CN116580059B - 一种基于智能视觉算法的检测水泡方法及装置 - Google Patents
一种基于智能视觉算法的检测水泡方法及装置 Download PDFInfo
- Publication number
- CN116580059B CN116580059B CN202310563870.9A CN202310563870A CN116580059B CN 116580059 B CN116580059 B CN 116580059B CN 202310563870 A CN202310563870 A CN 202310563870A CN 116580059 B CN116580059 B CN 116580059B
- Authority
- CN
- China
- Prior art keywords
- bubble
- probability
- connected domain
- images
- binarized
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000000007 visual effect Effects 0.000 title claims description 18
- 230000033001 locomotion Effects 0.000 claims abstract description 134
- 238000000034 method Methods 0.000 claims abstract description 116
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/187—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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30241—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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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智能视觉算法的检测水泡方法及装置,涉及计算机视觉技术领域,所述方法包括:采集水泡的连续图像;对连续图像做二值化处理;计算二值化图像的参数;初步筛选出候选气泡的连通域;计算连通域下的质心位置坐标;基于质心位置坐标组成集合;计算时序相邻的两集合任意元素间的传递概率;将质心坐标的集合中取出一点组成点集,计算气泡运动轨迹的概率;基于时间序列,遍历计算质心坐标的集合的气泡运动轨迹概率;当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将该点集所对应的所有连通域标注出来。本发明实施例可以高效地检测出图像中的水泡,避免了传统方法中可能存在的误检、漏检问题。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及—种基于智能视觉算法检测水泡的方法。
背景技术
水泡是很多工业过程中常出现的现象。当前,工业设备需要经常清洗或维护,而水泡的产生往是其中重要原因之—。如何快速、准确地检测水泡,是工业自动化水平提升的一项关键技术。当前,基于视觉技术的水泡检测方法已广泛应用于工业设备的维护和清洗中,但是现有方法大多无法准确地区分气泡和其他物体。
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智能视觉算法的检测水泡方法及装置可以高效且精确地检测出图像中的水泡,避免了传统方法中可能存在的误检、漏检的问题。
为了解决上述技术问题,本发明实施例提供了一种基于智能视觉算法的检测水泡方法,所述方法包括:
采集N张包含水泡的连续图像,并对所述连续图像进行预处理,获得N幅的连续图像;
对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像;
基于轮廓提取算法计算所述二值化图像中的每一幅二值化图像的参数,并根据计算参数初步筛选出候选气泡的连通域;
计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标;
基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1;
计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率;
将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集是气泡运动轨迹的概率;
基于时间序列,遍历计算连通域质心坐标的集合的气泡运动轨迹概率;
当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将该点集所对应的所有连通域进行标注。
优选的,所述采集N张包含水泡的连续图像,包括:
使用高速相机捕捉得到一系列包含水泡连续的图像;或
使用视频录制功能捕捉到水泡的变化过程,并通过截取录制的视频帧获得一系列包含水泡的连续图像。
优选的,所述对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像,包括:
对第n、n-1、n-2幅图像进行中心差分处理,得到三幅差分图像;
将三幅差分图像进行二值化处理,得到三幅二值化图像;
对三幅二值化图像进行形态学连通性处理,去除噪点和孤立点,得到三幅处理后的二值化图像;
将处理后的三幅二值化图像合并,得到N-2幅二值化图像。
优选的,所述计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标,包括:
将候选气泡所在的连通域内所有像素点的坐标值加权平均;
假设候选气泡所在的连通域中共有n个像素点,每个像素点的坐标为 ( ),则这些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,所述基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1,所述Rn的表达式为:
;
上式中,/>为第n幅二值化图像第i个连通域质心坐标。
优选的,所述计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率为:
;
上式中,为第n幅二值化图像第i个连通域与第n+1幅二值化图像第j个连通域是同一个水泡的概率大小;/>,/>为第n幅二值化图像第i个连通域质心坐标;,/>为第n幅二值化图像第j个连通域质心坐标;/>为第n幅二值化图像水泡上浮距离基准值;/>为第n幅二值化图像第i个连通域特征直径;/>为第n+1幅二值化图像第j个连通域特征直径;C为速度常数。
优选的,所述将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集是气泡运动轨迹的概率,包括:
所述气泡运动轨迹的概率为依时间序列,相邻两点间的传递概率的乘积:
;
上式中,为{/> ,/> ..../>}点落在同一个气泡运动轨迹的概率;为第1,2幅二值化图像中第/> 、/>点间的传递概率;/>为第2,3幅二值化图像中第/> 、/>点间的传递概率;/>为第N-3,N-2幅二值化图像中第/> 、/>点间的传递概率;/>为第n,n+1幅二值化图像中第/> 、/>点间的传递概率。
优选的,所述基于时间序列,遍历计算各二值化图像的运动轨迹概率,包括:
基于光流法或者特征点匹配方法将时间序列中的每个二值化图像进行运动轨迹提取;
将提取出的运动轨迹进行聚类,得到不同的运动模式;
计算每个运动模式在时间序列中出现的概率;
将每个二值化图像的运动轨迹与不同运动模式的运动轨迹进行匹配,得到每个二值化图像所属的运动模式;
基于每个二值化图像所属的运动模式计算出每个二值化图像的运动轨迹概率。
优选的,所述当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将所对应的所有连通域进行标注,包括:
判断该点集概率值是否大于预设经验阈值,如果是,则将该点集标记为气泡轨迹;
对于标记为气泡轨迹的点集,使用连通域算法将其所有连通域进行标注。
另外,本发明实施例还提供了一种基于智能视觉算法的检测水泡装置,所述装置包括:
采集模块:用于采集N张包含水泡的连续图像,并对所述连续图像进行预处理,获得N幅的连续图像;
处理模块:用于对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像;
筛选模块:用于基于轮廓提取算法计算所述二值化图像中的每一幅二值化图像的参数,并根据计算参数初步筛选出候选气泡的连通域;
第一计算模块:用于计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标;
组合模块:用于基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1;
第二计算模块:用于计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率;
第三计算模块:用于将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集是气泡运动轨迹的概率;
第四计算模块:用于基于时间序列,遍历计算连通域质心坐标的集合的气泡运动轨迹概率;
判断模块:用于当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将所对应的所有连通域进行标注。
本发明的有益效果是:可以高效且精确地检测出图像中的水泡,避免了传统方法中可能存在的误检、漏检等问题。该方法利用智能视觉算法,结合时间序列分析和候选气泡筛选等技术,综合考虑了气泡的形态、位置和运动等因素,提高了水泡检测的准确率和稳定性,可广泛应用于水泡检测领域。
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智能视觉算法的检测水泡方法的流程示意图;
图2是本发明实施例中的基于智能视觉算法的检测水泡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智能视觉算法的检测水泡方法的流程示意图。
如图1所示,一种基于智能视觉算法的检测水泡方法,该方法包括:
S11、采集N张包含水泡的连续图像,并对所述连续图像进行预处理,获得N幅的连续图像;
在本发明具体实施过程中,所述采集N张包含水泡的连续图像的方式包括:使用高速相机捕捉得到一系列包含水泡连续的图像;或使用视频录制功能捕捉到水泡的变化过程,并通过截取录制的视频帧来得到一系列包含水泡的连续图像;使用自动化采集系统连续采集多张图像,基于设置时间间隔或触发器来控制采集频率。
具体的,所述使用高速相机捕捉得到一系列包含水泡连续的图像这种方式可以捕捉到高速运动的细节,能够捕捉到水泡在瞬间的破裂、合并等重要瞬间。同时,高速相机具有快速响应时间和高灵敏度,能够捕捉到更多的细节信息,有助于提高研究准确性。使用视频录制功能捕捉到水泡的变化过程,通过截取视频帧也是一个可行的方法;这种方式具有较低的采集成本和操作便捷性,但相比于高速相机方式,无法实现精细的采集和分析。使用自动化采集系统连续采集多张图像也是一种常用方法。这种方式适用于大规模、长时间的采集任务,可以减轻人力操作难度,但采集频率可能会受制于设定的时间隔或触发器,无法实现高精度采集。
S12、对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像;
在本发明具体实施过程中,所述对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像具体为:对第n、n-1、n-2幅图像进行中心差分处理,得到三幅差分图像;将三幅差分图像进行二值化处理,得到三幅二值化图像;对三幅二值化图像进行形态学连通性处理,去除噪点和孤立点,得到三幅处理后的二值化图像;将处理后的三幅二值化图像合并,得到N-2幅二值化图像。
具体的,首先,假设第 n 幅图像为, 第 n−1幅图像为/>第 n−2 幅图像为。假设这些图像都是灰度图像,每个像素的值用I(x,y)表示。
中心差分处理可以使用以下公式计算:
;
其中,表示第 n 幅图像的中心差分图像在像素 (x,y) 处的值,和/>类似。这些中心差分图像可以用来检测图像中的边缘。
接下来,将这些中心差分图像进行二值化处理,可以使用以下公式:
;
其中,T 是一个阈值,用于确定哪些像素应该被二值化为 1,哪些像素应该被二值化为 0。一般情况下,T 的值需要根据具体的图像内容和处理需求进行调整。
接着,对这些二值化图像进行形态学连通性处理,可以使用一些形态学操作,如膨胀和腐蚀等。这些操作可以帮助去除噪点和孤立点。
最后,将这些处理后的二值化图像合并起来,可以得到 N−2幅二值化图像。合并的方法可以根据具体的需求进行调整,常用的方法包括叠加、平均等
S13、基于轮廓提取算法计算所述二值化图像中的每一幅二值化图像的参数,并根据计算参数初步筛选出候选气泡的连通域;
具体的,对每一幅二值化图像进行轮廓提取。可以使用OpenCV库中的findContours函数实现。该函数返回所有轮廓的点集,并可设置轮廓的层次结构;计算每个轮廓的参数,包括轮廓长度、轮廓面积、轮廓直径等。可以使用OpenCV库中的arcLength和contourArea函数计算轮廓长度和面积,使用minEnclosingCircle函数计算轮廓的直径;对于每个轮廓,根据其参数进行初步筛选。一般来说,气泡的直径较小,通常在1-10像素之间。因此可以选取一定的直径阈值,例如5像素,筛选出直径小于5像素的轮廓;对于筛选出的轮廓,可根据其面积、形状等进步筛选,以去除噪声或非气泡的轮廓。特别地,可以选取一定的面积阈值,例如取10像素平方为面积阈值,将面积小于10像素平方的轮廓标记为噪声或非气泡;最终,剩余的轮廓即为候选气泡的连通域。可以在图像中显示这些轮廓,以便后续的分析和处理。
S14、计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标;
在本发明具体实施过程中,所述计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标的方法是:
将候选气泡所在的连通域内所有像素点的坐标值加权平均;假设候选气泡所在的连通域中共有n个像素点,每个像素点的坐标为 ( ),则这些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。
这种方法的优点是可以考虑像素点的权重,使得计算出来的质心位置更加准确。同时,该方法计算量也比较小,适用于处理大量的候选气泡。在计算连通域质心位置坐标时,要选择合适的权重函数,以便获得更好的计算结果。此外,如果候选气泡连通域非常大,则可能需要考虑使用分治法或其他更加高效的算法来计算质心位置坐标。
S15、基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1;
在本发明具体实施过程中,所述基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1,所述Rn的表达式为:
;
上式中,/>为第n幅二值化图像第i个连通域质心坐标。
具体的,质心坐标的集合Rn和Rn+1是指,对于一幅二值化图像,在进行连通域分析之后,可以得到若干个连通域,每个连通域都有一个质心,质心表示了该连通域的重心位置。然后将每个连通域的质心位置坐标作为一个二维坐标点,组成一个集合,即为该幅图像的连通域质心坐标的集合。
进一步的,以Rn的表达式为例,表示第n幅图像的连通域质心坐标集合,其中大括号内部是一个二元组的集合,每个二元组表示一个连通域的质心坐标,即表示第一个连通域的质心坐标,/>表示第二个连通域的质心坐标,以此类推。所述Rn可以看作是一个由若干个二元组组成的集合,每个二元组都表示了一个连通域的质心坐标。
S16、计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率;
在本发明具体实施过程中,所述计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率为:
;
上式中,为第n幅二值化图像第i个连通域与第n+1幅二值化图像第j个连通域是同一个水泡的概率大小;/>,/>为第n幅二值化图像第i个连通域质心坐标;,/>为第n幅二值化图像第j个连通域质心坐标;/>为第n幅二值化图像水泡上浮距离基准值;/>为第n幅二值化图像第i个连通域特征直径;/>为第n+1幅二值化图像第j个连通域特征直径;C为速度常数。
具体的,这个公式描述了在第n幅二值化图像中的第i个连通域和第n+1幅二值化图像中的第j个连通域是否属于同一个水泡的概率大小。传递概率是通过计算两个连通域之间的距离和它们的特征直径来计算的。
S17、将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集是气泡运动轨迹的概率;
在本发明具体实施过程中,所述将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集{ ,/> ..../>},基于传递概率计算该点集是气泡运动轨迹的概率,所述气泡运动轨迹的概率为依时间序列,相邻两点间的传递概率的乘积:
;
上式中,为{/> ,/> ..../>}点落在同一个气泡运动轨迹的概率;为第1,2幅二值化图像中第/> 、/>点间的传递概率;/>为第2,3幅二值化图像中第/> 、/>点间的传递概率;/>为第N-3,N-2幅二值化图像中第/> 、/>点间的传递概率;/>为第n,n+1幅二值化图像中第/> 、/>点间的传递概率。
S18、基于时间序列,遍历计算连通域质心坐标的集合的气泡运动轨迹概率;
在本发明具体实施过程中,所述基于时间序列,遍历计算各二值化图像的运动轨迹概率,包括:基于光流法或者特征点匹配方法将时间序列中的每个二值化图像进行运动轨迹提取;将提取出的运动轨迹进行聚类,得到不同的运动模式;计算每个运动模式在时间序列中出现的概率;将每个二值化图像的运动轨迹与不同运动模式的运动轨迹进行匹配,得到每个二值化图像所属的运动模式;基于每个二值化图像所属的运动模式计算出每个二值化图像的运动轨迹概率。
具体的,需要将时间序列中的每个二值化图像进行运动轨迹提取。这个可以基于光流法或者特征点匹配方法来实现。对于光流法,可以使用OpenCV等图像处理库中提供的光流法函数实现;对于特征点匹配方法,我们可以使用OpenCV中的SURF、SIFT、ORB和AKAZE等特征点检测与配准算法进行特征点提取和匹配。然后,将提取出的运动轨迹进行聚类,得到不同的运动模式。常见的聚类算法包括K-Means、Mean-Shift、DBSCAN等。选择适合提取得到的数据的算法进行聚类,将得到的不同运动模式保存下来。接下来,我们计算每个运动模式在时间序列中出现的概率;对于每个运动模式,我们可以计算其在所有时间序列中出现的次数,然后通过该次数除以时间序列的总数,得到其出现的概率。然后,我们将每个二值化图像的运动轨迹与不同运动模式的运动轨迹进行匹配,得到每个二值化图像所属的运动模式;将每个二值化图像的运动轨迹与所有的运动模式进行比对,选择最相似的运动模式作为该二值化图像所属的运动模式。最后,基于每个二值化图像所属的运动模式计算出每个二值化的运动轨迹概率;对于每个二值化图像,根据其所属的运动模式,来计算其运动轨迹概率。具体方法可以根据运动模式的数量、运动模式的出现概率以及每个运动模式对应的运动轨迹来选择合适的方法进行计算。
S19、当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将所对应的所有连通域标注出来。
在本发明具体实施过程中,所述当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将该点集所对应的所有连通域标注出来,具体步骤为:判断该概率值是否大于预设经验阈值,如果是,则将该点集标记为气泡轨迹;对于标记为气泡轨迹的点集,使用连通域算法将其所有连通域标注出来;完成检测。
本发明的有益效果是:可以高效且精确地检测出图像中的水泡,避免了传统方法中可能存在的误检、漏检等问题。该方法利用智能视觉算法,结合时间序列分析和候选气泡筛选等技术,综合考虑了气泡的形态、位置和运动等因素,提高了水泡检测的准确率和稳定性,可广泛应用于水泡检测领域。
实施例二,请参阅图2,图2是本发明实施例中的基于智能视觉算法的检测水泡装置的结构组成示意图。
如图2,本发明还提供一种基于智能视觉算法的检测水泡装置,所述装置包括:
采集模块21:用于采集N张包含水泡的连续图像,并对所述连续图像进行预处理,获得N幅的连续图像;
在本发明具体实施过程中,所述采集N张包含水泡的连续图像的方式包括:使用高速相机捕捉得到一系列包含水泡连续的图像;或使用视频录制功能捕捉到水泡的变化过程,并通过截取录制的视频帧来得到一系列包含水泡的连续图像;使用自动化采集系统连续采集多张图像,基于设置时间间隔或触发器来控制采集频率。
具体的,所述使用高速相机捕捉得到一系列包含水泡连续的图像这种方式可以捕捉到高速运动的细节,能够捕捉到水泡在瞬间的破裂、合并等重要瞬间。同时,高速相机具有快速响应时间和高灵敏度,能够捕捉到更多的细节信息,有助于提高研究准确性。使用视频录制功能捕捉到水泡的变化过程,通过截取视频帧也是一个可行的方法;这种方式具有较低的采集成本和操作便捷性,但相比于高速相机方式,无法实现精细的采集和分析。使用自动化采集系统连续采集多张图像也是一种常用方法。这种方式适用于大规模、长时间的采集任务,可以减轻人力操作难度,但采集频率可能会受制于设定的时间隔或触发器,无法实现高精度采集。
处理模块22:用于对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像;
在本发明具体实施过程中,所述对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像具体为:对第n、n-1、n-2幅图像进行中心差分处理,得到三幅差分图像;将三幅差分图像进行二值化处理,得到三幅二值化图像;对三幅二值化图像进行形态学连通性处理,去除噪点和孤立点,得到三幅处理后的二值化图像;将处理后的三幅二值化图像合并,得到N-2幅二值化图像。
具体的,首先,假设第 n 幅图像为, 第 n−1幅图像为/>第 n−2 幅图像为。假设这些图像都是灰度图像,每个像素的值用I(x,y)表示。
中心差分处理可以使用以下公式计算:
;
其中,表示第 n 幅图像的中心差分图像在像素 (x,y) 处的值,和/>类似。这些中心差分图像可以用来检测图像中的边缘。
接下来,将这些中心差分图像进行二值化处理,可以使用以下公式:
;
其中,T 是一个阈值,用于确定哪些像素应该被二值化为 1,哪些像素应该被二值化为 0。一般情况下,T 的值需要根据具体的图像内容和处理需求进行调整。
接着,对这些二值化图像进行形态学连通性处理,可以使用一些形态学操作,如膨胀和腐蚀等。这些操作可以帮助去除噪点和孤立点。
最后,将这些处理后的二值化图像合并起来,可以得到 N−2幅二值化图像。合并的方法可以根据具体的需求进行调整,常用的方法包括叠加、平均等
筛选模块23:用于基于轮廓提取算法计算所述二值化图像中的每一幅二值化图像的参数,并根据计算参数初步筛选出候选气泡的连通域;
具体的,对每一幅二值化图像进行轮廓提取。可以使用OpenCV库中的findContours函数实现。该函数返回所有轮廓的点集,并可设置轮廓的层次结构;计算每个轮廓的参数,包括轮廓长度、轮廓面积、轮廓直径等。可以使用OpenCV库中的arcLength和contourArea函数计算轮廓长度和面积,使用minEnclosingCircle函数计算轮廓的直径;对于每个轮廓,根据其参数进行初步筛选。一般来说,气泡的直径较小,通常在1-10像素之间。因此可以选取一定的直径阈值,例如5像素,筛选出直径小于5像素的轮廓;对于筛选出的轮廓,可根据其面积、形状等进步筛选,以去除噪声或非气泡的轮廓。特别地,可以选取一定的面积阈值,例如取10像素平方为面积阈值,将面积小于10像素平方的轮廓标记为噪声或非气泡;最终,剩余的轮廓即为候选气泡的连通域。可以在图像中显示这些轮廓,以便后续的分析和处理。
第一计算模块24:用于计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标;
在本发明具体实施过程中,所述计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标的方法是:
将候选气泡所在的连通域内所有像素点的坐标值加权平均;假设候选气泡所在的连通域中共有n个像素点,每个像素点的坐标为 ( ),则这些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。
这种方法的优点是可以考虑像素点的权重,使得计算出来的质心位置更加准确。同时,该方法计算量也比较小,适用于处理大量的候选气泡。在计算连通域质心位置坐标时,要选择合适的权重函数,以便获得更好的计算结果。此外,如果候选气泡连通域非常大,则可能需要考虑使用分治法或其他更加高效的算法来计算质心位置坐标。
组合模块25:用于基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1;
在本发明具体实施过程中,所述基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1,所述Rn的表达式为:
;
上式中,/>为第n幅二值化图像第i个连通域质心坐标。
具体的,质心坐标的集合Rn和Rn+1是指,对于一幅二值化图像,在进行连通域分析之后,可以得到若干个连通域,每个连通域都有一个质心,质心表示了该连通域的重心位置。然后将每个连通域的质心位置坐标作为一个二维坐标点,组成一个集合,即为该幅图像的连通域质心坐标的集合。
进一步的,以Rn的表达式为例,表示第n幅图像的连通域质心坐标集合,其中大括号内部是一个二元组的集合,每个二元组表示一个连通域的质心坐标,即表示第一个连通域的质心坐标,/>表示第二个连通域的质心坐标,以此类推。所述Rn可以看作是一个由若干个二元组组成的集合,每个二元组都表示了一个连通域的质心坐标。
第二计算模块26:用于计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率;
在本发明具体实施过程中,所述计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率为:
;
上式中,为第n幅二值化图像第i个连通域与第n+1幅二值化图像第j个连通域是同一个水泡的概率大小;/>,/>为第n幅二值化图像第i个连通域质心坐标;,/>为第n幅二值化图像第j个连通域质心坐标;/>为第n幅二值化图像水泡上浮距离基准值;/>为第n幅二值化图像第i个连通域特征直径;/>为第n+1幅二值化图像第j个连通域特征直径;C为速度常数。
具体的,这个公式描述了在第n幅二值化图像中的第i个连通域和第n+1幅二值化图像中的第j个连通域是否属于同一个水泡的概率大小。传递概率是通过计算两个连通域之间的距离和它们的特征直径来计算的。
第三计算模块27:用于将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集是气泡运动轨迹的概率;
在本发明具体实施过程中,所述将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集{ ,/> ..../>},基于传递概率计算该点集是气泡运动轨迹的概率,所述气泡运动轨迹的概率为依时间序列,相邻两点间的传递概率的乘积:
;
上式中,为{/> ,/> ..../>}点落在同一个气泡运动轨迹的概率;为第1,2幅二值化图像中第/> 、/>点间的传递概率;/>为第2,3幅二值化图像中第/> 、/>点间的传递概率;/>为第N-3,N-2幅二值化图像中第/> 、/>点间的传递概率;/>为第n,n+1幅二值化图像中第/> 、/>点间的传递概率。
第四计算模块28:用于基于时间序列,遍历计算连通域质心坐标的集合的气泡运动轨迹概率;
在本发明具体实施过程中,所述基于时间序列,遍历计算各二值化图像的运动轨迹概率,包括:基于光流法或者特征点匹配方法将时间序列中的每个二值化图像进行运动轨迹提取;将提取出的运动轨迹进行聚类,得到不同的运动模式;计算每个运动模式在时间序列中出现的概率;将每个二值化图像的运动轨迹与不同运动模式的运动轨迹进行匹配,得到每个二值化图像所属的运动模式;基于每个二值化图像所属的运动模式计算出每个二值化图像的运动轨迹概率。
具体的,需要将时间序列中的每个二值化图像进行运动轨迹提取。这个可以基于光流法或者特征点匹配方法来实现。对于光流法,可以使用OpenCV等图像处理库中提供的光流法函数实现;对于特征点匹配方法,我们可以使用OpenCV中的SURF、SIFT、ORB和AKAZE等特征点检测与配准算法进行特征点提取和匹配。然后,将提取出的运动轨迹进行聚类,得到不同的运动模式。常见的聚类算法包括K-Means、Mean-Shift、DBSCAN等。选择适合提取得到的数据的算法进行聚类,将得到的不同运动模式保存下来。接下来,我们计算每个运动模式在时间序列中出现的概率;对于每个运动模式,我们可以计算其在所有时间序列中出现的次数,然后通过该次数除以时间序列的总数,得到其出现的概率。然后,我们将每个二值化图像的运动轨迹与不同运动模式的运动轨迹进行匹配,得到每个二值化图像所属的运动模式;将每个二值化图像的运动轨迹与所有的运动模式进行比对,选择最相似的运动模式作为该二值化图像所属的运动模式。最后,基于每个二值化图像所属的运动模式计算出每个二值化的运动轨迹概率;对于每个二值化图像,根据其所属的运动模式,来计算其运动轨迹概率。具体方法可以根据运动模式的数量、运动模式的出现概率以及每个运动模式对应的运动轨迹来选择合适的方法进行计算。
判断模块29:用于当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将所对应的所有连通域进行标注。
在本发明具体实施过程中,所述当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将该点集所对应的所有连通域标注出来,具体步骤为:判断该概率值是否大于预设经验阈值,如果是,则将该点集标记为气泡轨迹;对于标记为气泡轨迹的点集,使用连通域算法将其所有连通域标注出来;完成检测。
本发明的有益效果是:可以高效且精确地检测出图像中的水泡,避免了传统方法中可能存在的误检、漏检等问题。该方法利用智能视觉算法,结合时间序列分析和候选气泡筛选等技术,综合考虑了气泡的形态、位置和运动等因素,提高了水泡检测的准确率和稳定性,可广泛应用于水泡检测领域。
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智能视觉算法的检测水泡的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)
1.一种基于智能视觉算法的检测水泡方法,其特征在于,所述方法包括:
采集N张包含水泡的连续图像,并对所述连续图像进行预处理,获得N幅的连续图像;
对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像;
基于轮廓提取算法计算所述二值化图像中的每一幅二值化图像的参数,并根据计算参数初步筛选出候选气泡的连通域;
计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标;
基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn+1;
计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率;
将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集的气泡运动轨迹概率;
基于时间序列,遍历计算连通域质心坐标的集合的气泡运动轨迹概率;
当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将所对应的所有连通域进行标注;
所述计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率为:
上式中,pn,i,n+1,j为第n幅二值化图像第i个连通域与第n+1幅二值化图像第j个连通域是同一个水泡的概率大小;xn,i,yn,i为第n幅二值化图像第i个连通域质心坐标;xn+1,j,yn+1,j为第n幅二值化图像第j个连通域质心坐标;Dn,i,n+1,j为第n幅二值化图像水泡上浮距离基准值;dn,i为第n幅二值化图像第i个连通域特征直径;dn+1,j为第n+1幅二值化图像第j个连通域特征直径;C为速度常数;
所述将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集是气泡运动轨迹的概率,包括:
所述气泡运动轨迹的概率为依时间序列,相邻两点间的传递概率的乘积:
上式中,为{k1,k2....kN-2}点落在同一个气泡运动轨迹的概率;/>为第1,2幅二值化图像中第k1、k2点间的传递概率;/>为第2,3幅二值化图像中第k2、k3点间的传递概率;/>为第N-3,N-2幅二值化图像中第,kN-3、kN-2点间的传递概率;/>为第n,n+1幅二值化图像中第kn、kn+1点间的传递概率。
