CN116912234A - 一种基于图像特征的电缆绞线质量检测方法 - Google Patents
一种基于图像特征的电缆绞线质量检测方法 Download PDFInfo
- Publication number
- CN116912234A CN116912234A CN202311144925.9A CN202311144925A CN116912234A CN 116912234 A CN116912234 A CN 116912234A CN 202311144925 A CN202311144925 A CN 202311144925A CN 116912234 A CN116912234 A CN 116912234A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- color
- clustering
- quality
- 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 13
- 230000007547 defect Effects 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像特征的电缆绞线质量检测方法,属于图像处理技术领域,本发明中采集电缆绞线外观图像,对电缆绞线外观图像进行分区,提取每个图像子区的图像特征集,采用缺陷识别模型对每个图像子区的图像特征集进行处理,在缺陷识别模型输出的缺陷程度值大于缺陷程度阈值时,该图像子区存在缺陷,再综合各图像子区对应的缺陷程度值,从而评估出电缆绞线质量,本发明中无需采集存在各种类型的缺陷问题的电缆绞线外观图像,本发明中直接将电缆绞线外观图像的图像特征集与标签的图像特征集进行比较,在存在较大缺陷程度值时,则说明存在缺陷,缺陷程度值越大,电缆绞线质量越差。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于图像特征的电缆绞线质量检测方法。
背景技术
电缆绞线产品给用户的第一印象就是产品的外观质量,在电缆绞线外观质量差时,电缆绞线难以得到用户的认同,因此,对于电缆绞线的外观质量检测至关重要。通常电缆绞线外观上会存在的缺陷问题包括:三角口、毛刺、裂纹、扭结、折叠、斑痕、凸起等情况。若采用人工方式进行电缆绞线的外观质量检测,电缆绞线的外观问题类型众多,且面积较小,很难做到全面检测。
现有通过神经网络对电缆绞线的外观图像进行处理,从而实现对各个缺陷问题的分类。由于电缆绞线外观缺陷问题的类型众多,而神经网络需要存在各种类型缺陷问题的电缆绞线外观图像进行训练,其分类精度取决于现有缺陷问题的电缆绞线外观图像的收集程度,通常情况下存在各种类型缺陷问题的电缆绞线外观图像较难收集全面,因此,通过神经网络对电缆绞线的外观图像进行处理,存在检测精度较低的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于图像特征的电缆绞线质量检测方法解决了现有通过神经网络对电缆绞线的外观图像进行处理,存在检测精度较低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于图像特征的电缆绞线质量检测方法,包括以下步骤:
S1、采集电缆绞线外观图像;
S2、对电缆绞线外观图像进行分区,得到图像子区;
S3、提取图像子区的图像特征集;
S4、建立缺陷识别模型,对图像子区的图像特征集进行处理,在缺陷识别模型输出的缺陷程度值大于缺陷程度阈值时,该图像子区存在缺陷;
S5、根据各图像子区对应的缺陷程度值,建立评估模型,评估电缆绞线质量。
进一步地,所述S3中图像特征集中的元素包括:颜色元素、轮廓元素和方向元素。
进一步地,所述颜色元素的计算公式为:
,/>,其中,/>为颜色元素,Ci为图像子区中第i个像素点的颜色值,Ri为图像子区中第i个像素点的R通道值,Gi为图像子区中第i个像素点的G通道值,Ri为图像子区中第i个像素点的B通道值,N为图像子区中像素点的数量,||为绝对值。
上述进一步地方案的有益效果为:本发明中像素点的颜色值取像素点的R通道值、G通道值和B通道值表征其颜色程度,通过每个像素点的颜色值与平均颜色值的差距,从而计算出总的平均颜色起伏变化情况。
进一步地,所述轮廓元素的计算方法为:提取图像子区的轮廓,得到轮廓图,将轮廓图上像素点之间距离小于距离阈值的像素点归为一类,得到聚类区域,计算每个聚类区域的颜色特征值,根据每个聚类区域的颜色特征值,计算轮廓元素。
进一步地,所述计算每个聚类区域的颜色特征值的公式为:
,其中,/>为第j个聚类区域的颜色特征值,Cj,k为第j个聚类区域中第k个像素点的颜色值,Mj为第j个聚类区域中像素点的数量;
所述计算轮廓元素的公式为:
,其中,O为轮廓元素,/>为第j个聚类区域的颜色特征值,K为聚类区域的数量,Mj为第j个聚类区域中像素点的数量。
上述进一步地方案的有益效果为:本发明中为了凸显图像特征,提取图像子区的轮廓,将属于同一区域范围的像素点归为一类,从而实现对各个区域的像素点进行分区,计算每个聚类区域的颜色特征值,本发明中每个聚类区域中所有像素点的颜色值相加,体现一个聚类区域的颜色特征,根据各个聚类区域中的颜色特征与平均颜色特征的差值,从而体现各个聚类区域间颜色特征的起伏变化情况,再乘以聚类区域中像素点的变化情况,从而通过像素点的变化情况突出该聚类区域中颜色特征和像素点情况,各个聚类区域的像素点的分布情况决定轮廓的分布区域,是评价存在缺陷重要的指标。
进一步地,所述方向元素的计算方法为:提取图像子区的轮廓,得到轮廓图,将轮廓图上像素点之间距离小于距离阈值的像素点归为一类,得到聚类区域,计算每个聚类区域的方向特征值,根据每个聚类区域的方向特征值,计算方向元素。
进一步地,所述计算每个聚类区域的方向特征值的公式为:
,/>,其中,aj为第j个聚类区域的方向特征值,aj,k为第j个聚类区域中第k个像素点的方向角度,Mj为第j个聚类区域中像素点的数量,xo,j为第j个聚类区域的中心点的横坐标,yo,j为第j个聚类区域的中心点的纵坐标,xj,k为第j个聚类区域中第k个像素点的横坐标,yj,k为第j个聚类区域中第k个像素点的纵坐标,arctan为反正切函数。
上述进一步地方案的有益效果为:本发明中以聚类区域中中心点的位置为参考点,计算聚类区域中各个像素点到参考点的角度,从而体现出各个像素点的分布情况,本发明中将所有像素点的方向角度相加,从而体现出整个聚类区域中像素点的方向分布情况。
进一步地,所述计算方向元素的公式为:
,其中,A为方向元素,K为聚类区域的数量,Mj为第j个聚类区域中像素点的数量,aj为第j个聚类区域的方向特征值。
上述进一步地方案的有益效果为:本发明中根据各个聚类区域中的方向特征值与平均方向特征值的差值,从而体现各个聚类区域间像素点分布情况的变化,再乘以聚类区域中像素点的变化情况,从而通过像素点的变化情况突出该聚类区域中像素点方向分布情况,各个聚类区域的像素点的方向分布情况决定轮廓的分布形状,是评价存在缺陷重要的指标。
进一步地,所述S4中缺陷识别模型为:
,其中,y为缺陷识别模型输出的缺陷程度值,/>为颜色元素,/>为颜色标签,O为轮廓元素,/>为轮廓标签,A为方向元素,/>为方向标签。
上述进一步地方案的有益效果为:本发明中综合颜色元素、轮廓元素和方向元素,并分别与颜色标签、轮廓标签和方向标签进行比较,在缺陷识别模型输出的缺陷程度值越接近1时,电缆绞线质量越好,缺陷识别模型输出的缺陷程度值越大时,电缆绞线质量越差。
进一步地,所述S5中评估模型为:
,其中,/>为电缆绞线劣质程度评分,yn为第n个图像子区的缺陷识别模型输出的缺陷程度值,R为图像子区的数量,m为存在缺陷的图像子区的数量,exp为以自然常数为底的指数函数。
上述进一步地方案的有益效果为:本发明中综合各个图像子区的缺陷识别模型输出的缺陷程度值,在存在多个图像子区存在缺陷时,电缆绞线劣质程度评分越高,电缆绞线质量越差。
本发明的有益效果为:本发明中采集电缆绞线外观图像,对电缆绞线外观图像进行分区,提取每个图像子区的图像特征集,采用缺陷识别模型对每个图像子区的图像特征集进行处理,在缺陷识别模型输出的缺陷程度值大于缺陷程度阈值时,该图像子区存在缺陷,一方面能对缺陷区域进行定位,另一方面能识别出存在缺陷,再综合各图像子区对应的缺陷程度值,从而评估出电缆绞线质量,本发明中无需采集存在各种类型的缺陷问题的电缆绞线外观图像,本发明中直接将电缆绞线外观图像的图像特征集与标签的图像特征集进行比较,在存在较大缺陷程度值时,则说明存在缺陷,缺陷程度值越大,电缆绞线质量越差。
附图说明
图1为一种基于图像特征的电缆绞线质量检测方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于图像特征的电缆绞线质量检测方法,包括以下步骤:
S1、采集电缆绞线外观图像;
S2、对电缆绞线外观图像进行分区,得到图像子区,其中,分区为将电缆绞线外观图像进行切分成多个图像子区,即多个图像子区可拼接为一个电缆绞线外观图像,图像子区为电缆绞线外观图像上的一个区域,例如将一个电缆绞线外观图像进行4等分,则得到4个图像子区;
S3、提取图像子区的图像特征集;
所述S3中图像特征集中的元素包括:颜色元素、轮廓元素和方向元素。
所述颜色元素的计算公式为:
,/>,其中,/>为颜色元素,Ci为图像子区中第i个像素点的颜色值,Ri为图像子区中第i个像素点的R通道值,Gi为图像子区中第i个像素点的G通道值,Ri为图像子区中第i个像素点的B通道值,N为图像子区中像素点的数量,||为绝对值。
本发明中像素点的颜色值取像素点的R通道值、G通道值和B通道值表征其颜色程度,通过每个像素点的颜色值与平均颜色值的差距,从而计算出总的平均颜色起伏变化情况。
所述轮廓元素的计算方法为:提取图像子区的轮廓,得到轮廓图,将轮廓图上像素点之间距离小于距离阈值的像素点归为一类,得到聚类区域,计算每个聚类区域的颜色特征值,根据每个聚类区域的颜色特征值,计算轮廓元素。
所述计算每个聚类区域的颜色特征值的公式为:
,其中,/>为第j个聚类区域的颜色特征值,Cj,k为第j个聚类区域中第k个像素点的颜色值,Mj为第j个聚类区域中像素点的数量;
所述计算轮廓元素的公式为:
,其中,O为轮廓元素,/>为第j个聚类区域的颜色特征值,K为聚类区域的数量,Mj为第j个聚类区域中像素点的数量。
本发明中为了凸显图像特征,提取图像子区的轮廓,将属于同一区域范围的像素点归为一类,从而实现对各个区域的像素点进行分区,计算每个聚类区域的颜色特征值,本发明中每个聚类区域中所有像素点的颜色值相加,体现一个聚类区域的颜色特征,根据各个聚类区域中的颜色特征与平均颜色特征的差值,从而体现各个聚类区域间颜色特征的起伏变化情况,再乘以聚类区域中像素点的变化情况,从而通过像素点的变化情况突出该聚类区域中颜色特征和像素点情况,各个聚类区域的像素点的分布情况决定轮廓的分布区域,是评价存在缺陷重要的指标。
所述方向元素的计算方法为:提取图像子区的轮廓,得到轮廓图,将轮廓图上像素点之间距离小于距离阈值的像素点归为一类,得到聚类区域,计算每个聚类区域的方向特征值,根据每个聚类区域的方向特征值,计算方向元素。
本发明中,提取图像子区的轮廓的方法过程为:
设置轮廓提取窗口,轮廓提取窗口在图像子区上滑动,在每滑动一次,将轮廓提取窗口下对应像素点分成两部分,分别计算两部分的颜色差异值:
,其中,d为颜色差异值,Cm为一部分中第m个像素点的颜色值,Cl为一部分中第l个像素点的颜色值,M为一部分中像素点的数量,L为另一部分中像素点的数量,μ为浮动系数。
浮动系数的计算公式为:
,其中,max为取最大值,min为取最小值。
在颜色差异值大于差异阈值时,轮廓提取窗口下的像素点保留,在颜色差异值小于等于差异阈值时,轮廓提取窗口下的像素点剔除。
本发明中将轮廓提取窗口下的像素点分成两部分,分别计算两部分的颜色差异情况,并设置浮动系数对其进行增强,浮动系数为最大的颜色差异与最小的颜色差异的比值,从而增强颜色差异值,能尽可能的区分轮廓提取窗口下是否存在轮廓,保留住轮廓特征。
在获取聚类区域时,从轮廓图上任取一未分类像素点作为待聚类点,计算其他未分类像素点到待聚类点的距离,将小于距离阈值的像素点归为一类,得到一个聚类区域,再从轮廓图上任取下一未分类像素点作为待聚类点,计算其他未分类像素点到待聚类点的距离,将小于距离阈值的像素点归为一类,得到另一个聚类区域,按此方法,直到所有轮廓图上所有像素点均有对应的聚类区域。
所述计算每个聚类区域的方向特征值的公式为:
,/>,其中,aj为第j个聚类区域的方向特征值,aj,k为第j个聚类区域中第k个像素点的方向角度,Mj为第j个聚类区域中像素点的数量,xo,j为第j个聚类区域的中心点的横坐标,yo,j为第j个聚类区域的中心点的纵坐标,xj,k为第j个聚类区域中第k个像素点的横坐标,yj,k为第j个聚类区域中第k个像素点的纵坐标,arctan为反正切函数。
本发明中以聚类区域中中心点的位置为参考点,计算聚类区域中各个像素点到参考点的角度,从而体现出各个像素点的分布情况,本发明中将所有像素点的方向角度相加,从而体现出整个聚类区域中像素点的方向分布情况。
所述计算方向元素的公式为:
,其中,A为方向元素,K为聚类区域的数量,Mj为第j个聚类区域中像素点的数量,aj为第j个聚类区域的方向特征值。
本发明中根据各个聚类区域中的方向特征值与平均方向特征值的差值,从而体现各个聚类区域间像素点分布情况的变化,再乘以聚类区域中像素点的变化情况,从而通过像素点的变化情况突出该聚类区域中像素点方向分布情况,各个聚类区域的像素点的方向分布情况决定轮廓的分布形状,是评价存在缺陷重要的指标。
