CN115049649B - 基于锈蚀程度的钢筋打磨除锈控制方法 - Google Patents
基于锈蚀程度的钢筋打磨除锈控制方法 Download PDFInfo
- Publication number
- CN115049649B CN115049649B CN202210964526.6A CN202210964526A CN115049649B CN 115049649 B CN115049649 B CN 115049649B CN 202210964526 A CN202210964526 A CN 202210964526A CN 115049649 B CN115049649 B CN 115049649B
- Authority
- CN
- China
- Prior art keywords
- color
- analyzed
- pixel points
- connected domain
- degree
- 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
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 76
- 230000007797 corrosion Effects 0.000 title claims abstract description 76
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 38
- 229910001294 Reinforcing steel Inorganic materials 0.000 title claims abstract description 17
- 238000005498 polishing Methods 0.000 title claims abstract description 16
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 87
- 239000010959 steel Substances 0.000 claims abstract description 87
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- 238000002955 isolation Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000003086 colorant Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06T7/0002—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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/187—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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明涉及控制或调节技术领域,具体涉及基于锈蚀程度的钢筋打磨除锈控制方法。方法包括:根据待除锈的钢筋的外壁图像中各像素点在R、G、B三个通道的值,获得各颜色类别对应的待分析连通域对;根据待分析连通域对的连通线段的长度和对应的投影像素个数曲线,得到隔离程度;根据梯度方向的频率向量以及连通矩形内各像素点在各通道的值,计算连通矩形内像素点的颜色差异度;根据隔离程度和颜色差异度获得待分析连通域对的合并程度,以判断连通域是否合并,进而获得初始种子点,基于初始种子点对图像进行超像素分割获得多个超像素块;基于各超像素块的锈蚀等级获得对应的磨削压力。本发明实现了对钢筋除锈时的磨削压力的精确控制。
Description
技术领域
本发明涉及控制或调节技术领域,具体涉及基于锈蚀程度的钢筋打磨除锈控制方法。
背景技术
随着社会经济的发展、工业化进程的加快,钢筋作为重要建筑用材其质量的好坏直接影响建筑的质量,钢筋常发的质量问题为钢筋锈蚀,因而在安装钢筋之前需将钢筋表面的锈蚀去除。由于不同锈蚀程度的钢筋所需的除锈控制方法不同,因而需根据钢筋的锈蚀程度来调整除锈策略,例如浮锈只需进行较小的磨削压力就能将浮锈去除,还不会对钢筋本身造成不必要的磨损;深度锈蚀需要利用较大的磨削压力才能将锈蚀彻底去除,钢筋会存在一些结构,这些结构影响锈蚀去除的难度,因而需根据各种锈蚀程度的分布情况来确定除锈策略,而在分析不同锈蚀程度分布之前需分割出各种锈蚀程度的所在区域。现有的超像素分割作为一种区域分割方法,这种区域分割方法是基于初始种子点、图像中像素点的颜色、距离等来对图像进行区域分割的,但是初始种子点的放置会直接影响分割的效率和效果,一般将初始种子点放置在每个区域的几何中心位置较好,但是在超像素分割前一般无法确定分割的区域个数以及区域的边界位置,因而很难确定初始种子点的位置。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于锈蚀程度的钢筋打磨除锈控制方法,所采用的技术方案具体如下:
本发明提供了一种基于锈蚀程度的钢筋打磨除锈控制方法,该方法包括以下步骤:
获取待除锈的钢筋的外壁图像;
根据所述钢筋的外壁图像中各像素点在R、G、B三个通道的值,得到各颜色类别对应的多个连通域;选取任一颜色类别作为目标颜色类别,选取所述目标颜色类别中的任意两个相邻连通域作为待分析连通域对,将包含所述待分析连通域对的最小外接矩形记为连通外接矩形,将所述待分析连通域对中的两个连通域的几何中心的连线记为连通线段,基于所述连通外接矩形和连通线段,获得待分析连通域对的连通线段对应的投影像素个数曲线;
根据待分析连通域对的连通线段的长度和对应的投影像素个数曲线,得到待分析连通域对的隔离程度;根据各通道的各颜色类别对应的梯度方向的频率向量,分别计算R、G、B三个通道的信任度权重;根据待分析连通域对对应的连通矩形内各像素点在R、G、B三个通道的值,计算待分析连通域对对应的连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值;根据所述差值的绝对值和信任度权重,计算待分析连通域对对应的连通矩形内像素点的颜色差异度;
根据所述隔离程度和颜色差异度获得待分析连通域对的合并程度;根据所述合并程度判断待分析连通域对中的两个连通域是否进行合并,若是,则将待分析连通域对对应的连通矩形的几何中心作为超像素分割时的初始种子点,若否,则将待分析连通域对中各连通域的中心点作为超像素分割时的初始种子点,基于初始种子点对所述外壁图像进行超像素分割获得多个超像素块;基于各超像素块的锈蚀等级获得对应的磨削压力。
优选的,所述根据所述钢筋的外壁图像中各像素点在R、G、B三个通道的值,得到各颜色类别对应的多个连通域,包括:
分别统计所述钢筋的外壁图像中像素点在R、G、B三个通道的颜色值,得到各颜色值出现的频率,构建各通道对应的颜色直方图;分别对所述各通道对应的颜色直方图进行密度聚类,得到各通道对应的各颜色类别;
分别从每个通道对应的颜色类别中任选一个颜色类别作为目标颜色类别,将三个目标颜色类别组合到一起得到一个颜色类别组合;判断所述钢筋的外壁图像中各像素点所属的颜色类别组合,将所述钢筋的外壁图像中各像素点划分到其对应的颜色类别像素集合中,得到多个颜色类别像素集合;
对各颜色类别像素集合中的像素点进行连通性分析,得到各颜色类别对应的多个连通域。
优选的,所述基于所述连通外接矩形和连通线段,获得待分析连通域对的连通线段对应的投影像素个数曲线,包括:
将所述连通外接矩形内属于目标颜色类别的所有像素点分别向所述待分析连通域对的连通线段上投影,得到连通外接矩形内属于目标颜色类别的各像素点在连通线段上对应的投影位置;统计连通线段上每个位置对应的投影像素点的个数;基于所述连通线段上每个位置对应的投影像素点的个数,得到待分析连通域对的连通线段对应的投影像素个数曲线;
所述投影像素个数曲线的横坐标为连通线段上的各像素点的位置,纵坐标为连通线段上每个位置对应的投影像素点的个数。
优选的,所述根据待分析连通域对的连通线段的长度和对应的投影像素个数曲线,得到待分析连通域对的隔离程度,包括:
统计所述连通线段上各位置处对应的连通域内部的投影像素点的个数,从所述连通线段的所有位置中筛选出连通域内部的投影像素点的个数为零的位置作为目标位置,获取所述目标位置的投影像素个数,分别将各目标位置的投影像素个数与预设阈值比较,将小于预设阈值的目标位置集合记为低连通位置集合;
对所述低连通位置集合内的各位置进行连通性处理,得到多个低连通线段,获取最长的低连通线段的长度;
计算所述最长的低连通线段的长度与待分析连通域对的连通线段的长度的比值,将所述比值作为待分析连通域对的隔离程度。
优选的,各通道的各颜色类别对应的梯度方向的频率向量的获取,包括:
对于任一通道:
对待除锈的钢筋的外壁图像中各颜色类别的所有像素点的梯度方向进行统计,得到各颜色类别中所有梯度方向出现的频率,基于所述频率获得该通道的各颜色类别对应的梯度方向的频率向量。
优选的,所述根据各通道的各颜色类别对应的梯度方向的频率向量,分别计算R、G、B三个通道的信任度权重,包括:
对于任一通道:将该通道对应的所有颜色类别两两组合,得到多个颜色类别对;计算所有颜色类别对中的任意一个颜色类别对中的两个颜色类别的梯度方向的频率向量的余弦相似度,计算所述余弦相似度与调节因子的和的倒数,作为对应颜色类别对对应的纹理分布差异度;
计算各通道的所有颜色类别对对应的纹理分布差异度的均值之和,作为待除锈的钢筋的外壁图像的整体纹理分布差异度;
分别计算各通道的所有颜色类别对对应的纹理分布差异度的均值与待除锈的钢筋的外壁图像的整体纹理分布差异度的比值,作为各通道的信任度权重。
优选的,所述根据待分析连通域对对应的连通矩形内各像素点在R、G、B三个通道的值,计算待分析连通域对对应的连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值,包括:
计算所述连通矩形内目标颜色类别的所有像素点的R通道颜色值的均值、G通道颜色值的均值和B通道颜色值的均值,计算所述连通矩形内非目标颜色类别的所有像素点的R通道颜色值的均值、G通道颜色值的均值和B通道颜色值的均值;
计算所述连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值。
优选的,采用如下公式计算待分析连通域对对应的连通矩形内像素点的颜色差异度:
其中,为待分析连通域对对应的连通矩形内像素点的颜色差异度,为R通道的信任度权重,为G通道的信任度权重,为B通道的信任度权重,为待分析连通域对对应的连通矩形内目标颜色类别的像素点的R通道颜色值的均值与非目标颜色类别的像素点R通道颜色值的均值的差值的绝对值,为待分析连通域对对应的连通矩形内目标颜色类别的像素点的G通道颜色值的均值与非目标颜色类别的像素点G通道颜色值的均值的差值的绝对值,为待分析连通域对对应的连通矩形内目标颜色类别的像素点的B通道颜色值的均值与非目标颜色类别的像素点B通道颜色值的均值的差值的绝对值。
优选的,所述根据所述隔离程度和颜色差异度获得待分析连通域对的合并程度;根据所述合并程度判断待分析连通域对中的两个连通域是否进行合并,包括:
计算待分析连通域对的隔离程度和待分析连通域对对应的连通矩形内像素点的颜色差异度的乘积,将所述乘积的倒数作为待分析连通域对的合并程度;
判断待分析连通域对的合并程度是否大于合并程度阈值,若大于,则判定待分析连通域对中的两个连通域需要进行合并,若小于等于,则判定待分析连通域对中的两个连通域不需要进行合并。
优选的,所述基于各超像素块的锈蚀等级获得对应的磨削压力,包括:
将超像素分割后的待除锈的钢筋的外壁图像输入到训练好的锈蚀等级识别网络中,得到各超像素块的锈蚀等级,根据各超像素块的锈蚀等级确定对应的磨削压力。
本发明具有如下有益效果:
1、本发明考虑到传统超像素分割时初始种子点是随机放置的,这种放置方法导致超像素分割效率低且分割精度低,本发明根据待除锈的钢筋的外壁图像中像素点在R、G、B三个通道的值来划分颜色类别,通过连通性分析得到各颜色类别对应的连通域,这样会得到一些离散的小连通域,因而需进行连通域合并。通过分析连通域之间的隔离程度以及颜色差异度来进行连通域合并,进而获取初始种子点的放置位置,通过获取初始种子点的放置位置来提高待除锈的钢筋的外壁图像超像素分割时的分割精度,将同一锈蚀等级的区域分割在一个超像素块中,根据各超像素块的锈蚀等级来确定各超像素块的磨削压力,进而实现了对钢筋除锈时的磨削压力的精确控制,提高了锈蚀的处理精度,同时也避免了除锈时磨削压力过大给钢筋带来伤害。
2、本发明在分析待分析连通域对对应的连通矩形内像素点的颜色差异度时,考虑到锈蚀对每个通道的颜色信息影响不同,某些通道的颜色值更能描述锈蚀程度信息,因此本实施例基于各通道的各颜色类别对应的梯度方向的频率向量,计算了各通道的信任度权重,基于各通道的信任度权重以及待分析连通域对的隔离程度,计算了待分析连通域对对应的连通矩形内像素点的颜色差异度,更加关注信任度权重大的通道内的颜色值,即更加关注能够反映锈蚀程度的颜色信息,提高了后续待除锈的钢筋的外壁图像中各超像素块的锈蚀等级的识别精度。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的一种基于锈蚀程度的钢筋打磨除锈控制方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于锈蚀程度的钢筋打磨除锈控制方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于锈蚀程度的钢筋打磨除锈控制方法的具体方案。
基于锈蚀程度的钢筋打磨除锈控制方法实施例:
本实施例提出了基于锈蚀程度的钢筋打磨除锈控制方法,如图1所示,本实施例的基于锈蚀程度的钢筋打磨除锈控制方法包括以下步骤:
步骤S1,获取待除锈的钢筋的外壁图像。
本实施例所针对的情景为:建筑施工过程中,钢筋整天暴露在户外场景中,导致钢筋产生锈蚀,因而需对钢筋进行除锈处理。除锈磨削机的正上方安装相机,在进行磨削前磨削机带动钢筋旋转一周,使相机采集钢筋外壁的整体图像,通过对钢筋图像进行处理得到不同等级的锈蚀区域,根据锈蚀等级确定钢筋各区域的磨削压力,从而实现除锈控制。
本实施例在钢筋除锈机的正上方安装相机,在除锈处理前除锈机带动待除锈的钢筋旋转一周,相机采集N张钢筋图像,这N张图像中包含钢筋外壁全貌信息。将钢筋图像进行图像拼接处理得到展开的钢筋外壁图像,记为待除锈的钢筋的外壁图像。
步骤S2,根据所述钢筋的外壁图像中各像素点在R、G、B三个通道的值,得到各颜色类别对应的多个连通域;选取任一颜色类别作为目标颜色类别,选取所述目标颜色类别中的任意两个相邻连通域作为待分析连通域对,将包含所述待分析连通域对的最小外接矩形记为连通外接矩形,将所述待分析连通域对中的两个连通域的几何中心的连线记为连通线段,基于所述连通外接矩形和连通线段,获得待分析连通域对的连通线段对应的投影像素个数曲线。
在对待除锈的钢筋进行除锈处理时,一般需根据锈蚀程度分布情况来调控除锈的磨削压力,在分析不同锈蚀程度分布前需准确的分割出不同程度的锈蚀区域。利用超像素分割对待检测的钢筋外壁的灰度图像进行分割,分割出不同程度的锈蚀区域,进而较准确的放置种子点,种子点一般放置在每个类别区域的几何中心位置处。本实施例根据待除锈的钢筋的外壁图像中像素点的颜色分布以及距离分布来进行各类别的区域的划分,利用类别区域边界来确定种子点的位置。放置种子点后进行超像素分割得到不同程度的锈蚀区域,根据不同程度锈蚀区域的分布情况确定各区域的磨削压力,进而根据锈蚀程度来实现磨削控制。
由于不同锈蚀程度会有不同的颜色呈现,钢筋的外壁图像中深度锈蚀区域的颜色与轻度锈蚀区域的颜色存在差异。在钢筋颜色直方图中具有深度锈蚀特征的颜色区间内会分布着一些深度锈蚀像素,因而在直方图中就会存在一个颜色峰。同理当待除锈的钢筋的外壁图像中存在一些轻度锈蚀区域时,在钢筋颜色直方图具有轻度锈蚀特征的颜色区间内会存在一个颜色峰。基于此,本实施例基于待除锈的钢筋的外壁图像中的颜色对像素点进行密度聚类来划分颜色类别。
具体的,首先分别对待除锈的钢筋的外壁图像的各通道(R、G、B三个通道)颜色进行统计,得到各颜色值出现的频率,进而构建各通道对应的颜色直方图,每个通道得到一个颜色直方图,将R通道的颜色直方图记为,G通道的颜色直方图记为,B通道的颜色直方图记为。
然后根据颜色直方图分布确定颜色类别,确定颜色类别的过程为:对颜色直方图进行密度聚类得到M1个颜色类别,将所有的颜色类别组成的集合记为,其中,表示R通道的第1个颜色类别,表示R通道的第2个颜色类别,表示R通道的第M1个颜色类别。同样的,采用上述方法,获得G通道直方图的颜色类别集合和B通道颜色类别集合,假设G通道有M2个颜色类别集合,B通道有M3个颜色类别集合。
本实施例分别从每个通道颜色类别集合中随机选取一个颜色类别,将它们组合在一起得到一个颜色类别组合,总共得到个颜色类别组合。例如:是R通道随机选取的一个颜色类别,是G通道随机选取的一个颜色类别,是B通道随机选取的一个颜色类别,将这三个颜色类别组合到一起作为一个颜色类别组合。判断待除锈的钢筋的外壁图像中各像素点所属的颜色类别组合,并将各像素点划分到其对应的颜色类别像素集合中,通过该方式划分了若干个颜色类别像素集合,记为,其中,L表示划分的颜色类别像素集合的个数,表示第1个颜色类别像素集合,表示第2个颜色类别像素集合,表示第k个颜色类别像素集合,表示第L个颜色类别像素集合。
接下来对每个颜色类别进行连通性分析得到连通域,具体过程为:
对于第k个颜色类别像素集合:
获取待除锈的钢筋的外壁图像中属于该颜色类别像素集合中的像素点,对该集合内的像素点进行连通性分析,得到若干个连通域,即得到了该颜色类别像素构成的连通域。所述连通性分析为:对于该颜色类别集合中的像素点,将待除锈的钢筋的外壁图像中属于该颜色类别集合的相邻的像素点划分到同一个连通域内。
由于上述基于颜色类别对待除锈的钢筋的外壁图像中的像素点进行划分属于强制划分,划分效果较差,会导致一些区域中的像素被误判为其他颜色类别,导致部分区域只存在一些离散的像素点或一些小连通域,因此本实施例需对上述得到的连通域进行分析,判断是否能够合并。
在上述步骤中已经获取了第k个颜色类别像素构成的连通域,接下来对该颜色类别像素对应的连通域进行分析,该颜色类别像素对应的连通域集合为,其中,表示该颜色类别像素构成的第1个连通域,表示该颜色类别像素构成的第2个连通域,表示该颜色类别像素构成的第i个连通域,表示该颜色类别像素构成的第A个连通域;假设该颜色类别像素构成的连通域中两个相邻的连通域分别为和(单点不为连通域),将这两个连通域作为一个待分析连通域对,将待分析连通域所属的颜色类别(第k个颜色类别)记为目标颜色类别;绘制同时包含待分析连通域对中两个连通域的最小外接矩形,记为连通外接矩形,将连通域的几何中心和连通域的几何中心连接在一起得到一条连接线段,记为连通线段,连通域的几何中心和连通域的几何中心为连通线段的两个端点。将连通外接矩形内属于目标颜色类别的所有像素点分别向该连通线段上投影,得到连通外接矩形内属于目标颜色类别的各像素点在连通线段上对应的投影位置,统计连通线段上每个位置对应的投影像素点的个数,基于该连通线段上每个位置对应的投影像素点的个数,得到一条投影像素个数曲线,该曲线为第k个颜色类别中连通域和连通域的连通线段对应的投影像素个数曲线,该投影像素个数曲线的横坐标为连通线段上的各像素点的位置,纵坐标为连通线段上每个位置对应的投影像素点个数。
至此,采用上述方法获得了每个颜色类别中任意两个相邻连通域的连通线段对应的投影像素个数曲线。
步骤S3,根据待分析连通域对的连通线段的长度和对应的投影像素个数曲线,得到待分析连通域对的隔离程度;根据各通道的各颜色类别对应的梯度方向的频率向量,分别计算R、G、B三个通道的信任度权重;根据待分析连通域对对应的连通矩形内各像素点在R、G、B三个通道的值,计算待分析连通域对对应的连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值;根据所述差值的绝对值和信任度权重,计算待分析连通域对对应的连通矩形内像素点的颜色差异度。
若待分析连通域对中的两个相邻连通域本来应属于同一个连通域,但是由于颜色分类不准确导致连通域被分割开,则这两个连通域之间会存在一些离散的点,并且间隔区域像素点的颜色与连通域内像素点的颜色差异不会太大。基于此本实施例来进行连通域合并。
首先基于待分析连通域对的连通线段对应的投影像素个数曲线,计算待分析连通域对的两个连通域之间的隔离程度。对于待分析连通域对的连通线段:首先获取该连通线段的长度,然后统计该连通线段上各位置处对应的连通域内部的投影像素点的个数,从该连通线段的所有位置中筛选出连通域内部的投影像素点的个数为零的位置,并基于这些位置构建集合G1(这些为非连通区域的像素的分布情况),获取集合G1内这些位置的投影像素个数,分别将集合G1内连通线段上各位置的投影像素个数与阈值比较,将小于阈值的连通线段位置集合记为低连通位置集合,对低连通位置集合内的各位置进行连通性处理,得到多个低连通线段,获取最长的那个低连通线段,将最长的低连通线段的长度记为,本实施例计算最长的低连通线段的长度与的比值,将比值作为隔离程度,即得到了待分析连通域对的隔离程度,隔离程度越大,说明待分析连通域对中的两个连通域越不应当划分到一起,即两个连通域越不应当进行合并。所述连通性处理为:集合内位置相邻的像素点划分到一起。在具体应用中,实施者根据具体情况设置的值。
接下来本实施例根据连通域之间像素以及连通域内像素的颜色差异计算颜色差异度。
考虑到锈蚀对每个通道的颜色信息影响不同,例如在R通道中能够较好的区分出深度锈蚀信息和轻度锈蚀信息,而在G通道中就不能较好的区分出深度锈蚀信息和轻度锈蚀信息,因而需根据各通道描述锈蚀程度信息的情况来确定各通道的信任权重,由于深度锈蚀和轻度锈蚀的纹理信息表现不同,因而可以根据各通道颜色分割的类别间的纹理分布差异情况确定各通道颜色的信任度权重。
因此本实施例分析各通道直方图不同颜色类别之间像素集合的纹理差异情况,以R通道的颜色类别集合为例来说明,将待除锈的钢筋的外壁图像中颜色区间的像素划分为一类,颜色区间的像素划分为一类,以此类推,得到M1个像素类别对应的像素点。获取R通道各颜色类别的像素点的梯度方向,对各颜色类别的所有像素点的梯度方向进行统计,得到每个颜色类别中所有梯度方向出现的频率,进而获得各颜色类别对应的梯度方向的频率向量,对于任一颜色类别,其对应的梯度方向的频率向量为,其中,为该颜色类别的第1个梯度方向,为该颜色类别的第1个梯度方向出现的频率,为该颜色类别的第2个梯度方向,为该颜色类别的第2个梯度方向出现的频率,为该颜色类别的第个梯度方向,为该颜色类别的第个梯度方向出现的频率;梯度方向的频率向量描述了该类别纹理的分布情况。采用上述方法能够得到R通道所有颜色类别对应的梯度方向的频率向量。将R通道的所有颜色类别两两组合,得到若干个颜色类别对;计算所有颜色类别对中的任一颜色类别对中的两个颜色类别的梯度方向的频率向量的余弦相似度,计算余弦相似度与调节因子λ之和,进而计算余弦相似度与调节因子的和的倒数,该倒数用于表示这两个颜色类别像素区域的纹理分布差异度,即得到了任一颜色类别对中的两个颜色类别的像素点的纹理分布差异度。本实施例设置调节因子λ的值为1,在具体应用中,实施者可自行设置。将R通道的所有颜色类别对对应的纹理分布差异度的均值记为,纹理分布差异度的均值越大,说明该通道不同颜色类别越能够反映不同的锈蚀程度,即该通道越能够较好的描述锈蚀信息。同理采用上述方法,计算得到G通道的纹理分布差异度均值和B通道的纹理分布差异度均值。本实施例计算所有通道对应的纹理分布差异度的均值之和,并作为待除锈的钢筋的外壁图像的整体纹理分布差异度,然后分别计算、、与待除锈的钢筋的外壁图像的整体纹理分布差异度的比值,并作为对应通道的信任度权重,得到各通道的信任度权重,信任度权重越大,说明对应通道的颜色信息更能表征钢筋表面的锈蚀程度;例如:R通道的信任度权重为,其中,为R通道的信任度权重。
本实施例在上述步骤中已获取了待分析连通域对对应的连通矩形,接下来基于连通矩形内像素点的R通道颜色值、G通道颜色值和B通道颜色值对连通矩形内的像素点进行分析。
对于待分析连通域对对应的连通矩形:
计算该连通矩形内属于目标颜色类别(目标颜色类别为待分析连通域对中两个连通域所属的颜色类别)的所有像素点的R通道颜色值的均值、G通道颜色值的均值和B通道颜色值的均值,同时计算该连通矩形内不属于目标颜色类别的所有像素点的R通道颜色值的均值、G通道颜色值的均值和B通道颜色值的均值,然后分别计算该连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值,即分别计算与的差值的绝对值、与的差值的绝对值、与的差值的绝对值;该连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值反映连通矩形中连通域内的像素点与连通域外的像素点的差异程度,差异程度的大小能够表征连通矩形内的像素点是否属于同一锈蚀程度。基于此,本实施例根据待分析连通域对对应的连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值以及各通道的信任度权重,计算待分析连通域对对应的连通矩形内像素点的颜色差异度,即:
其中,为待分析连通域对对应的连通矩形内像素点的颜色差异度,为R通道的信任度权重,为G通道的信任度权重,为B通道的信任度权重,为待分析连通域对对应的连通矩形内目标颜色类别的像素点的R通道颜色值的均值与非目标颜色类别的像素点R通道颜色值的均值的差值的绝对值,为待分析连通域对对应的连通矩形内目标颜色类别的像素点的G通道颜色值的均值与非目标颜色类别的像素点G通道颜色值的均值的差值的绝对值,为待分析连通域对对应的连通矩形内目标颜色类别的像素点的B通道颜色值的均值与非目标颜色类别的像素点B通道颜色值的均值的差值的绝对值;信任度权重越大,说明对应通道的颜色信息更能表征钢筋表面的锈蚀程度,在分析连通矩形内像素点的颜色差异度时更关注像素点在信任度权重大的通道内的颜色值;连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值越大,说明连通矩形中像素点的差异程度越大,越不应当对连通矩形内的像素点进行合并处理。
至此,采用上述方法,得到了待分析连通域对的隔离程度和待分析连通域对对应的连通矩形内像素点的颜色差异度。
步骤S4,根据所述隔离程度和颜色差异度获得待分析连通域对的合并程度;根据所述合并程度判断待分析连通域对中的两个连通域是否进行合并,若是,则将待分析连通域对对应的连通矩形的几何中心作为超像素分割时的初始种子点,若否,则将待分析连通域对中各连通域的中心点作为超像素分割时的初始种子点,基于初始种子点对所述外壁图像进行超像素分割获得多个超像素块;基于各超像素块的锈蚀等级获得对应的磨削压力。
本实施例基于待分析连通域对的隔离程度和待分析连通域对对应的连通矩形内像素点的颜色差异度,判断待分析连通域对中的两个相邻连通域是否能够合并,待分析连通域对中的两个相邻连通域的隔离程度越大且对应的连通矩形内像素点的颜色差异度越大,说明待分析连通域对对应的连通矩形内像素点的差异越大,越不应当对其进行合并。对于待分析连通域对:计算待分析连通域对的隔离程度和对应的连通矩形内像素点的颜色差异度的乘积P,将该乘积的倒数作为待分析连通域对的合并程度,合并程度越大,说明待分析连通域对中的两个连通域越应当合并到一起,本实施例设置合并程度阈值,判断待分析连通域对的合并程度是否大于,若大于,则判定待分析连通域对中的两个连通域应当进行合并,因此将待分析连通域对对应的连通矩形作为合并后的一个连通域,获取该连通矩形的几何中心点,将该几何中心点作为超像素分割时的初始种子点;若小于等于,则判定待分析连通域对中的两个连通域不需要进行合并,分别将各连通域的中心点作为超像素分割时的初始种子点。获取初始种子点后,对待除锈的钢筋的外壁图像进行超像素分割,得到多个超像素块。同一锈蚀程度的钢筋像素点划分到了同一超像素块中,同一超像素块的钢筋区域采用相同的磨削压力。在具体应用中,实施者根据具体情况设置合并程度的值。超像素分割为现有技术,此处不再赘述。
本实施例利用锈蚀等级识别网络识别钢筋图像中各超像素块的锈蚀等级,由于进行超像素分割后同一锈蚀等级的像素点被分割在同一超像素块中,人工进行标注时无需逐个像素点进行标注,只需将一个超像素块标注一个锈蚀等级标签,人工进行标注后得到钢筋锈蚀等级数据集。本实施例的锈蚀等级识别网络为DNN网络,网络结构为encoder-decoder结构,网络的输入为上述得到的锈蚀等级数据集,网络的输出为各区域的锈蚀等级,网络的损失函数为交叉熵损失函数。网络的训练过程为现有技术,此处不再过多赘述。
为了判断待除锈的钢筋的外壁的锈蚀等级,本实施例将超像素分割后的待除锈的钢筋的外壁图像输入到训练好的锈蚀等级识别网络中,得到各超像素块(待除锈钢筋的各区域)的锈蚀等级,根据各超像素块的锈蚀等级确定对应的磨削压力,进而对待除锈钢筋的各锈蚀区域进行除锈处理。本实施例根据待除锈钢筋不同区域对应的锈蚀程度,给予不同区域不同的锈蚀磨削压力,从而实现对钢筋的除锈控制,提高了锈蚀的处理精度,同时也避免了除锈时磨削压力过大给钢筋带来伤害。
本实施例考虑到传统超像素分割时初始种子点是随机放置的,这种放置方法导致超像素分割效率低且分割精度低,本实施例根据待除锈的钢筋的外壁图像中像素点在R、G、B三个通道的值来划分颜色类别,通过连通性分析得到各颜色类别对应的连通域,这样会得到一些离散的小连通域,因而需进行连通域合并。通过分析连通域之间的隔离程度以及颜色差异度来进行连通域合并,进而获取初始种子点的放置位置,通过获取初始种子点的放置位置来提高待除锈的钢筋的外壁图像超像素分割时的分割精度,将同一锈蚀等级的区域分割在一个超像素块中,根据各超像素块的锈蚀等级来确定各超像素块的磨削压力,进而实现了对钢筋除锈时的磨削压力的精确控制,提高了锈蚀的处理精度,同时也避免了除锈时磨削压力过大给钢筋带来伤害。本实施例在分析待分析连通域对对应的连通矩形内像素点的颜色差异度时,考虑到锈蚀对每个通道的颜色信息影响不同,某些通道的颜色值更能描述锈蚀程度信息,因此本实施例基于各通道的各颜色类别对应的梯度方向的频率向量,计算了各通道的信任度权重,基于各通道的信任度权重以及待分析连通域对的隔离程度,计算了待分析连通域对对应的连通矩形内像素点的颜色差异度,更加关注信任度权重大的通道内的颜色值,即更加关注能够反映锈蚀程度的颜色信息,提高了后续待除锈的钢筋的外壁图像中各超像素块的锈蚀等级的识别精度。
需要说明的是:以上所述仅为本发明的较佳实施例,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 (7)
1.一种基于锈蚀程度的钢筋打磨除锈控制方法,其特征在于,该方法包括以下步骤:
获取待除锈的钢筋的外壁图像;
根据所述钢筋的外壁图像中各像素点在R、G、B三个通道的值,得到各颜色类别对应的多个连通域;选取任一颜色类别作为目标颜色类别,选取所述目标颜色类别中的任意两个相邻连通域作为待分析连通域对,将包含所述待分析连通域对的最小外接矩形记为连通外接矩形,将所述待分析连通域对中的两个连通域的几何中心的连线记为连通线段,基于所述连通外接矩形和连通线段,获得待分析连通域对的连通线段对应的投影像素个数曲线;
根据待分析连通域对的连通线段的长度和对应的投影像素个数曲线,得到待分析连通域对的隔离程度;根据各通道的各颜色类别对应的梯度方向的频率向量,分别计算R、G、B三个通道的信任度权重;根据待分析连通域对对应的连通矩形内各像素点在R、G、B三个通道的值,计算待分析连通域对对应的连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值;根据所述差值的绝对值和信任度权重,计算待分析连通域对对应的连通矩形内像素点的颜色差异度;
根据所述隔离程度和颜色差异度获得待分析连通域对的合并程度;根据所述合并程度判断待分析连通域对中的两个连通域是否进行合并,若是,则将待分析连通域对对应的连通矩形的几何中心作为超像素分割时的初始种子点,若否,则将待分析连通域对中各连通域的中心点作为超像素分割时的初始种子点,基于初始种子点对所述外壁图像进行超像素分割获得多个超像素块;基于各超像素块的锈蚀等级获得对应的磨削压力;
所述基于所述连通外接矩形和连通线段,获得待分析连通域对的连通线段对应的投影像素个数曲线,包括:
将所述连通外接矩形内属于目标颜色类别的所有像素点分别向所述待分析连通域对的连通线段上投影,得到连通外接矩形内属于目标颜色类别的各像素点在连通线段上对应的投影位置;统计连通线段上每个位置对应的投影像素点的个数;基于所述连通线段上每个位置对应的投影像素点的个数,得到待分析连通域对的连通线段对应的投影像素个数曲线;
所述投影像素个数曲线的横坐标为连通线段上的各像素点的位置,纵坐标为连通线段上每个位置对应的投影像素点的个数;
所述根据待分析连通域对的连通线段的长度和对应的投影像素个数曲线,得到待分析连通域对的隔离程度,包括:
统计所述连通线段上各位置处对应的连通域内部的投影像素点的个数,从所述连通线段的所有位置中筛选出连通域内部的投影像素点的个数为零的位置作为目标位置,获取所述目标位置的投影像素个数,分别将各目标位置的投影像素个数与预设阈值比较,将小于预设阈值的目标位置集合记为低连通位置集合;
对所述低连通位置集合内的各位置进行连通性处理,得到多个低连通线段,获取最长的低连通线段的长度;
计算所述最长的低连通线段的长度与待分析连通域对的连通线段的长度的比值,将所述比值作为待分析连通域对的隔离程度;
采用如下公式计算待分析连通域对对应的连通矩形内像素点的颜色差异度:
2.根据权利要求1所述的基于锈蚀程度的钢筋打磨除锈控制方法,其特征在于,所述根据所述钢筋的外壁图像中各像素点在R、G、B三个通道的值,得到各颜色类别对应的多个连通域,包括:
分别统计所述钢筋的外壁图像中像素点在R、G、B三个通道的颜色值,得到各颜色值出现的频率,构建各通道对应的颜色直方图;分别对所述各通道对应的颜色直方图进行密度聚类,得到各通道对应的各颜色类别;
分别从每个通道对应的颜色类别中任选一个颜色类别作为目标颜色类别,将三个目标颜色类别组合到一起得到一个颜色类别组合;判断所述钢筋的外壁图像中各像素点所属的颜色类别组合,将所述钢筋的外壁图像中各像素点划分到其对应的颜色类别像素集合中,得到多个颜色类别像素集合;
对各颜色类别像素集合中的像素点进行连通性分析,得到各颜色类别对应的多个连通域。
3.根据权利要求1所述的基于锈蚀程度的钢筋打磨除锈控制方法,其特征在于,各通道的各颜色类别对应的梯度方向的频率向量的获取,包括:
对于任一通道:
对待除锈的钢筋的外壁图像中各颜色类别的所有像素点的梯度方向进行统计,得到各颜色类别中所有梯度方向出现的频率,基于所述频率获得该通道的各颜色类别对应的梯度方向的频率向量。
4.根据权利要求1所述的基于锈蚀程度的钢筋打磨除锈控制方法,其特征在于,所述根据各通道的各颜色类别对应的梯度方向的频率向量,分别计算R、G、B三个通道的信任度权重,包括:
对于任一通道:将该通道对应的所有颜色类别两两组合,得到多个颜色类别对;计算所有颜色类别对中的任意一个颜色类别对中的两个颜色类别的梯度方向的频率向量的余弦相似度,计算所述余弦相似度与调节因子的和的倒数,作为对应颜色类别对对应的纹理分布差异度;
计算各通道的所有颜色类别对对应的纹理分布差异度的均值之和,作为待除锈的钢筋的外壁图像的整体纹理分布差异度;
分别计算各通道的所有颜色类别对对应的纹理分布差异度的均值与待除锈的钢筋的外壁图像的整体纹理分布差异度的比值,作为各通道的信任度权重。
5.根据权利要求1所述的基于锈蚀程度的钢筋打磨除锈控制方法,其特征在于,所述根据待分析连通域对对应的连通矩形内各像素点在R、G、B三个通道的值,计算待分析连通域对对应的连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值,包括:
计算所述连通矩形内目标颜色类别的所有像素点的R通道颜色值的均值、G通道颜色值的均值和B通道颜色值的均值,计算所述连通矩形内非目标颜色类别的所有像素点的R通道颜色值的均值、G通道颜色值的均值和B通道颜色值的均值;
计算所述连通矩形内目标颜色类别的像素点的各通道颜色值的均值与非目标颜色类别的像素点的各通道颜色值的均值的差值的绝对值。
6.根据权利要求1所述的基于锈蚀程度的钢筋打磨除锈控制方法,其特征在于,所述根据所述隔离程度和颜色差异度获得待分析连通域对的合并程度;根据所述合并程度判断待分析连通域对中的两个连通域是否进行合并,包括:
计算待分析连通域对的隔离程度和待分析连通域对对应的连通矩形内像素点的颜色差异度的乘积,将所述乘积的倒数作为待分析连通域对的合并程度;
判断待分析连通域对的合并程度是否大于合并程度阈值,若大于,则判定待分析连通域对中的两个连通域需要进行合并,若小于等于,则判定待分析连通域对中的两个连通域不需要进行合并。
7.根据权利要求1所述的基于锈蚀程度的钢筋打磨除锈控制方法,其特征在于,所述基于各超像素块的锈蚀等级获得对应的磨削压力,包括:
将超像素分割后的待除锈的钢筋的外壁图像输入到训练好的锈蚀等级识别网络中,得到各超像素块的锈蚀等级,根据各超像素块的锈蚀等级确定对应的磨削压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964526.6A CN115049649B (zh) | 2022-08-12 | 2022-08-12 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210964526.6A CN115049649B (zh) | 2022-08-12 | 2022-08-12 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049649A CN115049649A (zh) | 2022-09-13 |
CN115049649B true CN115049649B (zh) | 2022-11-11 |
Family
ID=83166781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210964526.6A Active CN115049649B (zh) | 2022-08-12 | 2022-08-12 | 基于锈蚀程度的钢筋打磨除锈控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049649B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311304B (zh) * | 2022-10-12 | 2023-04-14 | 江苏明锋食品有限公司 | 一种铁板锈蚀缺陷检测方法 |
CN115345875B (zh) * | 2022-10-17 | 2023-03-24 | 江苏煵笙重工有限公司 | 一种船舶外板锈蚀区域识别及分析方法 |
CN117952965B (zh) * | 2024-03-26 | 2024-06-18 | 陕西惠延机械有限公司 | 一种隧道衬砌台车钢结构稳定性质量检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110120050A (zh) * | 2019-05-07 | 2019-08-13 | 西安电子科技大学 | 基于素描信息和超像素分割的光学遥感图像海陆分割方法 |
CN110363749A (zh) * | 2019-06-21 | 2019-10-22 | 西安工程大学 | 基于图像处理的防震锤锈蚀程度评价方法 |
CN111213178A (zh) * | 2019-03-29 | 2020-05-29 | 深圳市大疆创新科技有限公司 | 连通域处理方法、数据处理设备及计算机可读存储介质 |
CN112669305A (zh) * | 2021-01-05 | 2021-04-16 | 三峡大学 | 一种金属表面抗锈性能测试台及抗锈性能测评方法 |
CN113588692A (zh) * | 2021-09-28 | 2021-11-02 | 南通皋亚钢结构有限公司 | 基于计算机视觉的焊缝缺陷无损检测方法 |
WO2022033095A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国银联股份有限公司 | 一种文本区域的定位方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962994B (zh) * | 2021-12-21 | 2022-03-15 | 武汉智能兴运铁路配件有限公司 | 基于图像处理的三连杆上锁销清洁度检测方法 |
CN114882468B (zh) * | 2022-07-13 | 2022-09-23 | 山东施卫普环保科技有限公司 | 清扫车清扫刷角度自适应调整方法 |
-
2022
- 2022-08-12 CN CN202210964526.6A patent/CN115049649B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111213178A (zh) * | 2019-03-29 | 2020-05-29 | 深圳市大疆创新科技有限公司 | 连通域处理方法、数据处理设备及计算机可读存储介质 |
CN110120050A (zh) * | 2019-05-07 | 2019-08-13 | 西安电子科技大学 | 基于素描信息和超像素分割的光学遥感图像海陆分割方法 |
CN110363749A (zh) * | 2019-06-21 | 2019-10-22 | 西安工程大学 | 基于图像处理的防震锤锈蚀程度评价方法 |
WO2022033095A1 (zh) * | 2020-08-14 | 2022-02-17 | 中国银联股份有限公司 | 一种文本区域的定位方法及装置 |
CN112669305A (zh) * | 2021-01-05 | 2021-04-16 | 三峡大学 | 一种金属表面抗锈性能测试台及抗锈性能测评方法 |
CN113588692A (zh) * | 2021-09-28 | 2021-11-02 | 南通皋亚钢结构有限公司 | 基于计算机视觉的焊缝缺陷无损检测方法 |
Non-Patent Citations (2)
Title |
---|
基于块状马尔可夫随机场与区域合并的混合图像分割算法;杨瑞 等;《中国硕士学位论文全文数据库》;20220315;第2022年卷(第3期);全文 * |
基于视觉注意机制的红外小目标检测算法;丁春云等;《华中科技大学学报(自然科学版)》;20151031;第186-190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049649A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049649B (zh) | 基于锈蚀程度的钢筋打磨除锈控制方法 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
EP1233374B1 (en) | Apparatus and method for extracting objects based on feature matching between segmented regions in images | |
CN104732227B (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
CN110913243B (zh) | 一种视频审核的方法、装置和设备 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN105303152A (zh) | 一种人体再识别方法 | |
CN112288758B (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN115131375B (zh) | 一种矿石自动分割方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN115598025A (zh) | 图像处理方法及使用该方法的碳酸钙粉质检系统 | |
CN111325661A (zh) | 一种名为msgan的图像的季节风格转换模型及方法 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN115457551A (zh) | 适用于小样本条件的叶片损伤识别方法 | |
CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN100548030C (zh) | 一种基于时空条带模式分析的新闻主播镜头检测方法 | |
CN105574837A (zh) | 一种图像相似性匹配方法及装置 | |
CN114565563B (zh) | 基于人工智能的彩钢板表面异常检测方法 | |
CN115984639A (zh) | 一种零件疲劳状态智能检测方法 | |
CN111854617B (zh) | 一种基于机器视觉的微型钻头尺寸检测方法 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
CN108416815A (zh) | 大气光值的测定方法、设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Control method for steel bar polishing and rust removal based on the degree of corrosion Granted publication date: 20221111 Pledgee: Liaocheng Branch of Postal Savings Bank of China Co.,Ltd. Pledgor: Shandong Zhenpeng construction steel products Technology Co.,Ltd. Registration number: Y2024980001019 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |