CN109190721A - 紧固件识别方法、系统及电子设备 - Google Patents

紧固件识别方法、系统及电子设备 Download PDF

Info

Publication number
CN109190721A
CN109190721A CN201811069737.3A CN201811069737A CN109190721A CN 109190721 A CN109190721 A CN 109190721A CN 201811069737 A CN201811069737 A CN 201811069737A CN 109190721 A CN109190721 A CN 109190721A
Authority
CN
China
Prior art keywords
fastener
image
target image
deep learning
sample image
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
CN201811069737.3A
Other languages
English (en)
Inventor
徐泽明
付自福
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.)
Shenzhen Augmented Reality Technology Co Ltd
Original Assignee
Shenzhen Augmented Reality 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 Shenzhen Augmented Reality Technology Co Ltd filed Critical Shenzhen Augmented Reality Technology Co Ltd
Priority to CN201811069737.3A priority Critical patent/CN109190721A/zh
Publication of CN109190721A publication Critical patent/CN109190721A/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
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明揭示了一种紧固件识别方法、系统及电子设备，属于计算机应用技术领域。所述方法包括：获取对紧固件采集的目标图像；采用预先构建的权重文件对所述目标图像进行图像识别，识别所述目标图像中的紧固件类型。上述紧固件识别方法、系统及电子设备能够有效地对紧固件进行管理，降低了选择紧固件时的时间成本，实现紧固件管理及装配的自动化及信息化，大大提高了生产效率。

Description

紧固件识别方法、系统及电子设备
技术领域
本发明涉及计算机应用技术领域，特别涉及一种紧固件识别方法、系统及电子设备。
背景技术
紧固件是作紧固连接用且应用极为广泛的一类机械零件。紧固件，使用行业广泛，包括能源、电子、电器、机械、化工、冶金、模具、液压等等行业，在各种机械、设备、车辆、船舶、铁路、桥梁、建筑、结构、工具、仪器、化工、仪表和用品等上面，都可以看到各式各样的紧固件，是应用最广泛的机械基础件。
紧固件的品种规格繁多，性能用途各异，而且标准化、系列化、通用化的程度也极高。
目前，工业器件、部件的装配多采用人工进行核验、评测、人工装配等，导致紧固件整体不易管理，成本过高，生产效率低下。
发明内容
为了解决相关技术中紧固件管理成本较高的技术问题，本发明提供了一种紧固件识别方法、系统及电子设备。
第一方面，提供了一种紧固件识别方法，包括：
获取对紧固件采集的目标图像；
采用预先构建的权重文件对所述目标图像进行图像识别，识别所述目标图像中的紧固件类型。
可选的，所述方法还包括：
采集紧固件的样本图像；
对所述样本图像进行深度学习，构建所述权重文件。
可选的，所述对所述样本图像进行深度学习，构建所述权重文件的步骤包括：
对所述样本图像进行紧固件类型及位置坐标的标记，得到标记文件；
通过所述标记文件从所述样本图像中提取图像特征；
采用神经网络模型对所述图像特征进行训练，得到所述权重文件。
可选的，所述方法还包括：
对确定紧固件类型的所述目标图像进行深度学习，识别所述目标图像中紧固件的装配状态。
第二方面，提供了一种紧固件识别系统，包括：
目标图像获取模块，用于获取对紧固件采集的目标图像；
图像识别模块，用于采用预先构建的权重文件对所述目标图像进行图像识别，识别所述目标图像中的紧固件类型。
可选的，所述系统还包括：
样本图像采集模块，用于采集紧固件的样本图像；
深度学习模块，用于对所述样本图像进行深度学习，构建所述权重文件。
可选的，所述深度学习模块包括：
标记单元，用于对所述样本图像进行紧固件类型及位置坐标的标记，得到标记文件；
图像特征提取单元，用于通过所述标记文件从所述样本图像中提取图像特征；
训练单元，用于采用神经网络模型对所述图像特征进行训练，得到所述权重文件。
可选的，所述系统还包括：
样本图像采集模块，用于对确定紧固件类型的所述目标图像进行深度学习，识别所述目标图像中紧固件的装配状态。
第三方面，提供了一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
第四方面，提供了一种计算机可读性存储介质，用于存储程序，其特征在于，所述程序在被执行时使得电子设备执行如第一方面的方法。
通过本发明的实施例提供的技术方案能够得到以下有益效果：
在进行紧固件识别时，采用预先构建的权重文件对目标图像进行图像识别，即可自动识别目标图像中的紧固件类型，从而有效地对紧固件进行管理，降低了选择紧固件时的时间成本，实现紧固件管理及装配的自动化及信息化，大大提高了生产效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，本发明并不受限制。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种紧固件识别方法流程图。
图2是根据一示例性实施例示出的一种紧固件识别方法的具体流程示意图。
图3是根据图1对应实施例示出的另一种紧固件识别方法。
图4是根据图3对应实施例示出的紧固件识别方法中步骤S220的一种具体实现流程图。
图5是根据一示例性实施例示出的一种深度学习的具体流程示意图。
图6是根据一示例性实施例示出的一种对紧固件进行状态识别的具体流程示意图。
图7是根据一示例性实施例示出的一种紧固件识别系统的框图。
图8是根据图7对应实施例示出的另一种紧固件识别系统的框图。
图9是根据图8对应实施例示出的紧固件识别系统中深度学习模块220的一种框图。
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所记载的、本发明的一些方面相一致的系统和方法的例子。
图1是根据一示例性实施例示出的一种紧固件识别方法流程图，如图1所示，该紧固件识别方法可以包括以下步骤。
步骤S110，获取对紧固件采集的目标图像。
目标图像是将进行紧固件识别的图像。
目标图像可以是实时采集的一个图像；也可以是从预先采集的图像库中提取的一个图像；也可以是在视频采集存储后，从存储的视频中提取的一个图像帧；还可以是其它形式的图像。
紧固件是作紧固连接用且应用极为广泛的一类机械零件。紧固件，使用行业广泛，包括能源、电子、电器、机械、化工、冶金、模具、液压等等行业，在各种机械、设备、车辆、船舶、铁路、桥梁、建筑、结构、工具、仪器、化工、仪表和用品等上面，都可以看到各式各样的紧固件，是应用最广泛的机械基础件。
紧固件的类型很多，性能用途各异。常用的紧固件包括螺栓、螺柱、螺钉、螺母、垫圈等。
步骤S120，采用预先构建的权重文件对所述目标图像进行图像识别，识别所述目标图像中的紧固件类型。
权重文件是预先构建的对各类紧固件的图像特征进行表征的特征集合。
因此，采用预先构建的权重文件对所述目标图像进行图像识别，即可识别出目标图像中的紧固件类型。
采用预先构建的权重文件对所述目标图像进行图像识别时，可以采用各种神经网络算法进行图像识别。
图2是根据一示例性实施例示出的一种紧固件识别方法的具体流程示意图。通过输入权重文件、标签及配置文件(即标记文件)，采用云识别服务对识别图像进行紧固件的识别。
利用如上所述的方法，在进行紧固件识别时，采用预先构建的权重文件对目标图像进行图像识别，即可自动识别目标图像中的紧固件类型，从而有效地对紧固件进行管理，降低了选择紧固件时的时间成本，实现紧固件管理及装配的自动化及信息化，大大提高了生产效率。
可选的，如图3所示，在图1对应实施例示出的紧固件识别方法中，该紧固件识别方法还可以包括以下步骤。
步骤S210，采集紧固件的样本图像。
需要说明的是，在对紧固件进行识别之前，需预先对各类紧固件进行大量样本图像的采集。
采集紧固件的样本图像时，可通过大数据获取网络中各种不同类型紧固件的图像。
步骤S220，对所述样本图像进行深度学习，构建所述权重文件。
为使采集的样本图像在紧固件识别时发挥作用，还需对样本图像进行深度学习，构建权重文件，使通过权重文件对目标图像进行迭代运算而识别出目标图像中的紧固件类型。
具体地，如图4所示，步骤S220可以包括步骤S221、步骤S222、步骤S223。
步骤S221，对所述样本图像进行紧固件类型及位置坐标的标记，得到标记文件。
紧固件识别是基于深度学习完成的，深度学习的模型训练时，需要大量的带有标注的样本，人工标注是一件费时又费力的工作，本实施例将通过第三方开源工具LabelImg对样本图像进行标记。
首先对紧固件如螺栓、螺母等紧固连接用的零部件进行类型标记，然后在每一各包含紧固件的目标图像中用四个顶点坐标将紧固件目标圈住，并将标记信息存入XML文件中。
例如：
<object>
<name>fastener A</name>
<bndbox>
<xmin>160</xmin>
<ymin>131</ymin>
<xmax>248</xmax>
<ymax>226</ymax>
</bndbox>
</object>
步骤S222，通过所述标记文件从所述样本图像中提取图像特征。
步骤S223，采用神经网络模型对所述图像特征进行训练，得到所述权重文件。
可选的，通过特征提取网络模型Darknet-53对大量样本图像提取图像特征，进而采用神经网络模型对提取的图像特征进行训练，得到所述权重文件
在对目标图像进行紧固件识别时，通过从目标图像中提取特征，比如13*13，然后将目标图像分成13*13个网格单元，接着如果某个对象的中心坐标落在哪个网格单元中，那么就由该网格单元来预测该对象。
也可以采用开源的深度学习框架YOLO-V3在GPU服务器上对紧固件的图像特征进行训练，训练结束后将输出的权重文件作为紧固件识别的输入参数。
图5是根据一示例性实施例示出的一种深度学习的具体流程示意图。通过对样本进行深度学习输出权重文件，以便后续对目标图像进行紧固件识别。
利用如上所述的方法，在进行紧固件识别时，通过预先采集大量紧固件的样本图像，再通过对样本图像进行深度学习构建权重文件，进而对目标图像进行图像识别，即可自动识别目标图像中的紧固件类型，从而有效地对紧固件进行管理，降低了选择紧固件时的时间成本，实现紧固件管理及装配的自动化及信息化，大大提高了生产效率。
可选的，在图1对应实施例示出的紧固件识别方法中，该紧固件识别方法还可以包括以下步骤：
对确定紧固件类型的所述目标图像进行深度学习，识别所述目标图像中紧固件的装配状态。
可以理解的是，在识别紧固件的类型后，还需进一步识别当前紧固件所处的装配状态，从而进一步提高紧固件管理的智能性。
紧固件的装配状态包括正确安装状态、未安装状态、错误安装状态、松脱状态等。
结合紧固件的类型识别，将该类型的紧固件处于正确安装状态、未安装状态、错误安装状态、松脱状态等各种状态的样本图像按照状态类别进行分类，并使用YOLO-V3提供的深度神经网络模型进行训练，之后就可以用得到的卷积神经网络结构(即权重文件)，从目标图像直接识别紧固件的装配状态，从而进一步提高紧固件管理的智能性及生产效率。
图6是根据一示例性实施例示出的一种对紧固件进行状态识别的具体流程示意图。通过输入权重文件、标签及配置文件(即标记文件)，采用云识别服务对识别图像进行紧固件目标状态的识别。
下述为本发明系统实施例，可以用于执行上述紧固件识别方法实施例。对于本发明系统实施例中未披露的细节，请参照本发明紧固件识别方法实施例。
图7是根据一示例性实施例示出的一种紧固件识别系统的框图，该系统包括但不限于：目标图像获取模块110及图像识别模块120。
目标图像获取模块110，用于获取对紧固件采集的目标图像；
图像识别模块120，用于采用预先构建的权重文件对所述目标图像进行图像识别，识别所述目标图像中的紧固件类型。
上述系统中各个模块的功能和作用的实现过程具体详见上述紧固件识别方法中对应步骤的实现过程，在此不再赘述。
可选的，图8是根据图7对应实施例示出的另一种紧固件识别系统的框图，如图8所示，该紧固件识别系统还包括但不限于：样本图像采集模块210、深度学习模块220。
样本图像采集模块210，用于采集紧固件的样本图像；
深度学习模块220，用于对所述样本图像进行深度学习，构建所述权重文件。
可选的，图9是根据图8对应实施例示出的紧固件识别系统中深度学习模块220的框图，如图5所示，该深度学习模块220包括但不限于：标记单元221、图像特征提取单元222、训练单元223。
标记单元221，用于对所述样本图像进行紧固件类型及位置坐标的标记，得到标记文件；
图像特征提取单元222，用于通过所述标记文件从所述样本图像中提取图像特征；
训练单元223，用于采用神经网络模型对所述图像特征进行训练，得到所述权重文件。
可选的，图4对应实施例示出的紧固件识别系统还包括但不限于：样本图像采集模块。
样本图像采集模块，用于对确定紧固件类型的所述目标图像进行深度学习，识别所述目标图像中紧固件的装配状态。
图10是根据一示例性实施例示出的一种电子设备100的框图。参考图10，电子设备100可以包括以下一个或者多个组件：处理组件101，存储器102，电源组件103，多媒体组件104，音频组件105，传感器组件107以及通信组件108。其中，上述组件并不全是必须的，电子设备100可以根据自身功能需求增加其他组件或减少某些组件，本实施例不作限定。
处理组件101通常控制电子设备100的整体操作，诸如与显示，电话呼叫，数据通信，相机操作以及记录操作相关联的操作等。处理组件101可以包括一个或多个处理器109来执行指令，以完成上述操作的全部或部分步骤。此外，处理组件101可以包括一个或多个模块，便于处理组件101和其他组件之间的交互。例如，处理组件101可以包括多媒体模块，以方便多媒体组件104和处理组件101之间的交互。
存储器102被配置为存储各种类型的数据以支持在电子设备100的操作。这些数据的示例包括用于在电子设备100上操作的任何应用程序或方法的指令。存储器102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如SRAM(Static RandomAccess Memory，静态随机存取存储器)，EEPROM(Electrically Erasable ProgrammableRead-Only Memory，电可擦除可编程只读存储器)，EPROM(Erasable Programmable ReadOnly Memory，可擦除可编程只读存储器)，PROM(Programmable Read-Only Memory，可编程只读存储器)，ROM(Read-Only Memory，只读存储器)，磁存储器，快闪存储器，磁盘或光盘。存储器102中还存储有一个或多个模块，该一个或多个模块被配置成由该一个或多个处理器109执行，以完成上述任一所示方法中的全部或者部分步骤。
电源组件103为电子设备100的各种组件提供电力。电源组件103可以包括电源管理系统，一个或多个电源，及其他与为电子设备100生成、管理和分配电力相关联的组件。
多媒体组件104包括在所述电子设备100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括LCD(Liquid Crystal Display，液晶显示器)和TP(TouchPanel，触摸面板)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
图像采集组件105被配置为采集图像或视频。例如，图像采集组件105包括一个摄像头，当电子设备100处于操作模式，摄像头被配置为拍摄外部图像。所采集的图像可以被进一步存储在存储器102或经由通信组件108发送。在一些实施例中，图像采集组件105还包括一个扫描仪等。
传感器组件107包括一个或多个传感器，用于为电子设备100提供各个方面的状态评估。例如，传感器组件107可以检测到电子设备100的打开/关闭状态，组件的相对定位，传感器组件107还可以检测电子设备100或电子设备100一个组件的坐标改变以及电子设备100的温度变化。在一些实施例中，该传感器组件107还可以包括磁传感器，压力传感器或温度传感器。
通信组件108被配置为便于电子设备100和其他设备之间有线或无线方式的通信。电子设备100可以接入基于通信标准的无线网络，如WiFi(Wireless-Fidelity，无线网络)，2G或3G，或它们的组合。在一个示例性实施例中，通信组件108经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件108还包括NFC(Near Field Communication，近场通信)模块，以促进短程通信。例如，在NFC模块可基于RFID(Radio Frequency Identification，射频识别)技术，IrDA(Infrared DataAssociation，红外数据协会)技术，UWB(Ultra-Wideband，超宽带)技术，BT(Bluetooth，蓝牙)技术和其他技术来实现。
在示例性实施例中，电子设备100可以被一个或多个ASIC(Application SpecificIntegrated Circuit，应用专用集成电路)、DSP(Digital Signal Processing，数字信号处理器)、PLD(Programmable Logic Device，可编程逻辑器件)、FPGA(Field－ProgrammableGate Array，现场可编程门阵列)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
该实施例中的电子设备中处理器执行操作的具体方式已经在有关该紧固件识别方法的实施例中执行了详细描述，此处将不再做详细阐述说明。
可选的，本发明还提供一种电子设备，执行上述任一所示的紧固件识别方法的全部或者部分步骤。该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法。
该实施例中的电子设备中处理器执行操作的具体方式已经在有关该紧固件识别方法的实施例中执行了详细描述，此处将不做详细阐述说明。
在示例性实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器102，上述指令可由电子设备100的处理器109执行以完成上述紧固件识别方法。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，本领域技术人员可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种紧固件识别方法，其特征在于，所述方法包括：
获取对紧固件采集的目标图像；
采用预先构建的权重文件对所述目标图像进行图像识别，识别所述目标图像中的紧固件类型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采集紧固件的样本图像；
对所述样本图像进行深度学习，构建所述权重文件。
3.根据权利要求2所述的方法，其特征在于，所述对所述样本图像进行深度学习，构建所述权重文件的步骤包括：
对所述样本图像进行紧固件类型及位置坐标的标记，得到标记文件；
通过所述标记文件从所述样本图像中提取图像特征；
采用神经网络模型对所述图像特征进行训练，得到所述权重文件。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对确定紧固件类型的所述目标图像进行深度学习，识别所述目标图像中紧固件的装配状态。
5.一种紧固件识别系统，其特征在于，所述系统包括：
目标图像获取模块，用于获取对紧固件采集的目标图像；
图像识别模块，用于采用预先构建的权重文件对所述目标图像进行图像识别，识别所述目标图像中的紧固件类型。
6.根据权利要求5所述的系统，其特征在于，所述系统还包括：
样本图像采集模块，用于采集紧固件的样本图像；
深度学习模块，用于对所述样本图像进行深度学习，构建所述权重文件。
7.根据权利要求6所述的系统，其特征在于，所述深度学习模块包括：
标记单元，用于对所述样本图像进行紧固件类型及位置坐标的标记，得到标记文件；
图像特征提取单元，用于通过所述标记文件从所述样本图像中提取图像特征；
训练单元，用于采用神经网络模型对所述图像特征进行训练，得到所述权重文件。
8.根据权利要求5所述的系统，其特征在于，所述系统还包括：
样本图像采集模块，用于对确定紧固件类型的所述目标图像进行深度学习，识别所述目标图像中紧固件的装配状态。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序在被执行时使得服务器执行如权利要求1-4任一项所述的方法。
CN201811069737.3A 2018-09-13 2018-09-13 紧固件识别方法、系统及电子设备 Pending CN109190721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811069737.3A CN109190721A (zh) 2018-09-13 2018-09-13 紧固件识别方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811069737.3A CN109190721A (zh) 2018-09-13 2018-09-13 紧固件识别方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN109190721A true CN109190721A (zh) 2019-01-11

Family

ID=64911045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811069737.3A Pending CN109190721A (zh) 2018-09-13 2018-09-13 紧固件识别方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN109190721A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309779A (zh) * 2019-07-01 2019-10-08 南昌青橙视界科技有限公司 装配场景中零件操作动作的监测方法、装置及电子设备
CN111898575A (zh) * 2020-08-06 2020-11-06 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN113269736A (zh) * 2021-05-17 2021-08-17 唐旸 紧固件尺寸的自动化检验方法、系统及介质
CN116958713A (zh) * 2023-09-20 2023-10-27 中航西安飞机工业集团股份有限公司 一种航空零部件表面紧固件快速识别与统计方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016396A (zh) * 2017-04-11 2017-08-04 广州市华颉电子科技有限公司 一种装配连接件图像特征深度学习与识别方法
CN107358246A (zh) * 2017-07-20 2017-11-17 深圳市唯特视科技有限公司 一种使用卷积神经网络对物体进行细分类的方法
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN107742130A (zh) * 2017-10-25 2018-02-27 西南交通大学 基于深度学习的高铁接触网支持装置紧固件故障诊断方法
CN107909095A (zh) * 2017-11-07 2018-04-13 江苏大学 一种基于深度学习的图像识别方法
CN108229665A (zh) * 2018-02-02 2018-06-29 上海建桥学院 一种以深度卷积神经网络为基础的零件分拣系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016396A (zh) * 2017-04-11 2017-08-04 广州市华颉电子科技有限公司 一种装配连接件图像特征深度学习与识别方法
CN107358246A (zh) * 2017-07-20 2017-11-17 深圳市唯特视科技有限公司 一种使用卷积神经网络对物体进行细分类的方法
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN107742130A (zh) * 2017-10-25 2018-02-27 西南交通大学 基于深度学习的高铁接触网支持装置紧固件故障诊断方法
CN107909095A (zh) * 2017-11-07 2018-04-13 江苏大学 一种基于深度学习的图像识别方法
CN108229665A (zh) * 2018-02-02 2018-06-29 上海建桥学院 一种以深度卷积神经网络为基础的零件分拣系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309779A (zh) * 2019-07-01 2019-10-08 南昌青橙视界科技有限公司 装配场景中零件操作动作的监测方法、装置及电子设备
CN111898575A (zh) * 2020-08-06 2020-11-06 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN111898575B (zh) * 2020-08-06 2022-09-02 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN113269736A (zh) * 2021-05-17 2021-08-17 唐旸 紧固件尺寸的自动化检验方法、系统及介质
CN116958713A (zh) * 2023-09-20 2023-10-27 中航西安飞机工业集团股份有限公司 一种航空零部件表面紧固件快速识别与统计方法及系统
CN116958713B (zh) * 2023-09-20 2023-12-15 中航西安飞机工业集团股份有限公司 一种航空零部件表面紧固件快速识别与统计方法及系统

Similar Documents

Publication Publication Date Title
CN109190721A (zh) 紧固件识别方法、系统及电子设备
CN109190575A (zh) 装配场景识别方法、系统及电子设备
CN109344885A (zh) 深度学习识别系统、方法及电子设备
EP1750185A3 (en) Automation system and method based on RFID data defining an operation on a product
CN104061748B (zh) 一种冰箱内食品存储位置记录方法、装置、终端及冰箱
CN110726724A (zh) 缺陷检测方法、系统和装置
RU2008129793A (ru) Способ улучшения последующей обработки изображений с использованием деформируемых сеток
CN104061747A (zh) 一种冰箱内食品存储控制方法、智能控制终端及冰箱
CN101079107A (zh) 轮毂型号自动识别方法
CN105739365B (zh) 信息处理方法及电子设备
CN103886510A (zh) 基于图像识别的农产品全程溯源系统及方法
CN105954493A (zh) 一种土壤采集检测系统
CN110610169B (zh) 图片标注方法和装置、存储介质及电子装置
CN109581126B (zh) 一种电力带电检测系统及方法
CN110019276B (zh) 一种智能公路设施数据采集与更新方法
Shweta Intelligent refrigerator using artificial intelligence
CN115994742B (zh) 湿拌砂浆塑化剂的全生命周期管理方法及装置
CN110441714B (zh) 指示灯的检测方法、装置及计算机可读存储介质
CN105205833A (zh) 一种基于时空背景模型的运动目标检测方法及装置
CN104183049A (zh) 一种智能化的门禁定位系统及其定位方法
CN115409869B (zh) 一种基于mac跟踪的雪场轨迹分析方法及装置
Oks et al. Embedded vision device integration via OPC UA: Design and evaluation of a neural network-based monitoring system for Industry 4.0
CN110378930B (zh) 运动目标提取方法、装置和电子设备及可读存储介质
CN104503893A (zh) 一种andriod 系统中Activity 状态信息保存、解析方法、及电子终端
CN110335274B (zh) 一种三维模具缺陷检测方法及装置

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: 20190111