CN110428416A - 一种液位视觉检测方法及装置 - Google Patents
一种液位视觉检测方法及装置 Download PDFInfo
- Publication number
- CN110428416A CN110428416A CN201910722825.7A CN201910722825A CN110428416A CN 110428416 A CN110428416 A CN 110428416A CN 201910722825 A CN201910722825 A CN 201910722825A CN 110428416 A CN110428416 A CN 110428416A
- Authority
- CN
- China
- Prior art keywords
- image
- liquid level
- container
- measured
- input
- 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.)
- Granted
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 123
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本申请提供了一种液位视觉检测方法及装置,其中方法包括:获取待测量透明容器的液位信息图像;将液位信息图像输入至液位检测模型;通过液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像。本申请提供的一种通过机器视觉检测液位的方法,通过将待测量容器的液位信息图像输入至已完成训练的液位检测模型中,由液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像,不需要在容器内设置任何的测量仪器,解决了现有的容器液位检测传感器装置占据液体容器内部的空间的技术问题。
Description
技术领域
本申请涉及机器视觉检测领域,尤其涉及一种液位检测方法及装置。
背景技术
科学技术不断发展,很多传统的工作方式逐渐被机器操作所替代。以液位检测为例,现有的针对容器液位检测的应用大多数采用传感器装置,然而设置在液体容器内的液位感应装置会占据液体容器内的空间,不仅会减小液体容器所能盛装液体的体积,还会影响容器内液体的真实剩余量的准确测量。
发明内容
本申请提供了一种液位视觉检测方法及装置,用于解决现有的容器液位检测传感器装置,然而设置在液体容器内的液位感应装置会占据液体容器内的空间,不仅会减小液体容器所能盛装液体的体积,还会影响容器内液体的真实剩余量的准确测量的技术问题。
有鉴于此,本申请第一方面提供了一种液位视觉检测方法,包括:
获取待测量透明容器的液位信息图像;
将所述液位信息图像输入至液位检测模型,其中,所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的;
通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
可选地,所述液位信息图像具体为经过预处理的图像。
可选地,所述训练图像具体为经过预处理的图像。
可选地,所述预处理具体包括:
获取液体容器的初始图像;
通过双边滤波器对所述初始图像进行去噪滤波;
通过自适应阈值边缘检测方式,对经过去噪滤波的所述初始图像进行图像背景分割,得到预处理图像。
可选地,所述将已标注液位信息的训练图像输入至神经网络模型进行训练具体包括:
获取已标注液位系信息的训练图像,并将所述训练图像输入至初始的CNN神经网络模型进行训练,得到液位检测模型。
本申请第二方面提供了一种液位视觉检测装置,包括:
待测量图像获取单元,用于获取待测量容器的液位信息图像,其中,所述待测量容器为透明容器;
数据输入单元,用于将所述液位信息图像输入至液位检测模型,其中,所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的;
结果输出单元,用于通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
可选地,所述液位信息图像具体为经过预处理的图像。
可选地,所述训练图像具体为经过预处理的图像。
可选地,还包括:预处理单元;
第一图像获取子单元,用于获取液体容器的初始图像;
去噪滤波子单元,用于通过双边滤波器对所述初始图像进行去噪滤波;
背景分割子单元,用于通过自适应阈值边缘检测方式,对经过去噪滤波的所述初始图像进行图像背景分割,得到预处理图像。
可选地,还包括:
模型训练单元,用于获取已标注液位系信息的训练图像,并将所述训练图像输入至初始的CNN神经网络模型进行训练,得到液位检测模型。
从以上技术方案可以看出,本申请具有以下优点:
本申请提供了一种液位视觉检测方法,包括:获取待测量透明容器的液位信息图像;将所述液位信息图像输入至液位检测模型,其中,所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的;通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
本申请提供的一种通过机器视觉检测液位的方法,通过将待测量容器的液位信息图像输入至已完成训练的液位检测模型中,由液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像,不需要在容器内设置任何的测量仪器,解决了因现有的容器液位检测传感器装置占据液体容器内的空间而导致的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种液位视觉检测方法的第一个实施例的流程示意图;
图2为本申请提供的一种液位视觉检测装置的第一个实施例的结构示意图;
图3为本申请提供的一种液位视觉检测方法采用的自适应阈值边缘检测算法示意图;
图4为本申请提供的一种液位视觉检测方法采用的CNN模型结构示意图。
具体实施方式
本申请实施例提供了一种液位视觉检测方法及装置,用于解决现有的容器液位检测传感器装置,然而设置在液体容器内的液位感应装置会占据液体容器内的空间,不仅会减小液体容器所能盛装液体的体积,还会影响容器内液体的真实剩余量的准确测量的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
请参阅图1、图3和图4,本申请实施例提供了一种液位视觉检测方法,包括:
步骤101、获取待测量透明容器的液位信息图像。
步骤102、将液位信息图像输入至液位检测模型。
其中,液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的;
步骤103、通过液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像。
更具体地,液位信息图像具体为经过预处理的预处理图像。
更具体地,训练图像具体为经过预处理的预处理图像。
需要说明的是,为了更进一步地提高液位检测的准确性,可以在通过液位检测模型进行检测和/或训练液位检测模型时,选取经过了预处理步骤的预处理图像作为液位信息图像和训练图像,或者在获取到初始的液位信息图像或训练图像后,在对获取的图像进行预处理。
更具体地,预处理包括:
获取液体容器的初始图像;
通过双边滤波器对初始图像进行去噪滤波;
通过自适应阈值边缘检测方式,对经过去噪滤波的初始图像进行图像背景分割,得到预处理图像。
需要说明的是,本实施例的预处理方法具体包括:
(A1)用双边滤波器对获得的容器图像进行去噪滤波。
(A2)基于传统的canny边缘检测算法原理,计算(A1)处理后的容器边缘图像的梯度幅值和方向。
(A3)对于(A2)处理后计算的梯度幅值可能会存在多个幅值较大的情况,对其进行非极大值抑制,找出局部最大值。
(A4)采用Otsu自适应选取阈值,与(A3)中计算的梯度幅值进行比较,得到容器的边缘点。
(A5)连接边缘点分割出容器部分的图像,得到不包含背景部分的预处理图像。
具体运算公式包括:
其中,k(x)是归一化函数,f表示原图像,h表示处理后的图像,x表示h中某个像素点位置,ξ表示f中x位置的像素点的像素值,f(ξ)表示该像素点的灰度值,c表示低通滤波,s表示range filter。
更具体地,将已标注液位信息的训练图像输入至神经网络模型进行训练具体包括:
获取已标注液位系信息的训练图像,并将训练图像输入至初始的CNN神经网络模型进行训练,得到液位检测模型。
需要说明的是,利用标注后的容器液位线数据集训练CNN模型,CNN模型结构如图4所示,预处理后的前景容器图像作为CNN模型的输入,经过CNN模型中多层卷积运算最后得到液位线图像。
本实施例的训练图像中的液位系信息具体是通过LabelBox工具对直接获取的容器图像或经过了预处理后图像中的液位线区域进行标注得到的。
本申请实施例的检测方法通过将待测量容器的液位信息图像输入至已完成训练的液位检测模型中,由液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像,不需要在容器内设置任何的测量仪器,解决了现有的容器液位检测传感器装置,然而设置在液体容器内的液位感应装置会占据液体容器内的空间,不仅会减小液体容器所能盛装液体的体积,还会影响容器内液体的真实剩余量的准确测量的技术问题。
以上为本申请提供的一种液位视觉检测方法的实施例的详细说明,下面为本申请提供的一种液位视觉检测装置的实施例的详细说明。
请参阅图2,本申请实施例提供了一种液位视觉检测装置,包括:
待测量图像获取单元201,用于获取待测量容器的液位信息图像,其中,待测量容器为透明容器;
数据输入单元202,用于将液位信息图像输入至液位检测模型,其中,液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的;
结果输出单元203,用于通过液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像。
可选地,液位信息图像具体为经过预处理的图像。
可选地,训练图像具体为经过预处理的图像。
可选地,还包括:预处理单元204;
第一图像获取子单元,用于获取液体容器的初始图像;
去噪滤波子单元,用于通过双边滤波器对初始图像进行去噪滤波;
背景分割子单元,用于通过自适应阈值边缘检测方式,对经过去噪滤波的初始图像进行图像背景分割,得到预处理图像。
可选地,还包括:
模型训练单元205,用于获取已标注液位系信息的训练图像,并将训练图像输入至初始的CNN神经网络模型进行训练,得到液位检测模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种液位视觉检测方法,其特征在于,包括:
获取待测量透明容器的液位信息图像;
将所述液位信息图像输入至液位检测模型,其中,所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的;
通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
2.根据权利要求1所述的方法,其特征在于,所述液位信息图像具体为经过预处理的图像。
3.根据权利要求1所述的方法,其特征在于,所述训练图像具体为经过预处理的图像。
4.根据权利要求2或3所述的方法,其特征在于,所述预处理具体包括:
获取液体容器的初始图像;
通过双边滤波器对所述初始图像进行去噪滤波;
通过自适应阈值边缘检测方式,对经过去噪滤波的所述初始图像进行图像背景分割,得到预处理图像。
5.根据权利要求1所述的方法,其特征在于,所述将已标注液位信息的训练图像输入至神经网络模型进行训练具体包括:
获取已标注液位系信息的训练图像,并将所述训练图像输入至初始的CNN神经网络模型进行训练,得到液位检测模型。
6.一种液位视觉检测装置,其特征在于,包括:
待测量图像获取单元,用于获取待测量容器的液位信息图像,其中,所述待测量容器为透明容器;
数据输入单元,用于将所述液位信息图像输入至液位检测模型,其中,所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的;
结果输出单元,用于通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
7.根据权利要求6所述的装置,其特征在于,所述液位信息图像具体为经过预处理的图像。
8.根据权利要求6所述的装置,其特征在于,所述训练图像具体为经过预处理的图像。
9.根据权利要求7或8所述的装置,其特征在于,还包括:预处理单元;
第一图像获取子单元,用于获取液体容器的初始图像;
去噪滤波子单元,用于通过双边滤波器对所述初始图像进行去噪滤波;
背景分割子单元,用于通过自适应阈值边缘检测方式,对经过去噪滤波的所述初始图像进行图像背景分割,得到预处理图像。
10.根据权利要求6所述的装置,其特征在于,还包括:
模型训练单元,用于获取已标注液位系信息的训练图像,并将所述训练图像输入至初始的CNN神经网络模型进行训练,得到液位检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722825.7A CN110428416B (zh) | 2019-08-06 | 2019-08-06 | 一种液位视觉检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722825.7A CN110428416B (zh) | 2019-08-06 | 2019-08-06 | 一种液位视觉检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110428416A true CN110428416A (zh) | 2019-11-08 |
CN110428416B CN110428416B (zh) | 2024-01-23 |
Family
ID=68414481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910722825.7A Active CN110428416B (zh) | 2019-08-06 | 2019-08-06 | 一种液位视觉检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428416B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113028993A (zh) * | 2021-03-29 | 2021-06-25 | 深圳市博瑞生物科技有限公司 | 一种用于描述微滴式数字pcr液滴相对位置的方法 |
CN113109287A (zh) * | 2021-03-17 | 2021-07-13 | 杭州兰亮网络科技有限公司 | 一种加装传感器获得图像处理油液品质的检测方法 |
CN113554004A (zh) * | 2021-09-18 | 2021-10-26 | 三一汽车制造有限公司 | 搅拌车溢料检测方法、检测系统、电子设备及搅拌站 |
CN113744325A (zh) * | 2021-09-06 | 2021-12-03 | 中国地质科学院勘探技术研究所 | 一种基于图像识别技术的液位检测装置及方法 |
CN114067102A (zh) * | 2021-11-17 | 2022-02-18 | 中国矿业大学 | 基于目标检测的机械臂倒液任务中液位检测控制方法 |
CN114565848A (zh) * | 2022-02-25 | 2022-05-31 | 佛山读图科技有限公司 | 一种复杂场景的药液液位检测方法及系统 |
CN117078103A (zh) * | 2023-08-29 | 2023-11-17 | 南京图灵信息技术有限公司 | 商品品质监控数据处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08145765A (ja) * | 1994-11-16 | 1996-06-07 | Hitachi Ltd | 画像処理による水位計測方法および装置 |
CN105607661A (zh) * | 2015-12-21 | 2016-05-25 | 南宁学院 | 一种基于图像识别的液位控制系统 |
CN107421510A (zh) * | 2017-08-28 | 2017-12-01 | 爱易成技术(天津)有限公司 | 一种水文监测设备及方法 |
CN108318101A (zh) * | 2017-12-26 | 2018-07-24 | 北京市水利自动化研究所 | 基于深度学习算法的水尺水位视频智能监测方法及系统 |
CN109815865A (zh) * | 2019-01-11 | 2019-05-28 | 江河瑞通(北京)技术有限公司 | 一种基于虚拟水尺的水位识别方法及系统 |
-
2019
- 2019-08-06 CN CN201910722825.7A patent/CN110428416B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08145765A (ja) * | 1994-11-16 | 1996-06-07 | Hitachi Ltd | 画像処理による水位計測方法および装置 |
CN105607661A (zh) * | 2015-12-21 | 2016-05-25 | 南宁学院 | 一种基于图像识别的液位控制系统 |
CN107421510A (zh) * | 2017-08-28 | 2017-12-01 | 爱易成技术(天津)有限公司 | 一种水文监测设备及方法 |
CN108318101A (zh) * | 2017-12-26 | 2018-07-24 | 北京市水利自动化研究所 | 基于深度学习算法的水尺水位视频智能监测方法及系统 |
CN109815865A (zh) * | 2019-01-11 | 2019-05-28 | 江河瑞通(北京)技术有限公司 | 一种基于虚拟水尺的水位识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
ANDREW MARSHALL, XIAOLI DENG: ""Image Analysis for Altimetry Waveform Selection Over Heterogeneous Inland Waters"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 3, no. 8, pages 1198 * |
孙利君: "一种基于Canny 算子的车辆目标检测方法", 《商场现代化》, pages 37 - 38 * |
羊冰清, 张周燕, 朱小良: ""基于数字图像处理的液位测量系统的研究与实现"", 《电力工程技术》, vol. 37, no. 4, pages 57 - 64 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113109287A (zh) * | 2021-03-17 | 2021-07-13 | 杭州兰亮网络科技有限公司 | 一种加装传感器获得图像处理油液品质的检测方法 |
CN113028993A (zh) * | 2021-03-29 | 2021-06-25 | 深圳市博瑞生物科技有限公司 | 一种用于描述微滴式数字pcr液滴相对位置的方法 |
CN113744325A (zh) * | 2021-09-06 | 2021-12-03 | 中国地质科学院勘探技术研究所 | 一种基于图像识别技术的液位检测装置及方法 |
CN113744325B (zh) * | 2021-09-06 | 2024-04-26 | 中国地质科学院勘探技术研究所 | 一种基于图像识别技术的液位检测装置及方法 |
CN113554004A (zh) * | 2021-09-18 | 2021-10-26 | 三一汽车制造有限公司 | 搅拌车溢料检测方法、检测系统、电子设备及搅拌站 |
CN114067102A (zh) * | 2021-11-17 | 2022-02-18 | 中国矿业大学 | 基于目标检测的机械臂倒液任务中液位检测控制方法 |
CN114565848A (zh) * | 2022-02-25 | 2022-05-31 | 佛山读图科技有限公司 | 一种复杂场景的药液液位检测方法及系统 |
CN114565848B (zh) * | 2022-02-25 | 2022-12-02 | 佛山读图科技有限公司 | 一种复杂场景的药液液位检测方法及系统 |
CN117078103A (zh) * | 2023-08-29 | 2023-11-17 | 南京图灵信息技术有限公司 | 商品品质监控数据处理方法及装置 |
CN117078103B (zh) * | 2023-08-29 | 2024-02-13 | 南京图灵信息技术有限公司 | 商品品质监控数据处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110428416B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428416A (zh) | 一种液位视觉检测方法及装置 | |
CN110120020A (zh) | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN104793253B (zh) | 基于数学形态学的航空电磁数据去噪方法 | |
CN107305635A (zh) | 对象识别方法、对象识别装置和分类器训练方法 | |
CN103473776B (zh) | 一种比较图像清晰度的方法、系统及自动聚焦控制方法 | |
CN109816653B (zh) | 一种用于导电粒子检测的方法 | |
Yu et al. | Detecting gear surface defects using background‐weakening method and convolutional neural network | |
CN105865424A (zh) | 一种基于非线性模型的多光谱遥感水深反演方法及装置 | |
CN105022027B (zh) | 一种数据过滤方法及装置 | |
CN103955940A (zh) | 一种基于x射线背散射图像的人体隐藏物的检测方法 | |
CN104103033A (zh) | 图像实时处理方法 | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN110021023A (zh) | 一种电子布疵点分割方法 | |
CN105973904A (zh) | 一种基于图像背景概率图的食用油杂质检测方法 | |
CN108615014A (zh) | 一种眼睛状态的检测方法、装置、设备和介质 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN107993225A (zh) | 一种磁光涡流成像检测的缺陷识别方法 | |
CN101144707A (zh) | 饮料瓶口视觉定位方法 | |
CN107221005A (zh) | 物体检测方法及装置 | |
CN109635629A (zh) | 一种基于深度学习的公交站台人群密度检测方法及装置 | |
CN107167172A (zh) | 一种总线式汽车数字仪表指针功能的在线监测方法 | |
CN109145723A (zh) | 一种印章识别方法、系统、终端装置及存储介质 | |
CN109492573A (zh) | 一种指针读取方法及装置 | |
CN107122653A (zh) | 一种图片验证码处理方法及装置 |
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 |