CN111401449A - 一种基于机器视觉的图像匹配方法 - Google Patents
一种基于机器视觉的图像匹配方法 Download PDFInfo
- Publication number
- CN111401449A CN111401449A CN202010183740.9A CN202010183740A CN111401449A CN 111401449 A CN111401449 A CN 111401449A CN 202010183740 A CN202010183740 A CN 202010183740A CN 111401449 A CN111401449 A CN 111401449A
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- matching
- target
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/752—Contour matching
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及工业视觉技术领域,尤其涉及一种基于机器视觉的图像匹配方法,包括:输入预设图像,对预设图像进行图像分割及边缘提取以建立多级别的预设模型,输入目标图像,对目标图像进行图像分割及边缘提取以建立多级别的目标模型,且目标模型的级别的数量与预设模型相同;根据预设搜索条件创建得分函数;将目标模型与预设模型进行初步匹配,找到目标模型与预设模型的级别,再使用得分函数进行精确匹配,当得分函数达到最优解时完成图像匹配,并输出匹配结果。有益效果:该方法可以适用于不同旋转角度和缩放比例的目标图像,能够对目标图像进行准确处理,处理速度快,准确性高,实时性好,并且适应不同光照和噪声,抗干扰性强。
Description
技术领域
本发明涉及工业视觉技术领域,尤其涉及一种基于机器视觉的图像匹配方法。
背景技术
机器视觉系统的主要功能可以简单概括为:定位、识别、测量、缺陷检测等。相对于人工或传统机械方式而言,机器视觉系统具有速度快、精度高、准确性高等一系列优点。随着工业现代化的发展,机器视觉已经广泛应用于各大领域,为企业及用户提供更优的产品品质及解决方案。流水线检测是机器视觉应用较多的场合,流水线检测的基本要求就是需要在拍照后能及时的找到待检测区域,这种技术就是几何匹配。
图像匹配的过程,就是将相机拍摄的目标图像与系统内对应的预设图像进行匹配,即通过寻找一种空间变换,使目标图像和预设图像代表同一目标物的对应点达到空间位置的一致,匹配的结果应该使两幅图像上的所有点或至少是具有实际应用意义上的点都达到匹配,为图像进一步处理提供保证。工业视觉已有的匹配方法有:(1)基于图像灰度、特征点的匹配,该方法需要预先提供预设图像的灰度统计信息,根据灰度的相关性进行图像搜索匹配,该方法的缺点在于需要统计预设图像的每个像素点的灰度值,匹配的目标图像必须是相同灰度或者灰度值变化不大的情况,而且对每个像素值进行运算,而且目标图像不能被遮挡,计算量较大且匹配速度较慢;(2)基于边缘特征进行相似匹配,该方法直接提取图像边缘,算法复杂度高,具有边缘不连续,很难得到闭合的边界,抗干扰性差,对不同光照和噪声敏感,部分遮挡处理效果差,识别率低等缺点。
针对上述技术问题,本发明提出一种新型的图像匹配方法,分别提取预设图像和目标图像的边缘,根据边缘的坐标信息,分别创建多级别的预设模型和目标模型,再根据得分函数对目标模型进行逐级匹配,并在搜索到匹配的级别后再进行精确匹配,该方法可以适用于不同旋转角度和缩放比例的目标图像,能够对目标图像进行准确处理,处理速度快,准确性高,实时性好,并且适应不同光照和噪声,抗干扰性强。
发明内容
针对现有技术中存在的上述问题,现提供一种基于机器视觉的图像匹配方法。
具体技术方案如下:
本发明包括一种基于机器视觉的图像匹配方法,包括以下步骤:
步骤S1,输入一预设图像,根据一预设匹配条件选定所述预设图像的特征区域进行图像分割处理,并在完成所述图像分割处理后,提取所述预设图像的边缘的多个像素点的位置作为一第一类坐标信息;
步骤S2,根据提取的所述第一类坐标信息建立一预设模型,并根据所述第一类坐标信息的数量将所述预设模型划分为多个级别;
步骤S3,输入一目标图像,根据所述预设匹配条件选定所述目标图像的特征区域进行所述图像分割处理,并在完成所述图像分割处理后,提取所述目标图像的边缘的多个所述像素点的位置作为一第二类坐标信息;
步骤S4,根据提取的所述第二类坐标信息建立一目标模型,并根据所述第二类坐标信息的数量将所述目标模型划分为多个级别,且所述目标模型的级别的数量与所述预设模型相同;
步骤S5,根据一预设搜索条件创建一得分函数;
步骤S6,将所述目标模型与所述预设模型进行初步匹配,找到所述目标模型与所述预设模型的级别,再使用所述得分函数进行精确匹配,当所述得分函数达到最优解时完成图像匹配,并输出匹配结果。
优选的,所述预设模型的每一个级别包括多个预设子模型,每个所述预设子模型对应不同的旋转角度和缩放比例。
优选的,所述目标模型的每一个级别包括多个目标子模型,每个所述目标子模型对应不同的旋转角度和缩放比例。
优选的,于所述步骤S1中,对所述预设图像多个位置的所述像素点的梯度幅值及方向进行计算,并进行亚像素处理,求出所有的所述第一类坐标信息。
优选的,于所述步骤S3中,对所述目标图像多个位置的所述像素点的梯度幅值及方向进行计算,并进行亚像素处理,求出所有的所述第二类坐标信息。
优选的,于所述步骤S5中,所述预设搜索条件包括角度范围和/或比例范围和/或边缘遮挡范围和/或匹配数量和/或搜索速度。
优选的,于所述步骤S6中,所述匹配结果包括所述目标图像的点坐标和/或缩放尺度和/或旋转角度。
上述技术方案具有如下优点或有益效果:提出一种新型的图像匹配方法,分别提取预设图像和目标图像的边缘,根据边缘的坐标信息,分别创建多级别的预设模型和目标模型,再根据得分函数对目标模型进行逐级匹配,并在搜索到匹配的级别后再进行精确匹配,该方法可以适用于不同旋转角度和缩放比例的目标图像,能够对目标图像进行准确处理,处理速度快,准确性高,实时性好,并且适应不同光照和噪声,抗干扰性强。
附图说明
参考所附附图,以更加充分地描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明实施例中的图像匹配方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明包括一种基于机器视觉的图像匹配方法,如图1所示,包括以下步骤:
步骤S1,输入一预设图像,根据一预设匹配条件选定预设图像的特征区域进行图像分割处理,并在完成图像分割处理后,提取预设图像的边缘的多个像素点的位置作为一第一类坐标信息;
步骤S2,根据提取的第一类坐标信息建立一预设模型,并根据第一类坐标信息的数量将预设模型划分为多个级别;
步骤S3,输入一目标图像,根据预设匹配条件选定目标图像的特征区域进行图像分割处理,并在完成图像分割处理后,提取目标图像的边缘的多个像素点的位置作为一第二类坐标信息;
步骤S4,根据提取的第二类坐标信息建立一目标模型,并根据第二类坐标信息的数量将目标模型划分为多个级别,且目标模型的级别的数量与预设模型相同;
步骤S5,根据一预设搜索条件创建一得分函数;
步骤S6,将目标模型与预设模型进行初步匹配,找到目标模型与预设模型的级别,再使用得分函数进行精确匹配,当得分函数达到最优解时完成图像匹配,并输出匹配结果。
具体地,当产品需要检测方向和有无的时候,可以在产品的一边找一个标志点或相应的一个轮廊直角边、斜边、圆弧等几何图形作为一个模板,当机器视觉系统在一定范围内找到相应的模板时认为产品有和方向是对的,当找不到相应的模板时认为方向是反的,此时可以发信号把产品剔除或控制相应的电机把产品反个方向。通常模板为图像中的前景特征,首先将我们需要匹配的特征区域,设定为图像的感兴趣区域(Regions of Interest,ROI),分割出ROI区域图像,例如,我们需要检测产品上是否存在螺钉时,使用几何图形将预设图像和目标图像(产品的图像)上的螺钉区域分割出来,再分别对分割出的预设图像和目标图像进行边缘轮廓的提取,在图像的边缘提取多个像素点的坐标信息,提取像素点的数量可根据实际需要决定,提取的像素点越多,图像匹配更精确,但匹配所需的计算量也越大,匹配速度越慢,反之,提取的像素点越少,匹配精度低,计算量越小,匹配速度更快。
具体地,在对预设图像和目标图像分别进行边缘提取后,再根据提取的坐标信息分别建立预设模型和目标模型,预设模型和目标模型根据提取的像素点的数量划分为多个级别,相当于图像金字塔,图像金字塔的最低级别提取的像素点最少,图像金字塔的最高级别提取的像素点最多,并且在最高级别上包含足够数量的像素点。例如,将目标模型与预设模型划分为16*16、32*32以及64*64三个级别,将两者进行匹配,使用得分函数进行逐级匹配,判断每一级别的得分,并设置一个门限值,当得分达到门限值时,确认目标图像在该级别完成初步匹配。进一步地,由于输入的目标图像的旋转角度和缩放比例等参数与预设图像存在一定的偏差,在完成初步匹配后,还需对目标图像进行精确匹配,使目标图像和预设图像代表同一目标物的对应点达到空间位置的一致。
通过上述技术方案,将预设模板进行图像金字塔分级,建立得分函数式设定函数收敛参数,在目标图像中进行逐级搜索,直到目标值得到最佳收敛值时匹配完成。该方法能够对目标图像进行准确处理,处理速度快,准确性高,实时性好,并且适应不同光照和噪声,抗干扰性强。
在一种较优的实施例中,预设模型的每一个级别包括多个预设子模型,每个预设子模型对应不同的旋转角度和缩放比例;
目标模型的每一个级别包括多个目标子模型,每个目标子模型对应不同的旋转角度和缩放比例。
具体地,由于目标图像的旋转角度和缩放比例通常会与预设图像有偏差,因此,在图像金字塔的每一级别上划分多个子模型,以使预设模型和目标模型在相同的旋转角度和缩放比例上匹配,该方法可以适用于不同旋转角度和缩放比例的目标图像。
在一种较优的实施例中,于步骤S1中,对预设图像多个位置的像素点的梯度幅值及方向进行计算,并进行亚像素处理,求出所有的第一类坐标信息;
于步骤S3中,对目标图像多个位置的像素点的梯度幅值及方向进行计算,并进行亚像素处理,求出所有的第二类坐标信息。
具体地,在本实施例中,对目标图像的处理与预设图像相同,都是制作完模板的边缘特征后,对图像进行分割并进行边缘求取。
在一种较优的实施例中,于步骤S5中,预设搜索条件包括角度范围和/或比例范围和/或边缘遮挡范围和/或匹配数量和/或搜索速度。
具体地,在建立预设模型和目标模型后,可以根据实际需要设定搜索的旋转角度范围、缩放比例范围、边缘遮挡范围、匹配数量、搜索速度等匹配参数,根据这些匹配参数形成得分函数。例如,当目标图像的缩放比例越接近预设图像时,得分越高,反之得分越低,通过得分函数可以快速地将目标模型中得分低的子模型剔除,有利于提高匹配速度。
在一种较优的实施例中,于步骤S6中,匹配结果包括目标图像的点坐标和/或缩放尺度和/或旋转角度。
具体地,当达到得分函数的最优解时,匹配函数收敛,运算完成,系统输出匹配图像、匹配时间、匹配目标的坐标角度等信息。
本发明技术方案的有益效果在于:提出一种新型的图像匹配方法,分别提取预设图像和目标图像的边缘,根据边缘的坐标信息,分别创建多级别的预设模型和目标模型,再根据得分函数对目标模型进行逐级匹配,并在搜索到匹配的级别后再进行精确匹配,该方法可以适用于不同旋转角度和缩放比例的目标图像,能够对目标图像进行准确处理,处理速度快,准确性高,实时性好,并且适应不同光照和噪声,抗干扰性强。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (7)
1.一种基于机器视觉的图像匹配方法,其特征在于,包括以下步骤:
步骤S1,输入一预设图像,根据一预设匹配条件选定所述预设图像的特征区域进行图像分割处理,并在完成所述图像分割处理后,提取所述预设图像的边缘的多个像素点的位置作为一第一类坐标信息;
步骤S2,根据提取的所述第一类坐标信息建立一预设模型,并根据所述第一类坐标信息的数量将所述预设模型划分为多个级别;
步骤S3,输入一目标图像,根据所述预设匹配条件选定所述目标图像的特征区域进行所述图像分割处理,并在完成所述图像分割处理后,提取所述目标图像的边缘的多个所述像素点的位置作为一第二类坐标信息;
步骤S4,根据提取的所述第二类坐标信息建立一目标模型,并根据所述第二类坐标信息的数量将所述目标模型划分为多个级别,且所述目标模型的级别的数量与所述预设模型相同;
步骤S5,根据一预设搜索条件创建一得分函数;
步骤S6,将所述目标模型与所述预设模型进行初步匹配,找到所述目标模型与所述预设模型的级别,再使用所述得分函数进行精确匹配,当所述得分函数达到最优解时完成图像匹配,并输出匹配结果。
2.根据权利要求1所述的图像匹配方法,其特征在于,所述预设模型的每一个级别包括多个预设子模型,每个所述预设子模型对应不同的旋转角度和缩放比例。
3.根据权利要求1所述的图像匹配方法,其特征在于,所述目标模型的每一个级别包括多个目标子模型,每个所述目标子模型对应不同的旋转角度和缩放比例。
4.根据权利要求1所述的图像匹配方法,其特征在于,于所述步骤S1中,对所述预设图像多个位置的所述像素点的梯度幅值及方向进行计算,并进行亚像素处理,求出所有的所述第一类坐标信息。
5.根据权利要求1所述的图像匹配方法,其特征在于,于所述步骤S3中,对所述目标图像多个位置的所述像素点的梯度幅值及方向进行计算,并进行亚像素处理,求出所有的所述第二类坐标信息。
6.根据权利要求1所述的图像匹配方法,其特征在于,于所述步骤S5中,所述预设搜索条件包括角度范围和/或比例范围和/或边缘遮挡范围和/或匹配数量和/或搜索速度。
7.根据权利要求1所述的图像匹配方法,其特征在于,于所述步骤S6中,所述匹配结果包括所述目标图像的点坐标和/或缩放尺度和/或旋转角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183740.9A CN111401449B (zh) | 2020-03-16 | 2020-03-16 | 一种基于机器视觉的图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010183740.9A CN111401449B (zh) | 2020-03-16 | 2020-03-16 | 一种基于机器视觉的图像匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401449A true CN111401449A (zh) | 2020-07-10 |
CN111401449B CN111401449B (zh) | 2023-08-25 |
Family
ID=71436408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010183740.9A Active CN111401449B (zh) | 2020-03-16 | 2020-03-16 | 一种基于机器视觉的图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401449B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160236A (zh) * | 2020-11-30 | 2021-07-23 | 齐鲁工业大学 | 一种光伏电池阴影遮挡的图像识别方法 |
CN113205145A (zh) * | 2021-05-18 | 2021-08-03 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
CN113920570A (zh) * | 2021-11-06 | 2022-01-11 | 北京九州安华信息安全技术有限公司 | 基于几何建模的数据处理方法及装置 |
CN117173389A (zh) * | 2023-08-23 | 2023-12-05 | 无锡芯智光精密科技有限公司 | 一种基于轮廓匹配的固晶机视觉定位方法 |
CN117911724A (zh) * | 2024-03-20 | 2024-04-19 | 江西软件职业技术大学 | 一种目标跟踪方法 |
CN117911724B (zh) * | 2024-03-20 | 2024-06-04 | 江西软件职业技术大学 | 一种目标跟踪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
-
2020
- 2020-03-16 CN CN202010183740.9A patent/CN111401449B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109801318A (zh) * | 2019-01-30 | 2019-05-24 | 东北大学 | 一种快速物体匹配算法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160236A (zh) * | 2020-11-30 | 2021-07-23 | 齐鲁工业大学 | 一种光伏电池阴影遮挡的图像识别方法 |
CN113205145A (zh) * | 2021-05-18 | 2021-08-03 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
CN113205145B (zh) * | 2021-05-18 | 2022-08-16 | 广州大学 | 基于归一化互相关的模板匹配方法、系统、装置及介质 |
CN113920570A (zh) * | 2021-11-06 | 2022-01-11 | 北京九州安华信息安全技术有限公司 | 基于几何建模的数据处理方法及装置 |
CN113920570B (zh) * | 2021-11-06 | 2022-06-14 | 北京九州安华信息安全技术有限公司 | 基于几何建模的数据处理方法及装置 |
CN117173389A (zh) * | 2023-08-23 | 2023-12-05 | 无锡芯智光精密科技有限公司 | 一种基于轮廓匹配的固晶机视觉定位方法 |
CN117173389B (zh) * | 2023-08-23 | 2024-04-05 | 无锡芯智光精密科技有限公司 | 一种基于轮廓匹配的固晶机视觉定位方法 |
CN117911724A (zh) * | 2024-03-20 | 2024-04-19 | 江西软件职业技术大学 | 一种目标跟踪方法 |
CN117911724B (zh) * | 2024-03-20 | 2024-06-04 | 江西软件职业技术大学 | 一种目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111401449B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401449B (zh) | 一种基于机器视觉的图像匹配方法 | |
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN110472674B (zh) | 一种基于边缘和梯度特征的模板匹配算法 | |
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN105069799A (zh) | 一种角点定位方法及装置 | |
CN108573221A (zh) | 一种基于视觉的机器人目标零件显著性检测方法 | |
CN104268602A (zh) | 一种基于二进制特征匹配的遮挡工件识别方法及装置 | |
CN110189375B (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN104680519A (zh) | 基于轮廓和颜色的七巧板识别方法 | |
CN104851095B (zh) | 基于改进型形状上下文的工件图像稀疏立体匹配方法 | |
CN114863492B (zh) | 一种低质量指纹图像的修复方法及修复装置 | |
CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN115330757B (zh) | 一种电路板焊点缺陷检测方法及系统 | |
CN112215079B (zh) | 一种全局多阶段目标跟踪方法 | |
CN106067031A (zh) | 基于人工纠错机制与深度学习网络协作机器视觉识别系统 | |
CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
CN112884746A (zh) | 一种基于边缘形状匹配的字符缺陷智能检测算法 | |
CN110163894B (zh) | 基于特征匹配的亚像素级目标跟踪方法 | |
CN114187267B (zh) | 基于机器视觉的冲压件缺陷检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN113888456B (zh) | 一种基于轮廓的角点检测方法 | |
CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
CN111104942B (zh) | 一种模板匹配网络训练方法、识别方法及装置 | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 |
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 |