CN115239713B - 一种钢丝绳状态在线识别方法 - Google Patents
一种钢丝绳状态在线识别方法 Download PDFInfo
- Publication number
- CN115239713B CN115239713B CN202211153334.3A CN202211153334A CN115239713B CN 115239713 B CN115239713 B CN 115239713B CN 202211153334 A CN202211153334 A CN 202211153334A CN 115239713 B CN115239713 B CN 115239713B
- Authority
- CN
- China
- Prior art keywords
- fitting
- line
- steel wire
- wire rope
- segmentation
- 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 164
- 239000010959 steel Substances 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 78
- 230000000694 effects Effects 0.000 claims abstract description 23
- 238000005192 partition Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 238000013519 translation Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009827 uniform distribution 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
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
-
- G06T5/90—
-
- 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
- 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
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种钢丝绳状态在线识别方法。该方法包括:得到疑似分割像素点和多条拟合基准线;基于拟合基准线获得拟合像素点;每次选择每个像素选择方向上的一个拟合像素点进行拟合得到拟合分割线;计算得到每个拟合分割线的拟合效果,拟合效果最大的拟合分割线为最终分割线;获得每条最终分割线的异常因子;获得最终分割线上像素点到其他最终分割线上最小距离;基于所述该最终分割线上像素点到其他最终分割线上最小距离和其他最终分割线的异常因子获得该最终分割线的关系强度;得到多条最终分割线中的关系强度中的最小值判断钢丝绳的状态。本发明能够及时并且准确的识别钢丝绳状态。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种钢丝绳状态在线识别方法。
背景技术
长期以来,钢丝绳的使用和管理始终是各企业设备管理的难点,因钢丝绳断裂造成的事故屡见不鲜,而每一次事故都伴随着财产损失和人员伤亡等严重后果。在实际使用最多的为多股钢丝相捻形成的钢丝绳,而多股钢丝相捻的结构直接影响钢丝绳的状态,所以,多股钢丝相捻的结构的破坏是造成对应钢丝安全性关键因素与直接因素,所以需要根据多股钢丝相捻的结构判断钢丝绳的状态。
现有的多股钢丝相捻的结构识别中,主要是对捻距进行判断,但是捻距的异常只能反映多股钢丝的松散或者某股钢丝断裂,此时忽略了单股钢丝绳结构的异常,即不能识别到钢丝相捻中单股钢丝局部的异常,所以对钢丝绳状态的识别不准确,对危险情况的判断不及时,对钢丝绳安全性的状态识别效果不佳。
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钢丝绳状态在线识别方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种钢丝绳状态在线识别方法:获得任意一段钢丝绳对应的只包含钢丝绳的表面图像并灰度化得到表面灰度图;获得表面灰度图中的疑似分割像素点;对表面灰度图的中轴线进行旋转,得到多条拟合基准线;
获得一条拟合基准线上每个像素点对应的垂直于拟合基准线的方向,记为像素选择方向;在每个像素选择方向上分别获得灰度值最小的疑似分割像素点,记为拟合像素点;每次选择每个像素选择方向上的一个拟合像素点进行拟合得到拟合分割线;计算得到每个拟合分割线的拟合效果,拟合效果最大的拟合分割线为最终分割线;
得到表面灰度图中多条最终分割线,并获得每条最终分割线的异常因子;建立直角坐标系,选择任意一条最终分割线,将该最终分割线在直角坐标系中进行平移,获得平移过程中该最终分割线上像素点到其他最终分割线上最小距离;
基于所述该最终分割线上像素点到其他最终分割线上最小距离和其他最终分割线的异常因子获得该最终分割线的关系强度;得到多条最终分割线中的关系强度中的最小值判断钢丝绳的状态。
优选地,获得表面灰度图中的疑似分割像素点,包括:设定筛选阈值,小于筛选阈值的像素点为疑似分割像素点。
优选地,对表面灰度图的中轴线进行旋转,得到多条拟合基准线,包括:获得旋转直线上像素点最小的像素点为旋转中心;以旋转中心进行旋转,当旋转直线预设范围内的疑似分割像素点的数量最大时停止旋转得到拟合基准线。
优选地,计算得到每个拟合分割线的拟合效果,包括:
所述拟合分割线的拟合效果为:
优选地,最终分割线的关系强度为:
优选地,得到多条最终分割线中的关系强度中的最小值判断钢丝绳的状态包括:
本发明实施例至少具有如下有益效果:利用本发明方法,首先根据多股钢丝相捻的分割线进行钢丝绳的状态识别,相比于现有的捻距分析,没有考虑到单股钢丝的局部异常引起的钢丝绳的状态异常,本发明方法可以识别钢丝相捻中单股钢丝的分割线,从而反应出单股钢丝的局部的异常;然后利用多项式拟合获得多股钢丝相捻形成的分割线,相比于现有的直线检测或者阈值分割,没有识别出补位直线的分割线,本发明方法考虑到分割线不为绝对直线的情况,利用拟合获得分割曲线,所获得分割曲线更接近于实际分割线;最后通过分割线之间的关系确定分割线的异常,相比于现有的异常分析方法,在本发明方案中,考虑到对应曲线的可信度,即以曲线的均方根误差为权值,排除单个曲线拟合异常对曲线之间关系的影响,获得分割曲线之间的关系,从而反应钢丝绳的状态。
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钢丝绳状态在线识别方法的方法流程图。
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一种钢丝绳状态在线识别方法,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一种钢丝绳状态在线识别方法的具体方案。
实施例:
本发明的主要应用场景为:在钢丝绳的使用过程中,钢丝绳一般用于重物起重或者重物连接,所以钢丝绳的状态影响着作业的安全性,对于多股相捻形成的钢丝绳,多股钢丝相捻的结构直接影响着钢丝绳的状态。所以本发明通过对多股钢丝绳的相捻的结构进行识别,从而反映钢丝绳的状态。
本发明的主要目的是:利用直线定位与多项式拟合,获得多股钢丝的分割曲线,分割曲线反映钢丝绳多股相捻的结构,此时通过分割曲线的关系实现钢丝绳状态的识别。
请参阅图1,其示出了本发明实施例提供的一种 方法流程图,该方法包括以下步骤:
步骤S1,获得任意一段钢丝绳对应的只包含钢丝绳的表面图像并灰度化得到表面灰度图;获得表面灰度图中的疑似分割像素点;以表面灰度图的中轴线为旋转直线进行旋转,得到多条拟合基准线。
本发明在图像中获得数据,主要分析钢丝绳在使用过程中的多股钢丝相捻的结构,以反应钢丝绳的状态。所以,需要获得钢丝绳的图像,在钢丝绳使用过程中,在钢丝绳的侧方安装相机,拍摄某一段钢丝绳图像。(比如在电梯井侧方安装相机,拍摄电梯轿厢拖曳钢丝绳的图像)
然后再所获得的图像中进行语义分割,获得钢丝绳区域图像,并对图像进行灰度化,后续计算均基于只包含钢丝绳区域的表面灰度图。
对于多股钢丝相捻形成的钢丝绳,多股钢丝相捻的结构直接影响着钢丝绳的状态,多股钢丝绳相捻的结构主要表现在多股钢丝的分割线中。所以本发明通过图像获得多股钢丝的分割线,并根据分割线之间的关系确定分割线的异常,从而反映钢丝绳的状态。
为对钢丝绳状态进行在线识别,需要在钢丝绳工作时拍摄完整的钢丝绳图像。为了能够识别到完整的钢丝绳,需要相机拍摄多张图像,此时设置相机的拍摄时间间隔为,则有关系式,其中已知钢丝绳的提升速度为,一张图像所拍摄的钢丝绳的实际长度为L。此时多张图像刚好能够识别到完整的钢丝绳。
目前的钢丝绳大多都是多股相捻组合而成,每一股的质量都直接影响着钢丝绳的质量。在钢丝绳的使用过程中,常常出现钢丝绳损伤,影响钢丝绳的使用安全性,所以,本发明在钢丝绳的使用过程中,对钢丝绳的状态进行在线识别。
对于有多股钢丝相捻而成的钢丝绳,每股的均匀分布、紧密分布以及完整度都影响着钢丝绳的质量。观察钢丝绳的图像,每股钢丝交界处存在较暗区域,同时在图像中每股钢丝表现为一个长条状区域,并且由中间向两边宽度逐渐减小。为了获得每股钢丝的相捻异常或者表面异常,首先需要通过图像分析获得正常的每股钢丝的分布。
对于多股钢丝相捻的钢丝绳,为了更准确的分析多股钢丝的局部相捻的结构,需要准确的获得多股钢丝相捻的分割线,所以首先需要分析出分割线区域的像素点。根据每股钢丝绳交界较暗区域对每股钢丝绳进行分割处理。为分割获得每股钢丝绳,首先需要在图像中获得分割线。在图像中进行分割线像素点的筛选,已知位于分割线的像素点像素值较低,所以在图像中进行阈值分割,像素值较低的像素点,在本发明方案中,设置筛选阈值为5(可根据实际场景进行调整),此时图像中像素值小于阈值的像素点作为疑似的分割线像素点,像素值分别表示为,其中表示图像中疑似分割线像素点的数量,此时由于每一股钢丝相捻形成的阴影区域等的影响,使得所筛选的疑似分割线像素点中存在干扰,所以需要根据每股钢丝相捻的形式,获得准确的分割线像素点。
在上述步骤中,筛选出分割线区域的疑似像素点,但是对于多股钢丝相捻的分割线区域存在中间明显,边缘不明显的情况,所以,上述筛选出的分割线区域的像素点无法直接方向出具体的分割线,所以需要根据所筛选的像素点进一步判断准确的分割线。
在当前钢丝绳图像的中轴线作直线,选择直线上像素值最低的点,然后以为旋转中心,对直线进行旋转,使得直线尽可能的接近分割线。在直线进行旋转的同时,计算于直线距离在R范围内的疑似分割线像素点的个数,在本发明方案中设置(可根据实际场景进行调整),直到的值最大时,停止旋转。此时直线最大程度的反映多股钢丝的分割线。
步骤S2,获得一条拟合基准线上每个像素点对应的垂直于拟合基准线的方向,记为像素选择方向;在每个像素选择方向上分别获得灰度值最小的疑似分割像素点,记为拟合像素点;每次选择每个像素选择方向上的一个拟合像素点进行拟合得到拟合分割线;计算得到每个拟合分割线的拟合效果,拟合效果最大的拟合分割线为最终分割线。
现有技术中,一般采用相邻分割线之间的平行距离进行判断钢丝绳状态异常,但是在实际图像中,因为多股钢丝相捻形成钢丝绳,所以多股钢丝分割线不是一条绝对的直线,所以一般直线检测获得的分割线无法准确的贴合实际分割线,同时由于实际分割线存在中间明显,边缘不明显的情况,所以一般的阈值分割无法获得完整的分割线,此时对于分割线的异常检测中,容易忽略钢丝绳边缘的分割线的异常,所以以上方法均存在检测不准确的缺陷,所以本发明中,对直线附近的疑似分割线的像素点进行多项式拟合,获得非直线型的分割线,具体过程如下:
1)首先,在直线垂直方向选择待拟合像素点。直线中每一个像素点在垂直方向选择像素值最低的疑似像素点,作为待拟合像素点。因为疑似像素点的像素值越低,越有可能为多股钢丝分割线像素点。同时当存在垂直方向像素点相等时,选择于直线的距离最近的像素点。
3)对拟合效果进行判断。计算拟合曲线经过的疑似分割线像素点的像素值均值,表示为,此时获得当前拟合曲线效果表达式,其中表示第一次多项式拟合获得的均方根误差,越小,拟合效果越好,表示拟合曲线经过的疑似分割线像素点的像素值均值,越小,拟合曲线越接近于多股钢丝的分割线。又因为和共同影响当前曲线的拟合效果,所以采用作为当前拟合曲线效果。对于拟合曲线,经过的像素点的像素值越小,对应像素点越有可能为分割线,拟合曲线越有可能为分割线,即闭合效果越好。
4)对曲线拟合的拟合点进行调整。在直线垂直方向,对存在像素值相等的疑似像素点,进行拟合点的调整。首先在第一次拟合点中选择像素值最高的像素点,以及对应的直线垂直方向,排除第一次拟合所选择的像素点,重新根据步骤1)选择待拟合的像素点,如图所示,在一个垂直方向中,表示第一次所选择的拟合点,此时需要对其进行调整,即在排除后根据步骤1)选择为拟合点,从新获得拟合曲线,并判断拟合效果。因为在直线的垂直方向,像素值越高,表示像素点属于分割线的可能性越低,所以所选择的拟合点的可信度不高,所以对其进行调整。
在上述步骤中,首先通过直线旋转获得最接近于多股钢丝分割线的位置,此时,然后对直线附近像素点进行多项式拟合,以获得最准确的分割线。相比于传统的直线检测,没有考虑到非直线的分割线,即直线检测只能获得趋于直线的分割线片段,所以分割线的异常检测中,无法比较分割线的局部异常,导致无法根据分割的异常反映钢丝绳的状态。本发明方法基于在多项式拟合过程中,根据拟合点作为分割线的可能性,对拟合点进行调整,在考虑到像素点灰度值的同时,获得每股钢丝相捻的不同的分割线,从而能够进行分割线的异常比较,进而反应钢丝绳的状态;同时本发明的多项式拟合方法,考虑到分割线边缘不明显的特点,获得完整的分割线,解决了传统的阈值分割对分割线不明显边缘的遗漏导致的分割线不完整的缺点,从而获得能够代表整个多股钢丝分割线的曲线。
步骤S3,得到表面灰度图中多条最终分割线,并获得每条最终分割线的异常因子;建立直角坐标系,选择任意一条最终分割线,将该最终分割线在直角坐标系中进行平移,获得平移过程中该最终分割线上像素点到其他最终分割线上最小距离。
对于多股钢丝相捻形成的钢丝绳,多股之间的结构是钢丝绳状态的最直接的体现,并且,多股之间的结构破坏时,钢丝绳的力学结构的损伤最严重。所以在在本发明中根据多股钢丝的结构反映钢丝绳的状态。
上述步骤解决了现有技术对多股钢丝相捻分割线识别不准确缺点,获得准确的分割曲线。对于状态完好的钢丝绳,多股钢丝之间的分割线的形状是基本一致的,所以本发明根据多股钢丝的分割线判断多股钢丝相捻的结构。一张图像中的多股钢丝的分割线分别表示为,其中表示一张图像中多股钢丝分割线的个数,此时首先分析分割线的异常程度。
已知分割线对应多项式拟合中,对应的均方根误差表示为,此时在对应曲线相似的情况下,均方根误差也相似,此时利用现有的异常分析算法,比如LOF算法,在输入所有拟合曲线的情况下,运算输出每一个拟合曲线的异常因子,分别表示为。
然后判断曲线之间的相似性,在本发明中由于所获得的多股钢丝分割曲线的长度不一致,所以在本发明中采用平移的方法比较曲线之间的相似性,具体过程如下:
2)然后在分割曲线的方向上对分割曲线进行平移,同时在轴向小幅度的平移。在平移的过程中需要根据两个曲线的特点计算二者的相似性。通过平移操作,在曲线中找到最相近的曲线段,主要目的为考虑本方案中分割曲线长度不一致的情况。
3)对于分割曲线和,选择长度较短的曲线(比如),计算中所有像素点与分割曲线的最短距离的均值,表示为。不断的进行平移,获得的最小值,此时,两个曲线的相似性表示为。通过曲线的长度获得曲线比较的基准,然后比较两曲线中最接近的曲线段以反映两曲线的相似性。
步骤S4,基于所述该最终分割线上像素点到其他最终分割线上最小距离和其他最终分割线的异常因子获得该最终分割线的关系强度;得到多条最终分割线中的关系强度中的最小值判断钢丝绳的状态。
通过以上步骤,获得每一分割曲线相对于其余曲线的相似性,此时对于分割曲线,与其他分割曲线之间的关系表示为,其中表示分割曲线之外的第k个分割曲线的均方根误差对应的异常因子,表示分割曲线与其他第k个分割曲线的相似性,越大,分割曲线之外第k个分割曲线的可信度越低,即所获得的相似性可信度越低,表示与分割曲线进行相似性计算的曲线的个数,此时对于分割曲线与其他分割曲线之间的关系表示为,即与每一个分割曲线关系的均值,即表示分割曲线与其他分割曲线之间的关系强度。
通过上述步骤,首先考虑到曲线在拟合过程中均方根误差,均方根误差的异常程度越大,反映对应曲线的可信度越低;然后在曲线的相似性判断中,考虑到不同长度曲线的比较(以短曲线为基准),从而对应场景中多股钢丝分割线的长度的不一致,对曲线进行平移操作,获得曲线之间最接近的曲线片段,从而获得最准确的曲线之间的相似性。最后根据曲线拟合的均方根误差与曲线之间的相似性,判断获得曲线之间的关系强度,越大,曲线与其他曲线之间的关系越强。
根据以上步骤,在图像中获得每一个多股钢丝分割曲线的关系强度,越大,曲线与其他曲线之间的关系越强。在钢丝绳在使用过程中,当多股钢丝相捻的结构破坏时,对应的分割曲线出现异常,即对应的分割曲线与其他曲线之间的关系强度变弱。此时,根据多股钢丝分割曲线的关系强弱,判断分割曲线的异常,从而反映钢丝绳多股相捻的结构的异常,即钢丝绳的工作状态异常。
其中表示多股钢丝分割曲线的关系强度进行归一化处理后的最小值,即多股钢丝分割曲线关系强度最弱的曲线,表示钢丝绳最有可能最有可能破坏多股钢丝相捻的结构,即越小,钢丝绳的状态F越不佳,所以在上式中表示钢丝绳状态良好,表示钢丝绳状态一般,需要及时进行检修,表示钢丝绳状态差,需要立马停止运行,及时更换钢丝绳。
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。且上述对本说明书特定实施例进行了描述。另外,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 (6)
1.一种钢丝绳状态在线识别方法,其特征在于,该方法包括:
获得任意一段钢丝绳对应的只包含钢丝绳的表面图像并灰度化得到表面灰度图;获得表面灰度图中的疑似分割像素点;对表面灰度图的中轴线进行旋转,得到多条拟合基准线;
获得一条拟合基准线上每个像素点对应的垂直于拟合基准线的方向,记为像素选择方向;在每个像素选择方向上分别获得灰度值最小的疑似分割像素点,记为拟合像素点;每次选择每个像素选择方向上的一个拟合像素点进行拟合得到拟合分割线;计算得到每个拟合分割线的拟合效果,拟合效果最大的拟合分割线为最终分割线;
得到表面灰度图中多条最终分割线,并获得每条最终分割线的异常因子;建立直角坐标系,选择任意一条最终分割线,将该最终分割线在直角坐标系中进行平移,获得平移过程中该最终分割线上像素点到其他最终分割线上最小距离;
基于所述该最终分割线上像素点到其他最终分割线上最小距离和其他最终分割线的异常因子获得该最终分割线的关系强度;得到多条最终分割线中的关系强度中的最小值判断钢丝绳的状态。
2.根据权利要求1所述的一种钢丝绳状态在线识别方法,其特征在于,所述获得表面灰度图中的疑似分割像素点,包括:设定筛选阈值,小于筛选阈值的像素点为疑似分割像素点。
3.根据权利要求1所述的一种钢丝绳状态在线识别方法,其特征在于,所述对表面灰度图的中轴线进行旋转,得到多条拟合基准线,包括:获得旋转直线上像素点最小的像素点为旋转中心;以旋转中心进行旋转,当旋转直线预设范围内的疑似分割像素点的数量最大时停止旋转得到拟合基准线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211153334.3A CN115239713B (zh) | 2022-09-21 | 2022-09-21 | 一种钢丝绳状态在线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211153334.3A CN115239713B (zh) | 2022-09-21 | 2022-09-21 | 一种钢丝绳状态在线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239713A CN115239713A (zh) | 2022-10-25 |
CN115239713B true CN115239713B (zh) | 2022-12-20 |
Family
ID=83681936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211153334.3A Active CN115239713B (zh) | 2022-09-21 | 2022-09-21 | 一种钢丝绳状态在线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239713B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7177483B2 (en) * | 2002-08-29 | 2007-02-13 | Palo Alto Research Center Incorporated. | System and method for enhancement of document images |
CN114821158A (zh) * | 2022-03-31 | 2022-07-29 | 南通海扬食品有限公司 | 一种基于图像处理的干枣质量分类方法及系统 |
CN115082462B (zh) * | 2022-08-22 | 2022-11-08 | 山东海鑫达石油机械有限公司 | 一种流体输送管外观质量检测方法及系统 |
-
2022
- 2022-09-21 CN CN202211153334.3A patent/CN115239713B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115239713A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN114529549B (zh) | 一种基于机器视觉的布匹缺陷标注方法及系统 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
US8718352B2 (en) | System and method for testing ropes | |
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
CN115294120B (zh) | 基于图像识别的阀门表面质量检测方法 | |
CN116839682B (zh) | 一种基于物联网的电缆加工制造实时监控系统 | |
CN109523543B (zh) | 一种基于边缘距离的导线断股检测方法 | |
CN114235825B (zh) | 一种基于计算机视觉的钢丝绳质量检测方法 | |
CN114897896B (zh) | 基于灰度变换的建筑木材缺陷检测方法 | |
CN115205297B (zh) | 一种气动风动绞车的异常状态检测方法 | |
CN115375686A (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN113686874B (zh) | 一种基于人工智能的机械零件损伤检测方法及系统 | |
CN112629905A (zh) | 基于深度学习的设备异常检测方法、系统及计算机介质 | |
CN113920122A (zh) | 一种基于人工智能的电缆缺陷检测方法及系统 | |
CN116046883B (zh) | 起重机钢丝绳漏磁-视觉多模态融合检测装置及方法 | |
CN115018826B (zh) | 一种基于图像识别的织物瑕疵检测方法及系统 | |
CN115239713B (zh) | 一种钢丝绳状态在线识别方法 | |
CN116337879A (zh) | 一种电缆绝缘表皮磨损缺陷快速检测方法 | |
CN116721096B (zh) | 基于人工智能的新能源线束质量在线检测方法 | |
CN113963216A (zh) | 钢丝绳缺陷识别方法、装置、设备和介质 | |
CN115330776A (zh) | 一种钢丝绳磨损程度检测方法 | |
CN117585399B (zh) | 基于图像处理的煤矿传送带撕裂检测方法 | |
CN117522868B (zh) | 一种焊管生产质量视觉检测方法 | |
CN116993740B (zh) | 基于图像数据的混凝土结构表面缺陷检测方法 |
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 |