CN116563342B - 一种基于图像识别的水泡跟踪方法及装置 - Google Patents
一种基于图像识别的水泡跟踪方法及装置 Download PDFInfo
- Publication number
- CN116563342B CN116563342B CN202310563872.8A CN202310563872A CN116563342B CN 116563342 B CN116563342 B CN 116563342B CN 202310563872 A CN202310563872 A CN 202310563872A CN 116563342 B CN116563342 B CN 116563342B
- Authority
- CN
- China
- Prior art keywords
- bubble
- law
- frames
- video
- water
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 94
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000001174 ascending effect Effects 0.000 claims abstract description 20
- 239000007788 liquid Substances 0.000 claims abstract description 13
- 238000009432 framing Methods 0.000 claims abstract description 9
- 230000000630 rising effect Effects 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 50
- 238000010586 diagram Methods 0.000 claims description 41
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 abstract description 3
- 238000009776 industrial production Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 64
- 238000001914 filtration Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30241—Trajectory
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的水泡跟踪方法及装置,涉及图像识别领域,所述方法包括:使用高速摄像机采集水泡的视频,并提取视频的视频帧;对视频帧进行分帧处理并按时间序列排列,获得序列帧;对序列帧进行水泡图像识别,提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标;基于计算机视觉算法根据水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数;根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径;根据水泡的轨迹路径对水泡进行跟踪定位处理。该方法在液体流体力学或工业生产中,可以实现对水泡的跟踪,提高生产效率和质量,减少人工干预和误差。
Description
技术领域
本发明涉及图像识别领域,特别是一种基于图像识别的水泡跟踪方法及装置。
背景技术
传统的水泡跟踪方法主要采用光电测量或传感器测量,但这些方法需要专门的设备,并且操作复杂,成本高昂。随着计算机视觉技术的发展,基于图像识别的水泡跟踪方法逐渐得到应用。然而,现有方法对于复杂场景的水泡跟踪仍然存在一定的局限性,很难实现智能检测,需要大量人工干预,而且误差较大。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于图像识别的水泡跟踪方法及装置,该方法利用计算机视觉技术实现对水泡的跟踪定位,并获得水泡的运动规律函数和轨迹路径信息,在液体流体力学或工业生产中,可以实现对水泡的自动化监测、跟踪和控制,提高生产效率和质量,减少人工干预和误差。
为了解决上述技术问题,本发明提出了一种基于图像识别的水泡跟踪方法,所述方法包括:
使用高速摄像机采集水泡的视频,并提取所述视频的视频帧;
对所述视频帧进行分帧处理并按时间序列排列,获得序列帧;
对所述序列帧进行水泡图像识别,提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标;
基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数;
根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径;
根据水泡的轨迹路径对水泡进行跟踪定位处理。
优选的,所述提取所述视频的视频帧,包括:
高速摄像机的感光元件对水域进行曝光,将水泡的光信号转化为电信号;
高速摄像机的图像处理器对水泡的电信号进行处理,并将电信号转化为数字信号;
对数字信号解码还原成图像信号转化成视频帧。
优选的,所述对所述视频帧进行分帧处理并按时间序列排列,获得序列帧,包括:
对所述视频帧进行灰度处理,获得灰度帧;
对灰度帧进行中心差分处理,得到差分帧;
将差分帧进行二值化处理,得到二值化帧;
对二值化帧进行形态学连通性处理,去除噪点和孤立点,得到处理后的二值化帧;
将处理后的二值化帧按时间序列排列,得到序列帧。
优选的,所述提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标,包括:
将候选气泡所在的区域内所有像素点的坐标值加权平均;
假设候选气泡所在的区域中共有n个像素点,每个像素点的坐标为 ( ),则所述像素点的加权平均值/>,/>表示为:
;
其中,表示第i个像素点的权重,为该像素点的灰度值或者像素点与候选气泡中心点的距离的函数值。
优选的,所述基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数,包括:
通过测量质心位置坐标水泡(,/>)对应的上升高度/>和所用的时间/>,建立水泡上升高度和时间的数据集/>;
根据数据集,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项;
利用所得到的函数模型,将质心坐标转化为水泡上升高度,并预测水泡上升高度的线性运动规律。
优选的,所述根据数据集,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项,包括:
设关系为h = a*t + b,其中h为水泡上升高度,t为时间,a为系数,b为常数项;
最小二乘法的基本思想是使所有观测值与拟合值之间的误差误差平方和:
;
对和/>求偏导数:
;
;
化简:
;
;
其中,n为数据个数, 其中分别为h和t的均值。
优选的,所述根据所获得的水泡的上升的线性规律与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径,包括:
检查水泡上升高度的线性运动规律是否满足斯托克定律;
若满足斯托克定律则利用收集到的高度和时间数据,绘制散点图并拟合一条函数曲线,确定水泡上升的线性规律;
对于不符合斯托克定律的数据,利用斯托克定律的公式估算其真实值,然后根据这个真实值和线性规律计算加权平均值;
利用线性规律和加权补偿后的数据,基于计算机生成水泡的轨迹路径图;
对轨迹路径图进行检查和分析,找出异常值并重新进行加权补偿,直到得到符合实际的水泡的轨迹路径。
优选的,所述检查水泡上升高度的线性运动规律是否满足斯托克定律的具体步骤包括:
根据斯托克定律,水泡上升的速度v为:
;
上式中d为水泡直径d和η为液体的粘度,其中k为斯托克系数,为水泡的密度,为液体的密度;
将拟合出的线性运动规律公式改写为/>,再代入斯托克定律中的/>,得到/>=/>;
判断所获得的水泡的上升的线性规律中得到的,/>数值是否符合该公式。
优选的,所述根据水泡的轨迹路径对水泡进行跟踪定位处理,包括:
对水泡的轨迹路径进行连续跟踪和更新;
在水泡运动过程中,基于拟合出的水泡的轨迹路径确定水泡位置和运动方向;
根据跟踪结果,将水泡的轨迹路径以及其他运动参数输出到数据文件中。
本发明还提供了一种基于图像识别的水泡跟踪装置,所述装置包括:
视频采集模块:用于采集水泡的视频,并提取所述视频的视频帧;
剪辑模块:用于对所述视频帧进行分帧处理并按时间序列排列,获得序列帧;
提取模块:用于对所述序列帧进行水泡图像识别,提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标;
计算模块:用于基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数;
拟合模块:用于根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径;
跟踪模块:用于根据水泡的轨迹路径对水泡进行跟踪定位处理。
本发明的有益效果是:本发明通过提供一种基于图像识别的水泡跟踪方法,可以精准地跟踪定位水泡的轨迹路径,具有高效、准确、可靠的优点;通过对水泡在不同帧的质心位置坐标进行函数分析,获得运动规律函数,并根据水泡的运动规律函数和斯托克定律加权补偿,拟合出水泡的运动轨迹,可以使水泡跟踪的结果更加准确;该方法可以应用于各种类型的水泡跟踪应用场景,具有广泛的应用前景。
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,显而易见的,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它的附图。
图1是本发明实施例中的基于图像识别的水泡跟踪方法的流程示意图;
图2是本发明实施例中的基于图像识别的水泡跟踪装置的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一,请参阅图1,图1是本发明实施例中的基于图像识别的水泡跟踪方法的流程示意图。
如图1所示,一种基于图像识别的水泡跟踪方法,该方法包括:
S11使用高速摄像机采集水泡的视频,并提取所述视频的视频帧;
在本发明具体实施过程中,采用了高速摄像机的技术,利用感光元件对水泡进行曝光,并将产生的光信号转化为电信号;然后通过图像处理器对电信号进行处理,并将其转化为数字信号;最后对数字信号进行解码,并将其转化为图像信号,从而得到所需的视频帧。
相对于传统的视频提取方法,本发明的提取视频帧具有以下优点:高速摄像机能够实现高帧率的拍摄,因此能够提取到更多的视频帧,提高细节的观测精度;利用高速摄像机对水泡进行曝光,能够更加准确地捕捉水泡的形态和动态变化,提高提取视频帧的准确度;通过图像处理器对电信号进行处理,能够消除噪声等不良因素的干扰,得到更加清晰的视频帧。
S12对所述视频帧进行分帧处理并按时间序列排列,获得序列帧;
在本发明具体实施过程中,所述对所述视频帧进行分帧处理并按时间序列排列,获得序列帧,包括:对所述视频帧进行灰度处理,获得灰度帧;对灰度帧进行中心差分处理,得到差分帧;将差分帧进行二值化处理,得到二值化帧;对二值化帧进行形态学连通性处理,去除噪点和孤立点,得到处理后的二值化帧;将处理后的二值化帧按时间序列排列,得到序列帧。
具体的,所述视频帧是由许多个像素点组成的,每个像素点对应一个亮度值和颜色值;在进行灰度处理时,将每个像素点的颜色值转换为对应的灰度值,这样可以减少数据量,也便于后续处理;在进行中心差分处理时,比较每个像素点与其周围像素点的亮度值,计算得到差分值,这样可以突出图像中的边缘和运动物体等;在进行二值化处理时,将差分帧中的像素点根据其灰度值的阈值转换为黑白两种颜色,这样可以进行更精细的处理和分析。
进一步的,基于形态学原理进行连通性处理,去除噪点和孤立点,这样可以得到更准确、更清晰的图像;将处理后的二值化帧按照时间序列排列成序列帧,方便进行后续的分析和处理。通过这些处理步骤将视频帧转换为序列帧,并进行各种进一步的处理和分析,可以方便更精确、更深入地获取视频图像中包含的信息和特征。
S13对所述序列帧进行水泡图像识别,提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标;
在本发明具体实施过程中,所述提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标,包括:将候选气泡所在的区域内所有像素点的坐标值加权平均;假设候选气泡所在的区域中共有n个像素点,每个像素点的坐标为 ( ),则所述像素点的加权平均值/>,/>表示为:
;
其中,表示第i个像素点的权重,为该像素点的灰度值或者像素点与候选气泡中心点的距离的函数值。
S14基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数;
在本发明具体实施过程中,所述基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数,包括:通过测量质心位置坐标水泡(,/>)对应的上升高度/>和所用的时间/>,建立水泡上升高度和时间的数据集;根据数据集/>,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项;利用所得到的函数模型,将质心坐标转化为水泡上升高度,并预测水泡上升高度的线性运动规律。
进一步的,首先,需要对图像序列进行处理,使用计算机视觉算法提取水泡在不同帧的质心位置坐标;这可以通过像素变化率、形态学运算等方式实现,可以使用开源图像处理库如OpenCV实现;接下来,测量每个质心位置坐标对应的上升高度和所用的时间,并建立水泡上升高度和时间的数据集;这可以通过将质心位置坐标转化为物理坐标、计算每帧高度差、统计时间间隔等方式实现;使用建立的数据集,可以利用最小二乘法拟合水泡上升高度和时间的函数,得到函数的系数和常数项。所述最小二乘法是一种常见的回归分析方法,可以使用Python中的scikit-learn、numpy等开源库实现。利用得到的函数,可以将质心坐标转化为对应的水泡上升高度,并预测水泡上升高度的线性运动规律;这可以应用函数计算得出,同时也可以通过绘制散点图、拟合曲线等方式进行可视化和验证;最终,根据得到的运动规律函数,可以进行水泡运动分析和相关实验分析。
具体的,所述根据数据集,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项,包括:设关系为h = a*t + b,其中h为水泡上升高度,t为时间,a为系数,b为常数项;最小二乘法的基本思想是使所有观测值与拟合值之间的误差误差平方和/>:
;
对和/>求偏导数:
;
;
化简:
;
;
其中,n为数据个数, 其中分别为h和t的均值。
S15根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径;
在本发明具体实施过程中,所述根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径,包括:
所述检查水泡上升高度的线性运动规律是否满足斯托克定律;若满足斯托克定律则利用收集到的高度和时间数据,绘制散点图并拟合一条函数曲线,确定水泡上升的线性规律;对于不符合斯托克定律的数据,利用斯托克定律的公式估算其真实值,然后根据这个真实值和线性规律计算加权平均值;利用线性规律和加权补偿后的数据,基于计算机生成水泡的轨迹路径图;对轨迹路径图进行检查和分析,找出异常值并重新进行加权补偿,直到得到符合实际的水泡的轨迹路径。
具体的,通过检查水泡上升高度的线性运动规律是否满足斯托克定律;
所述斯托克定律描述了物体在流体中静止或做匀速直线运动时所受到的阻力大小与物体速度的平方成正比,与物体的质量成反比;根据斯托克定律,水泡在液体中上升的高度应当与其直径的平方成正比;为了检查水泡上升高度的线性运动规律是否满足斯托克定律,可按以下步骤进行:测量水泡的直径和上升高度,并记录时间;对所有数据进行统计和整理;将直径的平方和上升高度作为横、纵坐标,绘制散点图;按照斯托克定律的理论公式,计算每个点的值,并与实际观测值进行比较;判断实验数据是否符合斯托克定律,若符合则可以进行下一步操作;若不符合,则需要进行后续的估算和加权平均处理。
进一步的,绘制散点图并拟合一条函数曲线,确定水泡上升的线性规律,如果实验数据符合斯托克定律,绘制散点图,然后进行拟合函数曲线,确定水泡上升的线性规律;将水泡的直径平方作为横坐标,水泡的上升高度作为纵坐标,绘制散点图;根据数据,选择一种合适的拟合函数曲线,并利用曲线拟合工具对数据进行拟合;根据拟合结果,确定水泡上升的线性规律,包括斯托克定律中的比例系数和实验过程中可能的误差或偏差。
