CN115457004A - 基于计算机视觉的锌膏的智能检测方法 - Google Patents
基于计算机视觉的锌膏的智能检测方法 Download PDFInfo
- Publication number
- CN115457004A CN115457004A CN202211154259.2A CN202211154259A CN115457004A CN 115457004 A CN115457004 A CN 115457004A CN 202211154259 A CN202211154259 A CN 202211154259A CN 115457004 A CN115457004 A CN 115457004A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gray
- area
- zinc paste
- 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.)
- Granted
Links
- RNWHGQJWIACOKP-UHFFFAOYSA-N zinc;oxygen(2-) Chemical compound [O-2].[Zn+2] RNWHGQJWIACOKP-UHFFFAOYSA-N 0.000 title claims abstract description 111
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 112
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 40
- 239000006071 cream Substances 0.000 claims description 33
- 239000011787 zinc oxide Substances 0.000 claims description 33
- 235000014692 zinc oxide Nutrition 0.000 claims description 33
- 229940105847 calamine Drugs 0.000 claims description 32
- 229910052864 hemimorphite Inorganic materials 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 32
- CPYIZQLXMGRKSW-UHFFFAOYSA-N zinc;iron(3+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[O-2].[Fe+3].[Fe+3].[Zn+2] CPYIZQLXMGRKSW-UHFFFAOYSA-N 0.000 claims description 32
- 238000004220 aggregation Methods 0.000 claims description 25
- 230000002776 aggregation Effects 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 7
- WJZHMLNIAZSFDO-UHFFFAOYSA-N manganese zinc Chemical compound [Mn].[Zn] WJZHMLNIAZSFDO-UHFFFAOYSA-N 0.000 claims description 7
- 239000010959 steel Substances 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000006116 polymerization reaction Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 1
- 239000007924 injection Substances 0.000 abstract description 8
- 238000002347 injection Methods 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 239000011701 zinc Substances 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- SZKTYYIADWRVSA-UHFFFAOYSA-N zinc manganese(2+) oxygen(2-) Chemical compound [O--].[O--].[Mn++].[Zn++] SZKTYYIADWRVSA-UHFFFAOYSA-N 0.000 description 3
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000243 solution Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- 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
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能检测技术领域,具体涉及一种基于计算机视觉的锌膏的智能检测方法,该方法获取隔膜管图像的灰度图像;获取每个像素点的区域对称系数和锌膏密度指数,以得到每个像素点的契合指数;基于契合指数得到的边缘点获取多个初始锌膏区域,获取初始锌膏区域中以每个目标像素点为中心点的目标区域,利用每个目标区域的灰度阈值以对目标区域中的灰度值进行更新;根据更新后每个初始锌膏区域中的像素点得到隔膜管图像的最终分割区域,对隔膜管图像的最终分割区域设置标签得到标签隔膜管图像,利用由多张标签隔膜管图像训练的神经网络进行锌膏异常检测,利用神经网络在保证检测准确性的前提下加快了对锌膏注入情况检测的速度。
Description
技术领域
本发明涉及智能检测技术领域,具体涉及一种基于计算机视觉的锌膏的智能检测方法。
背景技术
锌膏是负极活性物质的一种形式,是为了加工方便而将锌粉加工成胶状物来使用。锌膏是由锌粉、氢氧化钾、氧化锌、纯水和粘接剂按一定的工艺要求配制而成。锌锰电池是一种碱性电池,在锌锰电池的生产过程中主要包括压环、入环、涂胶、加锌膏、封口等多个加工步骤,锌膏的位置在注入到吸纸圈内,其目的是使得电池的正负极更好的产生化学反应,形成电流。
现阶段的电池生产方式几乎都是以流水线的形式大量快速的产出,锌膏作为碱性锌锰电池的重要材料,由于生产速度或注射工具等原因,在锌膏注入吸纸圈的过程中经常产生漏注、锌膏溢出或注入位置错误等异常情况,严重影响到电池的生产质量和工业流水线的安全。目前经常通过分水岭算法对电池图像进行分割识别,从而判断锌膏注入过程中是否出现异常,但是分水岭算法是从“聚水盆地”的极小值点开始注水,在此过程中由于极小值点的不精准,容易发生输入图像中存在过多的极小值点而导致过度分割的结果,无法将图像中有意义的目标区域完全表示出来。
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基于计算机视觉的锌膏的智能检测方法,所采用的技术方案具体如下:
在锌锰电池的加工流水线上获取电池钢壳中的隔膜管图像;获取隔膜管图像的灰度图像;
设定像素点的8个梯度方向,以每个像素点为中心点得到对应的预设尺寸的区域,根据当前像素点对应区域中每个梯度方向上像素点的灰度值计算当前像素点的区域对称系数;根据区域中其他像素点与当前像素点的位置差异和灰度值差异获取当前像素点的锌膏密度指数;结合当前像素点的区域对称系数和对应区域中每个像素点的锌膏密度指数获取当前像素点的契合指数;
基于灰度图像中每个像素点的契合指数获取锌膏区域的边缘点,根据边缘点的契合指数得到多个初始锌膏区域,获取每个初始锌膏区域中的目标像素点;根据任意两个目标像素点的欧式距离得到以每个目标像素点为中心点的目标区域,基于8个梯度方向上每个像素点的灰度值获取每个目标区域的灰度阈值,利用灰度阈值对目标区域中的像素点的灰度值进行更新;
根据更新后每个初始锌膏区域中的像素点获取隔膜管图像中的初始分割区域,获取每个初始分割区域的颜色聚合向量,利用颜色聚合向量对初始分割区域进行区域合并得到隔膜管图像的最终分割区域;对隔膜管图像的最终分割区域设置标签得到标签隔膜管图像,利用多张标签隔膜管图像训练神经网络,以通过训练好的神经网络进行锌膏异常检测。
进一步的,所述区域对称系数的获取方法,包括:
在区域中统计每个梯度方向上与当前像素点的灰度值相同的像素点的第一数量,以及与当前像素点的灰度值不相同的像素点的第二数量;计算每个梯度方向上像素点间的灰度差值总和,统计区域中像素点的总数量,结合第一数量、第二数量、灰度差值总和与像素点的总数量获取当前像素点的区域对称系数,则区域对称系数的计算公式为:
其中,为第i个像素点的区域对称系数;为第i个像素点对应区域中像素点的总数量;为第d个梯度方向上与第i个像素点的灰度值相同的其他像素点的第一数量;为第d个梯度方向上与第i个像素点的灰度值不相同的其他像素点的第二数量;为第d个梯度方向上对应的灰度差值总和;为第一代价因子,当第二数量小于或等于1时,,否则;为第二代价因子,当为0时,,否则。
进一步的,所述锌膏密度指数的获取方法,包括:
根据当前像素点对应区域中与当前像素点的灰度值相同的其他像素点的数量得到第一占比,根据当前像素点对应区域中与当前像素点的灰度值不相同的其他像素点的数量得到第二占比,获取区域中与当前像素点的灰度值相同的其他像素点的数量、第一占比和第二占比之间的第一乘积;分别计算区域中每个与当前像素点的灰度值相同的其他像素点和当前像素点之间的欧式距离,得到欧式距离之和,以欧式距离之和为分子、第一乘积为分母的比值作为当前像素点的锌膏密度指数。
进一步的,所述契合指数的获取方法,包括:
根据当前像素点对应区域中每个像素点的锌膏密度指数计算平均锌膏密度指数,获取当前像素点的锌膏密度指数与平均锌膏密度指数的差值平方;获取当前像素点对应区域中像素点的总数量与当前像素点的锌膏密度指数的第二乘积,以第二乘积为分母、差值平方为分子的比值作为当前像素点的契合指数。
进一步的,所述基于灰度图像中每个像素点的契合指数获取锌膏区域的边缘点的方法,包括:
将灰度图像中每个像素点的契合指数按照从小到大排列,得到序列,利用最大类间方差法获取序列的最佳阈值,将契合指数小于最佳阈值的像素点作为边缘点。
进一步的,所述根据边缘点的契合指数得到多个初始锌膏区域的方法,包括:
获取契合指数最小的边缘点为起始点,基于起始点利用边界跟踪技术得到多个初始锌膏区域。
进一步的,所述获取每个初始锌膏区域中的目标像素点的方法,包括:
计算任意一个像素点分别与其所属初始锌膏区域内每个边缘点的灰度差值之和,将最小的灰度差值之和所对应的像素点作为目标像素点。
进一步的,所述灰度阈值的获取方法,包括:
将当前目标像素点对应目标区域中的8个梯度方向进行两两正交组合得到4组梯度组合,分别计算当前梯度组合中每个梯度方向上每个与当前目标像素点的灰度值不相同的其他像素点与当前目标像素点的第一灰度差值总和,将第一灰度差值总和相加得到当前梯度组合的灰度差值综合值,获取4组梯度组合的灰度差值综合值的最小值,将最小值与对应梯度组合中与当前目标像素点的灰度值不相同的像素点数量的比值作为当前目标像素点对应目标区域的灰度阈值。
进一步的,所述利用灰度阈值对目标区域中的像素点的灰度值进行更新的方法,包括:
计算目标区域中每个像素点与对应目标像素点之间的灰度差值,将灰度差值小于灰度阈值的像素点的灰度值更新为目标像素点的灰度值,初始锌膏区域中的每个像素点的灰度值只更新一次,更新后的像素点不再进行更新。
进一步的,所述最终分割区域的获取方法,包括:
分别获取相邻两个初始分割区域的颜色聚合向量,分别统计每个初始分割区域对应颜色聚合向量种每种元素的数量,分别将两个初始分割区域对应相同元素的数量相乘并二次开方,然后相加得到第一特征值;分别获取每个颜色聚合向量的元素均值,结合第一特征值、元素均值和每个初始分割区域中的像素点总数量得到相邻两个初始分割区域的合并抗拒程度;
设置合并抗拒阈值,当合并抗拒程度小于或等于合并抗拒阈值时,将对应相邻两个初始分割区域合并为一个最终分割区域;当合并抗拒程度大于合并抗拒阈值时,将对应相邻两个初始分割区域各为一个最终分割区域;
其中,合并抗拒程度的计算公式为:
其中,为相邻两个初始分割区域的合并抗拒程度;为相邻两个初始分割区域中第一个初始分割区域的颜色聚合向量中的第j个元素;为相邻两个初始分割区域中第二个初始分割区域的颜色聚合向量中的第j个元素;F为颜色聚合向量的长度;为相邻两个初始分割区域中第二个初始分割区域的颜色聚合向量的元素均值;为相邻两个初始分割区域中第一个初始分割区域的颜色聚合向量的元素均值;为相邻两个初始分割区域中第一个初始分割区域内的像素点总数量;为相邻两个初始分割区域中第二个初始分割区域内的像素点总数量。
本发明实施例至少具有如下有益效果:根据隔膜管的灰度图像上像素点的分布密度以及像素点周围区域内的同类像素点和不同类像素点的分布对称性,计算每个像素点的区域对称系数和锌膏密度指数,通过结合每个像素点的区域对称系数和锌膏密度指数得到契合指数,用于作为锌膏区域的边缘点的图像特征;基于契合指数获取灰度图像中锌膏区域的边缘点,将边缘点构成的边缘线作为分水岭算法中的边界线,得到多个初始锌膏区域,对每个初始锌膏区域内的灰度值进行灰度平滑处理,避免了传统分水岭算法中过分割的现象;基于灰度平滑后的灰度图像得到初始分割区域,对初始分割区域进行区域合并,以优化分割效果,保证了图像分割的准确性,进而基于最终分割区域对隔膜管图像进行标签设置,以将带标签的隔膜管图像作为神经网络的训练集,进而利用训练好的神经网络进行锌膏异常检测,基于神经网络的学习能力在保证检测准确性的前提下加快了对工业流水线生产过程中锌膏注入情况的检测速度。
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为本发明一个实施例提供的一种基于计算机视觉的锌膏的智能检测方法的步骤流程图;
图2为本发明实施例中的8个梯度方向的示意图。
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基于计算机视觉的锌膏的智能检测方法,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基于计算机视觉的锌膏的智能检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于计算机视觉的锌膏的智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,在锌锰电池的加工流水线上获取电池钢壳中的隔膜管图像;获取隔膜管图像的灰度图像。
具体的,在碱性锌锰电池的生产流水线中的电池钢壳正上方安装工业CCD相机,光源选择环形LED光源,在锌锰电池的加工流水线上通过人工调试的方式获取相机和光源的最佳安装位置,利用工业CCD相机获取电池钢壳中的隔膜管图像,所获取隔膜管图像为RGB图像。由于CCD相机获取隔膜管图像过程中会受到噪声的干扰,因此需要对采集的隔膜管图像进行去噪处理,在本发明中通过中值滤波去噪技术对隔膜管图像进行去噪处理,对去噪后的RGB图像进行通道分离,得到每个颜色通道,分别对每一个颜色通道进行直方图均衡化处理,然后将处理后的三个颜色通道重新组合成三通道彩色图像得到隔膜管图像,其中直方图均衡化和滤波去噪为公知技术,在此不做详细赘述。
将预处理后的隔膜管图像进行灰度化处理,得到对应的灰度图像,其中灰度化处理为公知技术,本方案不再赘述。
步骤S002,设定像素点的8个梯度方向,以每个像素点为中心点得到对应的预设尺寸的区域,根据当前像素点对应区域中每个梯度方向上像素点的灰度值计算当前像素点的区域对称系数;根据区域中其他像素点与当前像素点的位置差异和灰度值差异获取当前像素点的锌膏密度指数;结合当前像素点的区域对称系数和对应区域中每个像素点的锌膏密度指数获取当前像素点的契合指数。
具体的,观察隔膜管图像,其中的锌膏区域分别与背景区域和隔膜管边缘区域存在一定的差异,这些差异体现在隔膜管图像中的锌膏区域和背景区域之间较大的颜色和亮度差异,锌膏区域内的像素点具有更大的灰度值,但是与隔膜管本身的圆形边缘内像素点的灰度值和亮度相比又相对较小。
参照附图2,设定像素点的8个梯度方向,也即是白色点形成的方向,以灰度图像中的任意一个像素点为例,其对应的8个梯度方向从左到右按照箭头方向依次记为1,2,3,4,5,6,7,8。其中梯度方向可以通过canny算子、Sobel算子等梯度算子实现,而本方案利用Sobel算子获取设定的8个梯度方向。
需要说明的是,本方案中的8个梯度方向是固定的。
对于隔膜管图像中的边界点,与其灰度值相同的像素点非均匀的分布在其周围,而非边界点的周围区域内与其灰度值相同的像素点是均匀对称分布的。在隔膜管图像中的平坦区域中,也即是背景区域和锌膏区域,每个像素点周围的像素点是对称分布的,而如果一个像素点是锌膏区域边缘的像素点,那么这个像素点周围的像素点不是均匀对称的,在本方案中,均匀对称是指像素点周围的像素点要么同是平坦区域内的像素点,要么同为锌膏区域的像素点,将这些边缘点连接起来的结果就是相接部分的分界线,对应的是分水岭中“筑坝”的位置,因此以灰度图像中的每个像素点为中心点获取对应的预设尺寸的区域,预设尺寸为5*5,根据区域中每个梯度方向上像素点的灰度值计算每个像素点对应区域的区域对称系数。
任取一个像素点作为当前像素点,在当前像素点对应的区域中,统计每个梯度方向上与当前像素点的灰度值相同的像素点的第一数量,以及与当前像素点的灰度值不相同的像素点的第二数量;计算每个梯度方向上像素点间的灰度差值总和,统计区域中像素点的总数量,结合第一数量、第二数量、灰度差值总和与像素点的总数量获取当前像素点的区域对称系数,则区域对称系数的计算公式为:
其中,为第i个像素点的区域对称系数;为第i个像素点对应区域中像素点的总数量;为第d个梯度方向上与第i个像素点的灰度值相同的其他像素点的第一数量;为第d个梯度方向上与第i个像素点的灰度值不相同的其他像素点的第二数量;为第d个梯度方向上对应的灰度差值总和;为第一代价因子,当第二数量小于或等于1时,,否则;为第二代价因子,当为0时,,否则。
利用区域对称系数的计算公式遍历整张灰度图像,获取每个像素点的区域对称系数。
在当前像素点的区域内,与当前像素点具有相同灰度值的其他像素点在区域内的占比以及相同灰度值对应其他像素点与当前像素点的距离能够表征当前像素点的密度。如果当前像素点是锌膏区域的边界点,与其灰度值相同的其他像素点非均匀的分布在其周围,那么当前像素点的密度是较低的;如果当前像素点是锌膏区域内部或者背景区域内部的像素点,那么当前像素点与其灰度值相同的其他像素点是均匀对称分布的,当前像素点的密度相对较大,则根据区域中其他像素点与当前像素点的位置差异和灰度值差异获取当前像素点的锌膏密度指数:根据当前像素点对应区域中与当前像素点的灰度值相同的其他像素点的数量得到第一占比,根据当前像素点对应区域中与当前像素点的灰度值不相同的其他像素点的数量得到第二占比,获取区域中与当前像素点的灰度值相同的其他像素点的数量、第一占比和第二占比之间的第一乘积;分别计算区域中每个与当前像素点的灰度值相同的其他像素点和当前像素点之间的欧式距离,得到欧式距离之和,以欧式距离之和为分子、第一乘积为分母的比值作为当前像素点的锌膏密度指数。
其中,是像素点a的锌膏密度指数;是区域中与像素点a的灰度值相同的其他像素点的数量;为区域中与像素点a的灰度值相同的其他像素点的数量得到第一占比;为区域中与像素点a的灰度值不相同的其他像素点的数量得到第二占比;()是像素点a的坐标,()为区域中与像素点a的灰度值相同的其他像素点的坐标。
区域中与像素点a的灰度值相同的其他像素点的数量越多,且欧式距离越远,说明像素点a越不可能是锌膏区域的边界点,对应锌膏密度指数越大。
构建像素点的契合指数,像素点的契合指数的作用是结合锌膏密度指数和区域对称系数进一步判断每个像素点是灰度图像中锌膏区域的边缘点的可能性,则当前像素点的契合指数的获取方法为:根据当前像素点对应区域中每个像素点的锌膏密度指数计算平均锌膏密度指数,获取当前像素点的锌膏密度指数与平均锌膏密度指数的差值平方;获取当前像素点对应区域中像素点的总数量与当前像素点的锌膏密度指数的第二乘积,以第二乘积为分母、差值平方为分子的比值作为当前像素点的契合指数。
作为一个示例,契合指数T的计算公式为:
契合指数综合考虑了像素点p的区域对称系数和锌膏密度指数,锌膏密度指数与平均锌膏密度指数的差值越大,像素点p的契合指数越大,像素点的区域对称系数越小,像素点p的契合指数越大,说明像素点p与其灰度值相同的像素点的空间分布相对离散且对称性较弱,这就表明像素点p的周围不仅只有存在一个锌膏区域,还存在非锌膏区域,进而像素点p为锌膏区域边界点的可能就越大。
步骤S003,基于灰度图像中每个像素点的契合指数获取锌膏区域的边缘点,根据边缘点的契合指数得到多个初始锌膏区域,获取每个初始锌膏区域中的目标像素点;根据任意两个目标像素点的欧式距离得到以每个目标像素点为中心点的目标区域,基于8个梯度方向上每个像素点的灰度值获取每个目标区域的灰度阈值,利用灰度阈值对目标区域中的像素点的灰度值进行更新。
具体的,将灰度图像中每个像素点的契合指数按照从小到大排列,得到序列,利用最大类间方差法获取序列的最佳阈值,将契合指数小于最佳阈值的像素点作为边缘点。其中,最大类间方差法为公知技术,本方案不再赘述。
获取契合指数最小的边缘点为起始点,基于起始点利用边界跟踪技术得到多个初始锌膏区域:获取所有边缘点中契合指数最小的边缘点作为起始点b,由于锌膏区域是封闭区域,且锌膏区域的轮廓是连续的边缘线,因此以跟踪最终点回到起始点为终止条件;搜索规则设置为跟踪点与前一个起始点的契合指数的差值小于阈值1,则认为跟踪点可以作为新起始点,初始跟踪方向为起始点为水平方向,顺时针在起始点的八邻域内找到第一个满足搜素规则的像素点作为第二起始点,将第二起始点作为新起始点,搜索方向逆时针旋转90度作为新跟踪方向,继续下一个像素点的寻找,直到满足终止条件,进而得到由边缘点得到了多个锌膏区域对应的连续边缘线,每条连续边缘线包围的区域即为初始锌膏区域。
计算任意一个像素点分别与其所属初始锌膏区域内每个边缘点的灰度差值之和,将最小的灰度差值之和所对应的像素点作为目标像素点,进而得到每个初始锌膏区域中的所有目标像素点。
以一个初始锌膏区域为例,计算该初始锌膏区域汇总任意两个目标像素点之间的欧式距离,获取最大欧式距离,将最大欧式距离作为以每个目标像素点为中心点的目标区域的尺寸,在目标区域中按照梯度方向上每个像素点的灰度值进行灰度平滑,灰度平滑的目的是减少初始锌膏区域中的极小值点的数量。
其中灰度平滑的过程如下:
(1)基于8个梯度方向上每个像素点的灰度值获取每个目标区域的灰度阈值。
具体的,由于梯度是一个矢量,梯度方向指向边缘线的法线方向上取得局部最大灰度值的方向和图像边缘的方向总是正交的,因此将当前目标像素点对应目标区域中的8个梯度方向进行两两正交组合得到4组梯度组合,分别计算当前梯度组合中每个梯度方向上每个与当前目标像素点的灰度值不相同的其他像素点与当前目标像素点的第一灰度差值总和,将第一灰度差值总和相加得到当前梯度组合的灰度差值综合值,获取4组梯度组合的灰度差值综合值的最小值,将最小值与对应梯度组合中与当前目标像素点的灰度值不相同的像素点数量的比值作为当前目标像素点对应目标区域的灰度阈值。
灰度差值综合值的计算公式为:
其中,为第一组梯度组合的灰度差值综合值;为第一组梯度组合中梯度方向A上与当前目标像素点的灰度值不相同的其他像素点的数量;为第一组梯度组合中梯度方向B上与当前目标像素点的灰度值不相同的其他像素点的数量;为第一组梯度组合中梯度方向A上与当前目标像素点的灰度值不相同的其他像素点的灰度值;为第一组梯度组合中梯度方向B上与当前目标像素点的灰度值不相同的其他像素点的灰度值。
需要说明的是,取灰度差值综合值的最小值的目的是既要平滑掉一些极小值点,又要避免设置过大的灰度阈值将原本相差较大的像素点平滑掉。
(2)利用灰度阈值对目标区域中的像素点的灰度值进行更新。
具体的,计算目标区域中每个像素点与对应目标像素点之间的灰度差值,将灰度差值小于灰度阈值的像素点的灰度值更新为目标像素点的灰度值,初始锌膏区域中的每个像素点的灰度值只更新一次,更新后的像素点不再进行更新。
需要说明的是,这样的灰度值更新的目的是减少了目标区域内容易造成过分割的极小值点的情况。
(3)利用步骤(1)和步骤(2)对每个初始锌膏区域中的像素点的灰度值进行灰度平滑。
步骤S004,根据更新后每个初始锌膏区域中的像素点获取隔膜管图像中的初始分割区域,获取每个初始分割区域的颜色聚合向量,利用颜色聚合向量对初始分割区域进行区域合并得到隔膜管图像的最终分割区域;对隔膜管图像的最终分割区域设置标签得到标签隔膜管图像,利用多张标签隔膜管图像训练神经网络,以通过训练好的神经网络进行锌膏异常检测。
具体的,对灰度图像中每个初始锌膏区域进行灰度平滑后,利用分水岭算法对灰度图像进行图像分割,得到多个初始分割区域,也即是隔膜管图像中的初始分割区域。
由于锌膏区域的纹理信息复杂,保留了部分不合理的极小值点来标记区域,因此得到的初始分割区域仍然不够准确,则针对初始分割结果中的初始分割区域进行区域合并,以优化分割效果。其中区域合并的方法为:
对比相邻两个初始分割区域的相似性,如果两个初始分割区域对应的都是锌膏区域,那么这两个初始分割区域之间的相似度是比较高的,这两个初始分割区域的图像分布特征是比较接近的,如果相邻两个初始分割区域一个是锌膏区域,另一个是隔膜管的边缘区域,此时这两个初始分割区域之间的像素分布会有差异,因此根据相邻两个初始分割区域内的颜色分布分析其相似性。
分别获取相邻两个初始分割区域的颜色聚合向量,分别统计每个初始分割区域对应颜色聚合向量种每种元素的数量,分别将两个初始分割区域对应相同元素的数量相乘并二次开方,然后相加得到第一特征值;分别获取每个颜色聚合向量的元素均值,结合第一特征值、元素均值和每个初始分割区域中的像素点总数量得到相邻两个初始分割区域的合并抗拒程度。
合并抗拒程度的计算公式为:
其中,为相邻两个初始分割区域的合并抗拒程度;为相邻两个初始分割区域中第一个初始分割区域的颜色聚合向量中的第j个元素;为相邻两个初始分割区域中第二个初始分割区域的颜色聚合向量中的第j个元素;F为颜色聚合向量的长度;为相邻两个初始分割区域中第二个初始分割区域的颜色聚合向量的元素均值;为相邻两个初始分割区域中第一个初始分割区域的颜色聚合向量的元素均值;为相邻两个初始分割区域中第一个初始分割区域内的像素点总数量;为相邻两个初始分割区域中第二个初始分割区域内的像素点总数量。
设置合并抗拒阈值,当合并抗拒程度小于或等于合并抗拒阈值时,将对应相邻两个初始分割区域合并为一个最终分割区域;当合并抗拒程度大于合并抗拒阈值时,将对应相邻两个初始分割区域各为一个最终分割区域。
基于区域合并的方法,得到隔膜管图像的最终分割区域。为了实现对锌锰电池生产流水线上的锌膏检测,考虑借助神经网络处理图像任务的高效性,即采集多个电池钢壳内的隔膜管图像,获取每张隔膜管图像的最终分割区域,然后对隔膜管图像的最终分割区域设置标签:神经网络的标签是人为设置的,标签为2对应的是隔膜管图像中没有锌膏的情况,标签为1对应的是隔膜管图像中出现锌膏、标签为0对应的是隔膜管图像中锌膏溢出现象。
对隔膜管图像的最终分割区域按照上述标签的设置方法进行编码,编码方式选择one-hot编码,将编码结果作为神经网络的输入,以交叉熵损失函数作为神经网络的损失函数,神经网络的优化算法为随机梯度下降算法(SGD),进而实现神经网络的训练。根据将实时采集的隔膜管图像输入训练好的神经网络即可确认是否出现锌膏异常现象。
综上所述,本发明实施例获取电池钢壳中的隔膜管图像的灰度图像;设定像素点的8个梯度方向,基于梯度方向上像素点的灰度值获取每个像素点的区域对称系数和锌膏密度指数,以得到每个像素点的契合指数;基于契合指数获取锌膏区域的边缘点,进而得到多个初始锌膏区域,获取初始锌膏区域中的目标像素点,得到以每个目标像素点为中心点的目标区域,基于8个梯度方向上每个像素点的灰度值获取每个目标区域的灰度阈值,利用灰度阈值对目标区域中的像素点的灰度值进行更新;根据更新后每个初始锌膏区域中的像素点获取隔膜管图像中的初始分割区域,对初始分割区域进行区域合并得到隔膜管图像的最终分割区域;对隔膜管图像的最终分割区域设置标签得到标签隔膜管图像,利用多张标签隔膜管图像训练神经网络,以通过训练好的神经网络进行锌膏异常检测。基于神经网络的学习能力在保证检测准确性的前提下加快了对工业流水线生产过程中锌膏注入情况的检测速度。
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 (10)
1.基于计算机视觉的锌膏的智能检测方法,其特征在于,该方法包括以下步骤:
在锌锰电池的加工流水线上获取电池钢壳中的隔膜管图像;获取隔膜管图像的灰度图像;
设定像素点的8个梯度方向,以每个像素点为中心点得到对应的预设尺寸的区域,根据当前像素点对应区域中每个梯度方向上像素点的灰度值计算当前像素点的区域对称系数;根据区域中其他像素点与当前像素点的位置差异和灰度值差异获取当前像素点的锌膏密度指数;结合当前像素点的区域对称系数和对应区域中每个像素点的锌膏密度指数获取当前像素点的契合指数;
基于灰度图像中每个像素点的契合指数获取锌膏区域的边缘点,根据边缘点的契合指数得到多个初始锌膏区域,获取每个初始锌膏区域中的目标像素点;根据任意两个目标像素点的欧式距离得到以每个目标像素点为中心点的目标区域,基于8个梯度方向上每个像素点的灰度值获取每个目标区域的灰度阈值,利用灰度阈值对目标区域中的像素点的灰度值进行更新;
根据更新后每个初始锌膏区域中的像素点获取隔膜管图像中的初始分割区域,获取每个初始分割区域的颜色聚合向量,利用颜色聚合向量对初始分割区域进行区域合并得到隔膜管图像的最终分割区域;对隔膜管图像的最终分割区域设置标签得到标签隔膜管图像,利用多张标签隔膜管图像训练神经网络,以通过训练好的神经网络进行锌膏异常检测。
2.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述区域对称系数的获取方法,包括:
在区域中统计每个梯度方向上与当前像素点的灰度值相同的像素点的第一数量,以及与当前像素点的灰度值不相同的像素点的第二数量;计算每个梯度方向上像素点间的灰度差值总和,统计区域中像素点的总数量,结合第一数量、第二数量、灰度差值总和与像素点的总数量获取当前像素点的区域对称系数,则区域对称系数的计算公式为:
3.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述锌膏密度指数的获取方法,包括:
根据当前像素点对应区域中与当前像素点的灰度值相同的其他像素点的数量得到第一占比,根据当前像素点对应区域中与当前像素点的灰度值不相同的其他像素点的数量得到第二占比,获取区域中与当前像素点的灰度值相同的其他像素点的数量、第一占比和第二占比之间的第一乘积;分别计算区域中每个与当前像素点的灰度值相同的其他像素点和当前像素点之间的欧式距离,得到欧式距离之和,以欧式距离之和为分子、第一乘积为分母的比值作为当前像素点的锌膏密度指数。
4.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述契合指数的获取方法,包括:
根据当前像素点对应区域中每个像素点的锌膏密度指数计算平均锌膏密度指数,获取当前像素点的锌膏密度指数与平均锌膏密度指数的差值平方;获取当前像素点对应区域中像素点的总数量与当前像素点的锌膏密度指数的第二乘积,以第二乘积为分母、差值平方为分子的比值作为当前像素点的契合指数。
5.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述基于灰度图像中每个像素点的契合指数获取锌膏区域的边缘点的方法,包括:
将灰度图像中每个像素点的契合指数按照从小到大排列,得到序列,利用最大类间方差法获取序列的最佳阈值,将契合指数小于最佳阈值的像素点作为边缘点。
6.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述根据边缘点的契合指数得到多个初始锌膏区域的方法,包括:
获取契合指数最小的边缘点为起始点,基于起始点利用边界跟踪技术得到多个初始锌膏区域。
7.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述获取每个初始锌膏区域中的目标像素点的方法,包括:
计算任意一个像素点分别与其所属初始锌膏区域内每个边缘点的灰度差值之和,将最小的灰度差值之和所对应的像素点作为目标像素点。
8.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述灰度阈值的获取方法,包括:
将当前目标像素点对应目标区域中的8个梯度方向进行两两正交组合得到4组梯度组合,分别计算当前梯度组合中每个梯度方向上每个与当前目标像素点的灰度值不相同的其他像素点与当前目标像素点的第一灰度差值总和,将第一灰度差值总和相加得到当前梯度组合的灰度差值综合值,获取4组梯度组合的灰度差值综合值的最小值,将最小值与对应梯度组合中与当前目标像素点的灰度值不相同的像素点数量的比值作为当前目标像素点对应目标区域的灰度阈值。
9.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述利用灰度阈值对目标区域中的像素点的灰度值进行更新的方法,包括:
计算目标区域中每个像素点与对应目标像素点之间的灰度差值,将灰度差值小于灰度阈值的像素点的灰度值更新为目标像素点的灰度值,初始锌膏区域中的每个像素点的灰度值只更新一次,更新后的像素点不再进行更新。
10.如权利要求1所述的基于计算机视觉的锌膏的智能检测方法,其特征在于,所述最终分割区域的获取方法,包括:
分别获取相邻两个初始分割区域的颜色聚合向量,分别统计每个初始分割区域对应颜色聚合向量种每种元素的数量,分别将两个初始分割区域对应相同元素的数量相乘并二次开方,然后相加得到第一特征值;分别获取每个颜色聚合向量的元素均值,结合第一特征值、元素均值和每个初始分割区域中的像素点总数量得到相邻两个初始分割区域的合并抗拒程度;
设置合并抗拒阈值,当合并抗拒程度小于或等于合并抗拒阈值时,将对应相邻两个初始分割区域合并为一个最终分割区域;当合并抗拒程度大于合并抗拒阈值时,将对应相邻两个初始分割区域各为一个最终分割区域;
其中,合并抗拒程度的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154259.2A CN115457004B (zh) | 2022-09-22 | 2022-09-22 | 基于计算机视觉的锌膏的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154259.2A CN115457004B (zh) | 2022-09-22 | 2022-09-22 | 基于计算机视觉的锌膏的智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457004A true CN115457004A (zh) | 2022-12-09 |
CN115457004B CN115457004B (zh) | 2023-05-26 |
Family
ID=84306657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211154259.2A Active CN115457004B (zh) | 2022-09-22 | 2022-09-22 | 基于计算机视觉的锌膏的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457004B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128877A (zh) * | 2023-04-12 | 2023-05-16 | 山东鸿安食品科技有限公司 | 一种基于温度检测的排汽回收智能监测系统 |
CN116168027A (zh) * | 2023-04-24 | 2023-05-26 | 山东交通学院 | 基于视觉定位的木工机械智能切割方法 |
CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117036346A (zh) * | 2023-10-08 | 2023-11-10 | 山东瑞达硅胶有限公司 | 基于计算机视觉的硅胶污水处理智能监测方法 |
CN117314901A (zh) * | 2023-11-28 | 2023-12-29 | 闽都创新实验室 | 一种尺度自适应的芯片检测神经网络系统 |
CN117392165A (zh) * | 2023-12-12 | 2024-01-12 | 南方医科大学南方医院 | 一种基于人工智能的医疗样本大数据采集方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1895466A1 (en) * | 2006-08-30 | 2008-03-05 | BRITISH TELECOMMUNICATIONS public limited company | Providing an image for display |
CN104541302A (zh) * | 2012-03-26 | 2015-04-22 | Tk控股公司 | 距离提示对象分割系统和方法 |
CA2948226A1 (en) * | 2014-06-30 | 2016-01-07 | Ventana Medical Systems, Inc. | Detecting edges of a nucleus using image analysis |
CN107040291A (zh) * | 2010-03-10 | 2017-08-11 | 无线电力公司 | 无线能量转移转换器 |
CN113658132A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳九鼎钢铁有限公司 | 基于计算机视觉的结构件焊缝检测方法 |
CN113706495A (zh) * | 2021-08-23 | 2021-11-26 | 广东奥普特科技股份有限公司 | 一种在传送带上自动检测锂电池参数的机器视觉检测系统 |
CN113724193A (zh) * | 2021-06-04 | 2021-11-30 | 重庆理工大学 | Pcba零部件尺寸及间隙高精度视觉测量方法 |
CN113763468A (zh) * | 2021-01-21 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种定位方法、装置、系统及存储介质 |
CN114581407A (zh) * | 2022-03-06 | 2022-06-03 | 扬州晶华新能源科技有限公司 | 一种光伏模块的自适应缺陷检测方法 |
CN114677384A (zh) * | 2022-03-13 | 2022-06-28 | 江苏神州新能源电力有限公司 | 一种太阳能电池镀膜缺陷检测方法 |
-
2022
- 2022-09-22 CN CN202211154259.2A patent/CN115457004B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1895466A1 (en) * | 2006-08-30 | 2008-03-05 | BRITISH TELECOMMUNICATIONS public limited company | Providing an image for display |
CN107040291A (zh) * | 2010-03-10 | 2017-08-11 | 无线电力公司 | 无线能量转移转换器 |
CN104541302A (zh) * | 2012-03-26 | 2015-04-22 | Tk控股公司 | 距离提示对象分割系统和方法 |
CA2948226A1 (en) * | 2014-06-30 | 2016-01-07 | Ventana Medical Systems, Inc. | Detecting edges of a nucleus using image analysis |
CN113763468A (zh) * | 2021-01-21 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种定位方法、装置、系统及存储介质 |
CN113724193A (zh) * | 2021-06-04 | 2021-11-30 | 重庆理工大学 | Pcba零部件尺寸及间隙高精度视觉测量方法 |
CN113658132A (zh) * | 2021-08-16 | 2021-11-16 | 沭阳九鼎钢铁有限公司 | 基于计算机视觉的结构件焊缝检测方法 |
CN113706495A (zh) * | 2021-08-23 | 2021-11-26 | 广东奥普特科技股份有限公司 | 一种在传送带上自动检测锂电池参数的机器视觉检测系统 |
CN114581407A (zh) * | 2022-03-06 | 2022-06-03 | 扬州晶华新能源科技有限公司 | 一种光伏模块的自适应缺陷检测方法 |
CN114677384A (zh) * | 2022-03-13 | 2022-06-28 | 江苏神州新能源电力有限公司 | 一种太阳能电池镀膜缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
YI XIAO 等: "Symmetry-based presentation for stem-cell image segmentation", 《2011 IEEE 1ST INTERNATIONAL CONFERENCE ON COMPUTATIONAL ADVANCES IN BIO AND MEDICAL SCIENCES (ICCABS)》 * |
苑泊舟 等: "基于差分法和概率估计方法的运动目标检测", 《天津理工大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128877B (zh) * | 2023-04-12 | 2023-06-30 | 山东鸿安食品科技有限公司 | 一种基于温度检测的排汽回收智能监测系统 |
CN116128877A (zh) * | 2023-04-12 | 2023-05-16 | 山东鸿安食品科技有限公司 | 一种基于温度检测的排汽回收智能监测系统 |
CN116168027A (zh) * | 2023-04-24 | 2023-05-26 | 山东交通学院 | 基于视觉定位的木工机械智能切割方法 |
CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
CN116758083B (zh) * | 2023-08-21 | 2023-10-31 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
CN116912250B (zh) * | 2023-09-13 | 2023-11-28 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN116912250A (zh) * | 2023-09-13 | 2023-10-20 | 山东众成菌业股份有限公司 | 基于机器视觉的菌包生产质量检测方法 |
CN117036346A (zh) * | 2023-10-08 | 2023-11-10 | 山东瑞达硅胶有限公司 | 基于计算机视觉的硅胶污水处理智能监测方法 |
CN117036346B (zh) * | 2023-10-08 | 2024-01-26 | 山东瑞达硅胶有限公司 | 基于计算机视觉的硅胶污水处理智能监测方法 |
CN117314901A (zh) * | 2023-11-28 | 2023-12-29 | 闽都创新实验室 | 一种尺度自适应的芯片检测神经网络系统 |
CN117314901B (zh) * | 2023-11-28 | 2024-02-02 | 闽都创新实验室 | 一种尺度自适应的芯片检测神经网络系统 |
CN117392165A (zh) * | 2023-12-12 | 2024-01-12 | 南方医科大学南方医院 | 一种基于人工智能的医疗样本大数据采集方法 |
CN117392165B (zh) * | 2023-12-12 | 2024-02-23 | 南方医科大学南方医院 | 一种基于人工智能的医疗样本大数据采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115457004B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115457004B (zh) | 基于计算机视觉的锌膏的智能检测方法 | |
CN114170228B (zh) | 一种计算机图像边缘检测方法 | |
CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
CN106875395B (zh) | 基于深度神经网络的超像素级sar图像变化检测方法 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN111612763A (zh) | 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN111583178B (zh) | 一种在藻类细胞显微图像中分割黏连藻类细胞的方法 | |
CN115049657A (zh) | 一种玻璃缺陷检测方法 | |
CN111008632A (zh) | 一种基于深度学习的车牌字符分割方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN116309577B (zh) | 一种高强传送带物料智能检测方法及系统 | |
CN116844036A (zh) | 基于人工智能及opencv图像识别算法的覆冰类型与厚度检测方法 | |
CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
CN114648511A (zh) | 一种大肠杆菌轮廓的精确提取及识别方法 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
CN114758125B (zh) | 基于深度学习的齿轮表面缺陷检测方法与系统 | |
CN116612123A (zh) | 一种花生油加工质量视觉检测方法 | |
CN112163636A (zh) | 基于孪生神经网络的电磁信号辐射源的未知模式识别方法 | |
CN113947732B (zh) | 基于强化学习图像亮度调节的空中视角人群计数方法 | |
CN117593295B (zh) | 一种手机数据线生产缺陷无损检测方法 | |
CN115456113A (zh) | 一种基于星座图多特征提取算法的调制格式识别方法 | |
CN109685823B (zh) | 一种基于深度森林的目标跟踪方法 |
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 |
Denomination of invention: Intelligent detection method for zinc paste based on computer vision Effective date of registration: 20231013 Granted publication date: 20230526 Pledgee: Linyi Xincheng Sub branch of Postal Savings Bank of China Co.,Ltd. Pledgor: Shandong Huatai New Energy Battery Co.,Ltd. Registration number: Y2023980061239 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |