CN116703910B - 一种混凝土预制底板质量智能检测方法 - Google Patents
一种混凝土预制底板质量智能检测方法 Download PDFInfo
- Publication number
- CN116703910B CN116703910B CN202310979685.8A CN202310979685A CN116703910B CN 116703910 B CN116703910 B CN 116703910B CN 202310979685 A CN202310979685 A CN 202310979685A CN 116703910 B CN116703910 B CN 116703910B
- Authority
- CN
- China
- Prior art keywords
- edge
- suspected
- region
- connected domain
- domain
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 95
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000009792 diffusion process Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims description 32
- 238000003708 edge detection Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000000737 periodic effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 239000011178 precast concrete Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method 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
- G06T7/0002—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
- G06T7/60—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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10024—Color image
-
- 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)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种混凝土预制底板质量智能检测方法。方法包括:获取混凝土预制底板的灰度图像;根据灰度图像中各连通域的边缘像素点的梯度幅值、各连通域内像素点与对应连通域的边缘像素点的邻域内连通域外部像素点的灰度差异,确定边缘特异程度;根据各连通域的面积、各连通域内边缘线段对应的延伸方向和边缘线段的数量,得到边缘扩散程度;根据各疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异得到置信度,进而构建权重系数矩阵,基于权重系数矩阵获得滤波后的图像,进而对混凝土预制底板的质量进行判断。本发明提高了混凝土预制底板质量检测结果的准确度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种混凝土预制底板质量智能检测方法。
背景技术
混凝土预制底板生产过程中,混凝土预制底板的表面不平整、存在裂纹等都会影响预制地板的质量,利用机器视觉装置进行混凝土预制底板质量检测是一个高效率、高准确度的检测方式。由于在基于混凝土预制底板图像进行质量检测过程中往往需要对图像进行滤波操作,以消除噪声对于混凝土预制底板图像上边缘检测获取信息的影响,但滤波器会使得混凝土预制底板表面的异常边缘产生振铃现象,振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,影响真实边缘信息的获取,进而导致混凝土预制底板质量检测效果较差。
发明内容
为了解决现有方法在对混凝土预制底板进行滤波时会使得混凝土预制底板表面的异常边缘产生振铃现象,影响真实边缘信息的获取,进而导致混凝土预制底板质量检测效果较差的问题,本发明的目的在于提供一种混凝土预制底板质量智能检测方法,所采用的技术方案具体如下:
本发明提供了一种混凝土预制底板质量智能检测方法,该方法包括以下步骤:
获取待检测混凝土预制底板的灰度图像,对所述灰度图像进行边缘检测获得各边缘线段;
基于各边缘线段上像素点的位置获得各边缘线段对应的延伸方向和各连通域;根据各连通域的边缘像素点的梯度幅值、各连通域内像素点与对应连通域的边缘像素点的邻域内连通域外部像素点的灰度差异,确定各连通域的边缘特异程度;根据各连通域的面积、各连通域内边缘线段对应的延伸方向和边缘线段的数量,得到各连通域的边缘扩散程度;
基于各连通域内边缘线段对应的延伸方向筛选疑似边缘区域;根据各疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、各疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到各疑似边缘区域的置信度;基于各疑似边缘区域的置信度构建权重系数矩阵,基于所述权重系数矩阵获得滤波后的图像;
基于所述滤波后的图像对待检测混凝土预制底板的质量进行判断。
优选的,基于各边缘线段上像素点的位置获得各边缘线段对应的延伸方向,包括:
对于任一边缘线段:
对边缘线段进行曲线拟合获得对应的边缘曲线,将过所述边缘曲线上的各像素点且垂直于所述边缘曲线的方向确定为对应像素点的特征方向;将所述边缘曲线上所有像素点的所述特征方向的均值确定为边缘线段对应的延伸方向。
优选的,基于各边缘线段上像素点的位置获得各连通域,包括:
基于所有边缘线段对应的延伸方向获得延伸方向上直线的交点;对所有的所述交点进行聚类获得各聚类簇;
对于任一聚类簇:对该聚类簇中所有交点对应的边缘线段进行凸包检测获得最小凸多边形,将所述最小凸多边形所围成的闭合区域作为一个连通域。
优选的,所述根据各连通域的边缘像素点的梯度幅值、各连通域内像素点与对应连通域的边缘像素点的邻域内连通域外部像素点的灰度差异,确定各连通域的边缘特异程度,包括:
对于第i个连通域:
计算第i个连通域的所有边缘像素点的梯度幅值的方差;将第i个连通域内所有像素点的灰度均值记为第一均值,将第i个连通域的边缘像素点的邻域内连通域外部所有像素点的灰度均值记为第二均值;
将所述第一均值与所述第二均值之间的差值绝对值记为第一灰度差异,将所述方差与所述第一灰度差异的乘积的归一化结果确定为第i个连通域的边缘特异程度。
优选的,所述根据各连通域的面积、各连通域内边缘线段对应的延伸方向和边缘线段的数量,得到各连通域的边缘扩散程度,包括:
对于第i个连通域:
将第i个连通域内各边缘线段对应的延伸方向与竖直向上的方向之间的夹角,确定为各边缘线段对应的特征角度;获取第i个连通域内所有边缘线段对应的特征角度的最大值;
将第i个连通域内边缘线段的数量、第i个连通域的面积、所述特征角度的最大值三者的乘积的归一化结果,确定为第i个连通域的边缘扩散程度。
优选的,基于各连通域内边缘线段对应的延伸方向筛选疑似边缘区域,包括:
对于任一连通域:将该连通域内所有边缘线段对应的特征角度的均值作为该连通域对应的目标角度;
分别判断各连通域对应的目标角度是否小于预设角度阈值,若小于,则将对应连通域确定为疑似边缘区域。
优选的,所述根据各疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、各疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到各疑似边缘区域的置信度,包括:
对于第j个疑似边缘区域:
将第j个疑似边缘区域与其K近邻内各疑似边缘区域的边缘扩散程度的差异,确定为第j个疑似边缘区域与其K近邻内对应疑似边缘区域的第一差异;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第一差异的均值记为第一特征值;将第j个疑似边缘区域与其K近邻内各疑似边缘区域的边缘特异程度的差异,确定为第j个疑似边缘区域与其K近邻内对应疑似边缘区域的第二差异;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第二差异的均值记为第二特征值;将所述第一特征值与所述第二特征值的比值记为第一比值;其中,K为预设数值;
对于第j个疑似边缘区域的K近邻内的第k个疑似边缘区域:分别获取第j个疑似边缘区域的各边缘像素点与第k个疑似边缘区域的各边缘像素点之间的欧式距离,将第j个疑似边缘区域的边缘像素点与第k个疑似边缘区域的边缘像素点之间的所述欧式距离中的最小值,确定为第j个疑似边缘区域与第k个疑似边缘区域的目标距离;
计算第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的均值;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的最小值与所述目标距离的均值的比值记为第二比值;
根据所述第一比值与所述第二比值,得到第j个疑似边缘区域的置信度。
优选的,根据所述第一比值与所述第二比值,得到第j个疑似边缘区域的置信度,包括:
将所述第一比值与所述第二比值的乘积的归一化结果,确定为第j个疑似边缘区域的置信度。
优选的,所述基于各疑似边缘区域的置信度构建权重系数矩阵,基于所述权重系数矩阵获得滤波后的图像,包括:
将各疑似边缘区域内边缘线段上的像素点对应的权重系数设置为对应疑似边缘区域的置信度;将所述灰度图像中除疑似边缘区域内边缘线段上的像素点外的其他像素点对应的权重系数设置为1;
基于所述灰度图像中所有像素点对应的权重系数构建权重系数矩阵;基于所述权重系数矩阵对所述灰度图像进行滤波处理获得滤波后的图像。
优选的,所述对所述灰度图像进行边缘检测获得各边缘线段,包括:
采用Canny边缘算子对所述灰度图像进行边缘检测获得各边缘线段。
本发明至少具有如下有益效果:
本发明考虑到现有的基于待检测混凝土预制底板的灰度图像对待检测的混凝土预制底板进行质量检测时往往需要对图像进行滤波操作,以消除噪声对于图像上边缘检测获取信息的影响,但是滤波器会使得待检测混凝土预制底板表面的异常边缘产生振铃现象,振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,影响真实边缘信息的获取,本发明结合待检测混凝土预制底板的灰度图像中每个连通域的边缘梯度变化程度和连通域内外邻域灰度差异,确定了每个连通域的边缘特异程度,又结合每个连通域整体的边缘分布情况及边缘线段对应的延伸方向,确定了每个连通域的边缘扩散程度;进一步的,结合每个疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、每个疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到了每个疑似边缘区域的置信度,置信度越大,说明对应疑似边缘区域内越可能存在真实边缘,因此本实施例基于置信度构建了待检测混凝土预制底板的灰度图像对应的权重系数矩阵,进而对待检测混凝土预制底板的灰度图像进行滤波处理,滤波后的图像消除了振铃现象的影响,图像的保真度更高,基于滤波后的图像对待检测混凝土预制底板的质量进行判断,提高了待检测混凝土预制底板质量检测结果的准确度。
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一种混凝土预制底板质量智能检测方法的流程图;
图2为本发明一个实施例所提供的一种混凝土预制底板图像的滤波方法的流程图。
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一种混凝土预制底板质量智能检测方法进行详细说明如下。
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。
一种混凝土预制底板质量智能检测方法实施例:
下面结合附图具体的说明本发明所提供的一种混凝土预制底板质量智能检测方法的具体方案。
本实施例所针对的具体场景为:待检测混凝土预制底板在生产完成后,需要对其进行质量检测,考虑到现有的基于图像处理方法对混凝土预制底板进行质量检测过程中往往需要对图像进行滤波操作,以消除噪声对于混凝土预制底板图像上边缘检测获取信息的影响,但滤波器会使得混凝土预制底板表面的异常边缘产生振铃现象,振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,影响真实边缘信息的获取,进而导致混凝土预制底板质量检测精度较低,本实施例将结合振铃现象在边缘高频信息扩散周期性伪影的分布特征进行边缘保持滤波,去除振铃产生的伪影,保障待检测混凝土预制底板质量检测的真实性与准确性。
本实施例提出了一种混凝土预制底板质量智能检测方法,如图1所示,本实施例的一种混凝土预制底板质量智能检测方法包括以下步骤:
步骤S1,获取待检测混凝土预制底板的灰度图像,对所述灰度图像进行边缘检测获得各边缘线段。
本实施例首先将待检测混凝土预制底板水平放置于图像采集区域,并将相机放置于待检测混凝土预制底板中心垂直正上方,利用相机俯视拍摄待检测混凝土预制底板的表面图像,待检测混凝土预制底板的表面图像为彩色(RGB)图像,然后对采集到的待检测混凝土预制底板的表面图像进行灰度化处理,得到对应的灰度图,对灰度图进行低通滤波去噪,将去噪后的图像记为待检测混凝土预制底板的灰度图像。图像的灰度化处理、滤波处理均为现有技术,此处不再过多赘述。
待检测混凝土预制底板的灰度图像经过滤波去噪处理之后,由于截止频率对于图像的影响,滤波图像上产生的振铃伪影会对真实异常区域边缘信息的获取产生影响,因此本实施例将利用局部区域上的边缘灰度变化特征与边缘扩散程度,获得边缘置信度,从而构建滤波模板,利用边缘置信度对振铃伪影进行去除。
振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,伪影沿边缘外围扩散,平坦区域与伪影区域交替排列,总体上伪影区域向外扩散过程中灰度变化程度减小,扩散范围变大。基于此,本实施例将获得边缘特异程度与边缘扩散程度,便于后续确定置信度。
根据振铃现象产生的伪影的灰度变化特征,伪影可看作是实际边缘的扩散,其伪影区域的邻域灰度变化程度大,因此,本实施例首先利用Canny边缘算子对待检测混凝土预制底板的灰度图像进行边缘检测,获得边缘检测图像,遍历边缘像素点,获得边缘线段集合,边缘线段表征异常区域边缘或伪影区域边缘像素点组成的线段的整体或局部。
至此,获得了待检测混凝土预制底板的灰度图像中的多条边缘线段。
步骤S2,基于各边缘线段上像素点的位置获得各边缘线段对应的延伸方向和各连通域;根据各连通域的边缘像素点的梯度幅值、各连通域内像素点与对应连通域的边缘像素点的邻域内连通域外部像素点的灰度差异,确定各连通域的边缘特异程度;根据各连通域的面积、各连通域内边缘线段对应的延伸方向和边缘线段的数量,得到各连通域的边缘扩散程度。
本实施例已经获得了待检测混凝土预制底板的灰度图像中的边缘线段,接下来将对边缘线段进行曲线拟合,曲线拟合是为了基于边缘线段上像素点的梯度方向判断边缘线段的延伸方向。
本实施例以一条边缘线段为例进行说明,对于其他边缘线段均可采用本实施例提供的方法进行处理。具体的,对于任一边缘线段:利用样条插值算法对边缘线段进行曲线拟合获得对应的边缘曲线,该边缘曲线为光滑的曲线,样条插值算法为现有算法,此处不再过多赘述。将过该边缘曲线上的各像素点且垂直于所述边缘曲线的方向确定为对应像素点的特征方向,也即边缘曲线上每个像素点均对应一个特征方向;将所述边缘曲线上所有像素点的所述特征方向的均值确定为该边缘线段对应的延伸方向。采用上述方法,能够获得待检测混凝土预制底板的灰度图像中每条边缘线段对应的延伸方向。
基于待检测混凝土预制底板的灰度图像中所有边缘线段对应的延伸方向,获得延伸方向上直线的交点;对所有的所述交点进行聚类获得各聚类簇,本实施例利用均值漂移聚类对所有交点进行聚类,获得多个聚类簇,均值漂移聚类算法为现有技术,此处不再过多赘述。对于任一聚类簇:对该聚类簇中所有交点对应的边缘线段进行凸包检测获得最小凸多边形,将所述最小凸多边形所围成的闭合区域作为一个连通域。采用上述方法,能够获得待检测混凝土预制底板的灰度图像中的多个连通域。凸包检测为现有技术,此处不再过多赘述。
考虑到临近交点对应的曲线可认为属于同一区域的边缘,因此每个聚类簇中的交点表示位置相近的邻近交点对应的多条边缘线段,将其视为同一边缘的多个分段,因此对于任一聚类簇:对该聚类簇中所有交点对应的边缘线段进行凸包检测获得最小凸多边形,将所述最小凸多边形所围成的闭合区域作为一个连通域。采用上述方法,能够获得多个连通域。凸包检测为现有技术,此处不再过多赘述。
获取待检测混凝土预制底板的灰度图像中每个像素点的梯度幅值,梯度幅值的计算方法为现有技术,此处不再过多赘述。连通域的边缘像素点的梯度幅值的差异以及连通域内外像素点的灰度差异能够在一定程度上反映连通域内是否存在真实的边缘线,因此本实施例接下来将基于每个连通域的边缘像素点的梯度以及边缘像素点的周围连通域内外像素点的灰度差异情况,对每个连通域的边缘特异程度进行判断。需要说明的是,本实施例中连通域的边缘像素点为围成连通域的闭合边缘线上的像素点,并非连通域内边缘线段上的像素点。
对于第i个连通域:计算第i个连通域的所有边缘像素点的梯度幅值的方差;将第i个连通域内所有像素点的灰度均值记为第一均值,将第i个连通域的边缘像素点的邻域内连通域外部所有像素点的灰度均值记为第二均值;将所述第一均值与所述第二均值之间的差值绝对值记为第一灰度差异,将所述方差与所述第一灰度差异的乘积的归一化结果确定为第i个连通域的边缘特异程度。第i个连通域的边缘特异程度的具体计算公式为:
