CN107392931A - 条烟品牌分类装置及方法 - Google Patents
条烟品牌分类装置及方法 Download PDFInfo
- Publication number
- CN107392931A CN107392931A CN201710669546.XA CN201710669546A CN107392931A CN 107392931 A CN107392931 A CN 107392931A CN 201710669546 A CN201710669546 A CN 201710669546A CN 107392931 A CN107392931 A CN 107392931A
- Authority
- CN
- China
- Prior art keywords
- bar
- bar cigarette
- edge
- gradient
- obtains
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供了一种条烟品牌分类装置及方法,其中,条烟品牌分类装置种包括:处理器,用于处理各指令;及存储器,用于存储多条指令,指令适用于处理器加载并执行;多条指令中包括:采集不同种类条烟的彩色图像;对采集的彩色图像进行分割,得到条烟区域;根据条烟区域提取各类条烟对应的特征参数;建立多层神经元网络模型;将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器;将提取的待分类条烟的特征参数输入分类器,得到该待分类条烟对应的品牌。大幅降低了人工成本,同时避免了现有技术中人工检测带来的培训、管理等巨大隐性成本。
Description
技术领域
本发明涉及烟草领域,尤其涉及一种条烟品牌分类装置及方法。
背景技术
作为卷烟生产和消费大国,烟草在中国的经济中占有十分重要的地位。从烟草行业发展的历史和现状来看,在未来的一定时期内它还会继续存在并发展。
近年来,随着数字图像处理技术的飞速发展,在越来越多的工业领域里,利用计算机进行目标识别已经成为一个重要的趋势。以现代化物流管理为例,目前,国内外许多烟草企业已经开始引入现代化的物流管理解决方案,通过自动化的条烟配送系统来代替传统的手工作业。在条烟配送系统中,条烟分拣是一个重要的子环节,用于将工业生产的一件件卷烟,按各卷烟经营户的需求生成订单,逐户按订单将所需各种品牌的条烟从货架上分拣至分拣机上,进行打码、包装。
目前,分户盒分离方式都是在打码后靠一名专职员工手工将分户盒从皮带上拿下来,再由另一名员工及时将分离出来的分户盒搬运至分拣皮带起始端待用,大量浪费了人力物力。可见,在烟草行业需要一套分户盒自动分离、自动及时回送的装置来解决上述问题,以降低分拣员作业劳动强度,提高设备作业效率。作为条烟分拣的重要组成部分,在线的条烟品牌自动识别必不可少,以对传送带上的条烟进行品牌分类,确保条烟装箱的正确性。
发明内容
针对上述问题,本发明提供了一种条烟品牌分类装置及方法,有效解决条烟品牌的分类,准确率高。
本发明提供的技术方案如下:
一种条烟品牌分类装置,包括:
处理器,用于处理各指令;及
存储器,用于存储多条指令,所述指令适用于处理器加载并执行;所述多条指令中包括:
采集不同种类条烟的彩色图像;
对采集的彩色图像进行分割,得到条烟区域;
根据条烟区域提取各类条烟对应的特征参数;
建立多层神经元网络模型;
将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器;
将提取的待分类条烟的特征参数输入分类器,得到该待分类条烟对应的品牌。
进一步优选地,在指令对采集的彩色图像进行分割中,包括:
采用canny检测算法对彩色图像进行边缘提取;
采用非极大值抑制算法剔除非边缘点;
进一步根据预设规则剔除非边缘点;
连接边缘点得到条烟轮廓;
计算包含条烟轮廓的最小外接矩形,得到条烟区域。
进一步优选地,在所述预设规则中,包括:
对于任意一像素点,计算边缘梯度值并将其分别与预设的第一梯度阈值和第二梯度阈值比较,其中,第一梯度阈值大于第二梯度阈值;
若边缘梯度值小于第一梯度阈值,则判定不是边缘点;
若边缘梯度值大于第一梯度阈值,则判定是边缘点;
若边缘梯度值在第一梯度阈值和第二梯度阈值之间,且该像素点能通过边缘连接到一个像素梯度值大于第二梯度阈值,同时边缘所有像素梯度值大于第一梯度阈值,则判定是边缘点。
进一步优选地,在指令根据条烟区域提取各类条烟对应的特征参数中,包括:
将条烟区域分为RGB三个通道的图像;
分别计算三个通道图像的颜色矩和几何不变矩。
进一步优选地,在指令将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器中,包括:
将计算得到的三个通道图像的颜色矩和几何不变矩作为输入,条烟所属品牌作为输出对神经元网络模型进行有监督训练;
若训练误差小于预设误差阈值,训练结束得到分类器。
本发明还提供了一种条烟品牌分类方法,包括:
采集不同种类条烟的彩色图像;
对采集的彩色图像进行分割,得到条烟区域;
根据条烟区域提取各类条烟对应的特征参数;
建立多层神经元网络模型;
将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器;
将提取的待分类条烟的特征参数输入分类器,得到该待分类条烟对应的品牌。
进一步优选地,在步骤对采集的彩色图像进行分割中,包括:
采用canny检测算法对彩色图像进行边缘提取;
采用非极大值抑制算法剔除非边缘点;
进一步根据预设规则剔除非边缘点;
连接边缘点得到条烟轮廓;
计算包含条烟轮廓的最小外接矩形,得到条烟区域。
进一步优选地,在所述预设规则中,包括:
对于任意一像素点,计算边缘梯度值并将其分别与预设的第一梯度阈值和第二梯度阈值比较,其中,第一梯度阈值大于第二梯度阈值;
若边缘梯度值小于第一梯度阈值,则判定不是边缘点;
若边缘梯度值大于第一梯度阈值,则判定是边缘点;
若边缘梯度值在第一梯度阈值和第二梯度阈值之间,且该像素点能通过边缘连接到一个像素梯度值大于第二梯度阈值,同时边缘所有像素梯度值大于第一梯度阈值,则判定是边缘点。
进一步优选地,在步骤根据条烟区域提取各类条烟对应的特征参数中,包括:
将条烟区域分为RGB三个通道的图像;
分别计算三个通道图像的颜色矩和几何不变矩。
进一步优选地,在步骤将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器中,包括:
将计算得到的三个通道图像的颜色矩和几何不变矩作为输入,条烟所属品牌作为输出对神经元网络模型进行有监督训练;
若训练误差小于预设误差阈值,训练结束得到分类器。
在本发明中,通过条烟品牌分类装置及方法对条烟品牌进行自动识别,大幅降低了人工成本,同时避免了现有技术中人工检测带来的培训、管理等巨大隐性成本。此外,通过对采集的彩色图像进行分割、提取特征、有监督训练得到分类器的方法对条烟品牌进行自动分类,大大提高了识别率和检测的准确率,且适用于通用的机器视觉系统。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对上述特性、技术特征、优点及其实现方式予以进一步说明。
图1为本发明中条烟品牌分类装置示意图;
图2为本发明中条烟品牌分类方法流程示意图;
图3为本发明中MLP网络图示意图;
图4为本发明中神经元模型示意图。
附图标记:
100-条烟品牌分类装置,110-存储器,120-处理器。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
如图1所示为本发明提供的条烟品牌分类装置示意图,具体该条烟品牌分类装置适用于任意机器视觉平台,从图中可看出,在该条烟品牌分类装置100中包括:处理器120,用于处理各指令;及存储器110,用于存储多条指令,指令适用于处理器加载并执行,在该多条指令中包括条烟品牌分类方法。
在一种实施方式中,如图2所示,在该条烟品牌分类方法中包括:
S10采集不同种类条烟的彩色图像;
S20对采集的彩色图像进行分割,得到条烟区域;
S30根据条烟区域提取各类条烟对应的特征参数;
S40建立多层神经元网络模型;
S50将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器;
S60将提取的待分类条烟的特征参数输入分类器,得到该待分类条烟对应的品牌。
在对条烟品牌进行分类的过程中,首先,利用高清、高速摄像头(彩色相机)采集所有需要识别的品牌条烟的彩色图像,并从中随机选取一部分,如70%作为该种条烟的训练样本,余下的作为测试样本,避免出现过拟合问题。此外,在采集过程中,由于条烟种类繁多,且颜色各异,为易于分割,选取深绿色传送带作为背景色。
得到不同种类条烟的彩色图像之后,随即对其进行分割,得到条烟区域:
首先,采用canny检测算法对彩色图像进行边缘提取。假定原始图像为f(x,y),则经高斯平滑后的图像为fs(x,y)为:
fs(x,y)=G(x,y,σ)*f(x,y)
其中,(x,y)为彩色图像中像素点,为高斯平滑函数,*表示卷积。
接着,用一阶偏导的有限差分计算梯度的幅值和方向:
其中,
为了简化计算,使用2×2一阶有限差分近似计算上述两个偏导数:
gx=[f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)]/2
gy=[f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)]/2
接着,对梯度幅值进行非极大值抑制,具体,寻找像素点局部最大值,将非极大值点所对应的灰度值置为0,从而剔除一大部分非边缘的点。但是,进行了非极大值抑制之后的结果图像中还会包含很多由噪声及其他原因造成的假边缘点,因此还需要根据预设规则对其进行进一步处理,采用双阈值算法检测和连接边缘。具体,将像素点的边缘梯度值分别与预设的第一梯度阈值T1和第二梯度阈值T2比较(第一梯度阈值T1大于第二梯度阈值T2),具体,若边缘梯度值小于第一梯度阈值T1,则判定不是边缘点;若边缘梯度值大于第一梯度阈值T1,则判定是边缘点;若边缘梯度值在第一梯度阈值和第二梯度阈值T2之间,且该像素点能通过边缘连接到一个像素梯度值大于第二梯度阈值T2,同时边缘所有像素梯度值大于第一梯度阈值,则判定是边缘点,这样就得到了条烟的轮廓。
最后,将得到的轮廓图像,通过长度筛选,将细小边缘过滤掉将距离在指定范围内的轮廓连接,并计算包含所有轮廓在内的最小外接矩形,以此得到条烟的区域。
得到条烟区域后,之后根据条烟区域提取各类条烟对应的特征参数:
首先,根据得到的条烟区域,计算出条烟区域的长Length1和宽Length2;
之后,将彩色图像分为三个通道,R(红色)、G(绿色)和B(蓝色),并分别计算三通道图像的颜色矩,包括均值Mean和方差Deviation:
其中,N为条烟区域中像素点总数,R为条烟区域,p为R中的任意像素点,g(p)表示像素点p的灰度值。
之后,分别计算三通道图像的几何不变矩,设图像函数为f(x,y),这里采用Hu矩,共7个不变矩,它具有旋转、缩放和平移不变性,具体:
M1=η20+η02
M3=(η30-3η12)2+(3η21-η03)2
M4=(η30+η12)2+(η21+η03)2
M5=(η30-3η12)(η30+η12)((η30+η12)2-3(η21+η03)2)
+(3η21-η03)(η21+η03)(3(η30+η12)2-(η21+η03)2)
M6=(η20-η02)((η30+η12)2-(η21+η03)2)+4η11(η30+η12)(η21+η03)
M7=(3η21-η03)(η30+η12)((η30+η12)2-3(η21+η03)2)
-(η30-3η12)(η21+η03)(3(η30+η12)2-(η21+η03)2)
其中,
得到训练样本中各类条烟对应的特征参数之后,建立多层神经元网络模型。首先,设置MLP(Multi-layer Perceptron,多层感知器)神经网络的初始参数,将计算得到的特征参数作为输入、条烟所属品牌作为输出,进行有监督的训练,直至训练完毕,得到MLP分类器的最优参数。
如图3所述,MLP网络由三部分组成:输入层(x1,x2,...,xs)、隐含层、输出层(y1,y2,...,ys),且隐含层的激活函数为输出层的激活函数为
神经元模型如图4所示,可知,第一层和第二层的输出分别为:
y(1)=f(1)(W(1)x+b(1))
y(2)=f(2)(W(2)y(1)+b(2))
其中,y(i)为第i层的输出,W(i)为第i层的权值,b(i)为第i层的网络偏置,i=1,2。
综上,MLP网络模型为:
y(2)=f(2)(W(2)f(1)(W1x+b(1))+b(2))
通过多次迭代训练,不断更新参数,直至误差足够小或迭代次数足够多为止,从而计算得出最优的权重及偏置值。
以此,分类器已经训练完成。之后,采用与训练样本相同的方法,对测试样本(待分类条烟)进行分割,将计算得到的特征参数作为输入,使用训练好的MLP分类器对测试样本进行测试,输出条烟所属品牌。若测试集正确率达到预期值,即可用于该条生产线进行产品分类。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种条烟品牌分类装置,其特征在于,所述条烟品牌分类装置中包括:
处理器,用于处理各指令;及
存储器,用于存储多条指令,所述指令适用于处理器加载并执行;所述多条指令中包括:
采集不同种类条烟的彩色图像;
对采集的彩色图像进行分割,得到条烟区域;
根据条烟区域提取各类条烟对应的特征参数;
建立多层神经元网络模型;
将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器;
将提取的待分类条烟的特征参数输入分类器,得到该待分类条烟对应的品牌。
2.如权利要求1所述的条烟品牌分类装置,其特征在于,在指令对采集的彩色图像进行分割中,包括:
采用canny检测算法对彩色图像进行边缘提取;
采用非极大值抑制算法剔除非边缘点;
进一步根据预设规则剔除非边缘点;
连接边缘点得到条烟轮廓;
计算包含条烟轮廓的最小外接矩形,得到条烟区域。
3.如权利要求2所述的条烟品牌分类装置,其特征在于,在所述预设规则中,包括:
对于任意一像素点,计算边缘梯度值并将其分别与预设的第一梯度阈值和第二梯度阈值比较,其中,第一梯度阈值大于第二梯度阈值;
若边缘梯度值小于第一梯度阈值,则判定不是边缘点;
若边缘梯度值大于第一梯度阈值,则判定是边缘点;
若边缘梯度值在第一梯度阈值和第二梯度阈值之间,且该像素点能通过边缘连接到一个像素梯度值大于第二梯度阈值,同时边缘所有像素梯度值大于第一梯度阈值,则判定是边缘点。
4.如权利要求1-3任意一项所述的条烟品牌分类装置,其特征在于,在指令根据条烟区域提取各类条烟对应的特征参数中,包括:
将条烟区域分为RGB三个通道的图像;
分别计算三个通道图像的颜色矩和几何不变矩。
5.如权利要求4所述的条烟品牌分类装置,其特征在于,在指令将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器中,包括:
将计算得到的三个通道图像的颜色矩和几何不变矩作为输入,条烟所属品牌作为输出对神经元网络模型进行有监督训练;
若训练误差小于预设误差阈值,训练结束得到分类器。
6.一种条烟品牌分类方法,其特征在于,所述条烟品牌分类方法中包括:
采集不同种类条烟的彩色图像;
对采集的彩色图像进行分割,得到条烟区域;
根据条烟区域提取各类条烟对应的特征参数;
建立多层神经元网络模型;
将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器;
将提取的待分类条烟的特征参数输入分类器,得到该待分类条烟对应的品牌。
7.如权利要求6所述的条烟品牌分类方法,其特征在于,在步骤对采集的彩色图像进行分割中,包括:
采用canny检测算法对彩色图像进行边缘提取;
采用非极大值抑制算法剔除非边缘点;
进一步根据预设规则剔除非边缘点;
连接边缘点得到条烟轮廓;
计算包含条烟轮廓的最小外接矩形,得到条烟区域。
8.如权利要求7所述的条烟品牌分类方法,其特征在于,在所述预设规则中,包括:
对于任意一像素点,计算边缘梯度值并将其分别与预设的第一梯度阈值和第二梯度阈值比较,其中,第一梯度阈值大于第二梯度阈值;
若边缘梯度值小于第一梯度阈值,则判定不是边缘点;
若边缘梯度值大于第一梯度阈值,则判定是边缘点;
若边缘梯度值在第一梯度阈值和第二梯度阈值之间,且该像素点能通过边缘连接到一个像素梯度值大于第二梯度阈值,同时边缘所有像素梯度值大于第一梯度阈值,则判定是边缘点。
9.如权利要求6-8任意一项所述的条烟品牌分类方法,其特征在于,在步骤根据条烟区域提取各类条烟对应的特征参数中,包括:
将条烟区域分为RGB三个通道的图像;
分别计算三个通道图像的颜色矩和几何不变矩。
10.如权利要求9所述的条烟品牌分类方法,其特征在于,在步骤将提取到的各类条烟的特征参数输入神经元网络模型进行有监督训练得到分类器中,包括:
将计算得到的三个通道图像的颜色矩和几何不变矩作为输入,条烟所属品牌作为输出对神经元网络模型进行有监督训练;
若训练误差小于预设误差阈值,训练结束得到分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669546.XA CN107392931A (zh) | 2017-08-08 | 2017-08-08 | 条烟品牌分类装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669546.XA CN107392931A (zh) | 2017-08-08 | 2017-08-08 | 条烟品牌分类装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392931A true CN107392931A (zh) | 2017-11-24 |
Family
ID=60354394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710669546.XA Pending CN107392931A (zh) | 2017-08-08 | 2017-08-08 | 条烟品牌分类装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392931A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596187A (zh) * | 2018-03-30 | 2018-09-28 | 青岛海尔智能技术研发有限公司 | 商品纯净度检测方法及展示柜 |
CN108787486A (zh) * | 2018-06-05 | 2018-11-13 | 四川九哈科技股份有限公司 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
CN108921120A (zh) * | 2018-07-13 | 2018-11-30 | 北京优创新港科技股份有限公司 | 一种适应广泛零售场景下的香烟识别方法 |
CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
CN109472316A (zh) * | 2018-11-16 | 2019-03-15 | 南通大学 | 一种基于深度学习的滤棒装盒质量识别方法 |
CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗(杭州)智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000013780A (ja) * | 1998-06-19 | 2000-01-14 | Fujitsu General Ltd | 物体識別装置 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN103177260A (zh) * | 2013-04-19 | 2013-06-26 | 福州大学 | 一种彩色图像边界提取方法 |
CN104399674A (zh) * | 2014-09-11 | 2015-03-11 | 上海大学 | 烟箱品牌视觉检测分拣系统 |
CN104636707A (zh) * | 2013-11-07 | 2015-05-20 | 同方威视技术股份有限公司 | 自动检测香烟的方法 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
CN106407863A (zh) * | 2016-09-22 | 2017-02-15 | 湘潭大学 | 一种条烟快速识别装置及方法 |
CN106997590A (zh) * | 2017-04-12 | 2017-08-01 | 浙江硕和机器人科技有限公司 | 一种基于检测产品特性的图像处理与检测系统 |
-
2017
- 2017-08-08 CN CN201710669546.XA patent/CN107392931A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000013780A (ja) * | 1998-06-19 | 2000-01-14 | Fujitsu General Ltd | 物体識別装置 |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN103177260A (zh) * | 2013-04-19 | 2013-06-26 | 福州大学 | 一种彩色图像边界提取方法 |
CN104636707A (zh) * | 2013-11-07 | 2015-05-20 | 同方威视技术股份有限公司 | 自动检测香烟的方法 |
CN104399674A (zh) * | 2014-09-11 | 2015-03-11 | 上海大学 | 烟箱品牌视觉检测分拣系统 |
CN106022375A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
CN106407863A (zh) * | 2016-09-22 | 2017-02-15 | 湘潭大学 | 一种条烟快速识别装置及方法 |
CN106997590A (zh) * | 2017-04-12 | 2017-08-01 | 浙江硕和机器人科技有限公司 | 一种基于检测产品特性的图像处理与检测系统 |
Non-Patent Citations (5)
Title |
---|
张树忠: "基于Canny理论的彩色图像边缘检测", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
杨阿庆: "基于Canny理论的彩色图像边缘检测及评价", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
涂勇涛等: "基于AGAST角点域特征的条烟快速识别算法", 《烟草科技》 * |
王鹏: "烟箱品牌视觉检测分拣系统的设计与应用", 《仪器与设备》 * |
马亚洲: "机器视觉中边缘检测算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596187A (zh) * | 2018-03-30 | 2018-09-28 | 青岛海尔智能技术研发有限公司 | 商品纯净度检测方法及展示柜 |
CN108596187B (zh) * | 2018-03-30 | 2023-07-04 | 青岛海尔智能技术研发有限公司 | 商品纯净度检测方法及展示柜 |
CN108787486A (zh) * | 2018-06-05 | 2018-11-13 | 四川九哈科技股份有限公司 | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 |
CN108921120A (zh) * | 2018-07-13 | 2018-11-30 | 北京优创新港科技股份有限公司 | 一种适应广泛零售场景下的香烟识别方法 |
CN108921120B (zh) * | 2018-07-13 | 2021-08-24 | 北京优创新港科技股份有限公司 | 一种适应广泛零售场景下的香烟识别方法 |
CN109190663A (zh) * | 2018-07-26 | 2019-01-11 | 湖南省烟草公司株洲市公司 | 一种基于深度学习技术的识别烟盒品规的方法 |
CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
CN109472316A (zh) * | 2018-11-16 | 2019-03-15 | 南通大学 | 一种基于深度学习的滤棒装盒质量识别方法 |
CN109472316B (zh) * | 2018-11-16 | 2021-12-28 | 南通大学 | 一种基于深度学习的滤棒装盒质量识别方法 |
CN112036421A (zh) * | 2019-05-16 | 2020-12-04 | 搜狗(杭州)智能科技有限公司 | 一种图像处理方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392931A (zh) | 条烟品牌分类装置及方法 | |
CN103530878B (zh) | 一种基于融合策略的边缘提取方法 | |
DE69637172T2 (de) | Hochgeschwindigkeits sortierapparat für den lebensmittelmassentransport zur optischen inspektion und sortierung von grossvolumigen lebensmitteln | |
Sahu et al. | Identification and classification of mango fruits using image processing | |
CN101739570B (zh) | 棉花异性纤维在线分类方法和系统 | |
CN106250911A (zh) | 一种基于卷积神经网络的图片分类方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN108038838A (zh) | 一种棉麻纤维种类自动检测方法和系统 | |
CN111060014B (zh) | 一种基于机器视觉的在线自适应烟丝宽度测量方法 | |
Thakur et al. | An innovative approach for fruit ripeness classification | |
Ji et al. | Apple grading method based on features of color and defect | |
CN113034476A (zh) | 皮革瑕疵检测方法、系统、储存介质及计算机设备 | |
CN111582359A (zh) | 一种图像识别方法、装置、电子设备及介质 | |
CN106872473A (zh) | 一种基于机器视觉的马铃薯缺陷检测识别系统设计 | |
CN110992314A (zh) | 一种路面缺陷检测方法、装置及存储介质 | |
JP5455409B2 (ja) | 異物選別方法および異物選別設備 | |
Arefi et al. | Recognition of weed seed species by image processing | |
Febriana et al. | USK-COFFEE dataset: a multi-class green arabica coffee bean dataset for deep learning | |
CN103268492A (zh) | 一种玉米籽粒类型识别方法 | |
Meng et al. | Size characterisation of edible bird nest impurities: a preliminary study | |
AgaAzizi et al. | Identification of impurity in wheat mass based on video processing using artificial neural network and PSO algorithm | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
Agustin et al. | Automatic milled rice quality analysis | |
CN111161233A (zh) | 一种用于冲孔皮革缺陷检测方法及系统 | |
Omid et al. | Implementation of an efficient image processing algorithm for grading raisins |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |