一种基于机器视觉的风机叶片缺陷自诊断定位方法.pdf
Ja****20
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于机器视觉的风机叶片缺陷自诊断定位方法.pdf
本发明公开一种基于机器视觉的风机叶片缺陷自诊断定位方法,具体面向风力发电机表面裂纹、麻面、点蚀、折断等缺陷的快速诊断、分类及定位。该方法通过CMOS摄像机、光源、控制盒及自动传输平台构成的机器视觉系统获取风机叶片各种缺陷样本数据集;采用中值滤波去除图像中的大部分噪声同时较为完整地保留了边缘细节信息;使用阈值分割和Blob分割法相结合,最大限度地减少图像处理复杂度,提高效率,快速剔除背景并标记缺陷位置;收集缺陷特征样本,依据样本特性创建基于颗粒特征向量的分类器,并对样本集合利用支持向量机进行决策分类,得到准
一种基于视觉的风机叶片结冰检测方法.pdf
本发明具体涉及一种基于视觉的风机叶片结冰检测方法,用于解决现有风机叶片结冰检测技术无法检测风机叶片全局结冰情况,以及现有检测方法无法在循环载荷或恶劣天气持续使用的问题。本发明包括如下步骤:步骤1制备叶片分割模型;步骤1.1收集风机正常运行状态下的图片制备成分割数据集;步骤1.2训练叶片分割模型;通过优化的SOLO_R50_3x模型建立的初始叶片分割模型获取图片中仅包含叶片的精细区域mask图;然后依据定位后的精细区域mask图进行边缘提取,获得分割后的新图;步骤2根据叶片分割模型处理得到的数据制备叶片结冰
一种基于机器视觉的两阶段主板图像缺陷检测及定位方法.pdf
本发明公开了一种基于机器视觉的两阶段主板图像缺陷检测及定位方法,该方法的第一阶段为目标识别网络,将原始图像输入至特征提取网络,获取融合特征图;构建RPN目标识别网络,输入融合特征图获得目标识别候选区域图像。第二阶段为轻量化缺陷检测网络,构建跨注意力机制的轻量化特征提取模块嵌入至基于通道压缩的生成对抗网络,对上一阶段输出的所有图像进行缺陷预测,依照异常分数在原始图像中检测缺陷及定位。本发明利用目标识别网络为缺陷检测网络输入候选区域图像,实现复杂检测场景下,为缺陷检测网络去除大量无关特征;结合有监督学习与无监
基于机器视觉的稻株识别与定位方法.pdf
本发明公开了一种基于机器视觉的稻株识别与定位方法,所述方法包括:通过探究影响成像质量的相关因素,构建可提高自然光下稻株与背景灰度值差异的图像采集系统;通过图像采集系统采集多幅稻株图像;利用彩色图像灰度化、PointFilter工具、自动确定阈值处理稻株图像,将稻株图像分割成植物和背景两个部分;划定检苗区,在检苗区内测算提取整穴稻株所用连通区域数;采用固定连通区域数和异点比较、动态定位方法定位稻株中心;根据稻株多本穴栽、茎基部成束、冠层松散的生长特点,结合茎基部直径和稻株保护区来判定定位是否准确,最后进行实
基于机器视觉的工件缺陷检测方法.pdf
本发明提供了一种基于机器视觉的工件缺陷检测方法。该方法首先采集法兰盘式工件的图像,对相机进行标定,获取标定误差,然后对工件轮廓进行亚像素边缘信息的提取,计算出拟合边缘到工件轮廓的距离,并通过比较该距离是否大于所给阈值判别工件外轮廓的破损情况,最后针对工件表面纹理复杂影响工件表面划痕与锈蚀分割的问题,采用基于像素分层采样的PixelNet卷积神经网络对表面缺陷进行分割。结果表明,本发明可以准确地检测出工件的外形缺陷和表面缺陷,并提高了算法鲁棒性。