CN115439494B - 用于喷雾机质检的喷雾图像处理方法 - Google Patents

用于喷雾机质检的喷雾图像处理方法 Download PDF

Info

Publication number
CN115439494B
CN115439494B CN202211387850.2A CN202211387850A CN115439494B CN 115439494 B CN115439494 B CN 115439494B CN 202211387850 A CN202211387850 A CN 202211387850A CN 115439494 B CN115439494 B CN 115439494B
Authority
CN
China
Prior art keywords
pixel point
spray
spraying
image
value
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
CN202211387850.2A
Other languages
English (en)
Other versions
CN115439494A (zh
Inventor
张宏博
张玉宁
佟龙
张磊
梁东勋
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.)
Shandong Damuzhi Spraying Equipments Co ltd
Original Assignee
Shandong Damuzhi Spraying Equipments 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 Shandong Damuzhi Spraying Equipments Co ltd filed Critical Shandong Damuzhi Spraying Equipments Co ltd
Priority to CN202211387850.2A priority Critical patent/CN115439494B/zh
Publication of CN115439494A publication Critical patent/CN115439494A/zh
Application granted granted Critical
Publication of CN115439494B publication Critical patent/CN115439494B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于喷雾机质检的喷雾图像处理方法，该方法包括：获取喷雾机喷雾的图像，进而将图像中各喷雾区域预分割为固定数量的子区域，根据预分割得到子区域和对应的喷雾区域的像素值计算可分割系数，进而得到喷雾子区域；获取滤波窗口中所有像素点在三个通道下最小通道值，将滤波窗口内最小通道值的最小值对应的像素点记为初始像素点；根据滤波窗口的中心像素点与初始像素点对应的亮度通道值计算浓度相似性指数；根据浓度相似性指数和指数阈值确定滤波窗口的中心像素点的暗通道值，进而获得喷雾暗通道图像；利用喷雾暗通道图像获得真实喷雾区域，确定喷雾机的质量。本发明能够获得准确的喷雾机质检结果。

Description

用于喷雾机质检的喷雾图像处理方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种用于喷雾机质检的喷雾图像处理方法。
背景技术
喷雾效果的好坏主要受到喷雾装置的影响，现阶段常用的喷雾装置包括喷雾机、手持喷雾设备、工业喷油机等。喷雾装置的压力大小、动力强弱都会影响到喷雾形态。与此同时，同样能够通过喷雾图像对喷雾机的检测判断，通过喷雾机工作时的喷雾图像，获取喷雾图像的边界、喷雾贯穿度、喷雾面积的占比等参数特征值能够反映喷雾机中喷嘴设备的质量好坏。
为了提高喷雾机的工作效率，提高喷雾机的性能，利用喷雾图像完成对喷雾机的质检，通过质检结果反映喷雾机的工作性能是一种重要的技术手段。因此，对喷雾图像中的喷雾部分进行处理就显得尤为重要。现有技术中，常采用暗通道去雾算法提取图像中雾的相关信息，该算法并未考虑雾的浓度问题，使得对图像进行处理的结果不准确，进而使得对喷雾机的质量检测结果也不准确。
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喷雾机质检的喷雾图像处理方法，所采用的技术方案具体如下：
获取喷雾机喷雾的图像，对该图像进行分割得到至少两个喷雾区域；进而将各喷雾区域预分割为固定数量的子区域，根据预分割得到子区域和对应的喷雾区域的像素值计算可分割系数，根据可分割系数确定进行分割的喷雾区域，得到喷雾子区域；
利用暗通道去雾算法分别对各喷雾子区域进行处理，获取该算法的滤波窗口中所有像素点在三个通道下最小通道值，将滤波窗口内最小通道值的最小值对应的像素点记为初始像素点；根据滤波窗口的中心像素点与初始像素点对应的亮度通道值计算中心像素点与初始像素点的浓度相似性指数；
根据所述浓度相似性指数和指数阈值确定滤波窗口的中心像素点的暗通道值，进而获得所有像素点对应的暗通道值构成喷雾暗通道图像；利用喷雾机喷雾的图像和喷雾暗通道图像获得真实喷雾区域，根据真实喷雾区域确定喷雾机的质量。
优选地，所述根据预分割得到子区域和对应的喷雾区域的像素值计算可分割系数具体为：
对于任意一个喷雾区域，获取该喷雾区域内对应的颜色聚合向量中聚合类像素点和非聚合类像素点，同时，获取该喷雾区域内的各子区域对应的颜色聚合向量中聚合类像素点和非聚合类像素点，根据喷雾区域和子区域对应的颜色聚合向量中聚合类像素点和非聚合类像素点的像素值计算该喷雾子区域对应的可分割系数。
优选地，所述可分割系数的计算公式为：
Figure 148270DEST_PATH_IMAGE001
其中，
Figure 74244DEST_PATH_IMAGE002
表示喷雾区域
Figure 493724DEST_PATH_IMAGE003
对应的可分割系数，
Figure 563180DEST_PATH_IMAGE004
表示喷雾区域
Figure 118927DEST_PATH_IMAGE003
中第i种颜色聚合向量中第a个聚合类像素点在三个通道的最小值，
Figure 15470DEST_PATH_IMAGE005
表示喷雾区域
Figure 656667DEST_PATH_IMAGE003
中第i种颜色聚合向量中第b个非聚合类像素点在三个通道的最小值，
Figure 280546DEST_PATH_IMAGE006
表示子区域
Figure 205646DEST_PATH_IMAGE007
中第i种颜色聚合向量中第x个聚合类像素点在三个通道的最小值，
Figure 991199DEST_PATH_IMAGE008
表示子区域
Figure 867495DEST_PATH_IMAGE007
中第i种颜色聚合向量中第y个聚合类像素点在三个通道的最小值，
Figure 295065DEST_PATH_IMAGE003
表示喷雾区域，
Figure 825403DEST_PATH_IMAGE007
表示该喷雾区域进行预分割后得到的子区域，N表示喷雾区域中像素点的总数量，
Figure 827863DEST_PATH_IMAGE009
表示喷雾区域中子区域的数量。
优选地，所述根据可分割系数确定进行分割的喷雾区域，得到喷雾子区域具体为：
设置可分割阈值，若喷雾区域对应的可分割系数小于可分割阈值，则不对该喷雾区域进行分割；若喷雾区域对应的可分割系数大于或等于可分割阈值，则按照预分割的方法对喷雾区域进行分割得到子区域，进而对各子区域进行预分割后，计算各子区域对应的可分割系数，直至图像中所有区域对应的可分割阈值均小于可分割阈值时，停止分割；将分割完成后的各个区域记为喷雾子区域。
优选地，所述根据滤波窗口的中心像素点与初始像素点对应的亮度通道值计算中心像素点与初始像素点的浓度相似性指数具体为：
在任意一个滤波窗口内，获取与初始像素点距离最近的喷雾的图像边缘线中点对应的像素点，记为第一像素点；获取与该滤波窗口的中心像素点距离最近的喷雾的图像边缘线中点对应的像素点，记为第二像素点；根据中心像素点、初始像素点和第一像素点以及第二像素点的亮度通道值之间的差异得到中心像素点与初始像素点之间的浓度相似度指数。
优选地，所述浓度相似性指数的计算公式为：
Figure 178073DEST_PATH_IMAGE010
其中，
Figure 894488DEST_PATH_IMAGE011
表示中心像素点O与初始像素点x之间的浓度相似度指数，
Figure 279333DEST_PATH_IMAGE012
表示初始像素点x对应的亮度通道值，
Figure 937847DEST_PATH_IMAGE013
表示中心像素点O对应的亮度通道值，
Figure 290200DEST_PATH_IMAGE014
表示第一像素点
Figure 59573DEST_PATH_IMAGE015
对应的亮度通道值，
Figure 804585DEST_PATH_IMAGE016
表示第二像素点
Figure 634001DEST_PATH_IMAGE017
对应的亮度通道值，c为常数系数。
优选地，所述根据所述浓度相似性指数和指数阈值确定滤波窗口的中心像素点的暗通道值具体为：
将滤波窗口内所有像素点的最小通道值按照从小到大的顺序进行排列得到通道值序列；
设置指数阈值，若初始像素点与中心像素点的浓度相似性指数大于指数阈值，则初始像素点的最小通道值作为中心像素点的暗通道值；
若初始像素点与中心像素点的浓度相似性指数小于或等于指数阈值，则获取初始像素点和中心像素点之间的连线的中点对应的像素点记为第一中心点，计算第一中心点与中心像素点之间的浓度相似性指数，比较该浓度相似性指数与指数阈值之间的大小关系；
若大于，且第一中心点的最小通道值在通道值序列中的位置序号与初始像素点的最小通道值在通道值序列中的位置序号之间的差值为固定数值时，则将第一中心点的最小通道值作为中心像素点的暗通道值；
若小于或等于，则获取第一中心点与中心像素点之间的连线的中点对应的像素点记为第二中心点，以此类推，直至获取大于指数阈值且像素点的最小通道值在通道值序列中的位置序号之间的差值为固定数值时停止，最终确定滤波窗口的中心像素点的暗通道值。
优选地，所述利用喷雾机喷雾的图像和喷雾暗通道图像获得真实喷雾区域具体为：
利用喷雾机喷雾的图像减去喷雾暗通道图像得到去除喷雾的前景图像，利用喷雾机喷雾的图像减去所述前景图像得到差值图像，对差值图像进行边缘检测得到真实喷雾区域。
本发明实施例至少具有如下有益效果：
本发明通过获取喷雾机喷雾的图像，首先对图像进行粗略的分割得到喷雾区域，通过对喷雾区域进行预分割得到子区域，计算可分割系数，考虑了预分割前的喷雾区域和预分割后的子区域的像素之间的差异情况，能够获得喷雾区域进行分割的必要程度，对需要分割的喷雾区域进行分割得到喷雾子区域；在利用现有的暗通道去雾算法对喷雾子区域进行处理时，考虑了滤波窗口内最小通道值的最小值对应的像素点与中心像素点之间的相似性，避免了将处于不同喷雾浓度区域的像素点的最小通道值作为中心像素点的暗通道值，使得最终获得的喷雾暗通道图像更加精确，进而利用喷雾暗通道图像获得真实喷雾区域的结果也更加准确，最终能够获得更加准确的喷雾机的质量检测结果。
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是本发明的一种用于喷雾机质检的喷雾图像处理方法的方法流程图。
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用于喷雾机质检的喷雾图像处理方法，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喷雾机质检的喷雾图像处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于喷雾机质检的喷雾图像处理方法的方法流程图，该方法包括以下步骤：
步骤一，获取喷雾机喷雾的图像，对该图像进行分割得到至少两个喷雾区域；进而将各喷雾区域预分割为固定数量的子区域，根据预分割得到子区域和对应的喷雾区域的像素值计算可分割系数，根据可分割系数确定进行分割的喷雾区域，得到喷雾子区域。
首先，在喷雾机工作现场安置CMOS相机，用于采集喷雾机喷雾的图像，采集得到的喷雾机喷雾图像为RGB图像。喷雾机的工作环境一般位于室外，处于光照充足的条件下，不需要添加额外的光源，但也正是由于喷雾机位于室外工作的原因，在CMOS相机采集喷雾机喷雾图像的过程中容易受到环境因素和周围噪声的干扰，因此需要对采集的喷雾图像进行去噪处理，在图像处理技术中包含多种去噪方法，现阶段常用的去噪方法可以分为基于滤波器的去噪方法，基于模型的去噪方法、基于学习的去噪方法三种不同类型的去噪方法。具体技术包括中值滤波去噪，双边滤波去噪，均值滤波去噪等，在本实施例中，利用双边滤波算法对采集得到的喷雾机喷雾的图像进行去噪处理，得到喷雾图像。
需要说明的是，喷雾图像中包含喷雾机喷射的喷雾边界信息，喷雾面积信息、喷雾角度等相关信息，与此同时，由于雾化后液体受到喷射作用，喷雾边界处的变化过于凌乱，随着雾化液体喷射距离的增加，雾化液体的运动轨迹也会变得相对随意，如果能够精准的从喷雾图像中提取出喷雾部分的前景图像，再从喷雾区域的前景图像中提取能够表征喷雾机质量的特征，通过特征的变化用于喷雾机的质检，得到的质检结果是具有更高精准度和可信度的。
对于获取到的喷雾机的喷雾图像，属于喷雾部分的区域的雾浓度并不均匀，一般情况下，距离喷雾机喷射装置近的地方雾浓度较大，距离喷雾机喷射装置较远的地方雾浓度较低，视觉上相对稀薄，雾浓度越大的区域，其纹理特征越模糊，亮度值越高；雾浓度越小的区域，其纹理特征相对越清晰，亮度值越低。而处于喷雾的高浓度和低浓度的过渡区域中，雾浓度是较不均匀的，对该部分区域需考虑浓度不均匀的影响。
在传统暗通道去雾算法中，在由像素点的最小通道值组成的灰度图中，是以像素点为中心的取得矩形窗口内的灰度值最小值作为中心点的暗通道值，从而得到雾天图像对应的暗通道图像。但是如果按照该算法处理过程获取喷雾机中的喷雾区域，忽略了不同区域的浓度差异，然而在喷雾过程中，从喷射口到地面整个过程中喷雾浓度是逐渐减少的，喷射口处的喷雾浓度是最高的，接近地面处的喷雾浓度是最低的。因此在本实施例中，考虑喷射后喷雾浓度的不均匀性，对喷雾浓度不同的区域应当进行不同程度的处理，如果简单的把喷雾图像作为一个整体进行处理就忽略了不同区域之间的差异信息，使得处理得到的图像精确度降低。
然后，由于考虑到喷雾机的喷雾图像中不同区域对应的雾浓度不同，故需对喷雾图像进行分割，以获取属于不同雾浓度对应的区域。对喷雾图像进行分割得到至少两个喷雾区域，在本实施例中，将喷雾图像均匀分割为4个喷雾区域，其中，分割得到的喷雾区域的数量实施者可根据实际情况进行设置。
考虑到喷雾机喷射的喷雾总会出现浓度变化的情况，表现在喷雾图像中，如果一个区域内像素点之间的图像信息是一致的，说明这些像素点对应的喷雾浓度也是一致的，如果区域内像素点的图像信息之间存在差异，这种差异表现在对于区域不同的位置，同一个像素点对应的图像信息是会发生变化的，这个时候应该对区域进行分割，分割的目的是将区域中不同喷雾浓度的像素点区分开。
基于此，通过对喷雾区域进行预分割，根据预分割前的喷雾区域对应的颜色信息和预分割后的子区域对应的颜色信息之间的差异，获得该喷雾区域进行分割的必要程度，反映该喷雾区域内的喷雾浓度是否均匀，对于不均匀的喷雾区域进行分割处理。
具体地，将各喷雾区域预分割为固定数量的子区域，在本实施例中对喷雾区域进行均匀分割，固定数量的取值需根据喷雾区域的尺寸大小进行设置，例如，喷雾区域的尺寸大小为n*n，则对喷雾区域进行预分割后各子区域的尺寸大小为
Figure 224382DEST_PATH_IMAGE018
，即将喷雾区域均匀分为4子字区域，实施者也可根据具体实施场景进行设置。
对于任意一个喷雾区域，获取该喷雾区域内对应的颜色聚合向量中聚合类像素点和非聚合类像素点，同时，获取该喷雾区域内的各子区域对应的颜色聚合向量中聚合类像素点和非聚合类像素点，根据喷雾区域和子区域对应的颜色聚合向量中聚合类像素点和非聚合类像素点的像素值计算该喷雾子区域对应的可分割系数。其中，颜色聚合向量的获取方法为公知技术，在此不再过多介绍，同时，采用颜色聚合向量进行分析，是因为该算法能够表达图像色彩的空间位置。
所述喷雾子区域对应的可分割系数的计算公式为：
Figure 781134DEST_PATH_IMAGE019
其中，
Figure 140572DEST_PATH_IMAGE020
表示喷雾区域
Figure 626042DEST_PATH_IMAGE003
对应的可分割系数，
Figure 703719DEST_PATH_IMAGE021
表示喷雾区域
Figure 814895DEST_PATH_IMAGE003
中第i种颜色聚合向量中第a个聚合类像素点在三个通道的最小值，
Figure 278106DEST_PATH_IMAGE022
表示喷雾区域
Figure 449324DEST_PATH_IMAGE003
中第i种颜色聚合向量中第b个非聚合类像素点在三个通道的最小值，
Figure 748719DEST_PATH_IMAGE006
表示子区域
Figure 145808DEST_PATH_IMAGE007
中第i种颜色聚合向量中第x个聚合类像素点在三个通道的最小值，
Figure 479838DEST_PATH_IMAGE008
表示子区域
Figure 71225DEST_PATH_IMAGE007
中第i种颜色聚合向量中第y个聚合类像素点在三个通道的最小值，
Figure 123495DEST_PATH_IMAGE003
表示喷雾区域，
Figure 576473DEST_PATH_IMAGE007
表示该喷雾区域进行预分割后得到的子区域，N表示喷雾区域中像素点的总数量，
Figure 515741DEST_PATH_IMAGE009
表示喷雾区域中子区域的数量。
在本实施例中，像素点在三个通道的最小值为R、G和B三个通道中的最小值，记为像素点的最小通道值。由于在非天空的图像中存在一些像素点在至少一个颜色通道中具有非常低的数值，在图像中不存在雾时，这类像素点会呈现大量的黑色，即像素点的最小通道值趋近于0，图像中存在雾时，这类像素点会呈现出一定的灰色。
同时，若喷雾区域为喷雾浓度均匀的区域，即该区域为喷雾高浓度区域或者喷雾低浓度区域，则喷雾浓度均匀的区域内像素点的最小通道值较为接近，对该喷雾区域进行预分割前后，整体区域与各部分子区域之间的差异较小，进而该喷雾区域对应的可分割系数
Figure 28762DEST_PATH_IMAGE023
的取值越小。若在喷雾浓度不均匀的区域，即该区域为喷雾高浓度和喷雾低浓度的过渡区域，则喷雾浓度不均匀的区域内像素点的最小通道值之间存在差异，相应的颜色聚合向量也会存在差异，进而该喷雾区域对应的可分割系数
Figure 302749DEST_PATH_IMAGE023
的取值越大。
Figure 808685DEST_PATH_IMAGE024
反映了预分割前的喷雾区域与预分割后的子区域内同一种颜色值的颜色聚合向量中聚合类像素点的最小通道值的差异，由于颜色聚合向量中聚合类像素点表征在对应区域内该种颜色值对应的像素点所占据的连续区域面积较大，即聚合类像素点代表对应区域内存在的数量较多的像素点。例如，在高浓度喷雾区域内，存在的数量较多的像素点即为高浓度喷雾的像素点。所述差异越大，像素点的最小暗通道值之间的差异越大，说明喷雾区域内存在数量较多的像素点和子区域内存在数量较多的像素点不属于同种浓度的像素点，则该喷雾区域对应的可分割系数的取值越大，说明该喷雾区域内喷雾浓度越不均匀，该喷雾区域进行分割的必要程度越大。
Figure 851727DEST_PATH_IMAGE025
反映了预分割前的喷雾区域与预分割后的子区域内同一种颜色值的颜色聚合向量中非聚合类像素点的最小通道值的差异，由于颜色聚合向量中非聚合类像素点表征在对应区域内该种颜色值对应的像素点所占据的连续区域面积较小，即聚合类像素点代表对应区域内存在的数量较少的像素点。所述差异越大，像素点的最小暗通道值之间的差异越大，说明喷雾区域内存在数量较少的像素点和子区域内存在数量较少的像素点不属于同种浓度的像素点，则该喷雾区域对应的可分割系数的取值越大，说明该喷雾区域内喷雾浓度越不均匀，该喷雾区域进行分割的必要程度越大。
最后，设置可分割阈值，在本实施例中可分割阈值的取值为0.8，实施者可根据实际情况进行设置。若喷雾区域对应的可分割系数小于可分割阈值，说明该喷雾区域内像素点的颜色信息较为均一，喷雾浓度较为均匀，即该喷雾区域对应为高浓度喷雾区域或者低浓度喷雾区域，则不对该喷雾区域进行分割。
若喷雾区域对应的可分割系数大于或等于可分割阈值，说明该喷雾区域内像素点的颜色信息较不均一，喷雾浓度较不均匀，即该喷雾区域对应为高浓度喷雾和低浓度喷雾的过渡区域，则按照预分割的方法对喷雾区域进行分割得到子区域，进而对各子区域进行预分割后，计算各子区域对应的可分割系数，将子区域对应的可分割系数与可分割阈值进行比较，若小于则不进行进一步的分割，若大于或等于则需对子区域进行分割，直至图像中所有区域对应的可分割阈值均小于可分割阈值时，停止分割，将分割完成后的各个区域记为喷雾子区域。
需要说明的是，在本实施例中，每次对各区域进行分割时，将各区域均匀分割为四个部分，实施者可根据具体实施场景对分割得到的区域数量进行设置。
步骤二，利用暗通道去雾算法分别对各喷雾子区域进行处理，获取该算法的滤波窗口中所有像素点在三个通道下最小通道值，将滤波窗口内最小通道值的最小值对应的像素点记为初始像素点；根据滤波窗口的中心像素点与初始像素点对应的亮度通道值计算中心像素点与初始像素点的浓度相似性指数。
首先，需要说明的是，由于对喷雾图像中的喷雾区域是否进行分割判断的依据为可分割系数，而可分割系数是基于颜色聚合向量获得的，则分割得到的各个喷雾子区域中喷雾的浓度是相对较为均匀的，但是在喷雾浓度较高的喷雾子区域内，可能仍然会有少量属于喷雾低浓度的像素点，因此，在利用暗通道去雾算法对各喷雾子区域进行处理的过程中，滤波窗口的中心像素点对应的喷雾浓度可能与滤波窗口内最小通道值的最小值对应的像素点对应的喷雾浓度不同。
例如，对于喷雾子区域中一个滤波窗口内，该窗口内的中心像素点O属于喷雾浓度较低的部分，该滤波窗口内最小通道值的最小值对应的像素点属于喷雾浓度较高的部分，若将滤窗口内最小通道值的最小值作为中心像素点O的暗通道值，由于喷雾浓度较高的部分的最小通道值小于喷雾浓度较低的部分的最小通道值，则中心像素点的暗通道值就会小于实际值，因此，在选择最小通道值的最小值对中心像素点进行赋值的时候，同时需要考虑滤波窗口内其他像素点与中心像素点的相关关系。
然后，在本实施例中，主要考虑的情况是滤波窗口内中心像素点与最小通道值的最小值对应的像素点是否均属于喷雾浓度高的区域或者均属于喷雾浓度低的区域。其中，在本实施例中滤波窗口的尺寸大小为3*3，实施者可根据实际情况进行设置。即利用3*3大小的滤波窗口对各喷雾子区域进行遍历。
进而判断滤波窗口中心像素点O与该滤波窗口内最小通道值的最小值对应的像素点x是否为同一种喷雾浓度所在区域，若两个像素点之间满足一定的相似相关关系，则说明两个像素点属于同一种喷雾浓度所在区域，则利用像素点x的最小通道值作为中心像素点O的暗通道值。若不满足，则需按照设定规则继续选择满足一定相似相关关系的像素点，将该像素点的最小通道值作为中心像素点O的暗通道值。利用该方法获取像素点的暗通道值，考虑了不同区域内可能存在不止一种喷雾浓度对应的像素点的情况，使得根据暗通道值最终获得的图像更加准确，进而能够获得更加准确的喷雾所在的区域。
具体地，获取该算法的滤波窗口中所有像素点在三个通道下最小通道值，将滤波窗口内最小通道值的最小值对应的像素点记为初始像素点，在本实施例中各喷雾子区域所在图像为RGB图像，即获取滤波窗口中所有像素点在R、G和B三个通道下最小的通道值记为最小通道值。
最后，由于距离喷雾机喷射装置近的地方雾浓度较大，距离喷雾机喷射装置较远的地方雾浓度较低，视觉上相对稀薄，雾浓度越大的区域，其纹理特征越模糊，亮度值越高；雾浓度越小的区域，其纹理特征相对越清晰，亮度值越低。因此，像素点的亮度通道值能够反映该像素点所在位置处的喷雾浓度情况。在本实施例中，将采集到的喷雾的RGB图像转换为LAB图像，获取图像中各像素点L通道下的通道值得到像素点对应的亮度通道值，实施者可根据实际情况选择合适的方法获取像素点对应的亮度值。
基于此，在任意一个滤波窗口内，获取与初始像素点距离最近的喷雾的图像边缘线中点对应的像素点，记为第一像素点；获取与该滤波窗口的中心像素点距离最近的喷雾的图像边缘线中点对应的像素点，记为第二像素点；根据中心像素点、初始像素点和第一像素点以及第二像素点的亮度通道值之间的差异得到中心像素点与初始像素点之间的浓度相似度指数。
所述浓度相似度指数的计算公式具体为：
Figure 535650DEST_PATH_IMAGE010
其中，
Figure 779156DEST_PATH_IMAGE011
表示中心像素点O与初始像素点x之间的浓度相似度指数，
Figure 839516DEST_PATH_IMAGE012
表示初始像素点x对应的亮度通道值，
Figure 986332DEST_PATH_IMAGE026
表示中心像素点O对应的亮度通道值，
Figure 841156DEST_PATH_IMAGE014
表示第一像素点
Figure 824155DEST_PATH_IMAGE015
对应的亮度通道值，
Figure 438938DEST_PATH_IMAGE016
表示第二像素点
Figure 190994DEST_PATH_IMAGE027
对应的亮度通道值，c为常数系数，常数系数的作用是为了防止分母为0的情况出现，在本实施例中的取值为1，实施者可根据实际情况进行设置。
Figure 465986DEST_PATH_IMAGE028
、
Figure 936282DEST_PATH_IMAGE029
、
Figure 72865DEST_PATH_IMAGE030
、
Figure 692809DEST_PATH_IMAGE031
和
Figure 155014DEST_PATH_IMAGE032
均表示不同像素点对应的亮度通道值之间的差值，反映了像素点所在位置处的喷雾浓度的差异，
Figure 847027DEST_PATH_IMAGE028
的取值越大，说明初始像素点x和中心像素点O所处位置处的喷雾浓度差异越大，则浓度相似度指数的取值越小，说明初始像素点x和中心像素点O越不可能属于同一种喷雾浓度的像素点。
由于第一像素点为距离初始像素点较近的图像边缘上的像素点，第二像素点为距离中心像素点较近的图像边缘上的像素点，则
Figure 302148DEST_PATH_IMAGE029
与
Figure 28795DEST_PATH_IMAGE031
的取值较小，表示初始像素点与距离最近的图像边缘上的像素点对应的亮度通道值之间的差异较小，中心像素点与距离最近的图像边缘上的像素点对应的亮度通道值之间的差异较小。
同时，
Figure 147055DEST_PATH_IMAGE033
和
Figure 591943DEST_PATH_IMAGE034
的取值越大时，说明初始像素点与距离中心像素点最近的图像边缘上的像素点之间的差异越大，中心像素点与距离初始像素点最近的图像边缘上的像素点之间的差异越大，则初始像素点与中心像素点之间的差异也就越大，进而浓度相似度指数的取值越小，说明初始像素点x和中心像素点O越不可能属于同一种喷雾浓度的像素点。
步骤三，根据所述浓度相似性指数和指数阈值确定滤波窗口的中心像素点的暗通道值，进而获得所有像素点对应的暗通道值构成喷雾暗通道图像；利用喷雾机喷雾的图像和喷雾暗通道图像获得真实喷雾区域，根据真实喷雾区域确定喷雾机的质量。
需要说明的是，由于采集到的喷雾机喷雾的图像中喷雾表现为距离喷雾机喷射装置近的地方雾浓度较大，距离喷雾机喷射装置较远的地方雾浓度较低，从喷雾机喷雾装置由近及远的方向，雾的浓度逐渐降低，基于此，在采集到的喷雾机喷雾的图像中距离较近的像素点之间的雾浓度较为相似。故通过不断缩小其他像素点与中心像素点之间的位置距离，进而获取雾浓度较为相似的像素点，进而以该像素点的最小通道值作为中心像素点的暗通道值较为准确。
具体地，将滤波窗口内所有像素点的最小通道值按照从小到大的顺序进行排列得到通道值序列；设置指数阈值，若初始像素点与中心像素点的浓度相似性指数大于指数阈值，则初始像素点的最小通道值作为中心像素点的暗通道值。
若初始像素点与中心像素点的浓度相似性指数小于或等于指数阈值，则获取初始像素点和中心像素点之间的连线的中点对应的像素点记为第一中心点，计算第一中心点与中心像素点之间的浓度相似性指数，比较该浓度相似性指数与指数阈值之间的大小关系。
若大于，且第一中心点的最小通道值在通道值序列中的位置序号与初始像素点的最小通道值在通道值序列中的位置序号之间的差值为固定数值时，则将第一中心点的最小通道值作为中心像素点的暗通道值。
若小于或等于，则获取第一中心点与中心像素点之间的连线的中点对应的像素点记为第二中心点，以此类推，直至获取大于指数阈值且像素点的最小通道值在通道值序列中的位置序号之间的差值为固定数值时停止，最终确定滤波窗口的中心像素点的暗通道值。
其中，在本实施例中，像素点之间的距离计算方法多种多样，实施者可根据实际情况进行选择，例如，获取两个像素点的欧式距离。同时，指数阈值的取值为10，固定数中的取值为1，实施者可根据实际情况进行设置。即在考虑浓度相似的情况下，需要考虑最小通道值的大小，尽可能保证像素点之间的喷雾浓度较为相似的同时，像素点的最小通道值的取值较小。
按照上述方法利用滤波窗口对各喷雾子区域进行处理，能够获得每个像素点的暗通道值，进而构成暗通道图像。由于在非天空的图像中存在一些像素点在至少一个颜色通道中具有非常低的数值，在图像中不存在雾时，这类像素点会呈现大量的黑色，即像素点的最小通道值趋近于0，图像中存在雾时，这类像素点会呈现出一定的灰色。因此，暗通道图像能够表征喷雾所在的真实区域的信息。
具体地，利用喷雾机喷雾的图像减去喷雾暗通道图像得到去除喷雾的前景图像，去除喷雾的前景图像将原始喷雾的图像中存在喷雾部分的图像信息去除，保留原始喷雾图像中的前景部分，故利用喷雾机喷雾的图像减去所述前景图像得到差值图像，对差值图像进行边缘检测得到真实喷雾区域，进而根据真实喷雾区域确定喷雾机的质量。
在本实施例中，通过获取真实喷雾区域的边缘和像素点的坐标信息，进而计算该真实喷雾区域的喷雾面积百分比、喷雾贯穿度和喷射距离，进而按照相同的方法获取通过质检的喷雾机喷雾图像对应的真实喷雾区域的喷雾面积百分比、喷雾贯穿度和喷射距离，通过对比当前真实喷雾区域对应的各个参数和通过质检的真实喷雾区域对应的各个参数之间的差异，根据该差异得到喷雾机的质检结果。该差异满足的条件实施者可根据具体实施场景进行设置，例如，差异小于设定阈值时，喷雾机的质检结果较好，设定阈值的取值实施者需根据实际情况进行设置。其中，喷雾面积百分比、喷雾贯穿度和喷射距离的计算方法为公知技术，同时，根据这三种参数获得喷雾机质检结果为常用技术手段，在此不再过多介绍。
需要说明的是，本发明实施例通过将采集喷雾机喷雾的图像中像素点之间的最小通道值的差异，将图像进行了初步的喷雾浓度高低的分割，其次从区域内与窗口中心像素点属于同一喷雾浓度的像素点中获取其对应的暗通道值，避免了将不属于同一类但具有最小通道值像素点的通道值赋予窗口中心像素点带来的光圈效应，提高了最终获取的真实喷雾区域的精准度和可信度。
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范围，均应包含在本申请的保护范围之内。

Claims (4)

1.一种用于喷雾机质检的喷雾图像处理方法，其特征在于，该方法包括以下步骤：
获取喷雾机喷雾的图像，对该图像进行分割得到至少两个喷雾区域；进而将各喷雾区域预分割为固定数量的子区域，根据预分割得到子区域和对应的喷雾区域的像素值计算可分割系数，根据可分割系数确定进行分割的喷雾区域，得到喷雾子区域；
利用暗通道去雾算法分别对各喷雾子区域进行处理，获取该算法的滤波窗口中所有像素点在三个通道下最小通道值，将滤波窗口内最小通道值的最小值对应的像素点记为初始像素点；根据滤波窗口的中心像素点与初始像素点对应的亮度通道值计算中心像素点与初始像素点的浓度相似性指数；
根据所述浓度相似性指数和指数阈值确定滤波窗口的中心像素点的暗通道值，进而获得所有像素点对应的暗通道值构成喷雾暗通道图像；利用喷雾机喷雾的图像和喷雾暗通道图像获得真实喷雾区域，根据真实喷雾区域确定喷雾机的质量；
所述根据预分割得到子区域和对应的喷雾区域的像素值计算可分割系数具体为：
对于任意一个喷雾区域，获取该喷雾区域内对应的颜色聚合向量中聚合类像素点和非聚合类像素点，同时，获取该喷雾区域内的各子区域对应的颜色聚合向量中聚合类像素点和非聚合类像素点，根据喷雾区域和子区域对应的颜色聚合向量中聚合类像素点和非聚合类像素点的像素值计算该喷雾子区域对应的可分割系数；
所述可分割系数的计算公式为：
Figure 411474DEST_PATH_IMAGE001
其中，
Figure 616190DEST_PATH_IMAGE002
表示喷雾区域
Figure 752774DEST_PATH_IMAGE003
对应的可分割系数，
Figure 359336DEST_PATH_IMAGE004
表示喷雾区域
Figure 228066DEST_PATH_IMAGE003
中第i种颜色聚合向量中第a个聚合类像素点在三个通道的最小值，
Figure 920078DEST_PATH_IMAGE005
表示喷雾区域
Figure 329194DEST_PATH_IMAGE003
中第i种颜色聚合向量中第b个非聚合类像素点在三个通道的最小值，
Figure 790262DEST_PATH_IMAGE006
表示子区域
Figure 16844DEST_PATH_IMAGE007
中第i种颜色聚合向量中第x个聚合类像素点在三个通道的最小值，
Figure 207871DEST_PATH_IMAGE008
表示子区域
Figure 420678DEST_PATH_IMAGE007
中第i种颜色聚合向量中第y个聚合类像素点在三个通道的最小值，
Figure 736253DEST_PATH_IMAGE003
表示喷雾区域，
Figure 743523DEST_PATH_IMAGE007
表示该喷雾区域进行预分割后得到的子区域，N表示喷雾区域中像素点的总数量，
Figure 144549DEST_PATH_IMAGE009
表示喷雾区域中子区域的数量；
所述根据滤波窗口的中心像素点与初始像素点对应的亮度通道值计算中心像素点与初始像素点的浓度相似性指数具体为：
在任意一个滤波窗口内，获取与初始像素点距离最近的喷雾的图像边缘线中点对应的像素点，记为第一像素点；获取与该滤波窗口的中心像素点距离最近的喷雾的图像边缘线中点对应的像素点，记为第二像素点；根据中心像素点、初始像素点和第一像素点以及第二像素点的亮度通道值之间的差异得到中心像素点与初始像素点之间的浓度相似度指数；
所述浓度相似性指数的计算公式为：
Figure 161046DEST_PATH_IMAGE010
其中，
Figure 596707DEST_PATH_IMAGE011
表示中心像素点O与初始像素点x之间的浓度相似度指数，
Figure 306037DEST_PATH_IMAGE012
表示初始像素点x对应的亮度通道值，
Figure 53413DEST_PATH_IMAGE013
表示中心像素点O对应的亮度通道值，
Figure 873601DEST_PATH_IMAGE014
表示第一像素点
Figure 163768DEST_PATH_IMAGE015
对应的亮度通道值，
Figure 44000DEST_PATH_IMAGE016
表示第二像素点
Figure 419617DEST_PATH_IMAGE017
对应的亮度通道值，c为常数系数。
2.根据权利要求1所述的一种用于喷雾机质检的喷雾图像处理方法，其特征在于，所述根据可分割系数确定进行分割的喷雾区域，得到喷雾子区域具体为：
设置可分割阈值，若喷雾区域对应的可分割系数小于可分割阈值，则不对该喷雾区域进行分割；若喷雾区域对应的可分割系数大于或等于可分割阈值，则按照预分割的方法对喷雾区域进行分割得到子区域，进而对各子区域进行预分割后，计算各子区域对应的可分割系数，直至图像中所有区域对应的可分割阈值均小于可分割阈值时，停止分割；将分割完成后的各个区域记为喷雾子区域。
3.根据权利要求1所述的一种用于喷雾机质检的喷雾图像处理方法，其特征在于，所述根据所述浓度相似性指数和指数阈值确定滤波窗口的中心像素点的暗通道值具体为：
将滤波窗口内所有像素点的最小通道值按照从小到大的顺序进行排列得到通道值序列；
设置指数阈值，若初始像素点与中心像素点的浓度相似性指数大于指数阈值，则初始像素点的最小通道值作为中心像素点的暗通道值；
若初始像素点与中心像素点的浓度相似性指数小于或等于指数阈值，则获取初始像素点和中心像素点之间的连线的中点对应的像素点记为第一中心点，计算第一中心点与中心像素点之间的浓度相似性指数，比较该浓度相似性指数与指数阈值之间的大小关系；
若大于，且第一中心点的最小通道值在通道值序列中的位置序号与初始像素点的最小通道值在通道值序列中的位置序号之间的差值为固定数值时，则将第一中心点的最小通道值作为中心像素点的暗通道值；
若小于或等于，则获取第一中心点与中心像素点之间的连线的中点对应的像素点记为第二中心点，以此类推，直至获取大于指数阈值且像素点的最小通道值在通道值序列中的位置序号之间的差值为固定数值时停止，最终确定滤波窗口的中心像素点的暗通道值。
4.根据权利要求1所述的一种用于喷雾机质检的喷雾图像处理方法，其特征在于，所述利用喷雾机喷雾的图像和喷雾暗通道图像获得真实喷雾区域具体为：
利用喷雾机喷雾的图像减去喷雾暗通道图像得到去除喷雾的前景图像，利用喷雾机喷雾的图像减去所述前景图像得到差值图像，对差值图像进行边缘检测得到真实喷雾区域。
CN202211387850.2A 2022-11-08 2022-11-08 用于喷雾机质检的喷雾图像处理方法 Active CN115439494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211387850.2A CN115439494B (zh) 2022-11-08 2022-11-08 用于喷雾机质检的喷雾图像处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211387850.2A CN115439494B (zh) 2022-11-08 2022-11-08 用于喷雾机质检的喷雾图像处理方法

Publications (2)

Publication Number Publication Date
CN115439494A CN115439494A (zh) 2022-12-06
CN115439494B true CN115439494B (zh) 2023-01-31

Family

ID=84252318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211387850.2A Active CN115439494B (zh) 2022-11-08 2022-11-08 用于喷雾机质检的喷雾图像处理方法

Country Status (1)

Country Link
CN (1) CN115439494B (zh)

Families Citing this family (5)

* 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
CN116503404B (zh) * 2023-06-27 2023-09-01 梁山县创新工艺品股份有限公司 塑料玩具质量检测方法、装置、电子设备及存储介质
CN116703913B (zh) * 2023-08-07 2023-10-24 山东大拇指喷雾设备有限公司 一种喷雾机喷雾质量检测方法
CN116703787B (zh) * 2023-08-09 2023-10-31 中铁建工集团第二建设有限公司 一种建筑施工安全风险预警方法及系统
CN117058142B (zh) * 2023-10-11 2023-12-19 贵州省畜牧兽医研究所 基于机器视觉的鹅舍消杀喷液图像检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667433A (zh) * 2020-06-09 2020-09-15 中国电子科技集团公司第五十四研究所 一种基于简单线性迭代聚类优化的无人机图像去雾方法
CN115187472A (zh) * 2022-06-23 2022-10-14 福州大学 基于容差的暗通道先验去雾方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6320115B2 (ja) * 2014-03-28 2018-05-09 キヤノン株式会社 画像処理装置、画像処理方法、およびプログラム
CN104794697B (zh) * 2015-05-05 2017-11-21 哈尔滨工程大学 一种基于暗原色先验的图像去雾方法
JP6720012B2 (ja) * 2016-08-01 2020-07-08 オリンパス株式会社 画像処理装置、撮像装置、画像処理方法及び画像処理プログラム
CN107133927B (zh) * 2017-04-21 2020-03-17 汪云飞 超像素框架下基于均值-均方差暗通道的单幅图像去雾方法
CN107424198B (zh) * 2017-07-27 2020-03-27 Oppo广东移动通信有限公司 图像处理方法、装置、移动终端及计算机可读存储介质
CN109523480B (zh) * 2018-11-12 2022-05-06 上海海事大学 一种海雾图像的去雾方法、装置、计算机存储介质及终端
CN114004834B (zh) * 2021-12-31 2022-04-19 山东信通电子股份有限公司 一种图像处理中的雾天情况分析方法、设备及装置
CN115049662B (zh) * 2022-08-16 2022-11-08 山东大拇指喷雾设备有限公司 基于图像处理的喷雾机流量控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667433A (zh) * 2020-06-09 2020-09-15 中国电子科技集团公司第五十四研究所 一种基于简单线性迭代聚类优化的无人机图像去雾方法
CN115187472A (zh) * 2022-06-23 2022-10-14 福州大学 基于容差的暗通道先验去雾方法

Also Published As

Publication number Publication date
CN115439494A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN115439494B (zh) 用于喷雾机质检的喷雾图像处理方法
CN113781402B (zh) 芯片表面划痕缺陷的检测方法、装置和计算机设备
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN115272346A (zh) 一种基于边缘检测的pcb板生产过程在线检测方法
CN109523529B (zh) 一种基于surf算法的输电线路缺陷识别方法
CN108256521B (zh) 用于车身颜色识别的有效区域定位方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN107895151A (zh) 一种强光照条件下基于机器视觉的车道线检测方法
CN110288618B (zh) 一种光照不均图像的多目标分割方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN111445490B (zh) 一种显微操作系统目标前景提取方法及系统
CN112991283A (zh) 基于超像素的柔性ic基板线宽检测方法、介质和设备
CN115496692A (zh) 一种润滑油磨粒图像增强方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN105447489A (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN113537037A (zh) 路面病害识别方法、系统、电子设备及存储介质
CN114127784A (zh) 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
CN112819812A (zh) 基于图像处理的粉末床缺陷检测方法
CN111709964A (zh) 一种pcba目标边缘检测方法
CN115841633A (zh) 一种电力塔和电力线关联矫正的电力塔和电力线检测方法
CN111868783B (zh) 基于边界提取的区域合并图像分割算法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Image processing method of spray for quality inspection of spray machine

Effective date of registration: 20230710

Granted publication date: 20230131

Pledgee: China Postal Savings Bank Limited by Share Ltd. Wenshang County sub branch

Pledgor: SHANDONG DAMUZHI SPRAYING EQUIPMENTS Co.,Ltd.

Registration number: Y2023980047864