CN115272319B - 一种矿石粒度检测方法 - Google Patents
一种矿石粒度检测方法 Download PDFInfo
- Publication number
- CN115272319B CN115272319B CN202211179270.4A CN202211179270A CN115272319B CN 115272319 B CN115272319 B CN 115272319B CN 202211179270 A CN202211179270 A CN 202211179270A CN 115272319 B CN115272319 B CN 115272319B
- Authority
- CN
- China
- Prior art keywords
- line
- texture
- point
- superpixel
- calculating
- 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
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
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种矿石粒度检测方法,获取矿石颗粒的图像数据信息;将图像数据信息划分为若干个超像素块,相邻两超像素块具有一条共用边缘线;计算共用边缘线的梯度、纹理相似度与平均纹理坡度;得到各共用边缘线的软硬度;将软硬度划分为不同的软硬度等级;设置不同的软硬度等级的惩罚因子,基于惩罚因子计算阈值;计算相邻两超像素块的平均灰度的差值,当差值小于阈值,则将两超像素块进行合并得到第一超像素块,直至得到第N超像素块,计算矿石颗粒的矿石粒度。本发明中不同的软硬度等级具有不同的惩罚因子,通过惩罚因子得到不同的阈值,以达到对阈值进行自适应调节的目的。本发明够准确检测到矿石颗粒的矿石粒度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种矿石粒度检测方法。
背景技术
矿石粒度是矿石破碎的主要技术指标,同时矿石粒度的准确分布不但是选矿自动化的重要参数,而且是后续工序的依据。由于矿石本身会有一些泥土、凹槽、斑点等,再加上矿石本身不规则的纹理信息,会缩小矿石颗粒与背景的差异;除此之外,矿石所在现场环境的复杂程度,同样会导致矿石颗粒与背景的差异减小;例如,当现场环境粉尘过多时,导致获取的矿石图像较为模糊,在这种情况下,现有的一些检测矿石粒度的智能系统则出现把两块矿石颗粒检测成一块矿石颗粒的情况,致使获取的矿石粒度的结果不准确;同时,当同一块矿石颗粒的表面出现多条裂纹时,在这种情况下,现有的一些检测矿石粒度的智能系统同样会出现误检测,即把一块矿石颗粒检测成两块甚至多块矿石颗粒。
因此,亟需一种检测方法用于准确检测矿石粒度。
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矿石粒度检测方法,所采用的技术方案具体如下:
获取矿石的图像信息;并对所述图像信息进行预处理,得到灰度图像;将所述灰度图像划分为若干个超像素块;其中,相邻两超像素块之间具有一条共用边缘线;
根据所述共用边缘线上的各像素点的灰度值,计算各共用边缘线的梯度;
任意选取两个相邻的超像素块作为待选区域,对待选区域进行滑窗操作,获取滑窗操作过程中每一个滑窗区域对应的灰度共生矩阵,进而计算待选区域中各像素点的纹理特征向量;基于所述纹理特征向量,计算所述共用边缘线的纹理相似度与平均纹理坡度;其中,滑窗操作过程中的窗口大小为n×n,n大于3;
基于所述梯度、纹理相似度以及平均纹理坡度,计算各共用边缘线对应的软硬度;将所述软硬度划分为不同的软硬度等级;
根据所述软硬度等级,设置不同的软硬度等级对应的惩罚因子,基于所述惩罚因子,计算各共用边缘线对应的阈值;
计算相邻两超像素块对应灰度均值的差值,当差值小于所述阈值,则将所述相邻两超像素块进行合并,得到第一超像素块,然后计算与第一超像素块相邻的超像素块的灰度均值和第一超像素块的灰度均值的第一差值,当第一差值小于阈值,将该超像素块与第一超像素块进行合并,得到第二超像素块;依次类推,直至第N差值大于阈值,超像素块,则第N超像素块为一块矿石颗粒;其中N大于1;
基于所述第N超像素块的面积,得到对应矿石颗粒的矿石粒度。
进一步地,所述纹理相似度的获取方法为:将所述待选区域划分为8个等高区域,并将相邻的4个等高区域合并为一个渐变区域,共得到5个渐变区域,根据渐变区域中各像素点对应的纹理特征向量,计算各渐变区域对应的平均纹理特征;基于所述平均纹理特征,确定共用边缘线对应的纹理相似度;
其中,将所述待选区域划分为8个等高区域的具体步骤为:
3)根据的最远脊点、、脊线的中点、以及的最远脊点,获取7条等高线与基线的交点,其中,为第1条等高线与基线的交点,且为的最远脊点与连线的中点,为第2条等高线与基线的交点,且为,为第3条等高线与基线的交点,且为与脊线的中点连线的中点,为第4条等高线与基线的交点,且为脊线的中点,为第5条等高线与基线的交点,且为脊线的中点与连线的中点,为第6条等高线与基线的交点,且为,为第7条等高线与基线的交点,且为与的最远脊点连线的中点;
进一步地,所述平均纹理坡度的获取方法为:根据所述纹理特征向量,计算共用边缘线上各像素点对应的纹理坡度,将共用边缘线上所有像素点对应的平均纹理坡度记为共用边缘线对应的平均纹理坡度;
像素点的纹理坡度为:
式中,
进一步地,所述软硬度为:
本发明实施例至少具有如下有益效果:
本发明通过惩罚因子设置阈值,在一定程度上解决了由于矿石颗粒之间的堆叠出现的阴影区,导致同一块矿石颗粒的不同区域灰度分布不同,从而将同一块矿石颗粒划分为两块矿石颗粒的问题,同时,也能够有效避免由于矿石颗粒表面的裂纹将同一块矿石颗粒划分为两块矿石颗粒的问题。通过惩罚因子设置阈值也能够有效避免由于环境因素将两块矿石颗粒划分为一块矿石颗粒的问题。本发明能够更加准确的检测到矿石颗粒的矿石粒度。
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为本发明的一种矿石粒度检测方法实施例的方法流程图。
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,对依据本发明提出方案,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。
请参阅图1,其示出了本发明一个实施例提供的一种矿石粒度检测方法的方法流程图,该方法包括以下步骤:
步骤1,获取矿石的图像信息;并对图像信息进行预处理,得到灰度图像;将灰度图像划分为若干个超像素块;其中,相邻两超像素块之间具有一条共用边缘线。
具体地,利用相机获取矿石的图像信息,首先采用高斯滤波器去除图像信息中的噪声,然后采用最大值法对图像信息进行灰度化处理,得到灰度图像,最后采用直方图均衡化算法对灰度图像进行图像增强。
进一步地,采用超像素分割算法将灰度图像划分为若干个超像素块,本实施例中将超像素块的个数设置为800,其中,超像素分割算法为现有技术,不再赘述。
步骤2,根据共用边缘线上的各像素点的灰度值,计算各共用边缘线的梯度。
需要说明的是,共用边缘线上的像素点的梯度越大,共用边缘线对应的梯度越大,则对应两个相邻超像素块的相似度越高。在后续操作过程中,这两个超像素块被合并为一个新的超像素块的可能就越大;反之,这两个超像素块被合并为一个新的超像素块的可能就越小。
步骤3,任意选取两个相邻的超像素块作为待选区域,对待选区域进行滑窗操作,获取滑窗操作过程中每一个滑窗区域对应的灰度共生矩阵,进而计算待选区域中各像素点的纹理特征向量;基于纹理特征向量,计算共用边缘线的纹理相似度与平均纹理坡度;其中,滑窗操作过程中的窗口大小为n×n,n大于3。
本实施例中,滑窗操作过程中的窗口大小为5×5,在滑窗操作过程中,获取每一个滑窗区域对应的灰度共生矩阵,根据灰度共生矩阵,计算对应像素点的纹理特征向量;获取待选区域中所有像素点的纹理特征向量。
纹理相似度的获取方法为:将待选区域划分为8个等高区域,并将相邻的4个等高区域合并为一个渐变区域,即将第1个等高区域、第2个等高区域、第3个等高区域与第4个等高区域进行合并,得到第1个渐变区域,将第2个等高区域、第3个等高区域、第4个等高区域与第5个等高区域进行合并,得到第2个渐变区域,依次类推,共得到5个渐变区域,根据渐变区域中各像素点对应的纹理特征向量,计算各渐变区域对应的平均纹理特征;基于平均纹理特征,确定共用边缘线对应的纹理相似度。
其中,将待选区域划分为8个等高区域的具体步骤为:
3)根据的最远脊点、、脊线的中点、以及的最远脊点,获取7条等高线与基线的交点,其中,为第1条等高线与基线的交点,且为的最远脊点与连线的中点,为第2条等高线与基线的交点,且为,为第3条等高线与基线的交点,且为与脊线的中点连线的中点,为第4条等高线与基线的交点,且为脊线的中点,为第5条等高线与基线的交点,且为脊线的中点与连线的中点,为第6条等高线与基线的交点,且为,为第7条等高线与基线的交点,且为与的最远脊点连线的中点;
上述中获取等高线的方法为:获取基线与共用边缘线的交点,分别计算与交点的坐标差值,例如,交点与的坐标差值为:,其中,为与在x横上的坐标差值,为的x轴坐标值,为的x轴坐标值;;其中,为与在y横上的坐标差值,为的y轴坐标值,为的y轴坐标值;将共用边缘线上的各像素点移动按照坐标差值,进行移动,得到第1条等高线,依次类推,获取待选区域中的所有等高线。
上述中获取共用边缘线的纹理相似度的具体步骤为:根据渐变区域中各像素点对应的纹理特征向量,计算各渐变区域对应的平均纹理特征;平均纹理特征的计算方法为:根据渐变区域中所有像素点的纹理特征向量,计算所有纹理特征向量中每个维度对应元素的平均值,将平均值作为平均纹理特征的对应维度的元素,其中,平均纹理特征的维度与纹理特征向量的维度一一对应,纹理特征向量,为纹理特征向量的第1个维度,为纹理特征向量的第2个维度,为纹理特征向量的第3个维度,为纹理特征向量的第4个维度。
根据平均纹理特征,计算共用边缘线的纹理相似度。
纹理相似度的计算公式为:
需要说明的是,利用所有渐变区域的平均纹理特征计算纹理相似度,对平均纹理特征中的每一个维度都进行了计算,这样计算出的纹理相似度更能表征出相邻两超像素块中的纹理信息。纹理相似度能够更加真实地反映出相邻两超像素块的相似度。
具体地,平均纹理坡度的获取方法为:根据纹理特征向量,计算共用边缘线上各像素点对应的纹理坡度,将共用边缘线上所有像素点对应的平均纹理坡度记为该共用边缘线的平均纹理坡度;
像素点的纹理坡度为:
式中,
步骤4,基于梯度、纹理相似度以及纹理坡度,计算各共用边缘线对应的软硬度;将软硬度划分为不同的软硬度等级。
软硬度为:
软硬度越小,代表相邻两超像素块的共用边缘越不明显,相邻两超像素块属于同一块矿石颗粒的概率越高,反之,相邻两超像素块属于同一块矿石颗粒的概率越低。
步骤5,根据软硬度等级,设置不同的软硬度等级对应的惩罚因子,基于惩罚因子,计算各共用边缘线对应的阈值。
需要说明的是,不同的软硬度等级对应的不同的惩罚因子与不同的阈值,在后续的操作过程中,能够更加准确的得到矿石颗粒。
步骤6,计算相邻两超像素块对应灰度均值的差值,当差值小于所述阈值,则将所述相邻两超像素块进行合并,得到第一超像素块,然后计算与第一超像素块相邻的超像素块的灰度均值和第一超像素块的灰度均值的第一差值,当第一差值小于阈值,将该超像素块与第一超像素块进行合并,得到第二超像素块;依次类推,直至第N差值大于阈值,则第N超像素块为一块矿石颗粒;其中N大于1。
具体地,为了更加精确的得到矿石颗粒,保证超像素块在各个方向上均匀生长,本实施例并不是任意选择一块超像素块与其周围的超像素块计算对应灰度均值的差值,而是选择处于矿石颗粒内部的超像素块作为初始生长超像素块。
上述中选择初始生长超像素块的方法为:因为在矿石颗粒内部的超像素块与其相邻的超像素块的共用边缘线的软硬度比较低,所以本实施例计算与任一超像素块相邻的所有超像素块对应的共用边缘线的平均软硬度,作为该超像素块的平均软硬度;采用大津法对超像素块的平均软硬度进行平均软硬度阈值分割,将小于平均软硬度阈值的超像素块提取出来作为初始生长超像素块。平均软硬度阈值由实施者根据实际情况设定。
平均软硬度的计算公式为:,其中,为任一超像素块的平均软硬度,为与任一超像素块相邻的所有超像素块的总个数,为第a个超像素块与任一超像素块的共用边缘线的长度,为任一超像素块的边缘线的长度,为第a个超像素块与任一超像素块的共用边缘线的软硬度。其中,与任一超像素块相邻的所有超像素块对应的共用边缘线组成任一超像素块的边缘线。
进一步地,以初始生长超像素块为中心,计算初始生长超像素块的灰度均值,灰度均值为初始生长超像素块中所有像素点灰度值的平均值;然后计算初始生长超像素块周围超像素块的灰度均值,计算周围超像素块的灰度均值与初始生长超像素块的灰度均值的差值,比较差值与对应阈值的大小,本实施例认为差值小于对应阈值的周围超像素块满足初始生长超像素块的生长准则,并将满足生长准则对应的周围超像素块与初始生长超像素块进行合并,得到第一超像素块,然后判断第一超像素块的周围超像素块是否满足生长准则,即第一差值是否小于对应阈值,将满足生长准则的对应周围超像素块与第一超像素块进行合并,得到第二超像素块,依次类推,直至第N超像素块的周围超像素块均不满足生长准则,即第N差值大于对应阈值,则第N超像素块为一块矿石颗粒;
需要说明的是,步骤5已经明确指出不同的软硬度等级对应的不同的惩罚因子与不同的阈值,若超像素块与其相邻的超像素块的共用边缘线的软硬度的软硬度等级较高,则提升生长的“门槛”,即提出更严苛的生长准则,降低阈值;反之,降低生长的“门槛”,提出较为宽松的生长准则,增大阈值;采用这样的方法我们可以根据共用边缘线的软硬度自适应调节生长准则,在一定程度上解决了由于矿石颗粒之间的堆叠出现的阴影区,导致同一块矿石颗粒的不同区域灰度分布不同,从而将同一块矿石颗粒划分为两块矿石颗粒的问题,同时,也能够有效避免由于矿石颗粒表面的裂纹将同一块矿石颗粒划分为两块矿石颗粒的问题。自适应阈值也能够有效避免由于环境因素将两块矿石颗粒划分为一块矿石颗粒的问题。
步骤7,基于第N超像素块的面积,得到对应矿石颗粒的矿石粒度。
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 (4)
1.一种矿石粒度检测方法,其特征在于,该方法包括以下步骤:
获取矿石的图像信息;并对所述图像信息进行预处理,得到灰度图像;将所述灰度图像划分为若干个超像素块;其中,相邻两超像素块之间具有一条共用边缘线;
根据所述共用边缘线上的各像素点的灰度值,计算各共用边缘线的梯度;
任意选取两个相邻的超像素块作为待选区域,对待选区域进行滑窗操作,获取滑窗操作过程中每一个滑窗区域对应的灰度共生矩阵,进而计算待选区域中各像素点的纹理特征向量;基于所述纹理特征向量,计算所述共用边缘线的纹理相似度与平均纹理坡度;其中,滑窗操作过程中的窗口大小为n×n,n大于3;
所述纹理相似度的获取方法为:将所述待选区域划分为8个等高区域,并将相邻的4个等高区域合并为一个渐变区域,共得到5个渐变区域,根据渐变区域中各像素点对应的纹理特征向量,计算各渐变区域对应的平均纹理特征;基于所述平均纹理特征,确定共用边缘线对应的纹理相似度;
其中,将所述待选区域划分为8个等高区域的具体步骤为:
3)根据的最远脊点、、脊线的中点、以及的最远脊点,获取7条等高线与基线的交点,其中,为第1条等高线与基线的交点,且为的最远脊点与连线的中点,为第2条等高线与基线的交点,且为,为第3条等高线与基线的交点,且为与脊线的中点连线的中点,为第4条等高线与基线的交点,且为脊线的中点,为第5条等高线与基线的交点,且为脊线的中点与连线的中点,为第6条等高线与基线的交点,且为,为第7条等高线与基线的交点,且为与的最远脊点连线的中点;
所述平均纹理坡度的获取方法为:根据所述纹理特征向量,计算共用边缘线上各像素点对应的纹理坡度,将共用边缘线上所有像素点对应的平均纹理坡度记为共用边缘线对应的平均纹理坡度;
像素点的纹理坡度为:
式中,
基于所述梯度、纹理相似度以及平均纹理坡度,计算各共用边缘线对应的软硬度;将所述软硬度划分为不同的软硬度等级;
根据所述软硬度等级,设置不同的软硬度等级对应的惩罚因子,基于所述惩罚因子,计算各共用边缘线对应的阈值;
计算相邻两超像素块对应灰度均值的差值,当差值小于所述阈值,则将所述相邻两超像素块进行合并,得到第一超像素块,然后计算与第一超像素块相邻的超像素块的灰度均值和第一超像素块的灰度均值的第一差值,当第一差值小于阈值,将该超像素块与第一超像素块进行合并,得到第二超像素块;依次类推,直至第N差值大于阈值,超像素块,则第N超像素块为一块矿石颗粒;其中N大于1;
基于所述第N超像素块的面积,得到对应矿石颗粒的矿石粒度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211179270.4A CN115272319B (zh) | 2022-09-27 | 2022-09-27 | 一种矿石粒度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211179270.4A CN115272319B (zh) | 2022-09-27 | 2022-09-27 | 一种矿石粒度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272319A CN115272319A (zh) | 2022-11-01 |
CN115272319B true CN115272319B (zh) | 2022-12-20 |
Family
ID=83757620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211179270.4A Active CN115272319B (zh) | 2022-09-27 | 2022-09-27 | 一种矿石粒度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272319B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598025B (zh) * | 2022-12-13 | 2023-03-10 | 四川亿欣新材料有限公司 | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
CN116823827B (zh) * | 2023-08-29 | 2023-11-10 | 山东德信微粉有限公司 | 一种基于图像处理的矿石粉碎效果评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047555A (zh) * | 2019-11-13 | 2020-04-21 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
CN112330653A (zh) * | 2020-11-16 | 2021-02-05 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的矿石粒度在线检测方法 |
CN114627140A (zh) * | 2022-05-16 | 2022-06-14 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
-
2022
- 2022-09-27 CN CN202211179270.4A patent/CN115272319B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047555A (zh) * | 2019-11-13 | 2020-04-21 | 鞍钢集团矿业有限公司 | 基于图像处理技术的矿石图像粒度检测算法 |
CN112330653A (zh) * | 2020-11-16 | 2021-02-05 | 鞍钢集团矿业有限公司 | 一种基于图像识别技术的矿石粒度在线检测方法 |
CN114627140A (zh) * | 2022-05-16 | 2022-06-14 | 新风光电子科技股份有限公司 | 基于高压变频器的煤矿通风机智能调节方法 |
CN115049657A (zh) * | 2022-08-15 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种玻璃缺陷检测方法 |
CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115272319A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115272319B (zh) | 一种矿石粒度检测方法 | |
CN116310360A (zh) | 一种电抗器表面缺陷检测方法 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN115546203B (zh) | 基于图像数据算法的生产监测分析方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN115131375B (zh) | 一种矿石自动分割方法 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN109377450A (zh) | 一种边缘保护的去噪方法 | |
CN117745724B (zh) | 基于视觉分析的石材打磨加工缺陷区域分割方法 | |
CN115131351B (zh) | 基于红外图像的机油散热器检测方法 | |
CN111709964B (zh) | 一种pcba目标边缘检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN111242957A (zh) | 一种数据处理方法、装置及计算机存储介质和电子设备 | |
CN116703251A (zh) | 基于人工智能的胶圈生产质量检测方法 | |
CN115311280A (zh) | 一种碳化硅材质晶圆的缺陷检测方法 | |
CN114862902A (zh) | 一种基于四叉树的光照自适应orb特征提取和匹配方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
CN116630321A (zh) | 基于人工智能的桥梁健康智能监测系统 | |
CN115880181A (zh) | 一种增强图像对比度的方法、装置及终端 | |
CN113763404B (zh) | 基于优化标记和边缘约束分水岭算法的泡沫图像分割方法 | |
CN111223050A (zh) | 一种实时图像边缘检测算法 | |
CN112258534B (zh) | 一种超声图像中小脑蚓部的定位及分割方法 |
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 |