CN107451588A - 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法 - Google Patents

一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法 Download PDF

Info

Publication number
CN107451588A
CN107451588A CN201710748838.2A CN201710748838A CN107451588A CN 107451588 A CN107451588 A CN 107451588A CN 201710748838 A CN201710748838 A CN 201710748838A CN 107451588 A CN107451588 A CN 107451588A
Authority
CN
China
Prior art keywords
character
coding
region
pop
mrow
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
Application number
CN201710748838.2A
Other languages
English (en)
Inventor
汪南辉
尹志锋
张平
张美杰
陈振州
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201710748838.2A priority Critical patent/CN107451588A/zh
Publication of CN107451588A publication Critical patent/CN107451588A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • 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
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/158—Segmentation of character regions using character size, text spacings or pitch estimation
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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

本发明涉及一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，包括以下步骤:S1、采集易拉罐曲面喷码字符的原始图像；S2、对采集到的原始图像进行预处理；S3、对预处理后图像中的喷码区域进行分割；S4、喷码字符分割及归一化；S5、字符识别。本发明通过机器视觉代替人工识别，使保证检测成本以及误检漏检率较低的情况下也能高精度、高效地实现在线识别易拉罐光滑曲面喷码。

Description

一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法
技术领域
本发明涉及视觉检测的技术领域，尤其涉及到一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法。
背景技术
易拉罐表面生产日期喷码是罐装饮料质量合格与否的重要指标。而当前易拉罐表面喷码主要以人工主观检测为主，但易拉罐由于其背景图案的复杂性，造成人眼检测困难加大，很容易产生误检漏检现象，且人工检测效率低，检测成本较高，不利于企业的发展要求。
如何保证检测成本以及误检漏检率较低的情况下也能高精度、高效地实现在线识别易拉罐光滑曲面喷码，成为易拉罐光滑曲面喷码厂家亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种检测精度高、效率高、检测成本以及误检漏检率较低的基于机器视觉的易拉罐光滑曲面喷码在线识别方法。
为实现上述目的，本发明所提供的技术方案为：包括以下步骤：
S1、采集易拉罐曲面喷码字符的原始图像；
S2、对采集到的原始图像进行预处理；
S3、对预处理后图像中的喷码区域进行分割；
S4、喷码字符分割及归一化；
S5、字符识别。
进一步地，由于易拉罐字符喷码表面光滑且光反射效应强，光源环境对目标成像有很大影响；其次相对于罐子字符表面呈几何复杂曲面，该曲面部分易产生光照不足现象，很难得到清晰的曲面缺陷图像。为此，步骤S1采用线阵CCD相机在亮度可调节的区域环境，利用球积分光源进行多角度拍摄。
进一步地，步骤S2图像预处理包括灰度化和中值滤波。
进一步地，步骤S3喷码区域分割中，由于在曲面拟合的过程中不能直接通过二值分割获取感兴趣区域，因此本方案采用迭代法来获取喷码ROI区域，，具体步骤如下：
S3-1、通过迭代法自动求取阈值Tk,利用阈值Tk提取ROI；
若待测图像中像素点灰度值小于阈值Tk,则判断其为非字符区域上的点，灰度值计为0并且去掉该区域；若待测图像中像素点灰度值大于等于阈值Tk，则判断其为字符区域像素点，其灰度值保持不变；
S3-2、消除喷码区域进行阈值分割后背景区域中非字符区域对后续处理产生的影响；
采用矩形结构元素对图像进行形态学膨胀操作，得到初步连通域，然后选择面积大于10个像素的连通域，消除掉噪声和细小区域影响；
S3-3、喷码区域倾斜校正；
得到上述喷码区域后，求取喷码区域的最小外接矩形，通过霍夫变换求取最小外接矩形下底边倾斜角度θ，然后对其旋转-θ，得到水平的喷码区域。
进一步地，上一步分割出喷码区域后，由于喷码字符之间存在黏连，故需要对单个喷码字符进行分割，具体步骤如下：
S4-1、定义一个粗分割范围,在粗分割范围内求取最佳分割点；
根据获取的字符高度求取字符的预定义宽度b，确定分割字符的个数N；黏连字符的宽度位于(b,N*b)的范围内，假设黏连字符的宽度为a，则黏连字符个数为：
N＝int(a/k1*b)+1
其中，int为取整函数,k1为分割系数；
S4-2、确定粗分割区域；
得到黏连字符个数后,结合黏连字符宽度求取粗分割的平均位置点,取0.2*b作为粗分割的浮动范围,从而获得粗分割的搜索区域；
S4-3、求取最佳分割点；
在所求的粗分割搜索区域内,求取各列的目标像素点个数,并将目标像素最少的列作为该处的最佳分割点,当出现多个相等的最小值时,则取平均值作为最佳分割点。
而分割出的字符往往存在大小差别，因此在字符识别之前须进行归一化处理，使字符具有统一尺寸。
进一步地，针对点阵字符易发生变形的特点，本方案采用卷积神经网络的方法进行识别，用Relu函数作为卷积的激活函数，计算公式为：
其中，n代表层数，Yi为采样窗口的元素值，Wij为连接第n-1层的第i个输入图像和第n层的第j个输出图像的卷积核，∮j为第j个特征图的偏置，Mj为输入特征图的一个选择；
下采样层计算公式为：
对采样区域元素按照其概率值随机的采样：
Yi n＝rand(Pi n-1)。
与现有技术相比，本方案优点如下：
本方案通过机器视觉代替人工识别，使保证检测成本以及误检漏检率较低的情况下也能高精度、高效地实现在线识别易拉罐光滑曲面喷码。
附图说明
图1为本发明一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见附图1所示，本实施例所述的一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，包括以下步骤：
S1、采用线阵CCD相机在亮度可调节的区域环境，利用球积分光源进行多角度拍摄，采集易拉罐曲面喷码字符的原始图像。
S2、对图像进行灰度化和中值滤波：
求取原图像区域每个像素点的M*N窗口邻域的平均值g(i,j)；
中值滤波计算公式为：
其中，f(i,j)表示原图像各点灰度值，g(i,j)表示滤波后图像各点灰度值，A表示图像区域。
S3、对预处理后图像中的喷码区域进行分割，具体步骤为：
S3-1、通过迭代法自动求取阈值Tk,利用阈值Tk提取ROI；
若待测图像中像素点灰度值小于阈值Tk,则判断其为非字符区域上的点，灰度值计为0并且去掉该区域；若待测图像中像素点灰度值大于等于阈值Tk，则判断其为字符区域像素点，其灰度值保持不变；
S3-2、消除喷码区域进行阈值分割后背景区域中非字符区域对后续处理产生的影响；
采用3*5的矩形结构元素对图像进行形态学膨胀操作，得到初步连通域，然后选择面积大于10个像素的连通域，消除掉噪声和细小区域影响；
S3-3、喷码区域倾斜校正；
得到上述喷码区域后，求取喷码区域的最小外接矩形，通过霍夫变换求取最小外接矩形下底边倾斜角度θ，然后对其旋转-θ，得到水平的喷码区域。
S4、喷码字符分割及归一化：
喷码字符分割的具体步骤如下：
S4-1、定义一个粗分割范围,在粗分割范围内求取最佳分割点；
根据获取的字符高度求取字符的预定义宽度b，确定分割字符的个数N；黏连字符的宽度位于(b,N*b)的范围内，假设黏连字符的宽度为a，则黏连字符个数为：
N＝int(a/k1*b)+1
其中，int为取整函数,k1为分割系数；
S4-2、确定粗分割区域；
得到黏连字符个数后,结合黏连字符宽度求取粗分割的平均位置点,取0.2*b作为粗分割的浮动范围,从而获得粗分割的搜索区域；
S4-3、求取最佳分割点；
在所求的粗分割搜索区域内,求取各列的目标像素点个数,并将目标像素最少的列作为该处的最佳分割点,当出现多个相等的最小值时,则取平均值作为最佳分割点。
归一化的具体步骤如下：
将分割图像归一化为15×20，计算需要缩放的比例：
计算图像缩放后的大小：
W＝W×scale
H＝H×scale
将缩放后的图像放在中间，在该图像上下左右补零至15×21。
S5、字符识别：
采用卷积神经网络的方法进行，采用Relu函数作为卷积的激活函数，计算公式为：
其中，n代表层数，Yi为采样窗口的元素值，Wij为连接第n-1层的第i个输入图像和第n层的第j个输出图像的卷积核，∮j为第j个特征图的偏置，Mj为输入特征图的一个选择；
下采样层计算公式为：
对采样区域元素按照其概率值随机的采样：
Yi n＝rand(Pi n-1)
其中，N为3，对归一化的数值进行随机采样，获得采样区域中相同位置的元素值。
本实施例通过机器视觉代替人工识别，使保证检测成本以及误检漏检率较低的情况下也能高精度、高效地实现在线识别易拉罐光滑曲面喷码。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，其特征在于：包括以下步骤：
S1、采集易拉罐曲面喷码字符的原始图像；
S2、对采集到的原始图像进行预处理；
S3、对预处理后图像中的喷码区域进行分割；
S4、喷码字符分割及归一化；
S5、字符识别。
2.根据权利要求1所述的一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，其特征在于：所述步骤S1采用线阵CCD相机在亮度可调节的区域环境，利用球积分光源进行多角度拍摄。
3.根据权利要求1所述的一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，其特征在于：所述步骤S2图像预处理包括灰度化和中值滤波。
4.根据权利要求1所述的一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，其特征在于：所述步骤S3喷码区域分割，具体步骤如下：
S3-1、通过迭代法自动求取阈值Tk,利用阈值Tk提取ROI；
若待测图像中像素点灰度值小于阈值Tk,则判断其为非字符区域上的点，灰度值计为0并且去掉该区域；若待测图像中像素点灰度值大于等于阈值Tk，则判断其为字符区域像素点，其灰度值保持不变；
S3-2、消除喷码区域进行阈值分割后背景区域中非字符区域对后续处理产生的影响；
采用矩形结构元素对图像进行形态学膨胀操作，得到初步连通域，然后选择面积大于10个像素的连通域，消除掉噪声和细小区域影响；
S3-3、喷码区域倾斜校正；
得到上述喷码区域后，求取喷码区域的最小外接矩形，通过霍夫变换求取最小外接矩形下底边倾斜角度θ，然后对其旋转-θ，得到水平的喷码区域。
5.根据根据权利要求1所述的一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，其特征在于：所述步骤S4中喷码字符分割的具体步骤如下：
S4-1、定义一个粗分割范围,在粗分割范围内求取最佳分割点；
根据获取的字符高度求取字符的预定义宽度b，确定分割字符的个数N；黏连字符的宽度位于(b,N*b)的范围内，假设黏连字符的宽度为a，则黏连字符个数为：
N＝int(a/k1*b)+1
其中，int为取整函数,k1为分割系数；
S4-2、确定粗分割区域；
得到黏连字符个数后,结合黏连字符宽度求取粗分割的平均位置点,取0.2*b作为粗分割的浮动范围,从而获得粗分割的搜索区域；
S4-3、求取最佳分割点；
在所求的粗分割搜索区域内,求取各列的目标像素点个数,并将目标像素最少的列作为该处的最佳分割点,当出现多个相等的最小值时,则取平均值作为最佳分割点。
6.根据根据权利要求1所述的一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法，其特征在于：
所述步骤S5字符识别采用卷积神经网络的方法进行，采用Relu函数作为卷积的激活函数，计算公式为：
其中，n代表层数，Yi为采样窗口的元素值，Wij为连接第n-1层的第i个输入图像和第n层的第j个输出图像的卷积核，∮j为第j个特征图的偏置，Mj为输入特征图的一个选择；
下采样层计算公式为：
<mrow> <msubsup> <mi>P</mi> <mi>i</mi> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <mfrac> <msubsup> <mi>Y</mi> <mi>i</mi> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <msub> <mo>&amp;Sigma;</mo> <mrow> <mi>K</mi> <mo>&amp;Element;</mo> <mi>N</mi> <mo>*</mo> <mi>N</mi> </mrow> </msub> <msubsup> <mi>Y</mi> <mi>i</mi> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mrow> </mfrac> </mrow>
对采样区域元素按照其概率值随机的采样：
Yi n＝rand(Pi n-1)。
CN201710748838.2A 2017-08-28 2017-08-28 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法 Pending CN107451588A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710748838.2A CN107451588A (zh) 2017-08-28 2017-08-28 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710748838.2A CN107451588A (zh) 2017-08-28 2017-08-28 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法

Publications (1)

Publication Number Publication Date
CN107451588A true CN107451588A (zh) 2017-12-08

Family

ID=60494246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710748838.2A Pending CN107451588A (zh) 2017-08-28 2017-08-28 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法

Country Status (1)

Country Link
CN (1) CN107451588A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875735A (zh) * 2018-05-25 2018-11-23 昆山湖大机器人技术有限公司 钢板生产线点阵喷码字符自动检测方法
CN109291657A (zh) * 2018-09-11 2019-02-01 东华大学 基于卷积神经网络航天结构件工业物联标识激光打码系统
CN109376571A (zh) * 2018-08-03 2019-02-22 西安电子科技大学 基于变形卷积的人体姿态估计方法
CN109389123A (zh) * 2018-08-14 2019-02-26 广东省智能制造研究所 一种基于先验知识的自适应喷码字符分割方法及其系统
CN109508676A (zh) * 2018-11-14 2019-03-22 武汉万安智能技术有限公司 一种逻辑电路图信息提取的机器视觉检测算法
CN109543677A (zh) * 2018-11-08 2019-03-29 上海金啤包装检测科技有限公司 喷码的检测方法及设备、生产线、计算机设备、存储介质
CN109871938A (zh) * 2019-01-21 2019-06-11 重庆大学 一种基于卷积神经网络的零部件喷码检测方法
CN110188318A (zh) * 2019-05-28 2019-08-30 武汉轻工大学 曲面积分的自动计算方法、设备、存储介质及装置
CN110349139A (zh) * 2019-07-02 2019-10-18 芜湖启迪睿视信息技术有限公司 一种基于神经网络分割的包装杂项检测方法
CN111340040A (zh) * 2020-02-26 2020-06-26 五八有限公司 一种纸张字符识别方法、装置、电子设备及存储介质
CN112699883A (zh) * 2021-01-12 2021-04-23 首钢京唐钢铁联合有限责任公司 板材喷码的识别方法及识别系统
CN113019973A (zh) * 2018-07-17 2021-06-25 龙口味美思环保科技有限公司 一种易拉罐制造缺陷在线视觉检测方法
CN114454617A (zh) * 2022-01-19 2022-05-10 湖南视比特机器人有限公司 喷码总系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927534A (zh) * 2014-04-26 2014-07-16 无锡信捷电气股份有限公司 一种基于卷积神经网络的喷码字符在线视觉检测方法
CN104112132A (zh) * 2014-07-03 2014-10-22 中国人民解放军第二炮兵工程大学 一种枪械编号自动识别方法
CN104268538A (zh) * 2014-10-13 2015-01-07 江南大学 一种易拉罐点阵喷码字符在线视觉检测方法
CN106446893A (zh) * 2016-09-14 2017-02-22 苏州佳世达电通有限公司 用于车牌辨识的倾斜校正方法及倾斜校正系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927534A (zh) * 2014-04-26 2014-07-16 无锡信捷电气股份有限公司 一种基于卷积神经网络的喷码字符在线视觉检测方法
CN104112132A (zh) * 2014-07-03 2014-10-22 中国人民解放军第二炮兵工程大学 一种枪械编号自动识别方法
CN104268538A (zh) * 2014-10-13 2015-01-07 江南大学 一种易拉罐点阵喷码字符在线视觉检测方法
CN106446893A (zh) * 2016-09-14 2017-02-22 苏州佳世达电通有限公司 用于车牌辨识的倾斜校正方法及倾斜校正系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何小凡 等: "一种基于曲面拟合的复杂表面缺陷检测方法", 《湖北工业大学学报》 *
李志敏: "《垃圾邮件识别与处理技术研究》", 31 December 2015, 北京理工大学 *
李杜: "字符识别技术研究及其在机器视觉测控中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875735A (zh) * 2018-05-25 2018-11-23 昆山湖大机器人技术有限公司 钢板生产线点阵喷码字符自动检测方法
CN108875735B (zh) * 2018-05-25 2022-09-27 昆山湖大机器人技术有限公司 钢板生产线点阵喷码字符自动检测方法
CN113019973B (zh) * 2018-07-17 2022-10-21 山东山科数字经济研究院有限公司 一种易拉罐制造缺陷在线视觉检测方法
CN113019973A (zh) * 2018-07-17 2021-06-25 龙口味美思环保科技有限公司 一种易拉罐制造缺陷在线视觉检测方法
CN109376571A (zh) * 2018-08-03 2019-02-22 西安电子科技大学 基于变形卷积的人体姿态估计方法
CN109389123A (zh) * 2018-08-14 2019-02-26 广东省智能制造研究所 一种基于先验知识的自适应喷码字符分割方法及其系统
CN109389123B (zh) * 2018-08-14 2021-04-23 广东省智能制造研究所 一种基于先验知识的自适应喷码字符分割方法及其系统
CN109291657B (zh) * 2018-09-11 2020-10-30 东华大学 基于卷积神经网络航天结构件工业物联标识激光打码系统
CN109291657A (zh) * 2018-09-11 2019-02-01 东华大学 基于卷积神经网络航天结构件工业物联标识激光打码系统
CN109543677A (zh) * 2018-11-08 2019-03-29 上海金啤包装检测科技有限公司 喷码的检测方法及设备、生产线、计算机设备、存储介质
CN109508676B (zh) * 2018-11-14 2021-07-09 武汉万安智能技术有限公司 一种逻辑电路图信息提取的机器视觉检测算法
CN109508676A (zh) * 2018-11-14 2019-03-22 武汉万安智能技术有限公司 一种逻辑电路图信息提取的机器视觉检测算法
CN109871938A (zh) * 2019-01-21 2019-06-11 重庆大学 一种基于卷积神经网络的零部件喷码检测方法
CN110188318A (zh) * 2019-05-28 2019-08-30 武汉轻工大学 曲面积分的自动计算方法、设备、存储介质及装置
CN110188318B (zh) * 2019-05-28 2023-03-28 武汉轻工大学 曲面积分的自动计算方法、设备、存储介质及装置
CN110349139A (zh) * 2019-07-02 2019-10-18 芜湖启迪睿视信息技术有限公司 一种基于神经网络分割的包装杂项检测方法
CN111340040A (zh) * 2020-02-26 2020-06-26 五八有限公司 一种纸张字符识别方法、装置、电子设备及存储介质
CN111340040B (zh) * 2020-02-26 2023-09-12 五八有限公司 一种纸张字符识别方法、装置、电子设备及存储介质
CN112699883A (zh) * 2021-01-12 2021-04-23 首钢京唐钢铁联合有限责任公司 板材喷码的识别方法及识别系统
CN112699883B (zh) * 2021-01-12 2023-05-16 首钢京唐钢铁联合有限责任公司 板材喷码的识别方法及识别系统
CN114454617A (zh) * 2022-01-19 2022-05-10 湖南视比特机器人有限公司 喷码总系统

Similar Documents

Publication Publication Date Title
CN107451588A (zh) 一种基于机器视觉的易拉罐光滑曲面喷码在线识别方法
CN104156951B (zh) 一种针对支气管肺泡灌洗液涂片的白细胞检测方法
CN111414971B (zh) 一种基于卷积神经网络的成品茶叶种类及品级识别方法
CN108596880A (zh) 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN113239930B (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN106651899A (zh) 基于Adaboost的眼底图像微动脉瘤检测系统
CN108564092A (zh) 基于sift特征提取算法的向日葵病害识别方法
CN105139391B (zh) 一种雾霾天气交通图像边缘检测方法
CN108416814B (zh) 一种菠萝头部的快速定位与识别方法及系统
CN106296670A (zh) 一种基于Retinex‑分水岭‑Canny算子的红外图像边缘检测方法
CN108491786A (zh) 一种基于分级网络和聚类合并的人脸检测方法
CN111179216A (zh) 一种基于图像处理与卷积神经网络的作物病害识别方法
CN109886170A (zh) 一种钉螺智能检测识别与统计系统
CN108889635B (zh) 一种易拉罐制造缺陷在线视觉检测方法
CN114926407A (zh) 一种基于深度学习的钢材表面缺陷检测系统
CN115619775B (zh) 基于图像识别的物料计数方法及装置
CN110348503A (zh) 一种基于卷积神经网络的苹果品质检测方法
CN102788806A (zh) 基于类球形亮度变换的水果表面缺陷检测方法
CN115861276A (zh) 石墨膜片表面划痕检测方法和装置
CN111489367A (zh) 一种自动化选择轮毂二维码打码可行区域的定位方法
CN110197178A (zh) 一种图谱特征融合深度网络的大米种类快速鉴别检测装置及其检测方法
CN115880288A (zh) 电子元件焊接的检测方法、系统及计算机设备
CN113379620B (zh) 一种光学遥感卫星影像云检测方法
CN114092441A (zh) 一种基于双重神经网络的产品表面缺陷检测方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171208

WD01 Invention patent application deemed withdrawn after publication