CN113516300B - 一种多任务多约束高可信实时自主决策优化方法及系统 - Google Patents
一种多任务多约束高可信实时自主决策优化方法及系统 Download PDFInfo
- Publication number
- CN113516300B CN113516300B CN202110678584.8A CN202110678584A CN113516300B CN 113516300 B CN113516300 B CN 113516300B CN 202110678584 A CN202110678584 A CN 202110678584A CN 113516300 B CN113516300 B CN 113516300B
- Authority
- CN
- China
- Prior art keywords
- matrix
- storage box
- rectangular piece
- environment
- convolution kernel
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 131
- 238000003860 storage Methods 0.000 claims abstract description 70
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000009891 weiqi Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/153—Multidimensional correlation or convolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
- Manipulator (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多任务多约束高可信实时自主决策优化方法及系统,其中,该方法包括如下步骤:步骤S1:对机器人获得的矩形件进行尺寸测量,得到矩形件的尺寸信息;步骤S2:对储存盒内放置环境进行拍照,利用图像处理技术得到储存盒环境俯视图;步骤S3:将储存盒环境俯视图映射成一个二值矩阵;步骤S4:生成一个与矩形件长宽相同的第一卷积核矩阵,将第一卷积核矩阵与步骤S3的二值矩阵做卷积运算,得到放置矩阵;步骤S5:生成一个第二卷积核矩阵,将第二卷积核矩阵与步骤S4得到的放置矩阵做卷积运算,得到价值矩阵;所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置。本发明能够处理存在强烈外干扰作业情况下的放置优化问题。
Description
技术领域
本发明属于各种矩形件排样问题的制造业和运输业技术领域,尤其涉及一种多任务多约束高可信实时自主决策优化方法及系统。
背景技术
在进行地外探测任务时,地外探测无人系统携带的储存盒体积有限,但往往要求单次作业时能够采集到尽量多的样品或矿物,同时考虑到无人系统在陌生行星上移动作业时会造成储存盒剧烈晃动,导致储存盒内采集的物体发生移动,位置发生变化,使得储存盒内的环境和理想情况存在巨大差异,以及各种不确定的环境干扰和测量误差,使得地外探测物体放置优化问题比一般的2D-BPP问题的优化难度更大,情况也更为复杂。传统的优化算法不再适用于该问题。
对于传统制造业领域和运输业领域的矩形件排样问题,在优化过程中一旦存在噪声或干扰,传统的排样优化算法则无法得到最优排样结果,甚至会造成工作机器的损坏。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种多任务多约束高可信实时自主决策优化方法及系统,能够处理存在强烈外干扰作业情况下的放置优化问题。
本发明目的通过以下技术方案予以实现:一种多任务多约束高可信实时自主决策优化方法,所述方法包括如下步骤:步骤S1:对机器人获得的矩形件进行尺寸测量,得到矩形件的尺寸信息;步骤S2:对储存盒内放置环境进行拍照,利用图像处理技术得到储存盒环境俯视图;步骤S3:将储存盒环境俯视图映射成一个二值矩阵;步骤S4:生成一个与矩形件长宽相同的第一卷积核矩阵,将第一卷积核矩阵与步骤S3的二值矩阵做卷积运算,得到放置矩阵;步骤S5:生成一个第二卷积核矩阵,将第二卷积核矩阵与步骤S4得到的放置矩阵做卷积运算,得到价值矩阵;所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置。
上述多任务多约束高可信实时自主决策优化方法中,在步骤S1中,利用三维重建对矩形件进行三维重建,得到矩形件的长宽高的尺寸信息。
上述多任务多约束高可信实时自主决策优化方法中,在步骤S2中,在储存盒上方放置相机,对储存盒内的放置环境进行拍照,根据预设的相机内参数将拍照角度矫正到俯视视角,得到储存盒环境俯视图。
上述多任务多约束高可信实时自主决策优化方法中,在步骤S3中,根据储存盒环境俯视图检测到储存盒四个角在像素坐标系中的位置,将储存盒截取出来,利用矩形件和储存盒像素特征的差异,将储存盒环境照片转化为二值矩阵,得到环境矩阵ENV。
上述多任务多约束高可信实时自主决策优化方法中,储存盒中已放置矩形件的区域对应矩阵中的元素全为1,未放置矩形件的区域对应二值矩阵中的元素值全为0。
上述多任务多约束高可信实时自主决策优化方法中,在步骤S4中,所述矩形件的长宽分别为L、W,根据所述矩形件的长宽生成一个L×W的元素全为1的矩阵,作为第一卷积核矩阵C1。
上述多任务多约束高可信实时自主决策优化方法中,在步骤S4中,放置矩阵中元素值计算方式如下:
其中,i为矩阵的行号,j为矩阵的列号。
上述多任务多约束高可信实时自主决策优化方法中,在步骤S5中,在步骤S4中的放置矩阵外填充一层全0元素,生成一个3×3的第二卷积核矩阵。
一种多任务多约束高可信实时自主决策优化系统,包括:第一模块,用于对机器人获得的矩形件进行尺寸测量,得到矩形件的尺寸信息;第二模块,用于对储存盒内放置环境进行拍照,利用图像处理技术得到储存盒环境俯视图;第三模块,用于将储存盒环境俯视图映射成一个二值矩阵;第四模块,用于生成一个与矩形件长宽相同的第一卷积核矩阵,将第一卷积核矩阵与二值矩阵做卷积运算,得到放置矩阵;第五模块,用于生成一个第二卷积核矩阵,将第二卷积核矩阵与放置矩阵做卷积运算,得到价值矩阵;所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置。
上述多任务多约束高可信实时自主决策优化系统中,利用三维重建对矩形件进行三维重建,得到矩形件的长宽高的尺寸信息。
本发明与现有技术相比具有如下有益效果:
(1)本发明能够处理由于外部环境干扰导致储存盒内环境发生巨大变化的情况。对工作环境的适应性好,鲁棒性强;
(2)本发明利用视觉反馈的技术,能够消除由于外部干扰和三维重建带来的误差,使得每次优化结果更优;
(3)本发明借鉴中国古代围棋中‘金角银边草肚皮’的优化思想,只需进行两次卷积操作即可得到待放置物件(待裁剪单间)的局部最优位置,计算速度快,大大减小算法计算时间,实时性高。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例提供的利用图像处理技术处理后得到的储存盒二值矩阵的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本实施例提供了一种多任务多约束高可信实时自主决策优化方法,该方法包括如下步骤:
步骤S1:对机器人获得的矩形件进行尺寸测量,得到矩形件的尺寸信息。具体的,利用三维重建对复杂形状的物体进行三维重建,得到其长宽高的尺寸信息。
步骤S2:对储存盒内放置环境进行拍照,利用图像处理技术得到储存盒环境俯视图。具体的,对存储盒进行拍照,利用相机内参数对照片进行矫正,将拍照视觉调到俯视视角。
步骤S3:将储存盒环境俯视图映射成一个二值矩阵。具体的,利用储存盒环境和矩形件的颜色和特征差异,将相片转化为二值矩阵,矩阵的尺寸和储存盒的尺寸相同(设储存盒长为BL,宽为BW),储存盒中空置的区域对应到矩阵中,该区域所有元素值置为0,储存盒中已放置物件的区域,对应矩阵元素为1的区域。设该矩阵为环境矩阵ENV,环境矩阵是BL×WL维度的。
步骤S4:生成一个与矩形件长宽相同的第一卷积核矩阵,将第一卷积核矩阵与步骤S3的二值矩阵做卷积运算,得到放置矩阵。具体的,根据步骤S1,得到矩形件的长宽分别为L,W;生成一个L×W的元素全为1的矩阵,作为卷积核C1,利用该卷积核C1与环境矩阵ENV做卷积运算,得到放置矩阵LOC,放置矩阵LOC是(BL-L+1,BW-W+1)维的。
步骤S5:生成一个第二卷积核矩阵,将第二卷积核矩阵与步骤S4得到的放置矩阵做卷积运算,得到价值矩阵;所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置。具体的,在放置矩阵LOC外padding一圈全0元素,生成一个3×3的全1矩阵,作为卷积核C2,利用C2与padding后的LOC矩阵做卷积运算,得到价值矩阵V。价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置,若最优位置有多个,则根据需要选择最优位置。
在步骤S2中,在储存盒上方放置相机,对储存盒内初始环境进行拍照;可以在斜上方或者储存盒中心上方放置相机,相机内参数已知,可以利用内参数将拍照角度矫正到俯视视角。
在步骤S3中,得到储存盒环境照片后,检测到储存盒四个角在像素坐标系中的位置,将储存盒截取出来,利用物体和储存盒像素特征的差异,将储存盒环境照片转化为二值矩阵,得到环境矩阵ENV,如图1所示;其中,储存盒中已放置物体的区域对应矩阵中的元素全为1,未放置物体的区域对应二值矩阵中的元素值全为0。
在步骤S4中,根据下一块需要放置的物体尺寸生成卷积核C1,设待放置物体长为L,宽为W,C1的维度与之相同,由于储存盒环境中空置区域元素值为0,故当卷积核C1与储存盒空置区域进行卷积运算时,得到的结果为0,而储存盒已放置物件的区域元素值为1,故卷积核C1在该区域进行卷积运算时得到的结果不为0,则放置矩阵LOC中元素值计算方式如下:
在步骤S5中,得到放置矩阵LOC后,在放置矩阵外padding一层全0元素,生成一个3×3的卷积核C2,用卷积核C2与padding后的LOC矩阵进行卷积运算,得到放置价值矩阵V。
价值矩阵V中元素值最小的位置即为放置局部最优的像素坐标系位置,当最佳位置有多个时,根据实际作业要求选择。
本实施例还提供了一种多任务多约束高可信实时自主决策优化系统,包括:第一模块,用于对机器人获得的矩形件进行尺寸测量,得到矩形件的尺寸信息;第二模块,用于对储存盒内放置环境进行拍照,利用图像处理技术得到储存盒环境俯视图;第三模块,用于将储存盒环境俯视图映射成一个二值矩阵;第四模块,用于生成一个与矩形件长宽相同的第一卷积核矩阵,将第一卷积核矩阵与二值矩阵做卷积运算,得到放置矩阵;第五模块,用于生成一个第二卷积核矩阵,将第二卷积核矩阵与放置矩阵做卷积运算,得到价值矩阵;所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置。
本发明借鉴中国围棋中的‘金角银边草肚皮’的优化思想,提出了一种多任务多约束高可信实时自主决策优化方法,能够处理存在强烈外干扰作业情况下的地外探测物体放置优化问题。本发明利用知识引导技术,在环境中存在较强噪声和干扰时,仍能给出较好的优化结果。
本发明能够处理由于外部环境干扰导致储存盒内环境发生巨大变化的情况。对工作环境的适应性好,鲁棒性强;本发明利用视觉反馈的技术,能够消除由于外部干扰和三维重建带来的误差,使得每次优化结果更优;本发明借鉴中国古代围棋中‘金角银边草肚皮’的优化思想,只需进行两次卷积操作即可得到待放置物件(待裁剪单间)的局部最优位置,计算速度快,大大减小算法计算时间,实时性高。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (5)
1.一种多任务多约束高可信实时自主决策优化方法,其特征在于,所述方法包括如下步骤:
步骤S1:对机器人获得的矩形件进行尺寸测量,得到矩形件的尺寸信息;
步骤S2:对储存盒内放置环境进行拍照,利用图像处理技术得到储存盒环境俯视图;
步骤S3:将储存盒环境俯视图映射成一个二值矩阵;
步骤S4:生成一个与矩形件长宽相同的第一卷积核矩阵,将第一卷积核矩阵与步骤S3的二值矩阵做卷积运算,得到放置矩阵;
步骤S5:生成一个第二卷积核矩阵,将第二卷积核矩阵与步骤S4得到的放置矩阵做卷积运算,得到价值矩阵;所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置;
在步骤S3中,根据储存盒环境俯视图检测到储存盒四个角在像素坐标系中的位置,将储存盒截取出来,利用矩形件和储存盒像素特征的差异,将储存盒环境照片转化为二值矩阵,得到环境矩阵;
储存盒中已放置矩形件的区域对应矩阵中的元素全为1,未放置矩形件的区域对应二值矩阵中的元素值全为0;
在步骤S4中,所述矩形件的长宽分别为L、W,根据所述矩形件的长宽生成一个L×W的元素全为1的矩阵,作为第一卷积核矩阵;
在步骤S4中,放置矩阵中元素值计算方式如下:
其中,i为矩阵的行号,j为矩阵的列号;
在步骤S5中,在步骤S4中的放置矩阵外填充一层全0元素,生成一个3×3的全1矩阵作为第二卷积核矩阵。
2.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法,其特征在于:在步骤S1中,利用三维重建对矩形件进行三维重建,得到矩形件的长宽高的尺寸信息。
3.根据权利要求1所述的多任务多约束高可信实时自主决策优化方法,其特征在于:在步骤S2中,在储存盒上方放置相机,对储存盒内的放置环境进行拍照,根据预设的相机内参数将拍照角度矫正到俯视视角,得到储存盒环境俯视图。
4.一种多任务多约束高可信实时自主决策优化系统,其特征在于包括:
第一模块,用于对机器人获得的矩形件进行尺寸测量,得到矩形件的尺寸信息;
第二模块,用于对储存盒内放置环境进行拍照,利用图像处理技术得到储存盒环境俯视图;
第三模块,用于将储存盒环境俯视图映射成一个二值矩阵;
第四模块,用于生成一个与矩形件长宽相同的第一卷积核矩阵,将第一卷积核矩阵与二值矩阵做卷积运算,得到放置矩阵;
第五模块,用于生成一个第二卷积核矩阵,将第二卷积核矩阵与放置矩阵做卷积运算,得到价值矩阵;所述价值矩阵中值最小的元素位置即为放置的像素坐标系最优位置;
根据储存盒环境俯视图检测到储存盒四个角在像素坐标系中的位置,将储存盒截取出来,利用矩形件和储存盒像素特征的差异,将储存盒环境照片转化为二值矩阵,得到环境矩阵;
储存盒中已放置矩形件的区域对应矩阵中的元素全为1,未放置矩形件的区域对应二值矩阵中的元素值全为0;
所述矩形件的长宽分别为L、W,根据所述矩形件的长宽生成一个L×W的元素全为1的矩阵,作为第一卷积核矩阵;
在步骤S4中,放置矩阵中元素值计算方式如下:
其中,i为矩阵的行号,j为矩阵的列号;
在放置矩阵外填充一层全0元素,生成一个3×3的全1矩阵作为第二卷积核矩阵。
5.根据权利要求4所述的多任务多约束高可信实时自主决策优化系统,其特征在于:利用三维重建对矩形件进行三维重建,得到矩形件的长宽高的尺寸信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678584.8A CN113516300B (zh) | 2021-06-18 | 2021-06-18 | 一种多任务多约束高可信实时自主决策优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678584.8A CN113516300B (zh) | 2021-06-18 | 2021-06-18 | 一种多任务多约束高可信实时自主决策优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516300A CN113516300A (zh) | 2021-10-19 |
CN113516300B true CN113516300B (zh) | 2024-03-29 |
Family
ID=78065963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110678584.8A Active CN113516300B (zh) | 2021-06-18 | 2021-06-18 | 一种多任务多约束高可信实时自主决策优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516300B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751319A (zh) * | 2019-09-27 | 2020-02-04 | 合肥黎曼信息科技有限公司 | 基于Alpha Zero以及结合启发式策略的自动排料方法 |
CN111598316A (zh) * | 2020-05-06 | 2020-08-28 | 深圳大学 | 物体转移装箱过程策略生成方法、装置、计算机设备 |
-
2021
- 2021-06-18 CN CN202110678584.8A patent/CN113516300B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751319A (zh) * | 2019-09-27 | 2020-02-04 | 合肥黎曼信息科技有限公司 | 基于Alpha Zero以及结合启发式策略的自动排料方法 |
CN111598316A (zh) * | 2020-05-06 | 2020-08-28 | 深圳大学 | 物体转移装箱过程策略生成方法、装置、计算机设备 |
Non-Patent Citations (3)
Title |
---|
"The Mapping-Adaptive Convolution: A Fundamental Theory for Homography or Perspective Invariant Matching Methods";Zheng Li 等;《SIAM J. IMAGING SCIENCES》;第10卷(第4期);全文 * |
"改进区域划分的圆 Packing变分算法";余丽娟;《计算机辅助设计与图形学学报》;第30卷(第7期);全文 * |
"矩形物体布局的构造算法";王金敏 等;《机械设计》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516300A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4969202A (en) | Image recognition edge detection method and system | |
US7376262B2 (en) | Method of three dimensional positioning using feature matching | |
CN111429533B (zh) | 一种相机镜头畸变参数估计装置及方法 | |
CN113436258B (zh) | 基于视觉与激光雷达融合的海上浮码头检测方法及系统 | |
US9576363B2 (en) | Object picking system, object detecting device, object detecting method | |
US11887346B2 (en) | Systems and methods for image feature extraction | |
CN112767467B (zh) | 一种基于自监督深度学习的双图深度估计方法 | |
WO2022262054A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113313732A (zh) | 一种基于自监督学习的前视场景深度估计方法 | |
CN110910327B (zh) | 一种基于掩模增强网络模型的无监督深度补全方法 | |
CN110648359A (zh) | 一种果实目标定位识别方法及系统 | |
CN116310997A (zh) | 一种基于深度学习的海上小目标检测方法 | |
CN113516300B (zh) | 一种多任务多约束高可信实时自主决策优化方法及系统 | |
CN113095316B (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
JP7398938B2 (ja) | 情報処理装置およびその学習方法 | |
CN108180825A (zh) | 一种基于线结构光的长方体形物体三维识别与定位方法 | |
US20220301176A1 (en) | Object detection method, object detection device, terminal device, and medium | |
CN115456945A (zh) | 一种芯片引脚缺陷的检测方法、检测装置及设备 | |
WO2021117363A1 (ja) | オブジェクト検出方法及びオブジェクト検出装置 | |
CN113192029A (zh) | 一种基于ToF的焊缝识别方法 | |
CN112819823A (zh) | 一种面向家具板材的圆孔检测方法、系统及装置 | |
US11967131B2 (en) | System for processing an image, method for processing the image, method for training a neural network for processing the image, and recording medium for executing the method | |
CN117635619B (zh) | 一种基于机器视觉的原木材积检测方法及系统 | |
CN109902555B (zh) | 一种基于对象的多尺度层次表达学习的变化检测方法 | |
CN116228854B (zh) | 一种基于深度学习的包裹自动分拣方法 |
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 |