CN110602462B - 一种基于ai的工业图像检测装置及方法 - Google Patents
一种基于ai的工业图像检测装置及方法 Download PDFInfo
- Publication number
- CN110602462B CN110602462B CN201910923558.XA CN201910923558A CN110602462B CN 110602462 B CN110602462 B CN 110602462B CN 201910923558 A CN201910923558 A CN 201910923558A CN 110602462 B CN110602462 B CN 110602462B
- Authority
- CN
- China
- Prior art keywords
- image
- upper computer
- data
- ethernet
- network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 239000000872 buffer Substances 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 208000033749 Small cell carcinoma of the bladder Diseases 0.000 claims description 4
- 238000007639 printing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 201000007710 urinary bladder small cell neuroendocrine carcinoma Diseases 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000010191 image analysis Methods 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
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AI的工业图像检测装置及方法，以嵌入式设备为采集前端，PC机作为上位机实现划痕检测。本系统大致由图像采集、图像传输和图像处理三部分构成。针对工业界零件检测的实际需求，采用了低功耗的STM32F407微处理器芯片，降低了成本。嵌入式端先将采集的图像缓存在存储芯片中，然后通过以太网传输至PC端Qt编写的上位机软件并显示，两者采用TCP/IP通信，同时具有串口通信的功能。图像检测采用YOLOv3目标检测网络实现，利用TensorFlow C++ API将提前训练好的识别划痕的网络移植到上位机，对输入视频或图像进行预测，输出划痕位置的标识。
Description
技术领域
本发明涉及一种基于AI的工业图像检测装置及方法，属于工业零件划痕检测技术。
背景技术
如今越来越多的工厂开始引进先进机器代替人工，生产流水线上的操作人员逐渐被机器替代。一方面，工厂零件的人工检测需要雇佣大量员工，成本较高，另一方面，人工检测会出现精神疲劳而导致漏检、错检等问题，可靠性与实时性没有机器检测高，在精细物体检测方面无法满足检测标准。近年来信息化与工业化加速融合，在工业系统中人工智能技术有着广泛应用。经过了解，大部分人工智能的图像识别应用都是用于日常生活中常见的事物的检测，比如汽车、动物等等，而由于工业上数据库的稀少和数据检测的复杂性，很少有人将其用于工业零件检测方面。由此机器视觉或者人工智能在工业领域的应用与实现变得更加迫切。
发明内容
本发明的目的是为了克服现有技术中存在的不足，一种基于AI的工业图像检测装置及方法，可以适用于工厂流水线零件划痕检测或者其他器件缺陷检测。
为实现上述目的，本发明采用的技术方案为：
一种基于AI的工业图像检测方法，包括嵌入式图像采集端，上位机图像接收端和集成的目标检测网络图像处理部分。嵌入式端将摄像头采集的图像通过以太网接口传输给PC端上位机，上位机端对图像原始数据分析后提取出有效图像帧并进行预处理后送入目标检测网络，随后由神经网络进行预测输出划痕的位置信息，上位机接收到网络输出信息后将其附加在原图上显示。
作为本发明的一种优选，所述嵌入式端包括微处理器，摄像头模块，外部SRAM、以太网芯片和以太网接口插座；所述微处理器通过SCCB总线和DCMI接口对摄像头进行控制；所述外部SRAM与微处理器之间通过FSMC地址总线和数据总线相连；所述以太网芯片与微处理器之间通过RMII接口传输数据，与所述以太网接口插座之间通过两对发送和接收差分线传输数据。
作为本发明的一种优选，所述嵌入式端与PC机通过各自的RJ45接口使用网线连接起来，两者使用以太网进行数据传输通信；所述PC上位机基于Qt编写，划痕目标检测网络采用YOLOv3网络，网络在上位机上的预测采用TensorFlow C++ API移植并实现，上位机软件具有显示接收图像、控制嵌入式端摄像头对焦功能，同时提供实时视频检测和图像检测两个模式，都会将划痕位置标识的结果图显示在上位机界面。
作为本发明的一种优选，所述微处理器采用STM32F407ZGT6，摄像头模块采用ATK-OV5640，外部SRAM 采用IS62WV51216，以太网芯片采用LAN8720A，以太网接口插座采用RJ45。
本发明还公开了一种基于AI的工业图像检测装置的检测方法，包括如下步骤：
步骤1：嵌入式端开始工作后，STM32F407ZGT6微处理器芯片检测摄像头SCCB的应答信号是否正确：若有应答信号，则进入步骤2；否则，打印错误，返回步骤1。
步骤2：摄像头返回应答信号，表示摄像头初始化成功，接着初始化外部SRAM，在其中分配对应的内存缓冲区，STM32F407ZGT6微处理器检测分配内存返回代码：若为分配正确代码，则进入步骤3；否则，打印错误，返回步骤2。
步骤3：内存分配返回分配成功代码，表示成功分配了可以使用的缓冲区，接着初始化UCOSIII操作系统，STM32F407ZGT6微处理器芯片检测操作系统内核初始化返回代码：若为成功代码，则进入步骤4；否则，结束嵌入式程序运行，抛出异常。
步骤4：微处理器接收到UCOSIII初始化成功代码，接着判断LAN8720A的RMII接口是否配置成功：若配置成功，则进入步骤5；否则，返回步骤4。
步骤5：RMII接口配置成功，表示以太网初始化成功，然后配置嵌入式端TCP服务器的IP地址、子网掩码、网关等信息，检查TCP服务器是否启动成功：若启动成功，则进入步骤6；否则，不断重复尝试建立服务器，返回步骤5。
步骤6：TCP服务器建立成功，STM32F407ZGT6微处理器控制摄像头开始采集图像，等待摄像头采集发出不同的中断信号：若接收到DMA中断，则进入步骤7；否则，若接收到DCMI帧中断，则进入步骤8。
步骤7：微处理器接收到DMA中断，说明DMA缓冲区已满，需要对缓冲区进行处理以进行下一次图像数据传输，MCU将当前已满缓冲区中的内容写入SRAM对应空闲区域，进入步骤9。
步骤8：微处理器接收到DCMI帧中断，说明摄像头已经采集到了完整的一帧数据，需要将DMA缓冲区中剩余数据先复制到外部SRAM空闲区，进入步骤9。
步骤9：UCOSIII以太网发送任务判断SRAM缓冲区是否有数据：若有数据，则通过以太网发送接口循环将缓冲区数据发送至上位机，进入步骤10；否则，返回步骤6等待DCMI或者DMA采集中断。
步骤10：嵌入式端有图像数据通过网线传输到PC，则需要打开上位机连接到嵌入式端的IP地址和端口号，开始接收图像数据并显示，进入步骤11。
步骤11：上位机对接收到的图像进行尺寸变换和归一化操作后将其转换为TensorFlow静态图的输入格式，开始进行网络预测，进入步骤12。
步骤12：上位机获取神经网络预测输出，从中提取出划痕位置有关参数，将划痕位置附加在原图上，并将处理结果显示在处理结果界面上，同时计算划痕的条数。
有益效果：
本发明针对传统边缘检测算法对背景的抗干扰性差、速度不稳定、检测后还需进一步判断划痕位置的缺点，提供了一种基于AI的工业图像检测方法，该方法不用肉眼观察划痕是否存在和划痕的位置，直观地就能观察到划痕的各项参数，处理时间较为稳定，从而可以进行视频检测，实现工厂流水线零件瑕疵自动化检测。
附图说明
图1为本发明的系统构架图；
图2为本发明的系统连接示意图；
图3为本发明上位机端不同线程之间的通信示意图；
图4为基于本发明的图像检测流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所述为本发明的系统构架图，包括嵌入式图像采集端，上位机图像接收端和集成的目标检测网络图像处理部分；所述的嵌入式端将摄像头采集的图像通过以太网接口传输给PC端上位机，上位机端对图像原始数据分析后提取出有效图像帧并进行预处理后送入目标检测网络，随后由神经网络进行预测输出划痕的位置信息，上位机接收到网络输出信息后将其附加在原图上显示。
如图2所示，嵌入式端主控芯片首先使用DMA（Direct Memory Access）方式将摄像头采集的原始图像数据传输至MCU内存，接着以太网检测SRAM中数据是否存在，若有数据则读取SRAM第一个有效位置内数据通过TCP经过网线传输给上位机，上位机端对图像原始数据分析后提取出有效图像帧并进行预处理后送入目标检测网络，随后由神经网络进行预测输出划痕的位置信息，上位机接收到网络输出信息后将其附加在原图上显示。
所述摄像头与MCU内存之间的数据传输采用DMA双缓冲模式实现，首先需要先在MCU内存开辟所用双缓冲区。在双缓冲模式下，当DMA控制器填充其中一个内存缓冲区时，MCU可以对另一个已满的缓冲区数据进行复制或者其他操作，如此循环，直到一次传输结束。DMA完全由硬件实现，在DMA传输时MCU可以运行其他系统任务，加快了系统采集图像的速度。
由于DMA传输到内存在复制到外部SRAM速度较快，如果等待以太网将当前帧图像发送结束再命令摄像头采集下一帧，传输的帧率会较慢，为了增大采集图像和传输数据的并行性，所述MCU内存数据复制到外部SRAM和以太网从外部SRAM中读取数据采用了FIFO（First In First Out）算法。FIFO相当于构造了一个循环队列，需要设置FIFO位置的个数和每个位置可存放数据的大小，队列有两个指针：一个写指针fifowritepos标识当前可以写入的下一个空闲位置（指向的数据已经没用，可以被覆盖），一个读指针fiforeadpos标识当前第一个有效数据所处的位置，写指针和读指针在每进行一次操作后会向前进一位，同时读指针一定要比写指针慢，否则读取失败，如此循环进行，则可以最大程度地提高采集和发送图像数据的并行程度。
所述嵌入式端将采集到的图像数据通过以太网传输给上位机后，上位机需要进行数据的接收和解析工作。嵌入式端采集的图像是JPEG格式二进制的原始数据，以太网接收的也是字节数据，因此需要从数据流中提取出JPEG格式图像数据。当为TCP套接字分配的缓冲区满时，上位机端就对网络数据流进行处理。首先将套接字缓冲区中数据读入一个数组，接着对其中数据进行遍历，分析出JPEG头部0xff，0xd8和尾部0xff，0xd9，并按照每一个缓冲区的不同情况分别将其中有效数据附加到一个新开辟的数组缓冲区末尾，而这个新开辟的空间是用来存储有效的图像帧的头到尾的所有数据的，当新的一帧图像到来并被识别时，会清空这个新开辟的空间，存放新的图像数据。
根据以太网通信的原理，数据链路层最大帧长为1500B，而TCP报文段数据是对数据链路层的数据在进行了封装，因此传输的内容大小不可能超过最大帧长1500B，所述嵌入式摄像头采集图像大小为几十KB，远大于1500B,可以得出从TCP缓存区中读出的一批数据要么只含JPEG头标志，要么只含JPEG尾标志，或者两者都没有，不可能出现头尾标志在同一缓冲区的情况，所以总共只有三种以太网包：头包，数据包，尾包。
所述上位机接收并解析完一帧图像后，需要对图像进行尺寸变换以送入目标检测网络预测。所述目标检测网络采用YOLOv3网络架构，在进行预测之前已经对大量流水线零件划痕图片中的划痕进行了标注，并使用这些参数进行分类训练，训练后的网络可以较好地识别不同零件上的划痕，然后把训练好的网络配置和权重文件转换为了对应的TensorFlow的静态图格式，以便在上位机端通过TensorFlow C++ API进行网络的加载。
在上位机端成功加载已经训练完成的网络后，需要等待上位机端成功接收并解析完一帧JPEG格式图像，由于图像解析和图像检测在上位机端被分配在了两个不同的线程进行，如图3，当上位机成功完成上述操作后，主线程将会向目标检测网络图像检测线程tf_thread发送采集到一帧图像的信号，然后继续执行其他操作。在tf_thread接收到图像采集成功的信号时，从对应的共享缓冲区中提取出图片，将其送入神经网络进行预测，得到输出结果后进行分析，将划痕位置附加在原图上生成结果图片，然后向主线程发送预测完成的信号。此时主线程需要取出结果图片并将其显示在上位机界面对应的显示区域上。
在神经网络预测的过程中，需要对图像尺寸进行变换以匹配网络的输入大小，如图4中Init和SetIput即完成了此功能，其中使用OpenCV中的resize函数，所以需要将Qt中图像存储格式QImage首先转换为OpenCV要求的Mat存储格式，同时在变换时选择双线性插值法放缩尽可能地减小变换后图像的失真。由于OpenCV对图像的存储通道是按照BGR顺序，而TensorFlow网络要求通道以RGB排列，所以需要取出Mat格式和TensorFlow输入的tensor格式的每个像素，将原始图像数据的通道B与R交换，复制到目标tensor的每一个像素中，按此方法创建一个新的输入tensor。
创建完TensorFlow所要求的输入图像矩阵后，使用函数接口运行对应的静态图，如图4中的Prediction过程则是执行的网络预测，然后会得到网络的输出矩阵。在所述的网络转换成静态图时，已经使用TensorFlow源代码中提供的静态图分析工具summarize_graph对网络的输出tensor维度进行了分析，在此仅需利用TensorFlow C++ API提供的矩阵和图像变换接口对输出tensor矩阵进行分解并分别提取出划痕位置、划痕的置信度、所属物体类别三个矩阵。在此之后使用TensorFlow提供的非极大值抑制函数对重复预测的标识划痕位置的边界框进行过滤，得到最终真正输出的划痕坐标位置及对应位置是划痕的概率，如图4中的GetOutput过程。在得到输出参数后，上位机程序会分析划痕的位置并将参数通过Qt的画图库将标识划痕位置的边界框的线条附加画在原图上，生成带划痕位置的结果图片，最后将其显示在上位机对应区域。
所述的结果图片上若有划痕被标识出来，上位机对应的处理结果界面会显示对应于本图像帧上的划痕条数，若无划痕，则在此区域显示无划痕，若不处于图像检测模式，对应处理结果和结果图像区域都不会有内容被显示。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于AI的工业图像检测方法，其特征在于，所述的检测方法基于检测装置实现的，所述的检测装置包括嵌入式图像采集端，上位机图像接收端和集成的目标检测网络图像处理部分；所述的嵌入式端将摄像头采集的图像通过以太网接口传输给PC端上位机，上位机端对图像原始数据分析后提取出有效图像帧并进行预处理后送入目标检测网络，随后由神经网络进行预测输出划痕的位置信息，上位机接收到网络输出信息后将其附加在原图上显示；所述嵌入式端包括微处理器，摄像头模块，外部SRAM、以太网芯片和以太网接口插座；所述微处理器通过SCCB总线和DCMI接口对摄像头进行控制；所述外部SRAM与微处理器之间通过FSMC地址总线和数据总线相连；所述以太网芯片与微处理器之间通过RMII接口传输数据，与所述以太网接口插座之间通过两对发送和接收差分线传输数据；其具体包括如下步骤：
步骤1：嵌入式端开始工作后，微处理器芯片检测摄像头SCCB的应答信号是否正确：若有应答信号，则进入步骤2；否则，打印错误，返回步骤1；
步骤2：摄像头返回应答信号，表示摄像头初始化成功，接着初始化外部SRAM，在其中分配对应的内存缓冲区，微处理器检测分配内存返回代码：若为分配正确代码，则进入步骤3；否则，打印错误，返回步骤2；
步骤3：内存分配返回分配成功代码，表示成功分配了可以使用的缓冲区，接着初始化UCOSIII操作系统，微处理器芯片检测操作系统内核初始化返回代码：若为成功代码，则进入步骤4；否则，结束嵌入式程序运行，抛出异常；
步骤4：微处理器接收到UCOSIII初始化成功代码，接着判断以太网芯片的RMII接口是否配置成功：若配置成功，则进入步骤5；否则，返回步骤4；
步骤5：RMII接口配置成功，表示以太网初始化成功，然后配置嵌入式端TCP服务器的IP地址、子网掩码、网关等信息，检查TCP服务器是否启动成功：若启动成功，则进入步骤6；否则，不断重复尝试建立服务器，返回步骤5；
步骤6：TCP服务器建立成功，微处理器控制摄像头开始采集图像，等待摄像头采集发出不同的中断信号：若接收到DMA中断，则进入步骤7；否则，若接收到DCMI帧中断，则进入步骤8；
步骤7：微处理器接收到DMA中断，说明DMA缓冲区已满，需要对缓冲区进行处理以进行下一次图像数据传输，MCU将当前已满缓冲区中的内容写入SRAM对应空闲区域，进入步骤9；
步骤8：微处理器接收到DCMI帧中断，说明摄像头已经采集到了完整的一帧数据，需要将DMA缓冲区中剩余数据先复制到外部SRAM空闲区，进入步骤9；
步骤9：UCOSIII以太网发送任务判断SRAM缓冲区是否有数据：若有数据，则通过以太网发送接口循环将缓冲区数据发送至上位机，进入步骤10；否则，返回步骤6等待DCMI或者DMA采集中断；
步骤10：嵌入式端有图像数据通过网线传输到PC，则需要打开上位机连接到嵌入式端的IP地址和端口号，开始接收图像数据并显示，进入步骤11；
步骤11：上位机对接收到的图像进行尺寸变换和归一化操作后将其转换为TensorFlow静态图的输入格式，开始进行网络预测，进入步骤12；
步骤12：上位机获取神经网络预测输出，从中提取出划痕位置有关参数，将划痕位置附加在原图上，并将处理结果显示在处理结果界面上，同时计算划痕的条数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910923558.XA CN110602462B (zh) | 2019-09-27 | 2019-09-27 | 一种基于ai的工业图像检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910923558.XA CN110602462B (zh) | 2019-09-27 | 2019-09-27 | 一种基于ai的工业图像检测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110602462A CN110602462A (zh) | 2019-12-20 |
| CN110602462B true CN110602462B (zh) | 2020-11-03 |
Family
ID=68864133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910923558.XA Active CN110602462B (zh) | 2019-09-27 | 2019-09-27 | 一种基于ai的工业图像检测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110602462B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539952B (zh) * | 2020-05-15 | 2023-07-18 | 南京工程学院 | 一种划痕检测与结果共享方法 |
| CN113612924A (zh) * | 2021-08-02 | 2021-11-05 | 大连工业大学 | 一种相机图像自动化采集系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472065A (zh) * | 2013-09-06 | 2013-12-25 | 鞍钢股份有限公司 | 一种钢板表面图像采集及数据传输方法 |
| CN205005174U (zh) * | 2015-07-21 | 2016-01-27 | 南通车安电子科技有限公司 | 基于GSM和WiFi的交互式远程图像采集系统 |
| CN107169519A (zh) * | 2017-05-18 | 2017-09-15 | 重庆卓来科技有限责任公司 | 一种工业机器人视觉系统及其示教方法 |
| CN107796309A (zh) * | 2016-09-06 | 2018-03-13 | 鞍钢股份有限公司 | 一种嵌入式系统与千兆以太网的带钢宽度信息检测方法 |
| JP2019046149A (ja) * | 2017-09-01 | 2019-03-22 | コニカミノルタ株式会社 | 作物栽培支援装置 |
| CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20080093200A (ko) * | 2007-04-16 | 2008-10-21 | 주식회사 하이닉스반도체 | 반도체 소자의 결함 검출 방법 |
| US8331809B2 (en) * | 2010-07-09 | 2012-12-11 | Xerox Corporation | Current monitoring to detect photoreceptor scratches |
-
2019
- 2019-09-27 CN CN201910923558.XA patent/CN110602462B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472065A (zh) * | 2013-09-06 | 2013-12-25 | 鞍钢股份有限公司 | 一种钢板表面图像采集及数据传输方法 |
| CN205005174U (zh) * | 2015-07-21 | 2016-01-27 | 南通车安电子科技有限公司 | 基于GSM和WiFi的交互式远程图像采集系统 |
| CN107796309A (zh) * | 2016-09-06 | 2018-03-13 | 鞍钢股份有限公司 | 一种嵌入式系统与千兆以太网的带钢宽度信息检测方法 |
| CN107169519A (zh) * | 2017-05-18 | 2017-09-15 | 重庆卓来科技有限责任公司 | 一种工业机器人视觉系统及其示教方法 |
| JP2019046149A (ja) * | 2017-09-01 | 2019-03-22 | コニカミノルタ株式会社 | 作物栽培支援装置 |
| CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110602462A (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019085605A1 (zh) | 一种基于cpu+gpu+fpga架构的自动光学检测系统 | |
| CN107527317B (zh) | 基于图像处理的数据传输系统 | |
| CN110602462B (zh) | 一种基于ai的工业图像检测装置及方法 | |
| CN112810553B (zh) | 基于自适应平台汽车开放系统架构的数据可视化系统 | |
| CN113096201B (zh) | 嵌入式视频图像深度学习方法、设备及存储介质 | |
| CN103268238A (zh) | 基于ReWorks操作系统的USB摄像头驱动实现的方法 | |
| CN111830039B (zh) | 一种智能化的产品质量检测方法及装置 | |
| CN111062894A (zh) | 人工智能处理器以及人工智能分析设备 | |
| US11978267B2 (en) | Automatic multi-plate recognition | |
| CN110263704B (zh) | 人脸数据采集方法、装置、服务器、视频采集器及介质 | |
| CN116403200A (zh) | 基于硬件加速的车牌实时识别系统 | |
| US7391451B2 (en) | Reconfigurable, multi-output frame grabber for machine vision applications | |
| CN112085038A (zh) | 一种基于多核dsp的高速视频图像处理方法及系统 | |
| CN210694184U (zh) | 人工智能分析设备以及人工智能处理器 | |
| CN211349420U (zh) | 人工智能分析设备以及人工智能处理器 | |
| CN113489791A (zh) | 图像上传方法、图像处理方法及相关装置 | |
| CN114691603A (zh) | 目标信息存储方法、装置、电子设备及介质 | |
| CN113096012A (zh) | 单目多帧视频图像拼接系统、方法、设备及存储介质 | |
| CN104025028A (zh) | 在视频分析中的视频编码 | |
| CN113095231B (zh) | 基于分类对象的视频识别方法、系统、设备及存储介质 | |
| CN113780164B (zh) | 一种头部姿态识别方法及终端 | |
| CN215181958U (zh) | 一种分布式智能图像分析系统 | |
| CN114760414B (zh) | 一种用于cmv4000相机的图像采集与处理系统 | |
| CN111570332B (zh) | 人机协作分选系统及其作业方法 | |
| CN101437118B (zh) | 一种摄像机靶面疵点自动检测剔除方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191220 Assignee: Jiangsu Nangong Testing Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2024980001802 Denomination of invention: An AI based industrial image detection device and method Granted publication date: 20201103 License type: Common License Record date: 20240202 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191220 Assignee: Nanjing Dingbo controller Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2024980002011 Denomination of invention: An AI based industrial image detection device and method Granted publication date: 20201103 License type: Common License Record date: 20240206 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191220 Assignee: Nanjing Institute of Engineering Technical Service Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2024980002478 Denomination of invention: An AI based industrial image detection device and method Granted publication date: 20201103 License type: Common License Record date: 20240305 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191220 Assignee: Nanjing Chuangxin Technology Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2024980002730 Denomination of invention: An AI based industrial image detection device and method Granted publication date: 20201103 License type: Common License Record date: 20240312 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191220 Assignee: NANJING CHUANGYI INTELLIGENT TECHNOLOGY Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2024980003129 Denomination of invention: An AI based industrial image detection device and method Granted publication date: 20201103 License type: Common License Record date: 20240322 |
|
| EE01 | Entry into force of recordation of patent licensing contract |