CN116228659A - 一种ems小车漏油的视觉检测方法 - Google Patents
一种ems小车漏油的视觉检测方法 Download PDFInfo
- Publication number
- CN116228659A CN116228659A CN202211695204.2A CN202211695204A CN116228659A CN 116228659 A CN116228659 A CN 116228659A CN 202211695204 A CN202211695204 A CN 202211695204A CN 116228659 A CN116228659 A CN 116228659A
- Authority
- CN
- China
- Prior art keywords
- receiving disc
- oil
- image
- oil receiving
- trolley
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000011179 visual inspection Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 241000208125 Nicotiana Species 0.000 claims description 4
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06N3/08—Learning methods
-
- 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
- G06T7/10—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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (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)
- Image Analysis (AREA)
Abstract
本发明公开了一种EMS小车漏油的视觉检测方法,所述方法包括:在线获取小车接油盘图像,对获取小车接油盘图像进行预处理;将预处理过的接油盘图像输入预先训练的轻量模型内分类判断接油盘图像区域是否漏油,得到小车的漏油状态。本发明提出的检测方法通过图像处理得到视觉可见对比度增强的接油盘区域提高准确率。
Description
技术领域
本发明涉及一种EMS小车漏油的视觉检测方法,属于数字图像技术领域。
背景技术
在卷烟厂整个生产环境中,必须严格控制生产环境以保障过程产品质量,防止造成产品质量安全隐患,而小车漏油燃料是造成安全隐患的一大因素。当前检测小车是否漏油主要依靠人工肉眼定时检测排查,发现有漏油现象时,及时清理,大大增加了人力成本,且易存在漏看或人工监管不到位的现象,为后续整个生产环境埋下安全隐患。
发明内容
本发明的目的在于提供一种EMS小车漏油的视觉检测方法,以解决现有技术需要人工监测小车漏油状态缺陷。
一种EMS小车漏油的视觉检测方法,所述方法包括:
在线获取小车接油盘图像,对获取小车接油盘图像进行预处理;
将预处理过的接油盘图像输入预先训练的轻量模型内分类判断接油盘图像区域是否漏油,得到小车的漏油状态。
进一步地,所述轻量模型的训练包括:
离线获取小车接油盘图像,对接油盘图像进行评估,得到正常无漏油为正样本、存在漏油为负样本;
将正样本、负样本构建离线小车接油盘图像数据集;
将小车接油盘图像数据集输入ShuffleNet V2中得到轻量模型。
进一步地,所述构建离线小车接油盘图像数据集包括:
通过工业相机对烟丝输送小车顶部电机轴承部位采集,检测其是否漏油,该图像用于构建离线数据集;
对图像亮度进行估计,低照度小车接油盘采集环境,造成视觉干扰,接油盘区域视觉不可见,
对每一张小车接油盘图像进行判断分类,评估漏油状态,标注接油盘具体位置坐标,完成小车接油盘图像数据集的构建。
进一步地,所述对视觉清晰的小车接油盘图像进行预处理包括:
对在线获取小车接油盘图像采用MSRCR图像处理,得到视觉清晰的小车接油盘图像;
采用CenterNet目标检测网络检测接油盘图像接油盘区域,根据角点坐标截取接油盘区域。
进一步地,预处理还包括:
对截取接油盘区域通过CLAHE进行图像对比度增强,突出油滴区域;
将油滴区域在HSV色彩空间下通过阈值分割接油盘图像,剔除除了接油盘区域其他遮挡的干扰。
进一步地,所述CenterNet目标检测网络的训练方法包括:
标注接油盘区域目标关键点作为训练数据;
CenterNet经过主干网络后,产生两个预测分支,分别进行一对角点和中心关键点的预测;
角点预测沿用CornerNet的过程,左上角点和右下角点的组合过程仍然使用Embedding向量;
对于中心点的预测部分,预测产生热力图和offset,代表中心点的置信度和偏移量;
角点分支组合产生的预测框,再结合中心点预测的热力图,来决定一个预测框是否被保留;
focal loss训练网络检测角点和中心点,1-loss用来训练网络预测角点的和中心关键点的偏移量,混合损失函数优化目标;
CenterNet模型结果得到目标关键点,截取具体目标接油盘区域。
进一步地图像对比度增强的方法包括:
CLAHE对比度受限的自适应直方图均衡化,将图像分块处理;
对每个分块,计算映射关系,计算映射关系时使用对比度限制;
使用插值方法得到最后的增强图像。
进一步地所述HSV色彩空间包括:
接油盘RGB色彩空间转为HSV色彩空间;
实验确定各HSV通道阈值,分离接油盘区域,除去接油盘电线等干扰;
将剔除干扰的HSV色彩空间转为RGB色彩空间图像。
与现有技术相比,本发明所达到的有益效果:
1.本发明提出的检测方法实施简单,硬件要求低,采用无接触测量,操作简单。
2.本发明提出的检测方法通过图像处理得到视觉可见对比度增强的接油盘区域提高准确率。
3.本发明提出的检测方法通过轻量网络ShuffleNet实时判断小车是否漏油。
4.本发明能够直接应用在现有生产线上,避免了生产线改造,减少了安装成本。
附图说明
图1为本发明的小车漏油检测方法的整体流程;
图2为本发明的MSRCR处理流程;
图3为本发明CenterNet网络框架流程;
图4为本发明的小车HSV阈值分割流程。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
如图1所示,公开了一种烟丝桶残余物在线视觉检测方法,包括如下步骤:
(1)离线获取小车接油盘图像,对接油盘图像进行评估,构建离线小车接油盘图像数据集,分析接油盘显著特征及图像亮度。
(2)在线获取小车接油盘图像,由于小车处于低照度且光照不均衡环境,接油盘区域视觉不可见,通过MSRCR图像处理,得到视觉可见清晰的小车接油盘图像。
(3)采用CenterNet目标检测网络,检测具体接油盘区域,根据角点坐标截取接油盘区域。
(4)透明油滴边缘不明显,通过CLAHE进行图像对比度增强,突出油滴区域。
(5)接油盘图像在HSV色彩空间下通过阈值分割接油盘图像,剔除除了接油盘区域其他遮挡等的干扰。
(6)采用轻量模型ShuffleNet V2分类判断接油盘区域是否存在漏油现象,进而得到小车的漏油状态。
所述步骤(1)包括如下子步骤:
(1.1)对烟丝输送小车顶部电机轴承等部位,检测其是否漏油,工业相机采集小车接油盘区域数据,该图像构建离线数据集用于训练。
(1.2)对图像亮度进行估计,低照度小车接油盘采集环境,造成视觉干扰。Y(亮度)=0.299*R+0.587*G+0.114*B,如果采集接油盘图像平均亮度低于亮度阈值BrightnessTh=100则判断为亮度太低,视觉不可见,通过步骤3中MSRCR图像处理使图像光照均衡,否则判断为图像亮度合格转为步骤4。
(1.3)邀请业内人士5人对每一张小车接油盘图像进行判断分类,采用投票制评估小车漏油状态,同时标注接油盘具体位置坐标,完成小车漏油图像离线数据集的构建。
所述步骤(2)包括如下子步骤:
(2.1)低照度小车接油盘图像,通过MSRCR(Multi-Scale Retinex with ColorRestoration)即带色彩恢复的多尺度视网膜增强算法处理得到视觉可见的接油盘图像。
(2.2)MSRCR基于Retinex理论,人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射:I(x,y)=L(x,y)*R(x,y)
I(x,y)代表被观察或照相机接收到的图像信号;L(x,y)代表环境光的照射分量;R(x,y)表示携带图像细节信息的目标物体的反射分量。
(2.3)对原始图像I(x,y)进行每个尺度的高斯模糊,得到模糊后的图像Li(x,y),其中i表示尺度数,每个尺度下的Ii(x,y)按照权重累加,权重之和为1。
N为尺度个数,取值3,ωk为每个尺度所占权重。Fk(x,y)为第k个尺度上的高斯滤波函数。
(2.4)引入恢复因子C,防止色彩溢出和失真。
Ci(x,y)=β(log(αIi(x,y))-log(∑i∈(r,g,b)Ii(x,y)))
最终MSRCR表达式为:
所述步骤(3)包括如下子步骤:
(3.1)训练CenterNet卷积神经网络,即关键点三元组即中心点、左上角点和右下角点三个关键点检测接油盘,标注接油盘区域目标关键点作为训练数据,使用最小的代价找到每个候选区域的视觉模型,解决CornerNet未对截取的区域进行额外的观察问题。选取2000张包含漏油和不漏油的接油盘图像作为训练集。
(3.2)CenterNet经过主干网络DLA34后,产生两个预测分支,分别进行一对角点和中心关键点的预测。
(3.3)cascade corner pooling,两个角点预测沿用CornerNet的过程,左上角点和右下角点的组合过程仍然使用Embedding向量,同时获取内部和边沿信息以增加稳定性
(3.4)center pooling,对于中心点的预测部分,预测产生热力图和offset,代表中心点的置信度和偏移量。通过中心点关键点可以获取更多的全局信息。
(3.5)角点分支组合产生的预测框,再结合中心点预测的热力图,来决定一个预测框是否被保留。使用CornerNet中提到的方法生成top-k个bbox,为了有效地过滤不正确的bbox,利用检测到的中心点进行下列过程:1)根据得分选取top-k个center;2)使用响应的offsets将这些center映射回原图中;3)对每个bbox定义一个中心区域,当该区域包含center时进行检查,同时被检查的center的标签应当与bbox相同;4)如果某个center被中心区域检测到,则保存其bbox。此时bbox的分数由三个点的得分的均值替换。否则,移除对应的bbox,从而决定预测框是否被保留。
(3.6)采用混合损失函数和/>是focal loss训练网络检测角点和中心点,/>是角的拉损失,用于最小化属于同一目标角点对的嵌入向量的距离,/>是角的push损失,用于最大化不同对象的嵌入向量的距离,/>和/>是1-loss用来训练网络预测角点的和中心关键点的偏移量。α、β和γ表示相应损失的权重,分别设为0.1、0.1和1。
(3.7)根据在线CenterNet检测得到目标关键点坐标,截取具体目标接油盘区域。
5.所述步骤(4)包括如下子步骤:
(4.1)CLAHE对比度受限的自适应直方图均衡化,将每个图像划分为4个子块,图像分块填充。
(4.2)对每个分块,计算映射关系,计算映射关系时使用对比度限制,不断循环,直到将所有截断后多余的像素都添加到直方图中。
(4.3)每个子块与其相邻块的子块重新构成完整图像,对新构成的图像使用双线性插值得到增强后的图像。
所述步骤(5)包括如下子步骤:
(5.1)接油盘图像RGB色彩空间转为HSV色彩空间。
(5.2)实验确定HSV各通道阈值,11<H<25,43<S<255,46<V<255分割接油盘区域,除去接油盘电线等干扰只保留接油盘具体分割区域。
(5.3)将剔除干扰的HSV色彩空间转为RGB色彩空间图像。
所述步骤(6)包括如下子步骤:
(6.1)经过上述步骤处理的接油盘图像,正常无漏油为正样本、存在漏油为负样本,整理训练数据集1000张图像构建离线数据集。
(6.2)使用轻量网络ShuffleNet V2 scale 0.5训练经过图像处理的接油盘数据,输入大小为112*112。ShuffleNetV2通过通道分割channel split将特征图分类两个分支,一个分支为shortcut流,另一个分支含三个卷积,之后分支合并采用concat,减少元素集操作,最后ShuffleNetV2用channel shuffle混合通道。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种EMS小车漏油的视觉检测方法,其特征在于,所述方法包括:
在线获取小车接油盘图像,对获取小车接油盘图像进行预处理;
将预处理过的接油盘图像输入预先训练的轻量模型内分类判断接油盘图像区域是否漏油,得到小车的漏油状态。
2.根据权利要求1所述的EMS小车漏油的视觉检测方法,其特征在于,所述轻量模型的训练包括:
离线获取小车接油盘图像,对接油盘图像进行评估,得到正常无漏油为正样本、存在漏油为负样本;
将正样本、负样本构建离线小车接油盘图像数据集;
将小车接油盘图像数据集输入ShuffleNet V2中得到轻量模型。
3.根据权利要求1所述的EMS小车漏油的视觉检测方法,其特征在于,所述构建离线小车接油盘图像数据集包括:
通过工业相机对烟丝输送小车顶部电机轴承部位采集,检测其是否漏油,该图像用于构建离线数据集;
对图像亮度进行估计,低照度小车接油盘采集环境,造成视觉干扰,接油盘区域视觉不可见,
对每一张小车接油盘图像进行判断分类,评估漏油状态,标注接油盘具体位置坐标,完成小车接油盘图像数据集的构建。
4.根据权利要求1所述的EMS小车漏油的视觉检测方法,其特征在于,所述对视觉清晰的小车接油盘图像进行预处理包括:
对在线获取小车接油盘图像采用MSRCR图像处理,得到视觉清晰的小车接油盘图像;
采用CenterNet目标检测网络检测接油盘图像接油盘区域,根据角点坐标截取接油盘区域。
5.根据权利要求4所述的EMS小车漏油的视觉检测方法,其特征在于,预处理还包括:
对截取接油盘区域通过CLAHE进行图像对比度增强,突出油滴区域;
将油滴区域在HSV色彩空间下通过阈值分割接油盘图像,剔除除了接油盘区域其他遮挡的干扰。
6.根据权利要求4所述的EMS小车漏油的视觉检测方法,其特征在于,所述CenterNet目标检测网络的训练方法包括:
标注接油盘区域目标关键点作为训练数据;
CenterNet经过主干网络后,产生两个预测分支,分别进行一对角点和中心关键点的预测;
角点预测沿用CornerNet的过程,左上角点和右下角点的组合过程仍然使用Embedding向量;
对于中心点的预测部分,预测产生热力图和offset,代表中心点的置信度和偏移量;
角点分支组合产生的预测框,再结合中心点预测的热力图,来决定一个预测框是否被保留;
focal loss训练网络检测角点和中心点,1-loss用来训练网络预测角点的和中心关键点的偏移量,混合损失函数优化目标;
CenterNet模型结果得到目标关键点,截取具体目标接油盘区域。
7.根据权利要求1所述的EMS小车漏油的视觉检测方法,其特征在于,图像对比度增强的方法包括:
CLAHE对比度受限的自适应直方图均衡化,将图像分块处理;
对每个分块,计算映射关系,计算映射关系时使用对比度限制;
使用插值方法得到最后的增强图像。
8.根据权利要求1所述的EMS小车漏油的视觉检测方法,其特征在于,所述HSV色彩空间包括:
接油盘RGB色彩空间转为HSV色彩空间;
实验确定各HSV通道阈值,分离接油盘区域,除去接油盘电线等干扰;
将剔除干扰的HSV色彩空间转为RGB色彩空间图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211695204.2A CN116228659A (zh) | 2022-12-28 | 2022-12-28 | 一种ems小车漏油的视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211695204.2A CN116228659A (zh) | 2022-12-28 | 2022-12-28 | 一种ems小车漏油的视觉检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116228659A true CN116228659A (zh) | 2023-06-06 |
Family
ID=86575893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211695204.2A Pending CN116228659A (zh) | 2022-12-28 | 2022-12-28 | 一种ems小车漏油的视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116228659A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315238A (zh) * | 2023-11-29 | 2023-12-29 | 福建理工大学 | 一种车辆目标检测的方法与终端 |
-
2022
- 2022-12-28 CN CN202211695204.2A patent/CN116228659A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315238A (zh) * | 2023-11-29 | 2023-12-29 | 福建理工大学 | 一种车辆目标检测的方法与终端 |
CN117315238B (zh) * | 2023-11-29 | 2024-03-15 | 福建理工大学 | 一种车辆目标检测的方法与终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN107328776B (zh) | 一种免疫层析试纸卡的快速检测方法 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN113435407B (zh) | 一种输电系统的小目标识别方法及装置 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN116228659A (zh) | 一种ems小车漏油的视觉检测方法 | |
CN111178445A (zh) | 图像处理方法及装置 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
CN112329572B (zh) | 一种基于边框和闪光点的快速静态活体检测方法及装置 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
CN114998889A (zh) | 一种沉浸式三维影像的智能识别方法及系统 | |
CN113920087A (zh) | 基于深度学习的微小元器件缺陷检测系统及方法 | |
CN109087289A (zh) | 一种格栅背景下的板材视觉图像检测算法 | |
CN117974671B (zh) | 基于人工智能的手表表盘缺陷智能检测方法 | |
CN117690096B (zh) | 一种适应不同场景的接触网安全巡检系统 |
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 |