CN111401184A - 机器视觉处理方法、装置、存储介质和电子设备 - Google Patents

机器视觉处理方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN111401184A
CN111401184A CN202010160394.2A CN202010160394A CN111401184A CN 111401184 A CN111401184 A CN 111401184A CN 202010160394 A CN202010160394 A CN 202010160394A CN 111401184 A CN111401184 A CN 111401184A
Authority
CN
China
Prior art keywords
image data
dimensional image
feature
classification
target element
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
Application number
CN202010160394.2A
Other languages
English (en)
Inventor
林宇萌
黄侠
张志波
钟文涛
高小云
张睿
李鹏程
邓祖东
万文洁
衷镇宇
周家裕
王佳威
郭东生
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Gree Intelligent Equipment Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Gree Intelligent Equipment 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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Gree Intelligent Equipment Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202010160394.2A priority Critical patent/CN111401184A/zh
Publication of CN111401184A publication Critical patent/CN111401184A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种机器视觉处理方法、装置、存储介质和电子设备，该方法包括：获取待识别的三维图像数据；采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；将所述目标元素的特征信息生成描述向量；根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。本发明实施例中机器人可以在复杂环境中提取主成分，从而精准完成分拣工作，进而使得机器人可以在复杂环境识别比规则图形更复杂的形状，提高定位和识别零件的精度。

Description

机器视觉处理方法、装置、存储介质和电子设备
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种机器视觉处理方法、装置、存储介质和电子设备。
背景技术
机器视觉能够提高生产的灵活性和自动化程度。在一些不适于人工作业的危险工作环境或者人工视觉难以满足要求的场合，常用机器视觉来替代人工视觉。机器视觉主要的功能有四个，分别是引导和定位，外观检测，高精度监测和识别。其中引导和定位可应用于三维和二维条件下，做到定位流水线的静态和动态目标，可适应不同情况下的视觉定位需求。外观检测可使用高清工业摄像机进行辅助，定位，寻边，配合四轴机械臂实现分拣和码垛。高精度监测可以应用于医药、食品、服装等行业，对产品质量进行监测。识别方面的应用广泛，需利用机器视觉对图像进行处理、分析和理解，以识别各种不同模式的目标和对象。可以达到数据的追溯和采集，常在汽车零部件、食品、药品等方面应用。
现有的机器人系统，在视觉部分的工作流程都是先拍照，以对简单形状进行添加，而后在机器人末端配置摄像机对图像进行采集，然后进行识别。但是随着智能制造对工业机器人的要求越来越高，工业机器人只有做到在更复杂的环境下识别更多元化的形状，才能满足制造业向前发展的需求。
发明内容
本发明的目的在于克服上述技术问题，提供一种机器视觉处理方法、装置、存储介质和电子设备。
本发明的一个方面，提供了一种机器视觉处理方法，所述方法包括：
获取待识别的三维图像数据；
采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；
将所述目标元素的特征信息生成描述向量；
根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。
可选地，所述方法还包括：
预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；
将各类别的目标元素的特征信息分别生成对应的样本数据；
采用生成的所述样本数据对进行分类识别模型的训练。
可选地，在所述根据预先训练的分类识别模型对所述描述向量进行分类识别之后，所述方法还包括：
根据分类识别结果，对所述分类识别模型进行修正优化。
可选地，在所述对所述三维图像数据中的目标元素进行特征信息提取之前，所述方法还包括：
使用背景差分法去除所述三维图像数据中的图像背景；
使用Ostu算法对去除背景后的图像进行阈值分割。
可选地，所述特征信息包括所述目标元素的形状特征、颜色特征、尺寸特征、方向特征、数量特征、位置特征中的至少一个。
本发明的另一个方面，提供了一种机器视觉处理装置，所述装置包括：
获取模块，用于获取待识别的三维图像数据；
提取模块，用于采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；
配置模块，用于将所述目标元素的特征信息生成描述向量；
识别训练模块，用于根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。
可选地，所述提取模块，还用于预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；
所述配置模块，还用于将各类别的目标元素的特征信息分别生成对应的样本数据；
所述识别训练模块，还用于采用生成的所述样本数据对进行分类识别模型的训练。
可选地，所述识别训练模块，还用于在根据预先训练的分类识别模型对所述描述向量进行分类识别之后，根据分类识别结果，对所述分类识别模型进行修正优化。
可选地，所述装置还包括：预处理模块；
所述预处理模块，用于在所述提取模块对所述三维图像数据中的目标元素进行特征信息提取之前，使用背景差分法去除所述三维图像数据中的图像背景，使用Ostu算法对去除背景后的图像进行阈值分割。
此外，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。
此外，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
本发明实施例提供的机器视觉处理方法、装置、存储介质和电子设备，运用PCA(主成分分析)方法，对拍照获取的图像数据进行特征信息提取，这样不仅可以降低对采样图片的要求，还能实现特征数据降维，使机器人可以在复杂环境中提取主成分，从而精准完成分拣工作，进而使得机器人可以在复杂环境识别比规则图形更复杂的形状，提高定位和识别零件的精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提出的机器视觉处理方法的流程示意图；
图2为本发明实施例提出的机器视觉处理方法可识别场景的示意图；
图3为本发明实施例的机器视觉处理装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
图1示意性示出了本发明一个实施例的机器视觉处理方法的流程图。参照图1，本发明实施例提出的机器视觉处理方法具体包括以下步骤，如下所示：
S11、获取待识别的三维图像数据。
本实施例中，为了增强机器人视觉的真实性和可用性，机器人将图像采集过程中的二维图像采集过程拓展至三维图像采集，三维图像能够对目标元素进行多个角度描述。
S12、采用PCA(Principal Component Analysis，主成分分析)算法对所述三维图像数据中的目标元素进行特征信息提取。
其中，所述特征信息包括所述目标元素对应图形的尺寸特征、方向特征、数量特征、位置特征中的至少一个。具体的，本实施例中采用“Gabor函数变换”获取局部主成分，所述局部主成分是指目标元素的主要特征，用矩阵表示。
PCA算法可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维。
本实施例中，采用PCA算法实现主成分分析，能够对复杂的图像数据进行降维，同时尽可能的保留原数据的特征信息，即使采集到的图像较为复杂，主成分分析方法也可以提取出目标元素的形状、颜色、尺寸、方向、数量、位置等特征。
S13、将所述目标元素的特征信息生成描述向量。
S14、根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。
本发明实施例提供的机器视觉处理方法，运用PCA(主成分分析)方法，对拍照获取的图像数据进行特征信息提取，这样不仅可以降低对采样图片的要求，还能实现特征数据降维，使机器人可以在复杂环境中提取主成分，从而精准完成分拣工作，进而使得机器人可以在复杂环境识别比规则图形更复杂的形状，提高定位和识别零件的精度。
在本发明实施例中，所述方法还包括以下附图中未示出的步骤：
S22、预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；
S23、将各类别的目标元素的特征信息分别生成对应的样本数据；
S24、采用生成的所述样本数据对进行分类识别模型的训练。
进一步地，在所述根据预先训练的分类识别模型对所述描述向量进行分类识别之后，根据分类识别结果，对所述分类识别模型进行修正优化。
本发明实施例中，原始三维图像的特征维数较多，处理起来消耗很大，其中部分是完全没有必要的，因此这一过程及其重要，经过这一过程，只留下对识别过程有用的特征，图像会更加容易处理，损失也减少了。在实际操作中，之所以不直接采集较少维数的样本，是因为在客观物体的样本采集过程中，需要尽可能多地采集数据来保证模式的真实性。在保证真实性的同时，就产生了维数很大的样本，进而会产生很大的处理时间和处理费用。本发明采用PCA方法，先对某种零件的多个角度进行训练，使得系统能够做到根据样本变化自动归类，通过多次学习过程，每进行一次都可能纠正上一次训练结果的错误，最后使得分类的错误率达到要求。对分类识别模型进行训练后，即可在各类干扰因素下识别并检测出目标零件，从而排除干扰，对机器人进行引导和分拣，图2示出了本发明实施例提出的机器视觉处理方法可识别场景的示意图。
本发明实施例中，在所述对所述三维图像数据中的目标元素进行特征信息提取之前，所述方法还包括对三维图像数据进行图像预处理的步骤，具体包括：使用背景差分法去除所述三维图像数据中的图像背景；使用Ostu算法对去除背景后的图像进行阈值分割。
本发明在进行特征提取之前，可以通过背景差分法、Ostu算法对三维图像数据进行图像预处理，然后，对获取的图像进行分类，将整体图像划分为局部，进行提取特征，以使后面的图像处理获得好的效果，最后根据提取出的特征信息进行学习训练，识别出结果。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
图3示意性示出了本发明一个实施例的机器视觉处理装置的结构示意图。参照图3，本发明实施例的机器视觉处理装置具体包括获取模块201、提取模块202、配置模块203以及识别训练模块204，其中：
获取模块201，用于获取待识别的三维图像数据；
提取模块202，用于采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；
其中，所述特征信息包括所述目标元素的形状特征、颜色特征、尺寸特征、方向特征、数量特征、位置特征中的至少一个。
配置模块203，用于将所述目标元素的特征信息生成描述向量；
识别训练模块204，用于根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。
在本发明实施例中，所述提取模块202，还用于预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；
所述配置模块203，还用于将各类别的目标元素的特征信息分别生成对应的样本数据；
所述识别训练模块204，还用于采用生成的所述样本数据对进行分类识别模型的训练。
在本发明实施例中，所述识别训练模块204，还用于在根据预先训练的分类识别模型对所述描述向量进行分类识别之后，根据分类识别结果，对所述分类识别模型进行修正优化。
在本发明实施例中，所述装置还包括：预处理模块，所述预处理模块，用于在所述提取模块202对所述三维图像数据中的目标元素进行特征信息提取之前，使用背景差分法去除所述三维图像数据中的图像背景，使用Ostu算法对去除背景后的图像进行阈值分割。
对于装置实施例而言，由于其与方法实施例基本相似，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。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本发明实施例提供的机器视觉处理方法、装置，应用于机器人系统中，对图像的处理不再采用简单的提取并存储的方式，而是运用PCA(主成分分析)方法，对拍照获取的图像数据进行特征信息提取，这样不仅可以降低对采样图片的要求，还能实现特征数据降维，使机器人可以在复杂环境中提取主成分，从而精准完成分拣工作，进而使得机器人可以在复杂环境识别比规则图形更复杂的形状，提高定位和识别零件的精度。
此外，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法的步骤。
本实施例中，所述机器视觉处理装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例提供的电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个机器视觉处理方法实施例中的步骤，例如图1所示的S11～S14。或者，所述处理器执行所述计算机程序时实现上述各机器视觉处理装置实施例中各模块/单元的功能，例如图3所示的获取模块201、提取模块202、配置模块203以及识别训练模块204。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述机器视觉处理装置中的执行过程。例如，所述计算机程序可以被分割成获取模块201、提取模块202、配置模块203以及识别训练模块204。
所述处理器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。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电子设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种机器视觉处理方法，其特征在于，所述方法包括：
获取待识别的三维图像数据；
采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；
将所述目标元素的特征信息生成描述向量；
根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；
将各类别的目标元素的特征信息分别生成对应的样本数据；
采用生成的所述样本数据对进行分类识别模型的训练。
3.根据权利要求1所述的方法，其特征在于，在所述根据预先训练的分类识别模型对所述描述向量进行分类识别之后，所述方法还包括：
根据分类识别结果，对所述分类识别模型进行修正优化。
4.根据权利要求1所述的方法，其特征在于，在所述对所述三维图像数据中的目标元素进行特征信息提取之前，所述方法还包括：
使用背景差分法去除所述三维图像数据中的图像背景；
使用Ostu算法对去除背景后的图像进行阈值分割。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述特征信息包括所述目标元素的形状特征、颜色特征、尺寸特征、方向特征、数量特征、位置特征中的至少一个。
6.一种机器视觉处理装置，其特征在于，所述装置包括：
获取模块，用于获取待识别的三维图像数据；
提取模块，用于采用PCA算法对所述三维图像数据中的目标元素进行特征信息提取；
配置模块，用于将所述目标元素的特征信息生成描述向量；
识别训练模块，用于根据预先训练的分类识别模型对所述描述向量进行分类识别，得到所述目标元素的类别属性。
7.根据权利要求6所述的装置，其特征在于，所述提取模块，还用于预先采用PCA算法对各类别的目标元素在不同应用场景下的三维图像数据进行特征信息提取；
所述配置模块，还用于将各类别的目标元素的特征信息分别生成对应的样本数据；
所述识别训练模块，还用于采用生成的所述样本数据对进行分类识别模型的训练。
8.根据权利要求6所述的装置，其特征在于，所述识别训练模块，还用于在根据预先训练的分类识别模型对所述描述向量进行分类识别之后，根据分类识别结果，对所述分类识别模型进行修正优化。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述方法的步骤。
CN202010160394.2A 2020-03-10 2020-03-10 机器视觉处理方法、装置、存储介质和电子设备 Pending CN111401184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010160394.2A CN111401184A (zh) 2020-03-10 2020-03-10 机器视觉处理方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010160394.2A CN111401184A (zh) 2020-03-10 2020-03-10 机器视觉处理方法、装置、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN111401184A true CN111401184A (zh) 2020-07-10

Family

ID=71436118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010160394.2A Pending CN111401184A (zh) 2020-03-10 2020-03-10 机器视觉处理方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN111401184A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417944A (zh) * 2020-08-31 2021-02-26 深圳市银星智能科技股份有限公司 一种机器人控制方法及电子设备
CN113776491A (zh) * 2021-09-26 2021-12-10 中国联合网络通信集团有限公司 基于b-m2m的多维测距方法、mec及测距单元

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550688A (zh) * 2015-12-04 2016-05-04 百度在线网络技术（北京）有限公司 点云数据的分类方法及装置
CN105809113A (zh) * 2016-03-01 2016-07-27 湖南拓视觉信息技术有限公司 三维人脸识别方法及应用其的数据处理装置
CN106503677A (zh) * 2016-10-28 2017-03-15 中国水产科学研究院渔业机械仪器研究所 一种基于PCA和AdaBoost算法的运动鱼苗识别方法
US20180300927A1 (en) * 2017-04-18 2018-10-18 Yury Hushchyn Dynamic real-time generation of three-dimensional avatar models of users based on live visual input of users' appearance and computer systems and computer-implemented methods directed to thereof
CN109145754A (zh) * 2018-07-23 2019-01-04 上海电力学院 融合面部表情及肢体动作三维特征的情绪识别方法
CN110298400A (zh) * 2019-06-28 2019-10-01 北京奇艺世纪科技有限公司 一种图像分类方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550688A (zh) * 2015-12-04 2016-05-04 百度在线网络技术（北京）有限公司 点云数据的分类方法及装置
CN105809113A (zh) * 2016-03-01 2016-07-27 湖南拓视觉信息技术有限公司 三维人脸识别方法及应用其的数据处理装置
CN106503677A (zh) * 2016-10-28 2017-03-15 中国水产科学研究院渔业机械仪器研究所 一种基于PCA和AdaBoost算法的运动鱼苗识别方法
US20180300927A1 (en) * 2017-04-18 2018-10-18 Yury Hushchyn Dynamic real-time generation of three-dimensional avatar models of users based on live visual input of users' appearance and computer systems and computer-implemented methods directed to thereof
CN109145754A (zh) * 2018-07-23 2019-01-04 上海电力学院 融合面部表情及肢体动作三维特征的情绪识别方法
CN110298400A (zh) * 2019-06-28 2019-10-01 北京奇艺世纪科技有限公司 一种图像分类方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417944A (zh) * 2020-08-31 2021-02-26 深圳市银星智能科技股份有限公司 一种机器人控制方法及电子设备
CN112417944B (zh) * 2020-08-31 2024-04-16 深圳银星智能集团股份有限公司 一种机器人控制方法及电子设备
CN113776491A (zh) * 2021-09-26 2021-12-10 中国联合网络通信集团有限公司 基于b-m2m的多维测距方法、mec及测距单元
CN113776491B (zh) * 2021-09-26 2023-06-02 中国联合网络通信集团有限公司 基于b-m2m的多维测距方法、mec及测距单元

Similar Documents

Publication Publication Date Title
CN108364311B (zh) 一种金属部件自动定位方法及终端设备
CN109165538B (zh) 基于深度神经网络的条形码检测方法及装置
CN111402264A (zh) 图像区域分割方法、装置及其模型训练方法及计算机设备
CN110991533B (zh) 图像识别方法、识别装置、终端设备及可读存储介质
CN110287936B (zh) 图像检测方法、装置、设备及存储介质
CN110148117B (zh) 基于电力图像的电力设备缺陷识别方法、装置与存储介质
CN112336342B (zh) 手部关键点检测方法、装置及终端设备
CN111931643A (zh) 一种目标检测方法、装置、电子设备及存储介质
CN111401184A (zh) 机器视觉处理方法、装置、存储介质和电子设备
CN111695453A (zh) 绘本识别方法、装置及机器人
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN114049499A (zh) 用于连续轮廓的目标对象检测方法、设备及存储介质
Saeed A framework for recognition of facial expression using HOG features
CN114972489A (zh) 托盘识别方法、装置、存储介质及智能叉车设备
CN112541394A (zh) 黑眼圈及鼻炎识别方法、系统及计算机介质
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN108921006B (zh) 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法
CN112508000B (zh) 一种用于ocr图像识别模型训练数据生成的方法及设备
CN111325214B (zh) 喷印字符提取处理方法、装置、存储介质和电子设备
CN112101293A (zh) 人脸表情的识别方法、装置、设备及存储介质
CN112686122A (zh) 人体及影子的检测方法、装置、电子设备、存储介质
Ahmed et al. Comparison of specific segmentation methods used for copy move detection
Manuaba et al. The object detection system of balinese script on traditional Balinese manuscript with findcontours method
CN116844006A (zh) 一种目标识别方法、装置、电子设备及可读存储介质
CN108229498B (zh) 一种拉链片识别方法、装置及设备

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