CN114519698A - 暗光环境下的设备漏油检测方法、装置、设备及存储介质 - Google Patents
暗光环境下的设备漏油检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114519698A CN114519698A CN202210044268.XA CN202210044268A CN114519698A CN 114519698 A CN114519698 A CN 114519698A CN 202210044268 A CN202210044268 A CN 202210044268A CN 114519698 A CN114519698 A CN 114519698A
- Authority
- CN
- China
- Prior art keywords
- image
- oil receiving
- equipment
- oil
- receiving disc
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 36
- 210000001525 retina Anatomy 0.000 claims abstract description 29
- 238000011084 recovery Methods 0.000 claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000005286 illumination Methods 0.000 claims description 15
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 210000003128 head Anatomy 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 5
- 102100032202 Cornulin Human genes 0.000 description 4
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004456 color vision Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- OLBCVFGFOZPWHH-UHFFFAOYSA-N propofol Chemical compound CC(C)C1=CC=CC(C(C)C)=C1O OLBCVFGFOZPWHH-UHFFFAOYSA-N 0.000 description 1
- 229960004134 propofol Drugs 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明涉及自动检测技术领域,公开了一种暗光环境下的设备漏油检测方法、装置、设备及存储介质。暗光环境下的设备漏油检测方法包括:获取待测设备图像,通过带色彩恢复的多尺度视网膜增强算法进行图像增强处理;对增强图像进行接油盘检测并截图,得到接油盘图像;通过对比度受限的自适应直方图均衡化算法进行直方图均衡化处理,得到接油盘均衡图像;将接油盘均衡图像转为HSV色彩空间,并根据预置颜色阈值定位接油盘区域图像;将接油盘区域图像转换为接油盘灰度图,并基于接油盘灰度图计算接油盘区域方差并判断待测设备是否漏油。本发明实现了低光照环境下设备漏油现象的自动检测,降低了生产成本,显著提高了设备漏油检测的效率与准确率。
Description
技术领域
本发明涉及自动检测领域,尤其涉及一种暗光环境下的设备漏油检测方法、装置、设备及存储介质。
背景技术
为降低人工成本,实现智慧工厂建设,卷烟厂通过机器视觉等人工智能技术手段进一步提高制丝车间生产的智能自动化水平,提升生产、管理的效率。卷烟厂需要严格控制无明火生产环境,烟丝输送小车顶部电机轴承等部位会出现漏油现象,造成安全隐患。
在现有的技术中,通常完全依靠人工在岗检测设备是否漏油,检测成本高、效率低下且存在有漏检问题,尤其在低光照环境中光照不均衡,接油盘区域视觉不可见,检测准确性低。
发明内容
本发明的主要目的在于提供一种暗光环境下的设备漏油检测方法、装置、设备及存储介质,旨在解决现有技术设备漏油检测成本高且效率低的技术问题。
本发明第一方面提供了一种暗光环境下的设备漏油检测方法,包括:
获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。
可选的,在本发明第一方面的第一种实现方式中,所述获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像包括:
获取待测设备图像,并将所述待测设备图像输入带色彩恢复的多尺度视网膜增强算法模型;
所述带色彩恢复的多尺度视网膜增强算法模型基于Retinex算法对所述待测设备图像进行增强处理,得到增强图像;
其中,所述Retinex算法的数学表达式如下:
I=L*R
其中,I表示被观察到或相机接收到的图像信号;L表示环境光的照射分量;R表示携带图像细节信息的目标物体的反射分量。
可选的,在本发明第一方面的第二种实现方式中,所述对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像包括:
