CN107480678A - 一种棋盘识别方法和识别系统 - Google Patents

一种棋盘识别方法和识别系统 Download PDF

Info

Publication number
CN107480678A
CN107480678A CN201710914818.8A CN201710914818A CN107480678A CN 107480678 A CN107480678 A CN 107480678A CN 201710914818 A CN201710914818 A CN 201710914818A CN 107480678 A CN107480678 A CN 107480678A
Authority
CN
China
Prior art keywords
chessboard
module
chess piece
line
identified
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
CN201710914818.8A
Other languages
English (en)
Inventor
方勇
戚骁亚
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.)
Beijing Depth Singularity Technology Co Ltd
Original Assignee
Beijing Depth Singularity Technology Co Ltd
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 Beijing Depth Singularity Technology Co Ltd filed Critical Beijing Depth Singularity Technology Co Ltd
Priority to CN201710914818.8A priority Critical patent/CN107480678A/zh
Publication of CN107480678A publication Critical patent/CN107480678A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (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)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种棋盘识别方法和识别系统，棋盘识别方法包括以下步骤：获取棋盘图像；在获取的棋盘图像中对棋盘面进行识别，其具体过程为：对棋盘图像进行预处理，得到棋盘的边沿图和角点图，找出棋盘图像中的两组平行线族；对整个棋盘进行拟合，并对拟合结果进行评分，将分值最高的拟合结果作为棋盘水平方向和竖直方向上的棋盘线，将棋盘线进行相交，确定棋盘线的交点坐标；在棋盘面中对棋子进行识别，其具体过程为：对拟合得到的棋盘面进行矫正；训练卷积神经网络，采用训练得到的卷积神经网络对棋盘面中的每个交叉点进行识别。本发明能够对不同光照条件下的不同棋盘和棋子进行识别，且能够识别有效识别异物干扰和棋子位置不正等异常情况。

Description

一种棋盘识别方法和识别系统
技术领域
本发明属于图像识别技术领域，具体涉及一种棋盘识别方法和识别系统。
背景技术
围棋和象棋作为中国最具代表性的棋类游戏是中国古人文化的结晶，也是当下流行的娱乐游戏。随着机器人技术的发展，机器人的功能越来越丰富，娱乐机器人的研究已经成为一个重要的方向。象棋机器人和围棋机器人都是娱乐机器人中的一种，在摄像机的监视下，使人机之间的下棋过程非常相似于人与人之间的对弈。基于图像处理的棋盘识别是象棋机器人和围棋机器人软件的重要组成部分。早期人们大多采用传统机器视觉算法来识别棋盘。然而，受限于传统算法的性能极限，传统机器视觉算法在抗干扰性和适应不同棋盘等方面的问题一直未能得到很好的解决。
发明内容
为了解决现有技术存在的上述问题，本发明提供了一种棋盘识别方法和识别系统。
本发明所采用的技术方案为：一种棋盘识别方法包括以下步骤：获取棋盘图像；在获取的棋盘图像中对棋盘面进行识别；在棋盘面中对棋子进行识别。
进一步地，所述棋盘图像采用数码相机拍摄获得或从网络上获得。
进一步地，所述步骤在获取的棋盘图像中对棋盘面进行识别的具体过程为：
将获取的棋盘图像切分成若干区域，得到每个区域的灰度统计特性；
在每个区域上进行高斯模糊处理，得到平滑的灰度特性；
根据得到的平滑灰度特性对原灰度图进行均衡处理；
采用传统算法得到棋盘的边沿图和角点图；
采用霍夫变换找出棋盘图像中的两组平行线族；
对于每组平行线族中的每条线，根据该线与角点的吻合程度以及该线与边沿图的吻合程度，对该线进行量化评分；
对整个棋盘进行拟合，并对拟合结果进行评分，将分值最高的拟合结果作为棋盘水平方向和竖直方向上的棋盘线；
将确定的两个方向上的棋盘线进行相交，确定棋盘线的交点坐标；
根据棋盘线和交点坐标对棋盘面进行识别。
进一步地，所述步骤在棋盘面中对棋子进行识别的具体过程为：
对拟合得到的棋盘面进行矫正；
以棋盘面中的每个交叉点为中心，截取1.2～1.8倍棋子大小的区域图像，将截取的区域图像作为卷积神经网络识别的输入图像，对卷积神经网络进行训练；
利用训练得到的卷积神经网络对棋盘面中的每个交叉点进行识别。
更进一步地，所述对棋盘面中的每个交叉点进行识别的结果包括空点、白色棋子、黑色棋子、异物或棋子位置不正。
一种棋盘识别系统包括图像获取模块、棋盘面识别模块和棋子识别模块；所述图像获取模块用于获取棋盘图像；所述棋盘面识别模块用于从获取的棋盘图像中识别出棋盘面；所述棋子识别模块用于从识别出的棋盘面中识别出棋子。
进一步地，所述棋盘面识别模块包括预处理模块、边沿图和角点图获取模块、样本线生成模块、拟合模块、评价模块和棋盘确定模块；所述预处理模块用于对获取的棋盘图像进行灰度处理、高斯模糊处理和均衡处理；所述边沿图和角点图获取模块用于获取棋盘的边沿图和角点图；所述样本线生成模块用于识别出棋盘图像中所有可识别的线；所述拟合模块用于对所有可识别的线进行拟合处理，确定棋盘水平方向和竖直方向上的棋盘线；所述评价模块用于对确定的棋盘线进行量化评分；所述棋盘确定模块用于将评分最高的棋盘线进行相交，得到棋盘线的交点坐标，识别棋盘面。
进一步地，所述棋盘图像采用拍摄的棋盘照片或网络获取的棋盘图片。
进一步地，所述棋子识别模块包括矫正模块、卷积神经网络训练模块和棋子检测模块；所述矫正模块用于对拟合得到的棋盘面进行矫正，所述卷积神经网络训练模块用于将截取的1.2～1.8倍棋子大小的区域图像作为卷积神经网络识别的输入图像对卷积神经网络进行训练，所述棋子检测模块采用训练得到的卷积神经网络对棋子进行检测。
进一步地，所述棋子检测模块的检测结果包括空点、白色棋子、黑色棋子、异物或棋子位置不正。
由于采用以上技术方案，本发明的有益效果为：本发明结合传统机器视觉算法的部分优势，再融合卷积神经网络在识别方面的长处，能够对不同光照条件下的不同棋盘和棋子进行识别，且能够识别有效识别异物干扰和棋子位置不正等异常情况。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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。
图1是本发明一实施例提供的一种棋盘识别方法的流程图；
图2是本发明一实施例提供一种棋盘识别方法中棋盘面识别的流程图；
图3是本发明一实施例提供一种棋盘识别方法中棋子识别的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
如图1所示，本发明提供了一种棋盘识别方法，其包括以下步骤：
S1、获取棋盘图像。
可以采用常见的各种数字图像获取方式获取棋盘图像。例如，利用数码相机对某一棋盘进行拍摄，得到棋盘图像。也可以通过从网络上获取棋盘的图片。
S2、在获取的棋盘图像中对棋盘面进行识别，其具体包括以下步骤：
S21、将获取的棋盘图像切分成若干区域，得到每个区域的灰度统计特性。
S22、在每个区域上进行高斯模糊处理，得到平滑的灰度特性。
S23、根据得到的平滑灰度特性对原灰度图进行均衡处理。
S24、采用传统算法得到棋盘的边沿图和角点图。
S25、采用霍夫变换找出棋盘图像中的两组平行线族。
原始棋盘图像中的每一条线对应霍夫空间中的一个点。当原始棋盘图像中的一条线有细微的弯曲或误差时，在霍夫空间中对应的点就会分散。原始棋盘图像中的一组平行线在霍夫空间中对应为均匀排布的一系列点。捕捉到这些有规律的点后，就能够得到两组平行线族。本发明也能够检测出角度均匀变化的，介于扇形和平行线之间的线族。
S26、对于每组平行线族中的每条线，根据该线与角点的吻合程度以及该线与边沿图的吻合程度，对该线进行量化评分。
S27、对整个棋盘进行拟合，并对拟合结果进行评分，将分值最高的拟合结果作为棋盘水平方向和竖直方向上的棋盘线。
S28、将确定的两个方向上的棋盘线进行相交，确定棋盘线的交点坐标。
S29、根据棋盘线和交点坐标对棋盘面进行识别。
S3、在棋盘面中对棋子进行识别，其具体包括以下步骤：
S31、对拟合得到的棋盘面进行矫正。
由于采用相机对棋盘进行拍摄时，摄像头的位置并不是正对棋盘，往往会有倾斜。此处，首先将棋盘拉伸为正方形。通过此方法能够为后续的卷积神经网络提供必要的一致性，使得不同采集角度下获得的棋子图像归一为特定大小和比例的图像数据，成为有效的神经网络训练数据格式，同时也是后续棋子识别时的数据输入格式。
S32、以棋盘面中的每个交叉点为中心，截取1.2～1.8倍棋子大小的区域图像，将截取的区域图像作为卷积神经网络识别的输入图像，对卷积神经网络进行训练。具体地，截取1.5倍棋子大小的区域图像，将该区域图像作为卷积神经网络识别的输入图像。
S33、利用训练得到的卷积神经网络对棋盘面中的每个交叉点进行识别，识别结果包括空点、白色棋子、黑色棋子、异物、棋子位置不正等五种类型。
相较于以往的基于传统算法的棋盘识别方法，本发明棋盘识别方法只需要采集有限的棋子图像信息，利用卷积神经网络，能够充分利用整体图像的每个象素的信息，同时可以克服棋子位移的影响，最终达到优秀的抗干扰识别能力，且识别的结果可以细分为空点、白色棋子、黑色棋子、异物和棋子位置不正五种类型。
本发明还提供了一种棋盘识别系统，其包括图像获取模块、棋盘面识别模块和棋子识别模块。图像获取模块用于获取棋盘图像，棋盘图像可以是实际拍摄的棋盘照片，也可以是从网络上获取的棋盘图片。棋盘面识别模块用于从获取的棋盘图像中识别出棋盘面。棋子识别模块用于从识别出的棋盘面中识别出棋子。
在一个具体的实施例中，棋盘面识别模块包括预处理模块、边沿图和角点图获取模块、样本线生成模块、拟合模块、评价模块和棋盘确定模块。预处理模块用于对获取的棋盘图像进行灰度处理、高斯模糊处理和均衡处理等。边沿图和角点图获取模块用于获取棋盘的边沿图和角点图。样本线生成模块用于识别出棋盘图像中所有可识别的线。拟合模块用于对所有可识别的线进行拟合处理，确定棋盘水平方向和竖直方向上的棋盘线。评价模块用于对确定的棋盘线进行量化评分。棋盘确定模块用于将评分最高的棋盘线进行相交，得到棋盘线的交点坐标，识别棋盘面。
在一个具体的实施例中，棋子识别模块包括矫正模块、卷积神经网络训练模块和棋子检测模块。其中，矫正模块用于对拟合得到的棋盘面进行矫正，使得不同采集角度下获得的棋子图像归一为特定大小和比例的图像数据。卷积神经网络训练模块用于将截取的1.2～1.8倍棋子大小的区域图像作为卷积神经网络识别的输入图像对卷积神经网络进行训练。棋子检测模块采用训练得到的卷积神经网络对棋子进行检测。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所披露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种棋盘识别方法，其特征在于，它包括以下步骤：
获取棋盘图像；
在获取的棋盘图像中对棋盘面进行识别；
在棋盘面中对棋子进行识别。
2.如权利要求1所述的一种棋盘识别方法，其特征在于，所述棋盘图像采用数码相机拍摄获得或从网络上获得。
3.如权利要求1所述的一种棋盘识别方法，其特征在于，所述步骤在获取的棋盘图像中对棋盘面进行识别的具体过程为：
将获取的棋盘图像切分成若干区域，得到每个区域的灰度统计特性；
在每个区域上进行高斯模糊处理，得到平滑的灰度特性；
根据得到的平滑灰度特性对原灰度图进行均衡处理；
采用传统算法得到棋盘的边沿图和角点图；
采用霍夫变换找出棋盘图像中的两组平行线族；
对于每组平行线族中的每条线，根据该线与角点的吻合程度以及该线与边沿图的吻合程度，对该线进行量化评分；
对整个棋盘进行拟合，并对拟合结果进行评分，将分值最高的拟合结果作为棋盘水平方向和竖直方向上的棋盘线；
将确定的两个方向上的棋盘线进行相交，确定棋盘线的交点坐标；
根据棋盘线和交点坐标对棋盘面进行识别。
4.如权利要求1所述的一种棋盘识别方法，其特征在于，所述步骤在棋盘面中对棋子进行识别的具体过程为：
对拟合得到的棋盘面进行矫正；
以棋盘面中的每个交叉点为中心，截取1.2～1.8倍棋子大小的区域图像，将截取的区域图像作为卷积神经网络识别的输入图像，对卷积神经网络进行训练；
利用训练得到的卷积神经网络对棋盘面中的每个交叉点进行识别。
5.如权利要求4所述的一种棋盘识别方法，其特征在于，所述对棋盘面中的每个交叉点进行识别的结果包括空点、白色棋子、黑色棋子、异物或棋子位置不正。
6.一种棋盘识别系统，其特征在于，它包括图像获取模块、棋盘面识别模块和棋子识别模块；所述图像获取模块用于获取棋盘图像；所述棋盘面识别模块用于从获取的棋盘图像中识别出棋盘面；所述棋子识别模块用于从识别出的棋盘面中识别出棋子。
7.如权利要求6所述的一种棋盘识别系统，其特征在于，所述棋盘面识别模块包括预处理模块、边沿图和角点图获取模块、样本线生成模块、拟合模块、评价模块和棋盘确定模块；所述预处理模块用于对获取的棋盘图像进行灰度处理、高斯模糊处理和均衡处理；所述边沿图和角点图获取模块用于获取棋盘的边沿图和角点图；所述样本线生成模块用于识别出棋盘图像中所有可识别的线；所述拟合模块用于对所有可识别的线进行拟合处理，确定棋盘水平方向和竖直方向上的棋盘线；所述评价模块用于对确定的棋盘线进行量化评分；所述棋盘确定模块用于将评分最高的棋盘线进行相交，得到棋盘线的交点坐标，识别棋盘面。
8.如权利要求6所述的一种棋盘识别系统，其特征在于，所述棋盘图像采用拍摄的棋盘照片或网络获取的棋盘图片。
9.如权利要求6所述的一种棋盘识别系统，其特征在于，所述棋子识别模块包括矫正模块、卷积神经网络训练模块和棋子检测模块；所述矫正模块用于对拟合得到的棋盘面进行矫正，所述卷积神经网络训练模块用于将截取的1.2～1.8倍棋子大小的区域图像作为卷积神经网络识别的输入图像对卷积神经网络进行训练，所述棋子检测模块采用训练得到的卷积神经网络对棋子进行检测。
10.如权利要求6所述的一种棋盘识别系统，其特征在于，所述棋子检测模块的检测结果包括空点、白色棋子、黑色棋子、异物或棋子位置不正。
CN201710914818.8A 2017-09-29 2017-09-29 一种棋盘识别方法和识别系统 Pending CN107480678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710914818.8A CN107480678A (zh) 2017-09-29 2017-09-29 一种棋盘识别方法和识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710914818.8A CN107480678A (zh) 2017-09-29 2017-09-29 一种棋盘识别方法和识别系统

Publications (1)

Publication Number Publication Date
CN107480678A true CN107480678A (zh) 2017-12-15

Family

ID=60605308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710914818.8A Pending CN107480678A (zh) 2017-09-29 2017-09-29 一种棋盘识别方法和识别系统

Country Status (1)

Country Link
CN (1) CN107480678A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109032935A (zh) * 2018-07-13 2018-12-18 东北大学 基于幻影围棋的非完美信息博弈完美化软件模型的预测方法
CN110399888A (zh) * 2019-07-25 2019-11-01 西南民族大学 一种基于mlp神经网络和计算机视觉的围棋裁判系统
CN111241993A (zh) * 2020-01-08 2020-06-05 咪咕文化科技有限公司 座位数的确定方法、装置、电子设备及存储介质
CN113524147A (zh) * 2021-08-02 2021-10-22 北京深度奇点科技有限公司 一种基于3d相机的工业机器人示教系统及方法
CN114734456A (zh) * 2022-03-23 2022-07-12 深圳市商汤科技有限公司 摆棋方法、装置、电子设备、对弈机器人及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271576A (zh) * 2008-05-08 2008-09-24 上海交通大学 复杂光照与表面条件下棋盘格模式识别定位方法
CN103996191A (zh) * 2014-05-09 2014-08-20 东北大学 一种基于最小二乘优化的黑白棋盘格图像角点的检测方法
CN105374037A (zh) * 2015-11-04 2016-03-02 西安邮电大学 一种边角检测的棋盘格角点自动筛选方法
CN105701496A (zh) * 2016-01-12 2016-06-22 北京万同科技有限公司 一种基于人工智能技术的围棋盘面识别方法
CN106373091A (zh) * 2016-09-05 2017-02-01 山东省科学院自动化研究所 全景泊车中鸟瞰图像的自动拼接方法、系统及车辆

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101271576A (zh) * 2008-05-08 2008-09-24 上海交通大学 复杂光照与表面条件下棋盘格模式识别定位方法
CN103996191A (zh) * 2014-05-09 2014-08-20 东北大学 一种基于最小二乘优化的黑白棋盘格图像角点的检测方法
CN105374037A (zh) * 2015-11-04 2016-03-02 西安邮电大学 一种边角检测的棋盘格角点自动筛选方法
CN105701496A (zh) * 2016-01-12 2016-06-22 北京万同科技有限公司 一种基于人工智能技术的围棋盘面识别方法
CN106373091A (zh) * 2016-09-05 2017-02-01 山东省科学院自动化研究所 全景泊车中鸟瞰图像的自动拼接方法、系统及车辆

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YU-AN WEI 等: "Chess recognition from a single depth image", 《2017 IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO（ICME）》 *
王殿君: "基于视觉的中国象棋棋子识别定位技术", 《清华大学学报（自然科学版）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109032935A (zh) * 2018-07-13 2018-12-18 东北大学 基于幻影围棋的非完美信息博弈完美化软件模型的预测方法
CN110399888A (zh) * 2019-07-25 2019-11-01 西南民族大学 一种基于mlp神经网络和计算机视觉的围棋裁判系统
CN111241993A (zh) * 2020-01-08 2020-06-05 咪咕文化科技有限公司 座位数的确定方法、装置、电子设备及存储介质
CN111241993B (zh) * 2020-01-08 2023-10-20 咪咕文化科技有限公司 座位数的确定方法、装置、电子设备及存储介质
CN113524147A (zh) * 2021-08-02 2021-10-22 北京深度奇点科技有限公司 一种基于3d相机的工业机器人示教系统及方法
CN113524147B (zh) * 2021-08-02 2022-05-24 北京深度奇点科技有限公司 一种基于3d相机的工业机器人示教系统及方法
CN114734456A (zh) * 2022-03-23 2022-07-12 深圳市商汤科技有限公司 摆棋方法、装置、电子设备、对弈机器人及存储介质

Similar Documents

Publication Publication Date Title
CN107480678A (zh) 一种棋盘识别方法和识别系统
CN111474184B (zh) 基于工业机器视觉的aoi字符缺陷检测方法和装置
CN109785316B (zh) 一种芯片表观缺陷检测方法
WO2021138995A1 (zh) 一种棋盘格角点全自动检测方法
CN103065134A (zh) 一种具有提示信息的指纹识别装置和方法
CN105913093A (zh) 一种用于文字识别处理的模板匹配方法
CN109961399B (zh) 基于图像距离变换的最佳缝合线搜寻方法
CN106446894A (zh) 一种基于轮廓识别球型目标物位置的方法
CN102646193A (zh) 一种环形排布字符图像分割方法
CN112287868B (zh) 一种人体动作识别方法及装置
CN105205447A (zh) 基于围棋图像的围棋识别方法以及棋盘
CN104700395A (zh) 一种构造物外观裂缝检测方法及系统
CN113658131A (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN108171674B (zh) 针对任意视角投影仪图像的视觉矫正方法
CN111257329A (zh) 一种智能手机摄像头缺陷检测方法以及检测系统
CN106651837A (zh) 白玻璃板表面崩边缺陷检测方法
CN106067031A (zh) 基于人工纠错机制与深度学习网络协作机器视觉识别系统
CN106815830B (zh) 图像的缺陷检测方法
CN107122775A (zh) 一种基于特征匹配的安卓手机身份证字符识别方法
CN106651802A (zh) 机器视觉焊锡定位检测方法
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN104966302B (zh) 一种任意角度激光十字的检测定位方法
CN108520260A (zh) 瓶装口服液中可见异物的识别方法
CN115049689A (zh) 一种基于轮廓检测技术的乒乓球识别方法
CN108492306A (zh) 一种基于图像轮廓的x型角点提取方法

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: 20171215