CN111507177A - 一种用于计量周转柜的识别方法及装置 - Google Patents
一种用于计量周转柜的识别方法及装置 Download PDFInfo
- Publication number
- CN111507177A CN111507177A CN202010102322.2A CN202010102322A CN111507177A CN 111507177 A CN111507177 A CN 111507177A CN 202010102322 A CN202010102322 A CN 202010102322A CN 111507177 A CN111507177 A CN 111507177A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- characteristic data
- edge
- euclidean distance
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
本发明涉及计量周转柜资产识别技术领域,具体公开了一种用于计量周转柜的识别方法,包括:采集计量周转柜存放物资的样品图像,提取所述样品图像的样品特征数据,获取样品特征数据的欧式距离,建立特征数据样品库;采集归还的周转柜的物资图像,提取所述周转柜的物资图像的物资特征数据,获取物资特征数据的欧式距离;设定特征比较对比阈值,获取物资特征数据的欧式距离与对应样品特征数据的欧式距离的差值,若差值大于阈值则存在缺陷。本发明能有效识别边缘缺损、表面污秽、表面划痕等缺陷,能大幅提高表计资产外形缺陷识别的准确率,极大缩短检测时间,减少人力劳动成本。
Description
技术领域
本发明属于计量周转柜识别技术领域,特别涉及用于一种计量周转柜的识 别方法及装置。
背景技术
现有的计量周转柜装置,没有对表计资产的自动图像识别功能。对于出入 库的表计资产,只能通过人工方式对其外观、边缘缺陷、磨损、标签残缺等进 行肉眼观察,以剔除带有缺陷、不合格的表计。
通过人工方式对计量周转柜出入库资产进行肉眼观察,剔除带有缺陷、不 合格的表计的方式,不仅效率低下,而且存在人工误判、漏判可能。采用模式 识别及机器视觉处理装置,可对出入库的表计资产之外观、边缘缺陷、磨损、 标签残缺等进行自动识别,可极大提高工作效率及准确率。
发明内容
本发明的目的在于提供一种用于计量周转柜的识别方法及装置,其能机器 智能识别存放在计量周转柜的资产缺陷,极大提高工作效率及准确率。
为实现上述目的,一方面,本发明提供了用于一种计量周转柜的识别方法, 包括:
S1,采集存放在计量周转柜的物资的样品图像,提取所述样品图像的样品 特征数据,获取样品特征数据的欧式距离,建立特征数据样品库;
S2,采集归还的周转柜的物资图像,提取所述物资图像的物资特征数据, 获取物资特征数据的欧式距离;
S3,设定特征比较对比阈值,获取物资特征数据的欧式距离与对应样品特 征数据的欧式距离的差值,若差值大于阈值则存在缺陷。
优选的,上述技术方案中,对所述样品图像增强降噪,对所述物资图像增 强降噪。
优选的,上述技术方案中,增强降噪步骤包括:
S21,定位待识别样品图像或物资图像并对对应区域裁剪、缩放;
S22,将图像从rgb通道转为hsv通道进行对比度增强,再转变回rgb通道;
S23,对图像进行灰度值转化;
S24,利用高斯滤波器对灰度值转化后的图像进行降噪。
优选的,上述技术方案中,特征数据提取步骤包括:
S31,将样品图像或物资图像按照像素点分成若干区域。
S32,采用Prewitt算法提取样品图像中物体边缘特征或采用Sobel算法提 取归还的物资图像中物体边缘特征,获取含有边缘信息的二值图像;
S33,计算二值图像内各边缘间的间距识别边缘缺陷以获取边缘连续性特 征、样品或物资边缘距离特征;
S34,统计二值图像内闭合边缘内的图像灰度值识别表面磨损以获取平面特 征;
S35,检测二值图像内边缘夹角大于阈值的两条边以识别边角磨损以获取角 点特征。
优选的,上述技术方案中,建立三维欧式空间并获取样品特征数据的欧式 距离,具体包括:
S41,以样品距离的平均值、标准差和极大值为三维空间内的x、y、z坐标 轴,并得到样品的三维空间坐标;
S42,从样品的三维空间分布特性中归纳出一条从原点出发的射线;
S43,计算样品特征投影到这条射线的投影点到原点的距离。
优选的,上述技术方案中,步骤S43具体包括:
对于m个类别:A1,A2,…,Am,每个类别含n个样品,A1可表示为A1=(A11, A12,…,A1n)T,A11,A12,…,A1n为样品;
为实现上述目的,另一方面,本发明提供了用于一种计量周转柜的识别装 置,包括:样品采集特征提取模块、归还采集特征提取模块及特征比较模块;
样品采集特征提取模块具体包括:
样品图像采集装置,用于采集存放在计量周转柜的物资的样品图像,
样品特征数据提取模块,用于提取所述样品图像的样品特征数据,
样品特征匹配模块,用于获取样品特征数据的欧式距离,将样品特征数据 对应的欧式距离保存至特征数据样品库;
归还采集特征提取模块具体包括:
归还图像采集装置,用于采集归还的周转柜的物资图像;
归还物资特征数据提取模块,用于提取所述物资图像的物资特征数据;
归还物资特征匹配模块,用于获取物资特征数据的欧式距离;
特征比较模块,用于设定特征比较对比阈值,获取物资特征数据的欧式距 离与对应样品特征数据的欧式距离的差值,若差值大于阈值则存在缺陷。
优选的,上述技术方案中,所述样品采集特征提取模块还包括用于对样品 图像增强、降噪的样品图像增强和降噪系统;
所述归还采集特征提取模块还包括用于对物资图像增强、降噪的归还图像 增强和降噪系统。
优选的,上述技术方案中,样品图像增强和降噪系统、归还图像增强和降 噪系统主要包括:
目标定位子系统,用于定位待识别样品图像或物资图像并对对应区域裁剪、 缩放;
图像对比度增强子系统,用于将图像从rgb通道转为hsv通道进行对比度 增强,再转变回rgb通道;
图像灰度值转化子系统,用于对图像进行灰度值转化;
图像降噪子系统,用于利用高斯滤波器对灰度值转化后的图像进行降噪。
优选的,上述技术方案中,所述样品特征数据提取模块和归还物资特征数 据提取模块具体包括:
图像分区子系统,用于将样品图像或物资图像按照像素点分成若干区域。
边缘检测子系统,用于采用Prewitt算法提取样品图像中物体边缘特征或 采用Sobel算法提取归还的物资图像中物体边缘特征,获取含有边缘信息的二 值图像;
位置关系分析子系统,用于计算二值图像内各边缘间的间距识别边缘缺陷 以获取边缘连续性特征、样品或物资边缘距离特征;
平面关系分析子系统,用于统计二值图像内闭合边缘内的图像灰度值识别 表面磨损以获取平面特征;
角点检测子系统,用于检测二值图像内边缘夹角大于阈值的两条边以识别 边角磨损以获取角点特征。
与现有的技术相比,本发明具有如下有益效果:
1.本发明采用基于模式识别的机器视觉识别处理技术,能有效识别边缘缺 损、表面污秽、表面划痕等缺陷,能大幅提高表计资产外形缺陷识别的准确率, 极大缩短检测时间,减少人力劳动成本。
2.本发明采用三维到一维降维法,其原理为以样品距离的平均值、标准差 和极大值为三维空间内的x、y、z坐标轴,并得到样品的三维空间坐标。从样 品的三维空间分布特性中归纳出一条从原点出发的射线,并求得样品投影到这 条射线的投影点到原点的距离,从而完成三维到一维的降维,并依照距离完成 分类,能有效提高识别精度,在识别过程中,应用三维降维算法比逐一比对的 方式更快速,比二维降维算法更准确,综上所述,特征匹配算法的输出为样品 在射线上的投影点到原点的距离。
附图说明
图1是本发明用于计量周转柜的识别方法的流程图。
图2-1是本发明Sobel滤波矩阵的结构图。
图2-2是本发明Prewitt滤波矩阵的结构图。
图3是本发明用于计量周转柜的识别装置的结构图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发 明的保护范围并不受具体实施方式的限制。
如图1所示,该实施例中的计量周转柜的识别方法包括:
S1,采集存放在计量周转柜的物资样品图像,提取样品图像的样品特征数 据,获取样品特征数据的欧式距离,建立特征数据样品库。
S2,采集归还的周转柜的物资图像,提取物资图像的特征数据,获取周转 柜物资特征数据的欧式距离。
S3,设定特征比较对比阈值,获取物资特征数据的欧式距离与对应样品特 征数据的欧式距离的差值,若差值大于阈值则将被测物体归类到对应样品类别 并记录包含缺陷。若差值小于阈值,则将被测物体归类到对应样品类别并记录 无缺陷,其中,阈值通过测试正反馈、负反馈样品调节获取。
步骤S1、S2中,还包括目标定位及对图像增强降噪,具体包括:
S11,定位待识别样品图像或物资图像并对对应区域裁剪、缩放。
S12,采用图像对比度增强算法将图像从rgb(红、绿、蓝)通道转为hsv (色调、饱和度、亮度)通道进行对比度增强,再转变回rgb通道。
S13,对图像进行灰度值转化。具体的,图像灰度值转化算法B3、F3算法 为提取rgb值,并按公式r*0.299+g*0.587+b*0.144(r、g、b为红、绿、蓝亮 度值)计算灰度值。
S14,利用高斯滤波器对灰度值转化后的图像进行降噪。其滤波原理为计算 像素点及其周围像素点的值的加权平均值,见公式(1),其优点在于变量少和 对降噪后图像的平滑度的控制能力强。考虑到实际检测会比样品检测情况复杂, 因此实际部分进行优化降噪算法时,可减小高斯滤波器大小,从而提高运算效 率。
其中,i、j为矩阵行、列数,k为任意正整数,σ为变量。
