CN116188459B - 一种用于皮带撕裂检测的线激光快速识别方法及系统 - Google Patents
一种用于皮带撕裂检测的线激光快速识别方法及系统 Download PDFInfo
- Publication number
- CN116188459B CN116188459B CN202310437077.4A CN202310437077A CN116188459B CN 116188459 B CN116188459 B CN 116188459B CN 202310437077 A CN202310437077 A CN 202310437077A CN 116188459 B CN116188459 B CN 116188459B
- Authority
- CN
- China
- Prior art keywords
- image
- belt
- mask
- result
- laser
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000109 continuous material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明属于皮带撕裂检测技术领域，特别涉及一种用于皮带撕裂检测的线激光快速识别方法及系统。所述方法包括：对原始图像进行预处理；对预处理后的图像进行背景提取获得掩膜图像；对掩膜图像进行激光条纹线条识别。本发明中，先对皮带的原始图像进行预处理，然后进行背景提取，从而获得皮带的掩膜图像，最后对皮带的掩膜图像进行激光条纹线条识别，通过上述识别方法，能够有效剔除皮带图像中杂物带来的干扰，从而提高对皮带图像识别和分析的精确程度，而且相较于现有的线扫相机识别和面阵相机识别的方式，上述方法对图像结果采集所需的时间更短，更加方便工作人员分辨皮带是否存在撕裂的情况。
Description
技术领域
本发明属于皮带撕裂检测技术领域，特别涉及一种用于皮带撕裂检测的线激光快速识别方法及系统。
背景技术
皮带式输送系统在流程工业长距离连续输送物料方面，其结构简单、输送效率高等优势，是工业运输煤炭、矿石等的重要设备，在输送机运行过程中，皮带撕裂故障是影响其运行最关键的故障类型。因为输送机运行速度快、距离长，如果对撕裂事故检测不及时，可能会造成数十米甚至数百米的皮带损坏。修补皮带不仅费时费力，而且会影响正常生产，给企业造成直接和间接的经济损失。当前各个企业中的皮带输送系统普遍采用的检测方法是定期人工检查的方案，实时性差，且依赖于工人的责任心。总体系统方面、缺少预防运维、众多安全隐患等问题，在线监测及智能运维显得十分必要。
当前主流的技术方案主要分为两个技术路线，一个是通过线扫相机进行图像采集和图像分析以确定故障的形态和位置，它通过多个线扫相机结合图像融合和图像检测技术进行故障检测，系统能够一定程度上检测出故障，但由于线扫相机采集需要稳定的速度反馈来控制拍摄，故不适用于较为恶劣的环境下。
另一种技术方案就是通过线激光辅助线配合面阵相机，通过三角测量的原理进行故障检测。值得一提的是，以激光三角测量为原理的检测和测量系统是一个大类，例如线激光轮廓扫描仪、结构光探伤仪等都是利用此原理完成。在激光三角测量原理中，当激光器竖直向下照射，而相机以一定的夹角进行拍摄时，不同的纵向深度，会使得激光点反映在相机成像的不同位置上，通过分析激光器的光条和光斑，能够有效获取激光点位置的深度信息。
上述两种技术方案能够有效检测出故障，但由于传送带底部脏污较多，系统会出现很多误检信号，并且，由于采集时长很短，相机曝光很低，在人工检视时很难使用人工辅助分辨是否是真实撕裂故障。
为了解决上述问题，需要设计一种用于皮带撕裂检测的线激光快速识别方法及系统。
发明内容
针对上述问题，本发明提供一种用于皮带撕裂检测的线激光快速识别方法，所述方法包括：
对原始图像进行预处理；
对预处理后的图像进行背景提取获得掩膜图像；
对掩膜图像进行激光条纹线条识别。
优选地，所述预处理包括以下步骤：
从原始图像中提取皮带区域图像，剔除复杂变化背景的干扰；
在所述皮带区域图像中提取激光线条纹。
优选地，所述对预处理后的图像进行背景提取包括：
提取图像中的皮带轮廓；
对图像进行分割，获得分割掩膜结果；
对分割掩膜结果进行全天候识别，获得掩膜图像。
优选地，所述提取图像中的皮带轮廓包括以下步骤：
根据预处理后的图像建立基于形态学处理核的窗口，其中，所述窗口包括灰度域和亮度域；
对所述窗口的灰度域进行开运算；
对开运算的结果进行闭运算。
优选地，所述对图像进行分割包括：
对图像中的亮色部分和暗色部分进行分割，并提取图像中的暗色部分；
剔除图像中的孔洞和小面积干扰。
优选地，所述对分割掩膜结果进行全天候识别包括：
每小时保存一张图像，计算每张图像的平均亮度；
根据亮度对图像进行排序，并选出样本图像；
对样本图像进行皮带分割掩膜计算；
选取样本图像中同一位置的像素的中值作为有效结果，并对有效结果进行中值滤波；
对中值滤波的结果进行开运算，删除开运算产生的弧点，获得掩膜图像。
优选地，所述对掩膜图像进行激光条纹线条识别包括：
对掩膜图像进行激光条纹候选区域分割；
对激光条纹候选区域进行梯度识别。
优选地，所述对掩膜图像进行激光条纹候选区域分割包括：
使用预处理后的图像删去开运算的结果并叠加掩膜图像；
对叠加结果进行阈值分割和形态学处理，区分出激光条纹候选区域。
优选地，所述对激光条纹候选区域进行梯度识别包括：
建立并分析激光条纹候选区域的hessian矩阵；
对激光条纹候选区域进行尺度筛选。
本发明还提出一种用于皮带撕裂检测的线激光快速识别系统，所述系统包括：
预处理模块，用于对原始图像进行预处理；
提取模块，用于对预处理后的图像进行背景提取获得掩膜图像；
识别模块，用于对掩膜图像进行激光条纹线条识别。
优选地，所述预处理模块用于对原始图像进行预处理，包括：
预处理模块用于从原始图像中提取皮带区域图像，剔除复杂变化背景的干扰；
在所述皮带区域图像中提取激光线条纹。
优选地，所述提取模块用于对预处理后的图像进行背景提取获得掩膜图像，包括：
提取模块用于提取图像中的皮带轮廓；
对图像进行分割，获得分割掩膜结果；
对分割掩膜结果进行全天候识别，获得掩膜图像。
优先地，所述识别模块用于对掩膜图像进行激光条纹线条识别，包括：
识别模块用于对掩膜图像进行激光条纹候选区域分割；
对激光条纹候选区域进行梯度识别。
本发明具有以下有益效果：
本发明中，先对皮带的原始图像进行预处理，然后进行背景提取，从而获得皮带的掩膜图像，最后对皮带的掩膜图像进行激光条纹线条识别，通过上述识别方法，能够有效剔除皮带图像中杂物带来的干扰，从而提高对皮带图像识别和分析的精确程度，而且相较于现有的线扫相机识别和面阵相机识别的方式，上述方法对图像结果采集所需的时间更短，更加方便工作人员分辨皮带是否存在撕裂的情况。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1示出本发明实施例中一种用于皮带撕裂检测的线激光快速识别方法示意图；
图2示出本发明实施例中形态学处理核H样式图；
图3示出本发明实施例中灰度域膨胀示意图；
图4示出本发明实施例中灰度域腐蚀示意图；
图5示出本发明实施例中对分割掩膜结果进行全天候识别过程图；
图6示出本发明实施例中激光线亮度特征图；
图7示出本发明实施例中当前梯度的切向和法向示意图；
图8示出本发明实施例中一种用于皮带撕裂检测的线激光快速识别系统示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例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。
如图1所示，本发明提出一种用于皮带撕裂检测的线激光快速识别方法，所述方法包括以下步骤：
（1）对原始图像进行预处理
所述预处理包括以下步骤：从原始图像中提取皮带区域图像，剔除复杂变化背景的干扰；在所述皮带区域图像中提取激光线条纹。
（2）对预处理后的图像进行背景提取获得掩膜图像
所述对预处理后的图像进行背景提取包括：提取图像中的皮带轮廓；对图像进行分割，获得分割掩膜结果；对分割掩膜结果进行全天候识别，获得掩膜图像。
所述提取图像中的皮带轮廓包括以下步骤：根据预处理后的图像建立基于形态学处理核的窗口，其中，所述窗口包括灰度域和亮度域；对所述窗口的灰度域进行开运算；对开运算的结果进行闭运算。本实施例中，使用的是一个十字形的形态学处理核H如图2所示，腐蚀（erode）和膨胀（dilate）是图像处理中形态学变化操作，其定义为，以一个形态学处理核为窗口划过整个图像，其中，在窗口内部可以通过控制窗口中非零部分的位置以自定义形态学处理核的形状，对于图像I上的点I(i,j)，使用窗口大小为m*n形态学处理核H进行灰度域腐蚀操作的公式如下：
；
灰度域膨胀操作公式如下：
；
其中，为处理后图像对应点位置的值。
灰度域腐蚀和膨胀操作如图3和图4所示，数字图像处理中，将对图像进行先腐蚀后膨胀的操作组合称为开运算，将先膨胀后腐蚀的操作称为闭运算。
所述对图像进行分割包括：对图像中的亮色部分和暗色部分进行分割，并提取图像中的暗色部分；剔除图像中的孔洞和小面积干扰。
如图5所示，所述对分割掩膜结果进行全天候识别包括：每小时保存一张图像，计算每张图像的平均亮度；根据亮度对图像进行排序，并选出样本图像；对样本图像进行皮带分割掩膜计算；选取样本图像中同一位置的像素的中值作为有效结果，并对有效结果按像素在时间序列进行中值滤波；对中值滤波的结果进行开运算，删除因滤波产生的弧点，获得掩膜图像。
（3）对掩膜图像进行激光条纹线条识别
所述对掩膜图像进行激光条纹线条识别包括：对掩膜图像进行激光条纹候选区域分割；对激光条纹候选区域进行梯度识别。
所述对掩膜图像进行激光条纹候选区域分割包括：使用预处理后的图像删去开运算的结果并叠加掩膜图像；对叠加结果进行阈值分割和形态学处理，区分出激光条纹候选区域。
所述对激光条纹候选区域进行梯度识别包括：建立并分析激光条纹候选区域的hessian矩阵；通过提前标定调节hessian矩阵的σ的大小，筛选合适粗细的梯度信息，实现对激光条纹候选区域进行尺度筛选。
观察激光线条落在皮带上的图像如图6所示，X轴和Y轴表示图像的位置，Z轴表示灰度图像的亮度值，可以发现整体亮度特征呈现为凸起的脊线的特征，其特征为，在激光线的法向的梯度很大，切向梯度很小，不同于一般的边缘分析法。在中间区域，虽然激光器线条会有晕染等问题，但总体来说是一条脊线形状的特征，可以通过分析其hessian矩阵的特征值和特征向量进行特征精定位。
对于图像I，图像对应的Hessian矩阵定义为其x和y方向上的二阶偏导数组成的矩阵，。
当I为离散图像的时候，通过卷积的方式实现求导滤波，的卷积核为，/>的卷积核为/>，/>的卷积核为/>，在卷积之前，根据图像金字塔原理，可以通过对原图进行不同σ程度的高斯模糊滤波来实现求导的尺度设置。
如图7所示，输入图像上的每一个点都有对应的一个二阶hessian矩阵，求取其两个特征向量就是当前梯度的切向和法向。
基于图像金字塔原理，可以通过对原始图像高斯滤波和减采样的方法选择图像的尺度。根据图像中激光线的像素宽度，选择合适的高斯核进行尺度筛选，能够有效提高提取图像的质量。
通过上一步候选区域筛选，可以只分析候选区域的计算结果，大大降低了计算速度。本实施例中，经过测试，当图像大小为1920*1080像素时，单帧分割速度可以达到25ms以内。
如图8所示，本发明还提出一种用于皮带撕裂检测的线激光快速识别系统，所述系统包括：
预处理模块，用于对原始图像进行预处理，包括：预处理模块用于从原始图像中提取皮带区域图像，剔除复杂变化背景的干扰；在所述皮带区域图像中提取激光线条纹。
提取模块，用于对预处理后的图像进行背景提取获得掩膜图像，包括：提取模块用于提取图像中的皮带轮廓；对图像进行分割，获得分割掩膜结果；对分割掩膜结果进行全天候识别，获得掩膜图像。
识别模块，用于对掩膜图像进行激光条纹线条识别，包括：识别模块用于对掩膜图像进行激光条纹候选区域分割；对激光条纹候选区域进行梯度识别。
本领域的普通技术人员应当理解：尽管参考前述实施例对本发明进行的详细说明，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精神和范围。
Claims (5)
1.一种用于皮带撕裂检测的线激光快速识别方法，其特征在于，所述方法包括：
对原始图像进行预处理；所述预处理包括以下步骤：从原始图像中提取皮带区域图像，剔除复杂变化背景的干扰；在所述皮带区域图像中提取激光线条纹；
对预处理后的图像进行背景提取获得掩膜图像；其中，所述对预处理后的图像进行背景提取包括：提取图像中的皮带轮廓；对图像进行分割，获得分割掩膜结果；对分割掩膜结果进行全天候识别，获得掩膜图像;其中，所述对图像进行分割包括：对图像中的亮色部分和暗色部分进行分割，并提取图像中的暗色部分；剔除图像中的孔洞和小面积干扰；其中，所述对分割掩膜结果进行全天候识别包括：每小时保存一张图像，计算每张图像的平均亮度；根据亮度对图像进行排序，并选出样本图像；对样本图像进行皮带分割掩膜计算；选取样本图像中同一位置的像素的中值作为有效结果，并对有效结果进行中值滤波；对中值滤波的结果进行开运算，删除开运算产生的弧点，获得掩膜图像；
对掩膜图像进行激光条纹线条识别；包括：对掩膜图像进行激光条纹候选区域分割；对激光条纹候选区域进行梯度识别。
2.根据权利要求1所述的一种用于皮带撕裂检测的线激光快速识别方法，其特征在于，
所述提取图像中的皮带轮廓包括以下步骤：
根据预处理后的图像建立基于形态学处理核的窗口，其中，所述窗口包括灰度域和亮度域；
对所述窗口的灰度域进行开运算；
对开运算的结果进行闭运算。
3.根据权利要求1所述的一种用于皮带撕裂检测的线激光快速识别方法，其特征在于，
所述对掩膜图像进行激光条纹候选区域分割包括：
使用预处理后的图像删去开运算的结果并叠加掩膜图像；
对叠加结果进行阈值分割和形态学处理，区分出激光条纹候选区域。
4.根据权利要求1所述的一种用于皮带撕裂检测的线激光快速识别方法，其特征在于，
所述对激光条纹候选区域进行梯度识别包括：
建立并分析激光条纹候选区域的hessian矩阵；
对激光条纹候选区域进行尺度筛选。
5.一种用于皮带撕裂检测的线激光快速识别系统，其特征在于，所述系统包括：
预处理模块，用于对原始图像进行预处理；包括：预处理模块用于从原始图像中提取皮带区域图像，剔除复杂变化背景的干扰；在所述皮带区域图像中提取激光线条纹；
提取模块，用于对预处理后的图像进行背景提取获得掩膜图像；包括：提取模块用于提取图像中的皮带轮廓；对图像进行分割，获得分割掩膜结果；对分割掩膜结果进行全天候识别，获得掩膜图像；其中，所述对图像进行分割包括：对图像中的亮色部分和暗色部分进行分割，并提取图像中的暗色部分；剔除图像中的孔洞和小面积干扰；其中，所述对分割掩膜结果进行全天候识别包括：每小时保存一张图像，计算每张图像的平均亮度；根据亮度对图像进行排序，并选出样本图像；对样本图像进行皮带分割掩膜计算；选取样本图像中同一位置的像素的中值作为有效结果，并对有效结果进行中值滤波；对中值滤波的结果进行开运算，删除开运算产生的弧点，获得掩膜图像；
识别模块，用于对掩膜图像进行激光条纹线条识别；包括：识别模块用于对掩膜图像进行激光条纹候选区域分割；对激光条纹候选区域进行梯度识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437077.4A CN116188459B (zh) | 2023-04-23 | 2023-04-23 | 一种用于皮带撕裂检测的线激光快速识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310437077.4A CN116188459B (zh) | 2023-04-23 | 2023-04-23 | 一种用于皮带撕裂检测的线激光快速识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116188459A CN116188459A (zh) | 2023-05-30 |
| CN116188459B true CN116188459B (zh) | 2023-09-15 |
Family
ID=86444585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310437077.4A Active CN116188459B (zh) | 2023-04-23 | 2023-04-23 | 一种用于皮带撕裂检测的线激光快速识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116188459B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117495857B (zh) * | 2023-12-29 | 2024-04-02 | 合肥金星智控科技股份有限公司 | 皮带撕边的检测方法、系统、设备和介质 |
| CN117495858B (zh) * | 2023-12-29 | 2024-06-11 | 合肥金星智控科技股份有限公司 | 皮带偏移的检测方法、系统、设备和介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234475A (zh) * | 2012-11-27 | 2013-08-07 | 深圳华用科技有限公司 | 一种基于激光三角测量法的亚像素表面形态检测方法 |
| WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
| CN106023293A (zh) * | 2016-05-26 | 2016-10-12 | 北京爱科声科技有限公司 | 一种基于c扫描超声图像的三维重建方法 |
| CN106276132A (zh) * | 2016-07-28 | 2017-01-04 | 天津工业大学 | 一种基于线激光图像的输送带纵向撕裂在线检测方法 |
| CN109596618A (zh) * | 2018-12-26 | 2019-04-09 | 太原理工大学 | 一种基于断面轮廓序列的微观多相结构三维建模测量方法 |
| WO2019188718A1 (ja) * | 2018-03-28 | 2019-10-03 | バンドー化学株式会社 | 表面形状監視装置、摩耗量測定システム及び表面形状監視システム |
| CN111563574A (zh) * | 2020-05-14 | 2020-08-21 | 河北省机电一体化中试基地 | 一种基于机器视觉的白砂糖袋自动计数装置及方法 |
| CN113548419A (zh) * | 2021-07-20 | 2021-10-26 | 湖北能源集团鄂州发电有限公司 | 基于机器视觉图像识别的皮带撕裂检测方法、装置及系统 |
| CN115947066A (zh) * | 2023-03-14 | 2023-04-11 | 合肥金星智控科技股份有限公司 | 皮带撕裂检测方法、装置及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150022634A1 (en) * | 2013-07-16 | 2015-01-22 | The Steelastic Co., Llc | Object inspection system |
-
2023
- 2023-04-23 CN CN202310437077.4A patent/CN116188459B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234475A (zh) * | 2012-11-27 | 2013-08-07 | 深圳华用科技有限公司 | 一种基于激光三角测量法的亚像素表面形态检测方法 |
| WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
| CN106023293A (zh) * | 2016-05-26 | 2016-10-12 | 北京爱科声科技有限公司 | 一种基于c扫描超声图像的三维重建方法 |
| CN106276132A (zh) * | 2016-07-28 | 2017-01-04 | 天津工业大学 | 一种基于线激光图像的输送带纵向撕裂在线检测方法 |
| WO2019188718A1 (ja) * | 2018-03-28 | 2019-10-03 | バンドー化学株式会社 | 表面形状監視装置、摩耗量測定システム及び表面形状監視システム |
| CN109596618A (zh) * | 2018-12-26 | 2019-04-09 | 太原理工大学 | 一种基于断面轮廓序列的微观多相结构三维建模测量方法 |
| CN111563574A (zh) * | 2020-05-14 | 2020-08-21 | 河北省机电一体化中试基地 | 一种基于机器视觉的白砂糖袋自动计数装置及方法 |
| CN113548419A (zh) * | 2021-07-20 | 2021-10-26 | 湖北能源集团鄂州发电有限公司 | 基于机器视觉图像识别的皮带撕裂检测方法、装置及系统 |
| CN115947066A (zh) * | 2023-03-14 | 2023-04-11 | 合肥金星智控科技股份有限公司 | 皮带撕裂检测方法、装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李海滨 ; 张春明 ; 张元正 ; 徐刚 ; .线激光辅助的皮带撕裂视觉检测方法.光学技术.2011,(第04期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116188459A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116188459B (zh) | 一种用于皮带撕裂检测的线激光快速识别方法及系统 | |
| CN111179250B (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
| CN109886298A (zh) | 一种基于卷积神经网络的焊缝质量检测方法 | |
| CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
| CN102590330A (zh) | 基于图像处理的磁粉探伤缺陷智能识别检测系统 | |
| CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
| CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
| CN109685760A (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
| Rathod et al. | A comparative study of different segmentation techniques for detection of flaws in NDE weld images | |
| CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
| CN116309277A (zh) | 基于深度学习的钢材检测方法及系统 | |
| CN112801962A (zh) | 基于正样本学习的半监督工业制品瑕疵检测方法及系统 | |
| Kamani et al. | Automatic paint defect detection and classification of car body | |
| Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
| CN115947066A (zh) | 皮带撕裂检测方法、装置及系统 | |
| Ibragimov et al. | Automated pavement condition index assessment with deep learning and image analysis: an end-to-end approach | |
| Wang et al. | Visual defect detection for substation equipment based on joint inspection data of camera and robot | |
| KR100687811B1 (ko) | 용접부 결함 검출 방법 및 장치 | |
| Yang et al. | Weld defect cascaded detection model based on bidirectional multi-scale feature fusion and shape pre-classification | |
| Zhai et al. | Defect detection in aluminum foil by measurement-residual-based chi-square detector | |
| CN112150453B (zh) | 一种铁路货车摇枕弹簧折断故障自动检测方法 | |
| Rale et al. | Comparison of different ANN techniques for automatic defect detection in X-Ray images | |
| CN113792732A (zh) | 一种确定目标车辆车厢的方法 | |
| Thiruganam et al. | Automatic defect detection and counting in radiographic weldment images | |
| CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 |
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 |