CN112560836A - 一种元器件识别方法、装置以及计算机可读存储介质 - Google Patents
一种元器件识别方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112560836A CN112560836A CN202011238558.5A CN202011238558A CN112560836A CN 112560836 A CN112560836 A CN 112560836A CN 202011238558 A CN202011238558 A CN 202011238558A CN 112560836 A CN112560836 A CN 112560836A
- Authority
- CN
- China
- Prior art keywords
- mark
- component
- identified
- image
- identifying
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000002569 neuron Anatomy 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 239000003550 marker Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
Abstract
本发明公开了一种元器件识别方法、装置以及计算机可读存储介质,获取第一影像,所述第一影像包含待识别的第一元器件,所述元器件上包含待识别标记;识别并定位所述第一影像中的已知标记,获取所述已知标记与所述第一元器件的关联关系;基于所述第一影像、所述关联关系以及预设神经元网络训练模型,识别所述待识别标记。由此,在识别第一元器件时,通过影像中的已知标记以及关联关系来综合识别第一元器件,相比较丝印识别,本方案大大提高了识别准确率方面,以提升工作效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种元器件识别方法、装置以及计算机可读存储介质。
背景技术
实际生产应用中,往往需要统计主板元器件的价格,这就需要得知各个元器件的型号,但是对于同一类型的元器件(比如MOS管),其外观很相似,通过外观很难识别出来,目前常用的做法是通过丝印识别的方法识别元器件上面的文字,以获取对应的型号。
由于目前的丝印识别对于主板上元器件的识别准确率不高,尤其是针对文字方向不正确的元器件,识别结果跟实际情况会很大的误差。
发明内容
本发明实施例提供了一种元器件识别方法、装置以及计算机可读存储介质,具有提升元器件识别准确率的技术效果。
本发明一方面提供一种元器件识别方法,包括:获取第一影像,所述第一影像包含待识别的第一元器件,所述元器件上包含待识别标记;识别并定位所述第一影像中的已知标记,获取所述已知标记与所述第一元器件的关联关系;基于所述第一影像、所述关联关系以及预设神经元网络训练模型,识别所述待识别标记。
在一可实施方式中,所述待识别标记为文字或图案中的一种或多种,所述已知标记为第二元器件、文字、图案中的一种或多种。
在一可实施方式中,所述关联关系包括以下至少之一:所述第一元器件与所述已知标记具有第一固定距离或者第一固定方向;所述第一元器件与所述已知标记在形状、色彩上相同或者相似。
在一可实施方式中,所述基于所述第一影像、所述关联关系以及预设神经元网络训练模型,识别所述待识别标记,包括:将所述第一影像输入于所述预设神经元网络训练模型,以对所述待识别标记进行识别,得到第一元器件信息;根据所得到的第一元器件信息以及所述关联关系,识别所述待识别标记。
在一可实施方式中,在识别所述待识别标记之前,所述方法还包括:识别所述第一元器件上的待识别标记,得到识别结果;将所述识别结果与预设数据库中的文字或者图案进行匹配,得到多个匹配结果,其中所述预设数据库中存有元器件的文字或者图案;根据所述匹配结果,确定最终的文字或者图案,并结合所述关联关系识别所述待识别标记。
在一可实施方式中,所述识别所述第一元器件上的待识别标记,得到识别结果,包括:翻转所述第一影像,得到多个不同的第二影像,其中所述第二影像与所述第一影像的差异至少包括所述待识别标记在影像中的角度位置不同;识别多个不同第二影像中的第一元器件,得到多个不同的识别结果。
在一可实施方式中,所述根据所述匹配结果,确定最终的文字或者图案,包括:从所述预设数据库中选取与所述待识别标记匹配度最高的文字或者图案;将所选取的文字或者图案作为最终的文字或者图案。
在一可实施方式中,在将所选取的文字或者图案作为最终的文字或者图案的过程中,所述方法还包括:若判定所述最终的文字或者图案的匹配度低于预设阈值,则在识别所述待识别标记的过程中显示用于表征匹配度不高的提示标记。
本发明另一方面提供一种元器件识别装置,包括:影像获取模块,用于获取第一影像,所述第一影像包含待识别的第一元器件,所述元器件上包含待识别标记;标记获取模块,用于识别并定位所述第一影像中的已知标记,获取所述已知标记与所述第一元器件的关联关系;标记识别模块,用于基于所述第一影像、所述关联关系以及预设神经元网络训练模型,识别所述待识别标记。
本发明另一方面提供一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行上述任一项所述的元器件识别方法。
在本发明实施例中,在识别第一元器件时,通过影像中的已知标记以及关联关系来综合识别第一元器件,相比较丝印识别,本方案大大提高了识别准确率方面,以提升工作效率。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
在附图中,相同或对应的标号表示相同或对应的部分。
图1为本发明实施例一种元器件识别方法的实现流程示意图;
图2为本发明实施例一种元器件识别方法中第一影像的示意图;
图3为本发明实施例一种元器件识别方法中第一影像的翻转结果示意图;
图4为本发明实施例一种元器件识别装置的结构组成意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂,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,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动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。
图1为本发明实施例一种元器件识别方法的实现流程示意图;
图2为本发明实施例一种元器件识别方法中第一影像的示意图。
如图1所示,本发明一方面提供一种元器件识别方法,包括:
步骤101,获取第一影像,第一影像包含待识别的第一元器件,元器件上包含待识别标记;
步骤102,识别并定位第一影像中的已知标记,获取已知标记与第一元器件的关联关系;
步骤103,基于第一影像、关联关系以及预设神经元网络训练模型,识别待识别标记。
本实施例中,在步骤101中,第一影像可以是图像,也可以是视频;待识别标记可以是文字,也可以是图案,其位置可以是在第一元器件的正表面,也可以是在第一元器件的侧表面。
在步骤102中,如图2所示,已知标记可以是第二元器件、特定图案(如CPU商标图案)、特定文字(如图2中的标记文字)或者特定形状(如图2所示的主板上特有的形状)中的一种或多种,数量可以是多个,其中特定图案、特定文字可以位于第二元器件上,也可以不在第二元器件上(例如在主板上)。已知标记的识别方式可以是将第一影像与大量现有图像进行相似度匹配得到,也可以是通过已预训练的神经网络模型对第一影像进行识别得到,输出识别结果的同时定位到该已知标记在第一图像中的位置。根据已获得的已知标记,查询与第一元器件的关联关系,其中关联关系包括两者的位置关系、方向关系、形状关系、大小关系、色彩关系等,结合图2理解,假定蓝牙芯片是待识别的第一元器件,已知标记为中央处理器,那么蓝牙芯片和中央处理器之间的位置关系为两者之间距离为1~2cm,方向关系为蓝牙芯片在中央处理器的左上方,形状关系为两者均为方形,大小关系为中央处理器比蓝牙芯片打9~12倍,色彩关系为两者均为黑色。
在步骤103中,待识别标记的识别方式可以是将第一影像输入到预设神经元网络训练模型中以获取第一影像中的第一元器件信息(如位置、形状大小、色彩等),根据第一元器件信息和已知标记的关联关系验证得到第一元器件的待识别标记。待识别标记的识别方式还可以是将第一影像和关联关系同时输入到预设神经元网络训练模型中,直接输出得到得第一元器件的待识别标记。以上两种神经元网络训练模型的功能不同,因此训练方式存在差别,第一种神经元网络训练模型的训练数据为影像样本,输出为影像中的元器件信息,第二种神经元网络训练模型的训练数据为影像样本和关联关系,输出为第一元器件上的待识别标记。
由此,在识别第一元器件时,通过影像中的已知标记以及关联关系来综合识别第一元器件,相比较丝印识别,本方案大大提高了识别准确率方面,以提升工作效率。
在一可实施方式中,待识别标记为文字或图案中的一种或多种,已知标记为第二元器件、文字、图案中的一种或多种。
本实施例中,文字可以是表征元器件的型号以及参数等等,图案可以是该元器件的商标图案,也可以是表征元器件具体型号或者安装方法的图案;其中已知标记中的文字、图案可以位于元器件上,也可以是其他地方,比如主板上。
在一可实施方式中,关联关系包括以下至少之一:
第一元器件与已知标记具有第一固定距离或者第一固定方向;
第一元器件与已知标记在形状、色彩上相同或者相似。
本实施例中,第一元器件与已知标记之间的第一固定距离、第一固定方向、形状和色彩需要事先进行测量并记录。形状、色彩上相同指的是两者的形状、色彩像素值完全相同,相似指的是两者的形状或者色彩在外观上只存在细小差别,比如两个半径差只有0.5cm的圆,或者是两个像素值差只有10ppi。
进一步的,已知标记可以有多个,可结合多个关联关系综合识别待识别标记,仍以图2所示,假设音效芯片也是已知标记,那么音效芯片和蓝牙芯片之间具有以下关联关系,两者的距离间隔为3cm,方向关系为蓝牙芯片位于音效芯片的右方向,形状大小关系为音效芯片比蓝牙芯片小且均为正方形等等,那么在判定待识别的第一元器件时,综合判断与中央处理器芯片之间的关联关系以及与音效芯片之间的关联关系来识别第一元器件,这样可进一步提高识别准确率。
在一可实施方式中,基于第一影像、关联关系以及预设神经元网络训练模型,识别待识别标记,包括:
将第一影像输入于预设神经元网络训练模型,以对待识别标记进行识别,得到第一元器件信息;
根据所得到的第一元器件信息以及关联关系,识别待识别标记。
本实施例中,该预设神经元网络训练模型在训练时,输入为影像样本,输出为元器件信息;其中第一元器件信息包括具体位置、形状大小、色彩等等。
根据第一元器件信息,计算得到与已知标志之间的距离、方向、形状大小差别,再将所计算得到的信息与对应的关联关系进行信息验证,若验证成功,则确定待识别标记。
在一可实施方式中,在识别待识别标记之前,方法还包括:
识别第一元器件上的待识别标记,得到识别结果;
将识别结果与预设数据库中的文字或者图案进行匹配,得到多个匹配结果,其中预设数据库中存有元器件的文字或者图案;
根据匹配结果,确定最终的文字或者图案,并结合关联关系识别待识别标记。
本实施例中,待识别标记可以通过丝印识别、文本识别或者图像的方式来识别;
匹配结果一般为多个,从中选定最终的文字或者图案,在通过关联关系的方式识别待识别标记之后,再与最终选定的文字或者图案进行进一步确认,以提高识别的精准度。
在一可实施方式中,识别第一元器件上的待识别标记,得到识别结果,包括:
翻转第一影像,得到多个不同的第二影像,其中第二影像与第一影像的差异至少包括待识别标记在影像中的角度位置不同;
识别多个不同第二影像中的第一元器件,得到多个不同的识别结果。
图3为本发明实施例一种元器件识别方法中第一影像的翻转结果示意图。
如图3所示,本实施例中,通过丝印识别、文本识别或者图像的方式来识别影像中文字或者图案的准确率与影像中文字图案的角度有关,因此在识别的过程中,将第一影像进行翻转以生成多个不同角度的第二影像,如图3中的“角度1”、“角度2”、“角度3”,对不同的第二影像分别进行识别,得到多个不同的识别结果,再将识别结果与预设数据库中的文字或者图案进行匹配以及后续操作。
通过将第一影像进行翻转处理,以提高识别准确率,进而提高待识别标志的识别准确率。
在一可实施方式中,根据匹配结果,确定最终的文字或者图案,包括:
从预设数据库中选取与待识别标记匹配度最高的文字或者图案;
将所选取的文字或者图案作为最终的文字或者图案。
本实施例中,匹配时,一般将识别结果与预设数据库中的文字或者图案逐个进行相似度计算,得到多个相似值,相似值越高表示匹配度越高,从预设数据库中选取与待识别标记匹配度最高的文字或者图案,并作为最终的文字或者图案。
在一可实施方式中,在将所选取的文字或者图案作为最终的文字或者图案的过程中,方法还包括:
若判定最终的文字或者图案的匹配度低于预设阈值,则在识别待识别标记的过程中显示用于表征匹配度不高的提示标记。
本实施例中,预设阈值可根据实际应用需求进行调节,当最终的文字或者图案锁对应的匹配度也低于该预设阈值时,说明最终所识别到的待识别标记的准确率较低,因此在识别的过程中增设一个提示标记以提示该识别结果可能存在错误,提示标记可以是文字图案,也可以是声音提示。
图4为本发明实施例一种元器件识别装置的结构组成意图。
如图4所示,本发明实施例另一方面提供一种元器件识别装置,包括:
影像获取模块201,用于获取第一影像,第一影像包含待识别的第一元器件,元器件上包含待识别标记;
标记获取模块202,用于识别并定位第一影像中的已知标记,获取已知标记与第一元器件的关联关系;
标记识别模块203,用于基于第一影像、关联关系以及预设神经元网络训练模型,识别待识别标记。
本实施例中,在影像获取模块201中,第一影像可以是图像,也可以是视频;待识别标记可以是文字,也可以是图案,其位置可以是在第一元器件的正表面,也可以是在第一元器件的侧表面。
在标记获取模块202中,如图2所示,已知标记可以是第二元器件、特定图案(如CPU商标图案)、特定文字(如图2中的标记文字)或者特定形状(如图2所示的主板上特有的形状)中的一种或多种,数量可以是多个,其中特定图案、特定文字可以位于第二元器件上,也可以不在第二元器件上(例如在主板上)。已知标记的识别方式可以是将第一影像与大量现有图像进行相似度匹配得到,也可以是通过已预训练的神经网络模型对第一影像进行识别得到,输出识别结果的同时定位到该已知标记在第一图像中的位置。根据已获得的已知标记,查询与第一元器件的关联关系,其中关联关系包括两者的位置关系、方向关系、形状关系、大小关系、色彩关系等,结合图2理解,假定蓝牙芯片是待识别的第一元器件,已知标记为中央处理器,那么蓝牙芯片和中央处理器之间的位置关系为两者之间距离为1~2cm,方向关系为蓝牙芯片在中央处理器的左上方,形状关系为两者均为方形,大小关系为中央处理器比蓝牙芯片打9~12倍,色彩关系为两者均为黑色。
在标记识别模块203中,待识别标记的识别方式可以是将第一影像输入到预设神经元网络训练模型中以获取第一影像中的第一元器件信息(如位置、形状大小、色彩等),根据第一元器件信息和已知标记的关联关系验证得到第一元器件的待识别标记。待识别标记的识别方式还可以是将第一影像和关联关系同时输入到预设神经元网络训练模型中,直接输出得到得第一元器件的待识别标记。以上两种神经元网络训练模型的功能不同,因此训练方式存在差别,第一种神经元网络训练模型的训练数据为影像样本,输出为影像中的元器件信息,第二种神经元网络训练模型的训练数据为影像样本和关联关系,输出为第一元器件上的待识别标记。
由此,在识别第一元器件时,通过影像中的已知标记以及关联关系来综合识别第一元器件,相比较丝印识别,本方案大大提高了识别准确率方面,以提升工作效率。
本实施例中,标记识别模块203具体用于:
将第一影像输入于预设神经元网络训练模型,以对待识别标记进行识别,得到第一元器件信息;
根据所得到的第一元器件信息以及关联关系,识别待识别标记。
本实施例中,该预设神经元网络训练模型在训练时,输入为影像像本,输出为元器件信息;其中第一元器件信息包括具体位置、形状大小、色彩等等。
根据第一元器件信息,计算得到与已知标志之间的距离、方向、形状大小差别,再将所计算得到的信息与对应的关联关系进行信息验证,若验证成功,则确定待识别标记。
本发明另一方面提供一种计算机可读存储介质,存储介质包括一组计算机可执行指令,当指令被执行时用于执行上述任一项的元器件识别方法。
在本发明实施例中计算机可读存储介质包括一组计算机可执行指令,当指令被执行时用于,获取第一影像,第一影像包含待识别的第一元器件,元器件上包含待识别标记;识别并定位第一影像中的已知标记,获取已知标记与第一元器件的关联关系;基于第一影像、关联关系以及预设神经元网络训练模型,识别待识别标记。
由此,在识别第一元器件时,通过影像中的已知标记以及关联关系来综合识别第一元器件,相比较丝印识别,本方案大大提高了识别准确率方面,以提升工作效率。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种元器件识别方法,包括:
获取第一影像,所述第一影像包含待识别的第一元器件,所述元器件上包含待识别标记;
识别并定位所述第一影像中的已知标记,获取所述已知标记与所述第一元器件的关联关系;
基于所述第一影像、所述关联关系以及预设神经元网络训练模型,识别所述待识别标记。
2.根据权利要求1所述的方法,所述待识别标记为文字或图案中的一种或多种,所述已知标记为第二元器件、文字、图案中的一种或多种。
3.根据权利要求1所述的方法,所述关联关系包括以下至少之一:
所述第一元器件与所述已知标记具有第一固定距离或者第一固定方向;
所述第一元器件与所述已知标记在形状、色彩上相同或者相似。
4.根据权利要求1所述的方法,所述基于所述第一影像、所述关联关系以及预设神经元网络训练模型,识别所述待识别标记,包括:
将所述第一影像输入于所述预设神经元网络训练模型,以对所述待识别标记进行识别,得到第一元器件信息;
根据所得到的第一元器件信息以及所述关联关系,识别所述待识别标记。
5.根据权利要求4所述的方法,在识别所述待识别标记之前,所述方法还包括:
识别所述第一元器件上的待识别标记,得到识别结果;
将所述识别结果与预设数据库中的文字或者图案进行匹配,得到多个匹配结果,其中所述预设数据库中存有元器件的文字或者图案;
根据所述匹配结果,确定最终的文字或者图案,并结合所述关联关系识别所述待识别标记。
6.根据权利要求5所述的方法,所述识别所述第一元器件上的待识别标记,得到识别结果,包括:
翻转所述第一影像,得到多个不同的第二影像,其中所述第二影像与所述第一影像的差异至少包括所述待识别标记在影像中的角度位置不同;
识别多个不同第二影像中的第一元器件,得到多个不同的识别结果。
7.根据权利要求5所述的方法,所述根据所述匹配结果,确定最终的文字或者图案,包括:
从所述预设数据库中选取与所述待识别标记匹配度最高的文字或者图案;
将所选取的文字或者图案作为最终的文字或者图案。
8.根据权利要求7所述的方法,在将所选取的文字或者图案作为最终的文字或者图案的过程中,所述方法还包括:
若判定所述最终的文字或者图案的匹配度低于预设阈值,则在识别所述待识别标记的过程中显示用于表征匹配度不高的提示标记。
9.一种元器件识别装置,包括:
影像获取模块,用于获取第一影像,所述第一影像包含待识别的第一元器件,所述元器件上包含待识别标记;
标记获取模块,用于识别并定位所述第一影像中的已知标记,获取所述已知标记与所述第一元器件的关联关系;
标记识别模块,用于基于所述第一影像、所述关联关系以及预设神经元网络训练模型,识别所述待识别标记。
10.一种计算机可读存储介质,所述存储介质包括一组计算机可执行指令,当所述指令被执行时用于执行权利要求1-8任一项所述的元器件识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238558.5A CN112560836A (zh) | 2020-11-09 | 2020-11-09 | 一种元器件识别方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011238558.5A CN112560836A (zh) | 2020-11-09 | 2020-11-09 | 一种元器件识别方法、装置以及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560836A true CN112560836A (zh) | 2021-03-26 |
Family
ID=75041656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011238558.5A Pending CN112560836A (zh) | 2020-11-09 | 2020-11-09 | 一种元器件识别方法、装置以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560836A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0425194A (ja) * | 1990-05-21 | 1992-01-28 | Fujitsu Ten Ltd | 基板の識別方法 |
CN104463178A (zh) * | 2014-12-29 | 2015-03-25 | 广州视源电子科技股份有限公司 | 电子元件识别方法和系统 |
CN107563386A (zh) * | 2017-09-04 | 2018-01-09 | 广州视源电子科技股份有限公司 | 元器件验证方法、装置、设备与计算机可读存储介质 |
CN108710854A (zh) * | 2018-05-22 | 2018-10-26 | 长治学院 | 一种电子元器件的识别方法和装置 |
CN109918523A (zh) * | 2019-02-14 | 2019-06-21 | 广东工业大学 | 一种基于yolo9000算法的电路板元器件检测方法 |
CN110609912A (zh) * | 2019-08-29 | 2019-12-24 | 百度在线网络技术(北京)有限公司 | 元器件信息记录方法、装置、设备及可读存储介质 |
CN111460946A (zh) * | 2020-03-25 | 2020-07-28 | 南京理工大学 | 一种基于图像的芯片信息快速采集和识别方法 |
CN111553445A (zh) * | 2020-05-20 | 2020-08-18 | 北京三一智造科技有限公司 | 零部件识别方法、装置、存储介质和电子设备 |
-
2020
- 2020-11-09 CN CN202011238558.5A patent/CN112560836A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0425194A (ja) * | 1990-05-21 | 1992-01-28 | Fujitsu Ten Ltd | 基板の識別方法 |
CN104463178A (zh) * | 2014-12-29 | 2015-03-25 | 广州视源电子科技股份有限公司 | 电子元件识别方法和系统 |
CN107563386A (zh) * | 2017-09-04 | 2018-01-09 | 广州视源电子科技股份有限公司 | 元器件验证方法、装置、设备与计算机可读存储介质 |
CN108710854A (zh) * | 2018-05-22 | 2018-10-26 | 长治学院 | 一种电子元器件的识别方法和装置 |
CN109918523A (zh) * | 2019-02-14 | 2019-06-21 | 广东工业大学 | 一种基于yolo9000算法的电路板元器件检测方法 |
CN110609912A (zh) * | 2019-08-29 | 2019-12-24 | 百度在线网络技术(北京)有限公司 | 元器件信息记录方法、装置、设备及可读存储介质 |
CN111460946A (zh) * | 2020-03-25 | 2020-07-28 | 南京理工大学 | 一种基于图像的芯片信息快速采集和识别方法 |
CN111553445A (zh) * | 2020-05-20 | 2020-08-18 | 北京三一智造科技有限公司 | 零部件识别方法、装置、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232311B (zh) | 手部图像的分割方法、装置及计算机设备 | |
CN109934847B (zh) | 弱纹理三维物体姿态估计的方法和装置 | |
US9092697B2 (en) | Image recognition system and method for identifying similarities in different images | |
CN110766095B (zh) | 基于图像灰度特征的缺陷检测方法 | |
CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
CN110378254B (zh) | 车损图像修改痕迹的识别方法、系统、电子设备及存储介质 | |
JPH06333054A (ja) | 映像内の目標パターン探知方式 | |
CN109472280B (zh) | 一种更新物种识别模型库的方法、存储介质及电子设备 | |
CN108447094B (zh) | 一种单目彩色相机的姿态估算方法及系统 | |
CN114359553B (zh) | 一种基于物联网的签章定位方法、系统及存储介质 | |
CN111368682A (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN108992033B (zh) | 一种视觉测试的评分装置、设备和存储介质 | |
CN112632926B (zh) | 票据的数据处理方法、装置、电子设备及存储介质 | |
CN109934858B (zh) | 图像配准方法及装置 | |
CN111950415A (zh) | 一种图像检测方法和装置 | |
CN112560836A (zh) | 一种元器件识别方法、装置以及计算机可读存储介质 | |
CN108805121B (zh) | 一种车牌检测定位方法、装置、设备及计算机可读介质 | |
JP3680658B2 (ja) | 画像認識方法及び画像認識装置 | |
CN112801013B (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 | |
CN111382703B (zh) | 一种基于二次筛选与分数融合的指静脉识别方法 | |
CN113408568A (zh) | 对象关键点的检测模型训练的相关方法、装置、设备 | |
CN113468931A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN110705479A (zh) | 模型训练方法和目标识别方法、装置、设备及介质 |
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 |