CN114723747A - 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法 - Google Patents

一种基于稀疏测度最大化的风机叶片表面缺陷定位方法 Download PDF

Info

Publication number
CN114723747A
CN114723747A CN202210613504.5A CN202210613504A CN114723747A CN 114723747 A CN114723747 A CN 114723747A CN 202210613504 A CN202210613504 A CN 202210613504A CN 114723747 A CN114723747 A CN 114723747A
Authority
CN
China
Prior art keywords
fan blade
measure
sparse
image
maximization
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
Application number
CN202210613504.5A
Other languages
English (en)
Other versions
CN114723747B (zh
Inventor
李峰平
孙浩然
李小刚
林苏奔
张昆鹏
郭剑
邵正鹏
冯光
黄海玉
郑陈孙
刘潘东
李函禧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaiwei Innovative Intelligent System Zhejiang Co ltd
Original Assignee
Liaiwei Innovative Intelligent System Zhejiang Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaiwei Innovative Intelligent System Zhejiang Co ltd filed Critical Liaiwei Innovative Intelligent System Zhejiang Co ltd
Priority to CN202210613504.5A priority Critical patent/CN114723747B/zh
Publication of CN114723747A publication Critical patent/CN114723747A/zh
Application granted granted Critical
Publication of CN114723747B publication Critical patent/CN114723747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20024—Filtering details
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H03H2017/0208—Two or more dimensional filters; Filters for complex signals using neural networks
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Abstract

本发明公开了一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，包括以下步骤，获取到风机叶片表面图像后，使用相关机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；其次设置二维数字滤波器宽度为n，并令其滤波器初值均为0；随后使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解；对于待检测的任一测试图像，使用获得的滤波参数进行滤波；若滤波后特征大于预定阈值，则该像素点为缺陷特征。本发明以稀疏测度最大化为优化目标，从二维数字滤波器的优化构建出发，利用卷积神经网络找到其最优解。本发明仅需极少量的数据即可完成滤波器参数的优化，具有一定的实用价值。

Description

一种基于稀疏测度最大化的风机叶片表面缺陷定位方法
技术领域
本发明涉及风电设施表面质量检测技术领域，特别涉及一种基于稀疏测度最大化的风机叶片表面缺陷定位方法。
背景技术
作为风力发电机组的力源和主要承载部件，风机叶片的运行状态对于保证风机工作效率具有重要的作用。然而，风机主要位于自然条件较好的地区，暴风雨、风沙和雷击等都有可能损伤叶片。随着国内风电场运行时间的增加，风机叶片表面缺陷的快速、高效检测变得越来越重要。传统的人工巡检已难以满足要求。
发明内容
本发明的目的在于，一种基于稀疏测度最大化的风机叶片表面缺陷定位方法。本发明仅需极少量的数据即可完成滤波器参数的优化。
本发明的技术方案：一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，包括以下步骤：
S1：获取风机叶片表面图像；
S2：将叶片表面图像转换至灰度图片；
S3：使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；
S4：设置滤波器宽度为n，并令其滤波器初值均为0；
S5：使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解；
S6：对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波；
S7：去除滤波后图像特征的低频趋势成分，留下高频特征；
S8：若高频特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征。
上述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S3中，叶片区域与背景区域的表述方法为：
Figure DEST_PATH_IMAGE001
其中
Figure 456618DEST_PATH_IMAGE002
为点
Figure DEST_PATH_IMAGE003
的状态信息，当为1时，点
Figure 511293DEST_PATH_IMAGE003
为叶片区域，当为0时，点
Figure 317575DEST_PATH_IMAGE003
为背景区域，
Figure 492204DEST_PATH_IMAGE004
，
Figure 92950DEST_PATH_IMAGE006
为分别为图像行列索引号。
前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S5中, 卷积神经网络优化目标函数为：
Figure DEST_PATH_IMAGE007
；
其中，
Figure 139315DEST_PATH_IMAGE008
表示使目标函数取最大值时的变量值，
Figure DEST_PATH_IMAGE009
为计算系数测 度的符号，
Figure 280446DEST_PATH_IMAGE010
表示卷积运算，
Figure DEST_PATH_IMAGE011
为步骤S2中获取到的灰度图像，
Figure 591473DEST_PATH_IMAGE012
为滤波器参数。
前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S6中,滤波的具体过程为：
Figure DEST_PATH_IMAGE013
其中
Figure 159858DEST_PATH_IMAGE014
表示滤波后的图形特征，
Figure DEST_PATH_IMAGE015
为待滤波的风机叶片表面图像，
Figure 422081DEST_PATH_IMAGE010
表示卷积运 算，为滤波器参数。
前述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，所述的步骤S8中,使用的缺陷特征判断算法为：
Figure 570165DEST_PATH_IMAGE016
；
其中，
Figure DEST_PATH_IMAGE017
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前 像素点不含有缺陷信息，
Figure 250545DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
为分别为图像行列索引号，
Figure 271722DEST_PATH_IMAGE020
为当前像素点对应的稀疏 测度，
Figure DEST_PATH_IMAGE021
为预设的稀疏测度阈值，
Figure 506394DEST_PATH_IMAGE022
为步骤S3获得的点
Figure DEST_PATH_IMAGE023
的状态信息。
与现有技术相比，本发明具有以下有益效果：
本发明首先获取风机叶片表面图像，使用相关机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；其次设置滤波器宽度为n，并令其滤波器初值均为0；随后使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解； 对于待检测的任一测试图像，使用获得的滤波参数进行滤波；若滤波后特征大于预定阈值，则该像素点为缺陷特征。本发明以稀疏测度最大化为优化目标，从二维数字滤波器的优化构建出发，利用卷积神经网络找到其最优解，可自适应进行风机叶片表面缺陷的定位与智能辨识，较之其他方法，本发明仅需极少量的数据即可完成滤波器参数的优化，具有一定的实用价值。
附图说明
图1是本发明的流程图；
图2是本发明的实施例1中使用的风机叶片表面图像；
图3是本发明的实施例1中优化后的滤波器参数；
图4是本发明的实施例1中滤波后的图形特征；
图5是本发明中实施例1中缺陷特征的判断结果；
图6是本发明的实施例2中使用的风机叶片表面图像；
图7是本发明的实施例2中优化后的滤波器参数；
图8是本发明的实施例2中滤波后的图形特征；
图9是本发明中实施例2中缺陷特征的判断结果。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1：一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，下面结合具体案例对本发明进一步说明，其流程图如附图1所示，包括以下步骤，
1）对风机叶片进行拍照，获取风机叶片表面图像，如附图2所示；
2）将叶片表面图像转换至灰度图片，其具体方法为：
Figure 238596DEST_PATH_IMAGE024
其中，I为生成的灰度图像，R为彩色图像的红色通道，G为彩色图像的绿色通道，B为彩色图 像的蓝色通道；
3）使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域，叶片区域与背景区域的表述方法为：
Figure 242324DEST_PATH_IMAGE001
其中
Figure 621353DEST_PATH_IMAGE002
为点
Figure 77742DEST_PATH_IMAGE003
的状态信息，当为1时，点
Figure 583941DEST_PATH_IMAGE003
为叶片区域，当为0时，点
Figure 176596DEST_PATH_IMAGE003
为背景区域，
Figure 726526DEST_PATH_IMAGE004
，
Figure 670211DEST_PATH_IMAGE006
为分别为图像行列索引号。
4）设置二维数字滤波器宽度为n，并令其滤波器初值均为0，本实例中宽度n为5；
5）使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解，卷积神经网络优化目标函数为：
Figure DEST_PATH_IMAGE025
其中，
Figure 9794DEST_PATH_IMAGE008
表示使目标函数取最大值时的变量值，
Figure 456956DEST_PATH_IMAGE009
为计算系数测 度的符号（本实例中稀疏测度为基尼稀疏），
Figure 177788DEST_PATH_IMAGE010
表示卷积运算，
Figure 608769DEST_PATH_IMAGE011
为步骤S2中获取到的灰度图 像，
Figure 456770DEST_PATH_IMAGE026
为二维数字滤波器参数，优化后的滤波器参数如附图3所示；
6）对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波,滤波的具体过程为：
Figure DEST_PATH_IMAGE027
；
其中
Figure 555176DEST_PATH_IMAGE014
表示滤波后的图形特征，
Figure 446909DEST_PATH_IMAGE015
为待滤波的风机叶片表面图像，
Figure 632032DEST_PATH_IMAGE010
表示卷积运 算，
Figure 267413DEST_PATH_IMAGE028
为步骤S5中获取到的二维数字滤波器参数，滤波后的图像特征如附图4所示；
7）去除滤波后图像特征的低频趋势成分，留下相对高频特征；
8）若特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征,使用的缺陷特征判断算法为：
Figure DEST_PATH_IMAGE029
；
其中，
Figure 220325DEST_PATH_IMAGE017
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前 像素点不含有缺陷信息，
Figure 548539DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
为分别为图像行列索引号，
Figure 704845DEST_PATH_IMAGE032
为当前像素点对应的稀疏测 度（本实例中稀疏测度为基尼稀疏），
Figure DEST_PATH_IMAGE033
为预设的稀疏测度阈值，本实例中阈值为0.3，
Figure 940654DEST_PATH_IMAGE034
为步骤S3获得的点
Figure 731761DEST_PATH_IMAGE023
的状态信息，缺陷特征的判断结果如附图5所示，从图5中可 以明显的看出风机叶片的缺陷。
实施例2：一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，下面结合具体案例对本发明进一步说明，其流程图如图1所示，包括以下步骤，
1）对风机叶片进行拍照，获取风机叶片表面图像，如附图6所示；
2）将叶片表面图像转换至灰度图片，其具体方法为：
Figure DEST_PATH_IMAGE035
其中，I为生成的灰度图像，R为彩色图像的红色通道，G为彩色图像的绿色通道，B为彩色图 像的蓝色通道；
3）使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域，叶片区域与背景区域的表述方法为：
Figure 496455DEST_PATH_IMAGE001
其中
Figure 123745DEST_PATH_IMAGE002
为点
Figure 366508DEST_PATH_IMAGE003
的状态信息，当为1时，点
Figure 248007DEST_PATH_IMAGE003
为叶片区域，当为0时，点
Figure 449181DEST_PATH_IMAGE003
为背景区域，
Figure 563768DEST_PATH_IMAGE004
，
Figure 593910DEST_PATH_IMAGE006
为分别为图像行列索引号。
4）设置二维数字滤波器宽度为n，并令其滤波器初值均为0，本实例中其宽度n为5；
5）使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解，卷积神经网络优化目标函数为：
Figure 110342DEST_PATH_IMAGE025
其中，
Figure 685680DEST_PATH_IMAGE008
表示使目标函数取最大值时的变量值，
Figure 287562DEST_PATH_IMAGE009
为计算系数测 度的符号（本实例中稀疏测度为基尼稀疏），
Figure 872127DEST_PATH_IMAGE010
表示卷积运算，
Figure 728219DEST_PATH_IMAGE036
为步骤S2中获取到的灰度图 像，
Figure 740037DEST_PATH_IMAGE026
为二维数字滤波器参数，优化后的滤波器参数如附图7所示；
6）对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波,滤波的具体过程为：
Figure DEST_PATH_IMAGE037
；
其中
Figure 94795DEST_PATH_IMAGE014
表示滤波后的图形特征，
Figure 732319DEST_PATH_IMAGE015
为待滤波的风机叶片表面图像，
Figure 957764DEST_PATH_IMAGE010
表示卷积运 算，
Figure 140483DEST_PATH_IMAGE028
为步骤S5中获取到的二维数字滤波器参数，滤波后的图像特征如附图8所示；
7）去除滤波后图像特征的低频趋势成分，留下相对高频特征；
8）若特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征,使用的缺陷特征判断算法为：
Figure 716958DEST_PATH_IMAGE038
；
其中，
Figure 394058DEST_PATH_IMAGE017
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前 像素点不含有缺陷信息，
Figure 208431DEST_PATH_IMAGE018
，
Figure 827631DEST_PATH_IMAGE019
为分别为图像行列索引号，
Figure DEST_PATH_IMAGE039
为当前像素点对应的稀疏测 度（本实例中稀疏测度为基尼稀疏），
Figure 891402DEST_PATH_IMAGE033
为预设的稀疏测度阈值，本实例中阈值为0.1，
Figure 876587DEST_PATH_IMAGE034
为步骤S3获得的点
Figure 811045DEST_PATH_IMAGE023
的状态信息，缺陷特征的判断结果如附图9所示，从图9中可 以明显的看出风机叶片的缺陷。
综上，本发明以稀疏测度最大化为优化目标，从二维数字滤波器的优化构建出发，利用卷积神经网络找到其最优解，可自适应进行风机叶片表面缺陷的定位与智能辨识，较之其他方法，本发明仅需极少量的数据即可完成滤波器参数的优化，具有一定的实用价值。

Claims (5)

1.一种基于稀疏测度最大化的风机叶片表面缺陷定位方法，其特征在于：包括以下步骤：
S1：获取风机叶片表面图像；
S2：将叶片表面图像转换至灰度图片；
S3：使用机器学习方法，对灰度图片进行训练，找到叶片区域与背景区域；
S4：设置滤波器宽度为n，并令其滤波器初值均为0；
S5：使用卷积神经网络对滤波器n×n个元素进行优化，以最大化图片稀疏测度为目标，找到滤波器元素最优解；
S6：对于待检测的任一测试图像，使用S4步骤中获得的滤波参数进行滤波；
S7：去除滤波后图像特征的低频趋势成分，留下高频特征；
S8：若高频特征大于预定阈值，同时像素点位于S3步骤的叶片区域上，则该像素点为缺陷特征。
2.根据权利要求1所述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，其特征在于：所述的步骤S3中，叶片区域与背景区域的表述方法为：
Figure 722790DEST_PATH_IMAGE001
其中
Figure DEST_PATH_IMAGE002
为点
Figure 436668DEST_PATH_IMAGE003
的状态信息，当为1时，点
Figure 747564DEST_PATH_IMAGE003
为叶片区域，当为0时，点
Figure 917340DEST_PATH_IMAGE003
为 背景区域，
Figure DEST_PATH_IMAGE004
，
Figure DEST_PATH_IMAGE005
为分别为图像行列索引号。
3.根据权利要求1所述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，其特征在于：所述的步骤S5中, 卷积神经网络优化目标函数为：
Figure DEST_PATH_IMAGE006
；
其中，
Figure 325187DEST_PATH_IMAGE007
表示使目标函数取最大值时的变量值，
Figure DEST_PATH_IMAGE008
为计算系数测度的 符号，
Figure 960699DEST_PATH_IMAGE009
表示卷积运算，
Figure DEST_PATH_IMAGE010
为步骤S2中获取到的灰度图像，
Figure 70475DEST_PATH_IMAGE011
为滤波器参数。
4.根据权利要求1所述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，其特征在于：所述的步骤S6中,滤波的具体过程为：
Figure DEST_PATH_IMAGE012
其中
Figure 66113DEST_PATH_IMAGE013
表示滤波后的图形特征，
Figure DEST_PATH_IMAGE014
为待滤波的风机叶片表面图像，
Figure 548041DEST_PATH_IMAGE009
表示卷积运算，
Figure 806984DEST_PATH_IMAGE015
为 滤波器参数。
5.根据权利要求1所述的基于稀疏测度最大化的风机叶片表面缺陷定位方法，其特征在于：所述的步骤S8中,使用的缺陷特征判断算法为：
Figure DEST_PATH_IMAGE016
；
其中，
Figure 623630DEST_PATH_IMAGE017
为当前像素点的缺陷判断结果，1表示当前像素点为缺陷位置，0表示当前像素 点不含有缺陷信息，
Figure DEST_PATH_IMAGE018
，
Figure 672227DEST_PATH_IMAGE019
为分别为图像行列索引号，
Figure DEST_PATH_IMAGE020
为当前像素点对应的稀疏测度，
Figure DEST_PATH_IMAGE022
为预设的稀疏测度阈值，
Figure 523508DEST_PATH_IMAGE023
为步骤S3获得的点
Figure DEST_PATH_IMAGE024
的状态信息。
CN202210613504.5A 2022-06-01 2022-06-01 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法 Active CN114723747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210613504.5A CN114723747B (zh) 2022-06-01 2022-06-01 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210613504.5A CN114723747B (zh) 2022-06-01 2022-06-01 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法

Publications (2)

Publication Number Publication Date
CN114723747A true CN114723747A (zh) 2022-07-08
CN114723747B CN114723747B (zh) 2022-09-13

Family

ID=82232596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210613504.5A Active CN114723747B (zh) 2022-06-01 2022-06-01 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法

Country Status (1)

Country Link
CN (1) CN114723747B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742291A (zh) * 2017-10-20 2018-02-27 凌云光技术集团有限责任公司 一种光伏玻璃的缺陷检测方法及装置
CN111340702A (zh) * 2020-02-24 2020-06-26 江南大学 基于盲估计的微小缺陷高频超声显微成像的稀疏重构方法
CN112001919A (zh) * 2020-10-20 2020-11-27 领伟创新智能系统(浙江)有限公司 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742291A (zh) * 2017-10-20 2018-02-27 凌云光技术集团有限责任公司 一种光伏玻璃的缺陷检测方法及装置
CN111340702A (zh) * 2020-02-24 2020-06-26 江南大学 基于盲估计的微小缺陷高频超声显微成像的稀疏重构方法
CN112001919A (zh) * 2020-10-20 2020-11-27 领伟创新智能系统(浙江)有限公司 一种基于粒子群算法及二维数字滤波的织物缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐科 等: "《金属表面质量在线检测技术》", 31 October 2016, 冶金工业出版社 *
雷仕湛 等: "《激光智能制造技术》", 30 June 2018, 复旦大学出版社 *

Also Published As

Publication number Publication date
CN114723747B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN108230264B (zh) 一种基于ResNet神经网络的单幅图像去雾方法
CN106918594B (zh) 一种在线分析籽棉色特征和杂质的方法
CN107895376A (zh) 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
CN113469953B (zh) 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法
CN110766681B (zh) 一种基于三重损失网络的竹条表面缺陷检测方法
CN107220988A (zh) 基于改进canny算子的零部件图像边缘提取方法
CN111127340B (zh) 一种图像去雾方法
CN108133462B (zh) 一种基于梯度场区域分割的单幅图像的复原方法
CN110726725A (zh) 一种输电线路金具锈蚀检测方法及装置
CN108182671B (zh) 一种基于天空区域识别的单幅图像去雾方法
CN107067375A (zh) 一种基于暗通道先验和边缘信息的图像去雾方法
CN109886975A (zh) 一种基于生成对抗网络的图像优化处理去雨滴方法和系统
CN105678245A (zh) 一种基于哈尔特征的靶位识别方法
CN109003238B (zh) 一种基于模型与直方图及灰度增强的图像雾霾去除方法
CN117314801A (zh) 基于人工智能的模糊图像优化增强方法
CN106530254A (zh) 一种基于小波阈值函数与改进中值滤波融合的抑制图像混合噪声算法
CN111476744A (zh) 一种基于分类及大气成像模型的水下图像增强方法
CN109949334B (zh) 基于深度强化网络残差连接的轮廓检测方法
CN114723747B (zh) 一种基于稀疏测度最大化的风机叶片表面缺陷定位方法
CN109118450B (zh) 一种沙尘天气条件下的低质图像增强方法
CN112381794B (zh) 一种基于深度卷积生成网络的印刷缺陷检测方法
CN117191716B (zh) 基于人工智能的磁性印刷品质量实时检测方法
CN111489333B (zh) 一种无参考夜间自然图像质量评价方法
CN110223253B (zh) 一种基于图像增强的去雾方法
CN117274085A (zh) 低照度图像增强方法及装置

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