CN118691602A - 一种基于图像的金属熔炼设备检测方法 - Google Patents
一种基于图像的金属熔炼设备检测方法 Download PDFInfo
- Publication number
- CN118691602A CN118691602A CN202411155289.4A CN202411155289A CN118691602A CN 118691602 A CN118691602 A CN 118691602A CN 202411155289 A CN202411155289 A CN 202411155289A CN 118691602 A CN118691602 A CN 118691602A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel points
- representing
- area
- reconstructed
- 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.)
- Pending
Links
- 238000003723 Smelting Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 239000002184 metal Substances 0.000 title claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000000638 solvent extraction Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 35
- 230000000875 corresponding effect Effects 0.000 claims description 26
- 230000000903 blocking effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000002844 melting Methods 0.000 claims description 8
- 230000008018 melting Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 239000011159 matrix material Substances 0.000 description 18
- 230000007547 defect Effects 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010891 electric arc Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及设备检测领域，尤其涉及一种基于图像的金属熔炼设备检测方法，方法包括：将熔炼炉内边缘图像进行灰度化处理获得灰度图像，对灰度图像进行奇异值分解以获得多个奇异值，将奇异值从小到大依次叠加获得多个重构图像；对重构图像进行分块，获得重构图像的多个分块区域；将重构图像进行二值化处理得到二值图像，计算每个二值图像的优选度；计算剩余每个重构图像中分块区域的噪声干扰度，以及噪声干扰度小于干扰度阈值的分块区域的数量占比；计算剩余重构图像中像素点的损伤度，对重构图像中损伤度大于损伤阈值的像素点进行离群分析。本发明改善了图像的降噪效果，提高了熔炼炉的检测精度。
Description
技术领域
本发明涉及设备检测领域，尤其涉及一种基于图像的金属熔炼设备检测方法。
背景技术
金属在熔炼过程中需要用到金属熔炼设备，金属熔炼设备通常用于将金属从其矿石或废料中提取并精炼成可用于制造的形态。金属熔炼设备通常包括电弧炉、感应加热炉、高频熔炉、坩埚炉和冶炼炉。在金属熔炼设备制造以及使用过程中，需要检测熔炼设备内部的缺陷，以保证生产设备和操作人员的安全。对熔炼炉内部进行缺陷检测时，因为存在噪声与表面的粗糙影响，所以需要将图像进行降噪处理，而降噪处理通常采用奇异值分解法，奇异值分解法为将图像分解为多个奇异值，然后选择合适数量的奇异值进行重构获得降噪后的图像。
