CN114486934A - 一种用于管道内部裂纹图像识别系统 - Google Patents
一种用于管道内部裂纹图像识别系统 Download PDFInfo
- Publication number
- CN114486934A CN114486934A CN202210086000.2A CN202210086000A CN114486934A CN 114486934 A CN114486934 A CN 114486934A CN 202210086000 A CN202210086000 A CN 202210086000A CN 114486934 A CN114486934 A CN 114486934A
- Authority
- CN
- China
- Prior art keywords
- image
- pipeline
- module
- image recognition
- texture
- 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
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 7
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 16
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000008439 repair process Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000004301 light adaptation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/954—Inspecting the inner surface of hollow bodies, e.g. bores
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于管道内部裂纹图像识别系统，涉及图像处理领域，其技术方案包括处理主机，处理主机的内部包括摄像头、实时传输模块、图像系统、中央处理系统和损伤定位模块，摄像头与实时传输模块之间通信连接，图像系统的内部包括图像拍摄模块、图像获取模块、图像处理模块和图像识别模块，图像系统使得摄像头开始工作，同时对摄像头拍摄后图像进行采集，通过对管道内部图像的采集与修复，从而对管道内部的噪点进行降噪，并且通过识别出的数据对管道内部原有的纹理进行获取，比对剔除模块根据管道内部原有纹理的数据对管道模型中的原有纹理进行剔除，从而保留下的纹理就是管道内部的裂纹，大大增加了对管道内部裂纹的判断效率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种用于管道内部裂纹图像识别系统。
背景技术
管道内缺陷和管道内裂纹一般通过摄像机进行位置初步定位，但是传统的管道内窥镜在使用的过程中仅能够对管道内部的图像进行拍摄。
经检索，中国专利号为CN113393381A的发明专利，公开了一种管道内壁图像的生成方法、装置及终端设备，其中方法包括：根据管道内壁视频的拍摄参数从管道内壁视频提取至少两张关键帧；将各关键帧转换为平面图；将平面图进行径向畸变矫正处理，得到矫正图；根据至少两张矫正图获取管道内壁图像。通过所提供的管道内壁图像的生成方案，降低管道内壁图像检测过程中对载具平台的硬件要求，通过采集的管道内壁视频可生成平面图，对平面图进行矫正，根据矫正图得到管道内壁图像，适用于多种角度放置的管道，扩大了适用范围，提高管道内壁图像的检测效果，降低应用难度；
然而上述专利在使用的过程中仅能够对管道内部拍摄的图像进行矫正，从而提高管道内壁图像的检测效果，降低应用难度，但是缺乏对管道中原有的纹理进行有效识别，同时也无法对管道内部产生的反光效果进行有效的利用，从而使得管道内部的裂痕难以进行定位，因此需要一种用于管道内部裂纹图像识别系统。
发明内容
本发明的目的是为了解决现有技术中存在缺乏对管道中原有的纹理进行有效识别，同时也无法对管道内部产生的反光效果进行有效的利用，从而使得管道内部的裂痕难以进行定位的缺点，而提出的一种用于管道内部裂纹图像识别系统。
为了实现上述目的，本发明采用了如下技术方案：
一种用于管道内部裂纹图像识别系统，包括处理主机，所述处理主机的内部包括摄像头、实时传输模块、图像系统、中央处理系统和损伤定位模块，所述摄像头与所述实时传输模块之间通信连接，所述图像系统的内部包括图像拍摄模块、图像获取模块、图像处理模块和图像识别模块，所述图像系统使得摄像头开始工作，同时对摄像头拍摄后图像进行采集，然后对采集后的图像进行处理识别；
所述图像系统与所述中央处理系统之间通信连接，所述图像系统将识别出的图像数据传输到所述中央处理系统中，所述中央处理系统的内部包括深度学习模块和比对剔除模块，所述深度学习模块的内部包括管道内径获取单元、管道内纹理获取单元和反光适配模块，所述中央处理系统对获取的图像数据进行深度学习，从而对管道内部的内径以及管道内纹理进行学习，同时将拍摄时产生的反光进行保留，最后对原有的纹理进行剔除，所述中央处理系统将剔除后的模型传输到所述损伤定位模块中，通过管道模型上残留的纹理，从而对管道内损伤的位置进行定位。
上述技术方案进一步包括：
所述图像拍摄模块控制所述摄像头对管道内部的图像进行拍摄，所述图像获取模块通过所述实时传输模块对拍摄的图像进行采集，所述图像处理模块对图像进行处理，所述图像降噪单元对采集到的图像中的噪点进行降噪，所述亮度增强单元对图像的整体亮度进行增强，所述边缘检测单元对图像进行边缘检测。
所述图像处理模块将处理后的图像传输到所述图像识别模块中，所述图像识别模块对处理后的图像数据进行识别，从而识别出管道内部的原有纹理以及管道内部的裂纹。
所述图像识别模块将识别后的图像数据传输到所述中央处理系统中，所述管道内径获取单元根据图像中数据对管道内径进行识别，所述管道内纹理获取单元通过识别出的数据对管道内部原有的纹理进行获取，同时所述反光适配模块对管道内部反光形成的亮度不均匀进行适配，使得反光增强对管道内部的纹理的显示。
所述深度学习模块通过深度学习从而构建出管道的模型，所述比对剔除模块根据管道内部原有纹理的数据对管道模型中的原有纹理进行剔除，从而保留下的纹理就是管道内部的裂纹。
所述比对剔除模块将剔除原有纹理的管道模型传输到所述损伤定位模块中，所述损伤定位模块通过模型中纹理的位置，从而对管道内部的表面损伤位置进行定位。
所述图像降噪单元在对图像进行去噪时采用中值滤波去噪，以像素为中心的小窗口内的所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值。
所述亮度增强单元在工作时假定原图像f(x，y)的灰度范围为[a，b]，希望变换后图像g(x，y)的灰度范围扩展至[c，d]，则灰度线性变换可表示为：
再通过此函数对图像的亮度进行提升。
所述边缘检测单元在工作时先构建二阶边缘检测数学公式：
再提取公式(3)，公式(4)的系数，构造边缘检测模板，最后使用边缘检测模板与图像进行卷积运算，可以实现对图像边缘的检测：
所述图像识别模块对管道内纹理进行识别的过程中对图像进行分数阶积分金字塔构建，然后进行拉普拉斯金字塔构建，再对多尺度多分辨率拉普拉斯高频图像的边缘提取，最后再多尺度拉普拉斯高频图像重构进场仿真，从而生成清晰的管道内螺纹。
相比现有技术，本发明的有益效果为：
1、本发明中，通过对管道内部图像的采集与修复，从而对管道内部的噪点进行降噪，并且通过识别出的数据对管道内部原有的纹理进行获取，比对剔除模块根据管道内部原有纹理的数据对管道模型中的原有纹理进行剔除，从而保留下的纹理就是管道内部的裂纹，大大增加了对管道内部裂纹的判断效率。
2、本发明中，通过反光适配模块对管道内部反光形成的亮度不均匀进行适配，使得反光增强对管道内部的纹理的显示，降低拍摄时反光造成的影响，并且将造成的反光进行应用，从而增加了管道内部图像的清晰度，通过图像识别模块对管道内纹理进行识别的过程中对图像进行分数阶积分金字塔构建，最后再多尺度拉普拉斯高频图像重构进场仿真，从而生成清晰的管道内螺纹，并且管道内径获取单元根据图像中数据对管道内径进行识别，便于后续管道模型的生产，从而将管道中的裂纹匹配到管道模型中，大大增加了对管道裂纹的定位效果。
附图说明
图1为本发明提出的一种用于管道内部裂纹图像识别系统的系统框图；
图2为本发明中图像系统的系统框图；
图3为本发明中图像处理模块的系统框图；
图4为本发明中央处理系统的系统框图；
图5为本发明中深度学习模块的系统框图。
图中：1、摄像头；2、实时传输模块；3、图像系统；4、中央处理系统；5、损伤定位模块；6、图像拍摄模块；7、图像获取模块；8、图像处理模块；9、图像识别模块；10、图像降噪单元；11、亮度增强单元；12、边缘检测单元；13、深度学习模块；14、比对剔除模块；15、管道内径获取单元；16、管道内纹理获取单元；17、反光适配模块。
具体实施方式
下文结合附图和具体实施例对本发明的技术方案做进一步说明。
实施例一
如图1-5所示，本发明提出的一种用于管道内部裂纹图像识别系统，包括处理主机，处理主机的内部包括摄像头1、实时传输模块2、图像系统3、中央处理系统4和损伤定位模块5，摄像头1与实时传输模块2之间通信连接，图像系统3的内部包括图像拍摄模块6、图像获取模块7、图像处理模块8和图像识别模块9，图像系统3使得摄像头1开始工作，同时对摄像头1拍摄后图像进行采集，然后对采集后的图像进行处理识别；
图像系统3与中央处理系统4之间通信连接，图像系统3将识别出的图像数据传输到中央处理系统4中，中央处理系统4的内部包括深度学习模块13和比对剔除模块14，深度学习模块13的内部包括管道内径获取单元15、管道内纹理获取单元16和反光适配模块17，中央处理系统4对获取的图像数据进行深度学习，从而对管道内部的内径以及管道内纹理进行学习，同时将拍摄时产生的反光进行保留，最后对原有的纹理进行剔除，中央处理系统4将剔除后的模型传输到损伤定位模块5中，通过管道模型上残留的纹理，从而对管道内损伤的位置进行定位；
图像拍摄模块6控制摄像头1对管道内部的图像进行拍摄，图像获取模块7通过实时传输模块2对拍摄的图像进行采集，图像处理模块8对图像进行处理，图像降噪单元10对采集到的图像中的噪点进行降噪，亮度增强单元11对图像的整体亮度进行增强，亮度增强单元11在工作时假定原图像f(x，y)的灰度范围为[a，b]，希望变换后图像g(x，y)的灰度范围扩展至[c，d]，则灰度线性变换可表示为：
再通过此函数对图像的亮度进行提升；
边缘检测单元12对图像进行边缘检测，边缘检测单元12在工作时先构建二阶边缘检测数学公式：
再提取公式(3)，公式(4)的系数，构造边缘检测模板，最后使用边缘检测模板与图像进行卷积运算，可以实现对图像边缘的检测：
图像处理模块8将处理后的图像传输到图像识别模块9中，图像识别模块9对处理后的图像数据进行识别，图像识别模块9对管道内纹理进行识别的过程中对图像进行分数阶积分金字塔构建，然后进行拉普拉斯金字塔构建，再对多尺度多分辨率拉普拉斯高频图像的边缘提取，最后再多尺度拉普拉斯高频图像重构进场仿真，从而生成清晰的管道内螺纹，进而识别出管道内部的原有纹理以及管道内部的裂纹。
基于实施例一的一种用于管道内部裂纹图像识别系统工作原理是，工作时，摄像头1开始工作对进行检测的管道内部进行拍摄，图像获取模块7通过实时传输模块2对拍摄的图像进行采集，图像处理模块8对图像进行处理；
图像处理模块8在处理的过程中通过图像降噪单元10对采集到的图像中的噪点进行降噪，图像降噪单元10在对图像进行去噪时采用中值滤波去噪，以像素为中心的小窗口内的所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值；
亮度增强单元11对图像的整体亮度进行增强，亮度增强单元11在工作时假定原图像f(x，y)的灰度范围为[a，b]，希望变换后图像g(x，y)的灰度范围扩展至[c，d]，则灰度线性变换可表示为：
再通过此函数对图像的亮度进行提升；
经过亮度增强单元11增强亮度后的图像通过边缘检测单元12对图像进行边缘检测，边缘检测单元12在工作时先构建二阶边缘检测数学公式：
再提取公式图像系统3，公式中央处理系统4的系数，构造边缘检测模板，最后使用边缘检测模板与图像进行卷积运算，可以实现对图像边缘的检测：
图像处理模块8将处理后的图像传输到图像识别模块9中，图像识别模块9对处理后的图像数据进行识别，图像识别模块9对管道内纹理进行识别的过程中对图像进行分数阶积分金字塔构建，然后进行拉普拉斯金字塔构建，再对多尺度多分辨率拉普拉斯高频图像的边缘提取，最后再多尺度拉普拉斯高频图像重构进场仿真，从而生成清晰的管道内螺纹，进而识别出管道内部的原有纹理以及管道内部的裂纹。
实施例二
如图1-5所示，基于实施例一的基础上，图像识别模块9将识别后的图像数据传输到中央处理系统4中，管道内径获取单元15根据图像中数据对管道内径进行识别，管道内纹理获取单元16通过识别出的数据对管道内部原有的纹理进行获取，同时反光适配模块17对管道内部反光形成的亮度不均匀进行适配，使得反光增强对管道内部的纹理的显示；
深度学习模块13通过深度学习从而构建出管道的模型，比对剔除模块14根据管道内部原有纹理的数据对管道模型中的原有纹理进行剔除，从而保留下的纹理就是管道内部的裂纹；
比对剔除模块14将剔除原有纹理的管道模型传输到损伤定位模块5中，损伤定位模块5通过模型中纹理的位置，从而对管道内部的表面损伤位置进行定位。
本实施例中，工作时，在对管道进行检测的过程中，先将测试装置放入到管道中进行初步拍摄，再对摄像头1进行移动，移动的方向与管道的方向保持一致，移动的距离为5cm，此时摄像头1对管内部的图像进行再次拍摄，对两侧拍摄时图像之间的偏差以及移动距离的数值传输到管道内径获取单元15中，管道内径获取单元15根据图像中数据对管道内径进行识别；
管道内纹理获取单元16通过识别出的数据对管道内部原有的纹理进行获取，同时反光适配模块17对管道内部反光形成的亮度不均匀进行适配，使得反光增强对管道内部的纹理的显示，深度学习模块13通过深度学习从而构建出管道的模型，比对剔除模块14根据管道内部原有纹理的数据对管道模型中的原有纹理进行剔除，从而保留下的纹理就是管道内部的裂纹；
比对剔除模块14将剔除原有纹理的管道模型传输到损伤定位模块5中，损伤定位模块5通过模型中纹理的位置，从而对管道内部的表面损伤位置进行定位，进而从而将管道中的裂纹匹配到管道模型中，大大增加了对管道裂纹的定位效果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种用于管道内部裂纹图像识别系统，包括处理主机，其特征在于，所述处理主机的内部包括摄像头(1)、实时传输模块(2)、图像系统(3)、中央处理系统(4)和损伤定位模块(5)，所述摄像头(1)与所述实时传输模块(2)之间通信连接，所述图像系统(3)的内部包括图像拍摄模块(6)、图像获取模块(7)、图像处理模块(8)和图像识别模块(9)，所述图像系统(3)使得摄像头(1)开始工作，同时对摄像头(1)拍摄后图像进行采集，然后对采集后的图像进行处理识别；
所述图像系统(3)与所述中央处理系统(4)之间通信连接，所述图像系统(3)将识别出的图像数据传输到所述中央处理系统(4)中，所述中央处理系统(4)的内部包括深度学习模块(13)和比对剔除模块(14)，所述深度学习模块(13)的内部包括管道内径获取单元(15)、管道内纹理获取单元(16)和反光适配模块(17)，所述中央处理系统(4)对获取的图像数据进行深度学习，从而对管道内部的内径以及管道内纹理进行学习，同时将拍摄时产生的反光进行保留，最后对原有的纹理进行剔除，所述中央处理系统(4)将剔除后的模型传输到所述损伤定位模块(5)中，通过管道模型上残留的纹理，从而对管道内损伤的位置进行定位。
2.根据权利要求1所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述图像拍摄模块(6)控制所述摄像头(1)对管道内部的图像进行拍摄，所述图像获取模块(7)通过所述实时传输模块(2)对拍摄的图像进行采集，所述图像处理模块(8)对图像进行处理，所述图像降噪单元(10)对采集到的图像中的噪点进行降噪，所述亮度增强单元(11)对图像的整体亮度进行增强，所述边缘检测单元(12)对图像进行边缘检测。
3.根据权利要求2所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述图像处理模块(8)将处理后的图像传输到所述图像识别模块(9)中，所述图像识别模块(9)对处理后的图像数据进行识别，从而识别出管道内部的原有纹理以及管道内部的裂纹。
4.根据权利要求3所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述图像识别模块(9)将识别后的图像数据传输到所述中央处理系统(4)中，所述管道内径获取单元(15)根据图像中数据对管道内径进行识别，所述管道内纹理获取单元(16)通过识别出的数据对管道内部原有的纹理进行获取，同时所述反光适配模块(17)对管道内部反光形成的亮度不均匀进行适配，使得反光增强对管道内部的纹理的显示。
5.根据权利要求4所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述深度学习模块(13)通过深度学习从而构建出管道的模型，所述比对剔除模块(14)根据管道内部原有纹理的数据对管道模型中的原有纹理进行剔除，从而保留下的纹理就是管道内部的裂纹。
6.根据权利要求5所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述比对剔除模块(14)将剔除原有纹理的管道模型传输到所述损伤定位模块(5)中，所述损伤定位模块(5)通过模型中纹理的位置，从而对管道内部的表面损伤位置进行定位。
7.根据权利要求2所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述图像降噪单元(10)在对图像进行去噪时采用中值滤波去噪，以像素为中心的小窗口内的所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值。
8.根据权利要求2所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述亮度增强单元(11)在工作时假定原图像f(x，y)的灰度范围为[a，b]，希望变换后图像g(x，y)的灰度范围扩展至[c，d]，则灰度线性变换可表示为：
再通过此函数对图像的亮度进行提升。
9.根据权利要求2所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述边缘检测单元(12)在工作时先构建二阶边缘检测数学公式：
再提取公式(3)，公式(4)的系数，构造边缘检测模板，最后使用边缘检测模板与图像进行卷积运算，可以实现对图像边缘的检测：
10.根据权利要求3所述的一种用于管道内部裂纹图像识别系统，其特征在于，所述图像识别模块(9)对管道内纹理进行识别的过程中对图像进行分数阶积分金字塔构建，然后进行拉普拉斯金字塔构建，再对多尺度多分辨率拉普拉斯高频图像的边缘提取，最后再多尺度拉普拉斯高频图像重构进场仿真，从而生成清晰的管道内螺纹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210086000.2A CN114486934A (zh) | 2022-01-25 | 2022-01-25 | 一种用于管道内部裂纹图像识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210086000.2A CN114486934A (zh) | 2022-01-25 | 2022-01-25 | 一种用于管道内部裂纹图像识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114486934A true CN114486934A (zh) | 2022-05-13 |
Family
ID=81474966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210086000.2A Pending CN114486934A (zh) | 2022-01-25 | 2022-01-25 | 一种用于管道内部裂纹图像识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114486934A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109114435A (zh) * | 2018-09-10 | 2019-01-01 | 陕西理工大学 | 一种石油管道多参数测量装置及其使用方法 |
| WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
| CN110779928A (zh) * | 2019-11-19 | 2020-02-11 | 汪科道 | 缺陷检测装置及方法 |
| CN113781388A (zh) * | 2021-07-20 | 2021-12-10 | 许继集团有限公司 | 基于图像增强的输电线路通道隐患图像识别方法及装置 |
-
2022
- 2022-01-25 CN CN202210086000.2A patent/CN114486934A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019134252A1 (zh) * | 2018-01-03 | 2019-07-11 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
| CN109114435A (zh) * | 2018-09-10 | 2019-01-01 | 陕西理工大学 | 一种石油管道多参数测量装置及其使用方法 |
| CN110779928A (zh) * | 2019-11-19 | 2020-02-11 | 汪科道 | 缺陷检测装置及方法 |
| CN113781388A (zh) * | 2021-07-20 | 2021-12-10 | 许继集团有限公司 | 基于图像增强的输电线路通道隐患图像识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 孙云鹏: "基于深度学习的图像裂纹检测算法研究", 中国优秀硕士论文电子期刊网信息科技, 15 June 2021 (2021-06-15) * |
| 曾世钦;唐朝;陈可;: "基于深度学习和无线传输的桥梁裂缝图像识别系统", 建材世界, no. 02, 15 April 2019 (2019-04-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
| CN110866903A (zh) | 基于霍夫圆变换技术的乒乓球识别方法 | |
| CN110766664B (zh) | 一种基于深度学习的电子元器件外观不良品的检测方法 | |
| CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识系统 | |
| CN106127193B (zh) | 一种人脸图像识别方法 | |
| CN108875645B (zh) | 一种煤矿井下复杂光照条件下的人脸识别方法 | |
| CN111583193B (zh) | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 | |
| CN112614136A (zh) | 一种红外小目标实时实例分割方法及装置 | |
| CN110942450A (zh) | 一种基于深度学习的多生产流水线实时缺陷检测方法 | |
| CN108197521A (zh) | 一种多相位二维码获取识别装置及方法 | |
| CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
| CN114486934A (zh) | 一种用于管道内部裂纹图像识别系统 | |
| CN110222647B (zh) | 一种基于卷积神经网络的人脸活体检测方法 | |
| CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
| CN111339906A (zh) | 一种图像处理设备和图像处理系统 | |
| CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和系统 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| CN117036352B (zh) | 一种基于人工智能的视频分析方法及系统 | |
| CN113673396A (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
| CN112712058A (zh) | 一种字符识别提取方法 | |
| CN116883498A (zh) | 基于灰度质心提取算法的视觉合作靶标特征点定位方法 | |
| Tribak et al. | Remote solar panels identification based on patterns localization | |
| CN113052833A (zh) | 一种基于红外热辐射的非视域成像方法 |
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 |