接下来,步骤S1中,还包括获取样品特征数据的欧式距离,建立特征数据 样品库,具体包括:
S21,将样品图像按照像素点分成若干区域。
S22,采用Prewitt算法提取样品图像中物体边缘特征,获取含有边缘信息 的二值图像。
S23,计算二值图像内各边缘间的间距识别边缘缺陷以获取边缘连续性特 征、样品边缘距离特征。
S24,统计二值图像内闭合边缘内的图像灰度值识别表面磨损以获取平面特 征。
S25,检测二值图像内边缘夹角大于阈值的两条边以识别边角磨损以获取角 点特征。
其中,储存产生的特征数据至样品库,并依照各个特征精确程度而放大或 增益,最终结果保存为矩阵形式。为了保证模式识别精确度,每个样品库中样 品应至少包含3至5个不同标准件数据。
另外,步骤S2与步骤S1的区别在于步骤S1采用Prewitt算法提取样品图 像中物体边缘特征,步骤S2采用Sobel算法提取归还的周转柜的物资图像中物 体边缘特征,其原理为:采用Sobel、Prewitt二维矩阵对原图像进行卷积,计 算当前像素点的值为周围像素点的值的倍数和,若结果高于阈值则为1,反之 则为0。如图2-1和图2-2所示,为Sobel,Prewitt滤波矩阵。
进一步的,该实施例步骤S1获取样品特征数据的欧式距离,具体包括:
S31,建立三维欧式空间,以样品距离的平均值、标准差和极大值为三维空 间内的x、y、z坐标轴,并得到样品的三维空间坐标;
S32,从样品的三维空间分布特性中归纳出一条从原点出发的射线;
S33,计算样品特征投影到这条射线的投影点到原点的距离,完成三维到一 维的降维,并依照距离完成分类。
其中,其中采用欧式最短距离算法,对于m个类别:A1,A2,…,Am,每个 类别含n个样品,A1可表示为A1=(A11,A12,…,A1n)T,A11,A12,…, A1n为样品。
其中,步骤S2中获取物资特征数据的欧式距离与步骤S1相同。
如上所述,特征提取算法共提取4个样品特征,即样品边缘连续性特征、 样品边缘距离特征、样品平面特征和样品角点特征。以上特征相互独立并且互 不干扰,因此可以分为4个维度。本发明特点在于对多维度识别算法进行降维 算法,以提高模式识别的准确度和速度。
在识别过程中,应用三维降维算法比逐一比对的方式更快速,比二维降维 算法更准确,是一种兼顾准确度和速度的新型算法。综上所述,算法的输出为 样品在射线上的投影点到原点的距离。
该实施例中,还公开了用于一种计量周转柜的识别装置,如图3所示,包括 样品采集特征提取模块、归还采集特征提取模块及特征比较模块。
样品采集特征提取模块包括样品图像采集装置、样品图像增强和降噪系统、 样品特征数据提取模块及样品特征匹配模块。
归还采集特征提取模块包括归还图像采集装置、归还图像增强和降噪系统、 归还物资特征数据提取模块及归还物资特征匹配模块。
样品图像采集装置用于采集样品图像,归还图像采集装置用于采集归还周 转柜的物资图像,样品图像增强和降噪系统、归还图像增强和降噪系统主要包 括:
目标定位子系统,用于定位待识别样品图像或物资图像并对对应区域裁剪、 缩放。
图像对比度增强子系统,用于将图像从rgb通道转为hsv通道进行对比度 增强,再转变回rgb通道。
图像灰度值转化子系统,用于对图像进行灰度值转化。
图像降噪子系统,用于利用高斯滤波器对灰度值转化后的图像进行降噪。
样品特征数据提取模块和归还物资特征数据提取模块具体包括:
图像分区子系统,用于将样品图像或物资图像按照像素点分成若干区域。
边缘检测子系统,用于采用Prewitt算法提取样品图像中物体边缘特征或 采用Sobel算法提取归还的物资图像中物体边缘特征,采用Sobel算法提取归 还的周转柜图像中物体边缘特征,获取含有边缘信息的二值图像。
位置关系分析子系统,用于计算二值图像内各边缘间的间距识别边缘缺陷 以获取边缘连续性特征、样品边缘距离特征。
平面关系分析子系统,用于统计二值图像内闭合边缘内的图像灰度值识别 表面磨损以获取平面特征。
角点检测子系统,用于检测二值图像内边缘夹角大于阈值的两条边以识别 边角磨损以获取角点特征。
样品特征匹配模块、归还物资特征匹配模块,用于获取样品特征数据和归 还物资特征数据的最短欧式距离。
特征比较模块,用于设定特征比较对比阈值,将周转柜的物资特征数据的 欧式距离与样品特征数据的欧式距离作比较,若大于阈值则存在缺陷。
综上,本发明应用于周转柜表计资产的机器视觉识别处理,可在拍照后1 秒之内检测完成,能有效识别边缘缺损、表面污秽、表面划痕等缺陷。检测速 度快,准确度高。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这 些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导, 可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本 发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本 发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围 意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种用于计量周转柜的识别方法,其特征在于,包括:
S1,采集存放在计量周转柜的物资的样品图像,提取所述样品图像的样品特征数据,获取样品特征数据的欧式距离,建立特征数据样品库;
S2,采集归还的周转柜的物资图像,提取所述物资图像的物资特征数据,获取物资特征数据的欧式距离;
S3,设定特征比较对比阈值,获取物资特征数据的欧式距离与对应样品特征数据的欧式距离的差值,若差值大于阈值则存在缺陷。
2.根据权利要求1所述的用于计量周转柜的识别方法,其特征在于,对所述样品图像增强降噪,对所述物资图像增强降噪。
3.根据权利要求2所述的用于计量周转柜的识别方法,其特征在于,增强降噪步骤包括:
S21,定位待识别样品图像或物资图像并对对应区域裁剪、缩放;
S22,将图像从rgb通道转为hsv通道进行对比度增强,再转变回rgb通道;
S23,对图像进行灰度值转化;
S24,利用高斯滤波器对灰度值转化后的图像进行降噪。
4.根据权利要求1所述的用于计量周转柜的识别方法,其特征在于,特征数据提取步骤包括:
S31,将样品图像或物资图像按照像素点分成若干区域。
S32,采用Prewitt算法提取样品图像中物体边缘特征或采用Sobel算法提取归还的物资图像中物体边缘特征,获取含有边缘信息的二值图像;
S33,计算二值图像内各边缘间的间距识别边缘缺陷以获取边缘连续性特征、样品或物资边缘距离特征;
S34,统计二值图像内闭合边缘内的图像灰度值识别表面磨损以获取平面特征;
S35,检测二值图像内边缘夹角大于阈值的两条边以识别边角磨损以获取角点特征。
5.根据权利要求1所述的用于计量周转柜的识别方法,其特征在于,建立三维欧式空间并获取样品特征数据的欧式距离,具体包括:
S41,以样品距离的平均值、标准差和极大值为三维空间内的x、y、z坐标轴,并得到样品的三维空间坐标;
S42,从样品的三维空间分布特性中归纳出一条从原点出发的射线;
S43,计算样品特征投影到这条射线的投影点到原点的距离。
7.一种用于计量周转柜的识别装置,其特征在于,包括:样品采集特征提取模块、归还采集特征提取模块及特征比较模块;
样品采集特征提取模块具体包括:
样品图像采集装置,用于采集存放在计量周转柜的物资的样品图像,
样品特征数据提取模块,用于提取所述样品图像的样品特征数据,
样品特征匹配模块,用于获取样品特征数据的欧式距离,将样品特征数据对应的欧式距离保存至特征数据样品库;
归还采集特征提取模块具体包括:
归还图像采集装置,用于采集归还的周转柜的物资图像;
归还物资特征数据提取模块,用于提取所述物资图像的物资特征数据;
归还物资特征匹配模块,用于获取物资特征数据的欧式距离;
特征比较模块,用于设定特征比较对比阈值,获取物资特征数据的欧式距离与对应样品特征数据的欧式距离的差值,若差值大于阈值则存在缺陷。
8.根据权利要求7所述的用于计量周转柜的识别方法,其特征在于,所述样品采集特征提取模块还包括用于对样品图像增强、降噪的样品图像增强和降噪系统;
所述归还采集特征提取模块还包括用于对物资图像增强、降噪的归还图像增强和降噪系统。
9.根据权利要求8所述的用于计量周转柜的识别方法,其特征在于,样品图像增强和降噪系统、归还图像增强和降噪系统主要包括:
目标定位子系统,用于定位待识别样品图像或物资图像并对对应区域裁剪、缩放;
图像对比度增强子系统,用于将图像从rgb通道转为hsv通道进行对比度增强,再转变回rgb通道;
图像灰度值转化子系统,用于对图像进行灰度值转化;
图像降噪子系统,用于利用高斯滤波器对灰度值转化后的图像进行降噪。
10.根据权利要求1所述的用于计量周转柜的识别方法,其特征在于,所述样品特征数据提取模块和归还物资特征数据提取模块具体包括:
图像分区子系统,用于将样品图像或物资图像按照像素点分成若干区域。
边缘检测子系统,用于采用Prewitt算法提取样品图像中物体边缘特征或采用Sobel算法提取归还的物资图像中物体边缘特征,获取含有边缘信息的二值图像;
位置关系分析子系统,用于计算二值图像内各边缘间的间距识别边缘缺陷以获取边缘连续性特征、样品或物资边缘距离特征;
平面关系分析子系统,用于统计二值图像内闭合边缘内的图像灰度值识别表面磨损以获取平面特征;
角点检测子系统,用于检测二值图像内边缘夹角大于阈值的两条边以识别边角磨损以获取角点特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102322.2A CN111507177B (zh) | 2020-02-19 | 2020-02-19 | 一种用于计量周转柜的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010102322.2A CN111507177B (zh) | 2020-02-19 | 2020-02-19 | 一种用于计量周转柜的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507177A true CN111507177A (zh) | 2020-08-07 |
CN111507177B CN111507177B (zh) | 2023-04-07 |
Family
ID=71874092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010102322.2A Active CN111507177B (zh) | 2020-02-19 | 2020-02-19 | 一种用于计量周转柜的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507177B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63271667A (ja) * | 1987-04-30 | 1988-11-09 | Mitsubishi Electric Corp | 画像処理方法 |
CN1482579A (zh) * | 2002-09-13 | 2004-03-17 | ��ʿͨ��ʽ���� | 图像缺陷检查装置和图像缺陷检查方法 |
CN103292741A (zh) * | 2013-05-29 | 2013-09-11 | 哈尔滨工程大学 | 一种基于k均值颜色聚类的物体表面三维轮廓的结构光视觉测量方法 |
CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN107741454A (zh) * | 2017-09-04 | 2018-02-27 | 清华大学 | 基于法向分量的伪三维漏磁信号缺陷轮廓识别方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108830839A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种基于行列变步长分割的压容器的热图像缺陷检测方法 |
CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
CN109345524A (zh) * | 2018-09-26 | 2019-02-15 | 深圳市鑫汇达机械设计有限公司 | 一种基于视觉的轴承外观缺陷检测系统 |
CN110728667A (zh) * | 2019-10-08 | 2020-01-24 | 南京航空航天大学 | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 |
-
2020
- 2020-02-19 CN CN202010102322.2A patent/CN111507177B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63271667A (ja) * | 1987-04-30 | 1988-11-09 | Mitsubishi Electric Corp | 画像処理方法 |
CN1482579A (zh) * | 2002-09-13 | 2004-03-17 | ��ʿͨ��ʽ���� | 图像缺陷检查装置和图像缺陷检查方法 |
CN103292741A (zh) * | 2013-05-29 | 2013-09-11 | 哈尔滨工程大学 | 一种基于k均值颜色聚类的物体表面三维轮廓的结构光视觉测量方法 |
WO2015055060A1 (zh) * | 2013-10-16 | 2015-04-23 | 湖南镭目科技有限公司 | 一种连铸坯表面质量在线检测方法 |
CN104392240A (zh) * | 2014-10-28 | 2015-03-04 | 中国疾病预防控制中心寄生虫病预防控制所 | 一种基于多特征融合的寄生虫虫卵识别方法 |
CN104794491A (zh) * | 2015-04-28 | 2015-07-22 | 重庆大学 | 基于预分类的模糊聚类钢板表面缺陷检测方法 |
CN107741454A (zh) * | 2017-09-04 | 2018-02-27 | 清华大学 | 基于法向分量的伪三维漏磁信号缺陷轮廓识别方法 |
CN108181316A (zh) * | 2018-03-13 | 2018-06-19 | 广西师范大学 | 一种基于机器视觉的竹条缺陷检测方法 |
CN108830839A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种基于行列变步长分割的压容器的热图像缺陷检测方法 |
CN109115812A (zh) * | 2018-08-23 | 2019-01-01 | 中国石油大学(北京) | 一种焊缝底片缺陷识别方法及系统 |
CN109345524A (zh) * | 2018-09-26 | 2019-02-15 | 深圳市鑫汇达机械设计有限公司 | 一种基于视觉的轴承外观缺陷检测系统 |
CN110728667A (zh) * | 2019-10-08 | 2020-01-24 | 南京航空航天大学 | 一种基于灰度图像概率的刀具磨损量自动精确测量方法 |
Non-Patent Citations (1)
Title |
---|
李延年: "基于机器视觉的PCB外观缺陷光学自动检测机关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111507177B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403839B2 (en) | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium | |
US8983200B2 (en) | Object segmentation at a self-checkout | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN108345912A (zh) | 一种基于rgbd信息与深度学习的商品快速结算系统 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN111444964B (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
CA3136674C (en) | Methods and systems for crack detection using a fully convolutional network | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN113021355A (zh) | 一种用于预测遮挡农作物摘取点的农业机器人作业方法 | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
Cai et al. | An efficient method for electric meter readings automatic location and recognition | |
CN110345919A (zh) | 基于三维空间向量与二维平面坐标的空间碎片检测方法 | |
Yao et al. | An adaptive and quantitative rubber nutrient status analyzing system by digital foliar images | |
CN114743257A (zh) | 图像目标行为的检测识别方法 | |
CN109472279B (zh) | 基于图像处理的物品识别方法和装置 | |
CN112926676B (zh) | 一种虚假目标识别方法、装置及计算机设备 | |
Hrytsyk et al. | 19. OBJECTS RECOGNITION AND CLASSIFICATION USING TRANSFORM AND SKELETONIZATION METHODS UNDER DIFFERENT LIGHTING CONDITIONS FOR SMART CITIES | |
Liu et al. | Research on a high-precision extraction method of industrial cuboid | |
CN114638785A (zh) | 图像中的强光区域检测方法、系统、介质、设备及终端 | |
Zhan et al. | A Components Measuring System Based on Computer Vision | |
CN116503810A (zh) | 一种安全监控视频目标检测方法及相关装置 | |
CN117218672A (zh) | 一种基于深度学习的病案文字识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |