CN110263812A - 汽车线束护套分类方法及系统 - Google Patents
汽车线束护套分类方法及系统 Download PDFInfo
- Publication number
- CN110263812A CN110263812A CN201910434057.5A CN201910434057A CN110263812A CN 110263812 A CN110263812 A CN 110263812A CN 201910434057 A CN201910434057 A CN 201910434057A CN 110263812 A CN110263812 A CN 110263812A
- Authority
- CN
- China
- Prior art keywords
- sheath
- image
- max
- roi
- row
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000009825 accumulation Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种汽车线束护套分类方法,包括:输入护套图像I(x,y),根据设定的阈值判定护套颜色;根据判定的护套颜色选定图像通道;根据上述选定的图像通道,计算得到护套图像的上下左右边界坐标;根据护套图像的边界坐标,设定护套图像的感兴趣区域,得到ROI图像IROI;获取护套图像模板库中的护套模板,将得到的ROI图像IROI与所述护套模板进行匹配得到最大相关系数,根据所述最大相关系数完成汽车线束护套分类。本发明还涉及一种汽车线束护套分类系统。本发明能够明显增强黑色护套插孔与边缘的对比度,有效地去除背景干扰,提高运算效率,准确有效地进行分类。
Description
技术领域
本发明涉及一种汽车线束护套分类方法及系统。
背景技术
目前汽车线束生产企业生产作业以手工为主,自动化水平较低,为劳动密集型企业。随着国家人工智能和智能制造产业的着重推进,现在很多企业也致力于推进汽车线束智能自动化生产线,以提升企业生产效率和行业竞争力。
汽车线束智能自动化生产线的线束智能插值工序需要机械臂和视觉系统相互协调,视觉系统对护套进行准确的识别分类,机械臂才能完成相对应的线束进料,之后才能进行视觉检测定位插孔,最终实现快速精准地装插线束端子。
汽车线束行业具有品种多、原材料多、批量小、工位复杂、工序多的特性,想要实现线束的自动生产工艺流程,涉及到大量的算法开发工作。常见的图像分类方法大致分为两类,一类是通过对分类器进行训练,需要大量含有目标的样本图片,训练后得到一些参数才能够比较精确地对图片进行识别。另一类方法主要通过对比图像的某些特征,或是计算图像与模板之间的相似性度量等评判标准,来对图片进行分类,该方法不需要训练,与机器学习里面的聚类差不太多。
然而,对于汽车线束行业的护套分类来说,实际情况是,护套种类繁多,而且颜色尺寸大小不一,很难直接利用单一的特征对所有护套进行识别分类。
发明内容
有鉴于此,有必要提供一种汽车线束护套分类方法及系统。
本发明提供一种汽车线束护套分类方法,该方法包括如下步骤:a.输入护套图像I(x,y),根据设定的阈值判定护套颜色;b.根据判定的护套颜色选定图像通道;c.根据上述选定的图像通道,计算得到护套图像的上下左右边界坐标;d.根据护套图像的边界坐标,设定护套图像的感兴趣区域,得到ROI图像IROI;e.获取护套图像模板库中的护套模板,将得到的ROI图像IROI与所述护套模板进行匹配得到最大相关系数,根据所述最大相关系数完成汽车线束护套分类。
其中,所述的步骤b具体包括:
对于黑色护套选择红光LED下的R通道IR(x,y),对于红色护套选择R通道IR(x,y),对于蓝色护套选择B通道IB(x,y)。
所述的步骤c具体包括:
针对选定的通道图像IR(x,y),计算行幅值累加曲线:
和列幅值累加曲线:
及行、列幅值累加曲线最大值:
max_row=max(row(x))
max_col=max(col(y))
根据护套图像特点,设定曲线有效的首尾两端为:
xleft=min{x|row(x)<k*max_row},xright=max{x|row(x)<k*max_row}
ytop=min{y|col(y)<k*max_col},ybottom=max{y|col(y)<k*max_col}。
所述的步骤d具体包括如下步骤:
使用如下公式计算:
IROI=I(x,y)|xL-Δ<x<xR+Δ,yT-Δ<y<yD+Δ
其中,Δ为正整数,表示扩充边界长度。
所述的步骤e具体包括:
计算得到ROI图像IROI与每个护套模板{t1,t2,…,tN}的最大相关系数,公式为:
其中,Cov表示协方差,再求得最大相关系数的峰值位置:
index对应的索引号即为最佳匹配的护套类型。
本发明提供一种汽车线束护套分类系统,该系统包括该系统包括颜色判定模块、通道选定模块、坐标计算模块、ROI图像模块以及护套分类模块,其中:所述颜色判定模块用于输入护套图像I(x,y),根据设定的阈值判定护套颜色;所述通道选定模块用于根据判定的护套颜色选定图像通道;所述坐标计算模块根据上述选定的图像通道,计算得到护套图像的上下左右边界坐标;所述ROI图像模块用于根据护套图像的边界坐标,设定护套图像的感兴趣区域,得到ROI图像IROI;所述护套分类模块用于获取护套图像模板库中的护套模板,将得到的ROI图像IROI与所述护套模板进行匹配得到最大相关系数,根据所述最大相关系数完成汽车线束护套分类。
其中,所述的通道选定模块具体用于:
对于黑色护套选择红光LED下的R通道IR(x,y),对于红色护套选择R通道IR(x,y),对于蓝色护套选择B通道IB(x,y)。
所述的坐标计算模块具体用于:
针对选定的通道图像IR(x,y),计算行幅值累加曲线:
和列幅值累加曲线:
及行、列幅值累加曲线最大值:
max_row=max(row(x))
max_col=max(col(y))
根据护套图像特点,设定曲线有效的首尾两端为:
xleft=min{x|row(x)<k*max_row},xright=max{x|row(x)<k*max_row}
ytop=min{y|col(y)<k*max_col},ybottom=max{y|col(y)<k*max_col}。
所述的ROI图像模块具体用于:
使用如下公式计算:
IROI=I(x,y)|xL-Δ<x<xR+Δ,yT-Δ<y<yD+Δ
其中,Δ为正整数,表示扩充边界长度。
所述的护套分类模块具体用于:
计算得到ROI图像IROI与每个护套模板{t1,t2,…,tN}的最大相关系数,公式为:
其中,Cov表示协方差,再求得最大相关系数的峰值位置:
index对应的索引号即为最佳匹配的护套类型。
本发明有益效果如下:首先,汽车线束护套以黑色为主,本发明采用红光LED作为光源,可以有效地增强黑色护套插孔与边缘的对比度;其次,本发明根据护套图像特点,利用行、列幅值累加曲线,可以快速有效地获得ROI边界;最后,本发明选择计算ROI区域与模板的相关系数,可以去除背景干扰,提高运算效率,准确有效地进行汽车线束护套分类。
附图说明
图1为本发明汽车线束护套分类方法的流程图;
图2为本发明实施例提供的行、列幅值累加曲线示意图;
图3为本发明实施例提供的ROI图像示意图;
图4为本发明实施例提供的最佳匹配护套模板示意图;
图5为本发明汽车线束护套分类系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示,是本发明汽车线束护套分类方法较佳实施例的作业流程图。
步骤S1,输入护套图像I(x,y),根据设定的阈值判定护套颜色。具体而言:
获取并输入护套图像I(x,y),提取所述护套图像I(x,y)的R、G、B三通道,根据设定的阈值判定护套颜色。
本实施例根据R、G、B三通道灰度值分布判定护套颜色,例如,黑色护套的R、G、B三通道灰度值都比较低,而红色护套的R通道灰度值较高,G和B通道灰度值较低。
步骤S2,根据判定的护套颜色选定图像通道。具体而言:
本实施例中,对于黑色护套选择红光LED下的R通道IR(x,y),对于红色护套选择R通道IR(x,y),对于蓝色护套选择B通道IB(x,y)。
步骤S3,根据上述选定的图像通道,计算得到护套图像的上下左右边界坐标。具体而言:
针对选定的通道图像IR(x,y),计算行幅值累加曲线:
和列幅值累加曲线:
及行、列幅值累加曲线最大值:
max_row=max(row(x)) (2)
max_col=max(col(y)) (3)
根据护套图像特点,设定曲线有效的首尾两端为:
xleft=min{x|row(x)<k*max_row},xright=max{x|row(x)<k*max_row} (4)
ytop=min{y|col(y)<k*max_col},ybottom=max{y|col(y)<k*max_col} (5)
其中,x、y分别表示所述护套图像的行、列坐标值,k为系数,可选为0.8、0.9等,如图2所示,其中的圆圈表示计算求得的护套图像的上下左右边界位置ytop,ybottom,xleft和xright。
步骤S4,根据护套图像的边界坐标,设定护套图像的感兴趣区域(region ofinterest,ROI),得到ROI图像IROI(如图3所示)。具体而言:
计算公式如下:
IROI=I(x,y)|xL-Δ<x<xR+Δ,yT-Δ<y<yD+Δ (6)
其中,Δ为正整数,表示扩充边界长度,可选为30,保证ROI图像包含整个插孔区域。
步骤S5:获取护套图像模板库中的护套模板,将得到的ROI图像IROI与所述护套模板进行匹配得到最大相关系数,根据所述最大相关系数完成汽车线束护套分类。具体包括:
计算得到ROI图像IROI与每个护套模板{t1,t2,…,tN}的最大相关系数,公式为:
其中,Cov表示协方差,再求得最大相关系数的峰值位置:
index对应的索引号即为最佳匹配的护套类型,如图4所示。
参阅图5所示,是本发明汽车线束护套分类系统10的硬件架构图。该系统包括:颜色判定模块101、通道选定模块102、坐标计算模块103、ROI图像模块104以及护套分类模块105。
所述颜色判定模块101用于输入护套图像I(x,y),根据设定的阈值判定护套颜色。具体而言:
所述颜色判定模块101获取并输入护套图像I(x,y),提取所述护套图像I(x,y)的R、G、B三通道,根据设定的阈值判定护套颜色。
在本实施例中,所述颜色判定模块101根据R、G、B三通道灰度值分布判定护套颜色,例如,黑色护套的R、G、B三通道灰度值都比较低,而红色护套的R通道灰度值较高,G和B通道灰度值较低。
所述通道选定模块102用于根据判定的护套颜色选定图像通道。具体而言:
本实施例中,所述通道选定模块102对于黑色护套选择红光LED下的R通道IR(x,y),对于红色护套选择R通道IR(x,y),对于蓝色护套选择B通道IB(x,y)。
所述坐标计算模块103用于根据上述选定的图像通道,计算得到护套图像的上下左右边界坐标。具体而言:
针对选定的通道图像IR(x,y),计算行幅值累加曲线:
和列幅值累加曲线:
及行、列幅值累加曲线最大值:
max_row=max(row(x)) (10)
max_col=max(col(y)) (11)
根据护套图像特点,设定曲线有效的首尾两端为:
xleft=min{x|row(x)<k*max_row},xright=max{x|row(x)<k*max_row} (12)
ytop=min{y|col(y)<k*max_col},ybottom=max{y|col(y)<k*max_col} (13)
其中,x、y分别表示所述护套图像的行、列坐标值,k为系数,可选为0.8、0.9等,如图2所示,其中的圆圈表示计算求得的护套图像的上下左右边界位置ytop,ybottom,xleft和xright。
所述ROI图像模块104用于根据护套图像的边界坐标,设定护套图像的感兴趣区域(region of interest,ROI),得到ROI图像IROI(如图3所示)。具体而言:
计算公式如下:
IROI=I(x,y)|xL-Δ<x<xR+Δ,yT-Δ<y<yD+Δ (14)
其中,Δ为正整数,表示扩充边界长度,可选为30,保证ROI图像包含整个插孔区域。
所述护套分类模块105用于获取护套图像模板库中的护套模板,将得到的ROI图像IROI与所述护套模板进行匹配得到最大相关系数,根据所述最大相关系数完成汽车线束护套分类。具体包括:
计算得到ROI图像IROI与每个护套模板{t1,t2,…,tN}的最大相关系数,公式为:
其中,Cov表示协方差,再求得最大相关系数的峰值位置:
index对应的索引号即为最佳匹配的护套类型,如图4所示。
本发明利用颜色特征对护套进行初步分类,针对黑色护套采用红色LED作为光源,可以大幅度增强插孔与边缘的对比度,并且选择图像感兴趣区域与护套模板进行匹配,找到最佳匹配模板,即为分类出的护套类型。
虽然本发明参照当前的较佳实施方式进行了描述,但本领域的技术人员应能理解,上述较佳实施方式仅用来说明本发明,并非用来限定本发明的保护范围,任何在本发明的精神和原则范围之内,所做的任何修饰、等效替换、改进等,均应包含在本发明的权利保护范围之内。
Claims (10)
1.一种汽车线束护套分类方法,其特征在于,该方法包括如下步骤:
a.输入护套图像I(x,y),根据设定的阈值判定护套颜色;
b.根据判定的护套颜色选定图像通道;
c.根据上述选定的图像通道,计算得到护套图像的上下左右边界坐标;
d.根据护套图像的边界坐标,设定护套图像的感兴趣区域,得到ROI图像IROI;
e.获取护套图像模板库中的护套模板,将得到的ROI图像IROI与所述护套模板进行匹配得到最大相关系数,根据所述最大相关系数完成汽车线束护套分类。
2.如权利要求1所述的方法,其特征在于,所述的步骤b具体包括:
对于黑色护套选择红光LED下的R通道IR(x,y),对于红色护套选择R通道IR(x,y),对于蓝色护套选择B通道IB(x,y)。
3.如权利要求2所述的方法,其特征在于,所述的步骤c具体包括:
针对选定的通道图像IR(x,y),计算行幅值累加曲线:
和列幅值累加曲线:
及行、列幅值累加曲线最大值:
max_row=max(row(x))
max_col=max(col(y))
根据护套图像特点,设定曲线有效的首尾两端为:
xleft=min{x|row(x)<k*max_row},xright=max{x|row(x)<k*max_row}
ytop=min{y|col(y)<k*max_col},ybottom=max{y|col(y)<k*max_col}。
4.如权利要求3所述的方法,其特征在于,所述的步骤d具体包括如下步骤:
使用如下公式计算:
IROI=I(x,y)|xL-Δ<x<xR+Δ,yT-Δ<y<yD+Δ
其中,Δ为正整数,表示扩充边界长度。
5.如权利要求4所述的方法,其特征在于,所述的步骤e具体包括:
计算得到ROI图像IROI与每个护套模板{t1,t2,…,tN}的最大相关系数,公式为:
其中,Cov表示协方差,再求得最大相关系数的峰值位置:
index对应的索引号即为最佳匹配的护套类型。
6.一种汽车线束护套分类系统,其特征在于,该系统包括颜色判定模块、通道选定模块、坐标计算模块、ROI图像模块以及护套分类模块,其中:
所述颜色判定模块用于输入护套图像I(x,y),根据设定的阈值判定护套颜色;
所述通道选定模块用于根据判定的护套颜色选定图像通道;
所述坐标计算模块根据上述选定的图像通道,计算得到护套图像的上下左右边界坐标;
所述ROI图像模块用于根据护套图像的边界坐标,设定护套图像的感兴趣区域,得到ROI图像IROI;
所述护套分类模块用于获取护套图像模板库中的护套模板,将得到的ROI图像IROI与所述护套模板进行匹配得到最大相关系数,根据所述最大相关系数完成汽车线束护套分类。
7.如权利要求6所述的系统,其特征在于,所述的通道选定模块具体用于:
对于黑色护套选择红光LED下的R通道IR(x,y),对于红色护套选择R通道IR(x,y),对于蓝色护套选择B通道IB(x,y)。
8.如权利要求7所述的系统,其特征在于,所述的坐标计算模块具体用于:
针对选定的通道图像IR(x,y),计算行幅值累加曲线:
和列幅值累加曲线:
及行、列幅值累加曲线最大值:
max_row=max(row(x))
max_col=max(col(y))
根据护套图像特点,设定曲线有效的首尾两端为:
xleft=min{x|row(x)<k*max_row},xright=max{x|row(x)<k*max_row}
ytop=min{y|col(y)<k*max_col},ybottom=max{y|col(y)<k*max_col}。
9.如权利要求8所述的系统,其特征在于,所述的ROI图像模块具体用于:
使用如下公式计算:
IROI=I(x,y)|xL-Δ<x<xR+Δ,yT-Δ<y<yD+Δ
其中,Δ为正整数,表示扩充边界长度。
10.如权利要求9所述的系统,其特征在于,所述的护套分类模块具体用于:
计算得到ROI图像IROI与每个护套模板{t1,t2,…,tN}的最大相关系数,公式为:
其中,Cov表示协方差,再求得最大相关系数的峰值位置:
index对应的索引号即为最佳匹配的护套类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434057.5A CN110263812A (zh) | 2019-05-23 | 2019-05-23 | 汽车线束护套分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434057.5A CN110263812A (zh) | 2019-05-23 | 2019-05-23 | 汽车线束护套分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263812A true CN110263812A (zh) | 2019-09-20 |
Family
ID=67915136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434057.5A Pending CN110263812A (zh) | 2019-05-23 | 2019-05-23 | 汽车线束护套分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910358A (zh) * | 2019-11-11 | 2020-03-24 | 季华实验室 | 线束端子的视觉检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489187A (zh) * | 2013-09-23 | 2014-01-01 | 华南理工大学 | 基于质量检测的宫颈lct图像中细胞核的分割方法 |
CN104764407A (zh) * | 2015-02-11 | 2015-07-08 | 盐城工学院 | 一种电缆护套厚度的精细测量方法 |
CN105139027A (zh) * | 2015-08-05 | 2015-12-09 | 北京天诚盛业科技有限公司 | 胶囊头缺陷检测方法和装置 |
CN105225216A (zh) * | 2014-06-19 | 2016-01-06 | 江苏天穗农业科技有限公司 | 基于空间距圆标记边缘检测的虹膜预处理算法 |
US9366616B2 (en) * | 2013-04-12 | 2016-06-14 | Becton, Dickinson And Company | Automated set-up for cell sorting |
CN105719281A (zh) * | 2016-01-18 | 2016-06-29 | 中国人民解放军国防科学技术大学 | 一种针对折射性色差的快速检测校正算法 |
CN105911067A (zh) * | 2016-05-17 | 2016-08-31 | 无锡赛默斐视科技有限公司 | 线缆护套表面瑕疵检测仪及其检测方法 |
CN107404089A (zh) * | 2017-08-24 | 2017-11-28 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种二次控制电缆的识别方法 |
-
2019
- 2019-05-23 CN CN201910434057.5A patent/CN110263812A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9366616B2 (en) * | 2013-04-12 | 2016-06-14 | Becton, Dickinson And Company | Automated set-up for cell sorting |
CN103489187A (zh) * | 2013-09-23 | 2014-01-01 | 华南理工大学 | 基于质量检测的宫颈lct图像中细胞核的分割方法 |
CN105225216A (zh) * | 2014-06-19 | 2016-01-06 | 江苏天穗农业科技有限公司 | 基于空间距圆标记边缘检测的虹膜预处理算法 |
CN104764407A (zh) * | 2015-02-11 | 2015-07-08 | 盐城工学院 | 一种电缆护套厚度的精细测量方法 |
CN105139027A (zh) * | 2015-08-05 | 2015-12-09 | 北京天诚盛业科技有限公司 | 胶囊头缺陷检测方法和装置 |
CN105719281A (zh) * | 2016-01-18 | 2016-06-29 | 中国人民解放军国防科学技术大学 | 一种针对折射性色差的快速检测校正算法 |
CN105911067A (zh) * | 2016-05-17 | 2016-08-31 | 无锡赛默斐视科技有限公司 | 线缆护套表面瑕疵检测仪及其检测方法 |
CN107404089A (zh) * | 2017-08-24 | 2017-11-28 | 中国南方电网有限责任公司超高压输电公司柳州局 | 一种二次控制电缆的识别方法 |
Non-Patent Citations (3)
Title |
---|
杨维全等: "《图像处理在高精度对准系统中的应用》", 《微细加工技术》 * |
杨露菁等: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社 * |
高雅等: "《基于机器视觉的护套编织线缺陷检测系统设计》", 《测控技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910358A (zh) * | 2019-11-11 | 2020-03-24 | 季华实验室 | 线束端子的视觉检测方法 |
CN110910358B (zh) * | 2019-11-11 | 2022-08-19 | 季华实验室 | 线束端子的视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN107729801B (zh) | 一种基于多任务深度卷积神经网络的车辆颜色识别系统 | |
CN107729812B (zh) | 一种适用于监控场景中的车辆颜色识别的方法 | |
CN107292307B (zh) | 一种倒置汉字验证码自动识别方法及系统 | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN110929713B (zh) | 一种基于bp神经网络的钢印字符识别方法 | |
CN110706235B (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN108334881A (zh) | 一种基于深度学习的车牌识别方法 | |
CN105809716B (zh) | 融合超像素与三维自组织背景减除法的前景提取方法 | |
CN106651966B (zh) | 图片颜色识别方法和系统 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN112733914B (zh) | 一种基于支持向量机的水下目标视觉识别分类方法 | |
CN107273866A (zh) | 一种基于监控系统的人体异常行为识别方法 | |
CN110210316B (zh) | 基于灰度图像的交通信号灯数字识别方法 | |
CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
CN116310845B (zh) | 一种用于污水处理的智能监测系统 | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN110263812A (zh) | 汽车线束护套分类方法及系统 | |
CN113408573A (zh) | 基于机器学习的瓷砖色号自动分类归类的方法及装置 | |
CN117745708A (zh) | 基于深度学习算法的木地板表面瑕疵检测方法 | |
CN111191659B (zh) | 服装生产系统多形状衣架识别方法 | |
CN106650814B (zh) | 一种基于车载单目视觉室外道路自适应分类器生成方法 | |
CN109766860B (zh) | 基于改进的Adaboost算法的人脸检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |