CN115131355A - 利用电子设备数据检测防水布异常的智能方法 - Google Patents
利用电子设备数据检测防水布异常的智能方法 Download PDFInfo
- Publication number
- CN115131355A CN115131355A CN202211051546.0A CN202211051546A CN115131355A CN 115131355 A CN115131355 A CN 115131355A CN 202211051546 A CN202211051546 A CN 202211051546A CN 115131355 A CN115131355 A CN 115131355A
- Authority
- CN
- China
- Prior art keywords
- gray
- pixel
- image
- detected
- pixels
- 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
- 239000004744 fabric Substances 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000005856 abnormality Effects 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000007547 defect Effects 0.000 claims description 26
- 230000002950 deficient Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 208000003464 asthenopia Diseases 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 abstract 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及电子设备数据处理领域,具体涉及一种利用电子设备数据检测防水布异常的智能方法,该方法包括:利用异常识别电子设备采集待检测防水布数据和标准防水布数据,根据灰度特征矩阵获取数据中的LBP特征,进而获得所有的第一灰度类别以及所有第二灰度类别,根据所有第二灰度类别获得标准数据中的第一主特征值和待检测防水布数据中的第二主特征值,根据第二类别中数据的第一主特征值计算第二灰度类别的第一综合特征,结合待检测数据中的第二主特征值获得待检测数据中的异常数据,并将异常数据可视化标注出来。本发明保证了异常检测的准确度,也不会因为人眼的疲劳造成错误分类,可大大减少人工因素以及外界因素对检测结果的干扰。
Description
技术领域
本发明涉及电子设备数据处理技术领域,具体涉及利用电子设备数据检测防水布异常的智能方法。
背景技术
通过电子检测设备采集到的高清晰度、高分辨率的防水布数据中,防水布自身的纹理和噪声都会对缺陷检测结果造成干扰,如果只考虑像素自身的灰度值无法准确地识别缺陷,需要像素与周围像素连接起来,进行特征提取。
在特征提取方法的选择上,基于LBP算法的特征提取方法运算速度快,并且能有效地描述图像纹理特征,是优先考虑的特征提取方法,但是该算法有以下不足之处:
1.LBP算法对噪声敏感。
2.LBP算法只考虑像素周围3×3邻域内的局部特征,提取的特征有限。
3.LBP算法只考虑了中心像素与邻域像素的差值符号特征,没有考虑差值幅度,丢失了一部分数据信息。
发明内容
为了解决上述技术问题,本发明的目的在于提供利用电子设备数据检测防水布异常的智能方法,所采用的技术方案具体如下:
本发明提供了利用电子设备数据检测防水布异常的智能方法,所述方法包括以下步骤:
利用缺陷识别电子设备采集待检测防水布图像和标准防水布图像,分别记为待检测图像和标准图像;
根据预设数量的灰度特征矩阵获取待检测图像和标准图像的每个像素的LBP特征,将标准图像上像素灰度值相同的所有像素聚为一类,获得所有的第一灰度类别,根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类,获得每个第一灰度类别的所有第二灰度类别;
根据所有第二灰度类别中所有像素的LBP特征获得标准图像上每个像素的第一主特征值和待检测图像上每个像素的第二主特征值,根据每个第二类别中所有像素的第一主特征值计算每个第二灰度类别的第一综合特征,根据所有第二灰度类别的第一综合特征以及待检测图像上每个像素的第二主特征值获得待检测图像上每个像素的属于每个第二灰度类别的概率,所述每个第二灰度类别的概率中最大的概率记为缺陷概率,在待检测图像上获取缺陷概率大于预设阈值的所有像素,称为缺陷像素,获得所有缺陷像素的最小外接矩形,将所述最小外接矩形标注在待检测图像上。
进一步地,所述获取待检测图像和标准图像的每个像素的LBP特征的步骤包括:
所述预设数量的灰度特征矩阵,包括:
获取标准图像上每个像素关于每个灰度特征矩阵的符号描述子S:
获取标准图像上每个像素关于每个灰度特征矩阵的幅值描述子M:
将标准图像每个像素关于所有灰度特征矩阵的符号描述子以及幅值描述子拼接成一个一维向量,所述的一维向量称为标准图像上每个像素的LBP特征;
同理,获得待检测图像上每个像素的LBP特征。
进一步地,,所述根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类,获得每个第一灰度类别的所有第二灰度类别包括:
根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行均值漂移聚类,获得每个第一灰度类别的所有第二灰度类别。
进一步地,所述根据所有第二灰度类别中所有像素的LBP特征获得标准图像上每个像素的第一主特征值和待检测图像上每个像素的第二主特征值包括:
对于标准图像中每个第一灰度类别的所有第二灰度类别上每个像素的LBP特征进行主成分分析,获得所有主成分方向以及每个主成分方向对应的特征值,为第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值;
根据第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值,计算主特征值:
计算标准图像中每个像素的主特征值,记为第一主特征值;
计算待检测图像中每个像素的主特征值,记为第二主特征值。
进一步地,所述根据每个第二类别中所有像素的第一主特征值计算每个第二灰度类别的第一综合特征,包括:
根据标准图像的每个第二灰度类别的所有像素的第一主特征值,计算每个第二灰度类别中所有像素的第一主征值的均值和方差,将所述均值和方差拼接成一个二维向量,称为每个第二灰度类别的第一综合特征。
进一步地,所述根据待检测图像上每个像素的第二主特征值获得待检测图像上每个像素的缺陷概率,包括:
进一步地,所述缺陷识别电子设备包括:一个相机、一个LED光源、一个嵌入式系统,所述的嵌入式系统实现所述方法的步骤,所述的嵌入式系统具有显示屏,能够显示出缺陷像素的最小外接矩形。
本文本发明和现有技术相比有如下有益效果:
1.本发明利用计算机视觉对防水布缺陷进行检测,使检测结果不受到操作员工的体力、技能限制。既保证了缺陷检测的准确度,也不会因为人眼的疲劳造成错误分类,可大大减少人工因素以及外界因素对检测结果的干扰。
2.本发明利用计算机视觉对防水布进行缺陷检测,在此过程中,员工不需要对皮革进行接触,确保工人不会对防水布进行二次刮伤,实现对防水布的非接触无损缺陷检测。
3.本发明通过改进LBP算法,通过引入中心像素与邻域像素的差值幅值,以及多个结构,提取更多且更全面的特征,进而通过调整实现对防水布的缺陷检测,提高缺陷检测准确度。
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为本发明一个实施例所提供的利用电子设备数据检测防水布异常的智能方法的流程图。
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利用电子设备数据检测防水布异常的智能方法,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。
下面结合附图具体的说明本发明所提供的利用电子设备数据检测防水布异常的智能方法的具体方案。
请参阅图1,其示出了本发明利用电子设备数据检测防水布异常的智能方法,其特征在于,该方法包括以下步骤:
步骤S001、设置电子设备,采集防水布图像。
本发明在防水布处理车间设置缺陷识别电子设备,包括用于对传送带采集区域内的防水布进行成像和成像数据输出的成像设备,以及用于亮度补充的光源;感应装置,用于感应被测防水布并将感应信号输出;中央处理器,与成像设备和感应装置电信号连接,用于接受感应信号并实现相应数据处理和控制输出。
通过设置的电子检测设备的图像采集系统,采集多张合格防水布图像,记为标准图像;对待检测的防水布通过该设备采集图像,记为待检测图像。
至此,完成电子检测设备的设置,获取标准图像和待检测图像。
步骤S002、通过改进LBP算法获取标准图像和待检测图像的LBP特征,根据LBP特征对像素进行分类,根据分类结果获取缺陷像素。
a. 预处理。
逻辑:由于LBP算法对噪声敏感,因此,需要对图像的噪声进行预先处理。
获取图像的过程中,由于环境条件和硬件质量的影响,会出现图像噪声。图像上的噪声会影响有效信息的提取,甚至最终会导致误检,因此需要先对图像进行去噪处理。通过空间滤波器对标准图像进行滤波处理,达到去噪效果。本发明通过中值滤波器对标准图像进行滤波,具体为通过像素点的领域内像素点的灰度值的中值来代替其灰度值,实现标准图像和待检测图像去噪。
b. 通过灰度特征矩阵获取。
逻辑:LBP算法只考虑像素周围3×3邻域内的局部特征,提取的LBP特征为8位二进制数,能够提取的特征有限。因此,本发明通过将邻域大小扩展为5×5,随着邻域大小的扩大,提取的LBP特征由原先的8位二进制数变为24位二进制数,引入了过多的高比特,越高比特对应的数发生变化后,对转换后的十进制数的影响过大,导致对LBP特征进行分析的结果不准确,进而影响防水布缺陷检测结果。
构建灰度特征矩阵:
本发明通过将3×3邻域扩展为5×5,为了获取像素更多的了调整,通过设置多个灰度特征矩阵,获取像素更全面的特征信息。具体d灰度特征矩阵如下:
2. 根据符号描述子和幅值描述子获取LBP特征。
本发明在原有LBP算法计算中心像素与邻域像素的差值符号特征的基础上,引入灰度差值幅值来进行特征提取,具体公式为:
获取待检测图像上每个像素关于每个灰度特征矩阵的幅值描述子M:
将待检测图像每个像素关于所有灰度特征矩阵的符号描述子以及幅值描述子拼接成一个一维向量,所述的一维向量称为待检测图像上每个像素的LBP特征。
c. 对所有像素进行分类。
1.按照像素灰度值的大小,获得所有像素的第一灰度类别,针对每一个第一灰度类别,通过均值漂移聚类,获得第一灰度类别的每个第二灰度类别。
2.对于标准图像上每个像素,获取所述像素所属的第二灰度类别,对所述第二灰度类别中所有像素的LBP特征进行主成分分析,获得所有主成分方向以及每个主成分方向对应的特征值。
3.根据第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值,计算主特征值:
4.计算标准图像中每个像素的主特征值,记为第一主特征值;
5.计算待检测图像中每个像素的主特征值,记为第二主特征值;
d.根据分类结果判断缺陷像素。
针对待检测图像上的某个像素,根据该像素的第二主特征值每个第二灰度类别对应的第一综合特征,判断该像素属于每个第二灰度类别的概率,计算公式如下:
至此,获取缺陷像素。
步骤三:通过电子设备标注缺陷位置。
针对上述获得的缺陷像素记为1,其余像素记为0,则获取待检测图像的二值图,对该二值图进行连通域分析,对每个连通域做最小外接矩形,实现对缺陷的标注。
至此,实现对缺陷位置的标注。
本发明实施例还提出了广告图像识别系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种利用电子设备数据检测防水布异常的智能方法在上述给出了详细描述,不再赘述。
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 (7)
1.一种利用电子设备数据检测防水布异常的智能方法,其特征在于,该方法包括以下步骤:
利用缺陷识别电子设备采集待检测防水布图像和标准防水布图像,分别记为待检测图像和标准图像;
根据预设数量的灰度特征矩阵获取待检测图像和标准图像的每个像素的LBP特征,将标准图像上像素灰度值相同的所有像素聚为一类,获得所有的第一灰度类别,根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类,获得每个第一灰度类别的所有第二灰度类别;
根据所有第二灰度类别中所有像素的LBP特征获得标准图像上每个像素的第一主特征值和待检测图像上每个像素的第二主特征值,根据每个第二类别中所有像素的第一主特征值计算每个第二灰度类别的第一综合特征,根据所有第二灰度类别的第一综合特征以及待检测图像上每个像素的第二主特征值获得待检测图像上每个像素的属于每个第二灰度类别的概率,所述每个第二灰度类别的概率中最大的概率记为缺陷概率,在待检测图像上获取缺陷概率大于预设阈值的所有像素,称为缺陷像素,获得所有缺陷像素的最小外接矩形,将所述最小外接矩形标注在待检测图像上。
2.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法,其特征在于,所述获取待检测图像和标准图像的每个像素的LBP特征的步骤包括:
所述预设数量的灰度特征矩阵,包括:
获取标准图像上每个像素关于每个灰度特征矩阵的符号描述子S:
获取标准图像上每个像素关于每个灰度特征矩阵的幅值描述子M:
将标准图像每个像素关于所有灰度特征矩阵的符号描述子以及幅值描述子拼接成一个一维向量,所述的一维向量称为标准图像上每个像素的LBP特征;
同理,获得待检测图像上每个像素的LBP特征。
3.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法,其特征在于,所述根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行聚类,获得每个第一灰度类别的所有第二灰度类别包括:
根据标准图像上所有像素的LBP特征对每个第一灰度类别中的所有像素进行均值漂移聚类,获得每个第一灰度类别的所有第二灰度类别。
4.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法,其特征在于,所述根据所有第二灰度类别中所有像素的LBP特征获得标准图像上每个像素的第一主特征值和待检测图像上每个像素的第二主特征值包括:
对于标准图像中每个第一灰度类别的所有第二灰度类别上每个像素的LBP特征进行主成分分析,获得所有主成分方向以及每个主成分方向对应的特征值,为第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值;
根据第一灰度类别的所有第二灰度类别的主成分方向以及每个主成分方向对应的特征值,计算主特征值:
计算标准图像中每个像素的主特征值,记为第一主特征值;
计算待检测图像中每个像素的主特征值,记为第二主特征值。
5.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法,其特征在于,所述根据每个第二类别中所有像素的第一主特征值计算每个第二灰度类别的第一综合特征,包括:
根据标准图像的每个第二灰度类别的所有像素的第一主特征值,计算每个第二灰度类别中所有像素的第一主征值的均值和方差,将所述均值和方差拼接成一个二维向量,称为每个第二灰度类别的第一综合特征。
7.根据权利要求1所述的一种利用电子设备数据检测防水布异常的智能方法,其特征在于,所述缺陷识别电子设备包括:一个相机、一个LED光源、一个嵌入式系统,所述的嵌入式系统实现如权利要求1~6任意一项所述方法的步骤,所述的嵌入式系统具有显示屏,能够显示出缺陷像素的最小外接矩形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051546.0A CN115131355B (zh) | 2022-08-31 | 2022-08-31 | 利用电子设备数据检测防水布异常的智能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051546.0A CN115131355B (zh) | 2022-08-31 | 2022-08-31 | 利用电子设备数据检测防水布异常的智能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131355A true CN115131355A (zh) | 2022-09-30 |
CN115131355B CN115131355B (zh) | 2022-11-18 |
Family
ID=83387039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211051546.0A Active CN115131355B (zh) | 2022-08-31 | 2022-08-31 | 利用电子设备数据检测防水布异常的智能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131355B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2681947A1 (fr) * | 1991-10-01 | 1993-04-02 | Micro Controle | Procede de classification automatique de defauts sur des micro-circuits. |
CN107092916A (zh) * | 2017-03-15 | 2017-08-25 | 山东大学 | 基于局部规范差异的图像纹理特征提取方法及系统 |
WO2019134327A1 (zh) * | 2018-01-03 | 2019-07-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
CN111862178A (zh) * | 2020-07-31 | 2020-10-30 | 易思维(杭州)科技有限公司 | 改进的lbp特征提取方法 |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
CN114841938A (zh) * | 2022-04-22 | 2022-08-02 | 南通海恒纺织设备有限公司 | 一种织物勾丝缺陷检测方法 |
-
2022
- 2022-08-31 CN CN202211051546.0A patent/CN115131355B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2681947A1 (fr) * | 1991-10-01 | 1993-04-02 | Micro Controle | Procede de classification automatique de defauts sur des micro-circuits. |
CN107092916A (zh) * | 2017-03-15 | 2017-08-25 | 山东大学 | 基于局部规范差异的图像纹理特征提取方法及系统 |
WO2019134327A1 (zh) * | 2018-01-03 | 2019-07-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
US20210174489A1 (en) * | 2019-12-04 | 2021-06-10 | Beijing Boe Optoelectronics Technology Co., Ltd. | Method and apparatus for detecting a screen, and electronic device |
CN111862178A (zh) * | 2020-07-31 | 2020-10-30 | 易思维(杭州)科技有限公司 | 改进的lbp特征提取方法 |
CN114841938A (zh) * | 2022-04-22 | 2022-08-02 | 南通海恒纺织设备有限公司 | 一种织物勾丝缺陷检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
CN115860510B (zh) * | 2022-10-31 | 2023-08-15 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115131355B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110033471B (zh) | 一种基于连通域分析和形态学操作的框线检测方法 | |
CN115908269B (zh) | 视觉缺陷检测方法、装置、存储介质和计算机设备 | |
JP4533836B2 (ja) | 変動領域検出装置及びその方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
KR20200039049A (ko) | 외관불량 검사방법 및 외관불량 검사 시스템 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN116228757B (zh) | 一种基于图像处理算法的深海网箱网衣检测方法 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
Sosnowski et al. | Image processing in thermal cameras | |
CN112927223A (zh) | 一种基于红外热成像仪的玻璃幕墙检测方法 | |
CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN116109637A (zh) | 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法 | |
CN118275449A (zh) | 铜带表面缺陷检测方法、装置及设备 | |
CN111476074A (zh) | 基于毫米波图像的人体异物检测方法 | |
CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 | |
CN114596242A (zh) | 缺陷检测方法、装置、电子设备及计算机可读存储介质 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 | |
CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN113870280B (zh) | 预测以细胞为基质的抗体核型类别的方法、设备和介质 |
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 |