CN111461242A - 一种用于生产线的多物料快速对比匹配方法 - Google Patents

一种用于生产线的多物料快速对比匹配方法 Download PDF

Info

Publication number
CN111461242A
CN111461242A CN202010269239.4A CN202010269239A CN111461242A CN 111461242 A CN111461242 A CN 111461242A CN 202010269239 A CN202010269239 A CN 202010269239A CN 111461242 A CN111461242 A CN 111461242A
Authority
CN
China
Prior art keywords
difference
image
tray
fourier
size
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
CN202010269239.4A
Other languages
English (en)
Inventor
季德生
汪熙
吕晓宇
麻倍之
唐志祥
魏德民
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.)
Beijing Aerospace Xinfeng Machinery Equipment Co Ltd
Original Assignee
Beijing Aerospace Xinfeng Machinery 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 Beijing Aerospace Xinfeng Machinery Equipment Co Ltd filed Critical Beijing Aerospace Xinfeng Machinery Equipment Co Ltd
Priority to CN202010269239.4A priority Critical patent/CN111461242A/zh
Publication of CN111461242A publication Critical patent/CN111461242A/zh
Pending legal-status Critical Current

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
    • G06V10/753—Transform-based matching, e.g. Hough transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种用于生产线的多物料快速对比匹配方法，其特征在于，具体包括以下步骤：步骤一、确定每种物料托盘所放置物料的种类、数量及摆放位置；步骤二、制作多种物料托盘，每种托盘都包含一些矩形凹槽，凹槽大小和深度跟物料匹配；步骤三、将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板；每一种物料托盘有一个模板；步骤四、在生产线上，物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像；本发明可以快速地，高可靠地识别物料托盘上的上百种物料。

