CN115409833B - 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 - Google Patents

基于反锐化掩模算法的光伏板的热斑缺陷检测方法 Download PDF

Info

Publication number
CN115409833B
CN115409833B CN202211331931.0A CN202211331931A CN115409833B CN 115409833 B CN115409833 B CN 115409833B CN 202211331931 A CN202211331931 A CN 202211331931A CN 115409833 B CN115409833 B CN 115409833B
Authority
CN
China
Prior art keywords
pixel point
gray
value
sliding window
illumination area
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
CN202211331931.0A
Other languages
English (en)
Other versions
CN115409833A (zh
Inventor
李家栋
江滨
朱仁慧
吴燕
吴军红
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.)
Yidao New Energy Technology Co ltd
Original Assignee
Das Solar 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 Das Solar Co Ltd filed Critical Das Solar Co Ltd
Priority to CN202211331931.0A priority Critical patent/CN115409833B/zh
Publication of CN115409833A publication Critical patent/CN115409833A/zh
Application granted granted Critical
Publication of CN115409833B publication Critical patent/CN115409833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

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

Abstract

本发明涉及图像数据处理领域，具体涉及一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，包括：获取校正后的光伏板区域红外灰度图；对灰度图进行滑窗，获取所有光照区域；对光照区域进行滑窗，得到各像素点的相似点连线方向及其累加标记值；利用各像素点的相似点连线方向的累加标记值、光照区域的最小外接矩形中与各像素点的相似点连线方向相同的方向上的像素点数量，得到光照区域各像素点的灰度趋势度；利用光照区域各像素点的灰度值、灰度趋势度，得到各像素点的增益权重值；利用各像素点的增益权重值得到图像增强后的灰度图；对图像增强后的灰度图进行阈值分割，获取热斑区域。上述方法用于检测光伏板的热斑缺陷，可提高检测准确度。

Description

基于反锐化掩模算法的光伏板的热斑缺陷检测方法
技术领域
本发明涉及图像数据处理领域，具体涉及一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法。
背景技术
随着科技的发展，光伏板的使用越来越广泛。在光伏板使用过程中，由于长期暴露在外界环境中，因此光伏板极易发生故障。光伏板热斑缺陷是危害最大且发生最频繁的缺陷之一。热斑缺陷会影响光伏板的发电效果以及使用寿命，也很容易引发火灾。因此，及时的识别定位光伏板热斑缺陷对于光伏板的使用极为重要。
现有的光伏板的热斑缺陷检测方法需要利用无人机采集红外图像，但是由于大气传输以及红外成像系统的影响，会使得采集的光伏板红外图像的清晰度下降，图像质量下降，因此现有的光伏板的热斑缺陷检测方法需要对光伏板红外图像进行图像增强，然后对增强后的红外图像进行阈值分割得到热斑缺陷区域。
现有的光伏板的热斑缺陷检测方法一般采用反锐化掩模算法对光伏板红外图像进行图像增强：通过对采集的光伏板的红外图像进行低通滤波处理，得到低频的模糊图像，并用原始图像减去该模糊图像得到图像中的高频信息；将加权处理的高频信息图像，与原始图像进行叠加，得到增强后的图像。但是，传统的反锐化掩模算法中，通过实施者自行设定增益权重值，并且每个像素点设置的增益权重值相同，在放大细节边缘信息的同时，还放大了无用信息的细节，比如光伏板的栅线和焊点的特征细节，进而容易降低阈值分割的准确度，从而降低光伏板的热斑缺陷检测的准确度。
发明内容
本发明提供一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，以解决现有的光伏板的热斑缺陷检测方法准确度低的问题。
为达到上述目的，本发明采用如下技术方案，
一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，包括：
获取校正后的待检测光伏板区域红外灰度图；
设置第一滑窗，对红外灰度图进行滑窗遍历，利用每个第一滑窗内所有像素点的灰度值均值对红外灰度图中的像素点进行合并，获取红外灰度图的所有光照区域；
设置第二滑窗，对每个光照区域进行滑窗遍历，利用每个第二滑窗内所有像素点的灰度值方差、每个第二滑窗内中心像素点与邻域像素点的灰度值相似度，得到每个光照区域中各像素点的所有相似点连线方向；
利用每个光照区域中各像素点的所有相似点连线方向上像素点的数量，得到每个光照区域中各像素点的所有相似点连线方向的累加标记值；
获取每个光照区域的最小外接矩形，利用每个光照区域中各像素点的所有相似点连线方向的累加标记值、每个光照区域的最小外接矩形中与各像素点的相似点连线方向相同的方向上的像素点数量，计算得到每个光照区域中各像素点的灰度趋势度；
利用每个光照区域中各像素点的灰度值、各像素点的灰度趋势度、每个光照区域中所有像素点的灰度值均值，计算得到每个光照区域中各像素点的增益权重值；
利用每个光照区域中各像素点的增益权重值得到图像增强后的红外灰度图；
对图像增强后的红外灰度图进行阈值分割，获取待检测光伏板的热斑缺陷区域。
进一步的，所述红外灰度图的所有光照区域是按照如下方式获取：
设置第一滑窗，以红外灰度图中各像素点为第一滑窗的中心像素点，对红外灰度图进行遍历；
利用每一个第一滑窗内像素点的灰度值均值与相邻第一滑窗内像素点灰度值均值的差值判断每一个第一滑窗内的像素点与其相邻的第一滑窗内容的像素点是否为同一光照区域，依次完成对红外灰度图像中的所有光照区域的分割。
进一步的，还包括：每一个第一滑窗内像素点的灰度值均值与相邻第一滑窗内像素点灰度值均值的差值小于灰度值差值阈值时，将第一滑窗内像素点和相邻第一滑窗内像素点合并为同一光照区域。
进一步的，还包括：当每一个第一滑窗内像素点的灰度值均值与相邻第一滑窗内像素点灰度值均值的差值大于灰度值差值阈值时；
获取相邻第一滑窗的下一个滑窗，并利用第一滑窗内像素点的灰度值均值与下一个滑窗内像素点的均值的差值判断和第一滑窗内像素点和相邻第一滑窗内像素点是否属于同一光照区域。
进一步的，所述每个光照区域中各像素点的所有相似点连线方向的累加标记值是按照如下方式得到：
设置第二滑窗，以每个光照区域中各像素点为中心像素点进行滑窗遍历；
利用每个第二滑窗中像素点的灰度值的方差及该第二滑窗内像素点的灰度相似性确定出每个第二滑窗中的连接像素点；
并将每个第二滑窗中的连接像素点与第二滑窗的中心像素点进行相连，得到每个第二滑窗中的多个相似点连线方向；并对每个第二滑窗中的每个连相似点连线方向进行赋值得到初始累加标记值；
当相邻两个第二滑窗中的多个连接方向发生重合，则将该重合的连接方向进行合并，并在该连相似点连线方向上的初始累加标记值中增加累加标记值；依次获得每个光照区域中所有连相似点连线方向的累加标记值；
确定光照区域中各像素点的所有相似点连线方向的累加标记值。
进一步的，所述每个光照区域中各像素点的灰度趋势度是按照如下方式得到：
对每个光照区域进行如下操作：
将光照区域中的任意像素点作为第三像素点；
获取光照区域的最小外接矩形；
统计最小外接矩形中与第三像素点的各相似点连线方向相同的方向上的像素点数量；
利用第三像素点的各相似点连线方向的累加标记值、最小外接矩形中与第三像素点的各相似点连线方向相同的方向上的像素点数量，计算得到第三像素点的灰度趋势度；
按照得到第三像素点的灰度趋势度的方法得到光照区域中每个像素点的灰度趋势度。
进一步的，所述每个光照区域中各像素点的增益权重值的表达式如下：
Figure 847149DEST_PATH_IMAGE001
式中，
Figure 961692DEST_PATH_IMAGE002
表示第u个光照区域中第i个像素点的增益权重值，
Figure 944692DEST_PATH_IMAGE003
表示第u个光照区域中第i个像素点的灰度趋势度，e表示自然常数，
Figure 808743DEST_PATH_IMAGE004
表示超参数，
Figure 357536DEST_PATH_IMAGE005
表示第u个光照区域中第i个像素点的灰度值，
Figure 648840DEST_PATH_IMAGE006
表示第u个光照区域中所有像素点的灰度值均值。
进一步的，所述待检测光伏板的热斑缺陷区域是按照如下方式获取：
利用每个光照区域中各像素点的增益权重值、红外灰度图中各像素点的灰度值，得到图像增强后的红外灰度图；
利用大津算法对图像增强后的红外灰度图进行阈值分割，得到第一分割阈值和第二分割阈值；
获取图像增强后的红外灰度图中灰度值
Figure 384715DEST_PATH_IMAGE007
第二分割阈值的像素点，将灰度值
Figure 318036DEST_PATH_IMAGE007
第二分割阈值的像素点组成的区域作为待检测光伏板的热斑缺陷区域。
进一步的，所述校正后的待检测光伏板区域红外灰度图是按照如下方式获取：
采集待检测光伏板的红外图像；
对待检测光伏板的红外图像进行畸变校正，得到校正后的待检测光伏板的红外图像；
对校正后的待检测光伏板的红外图像进行语义分割，得到校正后的待检测光伏板区域红外图像；
对校正后的待检测光伏板区域红外图像进行灰度化处理，获取校正后的待检测光伏板区域红外灰度图。
本发明的有益效果是：本发明根据每个光照区域的灰度值特性进行区域的划分，在进行区域划分的过程中，排除了栅线和焊点高灰度值的影响，使得区域划分更加准确。根据每个像素点所在区域特性，以及像素点自身的灰度趋势度特性，自适应计算每个像素点的增益权重值。不仅考虑了像素点的邻域灰度分布特性，并且同时考虑了邻域的灰度分布特性，相较于传统的反锐化掩模算法，本发明的计算方法更加准确，且反锐化掩模算法结果精度更高，增强效果更好。本发明通过提高图像增强效果，使得阈值分割准确度提高，进而提高热斑缺陷检测的准确度。
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，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为本发明实施例提供的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法流程示意图；
图2为本发明实施例提供的一种第一滑窗操作过程示意图；
图3为本发明实施例提供的一种第一滑窗操作过程中的窗口1的示意图；
图4为本发明实施例提供的一种第一滑窗操作过程中的窗口2的示意图；
图5为本发明实施例提供的一种第一滑窗操作过程中的窗口3的示意图；
图6为本发明实施例提供的一种第一滑窗操作过程中的窗口4的示意图；
图7为本发明实施例提供的一种第一滑窗操作过程中的窗口5的示意图；
图8为本发明实施例提供的一种第一滑窗操作过程中的窗口6的示意图；
图9为本发明实施例提供的一种第二滑窗示意图；
图10为本发明实施例提供的另一种第二滑窗示意图。
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。
本发明的主要目的是：对经过预处理后的光伏板红外图像，根据光伏板表面不同光照区域的灰度分布特性，以及不同区域的像素点的邻域灰度分布以及对应的邻域的灰度分布，计算像素点的灰度趋势度。根据像素点所属区域的区域特性以及像素点的灰度趋势度进行增益权重值计算，进而通过自适应反锐化掩模算法进行图像增强，进而精准识别光伏板的热斑区域。
在采集的无人机红外图像中，由于大气传输以及红外成像系统的影响，会使得采集的光伏板红外图像的清晰度下降，图像质量下降，因此在进行光伏板的缺陷检测过程中，会造成光伏板热斑缺陷检测结果不准确。
本发明的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法的实施例，如图1所示，包括：
S101、获取校正后的待检测光伏板区域红外灰度图。
本实施例利用无人机采集光伏板的红外图像。其中无人机的飞行参数根据具体实施情况而定，本实施例不进行具体说明。由于无人机的飞行高度以及红外相机的角度参数的影响，在采集的红外图像中会发生图像畸变，因此在进行光伏板热斑识别的过程中，需要先对图像进行畸变校正。本实施例畸变校正采用现有的无控制点的无人机图像畸变校正方法：通过使用无人机航拍信息进行图像畸变校正，即通过获取无人机飞行过程中的俯仰角、翻滚角、航偏角以及航高信息进行图像的畸变校正，无人机航拍信息可以通过无人机飞行参数获取。
对校正之后的图像进行语义分割处理，具体的内容为：
语义分割所用的数据集为经过校正之后的光伏板红外图像；
对图像中像素点进行人工标注，其中将图像像素点分为两类，一类为背景区域，人工标注为0；一类为光伏板区域，人工标注为1；
本实施例所述的语义分割网络为
Figure 455756DEST_PATH_IMAGE008
网络，对应的损失函数为交叉熵函数。
对语义分割后的图像进行灰度化处理，获取校正后的待检测光伏板区域红外灰度图。
S102、设置第一滑窗，对红外灰度图进行滑窗遍历，利用每个第一滑窗内所有像素点的灰度值均值对红外灰度图中的像素点进行合并，获取红外灰度图的所有光照区域。
需要说明的是：通过反锐化掩模算法进行光伏板红外图像的增强处理，使得在检测光伏板热斑缺陷时更加准确。而反锐化掩模算法中若对图像边缘细节进行统一增强，会影响热斑缺陷检测精度，因此本实施例根据每个像素点的特性计算各自对应的反锐化掩模的增益权重值。
由于大气传输以及红外成像系统的影响，会使得采集的光伏板红外图像的清晰度下降，图像质量下降，因此在进行光伏板的缺陷检测过程中，会造成光伏板热斑缺陷检测结果不准确。反锐化掩模是一种常用的增强图像中的边缘细节信息的算法，通过对采集的光伏板的红外图像进行低通滤波处理，得到低频的模糊图像，并用原始图像减去该模糊图像得到图像中的高频信息；将加权处理的高频信息图像，与原始图像进行叠加，得到增强后的图像，其中反锐化掩模算法的计算公式的表达式为：
Figure 917961DEST_PATH_IMAGE009
式中，
Figure 406711DEST_PATH_IMAGE010
表示采集的光伏板红外原始图像；
Figure 612565DEST_PATH_IMAGE011
表示经过增强后的光伏板红外原始图像；
Figure 604792DEST_PATH_IMAGE012
表示高频信息增益权重值；
Figure 769057DEST_PATH_IMAGE013
表示图像中的高频信息。
然而该方法会对所有的图像边缘细节进行统一增强，同样会影响热斑缺陷检测精度。因此本实施例中根据图像中每个像素点的特性计算各自对应的反锐化掩模的增益权重值。
由于光伏板在不同的光照区域下，会在光伏板上产生不同的温度区域，对应的区域灰度分布特性也不同，因此需要进行像素点的区域划分。通过计算灰度趋势度表征每个像素点的邻域灰度分布以及对应的邻域的灰度分布，灰度趋势度越大，表明当前像素点的趋势分布连续。
根据每个光照区域的灰度值特性进行区域的划分，在进行区域划分的过程中，排除了栅线和焊点高灰度值的影响，使得区域划分更加准确。通过灰度趋势度表征每个像素点的邻域灰度分布以及对应的邻域的灰度分布，即用于表征像素点的周期分布性，进而计算增益权重值的权重系数值。
本实施例中图像的高频信息包括光伏板的细节边缘信息以及热斑细节信息。而光伏板的细节边缘信息包括本身栅线信息以及焊点信息；热斑细节信息包括光伏板上热斑的边缘信息。基于此，本实施例通过计算每个像素点的灰度趋势度来计算不同像素点的反锐化掩膜算法中的增益权重值。其中灰度趋势度表征每个像素点的邻域灰度分布以及对应的邻域的灰度分布，灰度趋势度越大，表明当前像素点的趋势分布连续。另外，由于光伏板在不同的光照区域下，会在光伏板上产生不同的温度区域，即在采集的光伏板的红外图像中产生不同的灰度区域，对应的焊点信息和栅线信息也不相同。因此对于得到的图像进行区域划分，并根据区域特征以及同区域的像素点的灰度趋势度计算像素点的增益权重值。
首先需要对采集的光伏板的红外图像进行区域划分，对处理得到的光伏板图像进行区域划分，设置第一滑窗，所述第一滑窗的大小为
Figure 479524DEST_PATH_IMAGE014
，且以红外灰度图中各像素点为中心像素点。
将红外灰度图左上角的像素点作为起始点，按照从左至右，从上至下的方式对红外灰度图进行滑窗遍历。
统计每个像素点的
Figure 489068DEST_PATH_IMAGE014
滑窗内的灰度值均值，若当前滑窗的灰度值均值与下一个滑窗的灰度值均值存在较大的差异，则对应的当前滑窗的像素点与下一个滑窗的像素点不属于同一个区域。而在进行滑窗过程中，由于栅线和焊点的影响（高灰度），会对统计过程造成错误计算，因此，本实施例根据栅线和焊点的周期性特征以及栅线和焊点的高灰度值的特征，在统计滑窗均值时增加判定条件：
设置灰度值差值阈值A’， A’可根据实施者具体实施情况而定，本实施例给出经验参考值A’=25。
对于行方向，若当前像素点对应的滑窗的灰度值均值与前一个像素点对应的滑窗的灰度值均值较大，记录上一个像素点的坐标，记为
Figure 601381DEST_PATH_IMAGE015
；继续滑窗操作计算均值，若再一次发生当前像素点的滑窗的灰度值均值与前一个像素点对应的滑窗的灰度值均值差异较大，比较当前像素点的滑窗灰度值均值与记录的像素点
Figure 405388DEST_PATH_IMAGE015
对应的滑窗灰度值均值，若两者差异较小，则继续滑窗计算，当前像素点与像素点
Figure 868731DEST_PATH_IMAGE015
均为同一个区域，即为中间夹杂的像素点也同为一个区域；若两者差异较大，则像素点
Figure 416387DEST_PATH_IMAGE015
为区域边缘像素点。类似此操作，列方向同样进行此操作。
如图2所示，为第1个光照区域中第一滑窗操作过程示意图。如图3-图8所示，分别为第1个光照区域中第一滑窗操作过程中的窗口1-6的示意图。
在滑窗过程中，首先分别计算窗口1和窗口2之间的灰度值均值，并计算得到两个滑窗之间的灰度值均值差异，两个滑窗之间的灰度值均值差异大于所设置的灰度值差值阈值，因此将窗口1的中心像素点标记为B像素点；继续进行类似滑窗操作，窗口2和窗口3之间的灰度值均值差异小于所设置的灰度值差值阈值，继续滑窗；直到窗口5和窗口6之间的灰度值均值差异大于所设置的灰度值差值阈值，则将窗口6与窗口1进行灰度值均值比较，两者差异值小于所设置的灰度值差值阈值，则表明窗口6的中心像素点与窗口1的中心像素点B属于同一个区域。
至此，将同属于一个区域的像素点进行合并，获取红外灰度图的所有光照区域。
S103、设置第二滑窗，对每个光照区域进行滑窗遍历，利用每个第二滑窗内所有像素点的灰度值方差、每个第二滑窗内中心像素点与邻域像素点的灰度值相似度，得到每个光照区域中各像素点的所有相似点连线方向及其累加标记值。
通过每个像素点的邻域信息计算每个像素点的灰度趋势度，灰度趋势度越大，表明该像素点越呈现周期性。
具体的是设置第二滑窗，所述第二滑窗的大小为3×3，以每个光照区域中各像素点为中心像素点进行滑窗遍历；在遍历的过程中提高一种遍历的实施例，将光照区域左上角的像素点作为起始点，按照从左至右，从上至下的方式对光照区域进行滑窗遍历。
利用每个第二滑窗中像素点的灰度值的方差及该第二滑窗内像素点的灰度相似性确定出每个第二滑窗中的连接像素点；
具体的是，计算每个遍历像素点对应的第二滑窗内所有像素点的灰度值方差
Figure 648785DEST_PATH_IMAGE016
，并设置方差阈值
Figure 889274DEST_PATH_IMAGE017
，
Figure 308754DEST_PATH_IMAGE017
可根据实施者具体实施情况而定，本实施例给出经验参考值
Figure 660100DEST_PATH_IMAGE018
，其中
Figure 481426DEST_PATH_IMAGE019
表示光照区域内所有像素点的灰度值均值。
获取满足方差阈值的遍历像素点集
Figure 627236DEST_PATH_IMAGE020
。对大于方差阈值的遍历像素点进行灰度值相似度计算。计算当前滑窗内邻域像素点与中心像素点之间的灰度值相似度，其中满足方差阈值的遍历像素点对应的第二滑窗内中心像素点
Figure 534013DEST_PATH_IMAGE021
与第
Figure 689050DEST_PATH_IMAGE022
个邻域像素点的灰度值相似度
Figure 630462DEST_PATH_IMAGE023
的计算表达式为：
Figure 212753DEST_PATH_IMAGE024
式中，
Figure 606825DEST_PATH_IMAGE025
表示满足方差阈值的遍历像素点对应的第二滑窗内中心像素点的灰度值，
Figure 299974DEST_PATH_IMAGE026
表示满足方差阈值的遍历像素点对应的第二滑窗内第
Figure 95892DEST_PATH_IMAGE022
个邻域像素点的灰度值。e表示自然常数。此处的含义为：中心像素点的灰度值与滑窗内邻域像素点的灰度值差异越小，表明两个像素点之间灰度值越相似，表明灰度值相似度越大。通过
Figure 849084DEST_PATH_IMAGE027
指数函数，将灰度值差异值映射至0-1范围内，随着灰度值差异越小，灰度值相似度越大。
设置灰度值相似度阈值
Figure 996032DEST_PATH_IMAGE028
，D可根据实施者具体实施情况而定，本实施例给出经验参考值
Figure 758452DEST_PATH_IMAGE029
。
在满足方差阈值的遍历像素点对应的第二滑窗的邻域像素点中标记大于灰度值相似度阈值的像素点。在当前第二滑窗内这些标记过的像素点中，若其中一些像素点周围存在没有标记过的点作为连接像素点；记作第二滑窗内的连接点集
Figure 408876DEST_PATH_IMAGE030
；
并将每个第二滑窗中的连接像素点与第二滑窗的中心像素点进行相连，得到每个第二滑窗中的多个相似点连线方向；并对每个第二滑窗中的每个连相似点连线方向进行赋值得到初始累加标记值；
当相邻两个第二滑窗中的多个连接方向发生重合，则将该重合的连接方向进行合并，并在该连相似点连线方向上的初始累加标记值中增加累加标记值；依次获得每个光照区域中所有连相似点连线方向的累加标记值；
确定光照区域中各像素点的所有相似点连线方向的累加标记值
具体的是，将每个第二滑窗内的连接像素点分别与第二滑窗内的中心像素点进行连接，得到相似点连线，再分别以连接点集
Figure 327110DEST_PATH_IMAGE030
中的像素点进行下一滑窗的计算，类似连接点集
Figure 695775DEST_PATH_IMAGE030
计算得到连接点集
Figure 996306DEST_PATH_IMAGE031
。以连接线
Figure 766816DEST_PATH_IMAGE032
（角度为
Figure 861811DEST_PATH_IMAGE033
）为例，设置当前连接线方向的累加标记值
Figure 983351DEST_PATH_IMAGE034
，若连接点集
Figure 821994DEST_PATH_IMAGE031
中存在于上一滑窗的相同连接线方向，则累加标记值
Figure 447010DEST_PATH_IMAGE035
。继续下一滑窗计算，直到当前滑窗内不存在满足上述条件的像素点，获取当前的最终累加标记值
Figure 712906DEST_PATH_IMAGE036
。类似此操作，以连接线
Figure 56163DEST_PATH_IMAGE037
的方向进行计算，得到其他连接线的最终累加标记值
Figure 698497DEST_PATH_IMAGE038
、
Figure 443599DEST_PATH_IMAGE039
、…。
如图9所示为第二滑窗的示意图，图10所示为第2个光照区域中第10个像素点对应的第二滑窗示意图。如图9和图10所示，对于第2个光照区域中第10个像素点，该像素点g0的灰度值为130，以该点为中心像素点，分别计算灰度值相似度，满足阈值条件的像素点的分别为g2、g3、g5、g7和g8，则对应的连接点集
Figure 880396DEST_PATH_IMAGE030
为g2和g7，则其中对应的连接线
Figure 710949DEST_PATH_IMAGE037
为g2-g0，连接线
Figure 891395DEST_PATH_IMAGE040
为g7-g0。接下来以g2为中心像素点分析连接特性，同样得到连接点集
Figure 491003DEST_PATH_IMAGE031
，若连接点集
Figure 98702DEST_PATH_IMAGE031
中存在与
Figure 416551DEST_PATH_IMAGE037
连接线方向相同的像素点，记为g2’，则设置的连接线
Figure 135108DEST_PATH_IMAGE037
（角度为
Figure 589224DEST_PATH_IMAGE033
）的累加标记值
Figure 633403DEST_PATH_IMAGE041
，则
Figure 438548DEST_PATH_IMAGE042
，继续以g2’为滑窗下一次计算。类似此操作，得到最终的
Figure 960796DEST_PATH_IMAGE036
的值，记
Figure 534997DEST_PATH_IMAGE037
方向（角度为
Figure 484498DEST_PATH_IMAGE033
）的最终累加标记值。
S104、获取每个光照区域的最小外接矩形，利用每个光照区域中各像素点的所有相似点连线方向的累加标记值、每个光照区域的最小外接矩形中与各像素点的相似点连线方向相同的方向上的像素点数量，计算得到每个光照区域中各像素点的灰度趋势度。
获取光照区域的最小外接矩形。则对应的第
Figure 245781DEST_PATH_IMAGE043
个光照区域中的第
Figure 837299DEST_PATH_IMAGE044
个像素点的灰度趋势度的计算表达式为：
Figure 427DEST_PATH_IMAGE045
式中，
Figure 386409DEST_PATH_IMAGE003
表示第
Figure 900567DEST_PATH_IMAGE043
个光照区域中的第
Figure 30197DEST_PATH_IMAGE044
个像素点的灰度趋势度，
Figure 47832DEST_PATH_IMAGE046
表示第
Figure 870294DEST_PATH_IMAGE043
个光照区域中的第
Figure 606169DEST_PATH_IMAGE044
个像素点的第
Figure 539490DEST_PATH_IMAGE047
个连接线方向为
Figure 411631DEST_PATH_IMAGE048
的累加标记值；
Figure 404995DEST_PATH_IMAGE049
表示第
Figure 628166DEST_PATH_IMAGE043
个光照区域中的最小外接矩形的方向为
Figure 834019DEST_PATH_IMAGE048
的区域大小（即该方向的像素点数量）；
Figure 560667DEST_PATH_IMAGE050
表示方向的数量，即8个角度方向。其中，若当前像素点满足设置的条件的累加标记值越多，表明当前像素点越呈现趋势性变化，则对应的像素点更呈现方向性特征，对应的本实施例中的光伏板图像表现为周期性特征。对应在各个光照区域中，由于光照区域为不规则的形状，因此通过获取光照区域的最小外接矩形，代表该光照区域。计算最小外接矩形的每个方向上累加标记值占该方向上所有像素点数量的比例，来表征当前像素点的趋势性，比例越大，当前像素点的趋势性越大。
至此，可以得到不同光照区域中每个像素点的灰度趋势度，其中像素点的灰度趋势度越大，则表明该像素点与其周围邻域像素点以及对应的邻域的灰度分布越呈现规律性变化。
S105、利用每个光照区域中各像素点的灰度值、各像素点的灰度趋势度、每个光照区域中所有像素点的灰度值均值，计算得到每个光照区域中各像素点的增益权重值。
根据像素点所属区域的区域特性以及像素点的灰度趋势度进行增益权重值计算。若当前像素点与其所在区域的像素点的灰度值差异越大，则对应的增益权重值较大。通过获取的灰度趋势度，进行增益权重值的调整，灰度趋势度越大，则对应的调整后的增益权重值越小。
根据每个像素点所在区域特性，以及像素点自身的灰度趋势度特性，自适应计算每个像素点的增益权重值。相较于仅考虑当前像素点的邻域分布特性的计算方法更加准确，且反锐化掩模算法结果精度更高，增强效果更好。
根据每个像素点的灰度趋势度计算每个像素点的自适应反锐化掩膜。本实施例根据像素点所属区域的区域特性以及像素点的灰度趋势度进行增益权重值计算，其中第
Figure 459353DEST_PATH_IMAGE043
个光照区域的第
Figure 187398DEST_PATH_IMAGE044
个像素点的增益权重值
Figure 196942DEST_PATH_IMAGE002
的计算表达式为：
Figure 309255DEST_PATH_IMAGE001
式中，
Figure 378842DEST_PATH_IMAGE003
表示第
Figure 576605DEST_PATH_IMAGE043
个光照区域的第
Figure 124261DEST_PATH_IMAGE044
个像素点的灰度趋势度；
Figure 91080DEST_PATH_IMAGE005
表示第
Figure 331569DEST_PATH_IMAGE043
个光照区域的第
Figure 16628DEST_PATH_IMAGE044
个像素点的灰度值；
Figure 633554DEST_PATH_IMAGE006
表示第
Figure 454879DEST_PATH_IMAGE043
个光照区域中所有像素点的灰度值均值；
Figure 131848DEST_PATH_IMAGE004
表示超参数，用于调整当前像素点的整体的增益权重值，防止增益权重值过大，可根据实施者具体实施情况而定，本实施例给出经验参考值
Figure 38625DEST_PATH_IMAGE051
。
Figure 193662DEST_PATH_IMAGE002
表示第
Figure 135074DEST_PATH_IMAGE043
个光照区域的第
Figure 717365DEST_PATH_IMAGE044
个像素点的增益权重值，e表示自然常数。其中，通过计算不同区域像素点的灰度值与其所处区域的灰度值均值之间的差异进行增益权重值计算，若当前像素点的灰度值与区域灰度值均值差异越大，表明当前像素点属于有用信息点，即对应本实施例中的栅线点、焊点以及光斑点区域，且对应的权重值越高。其次，为了保证光斑区域点的增益权重值较栅线点和焊点的增益权重值较高，即为了增大它们之间的灰度值差异值，此处通过计算灰度趋势度进行调整，灰度趋势度越大的像素点，越呈现周期性的变化，则对应的该像素点的调整后的增益权重值越小。
S106、利用每个光照区域中各像素点的增益权重值得到图像增强后的红外灰度图。
得到每个像素点的增益权重值后，根据反锐化掩模算法原理进行图像增强。至此，得到了增强后的光伏板的红外图像。
S107、对图像增强后的红外灰度图进行阈值分割，获取待检测光伏板的热斑缺陷区域。
得到了增强后的光伏板的热斑红外图像。通过多阈值分割方法，进行热斑的识别。具体内容为：通过大津阈值算法，确定多个分割阈值记为
Figure 111437DEST_PATH_IMAGE052
和
Figure 70166DEST_PATH_IMAGE053
，
Figure 866083DEST_PATH_IMAGE054
。将灰度值大于等于
Figure 619276DEST_PATH_IMAGE053
的像素点的像素值设置为1；将灰度值小于
Figure 766223DEST_PATH_IMAGE053
，并且大于等于
Figure 997484DEST_PATH_IMAGE052
的像素点的像素值设置为0.5，将灰度值小于
Figure 647909DEST_PATH_IMAGE052
的像素点的像素值设置为0。其中像素值为1的像素点为光伏板热斑区域的像素点。
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 (7)

1.一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，其特征在于，包括：
获取校正后的待检测光伏板区域红外灰度图；
设置第一滑窗，对红外灰度图进行滑窗遍历，利用每个第一滑窗内所有像素点的灰度值均值对红外灰度图中的像素点进行合并，获取红外灰度图的所有光照区域；
设置第二滑窗，对每个光照区域进行滑窗遍历，利用每个第二滑窗内所有像素点的灰度值方差、每个第二滑窗内中心像素点与邻域像素点的灰度值相似度，得到每个光照区域中各像素点的所有相似点连线方向；
利用每个光照区域中各像素点的所有相似点连线方向上像素点的数量，得到每个光照区域中各像素点的所有相似点连线方向的累加标记值；
获取每个光照区域的最小外接矩形，利用每个光照区域中各像素点的所有相似点连线方向的累加标记值、每个光照区域的最小外接矩形中与各像素点的相似点连线方向相同的方向上的像素点数量，计算得到每个光照区域中各像素点的灰度趋势度；
所述每个光照区域中各像素点的灰度趋势度是按照如下方式得到：
对每个光照区域进行如下操作：
将光照区域中的任意像素点作为第三像素点；
获取光照区域的最小外接矩形；
统计最小外接矩形中与第三像素点的各相似点连线方向相同的方向上的像素点数量；
利用第三像素点的各相似点连线方向的累加标记值、最小外接矩形中与第三像素点的各相似点连线方向相同的方向上的像素点数量，计算得到第三像素点的灰度趋势度；
按照得到第三像素点的灰度趋势度的方法得到光照区域中每个像素点的灰度趋势度；
利用每个光照区域中各像素点的灰度值、各像素点的灰度趋势度、每个光照区域中所有像素点的灰度值均值，计算得到每个光照区域中各像素点的增益权重值；
所述每个光照区域中各像素点的增益权重值的表达式如下：
Figure DEST_PATH_IMAGE001
式中，
Figure 359112DEST_PATH_IMAGE002
表示第u个光照区域中第i个像素点的增益权重值，
Figure DEST_PATH_IMAGE003
表示第u个光照区域中 第i个像素点的灰度趋势度，e表示自然常数，
Figure 197624DEST_PATH_IMAGE004
表示超参数，
Figure DEST_PATH_IMAGE005
表示第u个光照区域中第i 个像素点的灰度值，
Figure 774099DEST_PATH_IMAGE006
表示第u个光照区域中所有像素点的灰度值均值；
利用每个光照区域中各像素点的增益权重值得到图像增强后的红外灰度图；
对图像增强后的红外灰度图进行阈值分割，获取待检测光伏板的热斑缺陷区域。
2.根据权利要求1所述的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，其特征在于，所述红外灰度图的所有光照区域是按照如下方式获取：
设置第一滑窗，以红外灰度图中各像素点为第一滑窗的中心像素点，对红外灰度图进行遍历；
利用每一个第一滑窗内像素点的灰度值均值与相邻第一滑窗内像素点灰度值均值的差值判断每一个第一滑窗内的像素点与其相邻的第一滑窗内容的像素点是否为同一光照区域，依次完成对红外灰度图像中的所有光照区域的分割。
3.根据权利要求2所述的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，其特征在于，还包括：每一个第一滑窗内像素点的灰度值均值与相邻第一滑窗内像素点灰度值均值的差值小于灰度值差值阈值时，将第一滑窗内像素点和相邻第一滑窗内像素点合并为同一光照区域。
4.根据权利要求3所述的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，其特征在于，还包括：当每一个第一滑窗内像素点的灰度值均值与相邻第一滑窗内像素点灰度值均值的差值大于灰度值差值阈值时；
获取相邻第一滑窗的下一个滑窗，并利用第一滑窗内像素点的灰度值均值与下一个滑窗内像素点的均值的差值判断和第一滑窗内像素点和相邻第一滑窗内像素点是否属于同一光照区域。
5.根据权利要求1所述的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，其特征在于，所述每个光照区域中各像素点的所有相似点连线方向的累加标记值是按照如下方式得到：
设置第二滑窗，以每个光照区域中各像素点为中心像素点进行滑窗遍历；
利用每个第二滑窗中像素点的灰度值的方差及该第二滑窗内像素点的灰度相似性确定出每个第二滑窗中的连接像素点；
并将每个第二滑窗中的连接像素点与第二滑窗的中心像素点进行相连，得到每个第二滑窗中的多个相似点连线方向；并对每个第二滑窗中的每个连相似点连线方向进行赋值得到初始累加标记值；
当相邻两个第二滑窗中的多个连接方向发生重合，则将该重合的连接方向进行合并，并在该连相似点连线方向上的初始累加标记值中增加累加标记值；依次获得每个光照区域中所有连相似点连线方向的累加标记值；
确定光照区域中各像素点的所有相似点连线方向的累加标记值。
6.根据权利要求1所述的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，其特征在于，所述待检测光伏板的热斑缺陷区域是按照如下方式获取：
利用每个光照区域中各像素点的增益权重值、红外灰度图中各像素点的灰度值，得到图像增强后的红外灰度图；
利用大津算法对图像增强后的红外灰度图进行阈值分割，得到第一分割阈值和第二分割阈值；
获取图像增强后的红外灰度图中灰度值
Figure DEST_PATH_IMAGE007
第二分割阈值的像素点，将灰度值
Figure 966046DEST_PATH_IMAGE007
第二分 割阈值的像素点组成的区域作为待检测光伏板的热斑缺陷区域。
7.根据权利要求1所述的一种基于反锐化掩模算法的光伏板的热斑缺陷检测方法，其特征在于，所述校正后的待检测光伏板区域红外灰度图是按照如下方式获取：
采集待检测光伏板的红外图像；
对待检测光伏板的红外图像进行畸变校正，得到校正后的待检测光伏板的红外图像；
对校正后的待检测光伏板的红外图像进行语义分割，得到校正后的待检测光伏板区域红外图像；
对校正后的待检测光伏板区域红外图像进行灰度化处理，获取校正后的待检测光伏板区域红外灰度图。
CN202211331931.0A 2022-10-28 2022-10-28 基于反锐化掩模算法的光伏板的热斑缺陷检测方法 Active CN115409833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211331931.0A CN115409833B (zh) 2022-10-28 2022-10-28 基于反锐化掩模算法的光伏板的热斑缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211331931.0A CN115409833B (zh) 2022-10-28 2022-10-28 基于反锐化掩模算法的光伏板的热斑缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115409833A CN115409833A (zh) 2022-11-29
CN115409833B true CN115409833B (zh) 2023-01-31

Family

ID=84169084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211331931.0A Active CN115409833B (zh) 2022-10-28 2022-10-28 基于反锐化掩模算法的光伏板的热斑缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115409833B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861721B (zh) * 2023-02-28 2023-05-05 山东大佳机械有限公司 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN116030437B (zh) * 2023-03-29 2023-06-16 山东杨嘉汽车制造有限公司 基于图像处理的挂车角度识别方法
CN116109658B (zh) * 2023-04-07 2023-06-20 山东金大丰机械有限公司 基于5g技术的收割机控制数据处理方法
CN116823809B (zh) * 2023-08-23 2023-11-24 威海迈尼生物科技有限公司 一种微针贴片技术淡斑效果视觉检测方法
CN116883433B (zh) * 2023-09-05 2023-12-01 江苏惠汕新能源集团有限公司 一种光伏组件表面温度分布实时监测系统
CN116993643B (zh) * 2023-09-27 2023-12-12 山东建筑大学 基于人工智能的无人机摄影测量图像校正方法
CN117079197B (zh) * 2023-10-18 2024-03-05 山东诚祥建设集团股份有限公司 一种智慧工地管理方法及系统
CN117152146B (zh) * 2023-10-31 2024-03-12 深圳市爱卓依科技有限公司 基于图像处理的电子烟烟弹质量检测方法
CN117495798B (zh) * 2023-11-02 2024-05-03 微山县兄弟玻璃制品有限公司 一种阻燃玻璃纤维网格布的疵点检测方法
CN117197141B (zh) * 2023-11-07 2024-01-26 山东远盾网络技术股份有限公司 一种汽车零部件表面缺陷检测方法
CN117291922B (zh) * 2023-11-27 2024-01-30 浙江日井泵业股份有限公司 一种不锈钢多级泵叶轮缺陷视觉检测方法
CN117372435B (zh) * 2023-12-08 2024-02-06 智联信通科技股份有限公司 基于图像特征的连接器针脚检测方法
CN117455778B (zh) * 2023-12-21 2024-04-05 日照市茂源电子有限责任公司 一种基于图像增强的光学玻璃预制件检测方法及系统
CN117764893A (zh) * 2024-01-08 2024-03-26 惠州市惠阳区兆顺益五金加工有限公司 一种数控机床刀具磨损识别方法及系统
CN118014996B (zh) * 2024-04-08 2024-06-04 江苏卡欧万泓电子有限公司 一种基于图像识别的电能表电路板缺陷检测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6222173B1 (en) * 1997-10-09 2001-04-24 Agfa-Gevaert Image sharpening and re-sampling method
WO2010138121A1 (en) * 2009-05-28 2010-12-02 Hewlett-Packard Development Company, L.P. Image processing
CN104809713A (zh) * 2015-04-24 2015-07-29 上海理工大学 基于邻域信息与高斯滤波的cbct全景图非线性锐化增强方法
CN107301627A (zh) * 2017-06-26 2017-10-27 深圳市安健科技股份有限公司 动态图像反锐化掩模去伪影增强方法及装置
CN115115634A (zh) * 2022-08-30 2022-09-27 江苏华维光电科技有限公司 基于红外图像的光伏阵列热斑检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082504B (zh) * 2022-08-23 2022-11-11 菏泽学院 一种太阳能光伏板光斑识别方法
CN115170576B (zh) * 2022-09-09 2022-12-06 山东中发新材料科技有限公司 基于机器视觉的铝管表面缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6222173B1 (en) * 1997-10-09 2001-04-24 Agfa-Gevaert Image sharpening and re-sampling method
WO2010138121A1 (en) * 2009-05-28 2010-12-02 Hewlett-Packard Development Company, L.P. Image processing
CN104809713A (zh) * 2015-04-24 2015-07-29 上海理工大学 基于邻域信息与高斯滤波的cbct全景图非线性锐化增强方法
CN107301627A (zh) * 2017-06-26 2017-10-27 深圳市安健科技股份有限公司 动态图像反锐化掩模去伪影增强方法及装置
CN115115634A (zh) * 2022-08-30 2022-09-27 江苏华维光电科技有限公司 基于红外图像的光伏阵列热斑检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A Novel Approach for Mammogram Enhancement using Nonlinear Unsharp Masking and L0 Gradient Minimization";Divya Christopher 等;《ELSEVIER》;20201231;1848–1857 *
基于区域分割的自适应反锐化掩模算法;杨词银等;《光学精密工程》;20030425(第02期);82-86 *
基于邻域相关信息的X射线图像增强算法;桂志国等;《计算机工程与应用》;20100721(第21期);179-181 *
改进反锐化掩模的自适应图像增强算法;冯鸣等;《测试技术学报》;20200117(第01期);54-59 *

Also Published As

Publication number Publication date
CN115409833A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN115409833B (zh) 基于反锐化掩模算法的光伏板的热斑缺陷检测方法
CN108364280B (zh) 结构裂缝自动化描绘及宽度精准测量方法与设备
CN109507192B (zh) 一种基于机器视觉的磁芯表面缺陷检测方法
CN115222741A (zh) 一种电缆表面缺陷检测方法
CN110210477B (zh) 一种数字式仪表读数识别方法
CN110553665B (zh) 激光测距器光轴偏差自动测量装置及测量方法
CN115018828A (zh) 一种电子元器件的缺陷检测方法
CN114332650B (zh) 一种遥感图像道路识别方法及系统
CN115841434B (zh) 一种用于气体浓度分析的红外图像增强方法
CN113313677B (zh) 一种卷绕锂电池x光图像的质量检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN111598856A (zh) 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统
CN115049645B (zh) 一种太阳能电池板表面缺陷检测方法
CN109359604B (zh) 面向巡检机器人的阴影干扰下仪表识别方法
CN111968079B (zh) 基于断面局部极值及分段稀疏的三维路面裂缝提取方法
CN115909256A (zh) 基于道路视觉图像的道路病害检测方法
CN116228780A (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN117437191A (zh) 一种融合巡检图像与漏磁检测的钢轨表面检测方法及系统
CN115984255A (zh) 一种在线取能可移动智慧防振锤的缺陷识别方法
CN117705815B (zh) 一种基于机器视觉的印刷缺陷检测方法
CN117541582B (zh) 一种高频变频器igbt绝缘质量检测方法
CN111008967A (zh) 一种绝缘子rtv涂层缺陷识别方法
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN116258864A (zh) 一种村庄规划建设大数据管理系统
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 43 Bailing South Road, Quzhou City, Zhejiang Province 324022

Patentee after: Yidao New Energy Technology Co.,Ltd.

Address before: 324022 room 604, building 3, Donggang Third Road, green industry cluster, Qujiang District, Quzhou City, Zhejiang Province

Patentee before: A New Energy Technology (Quzhou) Co.,Ltd.