CN112613403A - 基于卷积神经网络的高噪声环境窑车标识识别方法及系统 - Google Patents
基于卷积神经网络的高噪声环境窑车标识识别方法及系统 Download PDFInfo
- Publication number
- CN112613403A CN112613403A CN202011538399.0A CN202011538399A CN112613403A CN 112613403 A CN112613403 A CN 112613403A CN 202011538399 A CN202011538399 A CN 202011538399A CN 112613403 A CN112613403 A CN 112613403A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- gaussian
- kiln car
- weight coefficient
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 240000007651 Rubus glaucus Species 0.000 claims description 13
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 13
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 239000000463 material Substances 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/09—Recognition of logos
Abstract
本发明公开了一种基于卷积神经网络的高噪声环境下的窑车标识识别方法及系统。该识别方法为一种采用Canny边缘检测算法的边缘检测算法‑边缘增强型边缘检测算法,该算法中对图像进行高斯模糊的高斯平滑步骤是通过构建高斯卷积核对图像进行卷积处理,当像素矩阵中不包含边界像素信息时,是通过坐标位置取权重系数来建立高斯权重系数矩阵,而包含有边界信息时,则对边界像素对应的权重系数进行改变,构成改进的高斯权重系数矩阵。本发明借助上述技术方案,应用于墙材生产线,可以对窑车上的标识牌进行识别,通过组态软件,能够动态的监控每辆窑车的位置,每辆窑车的状态是否准确。在代替人力的同时能够提高生产的效率,增强生产的可靠性。
Description
技术领域
本发明涉及到图像识别领域,尤指一种基于卷积神经网络的高噪声环境下的窑车标识识别方法。
背景技术
目前国内的砖瓦烧结工厂中,隧道窑成为了首选的砖瓦生产设备,这是我国砖瓦行业技术迅速发展进步的重要标志。但目前国内隧道窑生产过程自动化水平还普遍比较落后,现有的墙材制造生产线的窑车仍需要人工操作,对生产线设备还停留在手动控制阶段依靠人力去统计窑车得数量和窑车的状态及位置,因而其存在着如下缺点:
1.浪费人力资源;
2.阻碍从半自动化向自动化以及智能化发展;
3.在智能性上有所欠缺。
因此急需该设备进行自动化改造,其中必然涉及目标的识别,通常采用设置标识的方法,而就目前而言,我国标识识别技术正处于飞速发展阶段,具体体现在处理精度、再现性、灵活性、适用面、信息压缩等方面,但是,在实际发展过程中,该技术的发展还是受到了实际需求的限制。影响标识识别技术发展的关键因素主要体现在以下几个方面:标识识别技术对噪声比较敏感,特别是本发明涉及的高灰尘、高温、高光的情况下,因高灰尘容易对标识牌进行遮挡,而高温则会对标识牌造成损坏,以及标识牌的颜色也会发生变化,同时高光照会模糊掉整个图像。
因此,发明一种能够应用于高噪声墙材生产中的图像识别方法及设备具有重大的意义。
发明内容
为解决上述问题,本发明主要目的在于,提供一种基于卷积神经网络的高噪声环境下的窑车标识识别方法及系统,其是为了实现如下目的:
(1)实现高噪声环境下对标识牌进行提取。
(2)提供一种深度学习模型能在小型的嵌入式设备上运行。
为实现上述目的,本发明提供了一种基于卷积神经网络的高噪声环境下的窑车标识识别方法,其采用了一种Canny边缘检测算法中的边缘检测算法-边缘增强型边缘检测算法,该算法中对图像进行高斯模糊的高斯平滑步骤是通过构建高斯卷积核对图像进行卷积处理,当像素矩阵中不包含边界像素信息时,是通过坐标位置取权重系数来建立高斯权重系数矩阵,而包含有边界信息时,则对边界像素对应的权重系数进行改变,构成改进的高斯权重系数矩阵。
其中较佳的是,在判断是否包含边界像素信息时,是利用四周像素值和中心像素值进行对比,如果像素值差值大于30就考虑为边界像素,根据像素之间的差值得到改进的权重系数矩阵。
而所述构建高斯卷积核对图像进行卷积处理的具体步骤如下:
1)将图像中心点的坐标设为(0,0),将图像表示为坐标图;
2)计算权重矩阵
根据如下二维高斯分布函数得到每一个坐标所对应的权重:
设定σ的值,假定σ=1.5,得到模糊半径为1时的权重矩阵;
3)根据坐标矩阵获得其对应的像素值,利用四周像素值和中心像素值进行对比,如果像素值差值大于30就考虑为边界像素,令其对应的权重为0;
4)根据像素之间的差值得到改进的权重系数矩阵得到改进的高斯权重系数矩阵。
其是利用上述改进的高斯权重系数矩阵对图片降噪,以保留边缘的特征信息,而有利于对边缘信息的提取。所述窑车标识识别方法是采用卷积神经网络CNN进行训练。
本发明还提供了一种基于卷积神经网络的高噪声环境下的窑车标识识别系统,其是应用了上述的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法对高噪声环境下标识牌进行扣取,该系统包含:终端、PLC、嵌入式设备、工业高清摄像头、及光电传感器,在该系统中,当光电传感器检测到窑车到来时,PLC会通知嵌入式设备开启摄像头进行识别,识别结果由嵌入式设备通过PLC传输到终端的组态软件上,使用户可以通过组态软件查看每一辆窑车的状态,实现实时监控。
较佳的是,在该系统中,所述嵌入式设备为树莓派,所述终端、PLC、树莓派之间是采用采用平衡驱动器和差分接收器的组合的RS485通信方式;而摄像头和树莓派之间采用USB通讯协议,接口采用支持工业高清摄像头抓取的高清视频流的实时传输的USB3.0规范。
本发明的系统及方法是利用所述的改进算法对标识牌进行提取,构造数据集,并选用卷积神经网络进行训练,构造训练模型,然后通过摄像头,利用改进的边缘提取算法,实时的对标识牌进行提取,调用训练好的模型对标识牌进行识别。
本发明有益效果在于,借助上述技术方案,使应用本发明技术方案的墙材生产线,可以对窑车上的标识牌进行识别,通过组态软件,能够动态的监控每辆窑车的位置,每辆窑车的状态是否准确。在代替人力的同时能够提高生产的效率,增强生产的可靠性。最重要的是该发明实现了一次深度学习在小型嵌入式设备上运行的尝试,效果良好,有利于推动工业生产向智能化的方向发展。
附图说明
图1为本发明的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法中的坐标矩阵;
图2高斯权重系数;
图3算法实施流程图;
图4像素矩阵;
图5改进的高斯权重系数矩阵;
图6输入的测试图像;
图7改进之前-边缘提取示例;
图8改进之前-标识牌扣取示例;
图9改进之后-边缘提取示例;
图10改进之后-标识牌扣取示例;
图11卷积神经网络的卷积运算示意图;
图12本发明一具体实施例采用的CNN卷积神经网络模型;
图13本发明应用的系统整体结构示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案做进一步具体的说明。
本发明主要是涉及一种应用于墙材生产中对窑车识别的系统,其硬件的核心部分主要是由工业摄像头,树莓派,光电开关,及标识牌组成。本发明主要是在实现这一系统的应用中,拟解决高噪声环境下标识牌难以扣取,高温环境下标识牌颜色逐渐发生变化,深度学习模型难以在小型嵌入式设备上运行等问题。
以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法及其系统,主要解决的是标识牌提取及训练框架的选取的问题。
标识牌提取涉及图像摄取及传输系统及图像处理系统,本发明是通过对系统中的树莓派检测出的标识牌的图像进行边缘提取以抠出标识牌,本发明公开的技术方案是在基于传统的边缘检测算法的基础上提出一种改进的边缘检测算法-边缘增强型边缘检测算法。
目前,虽然现有的边缘检测算法能对边缘进行提取,但是,其获得的边缘往往不连续,这主要是由Canny边缘检测算法中的高斯模糊效应造成。
目前,现有的Canny边缘检测算法步骤如下:
step1:用高斯滤波器平滑图象;
step2:用一阶偏导的有限差分来计算梯度的幅值和方向;
step3:对梯度幅值进行非极大值抑制;
step4:用双阈值算法检测和连接边缘。
由上可知,通常,对边缘检测之前首先需要进行降噪处理,否则容易检测到错误的边缘,然而虽然高斯模糊能起到很好的降噪作用,但是由于它的作用范围是全局的,因而它同样会把边缘模糊掉,这就是造成边缘不连续的主要原因。因此,本发明为了解决该问题,需要对canny边缘算法中的步骤1进行改进,改进其高斯模糊算法来保留边缘的特征信息。现结合本发明的一具体实施例分别介绍如下:
一、本发明中改进的高斯模糊算法
在此,首先介绍下本发明中的高斯模糊算法,为本发明的核心。如图1所示,其为坐标矩阵。对图像进行高斯模糊主要通过构建高斯卷积核对图像进行卷积处理。
在本具体实施例中,假定中心点的坐标是(0,0),那么距离它最近的8个点的坐标如图1所示。
而本发明的方案是根据二维高斯分布函数可以得到每一个坐标所对应的权重:
为了计算权重矩阵,需要设定σ的值,假定σ=1.5,则模糊半径为1时的权重矩阵是得到如图2所示的高斯权重系数图,图2即为传统的高斯权重系数矩阵,其缺点是不管像素矩阵中是否包含边界像素信息,其高斯权重系数矩阵都是不变的,都是通过坐标位置取权重系数。
本发明可以根据坐标矩阵获得其对应的像素值,另外利用四周像素值和中心像素值进行对比,如果像素值差值大于30就考虑为边界像素,含有边界信息时,则对传统的高斯权重系数进行改进,改变边界像素对应的权重系数,其具体实施流程图如图3所示。
如图4所示,其为假设其坐标矩阵对应的像素矩阵。
根据像素之间的差值得到改进的权重系数矩阵,其如图5所示,图5为改进的高斯权重系数矩阵。
因此,本发明的方法是利用改进的高斯权重系数矩阵能在对图片降噪的基础上,保留边缘的特征信息,从而有利于对边缘信息的提取。
为了验证本发明的效果,对本发明的上述算法进行了对比验证,如图6-图10所示,是对本发明的上述算法的效果验证结果图,其分别为:
图6输入的由系统中的树莓派检测出的标识牌图像;
图7改进之前-边缘提取;
图8改进之前-标识牌扣取;
图9改进之后-边缘提取;
图10改进之后-标识牌扣取。
从上数附图的图示中可以看出改进后的算法对于标识牌的提取还是比较理想的。
二、训练框架的选取
本发明的该具体实施例的关于训练框架的选取简介如下:
采用上述改进的边缘检测算法,可以实现对标识牌的精准提取,利用该算法,可以通过摄像头实时对标识牌数据进行采集,构建用于模型训练的数据集,共采集到标识牌数据1万组。上述改进算法的主要作用是用于对数据集的采集和标识牌的精准提取。
在该具体实施例中,考虑到卷积神经网路在图像特征提取上的的强大功能,因此这里选用了传统的卷积神经网络CNN进行训练,卷积神经网络的核心思想是通过选定卷积核,采用在整体图像上以窗口滑动的方式和输入的原始图像进行卷积运算,图11为卷积神经网络的示意图。
一般来说,卷积神经网络一般是由输入层、卷积层、池化层、全连接层、及输出层组成,而本发明的该具体实施例的训练采用的训练模型是如图12所示的CNN卷积神经网络模型。
输入图像大小为64*64*3,图片大小为64*64,通道数为3,卷积核大小选定为(3,3),卷积个数为32个,这样卷积层1需要训练的参数为3*3*3*32+32=896个,加上的32为需要训练的32个偏置。池化就是对特征图进行特征压缩,池化也叫做下采样。卷积层不会对图像的大小产生变化,池化层会根据步长缩小特征图的大小,这里我采用的步长为2,经过池化层1后特征图缩小为32*32*3,这样可以减少运算量。卷积层2卷积核大小仍然选定为(3,3),通道数变为32,卷积核个数为64个,那么卷积层2需要训练的参数为3*3*32*64+64=18496个。同理卷积层3的卷积核大小仍选定为(3,3),通道数变为64个,卷积核个数为128个,那么卷积层3需要训练的参数为3*3*64*128+128=73856个。经过三次池化后,特征图大小变为8*8*128,每个特征图都转换为1024个特征信息进行全连接1层的运算,则全连接层1需要训练的参数为8*8*128*1024+1024=8389632个,在该具体实施例中是运用了四个标识牌进行测试,因此这1024个信息在全连接层2会被分为4类,因此需要训练的参数为1024*4+4=4100个。而每张图片总体需要训练的参数量为896+18496+73856+8389632+4100=8560836个,也就是说需要运算的数据量相对较少,能够在轻量级的嵌入式设备上运行。
经测试,本发明的方法的整体实现方法主要是通过三个步骤来实现的,①利用改进的算法对标识牌进行提取,构造数据集。②选用卷积神经网络进行训练,构造训练模型。③通过摄像头,利用改进的边缘提取算法,实时的对标识牌进行提取,调用训练好的模型对标识牌进行识别。
三、本具体实施例的网路整体结构
在本具体实施例中,网络整体设计主要有终端(组态软件)、PLC、树莓派(嵌入式设备)、工业高清摄像头及光电传感器。如图13所示,参见其结构图,当光电传感器检测到窑车到来时,PLC会通知树莓派开启摄像头进行识别,识别结果由树莓派通过PLC传输到组态软件上。用户可以通过组态软件查看每一辆窑车的状态,实现实时监控。
其中,上述终端、PLC、树莓派之间是采用RS485的通信方式,考虑到工业生产中的噪声干扰和通信距离等因素,本具体实施例选择采用了RS485的通信方式,RS-485接口是采用平衡驱动器和差分接收器的组合,抗共模干扰能力增强,即抗噪声干扰性好,RS-485最大的通信距离约为1219m,最大传输速率为10Mbps,应用于工业生产中具有较好的效果。而摄像头和树莓派之间采用USB通讯协议,接口采用USB3.0规范,最大传输带宽高达5.0Gbps,支持工业高清摄像头抓取的高清视频流的实时传输。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于卷积神经网络的高噪声环境下的窑车标识识别方法,其是采用Canny边缘检测算法的一种边缘检测算法-边缘增强型边缘检测算法,其特征在于,该算法中对图像进行高斯模糊的高斯平滑步骤是通过构建高斯卷积核对图像进行卷积处理,当像素矩阵中不包含边界像素信息时,是通过坐标位置取权重系数来建立高斯权重系数矩阵,而包含有边界信息时,则对边界像素对应的权重系数进行改变,构成改进的高斯权重系数矩阵。
