[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113095359B - 一种射线图像标记信息检测方法及系统 - Google Patents

一种射线图像标记信息检测方法及系统 Download PDF

Info

Publication number
CN113095359B
CN113095359B CN202110245632.4A CN202110245632A CN113095359B CN 113095359 B CN113095359 B CN 113095359B CN 202110245632 A CN202110245632 A CN 202110245632A CN 113095359 B CN113095359 B CN 113095359B
Authority
CN
China
Prior art keywords
image
area block
marked area
information
neural network
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
CN202110245632.4A
Other languages
English (en)
Other versions
CN113095359A (zh
Inventor
姜洪权
胡启航
史志光
高建民
武小赛
王鹏星
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110245632.4A priority Critical patent/CN113095359B/zh
Publication of CN113095359A publication Critical patent/CN113095359A/zh
Application granted granted Critical
Publication of CN113095359B publication Critical patent/CN113095359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种射线图像标记信息检测方法，获得标记区域块及其在原始图像中的定位结果；构建标记区域块数据集；搭建卷积神经网络分类器，以处理图像数据的卷积神经网络作为分类器的主通道，并添加标记区域块图像自身信息作为辅助通道，在第一个全连接层前对两通道特征进行融合；将标记区域块图像数据和标记区域块位置尺寸信息作为卷积神经网络的输入，训练网络并最终输出标记区域块属于各类别的概率；聚合相同类别的标记区域块，区分不同类别的标记区域块，获得射线图像标记信息的最终检测结果。本发明能够快速有效的解决排布松散、特征相似的标记信息目标检测问题，提高了工作效率，为后续射线检测图像的研究打下了良好的基础。

Description

一种射线图像标记信息检测方法及系统
技术领域
本发明属于射线图像标记信息检测技术领域，具体涉及一种射线图像标记信息检测方法及系统。
背景技术
目前，无损检测行业中，射线检测是检测焊缝内部缺陷的重要无损检测手段，通常利用射线照射被检测的工件，获得与工件内部缺陷和结构对应的射线底片进行缺陷检测。在射线底片中，标记信息是整张底片的唯一标识信息，其信息内容和摆放位置不仅标志本张底片的信息，同时也是底片自身质量的重要因素。因此对标记信息进行检测，获得标记信息的位置和类别，有利于射线底片的数字化或辅助评片过程，同时也可以为其他方面的研究提供研究基础。
射线图像的标记信息包含识别标记、定位标记和像质计标记等。在图像中，标记信息的种类多、特征相似、覆盖范围大、位置松散。虽然目前在目标检测和目标定位方面有广泛的研究，但是其研究多是针对于目标聚集的情况。在目标分类方面，基于传统机器学习的目标检测方法对特征相似的目标也难以区分。因此如何将底片中位置松散、特征相似的不同标记进行正确的检测和标识，是底片标记信息检测面临的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种射线图像标记信息检测方法及系统，解决现有标记信息位置松散、特征相似、传统方法不易区分其类别的问题，进一步提高射线图像标记信息检测和识别的精度。
本发明采用以下技术方案：
一种射线图像标记信息检测方法，包括以下步骤：
S1、对原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点和积分投影操作，获得标记区域块；
S2、对步骤S1获得的标记区域块进行数据增强和数据归一化处理，构建标记区域块数据集；
S3、搭建卷积神经网络分类器，将处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块自身信息作为辅助通道，在第一个全连接层前将特征与卷积神经网络主通道提取的特征进行融合得到新的特征集合；最后通过Softmax函数，获得输出类别的概率信息；
S4、将步骤S2构建的标记区域块数据集分为训练集和测试集；将训练集的标记区域块图像数据和标记区域块位置尺寸信息作为步骤S3搭建的卷积神经网络分类器的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果；
S5、根据步骤S4标记区域块的分类结果进行聚合或区分：对不同类的标记块进行类别区分，对相同类的标记块进行区域聚合，得到最终的射线图像标记信息检测结果。
具体的，步骤S1具体为：
S101、读入射线图像并将其灰度化，得到灰度图像f(x,y)；利用双边滤波函数对灰度图像进行去噪平滑处理，得到去噪后的图像I(x,y)；采用Canny边缘检测算子对去噪后的灰度图像进行边缘检测，获得包含边缘信息的二值图像；
S102、采用数学形态学中的膨胀运算，对边缘进行连接，得到具有连续边界的图像后，在图像内部确认一点，设为初始种子点B0，然后以B0为基准进行循环膨胀，得到区域填充后的二值化图像，删除二值化图像中的白色干扰点，得到去除干扰点的填充图像；
S103、采用水平积分投影，对二值化图像上的标记信息进行水平位置定位；采用垂直积分投影，对二值化图像上的标记信息进行竖直位置定位，在积分投影中，搜索满足条件的峰值，去除宽度小于标记字符高度的峰，根据峰间间隔小于字符高度的空隙进行合并，得到标记信息在原始射线图像的位置信息，形成标记区域块。
具体的，步骤S2具体为：
S201、对射线图像进行处理，制作标记区域块数据集所需的图像信息；
S202、对原始射线图像进行旋转180°、水平翻转和竖直翻转等方式的处理，增加样本图像数量，根据步骤S201扩充标记区域块数据集；
S203、对标记区域块图像进行尺寸归一化预处理，高归一化为64，宽按比例归一化为64的整数倍，规范标记区域块数据集的样本标准。
具体的，步骤S3具体为：
在卷积池化层和全连接层之间增加数据归一池化层，用于将全连接层的输入数据归一化为标准尺寸；构建标记区域块自身信息通道为辅助通道，在标记区域块图像作为输入进入网络的同时，标记区域块自身特征信息以特征向量的形式通过辅助通道直接传递到全连接层前，在第一个全连接层之前，将标记区域块图像自身特征信息与卷积神经网络主通道提取到的特征进行融合，得到新的特征集合，对图像特征进行强化；卷积神经网络最后通过Softmax函数，获得输出类别的概率信息P(Y＝Yi)，实现标记区域块的分类。
进一步的，卷积神经网络分类器主通道前半部分结构包括三个卷积层+卷积层+池化层的结构，卷积层通道数依次为16、16、32、32、64、64，卷积核滤波器大小均为3×3；每层卷积操作后都采用ReLU函数作为激活函数；采用最大池化策略，池化窗口大小为2×2，步幅为2；
卷积神经网络分类器后半部分结构是两个全连接层+Dropout的结构，Dropout的比率取为0.5。
进一步的，概率信息P(Y＝Yi)具体为：
其中，Y表示标记区域块的输出，Yi表示标记区域块输出属于第i类结果，e为自然对数函数的底数，k表示标记区域块种类的总数。
具体的，步骤S4具体为：
S401、将标记区域块数据集按照4：1的比例随机分为训练集和测试集；
S402、将训练集的标记区域块图像数据作为卷积神经网络主通道的输入，标记区域块位置尺寸信息作为卷积神经网络辅助通道的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果。
具体的，步骤S5具体为：
标记区域块被分类之后，当标记块被分成不同类别时，则将标记块视为不同的类别，进行区分；
标记区域块被分类之后，当标记块被分成相同的类别时，如果定位信息处于相同的行，进行聚合；如果处于不同的行，不进行聚合；
根据标记区域块聚合规则，获得射线图像标记信息的最终检测结果。
进一步的，标记区域块聚合规则表示如下：
其中，⊙表示聚合符号，Ai,Aj表示任意两个不相同的标记区域块，A表示聚合后的标记区域块，其类别与Ai和Aj相同。
本发明的另一个技术方案是，一种射线图像标记信息检测系统，包括：
预处理模块，对原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点和积分投影操作，获得标记区域块；
归一化模块，对预处理模块获得的标记区域块进行数据增强和数据归一化处理，构建标记区域块数据集；
神经网络模块，搭建卷积神经网络分类器，将处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块自身信息作为辅助通道，在第一个全连接层前将其特征与卷积神经网络主通道提取的特征进行融合得到新的特征集合；最后通过Softmax函数，获得输出类别的概率信息；
训练模块，将归一化模块构建的标记区域块数据集分为训练集和测试集；将训练集的标记区域块图像数据和标记区域块位置尺寸信息作为神经网络模块搭建的卷积神经网络分类器的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果；
检测模块，根据训练模块标记区域块的分类结果进行聚合或区分：对不同类的标记块进行类别区分，对相同类的标记块进行区域聚合，得到最终的射线图像标记信息检测结果。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于改进的卷积神经网络和聚合规则的射线图像标记信息检测方法，基于边缘检测、区域填充和积分投影等流程快速获得标记区域块在原始射线图像的位置；通过对卷积神经网络分类器的改进，提取更多的特征；通过训练改进的卷积神经网络分类器，实现对标记区域块图像类型的准确识别；通过制定标记区域块聚合规则，实现对同类别标记区域块检测结果的聚合。最终解决射线图像中标记信息种类多、特征相似、覆盖范围大、位置松散、检测困难的问题，实现对射线图像中标记信息的检测。
进一步的，采用图像去噪、边缘检测、区域填充等操作，使原始射线图像转化为二值化图像，并采用积分投影操作，提高定位速度和效率。采用双边滤波函数对灰度化的图像进行去噪，解决了Canny边缘检测后图像存在少量孤立的点的问题，且Canny算子的边缘检测比较丰富和准确，没有信息丢失，较其他算子的边缘检测结果更好。采用图像膨胀操作，解决了标记信息边缘处理后边缘不连续的问题，为区域填充提供操作基础。
进一步的，通过图像旋转、翻转等处理方式，扩充了标记区域块数据集的规模，增强了数据集的复杂性，提高了数据集的可靠性。通过将标记区域块图像进行尺寸归一化预处理，提高了图像对网络的适应性，可以作为图像输入直接输入卷积神经网络。
进一步的，图像尺寸归一化后，图像的宽进行自适应调整，并不完全一致。由于全连接层需要固定输入向量的维数，因此输入图片的尺寸大小不一致时，会对全连接层的链接产生影响。在卷积池化层和全连接层之间增加数据归一池化层，用于将全连接层的输入数据归一化为标准尺寸。同时图像的宽进行自适应调整后，可以最大化地保留图片中的信息，确保卷积神经网络提取到更多的特征。
进一步的，在卷积神经网络分类器中，搭建处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块图像自身信息作为辅助通道，在第一个全连接层之前，将其与卷积神经网络主通道提取的特征进行融合得到新的特征集合，对图像特征进行强化，增强了模型的特征提取能力和全面性。
进一步的，通过搭建多个卷积池化结构，增加了卷积神经网络的深度，有助于提高网络特征提取的性能，将卷积核大小和池化窗口大小分别设置为统一大小，有利于提高卷积神经网络的计算和运行速度。
进一步的，采用Softmax函数作为分类器，可以得到基于概率形式的标记区域块输出结果，有助于根据数值大小判断标记区域块所属类别。
进一步的，分别将标记区域块图像数据和位置尺寸信息作为分类器主通道的输入和辅助通道的输入，训练并得到符合精度要求的模型分类器。
进一步的，通过聚合规则作为标记区域块聚合的准则，实现标记信息的聚合和区分，获得最终射线图像标记信息的检测结果。
进一步的，利用标记区域块聚合规则，将类型相同且位于同一水平位置的标记区域块聚合为相同类型，实现标记信息的检测。
综上所述，本发明解决了射线图像标记信息位置松散、覆盖范围大、特征相似、检测困难的问题，快速准确的实现对射线图像中标记信息的检测。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程图；
图2为射线图像原始图像；
图3为双边滤波和Canny边缘检测后的射线图像；
图4为区域填充和去除干扰点后的射线图像；
图5为水平积分投影灰度分布图；
图6为垂直积分投影灰度分布图；
图7为标记区域块数据集图像样本；
图8为本发明神经网络模型图；
图9为射线图像标记信息最终检测结果图像。
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。
应当理解，当在本说明书和所附权利要求书中使用时，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。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于改进的卷积神经网络和聚合规则的射线图像标记信息检测方法，针对射线图像，基于滤波降噪、边缘检测、区域填充、去除干扰点、积分投影等操作，得到标记区域块及其在原始图像中的定位结果；对标记区域块图像进行旋转、翻转、归一化等处理，构建标记区域块数据集；搭建卷积神经网络分类器，以处理图像数据的卷积神经网络作为分类器的主通道，并添加标记区域块图像自身信息作为辅助通道，在第一个全连接层前对两通道特征进行融合；将标记区域块图像数据和标记区域块位置尺寸信息作为卷积神经网络的输入，训练网络并最终输出标记区域块属于各类别的概率；最后采用聚合规则，聚合相同类别的标记区域块，区分不同类别的标记区域块，获得射线图像标记信息的最终检测结果。
请参阅图1，本发明一种射线图像标记信息检测方法，包括以下步骤：
S1、输入原始图像，将原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点、积分投影等操作，得到标记区域块及其在原始图像中的定位结果；
S101、读入射线图像并将其灰度化，得到灰度图像f(x,y)；利用双边滤波函数对灰度图像进行去噪平滑处理，得到去噪后的图像I(x,y)，双边滤波函数公式为：
其中，σd为基于高斯函数的空间标准差，σr为基于高斯函数的灰度标准差。采用Canny边缘检测算子对去噪后的灰度图像进行边缘检测，获得包含边缘信息的二值图像；
S102、针对边缘图像中边缘信息的不连续现象，采用数学形态学中的膨胀运算，对边缘进行连接，以消除断点，其中A被B膨胀表示为：
得到具有连续边界的图像后，在图像内部确认一点，设为初始种子点B0，然后以此点为基准，进行循环膨胀，得到区域填充后的二值化图像。其中循环膨胀表示为：
删除二值化图像中的白色干扰点，得到去除干扰点的填充图像；
S103、采用水平积分投影，对二值化图像上的标记信息进行水平位置定位，水平积分投影函数为：
采用垂直积分投影，对二值化图像上的标记信息进行竖直位置定位，垂直积分投影函数为：
在积分投影中，搜索满足一定条件的峰值(即标记信息对应的区域)，对于宽度小于标记字符高度的峰进行去除，根据峰间间隔小于字符高度的空隙进行合并，得到标记信息在原始射线图像的位置信息，形成标记区域块。
S2、整理标记区域块图像，并进行旋转、翻转、归一化等处理，构建标记区域块数据集；
S201、根据步骤S1的流程，对射线图像进行处理，制作标记区域块数据集所需的图像信息；
S202、对原始射线图像进行旋转180°、水平翻转和竖直翻转等方式的处理，增加样本图像数量，根据步骤S201，扩充标记区域块数据集；
S203、对标记区域块图像进行尺寸归一化预处理，高归一化为64，宽按比例归一化为64的整数倍，规范标记区域块数据集的样本标准。
S3、搭建卷积神经网络分类器，以处理图像数据的卷积神经网络作为分类器的主通道，并添加标记区域块自身信息通道为辅助通道，并在第一个全连接层前进行特征融合；
S301、卷积神经网络分类器主通道前半部分结构包括三个“卷积层+卷积层+池化层”的结构，卷积层通道数依次为16、16、32、32、64、64，卷积核滤波器大小均为3×3。每层卷积操作后都采用ReLU函数作为激活函数。采用最大池化策略，池化窗口大小为2×2，步幅为2；
S302、卷积神经网络分类器后半部分结构是两个“全连接层+Dropout”的结构，Dropout的比率取为0.5；
S303、卷积池化层和全连接层之间增加数据归一池化层，用于将全连接层的输入数据归一化为标准尺寸；
S304、构建标记区域块自身信息通道为辅助通道，在标记区域块图像作为输入进入网络的同时，标记区域块自身特征信息(尺寸及在原始图像中的位置)以特征向量的形式通过辅助通道直接传递到全连接层前，在第一个全连接层之前，将标记区域块图像自身特征信息与卷积神经网络主通道提取到的特征进行融合，得到新的特征集合，对图像特征进行强化；
S305、卷积神经网络最后通过Softmax函数，获得输出类别的概率信息P(Y＝Yi)，概率信息的公式为：
其中，Yi表示标记区域块所属第i类输出结果。实现标记区域块的分类。
S4、将标记区域块图像数据和标记区域块位置尺寸信息作为卷积神经网络的输入，训练网络并最终输出标记区域块属于各类别的概率；
S401、将标记区域块数据集按照4：1的比例随机分为训练集和测试集；
S402、将训练集的标记区域块图像数据作为卷积神经网络主通道的输入，标记区域块位置尺寸信息作为卷积神经网络辅助通道的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果。
S5、采用聚合规则，聚合相同类别的标记区域块，区分不同类别的标记区域块，获得射线图像标记信息的最终检测结果；
S501、标记区域块被分类之后，当标记块被分成不同类别时，则将标记块视为不同的类别，对其进行区分；
S502、标记区域块被分类之后，当标记块被分成相同的类别时，如果它们的定位信息处于相同的行，则进行聚合；如果处于不同的行，则不进行聚合。
S503、标记区域块聚合规则表达式为：
其中，⊙表示聚合符号，Ai,Aj表示任意两个不相同的标记区域块，A表示聚合后的标记区域块，其类别与Ai和Aj相同。
通过上述步骤，获得射线图像标记信息的最终检测结果。
本发明再一个实施例中，提供一种射线图像标记信息检测方法系统，该系统能够用于实现上述射线图像标记信息检测方法，具体的，该射线图像标记信息检测系统包括预处理模块、归一化模块、神经网络模块、训练模块以及检测模块。
其中，预处理模块，对原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点和积分投影操作，获得标记区域块；
归一化模块，对预处理模块获得的标记区域块进行数据增强和数据归一化处理，构建标记区域块数据集；
神经网络模块，搭建卷积神经网络分类器，将处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块自身信息作为辅助通道，在第一个全连接层前将其特征与卷积神经网络主通道提取的特征进行融合得到新的特征集合；最后通过Softmax函数，获得输出类别的概率信息；
训练模块，将归一化模块构建的标记区域块数据集分为训练集和测试集；将训练集的标记区域块图像数据和标记区域块位置尺寸信息作为神经网络模块搭建的卷积神经网络分类器的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果；
检测模块，根据训练模块标记区域块的分类结果进行聚合或区分：对不同类的标记块进行类别区分，对相同类的标记块进行区域聚合，得到最终的射线图像标记信息检测结果。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于射线图像标记信息检测方法的操作，包括：
对原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点和积分投影操作，获得标记区域块；对获得的标记区域块进行数据增强和数据归一化处理，构建标记区域块数据集；搭建卷积神经网络分类器，将处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块自身信息作为辅助通道，在第一个全连接层前将其特征与卷积神经网络主通道提取的特征进行融合得到新的特征集合；最后通过Softmax函数，获得输出类别的概率信息；将构建的标记区域块数据集分为训练集和测试集；将训练集的标记区域块图像数据和标记区域块位置尺寸信息作为搭建的卷积神经网络分类器的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果；根据标记区域块的分类结果进行聚合或区分：对不同类的标记块进行类别区分，对相同类的标记块进行区域聚合，得到最终的射线图像标记信息检测结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关射线图像标记信息检测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
对原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点和积分投影操作，获得标记区域块；对获得的标记区域块进行数据增强和数据归一化处理，构建标记区域块数据集；搭建卷积神经网络分类器，将处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块自身信息作为辅助通道，在第一个全连接层前将其特征与卷积神经网络主通道提取的特征进行融合得到新的特征集合；最后通过Softmax函数，获得输出类别的概率信息；将构建的标记区域块数据集分为训练集和测试集；将训练集的标记区域块图像数据和标记区域块位置尺寸信息作为搭建的卷积神经网络分类器的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果；根据标记区域块的分类结果进行聚合或区分：对不同类的标记块进行类别区分，对相同类的标记块进行区域聚合，得到最终的射线图像标记信息检测结果。
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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
以某大型燃气轮机实际探测过程中产生的射线图像为例，进行标记信息的检测。
S1、输入原始图像，将原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点、积分投影等操作，得到标记区域块及其在原始图像中的定位结果；
S101、读入射线图像，如图2所示，并将其灰度化，得到灰度图像f(x,y)。利用双边滤波函数对灰度图像进行去噪平滑处理，得到去噪后的图像I(x,y)，双边滤波函数公式为：
其中，σd为基于高斯函数的空间标准差，σr为基于高斯函数的灰度标准差。采用Canny边缘检测算子对去噪后的灰度图像进行边缘检测，获得包含边缘信息的二值图像，如图3所示；
S102、针对边缘图像中边缘信息的不连续现象，采用数学形态学中的膨胀运算，对边缘进行连接，以消除断点，其中A被B膨胀表示为：
得到具有连续边界的图像后，在图像内部确认一点，设为初始种子点B0，然后以此点为基准，进行循环膨胀，得到区域填充后的二值化图像。其中循环膨胀表示为：
删除二值化图像中填充面积小对象，得到去除干扰点的填充图像，如图4所示；
S103、采用水平积分投影，对二值化图像上的标记信息进行水平位置定位，水平积分投影灰度分布如图5所示，水平积分投影函数为：
采用垂直积分投影，对二值化图像上的标记信息进行竖直位置定位，垂直积分投影灰度分布如图6所示，垂直积分投影函数为：
在积分投影中，搜索满足一定条件的峰值(即标记信息对应的区域)，对于宽度小于标记字符高度的峰进行去除，根据峰间间隔小于字符高度的空隙进行合并，得到标记信息在原始射线图像的位置信息，形成标记区域块。
S2、整理标记区域块图像，并进行旋转、翻转、归一化等处理，构建标记区域块数据集；
S201、根据步骤S1的流程，对射线图像进行处理，制作标记区域块数据集所需的图像信息；
S202、对原始射线图像进行旋转180°、水平翻转和竖直翻转等方式的处理，增加样本图像数量，根据步骤S201，扩充标记区域块数据集；
S203、对标记区域块图像进行尺寸归一化预处理，高归一化为64，宽按比例归一化为64的整数倍，规范标记区域块数据集的样本标准。
通过上述方式制作标记区域块数据集，共得到1360张样本图像，其中包括800张标距带图像、80张产品编号图像、120张焊缝编号图像、100张透照日期图像、200张像质计图像、60张中心标记图像，部分数据样本如图7所示。
S3、搭建卷积神经网络分类器，以处理图像数据的卷积神经网络作为分类器的主通道，并添加标记区域块自身信息通道为辅助通道，并在第一个全连接层前进行特征融合；
S301、卷积神经网络分类器主通道前半部分结构包括三个“卷积层+卷积层+池化层”的结构，卷积层通道数依次为16、16、32、32、64、64，卷积核滤波器大小均为3×3。每层卷积操作后都采用ReLU函数作为激活函数。采用最大池化策略，池化窗口大小为2×2，步幅为2；
S302、卷积神经网络分类器后半部分结构是两个“全连接层+Dropout”的结构，Dropout的比率取为0.5；
S303、卷积池化层和全连接层之间增加数据归一池化层，用于将全连接层的输入数据归一化为标准尺寸；
S304、构建标记区域块自身信息通道为辅助通道，在标记区域块图像作为输入进入网络的同时，标记区域块自身特征信息(尺寸及在原始图像中的位置)以特征向量的形式通过辅助通道直接传递到全连接层前，在第一个全连接层之前，将标记区域块图像自身特征信息与卷积神经网络主通道提取到的特征进行融合，得到新的特征集合，对图像特征进行强化；
S305、卷积神经网络最后通过Softmax函数，获得输出类别的概率信息P(Y＝Yi)，概率信息的公式为：
其中Yi表示标记区域块所属第i类输出结果。实现标记区域块的分类，网络模型如图8所示。
S4、将标记区域块图像数据和标记区域块位置尺寸信息作为卷积神经网络的输入，训练网络并最终输出标记区域块属于各类别的概率；
S401、将标记区域块数据集按照4：1的比例随机分为训练集和测试集；
S402、将训练集的标记区域块图像数据作为卷积神经网络主通道的输入，标记区域块位置尺寸信息作为卷积神经网络辅助通道的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果。
将制作的数据集输入神经网络进行分类训练和预测，模型的测试精度约为80％，表1展示了测试集各类标记信息的识别结果。
S5、采用聚合规则，聚合相同类别的标记区域块，区分不同类别的标记区域块，获得射线图像标记信息的最终检测结果，如图9所示；
S501、标记区域块被分类之后，当标记块被分成不同类别时，则将标记块视为不同的类别，对其进行区分；
S502、标记区域块被分类之后，当标记块被分成相同的类别时，如果它们的定位信息处于相同的行，则进行聚合；如果处于不同的行，则不进行聚合。
S503、标记区域块聚合规则表达式为：
其中⊙表示聚合符号，Ai,Aj表示任意两个不相同的标记区域块，A表示聚合后的标记区域块，其类别与Ai和Aj相同。
针对标记信息排布松散、特征相似的射线底片图像，本发明能够快速有效的对标记信息进行目标检测，提高了工作效率，为后续射线检测图像的研究打下了良好的基础。
综上所述，本发明一种射线图像标记信息检测方法，本发明快速有效的解决排布松散、特征相似的标记信息目标检测问题，提高了工作效率，为后续射线检测图像的研究打下了良好的基础。。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.一种射线图像标记信息检测方法，其特征在于，包括以下步骤：
S1、对原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点和积分投影操作，获得标记区域块；
S2、对步骤S1获得的标记区域块进行数据增强和数据归一化处理，构建标记区域块数据集；
S3、搭建卷积神经网络分类器，将处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块自身信息作为辅助通道，在第一个全连接层前将特征与卷积神经网络主通道提取的特征进行融合得到新的特征集合；最后通过Softmax函数，获得输出类别的概率信息，具体为：
在卷积池化层和全连接层之间增加数据归一池化层，用于将全连接层的输入数据归一化为标准尺寸；构建标记区域块自身信息通道为辅助通道，在标记区域块图像作为输入进入网络的同时，标记区域块自身特征信息以特征向量的形式通过辅助通道直接传递到全连接层前，在第一个全连接层之前，将标记区域块图像自身特征信息与卷积神经网络主通道提取到的特征进行融合，得到新的特征集合，对图像特征进行强化；卷积神经网络最后通过Softmax函数，获得输出类别的概率信息P(Y＝Yi)，实现标记区域块的分类；
S4、将步骤S2构建的标记区域块数据集分为训练集和测试集；将训练集的标记区域块图像数据和标记区域块位置尺寸信息作为步骤S3搭建的卷积神经网络分类器的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果；
S5、根据步骤S4标记区域块的分类结果进行聚合或区分：对不同类的标记块进行类别区分，对相同类的标记块进行区域聚合，得到最终的射线图像标记信息检测结果，具体为：标记区域块被分类之后，当标记块被分成不同类别时，则将标记块视为不同的类别，进行区分；标记区域块被分类之后，当标记块被分成相同的类别时，如果定位信息处于相同的行，进行聚合；如果处于不同的行，不进行聚合；根据标记区域块聚合规则，获得射线图像标记信息的最终检测结果。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
S101、读入射线图像并将其灰度化，得到灰度图像f(x,y)；利用双边滤波函数对灰度图像进行去噪平滑处理，得到去噪后的图像I(x,y)；采用Canny边缘检测算子对去噪后的灰度图像进行边缘检测，获得包含边缘信息的二值图像；
S102、采用数学形态学中的膨胀运算，对边缘进行连接，得到具有连续边界的图像后，在图像内部确认一点，设为初始种子点B0，然后以B0为基准进行循环膨胀，得到区域填充后的二值化图像，删除二值化图像中的白色干扰点，得到去除干扰点的填充图像；
S103、采用水平积分投影，对二值化图像上的标记信息进行水平位置定位；采用垂直积分投影，对二值化图像上的标记信息进行竖直位置定位，在积分投影中，搜索满足条件的峰值，去除宽度小于标记字符高度的峰，根据峰间间隔小于字符高度的空隙进行合并，得到标记信息在原始射线图像的位置信息，形成标记区域块。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
S201、对射线图像进行处理，制作标记区域块数据集所需的图像信息；
S202、对原始射线图像进行旋转180°、水平翻转和竖直翻转等方式的处理，增加样本图像数量，根据步骤S201扩充标记区域块数据集；
S203、对标记区域块图像进行尺寸归一化预处理，高归一化为64，宽按比例归一化为64的整数倍，规范标记区域块数据集的样本标准。
4.根据权利要求1所述的方法，其特征在于，步骤S3中，卷积神经网络分类器主通道前半部分结构包括三个卷积层+卷积层+池化层的结构，卷积层通道数依次为16、16、32、32、64、64，卷积核滤波器大小均为3×3；每层卷积操作后都采用ReLU函数作为激活函数；采用最大池化策略，池化窗口大小为2×2，步幅为2；卷积神经网络分类器后半部分结构是两个全连接层+Dropout的结构，Dropout的比率取为0.5。
5.根据权利要求1所述的方法，其特征在于，步骤S3中，概率信息P(Y＝Yi)具体为：
其中，Y表示标记区域块的输出，Yi表示标记区域块输出属于第i类结果，e为自然对数函数的底数，k表示标记区域块种类的总数。
6.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
S401、将标记区域块数据集按照4：1的比例随机分为训练集和测试集；
S402、将训练集的标记区域块图像数据作为卷积神经网络主通道的输入，标记区域块位置尺寸信息作为卷积神经网络辅助通道的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果。
7.根据权利要求1所述的方法，其特征在于，步骤S5中，标记区域块聚合规则表示如下：
其中，⊙表示聚合符号，Ai,Aj表示任意两个不相同的标记区域块，A表示聚合后的标记区域块，其类别与Ai和Aj相同。
8.一种射线图像标记信息检测系统，其特征在于，包括：
预处理模块，对原始图像进行灰度化、滤波降噪、边缘检测、区域填充、去除干扰点和积分投影操作，获得标记区域块；
归一化模块，对预处理模块获得的标记区域块进行数据增强和数据归一化处理，构建标记区域块数据集；
神经网络模块，搭建卷积神经网络分类器，将处理图像数据的卷积神经网络作为分类器的主通道，添加标记区域块自身信息作为辅助通道，在第一个全连接层前将其特征与卷积神经网络主通道提取的特征进行融合得到新的特征集合；最后通过Softmax函数，获得输出类别的概率信息，具体为：
在卷积池化层和全连接层之间增加数据归一池化层，用于将全连接层的输入数据归一化为标准尺寸；构建标记区域块自身信息通道为辅助通道，在标记区域块图像作为输入进入网络的同时，标记区域块自身特征信息以特征向量的形式通过辅助通道直接传递到全连接层前，在第一个全连接层之前，将标记区域块图像自身特征信息与卷积神经网络主通道提取到的特征进行融合，得到新的特征集合，对图像特征进行强化；卷积神经网络最后通过Softmax函数，获得输出类别的概率信息P(Y＝Yi)，实现标记区域块的分类；
训练模块，将归一化模块构建的标记区域块数据集分为训练集和测试集；将训练集的标记区域块图像数据和标记区域块位置尺寸信息作为神经网络模块搭建的卷积神经网络分类器的输入，训练卷积神经网络分类器，将测试集作为训练好的卷积神经网络分类器的输入，输出标记区域块所属类别的结果；
检测模块，根据训练模块标记区域块的分类结果进行聚合或区分：对不同类的标记块进行类别区分，对相同类的标记块进行区域聚合，得到最终的射线图像标记信息检测结果，具体为：标记区域块被分类之后，当标记块被分成不同类别时，则将标记块视为不同的类别，进行区分；标记区域块被分类之后，当标记块被分成相同的类别时，如果定位信息处于相同的行，进行聚合；如果处于不同的行，不进行聚合；根据标记区域块聚合规则，获得射线图像标记信息的最终检测结果。
CN202110245632.4A 2021-03-05 2021-03-05 一种射线图像标记信息检测方法及系统 Active CN113095359B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110245632.4A CN113095359B (zh) 2021-03-05 2021-03-05 一种射线图像标记信息检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110245632.4A CN113095359B (zh) 2021-03-05 2021-03-05 一种射线图像标记信息检测方法及系统

Publications (2)

Publication Number Publication Date
CN113095359A CN113095359A (zh) 2021-07-09
CN113095359B true CN113095359B (zh) 2023-09-12

Family

ID=76666737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110245632.4A Active CN113095359B (zh) 2021-03-05 2021-03-05 一种射线图像标记信息检测方法及系统

Country Status (1)

Country Link
CN (1) CN113095359B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
CN109829443A (zh) * 2019-02-23 2019-05-31 重庆邮电大学 基于图像增强与3d卷积神经网络的视频行为识别方法
WO2020048265A1 (zh) * 2018-09-06 2020-03-12 北京市商汤科技开发有限公司 多级目标分类及交通标志检测方法和装置、设备、介质
CN112288074A (zh) * 2020-08-07 2021-01-29 京东安联财产保险有限公司 图像识别网络生成方法及装置、存储介质及电子设备
CN112435198A (zh) * 2020-12-03 2021-03-02 西安交通大学 一种焊缝射线检测底片图像增强方法、存储介质及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214195A1 (zh) * 2017-05-25 2018-11-29 中国矿业大学 一种基于卷积神经网络的遥感图像桥梁检测方法
WO2020048265A1 (zh) * 2018-09-06 2020-03-12 北京市商汤科技开发有限公司 多级目标分类及交通标志检测方法和装置、设备、介质
CN109829443A (zh) * 2019-02-23 2019-05-31 重庆邮电大学 基于图像增强与3d卷积神经网络的视频行为识别方法
CN112288074A (zh) * 2020-08-07 2021-01-29 京东安联财产保险有限公司 图像识别网络生成方法及装置、存储介质及电子设备
CN112435198A (zh) * 2020-12-03 2021-03-02 西安交通大学 一种焊缝射线检测底片图像增强方法、存储介质及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田清越 ; 高志荣 ; 熊承义 ; 陈少波 ; .联合边缘增强的MSER自然场景文本检测.小型微型计算机系统.2017,(第11期),全文. *

Also Published As

Publication number Publication date
CN113095359A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
US8548253B2 (en) Fast line linking
CN109740606A (zh) 一种图像识别方法及装置
US9129156B2 (en) Method for detecting and recognizing an object in an image, and an apparatus and a computer program therefor
CN113781391A (zh) 图像缺陷检测方法以及相关设备
CN113095267B (zh) 统计图的数据提取方法、电子设备和存储介质
CN113240623A (zh) 一种路面病害检测方法及装置
CN113609984A (zh) 一种指针式仪表读数识别方法、装置及电子设备
CN115690670A (zh) 一种晶圆瑕疵智能识别方法和系统
CN111814852A (zh) 图像检测方法、装置、电子设备和计算机可读存储介质
CN115082444A (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN111968115A (zh) 基于栅格化图像处理方法的骨科耗材检测方法及系统
CN112633327B (zh) 分阶段金属表面缺陷检测方法、系统、介质、设备及应用
CN118135179B (zh) 切割板件的级联识别方法、装置、计算机设备和存储介质
CN113095359B (zh) 一种射线图像标记信息检测方法及系统
CN113822836B (zh) 标记图像的方法
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN111047614B (zh) 一种基于特征提取的复杂场景图像的目标角点提取方法
CN117576717A (zh) 工程图纸的识别方法、设备及存储介质
CN117593420A (zh) 基于图像处理的平面图纸标注方法、装置、介质及设备
CN116681647A (zh) 一种基于无监督生成式的彩涂板表面缺陷检测方法和装置
CN113191351B (zh) 数字电表的示数识别方法及装置、模型训练方法及装置
CN112308842B (zh) 一种基于印刷品图像的定位核自动提取方法
CN111599080B (zh) 拼接纸币的检测方法、装置、金融机具设备及存储介质
CN112199984A (zh) 一种大尺度遥感图像的目标快速检测方法
CN111369508A (zh) 一种金属三维点阵结构的缺陷检测方法及系统

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
GR01 Patent grant