基于機(jī)器視覺的物體裂縫檢測算法設(shè)計(jì)中文摘要在日常生活中,我們隨處可見路面上存在許多裂縫，它對我們的安全存在一定的隱患。目前國內(nèi)對于道路裂縫的人工檢測主要方法還是基于依靠專業(yè)人工，但是人工很難檢測的效率較低，且準(zhǔn)確度不夠高。近年來,隨著我們?nèi)嗣裆钇焚|(zhì)水平的不斷提高，車輛也越來越多的成為了我們?nèi)粘Ｉ畹囊环N必需品，道路上的螺紋裂縫對我們的日常行車安全來說是一個(gè)很大的自然威脅，在生活中隨處可見"十字"曲線裂縫、"一字"裂縫、網(wǎng)狀曲線裂縫、橫向曲線裂縫、縱向曲線裂縫等,那我們?nèi)绾螜z測到這些生活中隨處可見的裂縫呢？基于這種機(jī)器人對視覺的這種檢測分析方法恰好已經(jīng)可以有效解決這個(gè)關(guān)鍵問題，機(jī)器人的視覺就好好像是一個(gè)機(jī)器在空中使用我們看的人眼一樣，具有我們?nèi)搜鄣南嚓P(guān)功能，對于要檢測的東西進(jìn)行分析和判斷?；跈C(jī)器視覺的裂縫檢測實(shí)驗(yàn)方法分析相比人工視覺檢測，更快，更準(zhǔn)。本文閱讀大量資料,分析研究機(jī)器視覺方法的原理、優(yōu)缺點(diǎn)、使用方法,并通過選擇合適的攝像頭等硬件方面的設(shè)計(jì)和通過設(shè)計(jì)物體裂縫視覺檢測的算法來對裂縫進(jìn)行檢測,解決了路面裂縫檢測的相關(guān)問題,為道路自動檢測提供了基礎(chǔ)方法。關(guān)鍵詞：裂縫檢測，機(jī)器視覺，圖像處理，算法設(shè)計(jì)6219第1章前言 攝像機(jī)標(biāo)定相機(jī)的校準(zhǔn)在整個(gè)計(jì)算機(jī)視覺系統(tǒng)中起著重要作用。對計(jì)算機(jī)視覺應(yīng)用程序的需求使得對相機(jī)校準(zhǔn)技術(shù)的準(zhǔn)確性的研究特別重要。攝像機(jī)的校準(zhǔn)將二維圖像平面與三維空間連接起來。根據(jù)三維圖像中的信息，可以準(zhǔn)確計(jì)算和得出處于三維空間結(jié)構(gòu)中的每個(gè)物體的基本幾何結(jié)構(gòu)信息。定義了三維空間中的物體點(diǎn)和表面點(diǎn)的三維空間幾何物體位置和三維圖像空間中的兩個(gè)相應(yīng)物體點(diǎn)之間的三維關(guān)系。用于為相機(jī)的背景圖像創(chuàng)建模型。這些立體幾何結(jié)構(gòu)模型中的參數(shù)通常是攝像機(jī)的重要參數(shù)。通常，這些校準(zhǔn)參數(shù)通?？梢酝ㄟ^自動實(shí)驗(yàn)校準(zhǔn)獲得，這個(gè)校準(zhǔn)過程通常是基于攝像機(jī)的自動校準(zhǔn)。攝像頭的硬件參數(shù)主要包括內(nèi)部軟件參數(shù)和外部硬件參數(shù)。內(nèi)部光學(xué)參數(shù)通常是一個(gè)攝像機(jī)的內(nèi)部光學(xué)幾何和其他光學(xué)物理參數(shù)。攝像頭和外部硬件參數(shù)分別是三級的。相機(jī)軌道坐標(biāo)系與相機(jī)世界軌道坐標(biāo)系的比例和方向。通過校準(zhǔn)相機(jī)，你可以連接像素和米之間的關(guān)系。標(biāo)定方法及參數(shù)計(jì)算相機(jī)校準(zhǔn)方法主要包括傳統(tǒng)的校準(zhǔn)方法、自校準(zhǔn)方法和活動視覺校準(zhǔn)方法。傳統(tǒng)的校準(zhǔn)方法適合任何精確的相機(jī)模型，需要校準(zhǔn)塊和復(fù)雜的計(jì)算，但在煤礦里很難實(shí)現(xiàn)。自校準(zhǔn)方法是非線性校準(zhǔn)，其可靠性并不高。但它是靈活和舒適的。在相機(jī)的運(yùn)動不為人知或無法控制的情況下，不能使用主動視網(wǎng)膜校準(zhǔn)方法，但它可以是線性的，具有高度可靠性。在這篇限制實(shí)驗(yàn)環(huán)境的文章中，使用了自我校準(zhǔn)的方法。這個(gè)實(shí)驗(yàn)使用了兩個(gè)大致相同的相機(jī)，它們并排向前移動。圖4-4雙目視覺成像原理圖圖4-4顯示了雙筒望遠(yuǎn)鏡系統(tǒng)的結(jié)構(gòu)模型。分別是左邊和右邊攝像機(jī)的投影中心。“G”和“n”是相機(jī)左邊和右邊的投影平面。Pl(x1、Y1、z1)和PR(2%、Y2、Z2)是m平面上P(x、y、z)的投影點(diǎn)。B、e和e-極是虛線，由PL、EI和PR連接，e-極地線。由P點(diǎn)、OI或極地平面組成的平面。不同的空間點(diǎn)和OI，或形成不同的極地平面，形成一個(gè)極地集群。盡管RI和ti轉(zhuǎn)換器從相機(jī)的左移到空間點(diǎn)p是相似的，但是RR和tr轉(zhuǎn)換器從相機(jī)的右轉(zhuǎn)和tr轉(zhuǎn)換器從轉(zhuǎn)換器的右轉(zhuǎn)到轉(zhuǎn)換點(diǎn)p和T轉(zhuǎn)換器并將右轉(zhuǎn)坐標(biāo)系移到左側(cè)。這些參數(shù)的數(shù)學(xué)比值如下:Pi=RiP+Ti<Pr=RrP+TrJPi=RT（Pr+T）在同一場景的兩個(gè)圖像之間，由雙筒望遠(yuǎn)鏡系統(tǒng)生成，有一個(gè)有限的關(guān)系，即上極幾何關(guān)系。在圖3-4中，兩個(gè)攝像頭的坐標(biāo)系只與x軸的基本距離b不同，同一空間點(diǎn)在兩個(gè)圖像平面上的V方向相同，而1-2在U方向上的差異是視差。圖像增強(qiáng)圖像過程中他受到各種因素影響環(huán)境,如照明不均的相機(jī),更多數(shù)量的煤塵,聚焦照相機(jī)壞,相對運(yùn)動相機(jī)和圖像形成過程中,物體之間傳輸過程中的隨機(jī)噪聲等這些因素影響圖像質(zhì)量惡化和提取有用的信息。因此，在分析和理解圖像之前，我們必須消除噪音和過濾圖像，以減少隨機(jī)因素對圖像的影響，大大提高圖像質(zhì)量，增加物體與背景的對比。這個(gè)過程是圖像的改進(jìn)。增強(qiáng)圖像是一個(gè)將原始圖像轉(zhuǎn)化為目標(biāo)圖像的過程，它包含了特定的信息，使用特定的方法。目標(biāo)是選擇性地突出感興趣的圖像特征，削弱或刪除不必要的信息，提高圖像的清晰和對比。獲得一個(gè)容易分析和處理人類和計(jì)算機(jī)的圖像，大大減少圖像的數(shù)據(jù)容量。與此同時(shí)，圖像處理速度加快，使增強(qiáng)的圖像更適合當(dāng)前應(yīng)用程序。圖像的改善包括噪音的減少、對比的改善、扭曲的糾正、模糊的消除等等，這些都是主觀的。特定方法的影響是根據(jù)觀察者來評估的，算法的性能是通過主觀完美圖像來比較的，因此通常需要實(shí)驗(yàn)來確定改進(jìn)的方法。圖像增強(qiáng)通常有兩種過濾方法:相對空間波動區(qū)域的圖像過濾和相對頻率波動區(qū)域的圖像過濾?？臻g領(lǐng)域的改進(jìn)是圖像像素的直接處理?？臻g區(qū)域圖像的改善包括改善灰色變換，組織學(xué)處理，空間過濾平滑，算術(shù)邏輯操作，提高清晰度?？臻g過濾和其他方法。頻率處理領(lǐng)域的技術(shù)改進(jìn)主要是基于通過傅里葉頻率變換和利用頻率處理領(lǐng)域的其他數(shù)學(xué)計(jì)算方法來快速改進(jìn)高頻圖像，將位于空間頻率區(qū)域的高頻圖像轉(zhuǎn)換成空間頻率高的區(qū)域。這是一種間接的改進(jìn)方法。該應(yīng)用區(qū)域主要包括低頻偏移濾波器、高頻偏移濾波器、同態(tài)偏移濾波器、平滑性和頻率偏移濾波器、高頻頻率濾波器等。圖像平滑濾波圖像信號噪聲主要原因是由視頻圖像信號形成和數(shù)據(jù)傳輸時(shí)的過程噪聲引起的。在相機(jī)接收那些受相機(jī)環(huán)境照明條件和其自身噪聲成分圖像質(zhì)量因素影響的噪聲圖像時(shí),相機(jī)的環(huán)境照明明亮程度和環(huán)境溫度變化是導(dǎo)致圖像產(chǎn)生噪聲的主要影響因素。在各種圖像信號傳輸處理過程中，噪音主要原因是由用于傳輸圖像通道電路中的電磁干擾元件引起的。這些噪音可能會出現(xiàn)在一些假邊或假電路的圖像中，這些圖像會對獲取關(guān)于管道破裂特性的信息產(chǎn)生一定的影響。平滑圖像的目的是減少噪音和突出特征。在對物體裂縫檢測系統(tǒng)進(jìn)行了大量實(shí)驗(yàn)分析后，通常會有大量粉末狀的閃光點(diǎn)和單獨(dú)的組點(diǎn)或線。視覺中的噪音主要是由煤塵顆粒、攝像機(jī)部件和光線引起的。當(dāng)管道膠帶被檢測到時(shí)，攝像機(jī)的活動程度和溫度。傳輸過程中的噪音主要是由圖像傳輸引起的。它包括附加噪聲、高斯噪聲、脈沖噪聲和隨機(jī)噪聲，這些噪聲可能會干擾檢測到小裂縫并破壞目標(biāo)邊緣的完整性。聲音和圖像信號總是交織在一起。如果不適當(dāng)?shù)仄秸瑘D像邊緣的輪廓將會減弱，圖像質(zhì)量將會惡化。因此，在平滑過程中，我們試圖減少噪音，并保留圖像的細(xì)節(jié)。因此，在選擇平滑過濾器時(shí)必須小心。有兩種平滑過濾器:空間平滑和頻率區(qū)域過濾。本文選擇了一個(gè)空間平滑線性濾波器來處理非線性統(tǒng)計(jì)分類濾波器，一個(gè)低頻指數(shù)濾波器，巴特沃斯低頻濾波器和低頻梯形濾波器。物體裂縫檢測系統(tǒng)軟件開發(fā)語義分割之U-Net深度網(wǎng)絡(luò)通常需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，當(dāng)樣本量較少的情況下，深度網(wǎng)絡(luò)可能表現(xiàn)沒那么好。對于這個(gè)問題，本文提出了新的網(wǎng)絡(luò)架構(gòu)和圖像增強(qiáng)策略網(wǎng)絡(luò)處理架構(gòu)通常包括兩個(gè)encoder和dndecoder(它在論文中分別稱為擴(kuò)展?jié)饪s映射路徑(contractingpath)和稱為擴(kuò)展?jié)饪s路徑(expandingpath)，實(shí)際上它們就是兩個(gè)encoder和dndecoder)，encoder網(wǎng)絡(luò)可以有效地快速捕捉每個(gè)上下文中的信息，而decoder可以較好地預(yù)測位置信息。U-net是基于FCN網(wǎng)絡(luò)的思想設(shè)計(jì)的，整個(gè)網(wǎng)絡(luò)只有卷積層，而沒有全連接層。在FCN中：網(wǎng)絡(luò)的濃縮路徑，圖像分辨率逐漸降低，上下文信息會逐漸增強(qiáng)。在擴(kuò)展路徑中，通過上采樣的方式，讓特征圖的分辨率逐漸增大。同時(shí)，為了結(jié)合低層featuremap的強(qiáng)位置信息，將濃縮路徑中的相應(yīng)部分結(jié)合到擴(kuò)展路徑中。這種架構(gòu)可以較好地進(jìn)行位置定位。圖5-1-1卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks,CNN）是一類包含\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"卷積計(jì)算且具有深度結(jié)構(gòu)的\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"前饋神經(jīng)網(wǎng)絡(luò)（FeedforwardNeuralNetworks），是\t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"深度學(xué)習(xí)（deeplearning）的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有\(zhòng)t"/item/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C/_blank"表征學(xué)習(xí)（representationlearning）能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類（shift-invariantclassification），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（Shift-InvariantArtificialNeuralNetworks,SIANN）”。卷積核的神經(jīng)網(wǎng)絡(luò)直接仿造出了生物的視覺和知覺(visualperception)通過機(jī)制層的構(gòu)建，可以同時(shí)進(jìn)行過程監(jiān)督性的學(xué)習(xí)和非過程監(jiān)督性的學(xué)習(xí)，其中在隱含結(jié)構(gòu)層內(nèi)的卷積層與核之間參數(shù)數(shù)據(jù)共享和隱含層層之間連接的數(shù)據(jù)稀疏性等都使得卷積核的神經(jīng)網(wǎng)絡(luò)不僅能夠以較小的高級計(jì)算機(jī)容量來針對格段特點(diǎn)化(grid-liketopology)進(jìn)行特征,例如針對像素和海量音頻特征進(jìn)行監(jiān)督學(xué)習(xí)、有穩(wěn)定的學(xué)習(xí)效果且對海量數(shù)據(jù)分析沒有額外的格點(diǎn)特征處理工程(featureengineering)技術(shù)要求。基于局部預(yù)擬合的方法在本章中我們需要提出另一種需要改進(jìn)的物體活動圖像輪廓預(yù)測模型，即對觀測目標(biāo)物體圖像的各種局部性和能量活動進(jìn)行預(yù)測模擬和組合。和經(jīng)典的局部擬合的模型相比，此改進(jìn)模型的計(jì)算量相對較低，而且分割的速度相對較快，與此同時(shí)，選擇的初始輪廓也會有較好的魯棒性。本節(jié)所提出的改進(jìn)的模型可以很簡單的適用于大多數(shù)的經(jīng)典的基于局部區(qū)域擬合能量模型，并且可以提升分割效率，而且使改進(jìn)后的模型降低初始輪廓的選擇要求。根據(jù)模型的需要，我們先定義下面需要涉及到的函數(shù)：其中，所代表的是圖像上某一點(diǎn)y的灰度值，代表的是在給定的圖像域內(nèi)，以x為活動中心的區(qū)域，區(qū)域的大小為。式中代表平均運(yùn)算的是mean，代表的平均灰度值的分別為。和有以下的定義：在區(qū)域內(nèi)，所有灰度值小于平均灰度值的像素點(diǎn)組成的區(qū)域用來表示，與之相反的是，所有灰度值大于平均灰度值的像素點(diǎn)組成的區(qū)域用來表示。根據(jù)上述兩式，若給定一張圖片，假如已經(jīng)知道了某一點(diǎn)x還有對應(yīng)的區(qū)域的尺寸，那么就可以直接的計(jì)算出和的值。如下圖5-1中將區(qū)域以及分界線還有邊緣點(diǎn)x上的和的值都體現(xiàn)出來了。圖5-1模型示例圖，圖中白色粗壯線條為分界線,用來分開和，分割線左側(cè)為，灰度均值為，右側(cè)是，灰度均值為。隨后，我們可以提出以下的局部預(yù)擬合能量方程：如果選取了某個(gè)點(diǎn)x，當(dāng)曲線的位置剛好處在目標(biāo)圖像的邊緣上的時(shí)候，就像下圖中所示的分界線那樣，那么上式中的能量將會取得最小值。通過下面幾幅圖來我們可以證明一下，當(dāng)所選取的曲線剛好在目標(biāo)邊緣的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)近似于0，第2項(xiàng)也近似于0；當(dāng)所選取的曲線在目標(biāo)邊緣某一側(cè)的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)遠(yuǎn)遠(yuǎn)的大于0，第二項(xiàng)近似于0；當(dāng)所選取的曲線穿過目標(biāo)邊緣的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)遠(yuǎn)遠(yuǎn)的大于0，第二項(xiàng)也遠(yuǎn)遠(yuǎn)的大于0；當(dāng)所選取的曲線在目標(biāo)邊緣的另一側(cè)的時(shí)候，像下圖，上述的能量函數(shù)的第一項(xiàng)近似于0，第二項(xiàng)遠(yuǎn)遠(yuǎn)的大于0；因此，通過上面的對比分析可得，只有當(dāng)輪廓的位置處在在目標(biāo)邊界上的時(shí)候，上述公式得能量值才能被最小化。（b）（c）(d)圖5-2曲線在不同位置對應(yīng)的能量值在普遍使用的局部擬合的活動輪廓模型中，高斯核函數(shù)因?yàn)樗木植炕奶卣鞫粡V泛的應(yīng)用到眾多模型中，高斯核函數(shù)還可以用來替代局部窗口函數(shù)，所以，上述公式我們可以改寫為：根據(jù)上述分析，為了保證圖像域中的所有點(diǎn)的合理性，我們需要將能量函數(shù)的積分最小化，隨之可得到下面的能量方程：當(dāng)取得最小值的時(shí)候，曲線C會把所有的在邊緣上的分界線都包含在其中，但是，我們也會發(fā)現(xiàn)在不是邊緣的地方也會有一些冗余的曲線，對于出現(xiàn)的這種情況，我們需要加入一個(gè)長度約束項(xiàng),用此約束項(xiàng)來去除冗余的曲線，還可以使曲線變得光滑，隨后再將距離正則項(xiàng)嵌入到公式中，用來規(guī)避曲線不斷進(jìn)行水平集函數(shù)的初始化。因此，合并起來的能量可以寫成下式：上式中，分別代表著長度項(xiàng)和正則化項(xiàng)前面的系數(shù)，和的定義可以參見之前的公式（補(bǔ)充前面的公式），的定義如下：再利用梯度下降法，將上述公式表示的能量方程的水平集函數(shù)進(jìn)行最小化，從而獲得最終的梯度下降流方程：式中的和分別為：在上式中，和是通過計(jì)算公式和出來的，我們可以將這兩個(gè)函數(shù)當(dāng)成擬合函數(shù)，用來近似的表示初始輪廓兩邊的局部圖像的灰度值。又因?yàn)檫@兩個(gè)擬合函數(shù)是在曲線演化之前就已經(jīng)計(jì)算出來的，并且沒有必要在每次迭代中都自動更新，所以把這兩個(gè)函數(shù)稱為局部預(yù)擬合函數(shù)，其對應(yīng)的能量就稱為局部預(yù)擬合能量。在通過比較LBF模型的能量和本節(jié)提出來的局部預(yù)擬合能量,從這兩個(gè)能量函數(shù)可以看出，擬合函數(shù)的不同是它們唯一的區(qū)別，也就是原始模型中的擬合函數(shù)和被改進(jìn)過的預(yù)擬合函數(shù)和所替代。在LBF模型中，和這兩個(gè)擬合函數(shù)在每一次的迭代中均會與水平集函數(shù)保持一致，隨著的變化而進(jìn)行同步更新，且擬合函數(shù)更新一次，圖像卷積都是跟著操作兩次，因此計(jì)算比較復(fù)雜。但是在BLBF模型中，預(yù)擬合函數(shù)和和水平集函數(shù)毫無關(guān)系，它們只是在曲線演化開始之前被計(jì)算一次，而且不需要在每次迭代中都進(jìn)行重新初始化。所以，BLBF模型與傳統(tǒng)的基于局部擬合能量相比優(yōu)點(diǎn)就是具有更少的計(jì)算量。而且正是由于當(dāng)給定一張圖片及其局部核后，它的預(yù)擬合函數(shù)和就可以保持不變，因此，BLBF模型很難會陷入局部最小的情況，所以，此改進(jìn)模型對初始輪廓的選擇也沒有太高的要求。實(shí)驗(yàn)結(jié)果與分析算法執(zhí)行本節(jié)將通過輸入幾張圖片對改進(jìn)的模型進(jìn)行測試，并且和原來的經(jīng)典的局部擬合模型進(jìn)行比較。改進(jìn)的模型的執(zhí)行過程如下：步驟一：調(diào)整函數(shù)式中所涉及到的參數(shù)，其中包括初始水平集函數(shù)。步驟二：圖像中的每一個(gè)點(diǎn)都根據(jù)上述公式和把和計(jì)算出來。步驟三：再通過公式和來不斷的初始化水平集函數(shù)，當(dāng)水平集函數(shù)收斂到最小時(shí)再停止更新。模型分割結(jié)果如下圖所示，在處理一些分布不一致、邊緣處若隱若現(xiàn)、對比度不高道路路面裂縫結(jié)果。如下所列所示。原圖裂縫圖語義分割之U-net的特點(diǎn)5個(gè)poolinglayer識別實(shí)現(xiàn)了物理網(wǎng)絡(luò)對基于圖像物理特征的多種大尺度圖像特征自動識別。上一個(gè)采樣部分特征會直接融合特征提取部分的特征輸出，這樣這么做實(shí)際上也就是將多個(gè)同尺度地圖特征網(wǎng)絡(luò)融合連接在了一起，以上兩個(gè)采樣部分為一實(shí)例，它的一個(gè)特征不僅僅是來自第一個(gè)卷積block的特征輸出(同于多尺度地圖特征),也同樣也是來自上一個(gè)采樣的特征輸出(大于同尺度地圖特征)，這樣的特征連接方式是可以貫穿整個(gè)特征網(wǎng)絡(luò)的，相當(dāng)于對應(yīng)的blfcn整個(gè)網(wǎng)絡(luò)只在最后一層圖上進(jìn)行特征融合。此改進(jìn)的模型比其他經(jīng)典的傳統(tǒng)算法在分割效率方面有了很大的提高，改進(jìn)的模型分割誤分割率更加準(zhǔn)確，而且分割結(jié)果比較穩(wěn)定，初始輪廓的魯棒性也比較好。總結(jié)與展望這篇文章基于對道路裂縫檢測方法的研究和觀察，使用了計(jì)算機(jī)視覺技術(shù)的檢測方法。本文首先介紹了該項(xiàng)目的總體布局和結(jié)構(gòu)，然后選擇了硬件。計(jì)算機(jī)視覺軟件遵循結(jié)構(gòu)模式，并根據(jù)物體裂縫的基本特征改進(jìn)和發(fā)展檢測裂縫的算法。本文的主要內(nèi)容如下。主要實(shí)現(xiàn)了整個(gè)物體檢測系統(tǒng)的設(shè)計(jì)，包括工業(yè)攝像機(jī)的選擇，光源的選擇，開發(fā)最基本的圖像探測算法，以及主計(jì)算機(jī)的設(shè)計(jì)和開發(fā)。本文先采用局部預(yù)擬合的方法對目標(biāo)圖像的局部能量進(jìn)行預(yù)擬合，再使用Anaconda+PyTorch相結(jié)合的語義分割算法對圖像進(jìn)行裂縫的檢測。在本文的研究過程中，難點(diǎn)主要集中于圖像提取以及圖像提取后的信息處理，由于研究時(shí)間和本人水平有限，在算法上仍需要一些改進(jìn)的地方，本文使用的算法對裂縫比較明顯的圖像效果較好，但是對于更加細(xì)小的裂縫圖像分割效果不佳，仍需進(jìn)一步的改進(jìn)。參考文獻(xiàn)[1]張一楊.基于機(jī)器視覺的物體裂縫檢測系統(tǒng)設(shè)計(jì)[J].現(xiàn)代商貿(mào)工業(yè),2016,37(34):464-465.[2]直國榮.皮帶運(yùn)輸機(jī)故障檢測方案設(shè)計(jì)[J].中國金屬通報(bào),2020(10):71-72.[3]直國榮.