CN115314714B - 一种用于焊缝图像存储的数据压缩方法 - Google Patents

一种用于焊缝图像存储的数据压缩方法 Download PDF

Info

Publication number
CN115314714B
CN115314714B CN202211245061.5A CN202211245061A CN115314714B CN 115314714 B CN115314714 B CN 115314714B CN 202211245061 A CN202211245061 A CN 202211245061A CN 115314714 B CN115314714 B CN 115314714B
Authority
CN
China
Prior art keywords
central point
radius
point
image
adaptive
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
CN202211245061.5A
Other languages
English (en)
Other versions
CN115314714A (zh
Inventor
杨斌
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.)
Nantong Hushen Metal Products Co ltd
Original Assignee
Nantong Hushen Metal Products 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 Nantong Hushen Metal Products Co ltd filed Critical Nantong Hushen Metal Products Co ltd
Priority to CN202211245061.5A priority Critical patent/CN115314714B/zh
Publication of CN115314714A publication Critical patent/CN115314714A/zh
Application granted granted Critical
Publication of CN115314714B publication Critical patent/CN115314714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及电数字数据技术领域，具体涉及一种用于焊缝图像存储的数据压缩方法。该方法包括：获取待测的灰度图像；以灰度图像中每个像素点作为中心点，获取每个中心点对应的八邻域内的邻域像素点以及四邻域的邻域像素点，基于八邻域的邻域像素点与中心点的灰度值得到数据关联度；根据四邻域的邻域像素点的灰度值得到模糊必要性，结合数据关联度得到中心点的自适应半径；进而根据自适应半径进行密度聚类获取满意度；根据满意度对每个中心点的自适应半径进行优化得到最优半径；根据每个中心点对应的最优半径对灰度图像进行密度聚类，根据密度聚类结果对灰度图像进行压缩；密度聚类的效果更好，进而使得图像压缩的效率较高。

Description

一种用于焊缝图像存储的数据压缩方法
技术领域
本发明涉及电数字数据技术领域，具体涉及一种用于焊缝图像存储的数据压缩方法。
背景技术
在焊接过程中，需要利用计算机处理对工件焊缝位置的图像进行检测，而为了能够完整清晰的采集图像，会导致流水线相机铺货的图像文件都较大，直接传输时的传输速度慢，因此需要对图像进行压缩后再进行传输，以加快处理速度。
一般是通过密度对图像进行聚类，根据聚类的簇类结果进行压缩；但是通过密度聚类时需要对聚类的距离阈值进行调参，也即是对聚类半径进行调参，而现有技术通常是通过预设固定半径进行聚类，而变化的焊接材料和焊接工艺可能会导致图像发生变化，因此根据预设固定半径聚类效果不佳。
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用于焊缝图像存储的数据压缩方法，该方法包括以下步骤：
获取待测的焊缝图像，所述焊缝图像为灰度图像；
以所述灰度图像中每个像素点作为中心点，获取每个所述中心点对应的八邻域内的邻域像素点，基于邻域像素点的灰度值与所述中心点的灰度值得到所述中心点的数据关联度；
根据每个所述中心点对应的四邻域像素点的灰度值得到所述中心点的模糊必要性；根据所述数据关联度和所述模糊必要性得到所述中心点的自适应半径；
基于每个所述中心点的自适应半径进行密度聚类得到多个簇类，获取每个簇类对应的熵以及类间距离，计算每个簇类的熵与类间距离的乘积，所述乘积的倒数为簇类的满意度；根据所述满意度对簇类中每个中心点的自适应半径进行优化得到最优半径；
根据每个中心点对应的最优半径对灰度图像进行密度聚类，根据密度聚类结果对灰度图像进行压缩。
优选的，所述基于邻域像素点的灰度值与所述中心点的灰度值得到所述中心点的数据关联度的步骤，包括：
获取每个邻域像素点的灰度值与所述中心点的灰度值之间的差值绝对值，计算所有邻域像素点对应的差值绝对值的求和结果，以所述求和结果的负数作为幂指数，以自然常数e作为底数构建指数函数，所述指数函数为所述数据关联度。
优选的，所述根据每个所述中心点对应的四邻域像素点的灰度值得到所述中心点的模糊必要性的步骤，包括：
获取所述中心点与其对应的四邻域像素点之间的灰度值的差值绝对值，选取四个差值绝对值的最小值为所述模糊必要性。
优选的，所述根据所述数据关联度和所述模糊必要性得到所述中心点的自适应半径的步骤，包括：
获取所述中心点对应的数据关联度与所述模糊必要性的比值，所述比值为所述中心点的自适应半径。
优选的，所述根据所述满意度对簇类中每个中心点的自适应半径进行优化得到最优半径的步骤，包括：
设置第一阈值和第二阈值，计算第一阈值与所述满意度的第一乘积，计算第二阈值与所述自适应半径的第二乘积；所述第一乘积与所述第二乘积的乘积结果为最优半径。
本发明具有如下有益效果：通过对灰度图像中每个像素点与其邻域像素点之间的灰度值进行分析，获取每个像素点与其八邻域像素点之间的关联程度，将其作为像素点对应的数据关联度；然后根据像素点与其四邻域像素点之间的灰度值的变化得到模糊必要性，结合数据关联度和模糊必要性得到每个像素点对应的自适应半径，更加能反映出数据之间的紧密程度以及压缩必要程度，进而得到的自适应半径相较于固定半径的效果更好；然后根据每个像素点对应的自适应半径进行密度聚类分析满意度，基于满意度对自适应半径再次进行调节得到最优半径，使得半径的设置更加合理化，根据最优半径进行密度聚类的效果更好，进而使得图像压缩时的压缩效率较高。
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用于焊缝图像存储的数据压缩方法流程图。
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用于焊缝图像存储的数据压缩方法，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用于焊缝图像存储的数据压缩方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于焊缝图像存储的数据压缩方法流程图，该方法包括以下步骤：
步骤S100，获取待测的焊缝图像，焊缝图像为灰度图像。
具体的，实时采集流水线上的待测的焊缝图像；为保证焊缝图像后续分析的准确性，对焊缝图像进行滤波去噪等预处理，提高焊缝图像的质量；本发明实施例中采用X光采集，由于X光的成像特点，因此焊缝图像本身即为灰度图像，对灰度图像进行后续分析。
一般情况下，流水线中采集到的焊缝图像包括母材本身、焊缝区域以及缺陷区域；其中，母材本身与焊缝区域在图像中占较大一部分比例，缺陷区域属于图像中的偶发情况；因此可以构建灰度图像的灰度直方图，以清晰判断出不同区域在图像中的灰度值范围；通过灰度直方图可以直观看出母材本身和焊缝位置分别属于不同的灰度区间，以其中一个作为聚类起始点，可避免陷入局部最优解。
步骤S200，以灰度图像中每个像素点作为中心点，获取每个中心点对应的八邻域内的邻域像素点，基于邻域像素点的灰度值与中心点的灰度值得到中心点的数据关联度。
对图像压缩的目的是为了保留图像细节信息的同时，将低重要性的背景等位置增大数据冗余度，增加数据之间的相关性，以提高压缩效率；因此需要根据待压缩的灰度图像中不同位置的像素点特征分析其被压缩的必要程度。
由于压缩能够实现的条件之一是数据之间存在关联性，而灰度图像中的像素点往往是一堆离散的数据，直接进行压缩的压缩效率极低，因此需要将离散的像素点之间进行关联，以便于进行压缩。
对于灰度图像中的某一个像素点，其应该是可以被预见的属于某一类别，例如母材本身、焊缝区域或者缺陷区域；对于母材本身以及焊缝区域的非重点区域，应该增大这部分的数据关联度，对于重要的缺陷区域，应当不增加或者是减少数据关联度，数据关联度的获取方法为：
以每个像素点作为中心点，获取该中心点对应的八邻域中的邻域像素点，根据中心点与邻域像素点之间的灰度差值得到数据关联度，即数据关联度为：
Figure 670832DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示数据关联度；/>
Figure 179304DEST_PATH_IMAGE004
表示第/>
Figure DEST_PATH_IMAGE005
个中心点的灰度值；/>
Figure 811143DEST_PATH_IMAGE006
表示第/>
Figure 289529DEST_PATH_IMAGE005
个中心点对应的八邻域中第/>
Figure DEST_PATH_IMAGE007
个邻域像素点的灰度值；/>
Figure 839326DEST_PATH_IMAGE008
表示以自然常数e为底数的指数函数，用于表示负相关映射；/>
Figure DEST_PATH_IMAGE009
表示绝对值计算。
Figure 830285DEST_PATH_IMAGE010
代表八邻域中邻域像素点与中心点的差值；/>
Figure DEST_PATH_IMAGE011
代表差值的绝对值，该式的值越小，表示中心点与其八邻域中邻域像素点的像素值相差较小，即像素点在颜色空间内的距离紧凑。
