CN107016394A - 一种交叉纤维特征点匹配方法 - Google Patents
一种交叉纤维特征点匹配方法 Download PDFInfo
- Publication number
- CN107016394A CN107016394A CN201710107925.XA CN201710107925A CN107016394A CN 107016394 A CN107016394 A CN 107016394A CN 201710107925 A CN201710107925 A CN 201710107925A CN 107016394 A CN107016394 A CN 107016394A
- Authority
- CN
- China
- Prior art keywords
- point
- concave
- slope
- fiber
- contour line
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000000470 constituent Substances 0.000 abstract description 4
- 230000008451 emotion Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种交叉纤维特征点匹配方法,该方法主要流程为:生成纤维原始图像进行预处理操作,提取边缘纤维轮廓线,计算边缘纤维轮廓线上各点的曲率值并判断纤维轮廓线角点,构建动态支撑域删除伪角点,使用两点法确定凹点并标注,计算各个凹点的左右斜率和各个凹点与凹点之间的斜率并进行比较查找匹配点。本发明克服现有技术所述的传统人工识别纤维技术的缺陷,通过交叉重叠纤维特征点的匹配检测纤维成分含量及参数测量,不受人为主观情绪影响,操作简单,智能化程度高。
Description
技术领域
本发明涉及模式识别与数字图像处理技术领域,更具体地,涉及一种交叉纤维特征点匹配方法。
背景技术
对纺织品加工厂家、贸易双方、进出口商品等检验部门来说,混纺化纤织物中纤维成份含量的分析十分重要,往往需要对纤维进行数量统计和参数测量。目前纤维计数都是通过人工完成,这种传统方法劳动强度大、费时、费力、精度低、数据稳定性较差且存在着人为主观情绪影响。所以,随着计算机自动化技术的不断提高,通过计算机利用曲率角点提取的基础上进行特征点的匹配检测纤维成分含量及参数测量已成为可能。
发明内容
本发明为克服上述现有技术所述的传统人工识别纤维技术的缺陷,提供一种交叉纤维特征点匹配方法,通过交叉重叠纤维特征点的匹配检测纤维成分含量及参数测量,不受人为主观情绪影响,操作简单,智能化程度高。
为解决上述技术问题,本发明的技术方案如下:
一种交叉纤维特征点匹配方法,包括以下步骤:
S1:生成纤维原始图像,读入并将其二值化,将二值化后纤维灰度图像经开、闭运算、图像填充和增强预处理操作;
S2:提取经预处理操作后的图像纤维边缘并对其进行平滑处理,抽取图像纤维轮廓线;
S3:计算图像纤维轮廓线上各像素点的曲率值,通过与预设的第一阈值比较来确定角点;
S4:在确定角点的基础上使用两点法确定凹点,把同一交叉区域内的凹点归类为同一集合,并对该集合的所有凹点进行标注;
S5:在同一集合内,计算两相邻凹点Pi和Pj(i≠j)之间的斜率Kij,在纤维轮廓线上计算凹点Pi与距离其左边n个像素的点PL斜率KiL,记为凹点Pi左斜率;在纤维轮廓线上计算凹点Pi与距离其右边n个像素的点PR斜率KiR,记为凹点Pi右斜率;同时记凹点Pj与点PL之间斜率为KjL;记凹点Pj与点PR之间斜率为KjR;
S6:若凹点Pi相邻的凹点Pj斜率Kij与Pi的左斜率KiL相减差值h1在预设的第二阈值范围之内;若斜率KjL与两相邻凹点Pi和Pj(i≠j)之间的斜率Kij相减差值h2在预设的第三阈值范围之内;取最小的h1和h2,则该凹点判为凹点Pi左匹配点,即
S7:若凹点Pi相邻的凹点Pj斜率Kij与Pi的右斜率KiR相减差值h3在预设的第二阈值范围之内;若斜率KjR与两相邻凹点Pi和Pj(i≠j)之间的斜率Kij相减差值h4在预设的第三阈值范围之内;取最小的h3和h4,则该凹点判为凹点Pi右匹配点,即
在一种优选的方案中,步骤S2中使用canny边缘检测算子提取经预处理操作后的图像纤维边缘。
在一种优选的方案中,步骤S2中,先确定其纤维轮廓线的起点并把其设定为模板中心点,在纤维轮廓线的两个方向,采用模板遍历图像,找到距离中心点最近的像素点,并把其确定为纤维轮廓线上的下一个模板中心点,依次类推,得到纤维轮廓线。
在一种优选的方案中,所步骤S3中,为保证角点检测的完整性和正确性,首先构造高斯滤波器对纤维图像纤维轮廓线进行平滑处理,利用高斯滤波器和纤维轮廓曲线卷积,用曲率计算公式计算各像素点的曲率值,把曲率局部极大值的点作为待检测角点候选集,此候选角点集包含角点和伪角点,若曲率值大于预设的第一阈值,则该像素点判为角点且对角点进行逆时针标注。
在一种优选的方案中,所述的角点中出现的伪角点通过构建动态支撑域的方法来剔除,把伪角点噪声剔除后,将剩下的角点进行归类。
在一种优选的方案中,所述的角点包括凸点和凹点。
在一种优选的方案中,步骤S4中在角点的基础上使用两点法确定凹点,将角点的纤维轮廓线上距离左右各k个像素的两个像素点连线,其中角点与左右像素点区间不包含其他角点,若两像素点连线的中点在纤维轮廓线外部,则判断是凹点,否则为凸点。
在一种优选的方案中,步骤S5中的像素点n取值为5。
与现有技术相比,本发明技术方案的有益效果是:一种交叉纤维特征点匹配方法中角点是图像的一种重要局部特征,它能够保留图像中物体的重要特征信息,同时可以有效地减少信息的数据量,使图像在处理时运算量大大减少。本发明克服现有技术所述的传统人工识别纤维技术的缺陷,通过交叉重叠纤维特征点的匹配检测纤维成分含量及参数测量,不受人为主观情绪影响,操作简单,智能化程度高。
附图说明
图1为实施例2交叉纤维特征点匹配方法的流程图。
图2为实施例2交叉纤维特征点匹配方法的角点标注示意图。
图3为实施例2交叉纤维特征点匹配方法的凹点匹配宏观示意图。
图4为实施例2交叉纤维特征点匹配方法的左匹配点示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种交叉纤维特征点匹配方法,包括以下步骤:
S1:生成纤维原始图像,读入并将其二值化,将二值化后纤维灰度图像经开、闭运算、图像填充和增强预处理操作;
S2:提取经预处理操作后的图像纤维边缘并对其进行平滑处理,抽取图像纤维轮廓线;
S3:计算图像纤维轮廓线上各像素点的曲率值,通过与预设的第一阈值比较来确定角点;
S4:在角点的基础上使用两点法确定凹点,把同一交叉区域内的凹点归类为同一集合,并对该集合的所有凹点进行标注;
S5:在同一集合内,计算两相邻凹点Pi和Pj(i≠j)之间的斜率Kij,在纤维轮廓线上计算凹点Pi与距离其左边n个像素的点PL斜率KiL,记为凹点Pi左斜率;在纤维轮廓线上计算凹点Pi与距离其右边n个像素的点PR斜率KiR,记为凹点Pi右斜率;同时记凹点Pj与点PL之间斜率为KjL;记凹点Pj与点PR之间斜率为KjR;
S6:若凹点Pi相邻的凹点Pj斜率Kij与Pi的左斜率KiL相减差值h1在预设的第二阈值范围之内;若斜率KjL与两相邻凹点Pi和Pj(i≠j)之间的斜率Kij相减差值h2在预设的第三阈值范围之内;取最小的h1和h2,则该凹点判为凹点Pi左匹配点,即
S7:若凹点Pi相邻的凹点Pj斜率Kij与Pi的右斜率KiR相减差值h3在预设的第二阈值范围之内;若斜率KjR与两相邻凹点Pi和Pj(i≠j)之间的斜率Kij相减差值h4在预设的第三阈值范围之内;取最小的h3和h4,则该凹点判为凹点Pi右匹配点,即
在具体实施过程中,步骤S2中使用canny边缘检测算子提取经预处理操作后的图像纤维边缘。
在具体实施过程中,步骤S2中,先确定其纤维轮廓线的起点并把其设定为模板中心点,在纤维轮廓线的两个方向,采用模板遍历图像,找到距离中心点最近的像素点,并把其确定为纤维轮廓线上的下一个模板中心点,依次类推,得到纤维轮廓线。
在具体实施过程中,所述步骤S3中,为保证角点检测的完整性和正确性,首先构造高斯滤波器对纤维图像纤维轮廓线进行平滑处理,利用高斯滤波器和纤维轮廓曲线卷积,用曲率计算公式计算各像素点的曲率值,把曲率局部极大值的点作为待检测角点候选集,此候选角点集包含角点和伪角点,若曲率值大于预设的第一阈值,则该像素点判为角点且对角点进行逆时针标注。
在具体实施过程中,所述的角点中出现的伪角点通过构建动态支撑域的方法来剔除,把伪角点噪声剔除后,将剩下的角点进行归类。
在具体实施过程中,所述的角点包括凸点和凹点。
在具体实施过程中,步骤S4中在角点的基础上使用两点法确定凹点,将角点的纤维轮廓线上距离左右各k个像素的两个像素点连线,其中角点与左右像素点区间不包含其他角点,若两像素点连线的中点在纤维轮廓线外部,则判断是凹点,否则为凸点。
在具体实施过程中,步骤S5中的像素点n取值为5。
实施例2
如图1所示为本发明算法的流程图,生成纤维原始图像进行预处理操作,提取边缘纤维轮廓线,计算边缘纤维轮廓线上各点的曲率值,构建动态支撑域删除伪角点,在角点的基础上使用两点法确定凹点并标注,计算各个凹点的左右斜率和各凹点之间的斜率并进行比较查找匹配点。
在具体实施过程中,读入灰度纤维图像,提取纤维轮廓线:读入纤维原始图像,利用canny边缘检测算子对图像进行处理,得到黑色背景白色边缘纤维轮廓线二值化图像,对纤维轮廓线进行平滑处理。确定边缘纤维轮廓线的起点,采用5x5模板,以轮廓起点为中心,找到模板覆盖范围内的白色像素点,并计算各个白色像素点与中心点的欧氏距离,把距离最小的点确定为纤维轮廓线上的点,并以这个点为模板中心,以同样方法确定纤维轮廓线上下一个点,以此可以达到提取纤维轮廓线的目的。
如图2为角点标注示意图,计算曲率,确定角点:利用曲率计算公式计算纤维轮廓线上各个像素点的曲率值,若某点的曲率值大于设定的阈值,则认为该点为角点,否则,不是角点,对所有的角点进行逆时针标注。构建动态支撑域剔除伪角点,对剔除后的角点集中的角点进行分类。
如图3所示为凹点匹配宏观示意图,提取凹点并标注:提取的角点是凹点和凸点的集合,重点关注的是凹点。本发明在角点的基础上使用两点法确定凹点并对其进行标注,两点法的主要方法如下所述:设在轮廓曲线L某一角点Pi,将角点的纤维轮廓线上距离左右各k个像素的两个像素点连线,其中角点与左右像素点区间不包含其他角点,若两像素点连线的中点在纤维轮廓线外部,则判断是凹点,否则为凸点。
在具体实施过程中,左、右斜率计算并比较:判断两凹点之间是否存在其他角点,若是,再进行下一步判断;否则,进行下一个凹点的判断。判断两凹点连线的中点是否在纤维轮廓的内部,若是,则进行凹点斜率的判断,否则,进行下一个凹点判断。
如图4所示为左匹配点示意图,在同一集合内,计算两相邻凹点Pi和Pj(i≠j)之间的斜率Kij,在纤维轮廓线上计算凹点Pi与距离其左边5个像素的点Pi-5斜率KiL,记为凹点Pi左斜率;在纤维轮廓线上计算凹点Pi与距离其右边5个像素的点Pi+5斜率KiR,记为凹点Pi右斜率;同时记凹点Pj与点Pi-5之间斜率为KjL;记凹点Pj与点Pi+5之间斜率为KjR。
若凹点Pi相邻的凹点Pj斜率Kij与Pi的左斜率KiL相减差值h1在预设的第二阈值范围之内;若斜率KjL与两相邻凹点Pi和Pj(i≠j)之间的斜率Kij相减差值h2在预设的第三阈值范围之内;取最小的h1和h2,则该凹点判为凹点Pi左匹配点,即
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种交叉纤维特征点匹配方法,其特征在于,包括步骤:
S1:生成纤维原始图像,读入并将其二值化,将二值化后纤维灰度图像经开、闭运算、图像填充和增强预处理操作;
S2:提取经预处理操作后的图像纤维边缘并对其进行平滑处理,抽取图像纤维轮廓线;
S3:计算图像纤维轮廓线上各像素点的曲率值,通过与预设的第一阈值比较来确定角点;
S4:在确定角点的基础上使用两点法确定凹点,把同一交叉区域内的凹点归类为同一集合,并对该集合的所有凹点进行标注;
S5:在同一集合内,计算两相邻凹点Pi和Pj(i≠j)之间的斜率Kij,在纤维轮廓线上计算凹点Pi与距离其左边n个像素的点PL斜率KiL,记为凹点Pi左斜率;在纤维轮廓线上计算凹点Pi与距离其右边n个像素的点PR斜率KiR,记为凹点Pi右斜率;同时记凹点Pj与点PL之间斜率为KjL;记凹点Pj与点PR之间斜率为KjR;
S6:若凹点Pi相邻的凹点Pj斜率Kij与Pi的左斜率KiL相减差值h1在预设的第二阈值范围之内;若斜率KjL与两相邻凹点Pi和Pj(i≠j)之间的斜率Kij相减差值h2在预设的第三阈值范围之内;取最小的h1和h2,则该凹点判为凹点Pi左匹配点,即
S7:若凹点Pi相邻的凹点Pj斜率Kij与Pi的右斜率KiR相减差值h3在预设的第二阈值范围之内;若斜率KjR与两相邻凹点Pi和Pj(i≠j)之间的斜率Kij相减差值h4在预设的第三阈值范围之内;取最小的h3和h4,则该凹点判为凹点Pi右匹配点,即
2.根据权利要求1所述的交叉纤维特征点匹配方法,其特征在于,步骤S2中使用canny边缘检测算子提取经预处理操作后的图像纤维边缘。
3.根据权利要求1所述的交叉纤维特征点匹配方法,其特征在于,步骤S2中,先确定其纤维轮廓线的起点并把其设定为模板中心点,在纤维轮廓线的两个方向,采用模板遍历图像,找到距离中心点最近的像素点,并把其确定为纤维轮廓线上的下一个模板中心点,依次类推,得到纤维轮廓线。
4.根据权利要求1所述的交叉纤维特征点匹配方法,其特征在于,所步骤S3中,利用曲率计算公式计算各像素点的曲率值,若曲率值大于预设的第一阈值,则该像素点判为角点。
5.根据权利要求3所述的交叉纤维特征点匹配方法,其特征在于,所述的角点中出现的伪角点通过构建动态支撑域的方法来剔除,把伪角点噪声剔除后,将剩下的角点进行归类操作。
6.根据权利要求3所述的交叉纤维特征点匹配方法,其特征在于,所述的角点包括凸点和凹点。
7.根据权利要求1所述的交叉纤维特征点匹配方法,其特征在于,步骤S4中在角点的基础上使用两点法确定凹点,将角点的纤维轮廓线上距离左右各k个像素的两个像素点连线,其中角点与左右像素点区间不包含其他角点,若两像素点连线的中点在纤维轮廓线外部,则判断是凹点,否则为凸点。
8.根据权利要求1所述的交叉纤维特征点匹配方法,其特征在于,步骤S5中的像素点n取值为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107925.XA CN107016394B (zh) | 2017-02-27 | 2017-02-27 | 一种交叉纤维特征点匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107925.XA CN107016394B (zh) | 2017-02-27 | 2017-02-27 | 一种交叉纤维特征点匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016394A true CN107016394A (zh) | 2017-08-04 |
CN107016394B CN107016394B (zh) | 2020-03-24 |
Family
ID=59440536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710107925.XA Active CN107016394B (zh) | 2017-02-27 | 2017-02-27 | 一种交叉纤维特征点匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016394B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480666A (zh) * | 2017-08-10 | 2017-12-15 | 深圳市碧海扬帆科技有限公司 | 图像捕获设备及其扫描目标提取方法、装置、存储介质 |
CN108898148A (zh) * | 2018-06-27 | 2018-11-27 | 清华大学 | 一种数字图像角点检测方法、系统及计算机可读存储介质 |
CN110857920A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的成型不良缺陷检测方法 |
CN113034418A (zh) * | 2019-12-05 | 2021-06-25 | 中国科学院沈阳自动化研究所 | 面向电子行业的电路板识别与焊盘/芯片快速定位方法 |
CN113313690A (zh) * | 2021-05-31 | 2021-08-27 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
CN116433916A (zh) * | 2023-03-14 | 2023-07-14 | 宁波银瑞有机硅科技发展有限公司 | 一种硅胶制品寿命测试系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150339816A1 (en) * | 2013-01-08 | 2015-11-26 | Agency For Science, Technology And Research | A method and system for assessing fibrosis in a tissue |
CN106096613A (zh) * | 2016-05-31 | 2016-11-09 | 哈尔滨工业大学深圳研究生院 | 基于角点特征的图像多目标检测方法及装置 |
-
2017
- 2017-02-27 CN CN201710107925.XA patent/CN107016394B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150339816A1 (en) * | 2013-01-08 | 2015-11-26 | Agency For Science, Technology And Research | A method and system for assessing fibrosis in a tissue |
CN106096613A (zh) * | 2016-05-31 | 2016-11-09 | 哈尔滨工业大学深圳研究生院 | 基于角点特征的图像多目标检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
杨佳华等: "一种基于曲率尺度空间的局部阈值角点检测方法", 《道客巴巴HTTP://WWW.DOC88.COM/P-7008266357508.HTML》 * |
韦冬冬等: "一种基于凹点匹配的重叠图像分割算法", 《2009中国过程系统工程年会(PSE)暨2009中国MES年会》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480666A (zh) * | 2017-08-10 | 2017-12-15 | 深圳市碧海扬帆科技有限公司 | 图像捕获设备及其扫描目标提取方法、装置、存储介质 |
CN107480666B (zh) * | 2017-08-10 | 2020-08-07 | 深圳市碧海扬帆科技有限公司 | 图像捕获设备及其扫描目标提取方法、装置、存储介质 |
CN108898148A (zh) * | 2018-06-27 | 2018-11-27 | 清华大学 | 一种数字图像角点检测方法、系统及计算机可读存储介质 |
CN108898148B (zh) * | 2018-06-27 | 2020-07-07 | 清华大学 | 一种数字图像角点检测方法、系统及计算机可读存储介质 |
CN110857920A (zh) * | 2018-08-24 | 2020-03-03 | 东华大学 | 一种卷装长丝的成型不良缺陷检测方法 |
CN113034418A (zh) * | 2019-12-05 | 2021-06-25 | 中国科学院沈阳自动化研究所 | 面向电子行业的电路板识别与焊盘/芯片快速定位方法 |
CN113034418B (zh) * | 2019-12-05 | 2023-10-13 | 中国科学院沈阳自动化研究所 | 面向电子行业的电路板识别与焊盘/芯片快速定位方法 |
CN113313690A (zh) * | 2021-05-31 | 2021-08-27 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
CN116433916A (zh) * | 2023-03-14 | 2023-07-14 | 宁波银瑞有机硅科技发展有限公司 | 一种硅胶制品寿命测试系统 |
CN116433916B (zh) * | 2023-03-14 | 2023-11-17 | 宁波银瑞有机硅科技发展有限公司 | 一种硅胶制品寿命测试系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107016394B (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016394A (zh) | 一种交叉纤维特征点匹配方法 | |
CN109872300A (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN109550712A (zh) | 一种化纤丝尾丝外观缺陷检测系统及方法 | |
CN107203990A (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
CN107330979A (zh) | 建筑户型的矢量图生成方法、装置及终端 | |
CN107492091A (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
CN103679636A (zh) | 基于点、线双重特征的快速图像拼接方法 | |
CN104574418A (zh) | 基于神经网络的压力容器焊缝缺陷识别方法及其装置 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN110008909A (zh) | 一种基于ai的实名制业务实时稽核系统 | |
CN105184225B (zh) | 一种多国纸币图像识别方法和装置 | |
CN110263662B (zh) | 一种基于分级的人体轮廓关键点和关键部位识别方法 | |
CN116563279B (zh) | 基于计算机视觉的量测开关检测方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
CN115184380A (zh) | 基于机器视觉的印刷电路板焊点异常检测方法 | |
CN103077528A (zh) | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 | |
CN108171098A (zh) | 一种条码检测方法及设备 | |
CN110991434B (zh) | 自助终端证件识别方法及装置 | |
CN109543498A (zh) | 一种基于多任务网络的车道线检测方法 | |
CN105654479A (zh) | 多光谱图像配准方法和装置 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
CN109118240A (zh) | 地铁现场缴费方法 | |
CN116363655A (zh) | 一种财务票据识别方法及系统 |
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 |