将所述增强图像输入主干网络ShuffleNetV2中进行特征提取,得到所述增强图像的图像特征;
将所述图像特征输入路径聚合网络进行多尺度的特征融合处理,得到特征融合结果;
基于所述特征融合结果,使用预置检测头进行检测,得到接油盘的坐标框;
基于所述接油盘的坐标框进行截图处理,得到接油盘图像。
可选的,在本发明第一方面的第三种实现方式中,所述通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像包括:
对所述接油盘图像的每个像素及其周围预置矩形范围的像素进行灰度计算,得到各矩形范围内的灰度直方图;
基于预置阈值对所述灰度直方图进行裁剪,并将裁剪值均匀分布在灰度区间中,得到均衡灰度直方图;
对各所述均衡灰度直方图进行归一化处理,计算归一化处理后的均衡灰度直方图的累积分布函数;
基于各所述累积分布函数对各所述均衡灰度直方图进行映射计算,并组合计算结果得到接油盘均衡图像。
可选的,在本发明第一方面的第四种实现方式中,所述将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像包括:
将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间;
基于所述预置颜色阈值对转换后的接油盘均衡图像进行色彩提取,得到接油盘区域图像,其中,所述接油盘区域图像中非所述预置颜色阈值范围内的部分以黑色表示。
可选的,在本发明第一方面的第五种实现方式中,所述将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油包括:
将所述接油盘区域图像转换为接油盘灰度图;
计算灰度值非零的像素的灰度平均值,并基于所述灰度平均值计算接油盘区域方差;
若所述接油盘区域方差大于预置阈值时,则确认所述待测设备漏油,否则确认所述待测设备未漏油。
可选的,在本发明第一方面的第六种实现方式中,在所述获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像之后,还包括:
采用基于微分二值化的实时场景文本检测算法对所述增强图像进行文本检测,得到文本区域图像;
采用卷积神经网络对所述文本区域图像进行特征提取,得到特征序列,并将所述特征序列输入循环神经网络进行预测,得到预测序列;
采用CTC算法对所述预测序列进行校正,得到文字识别结果,并基于所述文字识别结果确定所述待测设备的设备信息。
本发明第二方面提供了一种暗光环境下的设备漏油检测装置,包括:
增强模块,用于获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
检测模块,用于对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
均衡模块,用于通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
定位模块,用于将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
计算模块,用于将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。
可选的,在本发明第二方面的第一种实现方式中,所述增强模块具体用于:
获取待测设备图像,并将所述待测设备图像输入带色彩恢复的多尺度视网膜增强算法模型;
所述带色彩恢复的多尺度视网膜增强算法模型基于Retinex算法对所述待测设备图像进行增强处理,得到增强图像;
其中,所述Retinex算法的数学表达式如下:
I=L*R
其中,I表示被观察到或相机接收到的图像信号;L表示环境光的照射分量;R表示携带图像细节信息的目标物体的反射分量。
可选的,在本发明第二方面的第二种实现方式中,所述检测模块具体用于:
将所述增强图像输入主干网络ShuffleNetV2中进行特征提取,得到所述增强图像的图像特征;
将所述图像特征输入路径聚合网络进行多尺度的特征融合处理,得到特征融合结果;
基于所述特征融合结果,使用预置检测头进行检测,得到接油盘的坐标框;
基于所述接油盘的坐标框进行截图处理,得到接油盘图像。
可选的,在本发明第二方面的第三种实现方式中,所述均衡模块具体用于:
对所述接油盘图像的每个像素及其周围预置矩形范围的像素进行灰度计算,得到各矩形范围内的灰度直方图;
基于预置阈值对所述灰度直方图进行裁剪,并将裁剪值均匀分布在灰度区间中,得到均衡灰度直方图;
对各所述均衡灰度直方图进行归一化处理,计算归一化处理后的均衡灰度直方图的累积分布函数;
基于各所述累积分布函数对各所述均衡灰度直方图进行映射计算,并组合计算结果得到接油盘均衡图像。
可选的,在本发明第二方面的第四种实现方式中,所述定位模块具体用于:
将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间;
基于所述预置颜色阈值对转换后的接油盘均衡图像进行色彩提取,得到接油盘区域图像,其中,所述接油盘区域图像中非所述预置颜色阈值范围内的部分以黑色表示。
可选的,在本发明第二方面的第五种实现方式中,所述计算模块具体用于:
将所述接油盘区域图像转换为接油盘灰度图;
计算灰度值非零的像素的灰度平均值,并基于所述灰度平均值计算接油盘区域方差;
若所述接油盘区域方差大于预置阈值时,则确认所述待测设备漏油,否则确认所述待测设备未漏油。
可选的,在本发明第二方面的第六种实现方式中,暗光环境下的设备漏油检测装置还包括:
识别模块,用于采用基于微分二值化的实时场景文本检测算法对所述增强图像进行文本检测,得到文本区域图像;采用卷积神经网络对所述文本区域图像进行特征提取,得到特征序列,并将所述特征序列输入循环神经网络进行预测,得到预测序列;采用CTC算法对所述预测序列进行校正,得到文字识别结果,并基于所述文字识别结果确定所述待测设备的设备信息。
本发明第三方面提供了一种电子设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电子设备执行上述的暗光环境下的设备漏油检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的暗光环境下的设备漏油检测方法。
本发明提供的技术方案中,获取待测设备图像,并采用带色彩恢复的多尺度视网膜增强算法进行增强处理,得到增强图像;对增强图像进行接油盘检测并截图处理,得到接油盘图像;通过对比度受限的自适应直方图均衡化算法对接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;将接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位接油盘均衡图像的接油盘区域图像;将接油盘区域图像转换为接油盘灰度图,并基于接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。本发明实现了设备漏油现象的自动检测,降低了生产成本,显著提高了设备漏油检测的效率与准确率,且在低照度环境下也能够准确检测设备漏油现象。
附图说明
图1为本发明实施例中暗光环境下的设备漏油检测方法的一个实施例示意图;
图2为本发明实施例中暗光环境下的设备漏油检测方法的另一个实施例示意图;
图3为本发明实施例中暗光环境下的设备漏油检测装置的一个实施例示意图;
图4为本发明实施例中暗光环境下的设备漏油检测装置的另一个实施例示意图;
图5为本发明实施例中电子设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种暗光环境下的设备漏油检测方法、装置、设备及存储介质,实现了设备漏油现象的自动检测,降低了生产成本,显著提高了设备漏油检测的效率与准确率,且在低照度环境下也能够准确检测设备漏油现象。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中暗光环境下的设备漏油检测方法的一个实施例包括:
101、获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
可以理解的是,本发明的执行主体可以为暗光环境下的设备漏油检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
本实施例中,待测设备图像是可以看到待测设备的接油盘或其它漏油收集装置的图像,待测设备图像获取的方法不限。
本实施例中,带色彩恢复的多尺度视网膜增强算法(Multi-Scale Retinex withColor Restoration,MSRCR)是一种图像增强算法,用于对图像进行增强处理,能够较好地完成动态范围的压缩,对于较暗区域的细节进行增强,保持色感的一致性,消除色偏。
可选的,在一实施例中,上述步骤101包括:
获取待测设备图像,并将所述待测设备图像输入带色彩恢复的多尺度视网膜增强算法模型;
所述带色彩恢复的多尺度视网膜增强算法模型基于Retinex算法对所述待测设备图像进行增强处理,得到增强图像;
其中,所述Retinex算法的数学表达式如下:
I=L*R
其中,I表示被观察到或相机接收到的图像信号;L表示环境光的照射分量;R表示携带图像细节信息的目标物体的反射分量。
本实施例中,Retinex(Retina-Cortex,视网膜-大脑皮层)算法中观察感知到的物体的亮度取决于环境的照明和物体表面对照射光的反射。
102、对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
本实施例中,通过目标检测的方法检测增强图像中的接油盘或其它漏油收集装置,目标检测的方法不限。
本实施例中,检测结果是接油盘或其它漏油收集装置的邻接坐标框,基于坐标框进行截图得到接油盘或其它漏油收集装置的图像。
可选的,在一实施例中,使用可实时在线检测的NanoDet进行目标检测。
可选的,在一实施例中,上述步骤102包括:
将所述增强图像输入主干网络ShuffleNetV2中进行特征提取,得到所述增强图像的图像特征;
将所述图像特征输入路径聚合网络进行多尺度的特征融合处理,得到特征融合结果;
基于所述特征融合结果,使用预置检测头进行检测,得到接油盘的坐标框;
基于所述接油盘的坐标框进行截图处理,得到接油盘图像。
本实施例中,ShuffleNetV2是一个轻量级的深度卷积神经网络,延迟低的同时准确度较高。
本实施例中,路径聚合网络(Path aggregation network,PANet)用于对图像中多尺度的特征进行融合,得到预测的目标框。PANet采用自底向上扩充路径的方法精确定位信息强化整个特征结构,缩短低层网络和顶层网络特征之间的信息路径,使用自适应特征池连接特征网格和所有特征层,使每个特征层中有用的信息直接传播到后面的候选子网络中。补充分支捕获每个proposal的不同方面,进一步提升mask预测。该网络只有自上而下和自下而上两条通路,简单、易于实现。
本实施例中,NanoDet去掉PANet中的所有卷积,只保留从骨干网络特征提取后的1x1卷积来进行特征通道维度的对齐,上采样和下采样均使用插值来完成。
本实施例中,在PANet中将多尺度的特征图直接相加,极大地减小了特征融合的计算量。
本实施例中,检测头采用FCOS(Fully Convolutional One-Stage ObjectDetection,全卷机一阶段物体检测器)的检测头,FCOS系列使用了共享权重的检测头,即对PANet输出的多尺度特征图使用同一组卷积预测检测框,每一层使用一个可学习的Scale(规模)值作为系数,对预测的目标框进行缩放,从而精准定位目标。
103、通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
本实施例中,对比度受限的自适应直方图均衡化算法(Contrast LimitedAdaptive Histogram Equalization,CLAHE)通过计算图像的局部直方图,重新分布亮度来改变图像对比度,限制对比度幅度,抑制相同区域噪音,实现直方图均衡化,增强图像对比度和图像边缘,保留重要的细节。
可选的,在一实施例中,上述步骤103包括:
对所述接油盘图像的每个像素及其周围预置矩形范围的像素进行灰度计算,得到各矩形范围内的灰度直方图;
基于预置阈值对所述灰度直方图进行裁剪,并将裁剪值均匀分布在灰度区间中,得到均衡灰度直方图;
对各所述均衡灰度直方图进行归一化处理,计算归一化处理后的均衡灰度直方图的累积分布函数;
基于各所述累积分布函数对各所述均衡灰度直方图进行映射计算,并组合计算结果得到接油盘均衡图像。
本实施例中,每个像素通过其周围的一个矩形范围的灰度直方图进行均衡化处理,从而重新分布图像的对比度,从而限制对比度幅度。
本实施例中,当灰度值大于预置阈值时,将超过预置阈值的部分进行裁剪,并将裁剪部分的面积均匀分布在整个灰度区间中,在保证直方图总面积不变同时进行均衡。
本实施例中,累积分布函数即对应的亮度变换函数,映射计算即将原始的灰度值与累积分布函数相乘,得到对比度均衡后的接油盘图像,即所述接油盘均衡图像。
104、将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
本实施例中,RGB色彩空间由红色(Red,R)、绿色(Green,G)和蓝色(Blue,B)组成,HSV色彩空间由色相(Hue,H)、饱和度(Saturation,S)和明度(Value,V)组成。HSV更接近人们对色彩的感知经验,能够直观地表达颜色的色调、鲜艳程度和明暗程度,便于进行色彩比对。
本实施例中,预置颜色阈值包括色相的上限与下限、饱和度的上限与下限、明度的上限与下限,将同时满足色相、饱和度、明度的上下限的区域视作接油盘区域。
可选的,在一实施例中,上述步骤104包括:
将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间;
基于所述预置颜色阈值对转换后的接油盘均衡图像进行色彩提取,得到接油盘区域图像,其中,所述接油盘区域图像中非所述预置颜色阈值范围内的部分以黑色表示。
本实施例中,色彩提取即保留预置颜色阈值范围内的色彩,不满足预置颜色阈值条件的部分以黑色替换。
105、将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。
本实施例中,方差的计算方法不限。
可选的,在一实施例中,上述步骤105包括:
将所述接油盘区域图像转换为接油盘灰度图;
计算灰度值非零的像素的灰度平均值,并基于所述灰度平均值计算接油盘区域方差;
若所述接油盘区域方差大于预置阈值时,则确认所述待测设备漏油,否则确认所述待测设备未漏油。
本发明实施例中,获取待测设备图像,并采用带色彩恢复的多尺度视网膜增强算法进行增强处理,得到增强图像;对增强图像进行接油盘检测并截图处理,得到接油盘图像;通过对比度受限的自适应直方图均衡化算法对接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;将接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位接油盘均衡图像的接油盘区域图像;将接油盘区域图像转换为接油盘灰度图,并基于接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。本发明实现了设备漏油现象的自动检测,降低了生产成本,显著提高了设备漏油检测的效率与准确率,且在低照度环境下也能够准确检测设备漏油现象。
请参阅图2,本发明实施例中暗光环境下的设备漏油检测方法的另一个实施例包括:
201、获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
202、采用基于微分二值化的实时场景文本检测算法对所述增强图像进行文本检测,得到文本区域图像;
本实施例中,基于微分二值化的实时场景文本检测算法对图像进行分割以及二值化处理,其中二值化处理插入到分割处理中以进行联合优化,得到二进制图像后将像素分组聚类,得到文本框。该算法操作更为简便、速度较快、准确性较高。
203、采用卷积神经网络对所述文本区域图像进行特征提取,得到特征序列,并将所述特征序列输入循环神经网络进行预测,得到预测序列;
204、采用CTC算法对所述预测序列进行校正,得到文字识别结果,并基于所述文字识别结果确定所述待测设备的设备信息;
本实施例中,CTC算法通过梯度调整循环神经网络中的参数以进行校正。
205、对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
206、通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
207、将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
208、将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。
本发明实施例中,获取待测设备图像,并采用带色彩恢复的多尺度视网膜增强算法进行增强处理,得到增强图像;使用基于微分二值化的实时场景文本检测算法进行文本检测,使用CRNN+CTC架构模型进行文字识别获取设备信息;对增强图像进行接油盘检测并截图处理,得到接油盘图像;通过对比度受限的自适应直方图均衡化算法对接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;将接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位接油盘均衡图像的接油盘区域图像;将接油盘区域图像转换为接油盘灰度图,并基于接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。本发明实现了设备漏油现象的自动检测,降低了生产成本,显著提高了设备漏油检测的效率与准确率,且在低照度环境下也能够准确检测设备漏油现象,基于微分二值化的实时场景文本检测算法适用于水平、倾斜、扭曲的文本检测场景,且可以实现实时在线检测,CRNN+CTC的架构操作简便、速度较快,同时准确性较高。
上面对本发明实施例中暗光环境下的设备漏油检测方法进行了描述,下面对本发明实施例中暗光环境下的设备漏油检测装置进行描述,请参阅图3,本发明实施例中暗光环境下的设备漏油检测装置一个实施例包括:
增强模块301,用于获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
检测模块302,用于对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
均衡模块303,用于通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
定位模块304,用于将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
计算模块305,用于将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。
可选的,增强模块301还可以具体用于:
获取待测设备图像,并将所述待测设备图像输入带色彩恢复的多尺度视网膜增强算法模型;
所述带色彩恢复的多尺度视网膜增强算法模型基于Retinex算法对所述待测设备图像进行增强处理,得到增强图像;
其中,所述Retinex算法的数学表达式如下:
I=L*R
其中,I表示被观察到或相机接收到的图像信号;L表示环境光的照射分量;R表示携带图像细节信息的目标物体的反射分量。
可选的,检测模块302还可以具体用于:
将所述增强图像输入主干网络ShuffleNetV2中进行特征提取,得到所述增强图像的图像特征;
将所述图像特征输入路径聚合网络进行多尺度的特征融合处理,得到特征融合结果;
基于所述特征融合结果,使用预置检测头进行检测,得到接油盘的坐标框;
基于所述接油盘的坐标框进行截图处理,得到接油盘图像。
可选的,均衡模块303还可以具体用于:
对所述接油盘图像的每个像素及其周围预置矩形范围的像素进行灰度计算,得到各矩形范围内的灰度直方图;
基于预置阈值对所述灰度直方图进行裁剪,并将裁剪值均匀分布在灰度区间中,得到均衡灰度直方图;
对各所述均衡灰度直方图进行归一化处理,计算归一化处理后的均衡灰度直方图的累积分布函数;
基于各所述累积分布函数对各所述均衡灰度直方图进行映射计算,并组合计算结果得到接油盘均衡图像。
可选的,定位模块304还可以具体用于:
将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间;
基于所述预置颜色阈值对转换后的接油盘均衡图像进行色彩提取,得到接油盘区域图像,其中,所述接油盘区域图像中非所述预置颜色阈值范围内的部分以黑色表示。
可选的,计算模块305还可以具体用于:
将所述接油盘区域图像转换为接油盘灰度图;
计算灰度值非零的像素的灰度平均值,并基于所述灰度平均值计算接油盘区域方差;
若所述接油盘区域方差大于预置阈值时,则确认所述待测设备漏油,否则确认所述待测设备未漏油。
