CN110514662B - 一种多光源融合的视觉检测系统 - Google Patents
一种多光源融合的视觉检测系统 Download PDFInfo
- Publication number
- CN110514662B CN110514662B CN201910853836.9A CN201910853836A CN110514662B CN 110514662 B CN110514662 B CN 110514662B CN 201910853836 A CN201910853836 A CN 201910853836A CN 110514662 B CN110514662 B CN 110514662B
- Authority
- CN
- China
- Prior art keywords
- online
- camera
- neural network
- light source
- deep neural
- 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.)
- Active
Links
- 230000000007 visual effect Effects 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000010354 integration Effects 0.000 title description 2
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 238000005286 illumination Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 239000000463 material Substances 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011179 visual inspection Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011056 performance test Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005375 photometry Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种多光源融合的视觉检测系统,包括多方向照明光源、多光谱照明光源、一号摄像头、二号摄像头、视觉控制器、在线训练模块和离线训练模块;视觉控制器包括图像队列、视觉控制器深度神经网络推理引擎、视觉控制器统计数据库和光源及相机控制器;视觉控制器连接并控制多方向照明光源、一号摄像头、二号摄像头和多方向照明光源;视觉控制器连接外部PLC控制器;在线训练模块连接视觉控制器;离线训练模块包括离线图像样本库和深度神经网络离线训练引擎;离线图像样本库连接深度神经网络训练引擎;深度神经网络训练引擎连接在线训练模块。本发明的有益效果是:可以在成本低廉的前提下,具备良好的系统适应性和迁移性。
Description
技术领域
本发明涉及视觉检测系统,特别涉及一种多光源融合的视觉检测系统。
背景技术
随着我国经济的发展,人民生活水平的提高,我国自动化流水线的应用越发的广泛,而随着自动化流水线使用的日益广泛,如何解决自动化流水线中产品外观检测的问题,成为现阶段自动化流水线中一个亟待解决的问题。
现阶段,常使用视觉识别手段对产品外观进行检测,视觉识别是使用计算机技术对光学传感器采集得到的图像进行识别的技术,但由于工业产品品种繁多,形状各异,外观检测问题非常复杂,导致传统的视觉检测系统往往无法有效完成视觉检测的任务,对于某一具体的产品,必须进行定制,导致项目周期过长。
为了解决外观检测的订制性难题,目前有两种解决方案,其一使用多光源多光谱成像,然后结合图像处理方法融合处理结果或者使用光度测量方法重建相对3D表面,但是此类系统需要根据拍摄物体特性手工调节大量参数,并且调节工作非常依赖使用者的经验,同时通常需要反复长时间的调节测试,往往时间耗费长,而且难以保证达到最佳效果,其系统适应性和迁移性极差;其二,采用光度测量方法虽然克服了参数调节的弊端,在使用过程当中仅需要调节少量参数与,使用门槛较低,但是光度测量方法对光源和摄像头的安装精度要求很高,安装时需要严格的标定过程来确定每个光源相对于摄像头的方向,而且对光源自身的要求较高,导致系统成本过高。
故市场亟需一种可以在成本低廉的前提下,具备良好的系统适应性和迁移性的视觉检测系统。
发明内容
为了解决上述技术问题,本发明中披露了一种多光源融合的视觉检测系统,本发明的技术方案是这样实施的:
一种多光源融合的视觉检测系统,包括多方向照明光源、多光谱照明光源、一号摄像头、二号摄像头、视觉控制器、在线训练模块和离线训练模块;
所述视觉控制器包括图像队列、视觉控制器深度神经网络推理引擎、视觉控制器统计数据库和光源及相机控制器;所述视觉控制器连接并控制所述多方向照明光源、所述一号摄像头、所述二号摄像头和所述多光谱照明光源;
所述视觉控制器连接外部PLC控制器;
所述在线训练模块连接所述视觉控制器;
所述离线训练模块包括离线图像样本库和深度神经网络离线训练引擎;所述离线图像样本库连接所述深度神经网络离线训练引擎;所述深度神经网络离线训练引擎连接所述在线训练模块;所述深度神经网络离线训练引擎训练网络模型并将所述网络模型传输给所述在线训练模块;
所述在线训练模块包括深度神经网络在线样本库、深度神经网络推理引擎、在线增强样本库和深度神经网络在线训练引擎;
所述在线训练模块执行在线训练过程;所述在线训练过程包括:所述深度神经网络推理引擎提取所述深度神经网络在线样本库中的在线样本,使用所述网络模型对所述在线样本进行推理,得到推理结果并将所述推理结果传输给所述在线增强样本库;对所述推理结果进行性能检测,对推理结果中的错误进行人工校正并将校正的所述推理结果传输给所述在线增强样本库;当所述在线增强样本库的样本量达到阈值时,所述深度神经网络在线训练引擎提取所述在线增强样本库的增强样本,使用所述增强样本对所述网络模型进行增强。
优选地,所述多方向照明光源和所述多光谱照明光源为圆环或者多边形;
所述多方向照明光源和所述多光谱照明光源包括多个扇区;
在拍摄时,所述视觉控制器按照一定的顺序控制扇区闪光,所述一号摄像头或者所述二号摄像头按照所述顺序接收到检材反射的多个方向的光线。
优选地,所述一号摄像头位于垂直于所述多方向照明光源且垂足在所述多方向照明光源的中心的直线上;
所述二号摄像头位于垂直于所述多光谱照明光源且垂足在所述多光谱照明光源的中心的直线上。
优选地,所述多方向照明光源和所述多光谱照明光源在实体上为一个或者两个光源;
所述一号摄像头和所述二号摄像头在实体上为一个或者两个摄像头。
优选地,所述性能检测得到性能结果,如所述性能结果达到预先设置的性能阈值,对所述网络模型进行上线部署,否则重复所述在线训练过程,直到所述性能结果达到所述性能阈值。
优选地,所述在线训练模块部署于所述视觉控制器上。
优选地,所述视觉控制器还包括人机交互界面、网络模型训练引擎、CPU和GPU。
实施本发明的技术方案可解决现有技术中成本低廉与具备良好的系统适应性和迁移性不可得兼的技术问题;实施本发明的技术方案,可实现在成本低廉的前提下,具备良好的系统适应性和迁移性的技术效果。
附图说明
为了更清楚地说明本发明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发明的一种实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一种多光源融合的视觉检测系统的训练阶段结构示意图;
图2为一种多光源融合的视觉检测系统的部署阶段结构示意图。
在上述附图中,各图号标记分别表示:
1-视觉控制器;
11-图像队列;12-视觉控制器深度神经网络推理引擎;13-视觉控制器统计数据库;14-人机交互界面;15-网络模型训练引擎;
2-PLC控制器;
3-在线训练模块
31-深度神经网络在线样本库;32-深度神经网络推理引擎;33-在线增强样本库;34-深度神经网络在线训练引擎;
4-离线训练模块
41-离线图像样本库;42-深度神经网络离线训练引擎。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在一种具体的实施例中,如图2所示,一种多光源融合的视觉检测系统,包括多方向照明光源、多光谱照明光源、一号摄像头、二号摄像头、视觉控制器1、在线训练模块3和离线训练模块4;视觉控制器1包括图像队列11、视觉控制器深度神经网络推理引擎12、视觉控制器统计数据库13和光源及相机控制器;视觉控制器1连接并控制多方向照明光源、一号摄像头、二号摄像头和多方向照明光源;视觉控制器1连接外部PLC控制器2;离线训练模块4包括离线图像样本库41和深度神经网络离线训练引擎42;离线图像样本库41连接深度神经网络离线训练引擎;深度神经网络离线训练引擎连接在线训练模块3。
在该种具体的实施例中,当使用时,视觉控制器1控制多方向照明光源发光,一号摄像头接收到检材反射的不同方向的光线,生成多张检材不同方向上的检材图像,并将多张检材不同方向上的检材图像传输给视觉控制器1,视觉控制器1再控制多光谱照明光源发光,二号摄像头接收到检材反射的不同频段的光线,生成多张检材不同光谱上的检材图像,并将多张检材不同频段上的检材图像传输给视觉控制器1;视觉控制器1接收到检材图像后,图像队列11执行length命令获得图像队列11的长度,如图像队列11的长度小于最大长度,图像队列11执行push命令将检材图像插入图像队列11末尾,否则不执行push命令,然后判断视觉控制器深度神经网络推理引擎12的状态,如视觉控制器深度神经网络推理引擎12此时的状态为闲置,图像队列11执行empty命令检查图像队列11是否为空,如图像队列11不为空,则图像队列11执行pop命令将图像队列11的头部检材图像导入视觉控制器深度神经网络推理引擎12同时将该检材图像从图像队列11头部删除,否则图像队列11不执行该命令,如视觉控制器深度神经网络推理引擎12此时的状态不为闲置,则不执行任何操作,由视觉控制器深度神经网络推理引擎12推导出该检材图像的推理结果,并将该推理结果传输到视觉控制器统计数据库13和外部PLC控制器2;离线训练模块4和在线训练模块3用于得到可用于部署的网络模型;离线训练模块4用于生成一种普适性的网络模型,可以适用于各种工业场景,在训练时,其泛化能力与适应性的要求优先于高精度;离线图像样本库41是一个具有高数量级的样本数据库,存储了海量的样本,用于为深度神经网络离线训练引擎42提供训练样本;深度神经网络离线训练引擎42为一个基于深度神经网络训练算法的计算机程序,提取离线图像样本库41里的离线图像样本生成相应的网络模型,在训练完成后,传输给网络模型至在线训练模块3;在线训练模块3用于针对具体的应用场景进行适应化训练,将原本的普适应网络转化为专门针对与该种应用场景的高精度的网络模型,该模块的主要目标是提高在该种应用场景下的识别精度;通过上述模块之间的交互,实现了在低成本的前提下实现良好的系统适应性和迁移性的技术效果。
在一种优选的实施例中,多方向照明光源和多光谱照明光源为圆环或者多边形;多方向照明光源分为多个扇区;在拍摄时,视觉控制器1按照一定的顺序控制扇区闪光,摄像头按照该顺序接收到检材反射的多个方向的光线。
在该种优选的实施例中,多方向照明光源和多光谱照明光源设置为圆环或者多边形,具体形状根据实际的生产的需要可做相应的选择;多方向照明光源和多光谱照明光源由多个扇区组成,每个扇区都有在视觉控制器1中都有相应的编号,扇区的数量不定,一般设置为4个扇区,即多方向照明光源可在此种扇区分布中产生4个方向的光源,多光谱照明光源可在此种扇区分布中产生4种不同频段的光源;在使用时,光源及相机控制器按照扇区的编号作为顺序分别控制多方向照明光源和多光谱照明光源的扇区,使其闪光,一号摄像头和二号摄像头根据按照顺序接收到相应的光线后,生成相应的检材图像并传输给图像队列11。
在一种优选的实施例中,一号摄像头位于垂直于多方向照明光源且垂足在多方向照明光源的中心的直线上;二号摄像头位于垂直于多光谱照明光源且垂足在多光谱照明光源的中心的直线上。
在该种优选地实施例中,一号摄像头位于垂足在多方向照明光源的中心的直线上,二号摄像头位于垂足在多光谱照明光源的中心的直线上,要实现良好的多光源或者多光谱效果,必须将摄像头放置在垂足在光源中心的直线上,从而实现各方向或者各光谱之间的光线均匀,从而实现良好的摄像效果。
在一种优选的实施例中,多方向照明光源和多光谱照明光源在实体上为一个或者两个光源的一种;一号摄像头和二号摄像头在实体上为一个或者两个摄像头的一种。
在该种优选的实施例中,多方向照明光源和多光谱照明光源的功能可以分开由两个圆环或者多边形状的光源实现,也可以由一个圆环或者多边形状的光源实现;对应地,一号摄像头和二号摄像头的功能可以分开由两个摄像头实现也可以由一个据具备多频段摄像能力的摄像头实现;在多方向照明光源和多光谱照明光源由一个圆环或者多边形状的光源实现,对应地,一号摄像头和二号摄像头由一个摄像头实现的的情况下,一个包括多个扇区的圆环或者多边形状的光源,每一个扇区对应一种频段和一种方向的光源,在使用时光源及相机控制器按照扇区的编号依次使相应的扇区闪光,摄像头接收相应的光线,得到相应的多方向与多光谱的检材图像,并传输给图像队列11。
在一种优选的实施例中,如图1所示,在线训练模块3包括深度神经网络在线样本库31、在线增强样本库33和深度神经网络在线训练引擎34;深度神经网络推理引擎32提取深度神经网络在线样本库31中的在线样本,使用网络模型对在线样本进行推理,得到推理结果并将推理结果传输给在线增强样本库33;对推理结果进行性能检测,对推理结果中的错误进行人工校正并将校正的推理结果传输给在线增强样本库33;在线增强样本库33连接深度神经网络在线训练引擎34;当在线增强样本库33的样本量达到阈值时,深度神经网络在线训练引擎34提取在线增强样本库33的增强样本,使用增强样本对网络模型进行增强;性能测试得到性能结果,如性能结果达到预先设置的性能阈值,对网络模型进行上线部署,否则重复进行“深度神经网络推理引擎32提取深度神经网络在线样本库31中的在线样本,使用网络模型对在线样本进行推理,得到推理结果并将推理结果传输给在线增强样本库33,对推理结果中的错误进行人工校正并将校正的推理结果传输给在线增强样本库33,在线增强样本库33连接深度神经网络在线训练引擎34,当在线增强样本库33的样本量达到阈值时,深度神经网络在线训练引擎34提取在线增强样本库33的增强样本,使用增强样本对网络模型进行增强”,直到性能结果达到性能阈值。
在该种优选的实施例中,深度神经网络在线样本库31是一个数据规模远小于离线图像样本库41的数据库,其样本的类型针对相应的应用场景进行了针对性的选择,从而实现对于网络模型的针对化训练;深度神经网络推理引擎32为一个基于网络模型的计算机程序,提取深度神经网络在线样本库31中的在线样本对网络模型进行推理,从而得到推理结果,将推理结果中正确的直接导入在线增强样本库33,对于其中错误的经过人工校正后再导入在线增强样本库33;在线增强样本库33最开始为空,当在线增强样本库33其中的增强样本数量不断增多,达到阈值后,深度神经网络在线训练引擎34提取增强样本,基于原有的网络模型对原有的网络模型进行增强训练,从而提高了在该种应用场景下的识别率;性能测试得到测试结果,性能测试的内容是对网络模型的真正率、真负率、假正率和假负率进行统计;在进行性能测试之前,先行设置性能测试的合格阈值,如网络模型的真正率、真负率、假正率和假负率等性能指标不能达到合格阈值,则重复“提取深度神经网络在线样本库31中的在线样本对网络模型进行推理,从而得到推理结果,将推理结果中正确的直接导入在线增强样本库33,对于其中错误的经过人工校正后再导入在线增强样本库33,深度神经网络在线训练引擎34提取增强样本并基于原有的网络模型对原有的网络模型进行增强训练,从而提高了在该种应用场景下的识别率;性能测试得到测试结果”,直到性能指标达到合格阈值后将网络模型传输到深度神经网络推理引擎32中进行上线部署,网络模型上线部署后,不再进行训练更新,网络模型仅用于推理,如因为有新产品的加入或者由于产品外观发生变化导致处理精度下降,用户可将该网络模型再次导入在线训练模块3进行增强训练,提高模型的针对性和精度。
在一种优选的实施例中,如图1和图2所示,在线训练模块3部署于视觉控制器1上;视觉控制器1还包括人机交互界面14、网络模型训练引擎15、CPU和GPU。
在该种优选的实施例中,在线训练模块3可直接部署在视觉控制器1上,使用视觉控制器1部件以实现在线训练模块3的功能,深度神经网络在线样本库31、在线增强样本库33的功能使用视觉控制器统计数据库13实现,深度神经网络在线训练引擎34的功能使用网络模型训练引擎15实现,人工校正使用位于视觉控制器1上的人机交互界面14实现;CPU与GPU为视觉控制器1运行提供算力支持。
需要指出的是,以上所述仅为本发明的较佳实施例而已,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 (7)
1.一种多光源融合的视觉检测系统,其特征在于,包括多方向照明光源、多光谱照明光源、一号摄像头、二号摄像头、视觉控制器、在线训练模块和离线训练模块;
所述视觉控制器包括图像队列、视觉控制器深度神经网络推理引擎、视觉控制器统计数据库和光源及相机控制器;所述视觉控制器连接并控制所述多方向照明光源、所述一号摄像头、所述二号摄像头和所述多光谱照明光源;
所述视觉控制器连接外部PLC控制器;
所述在线训练模块连接所述视觉控制器;
所述离线训练模块包括离线图像样本库和深度神经网络离线训练引擎;所述离线图像样本库连接所述深度神经网络离线训练引擎;所述深度神经网络离线训练引擎连接所述在线训练模块;所述深度神经网络离线训练引擎训练网络模型并将所述网络模型传输给所述在线训练模块;
所述在线训练模块包括深度神经网络在线样本库、深度神经网络推理引擎、在线增强样本库和深度神经网络在线训练引擎;
所述在线训练模块执行在线训练过程;所述在线训练过程包括:所述深度神经网络推理引擎提取所述深度神经网络在线样本库中的在线样本,使用所述网络模型对所述在线样本进行推理,得到推理结果并将所述推理结果传输给所述在线增强样本库;对所述推理结果进行性能检测,对推理结果中的错误进行人工校正并将校正的所述推理结果传输给所述在线增强样本库;当所述在线增强样本库的样本量达到阈值时,所述深度神经网络在线训练引擎提取所述在线增强样本库的增强样本,使用所述增强样本对所述网络模型进行增强。
2.根据权利要求1所述的一种多光源融合的视觉检测系统,其特征在于:所述多方向照明光源和所述多光谱照明光源为圆环或者多边形;
所述多方向照明光源和所述多光谱照明光源包括多个扇区;
在拍摄时,所述视觉控制器按照一定的顺序控制扇区闪光,所述一号摄像头或者所述二号摄像头按照所述顺序接收到检材反射的多个方向的光线。
3.根据权利要求2所述的一种多光源融合的视觉检测系统,其特征在于:所述一号摄像头位于垂直于所述多方向照明光源且垂足在所述多方向照明光源的中心的直线上;
所述二号摄像头位于垂直于所述多光谱照明光源且垂足在所述多光谱照明光源的中心的直线上。
4.根据权利要求3所述的一种多光源融合的视觉检测系统,其特征在于:所述多方向照明光源和所述多光谱照明光源在实体上为一个或者两个光源;
所述一号摄像头和所述二号摄像头在实体上为一个或者两个摄像头。
5.根据权利要求4所述的一种多光源融合的视觉检测系统,其特征在于:所述性能检测得到性能结果,如所述性能结果达到预先设置的性能阈值,对所述网络模型进行上线部署,否则重复所述在线训练过程,直到所述性能结果达到所述性能阈值。
6.根据权利要求1所述的一种多光源融合的视觉检测系统,其特征在于:所述在线训练模块部署于所述视觉控制器上。
7.根据权利要求6所述的一种多光源融合的视觉检测系统,其特征在于:所述视觉控制器还包括人机交互界面、网络模型训练引擎、CPU和GPU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853836.9A CN110514662B (zh) | 2019-09-10 | 2019-09-10 | 一种多光源融合的视觉检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910853836.9A CN110514662B (zh) | 2019-09-10 | 2019-09-10 | 一种多光源融合的视觉检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110514662A CN110514662A (zh) | 2019-11-29 |
CN110514662B true CN110514662B (zh) | 2022-06-28 |
Family
ID=68630467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910853836.9A Active CN110514662B (zh) | 2019-09-10 | 2019-09-10 | 一种多光源融合的视觉检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110514662B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114238269B (zh) * | 2021-12-03 | 2024-01-23 | 中兴通讯股份有限公司 | 数据库参数调整方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202551470U (zh) * | 2012-05-18 | 2012-11-21 | 南昌绿扬光电科技有限公司 | 图像识别智能照明控制系统 |
CN104639843A (zh) * | 2014-12-31 | 2015-05-20 | 小米科技有限责任公司 | 图像处理方法及装置 |
CN107734267A (zh) * | 2017-09-11 | 2018-02-23 | 广东欧珀移动通信有限公司 | 图像处理方法和装置 |
CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
CN109060683A (zh) * | 2018-07-13 | 2018-12-21 | 南京邮电大学 | 双波长光谱仪 |
KR20190089789A (ko) * | 2019-07-11 | 2019-07-31 | 엘지전자 주식회사 | 인공 지능을 이용하여, 사용자의 피부를 관리하는 광 출력 기기 및 그의 동작 방법 |
CN110119768A (zh) * | 2019-04-24 | 2019-08-13 | 苏州感测通信息科技有限公司 | 用于车辆定位的视觉信息融合系统及方法 |
-
2019
- 2019-09-10 CN CN201910853836.9A patent/CN110514662B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202551470U (zh) * | 2012-05-18 | 2012-11-21 | 南昌绿扬光电科技有限公司 | 图像识别智能照明控制系统 |
CN104639843A (zh) * | 2014-12-31 | 2015-05-20 | 小米科技有限责任公司 | 图像处理方法及装置 |
CN107734267A (zh) * | 2017-09-11 | 2018-02-23 | 广东欧珀移动通信有限公司 | 图像处理方法和装置 |
CN109060683A (zh) * | 2018-07-13 | 2018-12-21 | 南京邮电大学 | 双波长光谱仪 |
CN108986050A (zh) * | 2018-07-20 | 2018-12-11 | 北京航空航天大学 | 一种基于多分支卷积神经网络的图像和视频增强方法 |
CN110119768A (zh) * | 2019-04-24 | 2019-08-13 | 苏州感测通信息科技有限公司 | 用于车辆定位的视觉信息融合系统及方法 |
KR20190089789A (ko) * | 2019-07-11 | 2019-07-31 | 엘지전자 주식회사 | 인공 지능을 이용하여, 사용자의 피부를 관리하는 광 출력 기기 및 그의 동작 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN110514662A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10614565B2 (en) | Inspection device and inspection system | |
US20200043157A1 (en) | Inspection Apparatus, Inspection Method, And Program | |
CN107437094B (zh) | 基于机器学习的木板分拣方法及系统 | |
US9773304B2 (en) | Inspection apparatus, inspection method, and program | |
CN110702035A (zh) | 一种基于面结构光的家电喷涂质量检测系统及方法 | |
US20210295545A1 (en) | Three-Dimensional Scanning Image Acquisition and Processing Methods and Apparatuses, and Three-Dimensional Scanning Device | |
CN102053091A (zh) | 一种用于塑胶药瓶表面缺陷的视觉检测装置 | |
CN103940822A (zh) | 一种基于机器视觉的产品外表面缺陷图像采集装置 | |
CN106875468B (zh) | 三维重建装置及方法 | |
CN112132796A (zh) | 以反馈数据自主学习提升检测精度的视觉检测方法和系统 | |
CN110404816A (zh) | 一种基于机械臂的3d曲面玻璃缺陷检测装置及方法 | |
CN110796018A (zh) | 一种基于深度图像和彩色图像的手部运动识别方法 | |
JP3672401B2 (ja) | はんだ付け部検査方法及び検査装置 | |
CN112082999A (zh) | 一种工业产品缺陷检测方法和工业智能相机 | |
CN201955312U (zh) | 一种用于塑胶药瓶表面缺陷的检测装置 | |
CN110514662B (zh) | 一种多光源融合的视觉检测系统 | |
CN109614994A (zh) | 一种瓷砖分类识别方法及装置 | |
CN111702772A (zh) | 一种帮面自动引导涂胶方法及系统 | |
CN109597337A (zh) | 一种机器视觉智能采集与控制系统 | |
CN107891012A (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
CN108198226B (zh) | 一种陶瓷颜色识别方法、电子设备、存储介质及装置 | |
CN106530315B (zh) | 中小型物体全角度下目标提取系统及方法 | |
CN102822655A (zh) | 用于检验镜片的方法和装置 | |
Su et al. | Multi-object surface roughness grade detection based on Faster R-CNN | |
CN107833223B (zh) | 一种基于光谱信息的水果高光谱图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 709-3, Building 2, No. 21 Intercity Road, Suzhou High tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou Shenshi Information Technology Co.,Ltd. Country or region after: China Address before: 200241, room 1027, building B, 555 Dongchuan Road, Shanghai, Minhang District Patentee before: SHANGHAI DEEPSIGHT INFORMATION TECHNOLOGY CO.,LTD. Country or region before: China |