估算不符合斯托克定律的数据的真实值,并进行加权平均处理。
进一步的,如果发现实验数据不符合斯托克定律,可以通过斯托克定律的公式估算这些数据的真实值,然后根据这个真实值和线性规律计算加权平均值,从而获得更准确的结果;利用斯托克定律的公式,根据实验数据估算出不符合斯托克定律的数据的真实值;将估算出的真实值和线性规律计算出的值进行加权平均处理,以提高结果的准确性;根据加权平均处理后的结果,重新绘制轨迹路径图,并进行检查和分析。
进一步的,基于计算机生成水泡的轨迹路径图,并进行检查和分析在得到符合实际的水泡的轨迹路径后,基于计算机生成水泡的轨迹路径图,并进行检查和分析,以检查数据的准确性和确定实验结果的可靠性;利用计算机软件,根据得到的数据和规律,生成水泡的轨迹路径图;对轨迹路径图进行检查和分析,找出异常值并重新进行加权补偿,直到得到符合实际的水泡的轨迹路径;根据轨迹路径图和实验数据,确定水泡上升的线性规律和可能的误差或偏差,并得出实验结果。
具体的,所述检查水泡上升高度的线性运动规律是否满足斯托克定律的具体步骤包括:根据斯托克定律,水泡上升的速度v为:
;
上式中d为水泡直径d和η为液体的粘度,其中k为斯托克系数,为水泡的密度,为液体的密度;将拟合出的线性运动规律公式/>改写为/>,再代入斯托克定律中的/>,得到/>=/>;判断所获得的水泡的上升的线性规律中得到的/>,/>数值是否符合该公式。
S16根据水泡的轨迹路径对水泡进行跟踪定位处理;
在本发明具体实施过程中,所述根据水泡的轨迹路径对水泡进行跟踪定位处理,包括:对水泡的轨迹路径进行连续跟踪和更新;在水泡运动过程中,基于拟合出的水泡的轨迹路径确定水泡位置和运动方向;根据跟踪结果,将水泡的轨迹路径以及其他运动参数输出到数据文件中。
具体的,对水泡的轨迹路径进行连续跟踪和更新的方法可以分为两个步骤:第一步是检测水泡。可以使用图像处理技术,对图像进行预处理,例如去噪、二值化等,然后使用形态学或边缘检测等方法对水泡进行检测。检测到的水泡可以用一个圆形或椭圆形来描述,包括水泡的位置、大小和形状等信息。第二步是跟踪水泡的位置和运动,这可以通过对连续帧之间的水泡位置进行匹配来实现;一般使用算法,例如卡尔曼滤波或粒子滤波等,来估计水泡的位置和速度,并更新路径。如果检测到的水泡数量不一致,可以通过多对象跟踪(MOT)等方法进行处理,在水泡运动过程中,基于拟合出的轨迹路径,可以确定水泡的位置和运动方向。这可以通过曲线拟合技术,例如最小二乘法、样条曲线等方法,对水泡的轨迹进行拟合,从而确定水泡的位置,运动方向可以通过轨迹的斜率来估计。最终,可以将跟踪结果输出到数据文件中,包括水泡的轨迹路径、速度、加速度和其他运动参数等;这些数据可用于分析水泡运动的特征和性质,例如平均速度、湍流强度等。在分析结果中,可以搜索和识别不同的运动模式、行为和趋势,以获取有关系统的更多信息。
本发明的有益效果是:本发明通过提供一种基于图像识别的水泡跟踪方法,可以精准地跟踪定位水泡的轨迹路径,具有高效、准确、可靠的优点;通过对水泡在不同帧的质心位置坐标进行函数分析,获得运动规律函数,并根据水泡的运动规律函数和斯托克定律加权补偿,拟合出水泡的运动轨迹,可以使水泡跟踪的结果更加准确;该方法可以应用于各种类型的水泡跟踪应用场景,具有广泛的应用前景。
实施例二,请参阅图2,图2是本发明实施例中的基于图像识别的水泡跟踪装置的结构组成示意图
如图2,本发明还提供一种基于图像识别的水泡跟踪装置,所述装置包括:
视频采集模块21:用于采集水泡的视频,并提取所述视频的视频帧;
在本发明具体实施过程中,采用了高速摄像机的技术,利用感光元件对水泡进行曝光,并将产生的光信号转化为电信号;然后通过图像处理器对电信号进行处理,并将其转化为数字信号;最后对数字信号进行解码,并将其转化为图像信号,从而得到所需的视频帧。
相对于传统的视频提取方法,本发明的提取视频帧具有以下优点:高速摄像机能够实现高帧率的拍摄,因此能够提取到更多的视频帧,提高细节的观测精度;利用高速摄像机对水泡进行曝光,能够更加准确地捕捉水泡的形态和动态变化,提高提取视频帧的准确度;通过图像处理器对电信号进行处理,能够消除噪声等不良因素的干扰,得到更加清晰的视频帧。
剪辑模块22:用于对所述视频帧进行分帧处理并按时间序列排列,获得序列帧;
在本发明具体实施过程中,所述对所述视频帧进行分帧处理并按时间序列排列,获得序列帧,包括:对所述视频帧进行灰度处理,获得灰度帧;对灰度帧进行中心差分处理,得到差分帧;将差分帧进行二值化处理,得到二值化帧;对二值化帧进行形态学连通性处理,去除噪点和孤立点,得到处理后的二值化帧;将处理后的二值化帧按时间序列排列,得到序列帧。
具体的,所述视频帧是由许多个像素点组成的,每个像素点对应一个亮度值和颜色值;在进行灰度处理时,将每个像素点的颜色值转换为对应的灰度值,这样可以减少数据量,也便于后续处理;在进行中心差分处理时,比较每个像素点与其周围像素点的亮度值,计算得到差分值,这样可以突出图像中的边缘和运动物体等;在进行二值化处理时,将差分帧中的像素点根据其灰度值的阈值转换为黑白两种颜色,这样可以进行更精细的处理和分析。
进一步的,基于形态学原理进行连通性处理,去除噪点和孤立点,这样可以得到更准确、更清晰的图像;将处理后的二值化帧按照时间序列排列成序列帧,方便进行后续的分析和处理。通过这些处理步骤将视频帧转换为序列帧,并进行各种进一步的处理和分析,可以方便更精确、更深入地获取视频图像中包含的信息和特征。
提取模块23:用于对所述序列帧进行水泡图像识别,提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标;
在本发明具体实施过程中,所述提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标,包括:将候选气泡所在的区域内所有像素点的坐标值加权平均;假设候选气泡所在的区域中共有n个像素点,每个像素点的坐标为 ( ),则所述像素点的加权平均值/>,/>表示为:
;
其中,表示第i个像素点的权重,为该像素点的灰度值或者像素点与候选气泡中心点的距离的函数值。
计算模块24:用于基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数;
在本发明具体实施过程中,所述基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数,包括:通过测量质心位置坐标水泡(,/>)对应的上升高度/>和所用的时间/>,建立水泡上升高度和时间的数据集;根据数据集/>,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项;利用所得到的函数模型,将质心坐标转化为水泡上升高度,并预测水泡上升高度的线性运动规律。
进一步的,首先,需要对图像序列进行处理,使用计算机视觉算法提取水泡在不同帧的质心位置坐标;这可以通过像素变化率、形态学运算等方式实现,可以使用开源图像处理库如OpenCV实现;接下来,测量每个质心位置坐标对应的上升高度和所用的时间,并建立水泡上升高度和时间的数据集;这可以通过将质心位置坐标转化为物理坐标、计算每帧高度差、统计时间间隔等方式实现;使用建立的数据集,可以利用最小二乘法拟合水泡上升高度和时间的函数,得到函数的系数和常数项。所述最小二乘法是一种常见的回归分析方法,可以使用Python中的scikit-learn、numpy等开源库实现。利用得到的函数,可以将质心坐标转化为对应的水泡上升高度,并预测水泡上升高度的线性运动规律;这可以应用函数计算得出,同时也可以通过绘制散点图、拟合曲线等方式进行可视化和验证;最终,根据得到的运动规律函数,可以进行水泡运动分析和相关实验分析。
具体的,所述根据数据集,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项,包括:设关系为h = a*t + b,其中h为水泡上升高度,t为时间,a为系数,b为常数项;最小二乘法的基本思想是使所有观测值与拟合值之间的误差误差平方和/>:
;
对和/>求偏导数:
;
;
化简:
;
;
其中,n为数据个数, 其中分别为h和t的均值。
拟合模块25:用于根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径;
在本发明具体实施过程中,所述根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径,包括:
所述检查水泡上升高度的线性运动规律是否满足斯托克定律;若满足斯托克定律则利用收集到的高度和时间数据,绘制散点图并拟合一条函数曲线,确定水泡上升的线性规律;对于不符合斯托克定律的数据,利用斯托克定律的公式估算其真实值,然后根据这个真实值和线性规律计算加权平均值;利用线性规律和加权补偿后的数据,基于计算机生成水泡的轨迹路径图;对轨迹路径图进行检查和分析,找出异常值并重新进行加权补偿,直到得到符合实际的水泡的轨迹路径。
具体的,通过检查水泡上升高度的线性运动规律是否满足斯托克定律;
所述斯托克定律描述了物体在流体中静止或做匀速直线运动时所受到的阻力大小与物体速度的平方成正比,与物体的质量成反比;根据斯托克定律,水泡在液体中上升的高度应当与其直径的平方成正比;为了检查水泡上升高度的线性运动规律是否满足斯托克定律,可按以下步骤进行:测量水泡的直径和上升高度,并记录时间;对所有数据进行统计和整理;将直径的平方和上升高度作为横、纵坐标,绘制散点图;按照斯托克定律的理论公式,计算每个点的值,并与实际观测值进行比较;判断实验数据是否符合斯托克定律,若符合则可以进行下一步操作;若不符合,则需要进行后续的估算和加权平均处理。
进一步的,绘制散点图并拟合一条函数曲线,确定水泡上升的线性规律,如果实验数据符合斯托克定律,绘制散点图,然后进行拟合函数曲线,确定水泡上升的线性规律;将水泡的直径平方作为横坐标,水泡的上升高度作为纵坐标,绘制散点图;根据数据,选择一种合适的拟合函数曲线,并利用曲线拟合工具对数据进行拟合;根据拟合结果,确定水泡上升的线性规律,包括斯托克定律中的比例系数和实验过程中可能的误差或偏差。
估算不符合斯托克定律的数据的真实值,并进行加权平均处理。
进一步的,如果发现实验数据不符合斯托克定律,可以通过斯托克定律的公式估算这些数据的真实值,然后根据这个真实值和线性规律计算加权平均值,从而获得更准确的结果;利用斯托克定律的公式,根据实验数据估算出不符合斯托克定律的数据的真实值;将估算出的真实值和线性规律计算出的值进行加权平均处理,以提高结果的准确性;根据加权平均处理后的结果,重新绘制轨迹路径图,并进行检查和分析。
进一步的,基于计算机生成水泡的轨迹路径图,并进行检查和分析在得到符合实际的水泡的轨迹路径后,基于计算机生成水泡的轨迹路径图,并进行检查和分析,以检查数据的准确性和确定实验结果的可靠性;利用计算机软件,根据得到的数据和规律,生成水泡的轨迹路径图;对轨迹路径图进行检查和分析,找出异常值并重新进行加权补偿,直到得到符合实际的水泡的轨迹路径;根据轨迹路径图和实验数据,确定水泡上升的线性规律和可能的误差或偏差,并得出实验结果。