本发明实施例中,获取待测设备图像,并采用带色彩恢复的多尺度视网膜增强算法进行增强处理,得到增强图像;对增强图像进行接油盘检测并截图处理,得到接油盘图像;通过对比度受限的自适应直方图均衡化算法对接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;将接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位接油盘均衡图像的接油盘区域图像;将接油盘区域图像转换为接油盘灰度图,并基于接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。本发明实现了设备漏油现象的自动检测,降低了生产成本,显著提高了设备漏油检测的效率与准确率,且在低照度环境下也能够准确检测设备漏油现象。
请参阅图4,本发明实施例中暗光环境下的设备漏油检测装置的另一个实施例包括:
增强模块301,用于获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
检测模块302,用于对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
均衡模块303,用于通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
定位模块304,用于将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
计算模块305,用于将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油;
识别模块306,用于文本检测、文字识别并获取所述待测设备的设备信息。
可选的,识别模块306还可以具体用于:
采用基于微分二值化的实时场景文本检测算法对所述增强图像进行文本检测,得到文本区域图像;
采用卷积神经网络对所述文本区域图像进行特征提取,得到特征序列,并将所述特征序列输入循环神经网络进行预测,得到预测序列;
采用CTC算法对所述预测序列进行校正,得到文字识别结果,并基于所述文字识别结果确定所述待测设备的设备信息。
本发明实施例中,获取待测设备图像,并采用带色彩恢复的多尺度视网膜增强算法进行增强处理,得到增强图像;使用基于微分二值化的实时场景文本检测算法进行文本检测,使用CRNN+CTC架构模型进行文字识别获取设备信息;对增强图像进行接油盘检测并截图处理,得到接油盘图像;通过对比度受限的自适应直方图均衡化算法对接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;将接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位接油盘均衡图像的接油盘区域图像;将接油盘区域图像转换为接油盘灰度图,并基于接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。本发明实现了设备漏油现象的自动检测,降低了生产成本,显著提高了设备漏油检测的效率与准确率,且在低照度环境下也能够准确检测设备漏油现象,基于微分二值化的实时场景文本检测算法适用于水平、倾斜、扭曲的文本检测场景,且可以实现实时在线检测,CRNN+CTC的架构操作简便、速度较快,同时准确性较高。
上面图3和图4从模块化功能实体的角度对本发明实施例中的暗光环境下的设备漏油检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中电子设备进行详细描述。
图5是本发明实施例提供的一种电子设备的结构示意图,该电子设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processingunits,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对电子设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在电子设备500上执行存储介质530中的一系列指令操作。
电子设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种电子设备,所述电子设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述暗光环境下的设备漏油检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述暗光环境下的设备漏油检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种暗光环境下的设备漏油检测方法,其特征在于,所述设备漏油检测方法包括:
获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。
2.根据权利要求1所述的暗光环境下的设备漏油检测方法,其特征在于,所述获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像包括:
获取待测设备图像,并将所述待测设备图像输入带色彩恢复的多尺度视网膜增强算法模型;
所述带色彩恢复的多尺度视网膜增强算法模型基于Retinex算法对所述待测设备图像进行增强处理,得到增强图像;
其中,所述Retinex算法的数学表达式如下:
I=L*R
其中,I表示被观察到或相机接收到的图像信号;L表示环境光的照射分量;R表示携带图像细节信息的目标物体的反射分量。
3.根据权利要求1所述的暗光环境下的设备漏油检测方法,其特征在于,所述对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像包括:
将所述增强图像输入主干网络ShuffleNetV2中进行特征提取,得到所述增强图像的图像特征;
将所述图像特征输入路径聚合网络进行多尺度的特征融合处理,得到特征融合结果;
基于所述特征融合结果,使用预置检测头进行检测,得到接油盘的坐标框;
基于所述接油盘的坐标框进行截图处理,得到接油盘图像。
4.根据权利要求1所述的暗光环境下的设备漏油检测方法,其特征在于,所述通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像包括:
对所述接油盘图像的每个像素及其周围预置矩形范围的像素进行灰度计算,得到各矩形范围内的灰度直方图;
基于预置阈值对所述灰度直方图进行裁剪,并将裁剪值均匀分布在灰度区间中,得到均衡灰度直方图;
对各所述均衡灰度直方图进行归一化处理,计算归一化处理后的均衡灰度直方图的累积分布函数;
基于各所述累积分布函数对各所述均衡灰度直方图进行映射计算,并组合计算结果得到接油盘均衡图像。
5.根据权利要求1所述的暗光环境下的设备漏油检测方法,其特征在于,所述将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像包括:
将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间;
基于所述预置颜色阈值对转换后的接油盘均衡图像进行色彩提取,得到接油盘区域图像,其中,所述接油盘区域图像中非所述预置颜色阈值范围内的部分以黑色表示。
6.根据权利要求1所述的暗光环境下的设备漏油检测方法,其特征在于,所述将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油包括:
将所述接油盘区域图像转换为接油盘灰度图;
计算灰度值非零的像素的灰度平均值,并基于所述灰度平均值计算接油盘区域方差;
若所述接油盘区域方差大于预置阈值时,则确认所述待测设备漏油,否则确认所述待测设备未漏油。
7.根据权利要求1所述的暗光环境下的设备漏油检测方法,其特征在于,在所述获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像之后,还包括:
采用基于微分二值化的实时场景文本检测算法对所述增强图像进行文本检测,得到文本区域图像;
采用卷积神经网络对所述文本区域图像进行特征提取,得到特征序列,并将所述特征序列输入循环神经网络进行预测,得到预测序列;
采用CTC算法对所述预测序列进行校正,得到文字识别结果,并基于所述文字识别结果确定所述待测设备的设备信息。
8.一种暗光环境下的设备漏油检测装置,其特征在于,所述暗光环境下的设备漏油检测装置包括:
增强模块,用于获取待测设备图像,并通过带色彩恢复的多尺度视网膜增强算法对所述待测设备图像进行增强处理,得到增强图像;
检测模块,用于对所述增强图像进行接油盘检测,并根据检测结果进行截图处理,得到接油盘图像;
均衡模块,用于通过对比度受限的自适应直方图均衡化算法对所述接油盘图像进行直方图均衡化处理,得到接油盘均衡图像;
定位模块,用于将所述接油盘均衡图像的RGB色彩空间转换为HSV色彩空间,并根据预置颜色阈值定位所述接油盘均衡图像的接油盘区域图像;
计算模块,用于将所述接油盘区域图像转换为接油盘灰度图,并基于所述接油盘灰度图计算接油盘区域方差,根据计算结果判断待测设备是否漏油。
9.一种电子设备,其特征在于,所述电子设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述暗光环境下的设备漏油检测设备执行如权利要求1-7中任一项所述的暗光环境下的设备漏油检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的暗光环境下的设备漏油检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044268.XA CN114519698A (zh) | 2022-01-14 | 2022-01-14 | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044268.XA CN114519698A (zh) | 2022-01-14 | 2022-01-14 | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519698A true CN114519698A (zh) | 2022-05-20 |
Family
ID=81597090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210044268.XA Pending CN114519698A (zh) | 2022-01-14 | 2022-01-14 | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519698A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457297A (zh) * | 2022-08-23 | 2022-12-09 | 中国航空油料集团有限公司 | 航油油库漏油检测方法、装置及航油安全运维系统 |
