CN110070011A - 一种应用于智能制造流水线的监测方法及装置 - Google Patents
一种应用于智能制造流水线的监测方法及装置 Download PDFInfo
- Publication number
- CN110070011A CN110070011A CN201910287447.4A CN201910287447A CN110070011A CN 110070011 A CN110070011 A CN 110070011A CN 201910287447 A CN201910287447 A CN 201910287447A CN 110070011 A CN110070011 A CN 110070011A
- Authority
- CN
- China
- Prior art keywords
- product
- assembly line
- data
- intelligence manufacture
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 239000000523 sample Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 6
- 239000011521 glass Substances 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000010327 methods by industry Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种应用于智能制造流水线的监测方法及装置,其中该方法包括:获取流水线上待监测的产品图像;对所述产品图像根据预设算法进行预处理;提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;将分类后的数据与预设阈值比较,确定所述产品是否合格。该方法可替代人工监测,提高对不合格产品的识别率,降低人工的劳动强度,也进一步降低了经济成本。
Description
技术领域
本发明涉及智能制造技术领域,涉及一种应用于智能制造流水线的监测方法及装置。
背景技术
智能制造(Intelligent Manufacturing,IM)是一种由智能机器和人类专家共同组成的人机一体化智能系统,它在制造过程中能进行智能活动,诸如分析、推理、判断、构思和决策等。通过人与智能机器的合作共事,去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。它把制造自动化的概念更新,扩展到柔性化、智能化和高度集成化。
毫无疑问,智能化是制造自动化的发展方向。在制造过程的各个环节几乎都广泛应用人工智能技术。专家系统技术可以用于工程设计,工艺过程设计,生产调度,故障诊断等。也可以将神经网络和模糊控制技术等先进的计算机智能方法应用于产品配方,生产调度等,实现制造过程智能化。而人工智能技术尤其适合于解决特别复杂和不确定的问题。
比如在智能制造的流水线上,对产品的良品率,以往是靠人工分拣,或是等产品下线后,再进行检测和识别,效率比较低下,容易造成漏检,难以推进智能化。
而且,关于产品信息的录入,也都是人工录入,不能批量录入。
因此,如何能快速检测合格产品,又能将产品的相关信息快速录入数据库是同行从业人员亟待解决的问题。
发明内容
鉴于上述问题,本发明提出了一种应用于智能制造流水线的监测方法,可替代人工监测,提高对不合格产品的识别率,降低人工的劳动强度,也进一步降低了经济成本。
第一方面,本发明提供一种克服上述问题或者至少部分地解决上述问题的一种应用于智能制造流水线的监测方法,包括:
获取流水线上待监测的产品图像;
对所述产品图像根据预设算法进行预处理;
提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;
将分类后的数据与预设阈值比较,确定所述产品是否合格。
在一个实施例中,所述方法还包括:
在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储;所述相关参数包括:产品ID和产品外观数据。
在一个实施例中,对所述产品图像根据预设算法进行预处理,包括:
根据时域或频域滤波去除所述产品图像中的噪声,并采用几何变换校正所述产品图像的几何失真。
在一个实施例中,提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;包括:
对预处理后的所述产品图像进行分割,分成背景区域和工件区域,根据多维模糊聚类网络将经预处理后的数据进行分类。
在一个实施例中,将分类后的数据与预设阈值比较,确定所述产品是否合格,包括:
将分类后的数据与合格产品的相应数据比较,当差值在预设差值范围内,确定所述产品合格。
在一个实施例中,在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储,包括:
在分类后的数据中,基于阈值算法,提取产品ID和产品外观数据存储到数据库。
第二方面,本发明还提供一种应用于智能制造流水线的监测装置,包括:设置与流水线上的监测探头和与所述监测探头连接的工控机;
所述监测探头拍摄范围覆盖位于流水线上加工区的产品;
所述工控机包括:
获取模块,用于获取流水线上待监测的产品图像;
预处理模块,用于对所述产品图像根据预设算法进行预处理;
提取分类模块,用于提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;
确定模块,用于将分类后的数据与预设阈值比较,确定所述产品是否合格。
在一个实施例中,所述工控机还包括:存储模块,用于在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储;所述相关参数包括:产品ID和产品外观数据。
在一个实施例中,所述工控机还包括:预处理模块,具体用于根据时域或频域滤波去除所述产品图像中的噪声,并采用几何变换校正所述产品图像的几何失真。
在一个实施例中,所述提取分类模块,具体用于对预处理后的所述产品图像进行分割,分成背景区域和工件区域,根据多维模糊聚类网络将经预处理后的数据进行分类。
在一个实施例中,所述确定模块,具体用于将分类后的数据与合格产品的相应数据比较,当差值在预设差值范围内,确定所述产品合格。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种应用于智能制造流水线的监测方法,包括:获取流水线上待监测的产品图像;对所述产品图像根据预设算法进行预处理;提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;将分类后的数据与预设阈值比较,确定所述产品是否合格。该方法可替代人工监测,提高对不合格产品的识别率,降低人工的劳动强度,也进一步降低了经济成本。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的应用于智能制造流水线的监测方法流程图;
图2为本发明实施例提供的应用于智能制造流水线的监测装置的结构图;
图3为本发明实施例提供的工控机的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供的一种应用于智能制造流水线的监测方法,参照图1所示,包括:
S11、获取流水线上待监测的产品图像;
S12、对所述产品图像根据预设算法进行预处理;
S13、提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;
S14、将分类后的数据与预设阈值比较,确定所述产品是否合格。
其中,步骤S1中,获取流水线上的产品图像,实现图像采集,就是从工作现场获取场景图像的过程,采集工具比如为CCD或CMOS照相机或摄像机。照相机采集的是单幅的图像,摄像机可以采集连续的现场图像。就一幅图像而言,它实际上是三维场景在二维图像平面上的投影,图像中某一点的彩色(亮度和色度)是场景中对应点彩色的反映。因此,可以用采集图像来替代真实场景的根本依据所在。
当采用的相机是模拟信号输出,需要将模拟图像信号数字化后送给计算机(包括嵌入式系统)处理。当然也可以采用输出数字图像信号的相机,可以免除模数转换这一步骤。而且,相机的数字输出接口也是标准化的,如USB、VGA、1394、HDMI、WiFi、Blue Tooth接口等,可以直接送入计算机进行处理,以免除在图像输出和计算机之间加接一块图像采集卡的麻烦。以便于后续的图像处理。
步骤S12中,对于采集到的数字化的现场产品图像,由于受到设备和环境因素的影响,往往会受到不同程度的干扰,如噪声、几何形变、彩色失调等,都会妨碍接下来的处理环节。为此,必须对采集图像进行预处理。比如包括噪声消除、几何校正、直方图均衡等处理。
步骤S13中,提取出感兴趣目标。在图像中常见的特征有灰度、彩色、纹理、边缘、角点等。
步骤S14中,将分类后的数据与合格产品的相应数据比较,当差值在预设差值范围内,确定该产品合格。
本实施例中,该方法可替代人工监测,提高对不合格产品的识别率,降低人工的劳动强度,也进一步降低了经济成本。
进一步地,参照图1所示,该方法还包括:
S15、在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储;所述相关参数包括:产品ID和产品外观数据。
下面分别对上述各个步骤进行详细说明。
该监测方法,可应用于智能制造的多领域行业,比如汽车装配流水线、手机装配流水线、液晶显示屏流水线等。
针对步骤S12使用时域或频域滤波的方法来去除图像中的噪声;采用几何变换的办法来校正图像的几何失真;采用直方图均衡、同态滤波等方法来减轻图像的彩色偏离。
其中,预处理主要分为图像灰度化和滤波。监控视频的图像为三通道RGB彩色图像,首先要对其进行灰度化,将其从彩色图转换成灰度图。对于任一像素点I,其转换公式为:
Igray=IR×0.299+IG×0.587+IB×0.114
得到灰度图后,要对其进行滤波处理以去除图像中的噪点和无关线条的干扰。比如可采用均匀滤波,在图像上给目标像素一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点I(x,y),作为处理后图像在该点上的灰度g(x,y),即
M为该模板中包含当前像素在内的像素总个数,S表示模板区域,I(m,n)表示点(m,n)处的灰度值。
本实施例中,选择在流水线上方架设高清摄像机,摄像机拍摄画面正对运动的产品,实时采集产品的视频信息,处理过程可视化。
步骤S13中,多维模糊聚类网络的目标函数为:
U为隶属度矩阵,为隶属度,c为聚类类别,X为待分类样本集,为第个样本,n为待分类样本集中样本元素的个数,m为隶属度矩阵的指数。
步骤:
初始化:给定聚类类别数c,n是数据个数,设定迭代阈值ε,初始化聚类中心矩阵C(0),设置迭代次数
步骤一:计算或更新隶属度矩阵计算公式为:
步骤二:更新聚类中心矩阵计算公式:
步骤三:如果则算法停止并输出隶属度矩阵U和聚类中心C,否则令转向步骤一。
例如,对汽车装配流水线图像进行分割,分成背景区域和工件区域,提供给后续处理单元对工件安装部分的处理。
上述提取感兴趣目标区域,采用轮廓跟踪算法对所述源图像进行分割,具体地,比如以生产手机玻璃屏幕的流水线为例,可采用简单二值图象闭合边界的轮廓跟踪算法,即:首先按从上到下、从左到右的顺序搜索,找到的第一个黑点一定是最左上方的边界点,记为A;A的右、右下、下、左下四个邻点中至少有一个是边界点,记为B;从B开始找起,按右、右下、下、左下、左、左上、上、右上的顺序找相邻点中的边界点C;如果C就是A点,则表明已经转了一圈,程序结束,此即为单个手机玻璃屏幕的图像;否则从C点继续找,直到找到A为止;分割出一个手机玻璃屏幕的图像后,再按同样方法进行下一个手机玻璃屏幕的分割。
根据步骤S14,分别对合格的手机玻璃屏幕的图像和预处理分类后图像进行特征提取,并进行相互比较,判断其是否合格。比如,针对目标区域,定义瑕疵点的像素点数目除以整个区域的像素点数目为Rx,当Rx值在不同范围时来判断手机玻璃屏幕是否合格。
进一步地,为了方便获取合格产品的ID和相关参数,该方法在分类后的数据中,获取上述产品的ID和相关参数,具体步骤如下:
(1)经上述步骤S12将接收到的图像信息进行灰度处理,将所有彩色图像信息均转换成灰度图像信息;进行平滑处理,去除噪声;
(2)根据被拍产品(或产品零部件)与生产线上的拍摄背景的灰度差异设置灰度阀值;灰度阀值的选取依赖于具体的产品外形特征。
(3)用平滑处理后图像中的每一个像素点的灰度值与设定的灰度阀值进行比较,若像素点的灰度值小于设定的灰度阈值内,则保留该像素点的灰度值,反之,删除该像素点的灰度值;
(4)经保留下的所有像素点灰度值获取被拍摄的产品或产品零部件外观的关键数据。比如可依据图像中固定参照物的像素点值,来计算产品或产品零部件的外观尺寸,比如包括:长、宽、高、半径等参数。
再比如产品ID一般为数字,可根据基于模板匹配的OCR进行字符识别:首先获取待识别字符(产品ID)二值化图像,并将其尺寸大小缩放为字符数据库中模板的大小,然后与全部的模板进行匹配,最后选最佳匹配作为结果。用人工神经网络进行字符识别主要有两种方法:一种方法是先对待识别字符进行特征提取,然后用所获得的特征来训练神经网络分类器。识别效果与字符特征的提取有关,而字符特征提取往往比较耗时。也可以直接把待处理图像输入网络,由网络自己主动实现特征提取直至识别。
模板匹配的主要特点是实现简单,当字符较规整时对字符图像的缺损、污迹干扰适应力强且识别率相当高。至此,可完成产品ID和外观数据的采集,并将采集的数据批量录入到数据库中进行存储,也可减少人工的工作量,比如将采集的数据与标准设计参数可进行比对,判断是否在允许误差范围内。
基于同一发明构思,本发明实施例还提供了一种应用于智能制造流水线的监测装置,由于该装置所解决问题的原理与应用于智能制造流水线的监测方法相似,因此该装置的实施可以参见前述方法的实施,重复之处不再赘述。
第二方面,本发明还提供一种应用于智能制造流水线的监测装置,参照图2所示,包括:设置与流水线上的监测探头21和与监测探头连接的工控机22;
其中,监测探头21拍摄范围覆盖位于流水线上加工区的产品24;
工控机参照图3所示,包括:
获取模块31,用于获取流水线上待监测的产品图像;
预处理模块32,用于对所述产品图像根据预设算法进行预处理;
提取分类模块33,用于提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;
确定模块34,用于将分类后的数据与预设阈值比较,确定所述产品是否合格。
如图2所示,还可以包括照明装置23,其中照明装置为监测探头提供光源,以确保突出被拍摄的产品或产品零部件的细节特征。
比如,本实施例中,照明装置包括一个背光光源架设于生产线上,且朝向生产线上的产品。
该工控机获取并处理监测探头所拍摄的产品或产品零部件的源图像,以判断产品或产品零部件是否合格。
所述工控机还包括:存储模块35,用于在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储;所述相关参数包括:产品ID和产品外观数据。
进一步地,所述工控机还包括:预处理模块,具体用于根据时域或频域滤波去除所述产品图像中的噪声,并采用几何变换校正所述产品图像的几何失真。
进一步地,所述提取分类模块,具体用于对预处理后的所述产品图像进行分割,分成背景区域和工件区域,根据多维模糊聚类网络将经预处理后的数据进行分类。
进一步地,所述确定模块,具体用于将分类后的数据与合格产品的相应数据比较,当差值在预设差值范围内,确定所述产品合格。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种应用于智能制造流水线的监测方法,其特征在于,包括:
获取流水线上待监测的产品图像;
对所述产品图像根据预设算法进行预处理;
提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;
将分类后的数据与预设阈值比较,确定所述产品是否合格。
2.如权利要求1所述的一种应用于智能制造流水线的监测方法,其特征在于,所述方法还包括:
在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储;所述相关参数包括:产品ID和产品外观数据。
3.如权利要求1所述的一种应用于智能制造流水线的监测方法,其特征在于,对所述产品图像根据预设算法进行预处理,包括:
根据时域或频域滤波去除所述产品图像中的噪声,并采用几何变换校正所述产品图像的几何失真。
4.如权利要求1所述的一种应用于智能制造流水线的监测方法,其特征在于,提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;包括:
对预处理后的所述产品图像进行分割,分成背景区域和工件区域,根据多维模糊聚类网络将经预处理后的数据进行分类。
5.如权利要求1所述的一种应用于智能制造流水线的监测方法,其特征在于,将分类后的数据与预设阈值比较,确定所述产品是否合格,包括:
将分类后的数据与合格产品的相应数据比较,当差值在预设差值范围内,确定所述产品合格。
6.如权利要求1所述的一种应用于智能制造流水线的监测方法,其特征在于,在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储,包括:
在分类后的数据中,基于阈值算法,提取产品ID和产品外观数据存储到数据库。
7.一种应用于智能制造流水线的监测装置,其特征在于,包括:设置与流水线上的监测探头和与所述监测探头连接的工控机;
所述监测探头拍摄范围覆盖位于流水线上加工区的产品;
所述工控机包括:
获取模块,用于获取流水线上待监测的产品图像;
预处理模块,用于对所述产品图像根据预设算法进行预处理;
提取分类模块,用于提取感兴趣目标区域,根据多维模糊聚类网络将经预处理后的数据进行分类;
确定模块,用于将分类后的数据与预设阈值比较,确定所述产品是否合格。
8.如权利要求7所述的一种应用于智能制造流水线的监测装置,其特征在于,所述工控机还包括:存储模块,用于在分类后的数据中,获取相关参数,将所述相关参数写入数据库存储;所述相关参数包括:产品ID和产品外观数据。
9.如权利要求7所述的一种应用于智能制造流水线的监测装置,其特征在于,所述工控机还包括:预处理模块,具体用于根据时域或频域滤波去除所述产品图像中的噪声,并采用几何变换校正所述产品图像的几何失真。
10.如权利要求7所述的一种应用于智能制造流水线的监测装置,其特征在于,所述提取分类模块,具体用于对预处理后的所述产品图像进行分割,分成背景区域和工件区域,根据多维模糊聚类网络将经预处理后的数据进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910287447.4A CN110070011A (zh) | 2019-04-10 | 2019-04-10 | 一种应用于智能制造流水线的监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910287447.4A CN110070011A (zh) | 2019-04-10 | 2019-04-10 | 一种应用于智能制造流水线的监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070011A true CN110070011A (zh) | 2019-07-30 |
Family
ID=67367355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910287447.4A Pending CN110070011A (zh) | 2019-04-10 | 2019-04-10 | 一种应用于智能制造流水线的监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070011A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445425A (zh) * | 2020-05-07 | 2020-07-24 | 郑州轻工业大学 | 一种用于ai芯片的智能图像处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN104881770A (zh) * | 2015-06-03 | 2015-09-02 | 秦志勇 | 一种快递单信息识别系统和方法 |
CN105160339A (zh) * | 2015-08-06 | 2015-12-16 | 四川大学 | 一种二维码打印质量在线评估方法 |
CN105868766A (zh) * | 2016-03-28 | 2016-08-17 | 浙江工业大学 | 喷涂流水线工件自动检测与识别方法 |
CN107808384A (zh) * | 2017-11-21 | 2018-03-16 | 江南大学 | 基于网格化局部分水岭的模糊聚类方法 |
-
2019
- 2019-04-10 CN CN201910287447.4A patent/CN110070011A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN104360501A (zh) * | 2014-10-15 | 2015-02-18 | 西安交通大学 | 一种液晶屏幕缺陷视觉检测方法及装置 |
CN104881770A (zh) * | 2015-06-03 | 2015-09-02 | 秦志勇 | 一种快递单信息识别系统和方法 |
CN105160339A (zh) * | 2015-08-06 | 2015-12-16 | 四川大学 | 一种二维码打印质量在线评估方法 |
CN105868766A (zh) * | 2016-03-28 | 2016-08-17 | 浙江工业大学 | 喷涂流水线工件自动检测与识别方法 |
CN107808384A (zh) * | 2017-11-21 | 2018-03-16 | 江南大学 | 基于网格化局部分水岭的模糊聚类方法 |
Non-Patent Citations (1)
Title |
---|
李华 等: "齿轮典型故障特征分析及其振动信号处理方法", 《湖南农机》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445425A (zh) * | 2020-05-07 | 2020-07-24 | 郑州轻工业大学 | 一种用于ai芯片的智能图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN110309806B (zh) | 一种基于视频图像处理的手势识别系统及其方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN113793337B (zh) | 基于人工智能的机车配件表面异常程度评估方法 | |
Najeeb et al. | Dates maturity status and classification using image processing | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN109409289A (zh) | 一种电力作业安全监督机器人安全作业识别方法及系统 | |
CN114463296B (zh) | 基于单样本学习的轻量化部件缺陷检测方法 | |
CN107958253A (zh) | 一种图像识别的方法和装置 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN104751141A (zh) | 基于特征图像全像素灰度值的elm手势识别算法 | |
CN113129265B (zh) | 瓷砖表面缺陷检测方法、装置及存储介质 | |
CN110070011A (zh) | 一种应用于智能制造流水线的监测方法及装置 | |
Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
CN111161228B (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
Ding et al. | Classification of chromosome karyotype based on faster-rcnn with the segmatation and enhancement preprocessing model | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
CN109785267A (zh) | 一种改进的快速中值滤波算法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190730 |
|
RJ01 | Rejection of invention patent application after publication |