CN117372436B - 基于图像数据的风电叶片故障检测方法 - Google Patents
基于图像数据的风电叶片故障检测方法 Download PDFInfo
- Publication number
- CN117372436B CN117372436B CN202311675922.8A CN202311675922A CN117372436B CN 117372436 B CN117372436 B CN 117372436B CN 202311675922 A CN202311675922 A CN 202311675922A CN 117372436 B CN117372436 B CN 117372436B
- Authority
- CN
- China
- Prior art keywords
- pixel
- gray
- value
- detected
- pixel points
- 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 29
- 230000000750 progressive effect Effects 0.000 claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 13
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 89
- 238000000034 method Methods 0.000 claims description 37
- 230000002596 correlated effect Effects 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 12
- 230000007423 decrease Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training 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
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明涉及图像分析技术领域,具体涉及一种基于图像数据的风电叶片故障检测方法。获取仅包含风电叶片的灰度图像和各像素点的灰度梯度;基于像素点的灰度波动获得凹陷特征值;由于凹陷区域的像素点灰度值有递进变化,故根据像素点灰度值的变化趋势获得变化路径和路径方向,根据变化路径上像素点之间凹陷特征值和灰度梯度的差异,得到像素点的递进变化度;根据每个像素点与邻域像素点的路径方向差异和递进变化度差异,获得渐变影响度,再分析变化路径上终点像素点之间的位置分布,获得聚集离散值,二者结合获得凹陷程度值;最后基于像素点的凹陷程度值对图像进行自适应增强,故对像素点聚类时可获得准确的聚类结果,提高故障检测的准确性。
Description
技术领域
本发明涉及图像分析技术领域,具体涉及一种基于图像数据的风电叶片故障检测方法。
背景技术
风电叶片是风电机组中将自然界风能转换为风力发电机组电能的核心部件,风电叶片的制造需要高精度的工艺和材料,以保证其在恶劣的环境条件下能够正常工作,其质量会直接影响风力发电机的效率、可靠性,所以需对其进行故障检测便于及时防范以及维修。
风力发电主要将风能转化为电能,因此在强风天气,叶片会受到更大的风力压力,从而会产生凹陷区域,会导致故障发生,现有技术在对风电叶片表面进行故障检测时,通常采用聚类算法对像素点进行聚类,获得凹陷故障区域,然而由于图像具有噪声,导致凹陷故障区域与其他区域的对比度弱,从而无法准确获取聚类结果,并且会影响故障检测结果的准确性。
发明内容
为了解决现有技术对图像中的像素点进行聚类时,由于凹陷故障区域与其他区域对比度弱,造成聚类结果不准确,进而影响故障检测结果准确性的技术问题,本发明的目的在于提供一种基于图像数据的风电叶片故障检测方法,所采用的技术方案具体如下:
获取仅包含风电叶片的灰度图像,获取所述灰度图像中每个像素点的灰度梯度方向;
根据所述灰度图像中像素点灰度值的分布情况以及波动情况获得每个像素点的凹陷特征值;在所述灰度图像中任选一个像素点作为待测像素点;根据所述灰度图像中像素点灰度值的变化趋势获得待测像素点对应的变化路径和路径方向;根据待测像素点与对应的变化路径上其他像素点的凹陷特征值之间的差异,以及灰度梯度方向之间的差异,获得待测像素点的递进变化度;
在以待测像素点为中心的预设邻域内,根据待测像素点与对应的所有邻域像素点的路径方向之间的差异,以及递进变化度之间的差异,获得待测像素点的渐变影响度;根据待测像素点的变化路径上与对应的所有邻域像素点的变化路径上终点像素点之间的位置分布,获得待测像素点的聚集离散值;根据待测像素点的聚集离散值和对应的变化路径上其他像素点的渐变影响度获得待测像素点的凹陷程度值;
根据每个像素点的凹陷程度值对每个像素点的灰度值进行更新,获得增强图像;根据所述增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果进行故障检测。
进一步地,所述根据所述灰度图像中像素点灰度值的分布情况以及波动情况获得每个像素点的凹陷特征值,包括:
将所述灰度图像均匀划分为预设第一数量个分块图像;
将每个分块图像中所有像素点灰度值的方差作为灰度方差;根据每个像素点的灰度值和其所属分块图像的灰度方差,获得每个像素点的灰度影响度,所述灰度影响度和灰度方差呈正相关,所述灰度影响度和像素点的灰度值呈负相关;
在每个分块图像中,将所有像素点按照灰度值进行有序排列,获得排列序列,将所述排列序列中每个像素点与相邻的像素点之间灰度值差异的均值,作为每个像素点的灰度差异值;
根据每个像素点的灰度影响度和灰度差异值获得凹陷特征值,其中,所述灰度影响度和灰度差异值均与凹陷特征值呈正相关。
进一步地,所述根据所述灰度图像中像素点灰度值的变化趋势获得待测像素点对应的变化路径和路径方向,包括:
在以待测像素点为中心的预设邻域内,以待测像素点为起点,灰度值最小的邻域像素点为终点,获得待测像素点对应的初始路径以及路径方向;
当沿着路径方向,当待测像素点对应的初始路径上下一个像素点的灰度值小于或等于上一个像素点的灰度值时,延伸所述初始路径,直至初始路径上下一个像素点的灰度值大于上一个像素点的灰度值时,停止延伸,获得待测像素点的变化路径。
进一步地,所述根据待测像素点与对应的变化路径上其他像素点的凹陷特征值之间的差异,以及灰度梯度方向之间的差异,获得待测像素点的递进变化度,包括:
将待测像素点对应的变化路径上除待测像素点外的其他像素点作为对比像素点;
根据待测像素点与对应的每个对比像素点的凹陷特征值获得延续因子,所述延续因子和待测像素点的凹陷特征值呈正相关,所述延续因子与每个对比像素点的凹陷特征值呈负相关;将待测像素点与对应的每个对比像素点的灰度梯度方向的差异作为梯度方向偏差值,将待测像素点与对应的每个对比像素点的延续因子和梯度方向偏差值的乘积,作为待测像素点与对应的每个对比像素点的递进因子;
将待测像素点与对应的所有对比像素点的递进因子的均值作为均值特征值,将待测像素点的所有递进因子与对应的均值特征值的差异累加后进行负相关映射并归一化的值,作为待测像素点的递进变化度。
进一步地,所述根据待测像素点与对应的所有邻域像素点的路径方向之间的差异,以及递进变化度之间的差异,获得待测像素点的渐变影响度,包括:
将待测像素点与对应的每个邻域像素点的路径方向之间的差异作为路径方向偏差值,将待测像素点与对应的每个邻域像素点的递进变化度之间的差异作为递进变化差异值;
将待测像素点与对应的每个邻域像素点的路径方向偏差值和递进变化差异值相乘后的值,作为待测像素点与对应的每个邻域像素点的渐变因子;
将待测像素点与对应的所有邻域像素点的渐变因子累加后进行负相关映射并归一化的值,作为待测像素点的渐变影响度。
进一步地,所述根据待测像素点的变化路径上与对应的所有邻域像素点的变化路径上终点像素点之间的位置分布,获得待测像素点的聚集离散值,包括:
将待测像素点对应的终点像素点与所有邻域像素点对应的终点像素点作为目标像素点;
计算所有目标像素点两两之间欧式距离的累加值,将所述累加值进行归一化后的值作为待测像素点的聚集离散值。
进一步地,所述待测像素点的凹陷程度值的公式模型包括:
;其中,/>表示待测像素点/>的凹陷程度值,/>表示待测像素点/>的聚集离散值,/>表示待测像素点/>的变化路径上第/>个对比像素点的渐变影响度,/>表示待测像素点/>的变化路径上的对比像素点总数,/>表示对数函数,/>表示预设第一正整数,/>表示预设第二正整数。
进一步地,所述根据每个像素点的凹陷程度值对每个像素点的灰度值进行更新,获得增强图像,包括:
将每个像素点的凹陷程度值进行归一化后的值与预设灰度值相乘并向下取整,获得每个像素点的更新灰度值;所有像素点的更新灰度值组成增强图像。
进一步地,所述根据所述增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果进行故障检测,包括:
基于手肘法获得所述增强图像中像素点聚类时的最优K值;
利用K-means聚类算法根据所述最优K值和增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果;
计算所述聚类结果中每个聚类簇中所有像素点的灰度值的均值,作为故障指标;根据所述故障指标对所有聚类簇进行降序排序,将前预设第二数量个聚类簇在灰度图像中对应的区域作为故障区域。
进一步地,所述获取所述灰度图像中每个像素点的灰度梯度方向,包括:
基于Canny算子获取所述灰度图像中每个像素点的灰度梯度方向。
本发明具有如下有益效果:
本发明首先获取仅包含风电叶片的灰度图像,以及灰度图像中各像素点的灰度梯度方向;由于凹陷会导致一定区域内像素点灰度值发生变化,因此可基于灰度图像中像素点的分布以及波动情况初步获得每个像素点的凹陷特征值;进一步地,由于凹陷区域的像素点灰度值会具有一定的递进变化情况,所以根据灰度图像中像素点灰度值的变化趋势获得每个像素点对应的变化路径以及路径方向,然后可对变化路径上的像素点进行分析,根据像素点之间凹陷特征值以及灰度梯度方向的差异,得到每个像素点的递进变化度,用于表征每个像素点为凹陷区域像素点的可能性;由于其他某些情况也会导致像素点的灰度值具有一定的变化趋势,因此,可进一步在以每个像素点为中心的预设邻域内,根据每个像素点与对应的邻域像素点的路径方向的差异以及递进变化度差异,获得每个像素点的渐变影响度,用于表征每个像素点与邻域像素点之间的相关性;再根据每个像素点的变化路径上与对应的邻域像素点的变化路径上的终点像素点之间的位置分布情况,获得每个像素点对应的聚集离散值,用于表征每个像素点受凹陷影响的程度;最后根据每个像素点的聚集离散值以及变化路径上像素点的渐变影响度获得每个像素点的凹陷程度值,可准确的表征出每个像素点受凹陷区域影响的程度;最后基于凹陷程度值对每个像素点的灰度值进行调整更新,可以有效增强凹陷区域像素点和其他区域像素点的对比度,对图像进行自适应增强,因此在对增强图像中的像素点进行聚类分析时,可获得准确的聚类结果,从而有效提高故障检测结果的准确性。
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图像数据的风电叶片故障检测方法流程图。
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基于图像数据的风电叶片故障检测方法,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。
基于图像数据的风电叶片故障检测方法实施例:
下面结合附图具体的说明本发明所提供的一种基于图像数据的风电叶片故障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图像数据的风电叶片故障检测方法的方法流程图,该方法包括以下步骤:
步骤S1:获取仅包含风电叶片的灰度图像,获取灰度图像中每个像素点的灰度梯度方向。
风电叶片是风电机组中将自然界风能转换为风力发电机组电能的核心部件,风电叶片的制造需要高精度的工艺和材料,以保证其在恶劣的环境条件下能够正常工作,其质量会直接影响风力发电机的效率、可靠性,所以需对其进行故障检测便于及时防范以及维修。风电叶片出现凹陷会严重影响其自身的光洁度,导致风电叶片表面不完整且不规则,从而造成风电叶片效率降低,故需对其进行故障检测;通常利用图像分析的方法,通过对像素点进行聚类,从而获得凹陷区域,但是由于获取到的图像往往会存在噪声,因此导致图像的对比度较低,并且由于可能会存在拍摄原因或者风电叶片表面存在脏污等情况,使得聚类结果不够准确,会影响到最终的故障检测结果,所以本发明实施例通过对图像进行分析增强,提高图像对比度,能够更加准确的获取到最终的聚类结果。
在本发明实施例中首先获取仅包含风电叶片的灰度图像,具体获取方法可以为:使用无人机搭载高清摄像机,对风电叶片进行拍摄,获取包含风电叶片的全景图像,然后使用灰度化算法将全景图像进行灰度化,得到包含风电叶片的全景灰度图像,由于本发明目的在于对风电叶片图像进行分析,所以需对背景部分进行去除,可以使用预先训练好的语义分割去除多余的图像背景,得到仅包含风电叶片的灰度图像,用于后续的分析过程。需要说明的是,使用灰度化算法对图像进行灰度化时,可采用最大值法、加权灰度化或者平均灰度化等方法,且皆为本领域技术人员熟知的技术手段,在此不做限定及赘述;神经网络可采用CNN神经网络,将风电叶片的像素点标记为1,背景区域或其他区域的像素点标记为0,Adam算法对模型进行优化、损失函数为交叉熵,对神经网络进行训练;具体训练过程为本领域技术人员熟知的操作过程,在此不做赘述,也可采用其他语义分割网络,在此不做限定;具体图像获取过程的装置实施者也可根据实施场景进行调整,在此不做限定。
在获取到仅包含风电叶片的灰度图像之后,可获取灰度图像中每个像素点的灰度梯度方向,用于后续的分析过程中。
优选地,本发明一个实施例中,获取所述灰度图像中每个像素点的灰度梯度方向,包括:
基于Canny算子获取所述灰度图像中每个像素点的灰度梯度方向。需要说明的是,Canny算子获取每个像素点的灰度梯度方向为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:根据灰度图像中像素点灰度值的分布情况以及波动情况获得每个像素点的凹陷特征值;在灰度图像中任选一个像素点作为待测像素点;根据灰度图像中像素点灰度值的变化趋势获得待测像素点对应的变化路径和路径方向;根据待测像素点与对应的变化路径上其他像素点的凹陷特征值之间的差异,以及灰度梯度方向之间的差异,获得待测像素点的递进变化度。
由于风电叶片上存在的凹陷会导致一定区域内的像素点灰度值发生异变,也即会产生灰度值的波动变化,所以可以基于此特征,初步分析每个像素点是否收到凹陷区域的影响。
优选地,本发明一个实施例中,根据灰度图像中像素点灰度值的分布情况以及波动情况获得每个像素点的凹陷特征值,包括:
首先为了便于对灰度图像的细节进行分析,因此从局部出发,将灰度图像均匀划分为预设第一数量个分块图像,由于方差可以反映出一组数据的波动情况,因此获取每个分块图像中所有像素点灰度值的方差,并将其作为灰度方差;根据每个像素点所属分块图像的灰度方差和每个像素点的灰度值,获得每个像素点的灰度影响度,灰度影响度和灰度方差呈正相关,灰度影响度和像素点的灰度值呈负相关;灰度影响度可以作为评价每个像素点是否受到凹陷区域影响的指标之一。
然后由于若某个分块受到凹陷区域影响越大,那么其分块内的像素点灰度差异也会越大,所以在每个分块图像中,将所有像素点按照灰度值进行有序排列,获得排列序列,再将排列序列中每个像素点与相邻的像素点之间灰度值差异的均值,作为每个像素点的灰度差异值,灰度差异值也作为评价每个像素点是否受到凹陷区域影响的另一指标。
最后根据每个像素点的灰度影响度和灰度差异值获得凹陷特征值,并且灰度影响度和灰度差异值均与凹陷特征值呈正相关。以任意一个像素点作为待测像素点为例,凹陷特征值的公式模型具体可以例如为:
其中,表示待测像素点/>的凹陷特征值,/>表示待测像素点/>的灰度值,/>表示待测像素点/>所属分块图像的灰度方差,/>表示待测像素点/>的灰度差异值,/>表示预设第一参数。
在凹陷特征值的公式模型中,若分块中存在凹陷区域,由于凹陷区域在受到光照时,会产生不均匀的反射现象,所以会导致分块中的像素点灰度值出现较大的差异,因此灰度方差的值会较大,同时,凹陷相较于正常区域,同样由于对光照的反射不均匀的影响,凹陷区域的像素点灰度值也会较小,所以基于像素点所属分块图像的灰度方差以及像素点自身的灰度值获得的灰度影响度,分子越大,同时分母越小,则说明该像素点受到凹陷影响的可能性就越大;当将分块图像内的像素点按照灰度值进行有序排列之后,当相邻像素点的灰度值差异越大时,也可说明分块图像受到凹陷影响的可能性越大,因此获得了灰度差异值;最后将二者进行结合,获得每个像素点的凹陷特征值,灰度影响度越大,同时灰度差异值也越大时,就说明该像素点所属的分块图像受到凹陷影响的可能性越大,故该像素点的凹陷特征值就越大。
