CN113935992A - 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 - Google Patents
基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 Download PDFInfo
- Publication number
- CN113935992A CN113935992A CN202111527180.5A CN202111527180A CN113935992A CN 113935992 A CN113935992 A CN 113935992A CN 202111527180 A CN202111527180 A CN 202111527180A CN 113935992 A CN113935992 A CN 113935992A
- Authority
- CN
- China
- Prior art keywords
- area
- edge
- image
- crack
- points
- 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
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Abstract
本发明涉及图像处理领域,具体涉及一种基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统,该方法包括:对采集的齿轮表面图像进行语义分割,得到齿槽区域图像;对所述齿槽区域图像进行边缘区域划分得到多个边缘区域;在每个边缘区域上的像素点位置处作关联线,根据关联线与同一边缘区域的关联点个数得到边缘区域的结构矩阵;获取所有边缘区域的结构矩阵,根据各结构矩阵的特征值和特征值数量,得到各个边缘区域的结构指标;将结构指标小于预设阈值的边缘区域记为初始裂纹区域;根据初始裂纹区域构建颜色共生矩阵,获取颜色共生矩阵的熵指标;根据熵指标得到真实裂纹区域。本发明能够排除大部分油污噪声区域的干扰,提高齿轮裂纹检测的精度。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统。
背景技术
工业和企业使用的齿轮一旦出现裂纹,便有可能引发严重的安全问题。目前,齿轮裂纹检测还主要依靠磁粉检测。但是利用磁粉检测需要大量的人工参与,检测的操作过程过于繁琐,自动化程度不高。随着计算机技术的发展,现有技术多利用机器视觉进行检测。但是该方法一般需要保持齿轮表面不存在油污。因此利用机器视觉检测齿轮裂纹容易受到齿轮表面残留的油污干扰,从而造成裂纹错检率较高,不能实现高精度识别。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于图像处理的抗油污干扰的齿轮裂纹检测方法,所采用的技术方案具体如下:
采集齿轮表面图像,对所述齿轮表面图像进行语义分割,得到齿槽区域图像;对所述齿槽区域图像进行边缘区域划分得到多个边缘区域;
随机选取每个边缘区域上的一个像素点,在所述像素点的位置处作水平方向上的关联线,将关联线与同一边缘区域的交点记为关联点;根据设置步长选取边缘区域上的像素点,获取所有选取的像素点对应的关联点个数构成当前边缘区域的结构矩阵;
获取所有边缘区域的结构矩阵,计算各结构矩阵的特征值和特征值数量,根据特征值和特征值数量得到各个边缘区域的结构指标;将结构指标小于预设阈值的边缘区域记为初始裂纹区域;
根据初始裂纹区域构建颜色共生矩阵,获取颜色共生矩阵的熵指标;根据熵指标得到真实裂纹区域。
优选地,所述多个边缘区域的获取方法具体为:选取齿槽区域图像的边缘像素点记为初始种子点,计算初始种子点邻域内的像素点与初始种子点灰度值的差值,得到灰度差值,将灰度差值小于阈值的邻域像素点作为下一次生长的种子点,并与初始种子点进行区域合并,重复此过程直到不能生长为止,得到初始种子点生长的边缘区域;选取齿槽区域图像的其他边缘像素点作为初始种子点,进行像素点的区域生长,直到齿槽边缘图像中所有边缘像素点参与区域生长为止,得到多个边缘区域。
优选地,所述结构指标的计算方法具体为:
优选地,所述真实裂纹区域的获取方法具体为:将二值化后的初始裂纹区域的RGB图像进行颜色空间转换,得到初始裂纹区域的HIS图像,记为裂纹区域图像;根据裂纹区域图像的色调通道值构建颜色共生矩阵,计算颜色共生矩阵的熵指标;当熵指标大于指标阈值,将该裂纹区域图像删除,当熵指标小于或等于指标阈值,当前初始裂纹区域为真实裂纹区域。
优选地,所述边缘区域的结构矩阵还包括:根据预设旋转角度对关联线进行旋转,获取旋转后关联线与边缘区域的所有关联点个数,根据关联点个数得到当前像素点的矩阵;根据设置步长选取边缘区域上的像素点,将所有选取的像素点的矩阵构成当前边缘区域的结构矩阵。
本发明还提供了一种基于图像处理的抗油污干扰的齿轮裂纹检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于图像处理的抗油污干扰的齿轮裂纹检测方法的步骤。
本发明实施例至少具有如下有益效果:
本发明利用裂纹区域和油污区域的结构特征差异,对油污噪声区域进行初步筛选,能够排除大部分油污噪声区域的干扰,提高齿轮裂纹检测的精度。同时对初步筛选之后得到的裂纹区域图像进行颜色复杂度分析,得到真实的裂纹区域,能够进一步提高裂纹检测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为一种基于图像处理的抗油污干扰的齿轮裂纹检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统的具体方案。
实施例1:
本发明所针对的具体场景为:齿轮表面裂纹检测场景,主要针对齿槽表面区域的裂纹缺陷进行检测。相机拍摄视角为正视齿槽,采用固定光源,不考虑光照的影响。齿轮的类型为:表面带有油污,不考虑生锈情况。
需要说明的是,本发明涉及到的先验信息为:一般情况下,油污为面状或者为线状,线状可能会形成部分连通域,半连通域。裂纹受应力作用形成,形状为单方向不规则线状。裂纹的灰度值较为相似,像素点位置连续;由于齿轮表面油污存在深浅问题,油污深浅和蔓延趋势不同,油污表面的灰度值变化不同,所以同一片油污区域,可能存在多个灰度值像素点。
请参阅图1,其示出了本发明一个实施例提供的一种基于图像处理的抗油污干扰的齿轮裂纹检测方法的步骤流程图,该方法包括以下步骤:
首先,采集齿轮表面图像,对所述齿轮表面图像进行语义分割,得到齿槽区域图像。
具体地,通过相机采集齿轮表面的RGB图像记为齿轮表面图像,并对采集的齿轮表面图像进行灰度化处理,灰度化采用加权灰度化,本实施例中,灰度化图像。将灰度图像进行直方图均衡化处理,提高图像像素点之间的对比度,直方图均衡化为公知算法,不再详细描述。
对预处理后的图像进行像素点标记,齿槽区域像素点标记为1,其他区域像素点标记为0,将标记后的图像输入语义分割网络。通过语义分割编码器进行卷积,获取标记后的图像特征向量,经过语义分割解码器输出分割后的图像,将分割后的图像记为齿槽区域图像。语义分割网络结构为:Encoder-Decoder,损失函数为交叉熵损失。通过语义分割网络能够排除其他区域特征对齿槽区域图像的影响。
其次,对所述齿槽区域图像进行边缘区域划分得到多个边缘区域。
具体地,选取齿槽区域图像边缘的边缘像素点作为初始种子点,计算初始种子点八邻域范围内的像素点与初始种子点进行灰度值作差,得到灰度差值,其中,表示八邻域的像素点灰度值,表示初始种子点的灰度值。当灰度差值小于阈值时(在本实施例中阈值的取值为),即像素点灰度值相似时,将灰度值相似的8邻域像素点作为下一次生长的种子点,并与初始种子点进行区域合并,重复此过程直到不能生长为止,得到初始种子点生长的边缘区域,也就是灰度相似的边缘区域。
利用齿槽区域图像其他边缘像素点继续作为初始种子点进行后续的像素点区域生长,直到齿槽区域图像中所有的边缘像素点参与区域生长为止。至此,得到齿槽区域图像中中所有灰度相似的边缘区域。其中,灰度相似的边缘区域中既包括齿轮裂纹边缘区域,也包括残留油污的噪声边缘区域。
然后,随机选取每个边缘区域上的一个像素点,在所述像素点的位置处作水平方向上的关联线,将关联线与同一边缘区域的交点记为关联点;根据设置步长选取边缘区域上的像素点,获取所有选取的像素点对应的关联点个数构成当前边缘区域的结构矩阵。
所述结构矩阵还包括:根据预设旋转角度对关联线进行旋转,获取旋转后关联线与边缘区域的所有关联点个数,根据关联点个数得到当前像素点的矩阵;根据设置步长选取边缘区域上的像素点,将所有选取的像素点的矩阵构成当前边缘区域的结构矩阵。
具体地,选取单个边缘区域上端点位置的像素点作水平方向上关联线,将关联线与同一边缘区域的交点记为关联点,获取水平方向上关联线与边缘区域的关联点个数。(由于研究对象为边缘区域,所以,关联线的起始点和终止点仅为边缘区域的边缘线上,跟区域内像素点相交不计关联点数量。)然后,在本实施例中设置选取步长为10,选取下一个边缘区域像素点,重复进行关联线生成操作,同时获取关联点个数。获取所有选取的像素点对应的关联点个数构成当前边缘区域的结构矩阵。
对于结构矩阵的获取方法,本发明还提供了另一种实施例:
选取单个边缘区域上端点位置的像素点作水平方向上关联线,将关联线与同一边缘区域的交点记为关联点,获取水平方向上关联线与边缘区域的关联点个数。然后,设置旋转角度对关联线方向进行旋转。在本实施例中,将水平方向记为,旋转的角度范围为:,旋转的正方向为逆时针方向,旋转步长为,分别获取旋转后关联线与边缘区域的关联点个数,得到当前像素点的矩阵,矩阵的形状为。作为其他实施方式,也可以是。
进一步的,在本实施例中设置选取步长为10,选取下一个边缘区域像素点,重复进行关联线生成和旋转操作,同时获取关联点个数,得到像素点的矩阵。获取同一边缘区域上所有选取的像素点的矩阵构成结构矩阵,结构矩阵大小为,其中m表示选取的边缘区域像素点的数量。作为其他实施方式,结构矩阵的大小也可以为。
需要说明的是,由于齿轮裂纹边缘是受应力不均产生的,所以,裂纹一般的生长区域为单方向,无规律生长,裂纹宽度较细。根据裂纹的单方向生长的特征,边缘区域像素点选取也为单方向,从齿槽边缘区域的上端点到下端点,以步长为10,选取m个边缘区域像素点,构建结构矩阵,结构矩阵反应的是各个边缘区域的结构特征。
接着,获取所有边缘区域的结构矩阵,计算各结构矩阵的特征值和特征值数量,根据特征值和特征值数量得到各个边缘区域的结构指标;将结构指标小于预设阈值的边缘区域记为初始裂纹区域。
具体地,通过上述步骤获取所有边缘区域的结构矩阵,计算结构矩阵的特征值、特征向量以及特征值数量。特征向量表示在进行矩阵乘法时,对应的一个变换,是把任意一个向量变成另一个方向或长度都大多不同的新向量,变换的过程中,原向量主要发生旋转、伸缩的变化,如果矩阵对某些向量只发生伸缩变换,即为矩阵的特征向量,伸缩比例即为特征值。
根据特征值和特征值数量得到各个边缘区域的结构指标,结构指标的计算方式具体为:
需要说明的是,选用结构矩阵的特征值表征当前矩阵数值之间差异过大,进行线性变化伸缩比例较大,得到的结构指标Z较大。可以理解为,在每个边缘区域像素点上作关联线都能得到多个交点,且可能油污整体区域结构复杂,不同位置之间交点数量变化较大,而裂缝区域的关联线交点数量较小,且在旋转方向范围内交点数量变化较小。
上述步骤的有益效果为:上述步骤主要针对边缘区域整体结构的复杂程度分析,相对于简单的统计方法,容易受到局部噪声点或噪声区域的影响,造成局部的交点过大,从而导致通过统计方法的到的结果变化很大,而局部噪声点或噪声区域并不会对整体的边缘区域结构造成影响,所以,结构矩阵的特征值大小和特征值数量并不会产生大的变化。上述的步骤主要针对整体结构特征,具有一定的抗噪能力。
最后,根据初始裂纹区域构建颜色共生矩阵,获取颜色共生矩阵的熵指标;根据熵指标得到真实裂纹区域。该步骤的目的:通过初始裂纹区域图像特征对裂纹区域进行筛选,避免误检测。该步骤的有益效果为:能够提高裂纹区域的检测精度,并优化边缘结构模型参数。
具体地,获取初始裂纹区域图像,并对所述初始裂纹区域图像进行二值化处理,裂纹区域像素点为1,其他区域像素点为0,得到裂纹Mask图像,所述初始裂纹区域图像为RGB图像,将裂纹Mask图像与初始裂纹区域RGB图像进行相乘,得到裂纹区域的RGB图像。将裂纹区域的RGB图像进行颜色空间转换,得到HSI图像记为裂纹区域图像。利用裂纹区域图像的色调通道值H进行颜色特征提取,进行二次裂纹区域筛选。
需要说明的是,当油污在齿轮表面存在时,可能存在多个相近的色调值(每个色调值对应一种颜色),在灰度值上差别不大,但是在色调上可能出现复杂颜色属性,相比于裂纹区域图像,油污区域呈现的颜色复杂度更大。
通过裂纹区域图像中的色调通道值H构建颜色共生矩阵,用于研究颜色空间的相关特征。颜色共生矩阵的获取方法具体为:在图像中任意一点及偏离它的一点的像素点构成点对,该点对的色调值为,统计每个点对的出现的次数,排列成方阵;然后再对出现的总次数进行归一化得到概率,最终,生成颜色共生矩阵。
颜色分布均匀的边缘区域在颜色共生矩阵倾向于均匀分布,颜色分布复杂的边缘区域在颜色共生矩阵倾向于对角分布。获取颜色共生矩阵中色调的熵指标,对获取到的边缘区域色调熵指标进行归一化处理,反应了裂纹区域内颜色分布的复杂程度,熵值越大,图像颜色越复杂。
熵指标的计算公式为:
实施例2:
本实施例提供了一种基于图像处理的抗油污干扰的齿轮裂纹检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于图像处理的抗油污干扰的齿轮裂纹检测方法的步骤。由于实施例1已经对一种基于图像处理的抗油污干扰的齿轮裂纹检测方法进行了详细的介绍,此处不再过多介绍。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图像处理的抗油污干扰的齿轮裂纹检测方法,其特征在于,所述方法包括以下步骤:
采集齿轮表面图像,对所述齿轮表面图像进行语义分割,得到齿槽区域图像;对所述齿槽区域图像进行边缘区域划分得到多个边缘区域;
随机选取每个边缘区域上的一个像素点,在所述像素点的位置处作水平方向上的关联线,将关联线与同一边缘区域的交点记为关联点;根据设置步长选取边缘区域上的像素点,获取所有选取的像素点对应的关联点个数构成当前边缘区域的结构矩阵;
获取所有边缘区域的结构矩阵,计算各结构矩阵的特征值和特征值数量,根据特征值和特征值数量得到各个边缘区域的结构指标;将结构指标小于预设阈值的边缘区域记为初始裂纹区域;
根据初始裂纹区域构建颜色共生矩阵,获取颜色共生矩阵的熵指标;根据熵指标得到真实裂纹区域。
2.根据权利要求1所述的一种基于图像处理的抗油污干扰的齿轮裂纹检测方法,其特征在于,所述多个边缘区域的获取方法具体为:
选取齿槽区域图像的边缘像素点记为初始种子点,计算初始种子点邻域内的像素点与初始种子点灰度值的差值,得到灰度差值,将灰度差值小于阈值的邻域像素点作为下一次生长的种子点,并与初始种子点进行区域合并,重复此过程直到不能生长为止,得到初始种子点生长的边缘区域;选取齿槽区域图像的其他边缘像素点作为初始种子点,进行像素点的区域生长,直到齿槽边缘图像中所有边缘像素点参与区域生长为止,得到多个边缘区域。
4.根据权利要求1所述的一种基于图像处理的抗油污干扰的齿轮裂纹检测方法,其特征在于,所述真实裂纹区域的获取方法具体为:
将二值化后的初始裂纹区域的RGB图像进行颜色空间转换,得到初始裂纹区域的HIS图像,记为裂纹区域图像;根据裂纹区域图像的色调通道值构建颜色共生矩阵,计算颜色共生矩阵的熵指标;当熵指标大于指标阈值,将该裂纹区域图像删除,当熵指标小于或等于指标阈值,当前初始裂纹区域为真实裂纹区域。
5.根据权利要求1所述的一种基于图像处理的抗油污干扰的齿轮裂纹检测方法,其特征在于,所述边缘区域的结构矩阵还包括:
根据预设旋转角度对关联线进行旋转,获取旋转后关联线与边缘区域的所有关联点个数,根据关联点个数得到当前像素点的矩阵;根据设置步长选取边缘区域上的像素点,将所有选取的像素点的矩阵构成当前边缘区域的结构矩阵。
6.一种基于图像处理的抗油污干扰的齿轮裂纹检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述一种基于图像处理的抗油污干扰的齿轮裂纹检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527180.5A CN113935992B (zh) | 2021-12-15 | 2021-12-15 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527180.5A CN113935992B (zh) | 2021-12-15 | 2021-12-15 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113935992A true CN113935992A (zh) | 2022-01-14 |
CN113935992B CN113935992B (zh) | 2022-03-22 |
Family
ID=79288910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527180.5A Active CN113935992B (zh) | 2021-12-15 | 2021-12-15 | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935992B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627140A (zh) * | 2022-05-16 | 2022-06-14 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN114677337A (zh) * | 2022-03-11 | 2022-06-28 | 常州市新创智能科技有限公司 | 一种碳纤维布面的油污检测方法及装置 |
CN114724041A (zh) * | 2022-06-02 | 2022-07-08 | 浙江天铂云科光电股份有限公司 | 基于深度学习的电力设备红外热图的识别方法及系统 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114894804A (zh) * | 2022-04-22 | 2022-08-12 | 江苏名欧精密机械有限公司 | 一种精密标准件表面裂纹检测方法 |
CN114898107A (zh) * | 2022-07-01 | 2022-08-12 | 深之蓝海洋科技股份有限公司 | 裂纹的重识别方法和装置 |
CN115131387A (zh) * | 2022-08-25 | 2022-09-30 | 山东鼎泰新能源有限公司 | 基于图像处理的汽油机喷雾撞壁参数自动提取方法及系统 |
CN115311285A (zh) * | 2022-10-12 | 2022-11-08 | 南通普盛动力有限公司 | 一种柴油发动机漏油识别方法 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
US20210166366A1 (en) * | 2018-08-21 | 2021-06-03 | University Of Kansas | Fatigue crack detection in civil infrastructure |
-
2021
- 2021-12-15 CN CN202111527180.5A patent/CN113935992B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101852768A (zh) * | 2010-05-05 | 2010-10-06 | 电子科技大学 | 磁粉探伤环境下基于复合特征的工件伤痕识别方法 |
US20210166366A1 (en) * | 2018-08-21 | 2021-06-03 | University Of Kansas | Fatigue crack detection in civil infrastructure |
Non-Patent Citations (2)
Title |
---|
B. SUMATHY等: "《Retinal blood vessel segmentation using morphological structuring element and entropy thresholding》", 《2012 THIRD INTERNATIONAL CONFERENCE ON COMPUTING, COMMUNICATION AND NETWORKING TECHNOLOGIES》 * |
马苗 等: "《SAR图像的二维灰熵模型快速分割方法》", 《西安电子科技大学学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677337A (zh) * | 2022-03-11 | 2022-06-28 | 常州市新创智能科技有限公司 | 一种碳纤维布面的油污检测方法及装置 |
CN114677337B (zh) * | 2022-03-11 | 2022-10-04 | 常州市新创智能科技有限公司 | 一种碳纤维布面的油污检测方法及装置 |
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和系统 |
CN114742786A (zh) * | 2022-03-31 | 2022-07-12 | 南通申东冶金机械有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114742786B (zh) * | 2022-03-31 | 2023-08-29 | 山东西岳智能科技有限公司 | 基于人工智能的齿面磨粒磨损程度评估方法 |
CN114894804A (zh) * | 2022-04-22 | 2022-08-12 | 江苏名欧精密机械有限公司 | 一种精密标准件表面裂纹检测方法 |
CN114627140B (zh) * | 2022-05-16 | 2022-08-16 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN114627140A (zh) * | 2022-05-16 | 2022-06-14 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN114724041A (zh) * | 2022-06-02 | 2022-07-08 | 浙江天铂云科光电股份有限公司 | 基于深度学习的电力设备红外热图的识别方法及系统 |
CN114898107B (zh) * | 2022-07-01 | 2022-12-02 | 深之蓝海洋科技股份有限公司 | 裂纹的重识别方法和装置 |
CN114898107A (zh) * | 2022-07-01 | 2022-08-12 | 深之蓝海洋科技股份有限公司 | 裂纹的重识别方法和装置 |
CN115131387A (zh) * | 2022-08-25 | 2022-09-30 | 山东鼎泰新能源有限公司 | 基于图像处理的汽油机喷雾撞壁参数自动提取方法及系统 |
CN115131387B (zh) * | 2022-08-25 | 2023-01-24 | 山东鼎泰新能源有限公司 | 基于图像处理的汽油机喷雾撞壁参数自动提取方法及系统 |
CN115311285B (zh) * | 2022-10-12 | 2023-04-14 | 南通普盛动力有限公司 | 一种柴油发动机漏油识别方法 |
CN115311285A (zh) * | 2022-10-12 | 2022-11-08 | 南通普盛动力有限公司 | 一种柴油发动机漏油识别方法 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116664584B (zh) * | 2023-08-02 | 2023-11-28 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN117132602A (zh) * | 2023-10-27 | 2023-11-28 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
CN117132602B (zh) * | 2023-10-27 | 2024-01-02 | 湖南三昌泵业有限公司 | 一种离心泵叶轮缺陷视觉检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113935992B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935992B (zh) | 基于图像处理的抗油污干扰的齿轮裂纹检测方法与系统 | |
CN110263192B (zh) | 一种基于条件生成对抗网络的磨粒形貌数据库创建方法 | |
CN114723701B (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
US10510148B2 (en) | Systems and methods for block based edgel detection with false edge elimination | |
CN112435221A (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
WO2022267270A1 (zh) | 基于多重分形谱的裂纹特征表征方法及系统 | |
CN111401358B (zh) | 一种基于神经网络的仪表表盘校正方法 | |
CN110909615A (zh) | 基于多尺度输入混合感知神经网络的目标检测方法 | |
CN108388899B (zh) | 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 | |
CN116481429A (zh) | 一种基于目标检测的原木材积检测方法 | |
CN115272303A (zh) | 基于高斯模糊的纺织物缺陷程度评估方法、装置及系统 | |
CN116805416A (zh) | 排水管道缺陷识别模型训练方法、排水管道缺陷识别方法 | |
CN111724376A (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN113486869B (zh) | 一种基于非监督特征提取的岩性识别方法、装置及介质 | |
CN111563577A (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
CN117036756B (zh) | 基于变分自动编码器的遥感图像匹配方法及系统 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
CN115008255B (zh) | 一种用于机床的刀具磨损识别方法及装置 |
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 |