CN107481244A - 一种工业机器人视觉语义分割数据库制作方法 - Google Patents

一种工业机器人视觉语义分割数据库制作方法 Download PDF

Info

Publication number
CN107481244A
CN107481244A CN201710535729.2A CN201710535729A CN107481244A CN 107481244 A CN107481244 A CN 107481244A CN 201710535729 A CN201710535729 A CN 201710535729A CN 107481244 A CN107481244 A CN 107481244A
Authority
CN
China
Prior art keywords
image
background
region
pixel value
png
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
Application number
CN201710535729.2A
Other languages
English (en)
Other versions
CN107481244B (zh
Inventor
张印辉
张春全
何自芬
武玉琪
张越
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and 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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201710535729.2A priority Critical patent/CN107481244B/zh
Publication of CN107481244A publication Critical patent/CN107481244A/zh
Application granted granted Critical
Publication of CN107481244B publication Critical patent/CN107481244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种工业机器人视觉语义分割数据库制作方法，属于数字图像处理技术领域。本发明采集机械零件和工具不同背景、不同样本的图像若干副；将图像中出现的每一种类别的目标区域和背景抠图处理，再进行填充，并对目标区域进行描边操作；再将图像中背景区域和类别区域的像素值归类，将图像转换为cdata格式，将cdata图像与colormap叠加，完成原图像Ground‑truth制作。本发明建立的数据库可用于深度学习网络模型训练、验证、检测，完成深度学习网络对常见常用机械零件和工具的检测识别任务；此外能根据实际需要，建立多种类别的数据库，以满足多类别目标检测和识别任务。

Description

一种工业机器人视觉语义分割数据库制作方法
技术领域
本发明涉及一种工业机器人视觉语义分割数据库制作方法，属于数字图像处理技术领域。
背景技术
近几十年来，工业4.0的迅速普及，工业机器人对目标的检测和识别成为了机器视觉领域研究的热点之一，并成为许多自动化、智能化制造生产系统中不可或缺的一部分。机械零件和工具的检测识别是伴随着现代工业生产应运而生，在现代智能制造中，尤其在自动化装配工作中，能够在不同背景下检测和识别出零件、工具是非常关键的工作环节，它在提高制造工作中的检测、装配、分选、入库的工作效率，降低劳动成本等方面有非常重大的意义。
随着人工智能的不断发展，目前已经出现了众多具备智能检测和识别不同目标的家用机器人，而工业机器人的智能化发展还相对比较滞后；在人工智能技术领域，深度学习是目前比较热门的一个研究领域，而深度学习需要大量样本对神经网络模型进行训练和检测，因此，图像数据库是人工智能的重要基础。
目前，已经有众多的数据库支撑深度学习理论发展和研究，例如：手写数字数据库(MNIST)、Imagenet数据库、COCO(Common Objects in Context)、PASCAL VOC、CIFAR、OpenImage等。然而，上述所有数据库的样本类别均为日常生活中常见的目标，例如：人类；动物(鸟、猫、牛、狗、马、羊)；交通工具(飞机、自行车、船、公共汽车、小轿车、摩托车、火车)；室内(瓶子、椅子、餐桌、盆栽植物、沙发、电视)等。真正适用于工业机器人平台视觉检测和识别任务的语义分割的标准数据库却极为少见，制约了深度学习在机械工业领域的应用和扩展。
本发明由国家自然科学基金项目(No.61461022和No.61302173)资助研究，主要在于提出一种工业机器人视觉语义分割数据库制作方法，解决机械领域语义分割标准数据库的建立和制作问题，为深度学习在机械工业领域的应用和扩展提供数据支持。
发明内容
本发明提供了一种工业机器人视觉语义分割数据库制作方法，主要利用PhotoShop和Matlab软件解决机械领域语义分割标准数据库的建立和制作问题，为深度学习在机械工业领域的应用和扩展提供数据支持。
本发明的技术方案是：一种工业机器人视觉语义分割数据库制作方法，首先，利用图像采集设备采集机械零件和工具不同背景、不同样本的图像若干副；然后将图像中出现的每一种类别的目标区域和背景抠图处理，分别利用一种颜色对目标区域和背景区域进行填充，并对目标区域进行描边操作；再将图像中背景区域和类别区域的像素值分别归为0～5，将图像转换为cdata格式，将cdata图像与colormap叠加，完成原图像Ground-truth制作。
所述方法的具体步骤如下：
Step1、首先利用图像采集设备对5种常见机械零件和工具不同背景、不同样本的图像若干副，5种常见机械零件和工具包括轴承、起子、齿轮、钳子、扳手；其次图像采集时利用不同背景、不同数量、相同类别不同样本工具的场景，实现采集得到的图像多样化；
Step2、对采集得到的图像利用PhotoShop软件对图像中出现的不同类别区域抠图，将抠出的区域利用对应的RGB值进行填充和描边处理，将所有背景区域填充为黑色，将图像保存为PNG格式；
Step3、利用Matlab软件对保存的PNG格式的图像进行处理；首先将图像中背景区域和类别区域的像素值分别归为0～5，将图像转换为cdata格式；然后将cdata图像与colormap叠加，并将图像保存为PNG格式；
Step4、将Step2中保存的所有PNG格式的图像批处理；利用Matlab软件循环Step3进行批处理，将多有图像保存为PNG格式，完成原图像Ground-truth制作。
所述步骤Step1中，采集目标图像的主要步骤如下：
Step1.1、将不同工件、工具目标随意摆放于不同背景之中，利用光学采集设备，从不同高度、角度采集图像；
Step1.2、更换工件、工具目标的数量和类别以及背景，利用光学采集设备，从不同高度、角度采集图像，直至目标类别、数量背景满足实际需要；
所述步骤Step2中，利用PhotoShop软件对图像进行处理的主要步骤如下：
Step2.1、利用PhotoShop软件对图像中出现的不同类别区域抠图，对图像中出现的轴承、起子、齿轮、钳子、扳手区域，利用快速选择工具选择该区域，不同类别的目标区域分别利用“填充”命令分别利用不同的RGB值进行填充；为保证制作的数据集的准确无误，避免区域内出现渐变色像素点，对不同类别区域利用对应的RGB值进行多次的填充；
其中，轴承、起子、齿轮、钳子、扳手所在区域填充的颜色的RGB值分别为(0,128,0)、(128,128,0)、(128,0,0)、(128,0,128)、(0,128,128)；
Step2.2、利用“反向选择”命令选择所有背景区域，将背景区域填充为黑色，对应的RGB值为(0,0,0)；再次选择目标区域，利用“描边”命令对所有目标区域进行描边，描边颜色为白色，描边宽度为2个像素点宽度，位置居外，对应像素值为(255,255,255)，对描边区域进行多次描边；
Step2.3、最后将经过PhotoShop软件上述处理的图像保存为“PNG”格式。
所述步骤Step3中，利用Matlab软件对保存的PNG格式的图像进行处理的主要步骤如下：
Step3.1、利用matlab软件命令“rgb2gray(image)”将步骤Step 2中得到的PNG图像，转换为灰度图像；
Step3.2、利用for循环将灰度图中轴承、起子、齿轮、钳子、扳手不同类别目标所在区域的像素值分别归为1、2、3、4、5，将描边区域的像素值归为255，背景区域的像素值归为0，将图像转换为cadata格式；
其中，轴承、起子、齿轮、钳子、扳手所在区域填充的颜色对应的RGB值(0,128,0)、(128,128,0)、(128,0,0)、(128,0,128)、(0,128,128)，其像素值分别为75、113、38、53、90；
Step3.3、利用matlab软件命令“imwrite”，将得到的cadata格式图像与colormap结合，并保存为PNG图像，最终Groundtruth制作完成。
本发明的有益效果是：
(1)本发明所述方法简单便捷、通俗易懂，可操作性较强；
(2)本发明所述方法能够制作适用于语义分割的数据库，制作完成的数据库能够满足深度学习神经网络模型的训练和测试；完成深度学习网络对常见常用机械零件和工具的检测识别任务，提高了工业机器人对工件的检测识别能力，从而实现工业机器人人工智能化的目的；
(3)本发明所述方法能够满足多类别(>5种)任务需求，可利用该方法根据实际需要，建立多种类别(大于5种)的数据库，以满足多类别目标检测和识别任务。
附图说明
图1是本发明的方法流程图；
图2是本发明采集获得图像示意图；
图3是本发明目标区域填充之后图像示意图；
图4是本发明像素值归类之后制作完成Groundtruth图像。
具体实施方式
实施例1：如图1-4所示，一种工业机器人视觉语义分割数据库制作方法，首先，首先、利用图像采集设备采集5种常见机械零件和工具(轴承、起子、齿轮、钳子、扳手)不同背景、不同样本的图像若干副；然后对利用PhotoShop软件将图像中出现的每一种类别的目标区域和背景抠图处理，分别利用一种颜色对目标区域和背景区域进行填充，并对目标区域进行描边操作；利用Matlab软件将图像中背景区域和类别区域的像素值分别归为0～5，将图像转换为cdata格式，将cdata图像与colormap叠加，完成原图像Ground-truth制作。
所述方法的具体步骤如下：
Step1、首先利用图像采集设备对5种常见机械零件和工具不同背景、不同样本的图像若干副，5种常见机械零件和工具包括轴承、起子、齿轮、钳子、扳手；其次图像采集时利用不同背景、不同数量、相同类别不同样本工具的场景，实现采集得到的图像多样化；
Step2、对采集得到的图像利用PhotoShop软件对图像中出现的不同类别区域抠图，将抠出的区域利用对应的RGB值进行填充和描边处理，将所有背景区域填充为黑色，将图像保存为PNG格式；
Step3、利用Matlab软件对保存的PNG格式的图像进行处理；首先将图像中背景区域和类别区域的像素值分别归为0～5，将图像转换为cdata格式；然后将cdata图像与colormap叠加，并将图像保存为PNG格式；
Step4、将Step2中保存的所有PNG格式的图像批处理；利用Matlab软件循环Step3进行批处理，将多有图像保存为PNG格式，直至所有完成所有原图像Ground-truth制作。
所述步骤Step1中，采集目标图像的主要步骤如下：
Step1.1、将不同工件、工具目标随意摆放于不同背景之中，利用光学采集设备，从不同高度、角度采集图像；
Step1.2、更换工件、工具目标的数量和类别以及背景，利用光学采集设备，从不同高度、角度采集图像，直至目标类别、数量背景满足实际需要；
所述步骤Step2中，利用PhotoShop软件对图像进行处理的主要步骤如下：
Step2.1、利用PhotoShop软件对图像中出现的不同类别区域抠图，对图像中出现的轴承、起子、齿轮、钳子、扳手区域，利用快速选择工具选择该区域，不同类别的目标区域分别利用“填充”命令分别利用不同的RGB值进行填充；为保证制作的数据集的准确无误，避免区域内出现渐变色像素点，对不同类别区域利用对应的RGB值进行多次的填充；
其中，轴承、起子、齿轮、钳子、扳手所在区域填充的颜色的RGB值分别为(0,128,0)、(128,128,0)、(128,0,0)、(128,0,128)、(0,128,128)；如图3所示，为轴承填充之后的图像示意图，其中，两条环形边缘之间区域的颜色RGB值为(0,128,0)；
Step2.2、利用“反向选择”命令选择所有背景区域，将背景区域填充为黑色，对应的RGB值为(0,0,0)；再次选择目标区域，利用“描边”命令对所有目标区域进行描边，描边颜色为白色，描边宽度为2个像素点宽度，位置居外，对应像素值为(255,255,255)，对描边区域进行多次描边；
Step2.3、最后将经过PhotoShop软件上述处理的图像保存为“PNG”格式。
所述步骤Step3中，利用Matlab软件对保存的PNG格式的图像进行处理的主要步骤如下：
Step3.1、利用matlab软件命令“rgb2gray(image)”将步骤Step 2中得到的PNG图像，转换为灰度图像；
Step3.2、利用for循环将灰度图中轴承、起子、齿轮、钳子、扳手不同类别目标所在区域的像素值分别归为1、2、3、4、5，将描边区域的像素值归为255，背景区域的像素值归为0，将图像转换为cadata格式；
其中，轴承、起子、齿轮、钳子、扳手所在区域填充的颜色对应的RGB值(0,128,0)、(128,128,0)、(128,0,0)、(128,0,128)、(0,128,128)，其像素值分别为75、113、38、53、90；如表1所示：
表1
类别 RGB值 像素值
轴承 (0,128,0) 75
起子 (128,128,0) 113
齿轮 (128,0,0) 38
钳子 (128,0,128) 53
扳手 (0,128,128) 90
描边(2PX) (255,255,255) 255
背景 (0,0,0,) 0
Step3.3、利用matlab软件命令“imwrite”，将得到的cadata格式图像与colormap结合，并保存为PNG图像，最终Groundtruth制作完成，如图4所示，为轴承像素归类之后制作完成之后的Groundtruth图像，其中，两条环形边缘之间的区域即为Groundtruth区域。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种工业机器人视觉语义分割数据库制作方法，其特征在于：首先，利用图像采集设备采集机械零件和工具不同背景、不同样本的图像若干副；然后将图像中出现的每一种类别的目标区域和背景抠图处理，分别利用一种颜色对目标区域和背景区域进行填充，并对目标区域进行描边操作；再将图像中背景区域和类别区域的像素值分别归为0～5，将图像转换为cdata格式，将cdata图像与colormap叠加，完成原图像Ground-truth制作。
2.根据权利要求1所述的工业机器人视觉语义分割数据库制作方法，其特征在于：所述方法的具体步骤如下：
Step1、首先利用图像采集设备对5种常见机械零件和工具不同背景、不同样本的图像若干副，5种常见机械零件和工具包括轴承、起子、齿轮、钳子、扳手；其次图像采集时利用不同背景、不同数量、相同类别不同样本工具的场景，实现采集得到的图像多样化；
Step2、对采集得到的图像利用PhotoShop软件对图像中出现的不同类别区域抠图，将抠出的区域利用对应的RGB值进行填充和描边处理，将所有背景区域填充为黑色，将图像保存为PNG格式；
Step3、利用Matlab软件对保存的PNG格式的图像进行处理；首先将图像中背景区域和类别区域的像素值分别归为0～5，将图像转换为cdata格式；然后将cdata图像与colormap叠加，并将图像保存为PNG格式；
Step4、将Step2中保存的所有PNG格式的图像批处理；利用Matlab软件循环Step3进行批处理，将多有图像保存为PNG格式，完成原图像Ground-truth制作。
3.根据权利要求1所述的工业机器人视觉语义分割数据库制作方法，其特征在于：所述步骤Step2中，利用PhotoShop软件对图像进行处理的主要步骤如下：
Step2.1、利用PhotoShop软件对图像中出现的不同类别区域抠图，对图像中出现的轴承、起子、齿轮、钳子、扳手区域，利用快速选择工具选择该区域，不同类别的目标区域分别利用“填充”命令分别利用不同的RGB值进行填充；
其中，轴承、起子、齿轮、钳子、扳手所在区域填充的颜色的RGB值分别为(0,128,0)、(128,128,0)、(128,0,0)、(128,0,128)、(0,128,128)；
Step2.2、利用“反向选择”命令选择所有背景区域，将背景区域填充为黑色，对应的RGB值为(0,0,0)；再次选择目标区域，利用“描边”命令对所有目标区域进行描边，描边颜色为白色，对应像素值为(255,255,255)；
Step2.3、最后将经过PhotoShop软件上述处理的图像保存为“PNG”格式。
4.根据权利要求1所述的工业机器人视觉语义分割数据库制作方法，其特征在于：所述步骤Step3中，利用Matlab软件对保存的PNG格式的图像进行处理的主要步骤如下：
Step3.1、利用matlab软件命令“rgb2gray(image)”将步骤Step 2中得到的PNG图像，转换为灰度图像；
Step3.2、利用for循环将灰度图中轴承、起子、齿轮、钳子、扳手不同类别目标所在区域的像素值分别归为1、2、3、4、5，将描边区域的像素值归为255，背景区域的像素值归为0，将图像转换为cadata格式；
其中，轴承、起子、齿轮、钳子、扳手所在区域填充的颜色对应的RGB值(0,128,0)、(128,128,0)、(128,0,0)、(128,0,128)、(0,128,128)，其像素值分别为75、113、38、53、90；
Step3.3、利用matlab软件命令“imwrite”，将得到的cadata格式图像与colormap结合，并保存为PNG图像，最终Groundtruth制作完成。
CN201710535729.2A 2017-07-04 2017-07-04 一种工业机器人视觉语义分割数据库制作方法 Active CN107481244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710535729.2A CN107481244B (zh) 2017-07-04 2017-07-04 一种工业机器人视觉语义分割数据库制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710535729.2A CN107481244B (zh) 2017-07-04 2017-07-04 一种工业机器人视觉语义分割数据库制作方法

Publications (2)

Publication Number Publication Date
CN107481244A true CN107481244A (zh) 2017-12-15
CN107481244B CN107481244B (zh) 2020-09-25

Family

ID=60595368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710535729.2A Active CN107481244B (zh) 2017-07-04 2017-07-04 一种工业机器人视觉语义分割数据库制作方法

Country Status (1)

Country Link
CN (1) CN107481244B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977253A (zh) * 2019-03-29 2019-07-05 哈尔滨工业大学 一种基于语义和内容的快速图像检索方法及装置
CN110827317A (zh) * 2019-11-04 2020-02-21 西安邮电大学 一种基于fpga的四目运动目标检测与识别设备及方法
CN111126407A (zh) * 2019-12-23 2020-05-08 昆明理工大学 一种基于单独编码网络的机械零件语义分割方法
WO2020168515A1 (zh) * 2019-02-21 2020-08-27 深圳市大疆创新科技有限公司 一种图像处理方法、装置、图像拍摄和处理系统及载体
CN111724392A (zh) * 2020-05-25 2020-09-29 浙江工业大学 一种针对深度学习特征注意力转移的数据处理方法
CN111784662A (zh) * 2020-06-29 2020-10-16 深圳至峰精密制造有限公司 工件识别方法、装置、计算机设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050173A (zh) * 2013-03-12 2014-09-17 百度在线网络技术（北京）有限公司 一种用于地点语义识别的数据库的构建方法及系统
CN104462111A (zh) * 2013-09-17 2015-03-25 成都理想境界科技有限公司 图像检索数据库建立方法
WO2015042891A1 (zh) * 2013-09-27 2015-04-02 华为技术有限公司 图像语义分割的方法和装置
CN106296728A (zh) * 2016-07-27 2017-01-04 昆明理工大学 一种基于全卷积网络的非限制场景中运动目标快速分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050173A (zh) * 2013-03-12 2014-09-17 百度在线网络技术（北京）有限公司 一种用于地点语义识别的数据库的构建方法及系统
CN104462111A (zh) * 2013-09-17 2015-03-25 成都理想境界科技有限公司 图像检索数据库建立方法
WO2015042891A1 (zh) * 2013-09-27 2015-04-02 华为技术有限公司 图像语义分割的方法和装置
CN106296728A (zh) * 2016-07-27 2017-01-04 昆明理工大学 一种基于全卷积网络的非限制场景中运动目标快速分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姜枫等: "基于内容的图像分割方法综述", 《软件学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020168515A1 (zh) * 2019-02-21 2020-08-27 深圳市大疆创新科技有限公司 一种图像处理方法、装置、图像拍摄和处理系统及载体
CN109977253A (zh) * 2019-03-29 2019-07-05 哈尔滨工业大学 一种基于语义和内容的快速图像检索方法及装置
CN109977253B (zh) * 2019-03-29 2022-10-28 哈尔滨工业大学 一种基于语义和内容的快速图像检索方法及装置
CN110827317A (zh) * 2019-11-04 2020-02-21 西安邮电大学 一种基于fpga的四目运动目标检测与识别设备及方法
CN110827317B (zh) * 2019-11-04 2023-05-12 西安邮电大学 一种基于fpga的四目运动目标检测与识别设备及方法
CN111126407A (zh) * 2019-12-23 2020-05-08 昆明理工大学 一种基于单独编码网络的机械零件语义分割方法
CN111126407B (zh) * 2019-12-23 2022-07-01 昆明理工大学 一种基于单独编码网络的机械零件语义分割方法
CN111724392A (zh) * 2020-05-25 2020-09-29 浙江工业大学 一种针对深度学习特征注意力转移的数据处理方法
CN111784662A (zh) * 2020-06-29 2020-10-16 深圳至峰精密制造有限公司 工件识别方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN107481244B (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN107481244A (zh) 一种工业机器人视觉语义分割数据库制作方法
CN107804514B (zh) 一种基于图像识别的牙刷分拣方法
CN110570396A (zh) 一种基于深度学习的工业产品缺陷检测方法
CN108280856A (zh) 基于混合信息输入网络模型的未知物体抓取位姿估计方法
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
CN107369635B (zh) 一种基于深度学习的智能半导体装备系统
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN113083804A (zh) 激光智能除锈方法、系统及可存读介质
CN106408555A (zh) 一种基于图像视觉的轴承表面瑕疵检测方法
CN110598634B (zh) 一种基于图例库的机房草图识别方法及其装置
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN110852186B (zh) 一种树上柑橘的视觉识别与采摘顺序规划方法及其仿真系统
CN111178177A (zh) 一种基于卷积神经网络的黄瓜病害识别方法
CN110909660A (zh) 一种基于目标检测的塑料瓶检测与定位方法
CN105389581A (zh) 一种胚芽米胚芽完整度智能识别系统及其识别方法
CN111951232A (zh) 一种金属粉末注射成型外观缺陷检测方法及系统
CN115035082B (zh) 一种基于YOLOv4改进算法的航空器透明件缺陷检测方法
CN113469264A (zh) 一种垃圾自动分类模型的构建方法、垃圾分拣方法和系统
CN104200215A (zh) 一种大口径光学元件表面灰尘与麻点识别方法
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN116052222A (zh) 自然采集牛脸图像的牛脸识别方法
CN114155610A (zh) 基于上半身姿态估计的面板装配关键动作识别方法
Feng et al. Lane detection base on deep learning

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