CN115457276B - 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法 - Google Patents

基于视觉检测的输配电变压器高压绕组缠绕角度检测方法 Download PDF

Info

Publication number
CN115457276B
CN115457276B CN202211142078.8A CN202211142078A CN115457276B CN 115457276 B CN115457276 B CN 115457276B CN 202211142078 A CN202211142078 A CN 202211142078A CN 115457276 B CN115457276 B CN 115457276B
Authority
CN
China
Prior art keywords
image
power transmission
steps
winding
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
CN202211142078.8A
Other languages
English (en)
Other versions
CN115457276A (zh
Inventor
孙克伟
许家忠
郑诗意
张泞烁
王北一
周佳
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202211142078.8A priority Critical patent/CN115457276B/zh
Publication of CN115457276A publication Critical patent/CN115457276A/zh
Application granted granted Critical
Publication of CN115457276B publication Critical patent/CN115457276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，包括以下步骤：S1、采集输配电变压器高压绕组缠绕图像；S2、识别区域分割，创建Mask掩膜生成导线的有效识别区域；S3、对有效识别区域进行预处理，进行二值化处理；S4、对二值化图像进行导线骨架提取，而后进行骨架边缘提取，再应用霍夫变换直线检测算法对骨架图像进行特征直线提取，得到每根导线的图像位置信息；S5、计算每根导线的斜率，再将斜率转换为弧度值，最后将弧度值转换为角度值并输出；S6、测试验证。本发明采用上述方法，与传统人工测量相比，具有定位准确、快速计算、操作简单、不接触的特点，从而避免接触产品表面导致的人为破坏产品，同时提升了生产效率。

Description

基于视觉检测的输配电变压器高压绕组缠绕角度检测方法
技术领域
本发明涉及一种图像识别技术，尤其涉及一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法。
背景技术
随着科技和经济的快速发展，各个行业对电力的使用需求越来越大，作为电力系统基础设备的输配电输配电变压器，其需求量也与日俱增。常见的电力输配电变压器由高压低压绕组及硅钢片堆叠而成，其中高压绕组由半自动机器缠绕金属导线制成，绕组的产品质量是影响输配电变压器工作可靠性的关键因素。
然而目前高压绕组的自动缠绕设备存在张力波动较大、人工干预较多的问题，特别是缠绕异形绕组时，施加在导线上的张力处于高速波动的循环状态，一旦排线轴移动速度和主轴旋转速度出现细小不匹配的情况时，容易使已经缠绕完的绕组出现角度变化。排线角度过小会引起导线张力在纵轴方向上的分力大于横轴方向上的支持力和摩擦力，导致线材紧绷甚至出现断裂或跳线；排线角度过大会引起导线上张力在纵轴方向的分力远小于支持力和摩擦力，易导致相邻导线间隙过大，容易造成跳线或串线，下一层导线嵌入到缝隙中。
因此要得到紧密排布的线圈，需要限定排线角度的变化范围，所以机器工作时需要同步检查绕组缠绕状态。传统的质量检测方法是在缠绕完一层后由人工用观察或者使用千分尺的方式测量缠绕角度是否在规定范围内，但是不同人工的评判标准略有不同，且长时间观察导线易产生视觉疲劳，不能及时发现缠绕错误，无法及时作出判断。
因此，本发明公开了一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法。
发明内容
本发明的目的是提供一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，与传统人工测量相比，具有定位准确、快速计算、操作简单、不接触的特点，从而避免接触产品表面导致的人为破坏产品，同时提升了生产效率。
为实现上述目的，本发明提供了一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，包括以下步骤：
S1、搭建机器视觉图像采集系统，采集输配电变压器高压绕组缠绕图像；
S2、对采集的图像进行识别区域分割，创建Mask掩膜生成导线的有效识别区域的图像；
S3、对有效识别有效识别区域进行预处理，使用切片自适应动态阈值分割算法对图像进行二值化处理；
S4、对二值化图像进行导线骨架提取，而后进行骨架边缘提取，再应用霍夫变换直线检测算法对骨架图像进行特征直线提取，得到每根导线的图像位置信息；
S5、计算每根导线的斜率，再将斜率转换为弧度值，最后将弧度值转换为角度值并输出，即可获得每根导线的缠绕角度值；
S6、测试验证。
优选的，步骤S1中的图像采集系统包括设置于导线排线机上的图像采集机构，所述图像采集机构包括工业相机、设置于所述工业相机机头位置的镜头以及设置于所述镜头前端的面阵光源。
优选的，所述图像采集机构和所述导线排线机均设置于水平导轨上，所述水平导轨与绕线主轴平行布置，且所述图像采集机构位于所述绕线主轴上方55cm高度处。
优选的，所述工业相机型号为MER2-1220-32U3C；
所述镜头型号为大恒HN-1226-20M-C1/1X。
优选的，在步骤S2中，根据成像效果创建Mask掩膜覆盖原图像，掩膜大小以四分之一的原图像面积为大小，调整在图像中的位置，选取成像效果最优的区域作为有效识别区域，从而去除原图像中的无效信息。
优选的，在步骤S3中具体包括以下步骤：
S30、预处理
降噪后，采用中值滤波方法对图像滤波
S31、二值化处理；
S310、计算分割后的每一部分子图像的像素数量areai为：
Figure BDA0003853928840000031
其中，h为图像高度，w为图像宽度，n为横向切片数；
S311、计算每个子图像的灰度级分布Lij：
Figure BDA0003853928840000032
其中，i为切片图像，i∈[1,n]；j为灰度级，j∈[0,255]；Fxy(ij)为第i个切片图像中灰度级为j的像素点Fxy的个数。
S312、计算每个灰度级所占子图像总像素的比值Pij：
Figure BDA0003853928840000033
S313、计算累积灰度级所占比值Sik：
Figure BDA0003853928840000034
S314、归一化处理，计算自适应后对应Lij的Nik：
Nik＝round[Sik×(Lmax-Lmin+1)]
其中，round表示向上取整，Lmax为最大灰度等级，Lmin为最小灰度等级；
S315、上述灰度图像的平均灰度值avegray：
Figure BDA0003853928840000041
S316、经试验取avegray/2为阈值分割图像，高于阈值置为255，低于等于阈值置为0，得到二值图像。
优选的，在步骤S4中具体包括以下步骤：
S40、导线骨架提取
循环使用图像开运算和图像减法，每次迭代都有部分像素被腐蚀，直至原图像迭代没有被腐蚀像素点，用上一步得到的被腐蚀掉的像素的集合与最原始的图像按“或”逻辑操作，即可得到完整的导线骨架；
S41、骨架边缘提取
使用Canny算子进行边缘提取，双阈值中高阈值取500，低阈值取150，Sobel核大小取3，得到骨架边缘图像；
S42、霍夫变换直线检测
根据霍夫直线检测原理对骨架边缘图像提取特征直线，建立直线数组覆盖骨架信息，ρ精度取1，θ精度取π/180，最小线条长度取100个像素，最小线距取150个像素，拟合直线后得到每条骨架的端点坐标。
优选的，在步骤S5中包括以下步骤：
S50、计算每根导线的斜率：
k＝(x2-x1)/(y2–y1)
其中，x1为每条特征直线的上部端点横坐标，x2为每条特征直线的下部端点横坐标，y1为每条特征直线的上部端点纵坐标，y2为每条特征直线的下部端点纵坐标；
S51、将斜率转换为弧度值：
Rad＝arctan(k)
S52、将弧度值转换为角度值：
Angle＝degress(Rad)
其中，Angle为弧度值；degress为弧度值转角度值；Rad为弧度值。
优选的，在步骤S52中当识别算出绕组角度为90度时，斜率无穷大，这时设置输出角度为90度。
优选的，在步骤S6中，利用Python编写输配电变压器高压绕组缠绕角度检测代码，当识别的角度超出预定范围时认为缠绕效果和设定结果存在较大偏差，给出反馈提醒。
因此，本发明采用上述基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，与传统人工测量相比，具有定位准确、快速计算、操作简单、不接触的特点，从而避免接触产品表面导致的人为破坏产品，同时提升了生产效率。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的流程框图；
图2为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的实施例1的处理效果图；
图3为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的实施例2的处理效果图；
图4为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的图像采集系统结构示意图。
其中：1、导线排线机；2、水平导轨；3、支撑架；4、工业相机；5、镜头；6、绕线主轴；7、光源。
具体实施方式
以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
图1为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的流程框图；图2为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的实施例1的处理效果图；图3为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的实施例2的处理效果图；图4为本发明的实施例一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法的图像采集系统结构示意图，如图1-图4所示，本发明包括以下步骤：
S1、搭建机器视觉图像采集系统，采集输配电变压器高压绕组缠绕图像；
优选的，步骤S1中的图像采集系统包括设置于导线排线机1上的图像采集机构，所述图像采集机构包括工业相机4、设置于所述工业相机4机头位置的镜头5以及设置于所述镜头5前端的光源7。优选的，所述图像采集机构和所述导线排线机1均设置于水平导轨2上，本实施例中所述图像采集机构和所述导线排线机1均经支撑架3设置于水平导轨2上，所述水平导轨2与绕线主轴6平行布置，且所述图像采集机构位于所述绕线主轴6上方55cm高度处。优选的，所述工业相机4型号为MER2-1220-32U3C；所述镜头5型号为大恒HN-1226-20M-C1/1X。
S2、对采集的图像进行识别区域分割，创建Mask掩膜生成导线的有效识别区域的图像；
优选的，在步骤S2中，根据成像效果创建Mask掩膜覆盖原图像，掩膜大小以四分之一的原图像面积为大小，调整在图像中的位置，选取成像效果最优的区域作为有效识别区域，从而去除原图像中的无效信息。
S3、对有效识别区域进行预处理，使用切片自适应动态阈值分割算法对图像进行二值化处理；
优选的，在步骤S3中具体包括以下步骤：
S30、预处理
降噪后，采用中值滤波方法对图像滤波
S31、二值化处理；
S310、计算分割后的每一部分子图像的像素数量areai为：
Figure BDA0003853928840000071
其中，h为图像高度，w为图像宽度，n为横向切片数；
S311、计算每个子图像的灰度级分布Lij：
Figure BDA0003853928840000072
其中，i为切片图像，i∈[1,n]；j为灰度级，j∈[0,255]；Fxy(ij)为第i个切片图像中灰度级为j的像素点Fxy的个数。
S312、计算每个灰度级所占子图像总像素的比值Pij：
Figure BDA0003853928840000073
S313、计算累积灰度级所占比值Sik：
Figure BDA0003853928840000074
S314、归一化处理，计算自适应后对应Lij的Nik：
Nik＝round[Sik×(Lmax-Lmin+1)]
其中，round表示向上取整，Lmax为最大灰度等级，Lmin为最小灰度等级；
S315、上述灰度图像的平均灰度值avegray：
Figure BDA0003853928840000075
S316、经试验取avegray/2为阈值分割图像，高于阈值置为255，低于等于阈值置为0，得到二值图像。
S4、对二值化图像进行导线骨架提取，而后进行骨架边缘提取，再应用霍夫变换直线检测算法对骨架图像进行特征直线提取，得到每根导线的图像位置信息；
优选的，在步骤S4中具体包括以下步骤：
S40、导线骨架提取
循环使用图像开运算和图像减法，每次迭代都有部分像素被腐蚀，直至原图像迭代没有被腐蚀像素点，用上一步得到的被腐蚀掉的像素的集合与最原始的图像按“或”逻辑操作，即可得到完整的导线骨架；
S41、骨架边缘提取
使用Canny算子进行边缘提取，双阈值中高阈值取500，低阈值取150，Sobel核大小取3，得到骨架边缘图像；
S42、霍夫变换直线检测
根据霍夫直线检测原理对骨架边缘图像提取特征直线，建立直线数组覆盖骨架信息，ρ精度取1，θ精度取π/180，最小线条长度取100个像素，最小线距取150个像素，拟合直线后得到每条骨架的端点坐标。
S5、计算每根导线的斜率，再将斜率转换为弧度值，最后将弧度值转换为角度值并输出，即可获得每根导线的缠绕角度值；
优选的，在步骤S5中包括以下步骤：
S50、计算每根导线的斜率：
k＝(x2-x1)/(y2–y1)
其中，x1为每条特征直线的上部端点横坐标，x2为每条特征直线的下部端点横坐标，y1为每条特征直线的上部端点纵坐标，y2为每条特征直线的下部端点纵坐标；
S51、将斜率转换为弧度值：
Rad＝arctan(k)
S52、将弧度值转换为角度值：
Angle＝degress(Rad)
其中，Angle为弧度值；degress为弧度值转角度值；Rad为弧度值。
优选的，在步骤S52中当识别算出绕组角度为90度时，斜率无穷大，这时设置输出角度为90度。
S6、测试验证。
优选的，在步骤S6中，利用Python编写输配电变压器高压绕组缠绕角度检测代码，当识别的角度超出预定范围时认为缠绕效果和设定结果存在较大偏差，给出反馈提醒。
因此，本发明采用上述基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，与传统人工测量相比，具有定位准确、快速计算、操作简单、不接触的特点，从而避免接触产品表面导致的人为破坏产品，同时提升了生产效率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：包括以下步骤：
S1、搭建机器视觉图像采集系统，采集输配电变压器高压绕组缠绕图像；
S2、对采集的图像进行识别区域分割，创建Mask掩膜生成导线的有效识别区域的图像；
S3、对有效识别区域进行预处理，使用切片自适应动态阈值分割算法对图像进行二值化处理；
在步骤S3中具体包括以下步骤：
S30、预处理
降噪后，采用中值滤波方法对图像滤波
S31、二值化处理；
S310、计算分割后的每一部分子图像的像素数量areai为：
Figure QLYQS_1
其中，h为图像高度，w为图像宽度，n为横向切片数；
S311、计算每个子图像的灰度级分布Lij：
Figure QLYQS_2
其中，i为切片图像，i∈[1,n]；j为灰度级，j∈[0,255]；Fxy(ij)为第i个切片图像中灰度级为j的像素点Fxy的个数；
S312、计算每个灰度级所占子图像总像素的比值Pij：
Figure QLYQS_3
S313、计算累积灰度级所占比值Sik：
Figure QLYQS_4
S314、归一化处理，计算自适应后对应Lij的Nik：
Nik＝round[Sik×(Lmax-Lmin+1)]
其中，round表示向上取整，Lmax为最大灰度等级，Lmin为最小灰度等级；
S315、上述灰度图像的平均灰度值avegray：
Figure QLYQS_5
S316、经试验取avegray/2为阈值分割图像，高于阈值置为255，低于等于阈值置为0，得到二值图像；
S4、对二值化图像进行导线骨架提取，而后进行骨架边缘提取，再应用霍夫变换直线检测算法对骨架图像进行特征直线提取，得到每根导线的图像位置信息；
S5、计算每根导线的斜率，再将斜率转换为弧度值，最后将弧度值转换为角度值并输出，即可获得每根导线的缠绕角度值；
S6、测试验证。
2.根据权利要求1所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：步骤S1中的图像采集系统包括设置于导线排线机上的图像采集机构，所述图像采集机构包括工业相机、设置于所述工业相机机头位置的镜头以及设置于所述镜头前端的面阵光源。
3.根据权利要求2所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：所述图像采集机构和所述导线排线机均设置于水平导轨上，所述水平导轨与绕线主轴平行布置，且所述图像采集机构位于所述绕线主轴上方55cm高度处。
4.根据权利要求2所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：所述工业相机型号为MER2-1220-32U3C；
所述镜头型号为大恒HN-1226-20M-C1/1X。
5.根据权利要求1所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：在步骤S2中，根据成像效果创建Mask掩膜覆盖原图像，掩膜大小以四分之一的原图像面积为大小，调整在图像中的位置，选取成像效果最优的区域作为有效识别区域，从而去除原图像中的无效信息。
6.根据权利要求1所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：在步骤S4中具体包括以下步骤：
S40、导线骨架提取
循环使用图像开运算和图像减法，每次迭代都有部分像素被腐蚀，直至原图像迭代没有被腐蚀像素点，用上一步得到的被腐蚀掉的像素的集合与最原始的图像按“或”逻辑操作，即可得到完整的导线骨架；
S41、骨架边缘提取
使用Canny算子进行边缘提取，双阈值中高阈值取500，低阈值取150，Sobel核大小取3，得到骨架边缘图像；
S42、霍夫变换直线检测
根据霍夫直线检测原理对骨架边缘图像提取特征直线，建立直线数组覆盖骨架信息，ρ精度取1，θ精度取π/180，最小线条长度取100个像素，最小线距取150个像素，拟合直线后得到每条骨架的端点坐标。
7.根据权利要求6所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：在步骤S5中包括以下步骤：
S50、计算每根导线的斜率：
k＝(x2-x1)/(y2–y1)
其中，x1为每条特征直线的上部端点横坐标，x2为每条特征直线的下部端点横坐标，y1为每条特征直线的上部端点纵坐标，y2为每条特征直线的下部端点纵坐标；
S51、将斜率转换为弧度值：
Rad＝arctan(k)
S52、将弧度值转换为角度值：
Angle＝degress(Rad)
其中，Angle为角度值；degress为弧度值转角度值；Rad为弧度值。
8.根据权利要求7所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：在步骤S52中当识别算出绕组角度为90度时，斜率无穷大，这时设置输出角度为90度。
9.根据权利要求1所述的一种基于视觉检测的输配电变压器高压绕组缠绕角度检测方法，其特征在于：在步骤S6中，利用Python编写输配电变压器高压绕组缠绕角度检测代码，当识别的角度超出预定范围时认为缠绕效果和设定结果存在较大偏差，给出反馈提醒。
CN202211142078.8A 2022-09-20 2022-09-20 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法 Active CN115457276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211142078.8A CN115457276B (zh) 2022-09-20 2022-09-20 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211142078.8A CN115457276B (zh) 2022-09-20 2022-09-20 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法

Publications (2)

Publication Number Publication Date
CN115457276A CN115457276A (zh) 2022-12-09
CN115457276B true CN115457276B (zh) 2023-05-30

Family

ID=84304218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211142078.8A Active CN115457276B (zh) 2022-09-20 2022-09-20 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法

Country Status (1)

Country Link
CN (1) CN115457276B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883503A (zh) * 2023-09-07 2023-10-13 山东千颐科技有限公司 一种立井提升机尾绳缠绕ai视觉识别检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11328408A (ja) * 1998-05-12 1999-11-30 Advantest Corp データ処理装置および方法、情報記憶媒体
JP2004131209A (ja) * 2002-10-08 2004-04-30 Mitsubishi Electric Corp 線捲巻体検査装置および線捲巻体検査方法
WO2013008746A1 (ja) * 2011-07-14 2013-01-17 株式会社メガチップス 直線検出装置および直線検出方法
CN104981105A (zh) * 2015-07-09 2015-10-14 广东工业大学 一种快速精确获得元件中心和偏转角度的检测及纠偏方法
AT515521B1 (de) * 2014-07-23 2015-10-15 Trumpf Maschinen Austria Gmbh Biegewinkelmessvorrichtung und Verfahren zum Messen eines Biegewinkels mittels der Biegewinkelmessvorrichtung
CN112417931A (zh) * 2019-08-23 2021-02-26 河海大学常州校区 一种基于视觉显著性的水面物体检测和分类的方法
WO2021093283A1 (zh) * 2019-11-14 2021-05-20 青岛理工大学 基于多传感融合的海面小面积溢油区域检测系统及检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4536955B2 (ja) * 2001-05-28 2010-09-01 株式会社神戸製鋼所 整列巻乱れ検出装置
JP4654348B1 (ja) * 2010-02-23 2011-03-16 多摩川精機株式会社 検出装置用巻線の正弦波巻線方法
WO2016134474A1 (en) * 2015-02-25 2016-09-01 London Health Sciences Centre Research Inc. Automated segmentation of histological sections for vasculature quantification
EP3730903B1 (en) * 2017-12-21 2023-02-15 Mitsubishi Electric Corporation Redundant resolver and rotation angle detection device using same
JP7119970B2 (ja) * 2018-12-12 2022-08-17 トヨタ自動車株式会社 位置検出方法及び位置検出装置
CN110334740A (zh) * 2019-06-05 2019-10-15 武汉大学 人工智能推理融合的电力设备故障检测定位方法
CN110782436B (zh) * 2019-10-18 2023-11-17 宁波大学 一种基于计算机视觉的传送带物料状态检测方法
CN111751763B (zh) * 2020-06-08 2021-08-10 武汉大学 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法
CN114973089A (zh) * 2022-05-30 2022-08-30 福州大学 基于图像视觉算法的接触网和受电弓接触点检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11328408A (ja) * 1998-05-12 1999-11-30 Advantest Corp データ処理装置および方法、情報記憶媒体
JP2004131209A (ja) * 2002-10-08 2004-04-30 Mitsubishi Electric Corp 線捲巻体検査装置および線捲巻体検査方法
WO2013008746A1 (ja) * 2011-07-14 2013-01-17 株式会社メガチップス 直線検出装置および直線検出方法
AT515521B1 (de) * 2014-07-23 2015-10-15 Trumpf Maschinen Austria Gmbh Biegewinkelmessvorrichtung und Verfahren zum Messen eines Biegewinkels mittels der Biegewinkelmessvorrichtung
CN104981105A (zh) * 2015-07-09 2015-10-14 广东工业大学 一种快速精确获得元件中心和偏转角度的检测及纠偏方法
CN112417931A (zh) * 2019-08-23 2021-02-26 河海大学常州校区 一种基于视觉显著性的水面物体检测和分类的方法
WO2021093283A1 (zh) * 2019-11-14 2021-05-20 青岛理工大学 基于多传感融合的海面小面积溢油区域检测系统及检测方法

Also Published As

Publication number Publication date
CN115457276A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN110930390B (zh) 基于半监督深度学习的芯片管脚缺失检测方法
WO2021168733A1 (zh) 缺陷图像的缺陷检测方法、装置及计算机可读存储介质
CN109426814B (zh) 一种发票图片特定板块的定位、识别方法、系统、设备
CN109523529B (zh) 一种基于surf算法的输电线路缺陷识别方法
CN109142383B (zh) 一种基于形态学的字符缺陷检测方法
CN109993154B (zh) 变电站单指针式六氟化硫型仪表智能识别方法
CN114022403A (zh) 检测显示面板不良的方法及装置
CN115457276B (zh) 基于视觉检测的输配电变压器高压绕组缠绕角度检测方法
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
CN113221889A (zh) 一种芯片字符抗干扰识别方法及装置
CN106599890A (zh) 变电站巡检机器人数字式仪表识别算法
CN112669295A (zh) 一种基于二次阈值分割理论的锂电池极片缺陷检测方法
CN111626249A (zh) 题目图像中几何图形的识别方法、装置和计算机存储介质
CN112258444A (zh) 一种电梯钢丝绳检测方法
CN115290663A (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN114235837A (zh) 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备
CN104112123A (zh) 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法
CN116128873A (zh) 一种基于图像识别的轴承保持器检测方法、设备及介质
CN115866502A (zh) 一种麦克风零件表面缺陷在线检测流程
CN110570398A (zh) 一种基于深度学习技术的线缆接头焊点合格性检测方法
CN113393414A (zh) 基于深度学习的冷轧带钢磨后辊印缺陷检测方法及系统
CN116109633B (zh) 一种轴承保持器的窗口检测方法及设备
CN105699386B (zh) 一种采用接触式图像传感器的自动验布标记方法
CN111707672A (zh) 风电回转支撑件表面缺陷检测方法

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