CN117934452B - 基于人工智能的蒸压混凝土板材质量快速检测方法 - Google Patents
基于人工智能的蒸压混凝土板材质量快速检测方法 Download PDFInfo
- Publication number
- CN117934452B CN117934452B CN202410288418.0A CN202410288418A CN117934452B CN 117934452 B CN117934452 B CN 117934452B CN 202410288418 A CN202410288418 A CN 202410288418A CN 117934452 B CN117934452 B CN 117934452B
- Authority
- CN
- China
- Prior art keywords
- suspected
- hole area
- pixel
- value
- 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
- 239000004567 concrete Substances 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 239000000463 material Substances 0.000 title claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012512 characterization method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 11
- 230000002708 enhancing effect Effects 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 239000004566 building material Substances 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005536 corrosion prevention Methods 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及局部图像增强技术领域,具体涉及一种基于人工智能的蒸压混凝土板材质量快速检测方法。该方法根据蒸压混凝土板材灰度图像中灰度值大小确定疑似孔洞区域,并进行疑似像素点和正常像素点的区分;通过疑似像素点与正常像素点之间的像素值排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得疑似孔洞区域的特征表现指标;通过特征表现指标获得优化滤波核进行图像增强,根据最终的蒸压混凝土板材增强图像进行质量检测。本发明通过对孔洞特征的多指标分析优化滤波核,提高图像增强效果,得到更准确的检测结果,提高了质量检测的效率。
Description
技术领域
本发明涉及局部图像增强技术领域,具体涉及一种基于人工智能的蒸压混凝土板材质量快速检测方法。
背景技术
蒸压混凝土板材是以水泥、石灰、硅砂等为主要原料,再根据结构要求配置添加不同数量经防腐处理的钢筋网片的一种轻质多孔新型的绿色环保建筑材料,具有良好的耐火、防火、隔音、隔热和保温等性能。而由于加工环节的复杂性,蒸压加气混凝土板的质量也需要严格把关,因此质量检测是蒸压混凝土板材生产环节中较为重要的环节之一。
在现有质量检测过程中,由于采集到的灰度图像中通常具有一定的噪声,需要对图像进行滤波增强,对增强后的图像再进行检测,但是由于孔洞与噪声在图像中具有相似性,而现有滤波增强过程中并未考虑到一些孔洞也作为噪声被筛除的情况,使得最终通过孔洞检测蒸压混凝土板材质量的结果并不准确,检测效率较低。
发明内容
为了解决现有技术中通过孔洞检测蒸压混凝土板材质量的结果并不准确,检测效率较低的技术问题,本发明的目的在于提供一种基于人工智能的蒸压混凝土板材质量快速检测方法,所采用的技术方案具体如下:
本发明提供了一种基于人工智能的蒸压混凝土板材质量快速检测方法,所述方法包括:
采集蒸压混凝土板材灰度图像;
根据蒸压混凝土板材灰度图像中每个像素点在预设窗口内的灰度值的大小情况,确定疑似孔洞区域以及疑似孔洞区域中的疑似像素点和正常像素点;在疑似孔洞区域中的疑似像素点和正常像素点之间,根据像素值的排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得每个疑似孔洞区域的特征表现指标;
通过每个疑似孔洞区域的特征表现指标获得每个疑似孔洞区域的优化滤波核,通过优化滤波核对蒸压混凝土板材灰度图像滤波,获得蒸压混凝土板材增强图像;
根据蒸压混凝土板材增强图像对蒸压混凝土板材进行质量检测。
进一步地,所述根据蒸压混凝土板材灰度图像中每个像素点在预设窗口内的灰度值的大小情况,确定疑似孔洞区域以及疑似孔洞区域中的疑似像素点和正常像素点,包括:
获得每个像素点对应预设窗口内的所有像素点的像素值均值,当像素值均值小于预设疑似像素值时,将像素点对应预设窗口的区域作为疑似孔洞区域;
将疑似孔洞区域中的所有像素点根据像素值从小到大排列,获得像素值序列;计算像素值序列中每相邻两个像素值之间的差异,获得灰度差异;在最大的灰度值差异对应的两个像素值中,将其中最小的像素值作为划分像素值;
当疑似孔洞区域中像素点的像素值小于划分像素值时,将对应像素点作为疑似像素点,当疑似孔洞区域中像素点的像素值大于或等于划分像素值时,将对应像素点作为正常像素点。
进一步地,所述特征表现指标的获取方法包括:
对于任意一个疑似孔洞区域,根据该疑似孔洞区域中像素点的连续分布情况,获得该疑似孔洞区域的像素分布度;
获取该疑似孔洞区域的中心点,计算每个像素点与中心点之间的距离,获得每个像素点对应的分布距离;根据该疑似孔洞区域中疑似像素点和正常像素点之间的数量占比情况与分布距离占比情况的相似性关系,获得该疑似孔洞区域的数量位置关系式;
根据该疑似孔洞区域中疑似像素点的疑似数量占比、疑似像素点与正常像素点之间的位置分布和数量位置关系式,获得该疑似孔洞区域的数量位置指标;
根据该疑似孔洞区域的像素分布度和数量位置指标,获得归一化处理后的该疑似孔洞区域的特征表现指标;像素分布度和数量位置指标均与特征表现指标呈正相关关系。
进一步地,所述像素分布度的获取方法包括:
对于任意一个疑似孔洞区域,将该疑似孔洞区域中疑似像素点的分布值记为预设第一分布值,将该疑似孔洞区域中的正常像素点的分布值记为预设第二分布值;预设第一分布值与预设第二分布值不相等;
计算该疑似孔洞区域中相邻像素点的分布值的二维熵,将二维熵进行负相关映射并归一化处理后的值作为该疑似孔洞区域的像素分布度。
进一步地,所述数量位置关系式的具体表达式为:
式中,表示为第/>个疑似孔洞区域中所有像素点的总数量,/>表示为第/>个疑似孔洞区域中疑似像素点的总数量,/>表示为第/>个疑似像素点的分布距离,/>表示为第/>个正常像素点的分布距离。
进一步地,所述数量位置指标的获取方法包括:
对于任意一个疑似孔洞区域,将该疑似孔洞区域中疑似像素点的数量与该疑似孔洞区域中所有像素点的总数量的比值,作为该疑似孔洞区域的疑似数量占比;
计算该疑似孔洞区域中所有疑似像素点的分布距离的累加值,获得疑似距离和值;计算该疑似孔洞区域中所有正常像素点的分布距离的累加值,获得正常距离和值;根据数量位置关系式,获得正常像素点对应的正常距离和值的距离表达式;将疑似距离和值与距离表达式的比值,作为该疑似孔洞区域的距离表征程度;
将疑似数量占比与距离表征程度的乘积作为该疑似孔洞区域的数量位置指标。
进一步地,所述通过每个疑似孔洞区域的特征表现指标获得每个疑似孔洞区域的优化滤波核,包括:
当疑似孔洞区域的特征表现指标大于或等于预设特征阈值时,将对应疑似孔洞区域的优化滤波核设置为预设第一滤波核,当疑似孔洞区域的特征表现指标小于预设特征阈值时,将对应疑似孔洞区域的优化滤波核设置为预设第二滤波核;预设第二滤波核与预设第一滤波核不相同。
进一步地,所述根据蒸压混凝土板材增强图像对蒸压混凝土板材进行质量检测,包括:
对蒸压混凝土板材增强图像进行图像分割,获得孔洞连通域;统计孔洞连通域的总数量获得孔洞总数量;
将蒸压混凝土板材增强图像划分为预设数量个网格区域;将孔洞总数量与预设数量的比值作为孔洞均匀数量;
对于任意一个网格区域,根据该网格区域中孔洞连通域的数量与孔洞均匀数量的差异,获得该网格区域的局部差异性;根据该网格区域与所有其他相邻网格区域之间孔洞连通域的数量差异,获得该网格区域的整体差异性;
根据该网格区域的局部差异性和整体差异性,获得该网格区域的均匀度;
当均匀度小于预设均匀阈值时,将该网格区域记为不均匀区域;所述预设均匀阈值大于0;
当不均匀区域的总数量大于预设质量阈值时,将对应的蒸压混凝土板材的质量记为不合格,当不均匀区域的总数量小于预设质量阈值时,将对应的蒸压混凝土板材的质量记为合格;所述预设质量阈值不为负数。
进一步地,所述整体差异性的获取方法包括:
对于任意一个网格区域,将该网格区域与每个相邻的网格区域之间孔洞连通域的数量的差值绝对值,作为该网格区域的数量差异;将该网格区域对应所有数量差异的累加值作为该网格区域的整体差异性。
进一步地,所述均匀度的获取方法包括:
将网格区域的局部差异性与整体差异性的乘积进行负相关映射并归一化处理,获得网格区域的均匀度。
本发明具有如下有益效果:
本发明考虑到蒸压混凝土板材灰度图像中部分孔洞特征在图像增强过程中易被滤波,根据蒸压混凝土板材灰度图像中灰度值大小确定疑似孔洞区域,对疑似孔洞区域进行疑似像素点和正常像素点的区分分析,使像素点间的特征关系表征更简单明确,便于快速检测。通过疑似像素点与正常像素点之间的像素值排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得疑似孔洞区域的特征表现指标,不仅仅从排布、数量和位置三个方面来表征孔洞的特征,还通过数量和位置之间的约束关系优化特征表现指标的计算,在减少计算参数的同时提高特征表现的准确性。通过特征表现指标获得优化滤波核进行图像增强,根据最终的蒸压混凝土板材增强图像进行质量检测,可以得到更快速准确的检测结果,提高质量检测的效率。
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人工智能的蒸压混凝土板材质量快速检测方法流程图;
图2为本发明一个实施例所提供的一种基于人工智能的蒸压混凝土板材表面图像增强方法流程图。
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人工智能的蒸压混凝土板材质量快速检测方法,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。
下面结合附图具体的说明本发明所提供的一种基于人工智能的蒸压混凝土板材质量快速检测方法的具体方案。
一种基于人工智能的蒸压混凝土板材质量快速检测方法实施例:
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的蒸压混凝土板材质量快速检测方法流程图,该方法包括以下步骤:
S1:采集蒸压混凝土板材灰度图像。
蒸压混凝土板材是一种轻质、多孔且具有优异绝热性能的建筑材料,其孔洞特征能够有效的降低能源消耗,提高隔热性能,而由于蒸压混凝土板材在加工环节的复杂性,一些蒸压混凝土板材的孔洞特征分布并不理想,这将极大程度的影响蒸压混凝土板材的质量,但是在对蒸压混凝土板材表面进行质量检测时,一些孔洞被作为噪声进行筛除,使得质量检测结果受到影响,因此本发明实施例主要通过对表面孔洞的检测实现对蒸压混凝土板材表面的质量检测。
首先需要获得蒸压混凝土板材表面图像,在本发明实施例中,使用摄像机采集蒸压混凝土板材表面图像,为了方便对孔洞进行检测,将采集到的蒸压混凝土板材表面图像灰度化处理获取表面灰度图像,为了后续能都对进包含板材区域的部分进行分析,对表面灰度图像进行去背景化处理,仅保留板材区域,获得蒸压混凝土板材灰度图像。需要说明的是,灰度化处理和去背景化处理为本领域技术人员熟知的技术手段,在此不做赘述。
至此,获得了蒸压混凝土板材灰度图像,蒸压混凝土板材灰度图像中存在较多的噪点,而这些噪点影响了对孔洞情况的检测。通常采用滤波对噪点进行筛除时,滤波过程很可能将部分孔洞作为噪点进行了筛除,影响了孔洞检测,因此进一步针对蒸压混凝土板材灰度图像中的疑似孔洞区域进行分析,优化滤波。
S2:根据蒸压混凝土板材灰度图像中每个像素点在预设窗口内的灰度值的大小情况,确定疑似孔洞区域以及疑似孔洞区域中的疑似像素点和正常像素点;在疑似孔洞区域中的疑似像素点和正常像素点之间,根据像素值的排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得每个疑似孔洞区域的特征表现指标。
由于很多孔洞区域和噪声区域较为相似,使得滤波后对孔洞检测的效果较差,因此对蒸压混凝土板材灰度图像进行滤波时,对孔洞区域进行保留以提高检测结果。因此首先确定出滤波过程中的疑似孔洞区域。根据蒸压混凝土板材灰度图像中每个像素点在预设窗口内的灰度值的大小情况,确定疑似孔洞区域。
优选地,考虑到孔洞区域或噪声区域中的像素点像素值通常较低的特点,获得每个像素点对应预设窗口内的所有像素点的像素值均值,当像素值均值小于预设疑似像素值时,说明对应窗口范围中可能存在孔洞区域,将像素点对应预设窗口的区域作为疑似孔洞区域,且由于在分析时对疑似孔洞区域优化滤波的滤波核,故预设窗口的边长大小需要为奇数,使进行分析孔洞特征的区域与滤波核对应的区域一致,便于后续的分析计算,在本发明实施例中,预设窗口的边长大小为5,预设疑似像素值为100,实施者可根据具体实施情况自行设定。
由于孔洞区域与噪点区域中的灰度排布规律时不同的,为了能分析区域中具有孔洞或噪点部分的像素点分布情况,将疑似孔洞或噪点的像素点与正常像素点区分进行分析,进一步获得疑似孔洞区域中的疑似像素点和正常像素点,在本发明一个实施例中,将疑似孔洞区域中的所有像素点根据像素值从小到大排列,获得像素值序列,计算像素值序列中每相邻两个像素值之间的差异,获得灰度差异,通过灰度差异寻找像素值发生变化较大的位置,对像素点进行划分。在最大的灰度值差异对应的两个像素值中,将其中最小的像素值作为划分像素值,在其他实施例中也可将最大的像素值作为划分像素值,在此不做限制。
通过划分像素值对疑似孔洞区域中的像素点进行划分,在本发明实施例中,当疑似孔洞区域中像素点的像素值小于划分像素值时,说明像素点的像素值较小,可能为孔洞或噪声像素点,将对应像素点作为疑似像素点,当疑似孔洞区域中像素点的像素值大于或等于划分像素值时,说明像素点的像素值较为正常,将对应像素点作为正常像素点。
在获得疑似孔洞区域以及用于分析的疑似像素点和正常像素点后,对疑似孔洞区域的孔洞特征值表征情况进行分析,根据孔洞区域在图像中属于分布较为规整的区域,可以从三个方面与噪声进行区分,以便筛选出更准确的孔洞区域。三个方面分别为像素值的排布特征,数量特征和位置分布特征,孔洞特征相较于一般噪声,具有分布规律性,其像素值分布较为集中,且由于孔洞具有规整的几何特征,因此在数量和距离的分布上也具有一定的占比,即当疑似像素点的数量与位置分布情况越一致且占比程度越高,越有可能为孔洞区域。
因此在疑似孔洞区域中的疑似像素点和正常像素点之间,根据像素值的排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得每个疑似孔洞区域的特征表现指标。对于任意一个疑似孔洞区域进行分析,所有的疑似孔洞区域均为同一个分析方法,首先针对排布特征分析,根据像素值的分布情况进行分析,优选地,根据该疑似孔洞区域中像素点的连续分布情况,获得该疑似孔洞区域的像素分布度,因为已经对疑似孔洞区域根据像素值进行了像素点划分,因此可直接根据不同划分结果的像素点的分布排列情况,获得像素分布度。
在本发明实施例中,将该疑似孔洞区域中疑似像素点的分布值记为预设第一分布值,将该疑似孔洞区域中的正常像素点的分布值记为预设第二分布值,分布值的主要作用在于区分疑似像素点与正常像素点,因为疑似像素点与正常像素点的像素值也是较为杂乱的,在分析像素值分布情况时,可直接对疑似像素点和正常像素点的分布排列情况进行分析,更清晰的得到分布排列情况,便于快速检测,因此在本发明实施例中,预设第一分布值为1,预设第二分布值为0,具体数值实施者可自行调整,其中预设第一分布值与预设第二分布值不相等,保证分布混乱的顺利分析。
计算该疑似孔洞区域中相邻像素点的分布值的二维熵,二维熵可以反映图像的分布信息,在本发明实施例中,将水平相邻像素点的分布值作为一个二元组,通过所有二元组的二维熵表征疑似像素点和正常像素点之间的分布混乱情况。在本发明其他实施例中也可计算垂直等其他方向的二维熵综合分析,在此不做赘述。当二维熵越小,说明疑似像素点与正常像素点的分布情况越集中,其表征区域越可能为孔洞区域,因此将二维熵进行负相关映射并归一化处理后的值作为该疑似孔洞区域的像素分布度。需要说明的是,二维熵的计算为本领域技术人员熟知的技术手段,在此不做赘述。
进一步地,对像素点之间的数量特征和位置分布特征综合分析,由于在疑似孔洞区域中疑似像素点与正常像素点之间存在数量和距离之间的变化逻辑,此逻辑关系对数量和距离存在制约关系,通过制约关系能够对特征进行综合分析,提高表征准确性的同时减少参量的计算,提高检测效率。
优选地,获取疑似孔洞区域的中心点,计算每个像素点与中心点之间的距离,获得每个像素点对应的分布距离。每个疑似像素点和正常像素点均对应一个分布距离,通过分布距离反映像素点的位置分布情况,进一步根据疑似孔洞区域中疑似像素点和正常像素点之间的数量占比情况与分布距离占比情况的相似性关系,获得疑似孔洞区域的数量位置关系式。在本发明实施例中,数量位置关系式的具体表达式为:
式中,表示为第/>个疑似孔洞区域中所有像素点的总数量,/>表示为第/>个疑似孔洞区域中疑似像素点的总数量,/>表示为第/>个疑似像素点的分布距离,/>表示为第/>个正常像素点的分布距离。其中,/>表示为数量比值,/>表示为距离比值。
每个疑似像素点的数量的比值关系对应一个不同的距离比值关系,通过数量比值与距离比值的关系式进行特征表征修正,当噪声像素点也较多的时候,可以根据距离关系进行限制,得到更符合孔洞特征的特征表征。数量比值与分布距离是一致的,例如当数量比值为时,其对应的距离比值也应当修正为/>,当数量比值为/>时,其在空间上的占比也越大,距离比值也为/>。需要说明的是,即使孔洞在疑似孔洞区域中处于较偏的位置,其因为形状的规整程度,其距离占比仍接近数量占比,因此根据与中心点的分布距离即可表征数量和距离之间的关系式情况。
结合数量位置关系式通过数量占比与位置分布综合分析疑似孔洞区域的孔洞特征,根据该疑似孔洞区域中疑似像素点的疑似数量占比、疑似像素点与正常像素点之间的位置分布和数量位置关系式,获得该疑似孔洞区域的数量位置指标。
优选地,对于任意一个疑似孔洞区域,将该疑似孔洞区域中疑似像素点的数量与该疑似孔洞区域中所有像素点的总数量的比值,作为该疑似孔洞区域的疑似数量占比,当疑似像素点的数量占比程度越大,说明疑似孔洞区域越可能对应孔洞特征。
进一步地在本发明实施例中,计算该疑似孔洞区域中所有疑似像素点的分布距离的累加值,获得疑似距离和值,疑似距离和值表征疑似像素点的整体位置分布情况。计算该疑似孔洞区域中所有正常像素点的分布距离的累加值,获得正常距离和值,正常距离和值表征正常像素点的整体位置分布情况。根据数量位置关系式,获得正常像素点对应的正常距离和值的距离表达式,为了计算的快捷准确,对最终的正常距离和值进行了代换,减少参数的计算的同时,限制数量和位置分布的关系。将疑似距离和值与距离表达式的比值,作为该疑似孔洞区域的距离表征程度,需要说明的是,为了避免数据量纲的影响,后续所有参与计算的数据均已进行归一化处理,消除量纲。在本发明实施例中,距离表征程度的具体表达式为:
式中,表示为第/>个疑似孔洞区域的距离表征程度,/>表示为第/>个疑似孔洞区域中所有像素点的总数量,/>表示为第/>个疑似孔洞区域中疑似像素点的总数量,/>表示为第/>个疑似像素点的分布距离。
其中,表示为第/>个疑似孔洞区域中的疑似距离和值,表示为第/>个疑似孔洞区域中正常像素点对应的正常距离和值的距离表达式。通过代换的形式,减少了参数的计算量,加快检测过程。
最终将疑似数量占比与距离表征程度的乘积作为疑似孔洞区域的数量位置指标,在本发明实施例中,数量位置指标的具体表达式为:
式中,表示为第/>个疑似孔洞区域的数量位置指标,/>表示为第/>个疑似孔洞区域的疑似数量占比,/>表示为第/>个疑似孔洞区域的距离表征程度。
至此,通过数量位置指标完成对疑似孔洞区域的数量特征和位置特征的分析,最终综合三个方面的特征,排布特征,数量特征和位置特征,得到疑似孔洞区域的特征表现指标,即根据疑似孔洞区域的像素分布度和数量位置指标,获得该疑似孔洞区域的特征表现指标,像素分布度和数量位置指标均与特征表现指标呈正相关关系,在本发明实施例中,特征表现指标具体表达式为:
式中,表示为第/>个疑似孔洞区域的特征表现指标,/>表示为第/>个疑似孔洞区域的数量位置指标,/>表示为第/>个疑似孔洞区域的像素分布度。/>表示为归一化函数,需要说明的是,归一化为本领域技术人员熟知的技术手段,归一化函数的选择可以为线性归一化或标准归一化等,具体的归一化方法在此不做限定。
采用乘法的形式反映像素分布度和数量位置指标均与特征表现指标呈正相关关系,当像素分布度和数量位置指标越大时,特征表现指标越大,说明对应疑似孔洞区域越可能对应孔洞特征。在本发明其他实施例中,可以运用其他基础数学运算反映像素分布度和数量位置指标均与特征表现指标呈正相关关系,例如加法等,在此不做限制。
至此,完成对每个疑似孔洞区域中像素点的特征进行分析,获得特征表现指标,用于判断疑似孔洞区域中的孔洞特征情况。
S3:通过每个疑似孔洞区域的特征表现指标获得每个疑似孔洞区域的优化滤波核,通过优化滤波核对蒸压混凝土板材灰度图像滤波,获得蒸压混凝土板材增强图像。
对每个疑似孔洞区域均可获得特征表现指标,根据特征表现指标进行滤波核的调整,通过每个疑似孔洞区域的特征表现指标获得每个疑似孔洞区域的优化滤波核,优选地,当疑似孔洞区域的特征表现指标大于或等于预设特征阈值时,说明对应疑似孔洞区域的孔洞特征明显,为孔洞区域,将对应疑似孔洞区域的优化滤波核设置为预设第一滤波核。当疑似孔洞区域的特征表现指标小于预设特征阈值时,说明对应疑似孔洞区域可能为噪声区域,将对应疑似孔洞区域的优化滤波核设置为预设第二滤波核。
在本发明实施例中,预设第一滤波核设置为恒等滤波核,保持孔洞图像的原样,以便于后续分析,预设第二滤波核设置为均值滤波核,用于对噪声进行去噪,实施者可根据具体实施情况进行调整,例如将预设第一滤波核设置为正态分布滤波核,保留更高孔洞细节,需要说明的是,预设第二滤波核与预设第一滤波核不相同,预设第二滤波核的去噪效果优于预设第一滤波核,保证孔洞不会作为噪声被滤波。
至此,完成对每个疑似孔洞区域的优化滤波核的选择后,对蒸压混凝土板材灰度图像进行滤波,得到蒸压混凝土板材增强图像。蒸压混凝土板材增强图像能够更清晰的反映出混凝土板材表面的气孔特征,因此进一步可对蒸压混凝土板材增强图像进行分析处理。
S4:根据蒸压混凝土板材增强图像对蒸压混凝土板材进行质量检测。
通过蒸压混凝土板材增强图像,可以清晰准确的反映出蒸压混凝土板材表面的孔洞情况,通过孔洞情况对蒸压混凝土板材进行质量检测,优选地,对蒸压混凝土板材增强图像进行图像分割,获得孔洞连通域,通过连通域进行孔洞情况的判断,在本发明实施例中,采用大津阈值分割法对蒸压混凝土板材增强图像进行分割,获得分割阈值,将小于分割阈值的像素点作为孔洞像素点,将大于或等于分割阈值的像素点作为背景像素点。完成分割后,将孔洞像素点构成的连通域作为孔洞连通域。需要说明的是,大津阈值分割法为本领域技术人员熟知的技术手段,在此不做赘述。
在一般蒸压混凝土板材中,为了保证板材具有良好的隔热性能,进而有效降低能源消耗,需要保证板材的多孔结构,也即为,为了保证板材不同区域都具有较为良好的性能效果,其表面孔洞的分布情况具有均匀性的特点。因此,根据孔洞连通域的分布进行均匀性判断可进行质量检测,当孔洞的均匀性越低,原板材隔热效果越不均匀,板材质量越差。
优选地,统计孔洞连通域的总数量获得孔洞总数量,根据总数量判断孔洞分布情况,将蒸压混凝土板材增强图像划分为预设数量个网格区域,由于气孔的分布具有均匀性,利用网格分割,可对多个区域的孔洞分布进行分析,将孔洞总数量与预设数量的比值作为孔洞均匀数量,孔洞均匀数量为理想的每个网格区域分布的孔洞连通域的数量。在本发明实施例中,预设数量为100,具体数值实施者可自行调控。
对于任意一个网格区域,其他所有网格区域与该网格区域的分析方法相同,根据该网格区域中孔洞连通域的数量与孔洞均匀数量的差异,获得该网格区域的局部差异性,从每个网格区域的局部性,通过每个网格本身孔洞连通域数量与理想数量的差异情况分析,获得局部差异性,当局部差异性越大,说明该网格本身孔洞连通域的数量分布不均匀。
进一步,根据该网格区域与所有其他相邻网格区域之间孔洞连通域的数量差异,获得该网格区域的整体差异性,优选地,将该网格区域与每个相邻的网格区域之间孔洞连通域的数量的差值绝对值,作为该网格区域的数量差异,分析每个网格与相邻网格之间的孔洞数量差异情况,对于分布越均匀的网格区域,其与相邻其他网格之间的孔洞数量差异也越小,将该网格区域对应所有数量差异的累加值作为该网格区域的整体差异性,当整体差异性越大,说明该网格区域与相邻其他网格的孔洞分布情况差异较大,可能分布越不均匀。
根据该网格区域的局部差异性和整体差异性,获得该网格区域的均匀度,在本发明一个实施例中,将网格区域的局部差异性与整体差异性的乘积进行负相关映射并归一化处理,获得网格区域的均匀度。通过均匀度表征每个网格的均匀度情况,在本发明实施例中,均匀度的具体表达式为:
式中,表示为第/>个网格区域的均匀度,/>表示为孔洞总数量,/>表示为预设数量,/>表示为第/>个网格区域中孔洞连通域的数量,/>表示为与第/>个网格区域相邻的网格区域的总数量,/>表示为第/>个相邻网格区域中孔洞连通域的数量,/>表示为绝对值函数,/>表示为归一化函数。
其中,表示为第/>个网格区域的局部差异性,/>表示为第/>个网格区域与第/>个相邻网格区域之间的数量差异,/>表示为第/>个网格区域的整体差异性。局部差异性与整体差异性均越小,说明对应网格区域中的孔洞分布状态越均匀。
优选地,当均匀度小于预设均匀阈值时,说明对应的网格区域均匀度分布较差,将该网格区域记为不均匀区域,在本发明实施例中,预设均匀阈值需大于0,将预设均匀阈值设置为0.8,具体数值实施者可自行调控。当不均匀区域的总数量大于预设质量阈值时,说明存在多个孔洞不均匀分布的区域,对应蒸压混凝土板材的性能可能收到影响,将对应的蒸压混凝土板材的质量记为不合格。当不均匀区域的总数量小于或等于预设质量阈值时,说明对应蒸压混凝土板材的性能满足使用需求,将对应的蒸压混凝土板材的质量记为合格。在本发明实施例中,预设质量阈值设置为2,预设质量阈值不能为负数,实施者可根据具体实施情况进行调整,在此不做限制。
至此完成对蒸压混凝土板材的质量检测。
综上,本发明考虑到蒸压混凝土板材灰度图像中部分孔洞特征在图像增强过程中易被滤波,根据蒸压混凝土板材灰度图像中灰度值大小确定疑似孔洞区域,对疑似孔洞区域进行疑似像素点和正常像素点的区分分析,使像素点间的特征关系表征更简单明确,便于快速检测。通过疑似像素点与正常像素点之间的像素值排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得疑似孔洞区域的特征表现指标,不仅仅从排布、数量和位置三个方面来表征孔洞的特征,还通过数量和位置之间的约束关系优化特征表现指标的计算,在减少计算参数的同时提高特征表现的准确性。通过特征表现指标获得优化滤波核进行图像增强,根据最终的蒸压混凝土板材增强图像进行质量检测,可以得到更快速准确的检测结果,提高质量检测的效率。
一种基于人工智能的蒸压混凝土板材表面图像增强方法实施例:
在现有对蒸压混凝土板材表面图像进行增强的方法中,没有考虑到一些孔洞在滤波增强过程中,容易被视为噪声进行滤波,导致最终的图像增强结果不准确,增强图像的可信度不高,本发明实施例中提出了一种基于人工智能的蒸压混凝土板材表面图像增强方法。请参阅图2,其出示了本发明一个实施例所提供的一种基于人工智能的蒸压混凝土板材表面图像增强方法流程图,该方法包括:
步骤S01:采集蒸压混凝土板材灰度图像。
步骤S02:根据蒸压混凝土板材灰度图像中每个像素点在预设窗口内的灰度值的大小情况,确定疑似孔洞区域以及疑似孔洞区域中的疑似像素点和正常像素点;在疑似孔洞区域中的疑似像素点和正常像素点之间,根据像素值的排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得每个疑似孔洞区域的特征表现指标。
步骤S03:通过每个疑似孔洞区域的特征表现指标获得每个疑似孔洞区域的优化滤波核,通过优化滤波核对蒸压混凝土板材灰度图像滤波,获得蒸压混凝土板材增强图像。
其中步骤S01至步骤S03在上述一种基于人工智能的蒸压混凝土板材质量快速检测方法实施例中已给出了详细说明,在此不再赘述。
本发明考虑到蒸压混凝土板材灰度图像中部分孔洞特征在图像增强过程中易被滤波,根据蒸压混凝土板材灰度图像中灰度值大小确定疑似孔洞区域,对疑似孔洞区域进行疑似像素点和正常像素点的区分分析,使像素点间的特征关系表征更简单明确,便于快速检测。通过疑似像素点与正常像素点之间的像素值排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得疑似孔洞区域的特征表现指标,不仅仅从排布、数量和位置三个方面来表征孔洞的特征,还通过数量和位置之间的约束关系优化特征表现指标的计算,在减少计算参数的同时提高特征表现的准确性。通过特征表现指标获得优化滤波核进行图像增强,使得孔洞特征在增强过程中保留效果更佳,获得更准确清晰的增强图像,得到增强图像的可信度更高。
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 (4)
1.一种基于人工智能的蒸压混凝土板材质量快速检测方法,其特征在于,所述方法包括:
采集蒸压混凝土板材灰度图像;
根据蒸压混凝土板材灰度图像中每个像素点在预设窗口内的灰度值的大小情况,确定疑似孔洞区域以及疑似孔洞区域中的疑似像素点和正常像素点;在疑似孔洞区域中的疑似像素点和正常像素点之间,根据像素值的排布情况、像素点的数量差异、像素点的位置分布和数量位置约束关系,获得每个疑似孔洞区域的特征表现指标;
通过每个疑似孔洞区域的特征表现指标获得每个疑似孔洞区域的优化滤波核,通过优化滤波核对蒸压混凝土板材灰度图像滤波,获得蒸压混凝土板材增强图像;
根据蒸压混凝土板材增强图像对蒸压混凝土板材进行质量检测;
所述特征表现指标的获取方法包括:
对于任意一个疑似孔洞区域,根据该疑似孔洞区域中像素点的连续分布情况,获得该疑似孔洞区域的像素分布度;
获取该疑似孔洞区域的中心点,计算每个像素点与中心点之间的距离,获得每个像素点对应的分布距离;根据该疑似孔洞区域中疑似像素点和正常像素点之间的数量占比情况与分布距离占比情况的相似性关系,获得该疑似孔洞区域的数量位置关系式;
根据该疑似孔洞区域中疑似像素点的疑似数量占比、疑似像素点与正常像素点之间的位置分布和数量位置关系式,获得该疑似孔洞区域的数量位置指标;
根据该疑似孔洞区域的像素分布度和数量位置指标,获得归一化处理后的该疑似孔洞区域的特征表现指标;像素分布度和数量位置指标均与特征表现指标呈正相关关系;
所述像素分布度的获取方法包括:
对于任意一个疑似孔洞区域,将该疑似孔洞区域中疑似像素点的分布值记为预设第一分布值,将该疑似孔洞区域中的正常像素点的分布值记为预设第二分布值;预设第一分布值与预设第二分布值不相等;
计算该疑似孔洞区域中相邻像素点的分布值的二维熵,将二维熵进行负相关映射并归一化处理后的值作为该疑似孔洞区域的像素分布度;
所述数量位置关系式的具体表达式为:
;式中,/>表示为第/>个疑似孔洞区域中所有像素点的总数量,/>表示为第/>个疑似孔洞区域中疑似像素点的总数量,/>表示为第/>个疑似像素点的分布距离,/>表示为第/>个正常像素点的分布距离;
所述数量位置指标的获取方法包括:
对于任意一个疑似孔洞区域,将该疑似孔洞区域中疑似像素点的数量与该疑似孔洞区域中所有像素点的总数量的比值,作为该疑似孔洞区域的疑似数量占比;
计算该疑似孔洞区域中所有疑似像素点的分布距离的累加值,获得疑似距离和值;计算该疑似孔洞区域中所有正常像素点的分布距离的累加值,获得正常距离和值;根据数量位置关系式,获得正常像素点对应的正常距离和值的距离表达式;将疑似距离和值与距离表达式的比值,作为该疑似孔洞区域的距离表征程度;
将疑似数量占比与距离表征程度的乘积作为该疑似孔洞区域的数量位置指标;
所述根据蒸压混凝土板材增强图像对蒸压混凝土板材进行质量检测,包括:
对蒸压混凝土板材增强图像进行图像分割,获得孔洞连通域;统计孔洞连通域的总数量获得孔洞总数量;
将蒸压混凝土板材增强图像划分为预设数量个网格区域;将孔洞总数量与预设数量的比值作为孔洞均匀数量;
对于任意一个网格区域,根据该网格区域中孔洞连通域的数量与孔洞均匀数量的差异,获得该网格区域的局部差异性;根据该网格区域与所有其他相邻网格区域之间孔洞连通域的数量差异,获得该网格区域的整体差异性;
根据该网格区域的局部差异性和整体差异性,获得该网格区域的均匀度;所述均匀度的具体表达式为:
;式中,/>表示为第/>个网格区域的均匀度,/>表示为孔洞总数量,/>表示为预设数量,/>表示为第/>个网格区域中孔洞连通域的数量,/>表示为与第/>个网格区域相邻的网格区域的总数量,/>表示为第/>个相邻网格区域中孔洞连通域的数量,/>表示为绝对值函数,/>表示为归一化函数;
当均匀度小于预设均匀阈值时,将该网格区域记为不均匀区域;所述预设均匀阈值大于0;
当不均匀区域的总数量大于预设质量阈值时,将对应的蒸压混凝土板材的质量记为不合格,当不均匀区域的总数量小于预设质量阈值时,将对应的蒸压混凝土板材的质量记为合格;所述预设质量阈值不为负数。
2.根据权利要求1所述一种基于人工智能的蒸压混凝土板材质量快速检测方法,其特征在于,所述根据蒸压混凝土板材灰度图像中每个像素点在预设窗口内的灰度值的大小情况,确定疑似孔洞区域以及疑似孔洞区域中的疑似像素点和正常像素点,包括:
获得每个像素点对应预设窗口内的所有像素点的像素值均值,当像素值均值小于预设疑似像素值时,将像素点对应预设窗口的区域作为疑似孔洞区域;
将疑似孔洞区域中的所有像素点根据像素值从小到大排列,获得像素值序列;计算像素值序列中每相邻两个像素值之间的差异,获得灰度差异;在最大的灰度值差异对应的两个像素值中,将其中最小的像素值作为划分像素值;
当疑似孔洞区域中像素点的像素值小于划分像素值时,将对应像素点作为疑似像素点,当疑似孔洞区域中像素点的像素值大于或等于划分像素值时,将对应像素点作为正常像素点。
3.根据权利要求1所述一种基于人工智能的蒸压混凝土板材质量快速检测方法,其特征在于,所述通过每个疑似孔洞区域的特征表现指标获得每个疑似孔洞区域的优化滤波核,包括:
当疑似孔洞区域的特征表现指标大于或等于预设特征阈值时,将对应疑似孔洞区域的优化滤波核设置为预设第一滤波核,当疑似孔洞区域的特征表现指标小于预设特征阈值时,将对应疑似孔洞区域的优化滤波核设置为预设第二滤波核;预设第二滤波核与预设第一滤波核不相同。
4.根据权利要求1所述一种基于人工智能的蒸压混凝土板材质量快速检测方法,其特征在于,所述整体差异性的获取方法包括:
对于任意一个网格区域,将该网格区域与每个相邻的网格区域之间孔洞连通域的数量的差值绝对值,作为该网格区域的数量差异;将该网格区域对应所有数量差异的累加值作为该网格区域的整体差异性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288418.0A CN117934452B (zh) | 2024-03-14 | 2024-03-14 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288418.0A CN117934452B (zh) | 2024-03-14 | 2024-03-14 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934452A CN117934452A (zh) | 2024-04-26 |
CN117934452B true CN117934452B (zh) | 2024-06-07 |
Family
ID=90766903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410288418.0A Active CN117934452B (zh) | 2024-03-14 | 2024-03-14 | 基于人工智能的蒸压混凝土板材质量快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934452B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017072517A (ja) * | 2015-10-08 | 2017-04-13 | 西日本高速道路エンジニアリング四国株式会社 | コンクリートの表面ひび割れの検出方法 |
CN111652869A (zh) * | 2020-06-02 | 2020-09-11 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的板坯空洞识别方法、系统、介质及终端 |
CN113570599A (zh) * | 2021-09-22 | 2021-10-29 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的实木颗粒板板材质量评价方法及系统 |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115880296A (zh) * | 2023-02-28 | 2023-03-31 | 中国建筑第五工程局有限公司 | 基于机器视觉的预制构件质量检测方法及装置 |
CN115959876A (zh) * | 2022-12-09 | 2023-04-14 | 宁国华滋筑友建材科技有限公司 | 一种蒸压加气混凝土板及生产工艺 |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116703910A (zh) * | 2023-08-07 | 2023-09-05 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
WO2023186975A1 (de) * | 2022-04-01 | 2023-10-05 | Gehring Technologies Gmbh + Co. Kg | Verfahren und vorrichtung zum auswerten einer schweissqualität einer schweissnaht zwischen endabschnitten von zwei leiterelementen |
CN117011292A (zh) * | 2023-09-28 | 2023-11-07 | 张家港飞腾复合新材料股份有限公司 | 一种复合板表面质量快速检测方法 |
CN117274240A (zh) * | 2023-11-17 | 2023-12-22 | 资阳建工建筑有限公司 | 一种承台基础混凝土表面裂缝识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100846633B1 (ko) * | 2006-11-09 | 2008-07-16 | 삼성전자주식회사 | 패턴 결함 검출 방법 및 장치 |
US20230394806A1 (en) * | 2022-06-07 | 2023-12-07 | Hefei University Of Technology | Quickly extraction of morphology characterization parameters of recycled concrete sand particles based on deep learning technology |
-
2024
- 2024-03-14 CN CN202410288418.0A patent/CN117934452B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017072517A (ja) * | 2015-10-08 | 2017-04-13 | 西日本高速道路エンジニアリング四国株式会社 | コンクリートの表面ひび割れの検出方法 |
CN111652869A (zh) * | 2020-06-02 | 2020-09-11 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的板坯空洞识别方法、系统、介质及终端 |
CN113570599A (zh) * | 2021-09-22 | 2021-10-29 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的实木颗粒板板材质量评价方法及系统 |
WO2023186975A1 (de) * | 2022-04-01 | 2023-10-05 | Gehring Technologies Gmbh + Co. Kg | Verfahren und vorrichtung zum auswerten einer schweissqualität einer schweissnaht zwischen endabschnitten von zwei leiterelementen |
CN114998350A (zh) * | 2022-08-04 | 2022-09-02 | 山东泗水泰和石材有限公司 | 基于图像处理的石材缺陷检测方法 |
CN115959876A (zh) * | 2022-12-09 | 2023-04-14 | 宁国华滋筑友建材科技有限公司 | 一种蒸压加气混凝土板及生产工艺 |
CN115880296A (zh) * | 2023-02-28 | 2023-03-31 | 中国建筑第五工程局有限公司 | 基于机器视觉的预制构件质量检测方法及装置 |
CN116580021A (zh) * | 2023-07-03 | 2023-08-11 | 湖南益友新材料有限公司 | 一种环保混凝土降碳制品生产及质量检测方法 |
CN116703910A (zh) * | 2023-08-07 | 2023-09-05 | 威海丰荟建筑工业科技有限公司 | 一种混凝土预制底板质量智能检测方法 |
CN117011292A (zh) * | 2023-09-28 | 2023-11-07 | 张家港飞腾复合新材料股份有限公司 | 一种复合板表面质量快速检测方法 |
CN117274240A (zh) * | 2023-11-17 | 2023-12-22 | 资阳建工建筑有限公司 | 一种承台基础混凝土表面裂缝识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117934452A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115311292B (zh) | 基于图像处理的带钢表面缺陷检测方法及系统 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN117095009B (zh) | 一种基于图像处理的pvc装饰板缺陷检测方法 | |
CN116664574B (zh) | 一种丙烯酸乳液生产废水视觉检测方法 | |
CN110349637B (zh) | 骨料周围界面过渡区体积分数预测方法、装置及终端设备 | |
CN116823824B (zh) | 基于机器视觉的井下带式输送机降尘检测系统 | |
CN116416252B (zh) | 一种勃姆石生产工艺废水沉降图像检测方法 | |
CN115890915B (zh) | 一种混凝土搅拌过程图像识别方法 | |
CN117197140A (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
CN115147421B (zh) | 一种用于建筑垃圾回收的再生骨料分级评价方法 | |
CN117710399B (zh) | 一种基于视觉的地质调查中裂缝轮廓提取方法 | |
CN115760852B (zh) | 一种海洋污水排放处理方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN115239736A (zh) | 用于金刚石磨轮生产的磨料层混料质量监测方法 | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN117934452B (zh) | 基于人工智能的蒸压混凝土板材质量快速检测方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN117173176A (zh) | 基于图像处理的多晶层光刻工艺热点检测方法 | |
CN117274293A (zh) | 基于图像特征的细菌菌落精确划分方法 | |
CN115294143B (zh) | 一种用于家具制造的板材平面自动打磨方法 | |
CN116952931A (zh) | 一种基于图像法的污泥颗粒含水率测量系统及方法 | |
CN115170507B (zh) | 基于图像数据的注浆管表面缺陷检测方法及系统 | |
CN117314899B (zh) | 基于图像特征的碳纤维板质量检测方法 | |
CN116740065B (zh) | 基于大数据的人造板瑕疵品快速溯源方法及系统 |
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 |