其中,为第i个连通域的边缘特异程度,/>为第i个连通域的所有边缘像素点的梯度幅值的方差,/>为第i个连通域内所有像素点的灰度均值,/>为第i个连通域的边缘像素点的邻域内连通域外部所有像素点的灰度均值,Sigmoid ( )为归一化函数,| |为取绝对值符号。
表示第一均值,/>表示第二均值,/>表示第一灰度差异,用于反映第i个连通域内所有像素点的灰度均值与第i个连通域的边缘像素点的邻域内连通域外部所有像素点的灰度均值之间的差异。本实施例中设置像素点的邻域为八邻域,在具体应用中,实施者可根据具体情况设置邻域的大小。当第i个连通域内所有像素点的灰度均值与第i个连通域的边缘像素点的邻域内连通域外部所有像素点的灰度均值之间的差异越大、第i个连通域的所有边缘像素点的梯度幅值的方差越大时,说明第i个连通域的边缘像素点的周围连通域内外像素点的灰度差异越大,也即第i个连通域的边缘特异程度越大。当第i个连通域内所有像素点的灰度均值与第i个连通域的边缘像素点的邻域内连通域外部所有像素点的灰度均值之间的差异越小、第i个连通域的所有边缘像素点的梯度幅值的方差越小时,说明第i个连通域的边缘像素点的周围连通域内外像素点的灰度差异越小,也即第i个连通域的边缘特异程度越小。
考虑到振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,也即边缘会出现扩散的现象,连通域内边缘的扩散情况与边缘线段对应的延伸方向线相关。当第i个连通域的面积越大、第i个连通域内边缘像素点的数量越多时,说明第i个连通域的边缘扩散程度越大,因此本实施例将结合第i个连通域的面积、第i个连通域内边缘线段对应的延伸方向和边缘线段的数量,确定第i个连通域的边缘扩散程度。
具体的,将第i个连通域内各边缘线段对应的延伸方向与竖直向上的方向之间的夹角,确定为各边缘线段对应的特征角度,一条边缘线段对应一个特征角度;获取第i个连通域内所有边缘线段对应的特征角度的最大值;将第i个连通域内边缘线段的数量、第i个连通域的面积、所述特征角度的最大值三者的乘积的归一化结果,确定为第i个连通域的边缘扩散程度。第i个连通域的边缘扩散程度的具体计算公式为:
其中,为第i个连通域的边缘扩散程度,/>为第i个连通域内边缘线段的数量,为第i个连通域内所有边缘线段对应的特征角度的最大值,/>为第i个连通域的面积,Sigmoid( )为归一化函数。
第i个连通域内所有边缘线段对应的特征角度的最大值用于反映边缘的扩散程度。当第i个连通域内边缘线段越多、第i个连通域内所有边缘线段对应的特征角度的最大值越大、第i个连通域的面积越大时,说明第i个连通域在边缘伪影的扩散方向上扩散范围越大,即第i个连通域的边缘扩散程度越大。
采用上述方法,能够获得待检测混凝土预制底板的灰度图像中每个连通域的边缘特异程度和边缘扩散程度。
步骤S3,基于各连通域内边缘线段对应的延伸方向筛选疑似边缘区域;根据各疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、各疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到各疑似边缘区域的置信度;基于各疑似边缘区域的置信度构建权重系数矩阵,基于所述权重系数矩阵获得滤波后的图像。
由于振铃现象产生的扩散伪影在边缘延伸方向上存在空域上的前后顺序关系,边缘特异程度与边缘扩散程度呈现相关联的变化趋势,且存在距离上的周期性变化,因此本实施例将结合边缘扩散伪影的差异情况获得置信度,置信度用于表征真实边缘的可信程度,便于后续根据置信度构建滤波模板。
具体的,对于任一连通域:将该连通域内所有边缘线段对应的特征角度的均值作为该连通域对应的目标角度。采用该方法,能够获得每个连通域对应的目标角度,分别判断各连通域对应的目标角度是否小于预设角度阈值,若小于,则将对应连通域确定为疑似边缘区域。至此,从所有连通域筛选出了疑似边缘区域。本实施例中的预设角度阈值为90度,在具体应用中,实施者可根据具体情况进行设置。
由于边缘特异程度是与边缘梯度变化程度和连通域内外邻域灰度差异相关联的,边缘扩散程度是与连通域整体的边缘分布情况及边缘线段对应的延伸方向相关联的,因此本实施例将结合疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,确定疑似边缘区域的置信度。
对于第j个疑似边缘区域:
将第j个疑似边缘区域与其K近邻内各疑似边缘区域的边缘扩散程度的差异,确定为第j个疑似边缘区域与其K近邻内对应疑似边缘区域的第一差异;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第一差异的均值记为第一特征值;将第j个疑似边缘区域与其K近邻内各疑似边缘区域的边缘特异程度的差异,确定为第j个疑似边缘区域与其K近邻内对应疑似边缘区域的第二差异;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第二差异的均值记为第二特征值;将所述第一特征值与所述第二特征值的比值记为第一比值;其中,K为预设数值;本实施例中的K为2,在具体应用中,实施者可根据具体情况进行设置。需要说明的是:本实施例中第j个疑似边缘区域的K近邻内的疑似边缘区域的获取方法为:分别计算第j个疑似边缘区域的中心点与其他每个疑似边缘区域的中心点之间的距离,将与第j个疑似边缘区域的中心点距离最近的K个疑似边缘区域作为第j个疑似边缘区域的K近邻内的疑似边缘区域。
对于第j个疑似边缘区域的K近邻内的第k个疑似边缘区域:分别获取第j个疑似边缘区域的各边缘像素点与第k个疑似边缘区域的各边缘像素点之间的欧式距离,将第j个疑似边缘区域的边缘像素点与第k个疑似边缘区域的边缘像素点之间的所述欧式距离中的最小值,确定为第j个疑似边缘区域与第k个疑似边缘区域的目标距离;计算第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的均值;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的最小值与所述目标距离的均值的比值记为第二比值;将所述第一比值与所述第二比值的乘积的归一化结果,确定为第j个疑似边缘区域的置信度。第j个疑似边缘区域的置信度的具体计算公式为:
