CN111144151A - 一种基于图像识别的高速动态条码实时检测方法 - Google Patents
一种基于图像识别的高速动态条码实时检测方法 Download PDFInfo
- Publication number
- CN111144151A CN111144151A CN201911355041.1A CN201911355041A CN111144151A CN 111144151 A CN111144151 A CN 111144151A CN 201911355041 A CN201911355041 A CN 201911355041A CN 111144151 A CN111144151 A CN 111144151A
- Authority
- CN
- China
- Prior art keywords
- bar code
- model
- image
- real
- box
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011897 real-time detection Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000001537 neural effect Effects 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10544—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum
- G06K7/10821—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices
- G06K7/10861—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation by scanning of the records by radiation in the optical part of the electromagnetic spectrum further details of bar or optical code scanning devices sensing of data fields affixed to objects or articles, e.g. coded labels
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/146—Methods for optical code recognition the method including quality enhancement steps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Toxicology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明的基于图像识别的高速动态条码实时检测方法,包括:a).采集运动状态下的条码图像数据,并人工标注,建立数据集;b).搭建CaffeSSD目标检测网络模型;c).训练目标检测网络,最终形成高速动态条码实时检测的神经网络目标检测模型;d).模型测试;e).模型部署,将训练得到的神经网络目标检测模型部署到神经棒上。本发明的基于图像识别的高速动态条码实时检测方法,得到准确率不低于95%、单次检测速度不高于3ms的模型,将训练好的神经网络模型部署于神经棒上之后,可实现对流水线上高速运动状态(如1m/s)下的快递面单进行准确识别,对模糊、褶皱的条码图像均可达到高准确率和检测速度。
Description
技术领域
本发明涉及一种动态条码实时检测方法,更具体的说,尤其涉及一种基于图像识别的高速动态条码实时检测方法。
背景技术
条码识别广泛应用在物流运输业、零售业、食品安全行业,尤其是在高速运动作业的环境下,对条形码检测的实时性要求较高,但条形码图像的识别受到高速运动速度的制约。检测速度低导致识别率较低,实时性不高,这是条码识别目前未解决的问题之一。因此,本发明提出一种基于图像识别的高速动态条码实时检测方法的有效方法。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种基于图像识别的高速动态条码实时检测方法。
本发明的基于图像识别的高速动态条码实时检测方法,其特征在于,通过以下步骤来实现:
a).建立数据集;采集快递面单在传输带上高速运动状态下的条码图像数据,并处理条码数据,人工标注条形码图片,将数据集D分为70%训练集DT、10%验证集Dv和20%测试集Dt;
b).模型的搭建,搭建CaffeSSD目标检测网络模型,完成高速动态条码检测;该步骤中,通过以下公式进行卷积操作:
其中,F表示图像,k表示过滤器,G表示卷积运算结果;
c).训练目标检测网络,建立基于CaffeSSD目标检测网络的训练模型,对训练集数据DT进行初级到中级再到高级特征的提取,在多次训练中调整神经网络参数,使得网络在迭代过程中损失函数趋于收敛,最终形成高速动态条码实时检测的神经网络目标检测模型;
d).模型测试,在进行目标检测模型性能测试时,测试图像中的条形码的检测效果,在判断检测算法是否精准时,利用IOU交并比衡量两个边界框重叠的相对大小,使用非极大值抑制,只输出概率最大的分类结果;测试时置信度cof通常设为0.6,交并比公式如下所示:
在训练神经网络模型过程中,根据分类器性能评价标准,模型的精确度p通过下列公式计算求得:
表1
其中TP,含义是实际为正例且被分类器划分为正例的实例数,FP含义是实际为负例但被分类器划分为正例的实例数。
e).模型部署,将训练得到的神经网络目标检测模型部署到神经棒上,对流水线上快递面单上的条形码实时检测,将检测结果上传至电脑终端,便于管理人员维护。
本发明的基于图像识别的高速动态条码实时检测方法,步骤a)中,为保证数据集的多样性,收集各式各样的快递面单,利用500万像素的摄像机录制1m/s运动速度下的视频,获得多角度、各式各样的合适光线下的视频图像数据;采集的视频为29帧/s,为避免截取图像数据的重复,采用3帧/s一截取的方式,获得原始图像数据;
为保证图像质量,将图像square化,并把尺寸同比例缩小至resize为1028像素×1028像素尺寸,将条形码部分从原始图像中提取出来作为感兴趣区域roi,并保存为真实尺寸,同时正方形化,获得尺寸不超过1028像素、不低于320像素的均为正方形的图像。
本发明的基于图像识别的高速动态条码实时检测方法,步骤a)中,人工标注得到的数据集D包含图像数据I以及标签数据A,I与A一一对应,数据集如下:
n为图片数量。
本发明的基于图像识别的高速动态条码实时检测方法,步骤d)中,最终模型训练完毕在测试集上的准确率p不低于95%,迭代次数不低于6万次,每次批量处理10张图片,每进行10次迭代通过验证集Dv计算当前损失值L和准确率p。
本发明的基于图像识别的高速动态条码实时检测方法,步骤a)中,人工标注过程中,将图像分为条码图像区域1和背景background两类,目标标签Y分别定义如下:
其中,输出标签Y中包含三个组件Po、box和O,组件一Po为是否含有条码对象,若检测到对象即为1,输出组件二box为边框的参数,boxx、boxy为边界框的左上角的坐标,boxh、boxw分别为边界框的高度和宽度。
本发明的基于图像识别的高速动态条码实时检测方法,步骤e)所述的模型部署,具备如下条件:
e-1).将训练好的神经网络目标检测模型部署到神经棒上;
e-2).采用500万像素的摄像头对传输带上的快递面单进行视频拍摄;
e-3).快递面单在传输带上的运动速度为1m/s,将摄像头架设在流水线装置的正上方;
e-4).实时检测,在流水作业装置1m/s的运动速度下,利用训练好的神经网络目标检测模型实时检测;
e-5).将条码检测的结果实时上传至电脑终端,便于管理人员维护。
本发明的有益效果是:本发明的基于图像识别的高速动态条码实时检测方法,首先采集快递面单运动状态下的视频图像,并进行人工标注形成数据集、验证集和测试集,然后搭建CaffeSSD目标检测网络模型并进行提取特征训练,获得神经网络模型,得到准确率不低于95%的模型,将训练好的神经网络模型部署于神经棒上之后,可实现对流水线上高速运动状态(如1m/s)下的快递面单进行准确识别,对模糊、褶皱的条码图像均可达到高准确率和检测速度。
附图说明
图1为本发明的基于图像识别的高速动态条码实时检测示意图;
图2为本发明的基于图像识别的高速动态条码实时检测方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,给出了本发明的基于图像识别的高速动态条码实时检测示意图,快递面单在传输带上运动的过程中,通过摄像头采集其高清图像,即可将视频图像中快递面单上的单号识别出来。
如图2所示,给出了本发明的基于图像识别的高速动态条码实时检测方法的流程图,通过以下步骤来实现:
a).建立数据集;采集快递面单在传输带上高速运动状态下的条码图像数据,并处理条码数据,人工标注条形码图片,将数据集D分为70%训练集DT、10%验证集Dv和20%测试集Dt;
该步骤中,为保证数据集的多样性,收集各式各样的快递面单,利用500万像素的摄像机录制1m/s运动速度下的视频,获得多角度、各式各样的合适光线下的视频图像数据;采集的视频为29帧/s,为避免截取图像数据的重复,采用3帧/s一截取的方式,获得原始图像数据;
为保证图像质量,将图像square化,并把尺寸同比例缩小至resize为1028像素×1028像素尺寸,将条形码部分从原始图像中提取出来作为感兴趣区域roi,并保存为真实尺寸,同时正方形化,获得尺寸不超过1028像素、不低于320像素的均为正方形的图像。
人工标注得到的数据集D包含图像数据I以及标签数据A,I与A一一对应,数据集如下:
n为图片数量。
人工标注过程中,将图像分为条码图像区域1和背景background两类,目标标签Y分别定义如下:
其中,输出标签Y中包含三个组件Po、box和O,组件一Po为是否含有条码对象,若检测到对象即为1,输出组件二box为边框的参数,boxx、boxy为边界框的左上角的坐标,boxh、boxw分别为边界框的高度和宽度。
b).模型的搭建,搭建CaffeSSD目标检测网络模型,完成高速动态条码检测;该步骤中,通过以下公式进行卷积操作:
其中,F表示图像,k表示过滤器,G表示卷积运算结果;
c).训练目标检测网络,建立基于CaffeSSD目标检测网络的训练模型,对训练集数据DT进行初级到中级再到高级特征的提取,在多次训练中调整神经网络参数,使得网络在迭代过程中损失函数趋于收敛,最终形成高速动态条码实时检测的神经网络目标检测模型;
d).模型测试,在进行目标检测模型性能测试时,测试图像中的条形码的检测效果,在判断检测算法是否精准时,利用IOU交并比衡量两个边界框重叠的相对大小,使用非极大值抑制,只输出概率最大的分类结果;测试时置信度cof通常设为0.6,交并比公式如下所示:
在训练神经网络模型过程中,根据分类器性能评价标准,模型的精确度p通过下列公式计算求得:
表1
其中TP,含义是实际为正例且被分类器划分为正例的实例数,FP含义是实际为负例但被分类器划分为正例的实例数。
最终模型训练完毕在测试集上的准确率p不低于95%,迭代次数不低于6万次,每次批量处理10张图片,每进行10次迭代通过验证集Dv计算当前损失值L和准确率p。
e).模型部署,将训练得到的神经网络目标检测模型部署到神经棒上,对流水线上快递面单上的条形码实时检测,将检测结果上传至电脑终端,便于管理人员维护。
所述的模型部署,具备如下条件:
e-1).将训练好的神经网络目标检测模型部署到神经棒上;
e-2).采用500万像素的摄像头对传输带上的快递面单进行视频拍摄;
e-3).快递面单在传输带上的运动速度为1m/s,将摄像头架设在流水线装置的正上方;
e-4).实时检测,在流水作业装置1m/s的运动速度下,利用训练好的神经网络目标检测模型实时检测;
e-5).将条码检测的结果实时上传至电脑终端,便于管理人员维护。
Claims (6)
1.一种基于图像识别的高速动态条码实时检测方法,其特征在于,通过以下步骤来实现:
a).建立数据集;采集快递面单在传输带上高速运动状态下的条码图像数据,并处理条码数据,人工标注条形码图片,将数据集D分为70%训练集DT、10%验证集Dv和20%测试集Dt;
b).模型的搭建,搭建CaffeSSD目标检测网络模型,完成高速动态条码检测;该步骤中,通过以下公式进行卷积操作:
其中,F表示图像,k表示过滤器,G表示卷积运算结果;
c).训练目标检测网络,建立基于CaffeSSD目标检测网络的训练模型,对训练集数据DT进行初级到中级再到高级特征的提取,在多次训练中调整神经网络参数,使得网络在迭代过程中损失函数趋于收敛,最终形成高速动态条码实时检测的神经网络目标检测模型;
d).模型测试,在进行目标检测模型性能测试时,测试图像中的条形码的检测效果,在判断检测算法是否精准时,利用IOU交并比衡量两个边界框重叠的相对大小,使用非极大值抑制,只输出概率最大的分类结果;测试时置信度cof通常设为0.6,交并比公式如下所示:
在训练神经网络模型过程中,根据分类器性能评价标准,模型的精确度p通过下列公式计算求得:
表1
其中TP,含义是实际为正例且被分类器划分为正例的实例数,FP含义是实际为负例但被分类器划分为正例的实例数。
e).模型部署,将训练得到的神经网络目标检测模型部署到神经棒上,对流水线上快递面单上的条形码实时检测,将检测结果上传至电脑终端,便于管理人员维护。
2.根据权利要求1所述的基于图像识别的高速动态条码实时检测方法,其特征在于:步骤a)中,为保证数据集的多样性,收集各式各样的快递面单,利用500万像素的摄像机录制1m/s运动速度下的视频,获得多角度、各式各样的合适光线下的视频图像数据;采集的视频为29帧/s,为避免截取图像数据的重复,采用3帧/s一截取的方式,获得原始图像数据;
为保证图像质量,将图像square化,并把尺寸同比例缩小至resize为1028像素×1028像素尺寸,将条形码部分从原始图像中提取出来作为感兴趣区域roi,并保存为真实尺寸,同时正方形化,获得尺寸不超过1028像素、不低于320像素的均为正方形的图像。
4.根据权利要求1或2所述的基于图像识别的高速动态条码实时检测方法,其特征在于:步骤d)中,最终模型训练完毕在测试集上的准确率p不低于95%,迭代次数不低于6万次,每次批量处理10张图片,每进行10次迭代通过验证集Dv计算当前损失值L和准确率p。
6.根据权利要求1或2所述的基于图像识别的高速动态条码实时检测方法,其特征在于:步骤e)所述的模型部署,具备如下条件:
e-1).将训练好的神经网络目标检测模型部署到神经棒上;
e-2).采用500万像素的摄像头对传输带上的快递面单进行视频拍摄;
e-3).快递面单在传输带上的运动速度为1m/s,将摄像头架设在流水线装置的正上方;
e-4).实时检测,在流水作业装置1m/s的运动速度下,利用训练好的神经网络目标检测模型实时检测;
e-5).将条码检测的结果实时上传至电脑终端,便于管理人员维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355041.1A CN111144151A (zh) | 2019-12-25 | 2019-12-25 | 一种基于图像识别的高速动态条码实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355041.1A CN111144151A (zh) | 2019-12-25 | 2019-12-25 | 一种基于图像识别的高速动态条码实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144151A true CN111144151A (zh) | 2020-05-12 |
Family
ID=70519897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911355041.1A Pending CN111144151A (zh) | 2019-12-25 | 2019-12-25 | 一种基于图像识别的高速动态条码实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144151A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378598A (zh) * | 2021-06-21 | 2021-09-10 | 北方工业大学 | 一种基于深度学习的动态条码检测方法 |
CN113553874A (zh) * | 2021-07-27 | 2021-10-26 | 张金翼 | 一种复杂环境下快递条码检测方法 |
CN113591508A (zh) * | 2021-09-29 | 2021-11-02 | 广州思林杰科技股份有限公司 | 基于人工智能目标识别的条码解码方法、装置及存储介质 |
CN116362274A (zh) * | 2023-05-30 | 2023-06-30 | 深圳市华众自动化工程有限公司 | 一种高速的条码阅读器 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960148A (zh) * | 2018-07-05 | 2018-12-07 | 济南东朔微电子有限公司 | 一种基于视频图像的快递面单三段码识别方法 |
-
2019
- 2019-12-25 CN CN201911355041.1A patent/CN111144151A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960148A (zh) * | 2018-07-05 | 2018-12-07 | 济南东朔微电子有限公司 | 一种基于视频图像的快递面单三段码识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378598A (zh) * | 2021-06-21 | 2021-09-10 | 北方工业大学 | 一种基于深度学习的动态条码检测方法 |
CN113378598B (zh) * | 2021-06-21 | 2023-04-25 | 北方工业大学 | 一种基于深度学习的动态条码检测方法 |
CN113553874A (zh) * | 2021-07-27 | 2021-10-26 | 张金翼 | 一种复杂环境下快递条码检测方法 |
CN113591508A (zh) * | 2021-09-29 | 2021-11-02 | 广州思林杰科技股份有限公司 | 基于人工智能目标识别的条码解码方法、装置及存储介质 |
CN113591508B (zh) * | 2021-09-29 | 2022-02-18 | 广州思林杰科技股份有限公司 | 基于人工智能目标识别的条码解码方法、装置及存储介质 |
CN116362274A (zh) * | 2023-05-30 | 2023-06-30 | 深圳市华众自动化工程有限公司 | 一种高速的条码阅读器 |
CN116362274B (zh) * | 2023-05-30 | 2023-08-25 | 深圳市华众自动化工程有限公司 | 一种高速的条码阅读器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144151A (zh) | 一种基于图像识别的高速动态条码实时检测方法 | |
CN109724990B (zh) | 一种包装盒标签中喷码区域的快速定位与检测方法 | |
CN108686978B (zh) | 基于arm的水果类别和色泽的分拣方法及系统 | |
CN109241985B (zh) | 一种图像识别方法及装置 | |
JP6203084B2 (ja) | 配達物区分処理システム、および配達物区分処理方法 | |
US20200265575A1 (en) | Flaw inspection apparatus and method | |
US20190005353A1 (en) | Method and system for training a neural network to classify objects or events | |
CN106371148A (zh) | 一种基于毫米波图像的人体异物检测方法及系统 | |
CN114266751B (zh) | 基于ai技术的产品包装袋打码缺陷检测方法及系统 | |
CN113095445B (zh) | 一种目标识别方法及装置 | |
US11752524B2 (en) | Method for recovering a posteriori information about the operation of a plant for automatic classification and sorting of fruit | |
CN104794480A (zh) | 一种奶盒喷打字符不良品剔除方法 | |
US10990778B2 (en) | Apparatus and method for recognizing barcode based on image detection | |
CN108961262B (zh) | 一种复杂场景下的条码定位方法 | |
CN110570398A (zh) | 一种基于深度学习技术的线缆接头焊点合格性检测方法 | |
CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
CN112257506A (zh) | 果蔬大小识别方法、装置、电子设备以及计算机可读介质 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
US11812131B2 (en) | Determination of appropriate image suitable for feature extraction of object from among captured images in which object is detected | |
CN113610185A (zh) | 基于主色调识别的木材色选方法 | |
CN106778675B (zh) | 一种视频图像中目标对象的识别方法和装置 | |
CN113145473A (zh) | 一种水果智能分拣系统及方法 | |
CN115818166B (zh) | 轮斗连续系统无人值守自动控制方法及其系统 |
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 |