S4、建立缺陷识别模型,对图像子区的图像特征集进行处理,在缺陷识别模型输出的缺陷程度值大于缺陷程度阈值时,该图像子区存在缺陷;
所述S4中缺陷识别模型为:
,其中,y为缺陷识别模型输出的缺陷程度值,/>为颜色元素,/>为颜色标签,O为轮廓元素,/>为轮廓标签,A为方向元素,/>为方向标签。
在本实施例中,颜色标签为对无缺陷的电缆绞线的外观图像采用本发明中计算颜色元素的方法得到的量,轮廓标签为对无缺陷的电缆绞线的外观图像采用本发明中计算轮廓元素的方法得到的量,方向标签为对无缺陷的电缆绞线的外观图像采用本发明中计算方向元素的方法得到的量。
本发明中综合颜色元素、轮廓元素和方向元素,并分别与颜色标签、轮廓标签和方向标签进行比较,在缺陷识别模型输出的缺陷程度值越接近1时,电缆绞线质量越好,缺陷识别模型输出的缺陷程度值越大时,电缆绞线质量越差。
S5、根据各图像子区对应的缺陷程度值,建立评估模型,评估电缆绞线质量。
所述S5中评估模型为:
,其中,/>为电缆绞线劣质程度评分,yn为第n个图像子区的缺陷识别模型输出的缺陷程度值,R为图像子区的数量,m为存在缺陷的图像子区的数量,exp为以自然常数为底的指数函数。
本发明中综合各个图像子区的缺陷识别模型输出的缺陷程度值,在存在多个图像子区存在缺陷时,电缆绞线劣质程度评分越高,电缆绞线质量越差。
本发明中采集电缆绞线外观图像,对电缆绞线外观图像进行分区,提取每个图像子区的图像特征集,采用缺陷识别模型对每个图像子区的图像特征集进行处理,在缺陷识别模型输出的缺陷程度值大于缺陷程度阈值时,该图像子区存在缺陷,一方面能对缺陷区域进行定位,另一方面能识别出存在缺陷,再综合各图像子区对应的缺陷程度值,从而评估出电缆绞线质量,本发明中无需采集存在各种类型的缺陷问题的电缆绞线外观图像,本发明中直接将电缆绞线外观图像的图像特征集与标签的图像特征集进行比较,在存在较大缺陷程度值时,则说明存在缺陷,缺陷程度值越大,电缆绞线质量越差。
Claims (10)
1.一种基于图像特征的电缆绞线质量检测方法,其特征在于,包括以下步骤:
S1、采集电缆绞线外观图像;
S2、对电缆绞线外观图像进行分区,得到图像子区;
S3、提取图像子区的图像特征集;
S4、建立缺陷识别模型,对图像子区的图像特征集进行处理,在缺陷识别模型输出的缺陷程度值大于缺陷程度阈值时,该图像子区存在缺陷;
S5、根据各图像子区对应的缺陷程度值,建立评估模型,评估电缆绞线质量。
2.根据权利要求1所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述S3中图像特征集中的元素包括:颜色元素、轮廓元素和方向元素。
3.根据权利要求2所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述颜色元素的计算公式为:
,/>,其中,/>为颜色元素,Ci为图像子区中第i个像素点的颜色值,Ri为图像子区中第i个像素点的R通道值,Gi为图像子区中第i个像素点的G通道值,Ri为图像子区中第i个像素点的B通道值,N为图像子区中像素点的数量,| |为绝对值。
4.根据权利要求3所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述轮廓元素的计算方法为:提取图像子区的轮廓,得到轮廓图,将轮廓图上像素点之间距离小于距离阈值的像素点归为一类,得到聚类区域,计算每个聚类区域的颜色特征值,根据每个聚类区域的颜色特征值,计算轮廓元素。
5.根据权利要求4所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述计算每个聚类区域的颜色特征值的公式为:
,其中,/>为第j个聚类区域的颜色特征值,Cj,k为第j个聚类区域中第k个像素点的颜色值,Mj为第j个聚类区域中像素点的数量;
所述计算轮廓元素的公式为:
,其中,O为轮廓元素,/>为第j个聚类区域的颜色特征值,K为聚类区域的数量,Mj为第j个聚类区域中像素点的数量。
6.根据权利要求5所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述方向元素的计算方法为:提取图像子区的轮廓,得到轮廓图,将轮廓图上像素点之间距离小于距离阈值的像素点归为一类,得到聚类区域,计算每个聚类区域的方向特征值,根据每个聚类区域的方向特征值,计算方向元素。
7.根据权利要求6所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述计算每个聚类区域的方向特征值的公式为:
,/>,其中,aj为第j个聚类区域的方向特征值,aj,k为第j个聚类区域中第k个像素点的方向角度,Mj为第j个聚类区域中像素点的数量,xo,j为第j个聚类区域的中心点的横坐标,yo,j为第j个聚类区域的中心点的纵坐标,xj,k为第j个聚类区域中第k个像素点的横坐标,yj,k为第j个聚类区域中第k个像素点的纵坐标,arctan为反正切函数。
8.根据权利要求7所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述计算方向元素的公式为:
,其中,A为方向元素,K为聚类区域的数量,Mj为第j个聚类区域中像素点的数量,aj为第j个聚类区域的方向特征值。
9.根据权利要求8所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述S4中缺陷识别模型为:
,其中,y为缺陷识别模型输出的缺陷程度值,/>为颜色元素,/>为颜色标签,O为轮廓元素,/>为轮廓标签,A为方向元素,/>为方向标签。
10.根据权利要求9所述的基于图像特征的电缆绞线质量检测方法,其特征在于,所述S5中评估模型为:
,其中,/>为电缆绞线劣质程度评分,yn为第n个图像子区的缺陷识别模型输出的缺陷程度值,R为图像子区的数量,m为存在缺陷的图像子区的数量,exp为以自然常数为底的指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311144925.9A CN116912234B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像特征的电缆绞线质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311144925.9A CN116912234B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像特征的电缆绞线质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912234A true CN116912234A (zh) | 2023-10-20 |
CN116912234B CN116912234B (zh) | 2023-11-28 |
Family
ID=88358648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311144925.9A Active CN116912234B (zh) | 2023-09-06 | 2023-09-06 | 一种基于图像特征的电缆绞线质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912234B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232584A (zh) * | 2023-11-10 | 2023-12-15 | 山东特发光源光通信有限公司 | 一种基于图像分析的缆绞机质量检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197176A (zh) * | 2018-10-31 | 2019-09-03 | 国网宁夏电力有限公司检修公司 | 基于图像识别技术的巡检数据智能分析系统及分析方法 |
CN112179922A (zh) * | 2020-09-24 | 2021-01-05 | 安徽德尔电气集团有限公司 | 一种电线电缆缺陷检测系统 |
CN113808138A (zh) * | 2021-11-22 | 2021-12-17 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电线电缆表面缺陷检测方法 |
CN114202541A (zh) * | 2022-02-17 | 2022-03-18 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
CN114998214A (zh) * | 2022-04-29 | 2022-09-02 | 国网浙江省电力有限公司双创中心 | 一种电缆缺陷检测的采样速度控制方法和系统 |
CN115330790A (zh) * | 2022-10-13 | 2022-11-11 | 启东惜时智能科技有限公司 | 基于图像的电缆绞线质量检测方法及系统 |
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
-
2023
- 2023-09-06 CN CN202311144925.9A patent/CN116912234B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197176A (zh) * | 2018-10-31 | 2019-09-03 | 国网宁夏电力有限公司检修公司 | 基于图像识别技术的巡检数据智能分析系统及分析方法 |
CN112179922A (zh) * | 2020-09-24 | 2021-01-05 | 安徽德尔电气集团有限公司 | 一种电线电缆缺陷检测系统 |
CN113808138A (zh) * | 2021-11-22 | 2021-12-17 | 山东鹰联光电科技股份有限公司 | 一种基于人工智能的电线电缆表面缺陷检测方法 |
CN114202541A (zh) * | 2022-02-17 | 2022-03-18 | 湖北中海电线电缆有限公司 | 基于人工智能的电缆缺陷检测方法 |
CN114998214A (zh) * | 2022-04-29 | 2022-09-02 | 国网浙江省电力有限公司双创中心 | 一种电缆缺陷检测的采样速度控制方法和系统 |
CN115330790A (zh) * | 2022-10-13 | 2022-11-11 | 启东惜时智能科技有限公司 | 基于图像的电缆绞线质量检测方法及系统 |
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232584A (zh) * | 2023-11-10 | 2023-12-15 | 山东特发光源光通信有限公司 | 一种基于图像分析的缆绞机质量检测系统 |
CN117232584B (zh) * | 2023-11-10 | 2024-03-22 | 山东特发光源光通信有限公司 | 一种基于图像分析的缆绞机质量检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116912234B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082419B (zh) | 一种吹塑箱包生产缺陷检测方法 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN110189344B (zh) | 一种电力刀闸图像中直线段提取方法 | |
CN116912234B (zh) | 一种基于图像特征的电缆绞线质量检测方法 | |
CN108711158B (zh) | 基于轮廓拟合和径向分割的指针式仪表图像识别方法 | |
CN108446678B (zh) | 一种基于骨骼特征的危险驾驶行为识别方法 | |
CN114419025A (zh) | 一种基于图像处理的纤维板质量评估方法 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115018838A (zh) | 用于被氧化钢管材料表面麻点瑕疵的识别方法 | |
CN116188468B (zh) | 一种hdmi线缆传输分拣智能控制系统 | |
CN115311283B (zh) | 一种玻璃拉管缺陷检测方法及系统 | |
CN115330790B (zh) | 基于图像的电缆绞线质量检测方法及系统 | |
CN115272335A (zh) | 基于显著性检测的冶金金属表面缺陷检测方法 | |
CN115601368A (zh) | 一种建材装备钣金件缺陷检测方法 | |
CN109858438A (zh) | 一种基于模型拟合的车道线检测方法 | |
CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN114841920A (zh) | 基于图像处理的火焰识别方法、装置及电子设备 | |
CN117911792B (zh) | 一种电压基准源芯片生产用引脚检测系统 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
KR101343623B1 (ko) | 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 |
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 |