CN115170992B - 一种废钢料场散落料的图像识别方法及系统 - Google Patents
一种废钢料场散落料的图像识别方法及系统 Download PDFInfo
- Publication number
- CN115170992B CN115170992B CN202211086612.8A CN202211086612A CN115170992B CN 115170992 B CN115170992 B CN 115170992B CN 202211086612 A CN202211086612 A CN 202211086612A CN 115170992 B CN115170992 B CN 115170992B
- Authority
- CN
- China
- Prior art keywords
- pixel point
- edge pixel
- edge
- gradient
- 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
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 118
- 239000010959 steel Substances 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003708 edge detection Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000002699 waste material Substances 0.000 description 22
- 239000000463 material Substances 0.000 description 17
- 241000196324 Embryophyta Species 0.000 description 16
- 239000002245 particle Substances 0.000 description 15
- 239000002689 soil Substances 0.000 description 11
- 238000012216 screening Methods 0.000 description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 229910052742 iron Inorganic materials 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting 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
- 230000000717 retained effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种废钢料场散落料的图像识别方法及系统，属于图像数据处理技术领域，该方法步骤包括：获取废钢料厂地面图像，根据地面图像中每个像素点的梯度值，将地面图像中像素点标记为第一边缘像素点和第二边缘像素点；将强弱程度大于预设强弱程度阈值的第二边缘像素点重新标记为第一边缘像素点，计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点，对由全部第一边缘像素点组成感兴趣区域；本发明结合废钢料厂环境对采集的废钢料厂地面图像中边缘像素点进行多次筛选，得到了更加精确的边缘检测结果，实现了对废钢料图像的精确识别。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种废钢料场散落料的图像识别方法及系统。
背景技术
我国是全世界最大的钢铁生产国，钢铁类型以及钢铁制品的种类多种多样，在生产过程中，会产生各种的钢铁废料，然后经过运输车运往废钢料厂进行后续的处理，同时也会有废钢料拉近钢厂进行再次的融化锻造，在这个装卸的过程中，难免会存在废钢料从运输车上掉落。由于废料厂所处的位置一般都在郊外，并且地面都为泥土地面，地面背景杂乱且存在碎石泥土颗粒以及树枝杂草的干扰，这些都会导致废钢料被遮挡。
而散落在废钢料厂的废钢料可以回收再利用，所以准确的确定废钢料厂中废钢料所在的位置是至关重要的，现有技术中识别废钢料所在区域的方法，为先采集废钢料厂地面图像，然后利用canny算子对采集的图像进行边缘检测，将图像中的强边缘区域作为感兴趣区域，之后提取感兴趣区域图像输入到已训练完成的废钢料识别神经网络中判断感兴趣区域图像是否为废钢料图像。
但是传统的canny算子边缘检测方法，需要设置一个双阈值对非极大值抑制后的图像再一次的进行处理，双阈值分为高阈值和低阈值，将梯度值大于或等于高阈值的像素点作为强边缘保留，将梯度值小于低阈值的作为噪声舍弃，将梯度值大于或等于低阈值小于高阈值的像素点作为弱边缘进行后续的处理。由于废钢料厂弱边缘的情况较为复杂，即可能是被泥土等干扰遮挡的废钢料边缘，也有可能是其他较强噪声的边缘，传统的canny边缘检测算子对弱边缘的处理方式是通过检测其邻域内有无强边缘的存在，如果弱边缘邻域内有强边缘的存在则认为该弱边缘是强边缘对其进行保留，如果弱边缘邻域内无强边缘的存在则认为该弱边缘为噪声对其置零。但是这种方式仅仅是通过对弱边缘像素点周围八邻域像素点的特性进行估计，如果强边缘也是噪声，则容易出现误判，使得噪声被保留，而如果存在被遮挡的废钢料，此时废钢料的边缘不是很明显，也可能存在被遮挡的废钢料八邻域内没有强边缘，所以利用传统的canny边缘检测算子对废钢料厂图像进行检测很容易导致被遮挡的废钢料边缘的检测不良。
发明内容
本发明提供一种废钢料场散落料的图像识别方法及系统，结合废钢料厂的环境特性对canny边缘检测算子中弱边缘的筛选进行了改进，得到更加精确的边缘检测结果，实现了对废钢料图像的精确识别。
本发明的一种废钢料场散落料的图像识别方法采用如下技术方案：
采集废钢料厂地面图像；
根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值；其中，第一阈值大于第二阈值；
将地面图像中梯度值大于或等于第一阈值的像素点全部标记为第一边缘像素点，将地面图像中梯度值大于或等于第二阈值且小于第一阈值的像素点全部标记为第二边缘像素点；
利用每个第二边缘像素点邻域内第一边缘像素点的个数、每个第二边缘像素点和周围邻域内第一边缘像素点的梯度值、每个第二边缘像素点与周围邻域内第一边缘像素点的距离，计算出每个第二边缘像素点的强弱程度；
将强弱程度大于或等于预设强弱程度阈值的第二边缘像素点重新标记为第一边缘像素点，将强弱程度小于预设强弱程度阈值的第二边缘像素点作为剩余第二边缘像素点；
计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点；
将地面图像中由全部第一边缘像素点组成的闭合区域作为感兴趣区域，获取感兴趣区域图像作为精确图像，将精确图像输入到已训练完成的废钢料识别神经网络中判断精确图像是否为废钢料图像。
进一步地，所述根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值的步骤包括：
根据地面图像中每个像素点的梯度值构建梯度直方图；
将梯度直方图中每个梯度值与对应的像素点数量相乘得到的全部数值按降序排列，得到联合差异值序列；
利用联合差异值序列的中位数，将联合差异值序列分割成第一序列和第二序列；其中，第一序列内的数值均大于中位数，第二序列内的数值均小于中位数；
将第一序列内全部数值的均值作为边缘检测的第一阈值，将第二序列内全部数值的均值作为边缘检测的第二阈值；其中，第一阈值大于第二阈值。
进一步地，所述计算出每个第二边缘像素点的强弱程度的步骤包括：
选取任一第二边缘像素点作为目标像素点；
获取目标像素点邻域内第一边缘像素点的个数；
计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的距离；
计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的梯度差值；
利用得到的全部距离数值、梯度差值、目标像素点邻域内第一边缘像素点的总个数，计算出目标像素点的强弱程度；
按照目标像素点的强弱程度计算方法，计算出每个第二边缘像素点的强弱程度。
进一步地，所述目标像素点的强弱程度计算公式为：
其中，
表示目标像素点的强弱程度；
表示目标像素点在地面图像中横坐标；
表示目标像素点在地面图像中纵坐标；
表示目标像素点的梯度值；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中横坐标；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中纵坐标；
表示目标像素点邻域内第
个第一边缘像素点的梯度值；
表示目标像素点邻域内的第一边缘像素点的总个数。
进一步地，所述计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度的步骤包括：
获取每个剩余第二边缘像素点的梯度方向；
以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度方向的第一窗口；
以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度反方向的第二窗口；
将每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度，作为每个剩余第二边缘像素点两侧梯度方向的灰度对比度。
进一步地，所述每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度的计算步骤包括：
计算出每个剩余第二边缘像素点对应的第一窗口的第一平均灰度值；
计算出每个剩余第二边缘像素点对应的第二窗口的第二平均灰度值；
计算出每个剩余第二边缘像素点对应的第一平均灰度值与第二平均灰度值的差值，并将该差值作为每个剩余第二边缘像素点对应的第一窗口与第二窗口的灰度对比度。
一种废钢料场散落料的图像识别系统，包括：
图像采集模块，用于采集废钢料厂地面图像；
第一标记模块，用于根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值；用于将地面图像中梯度值大于或等于第一阈值的像素点全部标记为第一边缘像素点，将地面图像中梯度值大于或等于第二阈值且小于第一阈值的像素点全部标记为第二边缘像素点；其中，第一阈值大于第二阈值；
计算模块，用于利用每个第二边缘像素点邻域内第一边缘像素点的个数、每个第二边缘像素点和周围邻域内第一边缘像素点的梯度值、每个第二边缘像素点与周围邻域内第一边缘像素点的距离，计算出每个第二边缘像素点的强弱程度；
第二标记模块，用于将强弱程度大于或等于预设强弱程度阈值的第二边缘像素点重新标记为第一边缘像素点，将强弱程度小于预设强弱程度阈值的第二边缘像素点作为剩余第二边缘像素点；
第三标记模块，用于计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点；
感兴趣区域获取模块，用于将地面图像中由全部第一边缘像素点组成的闭合区域作为感兴趣区域；
废钢料图像识别模块，用于获取感兴趣区域图像作为精确图像，将精确图像输入到已训练完成的废钢料识别神经网络中判断精确图像是否为废钢料图像。
本发明的有益效果是：
1、本发明结合废钢料厂的环境特征对canny算子的边缘检测算子中弱边缘的筛选进行了改进，在采集废钢料厂地面图像后，根据地面图像中每个像素点的梯度值，初步筛选出第一边缘像素点和第二边缘像素点，第一边缘像素点即是强边缘像素点，第二边缘像素点即是弱边缘像素点。在初步筛选出第一边缘像素点和第二边缘像素点后，通过第二边缘像素点和邻域内第一边缘像素点的邻接性，和第二边缘像素点和邻域内第一边缘像素点的梯度差异性，计算出每个第二边缘像素点的强弱程度，由于只有第二边缘像素点周围第一边缘像素点的数量越多且梯度差异较大时对应的强弱程度数值才会高，通过计算每个第二边缘像素点的强弱程度，能避免出现强边缘也是噪声情况的误判。
2、本发明在根据每个第二边缘像素点的强弱程度对第二边缘像素点进行再次筛选后，仍然可能存在被遮挡废钢的存在，对于废钢料被部分遮挡的现象，首先其边缘梯度依然存在但是不明显，但是由于废钢料的颜色特性，无论是明亮的废钢料、还是生锈的废钢料，废钢料和地面之间的灰度是有差别的，因此通过计算出剩余第二边缘像素点两侧梯度方向的灰度对比度，结合剩余第二边缘像素点梯度大小以及剩余第二边缘像素点周围灰度的对比来进行被遮挡边缘的筛选。
3、本发明结合废钢料所处的环境特性来进行第一阈值和第二阈值的自适应选取。由于废钢料所处环境中梯度大小的变化不明显，分布散乱，传统的边缘检测阈值是直接根据图像中各像素点梯度值的大小进行阈值的确定，而由于废钢所处的环境中干扰因素较多，单纯的根据梯度值大小的分布来确定阈值的大小，已经不是最优的确定方法。但是废钢料图像中个别噪声，如碎石泥土等虽然梯度值大但是数量少，废钢料边缘像素点梯度值大并且数量也较多，因此本发明通过梯度图像中梯度的大小和对应的像素点的数量来确定边缘检测的第一阈值和第二阈值。
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为本发明的一种废钢料场散落料的图像识别方法的实施例总体步骤的流程示意图；
图2为本发明中剩余第二边缘像素点梯度方向上两侧的原始图像灰度值的示意图。
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。
本发明的一种废钢料场散落料的图像识别方法的实施例，如图1所示，该方法包括：
S1、采集废钢料厂地面图像。
钢废料运输车在向场地运输废料的过程中，由于装卸原因，以及场地不平，会导致钢废料掉落。钢废料一般由于生锈会是黄色锈迹，而废料厂一般都在郊外，并且地面都是泥土的黄色，因此两者之间难以分辨。本发明中利用摄像头采集废钢料厂地面图像，摄像头采用抢球联动控制器进行控制来实现对废钢料厂地面图像多角度、多方位的采集。地面上由于存在泥土颗粒、碎石颗粒和树枝等等，会表现为一些细小的边缘信息，和废钢料相比泥土、碎石颗粒和树枝等这些杂物的边缘相对不明显。在利用canny算子对地面图像进行边缘检测时，需要对每个像素点的梯度进行非极大值抑制操作，非极大值抑制后会得到一个局部最大梯度组成的矩阵，该矩阵得到一幅简略的边缘图像，在图像上表现为许多的离散的点，对于废钢图像没有被遮挡的废钢料边缘会形成一个较大的轮廓，由于地面上存在泥土颗粒碎石颗粒等，并且废钢料也可能会被泥土遮挡，此时的边缘图像上有许多的噪声，而地面图像中的这些噪声则表现为一系列的离群点或者较小的轮廓，这些噪声会给后续的的边缘检测带来较大的误差。
传统的canny算子检测边缘需要设置一个双阈值
对非极大值抑制后的图像再一次的进行处理，大于高阈值
的为强边缘，保留；低于低阈值
的为噪声，舍弃；介于
之间的为弱边缘，进行后续的处理。双阈值的选取直接影响后续的边缘检测的结果，传统阈值的选取是根据经验
，即高阈值大约是低阈值的两倍，但是由于废钢料散落所处的环境中背景较为复杂，存在碎石沙砾以及草木树枝的干扰，有的对比较为明显比如完全裸漏的废钢料，有的对比不明显比如被遮挡的废钢，因此传统的确定阈值的经验的方法已经不是最优的确定方法。本发明结合废钢所处的环境特性来进行第一阈值和第二阈值的自适应选取。
S2、根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值；其中，第一阈值大于第二阈值。
根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值的步骤包括：根据地面图像中每个像素点的梯度值构建梯度直方图；将梯度直方图中每个梯度值与对应的像素点数量相乘得到的全部数值按降序排列，得到联合差异值序列；利用联合差异值序列的中位数，将联合差异值序列分割成第一序列和第二序列；其中，第一序列内的数值均大于中位数，第二序列内的数值均小于中位数；将第一序列内全部数值的均值作为边缘检测的第一阈值，将第二序列内全部数值的均值作为边缘检测的第二阈值；其中，第一阈值大于第二阈值，第一阈值即为边缘检测的高阈值，第二阈值即为边缘检测的低阈值。
本发明结合废钢料的环境特性对canny边缘检测算子进行改进，阈值的选取是为了更好的对边缘信息进行筛选区分，而在废钢环境中梯度大小的变化不明显，分布散乱，传统的阈值是直接根据梯度值的大小进行阈值的确定。而在本发明的废钢料所处的环境中，干扰因素较多，单纯的从梯度值大小的分布来确定阈值的大小，进而进行双阈值的处理显然是不科学不准确的。可以知晓的是，废钢料在图像中边缘的长度较长，即对应的像素点的个数较多，同时边缘像素点的梯度值较大，而对于碎石颗粒、泥土颗粒梯度值的大小也相对会大一些，但是碎石颗粒、泥土颗粒的边缘像素点数量较少，因此本发明通过梯度图像中梯度的大小和对应的像素点的数量来进行第一阈值和第二阈值的自适应选取。
本发明结合梯度直方图中每个梯度值与对应的像素点数量相乘，得到梯度直方图中每个梯度值对应的联合差异值，根据得到的全部联合差异值进行自适应阈值的选取。
联合差异值的计算公式为：
其中，
表示梯度直方图中第
个梯度值；
表示梯度直方图中第
个梯度值对应的像素点数量；
表示第
个联合差异值。将得到全部联合差异值按降序排列得到联合差异值序列。
在得到联合差异值序列后，利用联合差异值序列中的中位数作为分割点，将联合差异值序列分为两部分。对于高阈值来说，高于高阈值的数据为废钢料边缘的可能性更大，对于低阈值来说，低于低阈值的数据为噪声的可能性更大。
将联合差异值序列分成两个序列的意义在于，高阈值的选取需要在较高的联合差异值中进行筛选，因为高阈值确定了强边缘，而强边缘的选取结果直接影响对后续弱边缘的筛选；低阈值需要在较低的联合差异值中筛选，因为低于低阈值的将直接被置零，如果低阈值的选取过大，会使得是弱边缘的像素点被置零影响分割结果，因此将联合差异值序列分为两组，在联合差异值较高的分组选取高阈值，在联合差异值较小的分组选取低阈值。
利用联合差异值序列中的中位数将联合差异值序列分割成第一序列
和第二序列
；其中，第一序列
内的数值均大于中位数，第二序列
内的数值均小于中位数；将第一序列
内全部数值的均值作为边缘检测的第一阈值，第一阈值即为边缘检测的高阈值，将第二序列
内全部数值的均值作为边缘检测的第二阈值，第二阈值即为边缘检测的低阈值。以均值作为阈值的依据在于，均值代表了数据的总体集中趋势，对于高阈值来说，高于该值的数据为废钢边缘的可能性更大，对于低阈值来说，低于该数值的数据为噪声的可能性更大。
利用联合差异值序列来确定第一阈值和第二阈值，是由于废钢料图像中，相比于地面背景干扰即沙石颗粒和泥土颗粒带来的干扰，没有被遮挡的废钢目标的边缘梯度较大，且边缘较长即对应的像素点个数较多，因此两者的融合使得对废钢料边缘的确定更加准确，并且使得地面中沙石颗粒和泥土颗粒的边缘被抑制。而针对部分废钢料被遮挡的情况，由于遮挡情况下废钢料的梯度依然存在，虽然对应的边缘长度会变短即像素点数量会变少，但是结合两者的情况，会使得被遮挡的废钢料边缘划分为弱边缘，进行后续的筛选，而不是直接被认定为噪声进行置零操作。
S3、将地面图像中梯度值大于或等于第一阈值的像素点全部标记为第一边缘像素点，将地面图像中梯度值大于或等于第二阈值且小于第一阈值的像素点全部标记为第二边缘像素点。
本发明中根据联合差异值进行自适应阈值的选取，阈值选取的目的是要将低于第二阈值的噪声边缘去除，将大于或等于第一阈值的废钢料边缘保留，将介于两者之间的边缘作为弱边缘保留进行后续的处理。
大于或等于第一阈值部分的像素点保留全部标记为第一边缘像素点，第一边缘像素点即为强边缘点；将大于或等于第二阈值且小于第一阈值部分的像素点保留全部标记为第二边缘像素点，第二边缘像素点即为弱边缘点，对于大于或等于第二阈值且小于第一阈值部分的像素点可能是被遮挡的废钢确定的边缘，因此该部分保留，进行后续的重新确认；将小于第二阈值的像素点认为该部分为噪声则将全部小于第二阈值的全部像素点的梯度值置零。
S4、利用每个第二边缘像素点邻域内第一边缘像素点的个数、每个第二边缘像素点和周围邻域内第一边缘像素点的梯度值、每个第二边缘像素点与周围邻域内第一边缘像素点的距离，计算出每个第二边缘像素点的强弱程度。
计算出每个第二边缘像素点的强弱程度的步骤包括：选取任一第二边缘像素点作为目标像素点；获取目标像素点邻域内第一边缘像素点的个数；计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的距离；计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的梯度差值；利用得到的全部距离数值、梯度差值、目标像素点邻域内第一边缘像素点的总个数，计算出目标像素点的强弱程度；按照目标像素点的强弱程度计算方法，计算出每个第二边缘像素点的强弱程度。
本发明选取出的第一边缘像素点认为是强边缘像素点，而第二边缘像素点也就是弱边缘像素点的情况较为复杂，有可能是被泥土等干扰遮挡的废钢料边缘，也有可能是其他较强噪声的边缘，传统的canny边缘检测算子对弱边缘的处理方式是通过检测其邻域内有无强边缘的存在，如果存在则认为其是强边缘/弱边缘，对其进行保留，如果不存在则认为其为噪声，对其置零。这种方式仅仅通过对弱边缘八邻域的像素点的特性进行估计，如果强边缘也是噪声，则容易出现误判，使得噪声被保留，而如果存在被遮挡的废钢料，此时废钢料的边缘不是很明显，也可能存在被遮挡的废钢料周围没有强边缘，所以这种方式容易导致被遮挡的废钢料边缘的检测不准确。
因此，本发明在初步筛选出第一边缘像素点和第二边缘像素点后，通过第二边缘像素点和邻域内第一边缘像素点的邻接性，和第二边缘像素点和邻域内第一边缘像素点的梯度差异性，计算出每个第二边缘像素点的强弱程度，由于只有第二边缘像素点周围第一边缘像素点的数量越多且梯度差异较大时对应的强弱程度数值才会高，能避免出现强边缘也是噪声情况的误判。
本发明中在计算每个第二边缘像素点的强弱程度时，先选取任一第二边缘像素点作为目标像素点，统计目标像素点5*5邻域内第一边缘像素点的梯度分布。
目标像素点的强弱程度计算公式为：
其中，
表示目标像素点的强弱程度；
表示目标像素点在地面图像中横坐标；
表示目标像素点在地面图像中纵坐标；
表示目标像素点的梯度值；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中横坐标；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中纵坐标；
表示目标像素点邻域内第
个第一边缘像素点的梯度值；
表示目标像素点邻域内的第一边缘像素点的总个数。
在目标像素点的强弱程度的计算公式中，如果目标像素点邻域内没有强边缘点，则目标像素点为噪声，
。
表示目标像素点邻域内第
个第一边缘像素点与目标像素点之间的欧式距离，第一边缘像素点与目标像素点之间的欧式距离越近，则目标像素点的强度越强，因此作为分母；
表示目标像素点邻域内第
个第一边缘像素点的梯度值，
表示目标像素点的梯度值，两者之间的差值越大，则目标像素点的强度越强。
S5、将强弱程度大于或等于预设强弱程度阈值的第二边缘像素点重新标记为第一边缘像素点，将强弱程度小于预设强弱程度阈值的第二边缘像素点作为剩余第二边缘像素点。
按照目标像素点的强弱程度计算方法，计算出每个第二边缘像素点的强弱程度，根据每个第二边缘像素点的强弱程度来进行第二边缘像素点的的筛选。当每个第二边缘像素点的强弱程度大于或等于预设强弱程度阈值
时，预设强弱程度阈值
，即
，将该第二边缘像素点重新标记为第一边缘像素点；当强弱程度小于预设强弱程度阈值
时，即
，将该第二边缘像素点作为剩余第二边缘像素点。
本发明中通过第二边缘像素点和第一边缘像素点的邻接性和梯度值的差异对第二边缘像素点进行了筛选。然而由于废钢料很容易出现被遮挡的情况，导致被遮挡的废钢料的边缘都为第二边缘像素点，也就是导致被遮挡的废钢料的边缘都为弱边缘，此时剩余的第二边缘像素点依然很有可能存在被遮挡废钢料边缘的存在。因此，本发明结合剩余第二边缘像素点梯度大小以及剩余第二边缘像素点周围灰度的对比来进行被遮挡边缘的筛选。
S6、计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点。
计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度的步骤包括：获取每个剩余第二边缘像素点的梯度方向；以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度方向的第一窗口；以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度反方向的第二窗口；将每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度，作为每个剩余第二边缘像素点两侧梯度方向的灰度对比度。
每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度的计算步骤包括：计算出每个剩余第二边缘像素点对应的第一窗口的第一平均灰度值；计算出每个剩余第二边缘像素点对应的第二窗口的第二平均灰度值；计算出每个剩余第二边缘像素点对应的第一平均灰度值与第二平均灰度值的差值，并将该差值作为每个剩余第二边缘像素点对应的第一窗口与第二窗口的灰度对比度。
由于通过步骤S5筛选出的剩余的第二边缘像素点依然很有可能存在被遮挡边缘的存在。因此，本发明结合剩余第二边缘像素点梯度大小以及剩余第二边缘像素点周围灰度的对比来进行被遮挡边缘的筛选。
对于废钢料部分被遮挡的现象，首先其边缘梯度依然存在，但是不明显，但是由于废钢料的颜色特性，无论是明亮的废钢料，还是生锈的废钢料，和地面之间的灰度是有差别的，本发明结合剩余第二边缘像素点两侧梯度方向的灰度对比度来进行对剩余第二边缘像素点的筛选。
首先以剩余第二边缘像素点的梯度为依据，以梯度方向为指引分析弱边缘点两侧梯度方向的灰度差异，对于存在被遮挡的边缘的情况下，梯度方向是废钢料图像和地面背景图像的分割方向。基于以上分析本发明通过对剩余第二边缘像素点梯度方向上两侧的原始图像灰度值的对比，结合梯度值大小来判断剩余第二边缘像素点是否为被遮挡边缘。如图2所示，为本发明中剩余第二边缘像素点梯度方向上两侧的原始图像灰度值的示意图。本发明通过统计每个剩余第二边缘像素点梯度方向上两侧的原始7*7大小的窗口内原始图像灰度值来进行被遮挡边缘的判断。
每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度的计算公式为：
其中，
表示第
个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度；
表示第
个剩余第二边缘像素点的梯度值；
表示第
个剩余第二边缘像素点对应的第一窗口的第一平均灰度值；
表示第
个剩余第二边缘像素点对应的第二窗口的第二平均灰度值。
在每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度的计算公式中，通过计算剩余第二边缘像素点梯度方向两侧的灰度值对比来判断是否为边缘像素点。第
个剩余第二边缘像素点两侧梯度方向的灰度对比度
越大，表明第
个剩余第二边缘像素点梯度方向两侧对比差异越大，表明该像素点为边缘像素点的可能性越大。
在计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度后，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点，预设对比度阈值
，即若
时，将第
个剩余第二边缘像素点重新标记为第一边缘像素点。
S7、将地面图像中由全部第一边缘像素点组成的闭合区域作为感兴趣区域，获取感兴趣区域图像作为精确图像，将精确图像输入到已训练完成的废钢料识别神经网络中判断精确图像是否为废钢料图像。
本发明通过结合废钢料的场景特征对canny边缘检测算子进行了相关的改进得到了比较精确的边缘信息，废钢料在边缘检测的结果中表现为一个较大的边缘区域因此一边缘检测结果中由全部第一边缘像素点组成的闭合区域作为感兴趣区域，感兴趣区域是可能存在目标的区域，获取感兴趣区域图像作为精确图像，将精确图像输入到已训练完成的废钢料识别神经网络中判断精确图像是否为废钢料图像。
一种废钢料场散落料的图像识别系统，包括：
图像采集模块，用于采集废钢料厂地面图像；
第一标记模块，用于根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值；用于将地面图像中梯度值大于或等于第一阈值的像素点全部标记为第一边缘像素点，将地面图像中梯度值大于或等于第二阈值且小于第一阈值的像素点全部标记为第二边缘像素点；其中，第一阈值大于第二阈值；
计算模块，用于利用每个第二边缘像素点邻域内第一边缘像素点的个数、每个第二边缘像素点和周围邻域内第一边缘像素点的梯度值、每个第二边缘像素点与周围邻域内第一边缘像素点的距离，计算出每个第二边缘像素点的强弱程度；
第二标记模块，用于将强弱程度大于预设强弱程度阈值的第二边缘像素点重新标记为第一边缘像素点，将强弱程度小于预设强弱程度阈值的第二边缘像素点作为剩余第二边缘像素点；
第三标记模块，用于计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点；
感兴趣区域获取模块，用于将地面图像中由全部第一边缘像素点组成的闭合区域作为感兴趣区域；
废钢料图像识别模块，用于获取感兴趣区域图像作为精确图像，将精确图像输入到已训练完成的废钢料识别神经网络中判断精确图像是否为废钢料图像。
本发明提供了一种废钢料场散落料的图像识别方法及系统，结合废钢料厂的环境特征对canny算子的边缘检测算子中弱边缘的筛选进行了改进，得到了更加精确的边缘检测结果，实现了对废钢料图像的精确识别。
以上所述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 (3)
1.一种废钢料场散落料的图像识别方法，其特征在于，包括：
采集废钢料厂地面图像；
根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值；其中，第一阈值大于第二阈值；
将地面图像中梯度值大于或等于第一阈值的像素点全部标记为第一边缘像素点，将地面图像中梯度值大于或等于第二阈值且小于第一阈值的像素点全部标记为第二边缘像素点；
利用每个第二边缘像素点邻域内第一边缘像素点的个数、每个第二边缘像素点和周围邻域内第一边缘像素点的梯度值、每个第二边缘像素点与周围邻域内第一边缘像素点的距离，计算出每个第二边缘像素点的强弱程度；
计算出每个第二边缘像素点的强弱程度的步骤包括：选取任一第二边缘像素点作为目标像素点；获取目标像素点邻域内第一边缘像素点的个数；计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的距离；计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的梯度差值；利用得到的全部距离数值、梯度差值、目标像素点邻域内第一边缘像素点的总个数，计算出目标像素点的强弱程度；按照目标像素点的强弱程度计算方法，计算出每个第二边缘像素点的强弱程度；
目标像素点的强弱程度计算公式为：
其中，
表示目标像素点的强弱程度；
表示目标像素点在地面图像中横坐标；
表示目标像素点在地面图像中纵坐标；
表示目标像素点的梯度值；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中横坐标；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中纵坐标；
表示目标像素点邻域内第
个第一边缘像素点的梯度值；
表示目标像素点邻域内的第一边缘像素点的总个数；
将强弱程度大于或等于预设强弱程度阈值的第二边缘像素点重新标记为第一边缘像素点，将强弱程度小于预设强弱程度阈值的第二边缘像素点作为剩余第二边缘像素点；
计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点；
计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度的步骤包括：获取每个剩余第二边缘像素点的梯度方向；以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度方向的第一窗口；以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度反方向的第二窗口；将每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度，作为每个剩余第二边缘像素点两侧梯度方向的灰度对比度；
每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度的计算步骤包括：计算出每个剩余第二边缘像素点对应的第一窗口的第一平均灰度值；计算出每个剩余第二边缘像素点对应的第二窗口的第二平均灰度值；计算出每个剩余第二边缘像素点对应的第一平均灰度值与第二平均灰度值的差值，并将该差值作为每个剩余第二边缘像素点对应的第一窗口与第二窗口的灰度对比度；
将地面图像中由全部第一边缘像素点组成的闭合区域作为感兴趣区域，获取感兴趣区域图像作为精确图像，将精确图像输入到已训练完成的废钢料识别神经网络中判断精确图像是否为废钢料图像。
2.根据权利要求1所述的一种废钢料场散落料的图像识别方法，其特征在于，所述根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值的步骤包括：
根据地面图像中每个像素点的梯度值构建梯度直方图；
将梯度直方图中每个梯度值与对应的像素点数量相乘得到的全部数值按降序排列，得到联合差异值序列；
利用联合差异值序列的中位数，将联合差异值序列分割成第一序列和第二序列；其中，第一序列内的数值均大于中位数，第二序列内的数值均小于中位数；
将第一序列内全部数值的均值作为边缘检测的第一阈值，将第二序列内全部数值的均值作为边缘检测的第二阈值；其中，第一阈值大于第二阈值。
3.一种废钢料场散落料的图像识别系统，其特征在于，包括：
图像采集模块，用于采集废钢料厂地面图像；
第一标记模块，用于根据地面图像中每个像素点的梯度值，确定对地面图像进行边缘检测的第一阈值和第二阈值；用于将地面图像中梯度值大于或等于第一阈值的像素点全部标记为第一边缘像素点，将地面图像中梯度值大于或等于第二阈值且小于第一阈值的像素点全部标记为第二边缘像素点；其中，第一阈值大于第二阈值；
计算模块，用于利用每个第二边缘像素点邻域内第一边缘像素点的个数、每个第二边缘像素点和周围邻域内第一边缘像素点的梯度值、每个第二边缘像素点与周围邻域内第一边缘像素点的距离，计算出每个第二边缘像素点的强弱程度；
计算出每个第二边缘像素点的强弱程度的步骤包括：选取任一第二边缘像素点作为目标像素点；获取目标像素点邻域内第一边缘像素点的个数；计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的距离；计算出目标像素点邻域内每个第一边缘像素点与目标像素点之间的梯度差值；利用得到的全部距离数值、梯度差值、目标像素点邻域内第一边缘像素点的总个数，计算出目标像素点的强弱程度；按照目标像素点的强弱程度计算方法，计算出每个第二边缘像素点的强弱程度；
目标像素点的强弱程度计算公式为：
其中，
表示目标像素点的强弱程度；
表示目标像素点在地面图像中横坐标；
表示目标像素点在地面图像中纵坐标；
表示目标像素点的梯度值；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中横坐标；
表示目标像素点邻域内第
个第一边缘像素点在地面图像中纵坐标；
表示目标像素点邻域内第
个第一边缘像素点的梯度值；
表示目标像素点邻域内的第一边缘像素点的总个数；
第二标记模块，用于将强弱程度大于或等于预设强弱程度阈值的第二边缘像素点重新标记为第一边缘像素点，将强弱程度小于预设强弱程度阈值的第二边缘像素点作为剩余第二边缘像素点；
第三标记模块，用于计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度，将灰度对比度大于预设对比度阈值的剩余第二边缘像素点重新标记为第一边缘像素点；
计算出每个剩余第二边缘像素点两侧梯度方向的灰度对比度的步骤包括：获取每个剩余第二边缘像素点的梯度方向；以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度方向的第一窗口；以每个剩余第二边缘像素点为起始点构建该剩余第二边缘像素点沿梯度反方向的第二窗口；将每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度，作为每个剩余第二边缘像素点两侧梯度方向的灰度对比度；
每个剩余第二边缘像素点对应的第一窗口和第二窗口的灰度对比度的计算步骤包括：计算出每个剩余第二边缘像素点对应的第一窗口的第一平均灰度值；计算出每个剩余第二边缘像素点对应的第二窗口的第二平均灰度值；计算出每个剩余第二边缘像素点对应的第一平均灰度值与第二平均灰度值的差值，并将该差值作为每个剩余第二边缘像素点对应的第一窗口与第二窗口的灰度对比度；
感兴趣区域获取模块，用于将地面图像中由全部第一边缘像素点组成的闭合区域作为感兴趣区域；
废钢料图像识别模块，用于获取感兴趣区域图像作为精确图像，将精确图像输入到已训练完成的废钢料识别神经网络中判断精确图像是否为废钢料图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211086612.8A CN115170992B (zh) | 2022-09-07 | 2022-09-07 | 一种废钢料场散落料的图像识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211086612.8A CN115170992B (zh) | 2022-09-07 | 2022-09-07 | 一种废钢料场散落料的图像识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115170992A CN115170992A (zh) | 2022-10-11 |
| CN115170992B true CN115170992B (zh) | 2022-12-06 |
Family
ID=83480565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211086612.8A Active CN115170992B (zh) | 2022-09-07 | 2022-09-07 | 一种废钢料场散落料的图像识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115170992B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
| CN108510510A (zh) * | 2017-02-24 | 2018-09-07 | 南宁市富久信息技术有限公司 | 基于梯度方向的图像边缘检测方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6227725B1 (en) * | 1998-08-18 | 2001-05-08 | Seiko Epson Corporation | Text enhancement for color and gray-scale documents |
| CN104517127A (zh) * | 2013-09-27 | 2015-04-15 | 汉王科技股份有限公司 | 一种基于Bag-of-features模型的自学习行人计数方法及装置 |
| CN109360217A (zh) * | 2018-09-29 | 2019-02-19 | 国电南瑞科技股份有限公司 | 输变电设备图像边缘检测方法、装置及系统 |
| CN109544464A (zh) * | 2018-10-19 | 2019-03-29 | 天津大学 | 一种基于轮廓提取的火灾视频图像分析方法 |
| CN109902618A (zh) * | 2019-02-26 | 2019-06-18 | 青岛海之声科技有限公司 | 一种海面船只识别方法和装置 |
| CN110264448B (zh) * | 2019-06-06 | 2021-04-23 | 中南大学 | 一种基于机器视觉的绝缘子故障检测方法 |
| CN111260596B (zh) * | 2020-01-09 | 2021-06-25 | 山东财经大学 | 一种具有抗噪的快速图像超像素自动生成方法，设备以及可读存储介质 |
| CN111985329B (zh) * | 2020-07-16 | 2024-03-29 | 浙江工业大学 | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 |
| CN111854617B (zh) * | 2020-07-31 | 2021-05-14 | 江门建滔高科技有限公司 | 一种基于机器视觉的微型钻头尺寸检测方法 |
| CN112258569B (zh) * | 2020-09-21 | 2024-04-09 | 无锡唐古半导体有限公司 | 瞳孔中心定位方法、装置、设备及计算机存储介质 |
| CN113108771B (zh) * | 2021-03-05 | 2022-08-16 | 华南理工大学 | 一种基于闭环直接稀疏视觉里程计的移动位姿估计方法 |
| CN113706648B (zh) * | 2021-08-04 | 2024-03-19 | 武汉理工大学 | 基于扩散曲线的唐卡元素矢量化方法 |
| CN114399522A (zh) * | 2022-01-14 | 2022-04-26 | 东南大学 | 一种基于高低阈值的Canny算子的边缘检测方法 |
| CN114549466A (zh) * | 2022-02-23 | 2022-05-27 | 苏州神指微电子有限公司 | 一种基于图片处理的高铁车轮检测方法 |
| CN114782432B (zh) * | 2022-06-20 | 2022-09-02 | 南通电博士自动化设备有限公司 | 一种基于纹理特征的改进canny算子的边缘检测方法 |
-
2022
- 2022-09-07 CN CN202211086612.8A patent/CN115170992B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510510A (zh) * | 2017-02-24 | 2018-09-07 | 南宁市富久信息技术有限公司 | 基于梯度方向的图像边缘检测方法 |
| CN108416789A (zh) * | 2018-06-04 | 2018-08-17 | 武汉斑马快跑科技有限公司 | 图像边缘检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115170992A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
| CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
| CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
| CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
| CN108376403B (zh) | 基于霍夫圆变换的网格菌落图像分割方法 | |
| CN106548160A (zh) | 一种人脸微笑检测方法 | |
| CN110321769A (zh) | 一种多尺寸货架商品检测方法 | |
| CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
| CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
| CN107341790A (zh) | 一种环境洁净度检测的图像处理方法 | |
| CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
| CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
| CN108985339A (zh) | 一种基于目标识别与knn算法的超市仓库货物识别分类方法 | |
| CN103871062A (zh) | 一种基于超像素描述的月面岩石检测方法 | |
| CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
| CN111080650A (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
| CN115330646B (zh) | 一种用于健身器材喷漆工艺的金属构件检查方法 | |
| CN116542968A (zh) | 一种基于模板匹配的钢筋智能计数方法 | |
| CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
| CN115690089A (zh) | 一种微弱缺陷检测用的图像增强前处理方法及系统 | |
| CN116205879A (zh) | 一种基于无人机图像及深度学习的小麦倒伏面积估算方法 | |
| CN118154605A (zh) | 纺织品ai瑕疵检测方法、系统及设备 | |
| CN115170992B (zh) | 一种废钢料场散落料的图像识别方法及系统 |
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 |