CN105159248A - 一种基于机器视觉的对工业产品分类的方法 - Google Patents
一种基于机器视觉的对工业产品分类的方法 Download PDFInfo
- Publication number
- CN105159248A CN105159248A CN201510474099.3A CN201510474099A CN105159248A CN 105159248 A CN105159248 A CN 105159248A CN 201510474099 A CN201510474099 A CN 201510474099A CN 105159248 A CN105159248 A CN 105159248A
- Authority
- CN
- China
- Prior art keywords
- perform
- camera
- examined object
- machine vision
- lines
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于机器视觉的对工业产品分类的方法,包括步骤:启动上位机,所述上位机控制开启下位机并与所述下位机进行配对;所述上位机向所述下位机发出摄像头控制信号,所述下位机接收所述摄像头控制信号并通过舵机控制所述摄像头进行转动;所述摄像头进行图像采集获取采集图像,所述下位机将所述采集图像传递至所述上位机;启动识别单元,对所述采集图像进行识别处理,获取所述采集图像中待检测物体的形状信息;根据所述形状信息,对所述待检测物体进行分类。该方法实现了全部智能化操作,减少了人工成本,且保证了检测度效率和识别率。
Description
技术领域
本发明涉及机器视觉领域,尤其涉及一种基于机器视觉的对工业产品分类的方法。
背景技术
随着科技的发展,目前人类许多工作逐步由机器代替。由科技带来的生产力发展是巨大的。近些年来,各个工业生产线上面逐步都引进了自动化机器人仪器等等设备来提高生产力,节约人工的一个成本。但是,所有的机器在工作时都必须有一个识别的过程才能去完成接下来的工作。目前市面上有许多视觉识别图像处理的平台,但是造价昂贵,识别速度慢,而且有些识别误差大,给生产带来一定的阻碍。
发明内容
鉴于上述问题,本申请记载了一种基于机器视觉的对工业产品分类的方法,包括步骤:
S1:启动上位机,所述上位机控制开启下位机并与所述下位机进行配对;
S2:所述上位机向所述下位机发出摄像头控制信号,所述下位机接收所述摄像头控制信号并通过舵机控制所述摄像头;
S3:所述摄像头进行图像采集获取采集图像,所述下位机将所述采集图像传递至所述上位机;
S4:启动识别单元,对所述采集图像进行识别处理,获取所述采集图像中待检测物体的形状信息;
S5:根据所述形状信息,对所述待检测物体进行分类。
较佳的,所述上位机和所述下位机通过蓝牙进行配对。
较佳的,步骤S2具体包括步骤:
S21:启动所述摄像头,采集环境信息,所述下位机将所述环境信息传递至所述上位机;
S22:所述上位机对所述环境信息进行处理,根据处理后的所述环境信息判断所述摄像头是否需要调节,如果需要,执行S23,否则,执行S3;
S23:所述上位机发出摄像头控制信号,所述下位机接收该信号并控制舵机的转动,执行S21。
较佳的,在步骤S3中,所述摄像头位于传送所述待检测物体的传送带的正上方。
较佳的,步骤S4具体包括步骤:
S41:对所述采集图像进行预处理;
S42:对经过所述预处理后的所述采集图像进行识别处理,获取所述待检测物体的所述形状信息。
较佳的,所述预处理包括灰度处理和/或去噪处理和/或去阴影处理和/或增强处理和/或去背景处理。
较佳的,根据所述待检测物体的形状,将所述待检测物体分为圆饼类和/或正方形类和/或三角形类和/或不合格类。
较佳的,步骤S5具体包括步骤:
S01:判断所述形状信息中是否所包含的线条,如果存在线条,执行S02,否则,执行S06;
S02:判断所述线条是否为直线,如果是,执行S03,否则,执行S11;
S03:统计所述线条的数目,当所述线条的数目为4时,执行S04,否则执行S21;
S04:判断相邻的所述线条之间的夹角是否在80度和100度之间,如果是,则执行S05,否则,执行S06;
S05:将所述待检测物体判断为所述正方形类;
S06:将所述待检测物体判断为所述不合格类;
S11:判断所述线条是否为圆形或椭圆形,如果是,执行S12,否则,执行S06;
S12:判断所述待检测物体为所述圆饼类;
S21:判断所述线条的数目是否为3,如果是,执行S22,否则,执行S06;
S22:判断所述线条是否两两相连,如果是,执行S23,否则,执行S06;
S23:判断所述待检测物体为所述三角形类。
上述技术方案具有如下优点或有益效果:
根据该分类方法,首先将摄像头自动的进行角度调整直至调整至最佳拍照角度,然后在一定的频率下对待检测物体进行图像采集,最后对采集图像进行识别并分类处理,从而标定每个产品的类别,这种方式全部智能化操作,造价更低,且在减少人工成本的同时保证了检测度效率和识别率;在对待检测物体进行检测之前,首先要对摄像头进行自动定位,每一次定位后都返回定位结果并对结果进行分析判断摄像头是否需要继续进行调整,直至摄像头位置最佳,这种自动定位方式,保证了摄像头的拍摄角度,从而提高了识别率;在对待检测物体进行识别时,根据形状信息中是否包括线条、线条数目、线条是否相交、线条的夹角以及线条的曲直状态这几方面进行考量,最终对待检测物体进行分类,这种分类方式详细准确,提高了最终的识别率。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1本发明一种基于机器视觉的对工业产品分类的方法的流程图一;
图2本发明一种基于机器视觉的对工业产品分类的方法的流程图二;
图3本发明一种基于机器视觉的对工业产品分类的方法的流程图三;
图4本发明一种基于机器视觉的对工业产品分类的方法的流程图四。
具体实施方式
下面结合附图和具体实施例对本发明的一种基于机器视觉的对工业产品分类的方法进行详细说明。
实施例一
一种基于机器视觉的对工业产品分类的方法,用于工业生产流水线上的产品分类或摆放等工序。如图1所示,该方法的步骤始于S1:启动上位机,所述上位机控制开启所述下位机并与下位机进行配对。这里的配对方式可通过现有技术进行实现,如利用蓝牙或者红外等。上位机和下位机进行配对后,两者之间形成了连接关系,在进行相互之间信号传递的同时,避免了其它设备发出的信号的干扰。
在步骤S1之后还包括步骤S2:所述上位机向所述下位机发出摄像头控制信号,所述下位机接收所述摄像头控制信号并通过舵机控制所述摄像头。在该步骤中,所述摄像头设置于工业生产线传送带的上方,用于对工业生产线上的待检测物体进行拍照。上位机和下位机开启并进行配对后,上位机需要对摄像头的视角进行调节,才能够更好的对待检测物品进行拍摄,获取最佳的拍摄效果,所以在这里上位机需要通过下位机实现对舵机的控制。所述上位机对所述摄像头的控制,可以通过人工调节,即人工的观察所述上位机接收到的摄像头的拍摄画面,根据该拍摄画面对摄像头的角度进行调节;还可以通过智能的方式进行调节,即上位机对所述摄像头拍摄的画面进行自动分析处理,并根据该分析结果自动调整摄像头的角度,实现最佳的拍摄效果。这里的摄像头最优的拍摄角度为从所述待检测物体的正上方进行检测。
调整好摄像头的角度后,在步骤S3中,摄像头进行图像采集,下位机将采集图像传递至上位机。具体而言,所述采集图像可能包括待测物体,也可能不包括待测物体。下位机在对待测物体进行信息采集时,如果采集频率过高,会造成采集图像太大。即当某个待检测物体跟随传送带运动时,采集频率过高会造成该待检测物体进行了多次信息采集,采集到的所有信息会全部上传至上位机,上位机会对所有的信息都进行分析,但是所有的分析结果都是针对同一待检测物体。因此,当采集频率过高时,会造成上位机的资源浪费,且降低了整个分类系统的效率。反过来讲,如果采集频率过低,那么待检测物体有可能正好在射线头未进行图像采集的时间段经过采集区域,这样就造成了漏检,降低了分拣效率。
启动识别单元后,进入步骤S4:启动识别单元,对所述采集图像进行识别处理,获取所述采集图像中待检测物体的形状信息。在该步骤中,对采集图像进行识别处理时,需要去除环境信息的影响,提高识别准确率。
最后,还包括步骤S5:根据所述形状信息,对待检测物体进行分类。所述上位机可以通过神经网络算法或者隐马尔科夫算法或者AdaBoost算法对所述待检测物体进行分类处理。
根据该分类方法,首先将摄像头自动的进行角度调整直至调整至最佳拍照角度,然后在一定的频率下对待检测物体进行图像采集,最后对采集图像进行识别并分类处理,从而标定每个产品的类别。这种方式全部智能化操作,减少了人工成本,且保证了检测度效率和识别率。
实施例二
根据上述实施例提出的一种基于机器视觉的对工业产品分类的方法,本实施例对该方法进行进一步说明。
一种基于机器视觉的对工业产品分类的方法,包括步骤1:启动上位机,所述上位机控制开启所述下位机并与下位机进行配对。这里的配对方式可通过现有技术进行实现,如利用蓝牙进行自动配对。上位机和下位机进行配对后,两者之间形成了连接关系,在进行相互之间信号传递的同时,避免了其它设备发出的信号的干扰。
在步骤S1之后还包括步骤S2:所述上位机向所述下位机发出摄像头控制信号,所述下位机接收所述摄像头控制信号并通过舵机控制所述摄像头。
如图2所示,当上位机需要根据实际情况自动发出控制信号,智能的完成调节所述摄像头角度时,步骤S2具体包括步骤:
S21:启动摄像头,采集环境信息,所述下位机将所述环境信息传递至上位机;
S22:所述上位机对所述环境信息进行处理,根据处理后的环境信息判断所述摄像头是否需要调节,如果需要,执行S23,否则,执行S3;
S23:所述上位机发出摄像头控制信号,所述下位机接收该信号并控制舵机的转动,执行S21。
在步骤S22中,所述上位机需要对所述环境信息进行灰度化去噪、增强等一系列处理,然后再进行识别处理。这种处理方式,有利于提高识别效率。在步骤S23中,所述上位机根据处理后的环境信息,判断摄像头偏离需检测区域的角度,并根据该角度信息发出控制信号,所述下位机根据该角度信息控制舵机转动的角度范围,从而控制了摄像头的转动角度。
在每一次对摄像头的角度进行调整后,都需要重新再进行一次环境采集以及相应的分析,直至摄像头的拍摄角度范围符合实际需求。这种不断调整的方式,实现了根据实际需求自动的对摄像头进行调整,同时也保证了摄像头调整的准确度。
如图3所示,启动识别单元后,进入步骤S4:对所述采集图像进行识别处理,获取所述采集图像中待检测物体的形状信息。在该步骤中,还包括步骤:
S41:对所述采集图像进行预处理;
S42:对经过预处理后的采集图像进行识别处理,获取待检测物体的形状信息。
具体而言,在步骤S41中,对采集图像进行预处理具体包括灰度处理、去噪处理、去阴影处理、增强处理、去除传动带背景处理等。
如图4所示,最后,在步骤S5,根据所述形状信息,对待检测物体进行分类。所述待检测物体可以分为四类,即圆饼类、正方形类、三角形类以及不合格。具体的分类方法包括步骤:
S01:判断所述形状信息中是否所包含的线条,如果发现存在线条,执行S02,否则,执行S06;
S02:判断所述线条是否为直线,如果是,执行S03,否则,执行S11;
S03:统计所述线条数目,当所述线条数目为4时,执行S04,否则执行S21;
S04:判断相邻的线条之间的夹角是否在80度和100度之间,如果是,则执行S05,否则,执行S06;
S05:将所述待检测物体判断为正方形类;
S06:将所述待检测物体判断为不合格;
S11:判断所述线条是否为圆形或椭圆形,如果是,执行S12,否则,执行S06;
S12:判断所述待检测物体为圆饼类;
S21:判断所述线条数目是否为3,如果是,执行S22,否则,执行S06;
S22:判断所述线条是否两两相连,如果是,执行S23,否则,执行S06;
S23:判断所述待检测物体为三角形类。
在对待检测物体进行检测之前,首先要对摄像头进行自动定位,每一次定位后都返回定位结果并对结果进行分析判断摄像头是否需要继续进行调整,直至摄像头位置最佳。这种自动定位方式,保证了摄像头的拍摄角度,从而提高了识别率。在对待检测物体进行识别时,根据形状信息中是否包括线条、线条数目、线条是否相交、线条的夹角以及线条的曲直状态这几方面进行考量,最终对待检测物体进行分类。这种分类方式详细准确,提高了最终的识别率。
对于本领域的技术人员而言,阅读上述说明后,各种变化和修正无疑将显而易见。因此,所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容,都应认为仍属本发明的意图和范围内。
Claims (8)
1.一种基于机器视觉的对工业产品分类的方法,其特征在于,包括步骤:
S1:启动上位机,所述上位机控制开启下位机并与所述下位机进行配对;
S2:所述上位机向所述下位机发出摄像头控制信号,所述下位机接收所述摄像头控制信号并通过舵机控制所述摄像头进行转动;
S3:所述摄像头进行图像采集获取采集图像,所述下位机将所述采集图像传递至所述上位机;
S4:启动识别单元,对所述采集图像进行识别处理,获取所述采集图像中待检测物体的形状信息;
S5:根据所述形状信息,对所述待检测物体进行分类。
2.根据权利要求1所述的基于机器视觉的对工业产品分类的方法,其特征在于,所述上位机和所述下位机通过蓝牙进行配对。
3.根据权利要求1所述的基于机器视觉的对工业产品的分类的方法,其特征在于,步骤S2具体包括步骤:
S21:启动所述摄像头,采集环境信息,所述下位机将所述环境信息传递至所述上位机;
S22:所述上位机对所述环境信息进行处理,根据处理后的所述环境信息判断所述摄像头是否需要调节,如果需要,执行S23,否则,执行S3;
S23:所述上位机发出所述摄像头控制信号,所述下位机接收所述摄像头控制信号并控制舵机的转动,执行S21。
4.根据权利要求1所述的基于机器视觉的对工业产品的分类方法,其特征在于,在步骤S3中,所述摄像头位于传送所述待检测物体的传送带的正上方。
5.根据权利要求1所述的基于机器视觉的对工业产品的分类方法,其特征在于,步骤S4具体包括步骤:
S41:对所述采集图像进行预处理;
S42:对经过所述预处理后的所述采集图像进行识别处理,获取所述待检测物体的所述形状信息。
6.根据权利要求5所述的基于机器视觉的对工业产品的分类方法,其特征在于,所述预处理包括灰度处理和/或去噪处理和/或去阴影处理和/或增强处理和/或去背景处理。
7.根据权利要求1所述的基于机器视觉的对工业产品的分类方法,其特征在于,根据所述待检测物体的形状,将所述待检测物体分为圆饼类和/或正方形类和/或三角形类和/或不合格类。
8.根据权利要求7所述的基于机器视觉的对工业产品的分类方法,其特征在于,步骤S5具体包括步骤:
S01:判断所述形状信息中是否所包含线条,如果存在线条,执行S02,否则,执行S06;
S02:判断所述线条是否为直线,如果是,执行S03,否则,执行S11;
S03:统计所述线条的数目并判断所述数目是否为4,如果是,执行S04,否则执行S21;
S04:判断相邻的所述线条之间的夹角是否在80度和100度之间,如果是,则执行S05,否则,执行S06;
S05:将所述待检测物体判断为所述正方形类;
S06:将所述待检测物体判断为所述不合格类;
S11:判断所述线条是否为圆形或椭圆形,如果是,执行S12,否则,执行S06;
S12:判断所述待检测物体为所述圆饼类;
S21:判断所述线条的数目是否为3,如果是,执行S22,否则,执行S06;
S22:判断所述线条是否两两相连,如果是,执行S23,否则,执行S06;
S23:判断所述待检测物体为所述三角形类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510474099.3A CN105159248B (zh) | 2015-08-05 | 2015-08-05 | 一种基于机器视觉的对工业产品分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510474099.3A CN105159248B (zh) | 2015-08-05 | 2015-08-05 | 一种基于机器视觉的对工业产品分类的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105159248A true CN105159248A (zh) | 2015-12-16 |
CN105159248B CN105159248B (zh) | 2019-01-29 |
Family
ID=54800134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510474099.3A Expired - Fee Related CN105159248B (zh) | 2015-08-05 | 2015-08-05 | 一种基于机器视觉的对工业产品分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105159248B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272851A (zh) * | 2018-11-21 | 2019-01-25 | 福建农林大学 | 一种机器视觉检测试验的教学方法 |
CN109526918A (zh) * | 2018-11-20 | 2019-03-29 | 东北农业大学 | 一种基于机器视觉的风送式多喷路除草设备 |
CN109558867A (zh) * | 2017-09-27 | 2019-04-02 | 北京缤歌网络科技有限公司 | 信息采集装置、方法及应用 |
NL2030854B1 (en) | 2022-02-09 | 2023-08-15 | Holland Mech B V | Method to optically monitor a bicycle wheel for classifying the bicycle wheel in a predefined bicycle wheel category |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1462875A (zh) * | 2003-06-19 | 2003-12-24 | 上海交通大学 | 基于机器视觉的高速瓜果品质识别系统 |
JP2006072757A (ja) * | 2004-09-02 | 2006-03-16 | Toyota Motor Corp | 物体検出装置 |
CN1804620A (zh) * | 2005-12-30 | 2006-07-19 | 南京农业大学 | 一种禽蛋表面品质检测的方法和装置 |
CN101750419A (zh) * | 2009-12-21 | 2010-06-23 | 天津市华核科技有限公司 | 基于特征匹配的开放式视觉检测方法 |
CN103325106A (zh) * | 2013-04-15 | 2013-09-25 | 浙江工业大学 | 基于LabVIEW的运动工件分拣方法 |
-
2015
- 2015-08-05 CN CN201510474099.3A patent/CN105159248B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1462875A (zh) * | 2003-06-19 | 2003-12-24 | 上海交通大学 | 基于机器视觉的高速瓜果品质识别系统 |
JP2006072757A (ja) * | 2004-09-02 | 2006-03-16 | Toyota Motor Corp | 物体検出装置 |
CN1804620A (zh) * | 2005-12-30 | 2006-07-19 | 南京农业大学 | 一种禽蛋表面品质检测的方法和装置 |
CN101750419A (zh) * | 2009-12-21 | 2010-06-23 | 天津市华核科技有限公司 | 基于特征匹配的开放式视觉检测方法 |
CN103325106A (zh) * | 2013-04-15 | 2013-09-25 | 浙江工业大学 | 基于LabVIEW的运动工件分拣方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558867A (zh) * | 2017-09-27 | 2019-04-02 | 北京缤歌网络科技有限公司 | 信息采集装置、方法及应用 |
CN109526918A (zh) * | 2018-11-20 | 2019-03-29 | 东北农业大学 | 一种基于机器视觉的风送式多喷路除草设备 |
CN109272851A (zh) * | 2018-11-21 | 2019-01-25 | 福建农林大学 | 一种机器视觉检测试验的教学方法 |
NL2030854B1 (en) | 2022-02-09 | 2023-08-15 | Holland Mech B V | Method to optically monitor a bicycle wheel for classifying the bicycle wheel in a predefined bicycle wheel category |
Also Published As
Publication number | Publication date |
---|---|
CN105159248B (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105817430B (zh) | 基于机器视觉的产品检测方法 | |
Liming et al. | Automated strawberry grading system based on image processing | |
US20210390678A1 (en) | Method for monitoring manufacture of assembly units | |
CN102192911B (zh) | 一种基于机器视觉的金属瓶盖质量检测系统 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN104077594B (zh) | 一种图像识别方法和装置 | |
CN105159248A (zh) | 一种基于机器视觉的对工业产品分类的方法 | |
CN105608441B (zh) | 一种车型识别方法及系统 | |
KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
CN104197836A (zh) | 基于机器视觉的汽车门锁装配尺寸检测方法 | |
CN107891012B (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
JP2023134688A (ja) | ビジョンシステムで画像内のパターンを検出及び分類するためのシステム及び方法 | |
CN104056790A (zh) | 一种马铃薯智能分选方法与装置 | |
CN109344766A (zh) | 基于巡检机器人的滑块式断路器识别方法 | |
CN109344768A (zh) | 基于巡检机器人的指针式断路器识别方法 | |
CN106501272A (zh) | 机器视觉焊锡定位检测系统 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN103218610A (zh) | 狗脸检测器的形成方法和狗脸检测方法 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN103258218A (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN116883945B (zh) | 一种融合目标边缘检测和尺度不变特征变换的人员识别定位方法 | |
CN114662594B (zh) | 一种目标特征识别分析系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190129 Termination date: 20190805 |
|
CF01 | Termination of patent right due to non-payment of annual fee |