2.根据权利要求1所述的基于智能视觉算法的检测水泡方法,其特征在于,所述采集N张包含水泡的连续图像,包括:
使用高速相机捕捉得到一系列包含水泡连续的图像;或
使用视频录制功能捕捉到水泡的变化过程,并通过截取录制的视频帧获得一系列包含水泡的连续图像。
3.根据权利要求1所述的基于智能视觉算法的检测水泡方法,其特征在于,所述对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像,包括:
对第n、n-1、n-2幅图像进行中心差分处理,得到三幅差分图像;
将三幅差分图像进行二值化处理,得到三幅二值化图像;
对三幅二值化图像进行形态学连通性处理,去除噪点和孤立点,得到三幅处理后的二值化图像;
将处理后的三幅二值化图像合并,得到N-2幅二值化图像。
4.根据权利要求1所述的基于智能视觉算法的检测水泡方法,其特征在于,所述计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标,包括:
将候选气泡所在的连通域内所有像素点的坐标值加权平均;
假设候选气泡所在的连通域中共有n个像素点,每个像素点的坐标为(xiyi),则这些像素点的加权平均值xc,yc表示为:
其中,wi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所述的基于智能视觉算法的检测水泡方法,其特征在于,所述基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn和Rn+1,所述Rn的表达式为:
Rn={(xn,1,yn,1),(xn,2,yn,2),(xn,3,yn,3)……,(xn,i,yn,i)};
上式中xn,i,yn,i为第n幅二值化图像第i个连通域质心坐标。
6.根据权利要求1所述的基于智能视觉算法的检测水泡方法,其特征在于,所述基于时间序列,遍历计算连通域质心坐标的集合的气泡运动轨迹概率,包括:
基于光流法或者特征点匹配方法将时间序列中的每个二值化图像进行运动轨迹提取;
将提取出的运动轨迹进行聚类,得到不同的运动模式;
计算每个运动模式在时间序列中出现的概率;
将每个二值化图像的运动轨迹与不同运动模式的运动轨迹进行匹配,得到每个二值化图像所属的运动模式;
基于每个二值化图像所属的运动模式计算出每个二值化图像的气泡运动轨迹概率。
7.根据权利要求1所述的基于智能视觉算法的检测水泡方法,其特征在于,所述当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将所对应的所有连通域进行标注,包括:
判断该点集的气泡运动轨迹概率值是否大于预设经验阈值,如果是,则将该点集标记为气泡轨迹;
对于标记为气泡轨迹的点集,使用连通域算法将其所有连通域进行标注。
8.一种基于智能视觉算法的检测水泡装置,其特征在于,所述装置包括:
采集模块:用于采集N张包含水泡的连续图像,并对所述连续图像进行预处理,获得N幅的连续图像;
处理模块:用于对N幅的连续图像中的第n、n-1、n-2幅的连续图像做二值化处理,得到N-2幅的二值化图像;
筛选模块:用于基于轮廓提取算法计算所述二值化图像中的每一幅二值化图像的参数,并根据计算参数初步筛选出候选气泡的连通域;
第一计算模块:用于计算候选气泡的连通域下的每一个候选气泡的连通域质心位置坐标;
组合模块:用于基于每一幅的二值化图像的连通域质心位置坐标组成集合形成每一幅的二值化图像连通域质心坐标的集合Rn+1;
第二计算模块:用于计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率;
第三计算模块:用于将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集的气泡运动轨迹概率;
第四计算模块:用于基于时间序列,遍历计算连通域质心坐标的集合的气泡运动轨迹概率;
判断模块:用于当气泡运动轨迹概率大于预设经验阈值时,判断该轨迹为气泡轨迹,并将所对应的所有连通域进行标注;
所述计算时序相邻的两集合Rn与Rn+1任意元素间的传递概率为:
上式中,pn,i,n+1,j为第n幅二值化图像第i个连通域与第n+1幅二值化图像第j个连通域是同一个水泡的概率大小;xn,i,yn,i为第n幅二值化图像第i个连通域质心坐标;xn+1,j,yn+1,j为第n幅二值化图像第j个连通域质心坐标;Dn,i,n+1,j为第n幅二值化图像水泡上浮距离基准值;dn,i为第n幅二值化图像第i个连通域特征直径;dn+1,j为第n+1幅二值化图像第j个连通域特征直径;C为速度常数;
所述将每一幅的二值化图像的连通域质心坐标的集合中任意取出一点组成点集,基于传递概率计算该点集是气泡运动轨迹的概率,包括:
所述气泡运动轨迹的概率为依时间序列,相邻两点间的传递概率的乘积:
上式中,为{k1,k2....kN-2}点落在同一个气泡运动轨迹的概率;/>为第1,2幅二值化图像中第k1、k2点间的传递概率;/>为第2,3幅二值化图像中第k2、k3点间的传递概率;/>为第N-3,N-2幅二值化图像中第,kN-3、kN-2点间的传递概率;/>为第n,n+1幅二值化图像中第kn、kn+1点间的传递概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563870.9A CN116580059B (zh) | 2023-05-18 | 2023-05-18 | 一种基于智能视觉算法的检测水泡方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563870.9A CN116580059B (zh) | 2023-05-18 | 2023-05-18 | 一种基于智能视觉算法的检测水泡方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116580059A CN116580059A (zh) | 2023-08-11 |
CN116580059B true CN116580059B (zh) | 2024-01-23 |
Family
ID=87539308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310563870.9A Active CN116580059B (zh) | 2023-05-18 | 2023-05-18 | 一种基于智能视觉算法的检测水泡方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580059B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423046B (zh) * | 2023-12-19 | 2024-03-01 | 山东水利建设集团有限公司 | 基于图像处理的水泥砂浆搅拌过程视觉检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004354100A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 容器内液体中の異物検出方法及びその装置 |
CN109712125A (zh) * | 2018-12-19 | 2019-05-03 | 汕头大学 | 一种浸渍辊涂布施涂过程产生气泡机器视觉检测方法 |
CN112729691A (zh) * | 2020-12-14 | 2021-04-30 | 李小红 | 一种基于人工智能的批量工件气密检测方法 |
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 |
-
2023
- 2023-05-18 CN CN202310563870.9A patent/CN116580059B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004354100A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 容器内液体中の異物検出方法及びその装置 |
CN109712125A (zh) * | 2018-12-19 | 2019-05-03 | 汕头大学 | 一种浸渍辊涂布施涂过程产生气泡机器视觉检测方法 |
CN112729691A (zh) * | 2020-12-14 | 2021-04-30 | 李小红 | 一种基于人工智能的批量工件气密检测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116580059A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN103699905B (zh) | 一种车牌定位方法及装置 | |
Gao et al. | A real-time defect detection method for digital signal processing of industrial inspection applications | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN109035219B (zh) | 基于bp神经网络的fics金手指缺陷检测系统及检测方法 | |
CN116580059B (zh) | 一种基于智能视觉算法的检测水泡方法及装置 | |
CN109255386B (zh) | 基于毫米波雷达和视觉融合的道路行人快速检测方法 | |
CN111860570B (zh) | 一种云微粒子图像提取及分类方法 | |
CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
CN111208479B (zh) | 一种降低深度网络检测中虚警概率的方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
Wu et al. | Recognition of Student Classroom Behaviors Based on Moving Target Detection. | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110866931A (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN108491796B (zh) | 一种时域周期点目标检测方法 | |
CN104008396A (zh) | 基于人头部色彩和形状特征的进出口人流量统计方法 | |
CN109215059A (zh) | 一种航拍视频中运动车辆跟踪的局部数据关联方法 | |
Gui et al. | A fast caption detection method for low quality video images |
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 |