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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-11-30 CN CN201811452654.2A patent/CN109684932B/zh active Active
Patent Citations (6)
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)
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)
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 |