通过计算数据关联度来衡量每个像素点与其邻域像素点之间的灰度值差异，表示了数据之间的紧密程度，为进行压缩的数据准备、后续增大数据冗余以及自适应半径的计算提供了参考依据。
步骤S300，根据每个中心点对应的四邻域像素点的灰度值得到中心点的模糊必要性；根据数据关联度和模糊必要性得到中心点的自适应半径。
由步骤S200中得到每个像素点的数据关联度，然后需要对图像进行模糊，以增大数据冗余，提高压缩效率；不同类别的像素点的模糊必要性不同，因此对每个像素点对应的模糊重要性进行获取。
获取每个像素点为中心点时的四邻域内的邻域像素点，根据四邻域内的邻域像素点与中心点之间的灰度差值得到模糊必要性，模糊必要性的具体计算为：
Figure DEST_PATH_IMAGE013
其中，
Figure 122988DEST_PATH_IMAGE004
表示第/>
Figure 405065DEST_PATH_IMAGE005
个中心点的灰度值；/>
Figure 355572DEST_PATH_IMAGE014
表示第/>
Figure 330481DEST_PATH_IMAGE005
个中心点的右相邻的邻域像素点的灰度值；/>
Figure DEST_PATH_IMAGE015
表示第/>
Figure 169868DEST_PATH_IMAGE005
个中心点的左相邻的邻域像素点的灰度值；
Figure 255636DEST_PATH_IMAGE016
表示第/>
Figure 60650DEST_PATH_IMAGE005
个中心点的下相邻的邻域像素点的灰度值；/>
Figure DEST_PATH_IMAGE017
表示第/>
Figure 894876DEST_PATH_IMAGE005
个中心点的上相邻的邻域像素点的灰度值；/>
Figure 801652DEST_PATH_IMAGE018
表示最小值函数。
通过模糊必要性可得到与中心点差值最小的邻域像素点的位置；以此类推，获取每个像素点对应的模糊必要性。
进一步的，获取到每个像素点的数据关联度和模糊必要性之后，根据数据关联度以及模糊必要性自适应设置每个像素点对应的半径，达到对于不同图像都可以比固定半径更好的聚类效果，自适应半径的具体获取方法为：
获取每个像素点对应的数据关联度与模糊必要性的比值，该比值为像素点对应的自适应半径，即自适应半径为：
Figure 159952DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE021
表示自适应半径；/>
Figure 288314DEST_PATH_IMAGE003
表示数据关联度；/>
Figure 358688DEST_PATH_IMAGE022
表示模糊必要性。
为保证后续数据处理更加方便，对每个像素点对应的自适应半径进行归一化处理，以使的自适应半径的数据处于合理区间，归一化的方法为：
Figure 221602DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示归一化后的自适应半径；/>
Figure 101702DEST_PATH_IMAGE026
表示自适应半径的最大值；/>
Figure DEST_PATH_IMAGE027
表示自适应半径的最小值。
由此可得到每个像素点对应的归一化后的自适应半径，后续进行处理分析的自适应半径均是归一化处理后的自适应半径。
步骤S400，基于每个中心点的自适应半径进行密度聚类得到多个簇类，获取每个簇类对应的熵以及类间距离，计算每个簇类的熵与类间距离的乘积，乘积的倒数为簇类的满意度；根据满意度对簇类中每个中心点的自适应半径进行优化得到最优半径。
对于自适应半径方法来说，需要判断用其进行聚类后的结果是否满意，因此需要对聚类结果计算满意度，对自适应半径方法进行评价，并对其进行优化，以便获得最优的自适应半径方法。现有技术对聚类结果进行评判一般使用簇类的熵跟类间距离进行评判，计算簇类的熵跟类间距离属于现有技术，在此不过多进行描述；使用现有技术进行评判，能够更加展示出自适应半径的方法相较于固定半径的优势。
具体的，利用每个中心点对应的自适应半径对灰度图像进行密度聚类得到多个簇类，利用现有计算每个簇类中的熵以及类间距离的方法，获取每个簇类的熵记为
Figure 789297DEST_PATH_IMAGE028
，类间距离记为/>
Figure DEST_PATH_IMAGE029
；则根据每个簇类的熵/>
Figure 463861DEST_PATH_IMAGE028
以及类间距离/>
Figure 814071DEST_PATH_IMAGE029
获取满意度为：
Figure DEST_PATH_IMAGE031
其中，
Figure 996397DEST_PATH_IMAGE032
表示满意度。
由此可得到每个簇类对应的满意度，根据每个簇类的满意度对该簇类每个中心点对应的自适应半径进行优化，具体优化方法为：
Figure 115663DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE035
表示优化后的自适应半径；/>
Figure 695549DEST_PATH_IMAGE032
表示满意度；/>
Figure 283787DEST_PATH_IMAGE025
表示优化前的自适应半径；/>
Figure 53160DEST_PATH_IMAGE036
、/>
Figure DEST_PATH_IMAGE037
表示人工设置的侧重阈值，分别记为第一阈值和第二阈值。
作为优选，本发明实施例中设置第一阈值
Figure 479462DEST_PATH_IMAGE038
，第二阈值/>
Figure DEST_PATH_IMAGE039
。
以此类推，对每个像素点对应的自适应半径进行优化，得到每个像素点对应的优化后的自适应半径记为最优半径。
步骤S500，根据每个中心点对应的最优半径对灰度图像进行密度聚类，根据密度聚类结果对灰度图像进行压缩。
由步骤S400中得到每个中心点对应的最优半径，利用每个中心点对应的最优半径对灰度图像进行密度聚类，从而得到聚类后的聚类结果；根据最终的密度聚类结果对灰度图像进行压缩处理，具体压缩方法为现有公知技术，不再赘述。
综上所述，本发明实施例中通过获取待测的焊缝图像，焊缝图像为灰度图像；以灰度图像中每个像素点作为中心点，获取每个中心点对应的八邻域内的邻域像素点，基于邻域像素点的灰度值与中心点的灰度值得到中心点的数据关联度；根据每个中心点对应的四邻域像素点的灰度值得到中心点的模糊必要性；根据数据关联度和模糊必要性得到中心点的自适应半径；基于每个中心点的自适应半径进行密度聚类得到多个簇类，获取每个簇类对应的熵以及类间距离，计算每个簇类的熵与类间距离的乘积，乘积的倒数为簇类的满意度；根据满意度对簇类中每个中心点的自适应半径进行优化得到最优半径；根据每个中心点对应的最优半径对灰度图像进行密度聚类，根据密度聚类结果对灰度图像进行压缩，提高了密度聚类的效果，进而保证了压缩的效率。
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。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 (1)

1.一种用于焊缝图像存储的数据压缩方法，其特征在于，该方法包括以下步骤：
获取待测的焊缝图像，所述焊缝图像为灰度图像；
以所述灰度图像中每个像素点作为中心点，获取每个所述中心点对应的八邻域内的邻域像素点，基于邻域像素点的灰度值与所述中心点的灰度值得到所述中心点的数据关联度；
根据每个所述中心点对应的四邻域像素点的灰度值得到所述中心点的模糊必要性；根据所述数据关联度和所述模糊必要性得到所述中心点的自适应半径；
基于每个所述中心点的自适应半径进行密度聚类得到多个簇类，获取每个簇类对应的熵以及类间距离，计算每个簇类的熵与类间距离的乘积，所述乘积的倒数为簇类的满意度；根据所述满意度对簇类中每个中心点的自适应半径进行优化得到最优半径；
根据每个中心点对应的最优半径对灰度图像进行密度聚类，根据密度聚类结果对灰度图像进行压缩；
其中，所述基于邻域像素点的灰度值与所述中心点的灰度值得到所述中心点的数据关联度的步骤，包括：
获取每个邻域像素点的灰度值与所述中心点的灰度值之间的差值绝对值，计算所有邻域像素点对应的差值绝对值的求和结果，以所述求和结果的负数作为幂指数，以自然常数e作为底数构建指数函数，所述指数函数为所述数据关联度；
所述根据每个所述中心点对应的四邻域像素点的灰度值得到所述中心点的模糊必要性的步骤，包括：
获取所述中心点与其对应的四邻域像素点之间的灰度值的差值绝对值，选取四个差值绝对值的最小值为所述模糊必要性；
所述根据所述数据关联度和所述模糊必要性得到所述中心点的自适应半径的步骤，包括：
获取所述中心点对应的数据关联度与所述模糊必要性的比值，所述比值为所述中心点的自适应半径；
所述根据所述满意度对簇类中每个中心点的自适应半径进行优化得到最优半径的步骤，包括：
设置第一阈值和第二阈值，计算第一阈值与所述满意度的第一乘积，计算第二阈值与所述自适应半径的第二乘积；所述第一乘积与所述第二乘积的乘积结果为最优半径。
CN202211245061.5A 2022-10-12 2022-10-12 一种用于焊缝图像存储的数据压缩方法 Active CN115314714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211245061.5A CN115314714B (zh) 2022-10-12 2022-10-12 一种用于焊缝图像存储的数据压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211245061.5A CN115314714B (zh) 2022-10-12 2022-10-12 一种用于焊缝图像存储的数据压缩方法

Publications (2)

Publication Number Publication Date
CN115314714A CN115314714A (zh) 2022-11-08
CN115314714B true CN115314714B (zh) 2023-03-28

Family

ID=83868246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211245061.5A Active CN115314714B (zh) 2022-10-12 2022-10-12 一种用于焊缝图像存储的数据压缩方法

Country Status (1)

Country Link
CN (1) CN115314714B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115578388B (zh) * 2022-12-07 2023-04-21 滨州华然化纤绳网有限公司 用于纺织生产的数据处理方法
CN115601362B (zh) * 2022-12-14 2023-03-21 临沂农业科技职业学院(筹) 一种基于图像处理的焊接质量评估方法
CN115880275B (zh) * 2023-01-06 2023-05-16 山东晋工科技有限公司 一种凿岩劈裂一体机的远程控制方法
CN115834895B (zh) * 2023-02-22 2023-12-15 上海每时每刻文化传播有限公司 用于无人机的数据高效压缩存储方法
CN116229335B (zh) * 2023-05-10 2023-07-21 山东大佳机械有限公司 基于图像数据的畜禽养殖场环境识别方法
CN116957524B (zh) * 2023-09-21 2024-01-05 青岛阿斯顿工程技术转移有限公司 一种技术转移过程中人才信息智能管理方法及系统
CN117743876A (zh) * 2023-12-22 2024-03-22 冻冻(北京)网络科技有限公司 基于云计算的智慧仓储数据优化管理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7822288B2 (en) * 2006-01-25 2010-10-26 Shell & Slate Software Corporation Method and system for improved processing of image data
CN115082445B (zh) * 2022-07-25 2022-11-08 山东鲁泰防水科技有限公司 一种建筑防水卷材表面缺陷检测方法
CN115131566A (zh) * 2022-07-25 2022-09-30 北京帝测科技股份有限公司 基于超像素和改进模糊c均值聚类的自动图像分割方法
CN114972345B (zh) * 2022-07-29 2022-10-21 南通永安纺织有限公司 基于自适应均值漂移聚类的纱线染色质量评估方法及系统

Also Published As

Publication number Publication date
CN115314714A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115314714B (zh) 一种用于焊缝图像存储的数据压缩方法
CN114972357B (zh) 一种基于图像处理的轧辊表面缺陷检测方法及系统
CN115294158A (zh) 一种基于机器视觉的热连轧带钢图像分割方法
CN114529549B (zh) 一种基于机器视觉的布匹缺陷标注方法及系统
US5872864A (en) Image processing apparatus for performing adaptive data processing in accordance with kind of image
JP4611069B2 (ja) 特定シーンの画像を選別する装置、プログラムおよびプログラムを記録した記録媒体
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及系统
CN113808138A (zh) 一种基于人工智能的电线电缆表面缺陷检测方法
CN116664559B (zh) 基于机器视觉的内存条损伤快速检测方法
CN115578374A (zh) 一种机械零件铸造质量评估方法与系统
CN115082451B (zh) 一种基于图像处理的不锈钢汤勺缺陷检测方法
CN115937204A (zh) 一种焊管生产质量检测方法
CN111932510B (zh) 一种图像清晰度的确定方法及装置
CN116091504B (zh) 基于图像处理的连接管连接头质量检测方法
CN115330767A (zh) 一种腐蚀箔生产异常识别方法
CN113610850B (zh) 一种基于图像处理的装饰纸纹理异常检测方法
CN115272312B (zh) 基于机器视觉的塑料手机外壳缺陷检测方法
CN116823822B (zh) 基于视觉特征的船艇钣金件焊接缺陷检测方法
CN115272335A (zh) 基于显著性检测的冶金金属表面缺陷检测方法
CN115564767B (zh) 基于机器视觉的电感绕线质量监测方法
CN116402810B (zh) 基于图像处理的润滑油抗磨粒质量检测方法
CN115496692A (zh) 一种润滑油磨粒图像增强方法
CN114549525B (zh) 一种基于改进canny算法的工业图像检测方法
CN117593193B (zh) 一种基于机器学习的钣金图像增强方法及系统
CN115511884B (zh) 基于计算机视觉的冲孔复合模表面质量检测方法

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