CN112116582A - 一种库存或陈列场景下的条烟检测识别方法 - Google Patents
一种库存或陈列场景下的条烟检测识别方法 Download PDFInfo
- Publication number
- CN112116582A CN112116582A CN202011017018.4A CN202011017018A CN112116582A CN 112116582 A CN112116582 A CN 112116582A CN 202011017018 A CN202011017018 A CN 202011017018A CN 112116582 A CN112116582 A CN 112116582A
- Authority
- CN
- China
- Prior art keywords
- image
- cigarette
- identifying
- central point
- coordinates
- 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
Links
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000009960 carding Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 241000208125 Nicotiana Species 0.000 description 11
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种库存或陈列场景下的条烟检测识别方法，它包括如下步骤：采集条烟图像，对合格图像预处理，根据预处理的图像得到中心点是烟盒的概率以及四个偏移点坐标，对于符合概率条件的图像，根据四个偏移点坐标确定四边形检测框，并仿射变换成矩形图像，通过建立多个神经网络模型对矩形图像进行识别，输出预测结果，对预测结果进行信息融合得到识别结果，根据识别结果梳理出结构化信息，统计出图像中条烟的数量、种类和品牌信息。本发明提供的条烟检测识别方法适应性能好、检测识别准确率高，识别速度快。
Description
技术领域
本发明属于计算机视觉领域，具体来说，涉及一种基于机器学习技术的条烟检测方法。
背景技术
卷烟市场的信息采集是建立现代卷烟营销体系的重要基础性工作。市场信息的采集、分析与利用驱动着卷烟需求预测、货源组织、货源供应和品牌培育等营销关键业务的开展。与传统行业不同，烟草行业的推广不能通过传媒广告展开，因此主动搜集香烟销售情况，了解掌握消费者的消费动向是烟草行业研发新品、制定销售方案的重要手段。
条烟的库存信息是指在烟草零售终端的仓库中存储的各类条烟的品种与数量信息；条烟的陈列信息是指柜台上的摆放销售的各类条烟的品种与数量信息。通过分析条烟的库存和陈列信息，得到香烟零售终端的库存总量、单品库存量、陈列总量、消费结构等数据。定期统计这些消费数据就可以准确预测市场的需求。在传统做法中，条烟库存与陈列信息的后期识别与统计过程全靠人工完成，效率十分低下。
因此近些年来，随着人工智能的不断发展，自动检测技术开始越来越多地应用到工业生产、社会安防和生活消费等各个方面。由于机器具备速度快、无疲劳、能适应恶劣环境等优点，自动检测识别技术的普及极大地提高了工业生产水平，改善了人们的生活质量。但在香烟条盒的库存与陈列信息捕获方面，目前国际国内仍然没有对相应信息进行自动化识别的技术。
发明内容
本发明旨在提供一种自动化的、高精度高鲁棒性的库存及陈列场景下的条烟检测识别方法，通过该识别发方法并统计香烟零售终端的条烟库存信息与条烟陈列信息，能够代替目前的人工统计方式，从而提高工作效率。
为实现上述技术目的，本发明采用的技术方案如下：
一种库存或陈列场景下的条烟检测识别方法，包括如下步骤：
采集储存条烟的仓库或条烟展示柜台的图像；
判断采集的图像质量是否合格，如果图像质量不合格，则重新采集图像，如果图像质量合格，则将图像进行预处理；
将预处理后的图像送入具有目标检测功能的神经网络，输出烟盒某一面的中心点坐标以及该中心点是烟盒的得分，同时输出每个中心点对应的四个偏移点坐标；
根据得到每个中心点是烟盒的得分，判断中心点是否保留，若该得分大于设定阈值，则保留该中心点；
根据保留的中心点以及该中心点对应的四个偏移点坐标，在每张图像中确定对应的不规则四边形检测框；
通过图像仿射变换将不规则四边形检测框在内的图像仿射为矩形图像；
通过建立多个条烟识别神经网络模型对矩形图像进行识别，输出预测结果；
对预测结果进行信息融合得到识别结果，根据识别结果梳理出结构化信息，统计出图像中条烟的数量、种类和品牌信息；
检测是否有新的采集图像出现，对新图片重复上述条烟检测识别的过程。
进一步限定，所述判断采集的图像质量是否合格具体为：
将图像送入基于轻量移动网络框架训练的目标检测神经网络进行判断。
进一步限定，所述将图像进行预处理具体包括：
调整较暗或较亮的图像使其颜色更鲜明；
自动识别过度拉伸的图像，将图像内容恢复成正常比例；
自动识别输入分辨率不满足条件的图像，将图像在长宽方向放大且保持图像的。
进一步限定，设定阈值为0.8。
进一步限定，所述图像仿射变换具体为：
记(x0,y0)为变换前不规则四边形图像上的点坐标，(x1,y1)为变换后矩形图像上的点坐标，则
其中，
为仿射变换矩阵。
进一步限定，所述条烟识别神经网络模型是根据收集的低分辨率、高分辨率、反光和遮挡共四种不同场景的训练样本，通过残差网络结构训练出来的四个不同场景的神经网络。
本发明相比现有技术，具有如下有益效果：
1.本发明可以处理多种视角下拍摄的仓库堆放的条烟或香烟展示柜台拍摄的照片，能够自动对待识别图像做增强处理，对场景的光照和不同拍摄设备的性能均有很好的适应能力。
2.本发明提供的条烟检测识别方法精度高，检测准确率高达99％，识别准确率高达98％。
3.本发明的识别方法只检测识别香烟条烟，不检测香烟的烟包，且每条烟只检测出一个面，就能够统计出一张图片中香烟条盒的数量，种类和品牌信息。
4.本发明提供的识别方法识别速度快，处理一张图片到统计出结构化信息总体耗时在4秒以内。
附图说明
图1为本申请一种库存或陈列场景下的条烟检测识别方法的流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
考虑到拍摄视角的不同以及应用场景可能存在的反光、遮挡、分辨率低等情况，本申请通过如下的实施例将基于深度学习的检测与识别，以及信息融合等技术结合在一起，实现了一种高精度的库存或陈列场景下的条烟检测识别方法，具体步骤如下，如图1所示：
一种库存或陈列场景下的条烟检测识别方法，包括如下步骤：
S10：通过高清摄像设备在储存条烟的仓库或条烟展示柜台采集图像，采集过程中需要保持每次采集时拍摄设备的稳定，确保采集图像的质量。
至于具体采集的方法，可以在储存条烟的仓库或条烟展示柜台假设相机，也可以直接用手机等手持设备进行拍摄。
S20：判断采集的图像质量是否符合要求，比如存在模糊不利于识别等情况，如果图像质量不符合，则需要摄像设备重新采集条烟图像，如果图像质量合格，则将采集的图片进行预处理。
对于图像质量是否合格，可以将采集的图像送入基于轻量移动网络(LWMNet)框架训练的一个目标检测神经网络中，由于该网络模型参数量较小，能快速判断出图片质量是否符合后续检测识别条件。
而图像的预处理过程包括三个操作，这三个操作的顺序可以任意调整：
图像对比度增强：即将较暗图像提高亮度，将较亮的图像降低亮度，从而使图像颜色更为鲜明。
图像拉伸恢复：对过度拉伸的图像进行自动识别，将图像内容恢复成正常比例。
图像放大：对输入分辨率较低的采集图像在长度和宽度两个方向进行放大，放大过程中确保图像的质量无明显损失。
S30：将预处理后的图像送入具有目标检测功能的神经网络，用于检测条烟，输出烟盒某一面的中心点坐标以及该中心点是烟盒的得分，此得分即表示该中心点是烟盒的概率P，同时输出每个中心点所对应的四个偏移点坐标。
上述用于检测条烟的神经网络根据中心点偏移网络(CPONet)框架训练得到，具有更高的检测精度和计算速度。
训练该神经网络时，本申请提前收集了各种情况的库存场景和陈列场景的图像作为训练样本，同时使用blender虚拟引擎生成了大量类似真实场景的虚拟图像以增加训练样本的丰度，还可以加入光线调整来增强数据类型。标注数据时采用严格的标注规则，区分出条烟和烟包，并使用了烟包的图像数据作为负样本，最终使用于检测条烟的神经网络只检测图片中的条烟，而不检测烟包。同时为了实现统计画面中条烟数量的功能，该神经网络对每一条烟只检测其中的一个面。
需要说明的是，训练样本可以通过点角坐标信息，利用数字图像处理中的透射变换方法，将虚拟图像与真实采集的图像进行结合得到。
S40：根据S30中得到的烟盒某一面的中心点是烟盒的概率P，判断该概率P是否大于设定阈值，如果是，则保留该中心点。
本实施例中，设定阈值取0.8，也就是只要中心点位置属于烟盒的概率P超过80％，就要保留该中心点所在条烟某一面的图像。
S50：根据保留的中心点以及该中心点对应的四个偏移点坐标，从而在每张图像中确定不规则四边形检测框。这里四个偏移点坐标就是中心点所在条烟某一面的四个顶点位置，这四个顶点位置确定了上述不规则四边形检测框。
S60：通过图像仿射变换将步骤S50得到的不规则四边形检测框在内的图像仿射为矩形图像，仿射变换计算公式如下：
假设(x0,y0)为变换前不规则四边形图像上的点坐标，(x1,y1)为变换后矩形图像上的点坐标，则坐标变换为：
即x1＝a11x0+a12x0+b1，y1＝a21x0+a22x0+b1。
上述仿射变换矩阵
中的参数具体求解为：通过仿射变换前后条烟盒结构的长宽比例以及坐标点信息，建立超线性方程组，然后基于最小二乘或者SVD分解等方法估算出放射矩阵的参数值。
需要说明的是，上述仿射变换矩阵的参数计算是现有理论，本申请将其引用到了烟盒图像的仿射变换中。
S70：对步骤S60得到的条烟某一面的矩形图像，建立多个条烟识别神经网络对其进行识别，输出预测结果。
其中本申请的条烟识别神经网络根据收集的低分辨率、高分辨率、反光和遮挡共四种不同场景的大量训练样本，通过残差网络结构训练得到了四个不同场景的条烟识别神经网络，该神经网络与传统卷积网络相比，能够提高了模型的分类性能。
具体地，本申请，从而使得条烟识别神经网络能够在不同情况下对烟盒进行很好地识别。
S80：对步骤S70中的预测结果进行信息融合得到识别结果，根据识别结果梳理出结构化信息，统计出图像中条烟的数量、种类和品牌信息等。
上述信息融合过程可以根据条烟识别神经网络的输出做决策，最终输出结果通过投票选举产生，具体表现为：当有多个场景的条烟识别神经网络输出的预测结果指向为同一个品牌的条烟种类时，该类作为最终输出；当有多个类投票结果相当时，选择概率值最高的预测结果作为最终输出。
S90：检测是否有新的图片出现，对新图片重复S20～S80条烟检测识别的过程。
下面简述下本申请条烟检测识别方法的工作原理：首先拍摄采集仓库或条烟展示柜台储存条烟的图像，对图像质量进行判断，若拍摄图像质量不合格，则重新拍摄；若判断图像质量合格，则将该图像送入图像预处理模块进行增强处理。图像增强完成后送入具有目标检测功能的神经网络，输出每幅图像中判定可能为烟盒的中心点坐标及其概率，并生成其相对于中心点的四个偏移点坐标，这四个点组成的不规则四边形即为检测到的一个烟盒的某一面，通过设置阈值判断检测到的各中心点的概率是否可以保留，最终将一张图中所有概率大于阈值的中心点保留并输出各中心点对应的四个偏移点的坐标，根据四个偏移点的坐标确定不规则四边形检测框，通过图像仿射变换将不规则四边形检测框所在区域的图像仿射为矩形图像，利用四种不同骨干框架的神经网络模型对矩形图像进行识别，输出预测结果，将预测结果进行信息融合，综合判断得到识别结果，根据识别结果梳理出结构化信息，统计出图像中条烟的数量、种类和品牌信息。
本发明可以处理多种视角下拍摄的仓库堆放的香烟条盒或展示柜台拍摄的照片，而后运用机器学习技术从图中检测与识别出不同品种的条烟。
Claims (6)
1.一种库存或陈列场景下的条烟检测识别方法，其特征在于，包括如下步骤：
采集储存条烟的仓库或条烟展示柜台的图像；
判断采集的图像质量是否合格，如果图像质量不合格，则重新采集图像，如果图像质量合格，则将图像进行预处理；
将预处理后的图像送入具有目标检测功能的神经网络，输出烟盒某一面的中心点坐标以及该中心点是烟盒的得分，同时输出每个中心点对应的四个偏移点坐标；
根据得到每个中心点是烟盒的得分，判断中心点是否保留，若该得分大于设定阈值，则保留该中心点；
根据保留的中心点以及该中心点对应的四个偏移点坐标，在每张图像中确定对应的不规则四边形检测框；
通过图像仿射变换将不规则四边形检测框在内的图像仿射为矩形图像；
通过建立多个条烟识别神经网络模型对矩形图像进行识别，输出预测结果；
对预测结果进行信息融合得到识别结果，根据识别结果梳理出结构化信息，统计出图像中条烟的数量、种类和品牌信息；
检测是否有新的采集图像出现，对新图片重复上述条烟检测识别的过程。
2.根据权利要求1所述的一种库存或陈列场景下的条烟检测识别方法，其特征在于，所述判断采集的图像质量是否合格具体为：
将图像送入基于轻量移动网络框架训练的目标检测神经网络进行判断。
3.根据权利要求1所述的一种库存或陈列场景下的条烟检测识别方法，其特征在于，所述将图像进行预处理具体包括：
调整较暗或较亮的图像使其颜色更鲜明；
自动识别过度拉伸的图像，将图像内容恢复成正常比例；
自动识别输入分辨率不满足条件的图像，将图像在长宽方向放大且保持图像的。
4.根据权利要求1所述的一种库存或陈列场景下的条烟检测识别方法，其特征在于，设定阈值为0.8。
5.根据权利要求1所述的一种库存或陈列场景下的条烟检测识别方法，其特征在于，所述图像仿射变换具体为：
记(x0,y0)为变换前不规则四边形图像上的点坐标，(x1,y1)为变换后矩形图像上的点坐标，则用矩阵乘法表示为
其中，
为仿射变换矩阵。
6.根据权利要求1所述的一种库存或陈列场景下的条烟检测识别方法，其特征在于，所述条烟识别神经网络模型是根据收集的低分辨率、高分辨率、反光和遮挡共四种不同场景的训练样本，通过残差网络结构训练出来的四个不同场景的神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011017018.4A CN112116582A (zh) | 2020-09-24 | 2020-09-24 | 一种库存或陈列场景下的条烟检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011017018.4A CN112116582A (zh) | 2020-09-24 | 2020-09-24 | 一种库存或陈列场景下的条烟检测识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116582A true CN112116582A (zh) | 2020-12-22 |
Family
ID=73800746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011017018.4A Pending CN112116582A (zh) | 2020-09-24 | 2020-09-24 | 一种库存或陈列场景下的条烟检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116582A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869213A (zh) * | 2021-09-28 | 2021-12-31 | 内蒙古自治区烟草公司巴彦淖尔市公司 | 一种基于图像识别的卷烟零售商户库存盘点方法和系统 |
| CN114092694A (zh) * | 2022-01-20 | 2022-02-25 | 深圳爱莫科技有限公司 | 一种包/条烟盒检测模型及连续陈列自动识别方法 |
| CN114240927A (zh) * | 2021-12-28 | 2022-03-25 | 湖南云箭智能科技有限公司 | 一种板卡质量检测方法、装置、设备及可读存储介质 |
| CN114863444A (zh) * | 2022-04-13 | 2022-08-05 | 广东烟草阳江市有限责任公司 | 基于特征识别的假条烟查办辅助方法及系统 |
| CN115205432A (zh) * | 2022-09-03 | 2022-10-18 | 深圳爱莫科技有限公司 | 一种香烟终端陈列样本图像自动生成的仿真方法与模型 |
| CN117274887A (zh) * | 2023-11-22 | 2023-12-22 | 深圳爱莫科技有限公司 | 一种条烟端头检测方法及条烟规格和数量的识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170103258A1 (en) * | 2015-10-10 | 2017-04-13 | Beijing Kuangshi Technology Co., Ltd. | Object detection method and object detection apparatus |
| CN108549870A (zh) * | 2018-04-16 | 2018-09-18 | 图麟信息科技（深圳）有限公司 | 一种对物品陈列进行鉴别的方法及装置 |
| CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
| CN109977943A (zh) * | 2019-02-14 | 2019-07-05 | 平安科技（深圳）有限公司 | 一种基于yolo的图像目标识别方法、系统和存储介质 |
| CN110569753A (zh) * | 2019-08-26 | 2019-12-13 | 湖南航天天麓新材料检测有限责任公司 | 一种基于机器视觉的条烟在线识别方法及系统 |
-
2020
- 2020-09-24 CN CN202011017018.4A patent/CN112116582A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170103258A1 (en) * | 2015-10-10 | 2017-04-13 | Beijing Kuangshi Technology Co., Ltd. | Object detection method and object detection apparatus |
| CN108549870A (zh) * | 2018-04-16 | 2018-09-18 | 图麟信息科技（深圳）有限公司 | 一种对物品陈列进行鉴别的方法及装置 |
| CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
| CN109977943A (zh) * | 2019-02-14 | 2019-07-05 | 平安科技（深圳）有限公司 | 一种基于yolo的图像目标识别方法、系统和存储介质 |
| CN110569753A (zh) * | 2019-08-26 | 2019-12-13 | 湖南航天天麓新材料检测有限责任公司 | 一种基于机器视觉的条烟在线识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘洞波 等编著: "《移动机器人粒子滤波定位与地图创建》", 湘潭大学出版社, pages: 81 - 83 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869213A (zh) * | 2021-09-28 | 2021-12-31 | 内蒙古自治区烟草公司巴彦淖尔市公司 | 一种基于图像识别的卷烟零售商户库存盘点方法和系统 |
| CN114240927A (zh) * | 2021-12-28 | 2022-03-25 | 湖南云箭智能科技有限公司 | 一种板卡质量检测方法、装置、设备及可读存储介质 |
| CN114092694A (zh) * | 2022-01-20 | 2022-02-25 | 深圳爱莫科技有限公司 | 一种包/条烟盒检测模型及连续陈列自动识别方法 |
| CN114863444A (zh) * | 2022-04-13 | 2022-08-05 | 广东烟草阳江市有限责任公司 | 基于特征识别的假条烟查办辅助方法及系统 |
| CN115205432A (zh) * | 2022-09-03 | 2022-10-18 | 深圳爱莫科技有限公司 | 一种香烟终端陈列样本图像自动生成的仿真方法与模型 |
| CN117274887A (zh) * | 2023-11-22 | 2023-12-22 | 深圳爱莫科技有限公司 | 一种条烟端头检测方法及条烟规格和数量的识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112116582A (zh) | 一种库存或陈列场景下的条烟检测识别方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN108764071B (zh) | 一种基于红外和可见光图像的真实人脸检测方法及装置 | |
| US7606414B2 (en) | Fusion of color space data to extract dominant color | |
| US10922531B2 (en) | Face recognition method | |
| CN110827312B (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| WO2021139197A1 (zh) | 一种图像处理方法及装置 | |
| CN111222433B (zh) | 自动人脸稽核方法、系统、设备及可读存储介质 | |
| CN114240939A (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
| CN115908774B (zh) | 一种基于机器视觉的变形物资的品质检测方法和装置 | |
| CN115170550A (zh) | 一种基于深度学习的电池缺陷检测方法及系统 | |
| CN114359235A (zh) | 一种基于改进YOLOv5l网络的木材表面缺陷检测方法 | |
| CN112819017B (zh) | 基于直方图的高精度色偏图像识别方法 | |
| CN114494751A (zh) | 证照信息识别方法、装置、设备及介质 | |
| Mirani et al. | Object recognition in different lighting conditions at various angles by deep learning method | |
| CN115471439A (zh) | 显示面板缺陷的识别方法、装置、电子设备及存储介质 | |
| CN110334713B (zh) | 一种内衬纸产品类型的智能识别方法 | |
| Sivaraman et al. | Object recognition under lighting variations using pre-trained networks | |
| CN111563869B (zh) | 用于摄像模组质检的污点测试方法 | |
| CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及系统 | |
| CN108268533A (zh) | 一种用于图像检索的图像特征匹配方法 | |
| CN113807327A (zh) | 一种基于光线补偿的深度学习侧脸图像处理方法及系统 | |
| Shamsi et al. | Group affect prediction using emotion heatmaps and scene information | |
| CN111474181A (zh) | 一种成盒制程阶段的面板缺陷检测及分类系统 | |
| CN113111888A (zh) | 一种图片判别方法及装置 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Long Tao Inventor before: Yang Heng Inventor before: Long Tao |