2.根据权利要求1所述的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法,其特征在于,判断是否包含边界像素信息,是利用四周像素值和中心像素值进行对比,如果像素值差值大于30就考虑为边界像素,根据像素之间的差值得到改进的权重系数矩阵。
4.根据权利要求3所述的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法,其特征在于,利用所述的改进的高斯权重系数矩阵对图片降噪,以保留边缘的特征信息,而有利于对边缘信息的提取。
5.根据权利要求4所述的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法,其特征在于,所述窑车标识识别方法是采用卷积神经网络CNN进行训练。
6.根据权利要求5所述的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法,是利用所述的改进算法对标识牌进行提取,构造数据集,并选用卷积神经网络进行训练,构造训练模型,然后通过摄像头提取数据,并利用改进的边缘提取算法,实时的对标识牌进行提取,最后,调用训练好的模型对标识牌进行识别。
7.一种基于卷积神经网络的高噪声环境下的窑车标识识别系统,其特征在于,其应用上述任一权利要求所述的一种基于卷积神经网络的高噪声环境下的窑车标识识别方法对高噪声环境下标识牌进行扣取,该系统包含:终端、PLC、嵌入式设备、工业高清摄像头、及光电传感器,在该系统中,当光电传感器检测到窑车到来时,PLC会通知嵌入式设备开启摄像头进行识别,识别结果由嵌入式设备通过PLC传输到终端的组态软件上,使用户可以通过组态软件查看每一辆窑车的状态,实现实时监控。
8.根据权利要求7所述的一种基于卷积神经网络的高噪声环境下的窑车标识识别系统,其特征在于,
所述嵌入式设备为树莓派,所述终端、PLC、树莓派之间是采用采用平衡驱动器和差分接收器的组合的RS485通信方式;而摄像头和树莓派之间采用USB通讯协议,接口采用支持工业高清摄像头抓取的高清视频流的实时传输的USB3.0规范。
9.根据权利要求8所述的一种基于卷积神经网络的高噪声环境下的窑车标识识别系统,其特征在于,是利用所述的改进算法对标识牌进行提取,构造数据集,并选用卷积神经网络进行训练,构造训练模型,然后通过摄像头,利用改进的边缘提取算法,实时的对标识牌进行提取,调用训练好的模型对标识牌进行识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538399.0A CN112613403A (zh) | 2020-12-23 | 2020-12-23 | 基于卷积神经网络的高噪声环境窑车标识识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538399.0A CN112613403A (zh) | 2020-12-23 | 2020-12-23 | 基于卷积神经网络的高噪声环境窑车标识识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613403A true CN112613403A (zh) | 2021-04-06 |
Family
ID=75245482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011538399.0A Pending CN112613403A (zh) | 2020-12-23 | 2020-12-23 | 基于卷积神经网络的高噪声环境窑车标识识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613403A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114001360A (zh) * | 2021-12-31 | 2022-02-01 | 南京沃谱瑞环境研究院有限公司 | 一种基于物联网的焚烧回转窑智能控制方法及其系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
CN109682326A (zh) * | 2018-12-19 | 2019-04-26 | 河南科技大学 | 基于深度图像的钵苗直立度检测装置及检测方法 |
CN109978869A (zh) * | 2019-03-29 | 2019-07-05 | 清华大学 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
CN111611874A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 基于ResNet和Canny的人脸口罩佩戴检测方法 |
-
2020
- 2020-12-23 CN CN202011538399.0A patent/CN112613403A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472262A (zh) * | 2018-09-25 | 2019-03-15 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
CN109682326A (zh) * | 2018-12-19 | 2019-04-26 | 河南科技大学 | 基于深度图像的钵苗直立度检测装置及检测方法 |
CN109978869A (zh) * | 2019-03-29 | 2019-07-05 | 清华大学 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
CN111611874A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 基于ResNet和Canny的人脸口罩佩戴检测方法 |
Non-Patent Citations (2)
Title |
---|
冯曦;: "3D打印中基于canny和卷积神经网络的边缘检测", 中国新通信 * |
朱培逸;刘红晴;: "基于数学形态学图像分割算法在水果分级中的应用", 科学技术与工程 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114001360A (zh) * | 2021-12-31 | 2022-02-01 | 南京沃谱瑞环境研究院有限公司 | 一种基于物联网的焚烧回转窑智能控制方法及其系统 |
CN114001360B (zh) * | 2021-12-31 | 2022-04-26 | 南京沃谱瑞环境研究院有限公司 | 一种基于物联网的焚烧回转窑智能控制方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133969B (zh) | 一种基于背景反投影的移动平台运动目标检测方法 | |
CN103345644B (zh) | 在线训练的目标检测方法及装置 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN110648316B (zh) | 一种基于深度学习的钢卷端面边缘检测方法 | |
CN111008961A (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN110619647B (zh) | 基于边缘点频域空域特征结合图像模糊区域定位方法 | |
CN107454285A (zh) | 图像噪声估计方法及装置与图像提取装置 | |
CN112070728B (zh) | 基于目标检测算法的钢绳表面缺陷识别方法 | |
CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
CN106204617A (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN110046584A (zh) | 一种基于无人机巡检的道路裂纹检测装置及检测方法 | |
CN110111272A (zh) | 一种人工智能红外图像处理仪、控制系统及控制方法 | |
CN112613403A (zh) | 基于卷积神经网络的高噪声环境窑车标识识别方法及系统 | |
CN110853077B (zh) | 一种基于形态变化估计的自适应红外动态帧特征提取方法 | |
CN106530273B (zh) | 高精度fpc直线线路检测与缺陷定位方法 | |
CN113989516A (zh) | 烟雾动态识别方法及相关装置 | |
CN103942523A (zh) | 一种日照场景识别方法及装置 | |
CN108898080B (zh) | 一种基于山脊线邻域评价模型的裂缝连接方法 | |
CN109003268B (zh) | 一种超薄柔性ic基板外观颜色检测方法 | |
WO2023231362A1 (en) | Methods and systems for data processing | |
CN110147765A (zh) | 一种图像处理方法及装置 | |
CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
CN116129102A (zh) | 一种基于改进型图像处理算法的水表识别方法及相关装置 | |
CN106991672B (zh) | 基于光强的物镜定位方法 | |
CN115424178A (zh) | 一种提高路面裂缝数据识别的增强方法 |
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 |