN110827272B (zh) | 一种基于图像处理的轮胎x光图像缺陷检测方法 | |
CN112651936A (zh) | 基于图像局部熵的钢板表面缺陷图像分割方法及系统 | |
CN112183556A (zh) | 一种基于空间聚类与分水岭变换的港口矿堆轮廓提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211231 |
|
RJ01 | Rejection of invention patent application after publication |