CN117788472A - 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 - Google Patents
一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 Download PDFInfo
- Publication number
- CN117788472A CN117788472A CN202410211177.XA CN202410211177A CN117788472A CN 117788472 A CN117788472 A CN 117788472A CN 202410211177 A CN202410211177 A CN 202410211177A CN 117788472 A CN117788472 A CN 117788472A
- Authority
- CN
- China
- Prior art keywords
- rivet
- image
- corrosion
- aircraft skin
- circle
- 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
- 230000007797 corrosion Effects 0.000 title claims abstract description 113
- 238000005260 corrosion Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000011426 transformation method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 5
- 230000007799 dermal corrosion Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 231100000108 skin corrosion Toxicity 0.000 claims description 5
- 230000029087 digestion Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 16
- 238000003466 welding Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，包括：采用改进的基于模糊集的Hough变换的方法提取飞机蒙皮表面铆钉图像特征；通过引入模糊数学理论的方式得到真实圆铆钉图像特征；将真实圆铆钉图像特征输入带跳链接的卷积神经网络CNN中进行训练；将识别出的腐蚀铆钉图像利用DBSCAN算法进行分割，并利用灰度共生矩阵算法将分割得到腐蚀特征的原始图像的指定特征向量进行归一化处理；对图像样本库里腐蚀铆钉的几何特征进行计算与对比，实现对不同腐蚀程度的铆钉进行自动分类。本发明利用了改进的Hough变换、DBSCAN算法以及跳连接的模块的加入，可以快速自动了解飞机蒙皮表面的铆钉腐蚀程度，高效降低修护飞机蒙皮表面铆钉的维修成本。
Description
技术领域
本发明涉及航空工业技术领域，尤其涉及一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法。
背景技术
飞机蒙皮是指包围在飞机骨架结构外且用粘接剂或铆钉固定于骨架上，形成飞机气动力外形的维形构件。飞机蒙皮表面存在百万颗铆钉，之所以没有选择焊接，是因为飞机为了减轻重量，飞机的蒙皮一般都做得很薄。这么薄的蒙皮，要把它们焊接到一起，难度是非常大的。而且有的飞机，机身采用的是铝制材料，耐热性比较差，而焊接工艺在焊接时会产生大量的热量，这对铝制机身的飞机来说，显然是不太合适的。国际上最先进的客机大量使用复合材料，复合材料也会受到焊接的破坏，不同材料的相互连接必须采用物理方式固定。而且使用铆钉更稳定更可靠，且铆钉更便于量化生产、降低维修成本，同时铆钉也不会增加空气阻力，反而会减少空机阻力。
中国地大物博，因其独特的地域差异，各个地区的飞机蒙皮铆钉链接部位的腐蚀程度也各不相同。气候相对湿润的沿海地区，大气污染相对严重的重工业城市以及沙漠地带蒙皮铆钉的腐蚀程度相对严重，严重蒙皮铆钉腐蚀会危害蒙皮结构，一旦不及时处理造成安全风险和经济损失，因此开展蒙皮铆钉腐蚀程度的研究对提升飞机运行安全性、可靠性和经济性具有重要意义；现有技术在铆钉腐蚀进行处理时，如果采用传统人工检验方法来打磨腐蚀铆钉的方式不仅费时费力还出现漏检的风险，如果未对蒙皮铆钉腐蚀程度做判别就做全表面激光打磨的方式，会降低飞机蒙皮使用寿命，且使铆钉结构出现松动。
近年来，深度学习方法开始广泛应用到各行业中来，其中Convolutional NeuralNetworks, CNN卷积神经网络在瑕疵检测中有着不俗的表现。相比于人工检测，深度学习方法具备了卓越的自动化特性，传统的卷积神经网络模型通过堆叠卷积层来增加网络的深度，从而提高模型的识别精度，但也增加了其计算的复杂度，由于铆钉的腐蚀程度会呈现轻微，中等，严重不同情况，当网络水平增加到一定数量时，因为神经网络正在反向传播，该模型对不同腐蚀程度铆钉识别的泛化能力较弱，该过程需要连续传播梯度，当网络层数加深时，梯度将逐渐消失，导致无法调整先前网络层的权重，进而会导致检测腐蚀蒙皮铆钉的精度降低；因此，需要一种飞机蒙皮表面铆钉腐蚀程度判断的方法更好地对蒙皮铆钉腐蚀程度进行准确检测。
发明内容
针对现有技术的不足，本发明提供了一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，解决了现有网络对不同腐蚀程度铆钉检测识别的泛化能力弱以及传统方法对腐蚀蒙皮铆钉的检测精度较低的问题，本发明针对飞机蒙皮表面腐蚀铆钉图像进行识别，利用带跳链接的循环神经网络以实现快速识别出飞机蒙皮表面的腐蚀铆钉，对于采集的腐蚀铆钉图像进行预处理，增强图像，且通过DBSCAN算法与灰度共生矩阵算法可以迅速了解其腐蚀程度，降低了对于飞机蒙皮表面腐蚀铆钉图像的维护成本。该方法简单易实现，同时也为实现飞机精确化维护管理提供一条新途径。
为解决上述技术问题，本发明提供了如下技术方案：一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，包括以下步骤：
S1、采用改进的基于模糊集的Hough变换的方法提取飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心；
S2、通过引入模糊数学理论的方式来降低随机Hough变换对噪声的敏感度，使得生成的飞机蒙皮表面铆钉的边缘点落在同一圆上的概率提升，得到真实圆铆钉图像特征；
S3、将真实圆铆钉图像特征输入带跳链接的卷积神经网络CNN中并采用GPU加速训练，识别出飞机蒙皮表面腐蚀铆钉图像；
S4、利用DBSCAN算法对飞机蒙皮表面腐蚀铆钉图像的腐蚀部分进行分割，得到腐蚀特征的原始图像；
S5、利用灰度共生矩阵算法，对已经提取出腐蚀特征的原始图像的指定特征向量进行归一化处理，建立一个图像样本库；
S6、对图像样本库里腐蚀铆钉的几何特征进行计算与对比，实现对不同腐蚀程度的铆钉进行自动分类。
进一步地，在步骤S1中，具体过程包括以下步骤：
S11、在圆上任取三点K、L、M,分别构成互不平行的KL和LM,KL的中垂线Lkl与LM的中垂线Lkm必交于圆心O点，设K、L、M的坐标为、/>、/>，则KL和LM的方程为：/>，解方程可求得两直线的交点，由此可得圆的三个参数，由模糊数学理论中圆的 Hough变换方程为：
；
Hough变换后形成三维空间，其中，/>为参数空间的维数由三维降到一维蒙皮铆钉圆的半径，/>，/>为圆心坐标；
S12、将模糊点变换后的隶属度函数可以通过重建消解原理的方式来实现，用三个以为参数的圆来表示一个集合：
；
式中，/>为生成的模糊点三维的横纵坐标，/>为模糊点与圆心的夹角，对应映射到参数空间，可得：
；
其中，，/>分别为生成的模糊点由三维映射到一维的横纵坐标，a，b为飞机蒙皮表面铆钉大量边缘点构成圆的圆心，映射的范围为：
；
S13、将对应点依次映射到参数空间中，再跟隶属度函数进行卷积，得到飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心。
进一步地，在步骤S2中，具体过程包括以下步骤：
S21、首先将采集的飞机蒙皮表面铆钉图像特征进行去噪、滤波、二值化处理操作后通过Canny边缘检测、OTSU阈值分割处理成黑白二值图像；
S22、设黑白二值图像中圆的边缘点集为D，初始化单元集P=NULL和循环次数k=0，为像素之间的带宽；
S23、从D中任意取三点，如果/>不共线，则转S24，否则转S28；
S24、计算三点确定的圆参数，若有解，执行S25，否则执行S28；
；
；
；
式中，/>，/>，/>分别为线段KL，LM的截距与斜率，/>，/>为生成圆的圆心横纵坐标，/>，/>为线段与圆的交点，/>为生成圆的半径；
S25、在P中找一点，若满足/>，/>为生成圆上选定的点，d是容许误差，转到执行S26，否则，执行S25；
S26、将插入P，令score等于1，执行S28；
S27、将的score得分+1，如果小于指定的阈值/>，执行S28，否则，执行S29；
S28、当k = k + 1时，若k > kmax，结束，否则，执行S3；
S29、是候选圆/>的参数，如果该点的参数对应候选圆/>上的点数，执行S30；否则，判断为虚假圆，将其删除；
S30、检测到参数的真实圆，判断检测的圆的个数是否已达到规定的数目，若是，结束；否则，将落在参数/>对应候选圆/>上的点从 D 中去掉，初始化P=NULL，k=0，执行S3。
进一步地，在步骤S3中，具体过程包括以下步骤：
S31、将真实圆铆钉图像特征作为输入数据被送入带跳连接的卷积神经网络中，依次经过3x3卷积层、激活层和最大池化层，得到较小尺寸的铆钉图像特征；
S32、接着通过跳链接模块，选取一半由S1得到的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉图像特征进行融合得到浅层铆钉图像特征，由S1得到的另一半的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉腐蚀特征图进行融合后再通过两个3x3卷积层，一个激活层得到深层铆钉图像特征，将深层铆钉图像特征和浅层铆钉图像特征相加得到含有原先特征信息的飞机蒙皮表面铆钉的特征；
S33、重复步骤S31-S32一定次数，通过全链接层，经过多个卷积和池化层后，将S32得到的特征图被展平并送入全连接层，进行最后的识别任务；
S34、使用交叉熵损失来计算由S32得到的输出和确定了已经生锈的飞机蒙皮表面铆钉的差异，通过反向传播和优化算法调整网络参数，以得到最小的损失函数的值，从而得到最佳的带跳连接的卷积神经网络参数；
S35、使用已经训练好的带跳连接的卷积神经网络模型，重复S31，设定精度为0.0005，如果损失函数的值小于/>则视为飞机蒙皮表面铆钉已经腐蚀。
进一步地，在步骤S3中，对所述飞机蒙皮表面腐蚀铆钉图像进行预处理，从图像库中读取飞机蒙皮表面腐蚀铆钉图像，将 RGB 图像转换为灰度图像，使用颜色转换公式如下式所示：
。
进一步地，在步骤S4中，具体过程包括以下步骤：
S41、采用S1的方法，提取飞机蒙皮表面腐蚀铆钉图像的特征；
S42、将飞机蒙皮表面腐蚀铆钉图像中的每个像素映射到特征空间中，在这个空间中，每个像素被视为一个点，其坐标由其特征值决定；
S43、设定邻域半径Eps和最小点数MinPts，在特征空间中应用DBSCAN算法，对像素点进行聚类，相似的像素将被分配到同一个簇中，而噪声点将被识别并排除；
S44、根据聚类结果，将每个像素指派给相应的簇，不同的簇对应于飞机蒙皮表面腐蚀铆钉图像中的不同区域，即飞机蒙皮表面腐蚀铆钉图像中腐蚀的部分被分割出来，得到腐蚀特征的原始图像。
进一步地，在步骤S5中，具体过程包括以下步骤：
S51、将腐蚀特征的原始图像经过灰度变换得到灰度图像，再进行灰度归一化降级处理，选取的图片像素大小为32L；
S52、从0 ° 、45° 、90° 、135°四个不同方向上计算各个方向的灰度共生矩阵，选择对比度、能量、熵、逆方差和相关性常用的5个特征向量，并取各个特征参数在四个方向上的平均值，按照提取出的特征向量对灰度共生矩阵进行归一化处理；
S53、提取出腐蚀铆钉的各个方向上的纹理特征参数，最后将部分经过处理的图像建立为一个图像样本库。
进一步地，所述步骤S6具体过程包括：分别提取图像样本库中蒙皮腐蚀铆钉的面积A、周长L、圆分度C、中心偏离度N几何特征值作为参数计算，通过A、L、C、N几何特征参数值设置三种腐蚀程度的阈值，分别为轻微，中等，严重，按照相应阈值进行划分，实现对不同腐蚀程度的铆钉进行自动分类。
借由上述技术方案，本发明提供了一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，至少具备以下有益效果：
本发明利用了改进的Hough变换，降低了漏检的可能性，同时也提高了读取的飞机蒙皮表面铆钉的圆心以及其半径的准确性；在改进Hough变换圆检测算法中，考虑图像存在失真的条件下，通过引入模糊数学理论的方式来降低Hough变换对噪声的敏感度，使得检测算法更为准确；采用了DBSCAN算法，它将簇定义为密度相连的点的最大集合，能够把具有足够密度的区域划分为簇，并可以在有噪音的空间数据集中发现任意形状的簇，由密度可达关系导出的最大密度相连的样本集合，即为最终聚类的一个簇，该算法的计算方法较为简单，且使得分割出来的铆钉腐蚀部分更加清晰，解决了传统方法对腐蚀蒙皮铆钉的检测精度较低的问题；在卷积神经网络中加入了跳连接的模块，防止的模型的退化问题，并且确保了特征的可重用性；可以快速自动了解飞机蒙皮表面的铆钉腐蚀程度，对于不同腐蚀程度的铆钉自动分类从而采取相应的措施，解决了现有网络对不同腐蚀程度铆钉检测识别的泛化能力弱的问题，可高效降低修护飞机蒙皮表面铆钉的维修成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明提供一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法流程图；
图2为本发明采用改进的Hough变换的方法提取飞机蒙皮表面铆钉图像特征的检测原理图；
图3为本发明带跳连接模块的卷积神经网络整体流程图；
图4为本发明采用灰度共生矩阵提取蒙皮腐蚀铆钉图像纹理特征的流程图；
图5为本发明典型的飞机蒙皮表面铆钉腐蚀图像。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图5，示出了本实施例的一种具体实施方式，本实施采用改进的Hough变换的方法提取图像特征，通过GPU加速对带跳连接的卷积神经网络(CNN)进行训练，识别出飞机蒙皮表面铆钉是否腐蚀；对搜集的飞机蒙皮表面的腐蚀铆钉图像进行预处理，去除图像中的噪声和其他杂质的干扰，进行图像增强，使得图像分辨率更高；利用DBSCAN算法将腐蚀铆钉进行图像进行分割，分割出已经腐蚀的部分；利用灰度共生矩阵算法，对于铆钉腐蚀的程度进行自动分类，考虑到飞机在运行过程中，由于各种环境因素，铆钉可能会受到腐蚀，从而影响飞机的安全性和使用寿命。为了确保飞机的安全和高效运行，本方法采用了先进的检测技术和算法，对飞机蒙皮表面铆钉进行详细的检查和分析，以判断其腐蚀程度。降低了对于飞机蒙皮表面腐蚀铆钉的维护成本，同时也为实现飞机精确化维护管理提供一条新途径。
请参照图1，本实施例提出了一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，该方法包括以下步骤：
S1、采用改进的基于模糊集的Hough变换的方法提取飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心；
作为步骤S1的优选实施方式，具体过程包括以下步骤：
S11、采用改进的Hough变换的方法提取图像特征，算法原理是根据圆的几何性质可知，圆心和半径的值可以由圆上任意两条不平行弦的中垂线相交于圆心来确定，如图2所示，在圆上任取三点K、L、M,分别构成互不平行的KL和LM,KL的中垂线Lkl与LM的中垂线Lkm必交于圆心O点，设K、L、M的坐标为、/>、/>，则KL和LM的方程为：，解方程可求得两直线的交点，由此可得圆的三个参数，由模糊数学理论中圆的 Hough变换方程为：
；
Hough变换后形成三维空间，其中，/>为参数空间的维数由三维降到一维蒙皮铆钉圆的半径，/>，/>为圆心坐标；模糊点通过随机Hough变换扩展的方法为：对于任意参数p，隶属度沿曲线相加的原理和随机Hough变换一样，这种实现累加的方式称为积分。在具体图像中，由于图像空间和参数空间都是离散的，不强制要求累加结果与积分结果一样，只需找到图像空间中的曲线峰值映射到参数空间中的近似值即可。
S12、将模糊点变换后的隶属度函数可以通过重建消解原理的方式来实现，用三个以为参数的圆来表示一个集合：
；
式中，/>为生成的模糊点三维的横纵坐标，/>为模糊点与圆心的夹角，对应映射到参数空间，可得：
；
其中，，/>分别为生成的模糊点由三维映射到一维的横纵坐标，a，b为飞机蒙皮表面铆钉大量边缘点构成圆的圆心，映射的范围为：
；
S13、将对应点依次映射到参数空间中，再跟隶属度函数进行卷积，得到飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心。
在本实施例中，本发明利用了改进的Hough变换，降低了漏检的可能性，同时也提高了读取的飞机蒙皮表面铆钉的圆心以及其半径的准确性。
S2、基于模糊集的Hough变换圆检测算法是在考虑图像存在失真条件下，通过引入模糊数学理论的方式来降低随机Hough变换对噪声的敏感度，使得生成的飞机蒙皮表面铆钉的边缘点落在同一圆上的概率提升，使得生成出的圆更加光滑，位置更加准确，从而得到真实圆铆钉图像特征；
作为步骤S2的优选实施方式，具体过程包括以下步骤：
S21、首先将采集的飞机蒙皮表面铆钉图像特征进行去噪、滤波、二值化处理操作后通过Canny边缘检测、OTSU阈值分割处理成黑白二值图像；
S22、设黑白二值图像中圆的边缘点集为D，初始化单元集P=NULL和循环次数k=0，为像素之间的带宽；
S23、从D中任意取三点，如果/>不共线，则转S24，否则转S28；
S24、计算三点确定的圆参数，若有解，执行S25，否则执行S28；
；
；
；
式中，/>，/>，/>分别为线段KL，LM的截距与斜率，/>，/>为生成圆的圆心横纵坐标，/>，/>为线段与圆的交点，/>为生成圆的半径；
S25、在P中找一点，若满足/>，/>为生成圆上选定的点，d是容许误差，转到执行S26，否则，执行S25；
S26、将插入P，令score等于1，执行S28；
S27、将的score得分+1，如果小于指定的阈值/>，执行S28，否则，执行S29；
S28、当k = k + 1时，若k > kmax，结束，否则，执行S3；
S29、是候选圆/>的参数，如果该点的参数对应候选圆/>上的点数，执行S30；否则，判断为虚假圆，将其删除；
S30、检测到参数的真实圆，判断检测的圆的个数是否已达到规定的数目，若是，结束；否则，将落在参数/>对应候选圆/>上的点从 D 中去掉，初始化P=NULL，k=0，执行S3。
在本实施例中，在改进Hough变换圆检测算法中，考虑图像存在失真的条件下，通过引入模糊数学理论的方式来降低Hough变换对噪声的敏感度，使得检测算法更为准确。
S3、将真实圆铆钉图像特征输入带跳链接的卷积神经网络CNN中并采用GPU加速训练，识别出飞机蒙皮表面腐蚀铆钉图像；由于CNN的特征检测层通过训练数据进行学习，在使用CNN时，避免了重复特征抽取，而隐式地从训练数据中学习。在很多情况下,图像显式的特征提取并不容易，在一些应用问题中也并非总是可靠的。CNN避免了显式的特征取样，隐式地从训练数据中进行学习。这使得CNN明显有别于其他基于神经网络的分类器，通过结构重组和减少权值将特征提取功能融合进多层感知器,输入图像和网络的拓扑结构能更好地吻合，能训练出图片的深度特征。在实际的应用里，往往通过GPU对CNN的训练和分类进行加速；
带跳连接的卷积神经网络，增加了一个新的模块，如图3所示；在训练深度神经网络时，模型的性能随着架构深度的增加而下降。这被称为退化问题。常见的退化问题为：1、过度拟合。随着深度的增加，模型往往会过度拟合；2、梯度消失或梯度爆炸,使用批量归一化和通过归一化正确初始化权重可确保梯度具有合适的标准。那么跳跃连接，会跳跃神经网络中的某些层，并将一层的输出作为下一层的输入。其用于解决梯度消失的问题。传统的卷积神经网络模型通过堆叠卷积层来增加网络的深度，从而提高模型的识别精度。当网络水平增加到一定数量时，模型的准确性会降低，因为神经网络正在反向传播。该过程需要连续传播梯度，当网络层数加深时，梯度将逐渐消失，导致无法调整先前网络层的权重。为了解决这个问题，使来自深层的梯度能够不受阻碍地传播到上层，从而有效地训练浅层网络层参数；
作为步骤S3的优选实施方式，具体过程包括以下步骤：
S31、将真实圆铆钉图像特征作为输入数据被送入带跳连接的卷积神经网络中，依次经过3x3卷积层、激活层和最大池化层，得到较小尺寸的铆钉图像特征；
S32、接着通过跳链接模块，该模块包括两个的卷积层，一个激活层，与两个求和器，选取一半由S1得到的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉图像特征进行融合得到浅层铆钉图像特征，由S1得到的另一半的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉腐蚀特征图进行融合后再通过两个3x3卷积层，一个激活层得到深层铆钉图像特征，将深层铆钉图像特征和浅层铆钉图像特征相加得到含有原先特征信息的飞机蒙皮表面铆钉的特征；
S33、重复步骤S31-S32一定次数，本文选取的循环次数为三次，通过全链接层，经过多个卷积和池化层后，将S32得到的特征图被展平并送入全连接层，进行最后的识别任务；
S34、使用交叉熵损失来计算由S32得到的输出和确定了已经生锈的飞机蒙皮表面铆钉的差异，通过反向传播和优化算法调整网络参数，以得到最小的损失函数的值，从而得到最佳的带跳连接的卷积神经网络参数；
S35、使用已经训练好的带跳连接的卷积神经网络模型，重复S31，设定精度为0.0005，如果损失函数的值小于/>则视为飞机蒙皮表面铆钉已经腐蚀。
具体的是，在步骤S3中，对飞机蒙皮表面腐蚀铆钉图像进行预处理，从图像库中读取飞机蒙皮表面腐蚀铆钉图像，将 RGB 图像转换为灰度图像，使用颜色转换公式如下式所示：。
在本实施例中，在卷积神经网络中加入了跳连接的模块，防止的模型的退化问题，并且确保了特征的可重用性；可以快速自动了解飞机蒙皮表面的铆钉腐蚀程度。
S4、利用DBSCAN算法对飞机蒙皮表面腐蚀铆钉图像的腐蚀部分进行分割，得到腐蚀特征的原始图像；DBSCAN（Density—Based Spatial Clustering of Application withNoise）算法是一种典型的基于密度的聚类方法。它将簇定义为密度相连的点的最大集合，能够把具有足够密度的区域划分为簇，并可以在有噪音的空间数据集中发现任意形状的簇。DBSCAN算法对簇的定义很简单，由密度可达关系导出的最大密度相连的样本集合，即为最终聚类的一个簇。DBSCAN算法的簇里面可以有一个或者多个核心点。如果只有一个核心点，则簇里其他的非核心点样本都在这个核心点的Eps邻域里。如果有多个核心点，则簇里的任意一个核心点的Eps邻域中一定有一个其他的核心点，否则这两个核心点无法密度可达。这些核心点的Eps邻域里所有的样本的集合组成一个DBSCAN聚类簇。
作为步骤S4的优选实施方式，具体过程包括以下步骤：
S41、采用S1的方法，提取飞机蒙皮表面腐蚀铆钉图像的特征；
S42、将飞机蒙皮表面腐蚀铆钉图像中的每个像素映射到特征空间中，在这个空间中，每个像素被视为一个点，其坐标由其特征值决定；
S43、设定邻域半径Eps和最小点数MinPts，在其半径Eps内含有超过MmPts数目的点为核心点，在其半径 Eps 内含有点的数量小于MinPts，但是落在核心点的邻域内的点为边界点，既不是核心点也不是边界点，则该对象为噪音点；在特征空间中应用DBSCAN算法，对像素点进行聚类，相似的像素将被分配到同一个簇中，而噪声点将被识别并排除；
S44、根据聚类结果，将每个像素指派给相应的簇，不同的簇对应于飞机蒙皮表面腐蚀铆钉图像中的不同区域，即飞机蒙皮表面腐蚀铆钉图像中腐蚀的部分被分割出来，得到腐蚀特征的原始图像。
在本实施例中，采用了DBSCAN算法，它将簇定义为密度相连的点的最大集合，能够把具有足够密度的区域划分为簇，并可以在有噪音的空间数据集中发现任意形状的簇，由密度可达关系导出的最大密度相连的样本集合，即为最终聚类的一个簇，该算法的计算方法较为简单，且使得分割出来的铆钉腐蚀部分更加清晰。
S5、利用灰度共生矩阵算法，对已经提取出腐蚀特征的原始图像的指定特征向量进行归一化处理，建立一个图像样本库；
作为步骤S5的优选实施方式，具体过程包括以下步骤：
S51、将腐蚀特征的原始图像经过灰度变换得到灰度图像，为了减少运算量，需要对图像再进行灰度归一化降级处理，选取的图片像素大小为32L；
S52、从0 ° 、45° 、90° 、135°四个不同方向上计算各个方向的灰度共生矩阵，选择对比度、能量、熵、逆方差和相关性常用的5个特征向量，并取各个特征参数在四个方向上的平均值，按照提取出的特征向量对灰度共生矩阵进行归一化处理；
S53、提取出腐蚀铆钉的各个方向上的纹理特征参数，最后将部分经过处理的图像建立为一个图像样本库，如图4表示采用灰度共生矩阵提取蒙皮腐蚀铆钉图像纹理特征的流程图。
S6、对图像样本库里腐蚀铆钉的几何特征进行计算与对比，实现对不同腐蚀程度的铆钉进行自动分类。通过提取飞机蒙皮铆钉腐蚀特征以及相应的几何特征参数值，将其分为正常、轻微腐蚀和严重腐蚀铆钉，如图5所示，为本发明典型的飞机蒙皮表面铆钉腐蚀图像，以下是对腐蚀铆钉的几何特征参数作具体描述：
1. 腐蚀面积A
腐蚀面积是指蒙皮铆钉受到腐蚀的区域大小。
2. 腐蚀周长L
腐蚀周长是指蒙皮铆钉腐蚀周围边界的长短，经过图像处理算法计算可得到腐蚀周长。
3. 圆分度C
圆分度表示特征区域的疏密程度，圆分度越小，特征区域越密集；圆分度越大，特征区域越疏散，腐蚀越严重。计算公式如式所示：
；
4. 腐蚀趋势F
腐蚀趋势表示铆钉腐蚀的方向性，式中/>表示16个方向星状矢量中某一矢量，/>越大表示以R为半径铆钉腐蚀趋势越严重。
5. 中心偏离度N
中心偏离度的公式，其中 R 表示铆钉实测的半径值，d为算法检测的圆心/>到实际铆钉圆心/>的距离。计算公式如下式所示：
。
作为步骤S6的优选实施方式，所述S6具体过程包括：分别提取图像样本库中蒙皮腐蚀铆钉的面积A、周长L、圆分度C、中心偏离度N等几何特征值作为参数计算，通过A、L、C、N等几何特征参数值设置三种腐蚀程度的阈值，分别为轻微，中等，严重（根据计算出来的参数，也可以划分更为细致的腐蚀程度），按照相应阈值进行划分，按照就算出来的特征参数进行分类，实现对不同腐蚀程度的铆钉进行自动分类。
在本实施例中，对于不同腐蚀程度的铆钉自动分类从而采取相应的措施，可以高效降低修护飞机蒙皮表面铆钉的维修成本。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于，包括以下步骤：
S1、采用改进的基于模糊集的Hough变换的方法提取飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心；
S2、通过引入模糊数学理论的方式来降低随机Hough变换对噪声的敏感度，使得生成的飞机蒙皮表面铆钉的边缘点落在同一圆上的概率提升，得到真实圆铆钉图像特征；
S3、将真实圆铆钉图像特征输入带跳链接的卷积神经网络CNN中并采用GPU加速训练，识别出飞机蒙皮表面腐蚀铆钉图像；
S4、利用DBSCAN算法对飞机蒙皮表面腐蚀铆钉图像的腐蚀部分进行分割，得到腐蚀特征的原始图像；
S5、利用灰度共生矩阵算法，对已经提取出腐蚀特征的原始图像的指定特征向量进行归一化处理，建立一个图像样本库；
S6、对图像样本库里腐蚀铆钉的几何特征进行计算与对比，实现对不同腐蚀程度的铆钉进行自动分类。
2.根据权利要求1所述的一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于：在步骤S1中，具体过程包括以下步骤：
S11、在圆上任取三点K、L、M,分别构成互不平行的KL和LM,KL的中垂线Lkl与LM的中垂线Lkm必交于圆心O点，设K、L、M的坐标为、/>、/>，则KL和LM的方程为：，解方程可求得两直线的交点，由此可得圆的三个参数，由模糊数学理论中圆的 Hough变换方程为：
；
Hough变换后形成三维空间，其中，/>为参数空间的维数由三维降到一维蒙皮铆钉圆的半径，/>，/>为圆心坐标；
S12、将模糊点变换后的隶属度函数可以通过重建消解原理的方式来实现，用三个以为参数的圆来表示一个集合：
；
式中，/>为生成的模糊点三维的横纵坐标，/>为模糊点与圆心的夹角，对应映射到参数空间，可得：
；
其中，，/>分别为生成的模糊点由三维映射到一维的横纵坐标，a，b为飞机蒙皮表面铆钉大量边缘点构成圆的圆心，映射的范围为：
；
S13、将对应点依次映射到参数空间中，再跟隶属度函数进行卷积，得到飞机蒙皮表面铆钉图像特征，获取大量铆钉的边缘点与圆心。
3.根据权利要求1所述的一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于：在步骤S2中，具体过程包括以下步骤：
S21、首先将采集的飞机蒙皮表面铆钉图像特征进行去噪、滤波、二值化处理操作后通过Canny边缘检测、OTSU阈值分割处理成黑白二值图像；
S22、设黑白二值图像中圆的边缘点集为D，初始化单元集P=NULL和循环次数k=0，为像素之间的带宽；
S23、从D中任意取三点，如果/>不共线，则转S24，否则转S28；
S24、计算三点确定的圆参数，若有解，执行S25，否则执行S28；
；
；
；
式中，/>，/>，/>分别为线段KL，LM的截距与斜率，/>，/>为生成圆的圆心横纵坐标，/>，/>为线段与圆的交点，/>为生成圆的半径；
S25、在P中找一点，若满足/>，/>为生成圆上选定的点，d是容许误差，转到执行S26，否则，执行S25；
S26、将插入P，令score等于1，执行S28；
S27、将的score得分+1，如果小于指定的阈值/>，执行S28，否则，执行S29；
S28、当k = k + 1时，若k > kmax，结束，否则，执行S3；
S29、是候选圆/>的参数，如果该点的参数对应候选圆/>上的点数/>，执行S30；否则，判断为虚假圆，将其删除；
S30、检测到参数的真实圆，判断检测的圆的个数是否已达到规定的数目，若是，结束；否则，将落在参数/>对应候选圆/>上的点从 D 中去掉，初始化P=NULL，k=0，执行S3。
4.根据权利要求1所述的一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于：在步骤S3中，具体过程包括以下步骤：
S31、将真实圆铆钉图像特征作为输入数据被送入带跳连接的卷积神经网络中，依次经过3x3卷积层、激活层和最大池化层，得到较小尺寸的铆钉图像特征；
S32、接着通过跳链接模块，选取一半由S1得到的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉图像特征进行融合得到浅层铆钉图像特征，由S1得到的另一半的飞机蒙皮表面铆钉图像特征与S31得到的较小尺寸的铆钉腐蚀特征图进行融合后再通过两个3x3卷积层，一个激活层得到深层铆钉图像特征，将深层铆钉图像特征和浅层铆钉图像特征相加得到含有原先特征信息的飞机蒙皮表面铆钉的特征；
S33、重复步骤S31-S32，通过全链接层，经过多个卷积和池化层后，将S32得到的特征图被展平并送入全连接层，进行最后的识别任务；
S34、使用交叉熵损失来计算由S32得到的输出和确定了已经生锈的飞机蒙皮表面铆钉的差异，通过反向传播和优化算法调整网络参数，以得到最小的损失函数的值，从而得到最佳的带跳连接的卷积神经网络参数；
S35、使用已经训练好的带跳连接的卷积神经网络模型，重复S31，设定精度为0.0005，如果损失函数的值小于/>则视为飞机蒙皮表面铆钉已经腐蚀。
5.根据权利要求1所述的一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于：在步骤S3中，对飞机蒙皮表面腐蚀铆钉图像进行预处理，从图像库中读取飞机蒙皮表面腐蚀铆钉图像，将 RGB 图像转换为灰度图像，使用颜色转换公式如下式所示：
。
6.根据权利要求1所述的一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于：所述步骤S4具体过程包括以下步骤：
S41、采用S1的方法，提取飞机蒙皮表面腐蚀铆钉图像的特征；
S42、将飞机蒙皮表面腐蚀铆钉图像中的每个像素映射到特征空间中，在这个空间中，每个像素被视为一个点，其坐标由其特征值决定；
S43、设定邻域半径Eps和最小点数MinPts，在特征空间中应用DBSCAN算法，对像素点进行聚类，相似的像素将被分配到同一个簇中，而噪声点将被识别并排除；
S44、根据聚类结果，将每个像素指派给相应的簇，不同的簇对应于飞机蒙皮表面腐蚀铆钉图像中的不同区域，即飞机蒙皮表面腐蚀铆钉图像中腐蚀的部分被分割出来，得到腐蚀特征的原始图像。
7.根据权利要求1所述的一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于：所述步骤S5具体过程包括以下步骤：
S51、将腐蚀特征的原始图像经过灰度变换得到灰度图像，再进行灰度归一化降级处理，选取的图片像素大小为32L；
S52、从0 ° 、45° 、90° 、135°四个不同方向上计算各个方向的灰度共生矩阵，选择对比度、能量、熵、逆方差和相关性常用的5个特征向量，并取各个特征参数在四个方向上的平均值，按照提取出的特征向量对灰度共生矩阵进行归一化处理；
S53、提取出腐蚀铆钉的各个方向上的纹理特征参数，最后将部分经过处理的图像建立为一个图像样本库。
8.根据权利要求1所述的一种基于DBSCAN算法的飞机蒙皮表面铆钉腐蚀程度判断的方法，其特征在于：所述步骤S6具体过程包括：分别提取图像样本库中蒙皮腐蚀铆钉的面积A、周长L、圆分度C、中心偏离度N几何特征值作为参数计算，通过A、L、C、N几何特征参数值设置三种腐蚀程度的阈值，分别为轻微，中等，严重，按照相应阈值进行划分，实现对不同腐蚀程度的铆钉进行自动分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211177.XA CN117788472B (zh) | 2024-02-27 | 2024-02-27 | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211177.XA CN117788472B (zh) | 2024-02-27 | 2024-02-27 | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117788472A true CN117788472A (zh) | 2024-03-29 |
| CN117788472B CN117788472B (zh) | 2024-05-14 |
Family
ID=90402176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410211177.XA Active CN117788472B (zh) | 2024-02-27 | 2024-02-27 | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788472B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118097207A (zh) * | 2024-04-17 | 2024-05-28 | 聊城大学 | 海洋工程表面腐蚀图像识别方法及相关装置 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5870495A (en) * | 1995-01-13 | 1999-02-09 | Sgs-Thomson Microelectronics S.R.L. | Fuzzy method and device for the recognition of geometric shapes in images |
| US20100067805A1 (en) * | 2006-12-18 | 2010-03-18 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Device, method and computer program for identifying a traffic sign in an image |
| CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
| CN104942496A (zh) * | 2015-06-29 | 2015-09-30 | 湖南大学 | 基于机器人视觉伺服的汽车白车身焊点定位方法及装置 |
| CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
| CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
| US20190251330A1 (en) * | 2016-06-13 | 2019-08-15 | Nanolive Sa | Method of characterizing and imaging microscopic objects |
| CN111340754A (zh) * | 2020-01-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 一种基于飞机蒙皮表面缺陷检测和分类的方法 |
| CN113012173A (zh) * | 2021-04-12 | 2021-06-22 | 中国医学科学院北京协和医院 | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 |
| CN113129268A (zh) * | 2021-03-19 | 2021-07-16 | 江苏航空职业技术学院 | 一种飞机铆接墩头质量检测方法 |
| CN113327282A (zh) * | 2021-04-12 | 2021-08-31 | 厦门大学 | 一种办公转椅打孔位置与连接点识别方法 |
| CN113486739A (zh) * | 2021-06-22 | 2021-10-08 | 深圳无境创新科技有限公司 | 螺钉检测方法、装置、电子设备和存储介质 |
| CN113538409A (zh) * | 2021-08-05 | 2021-10-22 | 佳木斯大学 | 基于模糊逻辑和anfis的宫颈癌图像区域分割方法 |
| CN113902709A (zh) * | 2021-10-12 | 2022-01-07 | 南京航空航天大学 | 一种引导飞机复合材料蒙皮修复的表面平整度实时分析方法 |
| CN113920043A (zh) * | 2021-09-30 | 2022-01-11 | 海南大学 | 基于残差通道注意力机制的双流遥感图像融合方法 |
| CN114565579A (zh) * | 2022-03-02 | 2022-05-31 | 南京航空航天大学 | 一种基于深度学习的飞机蒙皮表面损伤检测方法及系统 |
| CN114626470A (zh) * | 2022-03-18 | 2022-06-14 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
| CN115082446A (zh) * | 2022-07-25 | 2022-09-20 | 南京航空航天大学 | 一种基于图像边界提取的飞机蒙皮铆钉的测量方法 |
| CN115410089A (zh) * | 2022-06-28 | 2022-11-29 | 北京理工大学 | 自适应局部上下文嵌入的光学遥感小尺度目标检测方法 |
| CN115546155A (zh) * | 2022-10-11 | 2022-12-30 | 无锡安欣达科技有限公司 | 一种基于机器视觉的铆钉尺寸检测方法 |
| CN116468663A (zh) * | 2023-03-14 | 2023-07-21 | 重庆邮电大学 | 一种基于改进YOLOv5的表面微小缺陷检测的方法 |
| CN116894775A (zh) * | 2023-09-11 | 2023-10-17 | 中铁大桥局集团第二工程有限公司 | 基于相机运动模型恢复和超分辨率的螺栓图像预处理方法 |
| CN117036715A (zh) * | 2023-10-09 | 2023-11-10 | 南京北斗创新应用科技研究院有限公司 | 一种基于卷积神经网络的形变区边界自动提取方法 |
-
2024
- 2024-02-27 CN CN202410211177.XA patent/CN117788472B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5870495A (en) * | 1995-01-13 | 1999-02-09 | Sgs-Thomson Microelectronics S.R.L. | Fuzzy method and device for the recognition of geometric shapes in images |
| US20100067805A1 (en) * | 2006-12-18 | 2010-03-18 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Device, method and computer program for identifying a traffic sign in an image |
| CN104217196A (zh) * | 2014-08-26 | 2014-12-17 | 武汉大学 | 一种遥感影像圆形油罐自动检测方法 |
| CN104942496A (zh) * | 2015-06-29 | 2015-09-30 | 湖南大学 | 基于机器人视觉伺服的汽车白车身焊点定位方法及装置 |
| CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
| US20190251330A1 (en) * | 2016-06-13 | 2019-08-15 | Nanolive Sa | Method of characterizing and imaging microscopic objects |
| CN106680287A (zh) * | 2016-12-28 | 2017-05-17 | 无锡浩远视觉科技有限公司 | 一种轴承铆钉台阶缺陷的视觉检测方法 |
| CN111340754A (zh) * | 2020-01-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 一种基于飞机蒙皮表面缺陷检测和分类的方法 |
| CN113129268A (zh) * | 2021-03-19 | 2021-07-16 | 江苏航空职业技术学院 | 一种飞机铆接墩头质量检测方法 |
| CN113327282A (zh) * | 2021-04-12 | 2021-08-31 | 厦门大学 | 一种办公转椅打孔位置与连接点识别方法 |
| CN113012173A (zh) * | 2021-04-12 | 2021-06-22 | 中国医学科学院北京协和医院 | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 |
| CN113486739A (zh) * | 2021-06-22 | 2021-10-08 | 深圳无境创新科技有限公司 | 螺钉检测方法、装置、电子设备和存储介质 |
| CN113538409A (zh) * | 2021-08-05 | 2021-10-22 | 佳木斯大学 | 基于模糊逻辑和anfis的宫颈癌图像区域分割方法 |
| CN113920043A (zh) * | 2021-09-30 | 2022-01-11 | 海南大学 | 基于残差通道注意力机制的双流遥感图像融合方法 |
| CN113902709A (zh) * | 2021-10-12 | 2022-01-07 | 南京航空航天大学 | 一种引导飞机复合材料蒙皮修复的表面平整度实时分析方法 |
| CN114565579A (zh) * | 2022-03-02 | 2022-05-31 | 南京航空航天大学 | 一种基于深度学习的飞机蒙皮表面损伤检测方法及系统 |
| CN114626470A (zh) * | 2022-03-18 | 2022-06-14 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
| CN115410089A (zh) * | 2022-06-28 | 2022-11-29 | 北京理工大学 | 自适应局部上下文嵌入的光学遥感小尺度目标检测方法 |
| CN115082446A (zh) * | 2022-07-25 | 2022-09-20 | 南京航空航天大学 | 一种基于图像边界提取的飞机蒙皮铆钉的测量方法 |
| CN115546155A (zh) * | 2022-10-11 | 2022-12-30 | 无锡安欣达科技有限公司 | 一种基于机器视觉的铆钉尺寸检测方法 |
| CN116468663A (zh) * | 2023-03-14 | 2023-07-21 | 重庆邮电大学 | 一种基于改进YOLOv5的表面微小缺陷检测的方法 |
| CN116894775A (zh) * | 2023-09-11 | 2023-10-17 | 中铁大桥局集团第二工程有限公司 | 基于相机运动模型恢复和超分辨率的螺栓图像预处理方法 |
| CN117036715A (zh) * | 2023-10-09 | 2023-11-10 | 南京北斗创新应用科技研究院有限公司 | 一种基于卷积神经网络的形变区边界自动提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 才秀凤;马立肖;赵占芳;: "基于改进Hough变换的圆形物体检测", 电脑开发与应用, no. 03, 28 March 2007 (2007-03-28) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118097207A (zh) * | 2024-04-17 | 2024-05-28 | 聊城大学 | 海洋工程表面腐蚀图像识别方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117788472B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| CN117788472B (zh) | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 | |
| CN114627383B (zh) | 一种基于度量学习的小样本缺陷检测方法 | |
| CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
| CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
| CN115496746A (zh) | 基于图像和点云数据融合的板材表面缺陷检测方法和系统 | |
| CN113888461A (zh) | 基于深度学习的小五金件缺陷检测方法、系统及设备 | |
| CN111931763B (zh) | 一种基于随机形态边缘几何建模的深度场景文本检测方法 | |
| CN110991547A (zh) | 一种基于多特征最优融合的图像显著性检测方法 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN111145145A (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
| CN117576079A (zh) | 一种工业产品表面异常检测方法、装置及系统 | |
| CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
| Mlyahilu et al. | Morphological geodesic active contour algorithm for the segmentation of the histogram‐equalized welding bead image edges | |
| CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
| CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 | |
| CN116740572A (zh) | 一种基于改进yolox的海上船舰目标检测方法和系统 | |
| Dong | A pixel-wise framework based on convolutional neural network for surface defect detection | |
| CN116310780A (zh) | 基于轮廓建模的光学遥感图像任意方向船只目标检测方法 | |
| CN114964206A (zh) | 一种单目视觉里程计目标位姿检测方法 | |
| CN114677530A (zh) | 一种基于小波形状描述子的聚类算法有效性评价方法、设备及介质 | |
| Tong et al. | Cell image instance segmentation based on PolarMask using weak labels | |
| Cai et al. | Unfeatured weld positioning technology based on neural network and machine vision |
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 |