CN117557820B - 一种基于机器视觉的量子点光学膜损伤检测方法及系统 - Google Patents
一种基于机器视觉的量子点光学膜损伤检测方法及系统 Download PDFInfo
- Publication number
- CN117557820B CN117557820B CN202410021812.8A CN202410021812A CN117557820B CN 117557820 B CN117557820 B CN 117557820B CN 202410021812 A CN202410021812 A CN 202410021812A CN 117557820 B CN117557820 B CN 117557820B
- Authority
- CN
- China
- Prior art keywords
- optical film
- quantum dot
- cluster
- dot optical
- clusters
- 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
- 239000012788 optical film Substances 0.000 title claims abstract description 134
- 239000002096 quantum dot Substances 0.000 title claims abstract description 134
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 23
- 230000000694 effects Effects 0.000 description 9
- 230000006978 adaptation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000002834 transmittance Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据聚类技术领域,具体涉及一种基于机器视觉的量子点光学膜损伤检测方法及系统,获取量子点光学膜图像,确定图像对应的各个初始聚类簇,选取出两个目标初始聚类簇;依据两个目标初始聚类簇之间的相似性,确定不同初始聚类簇之间的关联性指标,基于关联性指标确定最佳的类簇最小样本数;利用最佳的类簇最小样本数,获得各个第一聚类簇,计算拉普拉斯核在卷积输出时不同像素点的权重,进而获得最佳量子点光学膜图像;基于最佳量子点光学膜图像实现量子点光学膜的损伤检测。本发明结合ISODATA聚类结果,对拉普拉斯核进行不同像素点权重的自适应,提高了量子点光学膜损伤检测结果的准确性。
Description
技术领域
本发明涉及图像数据聚类技术领域,具体涉及一种基于机器视觉的量子点光学膜损伤检测方法及系统。
背景技术
量子点光学膜是一种利用量子点技术制造的特殊光学膜,量子点光学膜通过利用量子点的独特性质为显示技术带来了显著的改进,尤其是在颜色的显示上,因此它在显示技术和光学应用中具有重要作用。量子点光学膜存在的缺陷类型较为固定,通常为量子点分布不均或退化,其导致显示屏存在亮度或颜色的不均匀分布,即存在损伤缺陷区域。
为了提高损伤缺陷区域的识别准确性,使用对灰度变化较为敏感的拉普拉斯核进行缺陷区域获取,传统的拉普拉斯核中不同区域的拉普拉斯核权重保持一致,其导致拉普拉斯核对于缺陷特征的敏感度较差,缺陷特征敏感度较差将造成图像中部分缺陷不能完全被检测出来,损伤缺陷区域的识别准确性低下,即量子点光学膜损伤检测结果的准确性低下。
发明内容
为了解决上述量子点光学膜损伤检测结果的准确性低下的技术问题,本发明的目的在于提供一种基于机器视觉的量子点光学膜损伤检测方法及系统,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于机器视觉的量子点光学膜损伤检测方法,该方法包括以下步骤:
获取待检测量子点光学膜在透光检测过程中的一张图像,记为量子点光学膜图像;设置原始类簇最小样本数,利用ISODATA对量子点光学膜图像中所有像素点进行聚类,获得各个初始聚类簇;
确定两个目标初始聚类簇;根据两个目标初始聚类簇的聚类中心位置和像素点个数,分析空间距离和聚类数量差异,确定第一关联因子;根据两个目标初始聚类簇的聚类中心与其对应的目标初始聚类簇边缘之间的距离分析类簇形状差异,确定第二关联因子;根据两个目标初始聚类簇中每个像素点的灰度值分析类簇灰度差异,确定第三关联因子;根据第一关联因子、第二关联因子和第三关联因子,确定不同初始聚类簇之间的关联性指标;
根据关联性指标和原始类簇最小样本数确定最佳的类簇最小样本数;基于最佳的类簇最小样本数,利用ISODATA对量子点光学膜图像中所有像素点再次进行聚类,获得各个第一聚类簇;
根据量子点光学膜图像中每个像素点的位置和各个第一聚类簇的聚类中心位置,确定量子点光学膜图像中每个像素点的拉普拉斯核权重;基于拉普拉斯核权重,利用拉普拉斯核对量子点光学膜图像进行滤波处理,获得最佳量子点光学膜图像;
基于最佳量子点光学膜图像判断待检测量子点光学膜是否存在损伤,若存在损伤则获取损伤程度。
进一步地,确定两个目标初始聚类簇,包括:
根据各个初始聚类簇的聚类中心位置,计算任意两个初始聚类簇的聚类中心之间的欧氏距离,获得各个欧氏距离,将最小欧氏距离对应的两个初始聚类簇作为目标初始聚类簇。
进一步地,根据两个目标初始聚类簇的聚类中心位置和像素点个数,分析空间距离和聚类数量差异,确定第一关联因子,包括:
根据两个目标初始聚类簇的聚类中心位置计算两个聚类中心之间的欧氏距离,将欧氏距离确定为两个目标初始聚类簇之间的空间距离;将两个目标初始聚类簇内像素点个数之间的差值绝对值,确定为两个目标初始聚类簇之间的聚类数量差异;计算两个目标初始聚类簇之间的空间距离和聚类数量差异的乘积,对空间距离和聚类数量差异的乘积与1相加后再进行取反操作,将取反操作后的数值确定为第一关联因子。
进一步地,根据两个目标初始聚类簇的聚类中心与其对应的目标初始聚类簇边缘之间的距离分析类簇形状差异,确定第二关联因子,包括:
对于任意一个目标初始聚类簇,以聚类中心为起始端点作射线,将射线与目标初始聚类簇边缘相交的交点作为终止端点,将起始端点与终止端点之间的线段作为直线段,获得各个直线段;其中,所述各个直线段与水平线的夹角角度分别为对应的预设角度;
根据两个目标初始聚类簇对应的各个直线段之间的长度差异,确定第二关联因子。
进一步地,所述第二关联因子的计算公式为:
;式中,Con2为第二关联因子,θ为直线段与水平线的夹角角度,360°为直线段与水平线的最大夹角角度,u(θ)为两个目标初始聚类簇的其中一个目标初始聚类簇对应的夹角角度为θ的直线段的长度,v(θ)为两个目标初始聚类簇的另外一个目标初始聚类簇对应的夹角角度为θ的直线段的长度,||为求绝对值符号。
进一步地,所述第三关联因子的计算公式为:
;式中,Con3为第三关联因子,θ为直线段与水平线的夹角角度,360°为直线段与水平线的最大夹角角度,Var为求方差函数,k为直线段上各个像素点的序号,K为两个目标初始聚类簇对应的夹角角度为θ的直线段的最大长度,f(k)θ为两个目标初始聚类簇的其中一个目标初始聚类簇对应的夹角角度为θ的直线段上第k个像素点的灰度值,g(k)θ为两个目标初始聚类簇的另外一个目标初始聚类簇对应的夹角角度为θ的直线段上第k个像素点的灰度值,||为求绝对值符号。
进一步地,根据关联性指标和原始类簇最小样本数确定最佳的类簇最小样本数,包括:
计算预设的关联性阈值与关联性指标的差值,将差值与原始类簇最小样本数的乘积作为样本数变量;对原始类簇最小样本数与样本数变量相加后的数值进行向上取整,将向上取整后的数值作为最佳的类簇最小样本数。
进一步地,根据量子点光学膜图像中每个像素点的位置和各个第一聚类簇的聚类中心位置,确定量子点光学膜图像中每个像素点的拉普拉斯核权重,包括:
对于量子点光学膜图像中的任意一个像素点,计算像素点与各个第一聚类簇的聚类中心之间的欧氏距离,将最小欧氏距离进行反比例的归一化处理,将反比例的归一化处理后的数值作为像素点的拉普拉斯核权重。
进一步地,基于最佳量子点光学膜图像判断待检测量子点光学膜是否存在损伤,若存在损伤则获取损伤程度,包括:
使用大津阈值对最佳量子点光学膜图像进行阈值分割处理,获得各个像素值为1的像素点;若像素值为1的像素点组成的连通域内像素点个数小于预设像素点个数,则判定待检测量子点光学膜不存在损伤,否则,判定待检测量子点光学膜存在损伤,并将像素值为1的像素点个数与最佳量子点光学膜图像中所有像素点个数的比值作为损伤程度。
本发明一个实施例还提供了一种基于机器视觉的量子点光学膜损伤检测系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现所述的一种基于机器视觉的量子点光学膜损伤检测方法。
本发明具有如下有益效果:
本发明提供了一种基于机器视觉的量子点光学膜损伤检测方法及系统,首先,正常情况下的量子点光学膜无法用于损伤检测,正常情况指代不透光的光学膜,因此为了进行量子点光学膜的损伤检测,需要在待检测量子点光学膜进行透光检测过程中采集一张图像,即量子点光学膜图像。其次,设置原始类簇最小样本数,对量子点光学膜图像中所有像素点进行初次聚类,获得各个初始聚类簇;确定各个初始聚类簇是为了便于后续分析不同初始聚类簇之间的关联性,以便于后续基于关联性修正类簇最小样本数。然后,基于各个初始聚类簇筛选出两个目标初始聚类簇,相比对整体初始聚类簇进行关联性关系,仅对两个目标初始聚类簇进行关联性分析和计算,有助于减少计算量,提高量子点光学膜损伤检测的效率。接着,依据两个目标初始聚类簇量化不同初始聚类簇之间的关联性指标,基于关联性指标确定的最佳的类簇最小样本数,消除了聚类偏差,提高了聚类结果的准确性,更能体现场景特征。再者,为了消除拉普拉斯核在滤波过程中对小幅度变化的灰度尺度不敏感的问题,自适应确定拉普拉斯核权重,以放大对灰度变化的敏感性;而为了得到自适应的权重,选择依据ISODATA聚类结果进行权重的自适应,在聚类过程中类簇最小样本数影响聚类结果,进而影响拉普拉斯核权重的确定,因此获取最佳的类簇最小样本数是实现量子点光学膜损伤检测过程中相当必要的步骤。最后,依据自适应确定的拉普拉斯核权重进行滤波处理,获得最佳量子点光学膜图像,若存在损伤则最佳量子点光学膜图像的损伤区域特征可以得到放大;基于最佳量子点光学膜图像进行量子点光学膜损伤检测,有助于提高量子点光学膜损伤检测结果的准确性。
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为本发明一种基于机器视觉的量子点光学膜损伤检测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明所针对的应用场景可以为:使用拉普拉斯核对采集到的量子点光学膜图像进行滤波,以检测出损伤缺陷区域,在此过程中,因为拉普拉斯核对于灰度值变化较小的场景敏感度不足,导致滤波输出不能够放大缺陷区域特征,影响对于光学膜损伤检测的结果。
为了增加拉普拉斯核对缺陷特征的敏感性,需要基于缺陷特征自适应确定拉普拉斯核权重,而为了获得精准的缺陷特征,选择使用聚类效果较优的ISODATA(IterativeSelf-Organizing Data Analysis Techniques Algorithm,迭代自组织的数据分析算法)对原像素样本进行聚类,依据聚类结果自适应确定拉普拉斯核权重。具体,本实施例提供了一种基于机器视觉的量子点光学膜损伤检测方法,如图1所示,包括以下步骤:
S1,获取待检测量子点光学膜在透光检测过程中的一张图像,记为量子点光学膜图像。
在本实施例中,量子点光学膜的均匀性检测是一个重要的质量控制步骤,其有助于确保膜的光学性能达到预期标准。均匀性检测过程通常为透光性检测,将光源放置在待检测量子点光学膜下方并观察其透光性,在其过程中采集一张待检测量子点光学膜图像,将该张待检测量子点光学膜图像记为量子点光学膜图像。为了便于分析像素点的灰度特征,对量子点光学膜图像进行灰度化处理,可以获得灰度化处理后的量子点光学膜图像。另外,为了增加场景特征的对比度,利用直方图均衡化对灰度化处理后的量子点光学膜图像进行预处理,直方图均衡化和灰度化的实现过程均为现有技术,不在本发明保护范围,此处不再进行详细阐述。
值得说明的是,后续步骤涉及到的量子点光学膜图像均指代灰度化和直方图均衡化处理后的图像。关于透光性检测,若拍摄的量子点光学膜不透光,则无法辨认量子点光学膜是否存在损伤,故此处的透光性检测仅仅是为了提供一张可以用于聚类簇特征分析的图像。
至此,本实施例获得了量子点光学膜图像。
S2,根据量子点光学膜图像中每个像素点的灰度值,对量子点光学膜图像中所有像素点进行聚类获得各个初始聚类簇,进而确定不同初始聚类簇之间的关联性指标。
需要说明的是,当量子点存在分布不均匀或退化现象时,说明量子点光学膜存在损伤,主要损伤为均匀性损伤,其表现在量子点光学膜图像中为部分损伤缺陷区域。部分损伤缺陷区域的灰度值受图像获取方式的限制,其与背景灰度值较为近似,故损伤缺陷的整体特征可以为:其一,灰度值与背景灰度值近似,使用传统算法难以进行检测和区分;其二,受光学膜结构的影响,损伤缺陷轮廓较为规整。
为了起到对损伤区域进行精准缺陷检测的作用,通常选取对于灰度变化较为敏感的拉普拉斯核进行滤波,目的是若存在损伤缺陷使得滤波之后的结果能够凸显出缺陷区域。传统拉普拉斯核拥有固定权重大小,核内灰度值输入后,能够对应输出其二阶导函数的结果,因此对于灰度值的变化较为敏感,适用于量子点光学膜图像下的缺陷区域与背景近似的条件。拉普拉斯核算法在得到滤波结果的过程中,因为像素灰度差异过小引起滤波结果不理想的效应,为了克服滤波效果不理想的缺陷,需要依据场景特征自适应确定拉普拉斯核的核内权重。而权重的划分依靠参与权重计算的像素样本点与场景特征的适配度,像素样本点即为量子点光学膜图像中的像素点,该适配度即指能否有效体现场景特征,场景特征的量化这里选取ISODATA进行获取,该算法对于样本点的聚类效果较优。进一步,参与权重计算的像素样本点与聚类中心越接近,其适配度越高,权重就越大;而使用ISODATA进行像素点聚类过程中,类簇最小样本数将会影响聚类效果的优劣,类簇最小样本数选取越合适,聚类结果越准确,对应的拉普拉斯核的核内权重划分越合理,这里的类簇最小样本数是指一个聚类簇内最小样本点个数。为了获得最优的聚类结果,需要分析不同类簇之间的关联性,具体实现步骤可以包括:
第一步,设置原始类簇最小样本数,利用ISODATA对量子点光学膜图像中所有像素点进行聚类,获得各个初始聚类簇。
本实施例在获得量子点光学膜图像后,使用ISODATA对图像中的像素点样本进行初始聚类簇选取,初始聚类簇的选取原则需要满足均匀选取,在量子点光学膜图像中均匀放置20个初始聚类簇的聚类中心,并进行聚类处理,可以获得各个初始聚类簇。值得说明的是,ISODATA聚类与否的判断标准为像素样本点的灰度值。
其中,原始类簇最小样本数可以设置为20,实施者可以根据具体实际情况设置原始类簇最小样本数的大小,此处不做具体限定。对量子点光学膜图像中的像素样本点进行迭代聚类操作之前,基于获得各个初始聚类簇分析不同初始聚类簇之间的关联性,以便于后续获得更合适的类簇最小样本点数。确定各个初始聚类簇的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
第二步,根据各个初始聚类簇的聚类中心位置,筛选出两个目标初始聚类簇。
在本实施例中,根据各个初始聚类簇的聚类中心位置,计算任意两个初始聚类簇的聚类中心之间的欧氏距离,可以获得各个欧氏距离,也就是每两个聚类中心对应一个欧氏距离。从所有欧氏距离中确定最小值,即最小欧氏距离,将最小欧氏距离对应的两个初始聚类簇作为目标初始聚类簇。最小欧氏距离的计算过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,目标初始聚类簇指代距离最为接近的两个初始聚类簇,通过量化距离最近的两个初始聚类簇之间的关联程度,可以获得整体初始聚类簇之间的关联性。相比计算每两个初始聚类簇之间的关联性,仅计算两个距离最近的两个初始聚类簇之间的关联性指标,有助于减少计算量,提高量子点光学膜损伤检测的效率。
第三步,根据两个目标初始聚类簇的聚类中心位置和像素点个数,分析空间距离和聚类数量差异,确定第一关联因子。
在本实施例中,关联性与不同聚类簇之间的图像空间距离和聚类数量有关,不同聚类簇之间的空间距离越小,其为孤立噪声的概率就越低,聚类簇之间的关联性越大;不同聚类簇之间的聚类数量差异越小,说明不同聚类簇内聚类像素样本点个数越近似,聚类簇之间的关联性越大。基于上述关联性的分析可知,基于两个目标初始聚类簇的聚类中心位置和像素点个数,可以确定第一关联因子,第一关联因子可以表征两个目标初始聚类簇之间的图像空间距离、聚类数量之间的差异,具体实现步骤可以包括:
根据两个目标初始聚类簇的聚类中心位置计算两个聚类中心之间的欧氏距离,将欧氏距离确定为两个目标初始聚类簇之间的空间距离;将两个目标初始聚类簇内像素点个数之间的差值绝对值,确定为两个目标初始聚类簇之间的聚类数量差异;计算两个目标初始聚类簇之间的空间距离和聚类数量差异的乘积,对空间距离和聚类数量差异的乘积与1相加后再进行取反操作,将取反操作后的数值确定为第一关联因子。
作为示例,第一关联因子的计算公式可以为:
;式中,Con1为第一关联因子,L为两个目标初始聚类簇之间的空间距离,Δq为两个目标初始聚类簇之间的聚类数量差异,/>为对空间距离和聚类数量差异的乘积与1相加后再进行取反操作后的数值。
在第一关联因子的计算公式中,空间距离L与第一关联因子为负相关关系,空间距离L越大,说明两个目标初始聚类簇之间的距离越远,关联性越差,第一关联因子越小;聚类数量差异Δq与第一关联因子也为负相关关系,聚类数量差异Δq越小,说明两个目标初始聚类簇内聚类数量较为接近,关联性越强,第一关联因子越大。
需要说明的是,由于两个目标初始聚类簇为距离较为较近的两个不同初始聚类簇,故两个目标初始聚类簇之间的空间距离不存在为0的特殊情况;但是,两个目标初始聚类簇内聚类数量存在相同的可能性,故需要在分式的分母上设置超参数1,以防止发生分母为0的特殊情况。
第四步,根据两个目标初始聚类簇的聚类中心与其对应的目标初始聚类簇边缘之间的距离分析类簇形状差异,确定第二关联因子。
在本实施例中,关联性还与聚类簇形状有关,两个聚类簇形状越相似,说明两个聚类簇的聚类结果越相似,两个聚类簇之间的关联性越强。通过上述对关联性的描述可知,基于两个目标初始聚类簇的聚类中心与其对应的目标初始聚类簇边缘之间的距离,可以确定第二关联因子,具体实现步骤可以包括:
第一子步骤,构建每个目标初始聚类簇对应的各个直线段。
对于任意一个目标初始聚类簇,以聚类中心为起始端点作射线,将射线与目标初始聚类簇边缘相交的交点作为终止端点,将起始端点与终止端点之间的线段作为直线段,获得各个直线段。其中,所述各个直线段与水平线的夹角角度分别为对应的预设角度。
在本实施例中,以聚类中心为起始端点作射线,射线与水平线的夹角角度记为θ,θ=0°,5°,10°,…,360°,不同夹角角度下的射线与对应的目标初始聚类簇边缘相交形成不同的交点,交点即为射线的终止端点,将起始端点与终止端点之间的线段作为直线段,可以获得各个直线段。本实施例将预设角度设置为0°,5°,10°,…,360°,实施者可以根据具体实际情况设置直线段与水平线的夹角角度,不做具体限定。
第二子步骤,根据两个目标初始聚类簇对应的各个直线段之间的长度差异,确定第二关联因子。
在本实施例中,通过分析两个目标初始聚类簇中相同夹角角度对应的直线段对之间的长度差异,量化两个目标初始聚类簇之间的形状差异,确定第二关联因子。第二关联因子可以表征两个目标初始聚类簇之间的形状差异,形状差异越小,第二关联因子越大。
作为示例,第二关联因子的计算公式可以为:
;式中,Con2为第二关联因子,θ为直线段与水平线的夹角角度,360°为直线段与水平线的最大夹角角度,u(θ)为两个目标初始聚类簇的其中一个目标初始聚类簇对应的夹角角度为θ的直线段的长度,v(θ)为两个目标初始聚类簇的另外一个目标初始聚类簇对应的夹角角度为θ的直线段的长度,||为求绝对值符号。
在第二关联因子的计算公式中,直线段的长度可以是其对应的起始端点与终止端点之间的欧氏距离,也可以是直线段上像素点的个数;|u(θ)-v(θ)|可以表征两个目标初始聚类簇对应的夹角角度为θ的两个直线段之间的长度差异,长度差异越小,两个目标初始聚类簇形状越近似,两个目标初始聚类簇之间的关联性越大;本实施例涉及到的夹角角度均指直线段与水平线之间的夹角角度。
第五步,根据两个目标初始聚类簇中每个像素点的灰度值分析类簇灰度差异,确定第三关联因子。
在本实施例中,关联性还与不同聚类簇之间的灰度差异有关,通过分析两个目标初始聚类簇中相同位置的像素点之间的灰度差异,量化类簇灰度差异,确定第三关联因子。第三关联因子可以表征类簇灰度差异的稳定性,类簇灰度差异越稳定,第三关联因子越大。
作为示例,第三关联因子的计算公式可以为:
;式中,Con3为第三关联因子,θ为直线段与水平线的夹角角度,360°为直线段与水平线的最大夹角角度,Var为求方差函数,k为直线段上各个像素点的序号,K为两个目标初始聚类簇对应的夹角角度为θ的直线段的最大长度,f(k)θ为两个目标初始聚类簇的其中一个目标初始聚类簇对应的夹角角度为θ的直线段上第k个像素点的灰度值,g(k)θ为两个目标初始聚类簇的另外一个目标初始聚类簇对应的夹角角度为θ的直线段上第k个像素点的灰度值,||为求绝对值符号。
在第三关联因子的计算公式中,关于最大长度K,例如,两个目标初始聚类簇对应的夹角角度为θ的直线段长度,一个直线段长度为8个像素点,另外一个直线段长度为10个像素点,选取最大长度10作为K;可以表征不同夹角角度下的直线段对之间的像素灰度差异,即为一组像素灰度差异数值,Var可以用于计算不同夹角角度下的直线段对之间的像素灰度差异的方差,方差越小,说明类簇灰度差异越稳定,两个目标初始聚类簇之间的关联性越大。
第六步,根据第一关联因子、第二关联因子和第三关联因子,确定不同初始聚类簇之间的关联性指标。
需要说明的是,关联性指标可以表征不同初始聚类簇之间的关联度,关联性指标越大,不同初始聚类簇之间的关联度越大。
在本实施例中,计算第一关联因子、第二关联因子和第三关联因子的乘积,利用线性归一化函数对三个关联因子的乘积进行归一化处理,获得归一化处理后的数值,将归一化处理后的数值作为不同初始聚类簇之间的关联性指标。其中,对三个关联因子的乘积进行归一化处理是为了便于后续基于关联程度确定最佳的类簇最小样本数。
作为示例,关联性指标的计算公式可以为:
Con=norm(Con1×Con2×Con3);式中,Con为不同初始聚类簇之间的关联性指标,norm为线性归一化函数,Con1为第一关联因子,Con2为第二关联因子,Con3为第三关联因子。
需要说明的是,从多个方面分析两个目标初始聚类簇之间的关联度,可以有效提高关联性指标的数值精准性,进一步提升后续基于关联性指标确定的最佳的类簇最小样本数的准确性。
至此,本实施例获得了不同初始聚类簇之间的关联性指标。
S3,根据关联性指标和原始类簇最小样本数确定最佳的类簇最小样本数;基于最佳的类簇最小样本数,确定各个第一聚类簇。
需要说明的是,不同初始聚类簇之间的关联性越高,类簇最小样本数量越小,以尽可能多地保留此类聚类簇;关联性越低,类簇最小样本数量越高,以达到去除噪声簇的目的。
第一步,根据关联性指标和原始类簇最小样本数确定最佳的类簇最小样本数。
计算预设的关联性阈值与关联性指标的差值,将差值与原始类簇最小样本数的乘积作为样本数变量;对原始类簇最小样本数与样本数变量相加后的数值进行向上取整,将向上取整后的数值作为最佳的类簇最小样本数。
在本实施例中,预设的关联性阈值可以设置为0.8,实施者可以根据具体实际情况设置关联性阈值,不做具体限定。当关联性指标小于预设的关联性阈值时,预设的关联性阈值与关联性指标的差值为正数,关联性指标越小,类簇最小样本数量越大,样本数变量为增加数量,其等于差值与原始类簇最小样本数的乘积;当关联性指标大于预设的关联性阈值时,预设的关联性阈值与关联性指标的差值的为负数,关联性指标越大,类簇最小样本数量越小,样本数变量为减少数量,其也等于差值与原始类簇最小样本数的乘积。
需要说明的是,对于关联性指标等于预设的关联性阈值,当关联性指标等于预设的关联性阈值时,预设的关联性阈值与关联性指标的差值为0,进一步样本数变量也为0,原始类簇最小样本数即为最佳的类簇最小样本数。
计算原始类簇最小样本数与样本数变量相加后的数值,为了避免样本数变量存在非整数的情况,对原始类簇最小样本数与样本数变量相加后的数值进行向上取整,将向上取整后的数值作为最佳的类簇最小样本数,从而获得最佳的类簇最小样本数。
第二步,基于最佳的类簇最小样本数,利用ISODATA对量子点光学膜图像中所有像素点再次进行聚类,获得各个第一聚类簇。
本实施例中,在获得最佳的类簇最小样本数后,需要继续进行原ISODATA算法的迭代,获得最终的聚类结果,即各个第一聚类簇。各个第一聚类簇可以表征量子点光学膜图像的场景特征,基于最佳的类簇最小样本数获得的各个第一聚类簇的聚类结果准确性更高,聚类效果更好,更能表现出场景特征,并且一定程度上消除了噪声簇的影响。
至此,本实施例获得了各个第一聚类簇。
S4,根据量子点光学膜图像中每个像素点的位置和各个第一聚类簇的聚类中心位置,确定每个像素点的拉普拉斯核权重;基于拉普拉斯核权重,获得最佳量子点光学膜图像。
需要说明的是,拉普拉斯核权重的划分依靠参与权重计算的像素样本点与场景特征的适配度,该适配度即指能否有效体现场景特征,场景特征依靠ISODATA进行获取,即确定各个第一聚类簇的聚类中心位置。参与权重计算的像素样本点与聚类中心越接近,其适配度越高,权重就越高。
第一步,根据量子点光学膜图像中每个像素点的位置和各个第一聚类簇的聚类中心位置,确定每个像素点的拉普拉斯核权重。
在本实施例中,在拉普拉斯核核内,越是有某个像素样本点接近聚类中心,其在该方向上的权重就会越大,其目的是使得输出的卷积结果具备场景特征。基于上述对聚类中心位置和像素样本点权重的描述,确定拉普拉斯核内不同像素样本点的权重,具体实现步骤可以包括:
对于量子点光学膜图像中的任意一个像素点,计算像素点与各个第一聚类簇的聚类中心之间的欧氏距离,将最小欧氏距离进行反比例的归一化处理,将反比例的归一化处理后的数值作为像素点的拉普拉斯核权重。
作为示例,像素点的拉普拉斯核权重的计算公式可以为:
;式中,εi为第i个像素点的拉普拉斯核权重,norm为线性归一化函数,min为取最小值函数,di,v为第i个像素点与第v个第一聚类簇的聚类中心之间的欧氏距离,V为第一聚类簇的个数。
在像素点的拉普拉斯核权重的计算公式中,拉普拉斯核中每个位置的像素点都具备相应的权重系数;di,v可以表征第i个像素点与各个第一聚类簇的聚类中心之间的欧氏距离,即为一组欧氏距离数值;利用min函数可以获得最近距离的聚类中心以及核内对应的最近距离的像素样本点,即只有一个像素样本点遵循此权重,其余像素样本点不参与。
需要说明的是,量子点光学膜图像中的每个像素点均有其对应的拉普拉斯核权重,参考上述任意一个像素点的拉普拉斯核权重的计算过程,可以获得量子点光学膜图像中的每个像素点的拉普拉斯核权重。
第二步,基于拉普拉斯核权重,利用拉普拉斯核对量子点光学膜图像进行滤波处理,获得最佳量子点光学膜图像。
在本实施例中,依据拉普拉斯核权重对量子点光学膜图像进行滤波处理,可以获得滤波处理后的量子点光学膜图像,滤波处理后的量子点光学膜图像可以作为最佳量子点光学膜图像。若待检测量子点光学膜存在损伤,则最佳量子点光学膜图像能够凸显损伤缺陷区域。拉普拉斯核滤波处理的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
至此,本实施例通过分析不同初始聚类簇之间的关联性,确定最佳的类簇最小样本数量,该最佳的类簇最小样本数量的确定有利于得到更优的迭代聚类结果;进而分析拉普拉斯核内不同像素样本点与聚类中心之间的关系确定与之对应的权重,获得最佳量子点光学膜图像。
S5,基于最佳量子点光学膜图像判断待检测量子点光学膜是否存在损伤,若存在损伤则获取损伤程度。
在本实施例中,经过拉普拉斯核滤波后的图像的损伤区域特征得到放大,在此基础上,使用大津阈值分割法对最佳量子点光学膜图像进行阈值分割处理,可以获得阈值分割处理后的图像。在阈值分割处理后的图像中,统计像素值为1的像素点组成的连通域内的像素点个数,若存在一个或多个连通域内像素点个数不小于预设像素点个数,则判定待检测量子点光学膜存在损伤,并且将像素值为1的像素点个数与最佳量子点光学膜图像中所有像素点个数的比值作为损伤程度;若存在连通域内像素点个数小于预设像素点个数,则判定待检测量子点光学膜不存在损伤。大津阈值分割法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,设置预设像素点个数为10,实施者可以根据具体实际情况设置预设像素点个数,不做具体限定;设置预设像素点是为了去除噪声的干扰。
至此,本实施例结合ISODATA聚类结果,对拉普拉斯核进行不同像素样本点权重的自适应,消除了因为敏感性较低导致的缺陷检测效果不理想的问题,实现了对量子点光学膜的损伤检测。
本发明还提供了一种基于机器视觉的量子点光学膜损伤检测系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现如上述的一种基于机器视觉的量子点光学膜损伤检测方法。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器视觉的量子点光学膜损伤检测方法,其特征在于,包括以下步骤:
获取待检测量子点光学膜在透光检测过程中的一张图像,记为量子点光学膜图像;设置原始类簇最小样本数,利用ISODATA对量子点光学膜图像中所有像素点进行聚类,获得各个初始聚类簇;
确定两个目标初始聚类簇;根据两个目标初始聚类簇的聚类中心位置和像素点个数,分析空间距离和聚类数量差异,确定第一关联因子;根据两个目标初始聚类簇的聚类中心与其对应的目标初始聚类簇边缘之间的距离分析类簇形状差异,确定第二关联因子;根据两个目标初始聚类簇中每个像素点的灰度值分析类簇灰度差异,确定第三关联因子;根据第一关联因子、第二关联因子和第三关联因子,确定不同初始聚类簇之间的关联性指标;
根据关联性指标和原始类簇最小样本数确定最佳的类簇最小样本数;基于最佳的类簇最小样本数,利用ISODATA对量子点光学膜图像中所有像素点再次进行聚类,获得各个第一聚类簇;
根据量子点光学膜图像中每个像素点的位置和各个第一聚类簇的聚类中心位置,确定量子点光学膜图像中每个像素点的拉普拉斯核权重;基于拉普拉斯核权重,利用拉普拉斯核对量子点光学膜图像进行滤波处理,获得最佳量子点光学膜图像;
基于最佳量子点光学膜图像判断待检测量子点光学膜是否存在损伤,若存在损伤则获取损伤程度;
根据两个目标初始聚类簇的聚类中心位置和像素点个数,分析空间距离和聚类数量差异,确定第一关联因子,包括:
根据两个目标初始聚类簇的聚类中心位置计算两个聚类中心之间的欧氏距离,将欧氏距离确定为两个目标初始聚类簇之间的空间距离;将两个目标初始聚类簇内像素点个数之间的差值绝对值,确定为两个目标初始聚类簇之间的聚类数量差异;计算两个目标初始聚类簇之间的空间距离和聚类数量差异的乘积,对空间距离和聚类数量差异的乘积与1相加后再进行取反操作,将取反操作后的数值确定为第一关联因子;
根据两个目标初始聚类簇的聚类中心与其对应的目标初始聚类簇边缘之间的距离分析类簇形状差异,确定第二关联因子,包括:
对于任意一个目标初始聚类簇,以聚类中心为起始端点作射线,将射线与目标初始聚类簇边缘相交的交点作为终止端点,将起始端点与终止端点之间的线段作为直线段,获得各个直线段;其中,所述各个直线段与水平线的夹角角度分别为对应的预设角度;
根据两个目标初始聚类簇对应的各个直线段之间的长度差异,确定第二关联因子;
所述第二关联因子的计算公式为:
;式中,Con2为第二关联因子,θ为直线段与水平线的夹角角度,360°为直线段与水平线的最大夹角角度,u(θ)为两个目标初始聚类簇的其中一个目标初始聚类簇对应的夹角角度为θ的直线段的长度,v(θ)为两个目标初始聚类簇的另外一个目标初始聚类簇对应的夹角角度为θ的直线段的长度,||为求绝对值符号;
所述第三关联因子的计算公式为:
;式中,Con3为第三关联因子,θ为直线段与水平线的夹角角度,360°为直线段与水平线的最大夹角角度,Var为求方差函数,k为直线段上各个像素点的序号,K为两个目标初始聚类簇对应的夹角角度为θ的直线段的最大长度,f(k)θ为两个目标初始聚类簇的其中一个目标初始聚类簇对应的夹角角度为θ的直线段上第k个像素点的灰度值,g(k)θ为两个目标初始聚类簇的另外一个目标初始聚类簇对应的夹角角度为θ的直线段上第k个像素点的灰度值,||为求绝对值符号;
根据第一关联因子、第二关联因子和第三关联因子,确定不同初始聚类簇之间的关联性指标,包括:
关联性指标的计算公式为:
Con=norm(Con1×Con2×Con3);式中,Con为不同初始聚类簇之间的关联性指标,norm为线性归一化函数,Con1为第一关联因子,Con2为第二关联因子,Con3为第三关联因子。
2.根据权利要求1所述的一种基于机器视觉的量子点光学膜损伤检测方法,其特征在于,确定两个目标初始聚类簇,包括:
根据各个初始聚类簇的聚类中心位置,计算任意两个初始聚类簇的聚类中心之间的欧氏距离,获得各个欧氏距离,将最小欧氏距离对应的两个初始聚类簇作为目标初始聚类簇。
3.根据权利要求1所述的一种基于机器视觉的量子点光学膜损伤检测方法,其特征在于,根据关联性指标和原始类簇最小样本数确定最佳的类簇最小样本数,包括:
计算预设的关联性阈值与关联性指标的差值,将差值与原始类簇最小样本数的乘积作为样本数变量;对原始类簇最小样本数与样本数变量相加后的数值进行向上取整,将向上取整后的数值作为最佳的类簇最小样本数。
4.根据权利要求1所述的一种基于机器视觉的量子点光学膜损伤检测方法,其特征在于,根据量子点光学膜图像中每个像素点的位置和各个第一聚类簇的聚类中心位置,确定量子点光学膜图像中每个像素点的拉普拉斯核权重,包括:
对于量子点光学膜图像中的任意一个像素点,计算像素点与各个第一聚类簇的聚类中心之间的欧氏距离,将最小欧氏距离进行反比例的归一化处理,将反比例的归一化处理后的数值作为像素点的拉普拉斯核权重。
5.根据权利要求1所述的一种基于机器视觉的量子点光学膜损伤检测方法,其特征在于,基于最佳量子点光学膜图像判断待检测量子点光学膜是否存在损伤,若存在损伤则获取损伤程度,包括:
使用大津阈值对最佳量子点光学膜图像进行阈值分割处理,获得各个像素值为1的像素点;若像素值为1的像素点组成的连通域内像素点个数小于预设像素点个数,则判定待检测量子点光学膜不存在损伤,否则,判定待检测量子点光学膜存在损伤,并将像素值为1的像素点个数与最佳量子点光学膜图像中所有像素点个数的比值作为损伤程度。
6.一种基于机器视觉的量子点光学膜损伤检测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现如权利要求1-5中任一项所述的一种基于机器视觉的量子点光学膜损伤检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410021812.8A CN117557820B (zh) | 2024-01-08 | 2024-01-08 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410021812.8A CN117557820B (zh) | 2024-01-08 | 2024-01-08 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557820A CN117557820A (zh) | 2024-02-13 |
CN117557820B true CN117557820B (zh) | 2024-04-16 |
Family
ID=89818783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410021812.8A Active CN117557820B (zh) | 2024-01-08 | 2024-01-08 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557820B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788873B (zh) * | 2024-02-26 | 2024-05-03 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
CN111259979A (zh) * | 2020-02-10 | 2020-06-09 | 大连理工大学 | 一种基于标签自适应策略的深度半监督图像聚类方法 |
CN113139481A (zh) * | 2021-04-28 | 2021-07-20 | 广州大学 | 基于yolov3的教室人数统计方法 |
CN114722937A (zh) * | 2022-04-06 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置、电子设备和存储介质 |
WO2022147969A1 (zh) * | 2021-01-08 | 2022-07-14 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
CN115359042A (zh) * | 2022-10-17 | 2022-11-18 | 博格达智能装备(南通)有限公司 | 基于光学视觉的木塑新材料门的缺陷检测方法 |
WO2022258624A1 (en) * | 2021-06-07 | 2022-12-15 | Continental Automotive Technologies GmbH | Method for determining an image descriptor, encoding pipeline, and visual place recognition method |
CN116468923A (zh) * | 2023-03-23 | 2023-07-21 | 浙江大学 | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
WO2023179099A1 (zh) * | 2022-03-23 | 2023-09-28 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
CN117274650A (zh) * | 2023-10-27 | 2023-12-22 | 华中师范大学 | 基于遥感-众源语义深度聚类的城市功能区识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021113400A1 (en) * | 2019-12-06 | 2021-06-10 | Dolby Laboratories Licensing Corporation | User-guided image segmentation methods and products |
-
2024
- 2024-01-08 CN CN202410021812.8A patent/CN117557820B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
CN111259979A (zh) * | 2020-02-10 | 2020-06-09 | 大连理工大学 | 一种基于标签自适应策略的深度半监督图像聚类方法 |
WO2022147969A1 (zh) * | 2021-01-08 | 2022-07-14 | 中国民航大学 | 基于深度学习的机场道面地下结构病害自动检测方法 |
CN113139481A (zh) * | 2021-04-28 | 2021-07-20 | 广州大学 | 基于yolov3的教室人数统计方法 |
WO2022258624A1 (en) * | 2021-06-07 | 2022-12-15 | Continental Automotive Technologies GmbH | Method for determining an image descriptor, encoding pipeline, and visual place recognition method |
WO2023179099A1 (zh) * | 2022-03-23 | 2023-09-28 | 腾讯科技(深圳)有限公司 | 一种图像检测方法、装置、设备及可读存储介质 |
CN114722937A (zh) * | 2022-04-06 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置、电子设备和存储介质 |
CN115359042A (zh) * | 2022-10-17 | 2022-11-18 | 博格达智能装备(南通)有限公司 | 基于光学视觉的木塑新材料门的缺陷检测方法 |
CN116468923A (zh) * | 2023-03-23 | 2023-07-21 | 浙江大学 | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
CN117274650A (zh) * | 2023-10-27 | 2023-12-22 | 华中师范大学 | 基于遥感-众源语义深度聚类的城市功能区识别方法 |
Non-Patent Citations (3)
Title |
---|
Remote-Sensing Image Tile-Level Annotation Based on Discriminative Features and Expressive Visual Word Descriptors;Xue, Jiaming 等;《SCIENTIFIC PROGRAMMING》;20220111;第1-20页 * |
基于K均值聚类和二维Otsu的棉花HSV图像分割;夏亚飞;;软件;20200715(07);第176-179页 * |
基于多尺度特征聚类算法的不确定目标检测;周颖;赵晓哲;逯超;;火力与指挥控制;20190415(04);第166-170页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557820A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN114494210B (zh) | 基于图像处理的塑料膜生产缺陷检测方法及系统 | |
CN117557820B (zh) | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN116385450B (zh) | 基于图像处理的ps片材抗耐磨性检测方法 | |
CN116309559B (zh) | 一种中硼硅玻璃生产瑕疵智能识别方法 | |
CN115690105B (zh) | 一种基于计算机视觉的铣刀划痕检测方法 | |
CN116228780B (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN115511907B (zh) | 一种用于led屏幕的划痕检测方法 | |
CN115049651B (zh) | 一种钣金冲压异常检测方法 | |
CN114612345A (zh) | 一种基于图像处理的光源检测方法 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及系统 | |
CN116245880A (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN111368856B (zh) | 一种基于视觉的图书盘点系统的书脊提取方法及装置 | |
CN114998186A (zh) | 基于图像处理的铜始极片表面结疤缺陷检测方法及系统 | |
CN117764986B (zh) | 基于图像处理的钛板表面缺陷检测方法 | |
CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
CN117808796B (zh) | 一种基于计算机视觉的齿轮表面损伤检测方法 | |
CN115239692B (zh) | 一种基于图像识别技术的电子元器件检测方法及系统 | |
CN115115664B (zh) | 计量器具信息采集系统 |
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 |