需要说明的是,在本发明该实施例中预设第一数量设置为9,也即将灰度图像均匀划分为9个分块图像,预设第一参数设置为0.001,目的在于防止分母为0,具体数值实施者可根据实施场景进行调整,在此不做限定;同时,在对所有像素点按照灰度值进行有序排列获取排列序列时,可以进行升序排列,也可进行降序排列,实施者可自行选择,在此不做限定,在计算排列序列中每个像素点的灰度差异值时,首尾两个像素点有一个相邻的像素点,其他像素点均有两个相邻的像素点。
至此,可以初步获取到每个像素点受凹陷区域影响的凹陷特征值,可将其用于后续的分析过程中。
通过上述过程可以得到各像素点的凹陷特征值,但是因为上述过程是对分块图像内的像素点的灰度特征进行分析,而在分块图像中可能存在未受到凹陷区域影响的像素点,例如由于拍摄角度问题导致的阴影区域也会导致像素点的灰度值发生波动,并且暂时不影响风电叶片工作效率的脏污情况也会导致像素点的灰度值发生波动,所以使用凹陷特征值直接判断像素点是否为凹陷区域像素点会存在误差,需对其进行进一步的分析。
因为凹陷往往会产生凹陷中心,那么凹陷区域的像素点的灰度值就会向凹陷中心逐渐减小,而阴影区域和脏污区域中像素点的灰度变化情况会较为杂乱,所以可根据此特征可将凹陷区域与其他区域进行区分,由此,可以根据灰度图像中像素点灰度值的变化趋势获得每个像素点对应的变化路径以及路径方向,可以用于表征凹陷方向。为了便于解释和说明,在本发明实施例中将任意一个像素点作为待测像素点,通过对待测像素点进行后续分析用于说明各项指标的获取过程。
优选地,本发明一个实施例中,根据灰度图像中像素点灰度值的变化趋势获得待测像素点对应的变化路径和路径方向,包括:
由于若存在凹陷,像素点的灰度值会逐渐向凹陷中心减小,因此在以待测像素点为中心的预设邻域内,以待测像素点为起点,选取灰度值最小的邻域像素点,并将该邻域像素点作为终点,从而获得待测像素点对应的初始路径以及路径方向。
然后延伸该初始路径,沿着路径方向,当待测像素点的初始路径上下一个像素点的灰度值小于或等于上一个像素点的灰度值时,那么可视为该下一个像素点与待测像素点都属于凹陷区域,所以可以延伸该初始路径,重复该操作直至初始路径上下一个像素点的灰度值大于上一个像素点的灰度值时,停止延伸,从而获得待测像素点的变化路径;那么就可以将到某个像素点处停止延伸时对应的像素点作为变化路径的终点像素点。需要说明的是,在本发明实施例中预设邻域可设置为3×3,具体大小实施者可根据实施场景进行调整,在此不作限定。
至此,根据凹陷区域具有的灰度值会向凹陷中心逐渐递减的特征获得了每个像素点对应的变化路径以及路径方向,那么可以对变化路径上的像素点进行分析,从而根据路径上像素点之间存在的变化情况,获得待测像素点的递进变化度,可以用于表征待测像素点的变化路径的连续情况,便于更好的分析其受凹陷区域影响的状况。
优选地,本发明一个实施例中,根据待测像素点与对应的变化路径上其他像素点的凹陷特征值之间的差异,以及灰度梯度方向之间的差异,获得待测像素点的递进变化度,包括:
首先将待测像素点对应的变化路径上除待测像素点外的其他像素点作为对比像素点。
然后根据待测像素点与对应的每个对比像素点的凹陷特征值获得延续因子,延续因子和待测像素点的凹陷特征值呈正相关,延续因子与每个对比像素点的凹陷特征值呈负相关;并且获取将待测像素点与对应的每个对比像素点的灰度梯度方向的差异,并将其作为梯度方向偏差值,再将待测像素点与对应的每个对比像素点的延续因子和梯度方向偏差值的乘积,作为待测像素点与对应的每个对比像素点的递进因子,递进因子可以表征出待测像素点与对比像素点之间的差异情况,从而反映出变化路径的连续性。
最后将待测像素点与对应的所有对比像素点的递进因子的均值作为均值特征值,再将待测像素点的所有递进因子与对应的均值特征值的差异累加后进行负相关映射并归一化的值,作为待测像素点的递进变化度。待测像素点以像素点为例,递进变化度的公式模型具体可以例如为:
其中,表示待测像素点/>的递进变化度,/>表示待测像素点/>的凹陷特征值,表示待测像素点/>的变化路径上第/>个对比像素点的凹陷特征值,/>表示待测像素点与对应变化路径上第/>个对比像素点的梯度方向偏差值,/>表示待测像素点/>的均值特征值,/>表示待测像素点/>的变化路径上的对比像素点总数,/>表示以自然常数/>为底的指数函数,/>表示预设第二参数。
在递进变化度的公式模型中,由于受到凹陷的影响,因此待测像素点的灰度值相较于其变化路径上的对比像素点的凹陷特征值而言,会较大,原因在于对比像素点会更加接近凹陷中心,故将待测像素点与每个对比像素点的凹陷特征值的比值作为延续因子,延续因子的值越小,可以表征待测像素点的变化路径的延续性越好;然后分析待测像素点和对比像素点的灰度梯度方向的差异,因为凹陷会形成凹陷区域,具有一定的聚集性,并且由于待测像素点的变化路径上的像素点灰度值逐渐递减,因此当待测像素点与对比像素点的灰度梯度方向的差异,也即梯度方向偏差值/>越小的时候,说明待测像素点的变化路径选择的越准确,表征受到凹陷影响的可能性就越大;因此将延续因子与梯度方向偏差值进行结合,获得递进因子/>,此时,递进因子越小,说明待测像素点的变化路径选择越准确,并且路径中各像素点之间的延续性越强;然后将所有递进因子的均值作为均值特征值,用于表征待测像素点与其变化路径上所有对比像素点之间递进情况的整体性,然后分析每个递进因子与均值特征值/>之间的差异,该差异越小,则说明待测像素点与其变化路径上某个对比像素点的递进因子与整体情况之间的差异越小,表征越可能是受到凹陷区域的影响,所以将所有差异进行累加后并负相关映射并归一化,进行逻辑关系矫正,获得待测像素点的递进变化度,此时递进变化度越大,说明越可能受到凹陷区域的影响。需要说明的是,预设第二参数/>在本发明实施例中取值为0.001,目的在于防止分母为0,具体数值实施者可根据实施场景进行调整,在此不做限定。
至此,基于上述过程可以获得每个像素点的递进变化度,用于表征像素点为凹陷区域像素点的可能性。
步骤S3:在以待测像素点为中心的预设邻域内,根据待测像素点与对应的所有邻域像素点的路径方向之间的差异,以及递进变化度之间的差异,获得待测像素点的渐变影响度;根据待测像素点的变化路径上与对应的所有邻域像素点的变化路径上终点像素点之间的位置分布,获得待测像素点的聚集离散值;根据待测像素点的聚集离散值和对应的变化路径上其他像素点的渐变影响度获得待测像素点的凹陷程度值。
凹陷区域相较于脏污区域或者光照产生的阴影区域而言,凹陷区域中的像素点的灰度变化会具有一定的聚集性以及方向相关性,所以为了进一步地对凹陷以及其他情况进行区分,便于最终获取更加准确的凹陷区域,可以待测像素点为中心构建预设邻域,根据预设邻域内像素点路径方向之间的差异以及递进变化度之间的差异,获得渐变影响度,有助于后续更加准确的获取每个像素点的凹陷程度。
优选地,本发明一个实施例中,根据待测像素点与对应的所有邻域像素点的路径方向之间的差异,以及递进变化度之间的差异,获得待测像素点的渐变影响度,包括:
对于凹陷区域,在局部区域中,像素点的递进变化度会存在一定的相关性,并且路径方向也会具有一定的相关性,所以根据待测像素点与对应的每个邻域像素点的路径方向之间的差异,获得路径方向偏差值,将待测像素点与对应的每个邻域像素点的递进变化度之间的差异作为递进变化差异值。然后将待测像素点与对应的每个邻域像素点的路径方向偏差值和递进变化差异值相乘后,作为待测像素点与对应的每个邻域像素点的渐变因子,最后将待测像素点与对应的所有邻域像素点的渐变因子累加后,并进行负相关映射以及归一化的值,作为待测像素点的渐变影响度,用于表征待测像素点在预设邻域内与邻域像素点之间的相关性。待测像素点的渐变影响度的公式模型具体可以例如为:
其中,表示待测像素点/>的渐变影响度,/>表示待测像素点/>与对应的第/>个邻域像素点的路径方向偏差值,/>表示待测像素点/>与对应的第/>个邻域像素点的递进变化差异值,/>表示待测像素点/>的邻域像素点的总数,/>表示以自然常数/>为底的指数函数。
在渐变影响度的公式模型中,鉴于同属一个凹陷区域的像素点会具有较为一致的特征,所以对局部区域进行分析,获取了待测像素点与每个邻域像素点的路径方向之间的偏差,作为路径方向偏差,以及获取了待测像素点与每个邻域像素点的递进变化度之间的差异,作为递进变化差异值/>,当路径方向偏差和递进变化差异值都越小时,即可说明待测像素点和邻域像素点具有较强的相关性,符合同属一个凹陷区域的像素点会具有较强的相关特性的特征,所以将二者相乘,作为待测像素点和每个邻域像素点的渐变因子,渐变因子越小,说明待测像素点和每个邻域像素点的相关性越强;然后将待测像素点与所有邻域像素点的渐变因子进行综合分析,将所有渐变因子进行累加,然后负相关映射并归一化,实现逻辑关系矫正,获得待测像素点的渐变影响度,此时待测像素点与每个邻域像素点的渐变因子越小,那么渐变影响度越大,说明待测像素点与以其自身为中心构建的预设邻域内的所有邻域像素点都具有较强的相关性,并且变化情况都较为一致,故其越可能是凹陷区域的像素点。
基于上述过程可以获得每个像素点的渐变影响度,用于表征像素点为凹陷区域像素点的可能性,进一步地,鉴于凹陷区域会存在凹陷中心的特点,并且每个像素点变化路径上的终点像素点可以用于表征每个像素点所属凹陷区域的凹陷中心,因此,可对局部区域内的像素点的变化路径上的终点像素点进行位置分析,用于获取判断像素点是否为凹陷区域像素点的另一依据。
优选地,本发明一个实施例中,根据待测像素点的变化路径上与对应的所有邻域像素点的变化路径上终点像素点之间的位置分布,获得待测像素点的聚集离散值,包括:
首先获取待测像素点对应的终点像素点与所有邻域像素点对应的终点像素点,并将获取到的所有终点像素点作为目标像素点,由于当越可能受到凹陷区域影响,并且越可能同属一个缺陷区域时,目标像素点之间的位置分布会具有聚集性,所以计算所有目标像素点两两之间欧式距离,然后将所有的欧式距离进行累加,将该累加值进行归一化后作为待测像素点的聚集离散值,待测像素点的聚集离散值可记为,并且该值越大,说明目标像素点的位置分布越离散,那么受凹陷区域影响的可能性就会越小,反之,聚集离散值越小,那么说明受凹陷区域影响的可能性越大,越可能是凹陷区域像素点。
在获取到像素点的渐变影响度和聚集离散值后,可根据这两个指标评价像素点受凹陷区域影响的凹陷程度值。仍以待测像素点为例进行凹陷程度值获取方法的说明。
优选地,本发明一个实施例中,待测像素点的凹陷程度值的公式模型包括:
其中,表示待测像素点/>的凹陷程度值,/>表示待测像素点/>的聚集离散值,表示待测像素点/>的变化路径上第/>个对比像素点的渐变影响度,/>表示待测像素点/>的变化路径上的对比像素点总数,/>表示对数函数,/>表示预设第一正整数,/>表示预设第二正整数。
在凹陷程度值的公式模型中,基于上述分析可知,聚集离散值越小,那么说明受凹陷区域影响的可能性越大,越可能是凹陷区域像素点,渐变影响度越大,越可能是凹陷区域的像素点,所以使用对数函数进行凹陷程度值的构建,将聚集离散值与预设第一正整数的和值作为底数,加预设第一正整数的目的在于保证对数函数为增函数;然后将待测像素点变化路径上所有对比像素点的渐变影响度进行累加,获得累加值,为了保证最终获得的凹陷程度值为正值,所以将该累加值与预设第二正整数相加,由此构建凹陷程度值的公式模型,并且用待测像素点的聚集离散值对其变化路径上的对比像素点的渐变影响度进行调整,能够获取待测像素点更加精确的凹陷程度值;此时,当待测像素点的聚集离散值越小,那么底数/>就越小,同时/>越大时,那么最终待测像素点的凹陷程度值就越大。需要说明的是,由于对聚集离散值进行了归一化,并且基于对数函数的性质,所以为了使得最终的凹陷程度值区分度变大,所以在本发明该实施例中将预设第一正整数设置为1;同时预设第二正整数也设置为1,具体数值实施者可根据实施场景进行调整,在此不做限定。
至此,根据上述方法可以获得每个像素点的凹陷程度值,表征每个像素点受凹陷区域影响的程度,同时反映出其为凹陷区域像素点的可能性,便于后续继续进行分析。
步骤S4:根据每个像素点的凹陷程度值对每个像素点的灰度值进行更新,获得增强图像;根据增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果进行故障检测。
受凹陷区域影响程度越大的像素点越可能属于凹陷区域,所以为了便于后续获取凹陷区域,需将其与其他区域进行对比度增强,从而便于更好的将凹陷像素点和其他像素点区分开来,所以可以根据每个像素点的凹陷程度值更新其自身的灰度值,用于增强图像的对比度,获得增强图像,便于后续分析。
优选地,本发明一个实施例中,根据每个像素点的凹陷程度值对每个像素点的灰度值进行更新,获得增强图像,包括:
将每个像素点的凹陷程度值进行归一化后的值与预设灰度值相乘,将相乘后的结果进行向下取整,即可获得每个像素点的更新灰度值,然后根据所有像素点的更新灰度值组成增强图像,由于更新灰度值是依据每个像素点的凹陷程度值获取的,所以最终获得的增强图像可以更加准确的反映出图像中各像素点受凹陷影响的情况,也即增强图像为自适应增强图像,有效提高了受凹陷影响的像素点和其他像素点的对比度。需要说明的是,在本发明实施例中,为了显著提高对比度,所以预设灰度值为灰度值上限255,具体数值实施者也可根据实施场景进行调整,在此不做限定。
增强图像实现了受凹陷影响的像素点和其他像素点的有效区分,所以根据增强图像中所有像素点的灰度值对像素点进行聚类时,就可以获得准确的聚类结果,进而提高最终故障检测的准确性。
优选地,本发明一个实施例中,根据所述增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果进行故障检测,包括:
首先基于手肘法获得增强图像中像素点聚类时的最优K值,然后可以利用K-means聚类算法根据该最优K值和增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果。
然后可以对聚类结果中每个聚类簇中所有像素点的灰度值进行计算,获得灰度值的均值,作为故障指标,基于上述分析可知,受凹陷影响的像素点的更新灰度值更大,所以凹陷区域的像素点的故障指标也会越大;故根据故障指标对所有聚类簇进行降序排序,将前预设第二数量个聚类簇在灰度图像中对应的区域作为故障区域。
需要说明的是,手肘法和K-means聚类算法皆为本领域技术人员熟知的技术手段,在此不做赘述;同时,前预设第二数量设置为前3个,具体数值实施者可根据实施场景进行调整,在此不做限定。
基于上述步骤可以对风电叶片进行准确的故障检测。
综上所述,本发明首先获取仅包含风电叶片的灰度图像,以及灰度图像中各像素点的灰度梯度方向;由于凹陷会导致一定区域内像素点灰度值发生变化,因此可基于灰度图像中像素点的分布以及波动情况初步获得每个像素点的凹陷特征值;进一步地,由于凹陷区域的像素点灰度值会具有一定的递进变化情况,所以根据灰度图像中像素点灰度值的变化趋势获得每个像素点对应的变化路径以及路径方向,然后可对变化路径上的像素点进行分析,根据像素点之间凹陷特征值以及灰度梯度方向的差异,得到每个像素点的递进变化度,用于表征每个像素点为凹陷区域像素点的可能性;由于光照产生的阴影也会导致像素点的灰度值具有一定的变化趋势,因此,可进一步在以每个像素点为中心的预设邻域内,根据每个像素点与对应的邻域像素点的路径方向的差异以及递进变化度差异,获得每个像素点的渐变影响度,用于表征每个像素点与邻域像素点之间的相关性;再根据每个像素点的变化路径上与对应的邻域像素点的变化路径上的终点像素点之间的位置分布情况,获得每个像素点对应的聚集离散值,用于表征每个像素点受凹陷影响的程度;最后根据每个像素点的聚集离散值以及变化路径上像素点的渐变影响度获得每个像素点的凹陷程度值,可准确的表征出每个像素点受凹陷区域影响的程度;最后基于凹陷程度值对每个像素点的灰度值进行调整更新,可以有效增强凹陷区域像素点和其他区域像素点的对比度,对图像进行自适应增强,因此在对增强图像中的像素点进行聚类分析时,可获得准确的聚类结果,从而有效提高故障检测结果的准确性。
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 (7)
1.一种基于图像数据的风电叶片故障检测方法,其特征在于,所述方法包括:
获取仅包含风电叶片的灰度图像,获取所述灰度图像中每个像素点的灰度梯度方向;
根据所述灰度图像中像素点灰度值的分布情况以及波动情况获得每个像素点的凹陷特征值;在所述灰度图像中任选一个像素点作为待测像素点;根据所述灰度图像中像素点灰度值的变化趋势获得待测像素点对应的变化路径和路径方向;根据待测像素点与对应的变化路径上其他像素点的凹陷特征值之间的差异,以及灰度梯度方向之间的差异,获得待测像素点的递进变化度;
在以待测像素点为中心的预设邻域内,根据待测像素点与对应的所有邻域像素点的路径方向之间的差异,以及递进变化度之间的差异,获得待测像素点的渐变影响度;根据待测像素点的变化路径上与对应的所有邻域像素点的变化路径上终点像素点之间的位置分布,获得待测像素点的聚集离散值;根据待测像素点的聚集离散值和对应的变化路径上其他像素点的渐变影响度获得待测像素点的凹陷程度值;
根据每个像素点的凹陷程度值对每个像素点的灰度值进行更新,获得增强图像;根据所述增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果进行故障检测;
所述根据所述灰度图像中像素点灰度值的分布情况以及波动情况获得每个像素点的凹陷特征值,包括:
将所述灰度图像均匀划分为预设第一数量个分块图像;
将每个分块图像中所有像素点灰度值的方差作为灰度方差;根据每个像素点的灰度值和其所属分块图像的灰度方差,获得每个像素点的灰度影响度,所述灰度影响度和灰度方差呈正相关,所述灰度影响度和像素点的灰度值呈负相关;
在每个分块图像中,将所有像素点按照灰度值进行有序排列,获得排列序列,将所述排列序列中每个像素点与相邻的像素点之间灰度值差异的均值,作为每个像素点的灰度差异值;
根据每个像素点的灰度影响度和灰度差异值获得凹陷特征值,其中,所述灰度影响度和灰度差异值均与凹陷特征值呈正相关;
所述根据待测像素点与对应的变化路径上其他像素点的凹陷特征值之间的差异,以及灰度梯度方向之间的差异,获得待测像素点的递进变化度,包括:
将待测像素点对应的变化路径上除待测像素点外的其他像素点作为对比像素点;
根据待测像素点与对应的每个对比像素点的凹陷特征值获得延续因子,所述延续因子和待测像素点的凹陷特征值呈正相关,所述延续因子与每个对比像素点的凹陷特征值呈负相关;将待测像素点与对应的每个对比像素点的灰度梯度方向的差异作为梯度方向偏差值,将待测像素点与对应的每个对比像素点的延续因子和梯度方向偏差值的乘积,作为待测像素点与对应的每个对比像素点的递进因子;
将待测像素点与对应的所有对比像素点的递进因子的均值作为均值特征值,将待测像素点的所有递进因子与对应的均值特征值的差异累加后进行负相关映射并归一化的值,作为待测像素点的递进变化度;
所述根据待测像素点与对应的所有邻域像素点的路径方向之间的差异,以及递进变化度之间的差异,获得待测像素点的渐变影响度,包括:
将待测像素点与对应的每个邻域像素点的路径方向之间的差异作为路径方向偏差值,将待测像素点与对应的每个邻域像素点的递进变化度之间的差异作为递进变化差异值;
将待测像素点与对应的每个邻域像素点的路径方向偏差值和递进变化差异值相乘后的值,作为待测像素点与对应的每个邻域像素点的渐变因子;
将待测像素点与对应的所有邻域像素点的渐变因子累加后进行负相关映射并归一化的值,作为待测像素点的渐变影响度。
2.根据权利要求1所述的一种基于图像数据的风电叶片故障检测方法,其特征在于,所述根据所述灰度图像中像素点灰度值的变化趋势获得待测像素点对应的变化路径和路径方向,包括:
在以待测像素点为中心的预设邻域内,以待测像素点为起点,灰度值最小的邻域像素点为终点,获得待测像素点对应的初始路径以及路径方向;
沿着路径方向,当待测像素点对应的初始路径上下一个像素点的灰度值小于或等于上一个像素点的灰度值时,延伸所述初始路径,直至初始路径上下一个像素点的灰度值大于上一个像素点的灰度值时,停止延伸,获得待测像素点的变化路径。
3.根据权利要求1所述的一种基于图像数据的风电叶片故障检测方法,其特征在于,所述根据待测像素点的变化路径上与对应的所有邻域像素点的变化路径上终点像素点之间的位置分布,获得待测像素点的聚集离散值,包括:
将待测像素点对应的终点像素点与所有邻域像素点对应的终点像素点作为目标像素点;
计算所有目标像素点两两之间欧式距离的累加值,将所述累加值进行归一化后的值作为待测像素点的聚集离散值。
4.根据权利要求1所述的一种基于图像数据的风电叶片故障检测方法,其特征在于,所述待测像素点的凹陷程度值的公式模型包括:
;其中,/>表示待测像素点/>的凹陷程度值,表示待测像素点/>的聚集离散值,/>表示待测像素点/>的变化路径上第/>个对比像素点的渐变影响度,/>表示待测像素点/>的变化路径上的对比像素点总数,/>表示对数函数,/>表示预设第一正整数,/>表示预设第二正整数。
5.根据权利要求1所述的一种基于图像数据的风电叶片故障检测方法,其特征在于,所述根据每个像素点的凹陷程度值对每个像素点的灰度值进行更新,获得增强图像,包括:
将每个像素点的凹陷程度值进行归一化后的值与预设灰度值相乘并向下取整,获得每个像素点的更新灰度值;所有像素点的更新灰度值组成增强图像。
6.根据权利要求1所述的一种基于图像数据的风电叶片故障检测方法,其特征在于,所述根据所述增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果进行故障检测,包括:
基于手肘法获得所述增强图像中像素点聚类时的最优K值;
利用K-means聚类算法根据所述最优K值和增强图像中所有像素点的灰度值对所有像素点进行聚类,获得聚类结果;
计算所述聚类结果中每个聚类簇中所有像素点的灰度值的均值,作为故障指标;根据所述故障指标对所有聚类簇进行降序排序,将前预设第二数量个聚类簇在灰度图像中对应的区域作为故障区域。
7.根据权利要求1所述的一种基于图像数据的风电叶片故障检测方法,其特征在于,所述获取所述灰度图像中每个像素点的灰度梯度方向,包括:
基于Canny算子获取所述灰度图像中每个像素点的灰度梯度方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675922.8A CN117372436B (zh) | 2023-12-08 | 2023-12-08 | 基于图像数据的风电叶片故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675922.8A CN117372436B (zh) | 2023-12-08 | 2023-12-08 | 基于图像数据的风电叶片故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117372436A CN117372436A (zh) | 2024-01-09 |
CN117372436B true CN117372436B (zh) | 2024-02-13 |
Family
ID=89398853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311675922.8A Active CN117372436B (zh) | 2023-12-08 | 2023-12-08 | 基于图像数据的风电叶片故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372436B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557573B (zh) * | 2024-01-12 | 2024-04-26 | 群亿光电(深圳)有限公司 | 基于计算机视觉的oca膜气泡检测方法 |
CN117788459B (zh) * | 2024-02-23 | 2024-04-30 | 青岛正大正电力环保设备有限公司 | 基于图像特征的链条磨损检测方法 |
CN117830415A (zh) * | 2024-03-05 | 2024-04-05 | 苏州新吴光电股份有限公司 | 一种车载大尺寸光电玻璃盖板加工定位方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115644A (zh) * | 2022-08-31 | 2022-09-27 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
CN116596936A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市魔方卫星科技有限公司 | 基于图像数据的太阳翼帆板质量检测方法 |
CN116758056A (zh) * | 2023-08-09 | 2023-09-15 | 东莞市乾威五金有限公司 | 一种电器端子生产缺陷检测方法 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
-
2023
- 2023-12-08 CN CN202311675922.8A patent/CN117372436B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115115644A (zh) * | 2022-08-31 | 2022-09-27 | 启东市德立神起重运输机械有限公司 | 一种基于人工智能的车辆焊接缺陷检测方法 |
CN116030034A (zh) * | 2023-02-21 | 2023-04-28 | 青岛精锐机械制造有限公司 | 阀门表面缺陷的视觉识别方法 |
CN116452598A (zh) * | 2023-06-20 | 2023-07-18 | 曼德惟尔(山东)智能制造有限公司 | 基于计算机视觉的车桥生产质量快速检测方法及系统 |
CN116596936A (zh) * | 2023-07-18 | 2023-08-15 | 深圳市魔方卫星科技有限公司 | 基于图像数据的太阳翼帆板质量检测方法 |
CN116758056A (zh) * | 2023-08-09 | 2023-09-15 | 东莞市乾威五金有限公司 | 一种电器端子生产缺陷检测方法 |
CN117011297A (zh) * | 2023-10-07 | 2023-11-07 | 惠州市凯默金属制品有限公司 | 基于图像处理的铝合金汽配件模具缺陷检测方法 |
CN117173184A (zh) * | 2023-11-03 | 2023-12-05 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117372436A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117372436B (zh) | 基于图像数据的风电叶片故障检测方法 | |
CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN114140462B (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN101996405B (zh) | 一种快速的玻璃图像缺陷检测及分类方法及其装置 | |
CN115937204B (zh) | 一种焊管生产质量检测方法 | |
CN116664557B (zh) | 一种风机叶片表面缺陷视觉检测方法 | |
CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
CN114894804A (zh) | 一种精密标准件表面裂纹检测方法 | |
CN116485797B (zh) | 基于人工智能的涂料色差快速检测方法 | |
CN115018835B (zh) | 一种汽车起动机齿轮检测方法 | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN114841938A (zh) | 一种织物勾丝缺陷检测方法 | |
CN116758077A (zh) | 一种冲浪板表面平整度在线检测方法及系统 | |
CN116091498A (zh) | 用于铅酸蓄电池智能充电器的视觉缺陷检测方法 | |
CN114581428B (zh) | 一种基于光学手段的粉末涂料粘合度检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN115439839A (zh) | 基于点云数据的多类型结构面分层识别方法 | |
CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
CN115578390B (zh) | 一种用于除氧器的焊接控制方法 |
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 |