CN114862786A - 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 - Google Patents

基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 Download PDF

Info

Publication number
CN114862786A
CN114862786A CN202210464912.9A CN202210464912A CN114862786A CN 114862786 A CN114862786 A CN 114862786A CN 202210464912 A CN202210464912 A CN 202210464912A CN 114862786 A CN114862786 A CN 114862786A
Authority
CN
China
Prior art keywords
image
ostu
retinex
threshold segmentation
illumination
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
Application number
CN202210464912.9A
Other languages
English (en)
Inventor
刘欣
汪志强
周玉权
刘邦金
侯梦龙
肖迪
黄文浩
朱国平
张云轩
唐斯雳
李东璐
邹伦森
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.)
China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Qingyuan Energy Storage And Power Generation Co ltd
Original Assignee
China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Qingyuan Energy Storage And Power Generation 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 China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd, Qingyuan Energy Storage And Power Generation Co ltd filed Critical China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Priority to CN202210464912.9A priority Critical patent/CN114862786A/zh
Publication of CN114862786A publication Critical patent/CN114862786A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G06T5/70—
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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

Abstract

本发明涉及基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统，其方法步骤包括：S1、利用巡检机器人采集带有隔离带的图片，并调整所采集图像的大小；S2、利用Retinex算法增强低照度图像光照，改进图像质量；S3、对图像进行灰度化后，采用高斯平滑滤波器平滑图像除去噪声；S4、利用基于改进遗传算法的Ostu技术进行阈值分割，区分隔离带目标区域和背景区域，获得初步的二值化图像；S5、利用形状学运算，通过腐蚀、膨胀来完善图像；S6、进行轮廓检测，并通过调整轮廓高和宽以及检测位置确定隔离带的具体区域。本发明通过采用改进的遗传算法来寻找Ostu的最优阈值，从而提高了算法的效率，实现了信息的及时反馈，提升巡检过程的自动化。

Description

基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及 系统
技术领域
本发明涉及室内复杂环境下巡检机器人识别算法优化技术领域，尤其涉及基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统。
背景技术
在室内复杂环境下，通过安装在巡检机器人上的高清摄像头来实时采集设备图像，然后对其进行分析，从而做出预警或提示。通常，在一些危险或重要区域设置隔离带，当机器人例行巡检任务时，可以通过检测隔离带的存在来判断是否需要进行减速或其他操作，以避免巡检机器人误入此类区域，此时隔离带的检测起到了重要作用。目前，已有多种隔离带检测技术应用于巡检机器人上，且算法在不断更新，但是仍存在精度低、实时性差等弱点。
因此，需要寻找一种利用图像识别技术自动检测隔离带的存在的方法，若发现巡检机器人靠近隔离带区域时，能够及时做出反馈，减少人力物力的浪费，提升巡检过程的自动化。
发明内容
为解决现有技术所存在的技术问题，本发明提供基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统，通过采用改进的遗传算法来寻找Ostu的最优阈值，从而提高了算法的效率，实现了信息的及时反馈，提升巡检过程的自动化。
本发明方法采用以下技术方案来实现：基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，包括以下步骤：
S1、利用巡检机器人采集带有隔离带的图片，并调整所采集图像的大小；
S2、利用Retinex算法增强低照度图像光照，改进图像质量；
S3、对图像进行灰度化后，采用高斯平滑滤波器平滑图像除去噪声；
S4、利用基于改进遗传算法的Ostu技术进行阈值分割，区分隔离带目标区域和背景区域，获得初步的二值化图像；
S5、利用形状学运算，通过腐蚀、膨胀来完善图像；
S6、进行轮廓检测，并通过调整轮廓高和宽以及检测位置确定隔离带的具体区域。
本发明系统采用以下技术方案来实现：基于Retinex图像增强和Ostu阈值分割的隔离带检测系统，包括：
隔离带图片采集模块：通过巡检机器人采集带有隔离带的图片，并调整所采集图像的大小；
图像增强模块：通过Retinex算法增强低照度图像光照，改进图像质量；
图像灰度模块：用于对图像进行灰度化处理；
高斯滤波模块：通过采用高斯平滑滤波器平滑图像除去噪声；
阈值分割模块：通过基于改进遗传算法的Ostu技术进行阈值分割，区分隔离带目标区域和背景区域，获得初步的二值化图像；
形态学运算模块：通过形状学运算，腐蚀、膨胀完善图像；
轮廓检测模块：用于进行检测轮廓；
隔离带区域选择模块：通过调整轮廓高和宽以及检测位置确定隔离带的具体区域。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明采用Retinex图像增强技术，通过抑制光照图像对反射图像的影响来达到增强图像的目的，可避免光线对隔离带检测的影响。
2、本发明通过采用改进的遗传算法来寻找Ostu的最优阈值，从而提高了算法的效率，实现了信息的及时反馈，提升巡检过程的自动化。
附图说明
图1是本发明的方法流程图；
图2是本发明灰度化结果示意图；
图3是本发明高斯滤波结果示意图；
图4是本发明阈值分割结果示意图；
图5是本发明腐蚀操作结果示意图；
图6是本发明膨胀操作结果示意图；
图7是本发明轮廓检测结果示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本实施例基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，包括以下步骤：
S1、利用巡检机器人采集带有隔离带的图片，并调整所采集图像的大小；
S2、利用Retinex算法增强低照度图像光照，改进图像质量；
S3、对图像进行灰度化后，采用高斯平滑滤波器平滑图像除去噪声；
S4、利用基于改进遗传算法的Ostu技术进行阈值分割，区分隔离带目标区域和背景区域，获得初步的二值化图像；
S5、利用形状学运算，通过腐蚀、膨胀来完善图像；
S6、进行轮廓检测，并通过调整轮廓高和宽以及检测位置确定隔离带的具体区域。
本实施例中，Retinex算法增强低照度图像光照的具体过程为：
从原始图像I中估计出光照分量L，并去除光照分量L，得到反射分量R，从而消除光照不均的影响，以改善图像的视觉效果；三者满足以下数学表达式为：
I(x,y)＝L(x,y)×R(x,y) (1)
其中，I(x,y)为观察者或相机获得的原始图像，L(x,y)为环境中的光照分量，R(x,y)为物体表面的反射分量；
将公式(1)两边取对数，即：
log[R(x,y)]＝log[I(x,y)]-log[L(x,y)] (2)
本实施例中，Retinex算法的具体步骤如下：
S21、输入原始待增强的图像I(x,y)；
S22、计算原始图像按指定尺度进行模糊后的图像L(x,y)；
S23、获取物体表面的反射分量的对数log[R(x,y)]；
S24、对log[R(x,y)]取反对数后，作为最终的输出。
本实施例中，步骤S3中高斯滤波函数的表达式如下：
Figure BDA0003623477460000031
其中，G(x,y)为像素点(x,y)灰度值，(x,y)为像素点坐标，x，y为像素点到中心点的距离，σ为控制滤波程度参数；
高斯滤波后的图像为：
F(x,y)＝G(x,y)f(x,y) (4)
其中，f(x,y)为原始图像，F(x,y)为去噪后的图像。
本实施例中，步骤S4的具体实现过程如下：
S41、将图像的灰度值编码为二进制，每个二进制为一个个体，以此表示分割阈值；
S42、生成初始群体，设定初始种群数量与最大迭代次数；
S43、将每个二进制个体解码为实际的灰度值；
S44、选取适应度函数，并以此评估种群中个体的适应度；
S45、对种群中的个体进行交叉操作；
S46、对种群中的个体进行变异操作；
S47、当达到最大迭代次数或个体适应度达到设定的标准时，算法终止，具有最大适应度值的个体为最优分割阈值；
S48、以返回的最佳阈值对图像进行二值化分割。
具体地，对于图像I(x,y)，前景和背景的分割阈值记为T，前景像素点所占比例记为ω0，其平均灰度μ0；背景像素点所占比例记为ω1，其平均灰度为μ1；设图像的大小为M×N，图像中像素的灰度值小于阈值T的像素数记为N0，像素灰度大于阈值T的像素数记为N1，则有：
Figure BDA0003623477460000041
Figure BDA0003623477460000042
图像的总平均灰度μ为：
μ＝w0×μ0+w1×μ1 (7)
前景和背景的类间方差σ2的计算公式为：
σ2＝w0(μ0-μ)2+w1(μ1-μ)2 (8)
当类间方差σ2最大时，对应的灰度值即为所求的最佳阈值，如公式(9)所示：
T＝arg maxσ2 (9)
Ostu算法通过遍历整个图像的灰度值，并计算当其为阈值时的类间方差，寻找最大的类间方差，才得到最佳分割阈值；当图像I(x,y)的尺寸变大时，该算法的计算量也会同步增加；因此，本实施例采用改进的遗传算法来寻找Ostu的最优阈值，提高算法的效率。
为了获得最优的分割阈值，本实施例对现有的遗传算法做出改进，改进的交叉概率如公式(10)、改进的变异概率如公式(11)所示：
Figure BDA0003623477460000043
其中，Pcmax是最大交叉概率，f是交叉操作前两个父代中较大的适应度，fmax是群体中的最大适应度值，favg是群体的平均适应度值；
Figure BDA0003623477460000051
其中，Pmmax是最大变异概率，f’是变异操作前两个父代中较大的适应度；
经对遗传算法改进，优良个体与普通个体之间的差异增加，从而能够实现对最优解的快速搜索。
本实施例中，步骤S5的具体实现过程如下：
通过利用形态学开运算，先腐蚀后膨胀，用来去除图像中孤立的小点或毛刺，以及在纤细点处分离物体和平滑较大物体的边界，但不会改变其位置和形状；形态学开运算定义如下所示，先用B对A进行腐蚀，然后再用B对其进行膨胀：
Figure BDA0003623477460000052
具体地，测试结果如图2、图3、图4、图5、图6、图7所示。
基于相同的发明构思，本发明提出基于Retinex图像增强和Ostu阈值分割的隔离带检测系统，包括：
隔离带图片采集模块：通过巡检机器人采集带有隔离带的图片，并调整所采集图像的大小；
图像增强模块：通过Retinex算法增强低照度图像光照，改进图像质量；
图像灰度模块：用于对图像进行灰度化处理；
高斯滤波模块：通过采用高斯平滑滤波器平滑图像除去噪声；
阈值分割模块：通过基于改进遗传算法的Ostu技术进行阈值分割，区分隔离带目标区域和背景区域，获得初步的二值化图像；
形态学运算模块：通过形状学运算，腐蚀、膨胀完善图像；
轮廓检测模块：用于进行检测轮廓；
隔离带区域选择模块：通过调整轮廓高和宽以及检测位置确定隔离带的具体区域。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，包括以下步骤：
S1、利用巡检机器人采集带有隔离带的图片，并调整所采集图像的大小；
S2、利用Retinex算法增强低照度图像光照，改进图像质量；
S3、对图像进行灰度化后，采用高斯平滑滤波器平滑图像除去噪声；
S4、利用基于改进遗传算法的Ostu技术进行阈值分割，区分隔离带目标区域和背景区域，获得初步的二值化图像；
S5、利用形状学运算，通过腐蚀、膨胀来完善图像；
S6、进行轮廓检测，并通过调整轮廓高和宽以及检测位置确定隔离带的具体区域。
2.根据权利要求1所述的基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，Retinex算法增强低照度图像光照的具体过程为：
从原始图像I中估计出光照分量L，并去除光照分量L，得到反射分量R；三者满足以下数学表达式为：
I(x,y)＝L(x,y)×R(x,y) (1)
其中，I(x,y)为观察者或相机获得的原始图像，L(x,y)为环境中的光照分量，R(x,y)为物体表面的反射分量；
将公式(1)两边取对数，即：
log[R(x,y)]＝log[I(x,y)]-log[L(x,y)] (2)。
3.根据权利要求2所述的基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，Retinex算法的具体步骤如下：
S21、输入原始待增强的图像I(x,y)；
S22、计算原始图像按指定尺度进行模糊后的图像L(x,y)；
S23、获取物体表面的反射分量的对数log[R(x,y)]；
S24、对log[R(x,y)]取反对数后，作为最终的输出。
4.根据权利要求1所述的基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，步骤S3中高斯滤波函数的表达式如下：
Figure FDA0003623477450000011
其中，G(x,y)为像素点(x,y)灰度值，(x,y)为像素点坐标，x，y为像素点到中心点的距离，σ为控制滤波程度参数；
高斯滤波后的图像为：
F(x,y)＝G(x,y)f(x,y) (4)
其中，f(x,y)为原始图像，F(x,y)为去噪后的图像。
5.根据权利要求1所述的基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，步骤S4的具体实现过程如下：
S41、将图像的灰度值编码为二进制，每个二进制为一个个体，以此表示分割阈值；
S42、生成初始群体，设定初始种群数量与最大迭代次数；
S43、将每个二进制个体解码为实际的灰度值；
S44、选取适应度函数，并以此评估种群中个体的适应度；
S45、对种群中的个体进行交叉操作；
S46、对种群中的个体进行变异操作；
S47、当达到最大迭代次数或个体适应度达到设定的标准时，算法终止，具有最大适应度值的个体为最优分割阈值；
S48、以返回的最佳阈值对图像进行二值化分割。
6.根据权利要求5所述的基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，Ostu算法所求阈值具体如下：
对于图像I(x,y)，前景和背景的分割阈值记为T，前景像素点所占比例记为ω0，其平均灰度μ0；背景像素点所占比例记为ω1，其平均灰度为μ1；设图像的大小为M×N，图像中像素的灰度值小于阈值T的像素数记为N0，像素灰度大于阈值T的像素数记为N1，则有：
Figure FDA0003623477450000021
Figure FDA0003623477450000022
图像的总平均灰度μ为：
μ＝w0×μ0+w1×μ1 (7)
前景和背景的类间方差σ2的计算公式为：
σ2＝w0(μ0-μ)2+w1(μ1-μ)2 (8)
当类间方差σ2最大时，对应的灰度值即为所求的最佳阈值，如公式(9)所示：
T＝arg maxσ2 (9)。
7.根据权利要求1所述的基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，改进的遗传算法具体如下：
改进的交叉概率如公式(10)、改进的变异概率如公式(11)所示：
Figure FDA0003623477450000031
其中，Pcmax是最大交叉概率，f是交叉操作前两个父代中较大的适应度，fmax是群体中的最大适应度值，favg是群体的平均适应度值；
Figure FDA0003623477450000032
其中，Pmmax是最大变异概率，f’是变异操作前两个父代中较大的适应度。
8.根据权利要求1所述的基于Retinex图像增强和Ostu阈值分割的隔离带检测方法，其特征在于，步骤S5的具体实现过程如下：
通过利用形态学开运算，先腐蚀后膨胀；形态学开运算定义如下所示，先用B对A进行腐蚀，然后再用B对其进行膨胀：
Figure FDA0003623477450000033
9.基于Retinex图像增强和Ostu阈值分割的隔离带检测系统，其特征在于，包括：
隔离带图片采集模块：通过巡检机器人采集带有隔离带的图片，并调整所采集图像的大小；
图像增强模块：通过Retinex算法增强低照度图像光照，改进图像质量；
图像灰度模块：用于对图像进行灰度化处理；
高斯滤波模块：通过采用高斯平滑滤波器平滑图像除去噪声；
阈值分割模块：通过基于改进遗传算法的Ostu技术进行阈值分割，区分隔离带目标区域和背景区域，获得初步的二值化图像；
形态学运算模块：通过形状学运算，腐蚀、膨胀完善图像；
轮廓检测模块：用于进行检测轮廓；
隔离带区域选择模块：通过调整轮廓高和宽以及检测位置确定隔离带的具体区域。
CN202210464912.9A 2022-04-29 2022-04-29 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 Pending CN114862786A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210464912.9A CN114862786A (zh) 2022-04-29 2022-04-29 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210464912.9A CN114862786A (zh) 2022-04-29 2022-04-29 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统

Publications (1)

Publication Number Publication Date
CN114862786A true CN114862786A (zh) 2022-08-05

Family

ID=82634654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210464912.9A Pending CN114862786A (zh) 2022-04-29 2022-04-29 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统

Country Status (1)

Country Link
CN (1) CN114862786A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115449A (zh) * 2023-10-24 2023-11-24 中国石油大学(华东) 一种适用于大场景光学遥感影像的海面船只目标分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100303372A1 (en) * 2007-07-26 2010-12-02 Omron Corporation Digital image processing and enhancing system and method with function of removing noise
CN105825482A (zh) * 2016-03-15 2016-08-03 四川用联信息技术有限公司 一种深度图像的修复算法
CN110211074A (zh) * 2019-05-31 2019-09-06 天津大学 低照度电子散斑干涉条纹图像增强方法
CN111489367A (zh) * 2020-06-24 2020-08-04 浙江大学 一种自动化选择轮毂二维码打码可行区域的定位方法
CN113296095A (zh) * 2021-05-21 2021-08-24 东南大学 一种用于脉冲探地雷达的目标双曲线边缘提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100303372A1 (en) * 2007-07-26 2010-12-02 Omron Corporation Digital image processing and enhancing system and method with function of removing noise
CN105825482A (zh) * 2016-03-15 2016-08-03 四川用联信息技术有限公司 一种深度图像的修复算法
CN110211074A (zh) * 2019-05-31 2019-09-06 天津大学 低照度电子散斑干涉条纹图像增强方法
CN111489367A (zh) * 2020-06-24 2020-08-04 浙江大学 一种自动化选择轮毂二维码打码可行区域的定位方法
CN113296095A (zh) * 2021-05-21 2021-08-24 东南大学 一种用于脉冲探地雷达的目标双曲线边缘提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔玲玲等: "基于改进遗传算法的Otsu图像分割方法", 《长春工程学院学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115449A (zh) * 2023-10-24 2023-11-24 中国石油大学(华东) 一种适用于大场景光学遥感影像的海面船只目标分割方法
CN117115449B (zh) * 2023-10-24 2024-01-26 中国石油大学(华东) 一种适用于大场景光学遥感影像的海面船只目标分割方法

Similar Documents

Publication Publication Date Title
CN109800824B (zh) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN111223088B (zh) 一种基于深层卷积神经网络的铸件表面缺陷识别方法
CN110163219B (zh) 基于图像边缘识别的目标检测方法
CN116205919B (zh) 基于人工智能的五金零件生产质量检测方法及系统
KR101901961B1 (ko) 부품을 인식하기 위한 장치 및 그 방법
CN115829883A (zh) 一种异性金属结构件表面图像去噪方法
CN109242853A (zh) 一种基于图像处理的pcb缺陷智能检测方法
CN113870235A (zh) 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法
CN109781737B (zh) 一种软管表面缺陷的检测方法及其检测系统
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN115578374A (zh) 一种机械零件铸造质量评估方法与系统
CN113469951B (zh) 一种基于级联区域卷积神经网络的轮毂缺陷检测方法
CN115496692B (zh) 一种润滑油磨粒图像增强方法
CN116777907A (zh) 一种钣金件质量检测方法
CN111598856A (zh) 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统
CN115311507B (zh) 基于数据处理的建筑板材分类方法
CN113177924A (zh) 一种工业流水线产品瑕疵检测方法
CN113393426A (zh) 一种轧钢板表面缺陷检测方法
CN111369526B (zh) 基于半监督深度学习的多类型旧桥裂痕识别方法
CN112668725A (zh) 一种基于改进特征的金属洗手盆缺陷目标训练方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN114862786A (zh) 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统
CN113673396A (zh) 一种孢子发芽率计算方法、装置及存储介质
CN113129265A (zh) 瓷砖表面缺陷检测方法、装置及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220805