CN116596936A - 基于图像数据的太阳翼帆板质量检测方法 - Google Patents
基于图像数据的太阳翼帆板质量检测方法 Download PDFInfo
- Publication number
- CN116596936A CN116596936A CN202310880417.0A CN202310880417A CN116596936A CN 116596936 A CN116596936 A CN 116596936A CN 202310880417 A CN202310880417 A CN 202310880417A CN 116596936 A CN116596936 A CN 116596936A
- Authority
- CN
- China
- Prior art keywords
- gray
- gray level
- pixel points
- cluster
- pixel
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 53
- 238000004364 calculation method Methods 0.000 description 9
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 5
- 229910052710 silicon Inorganic materials 0.000 description 5
- 239000010703 silicon Substances 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 3
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及基于图像数据的太阳翼帆板质量检测方法。本发明对太阳翼帆板的帆板表面图像中像素点划分灰度级;根据每个灰度级中像素点的分布情况,确定像素分布均匀性;根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及像素点的分布情况,确定每个灰度级的聚类半径,对每个灰度级的像素点进行聚类,得到聚类簇;根据不同聚类簇的特征合并聚类簇,得到疑似裂痕聚类簇;对疑似裂痕聚类簇的边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域。本发明根据图像特征与裂痕缺陷区域的变化对太阳翼帆板的帆板表面图像进行分割,提高了获取裂痕缺陷区域的准确性。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及基于图像数据的太阳翼帆板质量检测方法。
背景技术
太阳翼是卫星的能量来源,太阳翼帆板是一种收集太阳能的装置,有供电和充电两大功能,相当于一个小型发电站。太阳翼帆板的基本原理是利用硅等金属的光电效应,将太阳能转化为电能,然后存储在卫星、宇宙飞船等太阳能电池中,以备使用。太阳翼帆板的表面通常由半导体硅片或砷化镓片制成,这种材料可能会出现裂痕等缺陷。这些表面缺陷可能会影响太阳光的反射和吸收特性。因此需要对太阳翼帆板进行准确的质量检测,避免其出现质量问题,其中裂痕对太阳翼帆板质量的影响最大。
目前,常见的检测太阳翼帆板上是否存在缺陷的方法为,通过检测太阳翼帆板板面上的异常灰度区域,然后对异常灰度区域进行识别,判断其是否为裂痕缺陷。但由于在对缺陷检测的过程中裂痕区域的灰度变化与正常区域的差异较小,直接对太阳翼帆板板面的图像进行分割会导致获得的缺陷区域不准确。
发明内容
为了解决直接对太阳翼帆板板面的图像进行分割会导致获得的缺陷区域不准确的技术问题,本发明的目的在于提供基于图像数据的太阳翼帆板质量检测方法,所采用的技术方案具体如下:
获取太阳翼帆板的帆板表面图像;
根据所述帆板表面图像中灰度分布情况确定各像素点所属的灰度级;根据每个灰度级中像素点的分布情况,确定帆板表面图像中每个灰度级的像素分布均匀性;根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径;
基于每个灰度级的聚类半径,对每个灰度级的像素点进行聚类,得到每个灰度级的聚类簇;根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,合并聚类簇,得到疑似裂痕聚类簇;
识别疑似裂痕聚类簇的边缘,对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域。
优选的,所述根据所述帆板表面图像中灰度分布情况确定各像素点所属的灰度级,包括:
按照灰度值从小到大的顺序,依次将灰度值对应的像素点划分至第一灰度级中,并计算第一灰度级的判断参数,直至第一灰度级的判断参数大于预设判断阈值时,依次将还未划分至第一灰度级的像素点,按照灰度值从小到大的顺序,划分至第二灰度级中,并计算第二灰度级的判断参数,直至第二灰度级的判断参数大于预设判断阈值时,依次将还未划分至第一灰度级和第二灰度级的像素点,按照灰度值从小到大的顺序,划分至第三灰度级中,依次迭代,直至帆板表面图像中的各像素点均有各自所属的灰度级。
优选的,所述第一灰度级的判断参数的获取方法为:
获取第一灰度级中的像素点在帆板表面图像中的占比,作为第一占比;将第一占比和第一灰度级中灰度值的数量的乘积作为第一灰度级的判断参数。
优选的,所述根据每个灰度级中像素点的分布情况,确定帆板表面图像中每个灰度级的像素分布均匀性,包括:
计算每个灰度级中两两像素点之间的距离的均值,作为距离均值;将距离均值和灰度级中灰度值的数量的乘积进行负相关归一化映射,得到每个灰度级的初始分布均匀性;
将每个灰度级的初始分布均匀性和灰度级中像素点的数量的乘积作为每个灰度级的像素分布均匀性。
优选的,所述根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径,包括:
将每个灰度级中像素点的平均灰度值和最小灰度值的差值进行负相关归一化映射,得到每个灰度级的第一调节值;
获取每个灰度级中像素点的质心点,并获取每个灰度级对应的距离最近的其他灰度级的质心点,作为每个灰度级对应的近距质心点;将每个灰度级中所有像素点到所属灰度级对应的近距质心点的距离的均值,作为每个灰度级的第二调节值;
将每个灰度级的第一调节值、第二调节值和像素分布均匀性的乘积,作为帆板表面图像中每个灰度级的聚类半径。
优选的,所述根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,合并聚类簇,得到疑似裂痕聚类簇,包括:
根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,确定合并相似性;将合并相似性大于预设合并阈值的聚类簇合并为疑似裂痕聚类簇。
优选的,所述根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,确定合并相似性,包括:
选取任意聚类簇作为第一聚类簇,选取除第一聚类簇外任意聚类簇为第二聚类簇;
根据第一聚类簇和第二聚类簇之间的像素分布均匀性的差异、聚类簇内像素点的灰度均值的差异、两个聚类簇内像素点的质心点的距离,确定合并相似性;其中,第一聚类簇和第二聚类簇之间的像素分布均匀性的差异、聚类簇内像素点的灰度均值的差异、两个聚类簇中像素点的质心点的距离,均与合并相似性呈负相关关系。
优选的,所述对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域,包括:
根据边缘中像素点的变化趋势,得到初始裂痕区域;将初始裂痕区域输入至神经网络中,输出裂痕区域判断结果;根据裂痕区域判断结果得到太阳翼帆板的裂痕区域。
优选的,所述根据边缘中像素点的变化趋势,得到初始裂痕区域,包括:
计算每个疑似裂痕聚类簇的边缘中所有边缘像素点的斜率对应的切线与水平向右的水平线构成的角度的和值,作为每个疑似裂痕聚类簇的裂痕判断值;当疑似裂痕聚类簇的归一化后的裂痕判断值大于预设裂痕阈值时,将对应的疑似裂痕聚类簇所对应的区域作为帆板表面图像的初始裂痕区域。
本发明实施例至少具有如下有益效果:
本发明根据太阳翼帆板的帆板表面图像中每个灰度级中像素点的分布情况,确定每个灰度级的像素分布均匀性,灰度级之间的像素分布均匀性反映了属于同一灰度级的像素点的距离程度,该像素分布均匀性用于后续对聚类簇合并时,两个聚类簇的相似程度的判断。因为太阳翼帆板与其划痕缺陷的灰度差异较小,而原本的纹理与反光区域的差异较大,因此需要根据裂痕缺陷的特征与其局部区域的变化来获得合适的聚类半径,故进一步的根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径,使得在后续对每个灰度级的像素点进行聚类时,能够更准确的分割出图像中的各个区域,因为属于同一灰度级的像素点位于同一区域的概率更大;基于每个灰度级的聚类半径,对每个灰度级的像素点进行聚类,得到每个灰度级的聚类簇,根据不同聚类簇的特征,合并聚类簇,得到疑似裂痕聚类簇,对每个灰度级的像素点进行聚类,然后再根据各聚类簇之间的相似性进行聚类簇的合并,以得到更高准确的疑似裂痕曲线区域;识别疑似裂痕聚类簇的边缘,对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域。本发明根据图像特征与裂痕缺陷区域的变化通过聚类算法对太阳翼帆板的帆板表面图像进行分割,获得准确的裂痕缺陷区域,提高了获取裂痕缺陷区域的准确性。
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和优点,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的介绍,显而易见地,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附图。
图1为本发明一个实施例所提供的基于图像数据的太阳翼帆板质量检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于图像数据的太阳翼帆板质量检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了基于图像数据的太阳翼帆板质量检测方法的具体实施方法,该方法适用于太阳翼帆板质量检测场景。该场景下通过高清CCD相机采集太阳翼帆板的初始表面图像。为了解决直接对太阳翼帆板板面的图像进行分割会导致获得的缺陷区域不准确的问题。本发明在通过聚类算法进行分割时,首先对太阳翼帆板的帆板表面图像的灰度级进行划分,然后根据灰度级内像素点的灰度变化确定合适的聚类半径,使得在对其进行聚类时,能够准确的分割出帆板表面图像中的各个区域,然后再根据区域之间的相似性进行区域的合并,从而获得疑似裂痕聚类簇,然后再通过神经网络对识别到的缺陷进一步进行特征匹配,来确定分割得到的缺陷是否真的为太阳翼帆板的裂痕区域。本发明根据图像特征与裂痕缺陷区域的变化通过聚类算法对太阳翼帆板的帆板表面图像进行分割,获得准确的裂痕缺陷区域,提高了获取裂痕缺陷区域的准确性。
下面结合附图具体的说明本发明所提供的基于图像数据的太阳翼帆板质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像数据的太阳翼帆板质量检测方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取太阳翼帆板的帆板表面图像。
太阳翼帆板是一种能够将太阳能转化为电能的帆板,它由若干部件组成,主要有太阳能电池和支架等。太阳翼帆板的表面通常由半导体硅片或砷化镓片制成,这种材料可能会出现裂痕等缺陷。这些表面缺陷可能会影响太阳光的反射和吸收特性。因此需要对太阳翼帆板进行准确的质量检测,避免其出现质量问题。其中裂痕对太阳翼帆板质量的影响最大,故本发明通过采集太阳翼帆板的帆板表面图像,然后对帆板表面图像进行分析,得到太阳翼帆板上可能存在的裂痕缺陷的区域,也可以简称为裂痕区域。
由于本发明的主要目的是为了对太阳翼帆板进行裂痕缺陷检测,因此首先采集太阳翼帆板的表面图像,该表面图像还可以称为初始表面图像。在本发明实施例中使用高清CCD相机采集太阳翼帆板的初始表面图像。需要说明的是,该初始表面图像为RGB图像。然后对初始表面图像进行灰度化处理,获得对应的灰度图像。在本发明实施例中灰度化使用均值灰度化方法,使用均值灰度化方法对图像进行灰度化为本领域技术人员的公知技术,在此不再进行赘述。然后进一步的对获得的灰度图像进行去噪处理,在本发明实施例中利用中值滤波去噪算法对灰度图像进行去噪,将去噪后的图像称为帆板表面图像,也即为太阳翼帆板的帆板表面图像。
步骤S200,根据所述帆板表面图像中灰度分布情况确定各像素点所属的灰度级;根据每个灰度级中像素点的分布情况,确定帆板表面图像中每个灰度级的像素分布均匀性;根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径。
本发明的主要目的是为了对太阳翼帆板表面的裂痕进行缺陷检测。因为裂痕形成的主要原因是因为太阳翼帆板的表面通常由半导体硅片或砷化镓片制成,这种材料容易出现裂痕。太阳翼帆板的基本原理是利用硅等金属的光电效应,将太阳能转化为电能,然后存储在卫星、宇宙飞船等太阳能电池中,以备使用。因此对太阳翼帆板的质量检测是非常有必要的,其避免了因为材料表面产生裂痕而导致太阳翼帆板运行异常的情况。
太阳翼帆板表面的灰度是比较均匀的,其是由单晶块组成的,而单晶块与单晶块之间会存在纹理,并且太阳翼帆板的表面容易发生反光,容易将反光区域和纹理作为疑似缺陷分割出来,因此需要对分割出来的疑似缺陷区域进行识别。因此本发明根据裂痕区域与变化特征来区分反光区域与其他疑似缺陷区域。但是因为太阳翼帆板的灰度值较小,直接进行阈值分割会将反光区域明显的分割出来,而裂痕区域因为和太阳翼帆板的灰度差异不大,直接进行阈值分割得不到完整的裂痕区域,因此本发明通过聚类算法来对帆板表面图像进行分割。
首先根据帆板表面图像中灰度分布情况确定各像素点所属的灰度级,也可以说是根据帆板表面图像的灰度直方图中灰度的分布来确定需要划分的灰度级,灰度级的划分根据像素点的数量来进行划分。
根据帆板表面图像中灰度分布情况确定各像素点所属的灰度级,具体的:按照灰度值从小到大的顺序,依次将灰度值对应的像素点划分至第一灰度级中,并计算第一灰度级的判断参数,直至第一灰度级的判断参数大于预设判断阈值时,依次将还未划分至第一灰度级的像素点,按照灰度值从小到大的顺序划分至第二灰度级中,并计算第二灰度级的判断参数,直至第二灰度级的判断参数大于预设判断阈值时,依次将还未划分至第一灰度级和第二灰度级的像素点,按照灰度值从小到大的顺序,划分至第三灰度级中,依次迭代,直至帆板表面图像中的各像素点均有各自所属的灰度级。在本发明实施例中预设判断阈值取经验值0.2,在其他实施例中由实施者根据实际情况调整该取值的大小。
其中,以第一灰度级为例,该第一灰度级的判断参数的获取方法为:获取第一灰度级中的像素点在帆板表面图像中的占比,作为第一占比;将第一占比和第一灰度级中灰度值的数量的乘积作为第一灰度级的判断参数。其中灰度值的数量也即为灰度级中所包含的灰度值的数量。同样的,第二灰度级的判断参数的获取方法为:获取第二灰度级中的像素点在帆板表面图像中的占比,作为第二占比;将第二占比和第二灰度级中灰度值的数量的乘积作为第二灰度级的判断参数。
其中,第一灰度级的判断参数的计算公式为:
其中,为第一灰度级的判断参数;n为第一灰度级的灰度值的数量;N为帆板表面图像中像素点的数量;/>为第I个灰度值对应的像素点的数量;/>为第一灰度级的第一占比。
在进行灰度划分时,因为需要将不同的疑似缺陷分开,因此从帆板表面图像中的最小灰度值开始,通过判断参数的公式计算每个灰度级对应的判断参数,然后一直进行迭代计算,当判断参数大于0.2时,表示当前一段灰度内像素点的数量较多,则从当前灰度值截止,由前n个灰度值的像素点构成一个灰度级。
例如当帆板表面图像中像素点的最小灰度值为2,除灰度值2之外最小的灰度值为3,则2开始,将灰度值为2的像素点划分至第一灰度级中,再计算当前第一灰度级的判断参数,若当前第一灰度级的判断参数小于或等于预设判断阈值时,将除灰度值2之外最小的灰度值3对应的像素点划分至第一灰度级中,再计算当前第一灰度级的判断参数,依次迭代,直至第一灰度级的判断参数大于预设判断阈值时,如计算到灰度值为6时满足阈值,则灰度值2~6之间的灰度值构成一个灰度级。依次类推,将未划分至第一灰度级的像素点,按照灰度值从小到大的顺序,划分至不同灰度级中。
根据划分的灰度级,对每一灰度级上的像素点在帆板表面图像上进行对应,因为同一疑似缺陷区域或纹理区域的灰度值是相近的,因此对其进行聚类分割,在这里使用DBSCAN密度聚类算法对其进行聚类。在进行聚类时,需要确定合适的聚类半径。因为假如单晶硅块上出现裂痕时,其灰度差异较小,若直接进行分割可能会导致将单晶硅块上的像素点划分到裂痕区域内,或者将裂痕区域的像素点划分到单晶块区域,因此需要根据灰度的变化来确定合适的聚类半径。
因此对每个灰度级内的像素点进行分析,灰度级越小,像素点数量越多,说明在帆板表面图像中分布的越多。而在本发明中,各疑似缺陷区域和正常区域的像素点都是聚集分布的,即使出现不均匀分布的像素点,也是因为环境光不均匀导致的,因此每个灰度级内的像素点正常是包括邻近区域的像素点,除了正常纹理像素点和太阳翼帆板表面的正常像素点。因此可根据像素点的分布获得每个灰度级内像素点分布的均匀性,也即为根据每个灰度级中像素点的分布情况,确定帆板表面图像中每个灰度级的像素分布均匀性,具体的:计算每个灰度级中两两像素点之间的距离的均值,作为距离均值;将距离均值和灰度级中灰度值的数量的乘积进行负相关归一化映射,得到每个灰度级的初始分布均匀性。将每个灰度级的初始分布均匀性和灰度级中像素点的数量的乘积作为每个灰度级的像素分布均匀性。需要说明的是,在本发明实施例中两两像素点之间的距离为欧式距离。
该像素分布均匀性的计算公式为:
其中,为第q个灰度级的像素分布均匀性;exp为以自然常数为底数的指数函数;为第q个灰度级中灰度值的数量;/>为第q个灰度级的两两像素点之间的距离的均值,也即为第q个灰度级的距离均值;/>为第q个灰度级中像素点的数量;/>为第q个灰度级的初始分布均匀性。
在本发明实施例中通过以自然常数为底数,以负的距离均值和灰度级中灰度值的数量的乘积作为指数的指数函数,实现对距离均值和灰度级中灰度值的数量的乘积进行负相关归一化的映射。灰度级中包含的灰度值的数量越少,说明在同一灰度值下分布的像素点的数量相对越多,则说明该灰度级下对应的像素点的像素分布均匀性越大,当灰度级对应的距离均值越小,则说明像素点的分布越密集,则对应的像素分布均匀性。
进一步,根据计算获得的像素点的像素分布均匀性,然后来确定在进行密度聚类时的聚类半径。因为太阳翼帆板与其划痕缺陷的灰度差异较小,而原本的纹理与反光区域的差异较大,因此需要根据裂痕缺陷的特征与其局部区域的变化来获得合适的聚类半径,使其在对裂痕区域进行分割时,能够准确的分割出裂痕缺陷区域。即进一步的,根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径,具体的:将每个灰度级中像素点的平均灰度值和最小灰度值的差值进行负相关归一化映射,得到每个灰度级的第一调节值。获取每个灰度级中像素点的质心点,并获取每个灰度级对应的距离最近的其他灰度级的质心点,作为每个灰度级对应的近距质心点。将每个灰度级中所有像素点到所属灰度级对应的近距质心点的距离的均值,作为每个灰度级的第二调节值;将第每个灰度级的第一调节值、第二调节值和像素分布均匀性的乘积,作为帆板表面图像中每个灰度级的聚类半径。
该聚类半径的计算公式为:
其中,为第q个灰度级的聚类半径;/>为第q个灰度级的像素分布均匀性;exp为以自然常数为底数的指数函数;/>为第q个灰度级中像素点的平均灰度值;/>第q个灰度级中像素点的最小灰度值;/>为第q个灰度级的第一调节值;Q为第q个灰度级的像素点集合;/>为第q个灰度级内的像素点;/>为第q个灰度级对应的近距质心点;为第q个灰度级中像素点的数量;/>为第q个灰度级的第二调节值。需要说明的是,像素点集合即为由灰度级内的像素点所构成的集合。
因为在对裂痕缺陷区域进行分割时,受影响最大的就是其邻域区域的像素点,因为密度聚类是基于距离进行计算的,距离如果较大的话会导致别的区域的像素点分割到该区域中,因此这里计算灰度级内各像素点与其距离最近的其他灰度级的质心点的欧式距离,也即计算灰度级内各像素点与近距质心点的距离,其反映灰度级内像素点与其他区域之间的位置关系。并且因为划痕相较于其他缺陷的灰度值较小,因此在这里计算第q个灰度级下像素点的均值与第q个灰度级下最小灰度值的差异,差异越小,说明该区域越可能是裂痕缺陷区域。而乘以像素分布均匀性是因为裂痕缺陷区域的灰度值比较集中,因此像素点的均匀性大,因此通过像素分布均匀性/>反映了裂痕缺陷区域的可能程度。
步骤S300,基于每个灰度级的聚类半径,对每个灰度级的像素点进行聚类,得到每个灰度级的聚类簇;根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,合并聚类簇,得到疑似裂痕聚类簇。
基于每个灰度级的聚类半径,对每个灰度级的像素点进行聚类,得到每个灰度级的聚类簇。通过上述计算获得每个灰度级的聚类半径对帆板表面图像的每个灰度级进行聚类,在这里每一次聚类需要在相同灰度级的像素点进行聚类,在本发明实施例中取经验值,设置最小聚类数为6,获得多个聚类簇,因为在不同灰度级下进聚类,因此聚类的结果会出现区域的重叠现象,因此需要根据聚类簇的特征来进行区域的合并。
在进行区域的合并时,因为根据灰度级中像素点的分布来进行聚类时,会出现部分区域会影响对缺陷区域的判断,使得缺陷区域出现扩大的现象,而进行区域的合并是为了将干扰区域与其他无关的区域进行合并,减小对裂痕区域的影响,使得后续在根据裂痕的特征进行分析时,能够更加准确。其中,干扰区域例如受光影响而接近于裂痕区域的区域。进一步的,根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,合并聚类簇,得到疑似裂痕聚类簇,具体的:
根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,确定合并相似性;将合并相似性大于预设合并阈值的聚类簇合并为疑似裂痕聚类簇。在本发明实施例中预设合并阈值取经验值为0.69,在其他实施例中由实施者根据实际情况调整该取值。
其中,根据那个聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,确定合并相似性。具体的:
选取任意聚类簇作为第一聚类簇,选取除第一聚类簇外任意聚类簇为第二聚类簇;将根第一聚类簇和第二聚类簇之间的像素分布均匀性的差异、聚类簇内像素点的灰度均值的差异、两个聚类簇内像素点的质心点的距离,确定合并相似性;其中,第一聚类簇和第二聚类簇之间的像素分布均匀性的差异、聚类簇内像素点的灰度均值的差异、两个聚类簇中像素点的质心点的距离,均与合并相似性呈负相关关系。
以第a个聚类簇作为第一聚类簇,以第b个聚类簇作为第二聚类簇为例,合并相似性的计算公式为:
其中,为第一聚类簇和第二聚类簇的合并相似性;exp为以自然常数为底数的指数函数;/>为第一聚类簇的像素分布均匀性;/>为第二聚类簇的像素分布均匀性;/>为第一聚类簇内像素点的灰度均值;/>为第二聚类簇内像素点的灰度均值;/>为第一聚类簇和第二聚类簇这两个聚类簇中像素点的质心点的距离。
其中,因为像素分布均匀性越相似的两个区域则反映其像素点的分布变化是相同,并且灰度值也是比较相近的,因此这里通过比较两个聚类簇之间的像素分布均匀性与聚类簇内像素点的灰度变化来判断聚类簇之间的相似性。通过欧式距离来判断是因为原本属于同一区域的两个聚类簇其必然是邻近的,因此距离越小,相似性越大。
计算得到每两个聚类簇之间的合并相似性,对聚类簇进行合并,当两个聚类簇对应的合并相似性,当合并相似性大于预设合并阈值时,也即当合并相似性时,则反映两个聚类簇的相似性较大,因此将两个聚类簇合并为一个聚类簇,即为疑似裂痕聚类簇。然后一直迭代计算,直至不再大于预设合并阈值时,得到最终的聚类簇,作为疑似裂痕聚类簇。
步骤S400,识别疑似裂痕聚类簇的边缘,对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域。
对步骤S300获得的疑似裂痕聚类簇进行特征分析,判断其是否为裂痕缺陷。因为在太阳翼帆板上会存在原本的纹理,因此需要将原始的纹理与裂痕缺陷进行区分。太阳翼帆板上的纹理主要是单晶块之间的栅线,其是均匀并且有规则分布的,而裂痕是不规则的,因此根据其特征不同进行区分。首先识别疑似裂痕聚类簇的边缘,对每个疑似裂痕聚类簇使用canny边缘检测算法对其进行边缘检测,获得每个疑似裂痕聚类簇的边缘。进一步的根据疑似裂痕聚类簇的边缘,对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域,具体的:
根据疑似裂痕聚类簇的边缘中像素点的变化趋势,得到初始裂痕区域;将初始裂痕区域输入至神经网络中,输出裂痕区域判断结果;根据裂痕区域判断结果得到太阳翼帆板的裂痕区域。
其中,根据疑似裂痕聚类簇的边缘中像素点的变化趋势,得到初始裂痕区域,具体的:计算每个疑似裂痕聚类簇的边缘中所有边缘像素点的斜率对应的切线与水平向右的水平线构成的角度的和值,作为每个疑似裂痕聚类簇的裂痕判断值;将疑似裂痕聚类簇的归一化后的裂痕判断值大于预设裂痕阈值时,将对应的疑似裂痕聚类簇所对应的区域作为帆板表面的初始裂痕区域。在本发明实施例中预设裂痕阈值取经验值为0.8,在其他实施例中由实施者根据实际情况调整该取值。
该裂痕判断值的计算公式为:
其中,为第a个疑似裂痕聚类簇的裂痕判断值;E为第a个疑似裂痕聚类簇的边缘中所有边缘像素点的数量;/>为第a个疑似裂痕聚类簇的第e个边缘像素点的系列对应的切线与水平向右的水平线构成的角度。
当该裂痕判断值即为疑似裂痕聚类簇的置信度,基于裂痕判断值对疑似裂痕聚类簇是否属于裂痕区域进行判断,当裂痕判断值越大,则该疑似裂痕聚类簇为裂痕区域的概率越大。因为太阳翼帆板上的纹理主要是单晶块之间的栅线,其是均匀并且有规则分布的,而裂痕是不规则的,故裂痕判断值越大则反映了疑似裂痕聚类簇内像素点的变化趋势越不规则。在得到裂痕判断值之后,进一步的对裂痕判断值进行归一化。当疑似裂痕聚类簇的归一化后的裂痕判断值大于0.8时,将对应的意思裂痕聚类簇所对应的区域作为帆板表面图像的初始裂痕区域,并将初始裂痕区域作为裂痕进行标记。
通过特征来区分裂纹缺陷与太阳翼帆板上的纹理,但是若太阳翼帆板表面存在较小的污染物时,会降低裂纹缺陷的识别成功率。因此在这里对识别到的裂纹缺陷将其输入到神经网络中在进行一次判断,在这里使用CNN卷积神经网络来进行裂纹缺陷的识别。也即最后,将初始裂痕区域输入至神经网络中,输出裂痕区域判断结果;根据裂痕区域判断结果得到太阳翼帆板的裂痕区域。其过程如下:
(1)首先对神经网络进行训练,在这里使用的数据为裂纹数据集,其中裂纹的形状和种类各种各样,通过自动分析裂纹的特征来提高识别的准确率和鲁棒性。
(2)根据上述分割获得的裂纹缺陷将其输入到神经网络中,通过神经网络自动进行识别,然后输出缺陷的裂痕区域判断结果。
(3)根据裂痕区域判断结果来确定该分割缺陷是否为存在裂痕区域的裂痕区域。需要说明的是,具体的神经网络的训练过程和最终的判断结果的输出为本领域技术人员的公知技术,在此不再进行赘述。
因为太阳翼帆板上裂痕区域与正常区域的灰度差异较小,并且太阳翼帆板上存在纹理的干扰,故本发明通过对聚类算法进行改进,根据图像的特征去得到自适应的聚类半径,以获取疑似裂痕聚类簇,然后再根据裂痕缺陷与太阳翼帆板原本纹理的特征不同,而对其进行区分,使得获得的裂痕缺陷区域更加的准确,尽可能的避免将正常区域划分为裂痕区域的情况出现。
综上所述,本发明涉及图像数据处理本发明获取太阳翼帆板的帆板表面图像;根据所述帆板表面图像中灰度分布情况确定各像素点所属的灰度级;根据每个灰度级中像素点的分布情况,确定帆板表面图像中每个灰度级的像素分布均匀性;根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径;基于每个灰度级的聚类半径,对每个灰度级的像素点进行聚类,得到每个灰度级的聚类簇;根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,合并聚类簇,得到疑似裂痕聚类簇;识别疑似裂痕聚类簇的边缘,对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域。本发明根据图像特征与裂痕缺陷区域的变化通过聚类算法对其进行分割,获得准确的裂痕缺陷区域。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种基于图像数据的太阳翼帆板质量检测方法,其特征在于,该方法包括以下步骤:
获取太阳翼帆板的帆板表面图像;
根据所述帆板表面图像中灰度分布情况确定各像素点所属的灰度级;根据每个灰度级中像素点的分布情况,确定帆板表面图像中每个灰度级的像素分布均匀性;根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径;
基于每个灰度级的聚类半径,对每个灰度级的像素点进行聚类,得到每个灰度级的聚类簇;根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,合并聚类簇,得到疑似裂痕聚类簇;
识别疑似裂痕聚类簇的边缘,对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域。
2.根据权利要求1所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述根据所述帆板表面图像中灰度分布情况确定各像素点所属的灰度级,包括:
按照灰度值从小到大的顺序,依次将灰度值对应的像素点划分至第一灰度级中,并计算第一灰度级的判断参数,直至第一灰度级的判断参数大于预设判断阈值时,依次将还未划分至第一灰度级的像素点,按照灰度值从小到大的顺序,划分至第二灰度级中,并计算第二灰度级的判断参数,直至第二灰度级的判断参数大于预设判断阈值时,依次将还未划分至第一灰度级和第二灰度级的像素点,按照灰度值从小到大的顺序,划分至第三灰度级中,依次迭代,直至帆板表面图像中的各像素点均有各自所属的灰度级。
3.根据权利要求2所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述第一灰度级的判断参数的获取方法为:
获取第一灰度级中的像素点在帆板表面图像中的占比,作为第一占比;将第一占比和第一灰度级中灰度值的数量的乘积作为第一灰度级的判断参数。
4.根据权利要求1所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述根据每个灰度级中像素点的分布情况,确定帆板表面图像中每个灰度级的像素分布均匀性,包括:
计算每个灰度级中两两像素点之间的距离的均值,作为距离均值;将距离均值和灰度级中灰度值的数量的乘积进行负相关归一化映射,得到每个灰度级的初始分布均匀性;
将每个灰度级的初始分布均匀性和灰度级中像素点的数量的乘积作为每个灰度级的像素分布均匀性。
5.根据权利要求1所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述根据每个灰度级的像素分布均匀性、灰度级内像素点的灰度值以及灰度级之间像素点的分布情况,确定帆板表面图像中每个灰度级的聚类半径,包括:
将每个灰度级中像素点的平均灰度值和最小灰度值的差值进行负相关归一化映射,得到每个灰度级的第一调节值;
获取每个灰度级中像素点的质心点,并获取每个灰度级对应的距离最近的其他灰度级的质心点,作为每个灰度级对应的近距质心点;将每个灰度级中所有像素点到所属灰度级对应的近距质心点的距离的均值,作为每个灰度级的第二调节值;
将每个灰度级的第一调节值、第二调节值和像素分布均匀性的乘积,作为帆板表面图像中每个灰度级的聚类半径。
6.根据权利要求1所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,合并聚类簇,得到疑似裂痕聚类簇,包括:
根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,确定合并相似性;将合并相似性大于预设合并阈值的聚类簇合并为疑似裂痕聚类簇。
7.根据权利要求6所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述根据不同聚类簇的像素分布均匀性、像素点的灰度值和聚簇之间的距离,确定合并相似性,包括:
选取任意聚类簇作为第一聚类簇,选取除第一聚类簇外任意聚类簇为第二聚类簇;
根据第一聚类簇和第二聚类簇之间的像素分布均匀性的差异、聚类簇内像素点的灰度均值的差异、两个聚类簇内像素点的质心点的距离,确定合并相似性;其中,第一聚类簇和第二聚类簇之间的像素分布均匀性的差异、聚类簇内像素点的灰度均值的差异、两个聚类簇中像素点的质心点的距离,均与合并相似性呈负相关关系。
8.根据权利要求1所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述对边缘中像素点的变化趋势进行分析,得到太阳翼帆板的裂痕区域,包括:
根据边缘中像素点的变化趋势,得到初始裂痕区域;将初始裂痕区域输入至神经网络中,输出裂痕区域判断结果;根据裂痕区域判断结果得到太阳翼帆板的裂痕区域。
9.根据权利要求8所述的基于图像数据的太阳翼帆板质量检测方法,其特征在于,所述根据边缘中像素点的变化趋势,得到初始裂痕区域,包括:
计算每个疑似裂痕聚类簇的边缘中所有边缘像素点的斜率对应的切线与水平向右的水平线构成的角度的和值,作为每个疑似裂痕聚类簇的裂痕判断值;当疑似裂痕聚类簇的归一化后的裂痕判断值大于预设裂痕阈值时,将对应的疑似裂痕聚类簇所对应的区域作为帆板表面图像的初始裂痕区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310880417.0A CN116596936B (zh) | 2023-07-18 | 2023-07-18 | 基于图像数据的太阳翼帆板质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310880417.0A CN116596936B (zh) | 2023-07-18 | 2023-07-18 | 基于图像数据的太阳翼帆板质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596936A true CN116596936A (zh) | 2023-08-15 |
CN116596936B CN116596936B (zh) | 2023-09-12 |
Family
ID=87594148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310880417.0A Active CN116596936B (zh) | 2023-07-18 | 2023-07-18 | 基于图像数据的太阳翼帆板质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596936B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN117036339A (zh) * | 2023-09-28 | 2023-11-10 | 南通广文光伏新能源有限责任公司 | 一种用于太阳能光伏板运行健康的监测方法 |
CN117058670A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
CN117333503A (zh) * | 2023-11-30 | 2024-01-02 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117372436A (zh) * | 2023-12-08 | 2024-01-09 | 红叶风电设备(营口)有限公司 | 基于图像数据的风电叶片故障检测方法 |
CN117611583A (zh) * | 2024-01-22 | 2024-02-27 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117724006A (zh) * | 2024-02-07 | 2024-03-19 | 深圳市魔方卫星科技有限公司 | 一种卫星电源异常状态检测方法及系统 |
CN117934407A (zh) * | 2024-01-22 | 2024-04-26 | 广东筠诚建筑科技有限公司 | 基于深度学习实现轻质隔墙的表观质量检测方法及系统 |
CN118157131A (zh) * | 2024-05-09 | 2024-06-07 | 深圳市魔方卫星科技有限公司 | 一种卫星电源供电功率智能预测方法 |
CN118196100A (zh) * | 2024-05-17 | 2024-06-14 | 武汉市巽皇食品有限公司 | 一种基于和面机的面团检测装置及检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
CN115511889A (zh) * | 2022-11-23 | 2022-12-23 | 江苏惠汕新能源集团有限公司 | 一种太阳能电池板支架表面焊接缺陷检测方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN116091455A (zh) * | 2023-01-30 | 2023-05-09 | 南通海驹钢结构有限公司 | 基于机器视觉的钢网表面缺陷判定方法 |
-
2023
- 2023-07-18 CN CN202310880417.0A patent/CN116596936B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022042579A1 (zh) * | 2020-08-28 | 2022-03-03 | 歌尔股份有限公司 | 一种用于lcd屏幕的缺陷检测方法、装置 |
CN115100221A (zh) * | 2022-08-22 | 2022-09-23 | 启东市云鹏玻璃机械有限公司 | 一种玻璃缺陷分割方法 |
CN115330800A (zh) * | 2022-10-14 | 2022-11-11 | 深圳市亿康医疗技术有限公司 | 基于图像处理的放疗靶区自动分割方法 |
CN115511889A (zh) * | 2022-11-23 | 2022-12-23 | 江苏惠汕新能源集团有限公司 | 一种太阳能电池板支架表面焊接缺陷检测方法 |
CN115690108A (zh) * | 2023-01-04 | 2023-02-03 | 山东元旺电工科技有限公司 | 一种基于图像处理的铝合金杆生产质量评估方法 |
CN116091455A (zh) * | 2023-01-30 | 2023-05-09 | 南通海驹钢结构有限公司 | 基于机器视觉的钢网表面缺陷判定方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN116823834B (zh) * | 2023-08-30 | 2023-11-24 | 江苏锡澄环境科学研究院有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN117036339A (zh) * | 2023-09-28 | 2023-11-10 | 南通广文光伏新能源有限责任公司 | 一种用于太阳能光伏板运行健康的监测方法 |
CN117036339B (zh) * | 2023-09-28 | 2023-12-22 | 南通广文光伏新能源有限责任公司 | 一种用于太阳能光伏板运行健康的监测方法 |
CN117058670A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
CN117058670B (zh) * | 2023-10-12 | 2024-01-02 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
CN117333503A (zh) * | 2023-11-30 | 2024-01-02 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117333503B (zh) * | 2023-11-30 | 2024-02-09 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117351008A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117351008B (zh) * | 2023-12-04 | 2024-03-15 | 深圳市阿龙电子有限公司 | 一种智能手机面板表面缺陷检测方法 |
CN117372436B (zh) * | 2023-12-08 | 2024-02-13 | 红叶风电设备(营口)有限公司 | 基于图像数据的风电叶片故障检测方法 |
CN117372436A (zh) * | 2023-12-08 | 2024-01-09 | 红叶风电设备(营口)有限公司 | 基于图像数据的风电叶片故障检测方法 |
CN117611583A (zh) * | 2024-01-22 | 2024-02-27 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117611583B (zh) * | 2024-01-22 | 2024-04-19 | 张家港飞腾复合新材料股份有限公司 | 基于人工智能的铝复合板缺陷检测方法及系统 |
CN117934407A (zh) * | 2024-01-22 | 2024-04-26 | 广东筠诚建筑科技有限公司 | 基于深度学习实现轻质隔墙的表观质量检测方法及系统 |
CN117724006A (zh) * | 2024-02-07 | 2024-03-19 | 深圳市魔方卫星科技有限公司 | 一种卫星电源异常状态检测方法及系统 |
CN117724006B (zh) * | 2024-02-07 | 2024-05-24 | 深圳市魔方卫星科技有限公司 | 一种卫星电源异常状态检测方法及系统 |
CN118157131A (zh) * | 2024-05-09 | 2024-06-07 | 深圳市魔方卫星科技有限公司 | 一种卫星电源供电功率智能预测方法 |
CN118157131B (zh) * | 2024-05-09 | 2024-07-23 | 深圳市魔方卫星科技有限公司 | 一种卫星电源供电功率智能预测方法 |
CN118196100A (zh) * | 2024-05-17 | 2024-06-14 | 武汉市巽皇食品有限公司 | 一种基于和面机的面团检测装置及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116596936B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN109376792B (zh) | 基于多通道残差神经网络的光伏电池外观缺陷分类方法 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
CN117132844B (zh) | 一种基于图像处理的光伏板裂纹与划痕的分类方法 | |
CN110443278B (zh) | 一种太阳能电池片栅线粗细异常的检测方法、装置及设备 | |
CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115049664A (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN112508857B (zh) | 基于改进型Cascade R-CNN的铝材表面缺陷检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN115272321A (zh) | 一种基于机器视觉的纺织品缺陷检测方法 | |
CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
CN115953409B (zh) | 基于图像处理的注塑件表面缺陷检测方法 | |
CN116703911A (zh) | 一种led灯生产质量检测系统 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN115290663A (zh) | 基于光学检测的Mini LED晶圆外观缺陷检测方法 | |
CN118225803B (zh) | 一种推土机刀片表面外观视觉检测方法 | |
CN112487537A (zh) | 一种基于全卷积神经网络的建筑面多级优化提取方法 |
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 |