CN115586192A - 一种土木结构无损监测方法 - Google Patents

一种土木结构无损监测方法 Download PDF

Info

Publication number
CN115586192A
CN115586192A CN202211588829.9A CN202211588829A CN115586192A CN 115586192 A CN115586192 A CN 115586192A CN 202211588829 A CN202211588829 A CN 202211588829A CN 115586192 A CN115586192 A CN 115586192A
Authority
CN
China
Prior art keywords
civil structure
real
image
pixel
characteristic
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
Application number
CN202211588829.9A
Other languages
English (en)
Inventor
杨峥
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.)
Xichang College
Original Assignee
Xichang College
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 Xichang College filed Critical Xichang College
Priority to CN202211588829.9A priority Critical patent/CN115586192A/zh
Publication of CN115586192A publication Critical patent/CN115586192A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种土木结构无损监测方法，包括以下步骤：S1：获取待测土木结构的实时图像，并对实时图像进行增强处理，得到最终增强图像；S2：构建并训练无损监测网络模型；S3：将最终增强图像作为无损监测网络模型的输入，获取待测土木结构的关键特征；S4：根据待测土木结构的关键特征，进行无损监测；该土木结构无损监测方法采用图像处理和网络模型结合，对增强处理后的图像进行监测，能够准确地判断土木结构是否受损，进而对可能存在的安全隐患及时预警。

Description

一种土木结构无损监测方法
技术领域
本发明属于土木监测技术领域，具体涉及一种土木结构无损监测方法。
背景技术
随着科技的发展，土木结构成为影响结构安全性和耐久性的重要因素。然而土木结构在长期使用中往往会发生由列车高速行驶、船舶撞击和地震等动荷载作用而受到损伤。因此，对土木结构的无损监测是土木结构健康监测的重要内容之一，也是对土木结构性能进行准确评估和安全预警的必要前提。
发明内容
本发明为了解决上述问题，提出了一种土木结构无损监测方法。
本发明的技术方案是：一种土木结构无损监测方法包括以下步骤：
S1：获取待测土木结构的实时图像，并对实时图像进行增强处理，得到最终增强图像；
S2：构建并训练无损监测网络模型；
S3：将最终增强图像作为无损监测网络模型的输入，获取待测土木结构的关键特征；
S4：根据待测土木结构的关键特征，进行无损监测。
进一步地，步骤S1包括以下子步骤：
S11：获取待测土木结构的实时图像，利用四方向sobel算子确定实时图像中各个像素点的灰度值，并根据各个像素点的灰度值确定所有像素点的灰度均值；
S12：根据所有像素点的灰度均值，利用滑动窗口确定并增强实时图像中各个像素点的对比度，得到第一增强图像；
S13：对第一增强图像依次进行滤波处理和平滑处理，得到第二增强图像；
S14：对第二增强图像进行异物剔除，得到最终增强图像。
进一步地，步骤S12中，进行对比度增强的具体方法为：获取实时图像的反射分量；若实时图像的反射分量大于或等于所有像素点的灰度均值，则不进行对比度增强；若实时图像的反射分量小于所有像素点的灰度均值，则获取实时图像的反射分量和所有像素点的灰度均值的和值以及实时图像的反射分量和所有像素点的灰度均值的差值，并将和值和差值的比值作为实时图像增强后的对比度。
进一步地，步骤S14中，进行异物剔除的具体方法为：从第二增强图像中裁剪设定像素尺寸的目标图像，计算目标图像与实时图像不重叠部分的像素值均值，并将小于像素值均值对应的区域作为异物剔除区域，进行异物剔除。
进一步地，无损监测网络模型包括依次连接的深度卷积层、特征映射层和特征融合层；
深度卷积层用于遍历最终增强图像的各个像素点，并对最终增强图像的各个像素点进行卷积操作；
特征映射层用于将卷积操作后的各个像素点映射至特征信息点；
特征融合层用于对各个特征信息点进行特征融合，得到关键特征。
进一步地，特征映射层进行映射的具体方法为：将颜色深度最大的像素点在最终增强图像中的位置信息作为特征信息点。
进一步地，特征映射层中，颜色深度D(m)的计算公式为：
Figure 967973DEST_PATH_IMAGE001
式中，
Figure 209511DEST_PATH_IMAGE002
表示像素点组成矩阵M的迹，
Figure 171650DEST_PATH_IMAGE003
表示像素点m的灰度值，
Figure 81969DEST_PATH_IMAGE004
表示所有 像素点均值，
Figure 852479DEST_PATH_IMAGE005
表示指数函数，
Figure 806528DEST_PATH_IMAGE006
表示伽马函数。
进一步地，特征融合层进行特征融合的具体方法为：将最终增强图像均分为若干个区域，并在各个区域内利用损失函数计算各个特征信息点的特征匹配值，确定各个区域内特征匹配值大于设定匹配阈值的特征信息点数量，在特征信息点数量最多的区域内，将特征匹配值大于设定匹配阈值的特征信息点集合作为关键特征。
进一步地，特征融合层中，损失函数
Figure 928068DEST_PATH_IMAGE007
的表达式为：
Figure 140612DEST_PATH_IMAGE008
式中，N表示超调参量，
Figure 500050DEST_PATH_IMAGE009
表示区域内特征信息点u与其最相邻特征信息点u 1的最短距离，
Figure 890580DEST_PATH_IMAGE010
表示区域内特征信息点u 1与其最相邻特征信息点u 2的最短距离。
进一步地，步骤S4中，若关键特征大于设定特征阈值，则土木结构受损；若关键特征小于或等于设定特征阈值，则土木结构不受损。
本发明的有益效果是：
（1）该土木结构无损监测方法对土木结构的实时图像进行增强处理，通过对比度处理、滤波处理、平滑处理和异物剔除处理等一系列操作，可以增强图像的对比度，进而提高增强图像作为无损监测网络模型输入时的识别准确率，增强无损可识别性；
（2）该土木结构无损监测方法通过构建并训练无损监测网络模型，进行无损监测；依次连接的深度卷积层、特征映射层和特征融合层可以进行特征提取及融合，将融合结果作为无损监测的最终依据；
（3）该土木结构无损监测方法采用图像处理和网络模型结合，对增强处理后的图像进行监测，能够准确地判断土木结构是否受损，进而对可能存在的安全隐患及时预警。
附图说明
图1为土木结构无损监测方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种土木结构无损监测方法，包括以下步骤：
S1：获取待测土木结构的实时图像，并对实时图像进行增强处理，得到最终增强图像；
S2：构建并训练无损监测网络模型；
S3：将最终增强图像作为无损监测网络模型的输入，获取待测土木结构的关键特征；
S4：根据待测土木结构的关键特征，进行无损监测。
在本发明实施例中，步骤S1包括以下子步骤：
S11：获取待测土木结构的实时图像，利用四方向sobel算子确定实时图像中各个像素点的灰度值，并根据各个像素点的灰度值确定所有像素点的灰度均值；
S12：根据所有像素点的灰度均值，利用滑动窗口确定并增强实时图像中各个像素点的对比度，得到第一增强图像；
S13：对第一增强图像依次进行滤波处理和平滑处理，得到第二增强图像；
S14：对第二增强图像进行异物剔除，得到最终增强图像。
在本发明实施例中，步骤S12中，进行对比度增强的具体方法为：获取实时图像的反射分量；若实时图像的反射分量大于或等于所有像素点的灰度均值，则不进行对比度增强；若实时图像的反射分量小于所有像素点的灰度均值，则获取实时图像的反射分量和所有像素点的灰度均值的和值以及实时图像的反射分量和所有像素点的灰度均值的差值，并将和值和差值的比值作为实时图像增强后的对比度。
在本发明实施例中，步骤S14中，进行异物剔除的具体方法为：从第二增强图像中裁剪设定像素尺寸的目标图像，计算目标图像与实时图像不重叠部分的像素值均值，并将小于像素值均值对应的区域作为异物剔除区域，进行异物剔除。
在本发明实施例中，无损监测网络模型包括依次连接的深度卷积层、特征映射层和特征融合层；
深度卷积层用于遍历最终增强图像的各个像素点，并对最终增强图像的各个像素点进行卷积操作；
特征映射层用于将卷积操作后的各个像素点映射至特征信息点；
特征融合层用于对各个特征信息点进行特征融合，得到关键特征。
在本发明实施例中，特征映射层进行映射的具体方法为：将颜色深度最大的像素点在最终增强图像中的位置信息作为特征信息点。
在本发明实施例中，特征映射层中，颜色深度D(m)的计算公式为：
Figure 968257DEST_PATH_IMAGE011
式中，
Figure 689219DEST_PATH_IMAGE002
表示像素点组成矩阵M的迹，
Figure 293376DEST_PATH_IMAGE003
表示像素点m的灰度值，
Figure 730174DEST_PATH_IMAGE004
表示所 有像素点均值，
Figure 669049DEST_PATH_IMAGE012
表示指数函数，
Figure 849494DEST_PATH_IMAGE013
表示伽马函数。
在本发明实施例中，特征融合层进行特征融合的具体方法为：将最终增强图像均分为若干个区域，并在各个区域内利用损失函数计算各个特征信息点的特征匹配值，确定各个区域内特征匹配值大于设定匹配阈值的特征信息点数量，在特征信息点数量最多的区域内，将特征匹配值大于设定匹配阈值的特征信息点集合作为关键特征。
在本发明实施例中，特征融合层中，损失函数L loss 的表达式为：
Figure 308157DEST_PATH_IMAGE014
式中，N表示超调参量，
Figure 915856DEST_PATH_IMAGE015
示区域内特征信息点u与其最相邻特征信息点u 1的 最短距离，
Figure 109071DEST_PATH_IMAGE016
表示区域内特征信息点u 1与其最相邻特征信息点u 2的最短距离。
在本发明实施例中，步骤S4中，若关键特征大于设定特征阈值，则土木结构受损；若关键特征小于或等于设定特征阈值，则土木结构不受损。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.一种土木结构无损监测方法，其特征在于，包括以下步骤：
S1：获取待测土木结构的实时图像，并对实时图像进行增强处理，得到最终增强图像；
S2：构建并训练无损监测网络模型；
S3：将最终增强图像作为无损监测网络模型的输入，获取待测土木结构的关键特征；
S4：根据待测土木结构的关键特征，进行无损监测。
2.根据权利要求1所述的土木结构无损监测方法，其特征在于，所述步骤S1包括以下子步骤：
S11：获取待测土木结构的实时图像，利用四方向sobel算子确定实时图像中各个像素点的灰度值，并根据各个像素点的灰度值确定所有像素点的灰度均值；
S12：根据所有像素点的灰度均值，利用滑动窗口确定并增强实时图像中各个像素点的对比度，得到第一增强图像；
S13：对第一增强图像依次进行滤波处理和平滑处理，得到第二增强图像；
S14：对第二增强图像进行异物剔除，得到最终增强图像。
3.根据权利要求2所述的土木结构无损监测方法，其特征在于，所述步骤S12中，进行对比度增强的具体方法为：获取实时图像的反射分量；若实时图像的反射分量大于或等于所有像素点的灰度均值，则不进行对比度增强；若实时图像的反射分量小于所有像素点的灰度均值，则获取实时图像的反射分量和所有像素点的灰度均值的和值以及实时图像的反射分量和所有像素点的灰度均值的差值，并将和值和差值的比值作为实时图像增强后的对比度。
4.根据权利要求2所述的土木结构无损监测方法，其特征在于，所述步骤S14中，进行异物剔除的具体方法为：从第二增强图像中裁剪设定像素尺寸的目标图像，计算目标图像与实时图像不重叠部分的像素值均值，并将小于像素值均值对应的区域作为异物剔除区域，进行异物剔除。
5.根据权利要求1所述的土木结构无损监测方法，其特征在于，所述无损监测网络模型包括依次连接的深度卷积层、特征映射层和特征融合层；
所述深度卷积层用于遍历最终增强图像的各个像素点，并对最终增强图像的各个像素点进行卷积操作；
所述特征映射层用于将卷积操作后的各个像素点映射至特征信息点；
所述特征融合层用于对各个特征信息点进行特征融合，得到关键特征。
6.根据权利要求5所述的土木结构无损监测方法，其特征在于，所述特征映射层进行映射的具体方法为：将颜色深度最大的像素点在最终增强图像中的位置信息作为特征信息点。
7.根据权利要求5所述的土木结构无损监测方法，其特征在于，所述特征映射层中，颜色深度D(m)的计算公式为：
Figure 950495DEST_PATH_IMAGE001
式中，
Figure 469069DEST_PATH_IMAGE002
表示像素点组成矩阵M的迹，
Figure 175994DEST_PATH_IMAGE003
表示像素点m的灰度值，
Figure 570067DEST_PATH_IMAGE004
表示所有像 素点均值，
Figure 138582DEST_PATH_IMAGE005
表示指数函数，
Figure 668921DEST_PATH_IMAGE006
表示伽马函数。
8.根据权利要求4所述的土木结构无损监测方法，其特征在于，所述特征融合层进行特征融合的具体方法为：将最终增强图像均分为若干个区域，并在各个区域内利用损失函数计算各个特征信息点的特征匹配值，确定各个区域内特征匹配值大于设定匹配阈值的特征信息点数量，在特征信息点数量最多的区域内，将特征匹配值大于设定匹配阈值的特征信息点集合作为关键特征。
9.根据权利要求8所述的土木结构无损监测方法，其特征在于，所述特征融合层中，损失函数L loss 的表达式为：
Figure 812326DEST_PATH_IMAGE007
式中，N表示超调参量，
Figure 693694DEST_PATH_IMAGE008
表示区域内特征信息点u与其最相邻特征信息点u 1的 最短距离，
Figure 564436DEST_PATH_IMAGE009
表示区域内特征信息点u 1与其最相邻特征信息点u 2的最短距离。
10.根据权利要求1所述的土木结构无损监测方法，其特征在于，所述步骤S4中，若关键特征大于设定特征阈值，则土木结构受损；若关键特征小于或等于设定特征阈值，则土木结构不受损。
CN202211588829.9A 2022-12-12 2022-12-12 一种土木结构无损监测方法 Pending CN115586192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211588829.9A CN115586192A (zh) 2022-12-12 2022-12-12 一种土木结构无损监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211588829.9A CN115586192A (zh) 2022-12-12 2022-12-12 一种土木结构无损监测方法

Publications (1)

Publication Number Publication Date
CN115586192A true CN115586192A (zh) 2023-01-10

Family

ID=84783269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211588829.9A Pending CN115586192A (zh) 2022-12-12 2022-12-12 一种土木结构无损监测方法

Country Status (1)

Country Link
CN (1) CN115586192A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221104A (zh) * 2007-10-16 2008-07-16 吴智深 基于分布式应变动态测试的结构健康监测方法
CN102323382A (zh) * 2011-07-20 2012-01-18 暨南大学 结构损伤检测的多指标分层与融合可视化方法
CN102667586A (zh) * 2009-11-30 2012-09-12 日东电工株式会社 液晶显示装置
CN104331863A (zh) * 2014-10-15 2015-02-04 中国航空工业集团公司洛阳电光设备研究所 一种图像滤波去噪方法
CN110378047A (zh) * 2019-07-24 2019-10-25 哈尔滨工业大学 一种基于计算机视觉的大跨度桥梁拓扑感知三维重建方法
CN111951223A (zh) * 2020-07-16 2020-11-17 西南林业大学 一种木材节子瑕疵的图像自动识别方法及系统
CN112629431A (zh) * 2020-12-14 2021-04-09 深圳大学 土木结构变形监测方法及相关设备
CN114782405A (zh) * 2022-05-20 2022-07-22 盐城工学院 基于图像识别及机器视觉的桥梁裂纹检测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101221104A (zh) * 2007-10-16 2008-07-16 吴智深 基于分布式应变动态测试的结构健康监测方法
CN102667586A (zh) * 2009-11-30 2012-09-12 日东电工株式会社 液晶显示装置
CN102323382A (zh) * 2011-07-20 2012-01-18 暨南大学 结构损伤检测的多指标分层与融合可视化方法
CN104331863A (zh) * 2014-10-15 2015-02-04 中国航空工业集团公司洛阳电光设备研究所 一种图像滤波去噪方法
CN110378047A (zh) * 2019-07-24 2019-10-25 哈尔滨工业大学 一种基于计算机视觉的大跨度桥梁拓扑感知三维重建方法
CN111951223A (zh) * 2020-07-16 2020-11-17 西南林业大学 一种木材节子瑕疵的图像自动识别方法及系统
CN112629431A (zh) * 2020-12-14 2021-04-09 深圳大学 土木结构变形监测方法及相关设备
CN114782405A (zh) * 2022-05-20 2022-07-22 盐城工学院 基于图像识别及机器视觉的桥梁裂纹检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NIANNIAN WANG ET AL.,: "Automatic damage detection of historic masonry buildings based on mobile deep learning", 《AUTOMATION IN CONSTRUCTION》 *
杨峥 等: "滑坡颗粒图像识别的投影校正方法与应用研究", 《岩石力学与工程学报》 *

Similar Documents

Publication Publication Date Title
CN110097034B (zh) 一种智能人脸健康程度的识别与评估方法
CN110443243B (zh) 水位监测方法、存储介质、网络设备和水位监测系统
CN112581463A (zh) 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN106529550B (zh) 基于连通域分析的多维特征量提取方法及装置
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
KR102550707B1 (ko) 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치
CN109740609B (zh) 一种轨距检测方法及装置
CN111060442B (zh) 一种基于图像处理的油液颗粒检测方法
CN116777907A (zh) 一种钣金件质量检测方法
CN105069452A (zh) 基于局部结构分析的直线移除方法
CN113083804A (zh) 激光智能除锈方法、系统及可存读介质
CN111027546A (zh) 一种字符分割方法、装置以及计算机可读存储介质
CN115719332A (zh) 一种焊接质量检测方法
CN113240623A (zh) 一种路面病害检测方法及装置
CN112734702A (zh) 基于大数据分析和机器视觉的桥梁安全监测方法及云平台
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN107369149B (zh) 目标物体的检测装置及方法
CN117078738B (zh) 一种线性裂缝宽度计算方法
CN117036346B (zh) 基于计算机视觉的硅胶污水处理智能监测方法
Kubola et al. Automatic determination of the g-band chromosomes number based on geometric features
KR20090030284A (ko) 드릴검사장치, 드릴검사방법, 및 그 프로그램을 기록한 기록매체
CN113516652A (zh) 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备
CN115586192A (zh) 一种土木结构无损监测方法
US20060126136A1 (en) Image inspecting apparatus, image inspecting method, control program and computer-readable storage medium
CN116071692A (zh) 一种基于形态学图像处理的水尺水位识别方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230110