CN115082463A - 基于图像数据的发电机端盖视觉检测方法 - Google Patents
基于图像数据的发电机端盖视觉检测方法 Download PDFInfo
- Publication number
- CN115082463A CN115082463A CN202211002384.1A CN202211002384A CN115082463A CN 115082463 A CN115082463 A CN 115082463A CN 202211002384 A CN202211002384 A CN 202211002384A CN 115082463 A CN115082463 A CN 115082463A
- Authority
- CN
- China
- Prior art keywords
- gray
- spraying
- image
- pixel point
- end cover
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Application Of Or Painting With Fluid Materials (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于图像数据的发电机端盖视觉检测方法,利用图像数据处理技术,对所获取喷涂前灰度图像和喷涂后灰度图像进行处理分析,具体为:确定喷涂前灰度图像和喷涂后灰度图像的分布向量及其每个像素点对应的多元组,进而确定每个像素点对应的变化特征因子;确定变化特征因子和遮挡因子之间的相关函数,进而确定每个像素点对应的遮挡因子,从而确定涂料分布灰度图像;根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,确定待检测发电机端盖的端盖喷涂指标,进而确定待检测发电机端盖的喷涂效果。本发明有效提高了发电机端盖视觉检测的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像数据的发电机端盖视觉检测方法。
背景技术
发电机由定子、转子轴承以及端盖等部件构成,其生产过程中包括多个工艺流程,发电机端盖是用来保护定子端部绕组的,也是发电机密封的重要组成部分。在发电机生产过程中,发电机端盖的制作完成之后需要对其表面进行保护涂料的喷涂处理,以降低后期端盖表面的修复频次,保护端盖表面,同时可提高端盖的密封效果。当发电机端盖表面保护涂料喷涂不均或喷涂不全时,将会对端盖的使用寿命造成影响,增加后期端盖检修的时间、人力成本。
随着计算机视觉和数据处理技术的发展,现有提出了一种喷涂缺陷的检测方法、装置、设备及存储介质,该检测方法是基于待检测产品喷涂图像和目标产品喷涂图像的图像特征,确定待检测产品的喷涂效果,由于产品原有的纹理会对喷涂后处理的表面图像产生影响,其说明两个产品的表面图像的图像特征本身就会存在一定的差异,再根据此时的待检测产品与目标产品之间匹配结果来确定待检测产品的喷涂效果,待检测产品的喷涂效果的检测准确性会降低。
发明内容
为了解决上述现有方法检测喷涂效果准确性较低的问题,本发明的目的在于提供一种基于图像数据的发电机端盖视觉检测方法。
本发明提供了一种基于图像数据的发电机端盖视觉检测方法,包括以下步骤:
获取待检测发电机端盖的喷涂前表面图像和喷涂后表面图像,对喷涂前表面图像和喷涂后表面图像进行灰度化处理,得到喷涂前灰度图像和喷涂后灰度图像;
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像的分布向量,并确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组,进而确定喷涂后灰度图像内每个像素点对应的变化特征因子;
获取发电机端盖的预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像和标准涂料分布灰度图像,根据预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像、标准涂料分布灰度图像以及预先构建的喷涂模型,确定预设数目个标准喷涂后灰度图像内每个像素点对应的遮挡因子;
获取预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子,根据预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子和遮挡因子,确定变化特征因子和遮挡因子之间的相关函数;
根据待检测发电机端盖的喷涂后灰度图像内每个像素点对应的变化特征因子以及变化特征因子和遮挡因子之间的相关函数,确定喷涂后灰度图像内每个像素点对应的遮挡因子,进而根据待检测发电机端盖的喷涂前灰度图像、喷涂后灰度图像、喷涂后灰度图像内每个像素点对应的遮挡因子以及预先构建的喷涂模型,确定待检测发电机端盖的涂料分布灰度图像;
根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,确定待检测发电机端盖的端盖喷涂指标,进而确定待检测发电机端盖的喷涂效果。
进一步的,确定喷涂前灰度图像和喷涂后灰度图像的分布向量的步骤包括:
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像对应的高斯模型;
根据喷涂前灰度图像和喷涂后灰度图像对应的高斯模型,确定喷涂前灰度图像和喷涂后灰度图像对应的高斯模型的均值和方差;
根据喷涂前灰度图像和喷涂后灰度图像对应的高斯模型的均值和方差,确定喷涂前灰度图像和喷涂后灰度图像的分布向量。
进一步的,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组的步骤包括:
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵;
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵,确定每个像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量;
根据每个像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组。
进一步的,喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵为:
其中,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点对应的灰度变化矩阵,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值。
进一步的,确定喷涂后灰度图像内每个像素点对应的变化特征因子的计算公式为:
其中,为喷涂后灰度图像内坐标为的像素点对应的变化特征因子,为喷涂后灰度图像的分布向量,为喷涂前灰度图像的分布向量,为喷涂后灰度图像内坐标为的像素点对应的多元组,为喷涂前灰度图像内坐标为的像素点对应的多元组,为取2范数函数。
进一步的,所述预先构建的喷涂模型的计算公式为:
进一步的,确定变化特征因子和遮挡因子之间的相关函数的步骤包括:
根据预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子和遮挡因子,对预设数目个标准喷涂后灰度图像内的像素点进行拟合处理,从而得到变化特征因子和遮挡因子之间的相关函数。
进一步的,确定待检测发电机端盖的端盖喷涂指标的步骤包括:
根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,计算涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值;
根据涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值,确定涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值;
根据涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值,确定待检测发电机端盖的端盖喷涂指标。
进一步的,确定待检测发电机端盖的端盖喷涂指标的计算公式为:
进一步的,进而确定待检测发电机端盖的喷涂效果的步骤包括:
若待检测发电机端盖的端盖喷涂指标大于预设的门限值,则判定待检测发电机端盖的喷涂效果差,否则,则判定待检测发电机端盖的喷涂效果好。
本发明具有如下有益效果:
本发明提供了一种基于图像数据的发电机端盖视觉检测方法,利用图像数据处理技术,对所获取的待检测发电机端盖的喷涂前灰度图像和喷涂后灰度图像进行分析和处理,以确定待检测发电机端盖的涂料分布灰度图像,进而确定待检测发电机端盖的端盖喷涂指标,判断待检测发电机端盖的喷涂效果;通过图像像素点的灰度值所确定的分布向量和多元组,对待检测发电机端盖的喷涂前后的灰度图像的灰度变化趋势和邻域变化状况进行分析,得到图像像素点对应的变化特征因子,从两个方面确定变化特征因子,有效提高变化特征因子的准确性和显著性;另外,以待检测发电机端盖的喷涂前灰度图像和喷涂后灰度图像为端盖表面喷涂状况的基础数据,相比现有的以待检测产品与目标产品的喷涂后灰度图像为基础数据,其有效解决了产品本身的纹理特征对喷涂状况的产生的干扰影响,提高了发电机端盖视觉检测的准确性;通过大量的历史的图像数据,确定变化特征因子和遮挡因子之间的相关函数。大量的历史的图像数据所确定的变化特征因子和遮挡因子之间的相关函数的精确性更高;根据待检测发电机端盖的喷涂后灰度图像内每个像素点对应的变化特征因子以及变化特征因子和遮挡因子之间的相关函数,得到喷涂后灰度图像内每个像素点对应的遮挡因子。该步骤的主要目的是为了得到喷涂后灰度图像内每个像素点对应的遮挡因子,遮挡因子可表征待检测发电机端盖的真实涂料分布状态,基于真实涂料分布状态对待检测发电机端盖的喷涂状态进行分析,可准确确定待检测发电机端盖的喷涂效果,本发明具有检测精度高的特征。
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为本发明一种基于图像数据的发电机端盖视觉检测方法的流程图。
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技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
本实施例提供了一种基于图像数据的发电机端盖视觉检测方法,通过图像采集设备获取发电机生产过程中端盖的喷涂前表面图像和喷涂后表面图像,基于端盖的喷涂前表面图像和喷涂后表面图像,对喷涂前表面图像和喷涂后表面图像的灰度变化情况进行分析,得到遮挡因子。通过端盖的喷涂前表面图像和喷涂后表面图像、喷涂模型以及遮挡因子,得到涂料分布图像,进而对端盖的喷涂质量进行视觉自动检测,可以确定端盖的喷涂质量。一种基于图像数据的发电机端盖视觉检测方法的流程图如图1所示,该方法包括以下步骤:
(1)获取待检测发电机端盖的喷涂前表面图像和喷涂后表面图像,对喷涂前表面图像和喷涂后表面图像进行灰度化处理,得到喷涂前灰度图像和喷涂后灰度图像。
在本实施例中,设置图像采集设备来采集待检测发电机端盖在喷涂前时的表面图像和在喷涂后时的表面图像,也就是采集待检测发电机端盖的喷涂前表面图像和喷涂后表面图像,喷涂前表面图像和喷涂后表面图像将作为后续分析端盖喷涂状况的基础数据,喷涂前表面图像和喷涂后表面图像均为可见光RGB图像,图像采集设备包括摄像机、光源、放置台等装置,摄像机的具体部署和视角等实施者可根据实际情况自行设定。
为了便于后续对待检测发电机端盖的喷涂前表面图像和喷涂后表面图像的图像特征进行分析,对喷涂前表面图像和喷涂后表面图像进行灰度化处理,得到喷涂前灰度图像和喷涂后灰度图像,灰度化处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(2)根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像的分布向量,并确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组,进而确定喷涂后灰度图像内每个像素点对应的变化特征因子。
(2-1)根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像的分布向量。
(2-1-1)根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像对应的高斯模型。
在本实施例中,基于喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,对喷涂前灰度图像和喷涂后灰度图像进行高斯拟合处理,得到喷涂前灰度图像和喷涂后灰度图像对应的高斯模型。高斯拟合处理的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
(2-1-2)根据喷涂前灰度图像和喷涂后灰度图像对应的高斯模型,确定喷涂前灰度图像和喷涂后灰度图像对应的高斯模型的均值和方差。
根据喷涂前灰度图像和喷涂后灰度图像对应的高斯模型,可得到高斯模型的模型参数,模型参数为均值和方差,均值和方差可用于表征喷涂前灰度图像和喷涂后灰度图像的灰度分布特征,便于后续确定喷涂前灰度图像和喷涂后灰度图像的分布向量。
(2-1-3)根据喷涂前灰度图像和喷涂后灰度图像对应的高斯模型的均值和方差,确定喷涂前灰度图像和喷涂后灰度图像的分布向量。
在本实施例中,基于喷涂前灰度图像和喷涂后灰度图像对应的高斯模型的均值和方差,构建分布向量,分布向量由高斯模型的均值和方差组成,即,h为分布向量,分布向量可用于表征待检测发电机端盖表面的整体分布状况,喷涂前灰度图像和喷涂后灰度图像均有其对应的分布向量。
需要说明的是,本实施例以灰度图像对应的高斯模型的两个模型参数为基础,构建分布向量,两个模型参数能够更好的描述灰度图像的灰度分布特征,有助于提高喷涂前灰度图像和喷涂后灰度图像的分布向量的描述准确性。
(2-2)根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组,其步骤包括:
(2-2-1)根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵。
本实施例为了便于后续对喷涂前灰度图像和喷涂后灰度图像的端盖表面变化状况进行分析,实现精确提取后续步骤中的变化特征因子,将基于喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,以灰度图像内每个像素点为中心像素点,利用中心像素点的八邻域像素点对中心像素点进行灰度变化分析,具体为:通过计算每个像素点的八邻域像素点的灰度差异,来构建每个像素点对应的灰度变化矩阵,喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵为:
其中,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点对应的灰度变化矩阵,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值,为喷涂前灰度图像或喷涂后灰度图像内坐标为的像素点的灰度值。
灰度变化矩阵可用于对中心像素点的邻域范围内的像素灰度差异情况进行分析,若中心像素点的八邻域中任意一邻域或多邻域内不存在邻域像素点,则直接将该邻域的邻域像素点的灰度值赋值为0。需要说明的是,灰度差异越大代表该像素点邻域范围内的灰度波动越大,也就是灰度变化矩阵内的矩阵元素越大,说明该灰度变化矩阵对应的像素点的邻域范围内像素灰度差异变化越大。
(2-2-2)根据喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵,确定每个像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量。
在本实施例中,通过像素点对应的灰度变化矩阵中的各个矩阵元素,可直接确定第一特征值、第二特征值、第一特征向量和第二特征向量,例如,通过灰度图像内坐标为的像素点对应的灰度变化矩阵中的各个矩阵元素,可确定坐标为的像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,特征值和特征向量可用于表征灰度图像内每个像素点的邻域范围内像素灰度变化趋势。确定灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,本实施例为了更加清晰详细地表征喷涂前灰度图像和喷涂后灰度图像内每个像素点的邻域范围内像素灰度的变化状况,利用像素点对应的灰度变化矩阵的特征值和特征向量对该像素点的邻域范围内像素灰度的变化状况进行量化处理,以便于后续确定每个像素点对应的多元组。
(2-2-3)根据每个像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组。
在本实施例中,基于喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,构建每个像素点对应的多元组,例如,根据步骤(2-2-2)中的坐标为的像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,那么灰度图像中坐标为的像素点对应的多元组为,第一特征向量和第二特征向量均为2×1的特征向量,多元组是由灰度变化矩阵的特征值和特征向量组成的矩阵,多元组可表征像素点局部灰度变化状况,多元组可用于对喷涂前和喷涂后的待检测发电机端盖的表面变化状况进行分析,同时像素点对应的多元组是后续确定变化特征因子的关键因素。
(2-3)根据喷涂前灰度图像和喷涂后灰度图像的分布向量和喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组,确定喷涂后灰度图像内每个像素点对应的变化特征因子。
在本实施例中,变化特征因子是指喷涂前后的端盖灰度图像内每个像素点的特征变化状况,所以基于喷涂前灰度图像和喷涂后灰度图像的分布特征参数和像素点灰度变化状况,也就是根据分布向量和每个像素点对应的多元组,进行数学建模,计算喷涂后灰度图像内每个像素点对应的变化特征因子,确定喷涂后灰度图像内每个像素点对应的变化特征因子的计算公式为:
其中,为喷涂后灰度图像内坐标为的像素点对应的变化特征因子,为喷涂后灰度图像的分布向量,为喷涂前灰度图像的分布向量,为喷涂后灰度图像内坐标为的像素点对应的多元组,为喷涂前灰度图像内坐标为的像素点对应的多元组,为取2范数函数。
需要说明的是,喷涂前灰度图像和喷涂后灰度图像的差值分布向量的2范数越大、且喷涂前灰度图像和喷涂后灰度图像内任意一个像素点对应的差值多元组的2范数越大,该像素点对应的变化特征因子就会越大,喷涂前灰度图像内各个像素点和喷涂后灰度图像内各个像素点的位置是一一对应的。计算公式中的为的系数,该系数对整个变化特征因子的计算公式起到修正的作用,有助于提高了像素点对应的变化特征因子的准确性,喷涂前灰度图像和喷涂后灰度图像内各个像素点对应的是保持一致的。
(3)获取发电机端盖的预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像和标准涂料分布灰度图像,根据预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像、标准涂料分布灰度图像以及预先构建的喷涂模型,确定预设数目个标准喷涂后灰度图像内每个像素点对应的遮挡因子。
(3-1)获取发电机端盖的预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像和标准涂料分布灰度图像。
在本实施例中,利用图像采集设备来采集发电机端盖的预设数目个标准喷涂前表面图像、标准喷涂后表面图像和标准涂料分布表面图像,对预设数目个标准喷涂前表面图像、标准喷涂后表面图像和标准涂料分布表面图像进行灰度化处理,得到发电机端盖的预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像和标准涂料分布灰度图像。发电机端盖的预设数目个标准灰度图像均为历史数据,本实施例将选取50个标准喷涂前灰度图像、50个标准喷涂后灰度图像和50个标准涂料分布灰度图像,对标准喷涂前后端盖表面的变化状况进行分析,标准喷涂前灰度图像和标准喷涂后灰度图像是指喷涂质量满足喷涂标准要求的发电机端盖的灰度图像。
需要说明的是,这里的发电机端盖和待检测发电机端盖是同一型号的产品。另外,实施者可根据实际情况自行设置标准图像数据量,也就是预设数目的大小可由实施者自行确定。各个标准涂料分布灰度图像的像素灰度和涂料分布值是已知且保持一致的,例如第一个标准涂料分布灰度图像、第二个标准涂料分布灰度图像以及第三个标准涂料分布灰度图像等对应位置处的像素点的像素灰度和涂料分布值是相同的。
(3-2)根据预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像、标准涂料分布灰度图像以及预先构建的喷涂模型,确定预设数目个标准喷涂后灰度图像内每个像素点对应的遮挡因子。
首先,由先验知识可知,喷涂前灰度图像、喷涂后灰度图像、涂料分布灰度图像以及喷涂后灰度图像内每个像素点的遮挡因子存在关联,本实施例基于喷涂前灰度图像、喷涂后灰度图像、涂料分布灰度图像以及喷涂后灰度图像内每个像素点的遮挡因子,建立喷涂模型,喷涂模型可用于对喷涂前后的发电机端盖的图像数据的关系,喷涂模型的计算公式为:
需要说明的是,由喷涂模型的计算公式可知,遮挡因子是指涂料对发电机端盖表面自身纹理特征的遮盖程度,遮挡因子与涂料分布灰度图像内每个像素点的灰度值为正相关,而遮挡因子与喷涂前灰度图像内每个像素点的灰度值为负相关。遮挡因子越大,涂料纹理分布特征越明显,涂料对发电机端盖的遮盖程度越高;遮挡因子越大,涂料对标准喷涂前灰度图像的特征遮挡越严重,越需要关注标准涂料分布图像。建立喷涂模型的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
然后,通过步骤(3-1)所获取的预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像、标准涂料分布灰度图像以及预先构建的喷涂模型,可以确定预设数目个标准喷涂后灰度图像内每个像素点对应的遮挡因子。具体为:将预设数目个标准喷涂前灰度图像内每个像素点的灰度值、标准喷涂后灰度图像内每个像素点的灰度值和标准涂料分布灰度图像内每个像素点的灰度值对应带入到喷涂模型的计算公式中,可计算出预设数目个标准喷涂后灰度图像内每个像素点对应的遮挡因子。至此,本实施例得到了预设数目个标准喷涂后灰度图像内每个像素点对应的遮挡因子。
(4)获取预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子,根据预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子和遮挡因子,确定变化特征因子和遮挡因子之间的相关函数。
(4-1)获取预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子。
本实施例基于发电机端盖的预设数目个标准喷涂前灰度图像和标准喷涂后灰度图像,参考步骤(1)至步骤(2)的确定待检测发电机端盖的喷涂后灰度图像内每个像素点对应的变化特征因子的过程,得到预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子,由于标准喷涂后灰度图像和待检测发电机端盖的喷涂后灰度图像内每个像素点对应的变化特征因子的确定过程保持一致,故不再对标准喷涂后灰度图像内每个像素点对应的变化特征因子的确定过程进行详细描述。
(4-2)根据预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子和遮挡因子,确定变化特征因子和遮挡因子之间的相关函数。
根据预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子和遮挡因子,对预设数目个标准喷涂后灰度图像内的像素点进行拟合处理,从而得到变化特征因子和遮挡因子之间的相关函数。
为了便于后续确定待检测发电机端盖的喷涂后灰度图像内每个像素点对应的遮挡因子,需要得到变化特征因子和遮挡因子之间的相关函数。在本实施例中,标准喷涂后灰度图像内的每个像素点均有其对应的变化特征因子和遮挡因子,将每个像素点对应的变化特征因子作为坐标系的横坐标值,并将每个像素点对应的遮挡因子作为坐标系的纵坐标值,对标准喷涂后灰度图像内的像素点进行函数拟合处理,得到变化特征因子和遮挡因子之间的相关函数。函数拟合处理的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,变化特征因子和遮挡因子之间的相关函数可用于已知像素点对应的变化特征因子计算该像素点对应的遮挡因子,或者已知像素点对应的遮挡因子计算该像素点对应的变化特征因子。
(5)根据待检测发电机端盖的喷涂后灰度图像内每个像素点对应的变化特征因子以及变化特征因子和遮挡因子之间的相关函数,确定喷涂后灰度图像内每个像素点对应的遮挡因子,进而根据待检测发电机端盖的喷涂前灰度图像、喷涂后灰度图像、喷涂后灰度图像内每个像素点对应的遮挡因子以及预先构建的喷涂模型,确定待检测发电机端盖的涂料分布灰度图像,其步骤包括:
(5-1)根据待检测发电机端盖的喷涂后灰度图像内每个像素点对应的变化特征因子以及变化特征因子和遮挡因子之间的相关函数,确定喷涂后灰度图像内每个像素点对应的遮挡因子。
本实施例利用步骤(2-3)得到的喷涂后灰度图像内每个像素点对应的变化特征因子以及步骤(4-2)得到的变化特征因子和遮挡因子之间的相关函数,可以得到喷涂后灰度图像内每个像素点对应的遮挡因子。具体为:将喷涂后灰度图像内每个像素点对应的变化特征因子带入到变化特征因子和遮挡因子之间的相关函数中,可直接计算出喷涂后灰度图像内每个像素点对应的遮挡因子。至此,本实施例得到了喷涂后灰度图像内每个像素点对应的遮挡因子。
(5-2)根据待检测发电机端盖的喷涂前灰度图像、喷涂后灰度图像、喷涂后灰度图像内每个像素点对应的遮挡因子以及预先构建的喷涂模型,确定待检测发电机端盖的涂料分布灰度图像。
本实施例以待检测发电机端盖的喷涂前灰度图像、喷涂后灰度图像以及喷涂后灰度图像内每个像素点对应的遮挡因子为数据基础,利用预先构建的喷涂模型,可直接得到待检测发电机端盖的涂料分布灰度图像。具体为:将待检测发电机端盖的喷涂前灰度图像内每个像素点的灰度值、喷涂后灰度图像内每个像素点的灰度值以及喷涂后灰度图像内每个像素点对应的遮挡因子对应分别带入到步骤(3-2)的预先构建的喷涂模型的计算公式中,可计算出待检测发电机端盖的涂料分布灰度图像内每个像素点的灰度值,从而得到待检测发电机端盖的涂料分布灰度图像。
(6)根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,确定待检测发电机端盖的端盖喷涂指标,进而确定待检测发电机端盖的喷涂效果,其步骤包括:
(6-1)根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,确定待检测发电机端盖的端盖喷涂指标,其步骤包括:
(6-1-1)根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,计算涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值。
通过待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,可计算涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值的差值的绝对值,得到涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值,该像素点的涂料分布差异值可用于后续确定端盖喷涂指标。涂料分布值为涂料分布灰度图像中每个像素点的像素值。
需要说明的是,像素点的涂料分布差异值越大,说明待检测发电机端盖的该像素点位置处的喷涂效果越差,像素点的涂料分布差异值越小,说明待检测发电机端盖的该像素点位置处的喷涂效果越好。
(6-1-2)根据涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值,确定涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值。
在本实施例中,基于涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值,计算涂料分布差异值的均值,从而得到涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值。计算数值均值的过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。涂料分布差异值的均值可表征待检测发电机端盖的整个涂料分布状况,涂料分布差异值的均值越大,表征待检测发电机端盖的喷涂效果越差,越需要对待检测发电机端盖进行加工处理。
(6-1-3)根据涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值,确定待检测发电机端盖的端盖喷涂指标。
本实施例基于涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值,来计算待检测发电机端盖的端盖喷涂指标,涂料分布差异值的均值是基于涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值得到的,其可表征涂料分布灰度图像和标准涂料分布灰度图像之间存在的差异程度,差异程度越大表征涂料分布灰度图像和标准涂料分布灰度图像相差越大,待检测发电机端盖的填涂效果越不好,基于上述分析,构建待检测发电机端盖的端盖喷涂指标的计算公式,其计算公式为:
需要说明的是,涂料分布差异值的均值与端盖喷涂指标为正相关,涂料分布差异值的均值越大,待检测发电机端盖的端盖喷涂指标越大,说明待检测发电机端盖的填涂效果越差,涂料分布差异值的均值越小,待检测发电机端盖的端盖喷涂指标越小,说明待检测发电机端盖的填涂效果越好。
(6-2)根据待检测发电机端盖的端盖喷涂指标,确定待检测发电机端盖的喷涂效果。
若待检测发电机端盖的端盖喷涂指标大于预设的门限值,则判定待检测发电机端盖的喷涂效果差,否则,则判定待检测发电机端盖的喷涂效果好。
本实施例通过统计和分析大量历史数据,将端盖喷涂指标的预设的门限值设置为0.5,当待检测发电机端盖的端盖喷涂指标大于预设的门限值时,判定待检测发电机端盖的喷涂效果不佳,也就是待检测发电机端盖的喷涂质量不好,需要对喷涂后的待检测发电机端盖再次进行喷涂加工处理,以保证端盖表面的喷涂质量,否则,判定待检测发电机端盖的喷涂效果好。
至此,本实施例基于待检测发电机端盖的喷涂前表面图像和喷涂后表面图像,通过图像数据处理技术,对喷涂前表面图像和喷涂后表面图像进行图像数据分析处理,得到待检测发电机端盖的涂料分布灰度图像,将涂料分布灰度图像与标准涂料分布灰度图像进行求差值处理,得到待检测发电机端盖的端盖喷涂指标,进而确定待检测发电机端盖的喷涂效果,本发明有效提高了发电机端盖视觉检测的准确性。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像数据的发电机端盖视觉检测方法,其特征在于,包括以下步骤:
获取待检测发电机端盖的喷涂前表面图像和喷涂后表面图像,对喷涂前表面图像和喷涂后表面图像进行灰度化处理,得到喷涂前灰度图像和喷涂后灰度图像;
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像的分布向量,并确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组,进而确定喷涂后灰度图像内每个像素点对应的变化特征因子;
获取发电机端盖的预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像和标准涂料分布灰度图像,根据预设数目个标准喷涂前灰度图像、标准喷涂后灰度图像、标准涂料分布灰度图像以及预先构建的喷涂模型,确定预设数目个标准喷涂后灰度图像内每个像素点对应的遮挡因子;
获取预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子,根据预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子和遮挡因子,确定变化特征因子和遮挡因子之间的相关函数;
根据待检测发电机端盖的喷涂后灰度图像内每个像素点对应的变化特征因子以及变化特征因子和遮挡因子之间的相关函数,确定喷涂后灰度图像内每个像素点对应的遮挡因子,进而根据待检测发电机端盖的喷涂前灰度图像、喷涂后灰度图像、喷涂后灰度图像内每个像素点对应的遮挡因子以及预先构建的喷涂模型,确定待检测发电机端盖的涂料分布灰度图像;
根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,确定待检测发电机端盖的端盖喷涂指标,进而确定待检测发电机端盖的喷涂效果。
2.根据权利要求1所述的一种基于图像数据的发电机端盖视觉检测方法,其特征在于,确定喷涂前灰度图像和喷涂后灰度图像的分布向量的步骤包括:
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像对应的高斯模型;
根据喷涂前灰度图像和喷涂后灰度图像对应的高斯模型,确定喷涂前灰度图像和喷涂后灰度图像对应的高斯模型的均值和方差;
根据喷涂前灰度图像和喷涂后灰度图像对应的高斯模型的均值和方差,确定喷涂前灰度图像和喷涂后灰度图像的分布向量。
3.根据权利要求1所述的一种基于图像数据的发电机端盖视觉检测方法,其特征在于,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组的步骤包括:
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点的灰度值,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵;
根据喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵,确定每个像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量;
根据每个像素点对应的灰度变化矩阵的第一特征值、第二特征值、第一特征向量和第二特征向量,确定喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的多元组。
4.根据权利要求3所述的一种基于图像数据的发电机端盖视觉检测方法,其特征在于,喷涂前灰度图像和喷涂后灰度图像内每个像素点对应的灰度变化矩阵为:
7.根据权利要求1所述的一种基于图像数据的发电机端盖视觉检测方法,其特征在于,确定变化特征因子和遮挡因子之间的相关函数的步骤包括:
根据预设数目个标准喷涂后灰度图像内每个像素点对应的变化特征因子和遮挡因子,对预设数目个标准喷涂后灰度图像内的像素点进行拟合处理,从而得到变化特征因子和遮挡因子之间的相关函数。
8.根据权利要求1所述的一种基于图像数据的发电机端盖视觉检测方法,其特征在于,确定待检测发电机端盖的端盖喷涂指标的步骤包括:
根据待检测发电机端盖的涂料分布灰度图像和标准涂料分布灰度图像内每个像素点的涂料分布值,计算涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值;
根据涂料分布灰度图像和标准涂料分布灰度图像内对应位置的像素点的涂料分布差异值,确定涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值;
根据涂料分布灰度图像的所有像素点对应的涂料分布差异值的均值,确定待检测发电机端盖的端盖喷涂指标。
10.根据权利要求1所述的一种基于图像数据的发电机端盖视觉检测方法,其特征在于,进而确定待检测发电机端盖的喷涂效果的步骤包括:
若待检测发电机端盖的端盖喷涂指标大于预设的门限值,则判定待检测发电机端盖的喷涂效果差,否则,则判定待检测发电机端盖的喷涂效果好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002384.1A CN115082463B (zh) | 2022-08-22 | 2022-08-22 | 基于图像数据的发电机端盖视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211002384.1A CN115082463B (zh) | 2022-08-22 | 2022-08-22 | 基于图像数据的发电机端盖视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082463A true CN115082463A (zh) | 2022-09-20 |
CN115082463B CN115082463B (zh) | 2022-11-15 |
Family
ID=83243993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211002384.1A Active CN115082463B (zh) | 2022-08-22 | 2022-08-22 | 基于图像数据的发电机端盖视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082463B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598138A (zh) * | 2022-11-23 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548185A (zh) * | 2016-01-08 | 2016-05-04 | 浙江科技学院 | 基于机器视觉的汽车轮毂螺孔识别方法、遮盖方法及系统 |
CN111239144A (zh) * | 2020-03-20 | 2020-06-05 | 中建材(合肥)粉体科技装备有限公司 | 一种辊压机辊面自动检测装置及检测方法 |
CN112859189A (zh) * | 2020-12-31 | 2021-05-28 | 广东美的白色家电技术创新中心有限公司 | 工件检测装置、检测方法以及计算机可读存储介质 |
CN113899745A (zh) * | 2021-09-29 | 2022-01-07 | 上海卫星装备研究所 | 多遮蔽位置航天器热控喷涂质量检测装置及方法 |
CN114202532A (zh) * | 2021-12-14 | 2022-03-18 | 苏州精思博智人工智能科技有限公司 | 一种喷涂缺陷的检测方法、装置、设备及存储介质 |
CN114387274A (zh) * | 2022-03-24 | 2022-04-22 | 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 |
US20220261979A1 (en) * | 2021-02-16 | 2022-08-18 | Applied Materials Israel Ltd. | Epitaxy metrology in fin field effect transistors |
CN114918061A (zh) * | 2022-07-20 | 2022-08-19 | 江苏奇成装配式建材科技有限公司 | 金属面保温装饰一体板生产计算机控制方法 |
-
2022
- 2022-08-22 CN CN202211002384.1A patent/CN115082463B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548185A (zh) * | 2016-01-08 | 2016-05-04 | 浙江科技学院 | 基于机器视觉的汽车轮毂螺孔识别方法、遮盖方法及系统 |
CN111239144A (zh) * | 2020-03-20 | 2020-06-05 | 中建材(合肥)粉体科技装备有限公司 | 一种辊压机辊面自动检测装置及检测方法 |
CN112859189A (zh) * | 2020-12-31 | 2021-05-28 | 广东美的白色家电技术创新中心有限公司 | 工件检测装置、检测方法以及计算机可读存储介质 |
US20220261979A1 (en) * | 2021-02-16 | 2022-08-18 | Applied Materials Israel Ltd. | Epitaxy metrology in fin field effect transistors |
CN113899745A (zh) * | 2021-09-29 | 2022-01-07 | 上海卫星装备研究所 | 多遮蔽位置航天器热控喷涂质量检测装置及方法 |
CN114202532A (zh) * | 2021-12-14 | 2022-03-18 | 苏州精思博智人工智能科技有限公司 | 一种喷涂缺陷的检测方法、装置、设备及存储介质 |
CN114387274A (zh) * | 2022-03-24 | 2022-04-22 | 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 |
CN114918061A (zh) * | 2022-07-20 | 2022-08-19 | 江苏奇成装配式建材科技有限公司 | 金属面保温装饰一体板生产计算机控制方法 |
Non-Patent Citations (3)
Title |
---|
WANG WQ ET AL: "《Multi-angle Automative Fuse Box Detection and Assembly Method Based on Machine Vision》", 《SCIENCEDIRECT》 * |
王能: "《铁塔防腐自动喷涂系统设计》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
胡继文等: "《基于纹理分析的铝型材表面喷涂指令的检测》", 《制造业信息化》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598138A (zh) * | 2022-11-23 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115082463B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
CN107784661B (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN115082463B (zh) | 基于图像数据的发电机端盖视觉检测方法 | |
US11080892B2 (en) | Computer-implemented methods and system for localizing an object | |
CN109448045A (zh) | 基于slam的平面多边形物体测量方法及机器可读存储介质 | |
CN115115613A (zh) | 基于机器视觉的喷漆缺陷检测方法及系统 | |
CN115018846B (zh) | 基于ai智能相机的多目标裂纹缺陷检测方法和装置 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
Huang et al. | Obstacle distance measurement under varying illumination conditions based on monocular vision using a cable inspection robot | |
CN111724376A (zh) | 一种基于纹理特征分析的纸病检测方法 | |
CN112241964A (zh) | 一种用于线结构光非接触测量的光条中心提取方法 | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
CN115330646A (zh) | 一种用于健身器材喷漆工艺的金属构件检查方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN113570549A (zh) | 反光表面的缺陷检测方法及装置 | |
CN113223074A (zh) | 一种水下激光条纹中心提取方法 | |
Wu et al. | Experimental analysis of image dehazing algorithms for pelletization process images | |
Feng et al. | A novel spatial pooling method for 3D mesh quality assessment based on percentile weighting strategy | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
CN113963107B (zh) | 一种基于双目视觉的大型目标三维重建方法及系统 | |
CN114897734B (zh) | 一种基于梯度方向先验的被测目标图像复原方法 | |
CN113592953A (zh) | 一种基于特征点集的双目非合作目标位姿测量方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |