CN115082508B - 一种海洋浮标生产质量检测方法 - Google Patents

一种海洋浮标生产质量检测方法 Download PDF

Info

Publication number
CN115082508B
CN115082508B CN202210994341.XA CN202210994341A CN115082508B CN 115082508 B CN115082508 B CN 115082508B CN 202210994341 A CN202210994341 A CN 202210994341A CN 115082508 B CN115082508 B CN 115082508B
Authority
CN
China
Prior art keywords
buoy
image
ocean
contrast
pixel points
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
CN202210994341.XA
Other languages
English (en)
Other versions
CN115082508A (zh
Inventor
乔长盼
裴振明
沈金峰
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 Lanrui Technology Development Co ltd
Original Assignee
Shandong Lanrui Technology Development 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 Lanrui Technology Development Co ltd filed Critical Shandong Lanrui Technology Development Co ltd
Priority to CN202210994341.XA priority Critical patent/CN115082508B/zh
Publication of CN115082508A publication Critical patent/CN115082508A/zh
Application granted granted Critical
Publication of CN115082508B publication Critical patent/CN115082508B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06T2207/30168—Image quality inspection
    • 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
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种海洋浮标生产质量检测方法。该方法采集海洋浮标图像和对应的浮标边缘轮廓；比较海洋浮标图像和浮标模板图像的浮标边缘轮廓的差异得到轮廓相似度；根据海洋浮标图像的浮标边缘轮廓上的采样点邻域内的不同类别像素点之间的灰度差异得到海洋浮标图像的整体对比度；基于不同距离下得到的海洋浮标图像的整体对比度的变化，获取对比度衰减程度；基于轮廓相似度、整体对比度和对比度衰减程度得到浮标质量评价指标。本发明通过对海洋浮标图像的表面特征进行分析得到轮廓相似度，同时根据不同距离下浮标的整体对比度，计算出浮标的质量指标，实现了根据浮标的对比突出程度检测浮标的质量的目的。

Description

一种海洋浮标生产质量检测方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种海洋浮标生产质量检测方法。
背景技术
海洋浮标是一种船舶之外的装置，海洋浮标是一种能够帮助引导船舶航行、定位和标识障碍物与标识警告的人工标志。海洋浮标是各种水上活动提高安全信息的设施，常设于通航水域或其近处，以标识航道、锚地、滩险及其它障碍物的位置。海洋浮标按工作原理分为视觉浮标、音响浮标和无线电浮标三类。其中，视觉浮标能使驾驶人员通过直接观测迅速辨明水域、确定船位、安全航行，是使用最多最方便的浮标。视觉浮标需要颜色鲜明，以便于在白天使用，故对视觉浮标进行是否容易辨识的检测是必要的。
目前，常见的对海洋浮标进行质量检测的方法采集多张图像，利用图像数据进行网络训练，得到训练好的网络模型，将实时的浮标图像输入训练好的网络模型中，实现对浮标的颜色和颜色变化时间的检测。该方法对浮标进行颜色质量检测鲁棒性较低，不能在浮标的颜色和背景改变的情况下，实现浮标在背景中的突出程度的质量检测，而浮标需要在背景中突出使观察员更便于观测到，浮标的突出程度在一定程度上反映了浮标的生产质量。
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海洋浮标生产质量检测方法，所采用的技术方案具体如下：
采集海洋浮标图像，灰度化所述海洋浮标图像得到浮标灰度图；对所述浮标灰度图进行边缘检测得到浮标边缘轮廓；
以所述浮标边缘轮廓的中心点为中心构建对数极坐标系，所述对数极坐标系包括多个区域，将所述浮标边缘轮廓上的像素点映射至所述对数极坐标系，得到每个区域内包含的像素点数量；比较所述海洋浮标图像的浮标边缘轮廓和浮标模板图像的浮标边缘轮廓对应的各区域内像素点的数量差异、中心点的距离和区域内像素点的高度，得到轮廓相似度；
均匀选取所述海洋浮标图像的浮标边缘轮廓上的像素点作为采样点；计算采样点邻域内的浮标像素点、轮廓像素点和背景像素点之间的灰度差异，作为采样点对比度；以各采样点对应的采样点对比度的均值作为整体对比度；基于不同距离下得到的海洋浮标图像的整体对比度的变化，获取对比度衰减程度；
基于所述轮廓相似度、所述整体对比度和所述对比度衰减程度，得到浮标质量评价指标。
优选的，所述浮标边缘轮廓的中心点的获取方法为：
选取所述浮标边缘轮廓内任意像素点作为目标像素点，计算所述目标像素点与所述浮标边缘轮廓上各像素点的欧式距离之和；
以最小的欧式距离之和对应的所述浮标边缘轮廓内的像素点作为所述浮标边缘轮廓的中心点。
优选的，所述比较所述海洋浮标图像的浮标边缘轮廓和浮标模板图像的浮标边缘轮廓的各区域内像素点的数量差异、中心点的距离和区域内像素点的高度，得到轮廓相似度，包括：
所述轮廓相似度的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为所述轮廓相似度；
Figure DEST_PATH_IMAGE006
为海洋浮标图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量；
Figure DEST_PATH_IMAGE008
为浮标模板图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量；
Figure DEST_PATH_IMAGE010
为海洋浮标图像上浮标边缘轮廓的中心点与浮标模板图像上浮标边缘轮廓的中心点的欧式距离；
Figure DEST_PATH_IMAGE012
为海洋浮标图像上浮标边缘轮廓的中心点到对应的浮标边关轮廓上各像素点的欧式距离之和；
Figure DEST_PATH_IMAGE014
为浮标模板图像上浮标边缘轮廓的中心点到对应的浮标边关轮廓上各像素点的欧式距离之和；
Figure DEST_PATH_IMAGE016
为海洋浮标图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内的像素点在直角坐标系中的平均纵坐标；
Figure DEST_PATH_IMAGE018
为海洋浮标图像上浮标边缘轮廓在直角坐标系中的最大纵坐标；
Figure DEST_PATH_IMAGE020
为调节系数；
Figure DEST_PATH_IMAGE022
为以自然常数为底数的指数函数；
Figure DEST_PATH_IMAGE024
为对数极坐标系中区域的数量。
优选的，所述计算采样点邻域内的浮标像素点、轮廓像素点和背景像素点之间的灰度差异，作为采样点对比度，包括：
所述采样点对比度的计算公式为：
Figure DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE028
为所述采样点对比度；
Figure DEST_PATH_IMAGE030
为采样点邻域内轮廓像素点的平均灰度值；
Figure DEST_PATH_IMAGE032
为采样点邻域内浮标像素点的平均灰度值；
Figure DEST_PATH_IMAGE034
为采样点邻域内背景像素点的平均灰度值；
Figure DEST_PATH_IMAGE036
为自然常数；
Figure DEST_PATH_IMAGE038
为平均灰度值
Figure 461804DEST_PATH_IMAGE032
和平均灰度值
Figure 579277DEST_PATH_IMAGE034
中的最大值；
Figure DEST_PATH_IMAGE040
为平均灰度值
Figure 31118DEST_PATH_IMAGE030
和平均灰度值
Figure 832852DEST_PATH_IMAGE034
中的最大值。
优选的，浮标像素点、轮廓像素点和背景像素点分别为：
所述浮标边缘轮廓内的像素点为浮标像素点，所述浮标边缘轮廓上的像素点为轮廓像素点，所述浮标边缘轮廓外的像素点为背景像素点。
优选的，所述基于不同距离下得到的海洋浮标图像的整体对比度的变化，获取对比度衰减程度，包括：
所述对比度衰减程度的计算公式为：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE044
为所述对比度衰减程度；
Figure DEST_PATH_IMAGE046
为没有灯光照射下距离为
Figure DEST_PATH_IMAGE048
时得到的海洋浮标图像的整体对比度；
Figure DEST_PATH_IMAGE050
为灯光照射下距离为
Figure 397956DEST_PATH_IMAGE048
时得到的海洋浮标图像的整体对比度；
Figure DEST_PATH_IMAGE052
为没有灯光照射下距离为
Figure DEST_PATH_IMAGE054
时得到的海洋浮标图像的整体对比度；
Figure DEST_PATH_IMAGE056
为灯光照射下距离为
Figure 889593DEST_PATH_IMAGE054
时得到的海洋浮标图像的整体对比度；
Figure DEST_PATH_IMAGE058
为不同距离的数量；
Figure 94309DEST_PATH_IMAGE054
为第i张海洋浮标图像对应的距离；
Figure 434155DEST_PATH_IMAGE048
为第1张海洋浮标图像对应的距离。
优选的，所述基于所述轮廓相似度、所述整体对比度和所述对比度衰减程度，得到浮标质量评价指标，包括：
在同一距离下采集海洋浮标图像，计算没有灯光照射的海洋浮标图像的整体对比度和灯光照射的海洋浮标图像的整体对比度的差值，作为第一差值；
计算所述轮廓相似度、所述没有灯光照射的海洋浮标图像的整体对比度和所述第一差值的乘积，作为第一评价指标；
所述第一评价指标和所述对比度衰减程度的比值为所述浮标质量评价指标。
优选的，所述以各采样点对应的采样点对比度的均值作为整体对比度，包括：
以采样点的高度作为权重，对所述采样点对比度进行加权，获取加权之后的采样点对比度的均值，所述均值为整体对比度；所述采样点的高度为采样点的纵坐标。
本发明实施例至少具有如下有益效果：
本发明采集海洋浮标图像和对应的浮标边缘轮廓；比较海洋浮标图像和浮标模板图像的浮标边缘轮廓的差异得到轮廓相似度；通过轮廓相似度可以从浮标形状方面对海洋浮标的质量进行评估；
根据海洋浮标图像的浮标边缘轮廓上的采样点邻域内的不同类别像素点之间的灰度差异得到海洋浮标图像的整体对比度；基于不同距离下得到的海洋浮标图像的整体对比度的变化，获取对比度衰减程度；通过整体对比度和整体对比度随距离逐渐衰减的对比度衰减程度，可以从浮标的颜色特征和突出程度方面对海洋浮标的质量进行评估；
基于轮廓相似度、整体对比度和对比度衰减程度得到浮标质量评价指标。本发明通过对海洋浮标图像的表面特征进行分析得到轮廓相似度，同时根据不同距离下浮标的整体对比度，计算出浮标的质量指标，实现了根据浮标的对比突出程度检测浮标的质量的目的。
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为本发明一个实施例所提供的一种海洋浮标生产质量检测方法的方法流程图；
图2为本发明一个实施例所提供的对数极坐标系的多个区域的示意图。
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一种海洋浮标生产质量检测方法，其具体实施方式、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”指的不一定是同一实施例。此外，一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。
本发明实施例提供了一种海洋浮标生产质量检测方法的具体实施方法，该方法适用于海洋浮标质量检测场景。该场景下通过工业相机采集海洋浮标图像，该海洋浮标图像是在模型海洋的情形下进行采集的，海洋浮标图像分为开启浮标灯具时的灯光照射下采集的海洋浮标图像和没有开启浮标灯具时的没有灯光照射下采集的海洋浮标图像。为了解决直接将浮标图像输入训练好的网络模型中，实现对浮标的颜色和颜色变化时间的检测，不能实现浮标在背景中的突出程度的质量检测的问题。本发明通过对海洋浮标图像的表面特征进行分析，得到其与浮标模板图像的轮廓相似度，从而反映出其浮标的质量，同时根据海洋浮标图像中浮标的整体对比度和灯具打开前后的整体对比度，该整体对比度表征了浮标在背景中的突出程度，从而表征出其浮标的质量指标，提高了检测精度与检测效率，实现了根据浮标的对比突出程度检测浮标的质量的目的。
下面结合附图具体的说明本发明所提供的一种海洋浮标生产质量检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种海洋浮标生产质量检测方法的方法流程图，该方法包括以下步骤：
步骤S100，采集海洋浮标图像，灰度化所述海洋浮标图像得到浮标灰度图；对所述浮标灰度图进行边缘检测得到浮标边缘轮廓。
通过工业相机采集海洋浮标图像。需要说明的是，是在模拟海洋的场景下采集的海洋浮标图像，分为灯光照射下采集的海洋浮标图像和没有灯光照射下采集的海洋浮标图像，灯光照射下采集的海洋浮标图像为在开启浮标灯具后采集的海洋浮标图像。在本发明实施例中如没有说明是灯光照射下采集的海洋浮标图像还是没有灯光照射下采集的海洋浮标图像时，默认海洋浮标图像为没有灯光照射下采集的海洋浮标图像。
采集到的海洋浮标图像为RGB图像，对采集到的海洋浮标图像使用加权灰度化的方法进行灰度化处理，得到对应的浮标灰度图。
对浮标灰度图利用canny边缘算子检测得到浮标边缘轮廓。将浮标边缘轮廓内的像素点作为浮标像素点，浮标边缘轮廓上的像素点作为轮廓像素点，浮标边缘轮廓外的像素点作为背景像素点。同样的，对浮标模板图像进行同样的处理，得到浮标模板图像对应的浮标边缘轮廓。其中，浮标模板图像为标准海洋浮标对应的图像。
步骤S200，以所述浮标边缘轮廓的中心点为中心构建对数极坐标系，所述对数极坐标系包括多个区域，将所述浮标边缘轮廓上的像素点映射至所述对数极坐标系，得到每个区域内包含的像素点数量；比较所述海洋浮标图像的浮标边缘轮廓和浮标模板图像的浮标边缘轮廓对应的各区域内像素点的数量差异、中心点的距离和区域内像素点的高度，得到轮廓相似度。
视觉浮标往往要具有易辨认的形状与颜色特征，并可以通过灯光颜色、节奏反映出某些信息，以方便航海人员观察。故可以通过对浮标形状、颜色特征以及灯光照射时表面特征计算其在不同场景下的对比度，从而对海洋浮标的质量进行评估。
首先，可以通过对比实时采集到的海洋浮标图像与浮标模板图像中的浮标边缘轮廓，实现对浮标的浮标形状进行评估的目的。
获取海洋浮标图像的浮标边缘轮廓的中心点。具体的：选取浮标边缘轮廓内任意像素点作为目标像素点，计算目标像素点与浮标边缘轮廓上各像素点的欧式距离之和。以最小的欧式距离之和对应的浮标边缘轮廓内的像素点作为浮标边缘轮廓的中心点。
以浮标边缘轮廓的中心点为中心，构建对数极坐标系，该对数极坐标系包括多个区域，从距离上分为5个距离区域，从角度上分为12个角度区域，共分为60个区域。请参阅图2，为对数极坐标系的多个区域的示意图。需要说明的是，从角度上分为12个角度区域的方法为从0°开始，每30°划分为一个角度区域；从距离上分为5个距离区域的方法为：浮标边缘轮廓上各像素点映射至对数极坐标系后得到对应的映射点后，获取各映射点至对数极坐标系的中点的距离，将距离从小到大进行排列得到距离序列，利用K-means均值聚类算法将距离序列分为5段小序列，也即将多个距离分为了5个簇；将序列分段点处左右两个元素的均值作为分割距离阈值，基于得到的四个分割距离阈值，将对数极坐标系从距离上分为5个距离区域，离中点最远的距离区域的最外界边缘至中点的距离为距离序列中的最大值。
将浮标边缘轮廓上的像素点分别映射至对数极坐标系，得到每个区域内包含的像素点数量，然后进行归一化处理。
计算浮标边缘轮廓的中心点q点与其轮廓像素点p点之间的向量分布，获取点对（q，p）之间的距离矩阵，其中p点为当前浮标边缘轮廓上的轮廓像素点，p点则为浮标边缘轮廓的中心点，进一步计算距离d与角度
Figure DEST_PATH_IMAGE060
：
Figure DEST_PATH_IMAGE062
Figure DEST_PATH_IMAGE064
其中，（
Figure DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE068
）为q点坐标，（
Figure DEST_PATH_IMAGE070
，
Figure DEST_PATH_IMAGE072
）为p点坐标。根据d与
Figure 991782DEST_PATH_IMAGE060
可对轮廓像素点p点位于中心点q点对应的多个区域中的哪一个区域进行划分。
对每个区域中的浮标边缘轮廓上的像素点数量进行统计，记第i个区域内的浮标边缘轮廓上的像素点数量为
Figure DEST_PATH_IMAGE074
，对每个区域的轮廓点数量进行归一化处理，归一化的
Figure DEST_PATH_IMAGE076
。将每个区域中的浮标边缘轮廓上的像素点数量更新为归一化后的数值。
同样的，对浮标模板图像进行同样的分析处理，获取浮标模板图像的中心点和浮标模板图像中各区域内包含的像素点数量。比较海洋浮标图像的浮标边缘轮廓和浮标模板图像的浮标边缘轮廓对应的各区域内像素点的数量差异、中心点的距离和区域内像素点的高度，得到轮廓相似度。
该轮廓相似度的计算公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 798195DEST_PATH_IMAGE004
为轮廓相似度；
Figure 503589DEST_PATH_IMAGE006
为海洋浮标图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量；
Figure 145661DEST_PATH_IMAGE008
为浮标模板图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量；
Figure 872309DEST_PATH_IMAGE010
为海洋浮标图像上浮标边缘轮廓的中心点与浮标模板图像上浮标边缘轮廓的中心点的欧式距离；
Figure 833311DEST_PATH_IMAGE012
为海洋浮标图像上浮标边缘轮廓的中心点到对应的浮标边关轮廓上各像素点的欧式距离之和；
Figure 215882DEST_PATH_IMAGE014
为浮标模板图像上浮标边缘轮廓的中心点到对应的浮标边关轮廓上各像素点的欧式距离之和；
Figure 22164DEST_PATH_IMAGE016
为海洋浮标图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内的像素点在直角坐标系中的平均纵坐标；
Figure 868898DEST_PATH_IMAGE018
为海洋浮标图像上浮标边缘轮廓在直角坐标系中的最大纵坐标；
Figure 610589DEST_PATH_IMAGE020
为调节系数；
Figure 605089DEST_PATH_IMAGE022
为以自然常数为底数的指数函数；
Figure 90429DEST_PATH_IMAGE024
为对数极坐标系中区域的数量。在本发明实施例中调节系数的取值为0.01，在其他实施例中实施者可根据实际情况调整该取值。调节系数是为了防止出现分母为0的情况。需要说明的是，以像素点在直角坐标系上的纵坐标作为像素点的高度。在本发明实施例中对数极坐标系中区域的数量为60个。
其中，海洋浮标图像上的浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量与浮标模板图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量越接近，则海洋浮标图像越接近于浮标模板图像，对应的海洋浮标图像的质量越好；反之，海洋浮标图像越不接近于浮标模板图像，对应的海洋浮标图像的质量越差。海洋浮标图像上的浮标边缘轮廓中心点与浮标模板图像上浮标边缘轮廓的中心点的距离越小，则海洋浮标图像采集到的海洋浮标越接近于浮标模板图像采集到的标准浮标，对应的海洋浮标图像的质量越好；反之，海洋浮标图像采集到的海洋浮标越不接近于浮标模板图像采集到的标准浮标，对应的海洋浮标图像的质量越差。海洋浮标图像上浮标边缘轮廓在对数极坐标系中对应的区域内的像素点在直角坐标系中的平均纵坐标，表示该区域的平均高度信息，海洋浮标越高，越容易观测到，其对质量影响越大，故在计算轮廓相似度时为高度信息更大的像素点赋予了更大的权值。
轮廓相似度表征了海洋浮标图像上浮标边缘轮廓和浮标模板图像上浮标边缘轮廓的相似性，轮廓相似度越大，则反映两个轮廓形状越接近，浮标的质量也越好。
步骤S300，均匀选取所述海洋浮标图像的浮标边缘轮廓上的像素点作为采样点；计算采样点邻域内的浮标像素点、轮廓像素点和背景像素点之间的灰度差异，作为采样点对比度；以各采样点对应的采样点对比度的均值作为整体对比度；基于不同距离下得到的海洋浮标图像的整体对比度的变化，获取对比度衰减程度。
完成对浮标的浮标形状评估之后，进一步的对浮标的颜色特征进行分析评估。对浮标边缘轮廓的两侧区域信息进行分析，从而得到浮标与外部环境之间的对比度，对比度越高，则反映浮标更突出，更易于观测员观测，在进行观测时越容易获取到相应的信息，对应的浮标的质量越好。
对检测出的海洋浮标图像的浮标边缘轮廓上的像素点均匀选取N个采样点。获取各采样点对应的邻域内的像素点，邻域内的像素点分为三类：浮标像素点、轮廓像素点和背景像素点。根据采样点邻域内浮标像素点、轮廓像素点和背景像素点之间的灰度差异，计算采样点对比度。
该采样点对比度的计算公式为：
Figure DEST_PATH_IMAGE026A
其中，
Figure 726422DEST_PATH_IMAGE028
为采样点对比度；
Figure 29227DEST_PATH_IMAGE030
为采样点邻域内轮廓像素点的平均灰度值；
Figure 386390DEST_PATH_IMAGE032
为采样点邻域内浮标像素点的平均灰度值；
Figure 800054DEST_PATH_IMAGE034
为采样点邻域内背景像素点的平均灰度值；
Figure 559063DEST_PATH_IMAGE036
为自然常数；
Figure 767190DEST_PATH_IMAGE038
为平均灰度值
Figure 18174DEST_PATH_IMAGE032
和平均灰度值
Figure 845316DEST_PATH_IMAGE034
中的最大值；
Figure 521148DEST_PATH_IMAGE040
为平均灰度值
Figure 165756DEST_PATH_IMAGE030
和平均灰度值
Figure 518019DEST_PATH_IMAGE034
中的最大值。
其中，轮廓像素点、浮标像素点和背景像素点之间的灰度值差异越大，则该浮标与背景之间的对比度越明显，其质量越好。该采样点对比度不仅表征了轮廓像素点与海洋浮标内外区域的对比度，也表征了海洋浮标内部区域与背景区域的对比度，该采样点对比度越大，越说明采样点在环境中越明显，采样点在环境中的突出程度越大。采样点越明显，则对应的浮标的质量越高。
在得到海洋浮标图像的浮标边缘轮廓上多个采样点的采样点对比度后，对各采样点的采样点对比度求平均，以得到海洋浮标图像的整体对比度。具体的：以采样点的高度作为权重，对采样点对比度进行加权，获取加权之后的采样点对比度的均值，该均值为整体对比度。需要说明的是，采样点的高度即为采样点的纵坐标。
该整体对比度的计算公式为：
Figure DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE080
为整体对比度；
Figure DEST_PATH_IMAGE082
为第i个采样点的采样点对比度；
Figure DEST_PATH_IMAGE084
为海洋浮标图像的浮标边缘轮廓上的采样点数量；
Figure DEST_PATH_IMAGE086
为第i个采样点的高度；
Figure DEST_PATH_IMAGE088
为多个采样点中的最大高度。
该整体对比度反映了海洋浮标与环境的对比度，为了便于识别，位置越高的海洋浮标信息越为重要，故对高处的采样点赋予更高的权重，使得计算整体对比度时精度提高。该整体对比度越大，则对应的海洋浮标越容易识别，对应的海洋浮标的质量越好。该整体对比度反映了浮标在背景中的突出程度，浮标的突出程度越大，则在海面上观察员更易观测到浮标，则对应的认为浮标的质量越好。
在完成对浮标的颜色特征的评估之后，对灯光照射时的表面特征进行评估，计算不同距离下的浮标的整体对比度。对灯光照射时的表面特征进行评估是因为在夜晚需要开启浮标灯才能对海洋浮标进行识别，而在灯光照射下的海洋浮标的质量和没有灯光照射下的海洋浮标的质量在评估时存在差异。
在不同的距离下采集海洋浮标图像，获取不同距离下的海洋浮标图像对应的整体对比度，按照距离从小到大的顺序将不同距离下的海洋浮标图像进行排列，对应的将整体对比度也进行排列，以距离最近的海洋浮标图像的整体对比度作为基础，计算海洋浮标对比度随距离逐渐衰减的对比度衰减程度。
该对比度衰减程度的计算公式为：
Figure DEST_PATH_IMAGE042A
其中，
Figure 696321DEST_PATH_IMAGE044
为对比度衰减程度；
Figure 164343DEST_PATH_IMAGE046
为没有灯光照射下距离为
Figure 651956DEST_PATH_IMAGE048
时得到的海洋浮标图像的整体对比度；
Figure 595641DEST_PATH_IMAGE050
为灯光照射下距离为
Figure 27235DEST_PATH_IMAGE048
时得到的海洋浮标图像的整体对比度；
Figure 739976DEST_PATH_IMAGE052
为没有灯光照射下距离为
Figure 70595DEST_PATH_IMAGE054
时得到的海洋浮标图像的整体对比度；
Figure DEST_PATH_IMAGE090
为灯光照射下距离为
Figure 908101DEST_PATH_IMAGE054
时得到的海洋浮标图像的整体对比度；
Figure 677474DEST_PATH_IMAGE058
为不同距离的数量；
Figure 510300DEST_PATH_IMAGE054
为第i张海洋浮标图像对应的距离；
Figure 11820DEST_PATH_IMAGE048
为第1张海洋浮标图像对应的距离。
其中，由于海洋浮标图像按照距离从小到大的顺序进行了排序，故
Figure 930097DEST_PATH_IMAGE048
为最小距离。该对比度衰减程度越小，则反映即使在距离较远的位置处，观察员仍能观测到海洋浮标的信息。对比度衰减程度越小，反映距离的远近对整体对比度的影响越小，在距离较远的情况下整体对比度受到的影响越小，在距离较远的情况下仍能保持在对比度较大的水平，对应的海洋浮标的质量越好。
步骤S400，基于所述轮廓相似度、所述整体对比度和所述对比度衰减程度，得到浮标质量评价指标。
通过对浮标的浮标形状、颜色特征和灯光照射时的表面特征计算其在不同距离下的对比度的分析，得到多个影响浮标质量的指标：轮廓相似度、整体对比度和对比度衰减程度。
进一步的，基于轮廓相似度、整体对比度和对比度衰减程度这三个指标，对浮标的质量进行评估，得到浮标质量评价指标。具体的：基于在同一距离下采集的海洋浮标图像，计算没有灯光照射的海洋浮标图像的整体对比度和灯光照射的海洋浮标图像的整体对比度的差值，作为第一差值；以轮廓相似度、没有灯光照射的海洋浮标图像的整体对比度和第一差值的乘积，作为第一评价指标；第一评价指标和对比度衰减程度的比值为浮标质量评价指标。
该浮标质量评价指标的计算公式为：
Figure DEST_PATH_IMAGE092
其中，
Figure DEST_PATH_IMAGE094
为海洋浮标图像对应的浮标质量评价指标；
Figure DEST_PATH_IMAGE096
为轮廓相似度；
Figure 581790DEST_PATH_IMAGE080
为没有灯光照射的海洋浮标图像的整体对比度；
Figure DEST_PATH_IMAGE098
为灯光照射的海洋浮标图像的整体对比度；
Figure 203876DEST_PATH_IMAGE044
为对比度衰减程度；
Figure DEST_PATH_IMAGE100
为第一差值；
Figure DEST_PATH_IMAGE102
为第一评价指标。
其中，没有灯光照射的海洋浮标图像的整体对比度表征了正常环境下浮标与环境之间的对比度；灯光照射的海洋浮标图像的整体对比度表征了有灯光照射下浮标与环境之间的对比度；对比度衰减程度越大，则海洋浮标图像对应的海洋浮标质量越差，对比度衰减程度和浮标质量评价指标呈反比。与浮标模板图像的轮廓相似度越大，对应的浮标质量评价指标越大。同时，当没有灯光照射的海洋浮标图像的整体对比度和灯光照射的海洋浮标图像的整体对比度的差值越大，浮标受灯光照射时得到的海洋浮标图像的整体对比度越大，则对应的浮标质量评价指标越大。轮廓相似度、整体对比度、没有灯光照射的海洋浮标图像的整体对比度和灯光照射的海洋浮标图像的整体对比度的差值这三个指标均与浮标质量评价指标呈正比。
综上所述，本发明实施例涉及图像数据处理技术领域。该方法采集海洋浮标图像，灰度化海洋浮标图像得到浮标灰度图；对浮标灰度图进行边缘检测得到浮标边缘轮廓；比较海洋浮标图像的浮标边缘轮廓和浮标模板图像的浮标边缘轮廓的差异，得到轮廓相似度；计算海洋浮标图像的浮标边缘轮廓上的采样点邻域内的浮标像素点、轮廓像素点和背景像素点之间的灰度差异，作为采样点对比度；以各采样点对应的采样点对比度的均值作为整体对比度；基于不同距离下得到的海洋浮标图像的整体对比度的变化，获取对比度衰减程度；基于轮廓相似度、整体对比度和对比度衰减程度，得到浮标质量评价指标。本发明通过对海洋浮标图像的表面特征进行分析，得到其与浮标模板图像的轮廓相似度，从而反映出其浮标的质量，同时根据海洋浮标图像中浮标的整体对比度和灯具打开前后的整体对比度，从而表征出其浮标的质量指标，提高了检测精度与检测效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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 (4)

1.一种海洋浮标生产质量检测方法，其特征在于，该方法包括以下步骤：
采集海洋浮标图像，灰度化所述海洋浮标图像得到浮标灰度图；对所述浮标灰度图进行边缘检测得到浮标边缘轮廓；
以所述浮标边缘轮廓的中心点为中心构建对数极坐标系，所述对数极坐标系包括多个区域，将所述浮标边缘轮廓上的像素点映射至所述对数极坐标系，得到每个区域内包含的像素点数量；比较所述海洋浮标图像的浮标边缘轮廓和浮标模板图像的浮标边缘轮廓对应的各区域内像素点的数量差异、中心点的距离和区域内像素点的高度，得到轮廓相似度；
均匀选取所述海洋浮标图像的浮标边缘轮廓上的像素点作为采样点；计算采样点邻域内的浮标像素点、轮廓像素点和背景像素点之间的灰度差异，作为采样点对比度；以各采样点对应的采样点对比度的均值作为整体对比度；基于不同距离下得到的海洋浮标图像的整体对比度的变化，获取对比度衰减程度；
基于所述轮廓相似度、所述整体对比度和所述对比度衰减程度，得到浮标质量评价指标；
其中，轮廓相似度的计算公式为：
Figure 550424DEST_PATH_IMAGE001
其中，
Figure 25529DEST_PATH_IMAGE002
为所述轮廓相似度；
Figure 806404DEST_PATH_IMAGE003
为海洋浮标图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量；
Figure 198202DEST_PATH_IMAGE004
为浮标模板图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内像素点数量；
Figure 39119DEST_PATH_IMAGE005
为海洋浮标图像上浮标边缘轮廓的中心点与浮标模板图像上浮标边缘轮廓的中心点的欧式距离；
Figure 765635DEST_PATH_IMAGE006
为海洋浮标图像上浮标边缘轮廓的中心点到对应的浮标边关轮廓上各像素点的欧式距离之和；
Figure 350200DEST_PATH_IMAGE007
为浮标模板图像上浮标边缘轮廓的中心点到对应的浮标边关轮廓上各像素点的欧式距离之和；
Figure 862084DEST_PATH_IMAGE008
为海洋浮标图像上浮标边缘轮廓在对数极坐标系中对应的第i个区域内的像素点在直角坐标系中的平均纵坐标；
Figure 873903DEST_PATH_IMAGE009
为海洋浮标图像上浮标边缘轮廓在直角坐标系中的最大纵坐标；
Figure 320671DEST_PATH_IMAGE010
为调节系数；
Figure 708927DEST_PATH_IMAGE011
为以自然常数为底数的指数函数；
Figure 809738DEST_PATH_IMAGE012
为对数极坐标系中区域的数量；
其中，采样点对比度的计算公式为：
Figure 992458DEST_PATH_IMAGE013
其中，
Figure 427987DEST_PATH_IMAGE014
为所述采样点对比度；
Figure 354355DEST_PATH_IMAGE015
为采样点邻域内轮廓像素点的平均灰度值；
Figure 309673DEST_PATH_IMAGE016
为采样点邻域内浮标像素点的平均灰度值；
Figure 194452DEST_PATH_IMAGE017
为采样点邻域内背景像素点的平均灰度值；
Figure 618743DEST_PATH_IMAGE018
为自然常数；
Figure 348801DEST_PATH_IMAGE019
为平均灰度值
Figure 486521DEST_PATH_IMAGE016
和平均灰度值
Figure 151989DEST_PATH_IMAGE017
中的最大值；
Figure 437477DEST_PATH_IMAGE020
为平均灰度值
Figure 830281DEST_PATH_IMAGE015
和平均灰度值
Figure 884825DEST_PATH_IMAGE017
中的最大值；
其中，对比度衰减程度的计算公式为：
Figure 721194DEST_PATH_IMAGE021
其中，
Figure 228398DEST_PATH_IMAGE022
为所述对比度衰减程度；
Figure DEST_PATH_IMAGE023
为没有灯光照射下距离为
Figure 460446DEST_PATH_IMAGE024
时得到的海洋浮标图像的整体对比度；
Figure 510442DEST_PATH_IMAGE025
为灯光照射下距离为
Figure 376767DEST_PATH_IMAGE024
时得到的海洋浮标图像的整体对比度；
Figure 761481DEST_PATH_IMAGE026
为没有灯光照射下距离为
Figure 371454DEST_PATH_IMAGE027
时得到的海洋浮标图像的整体对比度；
Figure 275956DEST_PATH_IMAGE028
为灯光照射下距离为
Figure 313182DEST_PATH_IMAGE027
时得到的海洋浮标图像的整体对比度；
Figure 686657DEST_PATH_IMAGE029
为不同距离的数量；
Figure 365900DEST_PATH_IMAGE027
为第i张海洋浮标图像对应的距离；
Figure 859329DEST_PATH_IMAGE024
为第1张海洋浮标图像对应的距离；
其中，浮标质量评价指标的获取方法为：在同一距离下采集海洋浮标图像，计算没有灯光照射的海洋浮标图像的整体对比度和灯光照射的海洋浮标图像的整体对比度的差值，作为第一差值；计算所述轮廓相似度、所述没有灯光照射的海洋浮标图像的整体对比度和所述第一差值的乘积，作为第一评价指标；所述第一评价指标和所述对比度衰减程度的比值为所述浮标质量评价指标。
2.根据权利要求1所述的一种海洋浮标生产质量检测方法，其特征在于，所述浮标边缘轮廓的中心点的获取方法为：
选取所述浮标边缘轮廓内任意像素点作为目标像素点，计算所述目标像素点与所述浮标边缘轮廓上各像素点的欧式距离之和；
以最小的欧式距离之和对应的所述浮标边缘轮廓内的像素点作为所述浮标边缘轮廓的中心点。
3.根据权利要求1所述的一种海洋浮标生产质量检测方法，其特征在于，浮标像素点、轮廓像素点和背景像素点分别为：
所述浮标边缘轮廓内的像素点为浮标像素点，所述浮标边缘轮廓上的像素点为轮廓像素点，所述浮标边缘轮廓外的像素点为背景像素点。
4.根据权利要求1所述的一种海洋浮标生产质量检测方法，其特征在于，所述以各采样点对应的采样点对比度的均值作为整体对比度，包括：
以采样点的高度作为权重，对所述采样点对比度进行加权，获取加权之后的采样点对比度的均值，所述均值为整体对比度；所述采样点的高度为采样点的纵坐标。
CN202210994341.XA 2022-08-18 2022-08-18 一种海洋浮标生产质量检测方法 Active CN115082508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210994341.XA CN115082508B (zh) 2022-08-18 2022-08-18 一种海洋浮标生产质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210994341.XA CN115082508B (zh) 2022-08-18 2022-08-18 一种海洋浮标生产质量检测方法

