[go: up one dir, main page]

CN112162324B - 一种有效提高违禁品识别率的智能安检方法 - Google Patents

一种有效提高违禁品识别率的智能安检方法 Download PDF

Info

Publication number
CN112162324B
CN112162324B CN202010907854.3A CN202010907854A CN112162324B CN 112162324 B CN112162324 B CN 112162324B CN 202010907854 A CN202010907854 A CN 202010907854A CN 112162324 B CN112162324 B CN 112162324B
Authority
CN
China
Prior art keywords
energy information
low
contraband
ray image
security inspection
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
Application number
CN202010907854.3A
Other languages
English (en)
Other versions
CN112162324A (zh
Inventor
戴剑彬
王晨曦
陈家欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haishen Intelligent Technology Shanghai Co ltd
Original Assignee
Haishen Intelligent Technology Shanghai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Haishen Intelligent Technology Shanghai Co ltd filed Critical Haishen Intelligent Technology Shanghai Co ltd
Priority to CN202010907854.3A priority Critical patent/CN112162324B/zh
Publication of CN112162324A publication Critical patent/CN112162324A/zh
Application granted granted Critical
Publication of CN112162324B publication Critical patent/CN112162324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V5/00—Prospecting or detecting by the use of ionising radiation, e.g. of natural or induced radioactivity
    • G01V5/20—Detecting prohibited goods, e.g. weapons, explosives, hazardous substances, contraband or smuggled objects
    • G01V5/22—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays
    • G01V5/232—Active interrogation, i.e. by irradiating objects or goods using external radiation sources, e.g. using gamma rays or cosmic rays having relative motion between the source, detector and object other than by conveyor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/423—Imaging multispectral imaging-multiple energy imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及安检设备及安检方法技术领域，本发明的一种有效提高违禁品识别率的智能安检方法，用于安检机对X光图进行违禁品的检测识别，包括以下步骤：步骤A：利用X光机拍摄物品的X光图，输出高能谱灰度图和低能能谱灰度图；步骤B：采用实例分割算法对所述X光图进行分析，找出所述X光图的未重叠部分和重叠部分；步骤C：对于未重叠部分，选取不同材质物品未重叠部分的高能信息和低能信息，通过线性回归找出物品重叠的颜色映射关系；步骤D：对于所述X光图的重叠部分，通过步骤B中的实例分割算法计算得出该物质修正后的原子序数。该发明克服了物体重叠对于识别率的影响，较大幅度提高了识别的准确率与稳定性。

Description

一种有效提高违禁品识别率的智能安检方法
技术领域
本发明涉及安检设备及安检方法技术领域，具体为一种有效提高违禁品识别率的智能安检方法。
背景技术
为了保证公共交通运输的安全性，安全检查已经成为保障公共生命财产安全的必要手段。但由于中国人口流动性高、客流量大，安检需求也不断增加。目前安检设备的操作都需要安检人员来实施。
但是，由于X光安检机行包检测主要靠安检员人工看图与判图，其准确性依赖于安检员的自身经验，检测速度受限于安检员的工作负荷，效率不易进一步提高，行业内误报和漏报率超过30％，很难保证违禁品在人为识别安检过程中不被错漏，从而带来安全隐患。
基于深度学习的图像识别技术由此引入安检设备行业，然而现有的图像识别技术在违禁品识别方面具有一定的局限性，困难点包括：多物体重叠遮挡、图像低分辨率模糊不清，违禁品种类繁多形状各异等。鉴于此，我们提出一种有效提高违禁品识别率的智能安检方法。
发明内容
本发明的目的在于提供一种有效提高违禁品识别率的智能安检方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种有效提高违禁品识别率的智能安检方法，用于安检机对X光图进行违禁品的检测识别，包括以下步骤：
步骤A：利用X光机拍摄物品的X光图，输出高能能谱灰度图和低能能谱灰度图；
步骤B：采用实例分割算法对所述X光图进行分析，找出所述X光图的未重叠部分和重叠部分；
步骤C：对于未重叠部分，选取不同材质物品未重叠部分的高能信息和低能信息，通过线性回归找出物品重叠的颜色映射关系；
步骤D：对于所述X光图的重叠部分，通过步骤B中的实例分割算法得到物品中违禁品的轮廓和分类，每个分类对应一种材质，找出轮廓中不在该材质原子序数范围的位置，并从高能能谱灰度图和低能能谱灰度图得到这些位置的高能信息和低能信息，通过高能信息和低能信息计算得出该物质修正后的原子序数；
步骤E：通过修正后的原子序数得出该物质是否为违禁品。
进一步的，步骤A中，所述X光机为双源X光机。
进一步的，步骤B中，所述实例分割算法为Mask R-CNN框架。
进一步的，步骤D中，通过高能信息和低能信息计算得出该物质修正后的原子序数方法为：
假设Hx,y,Lx,y是高能能谱灰度图，低能能谱灰度图在像素位置(x,y)对应的值；
(Rx,y，Gx,y，Bx,y)对应(x,y)位置的RGB值；
对于每种材质，用此类材料的未重叠点集S中一系列(x,y)位置对应的(Rx,y,Gx,y,Bx,y,Hx,y,Lx,y)回归一组参数(aR,aG,aB,bR,bG,bB,cR,cG,cB)；
具体关系见下式：
Rx,y＝aRHx,y+bRLx,y+cR (1)；
Gx,y＝aGHx,y+bGLx,y+cG (2)；
Bx,y＝aBHx,y+bBLx,y+cB (3)；
(x,y)∈S；
对于每种材质，都可以通过线性回归得到一组参数估计：
将步骤C中计算得到的高能信息和低能信息Hx,y,Lx,y代入式(1)、式(2)和式(3)中，可以计算得出调整后的重叠部分的RGB值，再将调整后的部分的RGB值带入式(4)中，得到修正后的原子序数。
与现有技术相比，本发明的有益效果是：该有效提高违禁品识别率的智能安检方法，通过Mask R-CNN框架进行X光图像进行实例分割，使X光图得以分层以及重叠部的还原，增加了损失函数的鲁棒性，可获取单独物体的形状和颜色信息，克服了物体重叠对于识别率的影响，较大幅度提高了识别的准确率与稳定性。
附图说明
图1为本发明实施例1的结构示意图；
图2为本发明实施例2的流程图。
图中：100、传动带；200、双源X光机；300、安检机；400、显示屏。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种安检设备，如图1所示，包括传动带100、双源X光机200、安检机300和显示屏400；传动带100用于传输物品；双源X光机200安装在传动带100上，用于提取物品的X光图片；安检机300用于检测分析双源X光机200提取的X光图片；显示屏400用于显示安检机300检测结果。
实施例2
如图2所示，一种有效提高违禁品识别率的智能安检方法，用于安检机对X光图进行违禁品的检测识别，包括以下步骤：
步骤A：利用X光机拍摄物品的X光图，输出高能能谱灰度图和低能能谱灰度图；
步骤B：采用实例分割算法对所述X光图进行分析，找出所述X光图的未重叠部分和重叠部分；
步骤C：对于未重叠部分，选取不同材质物品未重叠部分的高能信息和低能信息，通过线性回归找出物品重叠的颜色映射关系；
步骤D：对于所述X光图的重叠部分，通过步骤B中的实例分割算法得到物品中违禁品的轮廓和分类，每个分类对应一种材质，找出轮廓中不在该材质原子序数范围的位置，并从高能能谱灰度图和低能能谱灰度图得到这些位置的高能信息和低能信息，通过高能信息和低能信息计算得出该物质修正后的原子序数；
步骤E：通过修正后的原子序数得出该物质是否为违禁品。
具体的，步骤A中，所述X光机为双源X光机。
值得说明的是，步骤B中，所述实例分割算法为Mask R-CNN框架。
步骤D中，通过高能信息和低能信息计算得出该物质修正后的原子序数方法为：
假设Hx,y,Lx,y是高能能谱灰度图，低能能谱灰度图在像素位置(x,y)对应的值；
(Rx,y，Gx,y，Bx,y)对应(x,y)位置的RGB值；
对于每种材质，用此类材料的未重叠点集S中一系列(x,y)位置对应的(Rx,y,Gx,y,Bx,y,Hx,y,Lx,y)回归一组参数(aR,aG,aB,bR,bG,bB,cR,cG,cB)；
具体关系见下式：
Rx,y＝aRHx,y+bRLx,y+cR (1)；
Gx,y＝aGHx,y+bGLx,y+cG (2)；
Bx,y＝aBHx,y+bBLx,y+cB (3)；
(x,y)∈S；
对于每种材质，都可以通过线性回归得到一组参数估计：
将步骤C中计算得到的高能信息和低能信息Hx,y,Lx,y代入式(1)、式(2)和式(3)中，可以计算得出调整后的重叠部分的RGB值，再将调整后的部分的RGB值带入式(4)中，得到修正后的原子序数。
本实施例的有效提高违禁品识别率的智能安检方法在使用时，通过Mask R-CNN框架进行X光图像进行实例分割，使X光机拍摄的X光图得以分层以及重叠部分的还原，修正拍摄物品的原子序数，增加了损失函数的鲁棒性，可获取单独物体的形状和颜色信息，克服了物体重叠对于识别率的影响，较大幅度提高了识别的准确率与稳定性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.一种有效提高违禁品识别率的智能安检方法，用于安检机对X光图进行违禁品的检测识别，其特征在于，包括以下步骤：
步骤A：利用X光机拍摄物品的X光图，输出高能能谱灰度图和低能能谱灰度图；
步骤B：采用实例分割算法对所述X光图进行分析，找出所述X光图的未重叠部分和重叠部分，通过MaskR-CNN框架进行X光图像进行实例分割，使X光图得以分层以及重叠部的还原，增加了损失函数的鲁棒性；
步骤C：对于未重叠部分，选取不同材质物品未重叠部分的高能信息和低能信息，通过线性回归找出物品重叠的颜色映射关系；
步骤D：对于所述X光图的重叠部分，通过步骤B中的实例分割算法得到物品中违禁品的轮廓和分类，每个分类对应一种材质，找出轮廓中不在该材质原子序数范围的位置，并从高能能谱灰度图和低能能谱灰度图得到这些位置的高能信息和低能信息，通过高能信息和低能信息计算得出该物质修正后的原子序数；
步骤D中，通过高能信息和低能信息计算得出该物质修正后的原子序数方法为：
假设Hx,y,Lx,y是高能能谱灰度图，低能能谱灰度图在像素位置(x,y)对应的值；
(Rx,y，Gx,y，Bx,y)对应(x,y)位置的RGB值；
对于每种材质，用此类材料的未重叠点集S中一系列(x,y)位置对应的(Rx,y,Gx,y,Bx,y,Hx,y,Lx,y)回归一组参数(aR,aG,aB,bR,bG,bB,cR,cG,cB)；
具体关系见下式：
Rx,y＝aRHx,y+bRLx,y+cR(1)；
Gx,y＝aGHx,y+bGLx,y+cG(2)；
Bx,y＝aBHx,y+bBLx,y+cB(3)；
(x,y)∈S；
对于每种材质，都可以通过线性回归得到一组参数估计：
将步骤C中计算得到的高能信息和低能信息Hx,y,Lx,y代入式(1)、式(2)和式(3)中，可以计算得出调整后的重叠部分的RGB值，再将调整后的部分的RGB值带入式(4)中，得到修正后的原子序数
步骤E：通过修正后的原子序数得出该物质是否为违禁品。
2.根据权利要求1所述的有效提高违禁品识别率的智能安检方法，其特征在于：步骤A中，所述X光机为双源X光机。
CN202010907854.3A 2020-09-02 2020-09-02 一种有效提高违禁品识别率的智能安检方法 Active CN112162324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010907854.3A CN112162324B (zh) 2020-09-02 2020-09-02 一种有效提高违禁品识别率的智能安检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010907854.3A CN112162324B (zh) 2020-09-02 2020-09-02 一种有效提高违禁品识别率的智能安检方法

Publications (2)

Publication Number Publication Date
CN112162324A CN112162324A (zh) 2021-01-01
CN112162324B true CN112162324B (zh) 2024-08-02

Family

ID=73858652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010907854.3A Active CN112162324B (zh) 2020-09-02 2020-09-02 一种有效提高违禁品识别率的智能安检方法

Country Status (1)

Country Link
CN (1) CN112162324B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781426B (zh) * 2021-09-07 2024-02-13 海深智能科技(上海)有限公司 一种识别液体成分的智能安检方法
CN118247586B (zh) * 2024-05-28 2024-11-22 杭州睿影科技有限公司 一种材料识别方法、装置、存储介质和电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133739A (zh) * 2019-04-04 2019-08-16 南京全设智能科技有限公司 一种x射线安检设备及其自动识图方法
CN110543857A (zh) * 2019-09-05 2019-12-06 安徽启新明智科技有限公司 基于图像分析的违禁物识别方法、装置、系统和存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6195444B1 (en) * 1999-01-12 2001-02-27 Analogic Corporation Apparatus and method for detecting concealed objects in computed tomography data
CN101387610B (zh) * 2008-10-14 2011-02-09 重庆大学 利用双源双能量直线式安检ct装置进行安全检测的方法
CN101592579B (zh) * 2009-07-03 2011-07-06 公安部第一研究所 利用多视角x射线对行李爆炸物进行自动探测的方法及装置
CN102455305B (zh) * 2010-11-01 2014-06-18 北京中盾安民分析技术有限公司 双能量x射线人体藏物检查设备中所使用的图像处理方法
US9733385B2 (en) * 2014-07-15 2017-08-15 Rapiscan Systems, Inc. Systems and methods for the automatic detection of lithium batteries in cargo, baggage, parcels, and other containers
EP3248174B1 (en) * 2015-01-20 2021-04-07 Koninklijke Philips N.V. Image data segmentation and display
CN105954808A (zh) * 2016-05-04 2016-09-21 薛景森 安检机违禁物自动识别方法
CN111161275B (zh) * 2018-11-08 2022-12-23 腾讯科技（深圳）有限公司 医学图像中目标对象的分割方法、装置和电子设备
CN110018524B (zh) * 2019-01-28 2020-12-04 同济大学 一种基于视觉-属性的x射线安检违禁品识别方法
CN109902643B (zh) * 2019-03-07 2021-03-16 浙江啄云智能科技有限公司 基于深度学习的智能安检方法、装置、系统及其电子设备
CN109977877B (zh) * 2019-03-28 2021-03-16 北京邮电大学 一种安检智能辅助判图方法、系统以及系统控制方法
CN109975885A (zh) * 2019-03-28 2019-07-05 上海中通吉网络技术有限公司 一种快递违禁物品识别方法及安检系统
CN110488368B (zh) * 2019-07-26 2021-07-30 熵基科技股份有限公司 一种基于双能x光安检机的违禁品识别方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110133739A (zh) * 2019-04-04 2019-08-16 南京全设智能科技有限公司 一种x射线安检设备及其自动识图方法
CN110543857A (zh) * 2019-09-05 2019-12-06 安徽启新明智科技有限公司 基于图像分析的违禁物识别方法、装置、系统和存储介质

Also Published As

Publication number Publication date
CN112162324A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN111209876A (zh) 一种漏油缺陷检测方法及系统
CN112162324B (zh) 一种有效提高违禁品识别率的智能安检方法
CN112534243B (zh) 检查装置与方法及计算机能读取的非临时性的记录介质
CN101825584B (zh) X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法
CN111080622A (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
US8780097B2 (en) Newton ring mura detection system
CN115456956B (zh) 一种液晶屏划痕检测方法、设备及存储介质
CN116309191B (zh) 基于图像增强的瓦斯巡检智能显示方法
CN107545565B (zh) 一种太阳能网版检测方法
CN103927749A (zh) 图像处理方法、装置和自动光学检测机
CN115330802B (zh) 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法
CN117115171B (zh) 一种应用于地铁lcd显示屏的轻微亮点缺陷检测方法
CN105510364A (zh) 基于x射线的工业部件缺陷的无损检测系统及其检测方法
CN105572143B (zh) 压延过程中压延材料表面周期性缺陷的检测方法
CN113034488A (zh) 一种喷墨印刷品的视觉检测方法
CN113192061B (zh) Led封装外观检测图像的提取方法、装置、电子设备和存储介质
CN113960075A (zh) 一种安检设备及物品尺寸确定方法、存储介质、设备
CN112756840A (zh) 焊接质量检测系统
CN113960687A (zh) X射线图像处理装置及x射线图像处理方法
CN107948464A (zh) 一种印刷品检测图像侧向偏移的几何校正方法及系统
CN114428110A (zh) 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统
CN103605973B (zh) 一种图像字符检测鉴别方法
CN106934789A (zh) 基于三帧差分法的包装动态检测方法及装置
CN117475233A (zh) 压盖异常状态的检测方法、装置、设备和计算机存储介质
CN114022415B (zh) 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法

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