CN106709529A - 一种光伏电池色差分类的视觉检测方法 - Google Patents
一种光伏电池色差分类的视觉检测方法 Download PDFInfo
- Publication number
- CN106709529A CN106709529A CN201710036522.0A CN201710036522A CN106709529A CN 106709529 A CN106709529 A CN 106709529A CN 201710036522 A CN201710036522 A CN 201710036522A CN 106709529 A CN106709529 A CN 106709529A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic cell
- basis
- summit
- rotation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开一种光伏电池色差分类的视觉检测方法,该方法首先通过采集光伏电池图像,对图像进行定位,实现图像前景和背景的分割,然后提取感兴趣区域特征信息,获得图像的颜色特征、灰度特征和几何形状特征等,建立图像特征信息库,进行训练与学习,实现对光伏电池的色差分类。
Description
技术领域
本发明涉及检测技术领域,具体是一种光伏电池色差分类的视觉检测方法。
背景技术
以太阳能为代表的可再生能源得到国家的大力支持,“十三五”中的建设现代能源体系给太阳能产业注入了新活力,太阳能产业蓬勃发展。目前主要的太阳能转换工具—光伏电池具有转化效率高、成本低、寿命长等特点。但光伏电池的生产工艺过程复杂,由于电池镀膜工艺导致生产出的电池片颜色各异,在行业内被称之为电池片颜色色差,将这些颜色不一的电池片焊接在一块组件上会影响组件整体外观。现阶段国内对光伏电池的色差分选主要依靠人工肉眼进行识别,不仅精确度低、耗时长,而且人工分选效率低、成本高。由于人眼存在很强的主观意识,并且长时间的人眼分选势必会造成人眼的疲劳,进而导致工作效率下降或误检率增加。因此,如何代替人工进行智能化色差分选、降低光伏电池的破损率、提高光伏电池产品质量的一致性、建立色差检测和分选的客观评价标准,实现光伏产业智能化升级改造,成为摆在人们面前的一项重大课题。
发明内容
针对光伏电池人工分选的不足,本发明拟解决的技术问题是,发明一种光伏电池色差分类的视觉检测方法及其装置。该检测装置对采集的每一帧图像进行预处理,计算图像的旋转角度和旋转中心,使得旋转后光伏电池的成像区的长和宽分别平行于旋转后生成图像的长和宽,可实现光伏电池的目标图像的准确定位;计算目标图像的最小外接矩形,提取感兴趣区域;提取图像的颜色特征,灰度特征和几何特征,建立训练库,可实现光伏电池色差分类。该检测装置的视觉检测系统包括单目摄像机、回型光源以及连接两者的支架,其结构简单,能准确、快速的进行光伏电池的色差分类。
本发明解决所述方法技术问题所采用的技术方案是,设计一种光伏电池色差分类的视觉检测方法,用于光伏电池的检测、识别和分类,其特征在于该方法的具体步骤是:
第一步:图像预处理
1-1 图像获取:通过CCD智能相机传感器获取光伏电池图像;
1-2 图像阈值自适应分割:确定步骤1-1获取的光伏电池图像的二值图像;
1-3 边缘像素的提取:在步骤1-2的基础上,提取光伏电池的有效边缘图像;
1-4 计算目标区域的四个顶点坐标:在步骤1-3的基础上,对提取的边缘图像进行轮廓寻找,得到图像轮廓,寻找图像顶点,计算目标区域的四个顶点坐标;
第二步:图像旋转
2-1 旋转角度的计算:在步骤1-4的基础上,得到目标区域的四个顶点,标记最底的顶点为顶点0,其与三个顶点依次顺时针标记为顶点1、顶点2、顶点3;取顶点0与顶点1,连成一条直线,根据该直线的起始点坐标求得直线的倾斜角θ,该角度即为图像的旋转角度θ;
2-2 旋转中心的计算:在步骤2-1的基础上,计算sinθ与cosθ,求取旋转后图像的宽度x和高度y,获取旋转中心坐标(x/2,y/2);
2-3 图像旋转:根据旋转角度θ与旋转中心坐标(x/2,y/2),将光伏电池图像进行旋转,得到标准化的图像;
第三步:图像特征提取
3-1 提取图像感兴趣区域:在步骤2-3的基础上,确定图像的最小外接矩形,提取图像感兴趣区域;
3-2 颜色空间的转化:在步骤3-1的基础上,将图像从RGB转化到HSI;
3-3 图像特征提取:在步骤3-2的基础上,分别提取图像H分量、S分量、和I分量的颜色特征、灰度特征、几何图形特征;
第四步:光伏电池色差分类
4-1 建立图像特征信息库:在步骤3-3的基础上,存储特征向量,建立图像特征信息库;
4-2 建立训练库:在步骤4-1的基础上,利用图像特征信息库和确定的学习参数,进行SVM学习、训练,保存结果生成训练库;
4-3 光伏电池色差分类:重复第一步至第三步,载入步骤4-2生成的训练库,进行SVM分类,得到光伏电池的分类结果。
进一步的,本发明提供一种光伏电池色差分类的视觉检测装置,适用于上述方法,包括摄像机1、相机夹具2、光源3、光源夹具4、底座6、第一调节杆7、支架8、第二调节杆9,支架8固定在底座6上,第一调节杆7和第二调节杆9分别固定在支架8顶部的上、下不同的位置。摄像机1安装在相机夹具2中,通过第一调节杆7固定在支架8上。光源3固定在光源夹具4中,通过第二调节杆9固定在支架8上。可以通过调节第一调节杆7和第二调节杆9的相对位置来调节摄像机1与光源3的相对位置以及二者与底座6的距离,光伏电池5放置在底座6上的摄像机成像区。
与现有技术相比,本发明的有益效果在于:本发明方法通过对采集图像的定位与分割,提取感兴趣区域特征信息,建立图像特征信息库,进行训练与学习,实现对光伏电池的色差分类。本发明装置采用回型光源进行照明,能够实现目标区域成像时不反光、不失真、不受外界环境光的影响,增强了系统的鲁棒性。本发明装置结构简单,安装简便,操作可靠性高。
附图说明
图1为本发明一种光伏电池色差分类视觉检测方法一种实施例的检测装置结构示意图;
图2为本发明一种光伏电池色差分类视觉检测方法一种实施例的摄像机与回型光源相对位置示意图;
图3为本发明一种光伏电池色差分类视觉检测方法一种实施例的底座光照成像示意图;
在图中,1-摄像机,2-相机夹具,3-回型光源,4-光源夹具,5-光伏电池,6-底座,7-第一调节杆,8-支架,9-第二调节杆,10-目标图像。
具体实施方式
下面结合实施例及附图对本发明作进一步说明。
本发明提供一种光伏电池色差分类的视觉检测方法(简称方法),主要应用于工业现场光伏电池的检测、识别与分类,检测算法充分适应现场情况,对图像预处理后的标准图像提取图像相关特征,将特征信息建库,通过训练学习后进行分类,该方法的具体步骤是:
第一步:图像预处理
1-1 图像获取:通过CCD智能相机传感器获取光伏电池图像;
1-2 图像阈值自适应分割:确定步骤1-1获取的光伏电池图像的二值图像;
1-3 边缘像素的提取:在步骤1-2的基础上,提取光伏电池的有效边缘图像;
1-4 计算目标区域的四个顶点坐标:在步骤1-3的基础上,对提取的边缘图像进行轮廓寻找,得到图像轮廓,寻找图像顶点,计算目标区域的四个顶点坐标;
第二步:图像旋转
2-1 旋转角度的计算:在步骤1-4的基础上,得到目标区域的四个顶点,标记最底的顶点为顶点0,其与三个顶点依次顺时针标记为顶点1、顶点2、顶点3;取顶点0与顶点1,连成一条直线,根据该直线的起始点坐标求得直线的倾斜角θ,该角度即为图像的旋转角度θ;
2-2 旋转中心的计算:在步骤2-1的基础上,计算sinθ与cosθ,求取旋转后图像的宽度x和高度y,获取旋转中心坐标(x/2,y/2);
2-3 图像旋转:根据旋转角度θ与旋转中心坐标(x/2,y/2),将光伏电池图像进行旋转,得到标准化的图像;
第三步:图像特征提取
3-1 提取图像感兴趣区域:在步骤2-3的基础上,确定图像的最小外接矩形,提取图像感兴趣区域;
3-2 颜色空间的转化:在步骤3-1的基础上,将图像从RGB转化到HSI;
3-3 图像特征提取:在步骤3-2的基础上,分别提取图像H分量、S分量、和I分量的颜色特征、灰度特征、几何图形特征;
第四步:光伏电池色差分类
4-1 建立图像特征信息库:在步骤3-3的基础上,存储特征向量,建立图像特征信息库;
4-2 建立训练库:在步骤4-1的基础上,利用图像特征信息库和确定的学习参数,进行SVM学习、训练,保存结果生成训练库;
4-3 光伏电池色差分类:重复第一步至第三步,载入步骤4-2生成的训练库,进行SVM分类,得到光伏电池的分类结果。
本发明方法的进一步特征在于所述光伏电池长156mm,宽156mm,厚0.1mm,颜色有一定的差异。
本发明方法的进一步特征在于所述确定图像旋转角度和旋转中心坐标,通过旋转得到标准化图像。标记目标区域最底顶点为顶点0,坐标(x0,y0),顺时针标记下一顶点1,坐标(x1,y1)。连接顶点0与顶点1,根据该直线的起始点坐标求得直线的倾斜角θ,该角度即为图像的旋转角度θ,θ计算公式为(1)式
再计算sinθ与cosθ求得旋转后图像宽度x记做new_width和高度y记做new_height,计算公式为(2)式,其中原图像宽度src_width和高度src_height,
获取旋转中心坐标(new_width/2,new_height/2),根据旋转角度θ与旋转中心坐标(new_width/2,new_height/2),将光伏电池图像进行旋转,得到标准化的图像;
本发明方法的进一步特征在于所述图像RGB颜色空间到HSI颜色空间的转换,转换公式为(3)式,
提取转换得到的HSI图像的H通道、S通道和I通道的几何形状特征、灰度特征和颜色特征。
几何形状特征:
1.长宽比:图像宽/图像高,即
feature1=new_width/new_height (4)
灰度特征:
2.最大值:指图像像素值的最大值,即
3.最小值:指图像像素值的最小值,即
4.差值:最大值减最小值,即
feature4=feature2-feature3 (7)
5.能量,即
6.熵,即
颜色特征:
7.颜色一阶矩,均值,即
8.颜色二阶矩,方差,即
9.颜色三阶矩,偏斜度,即
10.颜色四阶矩,峭度,即
本发明方法的进一步特征在于建立特征库,进行训练、学习和分类。假定训练数据为:
(x1,y1),...,(xi,yi),x∈Rn,y∈{+1,-1} (14)
构成的超平面为:
wTx+b=0,w∈RN,b∈R (15)
进行归一化得:
yi(wTx+b)≥1,i=1,...,l (16)
则||w||2最小时分类间隔最大,分类效果最好。进一步进行优化,目标函数引入不等式的约束条件:
定义拉格朗日函数为:
得偏导方程为:
经过推导,问题转化为目标函数(10)的最大化问题,
约束条件:
得到决策面为:
其中为问题的优化解。
进一步的,本发明提供一种光伏电池色差分类的视觉检测装置(简称装置,参见图1-3),适用于上述方法,包括摄像机1、相机夹具2、光源3、光源夹具4、底座6、第一调节杆7、支架8、第二调节杆9,支架8固定在底座6上,第一调节杆7和第二调节杆9分别固定在支架8顶部的上、下不同的位置。摄像机1安装在相机夹具2中,通过第一调节杆7固定在支架8上。光源3固定在光源夹具4中,通过第二调节杆9固定在支架8上。可以通过调节第一调节杆7和第二调节杆9的相对位置来调节摄像机1与光源3的相对位置以及二者与底座6的距离,光伏电池5放置在底座6上的摄像机成像区。
本发明装置的进一步特征在于所述光源为回型光源。
本发明装置的进一步特征在于所述摄像机镜头嵌套在回型光源中,镜头与光源发光区位置持平。
本发明装置的进一步特征在于所述回型光源平行于光伏电池成像区。两者距离在20cm-50cm之间可调。
本发明方法及装置主要用于工业现场,光伏电池的检测、识别与颜色分类同时进行,检测算法、检测装置充分适应现场情况,对采集到的图像进行定位分割,使得感兴趣区域即光伏电池成像区完全从背景中分离,从而避免背景产生的干扰,将回型光源调节到最大亮度,并且摄像机设置合理的曝光时间,从而完全屏蔽掉外界环境中的环境光产生的干扰。对获得的图像进行上述步骤的处理,最终实现将光伏电池按色差进行准确分类。
本发明未述及之处均适用于现有技术。
Claims (1)
1.一种光伏电池色差分类的视觉检测方法,用于光伏电池的检测、识别和分类,其特征在于该方法的具体步骤是:
第一步:图像预处理
1-1图像获取:通过CCD智能相机传感器获取光伏电池图像;
1-2图像阈值自适应分割:确定步骤1-1获取的光伏电池图像的二值图像;
1-3边缘像素的提取:在步骤1-2的基础上,提取光伏电池的有效边缘图像;
1-4计算目标区域的四个顶点坐标:在步骤1-3的基础上,对提取的边缘图像进行轮廓寻找,得到图像轮廓,寻找图像顶点,计算目标区域的四个顶点坐标;
第二步:图像旋转
2-1旋转角度的计算:在步骤1-4的基础上,得到目标区域的四个顶点,标记最底的顶点为顶点0,其与三个顶点依次顺时针标记为顶点1、顶点2、顶点3;取顶点0与顶点1,连成一条直线,根据该直线的起始点坐标求得直线的倾斜角θ,该角度即为图像的旋转角度θ;
2-2旋转中心的计算:在步骤2-1的基础上,计算sinθ与cosθ,求取旋转后图像的宽度x和高度y,获取旋转中心坐标(x/2,y/2);
2-3图像旋转:根据旋转角度θ与旋转中心坐标(x/2,y/2),将光伏电池图像进行旋转,得到标准化的图像;
第三步:图像特征提取
3-1提取图像感兴趣区域:在步骤2-3的基础上,确定图像的最小外接矩形,提取图像感兴趣区域;
3-2颜色空间的转化:在步骤3-1的基础上,将图像从RGB转化到HSI;
3-3图像特征提取:在步骤3-2的基础上,分别提取图像H分量、S分量、和I分量的颜色特征、灰度特征、几何图形特征;
第四步:光伏电池色差分类
4-1建立图像特征信息库:在步骤3-3的基础上,存储特征向量,建立图像特征信息库;
4-2建立训练库:在步骤4-1的基础上,利用图像特征信息库和确定的学习参数,进行SVM学习、训练,保存结果生成训练库;
4-3光伏电池色差分类:重复第一步至第三步,载入步骤4-2生成的训练库,进行SVM分类,得到光伏电池的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710036522.0A CN106709529B (zh) | 2017-01-18 | 2017-01-18 | 一种光伏电池色差分类的视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710036522.0A CN106709529B (zh) | 2017-01-18 | 2017-01-18 | 一种光伏电池色差分类的视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709529A true CN106709529A (zh) | 2017-05-24 |
CN106709529B CN106709529B (zh) | 2020-04-14 |
Family
ID=58907805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710036522.0A Expired - Fee Related CN106709529B (zh) | 2017-01-18 | 2017-01-18 | 一种光伏电池色差分类的视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709529B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022266A (zh) * | 2017-12-14 | 2018-05-11 | 杭州电子科技大学 | 面向光伏电池在线位置检测的人工智能图像识别方法 |
CN108230303A (zh) * | 2017-12-21 | 2018-06-29 | 河北工业大学 | 一种多晶硅太阳能电池片外观划痕缺陷检测的方法 |
CN108304878A (zh) * | 2018-02-05 | 2018-07-20 | 河北工业大学 | 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 |
CN108564631A (zh) * | 2018-04-03 | 2018-09-21 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
CN108805173A (zh) * | 2018-05-16 | 2018-11-13 | 苏州迈为科技股份有限公司 | 太阳能电池片色差分选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102974551A (zh) * | 2012-11-26 | 2013-03-20 | 华南理工大学 | 一种基于机器视觉的多晶硅太阳能检测分选的方法 |
CN103218626A (zh) * | 2012-01-20 | 2013-07-24 | 致茂电子股份有限公司 | 太阳能电池晶片分色的方法 |
TW201331566A (zh) * | 2012-01-20 | 2013-08-01 | Chroma Ate Inc | 太陽能電池晶片分色之方法 |
CN104966101A (zh) * | 2015-06-17 | 2015-10-07 | 镇江苏仪德科技有限公司 | 一种基于LabVIEW的太阳能电池片分类方法 |
CN106327463A (zh) * | 2015-06-17 | 2017-01-11 | 上海太阳能工程技术研究中心有限公司 | 太阳电池片的颜色识别方法 |
-
2017
- 2017-01-18 CN CN201710036522.0A patent/CN106709529B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218626A (zh) * | 2012-01-20 | 2013-07-24 | 致茂电子股份有限公司 | 太阳能电池晶片分色的方法 |
TW201331566A (zh) * | 2012-01-20 | 2013-08-01 | Chroma Ate Inc | 太陽能電池晶片分色之方法 |
CN102974551A (zh) * | 2012-11-26 | 2013-03-20 | 华南理工大学 | 一种基于机器视觉的多晶硅太阳能检测分选的方法 |
CN104966101A (zh) * | 2015-06-17 | 2015-10-07 | 镇江苏仪德科技有限公司 | 一种基于LabVIEW的太阳能电池片分类方法 |
CN106327463A (zh) * | 2015-06-17 | 2017-01-11 | 上海太阳能工程技术研究中心有限公司 | 太阳电池片的颜色识别方法 |
Non-Patent Citations (4)
Title |
---|
HSU-NAN YEN ET AL.: "A Novel Computer Vision System for Color Classification of Silicon Solar Cells", 《ADVANCED SCIENCE LETTERS》 * |
SU FENG-WU ET AL.: "A Statistical Features-based Color Difference Classification Method", 《25TH CHINESE CONTROL AND DECISION CONFERENCE》 * |
李伟青 等: "基于人工智能的色差分类技术", 《图形与图像》 * |
李温温: "瓷砖色差在线检测系统的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022266A (zh) * | 2017-12-14 | 2018-05-11 | 杭州电子科技大学 | 面向光伏电池在线位置检测的人工智能图像识别方法 |
CN108022266B (zh) * | 2017-12-14 | 2024-02-02 | 杭州电子科技大学 | 面向光伏电池在线位置检测的人工智能图像识别方法 |
CN108230303A (zh) * | 2017-12-21 | 2018-06-29 | 河北工业大学 | 一种多晶硅太阳能电池片外观划痕缺陷检测的方法 |
CN108304878A (zh) * | 2018-02-05 | 2018-07-20 | 河北工业大学 | 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 |
CN108564631A (zh) * | 2018-04-03 | 2018-09-21 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
CN108564631B (zh) * | 2018-04-03 | 2021-07-09 | 上海理工大学 | 车灯光导色差检测方法、装置及计算机可读存储介质 |
CN108805173A (zh) * | 2018-05-16 | 2018-11-13 | 苏州迈为科技股份有限公司 | 太阳能电池片色差分选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106709529B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709529A (zh) | 一种光伏电池色差分类的视觉检测方法 | |
CN107506798B (zh) | 一种基于图像识别的水位监测方法 | |
CN108009531B (zh) | 一种多策略防欺诈的人脸识别方法 | |
CN105740780B (zh) | 人脸活体检测的方法和装置 | |
CN103810478B (zh) | 一种坐姿检测方法和装置 | |
CN105426828B (zh) | 人脸检测方法、装置及系统 | |
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN103971126A (zh) | 一种交通标志识别方法和装置 | |
CN111260788B (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
CN109410207A (zh) | 一种基于ncc特征的无人机巡线图像输电线路检测方法 | |
CN109978839A (zh) | 晶圆低纹理缺陷的检测方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN108470338B (zh) | 一种水位监测方法 | |
CN108267455B (zh) | 塑料薄膜印刷字符缺陷检测装置及方法 | |
CN108416814B (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
CN106033535A (zh) | 电子阅卷方法 | |
CN108334955A (zh) | 基于Faster-RCNN的身份证复印件检测方法 | |
CN104597057A (zh) | 一种基于机器视觉的柱状二极管表面缺陷检测装置 | |
CN108133216A (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN105426924B (zh) | 一种基于图像中层特征的场景分类方法 | |
WO2013030850A2 (en) | Chemical structure recognition tool | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN106651831B (zh) | 一种竹块缺陷检测方法和系统 | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN111739003B (zh) | 一种用于外观检测的机器视觉方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200414 Termination date: 20220118 |