CN109304306A - 生产线物体分拣方法、系统和物体分拣系统 - Google Patents
生产线物体分拣方法、系统和物体分拣系统 Download PDFInfo
- Publication number
- CN109304306A CN109304306A CN201811095095.4A CN201811095095A CN109304306A CN 109304306 A CN109304306 A CN 109304306A CN 201811095095 A CN201811095095 A CN 201811095095A CN 109304306 A CN109304306 A CN 109304306A
- Authority
- CN
- China
- Prior art keywords
- image
- production line
- sample image
- detected
- model
- 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
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种生产线物体分拣方法、系统、物体分拣系统、计算机设备和存储介质。所述方法包括:获取生产线上待检测物体的待检测图像;将待检测图像输入去噪声模型并输出还原图像,将还原图像输入识别分类模型并输出物体标签值,在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。采用本方法中去噪声模型可以明显降低待检测图像中噪声点对识别分类处理的影响,提高识别分类模型的识别分类的效率和准确性,提供识别和分拣的效率;而且可以适用于成像效果差或者老化的图像采集设备所采集的待检测图像,避免更换图像采集设备或重新安装和调试图像采集设备,降低获取待检测图像的成本,以便于降低生产线物体分拣的成本。
Description
技术领域
本申请涉及物体分拣技术领域,特别是涉及一种生产线物体分拣方法、生产线物体分拣系统和物体分拣系统。
背景技术
工厂通过人工进行识别和分拣,不仅时间长效率低,从经济上或者是效率上明显低于机器的分拣。目前大部分传统分拣机器都在生产线上在安装有图像采集设备,通过采集生产线上物体的图像,识别和分拣不合格的物体,提高分拣的效率。
但是已经安装的图像采集设备一般情况下成像效果差或者随着使用时间增长而老化,所采集的图像往往存在非常多的噪声点,噪声点影响所采集的图像进行识别,所采集的图像会明显降低识别和分拣的效率。
发明内容
基于此,有必要针对上述识别和分拣的效率被降低的问题,提供一种生产线物体分拣方法、系统和物体分拣系统。
一种生产线物体分拣方法,包括以下步骤:
获取生产线上待检测物体的待检测图像;
将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像;
将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值;
在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
在一个实施例中,获取生产线上待检测物体的待检测图像的步骤,包括以下步骤:
通过图像采集设备采集生产线上待检测物体的待检测图像,其中,图像采集设备为安装在生产线上的摄像装置;
控制待检测物体移出生产线的步骤,包括以下步骤:
控制安装在生产线上的分拣设备将待检测物体移出生产线。
在一个实施例中,在将待检测图像输入去噪声模型并输出还原图像的步骤之前,还包括以下步骤:
获取物体样本图像数据集的第一物体样本图像,其中,物体样本图像数据集包括生产线上的物体的图像;
将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像,其中,重构模型用于去除第一物体样本图像的噪声并生成还原样本图像;
将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值,其中,识别分类处理模型用于对还原样本图像进行识别分类并生成样本标签值;
根据样本标签值获取识别率,其中,识别率用于表示样本标签值的真实性;
在识别率小于预设值时,从物体样本图像数据集获取第二物体样本图像,将第二样本图像作为第一物体样本图像,跳转至将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤;
在识别率大于或等于预设值时,将训练后的重构模型作为去噪声模型,将训练后的识别分类处理模型作为识别分类模型。
在一个实施例中,重构模型包括第一卷积层、第一下采样层、第一还原层、第二还原层和第一全连接层,将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤,包括以下步骤:
将第一物体样本图像输入第一卷积层,并提取第一物体样本图像的第一提取特征;
将第一提取特征输入第一下采样层,并获取深化特征;
将深化特征输入第一还原层,并获取第一还原数据;
将第一还原数据输入第二还原层并获取第二还原数据,将第二还原数据输入第一全连接层,并生成还原样本图像;
和/或,识别分类处理模型包括第二卷积层、第二下采集层、第三卷积层、第三下采集层和第二全连接层,将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值的步骤,包括以下步骤:
将还原样本图像输入第二卷积层,并获取还原样本图像的第二提取特征;
将第二提取特征输入第二下采集层,并获取第三提取特征;
将第三提取特征输入第三卷积层,并获取第四提取特征;
将第四提取特征输入第三下采集层,并获取第五提取特征;
将第五提取特征输入第二全连接层,获取样本标签值。
在一个实施例中,将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤,包括以下步骤:
根据破坏率和第一物体样本图像,获取有损样本图像;
将有损样本图像输入重构模型中进行训练,并生成还原样本图像。
在一个实施例中,根据破坏率和第一物体样本图像,获取有损样本图像的步骤,包括以下步骤:
根据破坏率获取随机值和预设范围;
在第一物体样本图像中预设范围的数据值上叠加随机值,并生成有损样本图像。
一种生产线物体分拣系统,系统包括:
待检测图像获取模块,用于获取生产线上待检测物体的待检测图像;
还原图像输出模块,用于将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像;
物体标签值输出模块,用于将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值;
物体分拣模块,用于在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
一种物体分拣系统,包括图像采集设备、分拣设备和计算机设备;
图像采集设备和分拣设备分别与计算机设备连接;
图像采集设备用于采集生产线上待检测物体的待检测图像和物体的物体样本图像;
分拣设备用于控制待检测物体移出生产线
计算机设备用于执行上述的生产线物体分拣方法。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取生产线上待检测物体的待检测图像;
将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像;
将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值;
在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取生产线上待检测物体的待检测图像;
将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像;
将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值;
在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
上述生产线物体分拣方法、系统、物体分拣系统、计算机设备和存储介质,去噪声模型可以明显降低待检测图像中噪声点对识别分类处理的影响,提高识别分类模型的识别分类的效率和准确性,提供识别和分拣的效率;而且可以适用于成像效果差或者老化的图像采集设备所采集的待检测图像,避免更换图像采集设备或重新安装和调试图像采集设备,降低获取待检测图像的成本,以便于降低生产线物体分拣的成本。
附图说明
图1为一个实施例中生产线物体分拣方法的应用环境图;
图2为一个实施例中生产线物体分拣方法的流程图;
图3为一个实施例中去噪声模型和识别分类模型获取的流程图;
图4为另一个实施例中生产线物体分拣方法的流程图;
图5为另一个实施例中生产线的结构示意图;
图6为一个实施例中生产线物体分拣系统的结构示意图;
图7为一个实施例中物体分拣系统的结构示意图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的生产线物体分拣方法,可以应用于如图1所示的应用环境中,图1为一个实施例中生产线物体分拣方法的应用环境图。其中,生产线的传送带11上放置并传输物体12,生产线上安装有图像采集设备13,图像采集设备13可以对生产线上的物体12采集图像,生产线上还安装有分拣设备14,分拣设备14可以将生产线上的物体12移出生产线。其中,图像采集设备13可以是相机、摄像头、探测器等具有成像功能的设备,分拣设备40可以是机械臂、传动装置等可以对生产线上物体12进行移动的设备。
在一个实施例中,如图2所示,图2为一个实施例中生产线物体分拣方法的流程图,本实施例中提供了一种生产线物体分拣方法,以该方法应用于图1中的应用环境为例进行说明,包括以下步骤:
步骤S100:获取生产线上待检测物体的待检测图像。
观察生产线的传送带的待检测物体的情况,对待检测物体采集图像并生成待检测物体的待检测图像。
步骤S200:将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像。
对待检测图像进行去除噪声的处理,将待检测图像输入去噪声模型,生成已去除噪声的还原图像。
步骤S300:将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值。
对待检测图像进行识别分类的处理,将已去除噪声的还原图像输入识别分类模型,并根据所述识别和分类的类型输出待检测物体的物体标签值。
步骤S400:在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
待检测物体的物体标签值可以用于表示待检测物体是否为残次品,在根据物体标签值判定待检测物体为残次品时,可以认为待检测物体是不合格的工件或产品,此时将判定为残次品的待检测物体分拣出生产线,完成生产线物体的分拣。
上述生产线物体分拣方法,去噪声模型可以明显降低待检测图像中噪声点对识别分类处理的影响,提高识别分类模型的识别分类的效率和准确性,提供识别和分拣的效率;而且可以适用于成像效果差或者老化的图像采集设备所采集的待检测图像,避免更换图像采集设备或重新安装和调试图像采集设备,降低获取待检测图像的成本,以便于降低生产线物体分拣的成本。
在一个实施例中,获取生产线上待检测物体的待检测图像的步骤,包括以下步骤:
步骤S110:通过图像采集设备采集生产线上待检测物体的待检测图像,其中,图像采集设备为安装在生产线上的摄像装置。
控制待检测物体移出生产线的步骤,包括以下步骤:
步骤S410:控制安装在生产线上的分拣设备将待检测物体移出生产线。
上述生产线物体分拣方法,可以适用于成像效果差或者老化的图像采集设备,避免更换图像采集设备或重新安装和调试图像采集设备,降低图像采集设备的采购成本以及安装调试的人工成本;而且,通过分拣设备还以快速准确地将待检测物体移出生产线,提高分拣的速度。
在一个实施例中,如图3所示,图3为一个实施例中去噪声模型和识别分类模型获取的流程图,在将待检测图像输入去噪声模型并输出还原图像的步骤之前,还包括以下步骤:
步骤S510:获取物体样本图像数据集的第一物体样本图像,其中,物体样本图像数据集包括生产线上的物体的图像。
物体样本图像数据集包括多张生产线上的物体的图像。获取物体样本图像数据集中一张物体的图像并将该图像作为第一物体样本图像。
步骤S520:将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像,其中,重构模型用于去除第一物体样本图像的噪声并生成还原样本图像。
重构模型可以用于实现去噪声的处理并对第一物体样本图像进行还原和重构,获取去噪声后重构的还原样本图像。
步骤S530:将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值,其中,识别分类处理模型用于对还原样本图像进行识别分类并生成样本标签值。
识别分类处理模型可以用于对图像进行识别和分类,并输出图像对应的标签值。
步骤S540:根据样本标签值获取识别率,其中,识别率用于表示样本标签值的真实性。
例如,可以通过训练的重构模型和识别分类处理模型,分别改变重构模型和识别分类处理模型的权值与阈值,权值与阈值的改变方向是与识别率有关,权值与阈值的改变方向是向识别率更改的方向进行的。识别率是可以通过得到的样本标签值与真实标签值进行对比并计算出来的。
步骤S550:在识别率小于预设值时,从物体样本图像数据集获取第二物体样本图像,将第二样本图像作为第一物体样本图像,跳转至步骤S520:将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像。
在识别率小于预设值时,获取物体样本图像数据集中另一张物体的图像并将该图像作为第二物体样本图像,可以再次进行循环的训练过程,将第二样本图像作为第一物体样本图像,继续将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像,直至执行步骤S560。
步骤S560:在识别率大于或等于预设值时,将训练后的重构模型作为去噪声模型,将训练后的识别分类处理模型作为识别分类模型。
在识别率大于或等于预设值时,可判定重构模型和识别分类处理模型达到识别和分类物体的效果,将训练后的重构模型作为去噪声模型并保存,将训练后的识别分类处理模型作为识别分类模型并保存。
上述生产线物体分拣方法,通过物体样本图像数据集的生产线上的物体的样本图像,对重构模型和识别分类处理模型进行训练,并直至重构模型和识别分类处理模型所对应的识别率达到或大于预设值时,将训练后的重构模型作为去噪声模型并输出,将训练后的识别分类处理模型作为识别分类模型并输出,保证去噪声模型和识别分类模型的准确性。
在一个实施例中,重构模型包括第一卷积层、第一下采样层、第一还原层、第二还原层和第一全连接层,将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤,包括以下步骤:
步骤S521:将第一物体样本图像输入第一卷积层,并提取第一物体样本图像的第一提取特征。
通过第一卷积层提取第一物体样本图像的第一提取特征,将深度大小为1的第一物体样本图像进行特征提取,加深深度。
步骤S522:将第一提取特征输入第一下采样层,并获取深化特征。
通过第一下采样层对第一物体样本图像的第一提取特征向下直接传递,并进行进一步的深化处理,保持位移不变。
步骤S523:将深化特征输入第一还原层,并获取第一还原数据。
通过第一还原层将深化特征进行还原,将深化特征的深度还原至第一物体样本图像的第一提取特征的深度,即使得还原后获取的第一还原数据的深度大小与步骤S521中所提取第一物体样本图像的第一提取特征的深度大小相同。
步骤S524:将第一还原数据输入第二还原层并获取第二还原数据,将第二还原数据输入第一全连接层,并生成还原样本图像。
通过第二还原层对第一还原数据进行还原操作,并获取第二还原数据;通过第一全连接层对第二还原数据进行融合还原操作,获取深度大小为1的还原样本图像。
上述生产线物体分拣方法,可以训练重构模型,可以获取去噪声后重构的还原样本图像,以便于后续进行识别分类处理模型的训练,同时重构模型与识别分类处理模型可以进行更好的匹配。
在一个实施例中,识别分类处理模型包括第二卷积层、第二下采集层、第三卷积层、第三下采集层和第二全连接层,将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值的步骤,包括以下步骤:
步骤S531:将还原样本图像输入第二卷积层,并获取还原样本图像的第二提取特征。
通过第二卷积层对还原样本图像提取特征,并获取第二提取特征,将深度大小为1的还原样本图像进行特征提取,加深深度。
步骤S532:将第二提取特征输入第二下采集层,并获取第三提取特征。
通过第二下采集层对第二提取特征进行深化处理,保持位移不变,获取第三提取特征。
步骤S533:将第三提取特征输入第三卷积层,并获取第四提取特征。
通过第三卷积层对第三提取特征提取特征,并获取第四提取特征,加深深度。
步骤S534:将第四提取特征输入第三下采集层,并获取第五提取特征;
通过第三下采集层对第四提取特征进行深化处理,保持位移不变,获取第五提取特征。
步骤S535:将第五提取特征输入第二全连接层,获取样本标签值。
通过第二全连接层对第五提取特征进行识别分类操作,获取样本标签值。
上述生产线物体分拣方法,可以训练识别分类处理模型,获取样本标签值,完成对还原样本图像的识别和分类操作。
在一个实施例中,将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤,包括以下步骤:
步骤S525:根据破坏率和第一物体样本图像,获取有损样本图像。
破坏率用于表示一定程度的破坏,本步骤中将第一物体样本图像进行一定程度的破坏,可以生成有损样本图像,以便于模拟实际生产使用过程中存在的噪声情况,有损样本图像中包括一定程度的噪声。
步骤S526:将有损样本图像输入重构模型中进行训练,并生成还原样本图像。
上述生产线物体分拣方法,根据破坏率模拟实际生产使用过程中存在的噪声情况,可以提高识别分类处理模型对有损的数据进行识别和分类的效率,提高提高识别分类处理模型的准确性,降低实际应用中噪声对识别分类的影响,提高对具有噪声或者特征不明显的图片进行识别和分类的准确度。
在一个实施例中,根据破坏率和第一物体样本图像,获取有损样本图像的步骤,包括以下步骤:
步骤S527:根据破坏率获取随机值和预设范围。
随机值和预设范围与破坏率有关,根据不同破坏率所获取的随机值的范围不同,根据不同破坏率所获取的预设范围在第一物体样本图像中的区域上分布不同。例如,在模拟实际生产过程中破环程度对图片数据的影响中,破坏率增加时,可以使随机值的范围相应地扩大,和/或使得被破坏的预设范围的区域增加,增加数据值被破坏的幅度和增加数据被破坏的位置区域。当破坏率足够大时,可使得图片的特征不明显,还可以用于模拟并生成特征不明显的有损样本图像。
步骤S528:在第一物体样本图像中预设范围的数据值上叠加随机值,并生成有损样本图像。
通过在第一物体样本图像中数据值叠加随机值,进行增加噪声的模拟,破坏初始图片样本数据并生成有损样本图像。
上述生产线物体分拣方法,根据随机值和预设范围随机来模拟实际应用中噪声,通过在数据值上叠加随机值对图片进行破坏,获得有损样本图像,而且还同时可以满足重构模型和识别分类处理模型在一定破坏率情况下训练,可以不需要重新建立新训练情况下对应的训练样本数据,提高训练效率和降低训练成本。
在另一个实施例中,如图4所示,图4为另一个实施例中生产线物体分拣方法的流程图,本实施例中提供一种生产线物体分拣方法,包括以下步骤:
第一步:采集生产线上需要加工处理的工件的工件图像。由于工厂加工的工件一般是批量生产,所以在一定的周期时间内生产线上要加工的工件一般是不需要频繁更改的,所以通过一台安装于生产线上成像清晰的图像采集设备采集工件图像,并形成物体样本图像数据集。
第二步:将采集到的物体样本图像数据集进行初始化。因为物体样本图像数据集还不是计算机设备可以直接读取的信息,所以要进行转换成计算机设备可以识别的信息,将物体样本图像数据集的工件图像的每一像素信息看成一个矩阵对应元素上的信息,将每一张图像转换成对应的矩阵,将转换好的矩阵信息作为物体样本图像。
第三步:向物体样本图像随机加入噪声并生成有损样本图像。因为在工厂环境中,存在大量的干扰,影响设备成像,例如粉尘、设备老化等,同时为了降低生产的成本,也尽量选择一些价格低廉的成像设备,所以成像效果相对不理想,为了模拟在生产线上的真实情况,可以在物体样本图像中随机加入噪声模拟真实的情况。
第四步:将已经加入噪声的有损样本图像传入到重构模型中,并获取还原样本图像。重构模型的训练方法为:首先通过深度学习卷积操作提取数据的特征,加深数据深度;再通过深度学习池化操作保证位置不变;反复经过多对卷积池化操作后对数据进行还原操作,还原操作的次数等于卷积操作的次数,同时每次还原的深度等于对应卷积操作的深度,最终将已加深深度数据再次还原成深度为一的数据,获取还原样本图像。
例如,还可以对还原样本图像的矩阵数据转换成图像数据,此时转换后的还原样本图像可以是去除噪声后的图像。
第五步:将已经还原好的还原样本图像传入到识别分类处理模型中。识别分类模型首先初始化数据,之后将还原样本图像进行多次的深度学习卷积池化操作,目的是提取数据特征。
当提取特征后,再将处理好的数据传入到全连接层进行识别分类,最终得到样本标签值。
第六步:判断样本标签值是否满足要求,大部分的模型在初次训练时都不能达到很好的效果,所以需要再次循环操作继续传入数据进行训练,改变模型中的权值与阈值。其中权值与阈值的改变方向是通过得到样本标签值与真实样本标签值进行对比计算出的识别率大小有关,权值与阈值的改变方向是向识别率更高的方向进行。
第七步:当样本标签值满足要求时,模型已经达到能够识别物体的效果后就可以将重构模型和识别分类处理模型输出,同时保存重构模型和识别分类处理模型。
第八步:如图5所示,图5为另一个实施例中生产线的结构示意图,图像采集设备13观察传送带10上的工件12情况并采集待检测工件15的待检测物体图像,将待检测物体图像传入到重构模型中进行去除噪声的处理并输出还原图像,再将还原图像传入识别分类处理模型进行识别分类的处理并输出待测工件的物体标签值,根据物体标签值判断待检测工件15是合格工件还是残次品;当发现待检测工件15是残次品后,给分拣设备14传输信号并控制分拣设备14将残次品的待检测工件15分拣出传送带10。这样就完成了整个深度视觉与深度学习的机器人分拣操作。
上述生产线物体分拣具有的特点如下:
1.可以在相对完整的数据中模拟真实环境,模型环境中存在对图像采集设备的不可避免的干扰情况。可以有效地还原受干扰的数据信息,将数据从不可避免的干扰情况中还原成原始情况。训练出的模型无论是在干扰情况大或者小的情况下都可以进行很好的识别与分类。因此,无论是在干扰情况大或者小的情况下都可以进行很好的识别与分类,适应性强,使得检测效果好,检测精度高。
2.通用性更强,安装灵活简便。可以和生产线现有的设备形成配套的设备,兼容性强。可以在现有的生产线进行安装处理,只需要简单增加必要设备即可,不必更换其它设备。
3.购买的设备不必要求高精度,节省了成本。可以提高普通图像采集设备的成像能力,从而提高精度,使得价格低廉的成像设别也可以满足工业级要求。
4.可以几乎完全代替人工分炼。可以大幅度提高传统定点分拣与激光定位的工作能力与效率。
应该理解的是,虽然图2至4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2至4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,图6为一个实施例中生产线物体分拣系统的结构示意图,本实施例中提供了一种生产线物体分拣系统,生产线物体分拣系统包括待检测图像获取模块610、还原图像输出模块620、物体标签值输出模块630和物体分拣模块640,其中:
待检测图像获取模块610,用于获取生产线上待检测物体的待检测图像。
待检测图像获取模块610可以用于观察生产线的传送带的待检测物体的情况,对待检测物体采集图像并生成待检测物体的待检测图像。
还原图像输出模块620,用于将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像。
还原图像输出模块620可以对待检测图像进行去除噪声的处理,将待检测图像输入去噪声模型,生成已去除噪声的还原图像。
物体标签值输出模块630,用于将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值。
物体标签值输出模块630可以对待检测图像进行识别分类的处理,将已去除噪声的还原图像输入识别分类模型,并根据所述识别和分类的类型输出待检测物体的物体标签值。
物体分拣模块640,用于在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
待检测物体的物体标签值可以用于表示待检测物体是否为残次品,在根据物体标签值判定待检测物体为残次品时,可以认为待检测物体是不合格的工件或产品,此时物体分拣模块640可以将判定为残次品的待检测物体分拣出生产线,完成生产线物体的分拣。
上述生产线物体分拣系统,去噪声模型可以明显降低待检测图像中噪声点对识别分类处理的影响,提高识别分类模型的识别分类的效率和准确性,提供识别和分拣的效率;而且可以适用于成像效果差或者老化的图像采集设备所采集的待检测图像,避免更换图像采集设备或重新安装和调试图像采集设备,降低获取待检测图像的成本,以便于降低生产线物体分拣的成本。
关于生产线物体分拣系统的具体限定可以参见上文中对于生产线物体分拣方法的限定,在此不再赘述。上述生产线物体分拣系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,如图7所示,图7为一个实施例中物体分拣系统的结构示意图,本实施例中提供一种物体分拣系统,物体分拣系统包括图像采集设备710、分拣设备720和计算机设备730,其中:
图像采集设备710和分拣设备720分别与计算机设备730连接;
图像采集设备710用于采集生产线上待检测物体的待检测图像和物体的物体样本图像;
分拣设备720用于控制待检测物体移出生产线
计算机设备730用于执行上述的生产线物体分拣方法。
上述物体分拣系统,可以明显降低待检测图像中噪声点对识别分类处理的影响,提高识别分类模型的识别分类的效率和准确性,提供识别和分拣的效率;而且可以适用于成像效果差或者老化的图像采集设备所采集的待检测图像,避免更换图像采集设备或重新安装和调试图像采集设备,降低获取待检测图像的成本,以便于降低生产线物体分拣的成本。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示,图8为一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种生产线物体分拣方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取生产线上待检测物体的待检测图像;
将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像;
将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值;
在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
通过图像采集设备采集生产线上待检测物体的待检测图像,其中,图像采集设备为安装在生产线上的摄像装置;
控制待检测物体移出生产线的步骤,包括以下步骤:
控制安装在生产线上的分拣设备将待检测物体移出生产线。
在一个实施例中,在将待检测图像输入去噪声模型并输出还原图像的步骤之前,处理器执行计算机程序时还实现以下步骤:
获取物体样本图像数据集的第一物体样本图像,其中,物体样本图像数据集包括生产线上的物体的图像;
将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像,其中,重构模型用于去除第一物体样本图像的噪声并生成还原样本图像;
将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值,其中,识别分类处理模型用于对还原样本图像进行识别分类并生成样本标签值;
根据样本标签值获取识别率,其中,识别率用于表示样本标签值的真实性;
在识别率小于预设值时,从物体样本图像数据集获取第二物体样本图像,将第二样本图像作为第一物体样本图像,跳转至将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤;
在识别率大于或等于预设值时,将训练后的重构模型作为去噪声模型,将训练后的识别分类处理模型作为识别分类模型。
在一个实施例中,重构模型包括第一卷积层、第一下采样层、第一还原层、第二还原层和第一全连接层,处理器执行计算机程序时还实现以下步骤:
将第一物体样本图像输入第一卷积层,并提取第一物体样本图像的第一提取特征;
将第一提取特征输入第一下采样层,并获取深化特征;
将深化特征输入第一还原层,并获取第一还原数据;
将第一还原数据输入第二还原层并获取第二还原数据,将第二还原数据输入第一全连接层,并生成还原样本图像;
和/或,识别分类处理模型包括第二卷积层、第二下采集层、第三卷积层、第三下采集层和第二全连接层,将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值的步骤,包括以下步骤:
将还原样本图像输入第二卷积层,并获取还原样本图像的第二提取特征;
将第二提取特征输入第二下采集层,并获取第三提取特征;
将第三提取特征输入第三卷积层,并获取第四提取特征;
将第四提取特征输入第三下采集层,并获取第五提取特征;
将第五提取特征输入第二全连接层,获取样本标签值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据破坏率和第一物体样本图像,获取有损样本图像;
将有损样本图像输入重构模型中进行训练,并生成还原样本图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据破坏率获取随机值和预设范围;
在第一物体样本图像中预设范围的数据值上叠加随机值,并生成有损样本图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取生产线上待检测物体的待检测图像;
将待检测图像输入去噪声模型并输出还原图像,其中,去噪声模型用于对待检测图像去除噪声并生成还原图像;
将还原图像输入识别分类模型并输出物体标签值,其中,识别分类模型用于对还原图像进行识别分类并生成物体标签值;
在物体标签值表示待检测物体为残次品时,控制待检测物体移出生产线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过图像采集设备采集生产线上待检测物体的待检测图像,其中,图像采集设备为安装在生产线上的摄像装置;
控制待检测物体移出生产线的步骤,包括以下步骤:
控制安装在生产线上的分拣设备将待检测物体移出生产线。
在一个实施例中,在将待检测图像输入去噪声模型并输出还原图像的步骤之前,计算机程序被处理器执行时还实现以下步骤:
获取物体样本图像数据集的第一物体样本图像,其中,物体样本图像数据集包括生产线上的物体的图像;
将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像,其中,重构模型用于去除第一物体样本图像的噪声并生成还原样本图像;
将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值,其中,识别分类处理模型用于对还原样本图像进行识别分类并生成样本标签值;
根据样本标签值获取识别率,其中,识别率用于表示样本标签值的真实性;
在识别率小于预设值时,从物体样本图像数据集获取第二物体样本图像,将第二样本图像作为第一物体样本图像,跳转至将第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤;
在识别率大于或等于预设值时,将训练后的重构模型作为去噪声模型,将训练后的识别分类处理模型作为识别分类模型。
在一个实施例中,重构模型包括第一卷积层、第一下采样层、第一还原层、第二还原层和第一全连接层,计算机程序被处理器执行时还实现以下步骤:
将第一物体样本图像输入第一卷积层,并提取第一物体样本图像的第一提取特征;
将第一提取特征输入第一下采样层,并获取深化特征;
将深化特征输入第一还原层,并获取第一还原数据;
将第一还原数据输入第二还原层并获取第二还原数据,将第二还原数据输入第一全连接层,并生成还原样本图像;
和/或,识别分类处理模型包括第二卷积层、第二下采集层、第三卷积层、第三下采集层和第二全连接层,将还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值的步骤,包括以下步骤:
将还原样本图像输入第二卷积层,并获取还原样本图像的第二提取特征;
将第二提取特征输入第二下采集层,并获取第三提取特征;
将第三提取特征输入第三卷积层,并获取第四提取特征;
将第四提取特征输入第三下采集层,并获取第五提取特征;
将第五提取特征输入第二全连接层,获取样本标签值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据破坏率和第一物体样本图像,获取有损样本图像;
将有损样本图像输入重构模型中进行训练,并生成还原样本图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据破坏率获取随机值和预设范围;
在第一物体样本图像中预设范围的数据值上叠加随机值,并生成有损样本图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种生产线物体分拣方法,其特征在于,包括以下步骤:
获取生产线上待检测物体的待检测图像;
将所述待检测图像输入去噪声模型并输出还原图像,其中,所述去噪声模型用于对所述待检测图像去除噪声并生成所述还原图像;
将所述还原图像输入识别分类模型并输出物体标签值,其中,所述识别分类模型用于对所述还原图像进行识别分类并生成所述物体标签值;
在所述物体标签值表示所述待检测物体为残次品时,控制所述待检测物体移出所述生产线。
2.根据权利要求1所述的生产线物体分拣方法,其特征在于,所述获取生产线上待检测物体的待检测图像的步骤,包括以下步骤:
通过图像采集设备采集所述生产线上所述待检测物体的所述待检测图像,其中,所述图像采集设备为安装在所述生产线上的摄像装置;
所述控制所述待检测物体移出所述生产线的步骤,包括以下步骤:
控制安装在所述生产线上的分拣设备将所述待检测物体移出所述生产线。
3.根据权利要求1所述的生产线物体分拣方法,其特征在于,在所述将所述待检测图像输入去噪声模型并输出还原图像的步骤之前,还包括以下步骤:
获取物体样本图像数据集的第一物体样本图像,其中,所述物体样本图像数据集包括所述生产线上的物体的图像;
将所述第一物体样本图像输入重构模型中进行训练,并获取还原样本图像,其中,所述重构模型用于去除所述第一物体样本图像的噪声并生成所述还原样本图像;
将所述还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值,其中,所述识别分类处理模型用于对所述还原样本图像进行识别分类并生成所述样本标签值;
根据所述样本标签值获取识别率,其中,所述识别率用于表示所述样本标签值的真实性;
在所述识别率小于预设值时,从所述物体样本图像数据集获取第二物体样本图像,将所述第二样本图像作为所述第一物体样本图像,跳转至所述将所述第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤;
在所述识别率大于或等于所述预设值时,将训练后的重构模型作为所述去噪声模型,将训练后的识别分类处理模型作为所述识别分类模型。
4.根据权利要求3所述的生产线物体分拣方法,其特征在于,所述重构模型包括第一卷积层、第一下采样层、第一还原层、第二还原层和第一全连接层,所述将所述第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤,包括以下步骤:
将所述第一物体样本图像输入所述第一卷积层,并提取所述第一物体样本图像的第一提取特征;
将所述第一提取特征输入所述第一下采样层,并获取深化特征;
将所述深化特征输入所述第一还原层,并获取第一还原数据;
将所述第一还原数据输入所述第二还原层并获取第二还原数据,将所述第二还原数据输入所述第一全连接层,并生成所述还原样本图像;
和/或,所述识别分类处理模型包括第二卷积层、第二下采集层、第三卷积层、第三下采集层和第二全连接层,所述将所述还原样本图像输入识别分类处理模型中进行训练,并获取样本标签值的步骤,包括以下步骤:
将所述还原样本图像输入所述第二卷积层,并获取所述还原样本图像的第二提取特征;
将所述第二提取特征输入所述第二下采集层,并获取第三提取特征;
将所述第三提取特征输入所述第三卷积层,并获取第四提取特征;
将所述第四提取特征输入所述第三下采集层,并获取第五提取特征;
将所述第五提取特征输入所述第二全连接层,获取所述样本标签值。
5.根据权利要求3所述的生产线物体分拣方法,其特征在于,所述将所述第一物体样本图像输入重构模型中进行训练,并获取还原样本图像的步骤,包括以下步骤:
根据破坏率和所述第一物体样本图像,获取有损样本图像;
将所述有损样本图像输入所述重构模型中进行训练,并生成所述还原样本图像。
6.根据权利要求5所述的生产线物体分拣方法,其特征在于,所述根据破坏率和所述第一物体样本图像,获取有损样本图像的步骤,包括以下步骤:
根据所述破坏率获取随机值和预设范围;
在所述第一物体样本图像中所述预设范围的数据值上叠加所述随机值,并生成所述有损样本图像。
7.一种生产线物体分拣系统,其特征在于,所述系统包括:
待检测图像获取模块,用于获取生产线上待检测物体的待检测图像;
还原图像输出模块,用于将所述待检测图像输入去噪声模型并输出还原图像,其中,所述去噪声模型用于对所述待检测图像去除噪声并生成所述还原图像;
物体标签值输出模块,用于将所述还原图像输入识别分类模型并输出物体标签值,其中,所述识别分类模型用于对所述还原图像进行识别分类并生成所述物体标签值;
物体分拣模块,用于在所述物体标签值表示所述待检测物体为残次品时,控制所述待检测物体移出所述生产线。
8.一种物体分拣系统,其特征在于,包括图像采集设备、分拣设备和计算机设备;
所述图像采集设备和所述分拣设备分别与所述计算机设备连接;
所述图像采集设备用于采集所述生产线上待检测物体的待检测图像和物体的物体样本图像;
所述分拣设备用于控制所述待检测物体移出所述生产线
所述计算机设备用于执行如权利要求1至6任意一项所述的生产线物体分拣方法。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的生产线物体分拣方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的生产线物体分拣方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811095095.4A CN109304306B (zh) | 2018-09-19 | 2018-09-19 | 生产线物体分拣方法、系统和物体分拣系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811095095.4A CN109304306B (zh) | 2018-09-19 | 2018-09-19 | 生产线物体分拣方法、系统和物体分拣系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109304306A true CN109304306A (zh) | 2019-02-05 |
CN109304306B CN109304306B (zh) | 2020-08-11 |
Family
ID=65224726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811095095.4A Active CN109304306B (zh) | 2018-09-19 | 2018-09-19 | 生产线物体分拣方法、系统和物体分拣系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109304306B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178418A (zh) * | 2019-12-23 | 2020-05-19 | 东软集团股份有限公司 | 图像分类方法和装置、存储介质和电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5165101A (en) * | 1989-02-09 | 1992-11-17 | Philip Morris Incoporated | Methods and apparatus for optically determining the acceptability of products |
CN106651881A (zh) * | 2016-12-28 | 2017-05-10 | 同方威视技术股份有限公司 | 车辆检查系统、车辆部位识别方法及系统 |
CN106874929A (zh) * | 2016-12-28 | 2017-06-20 | 诸暨市奇剑智能科技有限公司 | 一种基于深度学习的珍珠分类方法 |
CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
CN107403192A (zh) * | 2017-07-18 | 2017-11-28 | 四川长虹电器股份有限公司 | 一种基于多分类器的快速目标检测方法及系统 |
CN107590500A (zh) * | 2017-07-20 | 2018-01-16 | 济南中维世纪科技有限公司 | 一种基于色彩投影分类的车牌颜色识别方法及装置 |
CN107766868A (zh) * | 2016-08-15 | 2018-03-06 | 中国联合网络通信集团有限公司 | 一种分类器训练方法及装置 |
CN108229525A (zh) * | 2017-05-31 | 2018-06-29 | 商汤集团有限公司 | 神经网络训练及图像处理方法、装置、电子设备和存储介质 |
CN108287162A (zh) * | 2018-01-09 | 2018-07-17 | 温州三特食品科技有限公司 | 一种食品安全智能检测的方法 |
CN108305242A (zh) * | 2017-09-29 | 2018-07-20 | 佛山缔乐视觉科技有限公司 | 一种用于工业生产线的智能视觉检测方法、系统及装置 |
CN108311409A (zh) * | 2017-12-26 | 2018-07-24 | 江苏仲博敬陈信息科技有限公司 | 一种基于人工智能图像识别的印刷电路板检测系统 |
-
2018
- 2018-09-19 CN CN201811095095.4A patent/CN109304306B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5165101A (en) * | 1989-02-09 | 1992-11-17 | Philip Morris Incoporated | Methods and apparatus for optically determining the acceptability of products |
CN107766868A (zh) * | 2016-08-15 | 2018-03-06 | 中国联合网络通信集团有限公司 | 一种分类器训练方法及装置 |
CN106651881A (zh) * | 2016-12-28 | 2017-05-10 | 同方威视技术股份有限公司 | 车辆检查系统、车辆部位识别方法及系统 |
CN106874929A (zh) * | 2016-12-28 | 2017-06-20 | 诸暨市奇剑智能科技有限公司 | 一种基于深度学习的珍珠分类方法 |
CN108229525A (zh) * | 2017-05-31 | 2018-06-29 | 商汤集团有限公司 | 神经网络训练及图像处理方法、装置、电子设备和存储介质 |
CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
CN107403192A (zh) * | 2017-07-18 | 2017-11-28 | 四川长虹电器股份有限公司 | 一种基于多分类器的快速目标检测方法及系统 |
CN107590500A (zh) * | 2017-07-20 | 2018-01-16 | 济南中维世纪科技有限公司 | 一种基于色彩投影分类的车牌颜色识别方法及装置 |
CN108305242A (zh) * | 2017-09-29 | 2018-07-20 | 佛山缔乐视觉科技有限公司 | 一种用于工业生产线的智能视觉检测方法、系统及装置 |
CN108311409A (zh) * | 2017-12-26 | 2018-07-24 | 江苏仲博敬陈信息科技有限公司 | 一种基于人工智能图像识别的印刷电路板检测系统 |
CN108287162A (zh) * | 2018-01-09 | 2018-07-17 | 温州三特食品科技有限公司 | 一种食品安全智能检测的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178418A (zh) * | 2019-12-23 | 2020-05-19 | 东软集团股份有限公司 | 图像分类方法和装置、存储介质和电子设备 |
CN111178418B (zh) * | 2019-12-23 | 2023-07-25 | 东软集团股份有限公司 | 图像分类方法和装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109304306B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3154025A1 (en) | Interactive behavior recognizing method, device, computer equipment and storage medium | |
CN111650204A (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及系统 | |
CN101614786B (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN104749334A (zh) | 基于模式识别的生物式异常水质评价系统设计方法 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN112232450A (zh) | 一种综合多阶段的难例样本挖掘方法、目标检测方法 | |
CN111667476B (zh) | 布料瑕疵检测方法、装置、电子设备及可读存储介质 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN111626243A (zh) | 口罩遮挡人脸的身份识别方法、装置及存储介质 | |
CN109543744B (zh) | 一种基于龙芯派的多类别深度学习图像识别方法及其应用 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN106814257A (zh) | 芯片类型识别系统、方法及装置 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及系统 | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
Inoue et al. | Crack detection as a weakly-supervised problem: towards achieving less annotation-intensive crack detectors | |
CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
CN109304306A (zh) | 生产线物体分拣方法、系统和物体分拣系统 | |
Li et al. | A defect detection method based on improved mask R-CNN for wafer maps | |
Feng et al. | Improved SOLOv2 detection method for shield tunnel lining water leakages | |
KR101955091B1 (ko) | 이상 신호 복원 시스템 및 방법 | |
CN112613560A (zh) | 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法 | |
CN113822836A (zh) | 标记图像的方法 | |
CN110674827A (zh) | 一种融合深度学习与形态学滤波的设备状态视觉检测方法 | |
CN111652834A (zh) | 一种基于支持向量机的钢卷捆扎带识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 510070 15 building, 100 martyrs Road, Yuexiu District, Guangzhou, Guangdong. Patentee after: Institute of intelligent manufacturing, Guangdong Academy of Sciences Address before: 510070 15 building, 100 martyrs Road, Yuexiu District, Guangzhou, Guangdong. Patentee before: GUANGDONG INSTITUTE OF INTELLIGENT MANUFACTURING |