CN110348499A - 一种缝纫线迹缺陷检测方法 - Google Patents

一种缝纫线迹缺陷检测方法 Download PDF

Info

Publication number
CN110348499A
CN110348499A CN201910578035.6A CN201910578035A CN110348499A CN 110348499 A CN110348499 A CN 110348499A CN 201910578035 A CN201910578035 A CN 201910578035A CN 110348499 A CN110348499 A CN 110348499A
Authority
CN
China
Prior art keywords
sewing thread
thread trace
image
defect
gradient
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
CN201910578035.6A
Other languages
English (en)
Inventor
李鹏飞
杨帆
雷博兴
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.)
Xian University of Technology
Original Assignee
Xian University of 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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910578035.6A priority Critical patent/CN110348499A/zh
Publication of CN110348499A publication Critical patent/CN110348499A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种缝纫线迹缺陷检测方法，具体按照以下步骤实施：(1)采集各类型的缝纫线迹缺陷，并对缝纫线迹缺陷进行分类命名，并将具体的命名输入至SVM分类器的数据库中；(2)采用HOG特征检测方法对缝迹样本图像进行特征提取，得到缝迹样本图像的HOG特征；(3)将步骤2提取到的HOG特征输入至SVM分类器中进行训练，得到可进行缝纫线迹缺陷识别的SVM分类器；(4)采集缝纫线迹缺陷的测试样本，将测试样本输入到步骤3训练好的SVM分类器中进行识别。该缝纫线迹缺陷检测方法，从机器视觉解决了缝纫线迹通过人工目视和主观印象做出评判，存在工作量巨大，且容易由于视觉疲劳造成漏检和误检现象发生的问题。

Description

一种缝纫线迹缺陷检测方法
技术领域
本发明属于视觉测量技术领域，特别是涉及一种基于机器视觉的缝纫线迹缺陷检测方法。
背景技术
缝纫线迹的好坏是评判缝纫制品的重要标准。目前，缝纫线迹的外观质量检测都是由生产线工人通过目视和主观印象做出评判，这种检测方式一方面需要大量的工人工作在检测线上；另一方面这种方式从效率、精度以及人工视觉疲劳各方面都达不到检测标准，尤其在大批量生产检测的情况下，往往会存在缝纫线迹缺陷漏检和误检的情况，导致部分不合格的缝纫制品流入市场，影响企业形象。
因此在缝制完毕后，需要提供一种方法保证对线迹缺陷检测的可靠性和快速性，基于机器视觉的缝纫线迹缺陷检测技术克服人工检测的不足，满足工业自动化生产中的高速、高精度的线迹品质检测。
发明内容
本发明的目的在于提供了一种缝纫线迹缺陷检测方法，从机器视觉解决缝纫线迹通过人工目视和主观印象做出评判，存在工作量巨大，且容易由于视觉疲劳造成漏检和误检现象发生的问题。
为了实现上述目的，本发明所采用的技术方案是，一种缝纫线迹缺陷检测方法，具体按照以下步骤实施：
步骤1.采集各类型的缝纫线迹缺陷，并对缝纫线迹缺陷进行分类命名，并将具体的命名输入至SVM分类器的数据库中；
步骤2，采用HOG特征检测方法对缝迹样本图像进行特征提取，得到缝迹样本图像的HOG特征；
步骤3，将步骤2提取到的HOG特征输入至SVM分类器中进行训练，得到可进行缝纫线迹缺陷识别的SVM分类器；
步骤4，采集缝纫线迹缺陷的测试样本，将测试样本输入到步骤3训练好的SVM分类器中进行识别。
本发明的特点还在于，
在所述步骤1中缝纫线迹缺陷的类别包括单链式重线、单链式断线、单链式线头缺陷、双链式重线、双链式断线和双链式线头缺陷。
所述步骤2具体如下进行：
步骤2.1，获取缝迹样本图像，对缝迹样本图像的RGB分量分别乘以权重，经过运算得到灰度图像，运算公式为：
Y＝0.3R+0.59G+0.11B (1)
步骤2.2，对步骤2.1得到的灰度图像进行Gamma压缩处理，Gamma压缩公式为：
Y(x,y)＝I(x,y)gamma,gamma∈(0,1) (2)
式中，I(x,y)为缝迹样本图像中像素点(x,y)的灰度值，Y(x,y)为进行Gamma校正后像素点(x,y)的灰度值；
步骤2.3，确定步骤2.2中进行Gamma压缩处理后的灰度图像中的线迹区域，将线迹区域分割为细胞网格，计算细胞网格中每个细胞图像的水平方向和垂直方向的梯度并计算梯度方向，得出缝迹的轮廓信息，每个细胞图像中像素点(x,y)的梯度值可表示为：
Gx(x,y)＝H(x+1,y)-H(x-1,y) (3)
Gy(x,y)＝H(x,y-1)-H(x,y-1) (4)
其中，Gx(x,y)为缝迹样本图像中像素点(x,y)处的水平方向梯度，Gy(x,y)为其垂直方向梯度，H(x,y)为其像素值，像素点(x,y)的梯度幅值和梯度方向表示为：
式中，G(x,y)为梯度幅值，α(x,y)为梯度方向；
步骤2.4，将每个细胞图像的梯度方向均匀分布在-90°至90°的区间，该区间被平均分为9份，将每个细胞图像的梯度方向分别在属于各自的区间内进行叠加，得到各自的统计分量，即为细胞图像的特征向量；
步骤2.5，四个相邻的细胞图像组成块，将块整体每次以1/2覆盖进行移动形成新的块，计算块内所有细胞图像的特征向量，所有细胞图像的特征向量串联后得到块的HOG特征；
对块进行标准化，设v是块未进行标准化的HOG特征，||v||k为k范数，其中k＝1,2，ε为很小的标准化常量，标准化形式为：
对所有块进行方向梯度统计，并进行直方图拼接，得到缝迹样本图像的HOG特征。
在步骤2.1中，获取缝迹样本图像时：采用红色带有偏振片的环形光源直接明场。
在步骤2.1中，获取的缝迹样本图像的尺寸为480×480。
本发明的有益效果是：本发明的一种缝纫线迹缺陷检测方法，其原理是从机器视觉判断缝纫线迹的质量，避免了通过人工目视和主观印象做出评判时，存在工作量巨大，且容易由于视觉疲劳造成漏检和误检现象发生的问题。
附图说明
图1是缝迹图像细胞和块的划分示意图。
图2是标准缝纫线迹的示意图；
图3是单链式断线和双链式断线对比示意图；
图4是单链式重线和双链式重线对比示意图；
图5是单链式线头缺陷和双链式线头缺陷对比示意图；
具体实施方式
下面结合附图说明和具体实施方式对本发明的技术方案做进一步的详细说明。
本发明的一种缝纫线迹缺陷检测方法，具体按照以下步骤实施：
步骤1.采集各类型的缝纫线迹缺陷，并对缝纫线迹缺陷进行分类命名，并将具体的命名输入至SVM分类器的数据库中；
步骤2，采用HOG特征检测方法对缝迹样本图像进行特征提取，得到缝迹样本图像的HOG特征，具体如下进行：
步骤2.1，获取尺寸为480×480的缝纫缝迹样本图像，获取缝迹样本图像时采用红色带有偏振片的环形光源明场、正面低角度照明、工业数字摄像机垂直于缝纫线迹上方拍摄，对缝迹样本图像的RGB分量分别乘以权重，经过运算得到灰度图像，运算公式为：
Y＝0.3R+0.59G+0.11B (1)
步骤2.2，对步骤2.1得到的灰度图像进行Gamma压缩处理，Gamma压缩公式为：
Y(x,y)＝I(x,y)gamma,gamma∈(0,1) (2)
式中，I(x,y)为缝迹样本图像中像素点(x,y)的灰度值，Y(x,y)为进行Gamma校正后像素点(x,y)的灰度值；
步骤2.3，确定步骤2.2中进行Gamma压缩处理后的灰度图像中的线迹区域，如图1所示，将线迹区域分割为细胞网格，计算细胞网格中每个细胞图像的水平方向和垂直方向的梯度并计算梯度方向，得出缝迹的轮廓信息，每个细胞图像中像素点(x,y)的梯度值可表示为：
Gx(x,y)＝H(x+1,y)-H(x-1,y) (3)
Gy(x,y)＝H(x,y-1)-H(x,y-1) (4)
其中，Gx(x,y)为缝迹样本图像中像素点(x,y)处的水平方向梯度，Gy(x,y)为其垂直方向梯度，H(x,y)为其像素值，像素点(x,y)的梯度幅值和梯度方向表示为：
式中，G(x,y)为梯度幅值，α(x,y)为梯度方向；
步骤2.4，将每个细胞图像的梯度方向均匀分布在-90°至90°的区间，该区间被平均分为9份，将每个细胞图像的梯度方向分别在属于各自的区间内进行叠加，得到各自的统计分量，即为细胞图像的特征向量；
步骤2.5，四个相邻的细胞图像组成块，将块整体每次以1/2覆盖进行移动形成新的块，计算块内所有细胞图像的特征向量，所有细胞图像的特征向量串联后得到块的HOG特征；
对块进行标准化，设v是块未进行标准化的HOG特征，||v||k为k范数，其中k＝1,2，ε为很小的标准化常量，标准化形式为：
对所有块进行方向梯度统计，并进行直方图拼接，得到缝迹样本图像的HOG特征。
步骤3，将步骤2提取到的HOG特征输入至SVM分类器中进行训练，得到可进行缝纫线迹缺陷识别的SVM分类器；
步骤4，采集缝纫线迹缺陷的测试样本，将测试样本输入到步骤3训练好的SVM分类器中进行识别。
标准的单链式缝纫线迹缝为图2(a)，标准的双链式缝纫线迹缝为图2(b)；单链式断线缺陷为图3(a)，双链式断线缺陷为图3(b)；单链式重线缺陷为图4(a)，双链式重线缺陷为图4(b)；单链式线头缺陷为图5(a)和双链式线头缺陷为图5(b)。
在步骤1中，针对一种新缝纫线迹缺陷类型，首先需要对该类型缺陷进行类型注册，即人工进行样本信息采集，主要包括目标缺陷类型、布料纹理、线迹颜色和缺陷特征进行采集。样本信息采集后，利用分类器将该类型缝纫线迹缺陷相关信息自动录入库中，同时检测人员对该类型进行保存命名，作为后续检测该种类型缝纫线迹的基本样本信息。其次针对一种已经注册类型的缝纫线迹时，只需要在已注册类型数据库中选择与当前待检测缝纫线迹缺陷相对应的类型，程序即可自动的从数据库中读取该缝迹缺陷的所有样本信息，并根据读取的颜色样本训练结果采用分类器进行线迹缺陷的自动分类。
在步骤2.1中，在缝迹样本图像的纹理特性中，由于局部表面会产生较强的曝光，使纹理颜色没有按照线性渐变空间进行变换，所以为了减少缝迹样本图像的局部阴影和光照影响，对像素的亮度进行压缩处理。
在步骤2.3中，将线迹区域分割为细胞网格，计算细胞网格中每个细胞图像的水平方向和垂直方向的梯度并计算梯度方向，得出缝迹的轮廓信息，弱化了现场光照对特征提取的影响。
在步骤2.5中，进行现场缝迹缺陷样本采集时，由于局部光照的影响以及前景和背景对比度的变化，使得梯度强度存在非常大的变化，这时需要对梯度强度进行归一化处理，归一化能够进一步对光照、阴影和边缘进行压缩，使特征提取更加准确，因此考虑到需要提高缝迹缺陷检测准确率，制定特征标准化是非常必要的。在进行HOG特征提取时运用了块重叠方法，在最终的特征向量结果中包含了同一个细胞的不同特征，因此对缝迹样本图像中的所有块进行方向梯度统计，并进行直方图拼接，为整体缝迹样本图像的HOG特征，也可称之为HOG特征描述子，采用HOG特征来提取缝迹样本图像的缺陷，是目前对缝迹缺陷种类进行识别和分类比较有效的方法。
采集合适样本得到数据集：正样本数据共1020张，包括6准缝迹缺陷(单链式：重线、断线、线头缺陷；双链式：重线、断线、线头缺陷)；负样本数据200张，为单链式、双链式标准缝迹如；测试样本数据集共60张。实验过程分为两步：第一步：将缝迹缺陷训练样本进行训练，得到最优分类器；第二步：将测试样本输入到训练好的分类器中，输出分类结果。首先输入正负样本集合的图片，正负样本集的图片大小均为480×480，分别提取缺陷样本图片的HOG特征，然后进行HOG特征的参数设定：细胞网络图像尺寸大小为15×15，块大小为4×4。通过本文算法，得到缝迹缺陷检测的正确率为：96.7％。可满足缝迹检测生产线对缝迹缺陷检测准确率要求。

Claims (5)

1.一种缝纫线迹缺陷检测方法，其特征在于，具体按照以下步骤实施：
步骤1.采集各类型的缝纫线迹缺陷，并对缝纫线迹缺陷进行分类命名，并将具体的命名输入至SVM分类器的数据库中；
步骤2，采用HOG特征检测方法对缝迹样本图像进行特征提取，得到缝迹样本图像的HOG特征；
步骤3，将步骤2提取到的HOG特征输入至SVM分类器中进行训练，得到可进行缝纫线迹缺陷识别的SVM分类器；
步骤4，采集缝纫线迹缺陷的测试样本，将测试样本输入到步骤3训练好的SVM分类器中进行识别。
2.根据权利要求1所述的缝纫线迹缺陷检测方法，其特征在于，在所述步骤1中缝纫线迹缺陷的类别包括单链式重线、单链式断线、单链式线头缺陷、双链式重线、双链式断线和双链式线头缺陷。
3.根据权利要求2所述的缝纫线迹缺陷检测方法，其特征在于，所述步骤2具体如下进行：
步骤2.1，采集缝迹样本图像，对缝迹样本图像的RGB分量分别乘以权重，经过运算得到灰度图像，运算公式为：
Y＝0.3R+0.59G+0.11B (1)
步骤2.2，对步骤2.1得到的灰度图像进行Gamma压缩处理，Gamma压缩公式为：
Y(x,y)＝I(x,y)gamma,gamma∈(0,1) (2)
式中，I(x,y)为缝迹样本图像中像素点(x,y)的灰度值，Y(x,y)为进行Gamma校正后像素点(x,y)的灰度值；
步骤2.3，确定步骤2.2中进行Gamma压缩处理后的灰度图像中的线迹区域，将线迹区域分割为细胞网格，计算细胞网格中每个细胞图像的水平方向和垂直方向的梯度并计算梯度方向，得出缝迹的轮廓信息，每个细胞图像中像素点(x,y)的梯度值可表示为：
Gx(x,y)＝H(x+1,y)-H(x-1,y) (3)
Gy(x,y)＝H(x,y-1)-H(x,y-1) (4)
其中，Gx(x,y)为缝迹样本图像中像素点(x,y)处的水平方向梯度，Gy(x,y)为其垂直方向梯度，H(x,y)为其像素值，像素点(x,y)的梯度幅值和梯度方向表示为：
式中，G(x,y)为梯度幅值，α(x,y)为梯度方向；
步骤2.4，将每个细胞图像的梯度方向均匀分布在-90°至90°的区间，该区间被平均分为9份，将每个细胞图像的梯度方向分别在属于各自的区间内进行叠加，得到各自的统计分量，即为细胞图像的特征向量；
步骤2.5，四个相邻的细胞图像组成块，将块整体每次以1/2覆盖进行移动形成新的块，计算块内所有细胞图像的特征向量，所有细胞图像的特征向量串联后得到块的HOG特征；
对块进行标准化，设v是块未进行标准化的HOG特征，||v||k为k范数，其中k＝1,2，ε为很小的标准化常量，标准化形式为：
对所有块进行方向梯度统计，并进行直方图拼接，得到缝迹样本图像的HOG特征。
4.根据权利要求1所述的缝纫线迹缺陷检测方法，其特征在于，在步骤2.1中，获取缝迹样本图像时：采用红色带有偏振片的环形光源直接明场。
5.根据权利要求1所述的缝纫线迹缺陷检测方法，其特征在于，在步骤2.1中，获取的缝迹样本图像的尺寸为480×480。
CN201910578035.6A 2019-06-28 2019-06-28 一种缝纫线迹缺陷检测方法 Pending CN110348499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910578035.6A CN110348499A (zh) 2019-06-28 2019-06-28 一种缝纫线迹缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910578035.6A CN110348499A (zh) 2019-06-28 2019-06-28 一种缝纫线迹缺陷检测方法

Publications (1)

Publication Number Publication Date
CN110348499A true CN110348499A (zh) 2019-10-18

Family

ID=68177009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910578035.6A Pending CN110348499A (zh) 2019-06-28 2019-06-28 一种缝纫线迹缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110348499A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833303A (zh) * 2020-06-05 2020-10-27 北京百度网讯科技有限公司 产品的检测方法、装置、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5953231A (en) * 1997-12-22 1999-09-14 Mcdonnell Douglas Corporation Automated quality control for stitching of textile articles
CN101706443A (zh) * 2009-03-27 2010-05-12 上海工程技术大学 一种服装面料接缝平整度评定方法
CN102663448A (zh) * 2012-03-07 2012-09-12 北京理工大学 一种基于网络的增强现实物体识别分析方法
CN205636046U (zh) * 2016-05-09 2016-10-12 广东溢达纺织有限公司 缝纫机及其监控系统
CN106548160A (zh) * 2016-11-09 2017-03-29 浙江博天科技有限公司 一种人脸微笑检测方法
CN108389206A (zh) * 2018-04-27 2018-08-10 华中科技大学 一种评价缝纫设备缝纫效果的装置及方法
CN109239076A (zh) * 2018-08-29 2019-01-18 西安理工大学 一种基于机器视觉的缝纫线迹缺陷检测方法
CN109324056A (zh) * 2018-08-29 2019-02-12 西安理工大学 一种基于机器视觉的缝纫线迹测量方法
CN109447949A (zh) * 2018-09-29 2019-03-08 南京理工大学 基于巡检机器人的绝缘端子缺陷识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5953231A (en) * 1997-12-22 1999-09-14 Mcdonnell Douglas Corporation Automated quality control for stitching of textile articles
CN101706443A (zh) * 2009-03-27 2010-05-12 上海工程技术大学 一种服装面料接缝平整度评定方法
CN102663448A (zh) * 2012-03-07 2012-09-12 北京理工大学 一种基于网络的增强现实物体识别分析方法
CN205636046U (zh) * 2016-05-09 2016-10-12 广东溢达纺织有限公司 缝纫机及其监控系统
CN106548160A (zh) * 2016-11-09 2017-03-29 浙江博天科技有限公司 一种人脸微笑检测方法
CN108389206A (zh) * 2018-04-27 2018-08-10 华中科技大学 一种评价缝纫设备缝纫效果的装置及方法
CN109239076A (zh) * 2018-08-29 2019-01-18 西安理工大学 一种基于机器视觉的缝纫线迹缺陷检测方法
CN109324056A (zh) * 2018-08-29 2019-02-12 西安理工大学 一种基于机器视觉的缝纫线迹测量方法
CN109447949A (zh) * 2018-09-29 2019-03-08 南京理工大学 基于巡检机器人的绝缘端子缺陷识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833303A (zh) * 2020-06-05 2020-10-27 北京百度网讯科技有限公司 产品的检测方法、装置、电子设备及存储介质
CN111833303B (zh) * 2020-06-05 2023-07-25 北京百度网讯科技有限公司 产品的检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN106127780B (zh) 一种曲面表面缺陷自动检测方法及其装置
CN109239076A (zh) 一种基于机器视觉的缝纫线迹缺陷检测方法
CN109785316A (zh) 一种芯片表观缺陷检测方法
CN105430376B (zh) 一种全景相机一致性的检测方法及装置
CN109801267A (zh) 基于特征点检测与svm分类器的巡检目标缺陷检测方法
CN104574389A (zh) 基于彩色机器视觉的电池片色差分选控制方法
CN108629319B (zh) 图像检测方法及系统
CN110119680A (zh) 一种基于图像识别的电气柜接线自动查错系统
CN113608378B (zh) 一种基于lcd制程的全自动缺陷检测方法和系统
CN105223208B (zh) 一种电路板检测模板及其制作方法、电路板检测方法
CN112634125B (zh) 一种基于离线人脸数据库的自动面部替换方法
CN106529556A (zh) 一种仪表指示灯的视觉检测系统
CN109813725A (zh) 一种大尺寸胶水缺陷检测方法
CN109919007A (zh) 一种生成红外图像标注信息的方法
CN105825204A (zh) 一种智能相机夜间识别电力设备表计的方法
Mukhopadhyay et al. PCB inspection in the context of smart manufacturing
CN114004826A (zh) 一种基于视觉的医用注塑件的外观缺陷检测方法
CN113506255B (zh) 一种基于高精度数字图像的服装缝线疵点自动检测方法
CN110348499A (zh) 一种缝纫线迹缺陷检测方法
CN105092589B (zh) 一种胶囊头缺陷检测方法
CN106384086A (zh) 一种双摄像头人脸识别方法及系统
CN111739003B (zh) 一种用于外观检测的机器视觉方法
CN210377552U (zh) 一种水果分类用多面图像获取装置
CN116091506B (zh) 一种基于yolov5的机器视觉缺陷质检方法
CN106903075A (zh) 一种鞋面logo多方位视觉检测方法及系统

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: 20191018

RJ01 Rejection of invention patent application after publication