CN115511842A - 一种基于机器视觉的电缆绝缘表皮破损检测方法 - Google Patents
一种基于机器视觉的电缆绝缘表皮破损检测方法 Download PDFInfo
- Publication number
- CN115511842A CN115511842A CN202211204178.9A CN202211204178A CN115511842A CN 115511842 A CN115511842 A CN 115511842A CN 202211204178 A CN202211204178 A CN 202211204178A CN 115511842 A CN115511842 A CN 115511842A
- Authority
- CN
- China
- Prior art keywords
- pixel points
- pixel
- pixel point
- gradient
- degree
- 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.)
- Pending
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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的电缆绝缘表皮破损检测方法,该方法包括:获取电缆的绝缘表皮图像,并获取反光区域的连通域,构建反光区域的梯度分布直方图,获取反光区域内的像素点在主成分方向上的离散程度,获取每个像素点在主成分方向上的投影距离与其对应列像素的平均投影距离的距离差值,获取像素点所在的列像素中像素点的梯度方向的变化程度,获得每个像素点的异常程度,并确定像素点中的缺陷像素点,对缺陷像素点进行区域生长得到完整的缺陷区域,本发明实现了缺陷像素点的精确确定,提高了缺陷区域的精确检测。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于机器视觉的电缆绝缘表皮破损检测方法。
背景技术
电缆用于电能的输送,其外包覆有绝缘层,绝缘层不仅为了使得用电安全,同时也是为了保护电缆不受损伤,故,需要对电缆的绝缘层进行检测,以避免电缆漏电或者电缆里面的电线受损伤,在检测到电缆的绝缘层损伤后,通过绝缘补强处理,从而保证电缆的使用。
现有技术中,在电缆图像中的像素点进行灰度拉伸得到电缆区域增强图像,对电缆区域增强图像进行阈值分割得到破皮区域,但是电缆表面包覆的绝缘层一般表面容易反光,在采集照片时会产生一定的反光区域,而线缆破损的区域其内部呈现电线的本体颜色,电线本体材料为铝时,则采集的照片中,破损区域和反光区域的颜色相近,导致难以设定合理的阈值,故在进行分割时,会导致破损区域分割的不准确。
基于此,本发明需要提供一种基于机器视觉的电缆绝缘表皮破损检测方法。
发明内容
本发明提供一种基于机器视觉的电缆绝缘表皮破损检测方法,以解决现有的破损区域分割不准确的问题。
本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法采用如下技术方案:
获取电缆的绝缘表皮图像;
获取绝缘表皮图像的连通域,根据每个连通域的边缘像素点的灰度变化获取反光区域的连通域;
获取反光区域的连通域的主成分方向,并根据反光区域的连通域中每列像素点的梯度构建梯度分布直方图;
获取梯度分布直方图中所有像素点到主成分方向上的投影距离及平均投影距离,根据投影距离大于平均投影距离对应的像素点与投影距离大于平均投影距离对应的像素点的个数计算反光区域内的像素点在主成分方向上的离散程度;
获取每个像素点在主成分方向上的投影距离与其对应列像素的平均投影距离的距离差值;
根据每个像素点的梯度方向角及平均梯度方向角计算像素点所在的列像素中像素点的梯度方向的变化程度;
将离散程度、像素点对应的距离差值、该像素点对应的列像素中的像素点的梯度方向的变化程度的乘积作为像素点的异常程度,根据异常程度获取像素点中的缺陷像素点;
对缺陷像素点进行区域生长得到完整的缺陷区域。
优选的,获取反光区域的连通域的步骤为:
设置滑窗,以连通域内部的最大灰度值的像素点为起点,滑动方向为分别沿水平方向和竖直方向滑动,得到连通域的不同方向上的边缘像素点;
将每个滑窗内像素点的灰度均值与前一个滑窗内像素点的灰度均值的比值作为灰度变化的剧烈程度;
根据灰度变化的剧烈程度与预设的阈值确定边缘像素点中的反光区域的边缘;
根据反光区域的边缘得到反光区域的连通域。
优选的,构建梯度分布直方图的步骤为:
获取反光区域的连通域中各个像素点的梯度幅值和梯度方向;
以连通域中像素点的列数为横坐标,以每列像素中的像素点的梯度幅值为纵坐标得到梯度分布直方图,并在每个像素点上标注有梯度方向。
优选的,计算反光区域内的像素点在主成分方向上的离散程度的步骤为:
计算反光区域内每列像素中的投影距离大于平均投影距离的像素点与对应像素列中其他像素点的数量差值;
将所有列像素对应的数量差值与梯度分布直方图中像素点的总数的比值作为像素点在主成分方向上的离散程度。
优选的,计算每列像素中所有像素点的梯度方向的变化程度的步骤为:
计算每列像素点中每个像素点的梯度方向角与对应列像素点的平均梯度方向角的梯度方向角差值;
将该每列像素点中每个像素点对应的梯度方向角差值的和值求均值,并作为对应列像素中所有像素点的梯度方向的变化程度。
优选的,获取缺陷像素点中的缺陷像素点的步骤为:
设定异常程度阈值;
当异常程度大于异常程度阈值,则确定缺陷像素点为缺陷像素点,反之,则为正常像素点。
本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法的有益效果是:通过获取反光区域,对反光区域的像素点的梯度进行分析,得到用于反映素点与主成分方向的离散性的距离差值、像素点所在列像素中的所有像素点与主成分方向的梯度方向的变化程度及梯度分布直方图中的像素点在主成分方向上的离散程度,通过距离差值、梯度方向的变化程度、离散程度来综合反映像素点的异常性,进而判断出反光区域中的缺陷像素点,从而进一步实现缺陷区域的精准确定。
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为本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法的实施例的流程图;
图2为本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法的实施例中的绝缘表皮图像;
图3为本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法的实施例中反光区域的连通域的结构示意图;
图4为本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法的实施例的反光区域对应的梯度分布直方图。
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。
本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法的实施例,如图1所示,本实施例包括如下步骤:
S1、获取电缆的绝缘表皮图像,具体的,使用高清相机采集图像,采集图像时尽量使电缆处于笔直状态,对高清相机采集图像采用DNN语义分割的方式来识别分割图像中的仅包含电缆的绝缘表皮图像,其中,数据集为俯视采集的电缆的图像,对应标签标注过程为:单通道的语义标签,对应位置像素属于背景类的标注为0,属于电缆的标注为1,网络的任务是分类,所有使用的loss函数为交叉熵损失函数,通过语义分割得到的掩膜图像与原电缆的图像相乘,得到如图2所示的只含有电缆的绝缘表皮图像,从而实现去除了背景的干扰。
S2、获取绝缘表皮图像的连通域,根据每个连通域的边缘像素点的灰度变化获取反光区域的连通域。
由于,在对电缆表面破皮缺陷进行检测时,因为,采集电缆图像会受光照不均匀影响而产生反光,从而使得反光区域内的缺陷难以识别,因此,在进行检测时,首先将反光区域分割出来,然后再分别对反光区域进行缺陷检测,至于不反光的区域可采用常规的方式检测,从而检测到绝缘表皮的所有破皮缺陷。
具体的,反光区域与其他不反光区域内的破皮区域在灰度上与电缆表皮的灰度有较大的区别,因此,本实施例中,使用OTSU阈值分割算法将不管是反光区域还是破皮区域对应的连通域分割出来,然后根据两个区域的边缘特征将其区分,具体的,根据每个连通域的边缘像素点的灰度变化获取反光区域的连通域,如图3所示,为OTSU阈值分割图像,反光区域在OTSU阈值分割图像中会有连续的一条明亮带,也会有分散的局部区域;而较大的破皮缺陷为孤立且明亮的区域,其为电缆里面的导线暴露出来形成的反光区域,故,根据此特征,本实施例获取反光区域的连通域的步骤为:通过OTSU(大津法)对图像进行阈值,设置尺寸为3X3滑窗,以每个连通域内部的最大灰度值的像素点为起点,滑动方向为分别沿水平方向和竖直方向滑动,得到连通域的不同方向上的边缘像素点;将每个滑窗内像素点的灰度均值与前一个滑窗内像素点的灰度均值的比值作为灰度变化的剧烈程度;根据灰度变化的剧烈程度与预设的阈值确定边缘像素点中的反光区域的边缘;根据反光区域的边缘得到反光区域的连通域,具体的,对于破皮区域其对应的从其连通域到连通域的边缘时的灰度变化是比较剧烈的,而绝缘表皮上的反光区域到绝缘表皮的灰度变化相对于破皮区域的连通域到绝缘表皮的灰度变化的剧烈程度是小的,故,本实施例设定第一阈值为0.2,第二阈值为10,将剧烈程度大于10对应的连通域作为破皮区域的连通域,将剧烈程度大于0.2,且小于10对应的连通域作为破皮区域的连通域作为反光区域的连通域。
S3、获取反光区域的连通域的主成分方向,并根据反光区域的连通域中每列像素点的梯度构建梯度分布直方图。
在获得反光区域后,需要根据反光区域内像素点的分布特征来获得缺陷像素点,为了解决反光区域中寻找缺陷像素点的问题,因为,受到光照的影响,缺陷像素点的灰度值会与光照区域的灰度值相近,但还是会有一定的差异,故,本实施例根据反光区域内像素点的灰度的变化得到其梯度大小,根据梯度大小和梯度方向及主成分方向进行分析获得缺陷像素点。
具体的,本发明使用sobel算子获得反光区域中各像素点的梯度幅值Gi与梯度方向θi,根据所得的梯度幅值Gi与梯度方向θi构建梯度分布直方图,其中,梯度分布直方图的横坐标表示反光区域的列像素的序号,按照图像中每列像素从左至右获取像素点的梯度分布,纵坐标表示每列像素中像素点梯度的大小,其中,像素点的梯度方向用箭头表示,得到如图4所示的反光区域中的像素点的梯度分布直方图。
需要说明的是,梯度分布直方图包含三个关键信息,第一个关键信息是像素点的排列是与原图像的排列方向一致的,方便后续在进行直方图分析时与原图像进行对应;第二个关键信息是可以看出同一列像素中像素点的梯度幅值的变化;第三个关键信息是梯度包含了梯度方向,梯度方向能够反映局部区域像素点灰度变化的趋势,其次,为了能够清晰地反映图像中像素点的梯度分布,本实施例的图4的梯度分布直方图的示意图只画出部分像素点的梯度分布。
S4、获取梯度分布直方图中所有像素点到主成分方向上的投影距离及平均投影距离,根据投影距离大于平均投影距离对应的像素点与投影距离大于平均投影距离对应的像素点的个数计算反光区域内的像素点在主成分方向上的离散程度;获取每个像素点在主成分方向上的投影距离与其对应列像素的平均投影距离的距离差值;根据每个像素点的梯度方向角及平均梯度方向角计算像素点所在的列像素中像素点的梯度方向的变化程度。
根据S3步骤中获取的梯度分布直方图包含三个关键信息,当反光区域内为正常像素点时,则反光区域的连通域内像素点的灰度值的变化不是特别的剧烈,其对应的梯度分布直方图整体的梯度变化趋势也是比较平缓的,当反光区域出现缺陷像素点时,在梯度分布直方图上该像素点的表现出来的离散性会发生变化,并且梯度值也会发生变化,故本实施例,计算梯度分布直方图中所有像素点到主成分方向上的投影距离,所有像素点到主成分方向的平均投影距离,根据投影距离大于平均投影距离对应的像素点与投影距离大于平均投影距离对应的像素点的个数计算所有像素点在主成分方向上的离散程度,具体的,计算离散程度的步骤:计算每列像素中的投影距离大于平均投影距离的像素点与对应像素列中其他像素点的数量差值;将所有列像素对应的数量差值与梯度分布直方图中像素点的总数的比值作为像素点在主成分方向上的离散程度,其中,反光区域内像素点在主成分方向上的离散程度的计算公式为:
式中,V表示反光区域内对应的梯度分布直方图中的像素点在主成分方向上的离散程度;
fi表示梯度分布直方图中第i列像素中的像素点的数量;
fi′表示梯度分布直方图的第i列像素中投影距离小于平均投影距离的像素点的数量;
M表示列像素的列数的总数;
需要说明的是,因为,反光区域的灰度变化较小,故梯度的变化也较小,同时在梯度分布直方图中,通过计算各点在主方向上的离散程度,表示原图像中像素点灰度的变化程度,离散程度反映的是反光区域中像素点的异常程度;若离散程度越大,则表示存在缺陷像素点的可能程度越大,反之,则存在缺陷像素点的可能程度越小。
具体的,根据平均投影距离、投影距离计算每列像素中的像素点在主成分方向上的第二离散程度的步骤为:根据每列像素中像素点到主成分方向的投影距离、平均投影距离计算距离的标准方差;将距离的标准方差作为对应列像素中的像素点在主成分方向上的第二离散程度,其中,对应列像素中的像素点在主成分方向上的第二离散程度的计算公式为:
式中,Ddi表示第d列像素中的第i个像素点到主成分方向上的投影距离与第d列像素中像素点到主成分方向上的平均投影距离的距离差值;
di表示第d列像素中的第i个像素点到主成分方向上的投影距离;
需要说明的是,本实施例通过像素点的投影距离与平均投影距离的距离差值,来反映对应列像素点中的每个像素点与主成分方向上的离散程度,距离差值越大,说明该像素点越离散,反之,距离差值越,则该像素点与主成分方向上的像素点的聚集性越好。
因为,当平缓区域出现缺陷时,其像素点的灰度值会发生变化,因此,在计算整个区域的梯度大小与梯度方向时,会因为缺陷区域的梯度的变化引起梯度方向的改变,故,计算像素点所在的列像素中像素点的梯度方向的变化程度:
式中,Fdi表示第i个像素点所在的d列像素中的梯度方向的变化程度;
θi表示第d列像素中的第i个像素点的梯度方向角;
r表示第d列像素中像素点的个数;
需要说明的是,像素点的梯度方向的变化程度表示了像素点在梯度方向上的离散性,若变化程度越大,说明梯度方向的越散乱,越离散说明该行像素中存在缺陷像素点的可能程度越大。
S5、将离散程度、像素点对应的距离差值、该像素点对应的列像素中的像素点的梯度方向的变化程度的乘积作为像素点的异常程度,根据异常程度获取像素点中的缺陷像素点,对缺陷像素点进行区域生长得到完整的缺陷区域。
具体的,根据S4中获得了像素点的对应的距离差值,从而实现从单个点分析像素点与主成分方向的离散性,其次,在分析像素点所在列中像素点的梯度方向的变化程度,来表示像素点所在列像素中梯度方向的方向离散性,同时,根据所有像素点在主成分方向上的离散程度,故,本实施例利用距离差值、梯度方向的变化程度及离散程度综合对像素点进行评价,从而准确判定像素点的异常程度,具体的,像素点的异常程度的计算公式为:
σdj=V×Ddj×Fdj
式中,σdj表示第d列像素中像素点j的异常程度;
Fdj表示像素点j所在的d列像素中的梯度方向的变化程度;
V表示像素点j所在的反光区域的梯度分布直方图中的像素点在主成分方向上的离散程度;
Ddj表示第d列像素中的第i个像素点到主成分方向上的投影距离与第d列像素中像素点到主成分方向上的平均投影距离的距离差值;
需要说明的是,距离差值反映了像素点与主成分方向的离散性,距离差值越大说明像素点与主成分方向越离散,越能说明该点为缺陷像素点,其次,每个像素点所在列像素中的所有像素点的梯度方向的变化程度越大,也越能说明该列像素点的梯度方向越离散,越能说明该列像素中存在缺陷像素点,最后,梯度分布直方图中的像素点在主成分方向上的离散程度越大,越能反映整体像素点中存在缺陷像素点,故,以变化程度、离散程度、距离差值的乘积来综合判定像素点的异常程度。
本实施例设定异常程度阈值取经验值为0.134,当像素点的异常程度大于异常程度阈值,则确定该像素点为缺陷像素点,然后对缺陷像素点进行区域生长得到完整的缺陷区域,区域生长算法为现有技术本实施例不再赘述。
本发明的一种基于机器视觉的电缆绝缘表皮破损检测方法,通过获取反光区域,对反光区域的像素点的梯度进行分析,得到用于反映素点与主成分方向的离散性的距离差值、像素点所在列像素中的所有像素点与主成分方向的梯度方向的变化程度及梯度分布直方图中的像素点在主成分方向上的离散程度,通过距离差值、梯度方向的变化程度、离散程度来综合反映像素点的异常性,进而判断出反光区域中的缺陷像素点,从而进一步实现缺陷区域的精准确定。
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 (6)
1.一种基于机器视觉的电缆绝缘表皮破损检测方法,其特征在于,该方法包括:
获取电缆的绝缘表皮图像;
获取绝缘表皮图像的连通域,根据每个连通域的边缘像素点的灰度变化获取反光区域的连通域;
获取反光区域的连通域的主成分方向,并根据反光区域的连通域中每列像素点的梯度构建梯度分布直方图;
获取梯度分布直方图中所有像素点到主成分方向上的投影距离及平均投影距离,根据投影距离大于平均投影距离对应的像素点与投影距离大于平均投影距离对应的像素点的个数计算反光区域内的像素点在主成分方向上的离散程度;
获取每个像素点在主成分方向上的投影距离与其对应列像素的平均投影距离的距离差值;
根据每个像素点的梯度方向角及平均梯度方向角计算像素点所在的列像素中像素点的梯度方向的变化程度;
将离散程度、像素点对应的距离差值、该像素点对应的列像素中的像素点的梯度方向的变化程度的乘积作为像素点的异常程度,根据异常程度获取像素点中的缺陷像素点;
对缺陷像素点进行区域生长得到完整的缺陷区域。
2.根据权利要求1所述的一种基于机器视觉的电缆绝缘表皮破损检测方法,其特征在于,获取反光区域的连通域的步骤为:
设置滑窗,以连通域内部的最大灰度值的像素点为起点,滑动方向为分别沿水平方向和竖直方向滑动,得到连通域的不同方向上的边缘像素点;
将每个滑窗内像素点的灰度均值与前一个滑窗内像素点的灰度均值的比值作为灰度变化的剧烈程度;
根据灰度变化的剧烈程度与预设的阈值确定边缘像素点中的反光区域的边缘;
根据反光区域的边缘得到反光区域的连通域。
3.根据权利要求1所述的一种基于机器视觉的电缆绝缘表皮破损检测方法,其特征在于,构建梯度分布直方图的步骤为:
获取反光区域的连通域中各个像素点的梯度幅值和梯度方向;
以连通域中像素点的列数为横坐标,以每列像素中的像素点的梯度幅值为纵坐标得到梯度分布直方图,并在每个像素点上标注有梯度方向。
4.根据权利要求1所述的一种基于机器视觉的电缆绝缘表皮破损检测方法,其特征在于,计算反光区域内的像素点在主成分方向上的离散程度的步骤为:
计算反光区域内每列像素中的投影距离大于平均投影距离的像素点与对应像素列中其他像素点的数量差值;
将所有列像素对应的数量差值与梯度分布直方图中像素点的总数的比值作为像素点在主成分方向上的离散程度。
5.根据权利要求1所述的一种基于机器视觉的电缆绝缘表皮破损检测方法,其特征在于,计算每列像素中所有像素点的梯度方向的变化程度的步骤为:
计算每列像素点中每个像素点的梯度方向角与对应列像素点的平均梯度方向角的梯度方向角差值;
将该每列像素点中每个像素点对应的梯度方向角差值的和值求均值,并作为对应列像素中所有像素点的梯度方向的变化程度。
6.根据权利要求1所述的一种基于机器视觉的电缆绝缘表皮破损检测方法,其特征在于,获取缺陷像素点中的缺陷像素点的步骤为:
设定异常程度阈值;
当异常程度大于异常程度阈值,则确定缺陷像素点为缺陷像素点,反之,则为正常像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204178.9A CN115511842A (zh) | 2022-09-29 | 2022-09-29 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204178.9A CN115511842A (zh) | 2022-09-29 | 2022-09-29 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115511842A true CN115511842A (zh) | 2022-12-23 |
Family
ID=84507317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204178.9A Pending CN115511842A (zh) | 2022-09-29 | 2022-09-29 | 一种基于机器视觉的电缆绝缘表皮破损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115511842A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
CN116337879A (zh) * | 2023-05-23 | 2023-06-27 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116805314A (zh) * | 2023-08-21 | 2023-09-26 | 山东新中鲁建设有限公司 | 一种建筑工程质量评估方法 |
CN117593294A (zh) * | 2024-01-18 | 2024-02-23 | 中化学西部新材料有限公司 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
-
2022
- 2022-09-29 CN CN202211204178.9A patent/CN115511842A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
CN115841493B (zh) * | 2023-02-27 | 2023-05-12 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
CN116337879A (zh) * | 2023-05-23 | 2023-06-27 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116337879B (zh) * | 2023-05-23 | 2023-08-04 | 青岛豪迈电缆集团有限公司 | 一种电缆绝缘表皮磨损缺陷快速检测方法 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116740070B (zh) * | 2023-08-15 | 2023-10-24 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116805314A (zh) * | 2023-08-21 | 2023-09-26 | 山东新中鲁建设有限公司 | 一种建筑工程质量评估方法 |
CN116805314B (zh) * | 2023-08-21 | 2023-11-14 | 山东新中鲁建设有限公司 | 一种建筑工程质量评估方法 |
CN117593294A (zh) * | 2024-01-18 | 2024-02-23 | 中化学西部新材料有限公司 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
CN117593294B (zh) * | 2024-01-18 | 2024-04-09 | 中化学西部新材料有限公司 | 基于图像特征分析的离心风机风叶裂纹视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115511842A (zh) | 一种基于机器视觉的电缆绝缘表皮破损检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115222741B (zh) | 一种电缆表面缺陷检测方法 | |
CN110276754B (zh) | 一种表面缺陷检测方法、终端设备及存储介质 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN111681240B (zh) | 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
US20190331301A1 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
US20060029257A1 (en) | Apparatus for determining a surface condition of an object | |
CN112837290B (zh) | 一种基于种子填充算法的裂缝图像自动识别方法 | |
CN109872303B (zh) | 表面缺陷视觉检测方法、装置和电子设备 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN110796643A (zh) | 一种铁轨扣件缺陷检测方法和系统 | |
Miao et al. | An image processing-based crack detection technique for pressed panel products | |
CN115100200B (zh) | 基于光学手段的光纤缺陷检测方法及系统 | |
JP2003511651A (ja) | 光学検査システム | |
Hao et al. | A multi-class support vector machine real-time detection system for surface damage of conveyor belts based on visual saliency | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN114723705A (zh) | 一种基于图像处理的布匹瑕疵的检测方法 | |
CN115272256A (zh) | 亚像素级传感光纤路径高斯提取方法及系统 | |
CN116739991A (zh) | 基于深度学习的液晶显示屏表面缺陷检测方法及电子装置 | |
CN115345821A (zh) | 基于主动视觉成像的钢卷捆带松动异常检测及量化方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 |
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 |