CN116645372B - 一种制动气室外观图像智能检测方法及系统 - Google Patents
一种制动气室外观图像智能检测方法及系统 Download PDFInfo
- Publication number
- CN116645372B CN116645372B CN202310927869.XA CN202310927869A CN116645372B CN 116645372 B CN116645372 B CN 116645372B CN 202310927869 A CN202310927869 A CN 202310927869A CN 116645372 B CN116645372 B CN 116645372B
- Authority
- CN
- China
- Prior art keywords
- corrosion
- region
- area
- circle
- communication
- 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 28
- 230000007797 corrosion Effects 0.000 claims abstract description 157
- 238000005260 corrosion Methods 0.000 claims abstract description 157
- 238000004891 communication Methods 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004378 air conditioning Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 18
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 claims description 18
- 108010050014 systemin Proteins 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 230000003628 erosive effect Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 125000001475 halogen functional group Chemical group 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005530 etching Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- 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
- G06T7/136—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
- G06T7/187—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
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本申请属于图像处理技术领域,提供了一种制动气室外观图像智能检测方法及系统,方法包括:采集并处理获得制动气室全方位的外观RGB图像和外观灰度图像;通过Canny算子获得连通区域;分析连通区域的沟壑纹理特征,获得第一腐蚀沟壑均匀度;分析连通区域获得晕染区域,形成扩展连通区域;分析扩展连通区域的颜色空间特征和沟壑纹理特征,获得扩展连通区域的腐蚀区域估计;根据腐蚀区域估计和晕染区域特点,获得扩展连通区域的腐蚀评级,将腐蚀评级高的区域更显著地标记出来。本发明提供的方法避免了腐蚀程度较浅而忽视掉的晕染区域,很大程度上提升了算法的准确率,提高腐蚀区域检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种制动气室外观图像智能检测方法及系统。
背景技术
制动气室是整个汽车系统中核心部件之一,专门用来实现制动。如果制动气室出现故障,那么就可能导致制动失灵,从而造成巨大的安全隐患,因此,准确地检测制动气室的外观是否出现异常情况十分重要。
制动气室外观一般会出现腐蚀、氧化、磨损以及变形等缺陷。而由于制动气室长期在复杂的工作环境中,其表面很容易会受到腐蚀从而出现变色或生锈,且这种特征是不可逆转的,因此,制动气室外观的腐蚀缺陷受到了最广泛的关注。传统的图像处理技术检测制动气室外观的腐蚀情况是通过采用Canny算子得到的腐蚀区域,然后分析该腐蚀区域的特征并构建指标,进而评价每个区域的腐蚀程度。但是这种算法并没有考虑到一些腐蚀较轻的晕染区域,这些区域并不会被Canny算子识别到腐蚀区域内部,因此会对算法检测制动气室外观中的腐蚀区域的准确性造成较大的影响。
因此,亟需一种制动气室外观图像的检测方法,可以识别出一些腐蚀较轻的晕染区域,以提高腐蚀区域检测的准确性。
发明内容
本申请提供了一种制动气室外观图像智能检测方法及系统,提高腐蚀区域检测的准确性。
根据本申请实施例的第一方面,提供了一种制动气室外观图像智能检测方法,包括:
采集并处理获得制动气室全方位的外观RGB图像和外观灰度图像;
通过Canny算子标记所述外观RGB图像中的每个区域,获得连通区域;
分析所述连通区域的沟壑纹理特征,获得所述连通区域的第一腐蚀沟壑均匀度;
选取所述连通区域的中心像素点,将所述连通区域中任意一个边缘像素点与所述中心像素点连接线的反方向延伸,得到延伸线;
根据所述连通区域中像素点的个数和所述延伸线上第/>个像素点到所述中心像素点的距离/>,以及所述第一腐蚀沟壑均匀度/>,计算获得腐蚀晕染溢出度/>;
根据所述腐蚀晕染溢出度,获得修正灰度值阈值,以所述修正灰度值阈值为所述延伸线的终点,获得所述连通区域的晕染区域;
将所述晕染区域加入到对应的所述连通区域内,形成扩展连通区域;
分析所述扩展连通区域的颜色空间特征和沟壑纹理特征,获得所述扩展连通区域的腐蚀区域估计;
根据所述腐蚀区域估计和所述晕染区域特点,获得所述扩展连通区域的腐蚀评级/>。
在本发明的一些实施例中,分析所述连通区域的沟壑纹理特征,获得所述连通区域的第一腐蚀沟壑均匀度,包括:
使用Harris角点检测算法分析所述连通区域,得到个第一角点;
统计所述第一角点与所述连通区域中心的距离出现的频次,得到有/>种不同的距离,每种距离出现的频次数为/>;
计算获得所述连通区域的第一腐蚀沟壑均匀度,计算方法为:
式中,/>为连通区域内以区域中心为圆心,/>为连通区域内半径的/>个圆;/>为连通区域内第/>个圆的半径;/>为连通区域内第/>个圆上的第一角点数量;/>表示连通区域内第/>个圆上的第一角点的数量占该圆周长的概率;/>为连通区域内/>个圆上的每个圆的第一角点数量占该圆周长的均值;
式中,针对这/>个圆,计算连通区域内第/>个圆上出现的第一角点数量/>占该圆周长/>的频数/>;通过将该频数与/>计算其差异,得到第/>个圆上第一角点出现频率的不均匀性。
在本发明的一些实施例中,所述腐蚀晕染溢出度的计算方法为:
式中,表示延伸线上第/>个点之前的腐蚀晕染溢出度;/>为延伸线上第/>个像素点的灰度值;/>表示连通区域中像素点的个数;/>表示延伸线上第/>个像素点到中心像素点的距离;/>表示连通区域的第一腐蚀沟壑均匀度。
在本发明的一些实施例中,所述修正灰度值阈值的计算方法为:
式中,表示经验灰度值阈值,为外观RGB图像中除了连通区域的剩余区域的灰度均值;/>表示延伸线上第/>个点的腐蚀晕染溢出度;/>表示修正后的修正灰度值阈值。
在本发明的一些实施例中,分析所述扩展连通区域的颜色空间特征和沟壑纹理特征,获得所述扩展连通区域的腐蚀区域估计,包括:
对所述扩展连通区域采用HSV颜色空间分析,得到所述扩展连通区域中每个像素点的色相、饱和度/>和明度/>;
根据所述像素点的色相、饱和度/>和明度/>,计算获得腐蚀色度/>;
分析所述扩展连通区域的沟壑纹理特征,获得所述扩展连通区域的第二腐蚀沟壑均匀度;
根据所述腐蚀色度和所述第二腐蚀沟壑均匀度/>,计算获得所述扩展连通区域的腐蚀区域估计/>。
在本发明的一些实施例中,所述腐蚀色度的计算方法为:
式中,/>表示中心像素点邻域内像素点的个数;/>取腐蚀区域标准色相范围的中值;/>用来避免分母为零;/>表示中心像素点邻域内腐蚀色频次;/>为邻域内其中一个点的色相;/>表示将邻域内像素点与中心像素点的色相差;/>表示中心像素点与标准色相范围中值之间的差值;/>表示中心像素点的色相隶属域;
式中,/>表示像素点的饱和度;/>表示像素点的明度;/>表示像素点的色相隶属域;/>表示像素点的腐蚀色度。
在本发明的一些实施例中,分析所述扩展连通区域的沟壑纹理特征,获得所述扩展连通区域的第二腐蚀沟壑均匀度,包括:
使用Harris角点检测算法分析所述扩展连通区域,得到个第二角点;
统计所述第二角点与所述扩展连通区域中心的距离出现的频次,得到有/>种不同的距离,每种距离出现的频次数为/>;
计算获得所述扩展连通区域的第二腐蚀沟壑均匀度,计算方法为:
式中,/>为扩展连通区域内以区域中心为圆心,/>为扩展连通区域内半径的/>个圆;/>为扩展连通区域内第/>个圆的半径;/>为扩展连通区域内第/>个圆上的第二角点数量;/>表示扩展连通区域内第/>个圆上的第二角点的数量占该圆周长的概率;/>为扩展连通区域内/>个圆上的每个圆的第二角点数量占该圆周长的均值;
式中,针对这/>个圆,计算扩展连通区域内第/>个圆上出现的第二角点数量占该圆周长/>的频数/>;通过将该频数与/>计算其差异,得到第/>个圆上第二角点出现频率的不均匀性。
在本发明的一些实施例中,所述扩展连通区域的腐蚀区域估计的计算方法为:
式中,表示扩展连通区域的腐蚀区域估计;/>为扩展连通区域内以区域中心为圆心,/>为半径的/>个圆;/>表示扩展连通区域内第/>个圆上的第/>个点的腐蚀色度;表示扩展连通区域内第/>个圆的周长上的所有像素点的腐蚀色度均值;/>表示扩展连通区域的第二腐蚀沟壑均匀度;/>为扩展连通区域内第/>个圆上的第二角点数量。
在本发明的一些实施例中,所述扩展连通区域的腐蚀评级计算方法为:
式中,为归一化函数;/>为连通区域的像素点的个数;/>为扩展连通区域的像素点的个数;/>表示扩展连通区域的腐蚀区域估计;/>表示扩展连通区域的腐蚀评级。
根据本申请实施例的第二方面,提供了一种制动气室外观图像智能检测系统,系统包括存储器模块和处理器模块,其中:
所述存储器模块,用于存储程序代码;
所述处理器模块,用于读取所述存储器模块中存储的程序代码,并执行如本申请实施例的第一方面所述的方法。
由以上实施例可见,本申请实施例提供的一种制动气室外观图像智能检测方法及系统,具有的有益效果如下:
