CN116468748A - 一种基于图像处理的车辆轮毂螺栓松动检测方法 - Google Patents

一种基于图像处理的车辆轮毂螺栓松动检测方法 Download PDF

Info

Publication number
CN116468748A
CN116468748A CN202310302788.0A CN202310302788A CN116468748A CN 116468748 A CN116468748 A CN 116468748A CN 202310302788 A CN202310302788 A CN 202310302788A CN 116468748 A CN116468748 A CN 116468748A
Authority
CN
China
Prior art keywords
bolt
image
edge
image processing
extracting
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
CN202310302788.0A
Other languages
English (en)
Inventor
翟家辉
唐千升
乔时聪
马子涵
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.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
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 Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202310302788.0A priority Critical patent/CN116468748A/zh
Publication of CN116468748A publication Critical patent/CN116468748A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T5/70—
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Abstract

本发明涉及轮毂螺栓检测技术领域，特别涉及一种基于图像处理的车辆轮毂螺栓松动检测方法，具体步骤为：首先通过区域卷积神经网络对螺栓进行有效地识别和定位；通过图像处理技术对螺栓的图像进行预处理；接着通过图像增强对螺栓进行识别，确定螺栓的特征；通过图像分割提取出螺栓的边缘；最后在提取螺栓边缘后，通过LSD算法检测螺栓的边线，并基于检测的边线计算出螺栓松动的角度，判断出是否出现松动，并确定螺栓的安全程度，本发明基于数字图像处理技术，在提取螺栓的边缘后应用算法计算出螺栓的松动角度，从而对螺栓的松动进行的评判，可以对螺栓松动状态进行准确评判，提高了检测效率，有效降低了人工成本。

Description

一种基于图像处理的车辆轮毂螺栓松动检测方法
技术领域
本发明涉及轮毂螺栓检测技术领域，特别涉及一种基于图像处理的车辆轮毂螺栓松动检测方法。
背景技术
随着汽车行业的发展，人们对于汽车的认知也在不断地提升，而不仅仅局限于它的功能、内饰、外饰、安全等。对人们所购选的车型，安全平稳无疑的购车的首选因素，人们对汽车的评价也慢慢趋于安全性以及舒适性，而车轮是车辆行走装置的必备件，也是汽车的安全部件，它直接与路面接触，和汽车悬架共同来缓和汽车行驶时所受到的冲击，保证汽车具有良好的乘坐舒适性和平稳运行性。
在车轮众多不安全因素中，轮毂螺栓的松动甚至断裂尤为凸显，一旦发生的事故基本都被列为重大安全事故，因此轮毂螺栓的检测不仅关系到车辆本身的稳定性以及安全性，严重时更是威胁到驾驶人以及乘车人的生命安全，及时地检测修补它们就显得十分重要。
传统的轮毂螺栓检测是停车检查，车辆驶入汽修店，由检修人员对螺栓进行排查，主要依靠检修人员的手摸、锤敲、眼看和耳听等方法来完成，这种停车人工检查的方式检测效率低，成本高。
因此，有必要提供一种基于图像处理的车辆轮毂螺栓松动检测方法解决上述技术问题。
发明内容
为解决上述技术问题，本发明提供一种基于图像处理的车辆轮毂螺栓松动检测方法。
本发明提供的一种基于图像处理的车辆轮毂螺栓松动检测方法，具体步骤为：
S1、螺栓松动检测识别与定位：通过区域卷积神经网络对螺栓进行识别和定位，通过训练基于区域卷积神经网络深度学习模型计算螺栓的特性，进而对螺栓进行识别和定位；
S2、螺栓松动检测预处理：通过图像处理技术对螺栓的图像进行预处理，消除图像中无关的信息，恢复有用的真实信息；
S3、螺栓松动检测边缘识别：接着通过图像增强对螺栓进行识别，确定螺栓的特征；并通过图像分割提取出螺栓的边缘，提取出螺栓的边缘；
S4、螺栓松动检测角度计算：最后在提取螺栓边缘后，通过LSD算法检测螺栓的边缘线，并基于检测的边线计算出螺栓松动的角度，判断出是否出现松动，并确定螺栓的安全程度。
优选的，所述S2中通过图像处理技术对螺栓的图像进行预处理具体为：运用非线性滤波的方法对图像进行降噪，并将降噪后的图像通过灰度阈值转换彩色图像转换为简单的二值图像。
优选的，所述S2中运用非线性滤波的方法为非线性滤波中值滤波。
优选的，所述S3中通过图像增强对轮毂螺栓进行识别的具体步骤为：
S21、动态阈值分割：将转换来的二值图像通过动态阈值分割方法，使用局部阈值来分割图像；
S22、螺栓区域提取：基于区域卷积神经网络深度学习方法对螺栓的特征进行计算，从而能够对螺栓进行识别和定位。再对检测到的螺栓进行数据增强，从而可以提取到感兴趣区域——目标螺栓；
S23、螺栓特征提取：运用数学形态学处理方法对螺栓的轮廓区域中轮毂螺栓的特征进行提取，将螺栓的特征提取出来。
优选的，所述S3中通过图像分割提取出螺栓的边缘，提取出螺栓的边缘具体为：运用Canny边缘检测算法对轮廓的边缘进行提取，并将螺栓边缘转化为亚像素边缘。
优选的，所述S4中在提取螺栓边缘后，通过LSD算法提取螺栓边缘线的具体为：
S31、输入检测定位好的螺栓图；
S32、对螺栓图进行一次高斯降采样，缩小图片；
S33、计算梯度，找到可能有线段边缘的地方；
S34、梯度伪排序；
S35、设定梯度的阈值
S36、对直线区域更新(RegionGrow)
S37、矩形近似计算，求得较为规整的直线区域
S38、NFA(Number of False Alarms)值计算
优选的，所述S33计算梯度的方程为
平行线角度的计算方法是:
梯度大小为：
优选的，所述S36对整个直线区域更新一次的的公式为：
优选的，所述S37中计算矩形的中心的公式：
其中G(j)是像素j的梯度值，j代表区域内的每一个像素点。
与相关技术相比较，本发明提供的一种基于图像处理的车辆轮毂螺栓松动检测方法具有如下有益效果：
1、本发明基于数字图像处理技术，提出一套螺栓松动检测系统，在提取螺栓的边缘后，应用精确的算法计算出螺栓的松动角度，从而对螺栓的松动进行的评判，能够高效、快速的进行轮毂螺栓连接状态检测和监测，可以对螺栓松动状态进行准确评判，提高了检测效率，有效降低了人工成本；
附图说明
图1为本发明提供的一种基于图像处理的车辆轮毂螺栓松动检测方法的一种较佳实施例的流程示意图；
图2为图1所示的通过图像增强对轮毂螺栓进行识别的具体步骤流程示意图；
图3为图1所示的在提取螺栓边缘后，通过LSD算法提取螺栓边缘线的流程示意图；
图4为图1螺栓松动角度计算示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，若出现术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合具体实施例对本发明的具体实现进行详细描述。
参考图1至图4，本发明提供的一种基于图像处理的车辆轮毂螺栓松动检测方法，包括：具体步骤为：
S1、螺栓松动检测识别与定位：通过区域卷积神经网络对螺栓进行识别和定位，通过训练基于区域卷积神经网络深度学习模型计算螺栓的特性，进而对螺栓进行识别和定位。
需要说明的是：通过学习模型，在带有轮毂的螺栓图形中，选择几个建议的区域，然后标记类别和边界框。然后，使用CNN进行前向计算，从每个提议的区域提取特征。然后，利用每个区域的特征来预测类别和边界框进行，快速的将螺栓进行识别和定位，可有效去除大量无效图形区域，提高了识别效率。
S2、螺栓松动检测预处理：运用非线性滤波中值滤波的方法对图像进行降噪，并将降噪后的图像通过灰度阈值转换彩色图像转换为简单的二值图像，消除图像中无关的信息，恢复有用的真实信息；
需要说明的是：非线性滤波首先对滤波器在图像区域中像素进行排序，得出排序结果后决定的值代替中心像素的灰度值。，并且非线性滤波的主要途径有中值滤波、最大值滤波和最小值滤波，而在本发明选择中值滤波，它的定义简单且效果显著，采用中值滤波可以筛选掉像素区中波动很大的像素单位，这些部分往往就是高频噪声出现的地方，它们不仅能有效去除噪音，同时对于边缘的锐度和数字图像的局部细节有很强的保留效果，便于后续的图像识别
S3、螺栓松动检测边缘识别：接着通过图像增强对螺栓进行识别，确定螺栓的特征；并通过图像分割提取出螺栓的边缘，提取出螺栓的边缘；
S4、螺栓松动检测角度计算：最后在提取螺栓边缘后，通过LSD算法检测螺栓的边缘线，并基于检测的边线计算出螺栓松动的角度，判断出是否出现松动，并确定螺栓的安全程度。
在本发明的实施例中，所述S3中通过图像增强对轮毂螺栓进行识别的具体步骤为：
S21、动态阈值分割：将转换来的二值图像通过动态阈值分割方法，使用局部阈值来分割图像；
S22、螺栓区域提取：基于区域卷积神经网络深度学习方法对螺栓的特征进行计算，从而能够对螺栓进行识别和定位。再对检测到的螺栓进行数据增强，从而可以提取到感兴趣区域——目标螺栓；
S23、螺栓特征提取：运用数学形态学处理方法对螺栓的轮廓区域中轮毂螺栓的特征进行提取，将螺栓的特征提取出来；
需要说明的是：使用数学形态学处理方法，主要使用形状特殊的结构单元来获取图像中相关的形状特征；
在本发明的实施例中，所述S3中通过图像分割提取出螺栓的边缘，提取出螺栓的边缘具体为：运用Canny边缘检测算法对轮廓的边缘进行提取，并将螺栓边缘转化为亚像素边缘。
需要说明的是：由于采用Canny边缘检测算法对轮廓的边缘进行提取时，得到的螺栓边缘为像素边缘，而为了能够更好的为后面螺栓松动角度的计算，需要将像素边缘转化为亚像素边缘；
在本发明的实施例中，所述S4中在提取螺栓边缘后，通过LSD算法提取螺栓边缘线的具体为：
S31、输入检测定位好的螺栓图；
S32、对螺栓图进行一次高斯降采样，缩小图片；
S33、计算梯度，找到可能有线段边缘的地方；
S34、梯度伪排序；
S35、设定梯度的阈值
S36、对直线区域更新(RegionGrow)
S37、矩形近似计算，求得较为规整的直线区域
S38、NFA(Number of False Alarms)值计算
优选的，所述S33计算梯度的方程为
平行线角度的计算方法是:
梯度大小为：
优选的，所述S36对整个直线区域更新一次的的公式为：
优选的，所述S37中计算矩形的中心的公式：
其中G(j)是像素j的梯度值，j代表区域内的每一个像素点。
在S4中在提取螺栓边缘线后，基于检测到的边缘线计算螺栓的松动角度步骤如下：
如图4所示，螺栓松动角度αi定义为纵坐标轴与虚线的夹角，其中等价于两条实线的夹角。
首先将固定紧螺栓的边线向量求出，记为即为表示红线的向量，其中原点为螺栓的质心。将松螺栓的图像输入，将松螺栓的边线向量求出，记为即为表示绿线的向量。
则αi可表示为：
需要说明的是：通过上述方法计算出该螺栓松动旋转的角度，进而判断出是否出现松动，并确定螺栓的安全程度。
本发明中涉及的电路以及控制均为现有技术，在此不进行过多赘述。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，具体步骤为：
S1、螺栓松动检测识别与定位：通过区域卷积神经网络对螺栓进行识别和定位，通过训练基于区域卷积神经网络深度学习模型计算螺栓的特性，进而对螺栓进行识别和定位；
S2、螺栓松动检测预处理：通过图像处理技术对螺栓的图像进行预处理，消除图像中无关的信息，恢复有用的真实信息；
S3、螺栓松动检测边缘识别：接着通过图像增强对螺栓进行识别，确定螺栓的特征；并通过图像分割提取出螺栓的边缘，提取出螺栓的边缘；
S4、螺栓松动检测角度计算：最后在提取螺栓边缘后，通过LSD算法检测螺栓的边缘线，并基于检测的边线计算出螺栓松动的角度，判断出是否出现松动，并确定螺栓的安全程度。
2.根据权利要求1所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，所述S2中通过图像处理技术对螺栓的图像进行预处理具体为：运用非线性滤波的方法对图像进行降噪，并将降噪后的图像通过灰度阈值转换彩色图像转换为简单的二值图像。
3.根据权利要求2所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，所述S2中运用非线性滤波的方法为非线性滤波中值滤波。
4.根据权利要求1所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，所述S3中通过图像增强对轮毂螺栓进行识别的具体步骤为：
S21、动态阈值分割：将转换来的二值图像通过动态阈值分割方法，使用局部阈值来分割图像；
S22、螺栓区域提取：基于区域卷积神经网络深度学习方法对螺栓的特征进行计算，从而能够对螺栓进行识别和定位。再对检测到的螺栓进行数据增强，从而可以提取到感兴趣区域——目标螺栓；
S23、螺栓特征提取：运用数学形态学处理方法对螺栓的轮廓区域中轮毂螺栓的特征进行提取，将螺栓的特征提取出来。
5.根据权利要求4所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，所述S3中通过图像分割提取出螺栓的边缘，提取出螺栓的边缘具体为：运用Canny边缘检测算法对轮廓的边缘进行提取，并将螺栓边缘转化为亚像素边缘。
6.根据权利要求1所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，所述S4中在提取螺栓边缘后，通过LSD算法提取螺栓边缘线的具体为：
S31、输入检测定位好的螺栓图；
S32、对螺栓图进行一次高斯降采样，缩小图片；
S33、计算梯度，找到可能有线段边缘的地方；
S34、梯度伪排序；
S35、设定梯度的阈值
S36、对直线区域更新(RegionGrow)
S37、矩形近似计算，求得较为规整的直线区域
S38、NFA(Number of False Alarms)值计算。
7.根据权利要求6所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，所述S33计算梯度的方程为
平行线角度的计算方法是:
梯度大小为：
8.根据权利要求6所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于，所述S36对整个直线区域更新一次的的公式为：
9.根据权利要求6所述的一种基于图像处理的车辆轮毂螺栓松动检测方法，其特征在于所述S37中计算矩形的中心的公式：
其中G(j)是像素j的梯度值，j代表区域内的每一个像素点。
CN202310302788.0A 2023-03-27 2023-03-27 一种基于图像处理的车辆轮毂螺栓松动检测方法 Pending CN116468748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310302788.0A CN116468748A (zh) 2023-03-27 2023-03-27 一种基于图像处理的车辆轮毂螺栓松动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310302788.0A CN116468748A (zh) 2023-03-27 2023-03-27 一种基于图像处理的车辆轮毂螺栓松动检测方法

Publications (1)

Publication Number Publication Date
CN116468748A true CN116468748A (zh) 2023-07-21

Family

ID=87184912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310302788.0A Pending CN116468748A (zh) 2023-03-27 2023-03-27 一种基于图像处理的车辆轮毂螺栓松动检测方法

Country Status (1)

Country Link
CN (1) CN116468748A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117105038A (zh) * 2023-10-17 2023-11-24 山西戴德测控技术股份有限公司 一种提升机运行监测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117105038A (zh) * 2023-10-17 2023-11-24 山西戴德测控技术股份有限公司 一种提升机运行监测方法、装置、设备及存储介质
CN117105038B (zh) * 2023-10-17 2024-01-05 山西戴德测控技术股份有限公司 一种提升机运行监测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111274843B (zh) 基于监控视频的货车超载监测方法及系统
CN107729818B (zh) 一种基于深度学习的多特征融合车辆重识别方法
CN107330376B (zh) 一种车道线识别方法及系统
CN110008932B (zh) 一种基于计算机视觉的车辆违章压线检测方法
EP2575077B1 (en) Road sign detecting method and road sign detecting apparatus
CN102509098B (zh) 一种鱼眼图像车辆识别方法
CN104463241A (zh) 一种智能交通监控系统中的车辆类型识别方法
CN111091548B (zh) 基于深度学习的铁路货车承载鞍错位故障图像识别方法及系统
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN116468748A (zh) 一种基于图像处理的车辆轮毂螺栓松动检测方法
CN111080650A (zh) 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法
CN111652295A (zh) 一种铁路货车钩尾销托梁脱落故障识别方法
CN111915583A (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN114820626B (zh) 一种汽车前脸零件配置智能检测方法
CN111079630B (zh) 一种铁路货车制动梁安装位置不正确的故障识别方法
CN110705553B (zh) 一种适用于车辆远景图像的划痕检测方法
CN115376108A (zh) 一种复杂天气下障碍物检测方法及装置
CN114581886A (zh) 结合语义分割和频域分析的能见度判别方法、装置及介质
CN114782473A (zh) 一种基于像素关系的金相组织晶界提取方法
CN112258483B (zh) 一种钩尾销插托错位和螺母丢失故障检测方法
CN102043941B (zh) 动态实时相对关系识别方法与系统
CN111325061A (zh) 一种基于深度学习的车辆检测算法、设备及存储介质
CN116152758A (zh) 一种智能实时事故检测及车辆跟踪方法
CN111127503A (zh) 检测车辆轮胎的花纹的方法、设备和存储介质
Danilescu et al. Road anomalies detection using basic morphological algorithms

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