具体的,所述检查水泡上升高度的线性运动规律是否满足斯托克定律的具体步骤包括:根据斯托克定律,水泡上升的速度v为:
;
上式中d为水泡直径d和η为液体的粘度,其中k为斯托克系数,为水泡的密度,为液体的密度;将拟合出的线性运动规律公式/>改写为/>,再代入斯托克定律中的/>,得到/>=/>;判断所获得的水泡的上升的线性规律中得到的/>,/>数值是否符合该公式。
跟踪模块26:用于根据水泡的轨迹路径对水泡进行跟踪定位处理。
在本发明具体实施过程中,所述根据水泡的轨迹路径对水泡进行跟踪定位处理,包括:对水泡的轨迹路径进行连续跟踪和更新;在水泡运动过程中,基于拟合出的水泡的轨迹路径确定水泡位置和运动方向;根据跟踪结果,将水泡的轨迹路径以及其他运动参数输出到数据文件中。
具体的,对水泡的轨迹路径进行连续跟踪和更新的方法可以分为两个步骤:第一步是检测水泡。可以使用图像处理技术,对图像进行预处理,例如去噪、二值化等,然后使用形态学或边缘检测等方法对水泡进行检测。检测到的水泡可以用一个圆形或椭圆形来描述,包括水泡的位置、大小和形状等信息。第二步是跟踪水泡的位置和运动,这可以通过对连续帧之间的水泡位置进行匹配来实现;一般使用算法,例如卡尔曼滤波或粒子滤波等,来估计水泡的位置和速度,并更新路径。如果检测到的水泡数量不一致,可以通过多对象跟踪(MOT)等方法进行处理,在水泡运动过程中,基于拟合出的轨迹路径,可以确定水泡的位置和运动方向。这可以通过曲线拟合技术,例如最小二乘法、样条曲线等方法,对水泡的轨迹进行拟合,从而确定水泡的位置,运动方向可以通过轨迹的斜率来估计。最终,可以将跟踪结果输出到数据文件中,包括水泡的轨迹路径、速度、加速度和其他运动参数等;这些数据可用于分析水泡运动的特征和性质,例如平均速度、湍流强度等。在分析结果中,可以搜索和识别不同的运动模式、行为和趋势,以获取有关系统的更多信息。
本发明的有益效果是:本发明通过提供一种基于图像识别的水泡跟踪方法,可以精准地跟踪定位水泡的轨迹路径,具有高效、准确、可靠的优点;通过对水泡在不同帧的质心位置坐标进行函数分析,获得运动规律函数,并根据水泡的运动规律函数和斯托克定律加权补偿,拟合出水泡的运动轨迹,可以使水泡跟踪的结果更加准确;该方法可以应用于各种类型的水泡跟踪应用场景,具有广泛的应用前景。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的基于图像识别的水泡跟踪方法及装置进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于图像识别的水泡跟踪方法,其特征在于,所述方法包括:
使用高速摄像机采集水泡的视频,并提取所述视频的视频帧;
对所述视频帧进行分帧处理并按时间序列排列,获得序列帧;
对所述序列帧进行水泡图像识别,提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标;
基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数;
根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径;
根据水泡的轨迹路径对水泡进行跟踪定位处理;
所述根据所获得的水泡的上升的线性规律与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径,包括:
检查水泡上升高度的线性运动规律是否满足斯托克定律;
若满足斯托克定律则利用收集到的高度和时间数据,将水泡的直径平方作为横坐标,水泡的上升高度作为纵坐标,绘制散点图并拟合一条函数曲线,确定水泡上升的线性规律;
对于不符合斯托克定律的数据,利用斯托克定律的公式估算其真实值,然后根据这个真实值和线性规律计算加权平均值;
基于计算机生成水泡的轨迹路径图;
对轨迹路径图进行检查和分析,找出异常值并重新进行加权补偿,直到得到符合实际的水泡的轨迹路径;
所述检查水泡上升高度的线性运动规律是否满足斯托克定律的具体步骤包括:
根据斯托克定律,水泡上升的速度v为:
;
上式中d为水泡直径d和η为液体的粘度,其中k为斯托克系数,为水泡的密度,/>为液体的密度;
将拟合出的线性运动规律公式改写为/>,再代入斯托克定律中的,得到/>=/>;
判断所获得的水泡的上升的线性规律中得到的,/>数值是否符合该公式;/>,/>分别为运动规律函数的系数和常数项。
2.根据权利要求 1 所述的水泡跟踪方法,其特征在于,所述提取所述视频的视频帧,包括:
高速摄像机的感光元件对水域进行曝光,将水泡的光信号转化为电信号;
高速摄像机的图像处理器对水泡的电信号进行处理,并将电信号转化为数字信号;
对数字信号解码还原成图像信号转化成视频帧。
3.根据权利要求 1 所述的水泡跟踪方法,其特征在于,所述对所述视频帧进行分帧处理并按时间序列排列,获得序列帧,包括:
对所述视频帧进行灰度处理,获得灰度帧;
对灰度帧进行中心差分处理,得到差分帧;
将差分帧进行二值化处理,得到二值化帧;
对二值化帧进行形态学连通性处理,去除噪点和孤立点,得到处理后的二值化帧;
将处理后的二值化帧按时间序列排列,得到序列帧。
4.根据权利要求 1 所述的水泡跟踪方法,其特征在于,所述提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标,包括:
将候选气泡所在的区域内所有像素点的坐标值加权平均;
假设候选气泡所在的区域中共有 n个像素点,每个像素点的坐标为 ( ),则所述像素点的加权平均值/>,/>表示为:
;
其中, 表示第 i个像素点的权重,为该像素点的灰度值或者像素点与候选气泡中心点的距离的函数值。
