CN117250206A - 基于可见光和红外光融合的导电线异常检测方法与装置 - Google Patents
基于可见光和红外光融合的导电线异常检测方法与装置 Download PDFInfo
- Publication number
- CN117250206A CN117250206A CN202311238439.3A CN202311238439A CN117250206A CN 117250206 A CN117250206 A CN 117250206A CN 202311238439 A CN202311238439 A CN 202311238439A CN 117250206 A CN117250206 A CN 117250206A
- Authority
- CN
- China
- Prior art keywords
- conductive wire
- visible light
- abnormal
- wire
- data
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 230000005856 abnormality Effects 0.000 title claims description 33
- 238000001514 detection method Methods 0.000 title claims description 30
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 230000007547 defect Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 229910052744 lithium Inorganic materials 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 240000006829 Ficus sundaica Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种基于可见光和红外光融合的导电线异常检测方法与装置，方法包括：当移动平台运动时，图像采集模块采集输电导线的相关数据信息，包括输电导线外形、温度；主控制器对上一步中采集的信息进行处理，得到导电线的实际线径外形、灰度值及内部温度；分别将上一步处理得到的导电线外部和内部数据与参考数据进行对比，综合确定异常位置；将得到的异常位置信息上报上级控制系统进行下一步处理。本发明通过搭载相机的轮式巡线机器人近距离检测线缆，巡检的安全性与准确性高，对线径线缆检测的精确性具有重大意义。
Description
技术领域
本发明涉及导电线异常检测技术，特别是一种基于可见光和红外光融合的导电线异常检测方法与装置。
背景技术
目前，导电线异常检测在电力系统管理中扮演着重要的角色。目前常见的导电线异常检测方法有：
滑动窗口法：滑动窗口法是最常见的方法之一。它使用一个固定大小的窗口在时间序列数据上滑动，利用窗口内数据的统计特征来检测异常。然而，这种方法容易受到窗口大小的选择影响。如果窗口太小，可能无法准确捕捉到导线异常；如果窗口太大，又可能导致高误报率。
基于统计模型的方法：基于统计模型的方法建立了导线正常运行的模型，并使用统计分析技术来检测异常。常见的统计模型包括高斯分布模型和指数分布模型等。然而，这些方法需要事先建立可靠的模型，对于多变量输入的情况，模型的建立和参数估计可能非常困难。
基于机器学习的方法：近年来，基于机器学习的方法变得越来越流行。这些方法可以自动学习数据的特征和规律，并能够处理大量的多变量输入数据。常见的机器学习算法包括支持向量机(SVM)、人工神经网络(ANN)和决策树等。然而，这些方法需要大量的标记样本和计算资源，并且模型的解释性较差。
基于深度学习的方法：基于深度学习的方法是目前最热门和最先进的导线异常检测方法之一。深度学习模型如卷积神经网络(CNN)、长短期记忆网络(LSTM)等可以自动从原始数据中学习特征，并具有很强的表达能力。然而，深度学习方法需要大量的训练数据和计算资源，模型的训练过程较为复杂。
综上，目前的导线异常检测方法取得了一定的进展，但仍然存在一些不足之处。有些方法需要建立可靠的模型或大量的标记样本，这在实际应用中可能较为困难。另外，一些方法对于多变量输入数据的处理能力相对较弱，难以应对复杂的导线异常情况。此外，部分方法需要大量的计算资源和时间，导致实时性较差。
发明内容
本发明的目的在于提供一种基于可见光和红外光融合的导电线异常检测方法与装置，使用可见光摄像头可以获取导电线外径形状和表面等信息，使用红外光摄像头可以获取导电线温度等内部不可见信息。
实现本发明目的的技术解决方案为：第一方面，本发明提供一种基于可见光和红外融合的导电线异常检测方法，包括以下步骤：
步骤1、当移动平台运动时，图像采集模块采集输电导线的相关数据信息，包括输电导线外形、温度；
步骤2、主控制器对上一步中采集的信息进行处理，得到导电线的实际线径外形、灰度值及内部温度；
步骤3、分别将上一步处理得到的导电线外部和内部数据与参考数据进行对比，综合确定异常位置；
步骤4、将得到的异常位置信息上报上级控制系统进行下一步处理。
第二方面，本发明提供一种基于可见光和红外融合的导电线异常检测装置，用于实现第一方面所述的基于可见光和红外融合的导电线异常检测方法，该装置为带有顶升结构的轮式巡线机器人，包括：
升降装置，用于搭载从动轮；
机箱，用于放置机器人主控制器、主动轮驱动电机及驱动器、顶升装置驱动电机及驱动器、通信模块、锂电池组以及连接线缆；
机箱外侧，安装图像采集模块，包含可见光相机和红外相机，分别用于采集输电导线的外形与内部温度信息。
进一步的，图像采集模块朝向机器人前进方向。
进一步的，所述可见光相机用于检测导电线外径形状缺陷和表面明显缺陷，图像采集模块采集图像，分别使用霍夫变换法和腐蚀膨胀法对图像进行处理，判断导电线的外径形状以及表面有无异常出现；如有异常出现，则主控制器计算出异常的空间位置，类型和尺寸信息，并将结果发送至上级控制系统；红外相机用于导线内部的高温异常检测，将相机输出的温度矩阵与高温异常的阈值进行对比，确定高温异常是否存在。
进一步的，将温度矩阵转换为热图，对比可见光图像，得到缺陷所在的像素坐标。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的方法的步骤。
与现有技术相比，本发明的显著优点在于：(1)该装置使用多回路反馈系统，精度较高；(2)采用可见光与红外光融合检测方法，同时兼顾线缆外部与内部的缺陷检测，更为安全可靠。
附图说明
图1是基于可见光的导电线异常检测方法的流程图。
图2是本发明使用的装置设计图。
图3机器人控制框图。
图4是未处理的线缆原图。
图5是灰度化处理后的线缆图像。
图6是高斯滤波后的线缆图像。
图7是Sobel边缘检测后的图像。
图8是Canny边缘检测后的图像。
图9霍夫直线检测结果图。
具体实施方式
本发明使用机器视觉检测算法，致力于开发更高效、准确且实时的检测方法，以满足电力系统管理的需求。利用计算机获取及处理图像的技术被称为机器视觉技术。确切地说，机器视觉就是使用光学非接触式感应设备自动接收并解释真实场景的图像以获得信息控制机器或流程。图像处理是使用计算机数据处理技术对图像数据进行处理并获取有效信息的技术。图像处理技术在计算机视觉中起着不可或缺的作用，它的主要功能是通过摄像头捕获到图像导入计算机中，利用图像处理软件进行图像预处理，图像形态学处理，完成图像分析。图像处理技术推动了计算机视觉的发展，使得许多复杂的模型，可以数字化地展现在人们面前。人类视觉最擅长于对复杂、非结构化的场景进行定性解释，但机器视觉则凭借速度、精度和可重复性等优势，擅长于对结构化场景进行定量测量，举例来说，在生产线上，机器视觉系统每分钟能够对数百个甚至数千个元件进行检测。配备适当分辨率的相机和光学元件后，机器视觉系统能够轻松检验小到人眼无法看到的物品细节特征。机器视觉在工业上的应用可以极大的减少成本和人力劳动。
图像是由像素点矩阵组成，一幅图像所包含的信息是至以十万甚至更高数量级衡量的大量像素点的数字信息；在单色图像中，每个像素点只包含一种灰度信息；在彩色图像中，像素值会被分解为原红、原绿、原蓝三种基色值，在计算机中，每一个灰度值都会在[0，255]这一区间内选取，也就是24比特的RGB图像。处理如此巨量信息的过程相当的复杂，如果所有机器视觉的研究者都从最底层的处理方法进行研究，显然是低效的，也是不现实的。幸而在机器视觉领域，有强大且开源的OpenCV计算机视觉库存在，OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV提供了用于图像处理专用的数据结构和大量处理图像的库函数，为机器视觉的研究提供了极大的方便。
实现提出一种基于可见光和红外融合的导电线异常检测方法，如图1所示，包含采集图像、图像处理、数据处理、上报结果，该方法具体包括以下步骤：
步骤1：当移动平台运动时，图像采集模块采集输电导线的相关数据信息，包括输电导线外形、温度；
图像采集时，导电线上每个位置信息采集的次数，为了尽量避免误检的可能，每个位置检查的次数应大于3次，这个次数可以由事先确定每次处理的导电线长度和采集的频率综合确定。
步骤2：主控制器对上一步中采集的信息进行处理，得到导电线的线径外形、灰度值及内部温度；
对于获得的数据的处理方法，具体为：
首先确定导电线线径的允许范围，若同个位置的数据均为允许范围内，则取所有数据的平均值以作为该位置的最终信息；若有某个(些)超过允许范围，则取这些数据的平均值以作为该位置的最终信息。从而获得导电线的外形图。
之后对可见光所采集的图像进行图像灰度化处理。
最后利用红外相机采集的图片信息，得到导电线内部的热图。
步骤3：分别将上一步处理得到的导电线外部和内部数据与参考数据进行对比，综合确定异常位置，具体为：
首先，根据步骤2中得到的导电线外形图，将它和由阈值确定的正常外形图对比，找出异常位置。
之后利用差分法分析灰度图像，提取出灰度值异常的位置；
然后，利用红外相机采集的温度信息，通过计算温度矩阵中数据与设定阈值的大小，得出高温异常区域的像素坐标。再根据所得的像素坐标标记温度热图的异常位置。
最后，将从外形图、灰度图、温度热图提取出的异常位置进行整合处理，得到最终的异常位置。
在上述步骤后，需要从数据中提取有助于识别异常的特征。常见的特征包括峰值、频率谱分析、功率谱密度、波形形状等。这些特征能够反映导线的工作状态和异常情况。根据数据特征的分布，可以使用统计方法(如均值、标准差)或基于经验的方式来设定阈值，超过阈值的数据被判定为异常。利用红外成像技术，通过对导线进行红外热像测温，可以直观地观察到温度异常情况，并据此确定导线的异常位置，综合确定异常的像素坐标；
步骤4：将得到的异常位置信息上报上级控制系统进行下一步处理。
图2为本发明所使用的装置，即轮式巡线机器人。机器人本体采用模块化设计思想，主要包括机箱，立柱，升降装置及部分组成。工业相机、红外光相机和超声波传感器安装于机箱外侧，机器人前进方向处。机器人在距离地面3m～50m的架空线缆上可以安全可靠挂载，机器人可挂线缆截面积范围在200mm2～630mm2，机器人与遥控器相距最大距离300m情况下，机器人受遥控器无线控制，且延迟在1s以内。图3为机器人控制框图，主要负责机器人运动控制，对主动轮电机的启停、速度进行控制，并对缺陷检测系统进行控制。
该远红外热成像模组的光谱响应波段为8～14um，探测器采用先进的晶圆级封装，具有低成本、低功耗、高性能等特性，可通过标准的USB接口输出温度矩阵数据，便于进行集成开发。
可见光相机用于检测导电线外径形状缺陷和表面明显缺陷。在移动平台的前端安装图像采集模块并采集图像，分别使用霍夫变换法和腐蚀膨胀法对图像进行处理，从而判断导电线的外径形状以及表面有无异常出现；如有异常出现，则主控制器计算出异常的空间位置，类型和尺寸等信息，并将结果发送至上级控制系统。红外相机用于导线内部的高温异常检测，将相机输出的温度矩阵与高温异常的阈值进行对比，确定高温异常是否存在。为增加准确度，可将温度矩阵转换为热图，对比可见光图像，得到缺陷所在的像素坐标。
下面结合附图及具体实施例对本发明作进一步详细说明。
实施例
通过实验验证本发明提出的一种基于可见光和红外光融合的导电线异常检测方法与装置的性能，情况如下：
1.实验条件
将可见光与红外光的图像采集模块和主控器安装于轮式巡线机器人上构成系统硬件，本发明的软件设计是在Windos10环境下使用Visual stido2019结合OpenCV图像库进行开发的，来完成机器视觉检测的任务。本导电线异常检测系统根据设计要求，设计了包括图像采集、图像预处理、透视变换、霍夫直线检测、线径测量、红外温度检测等主要模块，在实际应用中，还可以针对不同的场景，加入或改进图像处理模块。
2.主要模块
2.1图像预处理
在图像捕获的过程中，由于巡检机器人拍摄的背景环境会因为光照强度而产生不同程度的影响，在传输过程中也会产生不同的噪声，难以获取所需信息。因此，需要对捕获的图像进行滤波处理，来减少噪声影响。本系统中，针对环境背景，进行了灰度化处理如图5所示，接着选择了处理效果较好的高斯滤波，如图6所示，与原图4滤波前的图像进行对比，明显地感觉到滤波效果较好，且在滤波后完整的保持了边缘信息。
2.2边缘检测
在完成滤波去噪处理后，接着需要对图像进行边缘检测，边缘检测算法的思路，即是在不丢失重要边缘的前提下，通过利用处于边缘时，其一阶或二阶方向的导数变化较大这一规律，增强边缘算子，将图像中的边缘突出，再通过双阈值法，对图像的边缘进行提取。本线缆线径检测系统中，提供了Sobel与Canny两种常用的边缘检测算法，效果如图7与图8所示，本系统最终选择了效果较好的Canny边缘检测算法。
3.实验过程
首先完成硬件系统的准备，使用巡线机器人对线缆图像进行采集，接着将采集的图像传输进计算机，通过软件来完成图像预处理模块，针对图像捕获时，相机拍摄与线缆的角度引起上下宽度不一致，进行透视变换，消除宽度不一致的情况，进行霍夫直线检测，进行线径计算，完成导电线外径形状缺陷和表面纹理缺陷检测，最后利用红外相机输出的度矩阵与高温异常的阈值进行对比，完成导线内部的高温异常检测并精确定位异常线缆所在的像素坐标。
4.结果分析
图像预处理初步完成后，借助霍夫直线检测，首先通过霍夫直线变换检测到线缆的上下边缘，再通过对边缘点进行最小二乘拟合得到更接近于真实情况的边缘直线，最后检测结果如图9所示。本实验中选取的直径为16mm的线缆，通过巡检机器人在景深线性区间不同的位置进行图像捕获，相机与线缆的距离为30mm，通过线缆线径检测系统进行一系列的处理计算所得到的线缆直径为15.4mm，所得数据与真实尺寸测量误差<5％，可以看出，系统清晰准确的捕捉到了导电线异常的外径形状。
Claims (10)
1.一种基于可见光和红外融合的导电线异常检测方法，其特征在于，包括以下步骤：
步骤1、当移动平台运动时，图像采集模块采集输电导线的相关数据信息，包括输电导线外形、温度；
步骤2、主控制器对上一步中采集的信息进行处理，得到导电线的实际线径外形、灰度值及内部温度；
步骤3、分别将上一步处理得到的导电线外部和内部数据与参考数据进行对比，综合确定异常位置；
步骤4、将得到的异常位置信息上报上级控制系统进行下一步处理。
2.根据权利要求1中所述的一种基于可见光和红外融合的导电线异常检测方法，其特征在于，步骤1中图像采集时，导电线上每个位置信息采集的次数大于3次。
3.根据权利要求1中所述的一种基于可见光和红外融合的导电线异常检测方法，其特征在于，对于步骤2中获得的数据的处理方法，具体为：
确定导电线线径的允许范围，若同个位置的数据均为允许范围内，则取所有数据的平均值以作为该位置的最终信息；若有某些超过允许范围，则取这些数据的平均值以作为该位置的最终信息，从而获得导电线的外形图；
对可见光所采集的图像进行图像灰度化处理；
利用红外相机采集的图片信息，得到导电线内部的热图。
4.根据权利要求1中所述的一种基于可见光和红外融合的导电线异常检测方法，其特征在于，步骤3中确定异常位置的方法，具体为：
根据步骤2中得到的导电线外形图，将它和由阈值确定的正常外形图对比，找出异常位置；
利用差分法分析灰度图像，提取出灰度值异常的位置；
利用红外相机采集的温度信息，通过计算温度矩阵中数据与设定阈值的大小，得出高温异常区域的像素坐标；再根据所得的像素坐标标记温度热图的异常位置；
将从外形图、灰度图、温度热图提取出的异常位置进行整合处理，得到最终的异常位置。
5.一种基于可见光和红外融合的导电线异常检测装置，其特征在于，用于实现权利要求1所述的基于可见光和红外融合的导电线异常检测方法，该装置为带有顶升结构的轮式巡线机器人，包括：
升降装置，用于搭载从动轮；
机箱，用于放置机器人主控制器、主动轮驱动电机及驱动器、顶升装置驱动电机及驱动器、通信模块、锂电池组以及连接线缆；
机箱外侧，安装图像采集模块，包含可见光相机和红外相机，分别用于采集输电导线的外形与内部温度信息。
6.根据强烈要求5所述的基于可见光和红外融合的导电线异常检测装置，其特征在于，图像采集模块朝向机器人前进方向。
7.根据强烈要求5所述的基于可见光和红外融合的导电线异常检测装置，其特征在于，所述可见光相机用于检测导电线外径形状缺陷和表面明显缺陷，图像采集模块采集图像，分别使用霍夫变换法和腐蚀膨胀法对图像进行处理，判断导电线的外径形状以及表面有无异常出现；如有异常出现，则主控制器计算出异常的空间位置，类型和尺寸信息，并将结果发送至上级控制系统；红外相机用于导线内部的高温异常检测，将相机输出的温度矩阵与高温异常的阈值进行对比，确定高温异常是否存在。
8.根据强烈要求7所述的基于可见光和红外融合的导电线异常检测装置，其特征在于，将温度矩阵转换为热图，对比可见光图像，得到缺陷所在的像素坐标。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311238439.3A CN117250206A (zh) | 2023-09-24 | 2023-09-24 | 基于可见光和红外光融合的导电线异常检测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311238439.3A CN117250206A (zh) | 2023-09-24 | 2023-09-24 | 基于可见光和红外光融合的导电线异常检测方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117250206A true CN117250206A (zh) | 2023-12-19 |
Family
ID=89132678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311238439.3A Pending CN117250206A (zh) | 2023-09-24 | 2023-09-24 | 基于可见光和红外光融合的导电线异常检测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250206A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710901A (zh) * | 2024-02-02 | 2024-03-15 | 鲁能泰山曲阜电缆有限公司 | 一种基于机器视觉的电缆制造异常检测系统 |
-
2023
- 2023-09-24 CN CN202311238439.3A patent/CN117250206A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117710901A (zh) * | 2024-02-02 | 2024-03-15 | 鲁能泰山曲阜电缆有限公司 | 一种基于机器视觉的电缆制造异常检测系统 |
| CN117710901B (zh) * | 2024-02-02 | 2024-04-26 | 鲁能泰山曲阜电缆有限公司 | 一种基于机器视觉的电缆制造异常检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108765378B (zh) | 基于g代码引导下工件轮廓飞边凸起的机器视觉检测方法 | |
| CN108890652B (zh) | 一种变电站巡检机器人及变电站设备巡检方法 | |
| CN109974582B (zh) | 一种汽车线束的芯线尺寸非接触式视觉检测装置及方法 | |
| JP6305171B2 (ja) | シーン内の物体を検出する方法 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN109159113B (zh) | 一种基于视觉推理的机器人作业方法 | |
| CN106897995B (zh) | 一种面向机械装配过程的零部件自动识别方法 | |
| CN117250206A (zh) | 基于可见光和红外光融合的导电线异常检测方法与装置 | |
| CN109986172B (zh) | 一种焊缝定位方法、设备及系统 | |
| CN113023293A (zh) | 一种皮带机的巡检方法、装置、设备及系统 | |
| CN115156093A (zh) | 电池外壳缺陷检测方法、系统及装置 | |
| CN105809674A (zh) | 一种基于机器视觉的模具保护装置及其方法 | |
| CN112634269A (zh) | 一种轨道车辆车体检测方法 | |
| Xia et al. | Workpieces sorting system based on industrial robot of machine vision | |
| CN111967323B (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
| CN110738644A (zh) | 一种基于深度学习的汽车涂装表面缺陷检测方法及系统 | |
| CN112683228A (zh) | 单目相机测距方法及装置 | |
| CN115482195A (zh) | 一种基于三维点云的列车部件变形检测方法 | |
| CN111881748B (zh) | 一种基于vbai平台建模的车道线视觉识别方法和系统 | |
| Ghidoni et al. | Automatic color inspection for colored wires in electric cables | |
| CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
| Gao et al. | An automatic assembling system for sealing rings based on machine vision | |
| CN111626104A (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN114179093B (zh) | 一种变电站巡检机器人系统及其避障方法 | |
| Frank et al. | Stereo-vision for autonomous industrial inspection robots |
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 |