其中,为第j个疑似边缘区域的置信度;/>为第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第一差异的均值,也即为第一特征值;/>为第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第二差异的均值,也即为第二特征值;/>为第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的最小值,/>为第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的均值,Sigmoid( )为归一化函数。
表示第一比值,/>表示第二比值。当第一比值越大且第二比值也越大时,说明第j个疑似边缘区域中越可能存在真实的边缘,也即第j个疑似边缘区域的置信度越大;当第一比值越小且第二比值也越小时,说明第j个疑似边缘区域中越可能存在边缘伪影,也即第j个疑似边缘区域的置信度越小。
采用上述方法,能够获得每个疑似边缘区域的置信度。对于任一疑似边缘区域:将每个疑似边缘区域内边缘线段上的像素点对应的权重系数设置为该疑似边缘区域的置信度。采用该方法,获得每个疑似边缘区域内所有边缘线段上的像素点对应的权重系数。将待检测混凝土预制底板的灰度图像中除疑似边缘区域内边缘线段上的像素点外的其他像素点对应的权重系数设置为1;至此,获得了待检测混凝土预制底板的灰度图像中每个边缘像素点的置信度。
基于待检测混凝土预制底板的灰度图像中所有像素点对应的权重系数构建权重系数矩阵;权重系数矩阵中的元素分别为待检测混凝土预制底板的灰度图像中像素点对应的权重系数。需要说明的是,本实施例中待检测混凝土预制底板的灰度图像的形状为矩形,因此权重系数矩阵的行数与待检测混凝土预制底板的灰度图像中像素点的行数相同,权重系数矩阵的列数与待检测混凝土预制底板的灰度图像中像素点的列数相同,权重系数矩阵中的元素分别为待检测混凝土预制底板的灰度图像中对应位置的像素点对应的权重系数。本实施例构建大小为的滤波模板,w是一个超参数,本实施例中w的取值为15,在具体应用中,实施者可根据具体情况进行设置。从待检测混凝土预制底板的灰度图像的左上角开始遍历整个图像,利用权重系数对模板范围内权重系数小于1的像素点灰度值进行加权平均,完成加权均值滤波,获得滤波后的图像,滤波后的图像消除了振铃现象的影响,图像的保真度更好。加权均值滤波为现有技术,此处不再过多赘述。
步骤S4,基于所述滤波后的图像对待检测混凝土预制底板的质量进行判断。
滤波后的图像消除了振铃现象的影响,图像的保真度更好,因此本实施例采用Canny算子对滤波后的图像进行边缘检测,获得边缘检测图像,获取边缘检测图像中的边缘线,并获取边缘线围成的闭合连通域,将闭合连通域的尺寸与形状信息作为特征值,与混凝土预制底板的先验缺陷类型信息进行匹配,完成对待检测混凝土预制底板质量的智能检测,识别出各类缺陷后,可视化显示到相应的显示器上,以便用户更加直观的查看待检测混凝土预制底板的异常情况。
至此,采用本实施例提供的方法完成了对待检测混凝土预制底板质量的智能检测,提高了检测结果的准确度和可信度。
本实施例考虑到现有的基于待检测混凝土预制底板的灰度图像对待检测的混凝土预制底板进行质量检测时往往需要对图像进行滤波操作,以消除噪声对于图像上边缘检测获取信息的影响,但是滤波器会使得待检测混凝土预制底板表面的异常边缘产生振铃现象,振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,影响真实边缘信息的获取,本实施例结合待检测混凝土预制底板的灰度图像中每个连通域的边缘梯度变化程度和连通域内外邻域灰度差异,确定了每个连通域的边缘特异程度,又结合每个连通域整体的边缘分布情况及边缘线段对应的延伸方向,确定了每个连通域的边缘扩散程度;进一步的,结合每个疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、每个疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到了每个疑似边缘区域的置信度,置信度越大,说明对应疑似边缘区域内越可能存在真实边缘,因此本实施例基于置信度构建了待检测混凝土预制底板的灰度图像对应的权重系数矩阵,进而对待检测混凝土预制底板的灰度图像进行滤波处理,滤波后的图像消除了振铃现象的影响,图像的保真度更高,基于滤波后的图像对待检测混凝土预制底板的质量进行判断,提高了待检测混凝土预制底板质量检测结果的准确度。
一种混凝土预制底板图像的滤波方法实施例:
在对混凝土预制底板图像进行分析时,往往需要对采集到的初始图像进行滤波操作,以消除噪声对于混凝土预制底板图像上边缘检测获取信息的影响,但滤波器会使得混凝土预制底板表面的异常边缘产生振铃现象,振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,进而导致混凝土预制底板图像的滤波效果较差。
为了解决现有方法在对混凝土预制底板图像进行滤波处理时存在的滤波效果较差的问题,本发明的目的在于提供一种混凝土预制底板图像的滤波方法,所采用的技术方案具体如下:
本实施例提出了一种混凝土预制底板图像的滤波方法,如图2所示,本实施例的一种混凝土预制底板图像的滤波方法包括以下步骤:
步骤S1,获取待检测混凝土预制底板的灰度图像,对所述灰度图像进行边缘检测获得各边缘线段。
步骤S2,基于各边缘线段上像素点的位置获得各边缘线段对应的延伸方向和各连通域;根据各连通域的边缘像素点的梯度幅值、各连通域内像素点与对应连通域的边缘像素点的邻域内连通域外部像素点的灰度差异,确定各连通域的边缘特异程度;根据各连通域的面积、各连通域内边缘线段对应的延伸方向和边缘线段的数量,得到各连通域的边缘扩散程度。
步骤S3,基于各连通域内边缘线段对应的延伸方向筛选疑似边缘区域;根据各疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、各疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到各疑似边缘区域的置信度;基于各疑似边缘区域的置信度构建权重系数矩阵,基于所述权重系数矩阵获得滤波后的图像。
其中,步骤S1~步骤S3在一种混凝土预制底板质量智能检测方法实施例中已经给出了详细说明,不再赘述。
本实施例提供的一种混凝土预制底板图像的滤波方法具有如下有益效果:
本发明考虑到现有方法在对待检测混凝土预制底板的灰度图像进行滤波操作时,滤波器会使得待检测混凝土预制底板表面的异常边缘产生振铃现象,振铃现象会在边缘高频信息区域产生扩散性的周期性伪影,导致图像的滤波效果较差,本发明结合待检测混凝土预制底板的灰度图像中每个连通域的边缘梯度变化程度和连通域内外邻域灰度差异,确定了每个连通域的边缘特异程度,又结合每个连通域整体的边缘分布情况及边缘线段对应的延伸方向,确定了每个连通域的边缘扩散程度;进一步的,结合每个疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、每个疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到了每个疑似边缘区域的置信度,置信度越大,说明对应疑似边缘区域内越可能存在真实边缘,因此本实施例基于置信度构建了待检测混凝土预制底板的灰度图像对应的权重系数矩阵,进而对待检测混凝土预制底板的灰度图像进行滤波处理,滤波后的图像消除了振铃现象的影响,图像的保真度更高。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种混凝土预制底板质量智能检测方法,其特征在于,该方法包括以下步骤:
获取待检测混凝土预制底板的灰度图像,对所述灰度图像进行边缘检测获得各边缘线段;
基于各边缘线段上像素点的位置获得各边缘线段对应的延伸方向和各连通域;根据各连通域的边缘像素点的梯度幅值、各连通域内像素点与对应连通域的边缘像素点的邻域内连通域外部像素点的灰度差异,确定各连通域的边缘特异程度;根据各连通域的面积、各连通域内边缘线段对应的延伸方向和边缘线段的数量,得到各连通域的边缘扩散程度;
基于各连通域内边缘线段对应的延伸方向筛选疑似边缘区域;根据各疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、各疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到各疑似边缘区域的置信度;基于各疑似边缘区域的置信度构建权重系数矩阵,基于所述权重系数矩阵获得滤波后的图像;
基于所述滤波后的图像对待检测混凝土预制底板的质量进行判断;
基于各边缘线段上像素点的位置获得各边缘线段对应的延伸方向,包括:
对于任一边缘线段:
对边缘线段进行曲线拟合获得对应的边缘曲线,将过所述边缘曲线上的各像素点且垂直于所述边缘曲线的方向确定为对应像素点的特征方向;将所述边缘曲线上所有像素点的所述特征方向的均值确定为边缘线段对应的延伸方向;
基于各边缘线段上像素点的位置获得各连通域,包括:
基于所有边缘线段对应的延伸方向获得延伸方向上直线的交点;对所有的所述交点进行聚类获得各聚类簇;
对于任一聚类簇:对该聚类簇中所有交点对应的边缘线段进行凸包检测获得最小凸多边形,将所述最小凸多边形所围成的闭合区域作为一个连通域;
所述根据各连通域的边缘像素点的梯度幅值、各连通域内像素点与对应连通域的边缘像素点的邻域内连通域外部像素点的灰度差异,确定各连通域的边缘特异程度,包括:
对于第i个连通域:
计算第i个连通域的所有边缘像素点的梯度幅值的方差;将第i个连通域内所有像素点的灰度均值记为第一均值,将第i个连通域的边缘像素点的邻域内连通域外部所有像素点的灰度均值记为第二均值;
将所述第一均值与所述第二均值之间的差值绝对值记为第一灰度差异,将所述方差与所述第一灰度差异的乘积的归一化结果确定为第i个连通域的边缘特异程度;
所述根据各连通域的面积、各连通域内边缘线段对应的延伸方向和边缘线段的数量,得到各连通域的边缘扩散程度,包括:
对于第i个连通域:
将第i个连通域内各边缘线段对应的延伸方向与竖直向上的方向之间的夹角,确定为各边缘线段对应的特征角度;获取第i个连通域内所有边缘线段对应的特征角度的最大值;
将第i个连通域内边缘线段的数量、第i个连通域的面积、所述特征角度的最大值三者的乘积的归一化结果,确定为第i个连通域的边缘扩散程度;
基于各连通域内边缘线段对应的延伸方向筛选疑似边缘区域,包括:
对于任一连通域:将该连通域内所有边缘线段对应的特征角度的均值作为该连通域对应的目标角度;
分别判断各连通域对应的目标角度是否小于预设角度阈值,若小于,则将对应连通域确定为疑似边缘区域;
所述根据各疑似边缘区域与其邻域内疑似边缘区域的边缘像素点之间的相对距离、各疑似边缘区域与其邻域内疑似边缘区域的边缘特异程度的差异以及边缘扩散程度的差异,得到各疑似边缘区域的置信度,包括:
对于第j个疑似边缘区域:
将第j个疑似边缘区域与其K近邻内各疑似边缘区域的边缘扩散程度的差异,确定为第j个疑似边缘区域与其K近邻内对应疑似边缘区域的第一差异;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第一差异的均值记为第一特征值;将第j个疑似边缘区域与其K近邻内各疑似边缘区域的边缘特异程度的差异,确定为第j个疑似边缘区域与其K近邻内对应疑似边缘区域的第二差异;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的第二差异的均值记为第二特征值;将所述第一特征值与所述第二特征值的比值记为第一比值;其中,K为预设数值;
对于第j个疑似边缘区域的K近邻内的第k个疑似边缘区域:分别获取第j个疑似边缘区域的各边缘像素点与第k个疑似边缘区域的各边缘像素点之间的欧式距离,将第j个疑似边缘区域的边缘像素点与第k个疑似边缘区域的边缘像素点之间的所述欧式距离中的最小值,确定为第j个疑似边缘区域与第k个疑似边缘区域的目标距离;
计算第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的均值;将第j个疑似边缘区域与其K近邻内所有疑似边缘区域的目标距离的最小值与所述目标距离的均值的比值记为第二比值;
根据所述第一比值与所述第二比值,得到第j个疑似边缘区域的置信度;
根据所述第一比值与所述第二比值,得到第j个疑似边缘区域的置信度,包括:
将所述第一比值与所述第二比值的乘积的归一化结果,确定为第j个疑似边缘区域的置信度。
2.根据权利要求1所述的一种混凝土预制底板质量智能检测方法,其特征在于,所述基于各疑似边缘区域的置信度构建权重系数矩阵,基于所述权重系数矩阵获得滤波后的图像,包括:
将各疑似边缘区域内边缘线段上的像素点对应的权重系数设置为对应疑似边缘区域的置信度;将所述灰度图像中除疑似边缘区域内边缘线段上的像素点外的其他像素点对应的权重系数设置为1;
基于所述灰度图像中所有像素点对应的权重系数构建权重系数矩阵;基于所述权重系数矩阵对所述灰度图像进行滤波处理获得滤波后的图像。
3.根据权利要求1所述的一种混凝土预制底板质量智能检测方法,其特征在于,所述对所述灰度图像进行边缘检测获得各边缘线段,包括:
采用Canny边缘算子对所述灰度图像进行边缘检测获得各边缘线段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979685.8A CN116703910B (zh) | 2023-08-07 | 2023-08-07 | 一种混凝土预制底板质量智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979685.8A CN116703910B (zh) | 2023-08-07 | 2023-08-07 | 一种混凝土预制底板质量智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703910A CN116703910A (zh) | 2023-09-05 |
CN116703910B true CN116703910B (zh) | 2023-10-17 |
Family
ID=87824318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979685.8A Active CN116703910B (zh) | 2023-08-07 | 2023-08-07 | 一种混凝土预制底板质量智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703910B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883407B (zh) * | 2023-09-08 | 2023-11-24 | 山东省永星食品饮料有限公司 | 基于人工智能的瓶装水杂质检测方法 |
CN116958182B (zh) * | 2023-09-20 | 2023-12-08 | 广东华宸建设工程质量检测有限公司 | 基于图像数据的混凝土裂缝快速检测方法 |
CN116993740B (zh) * | 2023-09-28 | 2023-12-19 | 山东万世机械科技有限公司 | 基于图像数据的混凝土结构表面缺陷检测方法 |
CN117474977B (zh) * | 2023-12-27 | 2024-03-22 | 山东旭美尚诺装饰材料有限公司 | 基于机器视觉的欧松板凹坑快速检测方法及系统 |
CN117611589B (zh) * | 2024-01-24 | 2024-04-12 | 深圳市格瑞邦科技有限公司 | 一种平板电脑质量检测方法及系统 |
CN117744232B (zh) * | 2024-02-19 | 2024-05-14 | 中铁十六局集团第一工程有限公司 | 一种型钢混凝土柱梁节点的混凝土浇筑方法 |
CN117934452B (zh) * | 2024-03-14 | 2024-06-07 | 中国建筑第五工程局有限公司 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
CN118154458B (zh) * | 2024-05-10 | 2024-08-20 | 宝鸡拓普达钛业有限公司 | 基于复杂工业环境的机床刀具图像的滤波处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7333678B1 (en) * | 2003-05-20 | 2008-02-19 | Micronas Usa, Inc. | Edge adaptive demosaic system and method |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN110276764A (zh) * | 2019-05-29 | 2019-09-24 | 南京工程学院 | 基于K值估计的K-Means水下图像背景分割改进算法 |
CN114820627A (zh) * | 2022-06-30 | 2022-07-29 | 南通盈赛纺织品有限公司 | 一种基于光学手段的纺织品质量检测方法 |
CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
CN115546157A (zh) * | 2022-10-12 | 2022-12-30 | 中国人民解放军32021部队 | 卫星影像辐射质量评价的方法、装置、存储介质 |
CN116091499A (zh) * | 2023-04-07 | 2023-05-09 | 山东中胜涂料有限公司 | 一种涂料生产异常识别系统 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
-
2023
- 2023-08-07 CN CN202310979685.8A patent/CN116703910B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7333678B1 (en) * | 2003-05-20 | 2008-02-19 | Micronas Usa, Inc. | Edge adaptive demosaic system and method |
CN105158258A (zh) * | 2015-07-15 | 2015-12-16 | 广西师范大学 | 一种基于计算机视觉的竹条表面缺陷检测方法 |
CN109215020A (zh) * | 2018-08-30 | 2019-01-15 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于计算机视觉的高压输电线路故障识别方法 |
CN110276764A (zh) * | 2019-05-29 | 2019-09-24 | 南京工程学院 | 基于K值估计的K-Means水下图像背景分割改进算法 |
CN114820627A (zh) * | 2022-06-30 | 2022-07-29 | 南通盈赛纺织品有限公司 | 一种基于光学手段的纺织品质量检测方法 |
CN114972326A (zh) * | 2022-07-20 | 2022-08-30 | 南通鼎彩新材料科技有限公司 | 热收缩管扩管工艺的次品识别方法 |
CN115546157A (zh) * | 2022-10-12 | 2022-12-30 | 中国人民解放军32021部队 | 卫星影像辐射质量评价的方法、装置、存储介质 |
CN116091499A (zh) * | 2023-04-07 | 2023-05-09 | 山东中胜涂料有限公司 | 一种涂料生产异常识别系统 |
CN116228747A (zh) * | 2023-05-04 | 2023-06-06 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
Non-Patent Citations (4)
Title |
---|
A Mean-Edge Structural Similarity for Image Quality Assessment;L. -x. Liu et al;《2009 Sixth International Conference on Fuzzy Systems and Knowledge Discovery》;311-315 * |
基于序贯蒙特卡罗方法的自适应红外目标提取算法;毛晓楠等;《微型电脑应用》(第4期);55-59+1 * |
自适应图像增强的管道机器人缺陷检测方法;李平等;《光电工程》;第47卷(第1期);1-11 * |
采用自适应区域生长的微型钻铣刀具磨损检测方法;邓晓鹏等;《西安交通大学学报》;第55卷(第12期);98-107 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703910A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703910B (zh) | 一种混凝土预制底板质量智能检测方法 | |
CN115797342B (zh) | 一种工业控制电容触摸lcd显示总成缺陷检测方法 | |
CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
CN105678700B (zh) | 基于预测梯度的图像插值方法及系统 | |
CN114862862A (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
CN115311277B (zh) | 一种不锈钢制品的凹坑缺陷识别方法 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN113963042A (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN111462066A (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
CN117764989B (zh) | 一种视觉辅助的显示屏缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115018765A (zh) | 基于灰度梯度共生矩阵的粉末冶金零件成品检测方法 | |
CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
CN112862832A (zh) | 一种基于同心圆分割定位的脏污检测方法 | |
CN116309649A (zh) | 一种基于ct影像的喉部病变异常区域分割系统 | |
CN115272336A (zh) | 基于梯度向量的金属零件缺陷精准检测方法 | |
CN112907460A (zh) | 一种遥感图像增强方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN114937003A (zh) | 一种针对玻璃面板的多类型缺陷检测系统和方法 | |
CN110930330B (zh) | 一种基于图像分割和区域增长的椒盐噪声降噪算法 | |
CN116506591A (zh) | 摄像头解析力测试时的刀口位置获取方法及系统 |
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 |