CN114298983A - 一种防腐层缺陷智能识别与测量方法 - Google Patents
一种防腐层缺陷智能识别与测量方法 Download PDFInfo
- Publication number
- CN114298983A CN114298983A CN202111531949.0A CN202111531949A CN114298983A CN 114298983 A CN114298983 A CN 114298983A CN 202111531949 A CN202111531949 A CN 202111531949A CN 114298983 A CN114298983 A CN 114298983A
- Authority
- CN
- China
- Prior art keywords
- defect
- defects
- image
- anticorrosive coating
- anticorrosive
- 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
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种防腐层缺陷智能识别与测量方法,包括如下步骤:步骤1:对防腐层已产生的缺陷区域进行图像采集;步骤2:对采集到的图像依次进行对比度增强、滤波处理、阈值分割、形态学处理、特征提取与分类、缺陷信息收集;步骤3:将处理后的图像生成特征编码并与防腐层缺陷数据库进行对比,评定缺陷等级并生成缺陷评估报告。本发明的一种防腐层缺陷智能识别与测量方法,通过计算机图像识别技术对防腐层缺陷的图像进行特征提取转换,识别缺陷的位置以及所属类别属性。代替传统人工目视识别与测量的方式,有效避免了因人为因素导致防腐层缺陷识别错误和人工测量误差较大的情况,提高了防腐层缺陷腐蚀检查的准确性。
Description
技术领域
本发明属于核电厂金属设备与管道的防腐层缺陷评估技术领域,具体涉及一种防腐层缺陷智能识别与测量方法。
背景技术
目前核电领域中金属设备与管道防腐层缺陷评估的方法,还是采用传统的人工目视检查评估的方式,然而,在对核电厂设备管道防腐层缺陷进行相关检查与评估过程中发现,防腐层缺陷种类多样,且呈现形式也较为复杂,腐蚀检查人员很难识别出具体的缺陷类型。不仅如此,肉眼观察也会因为视觉误差,导致细微的缺陷很难被发现出来,比如点蚀微孔、微点状鼓泡和丝状裂纹等。在缺陷测量时,采用传统的测量工器具,在现场环境下,也很难保证腐蚀检查要求下的测量精度。而且对于不规则的防腐层缺陷,比如生锈面积的测量、剥离面积和裂纹长度等,也没有很好的、行之有效的测量工具。
在现有技术中,腐蚀检查人员也有通过传统相机采集防腐层缺陷图像的方法,但是获取的图像清晰度较差,且与现场实际情况大相径庭,对图像的处理能力也较差。防腐层缺陷灰度图像结构复杂,传统的灰度处理方式,很难满足防腐层缺陷识别的需求,在核电厂设备管道复杂环境中,也无法准确提取图像缺陷特征,更不用提对缺陷进行分类、定位和测量以及提高识别精度了。
发明内容
有鉴于此,为了克服现有技术的缺陷,本发明的目的是提供一种基于现代计算机图像识别技术,对管道设备表面防腐涂层缺陷进行智能识别与测量的方法,用于解决现有技术中由于人为因素导致防腐层缺陷识别错误、人工测量误差较大且工作效率低的问题,以及现有的传统相机获取的图像质量差,对图像处理能力差导致区别较小的缺陷无法有效区分的问题。
为了达到上述目的,本发明采用以下的技术方案:
本发明了提供了一种防腐层缺陷智能识别与测量方法,具体包括如下步骤:
步骤1:对防腐层已产生的缺陷区域进行图像采集;
步骤2:对采集到的图像依次进行对比度增强、滤波处理、阈值分割、形态学处理、特征提取与分类、缺陷信息收集;
步骤3:将处理后的图像生成特征编码并与防腐层缺陷数据库进行对比,评定缺陷等级并生成缺陷评估报告;
步骤4:缺陷评估报告通过GUI集成操作显示,用于人工对所述缺陷评估报告进行复核。
