CN110530863B - 一种汽车轮毂混包检测装置及方法 - Google Patents

一种汽车轮毂混包检测装置及方法 Download PDF

Info

Publication number
CN110530863B
CN110530863B CN201910798171.6A CN201910798171A CN110530863B CN 110530863 B CN110530863 B CN 110530863B CN 201910798171 A CN201910798171 A CN 201910798171A CN 110530863 B CN110530863 B CN 110530863B
Authority
CN
China
Prior art keywords
hub
points
image
arc
point
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
Application number
CN201910798171.6A
Other languages
English (en)
Other versions
CN110530863A (zh
Inventor
李烜
孙华志
王建全
吴昊聪
郜鹏宇
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.)
Nanjing Moshao Information Technology Co ltd
Original Assignee
Nanjing Moshao Information Technology Co ltd
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 Nanjing Moshao Information Technology Co ltd filed Critical Nanjing Moshao Information Technology Co ltd
Priority to CN201910798171.6A priority Critical patent/CN110530863B/zh
Publication of CN110530863A publication Critical patent/CN110530863A/zh
Application granted granted Critical
Publication of CN110530863B publication Critical patent/CN110530863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G01N2021/8411—Application to online plant, process monitoring
    • 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
    • G06V10/443—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 by matching or filtering

Abstract

本发明公开了一种汽车轮毂混包检测装置，包括获取装置，用于拍摄轮毂图像；处理装置，用于对拍摄的轮毂图像进行轮毂类型识别；存储装置，用于存储识别出的轮毂信息；示警装置，用于检测到混包轮毂时进行示警。本发明能够改进现有技术的不足，在保证识别准确度的前提下，提高识别速度。

Description

一种汽车轮毂混包检测装置及方法
技术领域
本发明涉及自动化视觉识别领域，尤其是一种汽车轮毂混包检测装置及方法。
背景技术
随着汽车产业的高速发展，轮毂生产流水线日均产量急剧增加，如此规模的生产也给后续的轮毂装配包装带来了巨大的压力，因此经常发生轮毂混包。即原本一个包装内的数个同一型号的轮毂混入1个或2个其他型号的轮毂，导致该包轮毂无法交付给组装车间。而传统的人工分拣，由于工人的劳动程度大，很容易产生视觉疲劳，加之轮毂生产线的速度快等各方面原因，导致对特定型号包装内的错误轮毂识别效率很低。
虽然通过使用机器视觉识别技术可以代替人工分拣，但是现有的机器视觉识别技术过于依赖图像处理的精确度，导致识别速度较慢，成为了整个生产流水线的效率瓶颈。
发明内容
本发明要解决的技术问题是提供一种汽车轮毂混包检测装置及方法，能够解决现有技术的不足，在保证识别准确度的前提下，提高识别速度。
为解决上述技术问题，本发明所采取的技术方案如下。
一种汽车轮毂混包检测装置，包括，
获取装置，用于拍摄轮毂图像；
处理装置，用于对拍摄的轮毂图像进行轮毂类型识别；
存储装置，用于存储识别出的轮毂信息；
示警装置，用于检测到混包轮毂时进行示警。
所述获取装置包括放置在生产线终端点位正上方的遮光箱体，遮光箱体底部的两端分别安装有红外传感器，遮光箱体顶部安装有工业CCD相机，工业CCD相机的两侧分别安装有光源。
一种上述的汽车轮毂混包检测装置的检测方法，包括以下步骤：
A、当轮毂经过获取装置时，拍摄轮毂图像；
B、对拍摄的轮毂图像进行轮毂类型识别；
C、将识别出的轮毂的信息进行存储；
D、当识别出的轮毂类型与前一次不一致时进行示警。
作为优选，步骤B中，对拍摄的轮毂图像进行轮毂类型识别包括以下步骤，
B1、对图像中的轮毂区域进行定位标记；
B2、在轮毂区域中标记识别特征；
B3、根据标记的识别特征与数据库中存储的轮毂特征进行比对，与识别特征匹配度最高的轮毂类型即为待识别轮毂的轮毂类型。
作为优选，步骤B1中对图像中的轮毂区域进行定位标记包括以下步骤，
B11、将轮毂图像转化为灰度图像；
B12、在灰度图像中提取弧支持线段，将弧支持线段进行分组，同组的弧支持线段极性相同，且任意一个弧支持线段与其他所有弧支持线段的平均距离小于设定阈值，平均距离指的是两个弧支持线段上像素点之间的最小距离和像素点之间的最大距离的平均值；
B13、对同组的弧支持线段进行拟合，获得拟合弧线段；
B14、使用拟合弧线段组成半径最大的圆形区域，即为轮毂区域。
作为优选，步骤B13中，获得拟合弧线段后，在拟合弧线段上标记第一特征点，第一特征点的标记包括以下步骤，
B131、将拟合弧线段与拟合前的弧支持线段的交点作为预选点；
B132、若任意两个预选点的距离小于设定阈值，则取在拟合弧线段上与所述两个预选点距离相同的点作为代替点；
B133、若拟合弧线段上没有预选点，则使用拟合弧线段的中点作为代替点；
B134、将代替点和剩余的预选点作为第一特征点。
作为优选，步骤B14中，若轮毂区域未包括全部第一特征点，则扩大轮毂区域的半径，保证全部第一特征点均位于轮毂区域内。
作为优选，步骤B2中，在轮毂区域中标记识别特征包括以下步骤，
B21、在轮毂区域建立直角坐标系，对轮毂区域内非第一特征点的像素点进行遍历，以像素点为起点，分别计算X轴和Y轴方向上的灰度变化率，若该像素点X轴的灰度变化率绝对值与Y轴的灰度变化率绝对值大于设定阈值，则标记该像素点为第二特征点；
B22、用直线段连接每个第二特征点与其距离最近的第一特征点，求出直线段在直角坐标系下的一次函数；
B23、建立任意两个一次函数之间的变换关系，保证所有一次函数均有与其相关的变换关系。
作为优选，步骤B21中，保证直角坐标系的四个象限均存在第二特征点，若不满足上述条件，则使用现有的第二特征点对X轴或Y轴做镜像，补充新的第二特征点。
作为优选，步骤D中，首先对第二特征点的位置进行比对，若第二特征点比对成功率大于75%，则判定为同一型号轮毂；否则，再对未比对成功的第二特征点所涉及的一次函数之间的变换关系进行比对，若变换关系一直，则判定相应的第二特征点比对成功，经过变换关系的比对后，若第二特征点比对成功率大于75%，则判定为同一型号轮毂，否则判定为非同一型号轮毂。
采用上述技术方案所带来的有益效果在于：本发明通过对图像中弧支持线段的分组和拟合，快速定位轮毂区域，然后通过建立轮毂区域边缘的第一特征点和轮毂区域内部的第二特征点的关联关系，不再单纯依靠对单个特征点的比对实现轮毂型号的识别，可以减少特征点数量，并有效消除由于拍摄角度、位置和光照等外部条件对识别过程的干扰。
附图说明
图1是本发明一个具体实施方式的系统原理图。
图2是本发明一个具体实施方式中获取装置的结构图。
图中：1、红外传感器；2、光源；3、工业CCD相机；4、遮光箱体；5、获取装置；6、处理装置；7、存储装置；8、示警装置。
具体实施方式
参照图1-2，本发明一个具体实施方式包括，
获取装置5，用于拍摄轮毂图像；
处理装置6，用于对拍摄的轮毂图像进行轮毂类型识别；
存储装置7，用于存储识别出的轮毂信息；
示警装置8，用于检测到混包轮毂时进行示警。
获取装置5包括放置在生产线终端点位正上方的遮光箱体4，遮光箱体4底部的两端分别安装有红外传感器1，遮光箱体4顶部安装有工业CCD相机3，工业CCD相机3的两侧分别安装有光源2。
一种上述的汽车轮毂混包检测装置的检测方法，包括以下步骤：
A、当轮毂经过获取装置5时，拍摄轮毂图像；
B、对拍摄的轮毂图像进行轮毂类型识别；
C、将识别出的轮毂的信息进行存储；
D、当识别出的轮毂类型与前一次不一致时进行示警。
步骤B中，对拍摄的轮毂图像进行轮毂类型识别包括以下步骤，
B1、对图像中的轮毂区域进行定位标记；
B2、在轮毂区域中标记识别特征；
B3、根据标记的识别特征与数据库中存储的轮毂特征进行比对，与识别特征匹配度最高的轮毂类型即为待识别轮毂的轮毂类型。
步骤B1中对图像中的轮毂区域进行定位标记包括以下步骤，
B11、将轮毂图像转化为灰度图像；
B12、在灰度图像中提取弧支持线段，将弧支持线段进行分组，同组的弧支持线段极性相同，且任意一个弧支持线段与其他所有弧支持线段的平均距离小于设定阈值，平均距离指的是两个弧支持线段上像素点之间的最小距离和像素点之间的最大距离的平均值；
B13、对同组的弧支持线段进行拟合，获得拟合弧线段；
B14、使用拟合弧线段组成半径最大的圆形区域，即为轮毂区域。
步骤B13中，获得拟合弧线段后，在拟合弧线段上标记第一特征点，第一特征点的标记包括以下步骤，
B131、将拟合弧线段与拟合前的弧支持线段的交点作为预选点；
B132、若任意两个预选点的距离小于设定阈值，则取在拟合弧线段上与所述两个预选点距离相同的点作为代替点；
B133、若拟合弧线段上没有预选点，则使用拟合弧线段的中点作为代替点；
B134、将代替点和剩余的预选点作为第一特征点。
步骤B14中，若轮毂区域未包括全部第一特征点，则扩大轮毂区域的半径，保证全部第一特征点均位于轮毂区域内。
步骤B2中，在轮毂区域中标记识别特征包括以下步骤，
B21、在轮毂区域建立直角坐标系，对轮毂区域内非第一特征点的像素点进行遍历，以像素点为起点，分别计算X轴和Y轴方向上的灰度变化率，若该像素点X轴的灰度变化率绝对值与Y轴的灰度变化率绝对值大于设定阈值，则标记该像素点为第二特征点；
B22、用直线段连接每个第二特征点与其距离最近的第一特征点，求出直线段在直角坐标系下的一次函数；
B23、建立任意两个一次函数之间的变换关系，保证所有一次函数均有与其相关的变换关系。
步骤B21中，保证直角坐标系的四个象限均存在第二特征点，若不满足上述条件，则使用现有的第二特征点对X轴或Y轴做镜像，补充新的第二特征点。
步骤D中，首先对第二特征点的位置进行比对，若第二特征点比对成功率大于75%，则判定为同一型号轮毂；否则，再对未比对成功的第二特征点所涉及的一次函数之间的变换关系进行比对，若变换关系一直，则判定相应的第二特征点比对成功，经过变换关系的比对后，若第二特征点比对成功率大于75%，则判定为同一型号轮毂，否则判定为非同一型号轮毂。
本发明可以将单个轮毂的识别时间控制在1.5s以内，识别准确率高于99.99%。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种汽车轮毂混包检测装置的检测方法，所述汽车轮毂混包检测装置，其特征在于：包括，
获取装置（5），用于拍摄轮毂图像；
处理装置（6），用于对拍摄的轮毂图像进行轮毂类型识别；
存储装置（7），用于存储识别出的轮毂信息；
示警装置（8），用于检测到混包轮毂时进行示警；
获取装置（5）包括放置在生产线终端点位正上方的遮光箱体（4），遮光箱体（4）底部的两端分别安装有红外传感器（1），遮光箱体（4）顶部安装有工业CCD相机（3），工业CCD相机（3）的两侧分别安装有光源（2）；
其特征在于包括以下步骤：
A、当轮毂经过获取装置（5）时，拍摄轮毂图像；
B、对拍摄的轮毂图像进行轮毂类型识别；
对拍摄的轮毂图像进行轮毂类型识别包括以下步骤，
B1、对图像中的轮毂区域进行定位标记；
对图像中的轮毂区域进行定位标记包括以下步骤，
B11、将轮毂图像转化为灰度图像；
B12、在灰度图像中提取弧支持线段，将弧支持线段进行分组，同组的弧支持线段极性相同，且任意一个弧支持线段与其他所有弧支持线段的平均距离小于设定阈值，平均距离指的是两个弧支持线段上像素点之间的最小距离和像素点之间的最大距离的平均值；
B13、对同组的弧支持线段进行拟合，获得拟合弧线段；
B14、使用拟合弧线段组成半径最大的圆形区域，即为轮毂区域；
B2、在轮毂区域中标记识别特征；
B3、根据标记的识别特征与数据库中存储的轮毂特征进行比对，与识别特征匹配度最高的轮毂类型即为待识别轮毂的轮毂类型；
C、将识别出的轮毂的信息进行存储；
D、当识别出的轮毂类型与前一次不一致时进行示警。
2.根据权利要求1所述的汽车轮毂混包检测装置的检测方法，其特征在于：步骤B13中，获得拟合弧线段后，在拟合弧线段上标记第一特征点，第一特征点的标记包括以下步骤，
B131、将拟合弧线段与拟合前的弧支持线段的交点作为预选点；
B132、若任意两个预选点的距离小于设定阈值，则取在拟合弧线段上与所述两个预选点距离相同的点作为代替点；
B133、若拟合弧线段上没有预选点，则使用拟合弧线段的中点作为代替点；
B134、将代替点和剩余的预选点作为第一特征点。
3.根据权利要求2所述的汽车轮毂混包检测装置的检测方法，其特征在于：步骤B14中，若轮毂区域未包括全部第一特征点，则扩大轮毂区域的半径，保证全部第一特征点均位于轮毂区域内。
4.根据权利要求3所述的汽车轮毂混包检测装置的检测方法，其特征在于：步骤B2中，在轮毂区域中标记识别特征包括以下步骤，
B21、在轮毂区域建立直角坐标系，对轮毂区域内非第一特征点的像素点进行遍历，以像素点为起点，分别计算X轴和Y轴方向上的灰度变化率，若该像素点X轴的灰度变化率绝对值与Y轴的灰度变化率绝对值大于设定阈值，则标记该像素点为第二特征点；
B22、用直线段连接每个第二特征点与其距离最近的第一特征点，求出直线段在直角坐标系下的一次函数；
B23、建立任意两个一次函数之间的变换关系，保证所有一次函数均有与其相关的变换关系。
5.根据权利要求4所述的汽车轮毂混包检测装置的检测方法，其特征在于：步骤B21中，保证直角坐标系的四个象限均存在第二特征点，若不满足上述条件，则使用现有的第二特征点对X轴或Y轴做镜像，补充新的第二特征点。
6.根据权利要求5所述的汽车轮毂混包检测装置的检测方法，其特征在于：步骤D中，首先对第二特征点的位置进行比对，若第二特征点比对成功率大于75%，则判定为同一型号轮毂；否则，再对未比对成功的第二特征点所涉及的一次函数之间的变换关系进行比对，若变换关系一直，则判定相应的第二特征点比对成功，经过变换关系的比对后，若第二特征点比对成功率大于75%，则判定为同一型号轮毂，否则判定为非同一型号轮毂。
CN201910798171.6A 2019-08-27 2019-08-27 一种汽车轮毂混包检测装置及方法 Active CN110530863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910798171.6A CN110530863B (zh) 2019-08-27 2019-08-27 一种汽车轮毂混包检测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910798171.6A CN110530863B (zh) 2019-08-27 2019-08-27 一种汽车轮毂混包检测装置及方法

Publications (2)

Publication Number Publication Date
CN110530863A CN110530863A (zh) 2019-12-03
CN110530863B true CN110530863B (zh) 2022-04-05

Family

ID=68664536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910798171.6A Active CN110530863B (zh) 2019-08-27 2019-08-27 一种汽车轮毂混包检测装置及方法

Country Status (1)

Country Link
CN (1) CN110530863B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750693A (zh) * 2012-05-31 2012-10-24 重庆大学 Zernike矩对曲线边缘高精度定位的修正方法
CN103425969A (zh) * 2013-08-07 2013-12-04 华南理工大学 一种识别轮毂型号的检测系统及其检测方法
US9595038B1 (en) * 2015-05-18 2017-03-14 Amazon Technologies, Inc. Inventory confirmation
CN107273859A (zh) * 2017-06-20 2017-10-20 南京末梢信息技术有限公司 一种照片自动标记方法及其系统
CN107301638A (zh) * 2017-05-27 2017-10-27 东南大学 一种基于弧支持线段的椭圆检测方法
CN107578438A (zh) * 2017-07-13 2018-01-12 南京协辰电子科技有限公司 圆识别方法、装置及电子设备
CN108168459A (zh) * 2017-12-29 2018-06-15 南京埃克里得视觉技术有限公司 一种汽车轮毂识别匹配方法
CN108171154A (zh) * 2017-12-27 2018-06-15 邦鼓思电子科技（上海）有限公司 一种自动驾驶中目标检测与车道检测结合的方法
CN108491841A (zh) * 2018-03-21 2018-09-04 东南大学 一种汽车轮毂类型识别监控管理系统及方法
CN109614977A (zh) * 2018-11-14 2019-04-12 华南理工大学 一种轮毂型号识别方法
CN110097121A (zh) * 2019-04-30 2019-08-06 北京百度网讯科技有限公司 一种行驶轨迹的分类方法、装置、电子设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750693A (zh) * 2012-05-31 2012-10-24 重庆大学 Zernike矩对曲线边缘高精度定位的修正方法
CN103425969A (zh) * 2013-08-07 2013-12-04 华南理工大学 一种识别轮毂型号的检测系统及其检测方法
US9595038B1 (en) * 2015-05-18 2017-03-14 Amazon Technologies, Inc. Inventory confirmation
CN107301638A (zh) * 2017-05-27 2017-10-27 东南大学 一种基于弧支持线段的椭圆检测方法
CN107273859A (zh) * 2017-06-20 2017-10-20 南京末梢信息技术有限公司 一种照片自动标记方法及其系统
CN107578438A (zh) * 2017-07-13 2018-01-12 南京协辰电子科技有限公司 圆识别方法、装置及电子设备
CN108171154A (zh) * 2017-12-27 2018-06-15 邦鼓思电子科技（上海）有限公司 一种自动驾驶中目标检测与车道检测结合的方法
CN108168459A (zh) * 2017-12-29 2018-06-15 南京埃克里得视觉技术有限公司 一种汽车轮毂识别匹配方法
CN108491841A (zh) * 2018-03-21 2018-09-04 东南大学 一种汽车轮毂类型识别监控管理系统及方法
CN109614977A (zh) * 2018-11-14 2019-04-12 华南理工大学 一种轮毂型号识别方法
CN110097121A (zh) * 2019-04-30 2019-08-06 北京百度网讯科技有限公司 一种行驶轨迹的分类方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"A Method of Hub Auto-Recognition on Line ";Chen Liukui 等;《IEEE》;20111231;第630-633页 *
"Research on automatic recognition system for code of wheel hub model based on OCR ";Guang Yang 等;《VIBROENGINEERING PROCEDIA》;20190331;第22卷;第140-145页 *
"基于计算机视觉的轮毂型号识别";管永来;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190531(第5期);第C035-268 *

Also Published As

Publication number Publication date
CN110530863A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN111896556B (zh) 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统
CN107610176B (zh) 一种基于Kinect的栈板动态识别与定位方法、系统及介质
CN106824816A (zh) 一种基于机器视觉的pe瓶检测与分拣方法
CN103063137B (zh) 一种基于机器视觉的药瓶测量系统及其测量方法
CN113537301B (zh) 基于模板自适应匹配瓶体标签的缺陷检测方法
CN110610141A (zh) 一种物流仓储规则形状货物识别系统
CN104217441A (zh) 一种基于机器视觉的机械臂定位抓取方法
CN105954301A (zh) 一种基于机器视觉的瓶口质量检测方法
CN104613869A (zh) 一种基于最大内切圆的椭圆孔组检测方法和系统
CN110807354B (zh) 一种工业流水线产品计数方法
CN107891012B (zh) 基于等效算法的珍珠大小及圆形度分拣装置
CN116843757A (zh) 基于计算机视觉的贴标机智能定位方法
CN111330874A (zh) 药瓶底部区域污染或杂物缺陷检测装置及其检测方法
CN105945953A (zh) 一种机器人的视觉识别系统
CN110530863B (zh) 一种汽车轮毂混包检测装置及方法
CN106097323B (zh) 一种基于机器视觉的发动机气缸体铸件的定位方法
CN114494169A (zh) 基于机器视觉的工业柔性物体检测方法
CN109086643B (zh) 一种基于机器视觉的彩盒标签检测方法及系统
CN116573366B (zh) 基于视觉的皮带跑偏检测方法、系统、设备及存储介质
CN111127494B (zh) 基于图像处理的高速公路货车限重识别方法
CN108734054A (zh) 无遮挡的柑橘果实图像识别方法
CN109461150B (zh) 一种基于机器视觉的纱线管颜色分拣方法
CN109242874A (zh) 一种准编织袋物流包裹快速识别方法及系统
CN109521029B (zh) 一种卡口式汽车车灯灯头侧面外观缺陷的检测方法
CN113588655A (zh) 一种mdf纤维线条表面缺陷的检测装置及其工作方法

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