CN108508844A - 基于平面辅助光源与机器视觉的产品转移系统及转移方法 - Google Patents
基于平面辅助光源与机器视觉的产品转移系统及转移方法 Download PDFInfo
- Publication number
- CN108508844A CN108508844A CN201810346241.XA CN201810346241A CN108508844A CN 108508844 A CN108508844 A CN 108508844A CN 201810346241 A CN201810346241 A CN 201810346241A CN 108508844 A CN108508844 A CN 108508844A
- Authority
- CN
- China
- Prior art keywords
- product
- light source
- secondary light
- plane secondary
- machine vision
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4086—Coordinate conversions; Other special calculations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于平面辅助光源与机器视觉的产品转移系统及转移方法,其中转移方法包括在产品周围安装平面辅助光源,用于产生产品造影图像;采集各种类型的无缺陷标准产品的造影图像,作为目标图像;实时采集生产平台上待分类产品的造影图像,作为待测图像;将待测图像与目标图像进行识别、匹配,确认每个产品类型;控制机械臂对待分类产品进行分类。转移系统包括在待分类产品周围安装有的平面辅助光源,在生产平台的正上方设有的摄像头和机械臂,以及所述摄像头和机械臂均连接有的控制模块;所述摄像头采集产品在平面辅助光源上的造影图像,所述控制模块识别造影图像信息,并与目标图像相匹配,确认产品类型后,控制机械臂进行分类。
Description
技术领域
本发明涉及包装自动化技术领域,特别涉及一种基于平面辅助光源与机器视觉的产品转移系统及转移方法。
背景技术
国内灌装机生产企业规模小,且很多生产企业主要还是靠引进国外的技术和生产线,或在此基础上对同类产品进行改造。国内24工位的饮料灌装机,对于500ml PET瓶灌装速度为12000BPH(瓶/小时),单个封盖头的工作效率为1500~1800BPH,且灌装的容量误差较大,与国外产品有较大的差距。
同时,酒品生产厂家为了提升市场竞争力,同时推广多种品牌和型号的酒产品,造成包装规格多样化,包装工艺流程无法统一的,为满足用户需求,包装生产线设计上均配置多组人工操作环节,如上瓶、贴标、装箱等工作。人工环节的引入,造成系统整体同步以及异常处理需要人为干预,一旦生产线有速度适配操作以及制动复位操作,均需要大量时间进行调整同步,耗费时间以及管理成本,效率低下。
发明内容
本发明的目的在于克服现有技术中所存在的“机器-人工”半自动化的不足,提供一种基于平面辅助光源与机器视觉的产品转移系统及转移方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于平面辅助光源与机器视觉的产品转移方法,包括
步骤一:在产品周围安装平面辅助光源,用于产生产品造影图像;
步骤二:采集各种类型的无缺陷标准产品的造影图像,作为目标图像;
步骤三:实时采集生产平台上待分类产品的造影图像,作为待测图像;
步骤四:将待测图像与目标图像进行识别、匹配,确认每个产品类型,并分为标准产品和缺陷产品;
步骤五:控制机械臂对待分类产品进行分类,分类成标准产品和缺陷产品。
无论何种形状的产品,均可在平面辅助光源下产生造影图像,根据产生造影图像的大小,可以很好地解决传感器以及纯计算机图像算法造成的局限性。再运用机器视觉,结合产品的二维不变特性、模板匹配等成熟的算法,可以精准的对产品进行定位,并控制机械臂进行抓取分类。一方面解决了产品类型种类繁多、分类复杂,传统的计算视觉技术以及传感器难以对其进行准确的分类与定位的问题,另一方面也降低了人工成本。最重要的是,消除了生产系统中的“人工分类”环节以及“机器-人工”半自动化的不足,提高了系统整体生产效率,降低了管理成本,同时减少和避免因自动化程度不高造成的原料浪费,提升了产品竞争力。
优选的,所述步骤二中的目标图像为多张无缺陷标准产品的造影图像采用统计平均法合成,保证了图像的准确性和可靠性。
优选的,所述步骤四中,基于SIFT算法,将待测图像和目标图像进行特征点提取、特征点描述和特征点匹配。SIFT算法的优点是特征稳定,对旋转、尺度变换、亮度保持不变性,对视角变换、噪声也有一定程度的稳定性。具体的:
特征点提取:SIFT算法的特征点是在DOG金字塔尺度空间中提取的,尺度空间的构建涉及到高斯卷积、图像下采样和高斯差分操作。在尺度空间中先初步提取出在尺度空间和二维图像空间上都是局部极值点的兴趣点,再滤除掉能量低的不稳定的和错误的兴趣点,得到最终稳定的特征点。
特征点描述:包括特征点方向分配和128维向量描述两个步骤。
特征点方向分配:SIFT算法求取特征点周围邻域内所有像素的梯度方向,生成梯度方向直方图,并归一化为0~360°的梯度方向直方图到36个方向内,取梯度直方图的主要分量所代表的方向作为特征点的方向。
128维向量描述:这个仍然是基于梯度方向直方图展开的,在特征点周围邻域4x4个块,每块提取出8个梯度方向,共计128个方向作为特征的描述子。
特征点匹配:通过计算两组特征点的128维的特征点的欧氏距离实现的。欧氏距离越小,则相似度越高,当欧式距离小于设定阈值时,可以判定为匹配成功。
优选的,所述步骤四中,基于SURF算法,对待测图像和目标图像构建黑塞矩阵和尺度空间、进行特征点定位、特征点主方向分配、生成特征点描述子以及特征点匹配。SURF特征点与SIFT特征点一样具有尺度不变性,但它用一种更为高效的方式完成特征的提取和描述,具有更好的实时性能。具体的:
(1)构建Hessian(黑塞矩阵),生成所有的兴趣点,用于特征的提取。构建Hessian矩阵的目的是为了生成图像稳定的边缘点(突变点),跟Canny、拉普拉斯边缘检测的作用类似,为特征提取做好基础;
(2)构建尺度空间,同SIFT一样,SURF的尺度空间也是由O组L层组成,不同的是,SIFT中下一组图像的尺寸是上一组的一半,同一组间图像尺寸一样,但是所使用的高斯模糊系数逐渐增大;而在SURF中,不同组间图像的尺寸都是一致的,不同的是不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但是滤波器的模糊系数逐渐增大;
(3)特征点定位,特征点的定位过程SURF和SIFT保持一致,将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较,初步定位出关键点,再经过滤除能量比较弱的关键点以及错误定位的关键点,筛选出最终的稳定的特征点。
(4)特征点主方向分配,SIFT特征点方向分配是采用在特征点邻域内统计其梯度直方图,取直方图bin值最大的以及超过最大bin值80%的那些方向作为特征点的主方向。而在SURF中,采用的是统计特征点圆形邻域内的harr小波特征。即在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直harr小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内harr小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向。
(5)生成特征点描述子,在SIFT中,是取特征点周围4x4个区域块,统计每小块内8个梯度。SURF算法中,也是在特征点周围取一个4x4的矩形区域块,但是所取得矩形区域方向是沿着特征点的主方向。每个子区域统计25个像素的水平方向和垂直方向的haar小波特征,这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之后、垂直方向值之后、水平方向绝对值之后以及垂直方向绝对值之和4个方向。
(6)特征点匹配
与SIFT特征点匹配类似,SURF也是通过计算两个特征点间的欧式距离来确定匹配度,欧氏距离越短,代表两个特征点的匹配度越好。不同的是SURF还加入了Hessian矩阵迹的判断,如果两个特征点的矩阵迹正负号相同,代表这两个特征具有相同方向上的对比度变化,如果不同,说明这两个特征点的对比度变化方向是相反的,即使欧氏距离为0,也直接予以排除。
优选的,利用卷积神经网络算法,以待测图像和目标图像作为输入值,以产品类型作为输出值,对产品进行分类。卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。
CNN的基本结构包括两层,其一为特征提取层(C层),每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层(S层),网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数和小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
本发明还公开了一种基于平面辅助光源与机器视觉的产品转移系统,包括在待分类产品周围安装有的平面辅助光源,在生产平台的正上方设有的摄像头和机械臂,以及所述摄像头和机械臂均连接有的控制模块;所述摄像头采集产品在平面辅助光源上的造影图像信息,所述控制模块识别造影图像信息,并与目标图像相匹配,确认产品类型后,控制机械臂进行分类转移。
本发明所述的产品转移系统的平面辅助光源和摄像头的安装位置可根据实际情况进行调整,各种设备均为常见通用设备,结构简单、安装方便。控制模块可根据定位、分类结果,控制摄像头和机械臂的动作,保证分类的准确性和稳定性。
优选的,所述平面辅助光源为在生产平台底部设有的背光源,安装方便,成像效果良好。
优选的,所述控制模块采用工业计算机,系统性能高,稳定性好。
与现有技术相比,本发明所述的转移方法的有益效果:
无论何种形状的产品,均可在平面辅助光源下产生造影图像,根据产生造影图像的大小,可以很好地解决传感器以及纯计算机图像算法造成的局限性。再运用机器视觉,结合产品的二维不变特性、模板匹配等成熟的算法,可以精准的对产品进行定位,并控制机械臂进行抓取分类。一方面解决了产品类型种类繁多、分类复杂,传统的计算视觉技术以及传感器难以对其进行准确的分类与定位的问题,另一方面也降低了人工成本。最重要的是,消除了生产系统中的“人工分类”环节以及“机器-人工”半自动化的不足,提高了系统整体生产效率,降低了管理成本,同时减少和避免因自动化程度不高造成的原料浪费,提升了产品竞争力。
与现有技术相比,本发明所述的转移系统的有益效果:
本发明所述的产品转移系统的平面辅助光源和摄像头的安装位置可根据实际情况进行调整,各种设备均为常见通用设备,结构简单、安装方便。控制模块可根据定位、分类结果,控制摄像头和机械臂的动作,保证分类的准确性和稳定性。
附图说明:
图1是本发明所述的基于平面辅助光源与机器视觉的产品转移方法的示意图。
图2是本发明所述的基于平面辅助光源与机器视觉的产品转移系统的示意图。
图中标记:1-生产平台,2-背光源,3-控制模块,4-待分类产品,5-机械臂,6-摄像头。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示,一种基于平面辅助光源与机器视觉的产品转移方法,包括
步骤一:在产品周围安装平面辅助光源,用于产生产品造影图像;
步骤二:采集各种类型的无缺陷标准产品的造影图像,作为目标图像,所述目标图像为多张无缺陷标准产品的造影图像采用统计平均法合成;
步骤三:实时采集生产平台上待分类产品的造影图像,作为待测图像;
步骤四:将待测图像与目标图像进行识别、匹配,确认每个产品类型,并分为标准产品和缺陷产品;
步骤五:控制机械臂对待分类产品进行分类,分类成标准产品和缺陷产品。
基于SURF算法,对待测图像和目标图像构建黑塞矩阵和尺度空间、进行特征点定位、特征点主方向分配、生成特征点描述子以及特征点匹配。
(1)构建Hessian(黑塞矩阵),生成所有的兴趣点,用于特征的提取。构建Hessian矩阵的目的是为了生成图像稳定的边缘点(突变点),跟Canny、拉普拉斯边缘检测的作用类似,为特征提取做好基础;
(2)构建尺度空间,同SIFT一样,SURF的尺度空间也是由O组L层组成,不同的是,SIFT中下一组图像的尺寸是上一组的一半,同一组间图像尺寸一样,但是所使用的高斯模糊系数逐渐增大;而在SURF中,不同组间图像的尺寸都是一致的,不同的是不同组间使用的盒式滤波器的模板尺寸逐渐增大,同一组间不同层间使用相同尺寸的滤波器,但是滤波器的模糊系数逐渐增大;
(3)特征点定位,特征点的定位过程SURF和SIFT保持一致,将经过Hessian矩阵处理的每个像素点与二维图像空间和尺度空间邻域内的26个点进行比较,初步定位出关键点,再经过滤除能量比较弱的关键点以及错误定位的关键点,筛选出最终的稳定的特征点。
(4)特征点主方向分配,SIFT特征点方向分配是采用在特征点邻域内统计其梯度直方图,取直方图bin值最大的以及超过最大bin值80%的那些方向作为特征点的主方向。而在SURF中,采用的是统计特征点圆形邻域内的harr小波特征。即在特征点的圆形邻域内,统计60度扇形内所有点的水平、垂直harr小波特征总和,然后扇形以0.2弧度大小的间隔进行旋转并再次统计该区域内harr小波特征值之后,最后将值最大的那个扇形的方向作为该特征点的主方向。
(5)生成特征点描述子,在SIFT中,是取特征点周围4x4个区域块,统计每小块内8个梯度方向,用着4x4x8=128维向量作为SIFT特征的描述子。
SURF算法中,也是在特征点周围取一个4x4的矩形区域块,但是所取得矩形区域方向是沿着特征点的主方向。每个子区域统计25个像素的水平方向和垂直方向的haar小波特征,这里的水平和垂直方向都是相对主方向而言的。该haar小波特征为水平方向值之后、垂直方向值之后、水平方向绝对值之后以及垂直方向绝对值之和4个方向。
(6)特征点匹配,与SIFT特征点匹配类似,SURF也是通过计算两个特征点间的欧式距离来确定匹配度,欧氏距离越短,代表两个特征点的匹配度越好。不同的是SURF还加入了Hessian矩阵迹的判断,如果两个特征点的矩阵迹正负号相同,代表这两个特征具有相同方向上的对比度变化,如果不同,说明这两个特征点的对比度变化方向是相反的,即使欧氏距离为0,也直接予以排除。
实施例2
如图2所示,一种基于平面辅助光源与机器视觉的产品转移系统,包括在生产平台底部1设有的背光源2,在生产平台1的正上方设有的摄像头6和机械臂5,以及所述摄像头6和机械臂5均连接有的控制模块3;所述摄像头6采集待分类产品4在背光源2上的造影图像,所述控制模块3识别造影图像信息,并与目标图像相匹配,确认产品类型后,控制机械臂5进行分类转移。
本发明所述的产品转移系统的平面辅助光源和摄像头的安装位置可根据实际情况进行调整,各种设备均为常见通用设备,结构简单、安装方便。控制模块可根据定位、分类结果,控制摄像头和机械臂的动作,保证分类的准确性和稳定性。
以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但本发明不局限于上述具体实施方式,因此任何对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于平面辅助光源与机器视觉的产品转移方法,其特征在于,包括
步骤一:在产品周围安装平面辅助光源,用于产生产品造影图像;
步骤二:采集各种类型的无缺陷标准产品的造影图像,作为目标图像;
步骤三:实时采集生产平台上待分类产品的造影图像,作为待测图像;
步骤四:将待测图像与目标图像进行识别、匹配,确认每个产品类型,并分为标准产品和缺陷产品;
步骤五:控制机械臂对待分类产品进行分类,分类成标准产品和缺陷产品。
2.根据权利要求1所述的基于平面辅助光源与机器视觉的产品转移方法,其特征在于,所述步骤二中的目标图像为多张无缺陷标准产品的造影图像采用统计平均法合成。
3.根据权利要求1所述的基于平面辅助光源与机器视觉的产品转移方法,其特征在于,所述步骤四中,基于SIFT算法,将待测图像和目标图像进行特征点提取、特征点描述和特征点匹配。
4.根据权利要求1所述的基于平面辅助光源与机器视觉的产品转移方法,其特征在于,所述步骤四中,基于SURF算法,对待测图像和目标图像构建黑塞矩阵和尺度空间、进行特征点定位、特征点主方向分配、生成特征点描述子以及特征点匹配。
5.根据权利要求1所述的基于平面辅助光源与机器视觉的产品转移方法,其特征在于,所述步骤四中,利用卷积神经网络算法,以待测图像和目标图像作为输入值,以产品类型作为输出值,对产品进行分类。
6.一种基于平面辅助光源与机器视觉的产品转移系统,其特征在于,包括在待分类产品周围安装有的平面辅助光源,在生产平台的正上方设有的摄像头和机械臂,以及所述摄像头和机械臂均连接有的控制模块;所述摄像头采集产品在平面辅助光源上的造影图像,所述控制模块识别造影图像信息,并与目标图像相匹配,确认产品类型后,控制机械臂进行分类转移。
7.根据权利要求6所述的基于平面辅助光源与机器视觉的产品转移系统,其特征在于,所述平面辅助光源为在生产平台底部设有的背光源。
8.根据权利要求6所述的基于平面辅助光源与机器视觉的产品转移系统,其特征在于,所述控制模块采用工业计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810346241.XA CN108508844A (zh) | 2018-04-17 | 2018-04-17 | 基于平面辅助光源与机器视觉的产品转移系统及转移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810346241.XA CN108508844A (zh) | 2018-04-17 | 2018-04-17 | 基于平面辅助光源与机器视觉的产品转移系统及转移方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108508844A true CN108508844A (zh) | 2018-09-07 |
Family
ID=63382673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810346241.XA Pending CN108508844A (zh) | 2018-04-17 | 2018-04-17 | 基于平面辅助光源与机器视觉的产品转移系统及转移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108508844A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858527A (zh) * | 2019-01-09 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种图像融合方法 |
CN112027658A (zh) * | 2020-08-28 | 2020-12-04 | 苏州天准科技股份有限公司 | 上料设备、上料方法及电子产品零部件检测系统 |
CN113177462A (zh) * | 2021-04-26 | 2021-07-27 | 四川大学 | 适用于法庭庭审监控的目标检测方法 |
CN114170598A (zh) * | 2021-12-10 | 2022-03-11 | 四川大学 | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202256178U (zh) * | 2011-09-09 | 2012-05-30 | 杭州品目科技有限公司 | 基于机器视觉的瓶盖内垫缺陷检测设备 |
KR20140062191A (ko) * | 2012-11-12 | 2014-05-23 | 주식회사 씨엔유 | 무선 영상 검사 기술 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
CN106289081A (zh) * | 2015-06-25 | 2017-01-04 | 闽浪仪器科技(厦门)有限公司 | 一种全自动视觉在线质量检测及分检系统 |
CN106345706A (zh) * | 2016-11-01 | 2017-01-25 | 苏州襄行智能科技有限公司 | 产品筛选分拣装置 |
CN106871794A (zh) * | 2016-12-20 | 2017-06-20 | 铜陵市多元微分科技有限公司 | 一种晶振盖板外形尺寸自动检测装置 |
CN107742119A (zh) * | 2017-11-14 | 2018-02-27 | 湖南大学 | 一种基于背影成像的物体轮廓提取和匹配装置及方法 |
CN107748890A (zh) * | 2017-09-11 | 2018-03-02 | 汕头大学 | 一种基于深度图像的视觉抓取方法、装置及其可读存储介质 |
-
2018
- 2018-04-17 CN CN201810346241.XA patent/CN108508844A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202256178U (zh) * | 2011-09-09 | 2012-05-30 | 杭州品目科技有限公司 | 基于机器视觉的瓶盖内垫缺陷检测设备 |
KR20140062191A (ko) * | 2012-11-12 | 2014-05-23 | 주식회사 씨엔유 | 무선 영상 검사 기술 |
CN106289081A (zh) * | 2015-06-25 | 2017-01-04 | 闽浪仪器科技(厦门)有限公司 | 一种全自动视觉在线质量检测及分检系统 |
CN106204618A (zh) * | 2016-07-20 | 2016-12-07 | 南京文采科技有限责任公司 | 基于机器视觉的产品包装表面缺陷检测与分类方法 |
CN106053479A (zh) * | 2016-07-21 | 2016-10-26 | 湘潭大学 | 一种基于图像处理的工件外观缺陷的视觉检测系统 |
CN106345706A (zh) * | 2016-11-01 | 2017-01-25 | 苏州襄行智能科技有限公司 | 产品筛选分拣装置 |
CN106871794A (zh) * | 2016-12-20 | 2017-06-20 | 铜陵市多元微分科技有限公司 | 一种晶振盖板外形尺寸自动检测装置 |
CN107748890A (zh) * | 2017-09-11 | 2018-03-02 | 汕头大学 | 一种基于深度图像的视觉抓取方法、装置及其可读存储介质 |
CN107742119A (zh) * | 2017-11-14 | 2018-02-27 | 湖南大学 | 一种基于背影成像的物体轮廓提取和匹配装置及方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858527A (zh) * | 2019-01-09 | 2019-06-07 | 北京全路通信信号研究设计院集团有限公司 | 一种图像融合方法 |
CN109858527B (zh) * | 2019-01-09 | 2021-08-24 | 北京全路通信信号研究设计院集团有限公司 | 一种图像融合方法 |
CN112027658A (zh) * | 2020-08-28 | 2020-12-04 | 苏州天准科技股份有限公司 | 上料设备、上料方法及电子产品零部件检测系统 |
CN113177462A (zh) * | 2021-04-26 | 2021-07-27 | 四川大学 | 适用于法庭庭审监控的目标检测方法 |
CN113177462B (zh) * | 2021-04-26 | 2022-04-15 | 四川大学 | 适用于法庭庭审监控的目标检测方法 |
CN114170598A (zh) * | 2021-12-10 | 2022-03-11 | 四川大学 | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 |
CN114170598B (zh) * | 2021-12-10 | 2023-07-07 | 四川大学 | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870983B (zh) | 处理托盘堆垛图像的方法、装置及用于仓储拣货的系统 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN108508844A (zh) | 基于平面辅助光源与机器视觉的产品转移系统及转移方法 | |
WO2020177432A1 (zh) | 基于目标检测网络的多标签物体检测方法、系统、装置 | |
CN110070536A (zh) | 一种基于深度学习的pcb板元器件检测方法 | |
CN107016664B (zh) | 一种大圆机的坏针瑕疵检测方法 | |
CN109342456A (zh) | 一种焊点缺陷检测方法、装置、设备及可读存储介质 | |
CN109859164A (zh) | 一种通过快速型卷积神经网络对pcba外观检验的方法 | |
CN110480637A (zh) | 一种基于Kinect传感器的机械臂零件图像识别抓取方法 | |
WO2023016340A1 (en) | Methods, systems, and computer-readable storage mediums for positioning target object | |
CN103996052A (zh) | 基于三维点云的三维人脸性别分类装置及方法 | |
CN111382785A (zh) | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 | |
CN113159064A (zh) | 基于精简的YOLOv3电路板电子元件目标检测的方法与装置 | |
CN116061187B (zh) | 一种复合机器人对货架商品识别、定位和抓取方法 | |
Zhang et al. | Prioritizing robotic grasping of stacked fruit clusters based on stalk location in RGB-D images | |
CN113657551A (zh) | 一种用于分拣堆叠多目标的机器人抓取姿态任务规划方法 | |
CN115482380A (zh) | 一种基于深度学习的多等级公路三维点云目标分割方法 | |
CN114029941B (zh) | 一种机器人抓取方法、装置、电子设备及计算机介质 | |
CN104933415A (zh) | 一种实时可见光遥感影像云区检测方法 | |
CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
CN109993728A (zh) | 一种热转印胶水偏位自动检测方法和系统 | |
CN113505629A (zh) | 一种基于轻量网络的智能仓储物件识别装置 | |
CN109583289A (zh) | 蟹的性别识别方法和装置 | |
CN116245882A (zh) | 电路板电子元件检测方法、装置及计算机设备 | |
CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 |
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: 20180907 |