CN111104542B - 零件识别管理方法及装置 - Google Patents
零件识别管理方法及装置 Download PDFInfo
- Publication number
- CN111104542B CN111104542B CN202010015557.8A CN202010015557A CN111104542B CN 111104542 B CN111104542 B CN 111104542B CN 202010015557 A CN202010015557 A CN 202010015557A CN 111104542 B CN111104542 B CN 111104542B
- Authority
- CN
- China
- Prior art keywords
- identified
- identification
- target picture
- information
- database
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种零件识别管理方法及装置,方法包括:获取包含待识别零件的目标图片;通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息;根据所述待识别零件的零件信息在仓库中对所述待识别零件进行管理。本发明的方案可以实现快速识别零件信息、有效管理零件库存。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种零件识别管理方法及装置、电子设备。
背景技术
现代工业生产中会用到大量不同类型的零件,单个装置或者装备都可能具有上万甚至更多的零件。例如一般轿车约由1万个不可拆解的独立零部件组装而成,结构极其复杂的特制汽车,如F1赛车等,其独立零部件的数量可达到2万个之多。而一架波音747需要近600万个零部件,而波音767和777则需要300多万个零件。因此大部分技术人员也不可能完全认识全部的零件种类,同时大量零件的管理也是一个很大的难题,如何快速识别零件的类型信息和应用场景,如何有效管理零件的库存是急需解决的技术问题。
发明内容
本发明的目的在于提供一种零件识别管理方法及装置、电子设备,实现快速识别零件信息、有效管理零件库存。具体技术方案如下:
为达到上述目的,本发明提供了一种零件识别管理方法,包括:
获取包含待识别零件的目标图片;
通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;
根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息;
根据所述待识别零件的零件信息在仓库中对所述待识别零件进行管理。
可选的,在所述的零件识别管理方法中,所述神经网络模型为卷积神经网络模型或深度残差网络模型。
可选的,在所述的零件识别管理方法中,所述零件仓储数据库中存储有各个零件的零件名称、库存数量、产品信息和使用说明。
可选的,在所述的零件识别管理方法中,所述零件识别模型部署在客户端,所述客户端设置有摄像头以获取包含所述待识别零件的目标图片,所述零件仓储数据库设置在服务器端,所述客户端与所述服务器端连接;
所述客户端通过所述零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称,并访问所述服务器端的所述零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息,再根据所述零件信息在仓库中对所述待识别零件进行管理。
可选的,在所述的零件识别管理方法中,所述零件识别模型和所述零件仓储数据库部署在服务器端;
所述目标图片通过客户端获取,所述客户端部署有预先训练的区域识别模型;
所述客户端通过所述区域识别模型从所述目标图片中识别出零件区域,并对所述零件区域进行切片,将切片后的所述零件区域发送给所述服务器端进行识别。
可选的,在所述的零件识别管理方法中,当所述零件区域占所述目标图片的比例超过第一预设阈值时,若所述目标图片的大小不超过第二预设阈值,则直接将所述目标图片发送给所述服务器端进行识别,否则将所述目标图片进行压缩处理,再将压缩后的所述目标图片发送给所述服务器端进行识别;或
当切片后的所述零件区域的大小超过第二预设阈值时,对切片后的所述零件区域进行压缩处理,并将压缩后的所述零件区域发送给所述服务器端。
可选的,在所述的零件识别管理方法中,在得到所述待识别零件的零件名称后,还包括:
在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;所述近似零件数据库中记录有相似零件之间的区别特征;
如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。
可选的,在所述的零件识别管理方法中,当所述目标图片中所述待识别零件刻有字符信息时,所述方法还包括:
通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;所述字符识别模型为神经网络模型;
将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证获得到的所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。
基于同一发明构思,本发明还提供了一种零件识别管理装置,包括:
图片获取模块,用于获取包含待识别零件的目标图片;
零件识别模块,用于通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;
信息获取模块,用于根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;
零件管理模块,用于根据所述零件信息在仓库中对所述待识别零件进行管理。
可选的,在所述的零件识别管理装置中,所述神经网络模型为卷积神经网络模型或深度残差网络模型。
可选的,在所述的零件识别管理装置中,所述零件数据库中存储有各个零件的零件名称、数量、产品信息和使用说明。
可选的,在所述的零件识别管理装置中,所述零件识别模型部署在客户端,所述客户端设置有摄像头以获取包含待识别零件的目标图片,所述零件仓储数据库设置在服务器端,所述客户端与所述服务器端连接;
所述客户端通过所述零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称,并访问所述服务器端的所述零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息,再根据所述零件信息在仓库中对所述待识别零件进行管理。
可选的,在所述的零件识别管理装置中,所述零件识别模型和所述零件仓储数据库部署在服务器端;
所述目标图片通过客户端获取,所述客户端部署有预先训练的区域识别模型;
所述客户端通过所述区域识别模型从所述目标图片中识别出零件区域,并对所述零件区域进行切片,将切片后的所述零件区域发送给所述服务器端进行识别。
可选的,在所述的零件识别管理装置中,当所述零件区域占所述目标图片的比例超过第一预设阈值时,若所述目标图片的大小不超过第二预设阈值,则直接将所述目标图片发送给所述服务器端进行识别,否则将所述目标图片进行压缩处理,再将压缩后的所述目标图片发送给所述服务器端进行识别;或
当切片后的所述零件区域的大小超过第二预设阈值时,对切片后的所述零件区域进行压缩处理,并将压缩后的所述零件区域发送给所述服务器端。