具体地,防腐层缺陷图像采集采用深度结构光智能相机。该相机技术成熟,功耗小,成本低,适合弱光照使用,近距离精度较高,能够达到毫米级。当防腐层在相机的拍摄范围内时,相机能够自动识别并拍摄防腐层的缺陷图像。此外,该相机还带有激光雷达测距仪,可以根据现场实际情况,测量标注出防腐层缺陷实际尺寸大小,为后期处理及详细的测量,提供标尺。该相机在采集图像时,能够保证全方面地采集静态图像、动态图像、图像的不同位置、不同形式等。该相机的基本工作原理如附图2所示:主要硬件有投射仪、相机,通过投射仪主动发射肉眼不可见的红外光到被测物体表面,然后相机拍摄被测物体,通过正弦条纹的相移法和二进制编码的格雷码相结合的投影图案方式,将光结构化,从而采集到防腐层缺陷结构的光图像。
通过GUI人机交互界面,方便腐蚀检查人员的腐蚀评估工作,能够选择电脑中的防腐层缺陷图像,且能在进行图像处理后显示提取到的缺陷信息。对于采集到的缺陷图像,腐蚀检查人员可以通过输入相机的焦距与物距长度,从而根据几何光学知识计算出实际缺陷的大小,并将每个缺陷的像面大小与实际大小显示出来。同时GUI能够让腐蚀检查人员进入防腐层缺陷数据库,将现场拍摄的防腐层缺陷图像与数据库的图像进行比对,相当于进行人工抽查,核查自动生成的缺陷评估报告知否准确与可靠。
根据本发明的一些优选实施方面,包括防腐层缺陷数据库的建立,建立所述防腐层缺陷数据库的方法为:取已有的缺陷照片形成图像文件,并将所述图像文件生成特征编码贮存起来,形成所述防腐层缺陷数据库;所述步骤3中的特征编码可以抵抗光线、色调、形状、大小和深度的变化。步骤3中的完成图像处理后的图像所生成的特征编码具有强大的可靠性,可以从防腐层缺陷数据库中精确地辨认出某种缺陷。缺陷的识别过程,利用图像处理设备就能自动、连续、实时地完成。
根据本发明的一些优选实施方面,所述步骤3中完成对比后,若所述防腐层缺陷数据库中不包括所述步骤1中采集到的图像所对应的缺陷,自动保存该图像到所述防腐层缺陷数据库中。便于不断丰富和扩大数据数据库中的图像存储量,并不断更新和完善数据库系统,实现智能化管理核电厂设施设备防腐层缺陷情况。
根据本发明的一些优选实施方面,所述步骤二中的对比度增强的方法为灰度归一化和直方图均衡化。在图像抽取过程中,由于照明方式的缘故,原始图像中的防腐层表面缺陷和整个防腐层表面背景之间的灰度差较小,灰度范围也较小,因而其对比度较低,防腐层缺陷并不明显。使用适用较为广泛的对比度增强方法,即灰度归一化和直方图均衡化,对不同背景光强的照片进行对比度增强,从而加强后期图像的处理能力。灰度图像量化灰度级原理(如附图3所示)为:就是每个像素对应一个灰度值,不同灰度的像素集合就是一个图片。简单理解为把颜色的不同深浅,用一个从大到小的数值进行表示。模拟图像是不能直接用数字计算机来处理的,为使图像能在数字计算机内进行处理,首先必须将各类图像转化为数字图像,为了产生一副数字图像,需要把连续的感知数据转化为数字形式及图像数字化。其包括两种处理:采样和量化。数字图像是离散采样点的集合,每个点具有各自的属性,对图像采样,就是把模拟图像分割成若干个称为像素的小区域。每个像素的属性用一个或几个数值来表示,如灰度图像,该属性用一个整数值表示亮度或灰度值。可见,采样是对图像空间坐标的离散化。经过抽样,模拟图像已在空间上离散化为像素。但抽样结果所得的像素的值仍是连续量。把采样所得到的各像素的灰度值从模拟量到离散量的转换称为量化。量化决定了图像灰度的分辨率。
根据本发明的一些优选实施方面,所述步骤2中的滤波处理采用频率滤波,所述频率滤波为傅里叶变换滤波、离散余弦变换滤波或小波变换滤波。在图像采集过程中不可避免地引入各种电子噪声,它一般是由扫描仪或相机的传感器和电路产生。采用频率滤波,对图像进行滤波处理,可以减少噪声。
根据本发明的一些优选实施方面,所述步骤2中的阈值分割采用二值化阈值处理,使用全局或局部优化阈值分割。得到滤波图像后,进行二值化阈值处理,使用全局或局部优化阈值分割,对于不同复杂程度的防腐层缺陷图片,自动确定最佳的阈值,从而提取出缺陷信息。
根据本发明的一些优选实施方面,所述步骤2中的形态学处理采用闭运算将所述阈值分割中的二值图像中被阈值分割的区域连通起来。
根据本发明的一些优选实施方面,所述步骤2中的特征提取与分类,包括对颜色特征、纹理特征、形状特征以及空间关系特征的提取,所述防腐层缺陷包括起泡、生锈、开裂、剥落、粉化和丝状腐蚀。特征提取指的是使用计算机提取防腐层缺陷图像信息,决定每个图像的点是否属于一个图像特征,特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域;在防腐层缺陷图片处理后,通过图像处理的计算机中的特征提取算法,将被检测图像中的缺陷特征抽取出来,比如颜色特征、纹理特征、形状特征以及空间关系特征。然后采用选择支持向量机算法,对其进行分类,并且综合分析,区分出缺陷类型,比如起泡、生锈、开裂、剥落、粉化和丝状腐蚀等。
根据本发明的一些优选实施方面,所述步骤2中的缺陷信息包括防腐层缺陷的数量、密度、尺寸及深度。
根据本发明的一些优选实施方面,所述防腐层为涂层和/或橡胶。在实际工况中,防腐层分为两大类,即涂层与橡胶。二者所表现出来的缺陷也大不相同,在现场中的涂层,往往呈现出来的是鼓泡,而橡胶则是以皲裂为主。针对这两种不同防腐层典型的缺陷,采用防腐层缺陷识别与测量的评估方法时,处理的方式几乎类似,只是在缺陷类别处理上略有不同。
由于采用了上述技术方案,与现有技术相比,本发明的有益之处在于:本发明的一种防腐层缺陷智能识别与测量方法,通过计算机图像识别技术对防腐层缺陷的图像进行特征提取转换,识别缺陷的位置以及所属类别属性。代替传统人工目视识别与测量的方式,有效避免了因人为因素导致防腐层缺陷识别错误和人工测量误差较大的情况,提高了防腐层缺陷腐蚀检查的准确性,使得缺陷识别与测量更加可靠,有效提高工作效率;进一步优化了图像处理算法,采用智能化图像处理算法,将相机采集到的防腐层缺陷图像不断优化处理,基本还原现场情况,层层递进的图像处理方法,使得最后的缺陷识别和数据测量更具准确性;有利于实现核电厂设施设备防腐层缺陷的智能化管理。
附图说明
为了更清楚地说明本发明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他的附图。
图1为本发明的防腐层缺陷智能识别与测量方法流程图;
图2为本发明的相机的结构光原理图;
图3为灰度图像量化灰度级原理图;
图4为本发明实施例一中的涂层鼓泡缺陷识别过程图;
图5为本发明实施例一中涂层鼓泡缺陷特征提取与低倍局部放大的处理图;
图6为本发明实施例一中涂层鼓泡缺陷图像灰度处理及色阶过处理过程图;
图7为本发明实施例二中涂层生锈缺陷灰度处理及特征提取的过程图;
图8为本发明实施例二中涂层生锈缺陷图像自动评级对比的处理图;
图9为本发明实施例三中涂层开裂缺陷灰度处理与特征提取的过程图;
图10为本发明实施例三中涂层开裂缺陷图像自动评级对比的处理图;
图11为本发明实施例三中涂层枝丫型开裂缺陷图像灰度处理及特征提取的过程图;
图12为本发明实施例三中涂层扩散型开裂缺陷图像灰度处理及特征提取的过程图;
图13为本发明实施例四中涂层剥落缺陷灰度处理、特征提取及测量的过程图;
图14为本发明实施例四中涂层剥落缺陷图像自动评级对比的处理图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的技术方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
本发明的一种防腐层缺陷智能识别与测量方法,包括如下步骤:
步骤1:对防腐层已产生的缺陷区域采用深度结构光智能相机进行静态图像或动态图像的采集;
步骤2:对采集到的图像依次进行对比度增强、滤波处理、阈值分割、形态学处理;对颜色特征、纹理特征、形状特征以及空间关系等特征的提取以及对起泡、生锈、开裂、剥落、粉化和丝状腐蚀等缺陷类别的分类;对缺陷的数量、密度、尺寸及深度等信息的收集;其中,采用灰度归一化和直方图均衡化的方法进行对比度增强,采用频率滤波进行滤波处理,采用二值化阈值处理进行阈值分割,采用闭运算将阈值分割中的二值图像中被阈值分割的区域连通起来进行形态学处理;
步骤3:将处理后的图像生成特征编码并与防腐层缺陷数据库进行对比,评定缺陷等级并生成缺陷评估报告;若防腐层缺陷数据库中不包括相机采集到的图像所对应的缺陷,自动保存该图像到防腐层缺陷数据库中;
步骤4:缺陷评估报告通过GUI集成操作显示,用于人工对缺陷评估报告进行复核。
实施例一涂层鼓泡缺陷
如图4至图6所示,本实施例提供了对涂层鼓泡缺陷的防腐层智能识别与测量的方法。
首先对涂层鼓泡的缺陷进行图像采集,得到如图4和图6中的第一张原始图像,再对该图片进行灰度处理,将涂层图像灰度化,使涂层的典型缺陷鼓泡的轮廓显示出来。之后根据激光雷达测距仪测量标注出来的实际标尺,自动测量出鼓泡的数量、大小和密度等,生成相应的数据报告。根据生成的数据报告和灰度图像,和《GBT 30789.2-2014第2部分:起泡等级的评定》涂层缺陷评级相比较,根据标准的评定原则,自动给出评级,输出报告。自识别过程中,如图5所示,在腐蚀检查人员的涂层缺陷识别时,由于人眼视觉能力的局限性,对细微变化的缺陷特征提取采用局部扫描放大的方式,将细微的缺陷,放大到肉眼可观察的大小,再进行特征提取,并识别涂层缺陷类型,测量涂层缺陷的参数。
如图6所示,当进行灰度处理时,若涂层的鼓泡灰度图像不明显,与未鼓泡部分灰阶差别不大,不利于图像的特征提取和测量,在深度结构光相机图像采集的时候,可以将涂层图像进行过曝光,使涂层缺陷对比度更加明显,为后期的处理,提供便利。当灰度处理及过曝光处理仍无法得到清晰明确的防腐层缺陷图像时,通过在防腐层缺陷数据库中,提取现有的涂层鼓泡数据组;当有了关于涂层鼓泡缺陷本身的数据组时,可以建立原始图像的模型,然后在观测到的图像中通过检测原始图像而复原图像。
实施例二涂层生锈缺陷
如图7和图8所示,本实施例提供了对涂层生锈缺陷的防腐层智能识别与测量的方法。
首先对涂层生锈的缺陷进行图像采集,得到如图7中的第一张原始图像,再对该图像首先进行灰度处理,将涂层生锈缺陷图像表面的除铁锈外多余杂质去除掉,将涂层表面的锈迹以一种较为明显的深色表现出来,然后通过色阶对比度增强的方式,将生锈特征的面积显示出来,提取出生锈特征;并生成生锈斑点数量、密度和面积等基本参数;生成相应的数据报告;根据生成的数据报告和灰度图像,和《GBT 30789.3-2014第3部分:生锈等级的评定》涂层缺陷评级相比较,根据标准的评定原则,自动给出评级,输出报告。
实施例三涂层开裂缺陷
如图9和图10示,本实施例提供了对涂层开裂缺陷的防腐层智能识别与测量的方法。
首先对涂层开裂的缺陷进行图像采集,得到如图9中的第一张原始图像,再对该图像首先进行灰度处理,将涂层开裂缺陷图像表面的脏斑清理掉,使图像颜色只剩下开裂的裂纹色和涂层的表面色,然后通过色阶对比度增强的方式,将裂纹特征更加鲜明的显示出来,并且提取出裂纹特征。并生成相应的数据报告;根据生成的数据报告和灰度图像,和《GBT 30789.4-2014第4部分:开裂等级的评定》涂层缺陷评级相比较,根据标准的评定原则,自动给出评级,输出报告,报告内容包括开裂样式、数量和密度。
在涂层开裂缺陷中,主要以龟裂和延伸裂纹最为显著,即枝丫型裂纹(图11)和扩散型裂纹(图12),龟裂的裂纹细小而肉眼无法识别与测量,只能通过将提取到的裂纹缺陷局部放大,然后再通过标尺测量裂纹的长度和宽度等基本参数,并生成相应的数据报告;再根据标准的评定原则,自动给出评级,输出报告。
实施例四涂层剥落缺陷
如图13和图14示,本实施例提供了对涂层剥落缺陷的防腐层智能识别与测量的方法。
首先对涂层剥落的缺陷进行图像采集,得到如图13中的第一张原始图像,再对该图像首先进行灰度处理,将涂层剥落缺陷图像表面的脏斑锈迹去除掉,使图像颜色只剩下剥落后暴露出来的基体色和涂层未剥离部分的涂层色,然后通过色阶对比度增强的方式,将剥落特征面积的显示出来,并且提取出剥落特征;并且通过有限元分析的方式,将不规则的剥落形状,计算出其相对应的面积;并生成剥落数量、密度和面积等基本参数;生成相应的数据报告,根据生成的数据报告和灰度图像,和《GBT 30789.5-2014第5部分:剥落等级的评定》涂层缺陷评级相比较,根据标准的评定原则,自动给出评级,输出报告,报告内容包括数量和密度。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围,凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种防腐层缺陷智能识别与测量方法,其特征在于,包括如下步骤:
步骤1:对防腐层已产生的缺陷区域进行图像采集;
步骤2:对采集到的图像依次进行对比度增强、滤波处理、阈值分割、形态学处理、特征提取与分类、缺陷信息收集;
步骤3:将处理后的图像生成特征编码并与防腐层缺陷数据库进行对比,评定缺陷等级并生成缺陷评估报告。
2.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,包括防腐层缺陷数据库的建立,建立所述防腐层缺陷数据库的方法为:取已有的缺陷照片形成图像文件,并将所述图像文件生成特征编码贮存起来,形成所述防腐层缺陷数据库。
3.根据权利要求2所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤3中完成对比后,若所述防腐层缺陷数据库中不包括所述步骤1中采集到的图像所对应的缺陷,自动保存该图像到所述防腐层缺陷数据库中。
4.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤1中的图像通过深度结构光智能相机采集,所述图像为静态图像和/或动态图像。
5.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤2中的对比度增强的方法为灰度归一化和直方图均衡化。
6.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤2中的滤波处理采用频率滤波,所述频率滤波为傅里叶变换滤波、离散余弦变换滤波或小波变换滤波。
7.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤2中的阈值分割采用二值化阈值处理,使用全局或局部优化阈值分割。
8.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤2中的形态学处理采用闭运算将所述阈值分割中的二值图像中被阈值分割的区域连通起来。
9.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤2中的特征提取与分类,包括对颜色特征、纹理特征、形状特征以及空间关系特征的提取,所述防腐层缺陷包括起泡、生锈、开裂、剥落、粉化和丝状腐蚀。
10.根据权利要求1所述的防腐层缺陷智能识别与测量方法,其特征在于,所述步骤2中的缺陷信息包括防腐层缺陷的数量、密度、尺寸及深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531949.0A CN114298983A (zh) | 2021-12-15 | 2021-12-15 | 一种防腐层缺陷智能识别与测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531949.0A CN114298983A (zh) | 2021-12-15 | 2021-12-15 | 一种防腐层缺陷智能识别与测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298983A true CN114298983A (zh) | 2022-04-08 |
Family
ID=80967102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111531949.0A Pending CN114298983A (zh) | 2021-12-15 | 2021-12-15 | 一种防腐层缺陷智能识别与测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298983A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114594103A (zh) * | 2022-04-12 | 2022-06-07 | 四川大学 | 核工业设备表面缺陷自动检测及报告自动生成方法及系统 |
CN118096761A (zh) * | 2024-04-26 | 2024-05-28 | 宝鸡康盛精工精密制造有限公司 | 一种基于图像处理的电池箱生产缺陷检测方法 |
CN118097207A (zh) * | 2024-04-17 | 2024-05-28 | 聊城大学 | 海洋工程表面腐蚀图像识别方法及相关装置 |
-
2021
- 2021-12-15 CN CN202111531949.0A patent/CN114298983A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114594103A (zh) * | 2022-04-12 | 2022-06-07 | 四川大学 | 核工业设备表面缺陷自动检测及报告自动生成方法及系统 |
CN114594103B (zh) * | 2022-04-12 | 2023-05-16 | 四川大学 | 核工业设备表面缺陷自动检测及报告自动生成方法及系统 |
CN118097207A (zh) * | 2024-04-17 | 2024-05-28 | 聊城大学 | 海洋工程表面腐蚀图像识别方法及相关装置 |
CN118096761A (zh) * | 2024-04-26 | 2024-05-28 | 宝鸡康盛精工精密制造有限公司 | 一种基于图像处理的电池箱生产缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298983A (zh) | 一种防腐层缺陷智能识别与测量方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
Xia et al. | material degradation assessed by digital image processing: Fundamentals, progresses, and challenges | |
CN107633516B (zh) | 一种识别路面变形类病害的方法和装置 | |
CN115222733B (zh) | 基于图像识别的金属构件表面缺陷检测方法 | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN111028229A (zh) | 一种基于图像处理技术的金属或涂层腐蚀检测方法 | |
CN103674968A (zh) | 材料外观腐蚀形貌特征机器视觉原值检测评价方法及装置 | |
Ji et al. | The corroded defect rating system of coating material based on computer vision | |
CN109035249A (zh) | 一种基于图像处理的管道故障并行全局阈值检测方法 | |
Karnawat et al. | Turbidity detection using image processing | |
Barkavi et al. | Processing digital image for measurement of crack dimensions in concrete | |
CN114581805A (zh) | 一种采用3d线激光轮廓技术的涂敷辊面缺陷检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及系统 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN114677331A (zh) | 基于灰度图像和深度数据融合的管材缺陷检测方法及装置 | |
JPH07333197A (ja) | 表面疵自動探傷装置 | |
Mustapha et al. | Crack Detection on Surfaces Using Digital Image Processing | |
WO2020130786A1 (en) | A method of analyzing visual inspection image of a substrate for corrosion determination | |
Puan et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification | |
Panin et al. | Algorithm of fatigue crack detection and determination of its tip position in optical images | |
CN111189906A (zh) | 交流电磁场缺陷在线智能判定与分类识别方法 |
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 |