CN114998313B - 基于视觉定位的流体输送管管口毛刺识别定位方法 - Google Patents

基于视觉定位的流体输送管管口毛刺识别定位方法 Download PDF

Info

Publication number
CN114998313B
CN114998313B CN202210838353.3A CN202210838353A CN114998313B CN 114998313 B CN114998313 B CN 114998313B CN 202210838353 A CN202210838353 A CN 202210838353A CN 114998313 B CN114998313 B CN 114998313B
Authority
CN
China
Prior art keywords
image
gray level
burr
gray
area
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.)
Active
Application number
CN202210838353.3A
Other languages
English (en)
Other versions
CN114998313A (zh
Inventor
陈朋堂
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.)
Shandong Haixinda Petroleum Machinery Co ltd
Original Assignee
Shandong Haixinda Petroleum Machinery 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 Shandong Haixinda Petroleum Machinery Co ltd filed Critical Shandong Haixinda Petroleum Machinery Co ltd
Priority to CN202210838353.3A priority Critical patent/CN114998313B/zh
Publication of CN114998313A publication Critical patent/CN114998313A/zh
Application granted granted Critical
Publication of CN114998313B publication Critical patent/CN114998313B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于视觉定位的流体输送管管口毛刺识别定位方法，属于视觉定位技术领域；包括以下步骤：获取管口灰度图；根据管口灰度图采用高斯分层方式构建图像金字塔；对图像金字塔中每层图像划分多个图像区域，获取每个图像区域内每个灰度级的毛刺区域可能值；获取每个图像区域内每个灰度级的对比度；获取灰度图中每个灰度级的毛刺区域确定值；获取拉伸图像；根据拉伸图像获取每个像素点的毛刺区域可能度；通过每个像素点的毛刺区域可能度判断对应像素点是否属于毛刺区域。本发明通过分析灰度级为毛刺的区域的可能性，对图像灰度级进行拉伸，增强毛刺区域的对比度，方便毛刺区域的识别和定位。

Description

基于视觉定位的流体输送管管口毛刺识别定位方法
技术领域
本发明涉及视觉定位技术领域，具体涉及一种基于视觉定位的流体输送管管口毛刺识别定位方法。
背景技术
流体输送管具有中空截面，大量用作输送石油、天然气、煤气及某些固体物料的管道。与圆钢等实心钢材相比，在抗弯抗扭强度相同时，重量较轻，是一种经济截面钢材。在其生产过程中，存在常见的缺陷主要为管口截面的毛刺。
对于流体输送管管口的毛刺检测，主要有人工检测与机器视觉检测，但是，通过现有机器视觉识别时，由于毛刺细小的特点，导致识别效果不佳。尤其是对于金属管道的毛刺检测中，由于毛刺的细小特点以及光线的影响，导致毛刺区域难以识别，从而难以定位毛刺的位置。
发明内容
本发明提供一种基于视觉定位的流体输送管管口毛刺识别定位方法，该方法通过分析灰度级为毛刺的区域的可能性，对图像灰度级进行拉伸，增强毛刺区域的对比度，方便毛刺区域的识别和定位。
本发明的目的是提供一种基于视觉定位的流体输送管管口毛刺识别定位方法，包括以下步骤：
获取管口灰度图；根据管口灰度图采用高斯分层方式构建图像金字塔；
对图像金字塔中每层图像划分多个图像区域，获取每个图像区域内像素点的灰度二阶矩；
根据每层图像中像素点的灰度值获取每个图像区域内每个灰度级的毛刺区域可能值；
构建每个图像区域的灰度共生矩阵，并根据灰度共生矩阵中点对之间的灰度差异获取每个图像区域内每个灰度级的对比度；
根据每个图像区域内每个灰度级的毛刺区域可能值和对比度，以及每个图像区域内像素点的灰度二阶矩，获取灰度图中每个灰度级的毛刺区域确定值；
根据灰度图中每个灰度级的毛刺区域确定值对灰度图像进行灰度级拉伸处理获取拉伸图像；
根据拉伸图像中每个像素点及其邻域内像素点的灰度值获取每个像素点的毛刺区域可能度；通过每个像素点的毛刺区域可能度判断对应像素点是否属于毛刺区域。
在一实施例中，所述灰度图中每个灰度级的毛刺区域确定值是按照以下步骤获取：
根据每个图像区域内每个灰度级的毛刺区域可能值和对比度获取每个图像区域内每个灰度级的第一毛刺区域预测值；
根据每个图像区域内每个灰度级的毛刺区域确定值及像素点的灰度二阶矩获取每层图像中每个灰度级的第二毛刺区域预测值；
根据每层图像中每个灰度级的第二毛刺区域预测值获取灰度图中每个灰度级的毛刺区域确定值。
在一实施例中，所述每个图像区域内每个灰度级的对比度是按照以下步骤获取：
根据灰度共生矩阵中点对之间的灰度差异获取每个图像区域内灰度的对比度；再根据每个图像区域内灰度的对比度获取每个图像区域内每个灰度级的对比度。
在一实施例中，所述构建每个图像区域的灰度共生矩阵中像素点对之间的距离为1。
在一实施例中，每个图像区域内灰度的对比度计算公式如下：
Figure 891518DEST_PATH_IMAGE001
式中，
Figure 870975DEST_PATH_IMAGE002
表示第
Figure 52644DEST_PATH_IMAGE003
个图像区域内灰度的对比度；
Figure 510170DEST_PATH_IMAGE004
分别表示图像区域内两像素点对的灰度级；
Figure 386859DEST_PATH_IMAGE005
表示点对出现的概率；
Figure 6060DEST_PATH_IMAGE006
表示点对之间的灰度值差。
在一实施例中，每个图像区域内每个灰度级的对比度计算公式如下：
Figure 335410DEST_PATH_IMAGE007
式中，
Figure 331048DEST_PATH_IMAGE008
表示第
Figure 796664DEST_PATH_IMAGE003
个图像区域内第
Figure 976978DEST_PATH_IMAGE009
个灰度级的对比度；
Figure 793625DEST_PATH_IMAGE002
表示第
Figure 858533DEST_PATH_IMAGE003
个图像区域内灰度的对比度；
Figure 178656DEST_PATH_IMAGE004
分别表示图像区域内两像素点对的灰度级。
在一实施例中，所述灰度图中每个灰度级的毛刺区域确定值计算公式如下：
Figure 405238DEST_PATH_IMAGE010
式中，
Figure 709180DEST_PATH_IMAGE011
表示灰度图中第
Figure 46620DEST_PATH_IMAGE009
个灰度级的毛刺区域确定值；
Figure 221250DEST_PATH_IMAGE012
表示第
Figure 884312DEST_PATH_IMAGE013
层图像中第
Figure 409972DEST_PATH_IMAGE009
个灰度级的第二毛刺区域预测值；
Figure 551103DEST_PATH_IMAGE014
表示图像金字塔的总层数。
在一实施例中，所述第
Figure 845818DEST_PATH_IMAGE013
层图像中第
Figure 679782DEST_PATH_IMAGE009
个灰度级的第二毛刺区域预测值的计算公式如下：
Figure 427158DEST_PATH_IMAGE015
式中，
Figure 371980DEST_PATH_IMAGE012
表示第
Figure 786781DEST_PATH_IMAGE013
层图像中第
Figure 526067DEST_PATH_IMAGE009
个灰度级的第二毛刺区域预测值；表示第
Figure 26318DEST_PATH_IMAGE003
个图像区域内第
Figure 774832DEST_PATH_IMAGE009
个灰度级的第一毛刺区域预测值；
Figure 293406DEST_PATH_IMAGE016
表示第
Figure 203594DEST_PATH_IMAGE013
层图像中第
Figure 202860DEST_PATH_IMAGE003
个图像区域内像素点的灰度二阶矩；
Figure 223906DEST_PATH_IMAGE017
表示第
Figure 347719DEST_PATH_IMAGE013
层图像中所划分图像区域的总数量；
所述第
Figure 163229DEST_PATH_IMAGE003
个图像区域内第
Figure 638072DEST_PATH_IMAGE009
个灰度级的第一毛刺区域预测值计算公式如下：
Figure 462809DEST_PATH_IMAGE018
式中，表示第
Figure 706708DEST_PATH_IMAGE003
个图像区域内第
Figure 958698DEST_PATH_IMAGE009
个灰度级的第一毛刺区域预测值；
Figure 655259DEST_PATH_IMAGE008
表示第
Figure 18107DEST_PATH_IMAGE003
个图像区域内第
Figure 116513DEST_PATH_IMAGE009
个灰度级的对比度；
Figure 539404DEST_PATH_IMAGE019
表示第
Figure 457681DEST_PATH_IMAGE003
个图像区域内第
Figure 624221DEST_PATH_IMAGE009
个灰度级的毛刺区域可能值。
在一实施例中，所述每个像素点的毛刺区域可能度计算公式如下：
Figure 577133DEST_PATH_IMAGE020
式中，
Figure 905346DEST_PATH_IMAGE021
表示第
Figure 576499DEST_PATH_IMAGE022
个像素点的毛刺区域可能度；
Figure 15571DEST_PATH_IMAGE023
表示第
Figure 822990DEST_PATH_IMAGE022
个像素点的灰度值；
Figure 587683DEST_PATH_IMAGE024
表示第
Figure 11711DEST_PATH_IMAGE022
个像素点的8邻域中第
Figure 785632DEST_PATH_IMAGE025
个像素点的灰度值；
Figure 447558DEST_PATH_IMAGE026
表示第
Figure 648732DEST_PATH_IMAGE022
个像素点的8邻域中最大灰度值；
Figure 294477DEST_PATH_IMAGE027
表示图像中最大灰度值。
在一实施例中，所述每个图像区域内每个灰度级的毛刺区域可能值是按照以下步骤获取：
根据每层图像中像素点的灰度值获取最大灰度值，并获取对应的每个图像区域内像素点的灰度值；
根据每层图像中最大灰度值，以及每个图像区域内每个灰度级中任一像素点的灰度值，与其邻域内像素点的灰度值获取每个图像区域内每个灰度级的毛刺区域可能值。
本发明的有益效果是：
本发明提供的一种基于视觉定位的流体输送管管口毛刺识别定位方法，该方法通过分析灰度级为毛刺的区域的可能性，首先利用图像金字塔获得高对比度分层图像，结合毛刺的高亮表现判断灰度级为毛刺区域的可能值，并以灰度级为毛刺区域的可能值为权重，对图像灰度级进行拉伸，使得毛刺区域在图像中更加明显，筛选出属于毛刺区域的像素点，根据像素点的连续性获得毛刺区域，同时将识别的毛刺区域在图像中显示出来，实现毛刺在图像中的定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于视觉定位的流体输送管管口毛刺识别定位方法的实施例总体步骤的流程示意图。
图2为采集的输送管管口的正截面图像。
图3为识别出毛刺区域的图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明主要针对从生产车间中刚生产出的流体输送管的管口进行毛刺检测。
本发明所针对金属管道的毛刺检测，在图像获取的时候，常常由于光线以及毛刺细小，使得毛刺的识别效果不佳；本发明通过分析灰度级为毛刺的区域的可能性，对图像灰度级进行拉伸，增强毛刺区域的对比度，方便毛刺区域的识别和定位。
本发明对图像进行灰度级的拉伸时，首先利用图像金字塔获得高对比度分层图像，结合毛刺的高亮表现判断灰度级为毛刺区域的可能值，并以灰度级为毛刺区域的可能值为权重，对图像灰度级进行拉伸，便于毛刺的识别与定位。
本发明提供的一种基于视觉定位的流体输送管管口毛刺识别定位方法，参见图1所示，包括以下步骤：
S1、获取管口灰度图；根据管口灰度图采用高斯分层方式构建图像金字塔；
在本实施例中，对于流体输送管管口毛刺检测，使用图像处理技术进行识别，通过在检测装置中安装相机，拍摄输送管管口的截面图像，参见2所示，通过安装的相机采集的输送管管口的正截面图像，由于是刚生产出的输送管，只需要在输送管导出的一个正向固定位置按照相机，对其输送处的输送管的正截面管口进行采集图像，采集的过程中属于相对静态的关系，可以采集较为清晰的图像；对于所获得的图像，首先根据现有的语义分割技术获得管口区域的图像，然后对图像进行灰度化处理，得到所需要的灰度图，后续计算均基于灰度图进行；
需要说明的是，对于图像毛刺区域在图像中具有高亮表现，同时图像中毛刺区域像素点的灰度值首先和其他区域有一定差异，即具有一定的对比度，所以，对于毛刺区域的像素点具有整体高亮表现以及局部聚集表现；根据此特性，筛选毛刺区域像素点的灰度范围。
在本实施例中，根据图像采用高斯分层方法构建图像金字塔，根据图像金字塔的特点，随着高斯层数的增加，图像的分辨率越低，低分辨率的图像丢失原图像的细节，在图像中表现的细节模糊，但是，图像像素点之间的对比更加明显，所以更有益于图像灰度级的筛选。
S2、对图像金字塔中每层图像划分多个图像区域，获取每个图像区域内像素点的灰度二阶矩；
需要说明的是，对于图像中存在毛刺时，毛刺区域像素点的灰度与正常区域像素点的灰度具有一定的差异，导致整个图像中的像素点的灰度差异性变大，即导致像素值的二阶矩变大，所以通过计算图像的二阶矩可以初步筛选出存在毛刺的图像。
在本实施例中，主要以第j层图像中进行毛刺区域的灰度范围筛选；
首先对第j层图像划分多个图像区域进行运算；根据每个图像区域内灰度的分布确定是否含有毛刺，计算每个图像区域内的像素点的灰度二阶矩，其计算公式如下：
Figure 872089DEST_PATH_IMAGE028
式中，
Figure 388521DEST_PATH_IMAGE016
表示第
Figure 760596DEST_PATH_IMAGE013
层图像中第
Figure 893637DEST_PATH_IMAGE003
个图像区域内像素点的灰度二阶矩；
Figure 743782DEST_PATH_IMAGE029
表示第
Figure 911458DEST_PATH_IMAGE003
个图像区域内第
Figure 454435DEST_PATH_IMAGE030
个像素点的灰度值；
Figure 809193DEST_PATH_IMAGE031
表示第
Figure 463028DEST_PATH_IMAGE003
个图像区域内像素点的总数量；
Figure 954052DEST_PATH_IMAGE032
表示第
Figure 933509DEST_PATH_IMAGE003
个图像区域内像素点灰度值的一阶矩；
Figure 509984DEST_PATH_IMAGE033
越大，表示灰度值的差异性越大，即越有可能存在毛刺。因为在整个灰度图中毛刺的区域占比较小，所以毛刺区域的像素点对整个灰度图灰度的差异性小于毛刺在图像区域灰度差异性。所以先获得整个灰度图的灰度二阶矩
Figure 713650DEST_PATH_IMAGE034
，则当
Figure 324760DEST_PATH_IMAGE035
时，初步判断该分块图像内含有毛刺区域。需要说明的是，整个灰度图的灰度二阶矩
Figure 209539DEST_PATH_IMAGE036
的计算方法类似于每个图像区域内的像素点的灰度二阶矩的计算方法。
S3、根据每层图像中像素点的灰度值获取每个图像区域内每个灰度级的毛刺区域可能值；
其中，每个图像区域内每个灰度级的毛刺区域可能值是按照以下步骤获取：
根据每层图像中像素点的灰度值获取最大灰度值，并获取对应的每个图像区域内像素点的灰度值；
根据每层图像中最大灰度值，以及每个图像区域内每个灰度级中任一像素点的灰度值，与其邻域内像素点的灰度值获取每个图像区域内每个灰度级的毛刺区域可能值。
需要说明的是，毛刺区域像素点的灰度表现为高亮，即根据每个图像区域聚集的高亮像素点进行毛刺灰度范围的筛选，可根据像素点的亮度判断像素点灰度级作为毛刺区域灰度级的可能性。
在本实施例中，首先获得灰度图中最大灰度，记为
Figure 273310DEST_PATH_IMAGE027
，每个图像区域像素点灰度根据所有灰度级趋近于
Figure 534527DEST_PATH_IMAGE027
判断作为毛刺区域灰度级的可能性。
其中，每个图像区域内每个灰度级的毛刺区域可能值计算公式如下：
Figure 265723DEST_PATH_IMAGE037
式中，
Figure 55824DEST_PATH_IMAGE027
表示每层图像中最大灰度值；
Figure 606891DEST_PATH_IMAGE038
表示第
Figure 671799DEST_PATH_IMAGE009
个灰度级的第
Figure 991922DEST_PATH_IMAGE039
个像素点的灰度值；需要说明的是，第
Figure 484084DEST_PATH_IMAGE009
个灰度级中所有像素点的灰度值均相等；
Figure 522447DEST_PATH_IMAGE040
表示第
Figure 594308DEST_PATH_IMAGE009
个灰度级中第
Figure 300096DEST_PATH_IMAGE030
个像素点邻域内第t个邻域像素点的灰度值；
Figure 432000DEST_PATH_IMAGE041
表示第
Figure 957659DEST_PATH_IMAGE009
个灰度级中像素点的总数量；
Figure 98790DEST_PATH_IMAGE042
表示半径为
Figure 393506DEST_PATH_IMAGE043
的邻域像素点的总数量，其中，半径可以设为10，也就是10个像素点的距离；
Figure 227469DEST_PATH_IMAGE019
表示第
Figure 302742DEST_PATH_IMAGE003
个图像区域内第
Figure 981985DEST_PATH_IMAGE009
个灰度级的毛刺区域可能值，即以高灰度的聚集性为权值，判断灰度级i接近于最高灰度级的程度；
Figure 396785DEST_PATH_IMAGE019
越大，
Figure 136071DEST_PATH_IMAGE009
越有可能为毛刺区域的灰度级。
需要说明的是，上述计算每个图像区域内每个灰度级的毛刺区域可能值，主要反映毛刺区域高亮像素点的聚集性，以某一像素点周围一定范围的像素点的灰度值的大小，反映当前像素点聚集性，即当前范围内像素点的灰度值越大，反映当前高亮度的像素点的聚集性越高。同时以
Figure 636323DEST_PATH_IMAGE044
越大，代表当前像素点在灰度表现上越有可能为毛刺区域像素点；毛刺区域像素点同时具有高亮表现和聚集性，即二者是共同决定像素点为毛刺区域的可能性；最后根据像素点为毛刺区域的可能性反映对应灰度级为毛刺区域的可能性。
S4、构建每个图像区域的灰度共生矩阵，并根据灰度共生矩阵中点对之间的灰度差异获取每个图像区域内每个灰度级的对比度；
其中，每个图像区域内每个灰度级的对比度是按照以下步骤获取：
根据灰度共生矩阵中点对之间的灰度差异获取每个图像区域内灰度的对比度；再根据每个图像区域内灰度的对比度获取每个图像区域内每个灰度级的对比度。
在本实施例中，基于图像金字塔的特点，高斯图层的下采样图像对于毛刺区域具有更高的对比度，所以，根据灰度的差异表现灰度级的特点。在每个图像区域内构建灰度共生矩阵，现有技术，此处不在赘述；构建每个图像区域的灰度共生矩阵中像素点对之间的距离为1，因为在下采样后的图像中，增加相邻像素点之间的灰度差异，所以，根据灰度共生矩阵中的点对之间的灰度差异，构建灰度共生矩阵特征量，表现每个图像区域内灰度的对比度；
每个图像区域内灰度的对比度计算公式如下：
Figure 119257DEST_PATH_IMAGE001
式中，
Figure 388564DEST_PATH_IMAGE002
表示第
Figure 564330DEST_PATH_IMAGE003
个图像区域内灰度的对比度；
Figure 286299DEST_PATH_IMAGE004
分别表示图像区域内两像素点对的灰度级；
Figure 572924DEST_PATH_IMAGE005
表示点对出现的概率；
Figure 431158DEST_PATH_IMAGE006
表示点对之间的灰度值差。因为毛刺区域具有高亮表现，所以
Figure 777826DEST_PATH_IMAGE045
对毛刺区域的点对放大。即在图像中
Figure 846145DEST_PATH_IMAGE002
最大值，对应毛刺区域的近似边缘区域的点对，即灰度级
Figure 936461DEST_PATH_IMAGE004
作为毛刺区域的可能性较大。通过灰度共生矩阵判断获得的点对的对比度，反映点对代表的两个灰度级的对比度，此时该点对对应的像素级的对比度即为当前点对的对比度，即对于每个图像区域内每个灰度级的对比度计算公式如下：
Figure 914781DEST_PATH_IMAGE007
式中，
Figure 912910DEST_PATH_IMAGE008
表示第
Figure 609471DEST_PATH_IMAGE003
个图像区域内第
Figure 972319DEST_PATH_IMAGE009
个灰度级的对比度；
Figure 70725DEST_PATH_IMAGE002
表示第
Figure 493616DEST_PATH_IMAGE003
个图像区域内灰度的对比度；
Figure 677473DEST_PATH_IMAGE004
分别表示图像区域内两像素点对的灰度级。
S5、根据每个图像区域内每个灰度级的毛刺区域可能值和对比度，以及每个图像区域内像素点的灰度二阶矩，获取灰度图中每个灰度级的毛刺区域确定值；
其中，灰度图中每个灰度级的毛刺区域确定值是按照以下步骤获取：
根据每个图像区域内每个灰度级的毛刺区域可能值和对比度获取每个图像区域内每个灰度级的第一毛刺区域预测值；
根据每个图像区域内每个灰度级的毛刺区域确定值及像素点的灰度二阶矩获取每层图像中每个灰度级的第二毛刺区域预测值；
根据每层图像中每个每个灰度级的第二毛刺区域预测值获取灰度图中每个灰度级的毛刺区域确定值。
在本实施例中，结合毛刺区域灰度的高亮表现，以及毛刺边缘灰度的差异性，判断每个图像区域内的每个灰度级作为毛刺区域灰度级的可能性；
首先，根据每个图像区域内每个灰度级的毛刺区域可能值和对比度获取每个图像区域内每个灰度级的第一毛刺区域预测值，其计算公式如下：
Figure 844012DEST_PATH_IMAGE018
式中，
Figure 531345DEST_PATH_IMAGE046
表示第
Figure 125138DEST_PATH_IMAGE003
个图像区域内第
Figure 530711DEST_PATH_IMAGE009
个灰度级的第一毛刺区域预测值；
Figure 766521DEST_PATH_IMAGE008
表示第
Figure 931529DEST_PATH_IMAGE003
个图像区域内第
Figure 696223DEST_PATH_IMAGE009
个灰度级的对比度；
Figure 854672DEST_PATH_IMAGE019
表示第
Figure 628593DEST_PATH_IMAGE003
个图像区域内第
Figure 556097DEST_PATH_IMAGE009
个灰度级的毛刺区域可能值；
Figure 757272DEST_PATH_IMAGE019
，
Figure 668596DEST_PATH_IMAGE008
的值越大，
Figure 980628DEST_PATH_IMAGE046
越大，灰度级为毛刺区域灰度级的可能性越大。
需要说明的是，
Figure 28219DEST_PATH_IMAGE019
和
Figure 665874DEST_PATH_IMAGE008
是从两个方面反映灰度级为毛刺区域的可能性，二者之间互相没有影响，所以
Figure 798915DEST_PATH_IMAGE047
反映二者的效果。最后
Figure 649059DEST_PATH_IMAGE046
表示最终判断灰度级为毛刺区域灰度级的可能性，通过上式，将
Figure 551156DEST_PATH_IMAGE019
和
Figure 105852DEST_PATH_IMAGE008
获得的最终可能性转换到[0，1]区间内，方便后计算。
其次，对每个图像区域内判断的作为毛刺区域的灰度级的可能性
Figure 460609DEST_PATH_IMAGE046
进行分析，在整个分层图像中判断毛刺区域的灰度级，对于图像区域内，灰度的差异性
Figure 114445DEST_PATH_IMAGE016
越高，越有可能存在毛刺，即每个图像区域内判断的毛刺灰度级的可信度越高，所以，根据
Figure 871048DEST_PATH_IMAGE016
对各分块内得到的
Figure 584926DEST_PATH_IMAGE046
进行结合；则根据每个图像区域内每个灰度级的毛刺区域确定值及像素点的灰度二阶矩获取每层图像中每个灰度级的第二毛刺区域预测值，其计算公式如下：
Figure 692560DEST_PATH_IMAGE048
式中，
Figure 150086DEST_PATH_IMAGE012
表示第
Figure 761196DEST_PATH_IMAGE013
层图像中第
Figure 911554DEST_PATH_IMAGE009
个灰度级的第二毛刺区域预测值；
Figure 975325DEST_PATH_IMAGE046
表示第
Figure 236542DEST_PATH_IMAGE003
个图像区域内第
Figure 436579DEST_PATH_IMAGE009
个灰度级的第一毛刺区域预测值；
Figure 757839DEST_PATH_IMAGE016
表示第
Figure 308906DEST_PATH_IMAGE013
层图像中第
Figure 108235DEST_PATH_IMAGE003
个图像区域内像素点的灰度二阶矩；
Figure 428358DEST_PATH_IMAGE017
表示第
Figure 654940DEST_PATH_IMAGE013
层图像中所划分图像区域的总数量；
Figure 693303DEST_PATH_IMAGE012
越大，第
Figure 296323DEST_PATH_IMAGE009
个灰度级为毛刺区域灰度级的可能性越高；主要反映该图像区域内灰度级为毛刺区域的可能性
Figure 2111DEST_PATH_IMAGE049
的可信度越高，同时
Figure 134015DEST_PATH_IMAGE050
表示将
Figure 925253DEST_PATH_IMAGE033
转换到[0，1]区间内，所以以
Figure 361657DEST_PATH_IMAGE050
为可信度，判断所有图像区域内灰度级为毛刺区域灰度的可能性
Figure 515427DEST_PATH_IMAGE051
。
Figure 95530DEST_PATH_IMAGE052
表示整个图像中存在毛刺的分块的数量，
Figure 108486DEST_PATH_IMAGE051
越大，第
Figure 522150DEST_PATH_IMAGE009
个灰度级为毛刺区域灰度级的可能性越高。
最后，图像金字塔的每一层的图像获得灰度级为毛刺区域的可能性，分别表示为
Figure 671371DEST_PATH_IMAGE012
，即第
Figure 410657DEST_PATH_IMAGE013
层图像中第
Figure 910909DEST_PATH_IMAGE009
个灰度级为毛刺区域灰度级的可能性。所以根据每一层获得灰度图中每个灰度级的毛刺区域确定值；则根据每层图像中每个每个灰度级的第二毛刺区域预测值获取灰度图中每个灰度级的毛刺区域确定值，其计算公式如下：
Figure 659422DEST_PATH_IMAGE010
式中，
Figure 194308DEST_PATH_IMAGE011
表示灰度图中第
Figure 104495DEST_PATH_IMAGE009
个灰度级的毛刺区域确定值；
Figure 826464DEST_PATH_IMAGE012
表示第
Figure 847509DEST_PATH_IMAGE013
层图像中第
Figure 971323DEST_PATH_IMAGE009
个灰度级的第二毛刺区域预测值；
Figure 52412DEST_PATH_IMAGE014
表示图像金字塔的总层数。其中，
Figure 261676DEST_PATH_IMAGE053
表示根据分层对
Figure 86413DEST_PATH_IMAGE012
进行求和的权值，随着层数的增加，分层图像的原有信息越少，所以
Figure 64733DEST_PATH_IMAGE053
减小。
依次计算出每个灰度级对应的毛刺区域确定值；
根据图像金字塔的分层特点，随着分层数的增加，图像保留原图像的信息越少，所以，在本实施例中使用的图像金字塔的分层数一般设置为5层以内。
S6、根据灰度图中每个灰度级的毛刺区域确定值对灰度图像进行灰度级拉伸处理获取拉伸图像；
在本实施例中，根据上述步骤获得灰度图中每个灰度级的毛刺区域确定值对原始图像进行灰度级的拉伸，即将图像中的毛刺区域的灰度值及其差异扩大，对于图像的灰度级的值表示为
Figure 582302DEST_PATH_IMAGE054
，则对其进行拉伸表示为：
Figure 278863DEST_PATH_IMAGE055
式中，
Figure 376132DEST_PATH_IMAGE056
表示拉伸后的第
Figure 208958DEST_PATH_IMAGE009
个灰度级的值；
Figure 631849DEST_PATH_IMAGE011
表示灰度图中第
Figure 815706DEST_PATH_IMAGE009
个灰度级的毛刺区域确定值；
Figure 716666DEST_PATH_IMAGE054
表示灰度图中第
Figure 935158DEST_PATH_IMAGE009
个灰度级的值；
Figure 794529DEST_PATH_IMAGE011
越大，对应灰度级扩大拉伸的程度越大；经过对毛刺区域灰度级的扩大拉伸，使得毛刺区域在图像中更加明显，方便毛刺区域的识别和定位；
依次根据每个灰度级对应的毛刺区域确定值对灰度图进行扩大拉伸，获取拉伸图像。
S7、根据拉伸图像中每个像素点及其邻域内像素点的灰度值获取每个像素点的毛刺区域可能度；通过每个像素点的毛刺区域可能度判断对应像素点是否属于毛刺区域。
在本实施例中，根据上述步骤获得的每个灰度级对应的拉伸后的图像，在拉伸图像中根据毛刺区域的高亮表现以及高亮聚集表现进行毛刺的识别。
在拉伸图像中首先根据灰度值，判断属于毛刺区域的像素点，同时结合毛刺区域高亮像素点的聚集性进一步判断毛刺，所以计算获得拉伸图像中每个像素点的毛刺区域可能度，其计算公式如下：
Figure DEST_PATH_IMAGE058A
式中，
Figure 324737DEST_PATH_IMAGE021
表示第
Figure 294967DEST_PATH_IMAGE022
个像素点的毛刺区域可能度；
Figure 430282DEST_PATH_IMAGE023
表示第
Figure 726134DEST_PATH_IMAGE022
个像素点的灰度值；
Figure 150162DEST_PATH_IMAGE024
表示第
Figure 658504DEST_PATH_IMAGE022
个像素点的8邻域中第
Figure 586008DEST_PATH_IMAGE025
个像素点的灰度值；
Figure 787183DEST_PATH_IMAGE026
表示第
Figure 647359DEST_PATH_IMAGE022
个像素点的8邻域中的最大灰度值；
Figure 959392DEST_PATH_IMAGE027
表示图像中最大灰度值；
Figure 6983DEST_PATH_IMAGE059
表示8邻域像素点的灰度值均值；
Figure 113479DEST_PATH_IMAGE026
与
Figure 246520DEST_PATH_IMAGE059
的值越大，第
Figure 362243DEST_PATH_IMAGE022
个像素点越有可能属于毛刺区域，同时，第
Figure 998761DEST_PATH_IMAGE022
个像素点本身的灰度值
Figure 276159DEST_PATH_IMAGE023
越大，越有可能属于毛刺区域；
根据图像的像素点为毛刺区域的可能性，设置阈值
Figure 365337DEST_PATH_IMAGE060
，当
Figure 284752DEST_PATH_IMAGE061
时，将
Figure 775776DEST_PATH_IMAGE021
所对应的像素点属于毛刺区域。
在灰度图中，筛选出属于毛刺区域的像素点，根据像素点的连续性获得毛刺区域，同时将识别的毛刺区域在图像中显示出来，参见图3所示，能够直观的看到识别出的毛刺区域，从而实现毛刺在图像中的定位。
综上，本发明提供的一种基于视觉定位的流体输送管管口毛刺识别定位方法，该方法通过分析灰度级为毛刺的区域的可能性，首先利用图像金字塔获得高对比度分层图像，结合毛刺的高亮表现判断灰度级为毛刺区域的可能值，并以灰度级为毛刺区域的可能值为权重，对图像灰度级进行拉伸，使得毛刺区域在图像中更加明显，筛选出属于毛刺区域的像素点，根据像素点的连续性获得毛刺区域，同时将识别的毛刺区域在图像中显示出来，实现毛刺在图像中的定位。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于视觉定位的流体输送管管口毛刺识别定位方法，其特征在于，包括以下步骤：
获取管口灰度图；根据管口灰度图采用高斯分层方式构建图像金字塔；
对图像金字塔中每层图像划分多个图像区域，获取每个图像区域内像素点的灰度二阶矩；
根据每层图像中像素点的灰度值获取每个图像区域内每个灰度级的毛刺区域可能值；
所述每个图像区域内每个灰度级的毛刺区域可能值计算公式如下：
Figure DEST_PATH_IMAGE002A
式中，
Figure 133125DEST_PATH_IMAGE004
表示第
Figure 501790DEST_PATH_IMAGE006
个图像区域内第
Figure 926955DEST_PATH_IMAGE008
个灰度级的毛刺区域可能值；
Figure 779023DEST_PATH_IMAGE010
表示每层图像中最大灰度值；
Figure 608439DEST_PATH_IMAGE012
表示第
Figure 854612DEST_PATH_IMAGE008
个灰度级的第
Figure 693255DEST_PATH_IMAGE014
个像素点的灰度值；需要说明的是，第
Figure 928059DEST_PATH_IMAGE008
个灰度级中所有像素点的灰度值均相等；
Figure 193955DEST_PATH_IMAGE016
表示第
Figure 583217DEST_PATH_IMAGE008
个灰度级中第
Figure 225551DEST_PATH_IMAGE018
个像素点邻域内第t个邻域像素点的灰度值；
Figure 829707DEST_PATH_IMAGE020
表示第
Figure 875544DEST_PATH_IMAGE008
个灰度级中像素点的总数量；
Figure 440518DEST_PATH_IMAGE022
表示半径为
Figure 496330DEST_PATH_IMAGE024
的邻域像素点的总数量，其中，半径可以设为10，也就是10个像素点的距离；
构建每个图像区域的灰度共生矩阵，并根据灰度共生矩阵中点对之间的灰度差异获取每个图像区域内每个灰度级的对比度；
根据每个图像区域内每个灰度级的毛刺区域可能值和对比度，以及每个图像区域内像素点的灰度二阶矩，获取灰度图中每个灰度级的毛刺区域确定值；
所述灰度图中每个灰度级的毛刺区域确定值计算公式如下：
Figure DEST_PATH_IMAGE026A
式中，
Figure 971304DEST_PATH_IMAGE028
表示灰度图中第
Figure 579003DEST_PATH_IMAGE008
个灰度级的毛刺区域确定值；
Figure 755907DEST_PATH_IMAGE030
表示第
Figure 474464DEST_PATH_IMAGE032
层图像中第
Figure 801016DEST_PATH_IMAGE008
个灰度级的第二毛刺区域预测值；
Figure 579616DEST_PATH_IMAGE034
表示图像金字塔的总层数；
其中，所述第
Figure 243815DEST_PATH_IMAGE032
层图像中第
Figure 766063DEST_PATH_IMAGE008
个灰度级的第二毛刺区域预测值的计算公式如下：
Figure DEST_PATH_IMAGE036A
式中，
Figure 12368DEST_PATH_IMAGE030
表示第
Figure 227449DEST_PATH_IMAGE032
层图像中第
Figure 864098DEST_PATH_IMAGE008
个灰度级的第二毛刺区域预测值；
Figure 924458DEST_PATH_IMAGE038
表示第
Figure 212219DEST_PATH_IMAGE006
个图像区域内第
Figure 332622DEST_PATH_IMAGE008
个灰度级的第一毛刺区域预测值；
Figure 722146DEST_PATH_IMAGE040
表示第
Figure 851776DEST_PATH_IMAGE032
层图像中第
Figure 728465DEST_PATH_IMAGE006
个图像区域内像素点的灰度二阶矩；
Figure 835749DEST_PATH_IMAGE042
表示第
Figure 571623DEST_PATH_IMAGE032
层图像中所划分图像区域的总数量；
其中，所述第
Figure 114731DEST_PATH_IMAGE006
个图像区域内第
Figure 127818DEST_PATH_IMAGE008
个灰度级的第一毛刺区域预测值计算公式如下：
Figure DEST_PATH_IMAGE044A
式中，
Figure 183499DEST_PATH_IMAGE038
表示第
Figure 482368DEST_PATH_IMAGE006
个图像区域内第
Figure 78435DEST_PATH_IMAGE008
个灰度级的第一毛刺区域预测值；
Figure 70661DEST_PATH_IMAGE046
表示第
Figure 782397DEST_PATH_IMAGE006
个图像区域内第
Figure 227284DEST_PATH_IMAGE008
个灰度级的对比度；
Figure 112195DEST_PATH_IMAGE004
表示第
Figure 224508DEST_PATH_IMAGE006
个图像区域内第
Figure 153149DEST_PATH_IMAGE008
个灰度级的毛刺区域可能值；
根据灰度图中每个灰度级的毛刺区域确定值对灰度图进行拉伸处理获取拉伸图像；
根据拉伸图像中每个像素点及其邻域内像素点的灰度值获取每个像素点的毛刺区域可能度；通过每个像素点的毛刺区域可能度判断对应像素点是否属于毛刺区域；
所述每个像素点的毛刺区域可能度计算公式如下：
Figure 350912DEST_PATH_IMAGE048
式中，
Figure 968408DEST_PATH_IMAGE050
表示第
Figure 59861DEST_PATH_IMAGE052
个像素点的毛刺区域可能度；
Figure 34770DEST_PATH_IMAGE054
表示第
Figure 516567DEST_PATH_IMAGE052
个像素点的灰度值；
Figure 946542DEST_PATH_IMAGE056
表示第
Figure 892502DEST_PATH_IMAGE052
个像素点的8邻域中第
Figure 303891DEST_PATH_IMAGE058
个像素点的灰度值；
Figure 86034DEST_PATH_IMAGE060
表示第
Figure 975492DEST_PATH_IMAGE052
个像素点的8邻域中最大灰度值；
Figure 41537DEST_PATH_IMAGE010
表示图像中最大灰度值。
2.根据权利要求1所述的基于视觉定位的流体输送管管口毛刺识别定位方法，其特征在于，所述每个图像区域内每个灰度级的对比度是按照以下步骤获取：
根据灰度共生矩阵中点对之间的灰度差异获取每个图像区域内灰度的对比度；再根据每个图像区域内灰度的对比度获取每个图像区域内每个灰度级的对比度。
3.根据权利要求2所述的基于视觉定位的流体输送管管口毛刺识别定位方法，其特征在于，所述构建每个图像区域的灰度共生矩阵中像素点对之间的距离为1。
4.根据权利要求2所述的基于视觉定位的流体输送管管口毛刺识别定位方法，其特征在于，每个图像区域内灰度的对比度计算公式如下：
Figure DEST_PATH_IMAGE062A
式中，
Figure 764774DEST_PATH_IMAGE064
表示第
Figure 158846DEST_PATH_IMAGE006
个图像区域内灰度的对比度；
Figure 724432DEST_PATH_IMAGE066
分别表示图像区域内两像素点对的灰度级；
Figure 785929DEST_PATH_IMAGE068
表示点对出现的概率；
Figure 398176DEST_PATH_IMAGE070
表示点对之间的灰度值差。
5.根据权利要求4所述的基于视觉定位的流体输送管管口毛刺识别定位方法，其特征在于，每个图像区域内每个灰度级的对比度计算公式如下：
Figure DEST_PATH_IMAGE072
式中，
Figure 233539DEST_PATH_IMAGE046
表示第
Figure 589434DEST_PATH_IMAGE006
个图像区域内第
Figure 239858DEST_PATH_IMAGE008
个灰度级的对比度；
Figure 39318DEST_PATH_IMAGE064
表示第
Figure 735879DEST_PATH_IMAGE006
个图像区域内灰度的对比度；
Figure 770831DEST_PATH_IMAGE066
分别表示图像区域内两像素点对的灰度级。
CN202210838353.3A 2022-07-18 2022-07-18 基于视觉定位的流体输送管管口毛刺识别定位方法 Active CN114998313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210838353.3A CN114998313B (zh) 2022-07-18 2022-07-18 基于视觉定位的流体输送管管口毛刺识别定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210838353.3A CN114998313B (zh) 2022-07-18 2022-07-18 基于视觉定位的流体输送管管口毛刺识别定位方法

Publications (2)

Publication Number Publication Date
CN114998313A CN114998313A (zh) 2022-09-02
CN114998313B true CN114998313B (zh) 2022-10-21

Family

ID=83022778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210838353.3A Active CN114998313B (zh) 2022-07-18 2022-07-18 基于视觉定位的流体输送管管口毛刺识别定位方法

Country Status (1)

Country Link
CN (1) CN114998313B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272376B (zh) * 2022-09-27 2022-12-20 山东鑫科来信息技术有限公司 基于机器视觉的浮动打磨头控制方法
CN115311287B (zh) * 2022-10-12 2023-04-07 南通欧通石油设备有限公司 一种共轨喷油器生产异常检测方法
CN116894841B (zh) * 2023-09-08 2023-11-28 山东天鼎舟工业科技有限公司 一种变速箱合金壳体质量视觉检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166098A (zh) * 2018-07-18 2019-01-08 上海理工大学 基于图像处理的工件毛刺检测方法
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法
CN114511471A (zh) * 2022-04-18 2022-05-17 广州骏天科技有限公司 基于灰度共生矩阵的图像优化方法及系统
CN114757949A (zh) * 2022-06-15 2022-07-15 济宁市海富电子科技有限公司 基于计算机视觉的电线电缆缺陷检测方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3078685B2 (ja) * 1993-08-06 2000-08-21 松下電器産業株式会社 位置認識方法
CN101630411B (zh) * 2009-07-02 2011-10-26 浙江省电力公司 基于熵值的面向输电线路部件识别的自动阈值图象分割方法
CN102202142B (zh) * 2010-03-26 2014-04-30 鸿富锦精密工业（深圳）有限公司 毛刺检测装置及毛刺检测方法
CN111179243A (zh) * 2019-12-25 2020-05-19 武汉昕竺科技服务有限公司 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN111899225A (zh) * 2020-06-30 2020-11-06 烟台市计量所 基于多尺度金字塔结构的核电管道缺陷检测方法
CN112330594B (zh) * 2020-10-13 2024-01-30 浙江华睿科技股份有限公司 一种纸筒缺陷检测方法、装置、电子设备及存储介质
CN113781406B (zh) * 2021-08-20 2024-04-02 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 电子元器件的划痕检测方法、装置及计算机设备
CN114202541B (zh) * 2022-02-17 2022-04-29 湖北中海电线电缆有限公司 基于人工智能的电缆缺陷检测方法
CN114387274B (zh) * 2022-03-24 2022-06-03 武汉昊月纸箱包装有限公司 一种基于人工智能的纸盒缺陷检测方法
CN114638827B (zh) * 2022-05-18 2022-08-05 卡松科技股份有限公司 一种润滑油机械杂质视觉检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166098A (zh) * 2018-07-18 2019-01-08 上海理工大学 基于图像处理的工件毛刺检测方法
CN109580657A (zh) * 2019-01-23 2019-04-05 郑州工程技术学院 一种桥梁质量检测中的裂缝检测方法
CN114511471A (zh) * 2022-04-18 2022-05-17 广州骏天科技有限公司 基于灰度共生矩阵的图像优化方法及系统
CN114757949A (zh) * 2022-06-15 2022-07-15 济宁市海富电子科技有限公司 基于计算机视觉的电线电缆缺陷检测方法及系统

Also Published As

Publication number Publication date
CN114998313A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114998313B (zh) 基于视觉定位的流体输送管管口毛刺识别定位方法
US20210319265A1 (en) Method for segmentation of underground drainage pipeline defects based on full convolutional neural network
CN113469177B (zh) 基于深度学习的排水管道缺陷检测方法及系统
CN110427981B (zh) 基于深度神经网络的sar船舶检测系统及方法
CN106651846A (zh) 视网膜血管图像的分割方法
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN111611861B (zh) 一种基于多尺度特征关联的图像变化检测方法
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
CN111178392B (zh) 基于深度神经网络的航空发动机孔探图像损伤分割方法
CN112149620A (zh) 基于无锚点的自然场景文字区域检测模型的构建方法
CN115719332A (zh) 一种焊接质量检测方法
CN117078661B (zh) 一种高空作业车结构件生产质量智能检测方法
CN115471487A (zh) 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置
CN116129135A (zh) 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法
CN109767426B (zh) 一种基于图像特征识别的盾构隧道渗漏水检测方法
CN112198170B (zh) 一种无缝钢管外表面三维检测中识别水滴的检测方法
CN111179278B (zh) 一种图像检测的方法、装置、设备和存储介质
KR100615047B1 (ko) 용접부의 결함 자동 검측 방법
CN116109639A (zh) 基于多任务学习网络的缺陷检测方法及装置
CN116343078A (zh) 基于视频sar的目标跟踪方法、系统及设备
CN115082444A (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN111650671A (zh) 一种基于多对象最优匹配技术的降水预报空间检验方法
CN114067103A (zh) 一种基于YOLOv3的管道第三方破坏智能识别方法
CN116630242B (zh) 一种基于实例分割的管道缺陷评估方法及装置
CN115471729B (zh) 一种基于改进YOLOv5的舰船目标识别方法及系统

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