CN114091620B - 一种模板匹配检测方法、计算机设备及存储介质 - Google Patents
一种模板匹配检测方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114091620B CN114091620B CN202111455464.8A CN202111455464A CN114091620B CN 114091620 B CN114091620 B CN 114091620B CN 202111455464 A CN202111455464 A CN 202111455464A CN 114091620 B CN114091620 B CN 114091620B
- Authority
- CN
- China
- Prior art keywords
- template
- templates
- image data
- cloth cover
- detection method
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及碳纤维检测技术领域,尤其涉及一种模板匹配检测方法、计算机设备及存储介质,其中,检测方法包括:制作模板,在碳纤维布面上分别放上黄色、蓝色和红色的缺陷,对布面缺陷处拍照,分别将包含有黄色、蓝色和红色的区域提取出,作为三个模板;采集图像,对碳纤维布面进行拍照,且拍照像素大小与制作模板中像素点大小相同,得到布面图像数据;模板匹配,分别将三个模板遍历布面图像数据,将模板与布面图像数据上对应区域进行匹配,计算模板与对应区域的相关性,若相关性位于设定阈值内,则对应区域存在缺陷,且缺陷颜色为模板对应的颜色。本发明中,检测快速方便,系统简单,检测效率高,可随着碳纤维布面的生产进行同步检测。
Description
技术领域
本发明涉及碳纤维检测技术领域,尤其涉及一种模板匹配检测方法、计算机设备及存储介质。
背景技术
碳纤维作为一种混合复合材料板被广泛应用于新能源汽车、航天航空、轨道交通等领域,碳纤维在生产加工过程中,需要进行监控、分析,以保证生产质量,在碳纤维生产的过程中,布面上会掉落不同颜色的缺陷,其中最主要的为黄色、蓝色和红色三种,会极大的影响生产出来的碳纤维的质量。
传统的检测方式为通过人工进行检测,浪费人力资源和成本,而如果通过视觉检测,碳纤维上针对不同颜色缺陷往往需要单独设立一种检测方法,检测系统繁琐,检测效率低。
鉴于上述问题的存在,本设计人基于从事此类产品工程应用多年丰富的实务经验及专业知识,并配合学理的运用,积极加以研究创新,以期创设一种模板匹配检测方法、计算机设备及存储介质,使其更具有实用性。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供了一种模板匹配检测方法、计算机设备及存储介质,从而有效解决背景技术中的问题。
为了达到上述目的,本发明所采用的技术方案是:一种模板匹配检测方法,包括:
制作模板,在碳纤维布面上分别放上黄色、蓝色和红色的缺陷,对布面缺陷处拍照,分别将包含有黄色、蓝色和红色的区域提取出,作为三个模板;
采集图像,对碳纤维布面进行拍照,且拍照像素大小与所述制作模板中像素点大小相同,得到布面图像数据;
模板匹配,分别将三个所述模板遍历所述布面图像数据,将所述模板与所述布面图像数据上对应区域进行匹配,计算所述模板与所述对应区域的相关性,若相关性位于设定阈值内,则所述对应区域存在缺陷,且所述缺陷颜色为所述模板对应的颜色。
进一步地,所述采集图像中,对布面同一位置连续拍摄多张照片,将多张照片叠加并对每个对应像素点的灰度值取平均值,得到所述布面图像数据。
进一步地,所述采集图像中,对碳纤维布面拍照时的帧率至少为30FPS。
进一步地,所述将多张照片叠加并对每个对应像素点的灰度值取平均值时,所述照片数量至少为10张。
进一步地,所述模板匹配中,所述相关性K为:
其中,n为模板中像素点的数量,(u,v)为模板中像素点的坐标,t(u,v)为模板中像素点(u,v)的灰度值,mt为模板中像素点的平均灰度值,St 2为模板中像素点灰度值的方差,(r,c)为布面图像数据上待匹配区域像素点的坐标,i(r+u,c+v)为布面图像数据上待匹配区域与模板(u,v)对应像素点的灰度值,mi(r,c)为布面图像数据上待匹配区域的平均灰度值,St 2(r,c)为布面图像数据上待匹配区域灰度值的方差。
进一步地,所述相关性K的设定阈值为0.6~1.1。
进一步地,所述分别将三个所述模板遍历所述布面图像数据中,所述模板从上至下、从左至右每次移动一个像素点。
进一步地,所述分别将三个所述模板遍历所述布面图像数据中,所述模板从上至下、从左至右每次移动一个模板大小距离。
本发明还包括一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述的方法。
本发明还包括一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的方法。
本发明的有益效果为:本发明通过制作模板,分别将碳纤维布面上黄色、蓝色和红色的缺陷拍照,并将包含有缺陷的区域提取出,每种颜色的缺陷制作成一个模板,然后对碳纤维布面进行拍照获取布面图像数据,然后将每个模板分别遍历布面图像数据,在模板移动的过程中,将布面图像上与模板对应的区域与模板进行匹配,计算两者的相关性,如果相关性位于设定的阈值内,则说明这个区域与模板的相关性较高,则这个区域存在与模板对应的颜色缺陷,通过上述方法,可以针对多种颜色的缺陷实现一种方法来进行检测,无需针对每一种颜色缺陷设立一种检测方法,检测快速方便,系统简单,检测效率高,可随着碳纤维布面的生产进行同步检测。
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,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地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,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他的附图。
图1为本发明检测方法的流程图;
图2为计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示:一种模板匹配检测方法,包括:
制作模板,在碳纤维布面上分别放上黄色、蓝色和红色的缺陷,对布面缺陷处拍照,分别将包含有黄色、蓝色和红色的区域提取出,作为三个模板;
采集图像,对碳纤维布面进行拍照,且拍照像素大小与制作模板中像素点大小相同,得到布面图像数据;
模板匹配,分别将三个模板遍历布面图像数据,将模板与布面图像数据上对应区域进行匹配,计算模板与对应区域的相关性,若相关性位于设定阈值内,则对应区域存在缺陷,且缺陷颜色为模板对应的颜色。
通过制作模板,分别将碳纤维布面上黄色、蓝色和红色的缺陷拍照,并将包含有缺陷的区域提取出,每种颜色的缺陷制作成一个模板,然后对碳纤维布面进行拍照获取布面图像数据,然后将每个模板分别遍历布面图像数据,在模板移动的过程中,将布面图像上与模板对应的区域与模板进行匹配,计算两者的相关性,如果相关性位于设定的阈值内,则说明这个区域与模板的相关性较高,则这个区域存在与模板对应的颜色缺陷,通过上述方法,可以针对多种颜色的缺陷实现一种方法来进行检测,无需针对每一种颜色缺陷设立一种检测方法,检测快速方便,系统简单,检测效率高,可随着碳纤维布面的生产进行同步检测。
在实际的生产过程中,碳纤维布面上的缺陷大小为5mm×5mm左右,在制作模板和采集图像过程中,像素点越小,则检测精度越高,但是越占用运行资源,检测效率越低,为了均衡检测精度与检测效率,在本实施例中像素点大小以0.5mm×0.5mm为例,模板大小设立为10像素点×10像素点。
由于在相机对碳纤维布面进行拍摄时,由于光线的变化或不均匀等情况,会造成布面图像数据上噪点较多,会影响后续的检测精度,所以为了消除噪点,通过多张图像取均值的方法对照片进行平滑,具体为:在采集图像中,对布面同一位置连续拍摄多张照片,将多张照片叠加并对每个对应像素点的灰度值取平均值,得到布面图像数据。以多张照片进行叠加,并对多张照片上每个对应像素点取平均值,从而得到平滑后的布面图像,以此作为后续匹配的布面图像数据,从而有效的增加了检测精度,消除光线的影响。
其中,将多张照片叠加并对每个对应像素点的灰度值取平均值时,照片数量至少为10张。
在本实施例中,模板匹配中,相关性K为:
其中,n为模板中像素点的数量,由于本实施例中模板大小为10像素点×10像素点,所以此处n为100,(u,v)为模板中像素点的坐标,t(u,v)为模板中像素点(u,v)的灰度值,mt为模板中像素点的平均灰度值,St 2为模板中像素点灰度值的方差,(r,c)为布面图像数据上待匹配区域像素点的坐标,i(r+u,c+v)为布面图像数据上待匹配区域与模板(u,v)对应像素点的灰度值,mi(r,c)为布面图像数据上待匹配区域的平均灰度值,St 2(r,c)为布面图像数据上待匹配区域灰度值的方差。
在对碳纤维布面的颜色缺陷检测时,由于光照环境会发生变化,所以无法通过固定的与灰度值相关的指标来设定阈值,由于光照发生变化时,布面图像数据上灰度值会同时变大或变小,如果只单纯的设定一个固定的灰度值指标,如待匹配区域与模板灰度值平均值的差异大小或待匹配区域与模板灰度值方差的差异大小,则当光照发生变化时,对检测结果影响较大。
但是无论灰度值的大小如何变化,他们之间的比例是不变的,通过相关性的计算,可以忽视光照的变化,计算图像的归一化相关性来度量匹配的相似度。
在10像素点×10像素点大小的模板在布面图像数据上运动并进行匹配时,会存在一个与模板相同大小的待匹配区域,将模板和待匹配上像素点的平均灰度值和灰度值分别计算出,再对相关性进行计算,相关性为待匹配区域与模板的相似程度的指标,若相关性越接近于1,则说明待匹配区域与模板越近似,则待匹配区域存在与这个模板相同的颜色缺陷。
其中,相关性K的设定阈值为0.6~1.1。若相关性K在0.6~1.1的范围内,则说明这个区域与模板较为相似,则存在与模板相同的颜色缺陷。
在本实施例中,分别将三个模板遍历布面图像数据中,模板从上至下、从左至右每次移动一个像素点。
在模板在布面图像数据上运动时,若布面图像数据上像素点以左边为原点,从左至右横坐标增加,从上至下纵坐标增加,模板从上至下、从左至右每次移动一个像素点,即模板在图像上遍历时,模板第一个像素点先对应布面图像上(0,0)的像素点,在计算一次相关性后,模板移动一个像素点,此时模板第一个像素点对应布面图像上(0,1)的像素点,以此类推,直到遍历整个布面图像数据,模板在遍历时,每次移动一个像素点,检测精度高,但是检测效率较低。
或者,分别将三个模板遍历布面图像数据中,模板从上至下、从左至右每次移动一个模板大小距离。
在10像素点×10像素点模板在布面图像数据上运动时,若布面图像数据上像素点以左边为原点,从左至右横坐标增加,从上至下纵坐标增加,模板从上至下、从左至右每次移动一个模板大小的距离,即模板在图像上遍历时,模板第一个像素点先对应布面图像上(0,0)的像素点,在计算一次相关性后,模板移动一个模板大小即移动10个像素点的距离,此时模板第一个像素点对应布面图像上(0,10)的像素点,以此类推,直到遍历整个布面图像数据,模板在遍历时,每次移动一个模板大小的距离,检测精度稍低,但是检测效率较高。
请参见图2示出的本申请实施例提供的计算机设备的结构示意图。本申请实施例提供的一种计算机设备400,包括:处理器410和存储器420,存储器420存储有处理器410可执行的计算机程序,计算机程序被处理器410执行时执行如上的方法。
本申请实施例还提供了一种存储介质430,该存储介质430上存储有计算机程序,该计算机程序被处理器410运行时执行如上的方法。
其中,存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“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针对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。此外,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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种模板匹配检测方法,其特征在于,包括如下步骤:
制作模板,在碳纤维布面上分别放上黄色、蓝色和红色的缺陷,对布面缺陷处拍照,分别将包含有黄色、蓝色和红色的区域提取出,作为三个模板;
采集图像,对碳纤维布面进行拍照,且拍照像素大小与所述制作模板中像素点大小相同,得到布面图像数据;
模板匹配,分别将三个所述模板遍历所述布面图像数据,将所述模板与所述布面图像数据上对应区域进行匹配,计算所述模板与所述对应区域的相关性,若相关性位于设定阈值内,则所述对应区域存在缺陷,且所述缺陷颜色为所述模板对应的颜色;
所述模板匹配中,所述相关性K为:
2.根据权利要求1所述的模板匹配检测方法,其特征在于,所述采集图像中,对布面同一位置连续拍摄多张照片,将多张照片叠加并对每个对应像素点的灰度值取平均值,得到所述布面图像数据。
3.根据权利要求2所述的模板匹配检测方法,其特征在于,所述采集图像中,对碳纤维布面拍照时的帧率至少为30FPS。
4.根据权利要求2所述的模板匹配检测方法,其特征在于,所述将多张照片叠加并对每个对应像素点的灰度值取平均值时,所述照片数量至少为10张。
5.根据权利要求1所述的模板匹配检测方法,其特征在于,所述相关性K的设定阈值为0.6~1.1。
6.根据权利要求1所述的模板匹配检测方法,其特征在于,所述分别将三个所述模板遍历所述布面图像数据中,所述模板从上至下、从左至右每次移动一个像素点。
7.根据权利要求1所述的模板匹配检测方法,其特征在于,所述分别将三个所述模板遍历所述布面图像数据中,所述模板从上至下、从左至右每次移动一个模板大小距离。
8.一种计算机设备,包括存储器、处理器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,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
9.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111455464.8A CN114091620B (zh) | 2021-12-01 | 2021-12-01 | 一种模板匹配检测方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111455464.8A CN114091620B (zh) | 2021-12-01 | 2021-12-01 | 一种模板匹配检测方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091620A CN114091620A (zh) | 2022-02-25 |
CN114091620B true CN114091620B (zh) | 2022-06-03 |
Family
ID=80306234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111455464.8A Active CN114091620B (zh) | 2021-12-01 | 2021-12-01 | 一种模板匹配检测方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091620B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708262A (zh) * | 2022-06-02 | 2022-07-05 | 深圳市海蓝智能科技有限公司 | 一种连接器针脚的视觉检测方法 |
CN115100144B (zh) * | 2022-06-23 | 2023-04-07 | 常州市新创智能科技有限公司 | 一种玻纤布生产过程中的碎屑检测方法及装置 |
CN117132590B (zh) * | 2023-10-24 | 2024-03-01 | 威海天拓合创电子工程有限公司 | 一种基于图像的多板卡缺陷检测方法及装置 |
CN117670842B (zh) * | 2023-12-07 | 2024-06-04 | 常州市宏发纵横新材料科技股份有限公司 | 一种布面横条检测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842337A (zh) * | 2015-01-13 | 2016-08-10 | 台湾动力检测科技股份有限公司 | 纤维布料的胶层缺陷点检测方法 |
CN106548474A (zh) * | 2016-11-08 | 2017-03-29 | 江苏工大金凯高端装备制造有限公司 | 一种微结构表面检测方法 |
CN110779797A (zh) * | 2019-11-08 | 2020-02-11 | 南京航空航天大学 | 一种测量金属拉伸试验过程中塑性应变比的方法 |
CN111929327A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院(江苏)有限公司 | 布匹缺陷检测方法和装置 |
CN112991319A (zh) * | 2021-04-01 | 2021-06-18 | 中国航空综合技术研究所 | 碳纤维层压板红外热成像缺陷尺寸检测方法 |
CN113111868A (zh) * | 2021-03-16 | 2021-07-13 | 广州大学 | 一种字符缺陷检测方法、系统、装置及存储介质 |
CN113344857A (zh) * | 2021-05-13 | 2021-09-03 | 深圳市华汉伟业科技有限公司 | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8977035B2 (en) * | 2012-06-13 | 2015-03-10 | Applied Materials Israel, Ltd. | System, method and computer program product for detection of defects within inspection images |
CN105005997B (zh) * | 2015-08-05 | 2017-11-14 | 哈尔滨工业大学 | 一种基于行列直线聚类的多类型bga芯片视觉识别方法 |
CN109239076B (zh) * | 2018-08-29 | 2021-04-06 | 西安理工大学 | 一种基于机器视觉的缝纫线迹缺陷检测方法 |
CN112163523A (zh) * | 2020-09-29 | 2021-01-01 | 北京环境特性研究所 | 一种异常目标检测方法、装置和计算机可读介质 |
CN113160195B (zh) * | 2021-04-28 | 2024-02-02 | 浙江工业大学 | 一种基于生成热成像的复合材料缺陷无损检测方法 |
CN113724257A (zh) * | 2021-11-01 | 2021-11-30 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳板灰色污点检测方法、计算机设备及存储介质 |
-
2021
- 2021-12-01 CN CN202111455464.8A patent/CN114091620B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842337A (zh) * | 2015-01-13 | 2016-08-10 | 台湾动力检测科技股份有限公司 | 纤维布料的胶层缺陷点检测方法 |
CN106548474A (zh) * | 2016-11-08 | 2017-03-29 | 江苏工大金凯高端装备制造有限公司 | 一种微结构表面检测方法 |
CN110779797A (zh) * | 2019-11-08 | 2020-02-11 | 南京航空航天大学 | 一种测量金属拉伸试验过程中塑性应变比的方法 |
CN111929327A (zh) * | 2020-09-09 | 2020-11-13 | 深兰人工智能芯片研究院(江苏)有限公司 | 布匹缺陷检测方法和装置 |
CN113111868A (zh) * | 2021-03-16 | 2021-07-13 | 广州大学 | 一种字符缺陷检测方法、系统、装置及存储介质 |
CN112991319A (zh) * | 2021-04-01 | 2021-06-18 | 中国航空综合技术研究所 | 碳纤维层压板红外热成像缺陷尺寸检测方法 |
CN113344857A (zh) * | 2021-05-13 | 2021-09-03 | 深圳市华汉伟业科技有限公司 | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 |
Non-Patent Citations (4)
Title |
---|
Multiple-image encryption with bit-plane decomposition and chaotic maps;Z Tang等;《Optics and Lasers in Engineering》;20160531;第80卷(第5期);1-11 * |
基于5×5邻域像素点相关性的划痕修复算法;徐敏等;《上海大学学报》;20181031;第24卷(第5期);686-693 * |
基于机器学习的目标探测与识别技术研究;王周春;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20210315(第3期);I138-400 * |
碳纤维复合材料内部缺陷深度的定量红外检测;霍雁等;《物理学报》;20120723(第14期);205-211 * |
Also Published As
Publication number | Publication date |
---|---|
CN114091620A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091620B (zh) | 一种模板匹配检测方法、计算机设备及存储介质 | |
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN111724439B (zh) | 一种动态场景下的视觉定位方法及装置 | |
KR101199804B1 (ko) | 화상 처리 장치 및 방법 | |
WO2017080102A1 (zh) | 飞行装置、飞行控制系统及方法 | |
CN105608417B (zh) | 交通信号灯检测方法及装置 | |
CN107705288A (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN109253722A (zh) | 融合语义分割的单目测距系统、方法、设备及存储介质 | |
CN106226316A (zh) | 一种单摄像机宽视场视觉螺纹检测装置及其检测方法 | |
CN104134200A (zh) | 一种基于改进加权融合的运动场景图像拼接方法 | |
US8462211B2 (en) | Method of detecting objects | |
CN105043395B (zh) | 一种飞行器月表软着陆的实时动态选址方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN113781447B (zh) | 一种基于碳纤维的纬纱间隙检测方法、设备及存储介质 | |
CN112070749A (zh) | 纸张缺陷检测方法和装置 | |
US11216905B2 (en) | Automatic detection, counting, and measurement of lumber boards using a handheld device | |
CN116012579A (zh) | 一种基于列车车辆智能巡检机器人拍摄图像检测零部件异常状态的方法 | |
CN106770322A (zh) | 校准点深度检测方法及温控器外观检测方法 | |
CN108225735B (zh) | 一种基于视觉的精密进近指示器飞行校验方法 | |
CN112464933A (zh) | 一种地基凝视红外成像弱小目标智能识别方法 | |
CN113837184B (zh) | 一种蚊虫检测方法、设备及存储介质 | |
CN113674361B (zh) | 一种车载环视校准实现方法及系统 | |
CN115861220A (zh) | 基于改进的ssd算法的冷轧带钢表面缺陷检测方法和系统 | |
CN206114545U (zh) | 一种单摄像机宽视场视觉螺纹检测装置 | |
Delmas et al. | Stereo camera visual odometry for moving urban environments |
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 |