申请/专利权人：太原理工大学

申请日：2018-09-21

公开（公告）日：2020-07-24

公开（公告）号：CN109178831B

主分类号：B65G43/02(20060101)

分类号：B65G43/02(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.07.24#授权;2019.02.12#实质审查的生效;2019.01.11#公开

摘要：本发明公开了一种皮带机纵向撕裂检测方法的步骤包括：采集皮带机运行的视频，转换为视频图像，建立视频关键帧库，并对视频图像基于图像R、G、B三通道特征进行灰度处理；对处理后的视频图像数据进行镜头分割，并对镜头分割后的视频图像进行特征提取和边缘匹配；将筛选出的特征值还原为关键帧序列，对所获得的关键帧，采用SVM多分类技术，检测出皮带机的纵向撕裂。通过本发明，避免了现有算法随数据量的增加而变复杂的现状，在速度和效果上都取得了很大的进步，同时解决了图像分辨率低，边缘信息丢失的问题。

主权项：1.一种皮带机纵向撕裂检测方法，其特征在于，包括：采集皮带机运行的视频，转换为视频图像，建立视频关键帧库，并对视频图像基于图像R、G、B三通道特征进行灰度处理；对处理后的视频图像数据进行镜头分割，并对镜头分割后的视频图像进行特征提取和边缘匹配，对镜头分割后的视频图像进行特征提取的步骤中，包括步骤：读取分割后的视频图像数据的片段，计算每个片段中相邻两帧视频图像的三通道互信息值；通过相邻两帧视频图像的三通道互信息值计算相邻两帧视频图像的互信息熵；通过公式1计算视频片段内互信息熵的标准差，通过计算得到的互信息熵的标准差判断对应视频片段的动态性； 其中，Ii为视频片段中提取的每相邻视频图像帧的互信息熵；μ为视频片段内的互信息熵的均值；N为片段内的互信息熵的个数；对于判定为具有复杂内容的动态视频片段，通过公式2选取多个视频图像帧作为视频片段的关键帧；σd＝NLw×22其中，NL为视频片段包含的帧数；w为视频片段被划分成为的子片段数目；对镜头分割后的视频图像进行边缘匹配的步骤中，包括步骤：将通过特征提取得到的每一关键帧分割形成N*N的图像区域，运用SUSAN算子，计算得到每一图像区域的边缘矩阵；计算相邻两关键帧fj和fj-1对应图像区域的边缘匹配率Difj-1,fji＝1,2,...,9，计算平均匹配率若的值大于等于50％，则此帧fj标记为冗余帧；继续判断其他关键帧是否为冗余帧并进行标记，标记得到全部冗余帧后，在关键帧序列中删除全部冗余帧；将筛选出的特征值还原为关键帧序列，对所获得的关键帧，采用SVM多分类技术，检测出皮带机的纵向撕裂，在采用SVM多分类技术，检测出皮带机的纵向撕裂的步骤中，包括步骤：通过自适应阈值灰度变换和连通分量提取，提纯关键帧的粗略显著图，寻找关键帧中裂纹的显著区域中心，作为特征的标准；提取颜色、纹理、亮度和空间特征向量作为特征向量，将特征向量输入训练好的SVM多分类器，从而获得像素点分类，得到最终的裂纹显著位置。

全文数据：一种皮带机纵向撕裂检测方法技术领域本发明涉及皮带检测领域，特别是涉及一种皮带机纵向撕裂检测方法。背景技术在皮带机运行过程中，由于输送带过度磨损或物料中有尖锐杂质插入输送带，使得输送带受到的力非常不均匀，容易发生纵向撕裂故障。撕裂故障一旦发生，就可能使裂缝沿着输送带运动方向持续扩展，致使价值数十万甚至上百万的输送带在短时间内全部损坏，造成巨大的经济损失和安全事故。常见的检测方法在成本、检测效果、实时性等方面存在一定的局限性。因此，采用基于视觉分析的检测方法，有助于在巡检过程中发现撕裂故障，亦或在易撕裂部位作视频监测。国内目前各工矿企业主要使用的皮带纵向撕裂检测和保护装置，与先进国家相比尚有很大差距，大部分沿用陈旧的机械接触式检测保护装置，如电磁感应式检测器、撕裂压力检测器、漏料检测器、超声波传感器等，它们或在原理上存在一定缺陷，或是成本较高、后期维护繁琐，难以保证准确、稳定地实现皮带撕裂检测的目的。在现有的技术条件基础上，以计算机视觉为基础，通过摄像机和图像采集卡完成目标图像的获取和数字化，根据所要完成的检测目标，采用不同的技术，完成对图像特征信息的提取，实现皮带机纵向撕裂的实时监测系统的设计和实现。利用加入面光源的CCD摄像头，将被摄目标转换成相应的图像信号，并传送给的图像处理模块，根据图像像素分布、颜色和亮度等信息，将获取的图像信号转换成对应的数字信号，采用各种算法对这些信号进行处理、运算，抽取出有价值的目标特征，用以实现特定检测功能。现有方法中，AzraNasreen等人提出一种基于K均值聚类的关键帧提取和前景建模的方法。RGrycuk等人提出一种基于SURF算法的视频关键帧检测算法。SDThepade等人提出采用矢量量化与KPE在RGB和LUV颜色空间各种相似性测度新的视频关键帧提取算法。虽然上述算法在关键帧提取速度都有了很大的提升，但是还存在一个普遍的问题：随着视频数据量的增加，算法的时间复杂度过高。关键帧序列就是能够表征各个镜头核心内容的代表帧集合。由于不同镜头中内容变化剧烈程度存在差异，所以一个镜头中可能会提取一帧或多帧视频图像作为关键帧。国内外许多学者提出了相应的视频关键帧提取方法，其中图像的特征提取和特征匹配是视频关键帧提取的关键步骤。关键帧图像显著性提取的目的是从丰富多彩的图像中提取出对用户有用的那一部分，即图像显著性区域，这个区域中承载着图像的中心信息。程明明教授提出了HC算法，这是一种全局直方图对比度的算法，通过像素颜色与其他颜色的差异，来决定本像素点的显著值，从而得到最终的显著图，计算量小，速度快，但是存在背景无法完全剥离、弱化的情况。陈超在此基础上，针对这些问题对算法进行改进，提出了一种通过纹理寻找图像显著区域中心的方法，在速度和效果上都取得了很大的进步，但仍存在图像分辨率低，边缘信息丢失的问题。发明内容本发明主为解决现有问题的不足之处而提供一种皮带机纵向撕裂检测方法。为解决上述技术问题，本发明采用的一个技术方案是：提供一种皮带机纵向撕裂检测方法，该方法的步骤包括：采集皮带机运行的视频，转换为视频图像，建立视频关键帧库，并对视频图像基于图像R、G、B三通道特征进行灰度处理；对处理后的视频图像数据进行镜头分割，并对镜头分割后的视频图像进行特征提取和边缘匹配；将筛选出的特征值还原为关键帧序列，对所获得的关键帧，采用SVM多分类技术，检测出皮带机的纵向撕裂。其中，在建立视频关键帧库的步骤中，包括步骤：选定视频图像的参考帧，并在读取视频图像数据时将当前帧和参考帧读入一处理器主机端的内存，并绑定到纹理内存；计算两帧图像的互信息熵值，从而得到当前帧图像与参考帧图像的差异值；根据互信息熵值及确定的互信息熵值的标准差σ消除初始冗余帧。其中，在对处理后的视频图像数据进行镜头分割的步骤中，包括步骤：在MPEG域获得视频图像的视频信息，并以此为依据来检测分割镜头边界；其中，所述视频信息至少包括各个片段的DCT系数及预测向量。其中，对镜头分割后的视频图像进行特征提取的步骤中，包括步骤：读取分割后的视频图像数据的片段，计算每个片段中相邻两帧视频图像的三通道互信息值；通过相邻两帧视频图像的三通道互信息值计算相邻两帧视频图像的互信息熵；通过公式1计算视频片段内互信息熵的标准差，通过计算得到的互信息熵的标准差判断对应视频片段的动态性；其中，Ii为视频片段中提取的每相邻视频图像帧的互信息熵；μ为视频片段内的互信息熵的均值；N为片段内的互信息熵的个数；对于判定为具有复杂内容的动态视频片段，通过公式2选取多个视频图像帧作为视频片段的关键帧；σd＝NLw×22其中，NL为视频片段包含的帧数；w为视频片段被划分成为的子片段数目。其中，对镜头分割后的视频图像进行边缘匹配的步骤中，包括步骤：将通过特征提取得到的每一关键帧分割形成N*N的图像区域，运用SUSAN算子，计算得到每一图像区域的边缘矩阵；计算相邻两关键帧fj和fj-1对应图像区域的边缘匹配率Difj-1,fji＝1,2,...,9，计算平均匹配率若的值大于等于50％，则此帧fj标记为冗余帧；继续判断其他关键帧是否为冗余帧并进行标记，标记得到全部冗余帧后，在关键帧序列中删除全部冗余帧。其中，在采用SVM多分类技术，检测出皮带机的纵向撕裂的步骤中，包括步骤：通过自适应阈值灰度变换和连通分量提取，提纯关键帧的粗略显著图，寻找关键帧中裂纹的显著区域中心，作为特征的标准；提取颜色、纹理、亮度和空间特征向量作为特征向量，将特征向量输入训练好的SVM多分类器，从而获得像素点分类，得到最终的裂纹显著位置。其中，在寻找关键帧中裂纹的显著区域中心的步骤中，设定当前关键帧图片几何中心为显著区域中心点，若该几何中心的像素点亮度不为0，则以8近邻点的均值作为当前关键帧图片的中心亮度，并确定当前关键帧图片几何中心为显著区域中心点；若该几何中心的像素点亮度为0，则以该集合中心为中心，向外扩散，寻找离这个假定中心点最近的第一个不为零的点，作为真正中心点，以8近邻点的均值作为当前关键帧图片的中心亮度，并作为显著区域中心点。其中，在提取颜色、纹理、亮度和空间特征向量作为特征向量的步骤中，得到中心亮度之后，按照欧氏距离计算每个点与中心点在亮度、位置关系上的距离，得到的特征就是每个点的特征向量。区别于现有技术，本发明的皮带机纵向撕裂检测方法的步骤包括：采集皮带机运行的视频，转换为视频图像，建立视频关键帧库，并对视频图像基于图像R、G、B三通道特征进行灰度处理；对处理后的视频图像数据进行镜头分割，并对镜头分割后的视频图像进行特征提取和边缘匹配；将筛选出的特征值还原为关键帧序列，对所获得的关键帧，采用SVM多分类技术，检测出皮带机的纵向撕裂。通过本发明，避免了现有算法随数据量的增加而变复杂的现状，在速度和效果上都取得了很大的进步，同时解决了图像分辨率低，边缘信息丢失的问题。附图说明图1是本发明提供的一种皮带机纵向撕裂检测方法的流程示意图。具体实施方式下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，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作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。参阅图1，图1是本发明提供的一种皮带机纵向撕裂检测方法的流程示意图。该方法的步骤包括：S110：采集皮带机运行的视频，转换为视频图像，建立视频关键帧库，并对视频图像基于图像R、G、B三通道特征进行灰度处理。S120：对处理后的视频图像数据进行镜头分割，并对镜头分割后的视频图像进行特征提取和边缘匹配。S130：将筛选出的特征值还原为关键帧序列，对所获得的关键帧，采用SVM多分类技术，检测出皮带机的纵向撕裂。其中，在建立视频关键帧库的步骤中，包括步骤：选定视频图像的参考帧，并在读取视频图像数据时将当前帧和参考帧读入一处理器主机端的内存，并绑定到纹理内存；计算两帧图像的互信息熵值，从而得到当前帧图像与参考帧图像的差异值；根据互信息熵值及确定的互信息熵值的标准差σ消除初始冗余帧。其中，在对处理后的视频图像数据进行镜头分割的步骤中，包括步骤：在MPEG域获得视频图像的视频信息，并以此为依据来检测分割镜头边界；其中，所述视频信息至少包括各个片段的DCT系数及预测向量。其中，对镜头分割后的视频图像进行特征提取的步骤中，包括步骤：读取分割后的视频图像数据的片段，计算每个片段中相邻两帧视频图像的三通道互信息值；通过相邻两帧视频图像的三通道互信息值计算相邻两帧视频图像的互信息熵；通过公式1计算视频片段内互信息熵的标准差，通过计算得到的互信息熵的标准差判断对应视频片段的动态性；其中，Ii为视频片段中提取的每相邻视频图像帧的互信息熵；μ为视频片段内的互信息熵的均值；N为片段内的互信息熵的个数；对于判定为具有复杂内容的动态视频片段，通过公式2选取多个视频图像帧作为视频片段的关键帧；σd＝NLw×22其中，NL为视频片段包含的帧数；w为视频片段被划分成为的子片段数目。其中，对镜头分割后的视频图像进行边缘匹配的步骤中，包括步骤：将通过特征提取得到的每一关键帧分割形成N*N的图像区域，运用SUSAN算子，计算得到每一图像区域的边缘矩阵；计算相邻两关键帧fj和fj-1对应图像区域的边缘匹配率Difj-1,fji＝1,2,...,9，计算平均匹配率若的值大于等于50％，则此帧fj标记为冗余帧；继续判断其他关键帧是否为冗余帧并进行标记，标记得到全部冗余帧后，在关键帧序列中删除全部冗余帧。其中，在采用SVM多分类技术，检测出皮带机的纵向撕裂的步骤中，包括步骤：通过自适应阈值灰度变换和连通分量提取，提纯关键帧的粗略显著图，寻找关键帧中裂纹的显著区域中心，作为特征的标准；提取颜色、纹理、亮度和空间特征向量作为特征向量，将特征向量输入训练好的SVM多分类器，从而获得像素点分类，得到最终的裂纹显著位置。其中，在寻找关键帧中裂纹的显著区域中心的步骤中，设定当前关键帧图片几何中心为显著区域中心点，若该几何中心的像素点亮度不为0，则以8近邻点的均值作为当前关键帧图片的中心亮度，并确定当前关键帧图片几何中心为显著区域中心点；若该几何中心的像素点亮度为0，则以该集合中心为中心，向外扩散，寻找离这个假定中心点最近的第一个不为零的点，作为真正中心点，以8近邻点的均值作为当前关键帧图片的中心亮度，并作为显著区域中心点。其中，在提取颜色、纹理、亮度和空间特征向量作为特征向量的步骤中，得到中心亮度之后，按照欧氏距离计算每个点与中心点在亮度、位置关系上的距离，得到的特征就是每个点的特征向量。具体的，在采集皮带运行的视频后，转换为视频图像，建立视频关键帧实验对比数据库，并且基于图像R、G、B三通道特征把视频数据进行灰度处理，为实现对视频文件的解耦合，在OpenCV读取视频数据时，本文通过调用VideoCapture函数将读入的二进制数据解析为视频流，并对得到的视频流进行解码，从解码得到的数据包中依次读取数据获得视频图片序列。将视频数据转换为图片数据的过程中，VideoCapture读取视频数据的二进制数据流，把经过预处理的视频数据流进行镜头分割；本发明所述的镜头分割算法为公知内容，发表文献为：章亦葵，赵晖，基于预处理的视频镜头边界检测算法。对镜头分割后的视频片段进行GPU+CPU并行的互信息熵特征提取、SUSAN边缘匹配。GPU+CPU并行互信息熵特征提取算法程序如下：假设通过上述镜头边界检测方法进行了视频片段分割，依赖于检测到的片段边界视频数据S被划分成为了片段，记为S＝{S1,S2,...,SN}，N为视频分割后总的片段。①首先从OpenCV中依次读入分割后的视频片段S1,S2,...,SN，CPU负责整个过程的调度并且将当前帧和参考帧读入主机端的内存,然后将当前帧和参考帧拷贝到的内存,并绑定到纹理内存。由于各个像素点的计算是相互独立的，因此可以使用GPU并行运算进行加速。设定GPU线程块的大小为16×16，每个线程计算一个像素，一个线程块可以同时计算1个宏块中4个8×8块的互信息值，并得到16×16，16×8，8×16块的互信息值，计算得到每个片段中相邻两帧的互信息值表示为：IN＝{I1,2,I2,3,...,Ik,k-1}。②计算两帧之间的互信息值，根据阈值降低片段内相似度较高的帧群的冗余。本文通过R、G、B三通道采集的互信息量求和的方法，可以更准确地衡量相邻两帧之间的相似性，其互信息量越大，表示两帧越相似。用分别代表X帧和Y帧之间的三通道的互信息值，那么两帧图像的互信息熵由三通道的互信息和来表示，即将计算出的互信息值拷贝到主机端的内存，视频的读取和帧间互信息熵的计算在CPU的调度下，都分解为一系列的矩阵运算。在CPU中基本的矩阵乘法都使用带状划分法划分线程,每一个线程负责读取相乘矩阵中第一个矩阵的一行以及第二个矩阵的一列，并且计算出结果矩阵中对应位置的值。③通过计算片段内互信熵的标准差，判断此片段的动态性。互信息熵的标准差计算如下其中，Ii为片段中提取的每相邻帧的互信息熵；μ为片段内的互信息熵的均值；N为片段内的互信息熵的个数。通过多次实验，设定阈值λ为1.25，当小于λ时，则判定该片段为静态片段，此时只需提取该片段的第一帧作为关键帧；否则，则判定该片段为包含复杂内容的动态片段。④对于具有复杂内容的动态片段，通常选取多个帧作为片段的关键帧。遵循关键帧只在关键类中选取的原则，规定帧提取σd的计算公式为：σd＝NLw×2式中，NL为片段包含的帧数；w为片段被划分成为的子片段数目。基于互信息熵特征的关键帧提取，得到的只是预备关键帧集合F＝{f1,f2,...,fi,...,fk}，其冗余度较高，需进一步运用SUSAN算子协同过滤冗余帧。⑤将预备关键帧分割成3×3个图像区域，运用SUSAN算子，在GUP分别分配单独线程的前提下，计算得到各个区域的边缘矩阵；⑥设j＝2，由GPU分配9个单独的线程，分别计算相邻两帧fj、fj-1的各区域边缘匹配率Difj-1,fji＝1,2,...,9，并把其值传给CPU，计算平均匹配率若的值大于等于50％，则此帧fj标记为冗余帧；⑦j＝j+1，若j＞k，转到步骤2；否则转到步骤4。当GPU分配的单线程处理完当前任务时，发送指令给CPU，并且将其保存到缓存区，返回继续处理下一帧数据。⑧为了减少IO操作，CPU每次将检测到的冗余帧只进行标记，而不逐一删除，当全部任务执行完毕后，从预备关键帧序列中，CPU把全部标记的视频帧删除，获取最终的关键帧序列。对于提取出的关键帧，使用一种SVM多分类的视觉显著性检测方法，可以在不增加计算量和时间的前提下，提高精度，实现整体效率的提高，且减少内存的使用。具体是通过自适应阈值灰度变换和连通分量提取，提纯粗略显著图；以此寻找裂纹的显著区域中心，作为特征的标准；提取颜色、纹理、亮度和空间特征向量，将特征向量输入训练好的SVM多分类器，从而获得像素点分类，得到最终的裂纹显著位置。所述显著性检测实现方法如下：①通过自适应阈值灰度变换和连通分量，得到粗略显著图，设定显著区域中心点为图片几何中心，若该像素点亮度不为0，则以8近邻点的均值作为这副图片的中心亮度，认为此时找到的中心就是显著区域的中心；②如果图片中心点的颜色和亮度为零，则以它为中心，每次一步，向外扩散，寻找离这个假定中心点最近的第一个不为零的点，作为真正中心点，然后按照步骤1中所述方式，计算图像的中心亮度；③得到中心亮度之后，按照欧氏距离计算每个点与中心点在亮度、位置关系上的距离，得到的特征就是每个点的特征向量；④将特征向量作为SVM的输入向量，-1和1作为SVM的输出向量，从而获得像素点分类，得到最终的裂纹显著位置。区别于现有技术，本发明的皮带机纵向撕裂检测方法的步骤包括：采集皮带机运行的视频，转换为视频图像，建立视频关键帧库，并对视频图像基于图像R、G、B三通道特征进行灰度处理；对处理后的视频图像数据进行镜头分割，并对镜头分割后的视频图像进行特征提取和边缘匹配；将筛选出的特征值还原为关键帧序列，对所获得的关键帧，采用SVM多分类技术，检测出皮带机的纵向撕裂。通过本发明，避免了现有算法随数据量的增加而变复杂的现状，在速度和效果上都取得了很大的进步，同时解决了图像分辨率低，边缘信息丢失的问题。以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

权利要求：1.一种皮带机纵向撕裂检测方法，其特征在于，包括：采集皮带机运行的视频，转换为视频图像，建立视频关键帧库，并对视频图像基于图像R、G、B三通道特征进行灰度处理；对处理后的视频图像数据进行镜头分割，并对镜头分割后的视频图像进行特征提取和边缘匹配；将筛选出的特征值还原为关键帧序列，对所获得的关键帧，采用SVM多分类技术，检测出皮带机的纵向撕裂。2.根据权利要求1所述的皮带机纵向撕裂检测方法，其特征在于，在建立视频关键帧库的步骤中，包括步骤：选定视频图像的参考帧，并在读取视频图像数据时将当前帧和参考帧读入一处理器主机端的内存，并绑定到纹理内存；计算两帧图像的互信息熵值，从而得到当前帧图像与参考帧图像的差异值；根据互信息熵值及确定的互信息熵值的标准差σ消除初始冗余帧。3.根据权利要求1所述的皮带机纵向撕裂检测方法，其特征在于，在对处理后的视频图像数据进行镜头分割的步骤中，包括步骤：在MPEG域获得视频图像的视频信息，并以此为依据来检测分割镜头边界；其中，所述视频信息至少包括各个片段的DCT系数及预测向量。4.根据权利要求1所述的皮带机纵向撕裂检测方法，其特征在于，对镜头分割后的视频图像进行特征提取的步骤中，包括步骤：读取分割后的视频图像数据的片段，计算每个片段中相邻两帧视频图像的三通道互信息值；通过相邻两帧视频图像的三通道互信息值计算相邻两帧视频图像的互信息熵；通过公式1计算视频片段内互信息熵的标准差，通过计算得到的互信息熵的标准差判断对应视频片段的动态性；其中，Ii为视频片段中提取的每相邻视频图像帧的互信息熵；μ为视频片段内的互信息熵的均值；N为片段内的互信息熵的个数；对于判定为具有复杂内容的动态视频片段，通过公式2选取多个视频图像帧作为视频片段的关键帧；σd＝NLw×22其中，NL为视频片段包含的帧数；w为视频片段被划分成为的子片段数目。5.根据权利要求4所述的皮带机纵向撕裂检测方法，其特征在于，对镜头分割后的视频图像进行边缘匹配的步骤中，包括步骤：将通过特征提取得到的每一关键帧分割形成N*N的图像区域，运用SUSAN算子，计算得到每一图像区域的边缘矩阵；计算相邻两关键帧fj和fj-1对应图像区域的边缘匹配率Difj-1,fji＝1,2,...,9，计算平均匹配率若的值大于等于50％，则此帧fj标记为冗余帧；继续判断其他关键帧是否为冗余帧并进行标记，标记得到全部冗余帧后，在关键帧序列中删除全部冗余帧。6.根据权利要求5所述的皮带机纵向撕裂检测方法，其特征在于，在采用SVM多分类技术，检测出皮带机的纵向撕裂的步骤中，包括步骤：通过自适应阈值灰度变换和连通分量提取，提纯关键帧的粗略显著图，寻找关键帧中裂纹的显著区域中心，作为特征的标准；提取颜色、纹理、亮度和空间特征向量作为特征向量，将特征向量输入训练好的SVM多分类器，从而获得像素点分类，得到最终的裂纹显著位置。7.根据权利要求6所述的皮带机纵向撕裂检测方法，其特征在于，在寻找关键帧中裂纹的显著区域中心的步骤中，设定当前关键帧图片几何中心为显著区域中心点，若该几何中心的像素点亮度不为0，则以8近邻点的均值作为当前关键帧图片的中心亮度，并确定当前关键帧图片几何中心为显著区域中心点；若该几何中心的像素点亮度为0，则以该集合中心为中心，向外扩散，寻找离这个假定中心点最近的第一个不为零的点，作为真正中心点，以8近邻点的均值作为当前关键帧图片的中心亮度，并作为显著区域中心点。8.根据权利要求7所述的皮带机纵向撕裂检测方法，其特征在于，在提取颜色、纹理、亮度和空间特征向量作为特征向量的步骤中，得到中心亮度之后，按照欧氏距离计算每个点与中心点在亮度、位置关系上的距离，得到的特征就是每个点的特征向量。

百度查询： 太原理工大学 一种皮带机纵向撕裂检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD