CN111179198A - 一种基于ai技术的摄像头涂胶图像增强与检测方法 - Google Patents
一种基于ai技术的摄像头涂胶图像增强与检测方法 Download PDFInfo
- Publication number
- CN111179198A CN111179198A CN201911392927.3A CN201911392927A CN111179198A CN 111179198 A CN111179198 A CN 111179198A CN 201911392927 A CN201911392927 A CN 201911392927A CN 111179198 A CN111179198 A CN 111179198A
- Authority
- CN
- China
- Prior art keywords
- image
- glue
- contrast
- images
- training
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 239000003292 glue Substances 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000002708 enhancing effect Effects 0.000 claims abstract description 5
- 239000011248 coating agent Substances 0.000 claims abstract description 4
- 238000000576 coating method Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 28
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000003708 edge detection Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000084 colloidal system Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010073 coating (rubber) Methods 0.000 description 1
- 239000011247 coating layer Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
本发明实施例公开了一种基于AI技术的摄像头涂胶图像增强与检测方法,包括步骤:步骤1,将1张完整的涂胶图像中的胶水区域分为20份子图像;步骤2,使用VGG16模型将20份子图像分为高、低对比度两类图像;步骤3,使用cycleGAN模型将低对比度图像增强为高对比度图像;步骤4,进行图像拼接并使用阈值分割及边缘检测提取出胶水的轮廓;步骤5,判断涂胶的质量合格与否。本发明,对于涂胶图像胶水区域中的低对比度部分具有明显的增强效果,能在保证背景基本不变的情况下,将胶水与背景的灰度值差从20左右提升到55左右。本发明大大减低了图像处理难度并提高了视觉检测精度。本发明也适用于对其它低对比度图像的增强与检测。
Description
技术领域
本发明涉及图像处理及工业检测领域,尤其涉及一种基于AI技术的摄像头涂胶图像增强与检测方法。
背景技术
在车载摄像头组装过程中,主动对准(Active Alignment,简称AA)调焦是影响摄像头成像质量的关键工艺之一。在AA调焦工艺中,镜头与装有图像传感器的前盖之间相对位置的调整是处于一个完全自由的状态,通过调整镜头相对于图像传感器的水平位置、垂直位置及倾斜角度等,使得摄像头的成像达到最清晰的状态。在AA调焦前会在前盖与镜头之间涂上一圈紫外线固化(Ultraviolet Rays,简称UV)胶水起到粘接与密封作用,胶量较多时,胶水可能会滴落污染图像传感器,胶量较少时,其粘合性和气密性较差,影响摄像头的使用寿命。为保证摄像头品量,在AA调焦前有必要对涂胶质量进行检测,而完整地提取出样本的胶水轮廓是进行准确检测的必要前提。UV胶是一种乳白色半透明的液体,当涂胶层较厚时,工业相机成像时接收到的主要是来自胶水的反射光所以样本图像的对比度较高,易于提取轮廓。而当胶水较薄时,镜头接收到主要来自胶水底部零件的折射光造成了样本图像的对比度降低,提取轮廓比较困难,严重影响了检测结果的准确性和生产效率,因此,有必要对低对比度的胶水图像进行增强处理。然而,现有的图像增强方法其作用效果往往会改变整张图像的灰度值,无法做到只增强感兴趣的区域而其他区域的灰度值保持不变,并不适用于低对比度涂胶图像的增强。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于AI技术的摄像头涂胶图像增强与检测方法。可解决现有的图像增强方法其作用效果往往会改变整张图像的灰度值,无法做到只增强感兴趣的区域而其他区域的灰度值保持不变这一问题。
为了解决上述技术问题,本发明实施例提供了一种基于AI技术的摄像头涂胶图像增强与检测方法。其具体步骤如下:
步骤1,使用图像处理软件Halcon定位零件中心并生成扇形区域将1张完整的涂胶图像中的胶水区域分为20份子图像。子图像也用于制作样本集,并采用旋转与镜像的方法扩充7倍样本数据,用来训练VGG16模型以及cycleGAN模型。具体方法如下:(1)分别将子图像旋转90°、180°和270°;(2)分别将子图像按第一象限、第二象限和第三象限做镜像处理;(3)将旋转90°后的子图像按第二象限做镜像处理。
步骤2,使用VGG16模型对步骤1得到的子图像进行分类,根据其胶水与背景的对比度,分为高对比度图像与低对比度图像。训练VGG16模型时,采用迁移训练的方式,前13层使用预训练权重,后3层全连接层使用涂胶样本数据进行训练,采用梯度下降法,分类器为softmax,学习率为0.0001,批量大小为64,训练步数为20000步。
步骤3,使用涂胶图像样本集训练cycleGAN模型,并使用训练好的cycleGAN模型对步骤2得到的低对比度图像进行增强处理,将低对比度图像增强为高对比度图像。训练cycleGAN模型时,其优化器为Adam,学习率为0.0002,批量大小为1,循环一致损失中的超参数为10。其训练完成标志为生成器与判别器达到相对稳定平衡状态,具体地,生成器的损失最后稳定在0.25左右,判别器的损失最后稳定在0.5左右。
步骤4,将步骤2中的高对比度图像与步骤3中经过增强得到的高对比度图像进行图像拼接得到完整的高对比度涂胶图像,进行阈值分割并提取其胶水轮廓;
步骤5,根据步骤4中得到的胶水轮廓,通过计算最大胶宽、最小胶宽、平均胶宽、胶偏移距离来判断涂胶质量合格与否。最大胶宽定义为:胶体的最大宽度;最小胶宽定义为:胶体的最小宽度;平均胶宽定义为:胶体内外轮廓拟合圆的半径差;胶偏移距离定义为:胶体内外轮廓拟合圆圆心的平均值与零件基准圆的圆心的距离。
进一步地,所述子图像通道数为3,尺寸为256×256像素。
进一步地,所述VGG16模型的输出结果作为所述cycleGAN模型的输入。
实施本发明实施例,具有如下有益效果:1.cycleGAN模型目前主要应用在风格迁移和图像生成上面,在图像增强与工业检测应用上使用是一种新的尝试,并且在本发明中取得了较好的增强效果;2.使用迁移训练的方式对VGG16模型进行训练,能在保证模型分类性能的前提下,大大减少所需要的样本数据,对于获取数据样本可能需要耗费大量人力物力的工业检测上,具有重要的现实意义;3.本发明能够在保证图像背景灰度值基本不变的前提下,显著提高图像内胶水的对比度,解决了现有的图像增强方法其作用效果往往会改变整张图像的灰度值,无法做到只增强感兴趣的区域而其他区域的灰度值保持不变这一问题。
附图说明
图1涂胶图像检测流程图;
图2涂胶图像分区示意图;
图3涂胶图像增强前示意图;
图4涂胶图像增强后示意图。
图5涂胶图像检测结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
本发明实施例的一种基于AI技术的摄像头涂胶图像增强与检测方法,通过以下步骤进行实施。
用工业相机采集大约100张完整的涂胶图像作为未做处理的原始样本。
1.使用图像处理软件Halcon定位零件中心并生成扇形区域将1张完整的涂胶图像中的胶水区域分为20份子图像。子图像也用于制作样本集,并采用旋转与镜像的方法扩充7倍样本数据,用来训练VGG16模型以及cycleGAN模型。具体方法如下:(1)分别将子图像旋转90°、180°和270°;(2)分别将子图像按第一象限、第二象限和第三象限做镜像处理;(3)将旋转90°后的子图像按第二象限做镜像处理。
优选的是,子图像通道数为3,尺寸为256×256像素。
2.使用深度学习框架Tensorflow构造VGG16模型,VGG16模型由13个卷积层,5个池化层以及3个全连接层组成。
前13层使用预训练权重,后3层全连接层使用样本数据进行训练,采用梯度下降法,分类器为softmax,学习率为0.0001,批量大小为64,训练步数为20000步。
其中每个卷积层后面都使用了ReLu激活函数,并在最后一层全连接层使用了softmax分类器用来判断输入图像是高对比度还是低对比度的。其损失函数如下式(1)所示。
Loss=-[ylogy'+(1-y)log(1-y')] (1)
3.使用深度学习框架Tensorflow构造cycleGAN模型,cycleGAN模型由生成器和判别器组成。具体的,生成器由3个卷积层、9个残差层、2个反卷积层和1个卷积层组成,并使用ReLu作为激活函数;判别器由5层卷积神经网络组成,并使用LeakyReLU作为激活函数。cycleGAN模型的损失函数由生成器损失、判别器损失以及循环一致损失组成。如下式(2)-(4)所示。
Lgen(G,D,X)=Ex~pdata(x)[(D(G(x))-1)2] (2)
Ldis(G,D,X,Y)=Ey~pdata(y)[(D(y)-1)2]+Ex~pdata(x)[D(G(x))2] (3)
Lcyc(G,F)=Ex~pdata(x)[||F(G(x))-x||1] (4)
4.将100张完整的涂胶图像分成子图像制作样本集,具体方法为:使用图像处理软件Halcon定位零件中心并生成扇形区域将1张完整的涂胶图像中的胶水区域分为20份子图像。故100张完整涂胶图像可生成2000张子样本图像。
5.对子样本图像进行数据扩充,具体方法如下:(1)分别将子图像旋转90°、180°和270°;(2)分别将子图像按第一象限、第二象限和第三象限做镜像处理;(3)将旋转90°后的子图像按第二象限做镜像处理。经过该方法后可在保证图像不发生尺寸畸变以及信息丢失的情况下扩充7倍样本数据。
6.训练VGG16模型及cycleGAN模型。训练VGG16模型时共使用2000个样本数据,其中高对比度图像和低对比度图像各1000个,并采用迁移训练的方法前13层使用预训练权重。训练参数为:学习率为0.0001,批量大小为64,训练步数为20000步。训练cycleGAN模型时共使用3600个样本数据,其中高对比图像和低对比图像各1800个。训练参数为:学习率为0.0002,批量大小为1,循环一致损失中的超参数为10。当生成器和判别器损失函数达到相对平衡状态时训练完成。
训练cycleGAN模型时,其优化器为Adam,学习率为0.0002,批量大小为1,循环一致损失中的超参数为10。其训练完成标志为生成器与判别器达到相对稳定平衡状态,具体地,生成器的损失最后稳定在0.25左右,判别器的损失最后稳定在0.5左右。
7.具体检测流程图如下图1所示。将待检测的完整图像同样分成20份子图像,其分区示意图如下图2所示。使用训练好的VGG16模型对20份子图像进行分类,分为高对比度图像及低对比度图像。保留高对比度图像并使用cycleGAN模型对低对比度图像进行增强。然后将增强后的高对比度图像与保留的高对比度图像重新拼成完整的涂胶图像。涂胶图像增强前后对比如下图3、图4所示。接着使用阈值分割及边缘检测提取胶水内外轮廓。最后通过胶水轮廓相关参数判断涂胶质量合格与否,最终检测结果如下图5所示。
运用软件开发平台MFC与Halcon、Python、Tensorflow进行联合编程,实现上述的分区域、分类、增强、合并及检测各个功能模块,从而实现本发明所述的摄像头涂胶图像增强及检测方法。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于AI技术的摄像头涂胶图像增强与检测方法,其特征在于,包括以下步骤:
S1:定位零件中心并生成扇形区域将1张完整的涂胶图像中的胶水区域分为n份子图像,并使用样本扩充方法制作样本集;
S2:采用迁移训练的方式完成VGG16模型的训练,并使用训练好的VGG16模型对步骤1得到的子图像进行分类,根据其胶水与背景的对比度,分为高对比度图像与低对比度图像;
S3:使用涂胶图像样本集训练cycleGAN模型,并使用训练好的cycleGAN模型对步骤2得到的低对比度图像进行增强处理,将低对比度图像增强为高对比度图像;
S4:将步骤2中的高对比度图像与步骤3中经过增强得到的高对比度图像进行图像拼接得到完整的高对比度涂胶图像,进行阈值分割并提取其胶水轮廓;
S5:根据步骤4中得到的胶水轮廓,通过计算最大胶宽、最小胶宽、平均胶宽、胶偏移距离来判断涂胶质量合格与否。
2.根据权利要求1所述的基于AI技术的摄像头涂胶图像增强与检测方法,其特征在于,所述子图像通道数为3,尺寸为256×256像素。
3.根据权利要求1所述的基于AI技术的摄像头涂胶图像增强与检测方法,其特征在于,所述步骤S1中还包括对所述子图像进行高、低对比度图像分类,并使用旋转与镜像的方法扩充7倍样本数据。
4.根据权利要求1所述的基于AI技术的摄像头涂胶图像增强与检测方法,其特征在于,所述VGG16模型的训练中,前13层使用预训练权重,后3层全连接层使用样本数据进行训练,采用梯度下降法,分类器为softmax,学习率为0.0001,批量大小为64,训练步数为20000步。
5.根据权利要求4所述的基于AI技术的摄像头涂胶图像增强与检测方法,其特征在于,所述VGG16模型的输出结果作为所述cycleGAN模型的输入。
6.根据权利要求4所述的基于AI技术的摄像头涂胶图像增强与检测方法,其特征在于,所述cycleGAN模型的训练过程中,使用优化器为Adam,学习率为0.0002,批量大小为1,循环一致损失中的超参数为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392927.3A CN111179198B (zh) | 2019-12-30 | 2019-12-30 | 一种基于ai技术的摄像头涂胶图像增强与检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911392927.3A CN111179198B (zh) | 2019-12-30 | 2019-12-30 | 一种基于ai技术的摄像头涂胶图像增强与检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179198A true CN111179198A (zh) | 2020-05-19 |
CN111179198B CN111179198B (zh) | 2023-05-09 |
Family
ID=70646365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911392927.3A Active CN111179198B (zh) | 2019-12-30 | 2019-12-30 | 一种基于ai技术的摄像头涂胶图像增强与检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179198B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150436A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(合肥)科技有限公司 | 口红内壁涂胶检测方法、装置、电子设备及存储介质 |
CN112365446A (zh) * | 2020-10-19 | 2021-02-12 | 杭州亿奥光电有限公司 | 纸袋粘接质量检测方法 |
CN112907593A (zh) * | 2021-04-17 | 2021-06-04 | 湖南健坤激光科技有限公司 | 一种手机镜片胶体断层位置的识别方法、装置及相关设备 |
CN113284113A (zh) * | 2021-05-27 | 2021-08-20 | 西安闻泰信息技术有限公司 | 溢胶瑕疵检测方法、装置、计算机设备和可读存储介质 |
CN116168041A (zh) * | 2023-04-26 | 2023-05-26 | 湖南隆深氢能科技有限公司 | 一种应用于贴合装置的实时检测方法及其系统 |
CN116777888A (zh) * | 2023-06-30 | 2023-09-19 | 广州高迪机电工程有限公司 | 带角度涂胶时视觉检测系统对胶宽的自适应补偿修正方法 |
CN117644007A (zh) * | 2024-01-29 | 2024-03-05 | 湖南和锐镭射科技有限公司 | 转移纸上胶复合工序的监管方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170316713A1 (en) * | 2004-04-30 | 2017-11-02 | Sydney Hyman | Image making medium compositions and images |
US20180075596A1 (en) * | 2012-07-05 | 2018-03-15 | Bernard Fryshman | Object image recognition and instant active response with enhanced application and utility |
-
2019
- 2019-12-30 CN CN201911392927.3A patent/CN111179198B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170316713A1 (en) * | 2004-04-30 | 2017-11-02 | Sydney Hyman | Image making medium compositions and images |
US20180075596A1 (en) * | 2012-07-05 | 2018-03-15 | Bernard Fryshman | Object image recognition and instant active response with enhanced application and utility |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150436A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(合肥)科技有限公司 | 口红内壁涂胶检测方法、装置、电子设备及存储介质 |
CN112365446A (zh) * | 2020-10-19 | 2021-02-12 | 杭州亿奥光电有限公司 | 纸袋粘接质量检测方法 |
CN112907593A (zh) * | 2021-04-17 | 2021-06-04 | 湖南健坤激光科技有限公司 | 一种手机镜片胶体断层位置的识别方法、装置及相关设备 |
CN112907593B (zh) * | 2021-04-17 | 2023-09-22 | 湖南健坤激光科技有限公司 | 一种手机镜片胶体断层位置的识别方法、装置及相关设备 |
CN113284113A (zh) * | 2021-05-27 | 2021-08-20 | 西安闻泰信息技术有限公司 | 溢胶瑕疵检测方法、装置、计算机设备和可读存储介质 |
CN116168041A (zh) * | 2023-04-26 | 2023-05-26 | 湖南隆深氢能科技有限公司 | 一种应用于贴合装置的实时检测方法及其系统 |
CN116777888A (zh) * | 2023-06-30 | 2023-09-19 | 广州高迪机电工程有限公司 | 带角度涂胶时视觉检测系统对胶宽的自适应补偿修正方法 |
CN116777888B (zh) * | 2023-06-30 | 2024-02-06 | 广州高迪机电工程有限公司 | 带角度涂胶时视觉检测系统对胶宽的自适应补偿修正方法 |
CN117644007A (zh) * | 2024-01-29 | 2024-03-05 | 湖南和锐镭射科技有限公司 | 转移纸上胶复合工序的监管方法及系统 |
CN117644007B (zh) * | 2024-01-29 | 2024-04-09 | 湖南和锐镭射科技有限公司 | 转移纸上胶复合工序的监管方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111179198B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179198A (zh) | 一种基于ai技术的摄像头涂胶图像增强与检测方法 | |
CN111598861B (zh) | 基于改进的Faster R-CNN模型的非均匀纹理小缺陷的检测方法 | |
CN111179229B (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
CN107590498A (zh) | 一种基于字符分割级联二分类器的自适应汽车仪表检测方法 | |
CN110738697A (zh) | 基于深度学习的单目深度估计方法 | |
CN110059586B (zh) | 一种基于空洞残差注意力结构的虹膜定位分割系统 | |
CN111767922B (zh) | 一种基于卷积神经网络的图像语义分割方法及网络 | |
CN103824049A (zh) | 一种基于级联神经网络的人脸关键点检测方法 | |
CN103295021A (zh) | 一种静态图片中车辆特征检测及识别的方法及系统 | |
CN111932511A (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
CN111882620A (zh) | 一种基于多尺度信息道路可行驶区域分割方法 | |
CN114612406A (zh) | 一种基于可见光和红外视觉的光伏板缺陷检测方法 | |
CN109685030A (zh) | 一种基于卷积神经网络的马克杯杯口缺陷检测分类方法 | |
CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
CN108416801A (zh) | 一种面向立体视觉三维重建的Har-SURF-RAN特征点匹配方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN111461006A (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
CN110909772B (zh) | 一种高精度实时多尺度表盘指针检测方法和系统 | |
CN111210417A (zh) | 基于卷积神经网络的布匹缺陷检测方法 | |
CN113538342A (zh) | 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法 | |
CN110363196A (zh) | 一种倾斜文本的文字精准识别的方法 | |
CN116740288B (zh) | 一种融合激光雷达、倾斜摄影的三维重建方法 | |
CN116805360B (zh) | 一种基于双流门控渐进优化网络的显著目标检测方法 | |
CN116862883A (zh) | 基于图像语义分割的混凝土坍落度检测方法 |
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 |