5.根据权利要求 1 所述的水泡跟踪方法,其特征在于,所述基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数,包括:
通过测量质心位置坐标水泡(,/>)对应的上升高度/>和所用的时间/>,建立水泡上升高度和时间的数据集/>;
根据数据集,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项;
利用所得到的函数模型,将质心坐标转化为水泡上升高度,并预测水泡上升高度的线性运动规律。
6.根据权利要求 5 所述的水泡跟踪方法,其特征在于,所述根据数据集,使用最小二乘法拟合水泡上升高度和时间的函数模型,得到函数模型的系数和常数项,包括:
设关系为h = a*t + b,其中h为水泡上升高度,t为时间,a为系数,b为常数项;
最小二乘法的基本思想是使所有观测值与拟合值之间的误差误差平方和:
;
对和/>求偏导数:
;
;
化简:
;
;
其中,n为数据个数, 其中分别为h和t的均值。
7.根据权利要求 1 所述的水泡跟踪方法,其特征在于,所述根据水泡的轨迹路径对水泡进行跟踪定位处理,包括:
对水泡的轨迹路径进行连续跟踪和更新;
在水泡运动过程中,基于拟合出的水泡的轨迹路径确定水泡位置和运动方向;
根据跟踪结果,将水泡的轨迹路径以及其他运动参数输出到数据文件中。
8.一种基于图像识别的水泡跟踪装置,其特征在于,所述装置包括:
视频采集模块:用于采集水泡的视频,并提取所述视频的视频帧;
剪辑模块:用于对所述视频帧进行分帧处理并按时间序列排列,获得序列帧;
提取模块:用于对所述序列帧进行水泡图像识别,提取出水泡的区域信息在序列帧中不同帧的水泡的质心位置坐标;
计算模块:用于基于计算机视觉算法根据所述水泡在序列帧中不同帧的质心位置坐标进行函数分析,获得运动规律函数;
拟合模块:用于根据所获得的水泡的上升的运动规律函数与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径;
跟踪模块:用于根据水泡的轨迹路径对水泡进行跟踪定位处理;
所述根据所获得的水泡的上升的线性规律与水泡上升的斯托克定律加权补偿,拟合出水泡的轨迹路径,包括:
检查水泡上升高度的线性运动规律是否满足斯托克定律;
若满足斯托克定律则利用收集到的高度和时间数据,将水泡的直径平方作为横坐标,水泡的上升高度作为纵坐标,绘制散点图并拟合一条函数曲线,确定水泡上升的线性规律;
对于不符合斯托克定律的数据,利用斯托克定律的公式估算其真实值,然后根据这个真实值和线性规律计算加权平均值;
基于计算机生成水泡的轨迹路径图;
对轨迹路径图进行检查和分析,找出异常值并重新进行加权补偿,直到得到符合实际的水泡的轨迹路径;
所述检查水泡上升高度的线性运动规律是否满足斯托克定律的具体步骤包括:
根据斯托克定律,水泡上升的速度v为:
;
上式中d为水泡直径d和η为液体的粘度,其中k为斯托克系数,为水泡的密度,/>为液体的密度;
将拟合出的线性运动规律公式改写为/>,再代入斯托克定律中的,得到/>=/>;
判断所获得的水泡的上升的线性规律中得到的,/>数值是否符合该公式;/>,/>分别为运动规律函数的系数和常数项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563872.8A CN116563342B (zh) | 2023-05-18 | 2023-05-18 | 一种基于图像识别的水泡跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563872.8A CN116563342B (zh) | 2023-05-18 | 2023-05-18 | 一种基于图像识别的水泡跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563342A CN116563342A (zh) | 2023-08-08 |
CN116563342B true CN116563342B (zh) | 2023-10-27 |
Family
ID=87487698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310563872.8A Active CN116563342B (zh) | 2023-05-18 | 2023-05-18 | 一种基于图像识别的水泡跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563342B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105108093A (zh) * | 2015-09-02 | 2015-12-02 | 青岛理工大学 | 搅拌磁场作用下连铸结晶器内非金属夹杂物运动规律的物理模拟方法 |
WO2020097298A1 (en) * | 2018-11-09 | 2020-05-14 | Georgia Tech Research Corporation | Systems and methods for ultrasound imaging and focusing |
CN112345412A (zh) * | 2020-10-23 | 2021-02-09 | 大连理工大学 | 一种纳米气泡扩散系数原位测量方法 |
CN113109218A (zh) * | 2021-04-21 | 2021-07-13 | 中国科学院苏州生物医学工程技术研究所 | 一种基于纳米颗粒示踪技术的纳米颗粒粒径分布检测分析方法 |
CN113838089A (zh) * | 2021-09-20 | 2021-12-24 | 哈尔滨工程大学 | 一种基于特征匹配算法的气泡轨迹跟踪方法 |
CN114463653A (zh) * | 2022-04-12 | 2022-05-10 | 浙江大学 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
WO2022188282A1 (zh) * | 2021-03-10 | 2022-09-15 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
-
2023
- 2023-05-18 CN CN202310563872.8A patent/CN116563342B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105108093A (zh) * | 2015-09-02 | 2015-12-02 | 青岛理工大学 | 搅拌磁场作用下连铸结晶器内非金属夹杂物运动规律的物理模拟方法 |
WO2020097298A1 (en) * | 2018-11-09 | 2020-05-14 | Georgia Tech Research Corporation | Systems and methods for ultrasound imaging and focusing |
CN112345412A (zh) * | 2020-10-23 | 2021-02-09 | 大连理工大学 | 一种纳米气泡扩散系数原位测量方法 |
WO2022188282A1 (zh) * | 2021-03-10 | 2022-09-15 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
CN113109218A (zh) * | 2021-04-21 | 2021-07-13 | 中国科学院苏州生物医学工程技术研究所 | 一种基于纳米颗粒示踪技术的纳米颗粒粒径分布检测分析方法 |
CN113838089A (zh) * | 2021-09-20 | 2021-12-24 | 哈尔滨工程大学 | 一种基于特征匹配算法的气泡轨迹跟踪方法 |
CN114463653A (zh) * | 2022-04-12 | 2022-05-10 | 浙江大学 | 一种高浓度微群泡形态识别及轨迹追踪测速方法 |
Non-Patent Citations (2)
Title |
---|
"Numerical simulation of 3D bubbles rising in viscous liquids using a front tracking method";Hua Jinsong et al.;《Journal of Computational Physics》;全文 * |
"臭氧化微气泡强化气浮技术研究";游婷等;《工业水处理》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563342A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
CN109636771B (zh) | 基于图像处理的飞行目标检测方法及系统 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN109145696B (zh) | 一种基于深度学习的老人跌倒检测方法及系统 | |
CN106023153B (zh) | 一种测量水体中气泡的方法 | |
CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
CN111553373B (zh) | 一种基于cnn+svm的压力气泡图像识别算法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN114463619B (zh) | 基于集成融合特征的红外弱小目标检测方法 | |
CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
CN115019201A (zh) | 一种基于特征精细化深度网络的弱小目标检测方法 | |
CN107506739B (zh) | 一种夜间前向车辆检测及测距方法 | |
CN116563342B (zh) | 一种基于图像识别的水泡跟踪方法及装置 | |
CN112215838A (zh) | 一种基于人工智能的工件气密性检测方法及装置 | |
CN116580059A (zh) | 一种基于智能视觉算法的检测水泡方法及装置 | |
CN116310263A (zh) | 一种指针式航空地平仪示数自动读取实现方法 | |
CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN114862761A (zh) | 电力变压器液位检测方法、装置、设备及存储介质 | |
CN111473944B (zh) | 观测流场中存在复杂壁面的piv数据修正方法、装置 | |
CN114842041A (zh) | 一种基于嵌入式的钢轨廓形检测光条提取方法 | |
CN114166728B (zh) | 多相流中非球形颗粒的曳力系数预测方法 | |
CN114037705B (zh) | 一种基于贝纹线的金属断裂疲劳源检测方法与系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |