CN113066087B - 一种零部件智能检测与标签系统及方法 - Google Patents

一种零部件智能检测与标签系统及方法 Download PDF

Info

Publication number
CN113066087B
CN113066087B CN202110474725.4A CN202110474725A CN113066087B CN 113066087 B CN113066087 B CN 113066087B CN 202110474725 A CN202110474725 A CN 202110474725A CN 113066087 B CN113066087 B CN 113066087B
Authority
CN
China
Prior art keywords
aperture
camera
identification code
parts
detection
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.)
Active
Application number
CN202110474725.4A
Other languages
English (en)
Other versions
CN113066087A (zh
Inventor
王国栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Austria Intelligent Industry Research Institute Nanjing Co ltd
Original Assignee
China Austria Intelligent Industry Research Institute Nanjing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Austria Intelligent Industry Research Institute Nanjing Co ltd filed Critical China Austria Intelligent Industry Research Institute Nanjing Co ltd
Priority to CN202110474725.4A priority Critical patent/CN113066087B/zh
Priority to PCT/CN2021/092103 priority patent/WO2022227103A1/zh
Publication of CN113066087A publication Critical patent/CN113066087A/zh
Application granted granted Critical
Publication of CN113066087B publication Critical patent/CN113066087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明提出一种零部件智能检测与标签系统，包括用于输送零部件的传送带，传送带上沿零部件传输的方向设有零件类别照相机、零件特征照相机、激光打印机和识别码识别相机，还包括用于处理采集数据和输出信息的中央处理模块。该系统能够实现零部件智能检测、打标检测的自动化，有利于提高智能化程度，降低人工参与度。本发明还提出一种零部件智能检测与标签方法。

Description

一种零部件智能检测与标签系统及方法
技术领域
本发明涉及智慧工厂技术领域，具体涉及一种零部件智能检测与标签系统。
背景技术
工业4.0是以智能制造为主导，利用了信息物理系统、物联网、工业物联网、云计算、认知计算和人工智能技术的第四次工业革命。智慧工厂是实现工业4.0的重要一环，是在制造业一系列科学管理实践的基础上，深度融合自动化技术、信息通信技术和智能科学技术，结合数据、信息和知识建立更具竞争力的新一代制造业企业及其生态系统。其中，对工厂的各个生产流程的智能化和自动化改造是推进智慧工厂的第一步。
传统工厂中零部件的缺陷检测、打标签、信息入库的过程，主要依靠手工实现，既耗时又耗力，且检测准确率和漏检率易受个人主观因素的干扰。为实现零部件打标的智能化和自动化，需要一种能够将工厂零部件的分类、孔径检测、螺纹检测以及标签打标的过程整合为一个自动化流程的系统，本发明的目的即在于提出一种实现工厂零部件的检测、打标签、信息入库流程的自动化智能检测与标签系统。
发明内容
为克服现有技术的不足，本发明提出一种零部件智能检测与标签系统，能够实现工厂零部件的检测、打标签、信息入库流程的自动化，提升智能化水平。
为实现上述目的，本发明的一种零部件智能检测与标签系统，包括用于输送零部件的传送带，传送带上沿零部件传输的方向设有零件类别照相机、零件特征照相机、激光打印机和识别码识别相机，还包括用于处理采集数据和输出信息的中央处理模块。
进一步地，中央处理模块包括通信模块，中央处理模块通过通信模块与零件类别照相机、零件特征照相机、激光打印机和识别码识别相机建立信号通信，零件类别照相机、零件特征照相机和识别码识别相机上分别设有图像采集卡，图像采集卡采集拍摄图像转换为数字信号并通过通信模块传送给中央处理模块，中央处理模块运行在边缘端设备、移动端设备或X86架构的服务器上，中央处理模块具有用于与用户交互的客户端UI。
进一步地，中央处理模块上运行有算法模型，处理算法包括零部件分类模型、孔径识别模型、螺纹检测模型、设备标识码识别模型，中央处理模块上还具有功能模块，功能模块包括识别码生成模块、识别码校验模块以及接口状态检测模块。
进一步地，零部件分类模型将零部件类别判别问题抽象为图像分类问题，使用基于CNN的深度学习方法对图像进行分类，并根据特定的场景定制不同的卷积核和网络结构，抽取特定场景下零部件特征。
进一步地，孔径识别模型将零部件的孔径检测问题抽象为目标检测问题，首先通过目标检测算法如检测零部件中的孔径，检测目标为是否包含孔径，在含有孔径的图片上，通过检测轮廓和连通域，计算内外轮廓的面积比值，根据和设置的阈值进行对比确定孔径是否合格。
进一步地，检测孔径的轮廓面积areainner，再检测孔径所在矩形或者圆形的面积areaouter，计算
Figure BDA0003046965390000021
当比值在规定范围内认为部件孔径是合格的，否则不合格，判断逻辑如下
Figure BDA0003046965390000022
。
进一步地，螺纹检测模型将螺纹缺陷检测问题抽象为目标检测问题，使用高斯滤波对图像进行降噪处理并使用直方图均衡的方法对图片进行增强，使用darknet50对图像的特征进行提取，使用yolo对缺陷进行识别和检测，输出缺陷的位置坐标以及缺陷类别，缺陷的类别包括内径、攻牙、外侧划痕、异物，若检测的结果中包含一类及以上缺陷则判断该零部件为不合格产品，否则为合格品。
进一步地，设备标识码识别模型将零部件设备标识码识别问题转换成OCR文字识别问题，通过文字检测算法检测出文字所在区域，通过文字识别算法识别文字的内容，将识别的内容和入库时零部件清单信息进行对比，若能搜索到对应的编码，说明识别正确，返回识别结果，否则识别失败，返回错误提示
本发明还提出一种零部件智能检测与标签方法，包括以下步骤：
S1：将零部件放上传送带，经过零件类别照相机，零件类别照相机拍摄产品图片，调用零部件分类模块判断是否是已知的零部件，若不是则结束，若是进入下一步；
S2：零部件经过零件特征照相机，零件特征照相机拍摄产品图片，调用孔径识别模型，首先检测零部件孔径，然后检测孔径是否合格，若不合格则结束，若合格进入下一步；
S3：输入零件特征照相机拍摄的图片，调用螺纹检测模块，判断螺纹是否合格，若不合格则结束，若合格进入下一步；
S4：输入零件特征照相机拍摄的图片，调用设备标识码识别模块识别零部件自带的设备识别码，然后由识别码生成模块生成识别码，由激光打印机在零部件上打标；
S5：输入识别码识别相机拍摄的图片，识别码校验模块识别激光打印机打印的标签，并和系统中的标签数据进行对比，若不合格，则结束，若合格则进行零部件信息入库。
本发明的一种零部件智能检测与标签系统能够将工厂零部件的分类、孔径检测、螺纹检测以及标签打标的整合为一个自动化流程，实现工厂零部件的检测、打标签、信息入库流程的自动化。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明首选实施方式的一种零部件智能检测与标签系统的系统架构图；
图2是本发明首选实施方式的一种零部件智能检测与标签系统的硬件协作图；
图3是本发明首选实施方式的一种零部件智能检测与标签方法的流程图；
图4是零部件孔径的端面视图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。
如图1和图2所示，本发明首选实施方式的一种零部件智能检测与标签系统，包括用于输送零部件的传送带，传送带上沿零部件传输的方向设有零件类别照相机、零件特征照相机、激光打印机和识别码识别相机，还包括用于处理采集数据和输出信息的中央处理模块。
如图1所示，中央处理模块包括通信模块，中央处理模块通过通信模块与零件类别照相机、零件特征照相机、激光打印机和识别码识别相机建立信号通信，零件类别照相机、零件特征照相机和识别码识别相机上分别设有图像采集卡，图像采集卡采集拍摄图像转换为数字信号并通过通信模块传送给中央处理模块，中央处理模块运行在边缘端设备、移动端设备或X86架构的服务器上，中央处理模块具有用于与用户交互的客户端UI。用户可通过浏览器或客户端软件与系统进行交互。
其中，零件类别照相机包含1台工业相机，从整体对零部件进行拍摄，用于区分不同的零部件。零件特征照相机包含5台工业相机，分布在左、右、前、后和传送带上方，用于从不同的角度拍摄零部件。零件特征照相机会根据零件类别照相机识别的部件类型和预先设定的拍照角度进行拍摄，并只对包含检测目标的面进行拍照。激光打印机用于将生成的识别码，打印到零部件上，打印识别码的面需要朝上放置。包含1台工业相机，拍摄零部件上的识别码，并从图片中识别识别码，将识别的内容和系统内置的内容进行对比，从而判断所打的标签是否合格。
中央处理模块上运行有算法模型，处理算法包括零部件分类模型、孔径识别模型、螺纹检测模型、设备标识码识别模型，中央处理模块上还具有功能模块，功能模块包括识别码生成模块、识别码校验模块以及接口状态检测模块。识别码采用DMC/QR/Bar码。
如图4所示，零部件的孔径形状多样，零部件分类模型将零部件类别判别问题抽象为图像分类问题，使用基于CNN的深度学习方法对图像进行分类，并根据特定的场景定制不同的卷积核和网络结构，抽取特定场景下零部件特征。
针对孔径的检测，可以通过检测轮廓和连通域，计算内外轮廓的面积比值来确定孔径是否合格。首先检测孔径的轮廓面积areainner，再检测孔径所在矩形或者圆形的面积areaouter，计算
Figure BDA0003046965390000041
当比值在一定范围时，则认为部件孔径是合格的，否则不合格。
检测孔径的轮廓面积areainner，再检测孔径所在矩形或者圆形的面积areaouter，计算
Figure BDA0003046965390000042
当比值在规定范围内认为部件孔径是合格的，否则不合格，判断逻辑如下
Figure BDA0003046965390000043
。
针对螺纹缺陷检测，首先使用高斯滤波对图像进行降噪处理并使用直方图均衡的方法对图片进行增强，然后使用darknet50对图像的特征进行提取，使用yolo对缺陷进行识别和检测，最后输出缺陷的位置坐标以及缺陷类别，其中缺陷的类别包括内径、攻牙、外侧划痕以及异物等。若检测的结果中包含一类及其以上缺陷，则判断该零部件为不合格产品，否则为良品。
设备标识码识别模型将零部件设备标识码识别问题转换成OCR文字识别问题，首先通过文字检测算法检测出文字所在区域，然后再通过文字识别算法识别文字的内容，支持横向、纵向、弧形等布局的文字识别。将识别的内容和入库时零部件清单信息进行对比，若能搜索到对应的编码，说明识别正确，返回识别结果，否则识别失败，返回错误提示。
如图3所示，本发明的一种零部件智能检测与标签方法，包括以下步骤：
S1：将零部件放上传送带，经过零件类别照相机，零件类别照相机拍摄产品图片，调用零部件分类模块判断是否是已知的零部件，若不是则结束，若是进入下一步；
S2：零部件经过零件特征照相机，零件特征照相机拍摄产品图片，调用孔径识别模型，首先检测零部件孔径，然后检测孔径是否合格，若不合格则结束，若合格进入下一步；
S3：输入零件特征照相机拍摄的图片，调用螺纹检测模块，判断螺纹是否合格，若不合格则结束，若合格进入下一步；
S4：输入零件特征照相机拍摄的图片，调用设备标识码识别模块识别零部件自带的设备识别码，然后由识别码生成模块生成识别码，由激光打印机在零部件上打标；
S5：输入识别码识别相机拍摄的图片，识别码校验模块识别激光打印机打印的标签，并和系统中的标签数据进行对比，若不合格，则结束，若合格则进行零部件信息入库。
本发明的一种零部件智能检测与标签系统将工厂零部件的分类、孔径检测、螺纹检测以及标签打标的整个流程构建为一个自动化系统。首先设计图像采集相机的位置和角度，然后使用图像分类、目标检测以及场景字符识别算法，对零件进行分类、识别零件孔径并计算大小、识别零件中螺纹的缺陷、识别零件中的编码、检测不合格的标签码，最终结合工业相机、激光打印机、图像采集卡、智能边缘端设备以及其他辅助设备，实现工厂零部件的检测、打标签、信息入库流程的自动化。
上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。

Claims (4)

1.一种零部件智能检测与标签系统，其特征在于，包括用于输送零部件的传送带，所述传送带上沿零部件传输的方向设有零件类别照相机、零件特征照相机、激光打印机和识别码识别相机，还包括用于处理采集数据和输出信息的中央处理模块，所述中央处理模块上还具有功能模块，所述功能模块包括识别码生成模块、识别码校验模块以及接口状态检测模块，所述中央处理模块包括通信模块，所述中央处理模块通过通信模块与零件类别照相机、零件特征照相机、激光打印机和识别码识别相机建立信号通信，所述零件类别照相机、零件特征照相机和识别码识别相机上分别设有图像采集卡，所述图像采集卡采集拍摄图像转换为数字信号并通过通信模块传送给中央处理模块，所述中央处理模块上运行有算法模型，所述算法模型包括零部件分类模型、孔径识别模型、螺纹检测模型、设备标识码识别模型；
所述零部件分类模型将零部件类别判别问题抽象为图像分类问题，使用基于CNN的深度学习方法对图像进行分类，并根据特定的场景定制不同的卷积核和网络结构，抽取特定场景下零部件特征；
所述孔径识别模型将零部件的孔径检测问题抽象为目标检测问题，首先通过目标检测算法如检测零部件中的孔径，检测目标为是否包含孔径，在含有孔径的图片上，通过检测轮廓和连通域，计算内外轮廓的面积比值，根据和设置的阈值进行对比确定孔径是否合格；
所述螺纹检测模型将螺纹缺陷检测问题抽象为目标检测问题，使用高斯滤波对图像进行降噪处理并使用直方图均衡的方法对图片进行增强，使用darknet50对图像的特征进行提取，使用yolo对缺陷进行识别和检测，输出缺陷的位置坐标以及缺陷类别，缺陷的类别包括内径、攻牙、外侧划痕、异物，若检测的结果中包含一类及以上缺陷，则判断该零部件为不合格产品，否则为合格品；
所述设备标识码识别模型将零部件设备标识码识别问题转换成OCR文字识别问题，通过文字检测算法检测出文字所在区域，通过文字识别算法识别文字的内容，将识别的内容和入库时零部件清单信息进行对比，若能搜索到对应的编码，说明识别正确，返回识别结果，否则识别失败，返回错误提示。
2. 根据权利要求1所述的一种零部件智能检测与标签系统，其特征在于，所述中央处理模块运行在边缘端设备、移动端设备或X86架构的服务器上，所述中央处理模块具有用于与用户交互的客户端UI。
3. 根据权利要求1所述的一种零部件智能检测与标签系统，其特征在于，检测孔径的轮廓面积
Figure 33531DEST_PATH_IMAGE001
，再检测孔径所在矩形或者圆形的面积
Figure 219DEST_PATH_IMAGE002
，计算
Figure 333111DEST_PATH_IMAGE003
，当比值在规定范围内认为部件孔径是合格的，否则不合格，判断逻辑如下
Figure 835899DEST_PATH_IMAGE004
。
4.一种基于权利要求1所述零部件智能检测与标签系统的方法，其特征在于，包括以下步骤：
S1：将零部件放上所述传送带，经过所述零件类别照相机，所述零件类别照相机拍摄产品图片，调用所述零部件分类模型判断是否是已知的零部件，若不是则结束，若是进入下一步；
S2：零部件经过所述零件特征照相机，所述零件特征照相机拍摄产品图片，调用所述孔径识别模型，首先检测零部件孔径，然后检测孔径是否合格，若不合格则结束，若合格进入下一步；
S3：输入所述零件特征照相机拍摄的图片，调用所述螺纹检测模型，判断螺纹是否合格，若不合格则结束，若合格进入下一步；
S4：输入所述零件特征照相机拍摄的图片，调用所述设备标识码识别模型识别零部件自带的设备识别码，然后由所述识别码生成模块生成识别码，由所述激光打印机在零部件上打标；
S5：输入所述识别码识别相机拍摄的图片，所述识别码校验模块识别激光打印机打印的标签，并和系统中的标签数据进行对比，若不合格，则结束，若合格则进行零部件信息入库。
CN202110474725.4A 2021-04-29 2021-04-29 一种零部件智能检测与标签系统及方法 Active CN113066087B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110474725.4A CN113066087B (zh) 2021-04-29 2021-04-29 一种零部件智能检测与标签系统及方法
PCT/CN2021/092103 WO2022227103A1 (zh) 2021-04-29 2021-05-07 一种零部件智能检测与标签系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474725.4A CN113066087B (zh) 2021-04-29 2021-04-29 一种零部件智能检测与标签系统及方法

Publications (2)

Publication Number Publication Date
CN113066087A CN113066087A (zh) 2021-07-02
CN113066087B true CN113066087B (zh) 2022-08-05

Family

ID=76567895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474725.4A Active CN113066087B (zh) 2021-04-29 2021-04-29 一种零部件智能检测与标签系统及方法

Country Status (2)

Country Link
CN (1) CN113066087B (zh)
WO (1) WO2022227103A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115292540B (zh) * 2022-07-22 2023-06-13 杭州易有料科技有限公司 多模态零件信息识别方法、装置、设备和计算机可读介质
CN117218097B (zh) * 2023-09-23 2024-04-12 宁波江北骏欣密封件有限公司 一种轴套类丝网垫圈零件表面缺陷检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915604A (zh) * 2020-08-20 2020-11-10 魏小燕 一种互联网人工智能电子零配件识别与检测系统
CN112170233A (zh) * 2020-09-01 2021-01-05 燕山大学 基于深度学习的小型零件分拣方法及其分拣系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105158268A (zh) * 2015-09-21 2015-12-16 武汉理工大学 精冲零部件缺陷智能在线检测方法、系统及装置
CN105718836B (zh) * 2016-01-20 2018-06-29 深圳市黑云信息技术有限公司 一种标签自动喷码、错漏检测的控制方法
CN106767416A (zh) * 2017-01-04 2017-05-31 纵科（武汉）信息技术有限公司 零件检测系统及方法
CN108257171A (zh) * 2018-01-09 2018-07-06 江苏科技大学 基于光视觉的汽车雷达装配孔径检测方法
CN108465648A (zh) * 2018-04-23 2018-08-31 苏州香农智能科技有限公司 一种基于机器视觉的磁芯自动分拣系统
IL259143B1 (en) * 2018-05-03 2024-03-01 Inspekto A M V Ltd System and method for visual production line inspection of various production items
CN110148106B (zh) * 2019-01-18 2023-06-27 华晨宝马汽车有限公司 一种利用深度学习模型检测物体表面缺陷的系统及方法
CN110239997B (zh) * 2019-06-13 2024-04-19 华中科技大学 一种复卷机自动剔废方法及设备
CN110788024A (zh) * 2019-11-13 2020-02-14 苏州大成有方数据科技有限公司 一种用于智能制造的自动化分拣系统及其工作方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915604A (zh) * 2020-08-20 2020-11-10 魏小燕 一种互联网人工智能电子零配件识别与检测系统
CN112170233A (zh) * 2020-09-01 2021-01-05 燕山大学 基于深度学习的小型零件分拣方法及其分拣系统

Also Published As

Publication number Publication date
WO2022227103A1 (zh) 2022-11-03
CN113066087A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN109785316B (zh) 一种芯片表观缺陷检测方法
US10635946B2 (en) Eyeglass positioning method, apparatus and storage medium
CN110672617B (zh) 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法
CN113066087B (zh) 一种零部件智能检测与标签系统及方法
US8867828B2 (en) Text region detection system and method
Terrillon et al. Comparative performance of different chrominance spaces for color segmentation and detection of human faces in complex scene images
CN109550712A (zh) 一种化纤丝尾丝外观缺陷检测系统及方法
US20160110630A1 (en) Image based object classification
WO2013112746A1 (en) Detecting and correcting skew in regions of text in natural images
CN101887518B (zh) 人体检测装置与方法
CN109741314A (zh) 一种零件的视觉检测方法及系统
CN110956080B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN104881665A (zh) 一种芯片字符识别与校验方法及装置
CN106845312B (zh) 一种二维码图像质量的预判断方法
US10990778B2 (en) Apparatus and method for recognizing barcode based on image detection
CN108171098B (zh) 一种条码检测方法及设备
CN112001200A (zh) 识别码识别方法、装置、设备、存储介质和系统
CN115775246A (zh) 一种pcb元器件缺陷检测的方法
CN110751225A (zh) 图像分类方法、装置及存储介质
CN107886093B (zh) 一种字符检测方法、系统、设备及计算机存储介质
CN109461220A (zh) 签到方法、装置及系统
CN114332983A (zh) 人脸图像清晰度检测方法、装置、电子设备、及介质
CN107122783B (zh) 一种基于角点检测的装配连接件快速识别方法
CN115457595A (zh) 人脸与人体的关联方法、电子设备以及存储介质
CN112215149A (zh) 基于视觉检测的配件分拣系统及方法

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
GR01 Patent grant
GR01 Patent grant