公告号为CN111582205B的中国专利文件公开了一种基于多分辨率奇异值分解模型的降噪方法，包括：将含噪的信号y(n)构造成矩阵A0，采用L分法对矩阵A0进行分解，得到L个奇异值，且L≥3，L个奇异值对应的分量包括近似信号A、细节信号D；将细节信号D对应的奇异值置零，将近似信号A对应的奇异值重新构成Hankel矩阵进行下一层的分解，以此类推，进行噪声分离。
但是在上述方案中，奇异值分解法无法精准确定奇异值阈值获得最佳的降噪效果，使得降噪效果不好，从而使得无法对熔炼炉内部存在的损伤区域进行精准的检测，导致检测效率较低，且存在事故发生的隐患。
发明内容
为了解决在检测金属熔炼设备过程中无法精准确定奇异值阈值的问题，本发明提供一种基于图像的金属熔炼设备检测方法。
第一方面，本发明提供一种基于图像的金属熔炼设备检测方法，采用如下的技术方案：
将熔炼炉内边缘的灰度图像进行奇异值分解以获得多个奇异值，将奇异值从小到大依次叠加获得多个重构图像；
对每个重构图像进行分块，获得重构图像的多个分块区域；
将重构图像进行二值化处理得到二值图像，计算每个二值图像的优选度，将优先度大于优先度阈值的二值图像对应的重构图像作为第一组重构图像，优选度与二值图像中的四连通域的数量呈正相关；
计算第一组重构图像中每个图像中分块区域的噪声干扰度，以及噪声干扰度小于干扰度阈值的分块区域的数量占比，将数量占比小于比例阈值的重构图像作为第二组重构图像，噪声干扰度与分块区域像素点的灰度均值与灰度方差之积呈正相关；
计算第二组重构图像中每个图像中像素点的损伤度，损伤度表示像素点为损伤区域的概率，对重构图像中损伤度大于损伤阈值的像素点进行离群分析，对离群点最少的重构图像进行分割获得损伤区域。
其效果在于，通过对图像进行奇异值分解重构获得重构图像，然后通过优先度筛选出细节特征角度的重构图像，根据噪声干扰度筛选出受噪声干扰较小的重构图像，最后对筛选出来的重构图像进行离群分析，离群点最少的重构图像的奇异值即为最佳的奇异值阈值，最后对离群点最少的重构图像进行分割获得损伤区域，提高了熔炼炉的检测精度，减少了噪声对损伤区域的影响。
优选的，二值图像的优选度的计算公式为：
其中，表示层奇异值叠加重构图像对应的二值图像的优选度，表示二值图像中四连通域数量，表示二值图像对应的重构图像中第个分块区域的灰度方差，表示图像内分块区域的个数，（）为归一化函数。
其效果在于，通过计算二值图像的优选度，能够筛选出细节特征较多的重构图像，便于后续对细节特征较多的重构图像进行分析，提高了熔炼炉的检测精度。
优选的，分块区域的噪声干扰度的计算公式为：
其中，表示分块区域的噪声干扰度，表示分块区域内像素点的灰度均值，表示分块区域内像素点的灰度方差，表示分块区域相邻的分块区域内像素点的灰度均值，表示分块区域的相邻分块区域内像素点的灰度方差，为分块区域向量，方向为分块区域内像素点梯度方向的单位向量之和，为第个分块区域的第个像素点的向量，的方向为分块区域中的第个像素点的梯度方向，表示分块区域内像素点个数。
优选的，分块区域的噪声干扰度的计算公式为：
其中，表示分块区域的噪声干扰度，表示分块区域内像素点的灰度均值，表示分块区域内像素点的灰度方差，表示分块区域相邻的分块区域内像素点的灰度均值，表示分块区域的相邻分块区域内像素点的灰度方差，为分块区域向量，方向为分块区域内像素点梯度方向的单位向量之和，为第个分块区域的第个像素点的向量，的方向为分块区域中的第个像素点的梯度方向，表示分块区域内像素点个数，（）为归一化函数，表示向量与向量夹角的正弦值。
其效果在于，通过上述公式能够计算出分块区域的噪声干扰度，通过噪声干扰度反映噪声对损伤区域的影响程度，从而便于筛选出受噪声影响较大的重构图像。
优选的，像素点的损伤度的计算公式为：
其中，表示像素点的损伤度，表示图像中所有像素点的噪声干扰度均值，表示像素点的8邻域中第个像素点的噪声干扰度，表示像素点与8邻域中第个像素点的噪声干扰度差的绝对值，表示像素点的向量，方向为像素点的梯度方向，的大小为像素点所在分块区域的噪声干扰度，表示像素点的邻域像素点中第个像素点向量，表示像素点的邻域像素点个数。
其效果在于，通过计算像素点的损伤度，能够判断该像素点为损伤区域的概率，便于后续对损伤区域进行分割识别，提高了识别损伤区域的精度。
优选的，对离群点最少的重构图像进行分析获得损伤区域方法为：通过lof算法对像素点进行离群分析。
优选的，对离群点最少的重构图像进行分析获得损伤区域方法为：对像素点进行聚类获得损伤区域。
其效果在于，通过lof算法对像素点进行离群分析获得离群点最少的重构图像，此时的图像即为降噪效果最好的重构图像，通过对此重构图像进行分析能够提高熔炼炉的检测精度。
优选的，利用大津阈值法对重构图像进行阈值分割得到损伤区域。
本发明具有以下技术效果：通过对熔炼炉的图像进行奇异值分解，然后对奇异值进行叠加重构获得多个重构图像，通过然后通过优先度和噪声干扰度筛选相应的重构图像，最后对筛选出来的重构图像进行离群分析，离群点最少的重构图像的奇异值即为最佳的奇异值阈值，此时的重构图像即为降噪效果最好的图像。通过lof算法对离群点最少的重构图像进行分割获得损伤区域，减少了噪声对损伤区域的影响，提高了熔炼炉的检测精度。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分。
图1是本发明一种基于图像的金属熔炼设备检测方法的方法流程图。
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。
应当理解，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明实施例公开一种基于图像的金属熔炼设备检测方法，用于解决在检测金属熔炼设备过程中无法精准确定奇异值阈值的问题，参照图1，包括步骤S1-步骤S6，具体如下：
S1、将熔炼炉内边缘的灰度图像进行奇异值分解以获得多个奇异值，将奇异值从小到大依次叠加获得多个重构图像。
使用高清工业相机采集熔炼炉内边缘图像，将图像进行灰度化得到灰度图像，以减少数据的维度，更好地捕捉图像的主要信息，简化奇异值分解过程；将灰度图像进行奇异值分解，将分解后的奇异值从小到大逐个叠加获得重构图像。将奇异值个数从小到大叠加，对应低频信息的奇异值将会被保留，同时高频信息将被抑制，其表现效果为，随着叠加的奇异值个数增多，熔炼炉内边缘图像细节逐渐增加，粗糙和噪声对缺陷的影响也随着细节的增多而增加。
通过熔炼炉内边缘图像中熔炼炉内边缘的粗糙表面变化对损伤的影响进行分析，奇异值个数从小到大叠加重组过程中，奇异值个数越多，粗糙像素点细节越多分布越混乱，同时随着奇异值叠加个数的减少，熔炼炉内边缘粗糙纹路细节会逐渐融合。
对于灰度图像而言，利用灰度值构建矩阵，将矩阵分解为三个矩阵的乘积，即；式中：为非零维矩阵，为正交矩阵，为正交矩阵，为正交矩阵的转置，为对角矩阵，中对角线上的元素为奇异值。在对图像进行重构时，重构后图像的灰度矩阵为，那么则有。为重构时的对角矩阵，其对角线上元素个数少于对角矩阵对角线上元素个数。对矩阵进行分解的过程为现有技术，此处不再赘述。
示例性的，对于矩阵进行奇异值分解后的对角矩阵，那么灰度图像分解后的奇异值分别为1、2、3、4、5，将奇异值按照（1、2）、（1、2、3）、（1、2、3、4）的方式进行重构，分别得到3张重构图像；将奇异值按照（1、2）进行重构时：，重构图像的灰度矩阵为；同理，将奇异值按照（1、2、3）进行重构时：；将奇异值按照（1、2、3、4）进行重构时：。
S2、对重构图像进行分块，获得重构图像的多个分块区域。
示例性的，将重构图像按照的大小进行分块，获得多个分块区域。
S3、将重构图像进行二值化处理得到二值图像，计算每个二值图像的优选度，将优先度大于优先度阈值的二值图像对应的重构图像作为第一组重构图像，优选度与二值图像中的四连通域的数量呈正相关。
根据二值图像中四连通域的个数，计算每个二值图像的优选度，优选度计算公式为：
其中，表示层奇异值叠加重构图像对应的二值图像的优选度，表示二值图像中四连通域数量，表示二值图像对应的重构图像中第个分块区域的灰度方差，表示图像内分块区域的个数，（）为归一化函数。
值越大说明重构图像内的细节越多，以此区分出奇异值个数太小而导致细节不足的图像，值越大则说明相应的重构图像内的细节特征越多。奇异值个数越多，粗糙像素点细节越多分布越混乱，所以通过表示层奇异值叠加对应的二值图像中的第个分块的灰度方差，值越大则说明分块区域内的细节特征越多，通过反映整个重构图像内的细节特征的数量，值越大则说明分块内的细节特征越多。
示例性的，优先度阈值为，当二值图像的优先度大于时，则保留相应的重构图像，用于后续步骤的分析，当二值图像的优先度小于，则舍弃相应的重构图像。
S4、计算第一组重构图像中每个图像中分块区域的噪声干扰度，以及噪声干扰度小于干扰度阈值的分块区域的数量占比，将数量占比小于比例阈值的重构图像作为第二组重构图像，噪声干扰度与分块区域像素点的灰度均值与灰度方差之积呈正相关。
在一个实施例中，分块区域的噪声干扰度的计算公式为：
其中，表示分块区域的噪声干扰度，表示分块区域内像素点的灰度均值，表示分块区域内像素点的灰度方差，表示分块区域相邻的分块区域内像素点的灰度均值，表示分块区域的相邻分块区域内像素点的灰度方差，为分块区域向量，方向为分块区域内像素点梯度方向的单位向量之和，为第个分块区域的第个像素点的向量，的方向为分块区域中的第个像素点的梯度方向，表示分块区域内像素点个数，（）为归一化函数，表示向量与向量夹角的正弦值。
示例性的，以分块区域为例，获取分块区域内像素点梯度方向，将分块区域内所有像素点的梯度方向的单位向量进行向量求和，得到的向量的方向作为分块区域的向量方向，记为。将分块区域第k个像素点的梯度方向与幅值，作为第k个像素点向量的方向与大小，记为。
其中，反映噪声对损伤区域的影响程度，其值越大说明该分块区域内受噪声影响的概率就越大，损伤表现就越低。和的值越大，则该分块区域内存在噪声影响的可能性越大，损伤区域越不明显。因为噪声越多分块区域内灰度表现越混乱，和的值越大，该分块区域内存在噪声影响的概率越大。
通过体现分块区域内存在损伤区域的可能性，其值越大说明该分块区域内存在损伤区域的概率越大。在重构图像中，因为噪声存在随机性，噪声干扰越小则小范围区域像素点的近似性越高，所以通过比较分块区域与邻域分块区域的差异，其值越大，说明该分块区域内存在噪声影响的概率就越大，损伤区域越不明显。
表示分块区域内像素点的向量方向与分块区域的向量方向的夹角角度的sin值，其值越大说明该像素点与分块区域内的方向差异越大，该分块内受噪声影响的可能性就越大，损伤表现就越低。通过反映分块区域内像素点的方向的混乱性与分块区域内像素点的差异，其值越大则说明该分块区域内噪声影响的可能性就越大，损伤表现就越低。
示例性的，通过计算各奇异值个数对应的重构图像中的各分块区域的噪声干扰度，计算重构图像中分块区域的噪声干扰度大于0.8的分块个数，筛选出噪声干扰度大于0.8的分块区域的个数与分块区域总数的比例大于60%的图像，去掉筛选出的图像，以此去掉噪声干扰过多的图像，即去掉降噪效果不好的奇异值阈值，剩下的重构图像用于后续步骤分析。
当重构图像存在损失特征缺陷时，损失特征对应的像素点的灰度值较低，熔炼炉内边缘粗糙表面对应的像素点的灰度值较高，损伤区域在没有受到噪声影响的情况下，其损伤区域像素点的灰度特征统一度较高，且损伤区域像素点的灰度方向近似相同，当损伤区域受到噪声影响时，其损伤区域对应的像素点灰度特征统一度较低，同时噪声存在随机性，噪声干扰越小则小范围区域像素点的相似性越高，所以通过分块区域内像素点的相似性对像素点受噪声影响的可能性进行判断。
在其它实施例中，分块区域的噪声干扰度的计算公式为：
其中，表示分块区域的噪声干扰度，表示分块区域内像素点的灰度均值，表示分块区域内像素点的灰度方差，表示分块区域相邻的分块区域内像素点的灰度均值，表示分块区域的相邻分块区域内像素点的灰度方差，为分块区域向量，方向为分块区域内像素点梯度方向的单位向量之和，为第个分块区域的第个像素点的向量，的方向为分块区域中的第个像素点的梯度方向，表示分块区域内像素点个数，（）为归一化函数，表示向量与向量夹角的正弦值。
S5、计算第二组重构图像中每个图像中像素点的损伤度，损伤度表示像素点为损伤区域的概率。
像素点的损伤度的计算公式为：
其中，表示像素点的损伤度，表示图像中所有像素点的噪声干扰度均值，表示像素点的8邻域中第个像素点的噪声干扰度，表示像素点与8邻域中第个像素点的噪声干扰度差的绝对值，表示像素点的向量，方向为像素点的梯度方向，的大小为像素点所在分块区域的噪声干扰度，表示像素点的邻域像素点中第个像素点向量，表示像素点的邻域像素点个数。的方向为像素点的梯度方向，的大小为像素点所在分块区域的噪声干扰度。示例性的，以图像中像素点为例，将其所在分块区域的噪声干扰度作为该像素点的噪声干扰度，将像素点的梯度方向与对应的噪声干扰度，作为像素点向量的方向与大小，以此得到像素点的像素点向量，其像素点的邻域像素点的第个像素点向量记为。
的值越大则该像素点为损伤区域的概率就越大，反映像素点p与邻域像素点之间的变化幅度，值越大则受损伤区域的影响就越大。因为靠近损伤区域的周围像素点的灰度变化更快，所以通过体现该像素点与邻域的变化差异，值越大则受损伤的影响就越大，表示的范数。
因为损伤区域较小，同时在重构图像中正常的表面占大部分，损伤的影响范围较小，通过体现像素点与重构图像整体的差异关系，其值越大则该像素点受损伤的影响就越大。通过体现该像素点与邻域像素点的变化差异，值越大则受损伤的影响就越大。
S6、对重构图像中损伤度大于损伤阈值的像素点进行离群分析，对离群点最少的重构图像进行分析获得损伤区域。
在一个实施例中，对离群点最少的重构图像进行分析获得损伤区域方法为：通过lof算法对像素点进行离群分析。
在重构图像中，损失特征的像素点是成块出现的，通过损伤区域像素点的距离关系判断存在损伤可能性的像素点是噪声还是缺陷，对于重构图像中损伤度大于0.8的像素点，通过lof算法对各像素点的坐标进行密度计算，筛选出离群点最少的重构图像，使用大津法进行阈值分割得到精准的损伤区域的位置，从而能够更加准确地检测熔炼炉内的损伤区域。
在其它实施例中，对离群点最少的重构图像进行分析获得损伤区域方法为：对像素点进行聚类获得损伤区域。
通过对图像进行奇异值分解重构获得重构图像，然后通过优先度筛选出细节特征角度的重构图像，根据噪声干扰度筛选出受噪声干扰较小的重构图像，最后对筛选出来的重构图像进行离群分析，离群点最少的重构图像的奇异值即为最佳的奇异值阈值，其降噪效果最好，最后对离群点最少的重构图像进行分析获得损伤区域，提高了熔炼炉的检测精度，减少了噪声对损伤区域的影响。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。
Claims (8)
1.一种基于图像的金属熔炼设备检测方法，其特征在于，包括步骤：
将熔炼炉内边缘的灰度图像进行奇异值分解以获得多个奇异值，将奇异值从小到大依次叠加获得多个重构图像；
对每个重构图像进行分块，获得重构图像的多个分块区域；
将重构图像进行二值化处理得到二值图像，计算每个二值图像的优选度，将优先度大于优先度阈值的二值图像对应的重构图像作为第一组重构图像，优选度与二值图像中的四连通域的数量呈正相关；
计算第一组重构图像中每个图像分块区域的噪声干扰度，以及噪声干扰度小于干扰度阈值的分块区域的数量占比，将数量占比小于比例阈值的重构图像作为第二组重构图像，噪声干扰度的大小与分块区域像素点的灰度均值和灰度方差的乘积正相关；
计算第二组重构图像中每个图像像素点的损伤度，损伤度表示像素点为损伤区域的概率，对重构图像中损伤度大于损伤阈值的像素点进行离群分析，对离群点最少的重构图像进行分析获得损伤区域。
2.根据权利要求1所述的一种基于图像的金属熔炼设备检测方法，其特征在于，二值图像的优选度的计算公式为：
其中，表示层奇异值叠加重构图像对应的二值图像的优选度，表示二值图像中四连通域数量，表示二值图像对应的重构图像中第个分块区域的灰度方差，表示图像内分块区域的个数，（）为归一化函数。
3.根据权利要求1所述的一种基于图像的金属熔炼设备检测方法，其特征在于，分块区域的噪声干扰度的计算公式为：
其中，表示分块区域的噪声干扰度，表示分块区域内像素点的灰度均值，表示分块区域内像素点的灰度方差，表示分块区域相邻的分块区域内像素点的灰度均值，表示分块区域的相邻分块区域内像素点的灰度方差，为分块区域向量，方向为分块区域内像素点梯度方向的单位向量之和，为第个分块区域的第个像素点的向量，的方向为分块区域中的第个像素点的梯度方向，表示分块区域内像素点个数，（）为归一化函数，表示向量与向量夹角的正弦值。
4.根据权利要求1所述的一种基于图像的金属熔炼设备检测方法，其特征在于，分块区域的噪声干扰度的计算公式为：
其中，表示分块区域的噪声干扰度，表示分块区域内像素点的灰度均值，表示分块区域内像素点的灰度方差，表示分块区域相邻的分块区域内像素点的灰度均值，表示分块区域的相邻分块区域内像素点的灰度方差，为分块区域向量，方向为分块区域内像素点梯度方向的单位向量之和，为第个分块区域的第个像素点的向量，的方向为分块区域中的第个像素点的梯度方向，表示分块区域内像素点个数，（）为归一化函数，表示向量与向量夹角的正弦值。
5.根据权利要求1所述的一种基于图像的金属熔炼设备检测方法，其特征在于，像素点的损伤度的计算公式为：
其中，表示像素点的损伤度，表示图像中所有像素点的噪声干扰度均值，表示像素点的8邻域中第个像素点的噪声干扰度，表示像素点与8邻域中第个像素点的噪声干扰度差的绝对值，表示像素点的向量，方向为像素点的梯度方向，的大小为像素点所在分块区域的噪声干扰度，表示像素点的邻域像素点中第个像素点向量，表示像素点的邻域像素点个数。
6.根据权利要求1-5任一项所述的一种基于图像的金属熔炼设备检测方法，其特征在于，对离群点最少的重构图像进行分析获得损伤区域方法为：通过lof算法对像素点进行离群分析获得损伤区域。
7.根据权利要求1-5任一项所述的一种基于图像的金属熔炼设备检测方法，其特征在于，对离群点最少的重构图像进行分析获得损伤区域方法为：对像素点进行聚类获得损伤区域。
8.根据权利要求1-5任一项所述的一种基于图像的金属熔炼设备检测方法，其特征在于，利用大津阈值法对重构图像进行阈值分割得到损伤区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411155289.4A CN118691602A (zh) | 2024-08-22 | 2024-08-22 | 一种基于图像的金属熔炼设备检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411155289.4A CN118691602A (zh) | 2024-08-22 | 2024-08-22 | 一种基于图像的金属熔炼设备检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118691602A true CN118691602A (zh) | 2024-09-24 |
Family
ID=92772095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411155289.4A Pending CN118691602A (zh) | 2024-08-22 | 2024-08-22 | 一种基于图像的金属熔炼设备检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118691602A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003167529A (ja) * | 2001-11-30 | 2003-06-13 | Seiko Epson Corp | 画面欠陥検出方法及び装置並びに画面欠陥検出のためのプログラム |
| CN107085846A (zh) * | 2017-05-08 | 2017-08-22 | 湘潭大学 | 工件表面缺陷图像识别方法 |
| US20180350111A1 (en) * | 2017-06-01 | 2018-12-06 | Electronics And Telecommunications Research Institute | Imaging system and image reconstruction method using the same |
| CN113344903A (zh) * | 2021-06-25 | 2021-09-03 | 江南大学 | 一种基于变分自编码器的玻璃瑕疵检测方法 |
| CN113689420A (zh) * | 2021-09-03 | 2021-11-23 | 凌云光技术股份有限公司 | 电路板焊点缺陷检测方法、装置以及检测设备 |
-
2024
- 2024-08-22 CN CN202411155289.4A patent/CN118691602A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003167529A (ja) * | 2001-11-30 | 2003-06-13 | Seiko Epson Corp | 画面欠陥検出方法及び装置並びに画面欠陥検出のためのプログラム |
| CN107085846A (zh) * | 2017-05-08 | 2017-08-22 | 湘潭大学 | 工件表面缺陷图像识别方法 |
| US20180350111A1 (en) * | 2017-06-01 | 2018-12-06 | Electronics And Telecommunications Research Institute | Imaging system and image reconstruction method using the same |
| CN113344903A (zh) * | 2021-06-25 | 2021-09-03 | 江南大学 | 一种基于变分自编码器的玻璃瑕疵检测方法 |
| CN113689420A (zh) * | 2021-09-03 | 2021-11-23 | 凌云光技术股份有限公司 | 电路板焊点缺陷检测方法、装置以及检测设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
| CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
| CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
| Sridevi et al. | A survey on monochrome image segmentation methods | |
| CN110660065A (zh) | 一种红外故障检测识别算法 | |
| CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
| CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
| CN112115878B (zh) | 一种基于烟雾区域密度的森林火灾烟雾根节点检测方法 | |
| Luo et al. | Adaptive canny and semantic segmentation networks based on feature fusion for road crack detection | |
| CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
| CN112508913A (zh) | 基于图像检测的电缆截面边沿检测方法 | |
| CN115017707B (zh) | 一种基于像素法的2.5维编织复合材料建模方法 | |
| CN118691602A (zh) | 一种基于图像的金属熔炼设备检测方法 | |
| CN117455908B (zh) | 一种皮带机跑偏视觉检测方法及系统 | |
| Dong | A pixel-wise framework based on convolutional neural network for surface defect detection | |
| CN117975175A (zh) | 一种基于机器视觉的塑料管道外观缺陷检测方法 | |
| Hu et al. | Method for detecting micron cracks on a magnetic rotor surface based on a support vector machine | |
| CN112418241A (zh) | 一种基于红外成像技术的电力设备识别方法 | |
| Sheta et al. | Metaheuristic search algorithms for oil spill detection using sar images | |
| Varkonyi-Koczy | Fuzzy logic supported corner detection | |
| CN113379639B (zh) | 一种复杂环境中红外目标抗干扰检测跟踪方法 | |
| Bhardwaj et al. | Improved Road Crack Detection using Histogram Equalization based Fuzzy-C Means Technique | |
| CN115393325A (zh) | 织物疵点的检测方法和系统 | |
| Yan et al. | Infrared image segment and fault location for power equipment | |
| Saenthon et al. | Development of new edge-detection filter based on genetic algorithm: an application to a soldering joint inspection |
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 |