CN112347947A - 融合智能检测与自动化测试的图像数据处理系统与方法 - Google Patents
融合智能检测与自动化测试的图像数据处理系统与方法 Download PDFInfo
- Publication number
- CN112347947A CN112347947A CN202011247432.4A CN202011247432A CN112347947A CN 112347947 A CN112347947 A CN 112347947A CN 202011247432 A CN202011247432 A CN 202011247432A CN 112347947 A CN112347947 A CN 112347947A
- Authority
- CN
- China
- Prior art keywords
- image
- sampling
- target
- data processing
- detection system
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims description 12
- 238000003672 processing method Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000006667 Aleurites moluccana Nutrition 0.000 description 1
- 235000018244 Castanea mollissima Nutrition 0.000 description 1
- 240000004957 Castanea mollissima Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明提出融合智能检测与自动化测试的图像数据处理系统与方法。所述方法包括步骤S100:初始化前端图像检测系统的各项参数;S200:使用前端图像检测系统获取目标对象的采样图像;S300:使用图像识别模型对所述采样图像进行目标识别,判断目标识别结果是否存在异常;S400:将所述目标识别结果以及所述采样图像发送给后端控制平台;S500:接收所述后端控制平台的反馈信息,根据所述反馈信息对所述图像识别模型进行训练和更新;S600:响应于所述反馈信息,更新所述前端图像检测系统的各项参数。本发明还公开实现所述方法的图像数据处理系统。本发明的技术方案能够基于前后端的交互实现目标对象的智能检测与自动化测试。
Description
技术领域
本发明属于机器视觉与图像处理技术领域,尤其涉及融合智能检测与自动化测试的图像数据处理方法、实现该方法的计算机可读存储介质。
背景技术
机器视觉技术被称为自动化的眼睛,它是当今人工智能领域最热门的研究课题之一。尽管它还是一门年轻的学科,还没有形成完整的理论体系,但它是实现工业生产高度自动化、机器人智能化、自主车导航、目标自动跟踪以及各种工业检测、医疗和军事应用的核心内容之一。
机器视觉系统通过图像摄取装置(例如CMOS和CCD)摄取图像,图像处理系统获取图像信息同时将其转换为包含像素值、亮度以及色度等数字信息。通过对这些信息进行处理与分析,完成监控或者检测等一系列工业作业。不仅在工业领域中,机器视觉在农业、军事、航天、交通等各个领域均发挥了重要的作用。在现代工业自动化生产中,经常需要对产品进行各种各样的实时定位、检验监视、包装分类等。尤其是在大批量的工业生产过程中,利用人工检测方式往往由于工人长时间的进行重复单一的工作造成的疲劳或者人的主观作用等导致生产效率低并且精度不高,极大的提高了企业的生产成本。而且有一些不适合人类工作的恶劣、危险的环境或者人的视觉难以满足要求的情况,极大的限制了工业的发展不利于企业的智能化管理。而且,随着现代化生产模式的不断转变,企业对生产水平要求的不断提高,对工业现场的生产线环境提出了高自动化、高智能化、高效率的要求。计算机因其处理速度快、效率高等特点,极大地提高了生产效率和生产的自动化程度。将机器视觉应用于企业生产线中,利用机器视觉替代人眼以及机器视觉易于实现信息集成的特点,提高了生产的柔度和自动化程度。
申请号为CN202010453831.X的中国发明专利申请提出一种基于机器视觉的物体抓取方法、机器人及存储介质,方法包括:通过所述摄像机获取第一传送带图像,根据所述第一传送带图像采用背景差分法判断传送带上是否有运动物体;若是,则对所述第一传送带图像进行校正和模板匹配,获取所述物体的位置信息;根据所述位置信息对所述物体进行抓取。该发明通过对获取到的第一传送带图像采用背景差分法来确定传送带上是否有运动物体,对被遮挡或摆放过近的物体也能检测出来,不会造成物体漏拣,同时减少了红外检测装置的成本;对第一传送带图像进行模板匹配可以实现对物体的分类抓取。
申请号为CN202010788611.2的中国发明专利申请提出基于图像处理和机器学习的视觉检测系统,包括移动防尘系统、负责对整个检测系统进行图像采集的图像采集系统、负责对整个检测系统的图像和检测数据进行处理并将检测数据进行保存和上传同时还能够将检测数据传输至企业管理系统的图像处理系统。该发明实时性强、稳定性好、准确性高、可随时监控检测结果,方便安装。
但是,机器视觉相比于人眼也有一个很大的缺点,就是机器视觉的结果严重依赖于输入图像的质量好坏。同时,即使输入图像的质量经过图像复原等处理之后得到了很大的改善,但由于处理速度过慢,会造成要检测的目标对象在传送带上堆积,依旧会影响检测的进度和准确度。
主要原因在于,机器视觉所进行的检测和识别实质上是依赖于其所得到的目标对象的图像数据以及所使用的识别模型,因此,图像数据和识别模型本身的精度对于机器视觉的效果有着重大影响。使用静态的固定不变的图像采集技术和识别模型,可能会导致识别结果出现错误,甚至于错误的记忆性下的累计错误,从而使得机器识别的精确性逐步降低。
发明内容
为解决上述技术问题,本发明提出融合智能检测与自动化测试的图像数据处理系统与方法。所述方法包括步骤S100:初始化前端图像检测系统的各项参数;S200:使用前端图像检测系统获取目标对象的采样图像;S300:使用图像识别模型对所述采样图像进行目标识别,判断目标识别结果是否存在异常;S400:将所述目标识别结果以及所述采样图像发送给后端控制平台;S500:接收所述后端控制平台的反馈信息,根据所述反馈信息对所述图像识别模型进行训练和更新;S600:响应于所述反馈信息,更新所述前端图像检测系统的各项参数。本发明还公开实现所述方法的图像数据处理系统。本发明的技术方案能够基于前后端的交互实现目标对象的智能检测与自动化测试。
本发明的技术方案,能够使得采集的目标图像在满足采集和识别要求前提下,减少高精度摄像机的使用,降低硬件成本;同时,为避免静态模型的错误累计,本发明使用前后端的交互,使用动态更新的训练数据以及检验数据更新图像检测系统,避免错误累计。
具体而言,在本发明的一个方面,提供一种融合智能检测与自动化测试的图像数据处理方法,所述方法基于前端图像检测系统与后端控制平台实现,所述方法包括如下步骤:
S100:初始化所述前端图像检测系统的各项参数;
S200:使用所述前端图像检测系统获取目标对象的采样图像;
S300:所述前端图像检测系统使用图像识别模型对所述采样图像进行目标识别,判断目标识别结果是否存在异常;
如果是,则进入步骤S400;
否则,返回步骤S200;
S400:将所述目标识别结果以及所述采样图像发送给所述后端控制平台;
S500:接收所述后端控制平台的反馈信息,根据所述反馈信息对所述图像识别模型进行训练和更新;
S600:响应于所述反馈信息,更新所述前端图像检测系统的各项参数,返回步骤S200。
在另外一个方面,本发明提供实现上述方法的融合智能检测与自动化测试的图像数据处理系统,所述系统包括前端图像检测系统与后端控制平台,所述前端图像检测系统包括图像采集装置;所述图像采集装置用于获取至少一个目标对象的采样图像;
多个所述目标对象在预定的目标范围内移动;所述前端图像检测系统还包括图像识别装置,所述图像识别装置内置至少一个可更新的图像识别模型;所述图像采集装置将获取的目标对象的采样图像发送至所述图像识别装置;
所述图像识别装置对所述采样图像进行目标识别,并输出目标识别结果;
响应于所述目标识别结果,所述前端图像检测系统调节所述图像采集装置的采样参数。
其中,所述图像采集装置采样参数包括采样分辨率。
响应于所述目标识别结果,将目标识别结果及其对应的采样图像发送至所述后端控制平台;
所述图像识别装置接收来自所述后端控制平台对于所述目标识别结果及其对应的采样图像反馈信息,基于所述反馈信息,对所述图像识别模型进行更新。
并且,响应于所述目标识别结果,将所述目标对象从所述目标范围内移除。
本发明采用不同分辨率的采集模式进行图像采样,能够使得采样数据符合实际情况的精度要求的同时,降低硬件成本。
同时,前后端互相配合反馈的形式,使得图像检测系统使用的相关模型能够动态不断更新,避免错误累计。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的一种融合智能检测与自动化测试的图像数据处理方法的主体流程图
图2是实现图1所述方法的一个更具体的实施例
图3是实现图1所述方法的一种图像数据处理的系统架构示意图
图4-图5是图3所述系统的内部数据控制原理图。
具体实施方式
下面,结合附图以及具体实施方式,对发明做出进一步的描述。
参见图1,是本发明一种融合智能检测与自动化测试的图像数据处理方法的主体流程图。图3是实现图1所述方法的一种图像数据处理的系统架构示意图。
在图1中,所述方法基于图3所述系统包括的所述前端图像检测系统与后端控制平台实现。
在图1中,所述方法包括如下步骤:
S100:初始化所述前端图像检测系统的各项参数;
所述前端图像检测系统的各项参数包括所述图像采集装置的图像采集模式;
参见图3,所述前端图像检测系统包括图像采集装置和模型训练装置;
所述图像采集装置具备多种图像采集模式,不同的图像采集模式获取的目标对象的采样图像的分辨率不同。
更具体的,在具体实现中,这里的初始化,主要是设置所述前端图像检测系统的所述图像采集装置的采样分辨率;在初始状态下,是使用最低分辨率。
S200:使用所述前端图像检测系统获取目标对象的采样图像;
具体来说,可以是使用图像摄取装置(例如CMOS和CCD)摄取图像,图像处理系统获取图像信息同时将其转换为包含像素值、亮度以及色度等数字信息。
S300:所述前端图像检测系统使用图像识别模型对所述采样图像进行目标识别,判断目标识别结果是否存在异常;
如果是,则进入步骤S400;
否则,返回步骤S200;
作为一个示意性的说明,所述图像识别模型可以是目标对象识别模型,对所述采样图像进行目标识别,可以是基于所述目标对象识别模型识别采样图像中的目标对象并对其进行状态检测。
所述状态检测可以是采用机器视觉技术、图像处理技术等,识别目标对象的属性,从而判断其是否存在异常。
例如,对于生产线来说,可以通过状态检测判断当前生产件(目标对象)是否存在异常(例如变形、裂缝等);
对于物件识别来说,可以通过状态检测识别出当前物件是否存在缺损;还可以是其他场景,例如生鲜、蔬菜、水果等的质量判断等。
所述前端图像检测系统获取所述采样图像,基于至少一种图像识别模型对其进行图像处理后,得出目标识别结果是否存在异常的图像分析结果;
S400:将所述目标识别结果以及所述采样图像发送给所述后端控制平台;
S500:接收所述后端控制平台的反馈信息,根据所述反馈信息对所述图像识别模型进行训练和更新;
S600:响应于所述反馈信息,更新所述前端图像检测系统的各项参数,返回步骤S200。
更具体的,参见图2。
在系统初始化后,采用最低分辨率的图像采集模式采集目标对象的采样图像;
所述前端图像检测系统使用图像识别模型对所述采样图像进行目标识别,判断目标识别结果是否存在异常;
如果存在异常,则调节图像采集模式,使得所述图像采集装置获取的目标对象的采样图像的分辨率升高;
然后,将所述采样图像以及所述目标识别结果发送至后端控制平台;
后端控制平台的授权用户对所述目标识别结果以及所述采样图像进行人工标注和结果反馈;
更具体的,将所述人工标注后的所述采样图像作为训练样本更新所述训练数据库;将所述结果反馈信息作为所述采样图像的校验样本更新所述检验数据库;
所述模型训练装置基于更新后的所述训练数据库和检验数据库对所述图像识别模型进行训练和更新;
然后,进入下一个采样周期,即采用调节过分辨率的图像采集模式采集目标对象的采样图像。
同时,如果存在异常,则将所述目标对象从所述目标范围内移除。
如果不存在异常,并且当前采样分辨率不是最低分辨率,则降低所述采样分辨率,继续进入下一个采样周期。
图3-图5进一步展示了实现所述方法的系统架构和工作原理。
其中,所述图像采集装置用于获取至少一个目标对象的采样图像;多个所述目标对象在预定的目标范围内移动;
所述前端图像检测系统还包括图像识别装置,所述图像识别装置内置至少一个可更新的图像识别模型;
所述图像采集装置将获取的目标对象的采样图像发送至所述图像识别装置;
所述图像识别装置对所述采样图像进行目标识别,并输出目标识别结果;
响应于所述目标识别结果,所述前端图像检测系统调节所述图像采集装置的采样参数。
响应于所述目标识别结果,将目标识别结果及其对应的采样图像发送至所述后端控制平台;
所述图像识别装置接收来自所述后端控制平台对于所述目标识别结果及其对应的采样图像反馈信息,基于所述反馈信息,对所述图像识别模型进行更新。
更具体的,所述反馈信息包括授权用户对所述图像分析结果以及所述采样图像进行人工标注和结果反馈的信息;
将所述人工标注后的所述采样图像作为训练样本;
将所述结果反馈信息作为所述采样图像的校验样本;
基于所述训练样本和所述校验样本,对所述图像识别装置使用的图像识别模型进行训练更新。
作为示例,图像识别模型可以采用神经网络模型、遗传算法等模型。例如可参见:
展慧,李小昱,王为,等基于机器视觉的板栗分级检测方法,农业工程学报,2010,22(6):854-858
Liu J,Yang W W,Wang Y,et al.Optimizing Machine Vision BasedApplications in Agricultural Products by Artificial Neural Network[J].International Journal of Food Engineering,2011.
不同的实施例数据表明,采用本发明的技术方案后,机器视觉系统的识别效率和识别准确性都会保持在一个稳定的较高水平,而不会由于个别错误的出现而出现累计错误的记忆效应。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种融合智能检测与自动化测试的图像数据处理方法,所述方法基于前端图像检测系统与后端控制平台实现,其特征在于,所述方法包括如下步骤:
S100:初始化所述前端图像检测系统的各项参数;
S200:使用所述前端图像检测系统获取目标对象的采样图像;
S300:所述前端图像检测系统使用图像识别模型对所述采样图像进行目标识别,判断目标识别结果是否存在异常;
如果是,则进入步骤S400;
否则,返回步骤S200;
S400:将所述目标识别结果以及所述采样图像发送给所述后端控制平台;
S500:接收所述后端控制平台的反馈信息,根据所述反馈信息对所述图像识别模型进行训练和更新;
S600:响应于所述反馈信息,更新所述前端图像检测系统的各项参数,返回步骤S200。
2.如权利要求1所述的一种融合智能检测与自动化测试的图像数据处理方法,其特征在于:
所述前端图像检测系统包括图像采集装置和模型训练装置;
所述图像采集装置具备多种图像采集模式,不同的图像采集模式获取的目标对象的采样图像的分辨率不同;
所述模型训练装置采用训练数据库和检验数据库对所述图像识别模型进行训练和更新。
3.如权利要求2所述的一种融合智能检测与自动化测试的图像数据处理方法,其特征在于:
所述前端图像检测系统的各项参数包括所述图像采集装置的图像采集模式;
在初始化状态下,所述图像采集装置采用最低分辨率的图像采集模式。
4.如权利要求1所述的一种融合智能检测与自动化测试的图像数据处理方法,其特征在于:
若所述目标识别结果不存在异常,则判断所述图像采集装置当前的图像采集模式是否为最低分辨率,如果否,则调节所述图像采集模式,使得所述图像采集装置获取的目标对象的采样图像的分辨率降低。
5.如权利要求2所述的一种融合智能检测与自动化测试的图像数据处理方法,其特征在于:
所述后端控制平台的授权用户对所述目标识别结果以及所述采样图像进行人工标注和结果反馈,并将所述人工标注和结果反馈信息发送至所述模型训练装置。
6.如权利要求5所述的一种融合智能检测与自动化测试的图像数据处理方法,其特征在于:
将所述人工标注后的所述采样图像作为训练样本更新所述训练数据库;
将所述结果反馈信息作为所述采样图像的校验样本更新所述检验数据库;
所述模型训练装置基于更新后的所述训练数据库和检验数据库对所述图像识别模型进行训练和更新。
7.一种融合智能检测与自动化测试的图像数据处理系统,所述系统包括前端图像检测系统与后端控制平台,其特征在于:
所述前端图像检测系统包括图像采集装置;
所述图像采集装置用于获取至少一个目标对象的采样图像;
多个所述目标对象在预定的目标范围内移动;
所述前端图像检测系统还包括图像识别装置,所述图像识别装置内置至少一个可更新的图像识别模型;
所述图像采集装置将获取的目标对象的采样图像发送至所述图像识别装置;
所述图像识别装置对所述采样图像进行目标识别,并输出目标识别结果;
响应于所述目标识别结果,所述前端图像检测系统调节所述图像采集装置的采样参数。
8.如权利要求7所述的一种融合智能检测与自动化测试的图像数据处理系统,其特征在于:
所述图像采集装置采样参数包括采样分辨率。
9.如权利要求7所述的一种融合智能检测与自动化测试的图像数据处理系统,其特征在于:
响应于所述目标识别结果,将目标识别结果及其对应的采样图像发送至所述后端控制平台;
所述图像识别装置接收来自所述后端控制平台对于所述目标识别结果及其对应的采样图像反馈信息,基于所述反馈信息,对所述图像识别模型进行更新。
10.如权利要求7所述的一种融合智能检测与自动化测试的图像数据处理系统,其特征在于:
响应于所述目标识别结果,将所述目标对象从所述目标范围内移除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011247432.4A CN112347947A (zh) | 2020-11-10 | 2020-11-10 | 融合智能检测与自动化测试的图像数据处理系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011247432.4A CN112347947A (zh) | 2020-11-10 | 2020-11-10 | 融合智能检测与自动化测试的图像数据处理系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112347947A true CN112347947A (zh) | 2021-02-09 |
Family
ID=74363271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011247432.4A Pending CN112347947A (zh) | 2020-11-10 | 2020-11-10 | 融合智能检测与自动化测试的图像数据处理系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347947A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115102892A (zh) * | 2022-05-18 | 2022-09-23 | 慧之安信息技术股份有限公司 | 基于gat 1400协议模拟测试方法 |
CN117372722A (zh) * | 2023-12-06 | 2024-01-09 | 广州炫视智能科技有限公司 | 一种目标识别方法及识别系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017177903A1 (zh) * | 2016-04-13 | 2017-10-19 | 芋头科技(杭州)有限公司 | 一种实时手势检测的在线验证方法及系统 |
CN107291737A (zh) * | 2016-04-01 | 2017-10-24 | 腾讯科技(深圳)有限公司 | 敏感图像识别方法及装置 |
CN108109385A (zh) * | 2018-01-18 | 2018-06-01 | 南京杰迈视讯科技有限公司 | 一种输电线防外破的车辆识别与危险行为判别系统与方法 |
CN108462842A (zh) * | 2018-05-14 | 2018-08-28 | 恒玄科技(上海)有限公司 | 一种高准确度、低功耗的视屏监控方法及监控系统 |
CN108600691A (zh) * | 2018-04-02 | 2018-09-28 | 深圳臻迪信息技术有限公司 | 图像采集方法、装置及系统 |
CN108920711A (zh) * | 2018-07-25 | 2018-11-30 | 中国人民解放军国防科技大学 | 面向无人机起降引导的深度学习标签数据生成方法 |
CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
CN109711319A (zh) * | 2018-12-24 | 2019-05-03 | 安徽高哲信息技术有限公司 | 一种粮食不完善粒图像识别样本库建立的方法及系统 |
-
2020
- 2020-11-10 CN CN202011247432.4A patent/CN112347947A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291737A (zh) * | 2016-04-01 | 2017-10-24 | 腾讯科技(深圳)有限公司 | 敏感图像识别方法及装置 |
WO2017177903A1 (zh) * | 2016-04-13 | 2017-10-19 | 芋头科技(杭州)有限公司 | 一种实时手势检测的在线验证方法及系统 |
CN108109385A (zh) * | 2018-01-18 | 2018-06-01 | 南京杰迈视讯科技有限公司 | 一种输电线防外破的车辆识别与危险行为判别系统与方法 |
CN108600691A (zh) * | 2018-04-02 | 2018-09-28 | 深圳臻迪信息技术有限公司 | 图像采集方法、装置及系统 |
CN108462842A (zh) * | 2018-05-14 | 2018-08-28 | 恒玄科技(上海)有限公司 | 一种高准确度、低功耗的视屏监控方法及监控系统 |
CN108920711A (zh) * | 2018-07-25 | 2018-11-30 | 中国人民解放军国防科技大学 | 面向无人机起降引导的深度学习标签数据生成方法 |
CN109389161A (zh) * | 2018-09-28 | 2019-02-26 | 广州大学 | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 |
CN109711319A (zh) * | 2018-12-24 | 2019-05-03 | 安徽高哲信息技术有限公司 | 一种粮食不完善粒图像识别样本库建立的方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115102892A (zh) * | 2022-05-18 | 2022-09-23 | 慧之安信息技术股份有限公司 | 基于gat 1400协议模拟测试方法 |
CN117372722A (zh) * | 2023-12-06 | 2024-01-09 | 广州炫视智能科技有限公司 | 一种目标识别方法及识别系统 |
CN117372722B (zh) * | 2023-12-06 | 2024-03-22 | 广州炫视智能科技有限公司 | 一种目标识别方法及识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087104A1 (en) | Method for monitoring manufacture of assembly units | |
CN112347947A (zh) | 融合智能检测与自动化测试的图像数据处理系统与方法 | |
CN111735523B (zh) | 基于视频识别的车重检测方法、装置及存储介质 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN114463296B (zh) | 基于单样本学习的轻量化部件缺陷检测方法 | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估系统及实现方法 | |
CN112349057A (zh) | 基于深度学习的室内烟雾和火灾检测方法 | |
CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
CN111563896A (zh) | 一种用于接触网异常检测的图像处理方法 | |
CN111830039A (zh) | 一种智能化的产品质量检测方法及装置 | |
CN116402852A (zh) | 基于事件相机的动态高速目标追踪方法及装置 | |
CN109544584B (zh) | 一种实现巡检稳像精度测量的方法及系统 | |
CN113021355B (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 | |
CN116452961A (zh) | 一种工业设备状态判断方法及装置 | |
CN115063427B (zh) | 用于新型船舶的污染物排放监控图像处理方法 | |
CN109064497B (zh) | 一种基于颜色聚类补充学习的视频跟踪方法 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN115546297A (zh) | 单目测距方法、装置、电子设备及存储介质 | |
CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
CN112378916B (zh) | 基于机器视觉的图像分级自动化检测系统与方法 | |
CN115034335B (zh) | 一种基于决策树模型的机器人自主协同控制方法和系统 | |
CN116229286B (zh) | 一种知识驱动的空间目标态势感知方法及系统 | |
CN116499455B (zh) | 定位方法及装置 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN117649367B (zh) | 一种图像方位的校正方法及系统 |
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 |