本发明通过根据制动气室表面腐蚀的颜色空间、梯度分布情况得到腐蚀表面均匀的沟壑特征,再通过计算连通区域每个边缘点的延伸线在疑似腐蚀范围内扩大该连通区域,再重新计算扩展后的连通区域的腐蚀评级,将腐蚀评级高的区域更显著地标记出来,避免了腐蚀程度较浅而忽视掉的晕染区域,很大程度上提升了算法的准确率,有效的提高了腐蚀区域检测的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种制动气室外观图像智能检测方法基本流程示意图;
图2为本申请实施例提供的一种连通区域的第一腐蚀沟壑均匀度获取方法基本流程示意图;
图3为本申请实施例提供的一种腐蚀区域估计的获取方法基本流程示意图;
图4为本申请实施例提供的一种制动气室外观图像智能检测系统基本组成示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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。
下面将结合附图,对本实施例提供的一种制动气室外观图像智能检测方法及系统进行详细介绍。
图1为本申请实施例提供的一种制动气室外观图像智能检测方法基本流程示意图,如图1所示,该方法具体包括如下步骤:
S100:采集并处理获得制动气室全方位的外观RGB图像和外观灰度图像。
由于制动气室是三维物体,其每个面的外观都有可能会出现腐蚀情况,因此检测外观缺陷时需要对上下左右前后这六个面分别进行检测分析。使用CMOS相机采集制动气室在六个方向上的初始外观RGB图像,然后将初始外观RGB图像转换为外观灰度图像。对外观灰度图像采用中值滤波技术,消除噪声和部分外界干扰造成的影响,同时保留外观灰度图像的边缘信息,增强后续分析的准确性。
S200:通过Canny算子标记外观RGB图像中的每个区域,获得连通区域。
制动气室表面出现的腐蚀区域一般为点状或不规则的块状区域,且表面会出现凹凸不平的沟壑特征,相较于其他物体表面的线条和条块腐蚀区域,具有较为明显的区域特征。
通过Canny算子将外观RGB图像中的每个区域标记出来,由此得到个闭合的连通区域,每个连通区域内有/>个像素点。
S300:分析连通区域的沟壑纹理特征,获得连通区域的第一腐蚀沟壑均匀度。
正常的制动气室表面较为光滑,如果表面存在腐蚀区域,其表面会呈现出凹凸不平的沟壑纹理,且这种沟壑纹理相对来说较为均匀,很少会出现该区域中一部分凹凸,另一部分相对来说特别平整。这种特征对于颜色空间来说,更能在制动气室表面将腐蚀区域识别出来。
图2为本申请实施例提供的一种连通区域的第一腐蚀沟壑均匀度获取方法基本流程示意图,如图2所示,分析连通区域的沟壑纹理特征,获得连通区域的第一腐蚀沟壑均匀度,包括以下步骤:
S301:使用Harris角点检测算法分析连通区域,得到个第一角点。
通过对连通区域使用Harris角点检测算法进行分析,得到该连通区域中的个第一角点。
S302:统计第一角点与连通区域中心的距离出现的频次,得到有/>种不同的距离,每种距离出现的频次数为/>。
将连通区域内所有像素点中灰度值最小的像素点作为该连通区域的中心。统计连通区域中的个第一角点与该连通区域中心点的距离/>出现的频次,得到有/>种不同的距离,每种距离出现的频次数为/>,即得到/>个以该连通区域中心为圆心的圆,半径分别为,每个半径为/>的圆上有/>个角点。
S303:计算获得连通区域的第一腐蚀沟壑均匀度。
如果连通区域内部的腐蚀沟壑纹理较为均匀,那么以该连通区域中心为圆心,得到的个以/>为半径的圆上出现角点的频数应该与该圆的大小成正比。因此,通过统计每个圆上的角点的数量占该圆周长的概率,比较概率之间的相似性,来表征该连通区域的第一腐蚀沟壑均匀度/>。第一腐蚀沟壑均匀度/>计算方法为:
式中,/>为连通区域内以区域中心为圆心,/>为连通区域内半径的/>个圆;/>为连通区域内第/>个圆的半径;/>为连通区域内第/>个圆上的第一角点数量;/>表示连通区域内第/>个圆上的第一角点的数量占该圆周长的概率;/>为连通区域内/>个圆上的每个圆的第一角点数量占该圆周长的均值;
式中,针对这/>个圆,计算连通区域内第/>个圆上出现的第一角点数量/>占该圆周长/>的频数/>;通过将该频数与/>计算其差异,得到第/>个圆上第一角点出现频率的不均匀性/>;/>为连通区域内/>个圆对应/>的均值。
S400:选取连通区域的中心像素点,将连通区域中任意一个边缘像素点与中心像素点连接线的反方向延伸,得到延伸线。
制动气室外观RGB图像中腐蚀区域较为严重的边缘可以通过Canny算子提取出来,但是对于那些腐蚀较轻的区域就很难被识别出准确的边缘,一般识别出来的边缘周围向外还有一些存在腐蚀的区域,即晕染区域。对于这些晕染区域虽然具有较浅的腐蚀颜色,但是其内部已经出现腐蚀的症状,并不能将这些区域排除在外。这些晕染区域一般存在能识别出边缘的连通区域的外围一圈,如果该识别出来的连通区域的面积较大,那么该连通区域周围的晕染区域也较大;连通区域内的腐蚀程度越深,该连通区域周围的晕染程度也会越大。
针对这种情况,首先将连通区域内所有像素点中灰度值最小的点作为该区域的中心。对该连通区域任意一个边缘像素点所在的曲率半径方向的反方向延伸出一条延伸线,即将连通区域中任意一个边缘像素点与中心像素点连接线的反方向延伸,得到延伸线。延伸线是由边缘像素点为起点,经验灰度值阈值为终点,设置经验灰度值阈值/>的经验值为外观RGB图像中除了连通区域的剩余区域的灰度均值。途径的所有像素点均作为该连通区域周围的晕染范围,即可以得到腐蚀区域。
S500:根据连通区域中像素点的个数和延伸线上第/>个像素点到中心像素点的距离/>,以及第一腐蚀沟壑均匀度/>,计算获得腐蚀晕染溢出度/>。
步骤S400中延伸线的终点为经验灰度值阈值,经验灰度值阈值/>的经验值为外观RGB图像中除了连通区域的剩余区域的灰度均值。但是在实际操作中该经验灰度值阈值通常会存在较大的偏差,因此需要综合考虑各方面的影响因素对经验灰度值阈值/>进行修正处理。
根据连通区域中像素点的个数和延伸线上第/>个像素点到中心像素点的距离,以及第一腐蚀沟壑均匀度/>,对连通区域的晕染腐蚀晕染溢出度/>都会有较大的影响。因此,根据综合考虑连通区域中像素点的个数/>和延伸线上第/>个像素点到中心像素点的距离/>,以及第一腐蚀沟壑均匀度/>,计算获得:
式中,表示延伸线上第/>个点之前的腐蚀晕染溢出度;/>为延伸线上第/>个像素点的灰度值;/>表示连通区域中像素点的个数;/>表示延伸线上第/>个像素点到中心像素点的距离;/>表示连通区域的第一腐蚀沟壑均匀度。
通过求得延伸线上个点灰度值之和,得到的该值越小,表示该条延伸线上在该点之前的所有点的晕染区域越深,即该条延伸线上的第/>个点处的晕染程度越大;/>、/>、/>越小,/>越大,即距离中心像素点的距离/>越近、连通区域的第一腐蚀沟壑均匀度/>越均匀、该第/>个点所经过延伸线上/>个点的灰度值越深、该连通区域像素点的个数越多,说明该延伸线上的该第/>个点处的腐蚀晕染溢出度越大。
S600:根据腐蚀晕染溢出度,获得修正灰度值阈值,以修正灰度值阈值为延伸线的终点,获得连通区域的晕染区域。
由步骤S500可知,腐蚀晕染溢出度表示延伸线上的第/>个点处的腐蚀晕染溢出程度,利用腐蚀晕染溢出度/>对经验灰度值阈值/>进行修正处理,获得修正灰度值阈值/>。修正灰度值阈值/>计算方法为:
式中,表示经验灰度值阈值,为外观RGB图像中除了连通区域的剩余区域的灰度均值;/>表示延伸线上第/>个点的腐蚀晕染溢出度;/>表示修正后的修正灰度值阈值。
延伸线由边缘像素点为起点,修正灰度值阈值为终点,即延伸线上像素点的灰度值大于该修正灰度值阈值/>时停止延伸,延伸线途径的所有像素点均作为该连通区域周围的晕染范围,即可以得到连通区域的晕染区域。
S700:将晕染区域加入到对应的连通区域内,形成扩展连通区域。
S800:分析扩展连通区域的颜色空间特征和沟壑纹理特征,获得扩展连通区域的腐蚀区域估计。
长期使用的制动气室表面会出现一些腐蚀的特征,其外观颜色的特点较为明显,腐蚀区域呈暗棕色调,且饱和度也会随着斑点、氧化等问题而变淡、下降,同时亮度也会由于坑洼和腐蚀痕迹导致表面反射率降低而减小。而这些颜色空间的特征是区别于制动气室正常外观的特征之一。
图3为本申请实施例提供的一种腐蚀区域估计的获取方法基本流程示意图,如图3所示,分析扩展连通区域的颜色空间特征和沟壑纹理特征,获得扩展连通区域的腐蚀区域估计,包括以下步骤:
S801:对扩展连通区域采用HSV颜色空间分析,得到扩展连通区域中每个像素点的色相、饱和度/>和明度/>。
S802:根据像素点的色相、饱和度/>和明度/>,计算获得腐蚀色度/>。
由于腐蚀后的制动气室表面一般呈暗棕色调分布,且其色调在色相分布上一般为20-50度之间。通过统计每个点周围邻域内的色相在20-50度范围内的个数,得到每个点周围腐蚀色频次/>,用来表征该点周围的出现腐蚀色的数量。通过计算八邻域内的像素点腐蚀区域色相分布,得到色相隶属域/>。同时,腐蚀后的饱和度/>和明度/>都会受到影响,其值将会较正常未被腐蚀的区域较小。将这三个指标结合,构建腐蚀色度/>。
色相隶属域的计算方法为:
式中,/>表示待评估像素点邻域内像素点的个数,待评估像素点为连通区域内待评估的任意一个像素点,本发明中/>的取值可以为8,即待评估像素点的八邻域;/>取腐蚀区域标准色相范围的中值,本发明中/>的取值可以为20-50度的中值35度;/>用来避免分母为零,取经验值0.01;/>表示待评估像素点八邻域内腐蚀色频次,值越大,越可能为腐蚀区域;/>为八邻域内其中一个点的色相;/>表示将八邻域内像素点与待评估像素点的色相差;/>表示该邻域内八个像素点与待评估像素点求得色相差均值,如果该均值越大,表示该待评估像素点周围的色相变化越大,即该待评估像素点及八邻域为腐蚀区域可能越大;/>表示待评估像素点与标准色相范围中值之间的差值,差距越小,则表示八邻域越可能为腐蚀区域;/>表示待评估像素点的色相隶属域,色相隶属域越大,说明该待评估像素点及其八邻域内像素点的色相越接近腐蚀区域,且周围邻域色相出现波动变化较大,即越大可能为腐蚀区域。
腐蚀色度的计算方法为:
式中,/>表示像素点的饱和度;/>表示像素点的明度;/>表示像素点的色相隶属域;/>表示像素点的腐蚀色度。
S803:分析扩展连通区域的沟壑纹理特征,获得扩展连通区域的第二腐蚀沟壑均匀度。
第二腐蚀沟壑均匀度的获取方法与步骤S300中连通区域的第一腐蚀沟壑均匀度/>的获取方法相同,只是将连通区域更换为扩展连通区域。即:
使用Harris角点检测算法分析扩展连通区域,得到个第二角点;
统计第二角点与扩展连通区域中心的距离出现的频次,得到有/>种不同的距离,每种距离出现的频次数为/>;
计算获得扩展连通区域的第二腐蚀沟壑均匀度,计算方法为:
式中,/>为扩展连通区域内以区域中心为圆心,/>为扩展连通区域内半径的/>个圆;/>为扩展连通区域内第/>个圆的半径;/>为扩展连通区域内第/>个圆上的第二角点数量;/>表示扩展连通区域内第/>个圆上的第二角点的数量占该圆周长的概率;/>为扩展连通区域内/>个圆上的每个圆的第二角点数量占该圆周长的均值;
式中,针对这/>个圆,计算扩展连通区域内第/>个圆上出现的第二角点数量占该圆周长/>的频数/>;通过将该频数与/>计算其差异,得到第/>个圆上第二角点出现频率的不均匀性。
S804:根据腐蚀色度和第二腐蚀沟壑均匀度/>,计算获得扩展连通区域的腐蚀区域估计/>。
根据腐蚀色度和第二腐蚀沟壑均匀度/>,计算获得扩展连通区域的腐蚀区域估计/>,扩展连通区域的腐蚀区域估计/>的计算方法为:
式中,表示扩展连通区域的腐蚀区域估计;/>为扩展连通区域内以区域中心为圆心,/>为半径的/>个圆;/>表示扩展连通区域内第/>个圆上的第/>个点的腐蚀色度;表示扩展连通区域内第/>个圆的周长上的所有像素点的腐蚀色度均值,表征第/>个圆上的颜色是否符合腐蚀区域颜色的程度,该值越大,表示该圆越符合腐蚀区域的颜色分布;/>表示扩展连通区域的第二腐蚀沟壑均匀度,如果第二腐蚀沟壑均匀度越小,即该圆上的沟壑越均匀,即/>越大,用来表征第/>个圆上具有腐蚀沟壑均匀的特征;通过对/>个圆的/>进行求和,得到表征该扩展连通区域的腐蚀沟壑均匀、腐蚀颜色相近的特征;/>为扩展连通区域内第/>个圆上的第二角点数量,对扩展连通区域内的/>个圆上的角点求和得到/>,值越大,表示扩展连通区域越具有相对于制动气室的光滑外观之外的腐蚀区域角点数量较多的特征。
综上,得到的腐蚀区域估计,越大,表示该扩展连通区域内的角点数越多,即腐蚀区域沟壑越严重;表示该扩展连通区域内的腐蚀沟壑越均匀,即不存在一部分凹凸、一部分平整的区域;表示该扩展连通区域内每个圆上的颜色分布与腐蚀色较为相似,即说明该扩展连通区域为腐蚀区域估计的可能性越大。
S900:根据腐蚀区域估计和晕染区域特点,获得扩展连通区域的腐蚀评级/>。
通过将外观RGB图像中所有连通区域的边缘扩展得到相应的晕染区域后,将这些晕染区域加入到该连通区域的范围内,作为一个新的扩展连通区域,新的扩展连通区域有个像素点;如果存在多个扩展连通区域交叠连通,那么就将这些扩展连通区域归结到一个大扩展连通区域。对每个扩展连通区域计算一个腐蚀评级/>,用来表征外观RGB图像中新划分每个扩展连通区域的腐蚀情况。
式中,为归一化函数;/>为连通区域的像素点的个数;/>为扩展连通区域的像素点的个数;/>表示扩展连通区域的腐蚀区域估计,该值越小,表示该扩展连通区域内出现分布越均匀的沟壑腐蚀特征,/>为晕染区域的像素点个数,该值越大,表示该扩展连通区域存在符合腐蚀区域的晕染区域越大,而正常的制动气室表面的一些区域不存在晕染区域,所以晕染区域越严重的区域且其扩展连通区域内部表面沟壑越均匀的区域越可能为腐蚀区域,即该扩展连通区域的腐蚀评级/>越大。
S1000:根据腐蚀评级,标记扩展连通区域,得到制动气室的外观缺陷区域显著图像。
对于六张外观RGB图像,已经将外观RGB图像中的每个扩展连通区域计算其区域腐蚀评级,设置腐蚀区域检测阈值,将外观RGB图像中的扩展连通区域的腐蚀评级/>大于该检测阈值的区域标记出来。需要说明的是,腐蚀区域检测阈值的取值由实施者自行设定,本发明将腐蚀区域检测阈值设定为0.8。
将六张外观RGB图像中腐蚀评级高于检测阈值的区域更显著地标记出来,得到制动气室中外观腐蚀区域的显著图像。
基于与上述方法同样的发明构思,本实施例还提供了制动气室外观图像智能检测系统,图4为本申请实施例提供的一种制动气室外观图像智能检测系统基本组成示意图,如图4所示:
系统包括存储器模块10和处理器模块20,其中:
存储器模块10,用于存储程序代码;
处理器模块20,用于读取存储器模块10中存储的程序代码,并执行采集并处理获得制动气室全方位的外观RGB图像和外观灰度图像;通过Canny算子标记外观RGB图像中的每个区域,获得连通区域;分析连通区域的沟壑纹理特征,获得连通区域的第一腐蚀沟壑均匀度;选取连通区域的中心像素点,将连通区域中任意一个边缘像素点与中心像素点连接线的反方向延伸,得到延伸线;根据连通区域中像素点的个数/>和延伸线上第/>个像素点到中心像素点的距离/>,以及第一腐蚀沟壑均匀度/>,计算获得腐蚀晕染溢出度/>;根据腐蚀晕染溢出度/>,获得修正灰度值阈值,以修正灰度值阈值为延伸线的终点,获得连通区域的晕染区域;将晕染区域加入到对应的连通区域内,形成扩展连通区域;分析扩展连通区域的颜色空间特征和沟壑纹理特征,获得扩展连通区域的腐蚀区域估计/>;根据腐蚀区域估计/>和晕染区域特点,获得扩展连通区域的腐蚀评级/>;根据腐蚀评级/>,标记扩展连通区域,得到制动气室的外观缺陷区域显著图像。
在本发明的一些实施例中,处理器模块20,包括:
图像采集处理子模块21,被配置为采集并处理获得制动气室全方位的外观RGB图像和外观灰度图像;
Canny算子子模块22,被配置为通过Canny算子标记外观RGB图像中的每个区域,获得连通区域;
沟壑纹理处理子模块23,被配置为分析连通区域的沟壑纹理特征,获得连通区域的第一腐蚀沟壑均匀度;
晕染区域获取子模块24,被配置为选取连通区域的中心像素点,将连通区域中任意一个边缘像素点与中心像素点连接线的反方向延伸,得到延伸线;根据连通区域中像素点的个数和延伸线上第/>个像素点到中心像素点的距离/>,以及第一腐蚀沟壑均匀度,计算获得腐蚀晕染溢出度/>;根据腐蚀晕染溢出度/>,获得修正灰度值阈值,以修正灰度值阈值为延伸线的终点,获得连通区域的晕染区域;
扩展连通区域处理子模块25,被配置为将晕染区域加入到对应的连通区域内,形成扩展连通区域;分析扩展连通区域的颜色空间特征和沟壑纹理特征,获得扩展连通区域的腐蚀区域估计;根据腐蚀区域估计/>和晕染区域特点,获得扩展连通区域的腐蚀评级/>;根据腐蚀评级/>,标记扩展连通区域,得到制动气室的外观缺陷区域显著图像。
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。
需要说明的是,除非另有规定和限定,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下,有语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外,本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (3)
1.一种制动气室外观图像智能检测方法,其特征在于,所述方法包括:
采集并处理获得制动气室全方位的外观RGB图像和外观灰度图像;
通过Canny算子标记所述外观RGB图像中的每个区域,获得连通区域;
分析所述连通区域的沟壑纹理特征,获得所述连通区域的第一腐蚀沟壑均匀度;
选取所述连通区域的中心像素点,将所述连通区域中任意一个边缘像素点与所述中心像素点连接线的反方向延伸,得到延伸线;
根据所述连通区域中像素点的个数和所述延伸线上第/>个像素点到所述中心像素点的距离/>,以及所述第一腐蚀沟壑均匀度/>,计算获得腐蚀晕染溢出度/>;
根据所述腐蚀晕染溢出度,获得修正灰度值阈值,以所述修正灰度值阈值为所述延伸线的终点,获得所述连通区域的晕染区域;
将所述晕染区域加入到对应的所述连通区域内,形成扩展连通区域;
分析所述扩展连通区域的颜色空间特征和沟壑纹理特征,获得所述扩展连通区域的腐蚀区域估计;
根据所述腐蚀区域估计和所述晕染区域特点,获得所述扩展连通区域的腐蚀评级/>;
分析所述连通区域的沟壑纹理特征,获得所述连通区域的第一腐蚀沟壑均匀度,包括:
使用Harris角点检测算法分析所述连通区域,得到个第一角点;
统计所述第一角点与所述连通区域中心的距离出现的频次,得到有/>种不同的距离,每种距离出现的频次数为/>;
计算获得所述连通区域的第一腐蚀沟壑均匀度,计算方法为:
式中,/>为连通区域内以区域中心为圆心,/>为连通区域内半径的/>个圆;/>为连通区域内第/>个圆的半径;/>为连通区域内第/>个圆上的第一角点数量;/>表示连通区域内第/>个圆上的第一角点的数量占该圆周长的概率;/>为连通区域内/>个圆上的每个圆的第一角点数量占该圆周长的均值;
式中,针对这/>个圆,计算连通区域内第/>个圆上出现的第一角点数量/>占该圆周长/>的频数/>;通过将该频数与/>计算其差异,得到第/>个圆上第一角点出现频率的不均匀性;
所述腐蚀晕染溢出度的计算方法为:
式中,表示延伸线上第/>个点之前的腐蚀晕染溢出度;/>为延伸线上第/>个像素点的灰度值;/>表示连通区域中像素点的个数;/>表示延伸线上第/>个像素点到中心像素点的距离;/>表示连通区域的第一腐蚀沟壑均匀度;
分析所述扩展连通区域的颜色空间特征和沟壑纹理特征,获得所述扩展连通区域的腐蚀区域估计,包括:
对所述扩展连通区域采用HSV颜色空间分析,得到所述扩展连通区域中每个像素点的色相、饱和度/>和明度/>;
根据所述像素点的色相、饱和度/>和明度/>,计算获得腐蚀色度/>;
分析所述扩展连通区域的沟壑纹理特征,获得所述扩展连通区域的第二腐蚀沟壑均匀度;
根据所述腐蚀色度和所述第二腐蚀沟壑均匀度/>,计算获得所述扩展连通区域的腐蚀区域估计/>;
所述腐蚀色度的计算方法为:
式中,/>表示中心像素点邻域内像素点的个数;/>取腐蚀区域标准色相范围的中值;/>用来避免分母为零;/>表示中心像素点邻域内腐蚀色频次;/>为邻域内其中一个点的色相;/>表示将邻域内像素点与中心像素点的色相差;/>表示中心像素点与标准色相范围中值之间的差值;/>表示中心像素点的色相隶属域;
式中,/>表示像素点的饱和度;/>表示像素点的明度;/>表示像素点的色相隶属域;/>表示像素点的腐蚀色度;
分析所述扩展连通区域的沟壑纹理特征,获得所述扩展连通区域的第二腐蚀沟壑均匀度,包括:
使用Harris角点检测算法分析所述扩展连通区域,得到个第二角点;
统计所述第二角点与所述扩展连通区域中心的距离出现的频次,得到有/>种不同的距离,每种距离出现的频次数为/>;
计算获得所述扩展连通区域的第二腐蚀沟壑均匀度,计算方法为:
式中,/>为扩展连通区域内以区域中心为圆心,/>为扩展连通区域内半径的/>个圆;为扩展连通区域内第/>个圆的半径;/>为扩展连通区域内第/>个圆上的第二角点数量;表示扩展连通区域内第/>个圆上的第二角点的数量占该圆周长的概率;/>为扩展连通区域内/>个圆上的每个圆的第二角点数量占该圆周长的均值;
式中,针对这/>个圆,计算扩展连通区域内第/>个圆上出现的第二角点数量/>占该圆周长/>的频数/>;通过将该频数与/>计算其差异,得到第/>个圆上第二角点出现频率的不均匀性;
所述扩展连通区域的腐蚀区域估计的计算方法为:
式中,表示扩展连通区域的腐蚀区域估计;/>为扩展连通区域内以区域中心为圆心,为半径的/>个圆;/>表示扩展连通区域内第/>个圆上的第/>个点的腐蚀色度;表示扩展连通区域内第/>个圆的周长上的所有像素点的腐蚀色度均值;/>表示扩展连通区域的第二腐蚀沟壑均匀度;/>为扩展连通区域内第/>个圆上的第二角点数量;
所述扩展连通区域的腐蚀评级计算方法为:
式中,为归一化函数;/>为连通区域的像素点的个数;/>为扩展连通区域的像素点的个数;/>表示扩展连通区域的腐蚀区域估计;/>表示扩展连通区域的腐蚀评级。
2.根据权利要求1所述的制动气室外观图像智能检测方法,其特征在于,所述修正灰度值阈值的计算方法为:
式中,表示经验灰度值阈值,为外观RGB图像中除了连通区域的剩余区域的灰度均值;表示延伸线上第/>个点的腐蚀晕染溢出度;/>表示修正后的修正灰度值阈值。
3.一种制动气室外观图像智能检测系统,其特征在于,系统包括存储器模块(10)和处理器模块(20),其中:
所述存储器模块(10),用于存储程序代码;
所述处理器模块(20),用于读取所述存储器模块(10)中存储的程序代码,并执行权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927869.XA CN116645372B (zh) | 2023-07-27 | 2023-07-27 | 一种制动气室外观图像智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927869.XA CN116645372B (zh) | 2023-07-27 | 2023-07-27 | 一种制动气室外观图像智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116645372A CN116645372A (zh) | 2023-08-25 |
CN116645372B true CN116645372B (zh) | 2023-10-10 |
Family
ID=87619273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310927869.XA Active CN116645372B (zh) | 2023-07-27 | 2023-07-27 | 一种制动气室外观图像智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116645372B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117760952B (zh) * | 2024-02-21 | 2024-06-04 | 中冶建筑研究总院(深圳)有限公司 | 钢结构耐久性评定方法、系统及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0790741A2 (en) * | 1995-10-27 | 1997-08-20 | Texas Instruments Incorporated | Video compression method and system |
US5825919A (en) * | 1992-12-17 | 1998-10-20 | Xerox Corporation | Technique for generating bounding boxes for word spotting in bitmap images |
JP2012013675A (ja) * | 2010-05-31 | 2012-01-19 | Tohoku Electric Power Co Inc | 鋼管内部腐食解析装置及び腐食解析方法 |
CN109003331A (zh) * | 2018-06-13 | 2018-12-14 | 东莞时谛智能科技有限公司 | 一种图像重构方法 |
KR20190028794A (ko) * | 2016-08-29 | 2019-03-19 | 우한 징세 일렉트로닉 그룹 컴퍼니 리미티드 | GPU 기반 TFT-LCD Mura 결함 탐지 방법 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及系统 |
CN115049850A (zh) * | 2022-07-20 | 2022-09-13 | 电子科技大学 | 一种用于肺部ct影像的纤维化区域的特征提取方法 |
CN115115725A (zh) * | 2022-05-10 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质、设备及计算机程序产品 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN115631174A (zh) * | 2022-11-01 | 2023-01-20 | 南通皋亚钢结构有限公司 | 基于视觉图像数据的机械零件表面缺陷识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119668A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳大学 | 一种行人头部识别方法及系统 |
JP2023532268A (ja) * | 2020-06-29 | 2023-07-27 | ▲蘇▼州▲潤▼▲邁▼▲徳▼医▲療▼科技有限公司 | 深層学習に基づいて大動脈を取得する方法及び記憶媒体 |
-
2023
- 2023-07-27 CN CN202310927869.XA patent/CN116645372B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5825919A (en) * | 1992-12-17 | 1998-10-20 | Xerox Corporation | Technique for generating bounding boxes for word spotting in bitmap images |
EP0790741A2 (en) * | 1995-10-27 | 1997-08-20 | Texas Instruments Incorporated | Video compression method and system |
JP2012013675A (ja) * | 2010-05-31 | 2012-01-19 | Tohoku Electric Power Co Inc | 鋼管内部腐食解析装置及び腐食解析方法 |
KR20190028794A (ko) * | 2016-08-29 | 2019-03-19 | 우한 징세 일렉트로닉 그룹 컴퍼니 리미티드 | GPU 기반 TFT-LCD Mura 결함 탐지 방법 |
CN109003331A (zh) * | 2018-06-13 | 2018-12-14 | 东莞时谛智能科技有限公司 | 一种图像重构方法 |
CN113689428A (zh) * | 2021-10-25 | 2021-11-23 | 江苏南通元辰钢结构制造有限公司 | 基于图像处理的机械零件应力腐蚀检测方法及系统 |
CN115115725A (zh) * | 2022-05-10 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质、设备及计算机程序产品 |
CN115049850A (zh) * | 2022-07-20 | 2022-09-13 | 电子科技大学 | 一种用于肺部ct影像的纤维化区域的特征提取方法 |
CN115375676A (zh) * | 2022-10-24 | 2022-11-22 | 微山三利特不锈钢有限公司 | 一种基于图像识别的不锈钢制品质量检测方法 |
CN115631174A (zh) * | 2022-11-01 | 2023-01-20 | 南通皋亚钢结构有限公司 | 基于视觉图像数据的机械零件表面缺陷识别方法 |
Non-Patent Citations (3)
Title |
---|
Metal surface defect detection based on MATLAB;Zhipeng Li 等;《2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;全文 * |
图像处理技术在镀镍层腐蚀保护等级评定中的应用;曲彦平;于淼;耿新;;表面技术(第01期);全文 * |
高压输电线防震锤锈蚀缺陷检测;宋伟;左丹;邓邦飞;张海兵;薛凯文;胡泓;;仪器仪表学报(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116645372A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116645372B (zh) | 一种制动气室外观图像智能检测方法及系统 | |
JP5926937B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN116091499B (zh) | 一种涂料生产异常识别系统 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN102156996A (zh) | 一种图像边缘检测的方法 | |
CN114998227A (zh) | 基于图像处理的布匹印染缺陷检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114387273A (zh) | 基于计算机图像识别的环境粉尘浓度检测方法及系统 | |
CN111598801B (zh) | 一种用于微弱Mura缺陷的识别方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
Lee et al. | Hair segmentation using adaptive threshold from edge and branch length measures | |
CN110889817B (zh) | 图像融合质量评价方法及装置 | |
CN115346126A (zh) | 一种边坡裂纹识别方法 | |
CN117237350B (zh) | 一种铸钢件质量实时检测方法 | |
CN117152159B (zh) | 一种复杂布料印花瑕疵检测方法及系统 | |
CN113223074A (zh) | 一种水下激光条纹中心提取方法 | |
CN116883415A (zh) | 基于图像数据的薄壁锌合金压铸件质量检测方法 | |
CN114529515A (zh) | 一种自动识别太阳能电池内部缺陷的方法 | |
CN112837288A (zh) | 一种血管中心线的提取方法、装置以及可读存储介质 | |
CN116818778B (zh) | 一种汽车部件快速智能检测方法及系统 | |
Wang | A new approach for robust segmentation of the noisy or textured images | |
EP2380110B1 (en) | A method for evaluating quality of image representing a fingerprint pattern | |
CN117274250B (zh) | 一种手表底盖磨损缺陷视觉检测方法 |
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 |