CN114842041A - 一种基于嵌入式的钢轨廓形检测光条提取方法 - Google Patents
一种基于嵌入式的钢轨廓形检测光条提取方法 Download PDFInfo
- Publication number
- CN114842041A CN114842041A CN202210321211.XA CN202210321211A CN114842041A CN 114842041 A CN114842041 A CN 114842041A CN 202210321211 A CN202210321211 A CN 202210321211A CN 114842041 A CN114842041 A CN 114842041A
- Authority
- CN
- China
- Prior art keywords
- target area
- image
- center
- light
- point
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 40
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 22
- 239000010959 steel Substances 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000009499 grossing Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于嵌入式的钢轨廓形检测光条提取方法,涉及数据处理技术技术领域,包括:S1、对原始图像依次进行图像缩放、动态阈值分割和连通区域筛选处理,确定原始图像上的目标区域;采用自适应ROI的方式确定目标区域,能有限的去除干扰区域,增加光条提取的准确性。S2、对确定目标区域后的原始图像依次进行选择式掩膜平滑、目标区域图像二值化和中心点提取处理,得到目标区域的光条中心。其中,选择式掩膜平滑处理的目的是得到较好的图像细节;目标区域图像二值化处理的目的是凸显出目标的轮廓;中心点提取处理的目的是得到目标区域的光条中心,通过上述的处理,能准确提取出目标区域的光条中心。
Description
技术领域
本发明涉及数据处理技术领域,更具体地说涉及一种基于嵌入式的钢轨廓形检测光条提取方法。
背景技术
线结构光测量系统中,激光束被垂直地投射到被测物体表面,摄像机从另一个角度拍摄激光条纹图像,并按照三角测量法获得激光断面数据。三角测量法要求投影到物体表面的轮廓线应该无限薄,即仅有一个像素宽度。但由于光线散射、成像系统的点扩散效应等原因,造成实际轮廓线在像平面的投影图像具有一定的厚度,呈光条状。因此,如何快速准确地提取激光条纹中心的位置,得到实际轮廓线上每一点准确的空间坐标值,是线结构光测量系统需要解决的一个关键问题。
现常用激光三角测量技术测量钢轨轮廓,其光条中心的提取方法主要有极值法、灰度重心法、方向模板法、曲线拟合法、Hession矩阵法。但上述方法或处理精度、或处理速度、或算法鲁棒性方面都存在一些弊端。
1、极值法:该方法实现简单,速度快,但容易受到噪声影响,精度不高,鲁棒性较差。
2、灰度重心法:该方法处理速度快,适用于光条弯曲程度不大时使用,抗噪声能力差,鲁棒性较差。
3、方向模板法:该方法是从灰度重心法的思想发展而来,该方法精度高,但由于使用大规模模块,运算量大,处理速度低。
4、曲线拟合法:该方法只适合于宽光条图像中法线方向变化不大的情况,具有很大的局限性,并且该方法精度不能得到保证。
5、Hession矩阵法:该方法鲁棒性高,算法精度高,但是由于需要进行大规模高斯卷积运算,处理速度低。
发明内容
为了克服上述现有技术中存在的缺陷,本发明公开了一种基于嵌入式的钢轨廓形检测光条提取方法,本发明的目的是解决现有技术中处理精度不高、处理速度低、鲁棒性较差的问题。
为了实现以上目的,本发明采用的技术方案:
一种基于嵌入式的钢轨廓形检测光条提取方法,包括以下步骤:
S1、对原始图像依次进行图像缩放、动态阈值分割和连通区域筛选处理,确定原始图像上的目标区域;
本发明的原始图像,是指结构光成像后相机采集到的图像,其图像上包括了打在钢轨上的结构光光条;目标区域是指原始图像上包括了结构光光条的区域。本发明的目的就是在原始图像上提取出光条中心,以便于后续计算轨道检测相关参数。
本发明在S1步骤中,采用自适应ROI的方式确定目标区域,能有限的去除干扰区域,增加光条提取的准确性,缩小光条提取时的搜索范围,大幅度提升算法效率。
进一步的是,所述S1步骤,包括以下步骤:
S11、所述图像缩放包括:对原始图像分别按行与列进行抽点处理,得到缩小后的缩放图像;该步骤中,对原始图像进行缩小的目的是降低后续处理时间,提升处理效率。
S12、所述动态阈值分割包括:对缩放图像进行大尺度平滑得到平滑图像,并将缩放图像和平滑图像做差分,得到差分图像;其中,平滑尺度设置为钢轨轨头区域的宽度,设置该种形式的平滑尺度的目的是拟合背景,模糊前景信息。
上述步骤中,将缩放图像进行平滑,并将平滑图像和缩放图像进行差分得到差分图像的目的是提取目标区域 (钢轨廓形区域)。
S13、所述连通区域筛选包括:在差分图像中,筛选出光条连通的区域;
S14、所述确定目标区域包括:在筛选出的光条连通区域中,采用连通区域最小外接矩形的方式,筛选出目标区域,并将目标区域按照S11步骤缩小的比例进行放大,在原始图像上得到目标区域的范围。
S2、对确定目标区域后的原始图像依次进行选择式掩膜平滑、目标区域图像二值化和中心点提取处理,得到目标区域的光条中心。
本发明在S2步骤中,对目标区域依次进行选择式掩膜平滑、目标区域图像二值化和中心点提取处理,提取目标区域光条中心。其中,选择式掩膜平滑处理的目的是得到较好的图像细节;目标区域图像二值化处理的目的是凸显出目标的轮廓;中心点提取处理的目的是得到目标区域的光条中心,通过上述的处理,能准确提取出目标区域的光条中心。
进一步的是,所述S2步骤,包括以下步骤:
S21、选择式掩膜平滑:将包含目标区域的原始图像进行选择式掩膜平滑处理;
本发明中,选择式掩膜平滑是一种自适应局部平滑滤波算法,可以得到较好的图像细节。
优选的,所述选择式掩膜平滑以模板运算为基础,制作若干掩膜,再分别计算各个掩膜的均值和方差,最后查找方差最小掩膜下的灰度均值作为最终的平滑结果。
S22、目标区域图像二值化:对选择式掩膜平滑处理后的目标区域进行图像二值化处理;
上述步骤中,图像二值化使图像中数据量大为减少,从而能凸显出目标的轮廓。对目标区域二值化的方式为将目标区域分解成若干个大小一致的方形区域,将每一个方形区域内的灰度均值作为二值化阈值。
S23、中心点提取:对二值化之后的目标区域图像,按列求取连续灰度值为钢轨断面最长连续灰度值的线段长度集合,并计算每列的目标光条区域、目标线段的上下边界和光条中心点,得到目标区域的光条中心。
进一步的是,所述S2步骤中,对原始图像进行中心点提取后,还包括中心点滤波处理,得到目标区域光条中心。
在一些特殊情况下,在钢轨断面附近,可能由于一些光照或者其它因素影响,导致提取的小部分中心点存在错误情况,所以需要对提取错误的点进行过滤。
优选的,所述中心点滤波处理包括:
利用前后点的位置关系,对提取的光条中心点集进行聚簇处理;
根据包括点个数、面积及长度的几何信息,对聚簇之后的点集进行过滤,并筛选出提取错误的点;
将筛选剩下的所有点集归一到一个点集中形成目标区域光条中心。
进一步的是,所述S2步骤中,对中心点滤波处理后,还包括采用线性插值的方式对光条中心点进行补齐处理,得到目标区域光条中心。
在经过滤波处理滤除误识别点之后,光条中心点可能存在部分断裂的情况,考虑到运算速度等因素,所以采用线性插值的方式对光条中心点进行补齐。
进一步的是,所述S2步骤中,线性插值对光条中心点进行补齐后,还包括采用基于积分图的均值滤波方式对光条中心点进行平滑处理,得到目标区域光条中心。
由于相机成像及其它因素影响,成像的图像存在毛刺等现象,从而导致提取的光条不具有很好的曲线特性,因此对光条中心点进行平滑处理以使光条具有很好的曲线特性。
优选的,本发明的积分图均值平滑指对y坐标进行平滑,所述积分图中,每一点的值为:
本发明中,所述提取方法基于Nvidia Jetson Nano嵌入式开发板的CUDA-X平台的GPU(图形处理器)进行加速,CUDA-X平台里面包含40多个加速库,并且该开发板外观小巧玲珑如同树莓派。
本发明的有益效果:
1、本发明采用自适应ROI的方式确定目标区域,能有限的去除干扰区域,增加光条提取的准确性,缩小光条提取时的搜索范围,大幅度提升算法效率。
2、本发明对目标区域依次进行选择式掩膜平滑、目标区域图像二值化、中心点提取、中心点滤波、插值和平滑处理,提取目标区域光条中心;其中,选择式掩膜平滑处理能得到较好的图像细节;目标区域图像二值化处理能凸显出目标的轮廓;中心点提取处理能得到目标区域的光条中心;中心点滤波处理能对提取错误的点进行过滤;插值处理能对断裂的光条中心点进行补齐;平滑处理能使光条具有很好的曲线特性。通过上述的处理,能准确提取出目标区域的光条中心,使光条提取精度较高、速度较快以及鲁棒性较好。
3、本发明基于嵌入式平台,实现了钢轨廓形激光光条快速提取。
附图说明
图1为本发明自适应ROI的流程图;
图2为本发明动态阈值分割的原图;
图3为本发明动态阈值分割的平滑图;
图4为本发明动态阈值分割的差分图像;
图5为本发明自适应ROI确定目标区域的缩放图像;
图6为本发明自适应ROI确定目标区域的动态阈值分割;
图7为本发明自适应ROI确定目标区域的连通区域筛选;
图8为本发明自适应ROI确定目标区域的确定目标区域;
图9为本发明目标区域光条中心提取的流程;
图10为本发明选择式掩膜平滑的原图;
图11为本发明选择式掩膜平滑的平滑图;
图12为本发明选择式掩膜平滑的平滑局部图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、特征和效果。
实施例1
一种基于嵌入式的钢轨廓形检测光条提取方法,包括以下步骤:
S1、对原始图像依次进行图像缩放、动态阈值分割和连通区域筛选处理(自适应ROI),确定原始图像上的目标区域;
S2、对确定目标区域后的原始图像依次进行选择式掩膜平滑、目标区域图像二值化和中心点提取处理,得到目标区域的光条中心。
本实施例中,在S1步骤中,采用自适应ROI的方式确定目标区域,能有限的去除干扰区域,增加光条提取的准确性,缩小光条提取时的搜索范围,大幅度提升算法效率。在S2步骤中,对目标区域依次进行选择式掩膜平滑、目标区域图像二值化和中心点提取处理,提取目标区域光条中心。其中,选择式掩膜平滑处理的目的是得到较好的图像细节;目标区域图像二值化处理的目的是凸显出目标的轮廓;中心点提取处理的目的是得到目标区域的光条中心,通过上述的处理,能准确提取出目标区域的光条中心。
本实施例中,所述提取方法基于Nvidia Jetson Nano嵌入式开发板的CUDA-X平台的GPU进行加速,CUDA-X平台里面包含40多个加速库,并且该开发板外观小巧玲珑如同树莓派。
实施例2
本实施例在实施例1的基础上作进一步的改进,如图1所示,所述S1步骤,包括以下步骤:
S11、图像缩放:对原始图像分别按行与列每隔4个点进行抽点,得到缩小1/4后的缩放图像。
S12、动态阈值分割:对缩放图像进行大尺度平滑得到平滑图像,并将缩放图像和平滑图像做差分,得到差分图像;其中,平滑尺度设置为钢轨轨头区域的宽度(像素宽度)。动态阈值分割数据流程如图2-4所示。
S13、连通区域筛选:在差分图像中,筛选出光条连通的区域。
S14、确定目标区域:在筛选出的光条连通区域中,采用连通区域最小外接矩形的长度、宽度及面积等几何参数信息进行目标区域的筛选。按照S11步骤缩小的比例对确定后的目标区域进行放大,在原始图像上得到目标区域范围。
本实施例自适应ROI确定目标区域的流程如图5-8所示。
实施例3
本实施例在实施例2的基础上作进一步的改进,如图9所示,所述S2步骤,包括以下步骤:
S21、选择式掩膜平滑:将包含目标区域的原始图像进行选择式掩膜平滑处理。
本实施例中,选择式掩膜平滑是一种自适应局部平滑滤波算法,可以得到较好的图像细节。
选择式掩膜平滑法是以模板运算为基础,以5*5的模板窗口为例,在窗口内以中心像素为基础点制作4个五边形,4个四边形、一个边长为3的正方形共9个掩膜,如下所示:
根据上述9个模板分别计算各个模板下的均值和方差,计算方法如下所示:
9个模板中查找方差最小掩膜下的灰度均值作为最终的平滑结果。平滑效果如图10-12所示。
S22、目标区域图像二值化:对选择式掩膜平滑处理后的目标区域进行图像二值化处理;图像二值化使图像中数据量大为减少,从而能凸显出目标的轮廓。
S23、中心点提取:对二值化之后的目标区域图像,按列求取连续灰度值为255的线段长度集合,由于钢轨断面具有最长的连续灰度值为255的线段,所以每列的目标光条区域为,并记录目标线段的上下边界为,则该列的光条中心点为,从而得到目标区域的光条中心。
实施例4
本实施例在实施例3的基础上作进一步的改进,所述S2步骤还包括:
S24、中心点滤波:在一些特殊情况下,在钢轨断面附近,可能由于一些光照或者其它因素影响,导致提取的小部分中心点存在错误情况,所以需要对提取错误的点进行过滤。提取的光条中心为一堆散点,利用前后点的位置关系,对提取的光条中心点集进行聚簇处理,设置偏差因子,在偏差因子内的点集归为一类,以次类推,从而得到分类结果,然后对聚簇之后的点集,根据点个数、面积及长度等几何信息进行过滤筛选,对剩下的所有点集再次归一到一个点集中,该点集就为最后的光条中心。
S25、插值:在经过滤波处理滤除误识别点之后,光条中心点可能存在部分断裂的情况,考虑到运算速度等因素,所以采用线性插值的方式对光条中心点进行补齐。
S26、平滑处理:由于相机成像及其它因素影响,成像的图像存在毛刺等现象,从而导致提取的光条不具有很好的曲线特性,本实施例采用一种改进的基于积分图的均值滤波方式对光条中心点进行平滑处理。积分图只需遍历一次数据即可有效地计算出来,积分图每一点的值为:
综上,本实施例对目标区域依次进行选择式掩膜平滑、目标区域图像二值化、中心点提取、中心点滤波、插值和平滑处理,提取目标区域光条中心;其中,选择式掩膜平滑处理能得到较好的图像细节;目标区域图像二值化处理能凸显出目标的轮廓;中心点提取处理能得到目标区域的光条中心;中心点滤波处理能对提取错误的点进行过滤;插值处理能对断裂的光条中心点进行补齐;平滑处理能使光条具有很好的曲线特性。通过上述的处理,能准确提取出目标区域的光条中心,使光条提取精度较高、速度较快以及鲁棒性较好。
以上对本发明的实施方式进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种等同变型或替换,这些等同或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种基于嵌入式的钢轨廓形检测光条提取方法,其特征在于,包括以下步骤:
S1、对原始图像依次进行图像缩放、动态阈值分割和连通区域筛选处理,确定原始图像上的目标区域;
S2、对确定目标区域后的原始图像依次进行选择式掩膜平滑、目标区域图像二值化和中心点提取处理,得到目标区域的光条中心。
2.如权利要求1所述的钢轨廓形检测光条提取方法,其特征在于,所述S1步骤包括以下步骤:
S11、所述图像缩放包括:对原始图像分别按行与列进行抽点处理,得到缩小后的缩放图像;
S12、所述动态阈值分割包括:对缩放图像进行大尺度平滑得到平滑图像,并将缩放图像和平滑图像做差分,得到差分图像;其中,平滑尺度设置为钢轨轨头区域的宽度;
S13、所述连通区域筛选包括:在差分图像中,筛选出光条连通的区域;
S14、所述确定目标区域包括:在筛选出的光条连通区域中,采用连通区域最小外接矩形的方式,筛选出目标区域,并将目标区域按照S11步骤缩小的比例进行放大,在原始图像上得到目标区域的范围。
3.如权利要求1所述的钢轨廓形检测光条提取方法,其特征在于,所述选择式掩膜平滑以模板运算为基础,制作若干掩膜,再分别计算各个掩膜的均值和方差,最后查找方差最小掩膜下的灰度均值作为最终的平滑结果。
4.如权利要求1所述的钢轨廓形检测光条提取方法,其特征在于,所述中心点提取包括:对二值化之后的目标区域图像,按列求取连续灰度值为钢轨断面最长连续灰度值的线段长度集合,并计算每列的目标光条区域、目标线段的上下边界和光条中心点,得到目标区域的光条中心。
6.如权利要求3所述的钢轨廓形检测光条提取方法,其特征在于,所述S2步骤中,对原始图像进行中心点提取后,还包括中心点滤波处理,得到目标区域光条中心;
所述中心点滤波处理包括:
利用前后点的位置关系,对提取的光条中心点集进行聚簇处理;
根据包括点个数、面积及长度的几何信息,对聚簇之后的点集进行过滤,并筛选出提取错误的点;
将筛选剩下的所有点集归一到一个点集中形成目标区域光条中心。
8.如权利要求6所述的钢轨廓形检测光条提取方法,其特征在于,所述S2步骤中,对中心点滤波处理后,还包括采用线性插值的方式对光条中心点进行补齐处理,得到目标区域光条中心。
9.如权利要求8所述的钢轨廓形检测光条提取方法,其特征在于,所述S2步骤中,线性插值对光条中心点进行补齐后,还包括采用基于积分图的均值滤波方式对光条中心点进行平滑处理,得到目标区域光条中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321211.XA CN114842041A (zh) | 2022-03-30 | 2022-03-30 | 一种基于嵌入式的钢轨廓形检测光条提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321211.XA CN114842041A (zh) | 2022-03-30 | 2022-03-30 | 一种基于嵌入式的钢轨廓形检测光条提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842041A true CN114842041A (zh) | 2022-08-02 |
Family
ID=82563690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210321211.XA Pending CN114842041A (zh) | 2022-03-30 | 2022-03-30 | 一种基于嵌入式的钢轨廓形检测光条提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842041A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740332A (zh) * | 2023-06-01 | 2023-09-12 | 南京航空航天大学 | 基于区域检测的星上空间目标部件中心定位和测角方法 |
-
2022
- 2022-03-30 CN CN202210321211.XA patent/CN114842041A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740332A (zh) * | 2023-06-01 | 2023-09-12 | 南京航空航天大学 | 基于区域检测的星上空间目标部件中心定位和测角方法 |
CN116740332B (zh) * | 2023-06-01 | 2024-04-02 | 南京航空航天大学 | 基于区域检测的星上空间目标部件中心定位和测角方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115222741B (zh) | 一种电缆表面缺陷检测方法 | |
CN114723681B (zh) | 一种基于机器视觉的混凝土裂缝缺陷检测方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN112819845B (zh) | 柔性封装基板轮廓、线宽线距缺陷检测方法及介质和设备 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN109035219B (zh) | 基于bp神经网络的fics金手指缺陷检测系统及检测方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
JP2014228357A (ja) | ひび割れ検出方法 | |
CN111968079B (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
CN108802051B (zh) | 一种柔性ic基板直线线路气泡及折痕缺陷检测系统及方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN113888446A (zh) | 一种钣金结构件折弯线智能检测方法 | |
CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
CN114842041A (zh) | 一种基于嵌入式的钢轨廓形检测光条提取方法 | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN114119957A (zh) | 高速铁路钢轨廓形检测方法及装置 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN116245879B (zh) | 一种玻璃基板平整度评估方法和系统 | |
WO2023134251A1 (zh) | 一种基于聚类的光条提取方法及装置 | |
CN109064420B (zh) | 一种多层pcb截面图像工艺参数提取方法 | |
CN114004812A (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 | |
CN113505811A (zh) | 一种轮毂生产用机器视觉成像方法 |
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 |