CN116012382A (zh) * | 2023-03-28 | 2023-04-25 | 中国电力工程顾问集团有限公司 | 电力设备渗漏油检测方法、装置、电子设备及存储介质 |
CN116012371A (zh) * | 2023-02-23 | 2023-04-25 | 深圳华付技术股份有限公司 | 一种基于机器学习的机械设备漏油检测方法及其系统 |
-
2022
- 2022-01-14 CN CN202210044268.XA patent/CN114519698A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457297A (zh) * | 2022-08-23 | 2022-12-09 | 中国航空油料集团有限公司 | 航油油库漏油检测方法、装置及航油安全运维系统 |
CN115457297B (zh) * | 2022-08-23 | 2023-09-26 | 中国航空油料集团有限公司 | 航油油库漏油检测方法、装置及航油安全运维系统 |
CN116012371A (zh) * | 2023-02-23 | 2023-04-25 | 深圳华付技术股份有限公司 | 一种基于机器学习的机械设备漏油检测方法及其系统 |
CN116012382A (zh) * | 2023-03-28 | 2023-04-25 | 中国电力工程顾问集团有限公司 | 电力设备渗漏油检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN114519698A (zh) | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 | |
US7528991B2 (en) | Method of generating a mask image of membership of single pixels to certain chromaticity classes and of adaptive improvement of a color image | |
JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
CN109413411B (zh) | 一种监控线路的黑屏识别方法、装置及服务器 | |
CN110717865B (zh) | 图片检测方法及装置 | |
CN113902641B (zh) | 一种基于红外图像的数据中心热区判别方法及系统 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN109903265B (zh) | 一种图像变化区域侦测阀值设定方法、系统及其电子装置 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
US9940543B2 (en) | Control of computer vision pre-processing based on image matching using structural similarity | |
CN105678301A (zh) | 一种自动识别并分割文本图像的方法、系统及装置 | |
CN111080722A (zh) | 一种基于显著性检测的颜色迁移方法及系统 | |
CN117152182B (zh) | 一种超低照度网络相机图像处理方法、装置及电子设备 | |
CN114267002B (zh) | 卷烟厂制丝车间工况监测方法、装置、设备及存储介质 | |
CN110415816B (zh) | 一种基于迁移学习的皮肤病临床图像多分类方法 | |
CN115294035B (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 | |
CN111667509A (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及系统 | |
CN111275642A (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
CN116977190A (zh) | 图像处理方法、装置、设备、存储介质及程序产品 | |
CN114663348A (zh) | 烟丝桶残留物检测方法、装置、设备及存储介质 | |
Mpouziotas et al. | Object Detection for Low Light Images | |
Qiu et al. | Adaptive uneven illumination correction method for autonomous live-line maintenance robot | |
CN111859022A (zh) | 封面生成方法、电子设备及计算机可读存储介质 |
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 |