CN117893540A - 用于压力容器的圆度智能检测方法及系统 - Google Patents
用于压力容器的圆度智能检测方法及系统 Download PDFInfo
- Publication number
- CN117893540A CN117893540A CN202410303270.3A CN202410303270A CN117893540A CN 117893540 A CN117893540 A CN 117893540A CN 202410303270 A CN202410303270 A CN 202410303270A CN 117893540 A CN117893540 A CN 117893540A
- Authority
- CN
- China
- Prior art keywords
- local area
- enhanced
- edge
- pressure vessel
- contrast
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000005286 illumination Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 5
- 230000003014 reinforcing effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像增强技术领域，具体涉及一种用于压力容器的圆度智能检测方法及系统。该方法将压力容器的外观图像分为多个压力容器局部区域。根据梯度对比度和光照影响程度获得每个压力容器局部区域的边缘显著程度，进而筛选出待增强局部区域。根据待增强局部区域相邻区域的类别确定调整系数，根据调整系数、整体对比度和整体亮度对待增强局部区域进行增强，获得增强外观图像。根据增强外观图像中的压力容器边缘进行圆度检测。本发明实施例通过对局部区域的针对性增强，获得边缘特征清晰的增强外观图像，保证了压力容器圆度检测的准确性。
Description
技术领域
本发明涉及图像增强技术领域，具体涉及一种用于压力容器的圆度智能检测方法及系统。
背景技术
压力容器的圆度是一个关键的质量参数，直接关系到压力容器的安全性和使用寿命。圆度指的是容器壁的轮廓是否符合理想的圆形几何形状。如果圆度不符合标准要求，可能会导致安全性、材料疲劳、不稳定等多种问题。因此在压力容器生产阶段需要对压力容器进行准确的圆度检测。
利用图像处理算法可实现对压力容器的圆度智能检测，可通过采集压力容器的边缘信息，基于边缘的形状进行圆度检测。但是由于压力容器通常是由金属打造，会出现明显的反光现象，进而导致拍摄的图像上的边缘信息并不明显，需要对压力容器的外观图像进行增强。现有技术中会对外观图像进行全局增强，对于真正需要增强的局部区域而言，全局增强会导致局部区域受到其他无关因素的影响，无法对局部区域进行针对性的增强，导致图像的增强效果较差，无法体现出有效的边缘信息供圆度检测，导致圆度检测结果并不准确。
发明内容
为了解决现有技术中不能针对局部区域进行针对性增强导致压力容器的圆度检测结果不准确的技术问题，本发明的目的在于提供一种用于压力容器的圆度智能检测方法及系统，所采用的技术方案具体如下：
本发明提出了一种用于压力容器的圆度智能检测方法，所述方法包括：
获得压力容器顶部的外观图像；对所述外观图像中的压力容器进行划分，获得多个压力容器局部区域；
在所述压力容器局部区域内，根据每个像素点在预设邻域区域内的灰度值分布获得光照影响程度，根据所述光照影响程度和所述邻域区域内的梯度对比度获得所述压力容器局部区域的边缘显著程度；根据所述边缘显著程度筛选出待增强局部区域；
若所述待增强局部区域相邻的所述压力容器局部区域存在非待增强局部区域，则根据所述非待增强局部区域的所述边缘显著程度获得对应所述待增强局部区域的调整系数；否则，则根据所述待增强局部区域以及相邻的所述待增强局部区域的所述边缘显著程度获得所述调整系数；
获得所述待增强局部区域内的整体对比度和整体亮度，根据所述整体对比度、所述整体亮度以及所述调整系数对每个像素点的像素值进行调整，获得增强外观图像；
根据所述增强外观图像中的压力容器边缘进行圆度检测。
进一步地，所述压力容器局部区域的获取方法包括：
获取所述外观图像中压力容器中的边缘像素点，根据所述边缘像素点进行霍夫圆拟合，获得初始圆心，以所述初始圆心为起点，根据预设角度间隔构建多条射线，所述射线将所述外观图像中的压力容器分割为多个所述压力容器局部区域。
进一步地，所述光照影响程度的获取方法包括：
将每个像素点的所述邻域区域内的灰度极差作为所述光照影响程度。
进一步地，所述梯度对比度的获取方法包括：
获得每个像素点与对应所述邻域区域内每个邻域像素点之间的梯度差异，将平均梯度差异归一化作为所述梯度对比度。
进一步地，所述边缘显著程度的获取方法包括：
将每个像素点的所述光照影响程度进行负相关映射后与所述梯度对比度与相乘，获得每个像素点的显著特征值；将所述压力容器局部区域内所有像素点的所述显著特征值求平均，获得所述边缘显著程度。
进一步地，所述待增强局部区域的获取方法包括：
若所述边缘显著程度小于预设显著阈值，则将对应压力容器局部区域作为待增强局部区域；否则，对应压力容器局部区域为非待增强局部区域。
进一步地，所述根据所述非待增强局部区域的所述边缘显著程度获得对应所述待增强局部区域的调整系数，包括：
将待增强局部区域相邻的所述非待增强局部区域的平均边缘显著程度进行归一化，获得所述调整系数。
进一步地，所述根据所述待增强局部区域以及相邻的所述待增强局部区域的所述边缘显著程度获得所述调整系数，包括：
将待增强局部区域相邻的所述待增强局部区域的平均边缘显著程度进行归一化，获得所述调整系数。
进一步地，所述根据所述整体对比度、所述整体亮度以及所述调整系数对每个像素点的像素值进行调整，包括：
根据所述待增强局部区域内的灰度直方图获得所述整体对比度和整体亮度；将所述整体对比度与所述调整系数的乘积作为对比度调整值，将所述对比度调整值与所述整体对比度相加，获得调整对比度；根据调整对比度对待增强局部区域进行调整，获得初步增强区域；
将初步增强区域内每个像素点的像素值与所述调整对比度相乘后，与所述整体亮度相加，获得调整后的像素值。
本发明还提出了一种用于压力容器的圆度智能检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种用于压力容器的圆度智能检测方法的步骤。
本发明具有如下有益效果：
本发明实施例首先将外观图像中的压力容器分为多个局部区域，在后续过程中针对每个压力容器局部区域进行分析。需要进行针对性增强的压力容器局部区域中存在边缘不清晰和光照影响较强的特征，因此根据梯度对比度与光照影响程度能够准确筛选出需要增强的待增强局部区域。因为所有局部区域被划分成了待增强局部区域和非待增强局部区域，在进行针对性增强过程中不仅需要考虑到待增强区域自身的整体对比度和整体亮度，还需要考虑到其邻近的局部区域的类型分布，若相邻的存在非待增强局部区域，则在增强过程中需要以非待增强局部区域为参考对待增强局部区域进行针对性的增强，因此通过局部区域的分布情况设定调整系数，进而对待增强局部区域进行针对性的增强，获得边缘特征清晰的增强外观图像用于圆度检测，能够获得更准确的圆度检测结果。
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用于压力容器的圆度智能检测方法流程图；
图2为本发明一个实施例所提供的一种压力容器顶部的外观图像；
图3为本发明一个实施例所提供的一种外观图像的边缘图像。
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用于压力容器的圆度智能检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体地说明本发明所提供的一种用于压力容器的圆度智能检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于压力容器的圆度智能检测方法流程图，该方法包括：
步骤S1：获得压力容器顶部的外观图像；对外观图像中的压力容器进行划分，获得多个压力容器局部区域。
在本发明一个实施例中，在压力容器的生产车间，压力容器罐生产完毕后，可通过俯视视角拍摄压力容器顶部的外观图像，也可将压力容器放倒后拍摄获得外观图像。请参阅图2，其示出了本发明一个实施例所提供的一种压力容器顶部的外观图像。由外观图像可知，在实际的图像获取场景，外观图像中的压力容器表面会受到光照影响同时，还会因为背景信息的影响导致某些位置的边缘信息在边缘获取过程中产生丢失。请参阅图3，其示出了本发明一个实施例所提供的一种外观图像的边缘图像，由图3可知，边缘图像中的压力容器边缘并非总是连续平滑的，在多处位置存在断裂、变形等问题。因此需要对外观图像进行图像增强，使得图像中的边缘区域更加清晰。为了避免全局增强的影响，首先需要对外观图像进行分区域，对外观图像中的压力容器进行划分，获得多个压力容器局部区域，进而在后续过程中针对每个压力容器局部区域进行单独分析。
优选地，在本发明一个实施例中，压力容器局部区域的获取方法包括：
获取外观图像中压力容器中的边缘像素点，根据边缘像素点进行霍夫圆拟合，获得初始圆心。需要说明的是，此处获得的边缘像素点因为是图像增强之前的边缘信息，因此不能直接参与圆度检测，仅可作为圆心定位的基础数据。以初始圆心为起点，根据预设角度间隔构建多条射线，射线将外观图像中的压力容器分割为多个压力容器局部区域。在本发明一个实施例中，将角度间隔设置成45度，即将整个外观图像分为8个压力容器局部区域。
步骤S2：在压力容器局部区域内，根据每个像素点在预设邻域区域内的灰度值分布获得光照影响程度，根据光照影响程度和邻域区域内的梯度对比度获得压力容器局部区域的边缘显著程度；根据边缘显著程度筛选出待增强局部区域。
对于所有压力容器局部区域而言，其中存在边缘特征不明显的待增强局部区域，还存在边缘特征明显无需进行增强的非待增强局部区域。为了实现对待增强局部区域的针对性增强，需要将压力容器局部区域进行分类，根据每个局部区域中边缘信息的边缘显著程度筛选出待增强局部区域。对于一个压力容器局部区域，该区域内的像素点受到的光照影响程度越小，则说明该区域中的边缘信息越显著；该区域内像素点的梯度特征越明显，则说明该区域中的边缘信息越显著。因此本发明实施例首先基于每个像素点的邻域范围进行分析，根据灰度值的分布获得光照影响程度，进一步结合邻域范围内的梯度对比度获得边缘显著程度。即光照影响程度越小，梯度对比度越大，则说明像素点位置处的边缘信息越显著。因此可根据边缘显著程度筛选出待增强局部区域。
在本发明一个实施例中，预设邻域范围设置为八邻域范围。
优选地，在本发明一个实施例中，因为光照会将某个局部区域的像素值整体调亮，导致压力容器局部区域中存在一处明显的高亮区域，该高亮区域边缘上的像素点与周围非高亮区域像素点之间的像素差异交大，因此将每个像素点的邻域区域内的灰度极差作为光照影响程度。灰度极差越小，则说明当前压力容器局部区域中不存在高亮区域或者光照的影响较小；灰度极差越大，则说明当前压力容器局部区域中收到光照的影响较大，该像素点位置存在较为明显的高亮区域。
优选地，在本发明一个实施例中，梯度对比度的获取方法包括：
获得每个像素点与对应所述邻域区域内每个邻域像素点之间的梯度差异，将平均梯度差异归一化作为梯度对比度。即平均梯度差异越大说明该位置的像素点相比于邻域像素点而言梯度信息越突出，梯度的对比度越强。在本发明一个实施例中，将平均梯度差异与最大梯度差异的比值作为归一化后的梯度对比度，在本发明其他实施例中也可选用其他归一化方法，在此不做赘述。需要说明的是，虽然光照对压力容器表面的影响会形成明显的高亮区域，形成梯度显著的高亮区域边缘，但是如图2所示，压力容器罐上除了外侧边缘之外存在其他表面的边缘信息，高亮区域会淡化其他表面的边缘信息，导致梯度信息不明显，高亮区域内部的梯度对比度较弱。
优选地，在本发明一个实施例中边缘显著程度的获取方法包括：
因为光照影响程度越大说明压力容器的边缘信息越不明显，梯度对比度越大说明边缘信息越显著。将每个像素点的光照影响程度进行负相关映射后与梯度对比度与相乘，获得每个像素点的显著特征值。显著特征值越大说明该像素点位置处的边缘信息越显著，因此将压力容器局部区域内所有像素点的显著特征值求平均，获得边缘显著程度。
在本发明一个实施例中，负相关映射方法采用倒数的方法，在本发明其他实施例中也可选用其他负相关映射方法，其均为本领域技术人员熟知的技术手段，在此不做赘述。
因为边缘显著程度越大则说明压力容器局部区域越不需要进行增强，所以在本发明一个实施例中，待增强局部区域的获取方法包括：若边缘显著程度小于预设显著阈值，则将对应压力容器局部区域作为待增强局部区域；否则，对应压力容器局部区域为非待增强局部区域。在本发明一个实施例中，将边缘显著程度进行归一化处理，设置显著阈值为0.7。
步骤S3：若待增强局部区域相邻的压力容器局部区域存在非待增强局部区域，则根据非待增强局部区域的边缘显著程度获得对应待增强局部区域的调整系数；否则，则根据待增强局部区域以及相邻的待增强局部区域的边缘显著程度获得调整系数。
考虑到待增强局部区域为一个局部区域，其周围局部区域的类型分布会不同，如果待增强局部区域相邻区域为非待增强局部区域，则为了增强效果，需要以非待正确局部区域中的信息为参考对待增强局部区域进行增强，保证增强结果较为平滑，不会与边缘清晰的非待增强区域相比出现显著的边缘割裂。同理若待增强局部区域相邻的区域均为待增强局部区域，则需要根据相邻的待增强局部区域对待增强局部区域进行增强，保证相邻的这些待增强局部区域的增强程度相近，保证增强结果的平滑。因此根据相邻区域的类型获得对应的调整系数，在后续过程中根据对应的调整系数对每个待增强局部区域进行针对性的增强。
在本发明一个实施例中，根据非待增强局部区域的边缘显著程度获得对应待增强局部区域的调整系数，包括：将待增强局部区域相邻的非待增强局部区域的平均边缘显著程度进行归一化，获得调整系数。
根据待增强局部区域以及相邻的待增强局部区域的边缘显著程度获得调整系数，包括：将待增强局部区域相邻的待增强局部区域的平均边缘显著程度进行归一化，获得调整系数。
需要说明的是，因为本发明一个实施例中的压力容器局部区域为一个个扇形区域，因此每个压力容器局部区域一定存在两侧的相邻区域。在本发明实施例中归一化采用极差标准化，在其他实施例中也可采用其他归一化方法，在此不做赘述。
步骤S4：获得待增强局部区域内的整体对比度和整体亮度，根据整体对比度、整体亮度以及调整系数对每个像素点的像素值进行调整，获得增强外观图像。
在图像增强过程中，首先需要获得待增强局部区域自身的图像信息，即整体对比度和整体亮度，进而结合调整系数即可实现对每个待增强局部区域的针对性增强。增强后的待增强局部区域与非待增强局部区域即组成边缘信息显著的增强外观图像。
优选地，在本发明一个实施例中，根据整体对比度、整体亮度以及调整系数对每个像素点的像素值进行调整，包括：
根据待增强局部区域内的灰度直方图获得整体对比度和整体亮度；将整体对比度与调整系数的乘积作为对比度调整值，将对比度调整值与整体对比度相加，获得调整对比度；根据调整对比度对待增强局部区域进行调整，获得初步增强区域。即该过程是一个初步增强的过程，通过调整系数调整待增强局部区域内的对比度信息，是的边缘信息更显著。需要说明的是，根据灰度直方图获得整体对比度以及整体亮度的方法为本领域技术人员熟知的技术手段，在此不做赘述。
将初步增强区域内每个像素点的像素值与调整对比度相乘后，与整体亮度相加，获得调整后的像素值。即该过程在初次增强的基础上重新调整了像素点的像素值，进行二次增强，结合亮度信息进一步提高边缘信息的显著程度，使得获得的增强外观图像的质量更好。
步骤S5：根据增强外观图像中的压力容器边缘进行圆度检测。
获得增强外观图像之后即可利用霍夫圆检测获得压力容器外侧边缘的拟合圆，根据拟合圆与外侧边缘像素点的拟合差异确定圆度是否符合要求，拟合差异越小说明圆度越接近标准圆；拟合差异越大说明圆度越不符合标准圆，该压力容器的生产质量存在问题。
综上所述，本发明实施例将压力容器的外观图像分为多个压力容器局部区域。根据梯度对比度和光照影响程度获得每个压力容器局部区域的边缘显著程度，进而筛选出待增强局部区域。根据待增强局部区域相邻区域的类别确定调整系数，根据调整系数、整体对比度和整体亮度对待增强局部区域进行增强，获得增强外观图像。根据增强外观图像中的压力容器边缘进行圆度检测。本发明实施例通过对局部区域的针对性增强，获得边缘特征清晰的增强外观图像，保证了压力容器圆度检测的准确性。
本发明还提出了一种用于压力容器的圆度智能检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种用于压力容器的圆度智能检测方法的步骤。
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 (10)
1.一种用于压力容器的圆度智能检测方法，其特征在于，所述方法包括：
获得压力容器顶部的外观图像；对所述外观图像中的压力容器进行划分，获得多个压力容器局部区域；
在所述压力容器局部区域内，根据每个像素点在预设邻域区域内的灰度值分布获得光照影响程度，根据所述光照影响程度和所述邻域区域内的梯度对比度获得所述压力容器局部区域的边缘显著程度；根据所述边缘显著程度筛选出待增强局部区域；
若所述待增强局部区域相邻的所述压力容器局部区域存在非待增强局部区域，则根据所述非待增强局部区域的所述边缘显著程度获得对应所述待增强局部区域的调整系数；否则，则根据所述待增强局部区域以及相邻的所述待增强局部区域的所述边缘显著程度获得所述调整系数；
获得所述待增强局部区域内的整体对比度和整体亮度，根据所述整体对比度、所述整体亮度以及所述调整系数对每个像素点的像素值进行调整，获得增强外观图像；
根据所述增强外观图像中的压力容器边缘进行圆度检测。
2.根据权利要求1所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述压力容器局部区域的获取方法包括：
获取所述外观图像中压力容器中的边缘像素点，根据所述边缘像素点进行霍夫圆拟合，获得初始圆心，以所述初始圆心为起点，根据预设角度间隔构建多条射线，所述射线将所述外观图像中的压力容器分割为多个所述压力容器局部区域。
3.根据权利要求1所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述光照影响程度的获取方法包括：
将每个像素点的所述邻域区域内的灰度极差作为所述光照影响程度。
4.根据权利要求1所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述梯度对比度的获取方法包括：
获得每个像素点与对应所述邻域区域内每个邻域像素点之间的梯度差异，将平均梯度差异归一化作为所述梯度对比度。
5.根据权利要求1所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述边缘显著程度的获取方法包括：
将每个像素点的所述光照影响程度进行负相关映射后与所述梯度对比度与相乘，获得每个像素点的显著特征值；将所述压力容器局部区域内所有像素点的所述显著特征值求平均，获得所述边缘显著程度。
6.根据权利要求5所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述待增强局部区域的获取方法包括：
若所述边缘显著程度小于预设显著阈值，则将对应压力容器局部区域作为待增强局部区域；否则，对应压力容器局部区域为非待增强局部区域。
7.根据权利要求1所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述根据所述非待增强局部区域的所述边缘显著程度获得对应所述待增强局部区域的调整系数，包括：
将待增强局部区域相邻的所述非待增强局部区域的平均边缘显著程度进行归一化，获得所述调整系数。
8.根据权利要求1所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述根据所述待增强局部区域以及相邻的所述待增强局部区域的所述边缘显著程度获得所述调整系数，包括：
将待增强局部区域相邻的所述待增强局部区域的平均边缘显著程度进行归一化，获得所述调整系数。
9.根据权利要求1所述的一种用于压力容器的圆度智能检测方法，其特征在于，所述根据所述整体对比度、所述整体亮度以及所述调整系数对每个像素点的像素值进行调整，包括：
根据所述待增强局部区域内的灰度直方图获得所述整体对比度和整体亮度；将所述整体对比度与所述调整系数的乘积作为对比度调整值，将所述对比度调整值与所述整体对比度相加，获得调整对比度；根据调整对比度对待增强局部区域进行调整，获得初步增强区域；
将初步增强区域内每个像素点的像素值与所述调整对比度相乘后，与所述整体亮度相加，获得调整后的像素值。
10.一种用于压力容器的圆度智能检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1~9任意一项所述一种用于压力容器的圆度智能检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303270.3A CN117893540B (zh) | 2024-03-18 | 2024-03-18 | 用于压力容器的圆度智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410303270.3A CN117893540B (zh) | 2024-03-18 | 2024-03-18 | 用于压力容器的圆度智能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117893540A true CN117893540A (zh) | 2024-04-16 |
| CN117893540B CN117893540B (zh) | 2024-05-31 |
Family
ID=90646092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410303270.3A Active CN117893540B (zh) | 2024-03-18 | 2024-03-18 | 用于压力容器的圆度智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893540B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160660A (zh) * | 2015-08-17 | 2015-12-16 | 中国科学院苏州生物医学工程技术研究所 | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 |
| CN109191395A (zh) * | 2018-08-21 | 2019-01-11 | 深圳创维－Rgb电子有限公司 | 图像对比度增强方法、装置、设备及存储介质 |
| CN111260543A (zh) * | 2020-01-19 | 2020-06-09 | 浙江大学 | 一种基于多尺度图像融合和sift特征的水下图像拼接方法 |
| CN111681213A (zh) * | 2020-05-24 | 2020-09-18 | 浙江理工大学 | 一种基于深度学习的导光板线划伤缺陷检测方法 |
| US20200349684A1 (en) * | 2019-05-02 | 2020-11-05 | Samsung Electronics Co., Ltd. | Image processing method and apparatus |
| CN113989127A (zh) * | 2020-07-27 | 2022-01-28 | 浙江宇视科技有限公司 | 一种图像对比度调整方法、系统、设备及计算机存储介质 |
| CN115456905A (zh) * | 2022-09-26 | 2022-12-09 | 南京邮电大学 | 一种基于明暗区域分割的单幅图像去雾方法 |
| CN115702796A (zh) * | 2021-08-13 | 2023-02-17 | 通用电气精准医疗有限责任公司 | 医学图像的局部增强 |
| CN116228871A (zh) * | 2023-05-08 | 2023-06-06 | 山东齐芯智控科技有限公司 | 一种供热管网运行状态智能监测系统 |
| CN116342631A (zh) * | 2023-01-13 | 2023-06-27 | 深圳市华汉伟业科技有限公司 | 环形区域及环形区域目标特征检测方法、检测设备 |
| CN116486061A (zh) * | 2023-06-20 | 2023-07-25 | 苏州德斯米尔智能科技有限公司 | 基于机器视觉的污水处理效果检测方法 |
| CN116703931A (zh) * | 2023-08-09 | 2023-09-05 | 山东津庭名企建材有限公司 | 一种用于建筑高分子材料的表面银纹检测方法 |
| CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
| CN116993632A (zh) * | 2023-09-28 | 2023-11-03 | 威海广泰空港设备股份有限公司 | 基于机器视觉的生产火灾预警方法 |
| CN117557571A (zh) * | 2024-01-12 | 2024-02-13 | 普森美微电子技术(苏州)有限公司 | 基于图像增强的合金电阻焊接缺陷视觉检测方法及系统 |
| CN117689662A (zh) * | 2024-02-04 | 2024-03-12 | 张家港长寿工业设备制造有限公司 | 一种换热器管头焊接质量视觉检测方法及系统 |
-
2024
- 2024-03-18 CN CN202410303270.3A patent/CN117893540B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160660A (zh) * | 2015-08-17 | 2015-12-16 | 中国科学院苏州生物医学工程技术研究所 | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 |
| CN109191395A (zh) * | 2018-08-21 | 2019-01-11 | 深圳创维－Rgb电子有限公司 | 图像对比度增强方法、装置、设备及存储介质 |
| WO2020038124A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳创维－Rgb电子有限公司 | 图像对比度增强方法、装置、设备及存储介质 |
| US20200349684A1 (en) * | 2019-05-02 | 2020-11-05 | Samsung Electronics Co., Ltd. | Image processing method and apparatus |
| CN111260543A (zh) * | 2020-01-19 | 2020-06-09 | 浙江大学 | 一种基于多尺度图像融合和sift特征的水下图像拼接方法 |
| CN111681213A (zh) * | 2020-05-24 | 2020-09-18 | 浙江理工大学 | 一种基于深度学习的导光板线划伤缺陷检测方法 |
| CN113989127A (zh) * | 2020-07-27 | 2022-01-28 | 浙江宇视科技有限公司 | 一种图像对比度调整方法、系统、设备及计算机存储介质 |
| CN115702796A (zh) * | 2021-08-13 | 2023-02-17 | 通用电气精准医疗有限责任公司 | 医学图像的局部增强 |
| CN115456905A (zh) * | 2022-09-26 | 2022-12-09 | 南京邮电大学 | 一种基于明暗区域分割的单幅图像去雾方法 |
| CN116342631A (zh) * | 2023-01-13 | 2023-06-27 | 深圳市华汉伟业科技有限公司 | 环形区域及环形区域目标特征检测方法、检测设备 |
| CN116228871A (zh) * | 2023-05-08 | 2023-06-06 | 山东齐芯智控科技有限公司 | 一种供热管网运行状态智能监测系统 |
| CN116486061A (zh) * | 2023-06-20 | 2023-07-25 | 苏州德斯米尔智能科技有限公司 | 基于机器视觉的污水处理效果检测方法 |
| CN116703931A (zh) * | 2023-08-09 | 2023-09-05 | 山东津庭名企建材有限公司 | 一种用于建筑高分子材料的表面银纹检测方法 |
| CN116758083A (zh) * | 2023-08-21 | 2023-09-15 | 浙江莫克智造有限公司 | 基于计算机视觉的金属洗脸盆缺陷快速检测方法 |
| CN116993632A (zh) * | 2023-09-28 | 2023-11-03 | 威海广泰空港设备股份有限公司 | 基于机器视觉的生产火灾预警方法 |
| CN117557571A (zh) * | 2024-01-12 | 2024-02-13 | 普森美微电子技术(苏州)有限公司 | 基于图像增强的合金电阻焊接缺陷视觉检测方法及系统 |
| CN117689662A (zh) * | 2024-02-04 | 2024-03-12 | 张家港长寿工业设备制造有限公司 | 一种换热器管头焊接质量视觉检测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 侯志刚;崔华飞;胡斌;张云海;方宝晟;徐从旺: "基于计算机视觉的弱化阴影测量", 烟台大学学报(自然科学与工程版), vol. 34, no. 3, 25 March 2021 (2021-03-25) * |
| 李平;梁丹;梁冬泰;吴晓成;陈兴;: "自适应图像增强的管道机器人缺陷检测方法", 光电工程, no. 01, 15 January 2020 (2020-01-15) * |
| 武尔维;周冬明;赵东风;聂仁灿;: "基于双层PCNN的多级灰度图像增强", 云南大学学报(自然科学版), no. 05, 15 September 2007 (2007-09-15) * |
| 王小元;张红英;吴亚东;刘言;: "基于视觉感知的低照度图像增强算法", 计算机工程, no. 08, 15 August 2016 (2016-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117893540B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116740070B (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
| CN114943736B (zh) | 一种汽车散热翅片生产质量检测方法及系统 | |
| CN116596936B (zh) | 基于图像数据的太阳翼帆板质量检测方法 | |
| CN112215856A (zh) | 图像分割的阈值确定方法、装置、终端及存储介质 | |
| CN116912261B (zh) | 一种塑料模具注塑表面缺陷检测方法 | |
| CN115187602A (zh) | 基于图像处理的注塑件缺陷检测方法及系统 | |
| CN115880299A (zh) | 一种轻质混凝土复合自保温外墙板的质量检测系统 | |
| CN117557569A (zh) | 一种道路路面施工质量检测方法及系统 | |
| CN116012357A (zh) | 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法 | |
| CN116310845A (zh) | 一种用于污水处理的智能监测系统 | |
| CN117893540B (zh) | 用于压力容器的圆度智能检测方法及系统 | |
| CN117830139B (zh) | 一种高强度冲压件缺陷检测方法 | |
| CN115511907A (zh) | 一种用于led屏幕的划痕检测方法 | |
| CN114998341A (zh) | 一种基于模板匹配的齿轮缺陷检测方法及系统 | |
| CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
| CN116862907B (zh) | 基于图像特征的电机配件质量检测方法 | |
| CN111861918B (zh) | 一种基于sar图像的海上溢油检测方法 | |
| CN117058111B (zh) | 一种汽车铝合金压铸模具质量检查方法及系统 | |
| US9916663B2 (en) | Image processing method and process simulation apparatus | |
| CN104021534A (zh) | 一种碎纸片拼接方法 | |
| CN105701807B (zh) | 一种基于投票策略的图像分割方法 | |
| CN114387247A (zh) | 一种基于frfcm和区域生长法的水下目标检测方法 | |
| CN114049549A (zh) | 水下视觉识别方法、系统和计算机可读存储介质 | |
| CN115511769A (zh) | 流水线上包装字符图像的归一化检测方法 | |
| CN117876360B (zh) | 基于图像处理的润滑油油质智能检测方法 |
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 |