【技术实现步骤摘要】
本专利技术涉及图像检测领域，尤其涉及一种图像中线段分类方法、皮带跑偏检测方法及装置。
技术介绍
1、在火电输煤皮带状态检测领域，由于有些皮带实际运行场景非常复杂，二值化处理、滤波处理等处理方法并不能将皮带区域与非皮带区域完全分开，从而出现皮带边沿分割不准、皮带区域内部局部分割成非皮带区域，导致边沿检测结果存在不准的问题，边沿检测结果可能存在众多边沿线段，这给后面的逻辑判断带来的困扰。
技术实现思路
1、针对上述技术问题，本专利技术提供了一种图像中线段分类方法、皮带跑偏检测方法及装置，解决了线段分类的问题。
2、本专利技术的第一方面，提供一种基于深度学习的图像中线段分类方法，包括：
3、获取待检测图像，所述待检测图像中包含至少一对相对应的边沿线段；
4、利用线段分类识别模型将所述待检测图像分为目标区域与非目标区域，识别出所述目标区域中的目标线段；
5、基于线性赋范空间g表达所述目标线段，并将所述目标线段进行聚类处理，得到相对应的一对所述边沿线段
6、本文档来自技高网...
【技术保护点】
1.一种基于深度学习的图像中线段分类方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的图像中线段分类方法，其特征在于，所述线段分类识别模型训练时计算相似度损失为两个样本间相似度。
3.根据权利要求1所述的基于深度学习的图像中线段分类方法，其特征在于，所述基于线性赋范空间G表达所述目标线段，包括：
4.根据权利要求3所述的基于深度学习的图像中线段分类方法，其特征在于，所述基于线性赋范空间G表达所述目标线段，还包括：
5.根据权利要求1所述的基于深度学习的图像中线段分类方法，其特征在于，所述将所述目标线段进行聚...
【技术特征摘要】
1.一种基于深度学习的图像中线段分类方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的图像中线段分类方法，其特征在于，所述线段分类识别模型训练时计算相似度损失为两个样本间相似度。
3.根据权利要求1所述的基于深度学习的图像中线段分类方法，其特征在于，所述基于线性赋范空间g表达所述目标线段，包括：
4.根据权利要求3所述的基于深度学习的图像中线段分类方法，其特征在于，所述基于线性赋范空间g表达所述目标线段，还包括：
5.根据权利要求1所述的基于深度学习的图像中线段分类方法，其特征在于，所述将所述目标线段进行聚类处理，得到相对应的一对所述边沿线段，包括：
【专利技术属性】
技术研发人员：刘奔，
申请(专利权)人：深圳市铁越电气有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。