Description

一种用于生产线的多物料快速对比匹配方法
技术领域
本发明涉及机器视觉领域，尤其涉及生产线的物料匹配方法。
背景技术
在生产线上，往往一个生产工序，需要几十甚至上百个物料的供应，这些物料种类，大小各不相同。如果物料配套出错的话，对生产线的生产影响是巨大的。
目前最常用的方法是通过机器视觉系统对物料进行神经网络训练和识别，用来检测物料配套是否正确。目前的方法存在以下几个问题：
1.物料在图像中的所占像素大小对识别率有非常大的影响，对于大尺寸的物料，神经网络的方法能够有很高的识别率，小的如螺钉螺母等，识别率不高。
2.对形状相似的物料不能正确识别，如不能识别M3和M4的螺母。
特别是图像上有上百个大小和形状不同的物料的话，目前还未见其它有效的方法能够把它们一一识别。
因此，寻找一种可用于生产线，高可靠性的物料对比方法具有重要意义。
发明内容
本发明的目的是提供一种用于生产线的多物料快速对比匹配方法，以克服现有技术机器视觉系统对物料进行神经网络训练和识别正确率低的缺陷。
一种用于生产线的多物料快速对比匹配方法，其特征在于，具体包括以下步骤：
步骤一、确定每种物料托盘所放置物料的种类、数量及摆放位置；
步骤二、制作多种物料托盘，每种托盘都包含一些矩形凹槽，凹槽大小和深度跟物料匹配；
步骤三、将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板；每一种物料托盘有一个模板；
步骤四、在生产线上，物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像，逐一跟模板里面的每一张物料图像进行对比得到大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
步骤五、对三个差异度进行判定，同时满足下面两个条件的认为是相同的物料，条件1：差异度的和小于0.3，条件2：单个差异度小于0.15。
所述步骤一中制作物料托盘，每个托盘都包含一些黑色的矩形凹槽，凹槽大小和深度跟物料匹配；凹槽设计以固定产品为主要目的，凹槽外形与物料外形有不一致的。
所述步骤二中将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板。
所述步骤三中利用物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像，逐一跟模板里面的每一张物料图像进行对比得到大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
自动标注分水岭的方法对凹槽图像进行分割包含以下内容：a.首先对灰度图像进行开和闭操作，b.其次灰度值最高的区域自动标记成fgm，灰度值最低的部分标注成bgm，c.计算灰度图像的梯度gradimg，d.对gradimg进行形态重构，使其在bgm和fgm处有极小值，e.然后进行分水岭变换算法，得到物料R物料和背景R背景,同样对事先拍摄的模板图像进行操作，可以得到R模板。
大小差异度SSize的定义如下：
SSize＝(∑R物料-∑R模板)/(∑R物料+∑R模板)
其中∑R物料，∑R模板分别表示物料图像中和模板图像中的像素个数。
灰度分布差异度SGrey定义如下：
SGrey＝∫abs(whc-mhc)/(∫whc+∫mhc)
求解方法：首先得到物料与模板的直方图曲线wh和mh，并将曲线归一化，再对两条曲线进行对准操作，使得其重合的面积最大，得到whc和mhc，对上述两条曲线利用上述定义求解得到SGrey。
傅里叶描绘子差异度SFourier定义如下：
Figure BDA0002442486100000031
求解方法：首先将分水岭算法提取的物料边界曲线和模板边界曲线分别记为wb和mb，对wb和mb进行离散傅里叶变换，其系数分别为w(k)和m(k)，其次对w(k)与m(k)进行归一化处理得到wd(k)和md(k)，最后对wd(k)和md(k)利用上述定义求解SFourier。
所述步骤四中，大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier，差异度介于[0,1]之间,其值越小，代表差别越小，0表示完全无差异，1表示完全不一致；如果满足两个条件，即可认为是同一物料，否则判定为不同物料；条件1、三个差异度之后小于0.3，条件2、最大差异度小于0.15；用公式表示如下：
condition1:SSize+SGrey+SFourier＜0.3
condition2:Max(SSize,SGrey,SFourier)＜0.2。
本发明具有以下有益效果：
通过设计好带有凹槽的物料托盘，将物料摆放进托盘的凹槽里，事先采集好标准的模板。在生产线运行过程中，由工业相机采集物料托盘的图像，对每一个凹槽中物料和模板进行对比匹配，得到三个差异度，再对三个差异度进行判定，最后把判定结果发送给生产管理系统，该方法可以快速地，高可靠地识别物料托盘上的上百种物料。表现在：
1)可以在很短的时间内(小于200ms)，完成对整个托盘上百种物料的对比匹配。
2)高可靠性，正确率高，通常在99.5％以上。
3)对物料在大小，灰度分布，以及傅里叶描绘子(形状)进行对比，算法稳定性好，适应性好，对于物料的摆放角度无特殊要求，受环境光的影响小。
附图说明
图1、本发明流程图；
图2、本发明的物料对比匹配系统的具体比对过程图；
图3、本发明的自动化标记的分水岭算法流程图；
图4、本发明的求解灰度差异度的流程图；
图5、本发明的求解傅里叶描述子差异度的流程图。
具体实施方式
一种用于生产线的多物料快速对比匹配方法，其特征在于，具体包括以下步骤：
步骤一、确定每种物料托盘所放置物料的种类、数量及摆放位置；
步骤二、制作多种物料托盘，每种托盘都包含一些矩形凹槽，凹槽大小和深度跟物料匹配；
步骤三、将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板；每一种物料托盘有一个模板；
步骤四、在生产线上，物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像，逐一跟模板里面的每一张物料图像进行对比得到大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
步骤五、对三个差异度进行判定，同时满足下面两个条件的认为是相同的物料，条件1：差异度的和小于0.3，条件2：单个差异度小于0.15。
所述步骤一中制作物料托盘，每个托盘都包含一些黑色的矩形凹槽，凹槽大小和深度跟物料匹配；凹槽设计以固定产品为主要目的，凹槽外形与物料外形有不一致的。
所述步骤二中将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板。
所述步骤三中利用物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像，逐一跟模板里面的每一张物料图像进行对比得到大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
自动标注分水岭的方法对凹槽图像进行分割包含以下内容：a.首先对灰度图像进行开和闭操作，b.其次灰度值最高的区域自动标记成fgm，灰度值最低的部分标注成bgm，c.计算灰度图像的梯度gradimg，d.对gradimg进行形态重构，使其在bgm和fgm处有极小值，e.然后进行分水岭变换算法，得到物料R物料和背景R背景,同样对事先拍摄的模板图像进行操作，可以得到R模板。
大小差异度SSize的定义如下：
SSize＝(∑R物料-∑R模板)/(∑R物料+∑R模板)
其中∑R物料，∑R模板分别表示物料图像中和模板图像中的像素个数。
灰度分布差异度SGrey定义如下：
SGrey＝∫abs(whc-mhc)/(∫whc+∫mhc)
求解方法：首先得到物料与模板的直方图曲线wh和mh，并将曲线归一化，再对两条曲线进行对准操作，使得其重合的面积最大，得到whc和mhc，对上述两条曲线利用上述定义求解得到SGrey。
傅里叶描绘子差异度SFourier定义如下：
Figure BDA0002442486100000051
求解方法：首先将分水岭算法提取的物料边界曲线和模板边界曲线分别记为wb和mb，对wb和mb进行离散傅里叶变换，其系数分别为w(k)和m(k)，其次对w(k)与m(k)进行归一化处理得到wd(k)和md(k)，最后对wd(k)和md(k)利用上述定义求解SFourier。
所述步骤四中，大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier，差异度介于[0,1]之间,其值越小，代表差别越小，0表示完全无差异，1表示完全不一致；如果满足两个条件，即可认为是同一物料，否则判定为不同物料；条件1、三个差异度之后小于0.3，条件2、最大差异度小于0.15；用公式表示如下：
condition1:SSize+SGrey+SFourier＜0.3
condition2:Max(SSize,SGrey,SFourier)＜0.2。
本发明的上述方法是这样实现的，一种用于生产线的多物料快速对比匹配方法，包括以下步骤：
A.制作物料托盘，每个托盘都包含一些黑色的矩形凹槽，凹槽大小和深度跟物料匹配。
B.将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板。
C.在生产线上，物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像，逐一跟模板里面的每一张物料图像进行对比得到大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier(相关术语定义已在权利要求书中定义，此处不赘述)。
D.对三个差异度进行判定，同z时满足下面两个条件的认为是相同的物料，条件(1)差异度的和小于0.3，条件(2)单个差异度小于0.15。
根据本发明的技术方案，在不变更本发明的实质精神下，本领域一般技术人员可以提出本发明的多个结构方式和制作方法。因此以下具体实施方式以及附图仅是本发明技术方案的具体说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
下面结合实施例及附图对本发明作进一步详细的描述：
如图1所示，一种用于生产线的多物料快速对比匹配方法，具体步骤包括：
步骤10制作物料托盘，每个托盘都包含一些黑色的矩形凹槽，凹槽大小和深度跟物料匹配。
步骤20各种类型物料由正确的放置托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张托盘图像，作为模板。
步骤30在生产线上，物料对比匹配系统根据计算机存储的模板，对凹槽里面的物料逐一跟模板图像里面的凹槽图像进行对比，得到大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
步骤40对上述的三个差异度进行判定，大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier，差异度介于[0,1]之间,其值越小，代表差别越小，0表示完全无差异，1表示完全不一致。如果满足两个条件：(1)三个差异度之后小于0.3，(2)最大差异度小于0.15，即可认为是同一物料，否则判定为不同物料。
condition1:SSize+SGrey+SFourier＜0.3
condition2:Max(SSize,SGrey,SFourier)＜0.2
对于步骤30，还包含以下步骤：
步骤31通过hough变换的方法可以定位每一个凹槽的位置，记为Ai(xi,yi)，其宽度和高度分别为Wi和Hi。
步骤32对凹槽的图像进行分水岭分割算法，分离开出物料R物料和背景R背景。(1)首先对灰度图像进行开和闭操作，(2)其次灰度值最高的区域自动标记成fgm，灰度值最低的部分标注成bgm，(3)计算灰度图像的梯度gradimg，(4)对gradimg进行形态重构，使其在bgm和fgm处有极小值，(5)然后进行分水岭变换算法，得到物料R物料和背景R背景,同样对事先拍摄的模板图像进行操作，可以得到R模板。
步骤33统计分析R物料的灰度信息，包含有大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
大小差异度SSize的定义如下：
SSize＝(∑R物料-∑R模板)/(∑R物料+∑R模板)
其中∑R物料，∑R模板分别表示物料图像中和模板图像中的像素个数。
灰度分布差异度SGrey定义如下：
SGrey＝∫abs(whc-mhc)/(∫whc+∫mhc)
求解方法如图4所示：
首先得到物料与模板的直方图曲线wh和mh，并将曲线归一化，再对两条曲线进行对准操作，使得其重合的面积最大，得到whc和mhc，对上述两条曲线进行差异度测量得到SGrey。
傅里叶描绘子差异度SFourier定义如下：
Figure BDA0002442486100000081
求解方法如图5所示：
首先将分水岭算法提取的物料边界曲线和模板边界曲线分别记为wb和mb，对wb和mb进行离散傅里叶变换，其系数分别为w(k)和m(k)，其次对w(k)与m(k)进行归一化处理得到wd(k)和md(k)，最后对wd(k)和md(k)求解相似性SFourier。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种用于生产线的多物料快速对比匹配方法，其特征在于，具体包括以下步骤：
步骤一、确定每种物料托盘所放置物料的种类、数量及摆放位置；
步骤二、制作多种物料托盘，每种托盘都包含一些矩形凹槽，凹槽大小和深度跟物料匹配；
步骤三、将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板；每一种物料托盘有一个模板；
步骤四、在生产线上，物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像，逐一跟模板里面的每一张物料图像进行对比得到大小差异度Ssize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
步骤五、对三个差异度进行判定，同时满足下面两个条件的认为是相同的物料，条件1：差异度的和小于0.3，条件2：单个差异度小于0.15。
2.根据权利要求1所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，所述步骤一中制作物料托盘，每个托盘都包含一些黑色的矩形凹槽，凹槽大小和深度跟物料匹配；凹槽设计以固定产品为主要目的，凹槽外形与物料外形有不一致的。
3.根据权利要求1所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，所述步骤二中将各种类型物料正确的放置在托盘的矩形凹槽内，由安装在托盘上方的工业相机拍摄一张整个托盘图像留作模板。
4.根据权利要求1所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，所述步骤三中利用物料对比匹配系统采集物料托盘图像，对其进行Hough变换得到矩形凹槽图像，并用自动标注分水岭的方法对凹槽图像进行分割，提取出物料图像，逐一跟模板里面的每一张物料图像进行对比得到大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier。
5.根据权利要求4所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，自动标注分水岭的方法对凹槽图像进行分割包含以下内容：a.首先对灰度图像进行开和闭操作，b.其次灰度值最高的区域自动标记成fgm，灰度值最低的部分标注成bgm，c.计算灰度图像的梯度gradimg，d.对gradimg进行形态重构，使其在bgm和fgm处有极小值，e.然后进行分水岭变换算法，得到物料R物料和背景R背景,同样对事先拍摄的模板图像进行操作，可以得到R模板。
6.根据权利要求4所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，大小差异度SSize的定义如下：
SSize＝(∑R物料-∑R模板)/(∑R物料+∑R模板)
其中∑R物料，∑R模板分别表示物料图像中和模板图像中的像素个数。
7.根据权利要求4所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，灰度分布差异度SGrey定义如下：
SGrey＝∫abs(whc-mhc)/(∫whc+∫mhc)
求解方法：首先得到物料与模板的直方图曲线wh和mh，并将曲线归一化，再对两条曲线进行对准操作，使得其重合的面积最大，得到whc和mhc，对上述两条曲线利用上述定义求解得到SGrey。
8.根据权利要求4所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，傅里叶描绘子差异度SFourier定义如下：
Figure FDA0002442486090000021
求解方法：首先将分水岭算法提取的物料边界曲线和模板边界曲线分别记为wb和mb，对wb和mb进行离散傅里叶变换，其系数分别为w(k)和m(k)，其次对w(k)与m(k)进行归一化处理得到wd(k)和md(k)，最后对wd(k)和md(k)利用上述定义求解SFourier。
9.根据权利要求1所述的一种用于生产线的多物料快速对比匹配方法，其特征在于，所述步骤四中，大小差异度SSize，灰度分布差异度SGrey，傅里叶描绘子差异度SFourier，差异度介于[0,1]之间,其值越小，代表差别越小，0表示完全无差异，1表示完全不一致；如果满足两个条件，即可认为是同一物料，否则判定为不同物料；条件1、三个差异度之后小于0.3，条件2、最大差异度小于0.15；
用公式表示如下：
condition1:SSize+SGrey+SFourier＜0.3
condition2:Max(SSize，SGrey，SFourier)＜0.2。
CN202010269239.4A 2020-04-08 2020-04-08 一种用于生产线的多物料快速对比匹配方法 Pending CN111461242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010269239.4A CN111461242A (zh) 2020-04-08 2020-04-08 一种用于生产线的多物料快速对比匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010269239.4A CN111461242A (zh) 2020-04-08 2020-04-08 一种用于生产线的多物料快速对比匹配方法

Publications (1)

Publication Number Publication Date
CN111461242A true CN111461242A (zh) 2020-07-28

Family

ID=71682990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010269239.4A Pending CN111461242A (zh) 2020-04-08 2020-04-08 一种用于生产线的多物料快速对比匹配方法

Country Status (1)

Country Link
CN (1) CN111461242A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674212A (zh) * 2021-07-26 2021-11-19 宁波帅特龙集团有限公司 一种把手装配检测方法与设备

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097205A (zh) * 2006-06-30 2008-01-02 宝山钢铁股份有限公司 焦炭光学组织中各向异性的自动检测方法
CN101493932A (zh) * 2009-03-05 2009-07-29 西安电子科技大学 基于形态Haar小波纹理梯度提取的分水岭纹理图像分割方法
CN102426583A (zh) * 2011-10-10 2012-04-25 北京工业大学 基于图像内容分析的中医舌象检索方法
CN102609701A (zh) * 2012-01-10 2012-07-25 河海大学 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法
CN102999918A (zh) * 2012-04-19 2013-03-27 浙江工业大学 全景视频序列图像的多目标对象跟踪系统
CN103136757A (zh) * 2013-04-02 2013-06-05 西安电子科技大学 基于流形距离的两阶段聚类算法的sar图像分割方法
CN103646232A (zh) * 2013-09-30 2014-03-19 华中科技大学 飞行器地面运动目标红外图像识别装置
CN104166841A (zh) * 2014-07-24 2014-11-26 浙江大学 一种视频监控网络中指定行人或车辆的快速检测识别方法
WO2016067007A1 (en) * 2014-10-31 2016-05-06 University Of Salford Enterprises Limited Assistive mixing system and method of assembling a synchronised spatial sound stage
CN106203455A (zh) * 2016-09-14 2016-12-07 上海理工大学 基于机器视觉的物料排正装置及圆柱形物料特征属性的识别方法
CN106548478A (zh) * 2016-10-28 2017-03-29 中国科学院苏州生物医学工程技术研究所 基于局部拟合图像的活动轮廓图像分割方法
CN106887006A (zh) * 2015-12-15 2017-06-23 株式会社理光 堆叠物体的识别方法、设备和机器分拣系统
CN106952257A (zh) * 2017-03-21 2017-07-14 南京大学 一种基于模板匹配与相似度计算的曲面标签破损缺陷检测方法
CN107871137A (zh) * 2016-10-18 2018-04-03 浙江大学 一种基于图像识别的物料匹配方法
CN107886496A (zh) * 2017-09-30 2018-04-06 北京得华机器人技术研究院有限公司 一种基于形状匹配的汽车零配件的质量检测方法
CN207289364U (zh) * 2017-10-24 2018-05-01 浙江深科自动化科技有限公司 一种小型断路器自动装配生产线的托盘装置
CN108090927A (zh) * 2016-11-18 2018-05-29 株式会社东芝 位置检测装置、处理装置、以及程序
CN109116823A (zh) * 2018-09-08 2019-01-01 芜湖金光汽车配件有限责任公司 一种用于生产线的数据采集系统
CN109163775A (zh) * 2018-08-30 2019-01-08 北京广天夏科技有限公司 一种基于带式运输机的质量测量方法及装置
CN110542402A (zh) * 2019-09-09 2019-12-06 上海中车瑞伯德智能系统股份有限公司 复杂结构体的rgb-d视觉定位系统及方法
CN110569834A (zh) * 2019-09-10 2019-12-13 湖南永爱生物科技有限公司 一种用于生产线监测的图像采集装置

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101097205A (zh) * 2006-06-30 2008-01-02 宝山钢铁股份有限公司 焦炭光学组织中各向异性的自动检测方法
CN101493932A (zh) * 2009-03-05 2009-07-29 西安电子科技大学 基于形态Haar小波纹理梯度提取的分水岭纹理图像分割方法
CN102426583A (zh) * 2011-10-10 2012-04-25 北京工业大学 基于图像内容分析的中医舌象检索方法
CN102609701A (zh) * 2012-01-10 2012-07-25 河海大学 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法
CN102999918A (zh) * 2012-04-19 2013-03-27 浙江工业大学 全景视频序列图像的多目标对象跟踪系统
CN103136757A (zh) * 2013-04-02 2013-06-05 西安电子科技大学 基于流形距离的两阶段聚类算法的sar图像分割方法
CN103646232A (zh) * 2013-09-30 2014-03-19 华中科技大学 飞行器地面运动目标红外图像识别装置
CN104166841A (zh) * 2014-07-24 2014-11-26 浙江大学 一种视频监控网络中指定行人或车辆的快速检测识别方法
WO2016067007A1 (en) * 2014-10-31 2016-05-06 University Of Salford Enterprises Limited Assistive mixing system and method of assembling a synchronised spatial sound stage
CN106887006A (zh) * 2015-12-15 2017-06-23 株式会社理光 堆叠物体的识别方法、设备和机器分拣系统
CN106203455A (zh) * 2016-09-14 2016-12-07 上海理工大学 基于机器视觉的物料排正装置及圆柱形物料特征属性的识别方法
CN107871137A (zh) * 2016-10-18 2018-04-03 浙江大学 一种基于图像识别的物料匹配方法
CN106548478A (zh) * 2016-10-28 2017-03-29 中国科学院苏州生物医学工程技术研究所 基于局部拟合图像的活动轮廓图像分割方法
CN108090927A (zh) * 2016-11-18 2018-05-29 株式会社东芝 位置检测装置、处理装置、以及程序
CN106952257A (zh) * 2017-03-21 2017-07-14 南京大学 一种基于模板匹配与相似度计算的曲面标签破损缺陷检测方法
CN107886496A (zh) * 2017-09-30 2018-04-06 北京得华机器人技术研究院有限公司 一种基于形状匹配的汽车零配件的质量检测方法
CN207289364U (zh) * 2017-10-24 2018-05-01 浙江深科自动化科技有限公司 一种小型断路器自动装配生产线的托盘装置
CN109163775A (zh) * 2018-08-30 2019-01-08 北京广天夏科技有限公司 一种基于带式运输机的质量测量方法及装置
CN109116823A (zh) * 2018-09-08 2019-01-01 芜湖金光汽车配件有限责任公司 一种用于生产线的数据采集系统
CN110542402A (zh) * 2019-09-09 2019-12-06 上海中车瑞伯德智能系统股份有限公司 复杂结构体的rgb-d视觉定位系统及方法
CN110569834A (zh) * 2019-09-10 2019-12-13 湖南永爱生物科技有限公司 一种用于生产线监测的图像采集装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674212A (zh) * 2021-07-26 2021-11-19 宁波帅特龙集团有限公司 一种把手装配检测方法与设备
CN113674212B (zh) * 2021-07-26 2024-05-24 宁波帅特龙集团有限公司 一种把手装配检测方法与设备

Similar Documents

Publication Publication Date Title
CN113989279B (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
EP3478728B1 (en) Method and system for cell annotation with adaptive incremental learning
TWI307058B (en) Method for identifying objects in an image and computer readable medium
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN108491797A (zh) 一种基于大数据的车辆图像精确检索方法
US20130236081A1 (en) Image classification apparatus and recording medium having program recorded therein
CN111522951A (zh) 一种基于图像识别的敏感数据识别与分类的技术方法
CN108764361B (zh) 基于集成学习的游梁式抽油机示功图的工况识别方法
CN114492619B (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
CN108009567B (zh) 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法
CN115393657B (zh) 基于图像处理的金属管材生产异常识别方法
CN111161295B (zh) 一种菜品图像背景剥离方法
CN116152242B (zh) 一种篮球用天然皮革缺陷可视化检测系统
CN107563384A (zh) 基于广义Hough聚类的粘连猪的头尾识别方法
CN111539330A (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN113256634B (zh) 基于深度学习的宫颈癌tct切片排阴方法和系统
CN111507344A (zh) 从图像中识别出文字的方法和装置
CN111461143A (zh) 一种图片翻拍识别方法和装置及电子设备
CN111461242A (zh) 一种用于生产线的多物料快速对比匹配方法
CN113344047A (zh) 基于改进K-means算法的压板状态识别方法
CN110968735B (zh) 一种基于球面相似度层次聚类的无监督行人重识别方法
CN111127407B (zh) 一种基于傅里叶变换的风格迁移伪造图像检测装置及方法
CN117462242A (zh) 一种皮肤科智能激光祛斑控制系统
CN115861308B (zh) 一种元宝枫病害检测方法
CN108985294B (zh) 一种轮胎模具图片的定位方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728

RJ01 Rejection of invention patent application after publication