CN109684932A - 一种基于双目视觉的托盘位姿识别方法 - Google Patents

一种基于双目视觉的托盘位姿识别方法 Download PDF

Info

Publication number
CN109684932A
CN109684932A CN201811452654.2A CN201811452654A CN109684932A CN 109684932 A CN109684932 A CN 109684932A CN 201811452654 A CN201811452654 A CN 201811452654A CN 109684932 A CN109684932 A CN 109684932A
Authority
CN
China
Prior art keywords
pallet
pixel
super
probability
binocular 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.)
Granted
Application number
CN201811452654.2A
Other languages
English (en)
Other versions
CN109684932B (zh
Inventor
陆华忠
赵俊宏
吕恩利
王昱
王飞仁
林伟加
罗毅智
董冰
吴鹏
赵伟伟
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN201811452654.2A priority Critical patent/CN109684932B/zh
Publication of CN109684932A publication Critical patent/CN109684932A/zh
Application granted granted Critical
Publication of CN109684932B publication Critical patent/CN109684932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于双目视觉的托盘位姿识别方法，通过建立仓库中货物、托盘、地面、货架等常规物品的模型；根据图像噪声水平，采用不同的模型对获得图像的超像素进行分类，实现初步分类；根据分类结果，选择托盘区域，并对该区域四周超像素分类进行统计，符合仓库码放要求的区域，为托盘的概率大，基于根据概率、面积大小、形状，选出托盘候选区域；对托盘候选区域进行立体匹配，获得视差图；对视差图进行滤波、统计最后获得托盘位置及角度。本发明结合了仓储作业场景，联合上下文关系，具有识别准确、容错率高等特点。

Description

一种基于双目视觉的托盘位姿识别方法
技术领域
本发明涉及机器视觉识别的技术领域，尤其涉及到一种基于双目视觉的托盘位姿识别方法。
背景技术
随着工业4.0推进，智能仓储装备得到了极大的推广。智能仓储装备能够适应长时间作业，减少人工成本。减少极限条件下对人的伤害。
传统自动仓储对环境的结构化要求较高，拾取对象单一，生产线更改困难，不适用于柔性仓储需求。现代物流应更加灵活，减少布置和改变成本，适应多种工况，在半结构化环境中也应能正常工作。
托盘拾取过程是智能仓储中精度要求较高的环节之一，为提高智能仓储的灵活性，须建立起一套适应性强，能够在仓库多变的光线环境下也能正常工作的托盘位姿识别方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种适应性强，识别率高、容错率高、定位准确的基于双目视觉的托盘位姿识别方法。
为实现上述目的，本发明所提供的技术方案为：
主要通过建立仓库中货物、托盘、地面、货架等常规物品的模型；根据图像噪声水平，采用不同的模型对获得图像的超像素进行分类，实现初步分类；根据分类结果，选择托盘区域，并对该区域四周超像素分类进行统计，符合仓库码放要求的区域，为托盘的概率大，基于根据概率、面积大小、形状，选出托盘候选区域；对托盘候选区域进行立体匹配，获得视差图；对视差图进行滤波、统计最后获得托盘位置及角度。
具体步骤如下：
S1.通过双目摄像头获得图像；
S2.根据颜色、纹理信息，对图像进行超像素提取，并提取超像素特征；
S3.获取相机采样过程的信息，对图像的噪声质量进行评估，并根据图像噪声质量，选择分类模型，对超像素进行分类；
S4.对托盘分类对应的超像素进行连通合并，获得托盘候选位置；
S5.根据托盘、地面、货物、货架分类的位置关系，对托盘候选对象的概率进行计算；
S6.根据概率、面积大小、尺寸、对称性选择托盘对应像素；
S7.提取对应像素的视差图，并对视差图进行滤波，提取托盘相对位置和姿态；
S8.多帧位姿数据滤波，保证托盘位置提取正确，结合导航系统更新托盘位置相对于仓库坐标系的位置，提供给路径规划系统。
进一步地，所述步骤S3中，获取的相机采样过程的信息包括相机快门、相机图像增益、灰度平均值。
进一步地，所述步骤S3中，图像的噪声质量通过现场采样数据进行结果对比，将不同相机参数、图像统计信息与图像噪声水平进行回归分析获得。
进一步地，所述步骤S3中，所述分类模型为根据仓库现场采样，并根据相机采样过程的信息参数，通过最大期望算法，建立的不同图像参数下，托盘，地面、货物、货架的多维高斯模型和支持向量机模型。
基于有针对性的模型对超像素进行分类，提高稳定性和准确性；
进一步地，所述步骤S4对托盘分类对应的超像素进行连通合并的具体过程为：根据超像素分类后的分类标签，对超像素进行合并操作，将邻近的托盘分类表示为一个托盘候选对象；以单个托盘超像素为起点，对其连通域超像素标签进行筛选，标签一致进行合并；最后对合并后的区域的颜色域、几何形状，根据托盘先验信息进行初步筛选。
进一步地，所述步骤S5对托盘候选对象的概率进行计算的具体步骤如下：
建立多尺度类别模板，进行托盘识别，提取识别感兴趣区域的深度信息作为初值；根据距离初值，托盘实际尺寸与相机参数，基于小孔成像原理，创建高精度托盘类别模板，包含托盘、地面、货物、货架类别信息；
采用该类别模板与分类后的图像进行匹配，获得匹配度较大的区域，作为托盘候选对象；匹配度由类别的像素面积计算；
根据托盘候选对象在图像中的位置信息，对其四周的超像素分类进行统计，当托盘类别上方货物匹配率越大，区域为托盘的概率越大；下方地面或货架匹配率越大，区域为托盘的概率越大；当符合上述条件的超像素数量越多，则该区域为托盘的概率越大。
进一步地，所述步骤S7提取托盘相对位置和姿态的具体步骤为：根据托盘平面约束，几何形状，对视差图进行平滑处理，剔除异常点，选择托盘支架区域的数据提取托盘位姿。
进一步地，所述步骤S8中，多帧位姿数据滤波具体为：从摄像头提取多帧图像时，将每帧提取的结果均进行滤波处理，防止数据波动。
与现有技术相比，本方案原理和优点如下：
1、通过超像素的方法提取像素点，使提高识别速率的同时增强局部信息的提取。
2、根据相机参数建立数据库，提取不同图像质量仓储环境内各物体的多维高斯模型、支持向量机模型，提高识别率。
3、根据上下文关系对托盘类别进行概率估计，鲁棒性更强，减少错误发生。
4、通过双目视觉获取托盘位姿，适用性更强，适用于多种环境。
附图说明
图1为本发明一种基于双目视觉的托盘位姿识别方法的工作流程图；
图2为本发明中类别模板的示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见附图1所示，本实施例所述的一种基于双目视觉的托盘位姿识别方法，包括以下步骤：
S1.通过双目摄像头获得图像；
S2.根据颜色、纹理信息，对图像进行超像素提取，并提取超像素特征；
S3.获取相机采样过程的信息，对图像的噪声质量进行评估，并根据图像噪声质量，选择分类模型，对超像素进行分类；
本步骤中，据图像噪声质量评估通过大量现场采样数据，进行结果对比，将不同相机参数、图像统计信息等与图像噪声水平进行回归分析获得。通过回归函数可以获得相机采样过程的信息，包括相机快门、相机图像增益、灰度平均值等对图像的噪声水平。
根据图像噪声质量，选择分类参数，是基于现场数据分析，将图像噪声质量与超像素分类参数进行对应分析，针对场景信息选择正确的参数，从而减少由于一天之内光线方向变化、光源变化、光源闪烁等因素对分类结果产生影响，提高准确率。
分类模型为根据仓库现场采样，并根据图像质量，建立的不同图像参数下的多维高斯模型与支持向量机模型。基于有针对性的模型参数对超像素进行分类，提高稳定性；
S4.分类后，对托盘分类对应的超像素进行连通合并，获得托盘候选位置，具体过程为：
根据超像素分类后的分类标签，对超像素进行合并操作，将邻近的托盘分类表示为一个托盘候选对象；以单个托盘超像素为起点，对其连通域超像素标签进行筛选，标签一致进行合并；最后对合并后的区域的颜色域、几何形状，根据托盘先验信息进行初步筛选。
S5.根据托盘、地面、货物、货架分类的位置关系，对托盘候选对象的概率进行计算，具体如下：
建立多尺度类别模板，进行托盘识别，提取识别感兴趣区域的深度信息作为初值；根据距离初值，托盘实际尺寸与相机参数，基于小孔成像原理，创建高精度托盘类别模板，包含托盘、地面、货物、货架类别信息；
模板如图2所示，a为货物，b为托盘，c为地面或货物，d为托盘孔；
采用该类别模板与分类后的图像进行匹配，获得匹配度较大的区域，作为托盘候选对象；匹配度由类别的像素面积计算；
根据托盘候选对象在图像中的位置信息，对其四周的超像素分类进行统计，当托盘类别上方货物匹配率越大，区域为托盘的概率越大；下方地面或货架匹配率越大，区域为托盘的概率越大；当符合上述条件的超像素数量越多，则该区域为托盘的概率越大。
S6.根据概率、面积大小、尺寸、对称性选择托盘对应像素；
S7.根据托盘平面约束，几何形状，对视差图进行平滑处理，剔除异常点，选择托盘支架区域的数据提取托盘位姿；
S8.多帧位姿数据滤波，保证托盘位置提取正确，结合导航系统更新托盘位置相对于仓库坐标系的位置，提供给路径规划系统。其中，多帧位姿数据滤波具体为：从摄像头提取多帧图像时，将每帧提取的结果均进行滤波处理，防止数据波动。
本实施例主要通过建立仓库中货物、托盘、地面、货架等常规物品的模型；根据图像噪声水平，采用不同的模型对获得图像的超像素进行分类，实现初步分类；根据分类结果，选择托盘区域，并对该区域四周超像素分类进行统计，符合仓库码放要求的区域，为托盘的概率大，基于根据概率、面积大小、形状，选出托盘候选区域；对托盘候选区域进行立体匹配，获得视差图；对视差图进行滤波、统计最后获得托盘位置及角度。本实施例结合了仓储作业场景，联合上下文关系，具有识别准确、容错率高等特点。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (8)

1.一种基于双目视觉的托盘位姿识别方法，其特征在于，包括以下步骤：
S1.通过双目摄像头获得图像；
S2.根据颜色、纹理信息，对图像进行超像素提取，并提取超像素特征；
S3.获取相机采样过程的信息，对图像的噪声质量进行评估，并根据图像噪声质量，选择分类模型，对超像素进行分类；
S4.对托盘分类对应的超像素进行连通合并，获得托盘候选位置；
S5.根据托盘、地面、货物、货架分类的位置关系，对托盘候选对象的概率进行计算；
S6.根据概率、面积大小、尺寸、对称性选择托盘对应像素；
S7.提取对应像素的视差图，并对视差图进行滤波，提取托盘相对位置和姿态；
S8.多帧位姿数据滤波，保证托盘位置提取正确，结合导航系统更新托盘位置相对于仓库坐标系的位置，提供给路径规划系统。
2.根据权利要求1所述的一种基于双目视觉的托盘位姿识别方法，其特征在于，所述步骤S3中，获取的相机采样过程的信息包括相机快门、相机图像增益、灰度平均值。
3.根据权利要求1所述的一种基于双目视觉的托盘位姿识别方法，其特征在于，所述步骤S3中，图像的噪声质量通过现场采样数据进行结果对比，将不同相机参数、图像统计信息与图像噪声水平进行回归分析获得。
4.根据权利要求1所述的一种基于双目视觉的托盘位姿识别方法，其特征在于，所述步骤S3中，所述分类模型为根据仓库现场采样，并根据相机采样过程的信息参数，通过最大期望算法，建立的不同图像参数下，托盘，地面、货物、货架的多维高斯模型和支持向量机模型。
5.根据权利要求1所述的一种基于双目视觉的托盘位姿识别方法，其特征在于，所述步骤S4对托盘分类对应的超像素进行连通合并的具体过程为：根据超像素分类后的分类标签，对超像素进行合并操作，将邻近的托盘分类表示为一个托盘候选对象；以单个托盘超像素为起点，对其连通域超像素标签进行筛选，标签一致进行合并；最后对合并后的区域的颜色域、几何形状，根据托盘先验信息进行初步筛选。
6.根据权利要求1所述的一种基于双目视觉的托盘位姿识别方法，其特征在于，所述步骤S5对托盘候选对象的概率进行计算的具体步骤如下：
建立多尺度类别模板，进行托盘识别，提取识别感兴趣区域的深度信息作为初值；根据距离初值，托盘实际尺寸与相机参数，基于小孔成像原理，创建高精度托盘类别模板，包含托盘、地面、货物、货架类别信息；
采用该类别模板与分类后的图像进行匹配，获得匹配度较大的区域，作为托盘候选对象；匹配度由类别的像素面积计算；
根据托盘候选对象在图像中的位置信息，对其四周的超像素分类进行统计，当托盘类别上方货物匹配率越大，区域为托盘的概率越大；下方地面或货架匹配率越大，区域为托盘的概率越大；当符合上述条件的超像素数量越多，则该区域为托盘的概率越大。
7.根据权利要求1所述的一种基于双目视觉的托盘位姿识别方法，其特征在于，所述步骤S7提取托盘相对位置和姿态的具体步骤为：根据托盘平面约束，几何形状，对视差图进行平滑处理，剔除异常点，选择托盘支架区域的数据提取托盘位姿。
8.根据权利要求1所述的一种基于双目视觉的托盘位姿识别方法，其特征在于，所述步骤S8中，多帧位姿数据滤波具体为：从摄像头提取多帧图像时，将每帧提取的结果均进行滤波处理，防止数据波动。
CN201811452654.2A 2018-11-30 2018-11-30 一种基于双目视觉的托盘位姿识别方法 Active CN109684932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811452654.2A CN109684932B (zh) 2018-11-30 2018-11-30 一种基于双目视觉的托盘位姿识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811452654.2A CN109684932B (zh) 2018-11-30 2018-11-30 一种基于双目视觉的托盘位姿识别方法

Publications (2)

Publication Number Publication Date
CN109684932A true CN109684932A (zh) 2019-04-26
CN109684932B CN109684932B (zh) 2023-05-23

Family

ID=66185976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811452654.2A Active CN109684932B (zh) 2018-11-30 2018-11-30 一种基于双目视觉的托盘位姿识别方法

Country Status (1)

Country Link
CN (1) CN109684932B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378911A (zh) * 2019-07-11 2019-10-25 太原科技大学 基于候选区域和邻域分类器的弱监督图像语义分割方法
CN110950277A (zh) * 2019-12-16 2020-04-03 浙江迈睿机器人有限公司 用于agv叉车的托盘姿态识别系统及其方法
CN111724338A (zh) * 2020-03-05 2020-09-29 中冶赛迪重庆信息技术有限公司 一种转盘异常识别方法、系统、电子设备及介质
CN112907667A (zh) * 2021-02-23 2021-06-04 广东省农业科学院设施农业研究所 一种视觉激光融合的托盘位姿估计方法、系统及装置
CN112907666A (zh) * 2021-02-23 2021-06-04 广东省农业科学院设施农业研究所 一种基于rgb-d的托盘位姿估计方法、系统及装置
CN113050636A (zh) * 2021-03-15 2021-06-29 广东省农业科学院 一种叉车自主拾取托盘的控制方法、系统及装置
CN117934884A (zh) * 2024-03-21 2024-04-26 西安云图信息技术有限公司 一种智能田野调查数字化记录系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023145A (zh) * 2016-05-06 2016-10-12 哈尔滨工程大学 基于超像素标注的遥感图像的分割与识别方法
WO2016176840A1 (zh) * 2015-05-06 2016-11-10 北京大学深圳研究生院 深度图/视差图的后处理方法和装置
CN107038703A (zh) * 2017-04-26 2017-08-11 国家电网公司 一种基于双目视觉的货物距离测量方法
CN107133977A (zh) * 2017-05-18 2017-09-05 华中科技大学 一种基于概率产生模型的快速立体匹配方法
CN107218927A (zh) * 2017-05-16 2017-09-29 上海交通大学 一种基于tof相机的货物托盘检测系统和方法
CN107507214A (zh) * 2017-07-06 2017-12-22 北京华泰诺安探测技术有限公司 获取货物图像的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016176840A1 (zh) * 2015-05-06 2016-11-10 北京大学深圳研究生院 深度图/视差图的后处理方法和装置
CN106023145A (zh) * 2016-05-06 2016-10-12 哈尔滨工程大学 基于超像素标注的遥感图像的分割与识别方法
CN107038703A (zh) * 2017-04-26 2017-08-11 国家电网公司 一种基于双目视觉的货物距离测量方法
CN107218927A (zh) * 2017-05-16 2017-09-29 上海交通大学 一种基于tof相机的货物托盘检测系统和方法
CN107133977A (zh) * 2017-05-18 2017-09-05 华中科技大学 一种基于概率产生模型的快速立体匹配方法
CN107507214A (zh) * 2017-07-06 2017-12-22 北京华泰诺安探测技术有限公司 获取货物图像的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵俊宏等: "基于激光雷达的托盘位姿识别算法及验证", 《仪器仪表学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378911A (zh) * 2019-07-11 2019-10-25 太原科技大学 基于候选区域和邻域分类器的弱监督图像语义分割方法
CN110378911B (zh) * 2019-07-11 2022-06-21 太原科技大学 基于候选区域和邻域分类器的弱监督图像语义分割方法
CN110950277A (zh) * 2019-12-16 2020-04-03 浙江迈睿机器人有限公司 用于agv叉车的托盘姿态识别系统及其方法
CN111724338A (zh) * 2020-03-05 2020-09-29 中冶赛迪重庆信息技术有限公司 一种转盘异常识别方法、系统、电子设备及介质
CN111724338B (zh) * 2020-03-05 2023-04-18 中冶赛迪信息技术(重庆)有限公司 一种转盘异常识别方法、系统、电子设备及介质
CN112907667A (zh) * 2021-02-23 2021-06-04 广东省农业科学院设施农业研究所 一种视觉激光融合的托盘位姿估计方法、系统及装置
CN112907666A (zh) * 2021-02-23 2021-06-04 广东省农业科学院设施农业研究所 一种基于rgb-d的托盘位姿估计方法、系统及装置
CN113050636A (zh) * 2021-03-15 2021-06-29 广东省农业科学院 一种叉车自主拾取托盘的控制方法、系统及装置
CN117934884A (zh) * 2024-03-21 2024-04-26 西安云图信息技术有限公司 一种智能田野调查数字化记录系统及方法

Also Published As

Publication number Publication date
CN109684932B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN109684932A (zh) 一种基于双目视觉的托盘位姿识别方法
KR102329369B1 (ko) 물품 식별 방법 및 시스템, 전자설비
CN105046280B (zh) 一种衣柜智能管理装置及方法
US10558844B2 (en) Lightweight 3D vision camera with intelligent segmentation engine for machine vision and auto identification
CN105046252B (zh) 一种人民币冠字码识别方法
CN106570510B (zh) 一种超市商品识别方法
CN111968172A (zh) 料场物料的体积测量方法及系统
CN108416355A (zh) 一种基于机器视觉的工业现场生产数据的采集方法
CN110321769A (zh) 一种多尺寸货架商品检测方法
CN107092871A (zh) 基于多尺度多特征融合的遥感影像建筑物检测方法
CN108921850B (zh) 一种基于图像分割技术的图像局部特征的提取方法
CN105069816B (zh) 一种进出口人流量统计的方法及系统
CN108509928A (zh) 针对矮化密植枣园田管作业视觉导航路径提取方法
KR102568907B1 (ko) 폐색영역 검출을 위한 기계학습용 데이터셋 생성 방법과 데이터셋 생성시스템
CN114677674A (zh) 一种基于双目点云的苹果快速识别定位方法
CN104951440B (zh) 一种图像处理方法及电子设备
CN105404900B (zh) 一种并排二极管的定位方法及装置
CN107038703A (zh) 一种基于双目视觉的货物距离测量方法
CN109165611B (zh) 一种基于机器视觉和神经网络的碗碟识别智能结算方法
CN111046782A (zh) 一种用于苹果采摘机器人的果实快速识别方法
CN109977714A (zh) 一种仓储货物多qr码一体化视觉定位方法
CN114266974A (zh) 基于深度学习的自动定位焊接方法
CN114040116A (zh) 塑胶模材良品监测反馈系统
CN109584212A (zh) 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法
KR101673558B1 (ko) 스마트기기를 이용한 식물정보 제공 시스템 및 방법

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