CN117237335A - 基于机器视觉的光伏钢结构组件检测方法 - Google Patents
基于机器视觉的光伏钢结构组件检测方法 Download PDFInfo
- Publication number
- CN117237335A CN117237335A CN202311489664.4A CN202311489664A CN117237335A CN 117237335 A CN117237335 A CN 117237335A CN 202311489664 A CN202311489664 A CN 202311489664A CN 117237335 A CN117237335 A CN 117237335A
- Authority
- CN
- China
- Prior art keywords
- welding
- confusion
- image
- degree
- gray
- 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.)
- Withdrawn
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 35
- 239000010959 steel Substances 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000003466 welding Methods 0.000 claims abstract description 173
- 238000010606 normalization Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000000739 chaotic effect Effects 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 19
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及图像增强技术领域,具体涉及一种基于机器视觉的光伏钢结构组件检测方法;根据像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值;根据像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值;根据颜色混乱特征值与灰度混乱特征值获得混乱程度。根据混乱程度确定焊缝的焊缝混乱程度区间;根据像素点的混乱程度和焊缝混乱程度区间获得自适应正规化参数。本发明根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像并进行缺陷检测,提高了对焊缝区域的增强效果以及缺陷检测的准确性。
Description
技术领域
本发明涉及图像增强技术领域,具体涉及一种基于机器视觉的光伏钢结构组件检测方法。
背景技术
光伏钢结构能够为光伏板提供支撑作用,光伏钢结构的稳定性对光伏板的持续发电有着重要影响;因此在光伏钢结构的焊接过程中需要保证焊接完整性,焊接完成后需要进行焊缝检测,判断是否焊接完整,减少光伏钢结构故障的概率。
对光伏钢的焊缝检测通常通过高效的视觉算法进行检测,通过获取焊接图像判断是否存在焊缝;因部分焊缝不明显,焊缝较细,若直接通过算法识别可能导致识别率不高,故需要对焊接图像进行增强,提高焊缝的识别率。引导滤波算法是一种能够用于图像增强的现有算法,能够增强图像细节;但通过该算法对焊接图像增强的过程中,不仅会对焊缝处的细节进行增强,同时会对部分焊接纹理进行增强,使得焊缝区域的增强效果不明显,进而降低了焊缝识别率,导致焊接效果检测的准确性较低。
发明内容
为了解决上述通过引导滤波算法对焊接图像进行增强后,使得焊缝区域增强效果不明显,降低焊接效果检测准确性的技术问题,本发明的目的在于提供一种基于机器视觉的光伏钢结构组件检测方法,所采用的技术方案具体如下:
获取钢结构焊接区域的焊接图像和焊接灰度图像;
根据焊接图像中像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值;根据焊接灰度图像中像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值;根据所述颜色混乱特征值与所述灰度混乱特征值获得混乱程度;
根据所述混乱程度确定焊缝的焊缝混乱程度区间;根据像素点的混乱程度的差异特征和所述焊缝混乱程度区间获得自适应正规化参数;根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像;
根据所述增强焊接灰度图像和所述焊接图像对光伏钢结构进行缺陷检测;
所述根据所述混乱程度确定焊缝的焊缝混乱程度区间的步骤包括:
计算预设第一数值与所述混乱程度的乘积,获得焊缝的焊缝混乱程度区间的左端点;计算预设第二数值与所述混乱程度的乘积,获得焊缝的焊缝混乱程度区间的右端点;
所述根据像素点的混乱程度的差异特征和所述焊缝混乱程度区间获得自适应正规化参数的步骤包括:
;式中,/>表示自适应正规化参数,/>表示像素点的混乱程度,/>表示焊缝混乱程度区间的左端点,/>表示焊缝混乱程度区间的右端点,/>表示焊接灰度图像中像素点的数量,/>表示混乱程度的最大值,/>表示混乱程度的平均值,/>表示焊接灰度图像中第/>个像素点的混乱程度,/>表示大于混乱程度的平均值的像素点数量,/>表示以自然常数为底的指数函数。
进一步地,所述根据焊接图像中像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值的步骤包括:
计算焊接图像中像素点与预设邻域的其他像素点的任意颜色通道的差值绝对值,获得像素点与预设邻域的其他像素点的邻域颜色差异;计算像素点的所述邻域颜色差异的平均值并正相关映射,获得焊接图像的像素点的颜色混乱特征值。
进一步地,所述根据焊接灰度图像中像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值的步骤包括:
计算焊接灰度图像中像素点与预设邻域的其他像素点的灰度差值绝对值,获得邻域灰度差异值;计算像素点的邻域灰度差异值的平均值并正相关映射,获得焊接灰度图像的像素点的灰度混乱特征值。
进一步地,所述根据所述颜色混乱特征值与所述灰度混乱特征值获得混乱程度的步骤包括:
计算焊接图像与焊接灰度图像的相同像素点的所述颜色混乱特征值与所述灰度混乱特征值的乘积,获得像素点的所述混乱程度。
进一步地,所述预设第一数值为0.7、预设第二数值为0.95。
进一步地,所述根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像的步骤包括:
获取所述焊接灰度图像的预设梯度参数的边缘图像,将所述边缘图像作为引导滤波中的引导图像;根据所述引导图像和所述自适应正规化参数对所述焊接灰度图像通过引导滤波进行自适应图像增强,获得所述增强焊接灰度图像。
进一步地,所述预设梯度参数为0.1。
进一步地,所述根据所述增强焊接灰度图像和所述焊接图像对光伏钢结构进行缺陷检测的步骤包括:
根据所述增强焊接灰度图像和所述焊接图像通过图像乘法获得焊接检测图像,通过图像检测算法对所述焊接检测图像进行缺陷检测。
本发明具有如下有益效果:
在本发明实施例中,根据颜色混乱特征值和灰度混乱特征值获得混乱程度,根据混乱程度能够通过焊缝区域在焊接图像中的差异特征反映像素点在焊缝区域的概率,为对焊缝区域进行图像增强提供基础。获得焊缝混乱程度区间能够确定在焊缝区域的像素点,进而提高自适应图像增强的准确性;获得自适应正规化参数能够根据不同位置的像素点进行不同程度的增强,能够凸显焊接图像中焊缝区域和其他区域的对比度,提高焊缝区域的识别率。获得增强焊接灰度图像能够提高焊缝区域的特征,最终根据增强焊接灰度图像和焊接图像对光伏钢结构进行缺陷检测,提高了焊缝区域的识别率以及缺陷检测的准确性。
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一种基于机器视觉的光伏钢结构组件检测方法流程图;
图2为本发明一个实施例所提供的一种未优化的焊接灰度图像示意图;
图3为本发明一个实施例所提供的一种增强焊接灰度图像示意图;
图4为本发明一个实施例所提供的一种未增强的焊接处的局部细节灰度图像示意图;
图5为本发明一个实施例所提供的一种增强后的焊接处的局部细节灰度图像示意图。
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基于机器视觉的光伏钢结构组件检测方法,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。
下面结合附图具体的说明本发明所提供的一种基于机器视觉的光伏钢结构组件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一种基于机器视觉的光伏钢结构组件检测方法流程图,该方法包括以下步骤:
步骤S1,获取钢结构焊接区域的焊接图像和焊接灰度图像。
在本发明实施例中,实施场景为对光伏钢结构焊接处的焊缝检测。首先获取钢结构焊接区域的焊接图像和焊接灰度图像。因焊接处的颜色特征和焊纹特征使得细节特征丰富,导致在图像增强过程中焊缝区域和其他区域的增强效果相同,使得对焊缝处进行图像增强的效果不明显,请参阅图2,其出示了为本发明一个实施例所提供的一种未优化的焊接灰度图像示意图。故需要改进图像增强的效果,提高焊缝区域的增强程度,弱化焊接图像中其他区域的增强程度,因此需要首先确定焊接图像中的焊缝区域。
步骤S2,根据焊接图像中像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值;根据焊接灰度图像中像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值;根据颜色混乱特征值与灰度混乱特征值获得混乱程度。
若焊接区域存在焊缝,则焊缝区域的灰度值会与周围的灰度值存在一定的差异,并且焊缝所在的区域与其他区域的颜色空间特征差异较大,故可根据焊接图像中像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值;根据焊接灰度图像中像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值。
优选地,在本发明一个实施例中,获取颜色混乱特征值和灰度混乱特征值包括:计算焊接图像中像素点与预设邻域的其他像素点的任意颜色通道的差值绝对值,获得像素点与预设邻域的其他像素点的邻域颜色差异;在本发明实施例中预设邻域为像素点的八邻域,颜色通道为R、G、B三个颜色通道,当邻域颜色差异越大,意味着该像素点和预设邻域的其他像素点为焊接图像中不同特征区域的可能性越大。计算像素点的邻域颜色差异的平均值并正相关映射,获得焊接图像的像素点的颜色混乱特征值;当颜色混乱特征值越大,意味着该像素点和预设邻域的其他像素点的颜色空间特征差异越大,该像素点处于焊缝区域的可能性越大。计算焊接灰度图像中像素点与预设邻域的其他像素点的灰度差值绝对值,获得邻域灰度差异值;该邻域灰度差异值越大,意味着该像素点与预设邻域的其他像素点为焊接图像中不同特征区域的可能性越大。计算像素点的邻域灰度差异值的平均值并正相关映射,获得焊接灰度图像的像素点的灰度混乱特征值,灰度混乱特征值越大,意味着该像素点处于焊缝区域的可能性越大。
进一步地,可根据颜色混乱特征值与灰度混乱特征值获得混乱程度,具体包括:计算焊接图像与焊接灰度图像的相同像素点的颜色混乱特征值与灰度混乱特征值的乘积,获得像素点的混乱程度;当该像素点的混乱程度越大,意味着该像素点与周围的灰度特征和颜色空间特征差异越大,该像素点处于焊缝区域的可能性越大。获取混乱程度的公式包括:
式中,表示像素点的混乱程度,/>表示像素点的预设邻域内的其他像素点的数量,/>表示像素点的灰度值,/>表示第/>个其他像素点的灰度值,/>表示邻域灰度差异值,/>表示颜色通道的数量,/>表示像素点在第/>个颜色通道的数值,/>表示第/>个其他像素点在第/>个颜色通道的数值,/>表示以自然常数为底的指数函数,表示灰度混乱特征值,/>表示邻域颜色差异,表示颜色混乱特征值。
步骤S3,根据混乱程度确定焊缝的焊缝混乱程度区间;根据像素点的混乱程度的差异特征和焊缝混乱程度区间获得自适应正规化参数;根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像。
获得像素点的混乱程度后,进而可根据混乱程度确定焊缝的焊缝混乱程度区间,具体包括:计算预设第一数值与混乱程度的乘积,获得焊缝的焊缝混乱程度区间的左端点;计算预设第二数值与混乱程度的乘积,获得焊缝的焊缝混乱程度区间的右端点;因像素点的混乱程度越大,意味着该像素点在焊缝区域的可能性越大,故在本发明实施例中预设第一数值为0.7、预设第二数值为0.95,实施者可根据实施场景自行确定。当像素点的混乱程度在焊缝混乱程度区间时,意味着该像素点处于焊缝区域的可能性越大,进而可对处于焊缝混乱程度区域的像素点提高增强程度,而对不处于焊缝混乱程度区间的像素点降低增强程度,提高焊缝区域的明显度和识别率。
进一步地,引导滤波算法是一种现有的图像增强算法,该算法的运算逻辑:;其中/>表示输出图像的第/>个像素点的灰度值,/>表示引导图像中对应位置的像素点的灰度值,/>和/>为计算得到的常量系数,根据该运算逻辑可知,输出图像的像素点的灰度值与引导图像和常量系数的大小有关。因常量系数的计算过程属于现有技术,具体计算步骤不再赘述,其中/>的计算过程中存在自定义的正规化参数,当该正规化参数越大,/>的值越小,获得的/>值越小,平滑效果越明显,对图像增强的效果越弱化;反之当该正规化参数越小,/>的值越大,获得的/>值越大,平滑效果越弱,对图像增强的效果越明显。故可根据对不同混乱程度的像素点设定不同的正规化参数,从而实现不同像素点不同的图像增强效果。
故根据像素点的混乱程度的差异特征和焊缝混乱程度区间获得自适应正规化参数,具体包括:
式中,表示自适应正规化参数,/>表示像素点的混乱程度,/>表示焊缝混乱程度区间的左端点,/>表示焊缝混乱程度区间的右端点,/>表示焊接灰度图像中像素点的数量,表示混乱程度的最大值,/>表示混乱程度的平均值,/>表示焊接灰度图像中第/>个像素点的混乱程度,/>表示大于混乱程度的平均值的像素点数量,/>表示以自然常数为底的指数函数。
对于自适应正规化参数的获取,当焊接区域中存在焊缝时,且该像素点在焊缝区域时,该像素点的混乱程度处于焊缝混乱程度区间,进而的值越小;若焊接区域中存在焊缝,则像素点的混乱程度分布差异较大,混乱程度的方差/>较大,当焊缝越多,则超过混乱程度平均值的像素点数量/>越大,/>的结果越大,越需要对该图像中的焊缝区域进行增强。当该像素点处于焊缝区域,且焊缝区域越多,则/>的值越小,/>的值越大,进而该像素点的/>值越小,对该像素点的图像增强效果越明显。当该像素点不处于焊缝区域,则公式中分子的值越大,该像素点的图像增强效果越弱。至此获得了不同像素点的自适应正规化参数,当该像素点处于焊缝区域,其自适应正规化参数越小,对该位置的图像增强效果越大,反之越弱。
进一步地,可根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像,具体包括:为了尽可能多的凸显焊缝区域的对比度,需要选择尽可能多的边缘线的图像作为引导图像,故获取焊接灰度图像的预设梯度参数的边缘图像,预设梯度参数为0.1,实施者可根据实施场景自行确定;将边缘图像作为引导滤波中的引导图像;根据引导图像和自适应正规化参数对焊接灰度图像通过引导滤波进行自适应图像增强,获得增强焊接灰度图像。请参阅图3,其出示了为本发明一个实施例所提供的一种增强焊接灰度图像示意图,图3中可以见得较为不易被察觉的细小裂缝等边缘信息复杂处,灰度值与周边差异更大,提升了灰度对比程度。至此将焊接灰度图像中不同区域进行了不同程度的增强,对焊缝区域的像素点进行更大强度的增强,而对其他区域的像素点则降低了增强程度,进而提高了焊缝区域的识别率。
请参阅图4,其出示了为本发明一个实施例所提供的一种未增强的焊接处的局部细节灰度图像示意图。请参阅图5,其出示了为本发明一种增强后的焊接处的局部细节灰度图像示意图。图4和图5即为对图2和图3中焊缝存在的裂纹处的局部细节展示,增强过程为将原本表现较为模糊、特征较弱的焊缝信息复杂部分更加突出,易于被检测。
步骤S4,根据增强焊接灰度图像和焊接图像对光伏钢结构进行缺陷检测。
根据增强焊接灰度图像和焊接图像通过图像乘法获得焊接检测图像,通过图像检测算法对焊接检测图像进行缺陷检测,需要说明的是,图像乘法和图像检测算法属于现有技术,具体步骤不再赘述;通过对焊缝区域进行增强后,提高了焊缝区域的识别率,最终能够增加光伏钢结构的缺陷检测准确性。
综上所述,本发明实施例提供了一种基于机器视觉的光伏钢结构组件检测方法;根据像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值;根据像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值;根据颜色混乱特征值与灰度混乱特征值获得混乱程度。根据混乱程度确定焊缝的焊缝混乱程度区间;根据像素点的混乱程度和焊缝混乱程度区间获得自适应正规化参数。本发明根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像并进行缺陷检测,提高了对焊缝区域的增强效果以及缺陷检测的准确性。
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 (8)
1.一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述方法包括以下步骤:
获取钢结构焊接区域的焊接图像和焊接灰度图像;
根据焊接图像中像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值;根据焊接灰度图像中像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值;根据所述颜色混乱特征值与所述灰度混乱特征值获得混乱程度;
根据所述混乱程度确定焊缝的焊缝混乱程度区间;根据像素点的混乱程度的差异特征和所述焊缝混乱程度区间获得自适应正规化参数;根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像;
根据所述增强焊接灰度图像和所述焊接图像对光伏钢结构进行缺陷检测;
所述根据所述混乱程度确定焊缝的焊缝混乱程度区间的步骤包括:
计算预设第一数值与所述混乱程度的乘积,获得焊缝的焊缝混乱程度区间的左端点;计算预设第二数值与所述混乱程度的乘积,获得焊缝的焊缝混乱程度区间的右端点;
所述根据像素点的混乱程度的差异特征和所述焊缝混乱程度区间获得自适应正规化参数的步骤包括:
;式中,/>表示自适应正规化参数,/>表示像素点的混乱程度,/>表示焊缝混乱程度区间的左端点,/>表示焊缝混乱程度区间的右端点,/>表示焊接灰度图像中像素点的数量,/>表示混乱程度的最大值,/>表示混乱程度的平均值,/>表示焊接灰度图像中第/>个像素点的混乱程度,/>表示大于混乱程度的平均值的像素点数量,/>表示以自然常数为底的指数函数。
2.根据权利要求1所述的一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述根据焊接图像中像素点与预设邻域的其他像素点的颜色差异特征获得颜色混乱特征值的步骤包括:
计算焊接图像中像素点与预设邻域的其他像素点的任意颜色通道的差值绝对值,获得像素点与预设邻域的其他像素点的邻域颜色差异;计算像素点的所述邻域颜色差异的平均值并正相关映射,获得焊接图像的像素点的颜色混乱特征值。
3.根据权利要求1所述的一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述根据焊接灰度图像中像素点与预设邻域的其他像素点的灰度差异特征获得灰度混乱特征值的步骤包括:
计算焊接灰度图像中像素点与预设邻域的其他像素点的灰度差值绝对值,获得邻域灰度差异值;计算像素点的邻域灰度差异值的平均值并正相关映射,获得焊接灰度图像的像素点的灰度混乱特征值。
4.根据权利要求1所述的一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述根据所述颜色混乱特征值与所述灰度混乱特征值获得混乱程度的步骤包括:
计算焊接图像与焊接灰度图像的相同像素点的所述颜色混乱特征值与所述灰度混乱特征值的乘积,获得像素点的所述混乱程度。
5.根据权利要求1所述的一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述预设第一数值为0.7、预设第二数值为0.95。
6.根据权利要求1所述的一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述根据自适应正规化参数通过引导滤波算法进行图像增强获得增强焊接灰度图像的步骤包括:
获取所述焊接灰度图像的预设梯度参数的边缘图像,将所述边缘图像作为引导滤波中的引导图像;根据所述引导图像和所述自适应正规化参数对所述焊接灰度图像通过引导滤波进行自适应图像增强,获得所述增强焊接灰度图像。
7.根据权利要求6所述的一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述预设梯度参数为0.1。
8.根据权利要求1所述的一种基于机器视觉的光伏钢结构组件检测方法,其特征在于,所述根据所述增强焊接灰度图像和所述焊接图像对光伏钢结构进行缺陷检测的步骤包括:
根据所述增强焊接灰度图像和所述焊接图像通过图像乘法获得焊接检测图像,通过图像检测算法对所述焊接检测图像进行缺陷检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489664.4A CN117237335A (zh) | 2023-11-10 | 2023-11-10 | 基于机器视觉的光伏钢结构组件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489664.4A CN117237335A (zh) | 2023-11-10 | 2023-11-10 | 基于机器视觉的光伏钢结构组件检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237335A true CN117237335A (zh) | 2023-12-15 |
Family
ID=89089647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311489664.4A Withdrawn CN117237335A (zh) | 2023-11-10 | 2023-11-10 | 基于机器视觉的光伏钢结构组件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237335A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437228A (zh) * | 2023-12-20 | 2024-01-23 | 惠汕绿创(江苏)科技有限公司 | 基于图像特征的光伏钢结构组件断裂检测方法 |
CN117689663A (zh) * | 2024-02-04 | 2024-03-12 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
CN117853346A (zh) * | 2024-03-08 | 2024-04-09 | 杭州湘亭科技有限公司 | 基于洗消机器人的放射源三维辐射图像智能增强方法 |
-
2023
- 2023-11-10 CN CN202311489664.4A patent/CN117237335A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437228A (zh) * | 2023-12-20 | 2024-01-23 | 惠汕绿创(江苏)科技有限公司 | 基于图像特征的光伏钢结构组件断裂检测方法 |
CN117437228B (zh) * | 2023-12-20 | 2024-04-02 | 惠汕绿创(江苏)科技有限公司 | 基于图像特征的光伏钢结构组件断裂检测方法 |
CN117689663A (zh) * | 2024-02-04 | 2024-03-12 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
CN117689663B (zh) * | 2024-02-04 | 2024-04-26 | 电科科知(成都)科技集团有限公司 | 一种用于焊接机器人的视觉检测方法及系统 |
CN117853346A (zh) * | 2024-03-08 | 2024-04-09 | 杭州湘亭科技有限公司 | 基于洗消机器人的放射源三维辐射图像智能增强方法 |
CN117853346B (zh) * | 2024-03-08 | 2024-05-14 | 杭州湘亭科技有限公司 | 基于洗消机器人的放射源三维辐射图像智能增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117237335A (zh) | 基于机器视觉的光伏钢结构组件检测方法 | |
CN111539935B (zh) | 一种基于机器视觉的电缆表面缺陷在线检测方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN111696107B (zh) | 一种实现闭合连通域的熔池轮廓图像提取方法 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN116703910B (zh) | 一种混凝土预制底板质量智能检测方法 | |
CN111192225B (zh) | 确定管道是否存在缺陷的方法、设备和计算机程序介质 | |
JP2014006222A (ja) | コンクリート表面の変状検出方法及び装置 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN114972397A (zh) | 一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法 | |
CN112053376A (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN117593305B (zh) | 一种面向高频焊接h型钢的视觉定位系统 | |
CN114399505B (zh) | 工业检测中的检测方法、检测装置 | |
CN117689662B (zh) | 一种换热器管头焊接质量视觉检测方法及系统 | |
CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
CN116485764A (zh) | 一种结构表面缺陷识别方法、系统、终端及介质 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN114332081A (zh) | 基于图像处理的纺织品表面异常判定方法 | |
CN117649412A (zh) | 一种铝材表面质量的检测方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN115830021B (zh) | 一种用于五金件加工的金属表面缺陷检测方法 | |
CN112285876A (zh) | 基于图像处理与气泡检测的相机自动对焦方法 | |
CN110766707B (zh) | 一种基于多算子融合边缘检测技术的空化泡图像处理方法 | |
CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
JPH10208066A (ja) | 被検査物のエッジライン抽出方法及びこの方法を用いた外観検査方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231215 |
|
WW01 | Invention patent application withdrawn after publication |