CN114862795A - 物体表面温度测量系统、测量方法、智能终端及存储介质 - Google Patents
物体表面温度测量系统、测量方法、智能终端及存储介质 Download PDFInfo
- Publication number
- CN114862795A CN114862795A CN202210490156.7A CN202210490156A CN114862795A CN 114862795 A CN114862795 A CN 114862795A CN 202210490156 A CN202210490156 A CN 202210490156A CN 114862795 A CN114862795 A CN 114862795A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- module
- information
- temperature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 81
- 238000001914 filtration Methods 0.000 claims abstract description 60
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims description 54
- 238000010586 diagram Methods 0.000 claims description 43
- 238000012795 verification Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000005316 response function Methods 0.000 claims description 9
- 238000003707 image sharpening Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012805 post-processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20028—Bilateral filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种物体表面温度测量系统、测量方法、智能终端、存储介质，包括：图像采集模块、图像滤波模块、图像分割模块、信息提取模块、标定模块和计算模块；图像采集模块用于对物体表面的可见光目标图像进行采集；图像滤波模块用于对目标图像的噪声进行过滤；图像分割模块用于对目标图像进行分割得到目标区域；信息提取模块用于将目标区域中的色温信息提取出来；标定模块用于对测温模型进行优化得到最优测温模型；计算模块用于将色温信息带入到最优测温模型中进行计算得到物体表面的温度。本发明采用自主开发的图像分割方法，可以排除高温物体表面附着物的干扰，提高了物体表面温度的测量精度。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种物体表面温度测量系统、测量方法、智能终端及存储介质。
背景技术
温度是工业领域一项重要的参数，温度测量是工业应用中重要的内容。目前，国内外的测温方法主要有接触式和非接触式方法。
国际通用的接触式测温方法主要通过利用热电偶和热电阻等测温工具进行测量，这些测温器材具有良好的可操作性且造价相对低廉、制造方式易得，通过实验验证与实际工程应用，皆证明了这些方法在很多温度场的测量中起到了良好的作用。利用这些工具测量出的温度数据信息，有利于控制生产中的温度，降低生产成本。
但是通常情况下，在实际工业应用恶劣的工作环境下，接触式测温器材与设备的精度将大幅减小，使用寿命亦将严重降低，同时由于其引线的布置相对复杂，且其对温度较为敏感等缺点，此类接触式测温方法无法长期且稳定的胜任研究。而国际上通用的非接触式测温方法，如高温计仅指示目标位置的温度，为了获得总体温度分布，需要使用光学或辐射高温计扫描热源表面，但部分工业环境不宜长时间暴露；虽然使用红外非接触式传感器或红外热扫描仪也可以呈现温度分布，然而其失真的图像、极高的成本与复杂的技术实现却使之并不适用于传统工业领域测温。因此，需要一种实时、精确且相对廉价的温度测量技术。
针对上述需求，目前，国内外仅有少量相关的解决方案。
专利CN110160661B公开了一种基于可见光照片的物体表面温度的测量方法及装置，其方法包括首先通过训练得到优化的基于可见光照片的物体表面温度识别的温度识别模型，采集未知温度下的待测物体表面的可见光照片，提取可见光照片的三基色灰度频率分布信息输入该温度识别模型，得到待测物体表面的温度。该方法结构简单，便于操作，但也存在一些问题如：(1)所选固定区域为矩形，但实际情况的测温区域复杂多变，该方法易采集到无效背景信息，则精度会下降；(2)未对所采集到的信息进行有效降噪，无法适应高噪的恶劣环境，则不能保证检测精度。
发明内容
鉴于上述问题，本发明的目的是提出一种物体表面温度测量系统、测量方法、智能终端及存储介质，通过图像处理提取高温物体表面可见光图像的三原色信息并带入色温相关性公式计算得到温度信息的方式，从而降低了成本，进一步缩短了温度测量的时间。
为实现上述目的，本发明采用以下具体技术方案：
本发明提供一种物体表面温度测量系统，包括：图像预处理子系统和数据后处理子系统；其中图像预处理子系统包括：图像采集模块、图像滤波模块、图像分割模块和信息提取模块；数据后处理子系统包括：标定模块和计算模块；
图像采集模块用于对物体表面的可见光目标图像进行采集；
图像滤波模块用于对目标图像的噪声进行过滤；
图像分割模块用于对目标图像进行分割得到目标区域；
信息提取模块用于将目标区域中的色温信息提取出来；
标定模块用于对测温模型进行优化得到最优测温模型；
计算模块用于将色温信息带入到最优测温模型中进行计算得到物体表面的温度。
优选地，图像采集模块包括：可见光采集单元和像素信息获取单元；
其中，可见光采集单元用于对目标图像进行捕获；像素信息获取单元用于将目标图像转为电信号并输出至图像滤波模块。
优选地，图像滤波模块包括：高斯双边滤波单元和图像锐化单元；
其中，高斯双边滤波单元用于对目标图像的噪声进行过滤；图像锐化单元用于使目标图像的边缘更加清晰。
优选地，图像分割模块包括：鼠标响应函数设置单元、图像数组化单元、人机交互式轮廓勾勒单元、最小化框图构建单元和图像计算单元；
鼠标响应函数设置单元通过对鼠标键的设置以实现对滤波图像开始取点和结束取点的功能；
图像数组化单元用于将滤波图像转化为数组，并将滤波图像中每一个像素点的位置坐标保存在数组中；
人机交互式轮廓勾勒单元通过鼠标键对滤波图像进行取点以实现对目标区域的轮廓勾勒，将每个点的坐标记录在以数组形式表示的列表中；
最小化框图构建单元根据数组中的数据构建将目标区域包络在内的最小多边形图和最小化框图；
图像计算单元用于将掩码填充至最小多边形中，并将其与最小化框图进行像素逻辑操作后得到一次分割图像。
优选地，图像分割模块还包括：OTSU阈值分割单元；
OTSU阈值分割单元用于将最小化框图再次进行分割后得到二次分割图像；
将一次分割图像与二次分割图像在图像计算单元中进行与操作得到目标区域。
优选地，信息提取模块包括：图像导入单元、图像转换单元、图像信息提取单元、图像信息过滤单元和图像降噪单元；
图像导入单元通过cv2.imread函数将一次分割图像或目标区域进行导入；
图像转换单元通过cv2.cvtColor函数转换一次分割图像或目标区域的图像模式；
图像信息提取单元通过shape函数获取一次分割图像或目标区域的高度和宽度信息；
图像信息过滤单元通过if语句进行有效信息的提取；
图像降噪单元通过阈值处理对有效信息进行降噪处理后得到色温信息。
优选地，标定模块包括：数据集处理单元、最小二乘法拟合单元、测温模型计算单元和测温模型验证单元；
数据集处理单元用于将色温信息带入R*B/G2模型中进行数据处理得到数据集，并将数据集随机划分成训练集和验证集；
最小二乘法拟合单元用于对色温信息与物体表面的真实温度值之间的函数关系进行拟合得到色温相关性公式：
其中，x为R*B/G2；a0，a1，a2和a3分别为拟合所得参数；
测温模型计算单元用于对训练集进行分析得到初始测温模型；
测温模型验证单元用于对验证集进行验证后得到验证温度，并计算验证温度与验证集之间的温度方差，将温度方差的最小值所对应的色温相关性公式
作为最优测温模型。
本发明还提供一种物体表面温度测量方法，包括以下步骤：
S1、通过图像采集模块对高温物体表面的可见光目标图像进行采集；
S2、通过图像滤波模块和图像分割模块对目标图像进行滤波和分割处理，得到目标区域；
S3、通过信息采集模块对目标区域中的色温信息进行提取；
S4、计算模块将色温信息代入最优测温模型中进行计算，得到物体表面的温度。
优选地，步骤S1包括以下子步骤：
S101、通过可见光采集单元对目标图像进行捕获；
S102、通过像素信息获取单元将目标图像转为电信号并输出至图像滤波模块。
优选地，步骤S2包括以下子步骤：
S201、通过高斯双边滤波单元对目标图像的噪声进行过滤；
S202、通过图像锐化单元对目标图像进行锐化操作。
优选地，步骤S2还包括以下子步骤：
S211、通过鼠标响应函数设置单元对鼠标键进行设置，以实现滤波图像开始取点和结束取点的功能；
S212、通过图像数组化单元将滤波图像转化为数组，并将滤波图像中每一个像素点的位置坐标保存在数组中；
S213、通过人机交互式轮廓勾勒单元对滤波图像进行取点以实现对目标区域的轮廓勾勒，并将每个点的坐标记录在以数组形式表示的列表中；
S214、通过最小化框图构建单元根据数组中的数据构建将目标区域包络在内的最小多边形图和最小化框图；
S215、通过图像计算单元用于将掩码填充至最小多边形中，并将其与最小化框图进行像素逻辑操作后得到一次分割图像。
优选地，步骤S2还包括以下子步骤：
S216、通过OTSU阈值分割单元将最小化框图再次进行分割后得到二次分割图像；
S217、将一次分割图像与二次分割图像进行与操作得到目标区域。
优选地，步骤S3包括以下子步骤：
S301、通过图像导入单元将一次分割图像或目标区域进行导入；
S302、通过图像转换单元转换一次分割图像或目标区域的图像模式；
S303、通过图像信息提取单元获取一次分割图像或目标区域的高度和宽度信息；
S304、通过图像信息过滤单元进行有效信息的提取；
S305、通过图像降噪单元对有效信息进行降噪处理后得到色温信息。
优选地，步骤S4包括以下步骤：
S41、预处理步骤：将色温信息带入R*B/G2模型中进行数据处理得到数据集，并将数据集随机划分成训练集和验证集；
S42、通过改进的最小二乘法对色温信息与物体表面的真实温度值之间的函数关系进行拟合得到色温相关性公式：
其中，x为R*B/G2；a0，a1，a2和a3分别为拟合所得参数；
通过神经网络算法对训练集进行分析得到初始测温模型；
S43、通过色温相关性公式和神经网络算法对验证集进行验证后得到验证温度，计算验证温度与验证集之间的温度方差，将温度方差的最小值所对应的色温相关性公式
作为最优测温模型。
优选地，步骤S42中色温相关性公式的拟合过程为：
首先定义标准形式的多项式为：
其中，xi为变量；p为多项式次数；yi为真实温度值；
将多项式次数p设置为3，可以得到：
将实验数据拟合问题转化为求如下方程的解的问题：
其中，n为变量数目；
引入正则化参数b对最小二乘法进行改进，通过对最高次项的系数a3进行惩罚，可以得到：
其中，b的取值范围为(0,1000)。
本发明还提供一种智能终端，包括处理器和存储器；
存储器存储有用于实现如上述的物体表面温度测量方法的程序指令；处理器用于执行存储器存储的实现物体表面温度测量方法的程序指令。
本发明还提供一种存储介质，计算机可读存储介质存储有计算机程序，其特征在于：计算机程序被处理器执行时实现如上述的物体表面温度测量方法的步骤。
与现有的技术相比，本发明通过图像处理提取高温物体表面可见光图像的三原色信息并带入色温相关性公式计算得到温度信息的方式，从而降低了成本，进一步缩短了温度测量的时间。
附图说明
图1是根据本发明实施例提供的物体表面温度测量方法的流程示意图。
图2是根据本发明实施例提供的物体表面温度测量系统中图像采集模块的逻辑框架示意图。
图3是根据本发明实施例提供的物体表面温度测量系统中图像滤波模块的逻辑框架示意图。
图4是根据本发明实施例提供的物体表面温度测量系统中人机交互掩码分割算法的逻辑框架示意图。
图5是根据本发明实施例提供的物体表面温度测量系统中图像分割模块的逻辑框架示意图。
图6是根据本发明实施例提供的物体表面温度测量系统中信息提取模块的逻辑框架示意图。
图7是根据本发明实施例提供的物体表面温度测量系统中标定模块的逻辑框架示意图。
图8是根据本发明实施例提供的物体表面温度测量系统中计算模块的逻辑框架示意图。
图9是根据本发明实施例提供的物体表面温度测量系统的测试效果曲线。
图10是根据本发明实施例提供的物体表面温度测量系统的逻辑框架示意图。
具体实施方式
在下文中，将参考附图描述本发明的实施例。在下面的描述中，相同的模块使用相同的附图标记表示。在相同的附图标记的情况下，它们的名称和功能也相同。因此，将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。
图1示出了根据本发明实施例提供的物体表面温度测量方法的流程图。
如图1所示，本发明实施例提供的物体表面温度测量方法包括以下步骤：
S1、通过图像采集模块对高温物体表面的可见光目标图像进行采集。
图2示出了根据本发明实施例提供的物体表面温度测量方法中图像采集模块的流程图。
如图2所示，本发明实施例提供的图像采集模块使用型号为SY011HD的相机与FPGA终端组合，用于对高温物体表面的瞬间静态图像进行采集，获取高温物体表面的彩色图像像素信息。
首先在相机中创建视频捕获实例和设置待采集图像的参数；然后通过相机进行检测，当目标图像位于相机中心时，手动操作相机采集目标图像信息并输出目标图像。
S2、通过图像滤波模块和图像分割模块对目标图像进行滤波和分割处理，最终得到有效目标区域。
图3示出了根据本发明实施例提供的物体表面温度测量方法中图像滤波模块的逻辑框架图。
如图3所示，本发明实施例提供的图像滤波模块对采集到的目标图像进行滤波降噪处理，排除由复杂的工业条件、恶劣的工作环境以及硬件电路噪声等条件对目标图像造成的干扰。
首先将目标图像导入到图像滤波模块中。
然后通过高斯双边算法对目标图像中每7×7的卷积区域进行滤波处理后得到一个新图像，新图像可以表示为：
其中，S(x，y)为目标图像中任一个像素点(x，y)周围大小为(2N+1)×(2N+1)的邻域；g(i，j)为像素点(x，y)的像素信息；w(i，j)为综合权重系数。
在高斯双边滤波中，权重w(i，j)表示为：
w(i,j)＝ws(i,j)×wr(i,j)
其中，ws(i，j)为由高斯分布确定的空间距离权重因子；wr(i，j)为色彩强度权重因子。
空间距离权重因子ws(i，j)和色彩强度权重因子wr(i，j)分别表示为：
其中，δs和δr分别为高斯双边滤波算法中的空间距离权重因子的衰减程度和色彩强度权重因子的衰减程度。
最后进行锐化操作：将
作为卷积矩阵对图像进行锐化处理。
最终实现了目标图像的滤波后将滤波图像输出至图像分割模块。
图4示出了根据本发明实施例提供的物体表面温度测量方法中人机交互掩码分割算法的逻辑框架图。
图5示出了根据本发明实施例提供的物体表面温度测量方法中图像分割模块的逻辑框架图。
如图4和图5所示，本发明实施例提供的图像分割模块用于对滤波图像进行分割处理，最终实现滤波图像中的有效目标区域和无效背景区域的分割。
首先进行人机交互掩码分割，在人机交互掩码分割过程中：
首先设置鼠标响应函数：将鼠标左键单击设置为对滤波图像进行取点，将左键双击设置为结束对滤波图像的取点。
下一步实现图像数组化：即将滤波图像转化为数组，将滤波图像中每一个像素点的位置通过(x,y)坐标保存在数组中。
下一步进行人机交互式轮廓勾勒：由操作者通过鼠标左键单击对滤波图像进行取点，通过点和点之间的直线对有效目标区域进行轮廓勾勒，以避免周围无效背景区域对后续图像处理的影响。
下一步将勾勒过程中每个点的坐标记录于列表，并将列表以数组形式进行表示。
下一步根据数组中数据构建可以将有效目标区域包络在内的最小多边形图和最小矩形图即称为最小化框图。
最后将掩码填充至最小轮廓多边形中，并将其与最小化框图进行像素逻辑操作后可以得到第一次分割图像。
由于在某些特殊情况下，高温物体表面附着有一些干扰背景，此时还需要对分割后的图像基于OTSU阈值分割算法进行二次分割。
根据图像每个像素点像素信息的灰度特性，选择将图像信息分成无效背景区域和有效目标区域两类，称其为0类与1类。有效目标区域和无效背景区域之间的类间方差越大，说明图像中有效目标区域和无效背景区域的像素值差别越大，即两者之间对比越强烈，反映越明显。保证类间方差最大的分割方式一定程度上亦保证了有效目标区域和无效背景区域被误判的概率最小。
设第一次分割图像存在灰度阈值L，像素灰度值小于L则被归类为0类，像素灰度值大于等于L则被归类为1类。设0类像素所占像素比例为w0，0类平均灰度值为m0；同理有1类像素所占像素比例为w1，1类平均灰度值为m1；全局像素平均灰度值为mG，则有：
w0m0+w1m1＝mG
w0+w1＝1
根据方差的概念，类间方差表达式为：
σ2＝w0(m0-mG)2+w1(m1-mG)2
最终可以得到：
σ2＝w0w1(m0-m1)2
满足上式且使其最大化的灰度值L即为阈值，遍历0到255即可求得。
通过灰度阈值L对最小化框图再次进行分割后得到第二次分割图像。
将第一分割图像与第二次分割图像之间进行与操作得到第三次分割图像，即有效目标区域。
经实验研究，经图像分割模块后，误检率仅为4.3％，且漏检率仅为2.7％
将有效目标区域输入至信息提取模块中。
S3、通过信息提取模块对有效目标区域中的色温信息进行提取。
图6示出了根据本发明实施例提供的物体表面温度测量方法中信息提取模块的逻辑框架图。
如图6所示，本发明实施例提供的信息提取模块用于对第三次分割图像进行RGB三通道色彩信息的提取，并设置阈值为10过滤掉在图像预处理系统过程中产生的新的噪点，进行最后一次滤波。对RGB三通道色彩信息进行提取。
首先通过cv2.imread函数导入第三次分割图像。
下一步通过cv2.cvtColor函数转换第三次分割图像的图像模式。
下一步通过shape函数获取第三次分割图像的高度和宽度信息。
下一步通过if语句进行有效信息的提取。
下一步通过阈值处理对有效信息进行降噪处理。阈值设置为10。
最终输出降噪后的色温信息。
将色温信息输入至数据后处理子系统中。
S4、将色温信息代入到最优测温模型，通过计算模块的计算后得到物体表面温度。
图7示出了根据本发明实施例提供的物体表面温度测量方法中标定模块的逻辑框架图。
如图7所示，在标定模块中：
标定模块用于进行色温相关性的定量分析和标定工作，最终得到最优测温模型：
本发明还提供一种最优测温模型的优化方法，包括以下步骤：
S41、预处理步骤：将色温信息带入R*B/G2模型中进行数据处理得到数据集，并将数据集随机划分成训练集和验证集。
S42、通过改进的最小二乘法对色温信息与物体表面的真实温度值之间的函数关系进行拟合得到色温相关性公式：
其中，x为R*B/G2；a0，a1，a2和a3分别为拟合所得参数；
通过K型热电偶对高温物体表面的温度进行测量，得到物体表面的真实温度值。
通过神经网络算法对训练集进行分析得到初始测温模型；
S43、通过色温相关性公式和神经网络算法对验证集进行验证后得到验证温度，计算验证温度与验证集之间的已知温度方差，方差的最小值所对应的色温相关性公式
作为最优测温模型。
最优测温模型的优化过程为：
通过最小二乘法拟合多项式函数，首先定义标准形式的多项式为：
其中，xi为变量；p为多项式次数，是大于零的整数；yi为真实温度值。
由此，拟合问题转变为确定多项式系数向量a的问题，为了方便计算且考虑到准确度的影响，将p定为3。可以得到：
其中，x为R*B/G2；a0，a1，a2和a3分别为拟合所得参数；
根据最小二乘法定义，实验数据拟合问题即转化为求如下方程的解的问题：
其中，n为变量数目，yi为真实温度值。
同时，为了防止出现过拟合情况，引入正则化参数b对最小二乘法进行改进，通过对最高次项的系数a3进行惩罚，可以在一定程度上提高算法的适应能力。因此，可将上式改进为
式中，b的取值范围为(0,1000)。
将色温信息，以R*B/G2为模型进行数据处理，将数据集随机划分成训练集和验证集，对训练集进行学习得到初始温度识别模型，利用改进的最小二乘法和神经网络对验证集进行验证，得到验证温度，计算验证温度与验证集的已知温度方差，方差的最小值对应的色温相关性公式作为优化后的最优测温模型。
将标定模块得到的最优测温模型带入到本发明提供的物体表面温度测量系统中。
图8示出了根据本发明实施例提供的物体表面温度测量方法中计算模块的逻辑框架图。
如图8所示，将色温信息通过R*B/G2模型计算变换后带入到物体表面温度测量系统中的最优测温模型中，完成物体表面温度的测量计算并输出。
根据本发明提供的物体表面温度测量方法的部分实验数据如表1所示：
表1：根据本发明提供的实验数据
图9示出了根据本发明实施例提供的物体表面温度测量系统的测试效果曲线。
如图9所示，本发明提供的物体表面温度测量方法得到实验数据误差较小，更贴近物体表面的真实温度值。
图10示出了根据本发明实施例提供的物体表面温度测量系统的逻辑框架图。
如图10所示，本发明实施例提供的物体表面温度测量系统包括：图像预处理系统和数据后处理系统。
图像预处理子系统包括：图像采集模块，图像滤波模块，图像分割模块和信息提取模块。
数据后处理子系统包括：标定模块和计算模块。
图像采集模块用于对物体表面的可见光目标图像进行采集。
图像采集模块包括：可见光采集单元和像素信息获取单元；
其中，可见光采集单元用于对目标图像进行捕获；像素信息获取单元用于将目标图像转为电信号并输出至图像滤波模块。
图像滤波模块用于对目标图像的噪声进行过滤。
图像滤波模块包括：高斯双边滤波单元和图像锐化单元；
其中，高斯双边滤波单元用于对目标图像的噪声进行过滤；图像锐化单元用于使目标图像的边缘更加清晰。
图像分割模块用于对目标图像进行分割得到目标区域。
图像分割模块包括：鼠标响应函数设置单元、图像数组化单元、人机交互式轮廓勾勒单元、最小化框图构建单元和图像计算单元；
其中，
鼠标响应函数设置单元通过对鼠标键的设置以实现对滤波图像开始取点和结束取点的功能；
图像数组化单元用于将滤波图像转化为数组，并将滤波图像中每一个像素点的位置坐标保存在数组中；
人机交互式轮廓勾勒单元通过鼠标键对滤波图像进行取点以实现对目标区域的轮廓勾勒，将每个点的坐标记录在以数组形式表示的列表中；
最小化框图构建单元根据数组中的数据构建将目标区域包络在内的最小多边形图和最小化框图；
图像计算单元用于将掩码填充至最小多边形中，并将其与最小化框图进行像素逻辑操作后得到一次分割图像。
图像分割模块还包括：OTSU阈值分割单元。
OTSU阈值分割单元用于将最小化框图再次进行分割后得到二次分割图像；
将一次分割图像与二次分割图像在图像计算单元中进行与操作得到目标区域。
信息提取模块用于将目标区域中的色温信息提取出来；
信息提取模块包括：图像导入单元、图像转换单元、图像信息提取单元、图像信息过滤单元和图像降噪单元；
图像导入单元通过cv2.imread函数将一次分割图像或目标区域进行导入；
图像转换单元通过cv2.cvtColor函数转换一次分割图像或目标区域的图像模式；
图像信息提取单元通过shape函数获取一次分割图像或目标区域的高度和宽度信息；
图像信息过滤单元通过if语句进行有效信息的提取；
图像降噪单元通过阈值处理对有效信息进行降噪处理后得到色温信息。
标定模块用于对测温模型进行优化得到最优测温模型。
标定模块包括：数据集处理单元、最小二乘法拟合单元、测温模型计算单元和测温模型验证单元；
数据集处理单元用于将色温信息带入R*B/G2模型中进行数据处理得到数据集，并将数据集随机划分成训练集和验证集；
最小二乘法拟合单元用于对色温信息与物体表面的真实温度值之间的函数关系进行拟合得到色温相关性公式：
其中，x为R*B/G2；a0，a1，a2和a3分别为拟合所得参数；
测温模型计算单元用于对训练集进行分析得到初始测温模型；
测温模型验证单元用于对验证集进行验证后得到验证温度，并计算验证温度与验证集之间的温度方差，将温度方差的最小值所对应的色温相关性公式
作为最优测温模型。
计算模块用于将色温信息带入到最优测温模型中进行计算得到物体表面的温度。
本发明还提供一种智能终端，包括数据采集装置、处理器和存储器；其中，数据采集装置用于采集可见光目标图像数据，存储器存储有用于实现上述物体表面温度测量方法的程序指令；处理器用于执行存储器存储的实现物体表面温度测量方法的程序指令。
本发明提供的智能终端为FPGA,使用FPGA可提高计算速度。
本发明还提供计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述物体表面温度测量方法的步骤。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种物体表面温度测量系统，其特征在于，包括：图像预处理子系统和数据后处理子系统；其中所述图像预处理子系统包括：图像采集模块、图像滤波模块、图像分割模块和信息提取模块；所述数据后处理子系统包括：标定模块和计算模块；
所述图像采集模块用于对物体表面的可见光目标图像进行采集；
所述图像滤波模块用于对所述目标图像的噪声进行过滤；
所述图像分割模块用于对所述目标图像进行分割得到目标区域；
所述信息提取模块用于将所述目标区域中的色温信息提取出来；
所述标定模块用于对测温模型进行优化得到最优测温模型；
所述计算模块用于将所述色温信息带入到所述最优测温模型中进行计算得到物体表面的温度。
2.根据权利要求1所述物体表面温度测量系统，其特征在于，所述图像采集模块包括：可见光采集单元和像素信息获取单元；
其中，所述可见光采集单元用于对所述目标图像进行捕获；所述像素信息获取单元用于将所述目标图像转为电信号并输出至所述图像滤波模块；
所述图像滤波模块包括：高斯双边滤波单元和图像锐化单元；
其中，所述高斯双边滤波单元用于对所述目标图像的噪声进行过滤；所述图像锐化单元用于使所述目标图像的边缘更加清晰；
所述图像分割模块包括：鼠标响应函数设置单元、图像数组化单元、人机交互式轮廓勾勒单元、最小化框图构建单元和图像计算单元；
所述鼠标响应函数设置单元通过对鼠标键的设置以实现对滤波图像开始取点和结束取点的功能；
所述图像数组化单元用于将滤波图像转化为数组，并将所述滤波图像中每一个像素点的位置坐标保存在所述数组中；
所述人机交互式轮廓勾勒单元通过鼠标键对所述滤波图像进行取点以实现对目标区域的轮廓勾勒，将每个点的坐标记录在以数组形式表示的列表中；
所述最小化框图构建单元根据所述数组中的数据构建将目标区域包络在内的最小多边形图和最小化框图；
所述图像计算单元用于将掩码填充至所述最小多边形中，并将其与所述最小化框图进行像素逻辑操作后得到一次分割图像；
所述图像分割模块还包括：OTSU阈值分割单元；
所述OTSU阈值分割单元用于将所述最小化框图进行分割后得到二次分割图像；
将所述一次分割图像与所述二次分割图像在所述图像计算单元中进行与操作得到目标区域。
3.根据权利要求2所述物体表面温度测量系统，其特征在于，所述信息提取模块包括：图像导入单元、图像转换单元、图像信息提取单元、图像信息过滤单元和图像降噪单元；
所述图像导入单元通过cv2.imread函数将所述一次分割图像或目标区域进行导入；
所述图像转换单元通过cv2.cvtColor函数转换所述一次分割图像或目标区域的图像模式；
所述图像信息提取单元通过shape函数获取所述一次分割图像或目标区域的高度和宽度信息；
所述图像信息过滤单元通过if语句进行有效信息的提取；
所述图像降噪单元通过阈值处理对有效信息进行降噪处理后得到色温信息。
4.根据权利要求3所述物体表面温度测量系统，其特征在于，所述标定模块包括：数据集处理单元、最小二乘法拟合单元、测温模型计算单元和测温模型验证单元；
所述数据集处理单元用于将所述色温信息带入R*B/G2模型中进行数据处理得到数据集，并将所述数据集随机划分成训练集和验证集；
所述最小二乘法拟合单元用于根据基于正则化处理的最小二乘法对所述色温信息与物体表面的真实温度值之间的函数关系进行拟合得到色温相关性公式：
其中，x为R*B/G2；a0，a1，a2和a3分别为拟合所得参数；
所述测温模型计算单元用于对所述训练集进行分析得到初始测温模型；
所述测温模型验证单元用于对所述验证集进行验证后得到验证温度，并计算所述验证温度与所述验证集之间的温度方差，将所述温度方差的最小值所对应的色温相关性公式
作为最优测温模型。
5.一种物体表面温度测量方法，利用如权利要求1-4任一项所述的物体表面温度测量系统实现，其特征在于，包括以下步骤：
S1、通过所述图像采集模块对高温物体表面的可见光目标图像进行采集；
S2、通过所述图像滤波模块和图像分割模块对所述目标图像进行滤波和分割处理，得到目标区域；
S3、通过所述信息采集模块对所述目标区域中的色温信息进行提取；
S4、所述计算模块将所述色温信息代入所述最优测温模型中进行计算，得到物体表面的温度。
6.根据权利要求5所述的物体表面温度测量方法，其特征在于，
所述步骤S1包括以下子步骤：
S101、通过所述可见光采集单元对所述目标图像进行捕获；
S102、通过所述像素信息获取单元将所述目标图像转为电信号并输出至所述图像滤波模块；
所述步骤S2包括以下子步骤：
S201、通过所述高斯双边滤波单元对所述目标图像的噪声进行过滤；
S202、通过所述图像锐化单元对所述目标图像进行锐化操作；
所述步骤S2还包括以下子步骤：
S211、通过所述鼠标响应函数设置单元对鼠标键进行设置，以实现所述滤波图像开始取点和结束取点的功能；
S212、通过所述图像数组化单元将滤波图像转化为数组，并将所述滤波图像中每一个像素点的位置坐标保存在所述数组中；
S213、通过所述人机交互式轮廓勾勒单元对所述滤波图像进行取点以实现对目标区域的轮廓勾勒，并将每个点的坐标记录在以数组形式表示的列表中；
S214、通过所述最小化框图构建单元根据所述数组中的数据构建将目标区域包络在内的最小多边形图和最小化框图；
S215、通过所述图像计算单元用于将掩码填充至所述最小多边形中，并将其与最小化框图进行像素逻辑操作后得到一次分割图像；
S216、通过所述OTSU阈值分割单元将所述最小化框图再次进行分割后得到二次分割图像；
S217、将所述一次分割图像与所述二次分割图像进行与操作得到目标区域。
7.根据权利要求6所述的物体表面温度测量方法，其特征在于，所述步骤S3包括以下子步骤：
S301、通过所述图像导入单元将所述一次分割图像或目标区域进行导入；
S302、通过所述图像转换单元转换所述一次分割图像或目标区域的图像模式；
S303、通过所述图像信息提取单元获取所述一次分割图像或目标区域的高度和宽度信息；
S304、通过所述图像信息过滤单元进行有效信息的提取；
S305、通过所述图像降噪单元对有效信息进行降噪处理后得到色温信息。
8.根据权利要求7所述的物体表面温度测量方法，其特征在于，所述步骤S4包括以下步骤：
S41、预处理步骤：将所述色温信息带入R*B/G2模型中进行数据处理得到数据集，并将所述数据集随机划分成训练集和验证集；
S42、通过改进的最小二乘法对所述色温信息与物体表面的真实温度值之间的函数关系进行拟合得到色温相关性公式：
其中，x为R*B/G2；a0，a1，a2和a3分别为拟合所得参数；
通过神经网络算法对训练集进行分析得到初始测温模型；
S43、通过所述色温相关性公式和所述神经网络算法对所述验证集进行验证后得到验证温度，计算所述验证温度与所述验证集之间的温度方差，将所述温度方差的最小值所对应的色温相关性公式
作为最优测温模型；
所述步骤S42中色温相关性公式的拟合过程为：
首先定义标准形式的多项式为：
其中，xi为变量；p为多项式次数；
将所述多项式次数p设置为3，可以得到：
将实验数据拟合问题转化为求如下方程的解的问题：
其中，n为变量数目；yi为真实温度值；
引入正则化参数b对最小二乘法进行改进，通过对最高次项的系数a3进行惩罚，可以得到：
其中，b的取值范围为(0,1000)。
9.一种智能终端，其特征在于，包括处理器和存储器；
所述存储器存储有用于实现如权利要求5～8中任一项所述的物体表面温度测量方法的程序指令；所述处理器用于执行所述存储器存储的实现物体表面温度测量方法的程序指令。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求5～8中任一项所述的物体表面温度测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210490156.7A CN114862795B (zh) | 2022-04-29 | 2022-04-29 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210490156.7A CN114862795B (zh) | 2022-04-29 | 2022-04-29 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114862795A true CN114862795A (zh) | 2022-08-05 |
| CN114862795B CN114862795B (zh) | 2024-08-09 |
Family
ID=82635759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210490156.7A Active CN114862795B (zh) | 2022-04-29 | 2022-04-29 | 物体表面温度测量系统、测量方法、智能终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862795B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118089397A (zh) * | 2024-04-28 | 2024-05-28 | 宝鸡宝钛合金材料有限公司 | 一种熔炼温度控制方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201464052U (zh) * | 2009-05-11 | 2010-05-12 | 清华大学 | 一种基于彩色ccd的多谱色辐射测温装置 |
| CN103996039A (zh) * | 2014-05-06 | 2014-08-20 | 河海大学 | 联合灰度阈值分割及轮廓形态识别的sar图像河道提取方法 |
| WO2016015548A1 (zh) * | 2014-07-29 | 2016-02-04 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
| CN106017694A (zh) * | 2016-05-31 | 2016-10-12 | 成都德善能科技有限公司 | 一种基于图像传感器的温度测量系统 |
| JP2017066510A (ja) * | 2015-09-30 | 2017-04-06 | Ｊｆｅスチール株式会社 | 高炉における溶銑温度予測方法 |
| CN107202651A (zh) * | 2017-07-05 | 2017-09-26 | 西安交通大学 | 一种微尺度火工品燃烧温度场测量装置及其测温方法 |
| CN107507194A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 |
| CN109506782A (zh) * | 2018-12-03 | 2019-03-22 | 南京理工大学 | 基于高速成像技术的瞬态温度场测试方法及其测试系统 |
| CN111223115A (zh) * | 2020-04-22 | 2020-06-02 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
| CN113405672A (zh) * | 2021-06-22 | 2021-09-17 | 浙江大学 | 一种基于对数多项式的实时高温温度场测量方法 |
| CN113506285A (zh) * | 2021-07-27 | 2021-10-15 | 西北工业大学 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
| CN113834585A (zh) * | 2021-09-24 | 2021-12-24 | 中国恩菲工程技术有限公司 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
-
2022
- 2022-04-29 CN CN202210490156.7A patent/CN114862795B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201464052U (zh) * | 2009-05-11 | 2010-05-12 | 清华大学 | 一种基于彩色ccd的多谱色辐射测温装置 |
| CN103996039A (zh) * | 2014-05-06 | 2014-08-20 | 河海大学 | 联合灰度阈值分割及轮廓形态识别的sar图像河道提取方法 |
| WO2016015548A1 (zh) * | 2014-07-29 | 2016-02-04 | 阿里巴巴集团控股有限公司 | 一种用于检测预定区域中特定标识图像的方法及装置 |
| JP2017066510A (ja) * | 2015-09-30 | 2017-04-06 | Ｊｆｅスチール株式会社 | 高炉における溶銑温度予測方法 |
| CN106017694A (zh) * | 2016-05-31 | 2016-10-12 | 成都德善能科技有限公司 | 一种基于图像传感器的温度测量系统 |
| CN107202651A (zh) * | 2017-07-05 | 2017-09-26 | 西安交通大学 | 一种微尺度火工品燃烧温度场测量装置及其测温方法 |
| CN107507194A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 |
| CN109506782A (zh) * | 2018-12-03 | 2019-03-22 | 南京理工大学 | 基于高速成像技术的瞬态温度场测试方法及其测试系统 |
| CN111223115A (zh) * | 2020-04-22 | 2020-06-02 | 杭州涂鸦信息技术有限公司 | 一种图像分割方法、装置、设备及介质 |
| CN113405672A (zh) * | 2021-06-22 | 2021-09-17 | 浙江大学 | 一种基于对数多项式的实时高温温度场测量方法 |
| CN113506285A (zh) * | 2021-07-27 | 2021-10-15 | 西北工业大学 | 一种锅炉炉膛三维温度场检测方法、装置和计算机设备 |
| CN113834585A (zh) * | 2021-09-24 | 2021-12-24 | 中国恩菲工程技术有限公司 | 还原炉内硅棒检测方法及系统、装置、介质及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 梁其诚;余愚;: "基于彩色火焰图像测量柴油机燃烧火焰温度", 工业安全与环保, no. 03, 10 March 2013 (2013-03-10) * |
| 潘国兵;王杰;欧阳静;: "基于改进MRF-KFCM有效区域分割的储能系统三维温度场重构方法", 电工技术学报, no. 19, 10 October 2020 (2020-10-10) * |
| 闫俊红;李忠虎;王志春;: "基于形态学的连铸坯氧化铁皮测温误差校正方法", 传感技术学报, no. 08, 31 August 2018 (2018-08-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118089397A (zh) * | 2024-04-28 | 2024-05-28 | 宝鸡宝钛合金材料有限公司 | 一种熔炼温度控制方法及系统 |
| CN118089397B (zh) * | 2024-04-28 | 2024-07-02 | 宝鸡宝钛合金材料有限公司 | 一种熔炼温度控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114862795B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shi et al. | Study on modeling method of forest tree image recognition based on CCD and theodolite | |
| Liu et al. | A detection and recognition system of pointer meters in substations based on computer vision | |
| Deng et al. | A multiscale fuzzy metric for detecting small infrared targets against chaotic cloudy/sea-sky backgrounds | |
| CN102496157B (zh) | 基于高斯多尺度变换及颜色复杂度的图像检测方法 | |
| CN109580630A (zh) | 一种机械零部件缺陷的视觉检测方法 | |
| CN105509659A (zh) | 基于图像处理的平面度检测系统 | |
| CN110490924B (zh) | 一种基于多尺度Harris的光场图像特征点检测方法 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN116958145B (zh) | 图像处理方法、装置、视觉检测系统及电子设备 | |
| CN113705788A (zh) | 基于全卷积神经网络的红外图像温度估计方法及系统 | |
| CN118365685B (zh) | 一种可见光与红外图像的配准融合的训练方法及装置 | |
| CN111967466A (zh) | 一种利用多方向稀疏低秩分解的红外弱小目标检测方法 | |
| CN114862795B (zh) | 物体表面温度测量系统、测量方法、智能终端及存储介质 | |
| CN115861715A (zh) | 基于知识表示增强的图像目标关系识别算法 | |
| Lee et al. | Infrared small target detection algorithm using an augmented intensity and density-based clustering | |
| CN117078608B (zh) | 一种基于双掩码引导的高反光皮革表面缺陷检测方法 | |
| CN117496154A (zh) | 基于概率图表征边缘的高分辨率遥感影像语义分割方法 | |
| CN114858301B (zh) | 物体表面温度测量系统、测量方法、智能终端及存储介质 | |
| Zhang et al. | Research on image segmentation method based on improved Snake model | |
| CN115984712A (zh) | 基于多尺度特征的遥感图像小目标检测方法及系统 | |
| CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
| Wang | Symbol recognition system based on 3D stereo vision | |
| CN114022787A (zh) | 一种基于大尺度遥感图像机库识别方法 | |
| Zhao et al. | The combined cloud model for edge detection | |
| Zhang et al. | Nonlinear prediction for Gaussian mixture image models |
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 |