CN112163800B - 一种视觉检测工具的管理方法和装置 - Google Patents
一种视觉检测工具的管理方法和装置 Download PDFInfo
- Publication number
- CN112163800B CN112163800B CN202010873508.8A CN202010873508A CN112163800B CN 112163800 B CN112163800 B CN 112163800B CN 202010873508 A CN202010873508 A CN 202010873508A CN 112163800 B CN112163800 B CN 112163800B
- Authority
- CN
- China
- Prior art keywords
- color
- color bar
- image data
- pixel point
- label
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 46
- 238000011179 visual inspection Methods 0.000 title claims description 21
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 55
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 22
- 238000005516 engineering process Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及库房工具管理技术领域,特别涉及一种视觉检测工具的管理方法和装置,包括:视觉检测工具的管理方法和视觉检测工具的装置,其中视觉检测工具的装置由色条标签和识别处理检测系统构成,色条标签粘贴在库房工具表面,且全局编码唯一,利用识别处理检测系统对色条标签以及色条颜色和颜色排布顺序的识别,从而完成对库房工具的唯一性标识。本发明的有益效果在于:将彩色色条标签引入库房工具管理系统中,提高识别效率,保证识别稳定性以及扩展存储的数据容量。
Description
技术领域
本发明涉及库房工具管理技术领域,特别涉及一种视觉检测工具的管理方法和装置。
背景技术
库房管理是保证人身安全和安全生产的重要手段。目前,大部分管理方式主要采用纸质资料填写和保存。管理内容包括台帐管理、试验日期及周期管理、工具检查和使用管理三个方面。由于货物类型多、数量大,定期试验时间难以准确控制,超期未检、漏检现象时有发生,为人身安全和安全生产带了隐患。
随着科学技术逐步提高,条形码引入了库房管理系统当中,通过宽度不等的多个黑条和空白,按照一定的编码规则排列,用以表达一组信息。条形码为实现对信息的自动扫描而设计的,它实现了快速、准确而可靠地采集数据,为物流管理、库房管理提供够了有利的技术支持。条形码技术的核心内容是通过利用光电扫描设备识读这些条形码符号来实现机器的自动识别,并快速、准确地把数据录入计算机进行数据处理,从而达到自动管理的目的。
然而条形码扫描设备的缺陷在于只能扫描距离固定,能够识别的条码内容只有黑白两种,转换成数据就分别是0和1。并且条形码识别是设备多采用光电识别设备,通过条形码反射的光束至光敏元件阵列上,通过光电转换,识别出条形码内容。对于库房管理领域,条形码的识别稳定性、识别效率以及存储的数据容量仍然存在一定的缺陷。
有鉴于此,亟待一种视觉检测工具的管理方法和装置,将彩色色条标签引入库房工具管理系统中,提高识别效率,保证识别稳定性以及扩展存储的数据容量。
发明内容
为了解决以上现有技术的不足,本发明的目的在于提供一种视觉检测工具的管理方法和装置,将彩色色条标签引入库房工具管理系统中,提高识别效率,保证识别稳定性以及扩展存储的数据容量。
为了实现上述目标,本发明的技术方案为:一种视觉检测工具的管理方法和装置包括:视觉检测工具的管理方法和视觉检测工具的装置,所述视觉检测工具的管理方法包括以下步骤:
S1:利用不同颜色色条以及各所述色条排布顺序预设编码规则,所述色条设置有字符信息且所述字符信息与所述色条颜色唯一对应;
S2:利用S1中预设的编码规则编译录入库房工具信息,形成对所述库房工具全局唯一编码,根据所述库房工具的唯一编码生成对应的色条标签;
S3:将S2中生成的色条标签固定于所述库房工具表面,获得当前图像资料,所述图像资料包括:至少一个所述库房工具及对应的色条标签;
S4:利用图像处理检测方法对所述色条标签进行标注并建立特征检测模型,
S5:利用图像处理检测方法,以色条排布顺序预设的编码规则及S4中建立的所述特征检测模型对色条标签进行识别处理,从而完成对多库房工具的唯一性标识。
进一步的,所述图像资料处理检测方法包括:图像资料检测方法和图像资料集成处理,通过图像资料检测方法建立特征检测模型,将所述特征检测模型集成处理识别色条标签。
进一步的,所述图像资料检测方法包括以下步骤:
A1:对S3中获得的所述图像资料进行数据标识,从而获得所述色条标签的像素点数据;
A2:对A1中获得的所述色条标签的像素点数据进行标识,从而获得所述色条标签内的单独色彩子色条的像素点数据,对所述单独色彩子色条的像素点数据标注对应的色彩名称;
A3:利用图像识别实例分割技术对A1中获得的所述色条标签的像素点数据进行学习,得到通用的色条标签检测模型;
A4:利用图像识别实例分割技术对A2中获得的所述单独色彩子色条的像素点数据进行学习,得到通用的单独色彩子色条检测模型;
A5:利用卷积神经网络技术对A2中获得的所述单独色彩子色条的像素点数据及其色彩名称进行分类学习,得到通用的单独色彩子色条的像素点的色彩名称检测模型。
具体的,所述图像资料集成处理包括以下步骤:
B1:利用照相机拍摄获取图像资料;
B2:通过A3中获得的所述通用的色条标签检测模型对所述图像资料进行处理得到色条标签像素点数据;
B3:通过A4中获得的所述通用的单独色彩子色条检测模型对所述色条标签像素点数据进行处理得到色条标签中单独色彩子色条的像素点数据及单独色彩子色条在图像资料中的空间位置;
B4:通过A5中获得的所述通用的单独色彩子色条的像素点的色彩名称检测模型对所述单独色彩子色条的像素点数据进行处理得到单独色彩子色条的色彩名称;
B5:将B3和B4得到的所述单独色彩子色条在图像资料中的空间位置数据和所述单独色彩子色条的色彩名称集成起来,即可获得所述图像资料上每一个色条标签的色条名称。
进一步的,所述视觉检测工具的管理装置,包括:色条标签和识别处理系统,所述色条标签由等宽且颜色各异的单独色彩子色条按照所述编码规则固定而成,所述识别处理系统可识别处理所述色条标签。
具体的,所述识别处理系统包括:摄像头、可控光源、计算单元、业务处理单元和输出设备,所述可控光源辅助所述摄像头进行图像资料原始采集,所述摄像头与所述计算单元通信连接,所述计算单元与所述输出设备通信连接;所述业务处理单元与所述摄像头、可控光源、计算单元和输出设备通信连接,所述业务处理单元控制调度所述摄像头、可控光源、计算单元和输出设备。
具体的,所述摄像头将所述图像资料以二进制形式上传至所述计算单元,所述计算单元基于权利要求2中的图像处理检测方法进行处理计算并输出至所述输出设备。
有益效果:
本发明提供的一种视觉检测工具的管理方法和装置。利用彩色色条为每件库房工具附着一枚色条标签,每枚色条标签均由预设编码规则确定唯一的颜色排布顺序,该唯一色条标签与附着的库房工具唯一,通过该唯一色条标签,每一个库房工具信息与系统相结合。从一张照片上可以同时覆盖多个库房工具上的色条标签,将彩色色条标签引入库房工具管理系统中,可批量对库房工具进行识别处理,提高管理效率。由于色条标签本身的物理及化学属性不构成对库房工具的附加或侵入性破坏,提高了识别稳定性。
附图说明
图1为本发明一种视觉检测工具的管理方法和装置色条标签图像资料处理检测方法;
图2为本发明一种视觉检测工具的管理方法和装置中管理装置业务流程原理示意图;
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明的保护范围。
如图所示,本发明公开了一种视觉检测工具的管理方法和装置包括:视觉检测工具的管理方法和视觉检测工具的装置,所述视觉检测工具的管理方法包括以下步骤:
S1:利用不同颜色色条以及各所述色条排布顺序预设编码规则,所述色条设置有字符信息且所述字符信息与所述色条颜色唯一对应;
S2:利用S1中预设的编码规则编译录入库房工具信息,形成对所述库房工具全局唯一编码,根据所述库房工具的唯一编码生成对应的色条标签;
S3:将S2中生成的色条标签固定于所述库房工具表面,获得当前图像资料,所述图像资料包括:至少一个所述库房工具及对应的色条标签;
S4:利用图像处理检测方法对所述色条标签进行标注并建立特征检测模型,
S5:利用图像处理检测方法,以色条排布顺序预设的编码规则及S4中建立的所述特征检测模型对色条标签进行识别处理,从而完成对多库房工具的唯一性标识。
本实施例中,所述图像资料处理检测方法包括:图像资料检测方法和图像资料集成处理,通过图像资料检测方法建立特征检测模型,将所述特征检测模型集成处理识别色条标签。
本实施例中,所述图像资料检测方法包括以下步骤:
A1:对S3中获得的所述图像资料进行数据标识,从而获得所述色条标签的像素点数据;
A2:对A1中获得的所述色条标签的像素点数据进行标识,从而获得所述色条标签内的单独色彩子色条的像素点数据,对所述单独色彩子色条的像素点数据标注对应的色彩名称;
A3:利用图像识别实例分割技术对A1中获得的所述色条标签的像素点数据进行学习,得到通用的色条标签检测模型;
A4:利用图像识别实例分割技术对A2中获得的所述单独色彩子色条的像素点数据进行学习,得到通用的单独色彩子色条检测模型;
A5:利用卷积神经网络技术对A2中获得的所述单独色彩子色条的像素点数据及其色彩名称进行分类学习,得到通用的单独色彩子色条的像素点的色彩名称检测模型。
进一步的,所述图像资料集成处理包括以下步骤:
B1:利用照相机拍摄获取图像资料;
B2:通过A3中获得的所述通用的色条标签检测模型对所述图像资料进行处理得到色条标签像素点数据;
B3:通过A4中获得的所述通用的单独色彩子色条检测模型对所述色条标签像素点数据进行处理得到色条标签中单独色彩子色条的像素点数据及单独色彩子色条在图像资料中的空间位置;
B4:通过A5中获得的所述通用的单独色彩子色条的像素点的色彩名称检测模型对所述单独色彩子色条的像素点数据进行处理得到单独色彩子色条的色彩名称;
B5:将B3和B4得到的所述单独色彩子色条在图像资料中的空间位置数据和所述单独色彩子色条的色彩名称集成起来,即可获得所述图像资料上每一个色条标签的色条名称。
本实施例中,所述视觉检测工具的管理装置,包括:色条标签和识别处理系统,所述色条标签由等宽且颜色各异的单独色彩子色条按照所述编码规则固定而成,所述识别处理系统可识别处理所述色条标签。
进一步的,所述识别处理系统包括:摄像头、可控光源、计算单元、业务处理单元和输出设备,所述可控光源辅助所述摄像头进行图像资料原始采集,所述摄像头与所述计算单元通信连接,所述计算单元与所述输出设备通信连接;所述业务处理单元与所述摄像头、可控光源、计算单元和输出设备通信连接,所述业务处理单元控制调度所述摄像头、可控光源、计算单元和输出设备。
进一步的,所述摄像头将所述图像资料以二进制形式上传至所述计算单元,所述计算单元基于权利要求2中的图像处理检测方法进行处理计算并输出至所述输出设备。
实施例1
本发明提供的视觉检测工具的管理装置包括:色条标签、摄像头、可控光源、计算单元、业务处理单元和输出设备,各部分功能如下:
色条标签:通过色条标签内单个色条的颜色种类和单个色条排布顺序两个维度叠加从而确定色条标签的唯一性,并且将色条标签张贴在库房工具表面,利用色条标签的唯一性确定物品的唯一性。
摄像头:摄像头用以进行图像资料原始采集,捕捉场景内图像,并以二进制形式传输到计算单元,并且摄像头所采集的图像资料不仅限于单个色条标签,可在一份图像资料中同时存在多个不同色条标签。
可控光源:采用可控光源为摄像头补光,辅助摄像头捕获到的图像达到可识别的效果。
计算单元:接收由摄像头上传的图像数据,并且按照图像资料处理检测方法进行识别计算,并且将计算结果输出至输出设备。
业务处理单元:作为整个管理装置的中心控制器,对本系统内的所有原件进行控制调度,同时按照处理整个系统的业务流程,并且将结果输出至输出设备。
输出设备:接收计算单元和业务处理单元输出结构,并按照规定要求进行展现。
整个视觉检测工具的管理装置可部署在开放式货架或封闭式储物空间内,对其中存放的物品进行品类、唯一性、数量进行识别。
实施例2
本发明提供的视觉检测工具的管理方法中,图像识别实例分割技术可同时在一份图像资料中识别出多个不同色条标签,同时也可在单个色条标签中识别出多个不同颜色的单个色条,其中图像识别实例分割技术原理如下:
(1)准备实例分割网络所需的图像资料数据和标签数据。
从多个库房工具中利用摄像头获取包括库房工具实体和对应色条标签的图像资料,使用labeme软件对色条标签进行像素级的标注。
(2)标注数据
采用labeme软件对图像资料进行标准,用矩形框标出色条的空间位置和颜色类别。
(3)图像分割
利用Mask R-CNN算法对色条进行分类、检测与分割,例如图像资料内出现多个色条标签,算法将其分割开来;同理,图像资料内单个色条标签中的单个色条,算法同样可将其分隔开,从而实现精细分割。其中由于RoIAlign中池化的块参数允许为浮点数,通过双线性插值得到池化后的结果,保证了空间精度。
(4)训练学习
通过建立图像资料数据库,选取用于提取图像特征的骨架网络结构,训练Mask R-CNN网络,训练迭代后建立通用模型,使得Mask R-CNN网络具备识别色条标签及色条能力。
实施例3
本发明提供的视觉检测工具的管理方法中,利用卷积神经网络技术对单个色条的像素点数据及其色彩名称进行分类学习,得到通用的单个色条的像素点的色彩名称检测模型,其中卷积神经网络技术原理如下:
将各单个色条的像素点数据其色彩名称定义为多个可训练参数的神经网络,将单个色条标识像素点及其色彩名称作为神经网络输入进行学习训练,从而得出单个色条检测模型对应的颜色名称结果。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种视觉检测工具的管理方法,其特征在于,所述视觉检测工具的管理方法包括以下步骤:
S1:利用不同颜色色条以及各所述色条排布顺序预设编码规则,所述色条设置有字符信息且所述字符信息与所述色条颜色唯一对应;
S2:利用S1中预设的编码规则编译录入库房工具信息,形成对所述库房工具全局唯一编码,根据所述库房工具的唯一编码生成对应的色条标签;
S3:将S2中生成的色条标签固定于所述库房工具表面,获得当前图像资料,所述图像资料包括:至少一个所述库房工具及对应的色条标签;
S4:利用图像资料处理检测方法对所述色条标签进行标注并建立特征检测模型;
S5:利用图像处理检测方法,以色条排布顺序预设的编码规则及S4中建立的所述特征检测模型对色条标签进行识别处理,从而完成对多库房工具的唯一性标识;
所述图像资料处理检测方法包括:图像资料检测方法和图像资料集成处理,通过图像资料检测方法建立特征检测模型,将所述特征检测模型集成处理识别色条标签;
所述图像资料检测方法包括以下步骤:
A1:对S3中获得的所述图像资料进行数据标识,从而获得所述色条标签的像素点数据;
A2:对A1中获得的所述色条标签的像素点数据进行标识,从而获得所述色条标签内的单独色彩子色条的像素点数据,对所述单独色彩子色条的像素点数据标注对应的色彩名称;
A3:利用图像识别实例分割技术对A1中获得的所述色条标签的像素点数据进行学习,得到通用的色条标签检测模型;
A4:利用图像识别实例分割技术对A2中获得的所述单独色彩子色条的像素点数据进行学习,得到通用的单独色彩子色条检测模型;
A5:利用卷积神经网络技术对A2中获得的所述单独色彩子色条的像素点数据及其色彩名称进行分类学习,得到通用的单独色彩子色条的像素点的色彩名称检测模型。
2.根据权利要求1所述的一种视觉检测工具的管理方法,其特征在于,所述图像资料集成处理包括以下步骤:
B1:利用照相机拍摄获取图像资料;
B2:通过A3中获得的所述通用的色条标签检测模型对所述图像资料进行处理得到色条标签像素点数据;
B3:通过A4中获得的所述通用的单独色彩子色条检测模型对所述色条标签像素点数据进行处理得到色条标签中单独色彩子色条的像素点数据及单独色彩子色条在图像资料中的空间位置;
B4:通过A5中获得的所述通用的单独色彩子色条的像素点的色彩名称检测模型对所述单独色彩子色条的像素点数据进行处理得到单独色彩子色条的色彩名称;
B5:将B3和B4得到的所述单独色彩子色条在图像资料中的空间位置数据和所述单独色彩子色条的色彩名称集成起来,即可获得所述图像资料上每一个色条标签的色条名称。
3.一种视觉检测工具的管理装置,其特征在于,所述视觉检测工具的管理装置,包括:色条标签和识别处理系统,所述色条标签由等宽且颜色各异的单独色彩子色条按照编码规则固定而成,所述识别处理系统可识别处理所述色条标签;
所述识别处理系统包括:摄像头、可控光源、计算单元、业务处理单元和输出设备,所述可控光源辅助所述摄像头进行图像资料原始采集,所述摄像头与所述计算单元通信连接,所述计算单元与所述输出设备通信连接;所述业务处理单元与所述摄像头、可控光源、计算单元和输出设备通信连接,所述业务处理单元控制调度所述摄像头、可控光源、计算单元和输出设备;
色条标签:通过色条标签内单个色条的颜色种类和单个色条排布顺序两个维度叠加从而确定色条标签的唯一性,并且将色条标签张贴在库房工具表面,利用色条标签的唯一性确定物品的唯一性;
摄像头:摄像头用以进行图像资料原始采集,捕捉场景内图像,并以二进制形式传输到计算单元,并且摄像头所采集的图像资料不仅限于单个色条标签,可在一份图像资料中同时存在多个不同色条标签;
可控光源:采用可控光源为摄像头补光,辅助摄像头捕获到的图像达到可识别的效果;
计算单元:接收由摄像头上传的图像数据,并且按照图像资料处理检测方法进行识别计算,并且将计算结果输出至输出设备;
业务处理单元:作为整个管理装置的中心控制器,对本系统内的所有原件进行控制调度,同时按照处理整个系统的业务流程,并且将结果输出至输出设备;
输出设备:接收计算单元和业务处理单元输出结构,并按照规定要求进行展现;
整个视觉检测工具的管理装置可部署在开放式货架或封闭式储物空间内,对其中存放的物品进行品类、唯一性、数量进行识别;
所述图像资料处理检测方法包括:
A1:对图像资料进行数据标识,从而获得所述色条标签的像素点数据;
A2:对A1中获得的所述色条标签的像素点数据进行标识,从而获得所述色条标签内的单独色彩子色条的像素点数据,对所述单独色彩子色条的像素点数据标注对应的色彩名称;
A3:利用图像识别实例分割技术对A1中获得的所述色条标签的像素点数据进行学习,得到通用的色条标签检测模型;
A4:利用图像识别实例分割技术对A2中获得的所述单独色彩子色条的像素点数据进行学习,得到通用的单独色彩子色条检测模型;
A5:利用卷积神经网络技术对A2中获得的所述单独色彩子色条的像素点数据及其色彩名称进行分类学习,得到通用的单独色彩子色条的像素点的色彩名称检测模型。
4.根据权利要求3所述的一种视觉检测工具的管理装置,其特征在于,所述摄像头将所述图像资料以二进制形式上传至所述计算单元,所述计算单元基于图像资料处理检测方法进行处理计算并输出至所述输出设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873508.8A CN112163800B (zh) | 2020-08-26 | 2020-08-26 | 一种视觉检测工具的管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010873508.8A CN112163800B (zh) | 2020-08-26 | 2020-08-26 | 一种视觉检测工具的管理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163800A CN112163800A (zh) | 2021-01-01 |
CN112163800B true CN112163800B (zh) | 2023-11-14 |
Family
ID=73860271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010873508.8A Active CN112163800B (zh) | 2020-08-26 | 2020-08-26 | 一种视觉检测工具的管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163800B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383738A (zh) * | 2012-05-03 | 2013-11-06 | 香港科技大学 | 嵌入视觉信息的二维条形码 |
CN107862234A (zh) * | 2017-10-23 | 2018-03-30 | 广东数相智能科技有限公司 | 一种彩色条形码的识别方法、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080285847A1 (en) * | 2007-05-15 | 2008-11-20 | Panwar Davender K | Dynamo color coding system to validate, authenticate goods and services |
-
2020
- 2020-08-26 CN CN202010873508.8A patent/CN112163800B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103383738A (zh) * | 2012-05-03 | 2013-11-06 | 香港科技大学 | 嵌入视觉信息的二维条形码 |
CN107862234A (zh) * | 2017-10-23 | 2018-03-30 | 广东数相智能科技有限公司 | 一种彩色条形码的识别方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112163800A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701519A (zh) | 基于超像素的图像的实际货架图景象分析 | |
CN109961101A (zh) | 货架状态确定方法及装置、电子设备、存储介质 | |
EP3016028B1 (en) | System and method for recognizing distorted machine-readable symbols | |
CN107145810A (zh) | 一种全方位条码识别装置及方法 | |
CN114155527A (zh) | 一种场景文本识别方法和装置 | |
CN108960382A (zh) | 一种彩色条码及其颜色校准方法 | |
CN113011898A (zh) | 确定消费品的真实性的基于机器学习的成像方法 | |
CN110114781B (zh) | 用于检测和识别远程高密度视觉标记的方法 | |
CN113936287A (zh) | 基于人工智能的表格检测方法、装置、电子设备及介质 | |
CN112163800B (zh) | 一种视觉检测工具的管理方法和装置 | |
Vijay et al. | Scratch detection in cars using mask region convolution neural networks | |
Bala et al. | Image simulation for automatic license plate recognition | |
US20230110558A1 (en) | Systems and methods for detecting objects | |
CN114612468B (zh) | 一种基于正样本的设备外部缺陷检测方法 | |
CN117237835A (zh) | 一种基于yolov7的货架安全自动检测方法及装置 | |
Beglov | Object information based on marker recognition | |
CN113066049B (zh) | Mems传感器疵病种类识别方法及系统 | |
CN113888086A (zh) | 基于图像识别的物品签收方法、装置、设备及存储介质 | |
CN115909351B (zh) | 一种基于深度学习的容器编号识别方法及装置 | |
EP4120195A1 (en) | A method, a computer program and a system for calibrating at least one camera | |
Koponen et al. | Recent advancements in machine vision methods for product code recognition: A systematic review | |
CN116091825A (zh) | 一种数码管内容识别方法、装置、电子设备及存储介质 | |
CN115187800A (zh) | 基于深度学习的人工智能商品检验方法、装置及介质 | |
CN116824248A (zh) | 一种融入个性化标签的场景化图像识别方法及装置 | |
Koponen et al. | Recent advancements in machine vision methods for product code recognition: A systematic review [version 1; peer review |
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 |