CN110263630A - 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备 - Google Patents

一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备 Download PDF

Info

Publication number
CN110263630A
CN110263630A CN201910389760.9A CN201910389760A CN110263630A CN 110263630 A CN110263630 A CN 110263630A CN 201910389760 A CN201910389760 A CN 201910389760A CN 110263630 A CN110263630 A CN 110263630A
Authority
CN
China
Prior art keywords
flaw
aluminium
computer
convolutional neural
neural networks
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
Application number
CN201910389760.9A
Other languages
English (en)
Inventor
殷蔚明
邓铮
龚伟
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910389760.9A priority Critical patent/CN110263630A/zh
Publication of CN110263630A publication Critical patent/CN110263630A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，通过USB数据线将计算机与高清摄像头进行连接，工作人员通过操作计算机中安装的计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将图像数据传输回计算机瑕疵图像识别系统；计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对张量数据进行计算，最终将得分最高的类别进行输出，该得分最高的类别即为识别出的瑕疵图像。本发明的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。

Description

一种基于Inception模型的卷积神经网络的铝材瑕疵识别 设备
技术领域
本发明涉及自动化图像处理铝材瑕疵技术领域，尤其涉及一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备。
背景技术
在铝型材的实际生产过程中，由于各方面因素的影响，铝型材表面会产生裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡、起坑等十种常见瑕疵，这些瑕疵会严重影响铝型材的质量。为保证产品质量，需要人工进行肉眼目测。然而，铝型材的表面自身会含有纹路，与瑕疵的区分度不高。传统人工肉眼检查十分费力，不能及时准确的判断出表面瑕疵，质检的效率难以把控。自2012年来，深度学习在图像识别等领域取得了突飞猛进的成果。本发明核心算法即为Google公司开发的Inception卷积神经网络模型。通过卷积神经网络完成对铝材图像的自动瑕疵识别，极大提高了铝材生产环节中检测的工作效率，大大减小生产企业人力成本，加速生产过程自动化。基于此设备，铝材生产的质检环节有了保障，也减少人力在实际生产过程中的干预和误检。
发明内容
为了解决上述问题，本发明提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，包括：
计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；
USB数据线，连接高清摄像头与计算机，用来传输图像数据；
高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将所述图像数据传输回计算机瑕疵图像识别系统；
计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将所述图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对所述张量数据进行计算得到高维向量，该高维向量中的每一维对应的数值分别表示属于每一类别的概率，最终将概率最高的数值对应的类别进行输出；若无瑕疵类别的概率最高时，该设备不输出，若设备输出，则输出的类别即为识别出的瑕疵图像。
进一步地，计算机瑕疵图像识别系统，采用的是基于Inception模型的卷积神经网络算法，通过大量铝材瑕疵图片的训练增加Inception模型的泛化能力，提高Inception模型识别铝材瑕疵的正确率。
进一步地，所述类别包括：裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡，起坑和无瑕疵。
进一步地，计算机瑕疵图像识别系统调将张量数据传入训练好的Inception模型进行计算，最后通过卷积神经网络的softmax层计算每一类别的概率并选择概率最高的类别进行输出。
进一步地，所述高清摄像头为720p高清摄像头，拍摄图像分辨率为1024*768。
进一步地，所述计算机的GPU为Nvidia Geforce 10系列图像处理单元。
本发明提供的技术方案带来的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备的结构图；
图2是本发明实施例中一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备的工作流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备。
请参考图1和图2，图1是本发明的实施案例提供了一种基于Inception卷积神经网络的铝材瑕疵识别设备的结构图，包括计算机、计算机瑕疵图像识别系统、高清摄像头和USB数据线；图2是本发明实施例中一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备的工作流程图；
高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，图像数据通过USB数据传输线传输至计算机上安装并运行的计算机瑕疵图像识别系统；所述高清摄像头为720p高清摄像头，拍摄图像分辨率为1024*768，使用USB3.0规范接口完成数据的传输；
USB数据线，连接安装有铝材瑕疵识别系统的计算机与负责对铝材产品进行摄像的高清摄像头；用来传输图像数据；
计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；所述计算机是构建铝材瑕疵识别系统的主要工具，同时维持该系统运行。所述计算机接收并存储高清摄像头传输的图像数据，便于计算机瑕疵图像识别系统对图像数据进行转换与计算处理。所述计算机图像处理单元GPU为NvidiaGeforce 10系列图像处理单元，具有处理速度快的优点，相对于中央处理器，计算速度提升十倍以上；所述计算机中央处理器为Intel六代Core系列CPU；
计算机瑕疵图像识别系统，该系统安装在所述计算机上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，并接收高清摄像头传输的图像数据后，该系统通过调用深度学习框架Pytorch将图像数据转换为张量数据，并将张量数据传入训练好的Inception模型，采用基于Inception模型的卷积神经网络对所述张量数据进行计算，卷积神经网络的softmax层用来计算每一类别的概率并选择概率最高的类别进行输出；通过计算得到一个十二维的高维向量，该高维向量的维数12即为分类类别的总和，分类类别包括：有瑕疵和无瑕疵两大类，有瑕疵类别又具体包括裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡和起坑，该高维向量中的每一维对应的数值分别表示属于每一类别的概率；最终将概率最高的数值对应的类别进行输出，该类别即为识别出的瑕疵图像，如若无瑕疵类别的概率最高，则设置该设备不输出，因此该设备一旦有输出就对应于有瑕疵的类别。即当铝材图像中有裂纹瑕疵时，十二维向量中对应裂纹类别的那一维的数值大于其他维的数值，此时该设备输出对应裂纹类别的那一维的数值，也即该裂纹类别的概率，通过对应关系，识别出瑕疵图像；当图像无瑕疵时，十二维向量中对应于无瑕疵类别的那一维的数值最大，该设备接收该向量但不做输出反应。例如：十二维向量的十二维分别表示裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡、起坑和无瑕疵类别的概率；若该该十二维向量为[0.05，0.1，0.05，0.05，0，0.03，0.04，0.13，0.07，0.08，0.1，0.3]，第十二维的数值最高，则表示无瑕疵类别的概率为0.3，即识别该产品为无瑕疵类别，该设备不进行输出；若该十二维向量为[0.05，0.1，0.05，0.2，0，0.16，0.04，0.13，0.07，0，0.1，0.1]，第四维的数值最高，则表示擦花类别的概率为0.2，大于其他类别的概率，该设备输出的结果就为擦花，即表示识别出该图像为瑕疵图像，且瑕疵类别为擦花。条件允许的话，也可让工作人员对识别出的瑕疵产品进行再次检查确认。工作人员根据输出类别，对有瑕疵类别的铝材进行回收，以保证铝型材的生产质量。
最后通过卷积神经网络的最后一层的softmax层将计算结果转换为每一类的得分并选取得分最高的类别进行输出，从而输出图像的瑕疵类别。
所述计算机瑕疵图像识别系统基于Pytorch开源框架开发，使用CUDA利用GPU加速运算过程。计算机瑕疵图像识别系统的核心算法基于Google公司推出的Inception模型的卷积图像分类算法。通过载入ImageNet数据集对Inception模型进行图像分类预训练，修改模型分类层以适应图像分类；并且载入大量瑕疵铝材图片(比如3000张)和少量无瑕疵铝材图像的训练进行Inception模型调整，增加Inception模型的泛化能力，使Inception模型在实际应用中能够正确地识别铝材瑕疵；经过多轮运算后该系统损失函数大小达到全局最小值或者局部最小值时，保存模型参数，该计算机瑕疵图像识别系统构建和训练完成。基于Inception模型的卷积神经网络算法和pytorch框架构建的计算机瑕疵图像识别系统具有鲁棒性强，不易受环境影响，处理速度快、召回率高的优点。
由图2可知，收集实际铝材生产环节中产生的瑕疵铝材和无瑕疵铝材的图像数据构建铝材瑕疵图像数据库，将数据库中的图像输入到计算机瑕疵图像识别系统中进行训练，使得计算机瑕疵图像识别系统能够在实际工作中能够正确的识别铝材图像的瑕疵的类别。当计算机瑕疵图像识别系统的损失函数在多轮训练中达到一个全局的或者局部的最小值时，计算机瑕疵图像识别系统构建和训练完成。此时工作人员即可操作电脑调用高清摄像头对待检铝材进行拍照，接收到图像数据之后，计算机瑕疵图像识别系统会对图像进行张量转换，并进行计算，即可输出图像识别结果。
本发明的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：包括：
计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；
USB数据线，连接高清摄像头与计算机，用来传输图像数据；
高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将所述图像数据传输回计算机瑕疵图像识别系统；
计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将所述图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对所述张量数据进行计算得到高维向量，该高维向量中的每一维对应的数值分别表示属于每一类别的概率，最终将概率最高的数值对应的类别进行输出；若无瑕疵类别的概率最高时，该设备不输出，若设备输出，则输出的类别即为识别出的瑕疵图像。
2.如权利要求1所述的一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：计算机瑕疵图像识别系统，采用的是基于Inception模型的卷积神经网络算法，通过大量铝材瑕疵图片的训练增加Inception模型的泛化能力，提高Inception模型识别铝材瑕疵的正确率。
3.如权利要求1所述的一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：所述类别包括：裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡，起坑和无瑕疵。
4.如权利要求1所述的一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：计算机瑕疵图像识别系统调将张量数据传入训练好的Inception模型进行计算，最后通过卷积神经网络的softmax层计算每一类别的概率并选择概率最高的类别进行输出。
5.如权利要求1所述的一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：所述高清摄像头为720p高清摄像头，拍摄图像分辨率为1024*768。
6.如权利要求1所述的一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：所述计算机的GPU为Nvidia Geforce 10系列图像处理单元。
CN201910389760.9A 2019-05-10 2019-05-10 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备 Pending CN110263630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910389760.9A CN110263630A (zh) 2019-05-10 2019-05-10 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910389760.9A CN110263630A (zh) 2019-05-10 2019-05-10 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备

Publications (1)

Publication Number Publication Date
CN110263630A true CN110263630A (zh) 2019-09-20

Family

ID=67914577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910389760.9A Pending CN110263630A (zh) 2019-05-10 2019-05-10 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备

Country Status (1)

Country Link
CN (1) CN110263630A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860181A (zh) * 2020-06-23 2020-10-30 国网山东省电力公司淄博供电公司 分布式安全帽识别系统
CN113569737A (zh) * 2021-07-28 2021-10-29 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2483295C2 (ru) * 2011-02-02 2013-05-27 Николай Александрович Кравцов Способ диагностирования качества поверхностной структуры металлопроката
CN108108768A (zh) * 2017-12-29 2018-06-01 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN108593660A (zh) * 2018-04-19 2018-09-28 浙江师范大学 一种冲压铝板缺陷自动检测装置及方法
CN108681708A (zh) * 2018-05-16 2018-10-19 福州精益精科技有限责任公司 一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2483295C2 (ru) * 2011-02-02 2013-05-27 Николай Александрович Кравцов Способ диагностирования качества поверхностной структуры металлопроката
CN108154504A (zh) * 2017-12-25 2018-06-12 浙江工业大学 一种基于卷积神经网络的钢板表面缺陷的检测方法
CN108108768A (zh) * 2017-12-29 2018-06-01 清华大学 基于卷积神经网络的光伏玻璃缺陷分类方法及装置
CN108593660A (zh) * 2018-04-19 2018-09-28 浙江师范大学 一种冲压铝板缺陷自动检测装置及方法
CN108681708A (zh) * 2018-05-16 2018-10-19 福州精益精科技有限责任公司 一种基于Inception神经网络模型的掌静脉图像识别方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XIAOHANG XU等: "SDD-CNN: Small Data-Driven Convolution Neural Networks for Subtle Roller Defect Inspection", 《APPLIED SCIENCES》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860181A (zh) * 2020-06-23 2020-10-30 国网山东省电力公司淄博供电公司 分布式安全帽识别系统
CN113569737A (zh) * 2021-07-28 2021-10-29 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质

Similar Documents

Publication Publication Date Title
CN111815601B (zh) 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN109840900B (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
CN111178197A (zh) 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法
CN115862073B (zh) 一种基于机器视觉的变电站危害鸟种目标检测和识别方法
CN113083804A (zh) 激光智能除锈方法、系统及可存读介质
CN109242830A (zh) 一种基于深度学习的机器视觉技术检测方法
CN110263630A (zh) 一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备
CN111382785A (zh) 一种gan网络模型及实现样本自动清洗、辅助标记的方法
CN110827277A (zh) 一种基于yolo3网络的布匹瑕疵检测方法
CN110633738A (zh) 一种用于工业零件图像的快速分类方法
CN114359199A (zh) 一种基于深度学习的鱼类计数方法、装置、设备和介质
CN108491867A (zh) 基于人工智能的影像匹配及识别方法
CN115690234B (zh) 一种新型光纤颜色线序检测方法及系统
CN107153067A (zh) 一种基于matlab的零件表面缺陷检测方法
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN107958270A (zh) 类别识别方法、装置、电子设备及计算机可读存储介质
CN116935327A (zh) 基于ai视觉的水产养殖监控方法、装置、设备及存储介质
CN110309843A (zh) 一种电力设备图像中多类部件的自动识别方法
CN116912674A (zh) 基于改进的YOLOv5s网络模型复杂水环境下目标检测方法及系统
CN114881998A (zh) 一种基于深度学习的工件表面缺陷检测方法及系统
CN111507249A (zh) 基于目标检测的变电站鸟窝识别方法
CN110935646A (zh) 基于图像识别的全自动螃蟹分级系统
CN206897873U (zh) 一种基于检测产品特性的图像处理与检测系统
CN111415326A (zh) 一种用于铁路接触网螺栓异常状态的检测方法及系统
Jin et al. A framework for identification of healthy potted seedlings in automatic transplanting system using computer vision

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920