Publications (2)

Publication Number Publication Date
CN115082508A CN115082508A (zh) 2022-09-20
CN115082508B true CN115082508B (zh) 2022-11-22

Family

ID=83244352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210994341.XA Active CN115082508B (zh) 2022-08-18 2022-08-18 一种海洋浮标生产质量检测方法

Country Status (1)

Country Link
CN (1) CN115082508B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512231B (zh) * 2022-11-15 2023-02-28 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) 适用于国土空间生态修复的遥感解译方法
CN116703903B (zh) * 2023-08-04 2023-10-20 山东济宁运河煤矿有限责任公司 一种基于机器视觉的锚杆修复质量检测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976444A (zh) * 2010-11-11 2011-02-16 浙江大学 一种基于像素类型的结构类似性图像质量客观评价方法
CN102778211A (zh) * 2012-07-13 2012-11-14 东华大学 一种不规则形状眼镜架表面积检测装置及检测方法
CN103196388A (zh) * 2013-03-21 2013-07-10 长春工业大学 汽车安全气囊边缘轮廓检测方法
CN105006001A (zh) * 2015-08-19 2015-10-28 常州工学院 一种基于非线性结构相似度偏差的有参图像的质量评估方法
CN105931257A (zh) * 2016-06-12 2016-09-07 西安电子科技大学 基于纹理特征和结构相似度的sar图像质量评估方法
CN107367514A (zh) * 2017-08-28 2017-11-21 广东工业大学 一种基于机器视觉的pos机缺陷检测方法
CN108109137A (zh) * 2017-12-13 2018-06-01 重庆越畅汽车科技有限公司 车辆部件的机器视觉检测系统及方法
CN108447059A (zh) * 2018-04-09 2018-08-24 华侨大学 一种全参考光场图像质量评价方法
CN110443800A (zh) * 2019-08-22 2019-11-12 深圳大学 视频图像质量的评价方法
CN110473190A (zh) * 2019-08-09 2019-11-19 江南大学 一种基于尺度的自适应织物疵点检测方法
CN111583216A (zh) * 2020-04-30 2020-08-25 深圳比特微电子科技有限公司 Pcba电路板的缺陷检测方法
CN112116538A (zh) * 2020-09-04 2020-12-22 海略(连云港)科技有限公司 一种基于深度神经网络的海洋勘测图像质量增强方法
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114723758A (zh) * 2022-06-10 2022-07-08 惠州威尔高电子有限公司 一种MiniLED薄板全自动连线的生产质量检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930852B (zh) * 2016-05-09 2019-06-21 山东省科学院海洋仪器仪表研究所 一种气泡图像识别方法
CN114549522B (zh) * 2022-04-24 2022-06-24 启东新朋莱纺织科技有限公司 基于目标检测的纺织品质量检测方法
CN114882265B (zh) * 2022-07-12 2022-09-06 济宁昆仑石油化工有限公司 一种成品油质量检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976444A (zh) * 2010-11-11 2011-02-16 浙江大学 一种基于像素类型的结构类似性图像质量客观评价方法
CN102778211A (zh) * 2012-07-13 2012-11-14 东华大学 一种不规则形状眼镜架表面积检测装置及检测方法
CN103196388A (zh) * 2013-03-21 2013-07-10 长春工业大学 汽车安全气囊边缘轮廓检测方法
CN105006001A (zh) * 2015-08-19 2015-10-28 常州工学院 一种基于非线性结构相似度偏差的有参图像的质量评估方法
CN105931257A (zh) * 2016-06-12 2016-09-07 西安电子科技大学 基于纹理特征和结构相似度的sar图像质量评估方法
CN107367514A (zh) * 2017-08-28 2017-11-21 广东工业大学 一种基于机器视觉的pos机缺陷检测方法
CN108109137A (zh) * 2017-12-13 2018-06-01 重庆越畅汽车科技有限公司 车辆部件的机器视觉检测系统及方法
CN108447059A (zh) * 2018-04-09 2018-08-24 华侨大学 一种全参考光场图像质量评价方法
CN110473190A (zh) * 2019-08-09 2019-11-19 江南大学 一种基于尺度的自适应织物疵点检测方法
CN110443800A (zh) * 2019-08-22 2019-11-12 深圳大学 视频图像质量的评价方法
CN111583216A (zh) * 2020-04-30 2020-08-25 深圳比特微电子科技有限公司 Pcba电路板的缺陷检测方法
CN112116538A (zh) * 2020-09-04 2020-12-22 海略(连云港)科技有限公司 一种基于深度神经网络的海洋勘测图像质量增强方法
CN114419025A (zh) * 2022-01-27 2022-04-29 江苏泰和木业有限公司 一种基于图像处理的纤维板质量评估方法
CN114723758A (zh) * 2022-06-10 2022-07-08 惠州威尔高电子有限公司 一种MiniLED薄板全自动连线的生产质量检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Foreign Object Detection using Hybrid Assessment and Enhancement Technique;J. Jayadharini等;《2013 Fifth International Conference on Advanced Computing (ICoAC)》;20141016;537-542 *
基于去雾算法的车牌图像增强系统设计与实现;隋胜春;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210915;第2021年卷(第9期);C034-115 *
基于机器视觉的电容屏非可视区引线缺陷检测方法研究;姚晓飞;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140715;第2014年卷(第7期);I138-694 *
基于视觉注意机制的图像质量评价;崔力等;《东南大学学报(自然科学版)》;20120930;第42卷(第5期);854-858 *

Also Published As

Publication number Publication date
CN115082508A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115082508B (zh) 一种海洋浮标生产质量检测方法
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
EP2079054B1 (en) Detection of blobs in images
CN111626190A (zh) 基于聚类分区进行刻度识别的水位监测方法
CN101609504B (zh) 一种红外图像海面目标检测识别定位方法
KR101527876B1 (ko) 소나 영상의 실시간 영상처리를 이용한 수중물체의 인식 및 추적방법
JP2006517663A (ja) 画像解析
CN109766886B (zh) 一种基于图像识别的水位识别方法
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN107240112B (zh) 一种复杂场景下个体x角点提取方法
CN109447061A (zh) 基于巡检机器人的电抗器油位计识别方法
CN116092013A (zh) 一种用于智慧监控的危险路况识别方法
CN109063669B (zh) 一种基于图像识别的桥区船舶航行态势分析方法及装置
CN112241692B (zh) 基于航拍图超像素纹理的渠道异物智能检测与分类方法
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统
CN116823838B (zh) 高斯先验标签分配与特征解耦的海洋船舶检测方法与系统
CN116597368A (zh) 一种泳池防溺水监测预警系统
CN109784257A (zh) 一种变压器温度表检测与识别方法
CN114862761A (zh) 电力变压器液位检测方法、装置、设备及存储介质
CN107784285A (zh) 一种光学遥感影像舰船目标的军民属性自动判别方法
CN114677428A (zh) 基于无人机图像处理的输电线覆冰厚度检测方法
CN109858474B (zh) 一种变压器油面温控器检测与识别方法
CN109886133A (zh) 一种基于光学遥感图像的船只检测方法及系统
CN113822105A (zh) 基于svm水标尺在线二分类器的人工智能水位监测系统

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