CN109977946B - 一种基于机器视觉的榛子轴向识别方法 - Google Patents

一种基于机器视觉的榛子轴向识别方法 Download PDF

Info

Publication number
CN109977946B
CN109977946B CN201910163816.9A CN201910163816A CN109977946B CN 109977946 B CN109977946 B CN 109977946B CN 201910163816 A CN201910163816 A CN 201910163816A CN 109977946 B CN109977946 B CN 109977946B
Authority
CN
China
Prior art keywords
matrix block
pixel matrix
hazelnut
rectangular stripe
sum
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.)
Active
Application number
CN201910163816.9A
Other languages
English (en)
Other versions
CN109977946A (zh
Inventor
周文举
栾松宇
费敏锐
周天放
王海宽
徐宗鑫
赵枚
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.)
Shandong Chuangdian Intelligent Technology Co ltd
Ludong University
University of Shanghai for Science and Technology
Original Assignee
Shandong Chuangdian Intelligent Technology Co ltd
Ludong University
University of Shanghai for Science and Technology
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 Shandong Chuangdian Intelligent Technology Co ltd, Ludong University, University of Shanghai for Science and Technology filed Critical Shandong Chuangdian Intelligent Technology Co ltd
Priority to CN201910163816.9A priority Critical patent/CN109977946B/zh
Publication of CN109977946A publication Critical patent/CN109977946A/zh
Application granted granted Critical
Publication of CN109977946B publication Critical patent/CN109977946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明适用于机器视觉识别技术领域，为榛子的自动化加工提供了一种基于机器视觉的榛子轴向识别方法，包括：根据获取的榛子图像提取ROI区域；根据提取的ROI区域计算获取榛子的二值化滤波图像；建立与二值化滤波图像纹理特征相匹配的矩形条纹模板；将矩形条纹模板按预设规则旋转，得到预定数量的不同方向的矩形条纹模板；将得到的所有矩形条纹模板依次卷积二值化滤波图像；将所得卷积绝对值分别求和作为方向匹配参量，并根据方向匹配参量的大小选出最匹配的矩形条纹模板，依据最匹配矩形条纹模板的方向标注榛子的轴向。借此，本发明可以较为快速精准的识别并标注榛子的轴向，为后续机器加工对榛子按轴向方向挤压开口提供便利。

Description

一种基于机器视觉的榛子轴向识别方法
技术领域
本发明涉及榛子识别技术领域，尤其涉及一种基于机器视觉的榛子轴向识别方法。
背景技术
作为世界四大坚果之一，榛子具有营养价值高、口感好的特点，深受消费者喜爱，但其外壳非常坚硬，所以食用前需要对榛子进行开口处理。
目前在大批量工业生产过程中，多采用“人工摆放(裸眼检测)+机械开口”的加工方式。由于人工摆放位姿精度低，易导致开口位置不准确，开口效率低，伴随着人工成本的提高，这种加工方式的经济性也逐渐降低。
近年来机器视觉技术发展迅速，将机器视觉技术和机械夹持装置控制结合起来，为提高生产的工业化智能化水平提供了条件。
发明内容
针对上述的缺陷，本发明的目的在于提供一种基于机器视觉的榛子轴向识别方法，其可以较为快速精准的识别并标注榛子的轴向，为后续机器对榛子的开口加工提供便利。
为了实现上述目的，本发明的构思是：
(a)通过相机获取工业加工过程中传送带上的榛子图像，提取榛子图像ROI区域。
(b)根据提取的ROI区域计算获取榛子的二值化滤波图像，建立与所述二值化滤波图像的纹理特征相匹配的矩形条纹模板。
(c)将所述矩形条纹模板按预设规则旋转，得到预定数量的不同方向的矩形条纹模板，将得到的所有矩形条纹模板依次卷积所述二值化滤波图像。
(d)将不同方向的矩形条纹模板卷积值分别求和作为方向匹配参量，并根据所述方向匹配参量的大小选出最匹配的矩形条纹模板。
(e)计算获取榛子质心坐标，根据最匹配矩形条纹模板的方向及榛子质心位置标注榛子的轴向。
根据上述发明构思，本发明采用下述技术方案：
(1)通过工业相机获取加工过程中传送带上的榛子图像，提取榛子图像ROI区域。
(2)根据提取的ROI区域计算获取榛子的二值化滤波图像。为了使所述二值化滤波后的图像更能清晰的表示榛子表面的纹理线条特征，本发明采用基于纹理边缘的二值化滤波算法。具体的实施步骤如下：
(2-1)对四个相邻的3×3像素矩阵块进行比较，所述四个相邻的3×3像素矩阵块分布为：左上角3×3像素矩阵块为目标矩阵块，与所述目标矩阵块右侧相邻的3×3像素矩阵块为第2个像素矩阵块，与所述目标矩阵块下侧相邻的3×3像素矩阵块为第3个像素矩阵块，与所述目标矩阵块右下方相邻的3×3像素矩阵块为第4个像素矩阵块。
(2-2)将所述目标矩阵块中RGB值各分量之和与所述相邻的三个3×3像素矩阵块中RGB值各分量之和进行求差值，将所述差值取绝对值后相加，得到总差值。计算方法如下：
Figure BDA0001985587940000021
Figure BDA0001985587940000022
Figure BDA0001985587940000023
Dsum＝D11+D12+D13
Figure BDA0001985587940000031
上式中，D12代表目标像素矩阵块的RGB各分量之和与第2个像素矩阵块的RGB各分量之和的差；D13代表目标像素矩阵块的RGB各分量之和与第3个像素矩阵块的RGB各分量之和的差；D14代表目标像素矩阵块的RGB各分量之和与第4个像素矩阵块的RGB各分量之和的差；i代表所属矩阵块中像素点的序号；Dsum代表所述总差值；R1i、R2i、R3i、R4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的R分量值；G1i、G2i、G3i、G4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的G分量值；B1i、B2i、B3i、B4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的B分量值；R15、G15、B15分别代表目标像素矩阵块中第5个像素点(3×3矩阵块中心像素点)的R分量值、G分量值、B分量值；T代表设定阈值。
(2-3)将Dsum与所述设定阈值T进行比较，若Dsum大于所述设定阈值T，则将所述目标像素矩阵块的中心像素点的RGB值设为0，否则设为255。
(2-4)用所述四个相邻的3×3像素矩阵块遍历所述ROI区域，得到二值化滤波后的榛子图像，该图像也同时呈现了榛子表面条纹状纹理特征。
(3)建立与所述二值化滤波图像的纹理特征相匹配的矩形条纹模板，模板中间列为0，左列为+1，右列为-1，所述列的宽度均可调。
(4)将所述矩形条纹模板按照1°的间隔旋转360次，得到360个不同方向角度的矩形条纹模板。
(5)将得到的360个矩形条纹模板依次卷积所述二值化滤波图像，将不同方向的矩形条纹模板的卷积绝对值分别求和作为方向匹配参量，具体计算为：
hθ＝|f[x,y]*gθ(x,y)|
Figure BDA0001985587940000041
其中，θ＝1，2，...，359，f[x,y]表示所述二值化滤波后图像中像素点的亮度值；I表示所述二值化滤波后的榛子图像；gθ[x,y]表示旋转角为θ度的所述矩形条纹模板；hθ[x,y]表示所述卷积运算的结果；Sθ表示所述方向匹配参量。
(6)根据所述方向匹配参量的大小选出最匹配的矩形条纹模板，依据最匹配矩形条纹模板的方向确定榛子轴向。具体实施步骤为：
将360个S0，...，S359的值进行排序，找到最大值的方向匹配参量Sfitθ。计算公式为：
Figure BDA0001985587940000042
上式中，Sfitθ表示所述360个方向匹配参量S0，...，S359中的最大值，Sfitθ对应的矩形条纹模板就是最匹配的矩形条纹模板，所述最匹配的矩形条纹模板的方向fitθ就代表了榛子的轴向方向。
(7)将所述ROI区域的横、纵坐标分别累加求和，再取均值得到榛子质心，穿过所述榛子质心且方向为fitθ的直线就是榛子的轴向。
本发明通过观察榛子表面纹理特征，提出基于矩形条纹模板卷积的榛子轴向识别算法，利用机器视觉可以快速的定位和识别榛子的轴向和位置，为榛子大规模自动化加工提供有效的视觉解决方案，避免由于加工设备挤压榛子侧面而造成的榛子破碎现象，为加工企业减少浪费，同时提高生产效率，节省人力成本。
附图说明
图1是原始榛子图像；
图2是提取的榛子图像ROI区域；
图3是四个相邻的3×3像素矩阵；
图4是榛子二值化滤波图像；
图5是矩形条纹模板示意图；
图6是实例化数值的矩形条纹模板；
图7是不同方向角度的矩形条纹模板；
图8是榛子轴向检测效果图；
图9是本发明的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于机器视觉的榛子轴向识别方法，其可以通过如图9所示的流程实现，所述方法包括：
步骤S111，图1是工业加工过程中传送带上的榛子图像，我们通过图像分割算法提取榛子图像ROI区域，如图2所示。
步骤S112，根据提取的ROI区域计算获取榛子的二值化滤波图像，为了使所述二值化滤波后的图像更能清晰的表示榛子表面的纹理线条特征，本发明采用基于纹理边缘的二值化滤波算法。如图3所示，将3×3像素矩阵块作为一个单元，每次对四个相邻的3×3像素矩阵块进行比较，所述四个相邻的3×3像素矩阵块分布为：左上角3×3像素矩阵块为目标矩阵块，与所述目标矩阵块右侧相邻的3×3像素矩阵块为第2个像素矩阵块，与所述目标矩阵块下侧相邻的3×3像素矩阵块为第3个像素矩阵块，与所述目标矩阵块右下方相邻的3×3像素矩阵块为第4个像素矩阵块。
将所述目标矩阵块中RGB值各分量之和与所述相邻的三个3×3像素矩阵块中RGB值各分量之和进行求差值，将所述差值取绝对值后相加，得到总差值。计算方法如下：
Figure BDA0001985587940000061
Figure BDA0001985587940000062
Figure BDA0001985587940000063
Dsum＝D11+D12+D13
Figure BDA0001985587940000064
上式中，D12代表目标像素矩阵块的RGB各分量之和与第2个像素矩阵块的RGB各分量之和的差；D13代表目标像素矩阵块的RGB各分量之和与第3个像素矩阵块的RGB各分量之和的差；D14代表目标像素矩阵块的RGB各分量之和与第4个像素矩阵块的RGB各分量之和的差；i代表所属矩阵块中像素点的序号；Dsum代表所述总差值；R1i、R2i、R3i、R4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的R分量值；G1i、G2i、G3i、G4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的G分量值；B1i、B2i、B3i、B4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的B分量值；R15、G15、B15分别代表目标像素矩阵块中第5个像素点(3×3矩阵块中心像素点)的R分量值、G分量值、B分量值；T代表设定阈值。
将Dsum与所述设定阈值T进行比较，若Dsum大于所述设定阈值T，则将所述目标像素矩阵块的中心像素点的RGB值设为0，否则设为255。
用所述四个相邻的3×3像素矩阵块遍历所述ROI区域，得到二值化滤波后的榛子图像，如图4所示，该图像也同时呈现了榛子表面条纹状纹理特征。
步骤S113，针对于榛子外壳条纹状线条的纹理特征，建立与所述二值化滤波图像(如图4)的纹理特征相匹配的矩形条纹模板，所述矩形条纹模板如图5所示。所述矩形条纹模板中间列为0，左列为+1，右列为-1，所述列的宽度均可根据条纹的大小调整，如图6所示。
步骤S114，将所述矩形条纹模板按照1°的间隔旋转360次，得到360个不同方向角度的矩形条纹模板，图7是部分方向的矩形条纹模板示意图。
步骤S115，将得到的所有矩形条纹模板依次卷积所述二值化滤波图像，将不同方向的所述矩形条纹模板的卷积绝对值分别求和，作为方向匹配参量。具体步骤为：
将步骤S114得到的360个不同方向角度的矩形条纹模板去卷积榛子ROI区域二值化滤波图像，具体计算为：
hθ＝|f[x,y]*gθ(x,y)|
Figure BDA0001985587940000071
其中，θ＝1，2，…，359，f[x,y]表示所述二值化滤波后图像中像素点的亮度值；I表示所述二值化滤波后的榛子图像；gθ[x,y]表示旋转角为θ度的所述矩形条纹模板；hθ[x,y]表示所述卷积运算的结果；Sθ表示所述方向匹配参量。
步骤S116，根据所述方向匹配参量的大小选出最匹配的矩形条纹模板，根据最匹配矩形条纹模板的方向标注榛子轴向。具体实施步骤为：
将360个S0，…，S359的值进行排序，找到最大值的方向匹配参量Sfitθ。计算公式为：
Figure BDA0001985587940000072
上式中，Sfitθ表示所述360个方向匹配参量S0，…，S359中的最大值，Sfitθ对应的矩形条纹模板就是最匹配的矩形条纹模板，所述最匹配的矩形条纹模板的方向fitθ就代表了榛子的轴向方向。
优选的是，本发明还可以根据图4所示的区域获取榛子的质心坐标，其具体可以将上述ROI区域所有像素点的横、纵坐标分别累加求和，再取均值得到质心坐标。榛子的轴向为穿过所述榛子质心且方向为fitθ的直线，如图8所示。
综上所述，本发明通过观察榛子表面纹理特征，提出基于矩形条纹模板卷积的轴向识别算法，利用机器视觉可以快速的定位和识别榛子的轴向和位置，为榛子大规模自动化加工提供有效的视觉解决方案，避免由于加工设备挤压榛子侧面而造成的榛子破碎现象，为加工企业减少浪费，同时提高生产效率，节省人力成本。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于机器视觉的榛子轴向识别方法，其特征在于，包括如下步骤：
根据获取的榛子图像提取ROI区域；
根据提取的ROI区域计算获取榛子的二值化滤波图像；
建立与所述二值化滤波图像的纹理特征相匹配的矩形条纹模板；
将矩形条纹模板按预设规则旋转，得到预定数量的不同方向的矩形条纹模板；
将得到的所有矩形条纹模板依次卷积所述二值化滤波图像，将不同方向的所述矩形条纹模板卷积绝对值分别求和作为方向匹配参量，并根据所述方向匹配参量的大小选出最匹配的矩形条纹模板，依据最匹配矩形条纹模板的方向标注榛子的轴向；
卷积绝对值计算公式为：
hθ＝|f[x,y]*gθ(x,y)|
Figure QLYQS_1
其中，θ＝1，2，…，359，f[x,y]表示所述二值化滤波后图像中像素点的亮度值；I表示所述二值化滤波后的榛子图像；gθ[x,y]表示旋转角为θ度的所述矩形条纹模板；hθ[x,y]表示所述卷积运算的结果；Sθ表示所述方向匹配参量；
选出最匹配的矩形条纹模板，依据最匹配矩形条纹模板的方向确定榛子轴向；具体实施步骤为：
将360个方向匹配参量S0，…，S359的值进行排序，找到最大值的方向匹配参量Sfitθ；计算公式为：
Figure QLYQS_2
上式中，Sfitθ表示所述360个方向匹配参量S0，…，S359中的最大值，Sfitθ对应的矩形条纹模板就是最匹配的矩形条纹模板，所述最匹配的矩形条纹模板的方向fitθ就代表了榛子的轴向方向；
所述榛子的轴向为穿过所述榛子质心且方向为fitθ的直线。
2.根据权利要求1所述的基于机器视觉的榛子轴向识别方法，其特征在于，还包括：
获取榛子的质心坐标。
3.根据权利要求2所述的基于机器视觉的榛子轴向识别方法，其特征在于，所述获取榛子ROI区域的质心坐标的步骤具体为：将所述ROI区域的横、纵坐标分别累加求和，再取均值得到所述质心。
4.根据权利要求1所述的基于机器视觉的榛子轴向识别方法，其特征在于，所述根据提取的ROI区域计算获取榛子的二值化滤波图像的步骤包括：
对四个相邻的3×3像素矩阵块进行比较，所述四个相邻的3×3像素矩阵块分布为：左上角3×3像素矩阵块为目标矩阵块，与所述目标矩阵块右侧相邻的3×3像素矩阵块为第2个像素矩阵块，与所述目标矩阵块下侧相邻的3×3像素矩阵块为第3个像素矩阵块，与所述目标矩阵块右下方相邻的3×3像素矩阵块为第4个像素矩阵块；
将目标矩阵块中RGB值各分量之和与相邻的三个3×3像素矩阵块中RGB值各分量之和进行求差值，将所述差值取绝对值后相加，得到总差值；计算方法如下：
Figure QLYQS_3
Figure QLYQS_4
Figure QLYQS_5
Dsum＝D11+D12+D13
Figure QLYQS_6
上式中，D12代表目标像素矩阵块的RGB各分量之和与第2个像素矩阵块的RGB各分量之和的差；D13代表目标像素矩阵块的RGB各分量之和与第3个像素矩阵块的RGB各分量之和的差；D14代表目标像素矩阵块的RGB各分量之和与第4个像素矩阵块的RGB各分量之和的差；i代表所属矩阵块中像素点的序号；Dsum代表所述总差值；R1i、R2i、R3i、R4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的R分量值；G1i、G2i、G3i、G4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的G分量值；B1i、B2i、B3i、B4i分别代表目标像素矩阵块、第2像素矩阵块、第3像素矩阵块、第4像素矩阵块的B分量值；R15、G15、B15分别代表目标像素矩阵块中第5个像素点(3×3矩阵块中心像素点)的R分量值、G分量值、B分量值；T代表设定阈值；
将Dsum与所述设定阈值T进行比较，若Dsum大于所述设定阈值T，则将所述目标像素矩阵块的中心像素点的RGB值设为0，否则设为255；
用所述四个相邻的3×3像素矩阵块遍历所述ROI区域，得到二值化滤波后的榛子图像。
5.根据权利要求1所述的基于机器视觉的榛子轴向识别方法，其特征在于，建立与所述二值化滤波图像的纹理特征相匹配的矩形条纹模板步骤包括：
模板中间列为0，左列为+1，右列为-1，列的宽度均可调；
将所述矩形条纹模板按照1°的间隔旋转360次，得到360个不同方向角度的矩形条纹模板。
CN201910163816.9A 2019-03-05 2019-03-05 一种基于机器视觉的榛子轴向识别方法 Active CN109977946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910163816.9A CN109977946B (zh) 2019-03-05 2019-03-05 一种基于机器视觉的榛子轴向识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910163816.9A CN109977946B (zh) 2019-03-05 2019-03-05 一种基于机器视觉的榛子轴向识别方法

Publications (2)

Publication Number Publication Date
CN109977946A CN109977946A (zh) 2019-07-05
CN109977946B true CN109977946B (zh) 2023-03-17

Family

ID=67077856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910163816.9A Active CN109977946B (zh) 2019-03-05 2019-03-05 一种基于机器视觉的榛子轴向识别方法

Country Status (1)

Country Link
CN (1) CN109977946B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112414317B (zh) * 2020-11-06 2022-05-31 马鞍山学院 基于机器视觉的坚果开口尺寸检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105029650A (zh) * 2015-08-07 2015-11-11 丹东先科液压设备有限公司 一种板栗、榛子两用脱皮机
CN205031119U (zh) * 2015-09-28 2016-02-17 刘佩凡 开榛子装置
CN106680086A (zh) * 2016-12-29 2017-05-17 上海大学 一种应用于塑料材料的高速拉伸实验的视频引伸计
CN108122000A (zh) * 2017-11-28 2018-06-05 合肥工业大学 一种基于特征学习的车标识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE527282C2 (sv) * 2004-06-11 2006-01-31 Erik Von Schoultz Nötknäppare
US10426297B2 (en) * 2016-02-29 2019-10-01 Scott Staten OLIVER Powered nut cracker

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105029650A (zh) * 2015-08-07 2015-11-11 丹东先科液压设备有限公司 一种板栗、榛子两用脱皮机
CN205031119U (zh) * 2015-09-28 2016-02-17 刘佩凡 开榛子装置
CN106680086A (zh) * 2016-12-29 2017-05-17 上海大学 一种应用于塑料材料的高速拉伸实验的视频引伸计
CN108122000A (zh) * 2017-11-28 2018-06-05 合肥工业大学 一种基于特征学习的车标识别方法

Also Published As

Publication number Publication date
CN109977946A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN108921176B (zh) 一种基于机器视觉的指针式仪表定位与识别方法
CN109816652B (zh) 一种基于灰度显著性的复杂铸件缺陷识别方法
CN107941808B (zh) 基于机器视觉的3d打印成型质量检测系统及方法
CN107945200B (zh) 图像二值化分割方法
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN104657728B (zh) 基于计算机视觉的条码识别系统
CN109345554A (zh) 一种基于rgb－d相机的粘连蘑菇视觉原位测量方法
CN112233116B (zh) 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法
CN107389693B (zh) 一种基于机器视觉的印刷品缺陷自动检测方法
CN106875412B (zh) 一种两个重叠果实的分割定位方法
CN106780526A (zh) 一种铁氧体圆片表面裂痕识别方法
CN110599552A (zh) 一种基于计算机视觉的pH试纸检测方法
CN107301634A (zh) 一种机器人自动分拣方法及系统
CN108921813A (zh) 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN106683098A (zh) 一种重叠叶片图像的分割方法
CN109977946B (zh) 一种基于机器视觉的榛子轴向识别方法
WO2020114134A1 (zh) 一种识别金刚砂颗粒的视觉处理方法
CN109712116B (zh) 输电线路及其附件的故障识别方法
CN115511775A (zh) 一种基于语义分割的轻量型瓷砖表面缺陷检测方法
CN112528740A (zh) 一种压板状态识别方法
CN114627463A (zh) 一种基于机器识别的非接触式配电数据识别方法
CN114354631A (zh) 一种基于视觉的阀门毛坯表面缺陷检测方法

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