可选的,在所述的零件识别管理装置中,所述零件识别模块在得到所述待识别零件的零件名称后,还用于:
在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;所述近似零件数据库中记录有相似零件之间的区别特征;
如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。
可选的,在所述的零件识别管理装置中,当所述目标图片中所述待识别零件刻有字符信息时,所述零件识别模块还用于:通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;所述字符识别模型为神经网络模型;
所述信息获取模块,还用于:将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。
基于同一发明构思,本发明还提供了一种手持设备,包括摄像头、处理单元和显示屏,所述摄像头和所述处理单元电连接,所述处理单元和所述显示屏电连接;
所述摄像头,用于:拍摄包含待识别零件的目标图片;
所述处理单元,用于:获取所述摄像头拍摄的包含待识别零件的目标图片;通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;将所述待识别零件的零件信息通过所述显示屏进行显示,以便于用户根据所述显示屏显示的零件信息对所述待识别零件进行管理;
其中,所述零件识别模型为神经网络模型,所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息。
基于同一发明构思,本发明还提供一种零件识别管理系统,包括一手持设备和一服务器,所述手持设备和所述服务器通信连接,所述服务器设置有预先建立的零件仓储数据库,所述手持设备包括摄像头、处理单元和显示屏,所述摄像头和所述处理单元电连接,所述处理单元和所述显示屏电连接;
所述摄像头,用于:拍摄包含待识别零件的目标图片;
所述处理单元,用于:获取所述摄像头拍摄的包含待识别零件的目标图片;通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;访问所述服务器的零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息;将所述待识别零件的零件信息通过所述显示屏进行显示,以便于用户根据所述显示屏显示的零件信息对所述待识别零件进行管理;
其中,所述零件识别模型为神经网络模型,所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息。
基于同一发明构思,本发明还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述任一项所述的零件识别管理方法的步骤。
与现有技术相比,本发明提供的零件识别管理方法、装置及系统、手持设备、电子设备具有以下优点:
首先通过零件识别模型识别所述目标图片中待识别零件的零件名称,然后根据所述零件名称从零件仓储数据库中获得所述待识别零件的零件信息,最后根据所述零件信息在仓库中对所述待识别零件进行管理,从而实现快速识别零件信息、有效管理零件库存。尤其是对于大量零件的管理,可以极大的提高零件识别和库存管理的效率以及准确率。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的零件识别管理方法的流程示意图;
图2是本发明一实施例提供的零件识别管理装置的结构示意图;
图3是本发明一实施例提供的手持设备的结构示意图;
图4是本发明一实施例提供的零件识别管理系统的结构示意图;
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种零件识别管理方法、装置及系统、手持设备、电子设备作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
本发明的核心思想在于提供一种零件识别管理方法、装置及系统、手持设备、电子设备,可以实现快速识别零件信息、有效管理零件库存。
需要说明的是,本发明实施例的零件识别管理方法可应用于本发明实施例的零件识别管理装置,该零件识别管理装置可被配置于电子设备上。其中,该电子设备可以是个人计算机、移动终端等,该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
图1示意性地给出了本发明一实施例提供的一种零件识别管理方法的流程示意图。如图1所示,本发明提供的零件识别管理方法包括如下步骤:
步骤S101,获取包含待识别零件的目标图片。
此步骤中,当用户需要使用某一零件时,可拍摄该零件的图片进行识别管理,该零件即为待识别零件。待识别零件可以为:工程师需要替换的现有的损坏零件或旧零件,已有但缺少数量的零件(即工程师缺失的零件或者管理员需要补充库存的零件),或者安装手册、操作手册、维修手册等显示的零件。通过本发明实施例的方法进行零件的识别管理,便于工程师或管理员从仓库中领取零件或者管理相应零件的库存。
步骤S102,通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称。
所述零件识别模型为神经网络模型。上述神经网络例如可以包括深度卷积神经网络(CNN)或者深度残差网络(Resnet)。其中,深度卷积神经网络为深度前馈神经网络,其利用卷积核扫描零件的目标图片,提取出目标图片中待识别的特征,进而对零件待识别的特征进行识别。另外,在对目标图片进行识别的过程中,可以直接将原始目标图片输入深度卷积神经网络模型,而无需对目标图片进行预处理。深度卷积神经网络模型相比于其他的识别模型,具备更高的识别准确率以及识别效率。而深度残差网络模型相比于深度卷积神经网络模型增加了恒等映射层,可以避免随着网络深度(网络中叠层的数量)的增加,卷积神经网络造成的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足:恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后,残差网络模型对输出的变化更加明显,因此可以大大提高零件识别的识别准确率和识别效率。
建立所述零件识别模型,可以通过获取每个类型的零件的图片并标注零件名称,零件的图片可以是拍摄现有零件的各个角度或者距离的照片,也可以是从网络或者其它地方收集的大量不同照片,将各个类型的零件的图片输入上述的神经网络模型进行样本训练,从而建立所述零件识别模型。
其训练过程具体如下:
S1、为每一个预设零件种类准备一定数量的标注有对应的名称信息的图片样本,各个种类零件的图片数量可以相等,也可以不等;
S2、从标注图片中挑选一定比例的图片作为测试集,挑选可以是人工,也可以是自动随机,比例一般为5%到20%,测试集占总图片的比例可以视结果调整,剩下的图片为训练集;
S3、利用所述训练集训练所述零件识别模型,并利用所述测试集对经所述训练集训练完成后的所述零件识别模型的准确率进行验证;
S4、若准确率大于或者等于预设准确率,则训练结束;
S5、若准确率小于预设准确率,则增加预设图片类别对应的图片样本的数量,或则调整测试集的比例进行再次训练。
进一步的,为提高零件识别的准确度,还可以管理维护一个近似零件数据库,所述近似零件数据库中预先记录有相似零件种类之间的区别特征,根据相似零件种类之间的区别特征以提示用户对近似零件进行二次识别,得到更加准确的识别结果。具体的,步骤S102中在获得所述待识别零件的零件名称后,还可以在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。提示信息可以通过文字方式、图片方式或图文结合方式中的任何一种方式显示,还可以是视频讲解的方式。
步骤S103,根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息。
所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息。具体而言,可以对现有的每个类型的零件进行拍照,并通过上述的零件识别模型进行识别,建立所述零件仓储数据库。在所述零件仓储数据库中记录各个零件的零件名称、库存数量、产品信息、使用说明和常见应用领域和位置等相关信息,并且所述零件仓储数据库可以和零件管理系统进行对接。由此,当得到所述待识别零件的零件名称后,可从所述零件仓储数据库中查询所述零件名称,从而获得所述待识别零件的零件信息。
进一步的,有些零件上可能刻有字母或数字等字符信息,通过这些字符信息可以辅助验证步骤S103根据所述零件名称从零件仓储数据库中获得的零件信息是否准确,以便更加精准的获取零件识别结果。一般来说,零件上所刻的字母或数字等字符信息是用来表示零件的具体规格型号的,因此通过这些字符信息可以将零件细分到具体的规格型号,使得零件的识别更准确。具体而言,当所述目标图片中所述待识别零件刻有字符信息时,本发明实施例的零件识别管理方法还包括:首先,通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;然后,将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证获得到的所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。其中,所述字符识别模型可以为神经网络模型。本实施例中,在利用标准零件做样本训练所述零件识别模型时,在将各个角度的零件图片输入所述零件识别模型进行模型训练时,也可以将字符信息通过人工标注或者通过字符识别模型识别并标注出来,以便将所述字符信息作为零件信息存储到所述零件仓储数据库中。
步骤S104,根据所述待识别零件的零件信息在仓库中对所述待识别零件进行管理。
根据所述待识别零件的零件信息可以得知所述待识别零件在仓库中的存储信息,从而可以在仓库中对所述待识别零件进行管理,比如从仓库领取零件或管理零件库存。
优选的,在由于安全或保密不能连接外部网络的场景中,可以使用客户端如手机等作为零件识别装置,与服务器端进行通信从而实现本发明实施例的零件识别管理方法。
具体的,在一种实施方式中,可以将所述零件识别模型部署在客户端,所述客户端设置有摄像头以获取包含待识别零件的目标图片,所述零件仓储数据库设置在服务器端,所述客户端与所述服务器端连接(例如所述客户端设置有无线网络模块用于与所述服务器端连接),从而所述客户端可以通过所述零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称,并访问所述服务器端的所述零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息,再根据所述零件信息在仓库中对所述待识别零件进行管理。
在另一种实施方式中,还可以将所述零件识别模型和所述零件仓储数据库都部署在服务器端;所述目标图片通过客户端获取,所述客户端部署有预先训练的区域识别模型,如此,所述客户端可以通过所述区域识别模型从所述目标图片中识别出零件区域,并对所述零件区域进行切片,将切片后的所述零件区域发送给所述服务器端进行识别。可以理解的是,由于有些零件可能较小,拍摄的照片中零件区域也较小,现有拍摄装置(例如手机、相机等)拍摄照片的分辨率都比较大,导致图片较大,在传输图片到服务器端以便利用零件识别模型进行识别时,都会对图片进行压缩,此时再进行识别会容易出错。因此本实施方式中,可以先使用一个部署在客户端上的区域识别模型,将零件图片上的零件区域识别出来,然后将该零件区域进行切片后传输给服务器端的零件识别模型进行识别,这样可以使用原始分辨率的图片进行传输,识别效果更加准确。
进一步的,还可以设定判断阈值,当所述零件区域占所述目标图片的比例超过第一预设阈值(例如80%)时,不进行切片,直接将所述目标图片发送给所述服务器端进行识别,或者,当切片后的所述零件区域的大小超过第二预设阈值(例如2Mb)时,对切片后的所述零件区域进行压缩处理,然后将压缩后的所述零件区域发送给所述服务器端。如此,可以保证图片传输速度以及识别效果之间的平衡。
综上所述,本实施例提供的零件识别管理方法,首先通过零件识别模型识别所述目标图片中待识别零件的零件名称,然后根据所述零件名称从零件仓储数据库中获得所述待识别零件的零件信息,最后根据所述零件信息在仓库中对所述待识别零件进行管理,从而实现快速识别零件信息、有效管理零件库存。尤其是对于大量零件的管理,可以极大的提高零件识别和库存管理的效率以及准确率。
相应于上述方法实施例,本发明一实施例还提供了一种零件识别管理装置。请参考图2,图2示意性的给出了本发明一实施例提供的一种零件识别管理装置的结构示意图,如图2所示,所述的零件识别管理装置包括:
图片获取模块201,用于获取包含待识别零件的目标图片;
零件识别模块202,用于通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;
信息获取模块203,用于根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息;
零件管理模块204,用于根据所述零件信息在仓库中对所述待识别零件进行管理。
可选的,在所述的零件识别管理装置中,所述神经网络模型为卷积神经网络模型或深度残差网络模型。
可选的,在所述的零件识别管理装置中,所述零件数据库中存储有各个零件的零件名称、数量、产品信息和使用说明。
可选的,在所述的零件识别管理装置中,所述零件识别模型部署在客户端,所述客户端设置有摄像头以获取包含待识别零件的目标图片,所述零件仓储数据库设置在服务器端,所述客户端与所述服务器端连接;
所述客户端通过所述零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称,并访问所述服务器端的所述零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息,再根据所述零件信息在仓库中对所述待识别零件进行管理。
可选的,在所述的零件识别管理装置中,所述零件识别模型和所述零件仓储数据库部署在服务器端;
所述目标图片通过客户端获取,所述客户端部署有预先训练的区域识别模型;
所述客户端通过所述区域识别模型从所述目标图片中识别出零件区域,并对所述零件区域进行切片,将切片后的所述零件区域发送给所述服务器端进行识别。
可选的,在所述的零件识别管理装置中,当所述零件区域占所述目标图片的比例超过第一预设阈值时,若所述目标图片的大小不超过第二预设阈值,则直接将所述目标图片发送给所述服务器端进行识别,否则将所述目标图片进行压缩处理,再将压缩后的所述目标图片发送给所述服务器端进行识别;或
当切片后的所述零件区域的大小超过第二预设阈值时,对切片后的所述零件区域进行压缩处理,并将压缩后的所述零件区域发送给所述服务器端。
可选的,在所述的零件识别管理装置中,所述零件识别模块202在得到所述待识别零件的零件名称后,还用于:
在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;所述近似零件数据库中记录有相似零件之间的区别特征;
如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。
可选的,在所述的零件识别管理装置中,当所述目标图片中所述待识别零件刻有字符信息时,所述零件识别模块202还用于:通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;所述字符识别模型为神经网络模型;
所述信息获取模块203,还用于:将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。
基于同一发明构思,本发明一实施例还提供一种手持设备,如图3所示,一种手持设备100包括摄像头101、处理单元102和显示屏103,所述摄像头101和所述处理单元102电连接,所述处理单元102和所述显示屏103电连接;
所述摄像头101,用于:拍摄包含待识别零件的目标图片;
所述处理单元102,用于:获取所述摄像头101拍摄的包含待识别零件的目标图片;通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;将所述待识别零件的零件信息通过所述显示屏103进行显示,以便于用户根据所述显示屏103显示的零件信息对所述待识别零件进行管理;
其中,所述零件识别模型为神经网络模型,所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息。
可选的,在上述的手持设备100中,所述神经网络模型为卷积神经网络模型或深度残差网络模型。
可选的,在上述的手持设备100中,所述处理单元102,在得到所述待识别零件的零件名称后,还用于:
在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;所述近似零件数据库中记录有相似零件之间的区别特征;
如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。
可选的,在上述的手持设备100中,当所述目标图片中所述待识别零件刻有字符信息时,所述处理单元102,还用于:
通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;所述字符识别模型为神经网络模型;
将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证获得到的所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。
基于同一发明构思,本发明一实施例还提供一种零件识别管理系统,如图4所示,一种零件识别管理系统包括一手持设备100和一服务器200,所述手持设备100和所述服务器200通信连接,所述服务器200设置有预先建立的零件仓储数据库,所述手持设备100包括摄像头101、处理单元102和显示屏103,所述摄像头101和所述处理单元102电连接,所述处理单元102和所述显示屏103电连接;
所述摄像头101,用于:拍摄包含待识别零件的目标图片;
所述处理单元102,用于:获取所述摄像头101拍摄的包含待识别零件的目标图片;通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;访问所述服务器200的零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息;将所述待识别零件的零件信息通过所述显示屏103进行显示,以便于用户根据所述显示屏103显示的零件信息对所述待识别零件进行管理;
其中,所述零件识别模型为神经网络模型,所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息。
可选的,在上述的零件识别管理系统中,所述处理单元102,还用于:通过预先训练的区域识别模型从所述目标图片中识别出零件区域,并对所述零件区域进行切片,将切片后的所述零件区域发送给所述服务器200;
所述服务器200,还用于:通过预先训练的零件识别模型对所述零件区域进行识别,得到所述待识别零件的零件名称;根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;将所述待识别零件的零件信息发送给所述处理单元102。
可选的,在上述的零件识别管理系统中,所述处理单元102还用于:当所述零件区域占所述目标图片的比例超过第一预设阈值时,若所述目标图片的大小不超过第二预设阈值,则直接将所述目标图片发送给所述服务器200进行识别,否则将所述目标图片进行压缩处理,再将压缩后的所述目标图片发送给所述服务器200进行识别;或
当切片后的所述零件区域的大小超过第二预设阈值时,对切片后的所述零件区域进行压缩处理,并将压缩后的所述零件区域发送给所述服务器200。
可选的,在上述的零件识别管理系统中,所述神经网络模型为卷积神经网络模型或深度残差网络模型。
可选的,在上述的零件识别管理系统中,所述处理单元102,在得到所述待识别零件的零件名称后,还用于:
在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;所述近似零件数据库中记录有相似零件之间的区别特征;
如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。
可选的,在上述的零件识别管理系统中,当所述目标图片中所述待识别零件刻有字符信息时,所述处理单元102,还用于:
通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;所述字符识别模型为神经网络模型;
将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证获得到的所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。
需要说明的是,对于手持设备、零件识别管理系统实施例,由于其基本相似于以上的零件识别管理方法和装置实施例,在此不做赘述,相关之处参见零件识别管理方法和装置实施例的部分说明即可。
基于同一发明构思,本发明一实施例还提供了一种电子设备,图5是本发明一实施例提供的一种电子设备的结构示意图。请参考图5,一种电子设备包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现如下步骤:
获取包含待识别零件的目标图片;
通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;
根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息;
根据所述待识别零件的零件信息在仓库中对所述待识别零件进行管理。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1所示的方法实施例,在此不做赘述。
另外,处理器301执行存储器303上所存放的程序而实现的零件识别管理方法的其他实现方式,与前述方法实施例部分所提及的实现方式相同,这里也不再赘述。
本实施例提供的电子设备,首先通过零件识别模型识别所述目标图片中待识别零件的零件名称,然后根据所述零件名称从零件仓储数据库中获得所述待识别零件的零件信息,最后根据所述零件信息在仓库中对所述待识别零件进行管理,从而实现快速识别零件信息、有效管理零件库存。尤其是对于大量零件的管理,可以极大的提高零件识别和库存管理的效率以及准确率。
上述电子设备提到的通信总线304可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线304可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
所述处理器301可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器301是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
所述存储器303可用于存储所述计算机程序,所述处理器301通过运行或执行存储在所述存储器303内的计算机程序,以及调用存储在存储器303内的数据,实现所述电子设备的各种功能。
所述存储器303可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
基于同一发明构思,本发明一实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时可以实现如下步骤:
获取包含待识别零件的目标图片;
通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;
根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息;
根据所述待识别零件的零件信息在仓库中对所述待识别零件进行管理。
本实施例提供的计算机可读存储介质内所存储的计算机程序,首先通过零件识别模型识别所述目标图片中待识别零件的零件名称,然后根据所述零件名称从零件仓储数据库中获得所述待识别零件的零件信息,最后根据所述零件信息在仓库中对所述待识别零件进行管理,从而实现快速识别零件信息、有效管理零件库存。尤其是对于大量零件的管理,可以极大的提高零件识别和库存管理的效率以及准确率。
本发明实施方式的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用于执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、系统、手持设备、电子设备而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (15)
1.一种零件识别管理方法,其特征在于,包括:
获取包含待识别零件的目标图片;
通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;
根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;所述零件仓储数据库中记录仓库中各个零件种类对应的零件信息;
根据所述待识别零件的零件信息在仓库中对所述待识别零件进行管理;
在得到所述待识别零件的零件名称后,还包括:
在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;所述近似零件数据库中记录有相似零件之间的区别特征;
如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。
2.如权利要求1所述的零件识别管理方法,其特征在于,所述神经网络模型为卷积神经网络模型或深度残差网络模型。
3.如权利要求1所述的零件识别管理方法,其特征在于,所述零件仓储数据库中存储有各个零件的零件名称、库存数量、产品信息和使用说明。
4.如权利要求1所述的零件识别管理方法,其特征在于,所述零件识别模型部署在客户端,所述客户端设置有摄像头以获取包含所述待识别零件的目标图片,所述零件仓储数据库设置在服务器端,所述客户端与所述服务器端连接;
所述客户端通过所述零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称,并访问所述服务器端的所述零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息,再根据所述零件信息在仓库中对所述待识别零件进行管理。
5.如权利要求1所述的零件识别管理方法,其特征在于,所述零件识别模型和所述零件仓储数据库部署在服务器端;
所述目标图片通过客户端获取,所述客户端部署有预先训练的区域识别模型;
所述客户端通过所述区域识别模型从所述目标图片中识别出零件区域,并对所述零件区域进行切片,将切片后的所述零件区域发送给所述服务器端进行识别。
6.如权利要求5所述的零件识别管理方法,其特征在于,
当所述零件区域占所述目标图片的比例超过第一预设阈值时,若所述目标图片的大小不超过第二预设阈值,则直接将所述目标图片发送给所述服务器端进行识别,否则将所述目标图片进行压缩处理,再将压缩后的所述目标图片发送给所述服务器端进行识别;或
当切片后的所述零件区域的大小超过第二预设阈值时,对切片后的所述零件区域进行压缩处理,并将压缩后的所述零件区域发送给所述服务器端。
7.如权利要求1所述的零件识别管理方法,其特征在于,当所述目标图片中所述待识别零件刻有字符信息时,所述方法还包括:
通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;所述字符识别模型为神经网络模型;
将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证获得到的所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。
8.一种零件识别管理装置,其特征在于,包括:
图片获取模块,用于获取包含待识别零件的目标图片;
零件识别模块,用于通过预先训练的零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称;所述零件识别模型为神经网络模型;
信息获取模块,用于根据所述零件名称从预先建立的零件仓储数据库中获得所述待识别零件的零件信息;
零件管理模块,用于根据所述零件信息在仓库中对所述待识别零件进行管理;
所述零件识别模块在得到所述待识别零件的零件名称后,还用于:
在一预设的近似零件数据库中进行搜索,判断所述零件名称是否存在于所述近似零件数据库中;所述近似零件数据库中记录有相似零件之间的区别特征;
如果是,从所述近似零件数据库中确定所述待识别零件与相似零件的区别特征,并提示用户拍摄所述待识别零件的所述区别特征的部位进行二次识别。
9.如权利要求8所述的零件识别管理装置,其特征在于,所述神经网络模型为卷积神经网络模型或深度残差网络模型。
10.如权利要求8所述的零件识别管理装置,其特征在于,所述零件数据库中存储有各个零件的零件名称、数量、产品信息和使用说明。
11.如权利要求8所述的零件识别管理装置,其特征在于,所述零件识别模型部署在客户端,所述客户端设置有摄像头以获取包含待识别零件的目标图片,所述零件仓储数据库设置在服务器端,所述客户端与所述服务器端连接;
所述客户端通过所述零件识别模型对所述目标图片进行识别,得到所述待识别零件的零件名称,并访问所述服务器端的所述零件仓储数据库,根据所述零件名称从所述零件仓储数据库中获得所述待识别零件的零件信息,再根据所述零件信息在仓库中对所述待识别零件进行管理。
12.如权利要求8所述的零件识别管理装置,其特征在于,所述零件识别模型和所述零件仓储数据库部署在服务器端;
所述目标图片通过客户端获取,所述客户端部署有预先训练的区域识别模型;
所述客户端通过所述区域识别模型从所述目标图片中识别出零件区域,并对所述零件区域进行切片,将切片后的所述零件区域发送给所述服务器端进行识别。
13.如权利要求12所述的零件识别管理装置,其特征在于,当所述零件区域占所述目标图片的比例超过第一预设阈值时,若所述目标图片的大小不超过第二预设阈值,则直接将所述目标图片发送给所述服务器端进行识别,否则将所述目标图片进行压缩处理,再将压缩后的所述目标图片发送给所述服务器端进行识别;或
当切片后的所述零件区域的大小超过第二预设阈值时,对切片后的所述零件区域进行压缩处理,并将压缩后的所述零件区域发送给所述服务器端。
14.如权利要求8所述的零件识别管理装置,其特征在于,当所述目标图片中所述待识别零件刻有字符信息时,所述零件识别模块还用于:通过所述零件识别模型对所述目标图片进行识别,得到所述字符信息所在的字符区域,再通过预先训练的字符识别模型对所述字符区域进行识别,得到所述字符信息;所述字符识别模型为神经网络模型;
所述信息获取模块,还用于:将所述字符信息与从零件仓储数据库中获得的所述待识别零件的零件信息进行比较,验证所述待识别零件的零件信息是否确实为所述待识别零件对应的零件信息,同时根据所述字符信息确定所述待识别零件的具体规格型号。
15.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上存储的程序时,实现权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015557.8A CN111104542B (zh) | 2020-01-07 | 2020-01-07 | 零件识别管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015557.8A CN111104542B (zh) | 2020-01-07 | 2020-01-07 | 零件识别管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111104542A CN111104542A (zh) | 2020-05-05 |
CN111104542B true CN111104542B (zh) | 2023-04-18 |
Family
ID=70426835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010015557.8A Active CN111104542B (zh) | 2020-01-07 | 2020-01-07 | 零件识别管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111104542B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553445B (zh) * | 2020-05-20 | 2024-04-19 | 北京三一智造科技有限公司 | 零部件识别方法、装置、存储介质和电子设备 |
CN112668629A (zh) * | 2020-12-24 | 2021-04-16 | 深圳壹账通智能科技有限公司 | 基于图片识别的智能仓储方法、系统、设备及存储介质 |
CN112926221B (zh) * | 2021-03-25 | 2022-02-25 | 广东利元亨智能装备股份有限公司 | 机械图标注方法、装置及电子设备 |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0789262A (ja) * | 1993-09-24 | 1995-04-04 | Sekisui Chem Co Ltd | 類似部品図および類似部品図の作成方法 |
FR2751450A1 (fr) * | 1996-07-18 | 1998-01-23 | Petit Jacques | Dispositif pour l'identification automatique de raccords, embouts et similaires |
WO2002037198A2 (de) * | 2000-11-06 | 2002-05-10 | Siemens Aktiengesellschaft | Verfahren und system zur näherungsweisen wiedergabe der oberfläche eines werkstücks |
CN1372785A (zh) * | 1999-09-02 | 2002-10-02 | 松下电器产业株式会社 | 零件识别方法及装置和零件安装方法及装置 |
CN1444262A (zh) * | 2002-03-13 | 2003-09-24 | 未来产业株式会社 | 识别器件传送系统的工作高度的装置和方法 |
JP2004070967A (ja) * | 2003-08-18 | 2004-03-04 | Matsushita Electric Ind Co Ltd | 部品電子カタログ |
CN101253515A (zh) * | 2005-06-30 | 2008-08-27 | 北美Agc平板玻璃公司 | 单片图像感知器件和方法 |
CN101833393A (zh) * | 2009-03-09 | 2010-09-15 | 索尼公司 | 信息处理装置、阈值设置方法及阈值设置程序 |
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN105095531A (zh) * | 2014-04-15 | 2015-11-25 | 台湾积体电路制造股份有限公司 | 器件分析的实现方法和装置 |
CN105182535A (zh) * | 2015-09-28 | 2015-12-23 | 大连楼兰科技股份有限公司 | 使用智能眼镜进行汽车维保的方法 |
CN105184276A (zh) * | 2015-09-28 | 2015-12-23 | 大连楼兰科技股份有限公司 | 智能眼镜维保过程中的零件识别方法 |
CN105414045A (zh) * | 2014-08-17 | 2016-03-23 | 扬州嵘泰工业发展有限公司 | 一种零件识别架 |
CN106384100A (zh) * | 2016-09-28 | 2017-02-08 | 武汉大学 | 一种基于部件的精细车型识别方法 |
CN106919762A (zh) * | 2017-03-07 | 2017-07-04 | 上海波客实业有限公司 | 一种有限元网格阵列建模方法 |
CN107124834A (zh) * | 2017-03-17 | 2017-09-01 | 泰姆瑞(北京)精密技术有限公司 | 一种基于区域图像采集的零散元器件贴装方法 |
CN107330143A (zh) * | 2017-05-23 | 2017-11-07 | 深圳增强现实技术有限公司 | 采用ar技术检查pcba的方法及装置 |
RU2016130304A (ru) * | 2016-07-25 | 2018-01-30 | Шкилев В.Д. | Способ установки и создания идентификационной метки на металле |
CN108021946A (zh) * | 2017-12-07 | 2018-05-11 | 重庆理工大学 | 一种基于系统编码的农机部件相似度评定方法 |
CN108109174A (zh) * | 2017-12-13 | 2018-06-01 | 上海电气集团股份有限公司 | 一种用于散乱零件随机分拣的机器人单目引导方法和系统 |
CN108830833A (zh) * | 2018-05-22 | 2018-11-16 | 广东美的智能机器人有限公司 | 工件识别项目的在线评估方法、服务器及终端 |
CN109357630A (zh) * | 2018-10-30 | 2019-02-19 | 南京工业大学 | 一种多类型工件批量视觉测量系统及方法 |
CN109583305A (zh) * | 2018-10-30 | 2019-04-05 | 南昌大学 | 一种基于关键部件识别和细粒度分类的车辆重识别的先进方法 |
CN109684154A (zh) * | 2017-10-19 | 2019-04-26 | 广达电脑股份有限公司 | 服务器零件的无线射频管理的系统与方法 |
CN109784181A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 图片水印识别方法、装置、设备及计算机可读存储介质 |
CN209131711U (zh) * | 2018-11-30 | 2019-07-19 | 宝沃汽车(中国)有限公司 | 零件识别装置及工装夹具 |
CN110532441A (zh) * | 2019-08-23 | 2019-12-03 | 广州医科大学 | 一种电子元器件智慧管理方法及其系统 |
CN110532897A (zh) * | 2019-08-07 | 2019-12-03 | 北京科技大学 | 零部件图像识别的方法和装置 |
CN110609912A (zh) * | 2019-08-29 | 2019-12-24 | 百度在线网络技术(北京)有限公司 | 元器件信息记录方法、装置、设备及可读存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4369082B2 (ja) * | 2001-10-05 | 2009-11-18 | 株式会社日立製作所 | 部品選択支援システム、部品選択支援方法、部品選択支援プログラムおよび部品選択支援記憶媒体 |
US20030097315A1 (en) * | 2001-11-16 | 2003-05-22 | Siemens Westinghouse Power Corporation | System and method for identifying a defective component in a network environment |
US9317922B2 (en) * | 2003-05-16 | 2016-04-19 | Board Of Regents The University Of Texas System | Image and part recognition technology |
JP4221011B2 (ja) * | 2006-05-31 | 2009-02-12 | 株式会社日立製作所 | 作業動作分析方法、作業動作分析装置および作業動作分析プログラム |
US10168152B2 (en) * | 2015-10-02 | 2019-01-01 | International Business Machines Corporation | Using photogrammetry to aid identification and assembly of product parts |
-
2020
- 2020-01-07 CN CN202010015557.8A patent/CN111104542B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0789262A (ja) * | 1993-09-24 | 1995-04-04 | Sekisui Chem Co Ltd | 類似部品図および類似部品図の作成方法 |
FR2751450A1 (fr) * | 1996-07-18 | 1998-01-23 | Petit Jacques | Dispositif pour l'identification automatique de raccords, embouts et similaires |
CN1372785A (zh) * | 1999-09-02 | 2002-10-02 | 松下电器产业株式会社 | 零件识别方法及装置和零件安装方法及装置 |
WO2002037198A2 (de) * | 2000-11-06 | 2002-05-10 | Siemens Aktiengesellschaft | Verfahren und system zur näherungsweisen wiedergabe der oberfläche eines werkstücks |
CN1444262A (zh) * | 2002-03-13 | 2003-09-24 | 未来产业株式会社 | 识别器件传送系统的工作高度的装置和方法 |
JP2004070967A (ja) * | 2003-08-18 | 2004-03-04 | Matsushita Electric Ind Co Ltd | 部品電子カタログ |
CN101253515A (zh) * | 2005-06-30 | 2008-08-27 | 北美Agc平板玻璃公司 | 单片图像感知器件和方法 |
CN101833393A (zh) * | 2009-03-09 | 2010-09-15 | 索尼公司 | 信息处理装置、阈值设置方法及阈值设置程序 |
CN105095531A (zh) * | 2014-04-15 | 2015-11-25 | 台湾积体电路制造股份有限公司 | 器件分析的实现方法和装置 |
CN105414045A (zh) * | 2014-08-17 | 2016-03-23 | 扬州嵘泰工业发展有限公司 | 一种零件识别架 |
CN104156726A (zh) * | 2014-08-19 | 2014-11-19 | 大连理工大学 | 一种基于几何形状特征的工件识别方法及装置 |
CN105182535A (zh) * | 2015-09-28 | 2015-12-23 | 大连楼兰科技股份有限公司 | 使用智能眼镜进行汽车维保的方法 |
CN105184276A (zh) * | 2015-09-28 | 2015-12-23 | 大连楼兰科技股份有限公司 | 智能眼镜维保过程中的零件识别方法 |
RU2016130304A (ru) * | 2016-07-25 | 2018-01-30 | Шкилев В.Д. | Способ установки и создания идентификационной метки на металле |
CN106384100A (zh) * | 2016-09-28 | 2017-02-08 | 武汉大学 | 一种基于部件的精细车型识别方法 |
CN106919762A (zh) * | 2017-03-07 | 2017-07-04 | 上海波客实业有限公司 | 一种有限元网格阵列建模方法 |
CN107124834A (zh) * | 2017-03-17 | 2017-09-01 | 泰姆瑞(北京)精密技术有限公司 | 一种基于区域图像采集的零散元器件贴装方法 |
CN107330143A (zh) * | 2017-05-23 | 2017-11-07 | 深圳增强现实技术有限公司 | 采用ar技术检查pcba的方法及装置 |
CN109684154A (zh) * | 2017-10-19 | 2019-04-26 | 广达电脑股份有限公司 | 服务器零件的无线射频管理的系统与方法 |
CN108021946A (zh) * | 2017-12-07 | 2018-05-11 | 重庆理工大学 | 一种基于系统编码的农机部件相似度评定方法 |
CN108109174A (zh) * | 2017-12-13 | 2018-06-01 | 上海电气集团股份有限公司 | 一种用于散乱零件随机分拣的机器人单目引导方法和系统 |
CN108830833A (zh) * | 2018-05-22 | 2018-11-16 | 广东美的智能机器人有限公司 | 工件识别项目的在线评估方法、服务器及终端 |
CN109583305A (zh) * | 2018-10-30 | 2019-04-05 | 南昌大学 | 一种基于关键部件识别和细粒度分类的车辆重识别的先进方法 |
CN109357630A (zh) * | 2018-10-30 | 2019-02-19 | 南京工业大学 | 一种多类型工件批量视觉测量系统及方法 |
CN209131711U (zh) * | 2018-11-30 | 2019-07-19 | 宝沃汽车(中国)有限公司 | 零件识别装置及工装夹具 |
CN109784181A (zh) * | 2018-12-14 | 2019-05-21 | 平安科技(深圳)有限公司 | 图片水印识别方法、装置、设备及计算机可读存储介质 |
CN110532897A (zh) * | 2019-08-07 | 2019-12-03 | 北京科技大学 | 零部件图像识别的方法和装置 |
CN110532441A (zh) * | 2019-08-23 | 2019-12-03 | 广州医科大学 | 一种电子元器件智慧管理方法及其系统 |
CN110609912A (zh) * | 2019-08-29 | 2019-12-24 | 百度在线网络技术(北京)有限公司 | 元器件信息记录方法、装置、设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
Leong Kean Cheong.Defects and Components Recognition in Printed Circuit Boards Using Convolutional Neural Network.《10th International Conference on Robotics, Vision, Signal Processing and Power Applications》.2019,75–81. * |
张慧 ; 罗兵 ; .基于图像匹配和验证识别的元件型号检测.五邑大学学报(自然科学版).2013,(第04期),67-71. * |
童磊.面向机器人抓取的零件识别与定位方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑 》》.2019,I140-1818. * |
陆维强.《轮转机组式凹版印刷机》.2014,162-163. * |
Also Published As
Publication number | Publication date |
---|---|
CN111104542A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11120013B2 (en) | Real time visual validation of digital content using a distributed ledger | |
CN111506498B (zh) | 测试用例的自动生成方法、装置、计算机设备及存储介质 | |
CN111104542B (zh) | 零件识别管理方法及装置 | |
US10936672B2 (en) | Automatic document negotiation | |
US10853570B2 (en) | Redaction engine for electronic documents with multiple types, formats and/or categories | |
CN109816200B (zh) | 任务推送方法、装置、计算机设备和存储介质 | |
CN107909668B (zh) | 一种签到方法及终端设备 | |
CN111178147B (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
US20210158302A1 (en) | System and method of authenticating candidates for job positions | |
CN114650176A (zh) | 钓鱼网站的检测方法、装置、计算机设备及存储介质 | |
US20140136534A1 (en) | Similarity calculating method and apparatus | |
CN113568934B (zh) | 一种数据查询方法、装置、电子设备和存储介质 | |
CN113076961B (zh) | 一种图像特征库更新方法、图像检测方法和装置 | |
US20230409822A1 (en) | Systems and methods for improved user-reviewer interaction using enhanced electronic documents | |
JP2014197387A (ja) | 施工状況検査システム及び施工状況検査方法 | |
CN110955796B (zh) | 一种基于笔录信息的案件特征信息提取方法及装置 | |
CN110533381B (zh) | 案件管辖权审核方法、装置、计算机设备和存储介质 | |
CN110930106A (zh) | 线上面试系统的信息处理方法、装置和系统 | |
US20200226162A1 (en) | Automated Reporting System | |
CN111798192A (zh) | 网络招聘方法和系统 | |
CN113408446B (zh) | 账单核算方法、装置、电子设备及存储介质 | |
CN115984047A (zh) | 结合rpa和ai实现ia的文书处理方法、装置、设备及介质 | |
CN114782101A (zh) | 一种基于语音识别的客户成交概率分析方法、系统和设备 | |
CN110443202B (zh) | 论文字体工整度即时分析系统、方法及存储介质 | |
CN113807256A (zh) | 票据数据处理方法、装置、电子设备和存储介质 |
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 |