CN113487598A - 一种基于计算机视觉的图书装订错误检测系统 - Google Patents

一种基于计算机视觉的图书装订错误检测系统 Download PDF

Info

Publication number
CN113487598A
CN113487598A CN202110843370.1A CN202110843370A CN113487598A CN 113487598 A CN113487598 A CN 113487598A CN 202110843370 A CN202110843370 A CN 202110843370A CN 113487598 A CN113487598 A CN 113487598A
Authority
CN
China
Prior art keywords
book
ladder
detection system
books
error 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.)
Pending
Application number
CN202110843370.1A
Other languages
English (en)
Inventor
于强
何师
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.)
National Space Science Center of CAS
Original Assignee
National Space Science Center of CAS
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 National Space Science Center of CAS filed Critical National Space Science Center of CAS
Priority to CN202110843370.1A priority Critical patent/CN113487598A/zh
Publication of CN113487598A publication Critical patent/CN113487598A/zh
Pending legal-status Critical Current

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
    • G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于计算机视觉的图书装订错误检测系统，用于对经传送带传输的图书进行装订检测，该系统包括：一对对射型光电开关、CCD工业相机、回收装置和设置在上位机的识别判断模块；其中，一对对射型光电开关分别固定在传送带掉落槽两侧，当感知到图书掉落时开启；CCD工业相机，用于当光电开关打开时启动拍照，采集图书书脊侧图像并发送至识别判断模块；识别判断模块，用于对图书书脊侧图像进行梯标块的识别，当识别得到的梯标数量与该类别图书一致时，对图书书脊侧图像进行图像预处理和仿射变换，再根据该类别图书模板对仿射变换后的图像进行模板匹配，输出装订是否错误结果，如果存在装订错误，则启动回收装置对该图书进行回收。

Description

一种基于计算机视觉的图书装订错误检测系统
技术领域
本发明涉及图书装订检测技术领域，尤其涉及一种基于计算机视觉的图书装订错误检测系统。
背景技术
在图书印刷行业，图书装订对整个生产线的生产出图书的质量高低有着至关重要的影响。探究一种新型高效的图书装订检测系统，对整个印刷业显得极其重要。
公告号为CN212302509U的中国实用新型专利，公开了“一种图书装订防错检测系统”，此专利只解决了外包装书壳与书内容装订倒置这个问题，并没有解决书章节内容乱序、重复、缺失的问题。
现有的图书装订检测的方法还有称重、厚度测量，这两种方法只能对被测样本书的重复、缺失章节的情况进行检测，而且在生产线上动态称重误差大，图书的厚度也受到装订线的影响较大，所以这两种方式在装订检测的准确度方面比较低。此外，对于图书章节乱序的情况两种方法都不能检测。
发明内容
本发明的目的在于克服现有技术缺陷，提出了一种基于计算机视觉的图书装订错误检测系统。
为了实现上述目的，本发明提出了一种基于计算机视觉的图书装订错误检测系统，用于对经传送带传输的图书进行装订检测，所述系统包括：一对对射型光电开关、CCD工业相机、回收装置和设置在上位机的识别判断模块；其中，
所述一对对射型光电开关分别固定在传送带掉落槽两侧，当感知到图书掉落时开启；
所述CCD工业相机，用于当光电开关打开时启动拍照，采集图书书脊侧图像并发送至识别判断模块；
所述识别判断模块，用于根据配置文件预存的预先建立和训练好的梯标块识别模型，对图书书脊侧图像进行梯标块的识别，当识别得到的梯标数量与该类别图书的梯标数量一致时，对图书书脊侧图像进行图像预处理和仿射变换，再根据预先建立的该类别图书模板对仿射变换后的图像进行模板匹配，输出装订是否错误结果，如果存在装订错误，则启动回收装置对该图书进行回收；
所述回收装置，用于在识别判断模块的控制下接收装订错误的图书。
作为上述系统的一种改进，所述配置文件用于存储预先建立和训练好的梯标块识别模型，用于存储该类别图书的梯标数量和阈值，还用于存储系统启动的配置信息。
作为上述系统的一种改进，所述梯标块识别模型采用YOLOv4网络，输入为CCD工业相机采集的图书书脊侧图像，输出为该图书的梯标数量和每个梯标的位置信息。
作为上述系统的一种改进，所述梯标块识别模型的训练过程包括：
采集现场的图书书脊侧照片建立样本集；
对照片中的标志块按照VOC数据集的类型进行样本标注，由标注后的一部分样本建立训练集，由标注后的另一部分样本建立测试集；
将训练集数据输入YOLOv4网络，调整网络参数，得到收敛的梯标块识别模型；
将测试集数据输入收敛的梯标块识别模型，进一步调整网络参数，直至网络进一步收敛，得到训练好的梯标块识别模型。
作为上述系统的一种改进，所述图像预处理具体包括：
对图书书脊侧图像进行阈值化处理，将低于设定阈值的像素点统一设为‘0’，高于设定阈值的像素点统一设为‘255’；通过膨胀处理使图像中的亮区域变大，通过腐蚀处理使图像中的黑色区域变大，从而除掉图像噪声，再进行二值化处理，得到二值图像。
作为上述系统的一种改进，所述仿射变换，具体包括：
分别提取第一个梯标、中间一个梯标和最后一个梯标的左上角顶点位置坐标，分别提取该类别的图书模板对应三个梯标的左上角顶点位置坐标，计算得到变换矩阵，依据变换矩阵对二值图像进行仿射变换，得到变换后的二值图像。
作为上述系统的一种改进，所述该类别图书模板的建立过程包括：
使用标记软件标记图书的每个梯标位置和图书轮廓，导出xml文件；根据xml文件，构造模板二值图像，模板二值图像的大小与图书轮廓大小相同，背景为黑色，并在黑色背景图中画出白色的梯标位置，从而完成该类别图书模板的建立。
作为上述系统的一种改进，所述CCD工业相机固定于支架上，使CCD镜头平视传送带，并且CCD工业相机通过RJ-45与上位机连接。
作为上述系统的一种改进，所述回收装置通过RS-232与上位机连接。
作为上述系统的一种改进，所述上位机的GPU算力不小于3.0
与现有技术相比，本发明的优势在于：
1、本发明图书检测系统采用的计算机视觉的方式对图书样本进行识别，极大的提高了识别的准确度，有效的解决了生产线上图书装订工作中章节内容缺失、重复、乱序等缺陷问题；
2、本发明在实际生产使用过程中，可以在1秒钟之内对图书样本进行判断并将结果返回，既不会影响生产线的工作，又能及时判断结果，并且可插拔，不影响原生产线设备，有效的提高生产效率；
3、本发明首次使用深度学习模型识别图书梯标；
4、本发明加入了仿射变换，使得被检测图像与模板图像尽可能的保持形态学的相似，提高了模板匹配的准确度。
附图说明
图1是本发明的基于计算机视觉的图书装订错误检测系统成示意图；
图2是本发明的基于计算机视觉的图书装订错误检测系统的数据流向；
图3是本发明的基于计算机视觉的图书装订错误检测系统的流程图。
具体实施方式
为了克服现有技术中不能解决的图书装订乱序以及重复、缺失检测正确度低的缺陷，本发明提供了一种基于计算机视觉的图书检测系统，使用工业CCD相机采集图书书脊侧的图像，借助深度学习模型YOLOv4对图像进行标志物的识别，通过对比识别到的标志物和给定模板图像，从而得到图书装订的正误。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
如图1所示，本发明的实施例1提出了基于计算机视觉的图书装订错误检测系统，用于对经传送带传输的图书进行装订检测，系统包括：一对对射型光电开关、CCD工业相机、回收装置和设置在上位机的识别判断模块；其中，
一对对射型光电开关分别固定在传送带掉落槽两侧，当感知到图书掉落时开启；光电开关用于触发CCD拍照；
CCD相机的触发是由图书在掉入输送机构的同时遮挡了光电开关，从而激发光电开关输出相机触发信号。用于当光电开关打开时启动拍照，采集图书书脊侧图像并发送至识别判断模块；
识别判断模块，用于根据配置文件的该类别图书相关信息，对图书书脊侧图像进行梯标块的识别，当识别得到的梯标数量与该类别图书的梯标数量一致时，对图书书脊侧图像进行图像预处理和仿射变换，再根据预先建立的该类别图书模板对仿射变换后的图像进行模板匹配，输出装订是否错误结果，如果存在装订错误，则启动回收装置对该图书进行回收；该模块部署在一台GPU算力不低于3.0的计算机上；
回收装置，用于在识别判断模块的控制下接收装订错误的图书。此外还包括电源适配器,一个平行光源、生产线传送装置。光电开关固定在传送带掉落槽两侧，图书掉落触发光电开关，光电开关控制相机拍照。相机与计算机相连，并将拍照得到数据流传输至电脑。电脑中的识别判断模块对相机传送过来的数据流进行识别判断然后得到装订结果并将装订结果输出至回收装置。
上述图书检测系统中，CCD相机控制线与光电开关控制线通过PMOS相连接，CCD相机数据线与电脑相连接，CCD电源线与电源适配器相连接；CCD工业相机，触发方式为硬件触发，触发源为光电开关，上升沿触发。所述的光电开关电源线与电源适配器电源相连接；回收装置通过串口与计算机相连接，电源与电源适配器相连接；平行光源电源线与电源适配器相连接。具体数据流向如图2所示。
CCD用来采集图书书脊侧图像，回收装置是用来将判断为装订有误的图书进行回收，电脑用来处理CCD拍摄的图像并进行识别和判断并将判断结果输出给回收装置功能，光电开关控制线、CCD控制线和PMOS相连接，确保光电开关可以正常驱动相机拍照，CCD数据线与电脑连接确保可以将图像数据传输至电脑。电脑中的识别判断模块通过使用YOLO模型对CCD传输回的图像进行识别，提取第一个、中间一个(总数除以2向上取整)、最后一个梯标的左上角与模板中对应点计算变换矩阵，然后进行仿射变换，变换完成之后再与给定的模板图像进行对比，通过对比得到的结果来判断此图书的装订是否有问题。如果有问题则驱动回收装置进行图书回收，否则则继续。
上述图书检测系统中，识别判断模块是有识别和模板匹配两个部分组成。识别是通过深度学习模型YOLOv4进行识别，判断是根据模板匹配的返回值进行判断。具体处理流程图如图3所示。
优选的，深度学习模型需要使用本地样本进行训练，主要包括以下步骤：
步骤S1:采集现场的图书书脊侧照片数据，以供模型训练学习；
步骤S2:将图片中的标志块进行标注，然后按照VOC数据集的类型进行样本标注；
步骤S3:利用YOLOv4预训练模型对标注的图像进行训练学习，得到收敛之后的模型；
步骤S4:利用学习到的模型对测试集中的样本图片进行测试，根据得到的结果对参数进行调整并重新训练模型，重复S3、S4直到得到较优模型；
步骤S5:利用得到的模型对生产线上的图书进行识别检测。
优选的，在步骤S2中，对样本图像进行标注所使用的软件为LabelImg，将所有的样本标注完毕之后按照VOC数据集的格式对样本进行整理，分为训练集、验证集两个部分。
本发明的工作过程和原理是：本发明利用YOLOv4模型学习人工采集标记的图书书脊侧的标志块的特征信息，得到一个可以识别标志块的模型，然后将此模型利用到图书装订检测系统中，利用实时拍摄CCD相机采集的图像，实时识别图书书籍侧梯标块，根据识别到的梯标块的顶点信息与模板中的顶点信息对被识别图像进行仿射变换，变换之后进行模板匹配，最终返回装订结果，根据返回结果驱动回收装置。
当被检测的图书每个章节厚度比较均匀，每个标志块都比较均匀时，可以直接使用现有模型对样本进行检测，具体步骤如下：
步骤S0:软件启动时会首先读取配置文件中的信息，加载模型，读取默认阈值参数等。若配置文件不存在则创建配置文件，并对配置文件中的信息初始化赋值，并弹窗显示，提示用户手动更改相关信息。配置文件中存放了YOLOv4.weight和YOLOv4.cfg文件的路径信息、串口端口、静态文件路径信息、外部可执行文件*.exe的路径信息、阈值范围等。
步骤S1:使用开发的软件LabelImg标注出一个模板，然后导出xml文件，并根据xml文件生成一个后缀为bmp的二值模板文件。
步骤S2:打开图书检测软件，先导入模板，然后点击打开相机，界面显示相机采集的实时画面，然后点击开始识别，相机拉流方式改外部触发方式。
步骤S3:图书掉落，触发光点开关，相机拍照，传回至电脑进行识别和判断，电脑返回判断的结果并将结果显示在界面上。
步骤S4:若返回结果为真，则继续执行步骤S3；若返回结果为假，则驱动回收装置进行回收，并执行S3。根据判定效果可以选择对阈值参数进行修改以增加准确度；或进一步对模型进行训练以提高模型识别准确度。
步骤S5:当识别结束时，点击软件的结束识别，此时识别停止；点击关闭相机按钮，相机关闭。
当被检测的图书书脊侧标志块存在不规则形状时，则需要添加样本对现有模型继续进行学习训练，具体步骤如下：
步骤S0:软件启动时会首先读取配置文件中的信息，加载模型，读取默认阈值参数等。若配置文件不存在则创建配置文件，并对配置文件中的信息初始化赋值，并弹窗显示，提示用户手动更改相关信息。
步骤S1:采集图像。使用相机对新样本进行采样，采样时需要不同的光照、同一种图书不同的样本。
步骤S2:目标标注。样本采集完之后需要对样本进行标注，点击软件中的标记按钮，调出LabelImg软件，标注完成之后软件会按照按照VOC数据集的格式，对数据和标注文件进行整理，并分成训练集、验证集和测试集三个部分。
步骤S3:模型训练。点击软件中的模型训练之后，软件自动调用上次训练好的模型，对模型进一步进行训练。训练完成之后会自动修改文件配置，删除旧样本等。
步骤S4:样本检测。点击软件中的开始识别，整个系统开始识别。图书掉落，触发光点开关，相机拍照，传回至电脑进行识别和判断，电脑返回判断的结果并将结果显示在界面上。根据判定效果可以选择对阈值参数进行修改以增加准确度；或进一步对模型进行训练以提高模型识别准确度。
步骤S5:若返回结果为真，则继续执行步骤S3；若返回结果为假，则驱动回收装置进行回收，并执行S4。
步骤S6:当识别结束时，点击软件的结束识别，此时识别停止；点击关闭相机按钮，相机关闭。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于计算机视觉的图书装订错误检测系统，用于对经传送带传输的图书进行装订检测，其特征在于，所述系统包括：一对对射型光电开关、CCD工业相机、回收装置和设置在上位机的识别判断模块；其中，
所述一对对射型光电开关分别固定在传送带掉落槽两侧，当感知到图书掉落时开启；
所述CCD工业相机，用于当光电开关打开时启动拍照，采集图书书脊侧图像并发送至识别判断模块；
所述识别判断模块，用于根据配置文件预存的预先建立和训练好的梯标块识别模型，对图书书脊侧图像进行梯标块的识别，当识别得到的梯标数量与该类别图书的梯标数量一致时，对图书书脊侧图像进行图像预处理和仿射变换，再根据预先建立的该类别图书模板对仿射变换后的图像进行模板匹配，输出装订是否错误结果，如果存在装订错误，则启动回收装置对该图书进行回收；
所述回收装置，用于在识别判断模块的控制下接收装订错误的图书。
2.根据权利要求1所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述配置文件用于存储预先建立和训练好的梯标块识别模型，用于存储该类别图书的梯标数量和阈值，还用于存储系统启动的配置信息。
3.根据权利要求2所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述梯标块识别模型采用YOLOv4网络，输入为CCD工业相机采集的图书书脊侧图像，输出为该图书的梯标数量和每个梯标的位置信息。
4.根据权利要求3所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述梯标块识别模型的训练过程包括：
采集现场的图书书脊侧照片建立样本集；
对照片中的标志块按照VOC数据集的类型进行样本标注，由标注后的一部分样本建立训练集，由标注后的另一部分样本建立测试集；
将训练集数据输入YOLOv4网络，调整网络参数，得到收敛的梯标块识别模型；
将测试集数据输入收敛的梯标块识别模型，进一步调整网络参数，直至网络进一步收敛，得到训练好的梯标块识别模型。
5.根据权利要求1所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述图像预处理具体包括：
对图书书脊侧图像进行阈值化处理，将低于设定阈值的像素点统一设为‘0’，高于设定阈值的像素点统一设为‘255’；通过膨胀处理使图像中的亮区域变大，通过腐蚀处理使图像中的黑色区域变大，从而除掉图像噪声，再进行二值化处理，得到二值图像。
6.根据权利要求1所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述仿射变换，具体包括：
分别提取第一个梯标、中间一个梯标和最后一个梯标的左上角顶点位置坐标，分别提取该类别的图书模板对应三个梯标的左上角顶点位置坐标，计算得到变换矩阵，依据变换矩阵对二值图像进行仿射变换，得到变换后的二值图像。
7.根据权利要求4所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述该类别图书模板的建立过程包括：
使用标记软件标记图书的每个梯标位置和图书轮廓，导出xml文件；根据xml文件，构造模板二值图像，模板二值图像的大小与图书轮廓大小相同，背景为黑色，并在黑色背景图中画出白色的梯标位置，从而完成该类别图书模板的建立。
8.根据权利要求1所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述CCD工业相机固定于支架上，使CCD镜头平视传送带，并且CCD工业相机通过RJ-45与上位机连接。
9.根据权利要求1所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述回收装置通过RS-232与上位机连接。
10.根据权利要求1所述的基于计算机视觉的图书装订错误检测系统，其特征在于，所述上位机的GPU算力不小于3.0。
CN202110843370.1A 2021-07-26 2021-07-26 一种基于计算机视觉的图书装订错误检测系统 Pending CN113487598A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110843370.1A CN113487598A (zh) 2021-07-26 2021-07-26 一种基于计算机视觉的图书装订错误检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110843370.1A CN113487598A (zh) 2021-07-26 2021-07-26 一种基于计算机视觉的图书装订错误检测系统

Publications (1)

Publication Number Publication Date
CN113487598A true CN113487598A (zh) 2021-10-08

Family

ID=77943707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110843370.1A Pending CN113487598A (zh) 2021-07-26 2021-07-26 一种基于计算机视觉的图书装订错误检测系统

Country Status (1)

Country Link
CN (1) CN113487598A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114701276A (zh) * 2022-03-31 2022-07-05 北京印刷学院 一种基于plc控制的线装书装订自动化系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011076127A1 (zh) * 2009-12-24 2011-06-30 上海阿艾依智控系统有限公司 基于计算机视觉及射频识别技术的书本登记管理装置
CN111401252A (zh) * 2020-03-17 2020-07-10 广东技术师范大学 一种基于视觉的图书盘点系统的书脊匹配方法和设备
CN111401495A (zh) * 2020-04-22 2020-07-10 北京华联印刷有限公司 一种图书装订防错检测系统
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
CN112560902A (zh) * 2020-12-01 2021-03-26 中国农业科学院农业信息研究所 基于书脊视觉信息的图书识别方法及系统
CN112801976A (zh) * 2021-01-28 2021-05-14 河南省四合印务有限公司 一种用于校正书刊装订错贴的检测系统、方法及计算机装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011076127A1 (zh) * 2009-12-24 2011-06-30 上海阿艾依智控系统有限公司 基于计算机视觉及射频识别技术的书本登记管理装置
CN111401252A (zh) * 2020-03-17 2020-07-10 广东技术师范大学 一种基于视觉的图书盘点系统的书脊匹配方法和设备
CN111401495A (zh) * 2020-04-22 2020-07-10 北京华联印刷有限公司 一种图书装订防错检测系统
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
CN112560902A (zh) * 2020-12-01 2021-03-26 中国农业科学院农业信息研究所 基于书脊视觉信息的图书识别方法及系统
CN112801976A (zh) * 2021-01-28 2021-05-14 河南省四合印务有限公司 一种用于校正书刊装订错贴的检测系统、方法及计算机装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王梅 等: "书籍装订中梯标在线检测系统的开发", 《包装工程》, vol. 37, no. 7, 30 April 2016 (2016-04-30), pages 171 - 174 *
盛国 等: "书籍装订中基于相位相关性的自适应梯标检测方法", 《包装工程》, vol. 39, no. 19, 10 October 2018 (2018-10-10), pages 14 - 17 *
黄薇 等: "在线快速错帖检测系统研究", 《计算机工程与应用》, vol. 45, no. 4, 1 February 2009 (2009-02-01), pages 76 - 78 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114701276A (zh) * 2022-03-31 2022-07-05 北京印刷学院 一种基于plc控制的线装书装订自动化系统及方法

Similar Documents

Publication Publication Date Title
US7120318B2 (en) Automatic document reading system for technical drawings
CN109829467A (zh) 图像标注方法、电子装置及非暂态电脑可读取储存媒体
CN110070536A (zh) 一种基于深度学习的pcb板元器件检测方法
CN102496001B (zh) 一种视频监控目标自动检测的方法和系统
CN106855421A (zh) 一种基于机器视觉的汽车仪表自动化测试系统及测试方法
CN111091538A (zh) 一种管道焊缝自动识别、缺陷检测方法及装置
CN110008909A (zh) 一种基于ai的实名制业务实时稽核系统
CN111368682B (zh) 一种基于faster RCNN台标检测与识别的方法及系统
CN110991360B (zh) 一种基于视觉算法的机器人巡检点位智能配置方法
CN110956138A (zh) 一种基于家教设备的辅助学习方法及家教设备
CN109946304A (zh) 基于特征匹配的零件表面缺陷在线检测系统及检测方法
TWI747686B (zh) 缺陷檢測方法及檢測裝置
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN112001200A (zh) 识别码识别方法、装置、设备、存储介质和系统
CN111783541B (zh) 一种文本识别方法和装置
CN112508109A (zh) 一种图像识别模型的训练方法及装置
CN113780484B (zh) 工业产品缺陷检测方法和装置
CN113487598A (zh) 一种基于计算机视觉的图书装订错误检测系统
CN112101060B (zh) 基于平移不变性和小区域模板匹配的二维码定位方法
US11386636B2 (en) Image preprocessing for optical character recognition
CN117330582A (zh) 一种高分子pe薄膜表面晶点检测系统
Calefati et al. Reading meter numbers in the wild
CN114235810A (zh) 一种基于面阵工业相机的布匹瑕疵自动检测方法
Machhale et al. Implementation of number recognition using adaptive template matching and feature extraction method
CN113553874A (zh) 一种复杂环境下快递条码检测方法

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