CN113610820A - 一种基于深度学习算法的工位目标检测系统 - Google Patents

一种基于深度学习算法的工位目标检测系统 Download PDF

Info

Publication number
CN113610820A
CN113610820A CN202110923292.6A CN202110923292A CN113610820A CN 113610820 A CN113610820 A CN 113610820A CN 202110923292 A CN202110923292 A CN 202110923292A CN 113610820 A CN113610820 A CN 113610820A
Authority
CN
China
Prior art keywords
data
result
deep learning
unit
learning algorithm
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
CN202110923292.6A
Other languages
English (en)
Inventor
任萌
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.)
Shanghai Shuyi Data Technology Co ltd
Original Assignee
Shanghai Shuyi Data Technology 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 Shanghai Shuyi Data Technology Co ltd filed Critical Shanghai Shuyi Data Technology Co ltd
Priority to CN202110923292.6A priority Critical patent/CN113610820A/zh
Publication of CN113610820A publication Critical patent/CN113610820A/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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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]

Landscapes

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

Abstract

本发明公开了一种基于深度学习算法的工位目标检测系统，包括：数据存储模块、目标识别模块、结果标识模块和结果纠正模块。本发明提供的基于深度学习算法的工位目标检测系统通过结果纠正模块对目标识别模块中数据对比结果进行人为判断，并对对比结果进行纠正，通过深度学习算法优化目标识别模块的识别算法，提高目标识别精度，即结果标识的准确性。

Description

一种基于深度学习算法的工位目标检测系统
技术领域
本发明涉及目标检测技术领域，具体涉及一种基于深度学习算法的工位目标检测系统。
背景技术
化工企业需要对老旧CRT电视机进行拆解，为了统计拆解过程的破屏率，以及拆解工序完成后屏幕上的荧光粉是否处理干净，以防止对环境的污染，需要对拆解完成后的屏幕进行检查。
现有的方法为投入大量人工，监视拆解线上摄像头传回的视频状况，由于拆解线较多，拆解的过程中还掺杂有工人的清扫、设备故障检修、设备搬运等其他与拆解无关的事务，造成人工监视效率低、操作复杂且成本较高的问题。
发明内容
本发明的目的在于，克服现有技术中存在的缺陷，提供一种监视效率高、目标识别准确、操作便捷的基于深度学习算法的工位目标检测系统。
为实现上述目的，本发明的技术方案是设计一种基于深度学习算法的工位目标检测系统，该系统运行于计算机上，包括：
数据存储模块，用于存储CRT电视机屏幕的外观数据；
目标识别模块，用于识别CRT电视机屏幕，并与所述数据存储模块中的CRT电视机屏幕外观数据进行对比；
结果标识模块，所述目标识别模块中的对比结果数据传输至结果标识模块中，并通过所述结果标识模块对不同标识结果分别进行上色；
结果纠正模块，所述结果纠正模块用于录入目标识别模块中数据对比结果的人为判断信息，当其为正确时，将该信息反馈至结果标识模块；当其为错误时，将该信息通过深度学习算法反馈至结果标识模块中，并纠正所述结果标识模块中的标识结果数据与标识颜色。
作为优选的技术方案，所述数据存储模块包括数据存储单元和数据调用单元，所述数据存储单元用于录入和存储CRT电视机屏幕的外观数据，所述数据调用单元用于将外观数据调用至其他模块。
作为优选的技术方案，所述目标识别模块包括摄像头、目标识别单元和数据对比单元，所述摄像头安装至各工位，用于采集图像数据，并通过数据对比单元与所述数据存储模块中的外观数据进行对比，最终将对比结果反馈至目标识别单元，所述目标识别单元基于对比结果给出识别结果数据。
作为优选的技术方案，所述摄像头通过物联网与计算机信号连接。
作为优选的技术方案，所述目标识别单元和所述数据对比单元运行于计算机的处理器内。
作为优选的技术方案，所述结果标识模块包括识别分类单元和上色单元，所述识别分类单元将目标识别模块的对比结果分类，所述上色单元基于不同的分类进行不同颜色的上色。
作为优选的技术方案，所述数据存储模块运行于计算机的数据存储器内。
作为优选的技术方案，所述结果标识模块基于以下任一种标注方式实现：
二分类标注样本、多分类标注样本、简化模型学习。
作为优选的技术方案，所述多分类标注样本添加负样本中的第一盖子类别和第二盖子类别，训练中标注其中一部分的第一盖子类别和第二盖子类别。
作为优选的技术方案，所述多分类标注样本添加负样本中的第一盖子类别和第二盖子类别，训练中标注全部的第一盖子类别和第二盖子类别。
本发明的优点和有益效果在于：通过结果纠正模块对目标识别模块中数据对比结果进行人为判断，并对对比结果进行纠正，通过深度学习算法优化目标识别模块的识别算法，提高目标识别精度，即结果标识的准确性。
附图说明
图1是本发明优选实施例中基于深度学习算法的工位目标检测系统的结构示意图；
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在一些实施例中，如图1所示，一种基于深度学习算法的工位目标检测系统，该系统运行于计算机上，包括：
数据存储模块，用于存储CRT电视机屏幕的外观数据；
目标识别模块，用于识别CRT电视机屏幕，并与数据存储模块中的CRT电视机屏幕外观数据进行对比；
结果标识模块，目标识别模块中的对比结果数据传输至结果标识模块中，并通过结果标识模块对不同标识结果分别进行上色；
结果纠正模块，结果纠正模块用于录入目标识别模块中数据对比结果的人为判断信息，当其为正确时，将该信息反馈至结果标识模块；当其为错误时，将该信息通过深度学习算法反馈至结果标识模块中，并纠正结果标识模块中的标识结果数据与标识颜色。
当该系统运行时，目标识别模块将识别到的图像数据与数据存储模块中的CRT电视机屏幕外观数据进行对比，并生成对比结果数据，将对比结果数据传输至结果标识模块中，结果标识模块对不同的标识结果分别上色，其中，标识结果分为是与否，对标识结果为是的区域上绿色，对标识结果为否的区域上蓝色，在显示终端上，绿色区域即为系统认定的CRT电视机屏幕，蓝色区域即为其他物品，随后，工人通过显示终端观察并人为判断该标识结果是否准确，并通过结果纠正模块对该标识结果进行确认，当确认为正确时，将该信息反馈至结果标识模块，当确认为错误时，将该信息通过深度学习算法反馈至结果标识模块中，并纠正结果标识模块中的标识结果数据与标识颜色，基于深度学习算法优化目标识别模块对图像数据和外观数据的对比精度以自动化提高该系统的识别精度。
在其中一实施例中，参照图1所示，数据存储模块包括数据存储单元和数据调用单元，数据存储单元用于录入和存储CRT电视机屏幕的外观数据，数据调用单元用于将外观数据调用至其他模块。通过数据存储单元和数据调用单元将存储和调用功能独立分开，避免数据调用时对数据的存储产生影响。
在其中一实施例中，参照图1所示，目标识别模块包括摄像头、目标识别单元和数据对比单元，摄像头安装至各工位，用于采集图像数据，并通过数据对比单元与数据存储模块中的外观数据进行对比，最终将对比结果反馈至目标识别单元，目标识别单元基于对比结果给出识别结果数据。
优选的，摄像头通过物联网与计算机信号连接。摄像头捕捉工位上的图像并采集图像数据，通过物联网将其传输至数据对比单元处，并与数据存储模块中的外观数据进行对比，最后将对比结果反馈至目标识别单元处，目标识别单元基于对比结果给出识别结果数据。
优选的，目标识别单元和数据对比单元运行于计算机的处理器内。
在一些实施例中，参照图1所示，结果标识模块包括识别分类单元和上色单元，识别分类单元将目标识别模块的对比结果分类，上色单元基于不同的分类进行不同颜色的上色。
需要说明的是，识别分类单元将对比结果分为是与否，对标识结果为是的区域上绿色，对标识结果为否的区域上蓝色。
在一些实施例中，数据存储模块运行于计算机的数据存储器内。
结果标识模块基于以下任一种标注方式实现：
二分类标注样本、多分类标注样本、简化模型学习。
其中：
(a)二分类标注样本，正样本只标CRT显示屏，其余均为负样本；
(b)多分类标注样本，为防止误识别，添加负样本中的第一盖子类别shell和第二盖子类别cover，训练中shell和cover只标注了一部分；
(c)多分类标注样本，为防止误识别，添加shell和cover类别，为防止负样本随机干扰训练，训练中shell和cover标注了全部；
(d)简化模型学习，仍采用二分类标注样本，只是训练中将shell，cover的均标为正样本，即为目标对象。
由于实际场景干扰较多，相比较目标对象的正样本，负样本数量太多，数据倾斜严重，很容易影响模型的识别结果.研究中，为了降低负样本的影响，分别研究了3种模型：
(a)resnet101二分类模型，首先本研究将问题简化为图片分类问题，在图片级别上判断图中有CRT显示屏和没有CRT显示屏，因此含有人工手动标注的图片均为正样本，随机在不含目标对象的图像中随机采样一定比例的负样本参与训练；
Figure BDA0003208239970000061
表1不同方式标注样本在二分类上的效果表
二分类模型存在如下问题：(1)由于是基于图片的，且负样本(需工人不工作，且桌台上没有CRT，shell，cover出现的图片)受限，所以样本量比较少；(2)虽然测试集上F1挺高，但是手动采样分析，发现误识别和漏识别问题严重，即在分类错误的图片里，存在明显的模式，如CRT屏幕很清楚的模型输出为未发现CRT屏幕，而明显不存在正样本CRT，shell，cover的，模型输出为发现CRT屏；因此认为二分类并没有学到正样本的模式，此外也说明二分类的指标F1，用于此处分析目标检测的性能不充分。
(b)MaskRCNN模型，MaskRCNN作为目标检测中典型的两阶段(two-stage)模型，不仅支持提取目标框的边框(bounding-box)，而且支持像素级别的label标注，即可以准确的标注任意形态，任意方向的CRT显示屏，且几乎不含无关背景，集准确和灵活于一体.训练中除了人工标记的正样本外，MaskRCNN会在图片中非正样本区域，任意选取一定比例的，不同位置，不同大小的bounding-box作为负样本参与训练；
Figure BDA0003208239970000062
表2不同方式标注样本在MaskRCNN上的效果
MaskRCNN模型存在如下问题：(1)尝试多类别对象学习[CRT，broken_CRT，shell，cover]，CRT的漏识别很多；(2)多分类负样本全部标出后，样本3，模型识别存在认为更多东西是CRT，即漏识别降低的同时，误识别跟着提高；(3)采样分析分类错误的图片，可以得到，相比较简单二分类模型，MaskRCNN有优异的学习正样本模式识别的能力，但同时在漏识别和误识别二者间找到一个最优平衡的问题仍存在。
(c)YOLO模型，不同于MaskRCNN，YOLO是目标检测中典型的一阶段one-stage模型，支持实例上的标注，即标注到目标对象的bounding-box，因为是one-stage，所以YOLO以准确和速度著称.不同于MaskRCNN中对负样本的随机采样，YOLO在3个尺度上会在一张图片中划分出成千上万个候选目标对象，除了与候选目标对象最相近的目标框为正样本，其余框均为负样本，似乎有存在严重的正负样本倾斜的问题，但是这些庞大的负样本只有很少一部分会有损失，即只有与目标对象重叠面积超过一定阈值的才会产生损失，所以YOLO中对正负样本的界定并不很明确，而且研究中发现，添加若干不含目标对象的图片，将整张图片没有标注的图片添加到训练样本中，能很大程度的提升模型的误识别率；
Figure BDA0003208239970000071
表3不同方式标注样本在YOLO上的效果
对YOLO模型的分析结果如下：(1)增加样本数量后，样本2比样本1，识别率明显提高，mAP和sample都比较好；(2)分类错误图片采样分析说明，简化多分类问题为二分类，标shell，cover为正样本后，测试集上漏识别变多，样本2的漏识别是10/1986；样本3的漏识别是36/1986；(3)漏识别和误识别平衡问题仍然存在，只标CRT，会有很多误识别，即precision低，部分shell->CRT，cover->CRT；标了shell，cover后，又有很多漏识别，部分shell，cover不能找全，即recall低。
综上所述：(1)简单的二分类模型应用与目标检测，学习能力不足；(2)采用MaskRCNN，尝试多类别学习，可能引起了模式学习不必要的负责度，导致在多类别学习中，存在找到"漏识别"和"误识别"平衡点比较困难的问题；(3)实验c说明，将多类别学习简化为二分类学习后，可以改善"漏识别"的问题；(4)同时，分析实验c结果，实验c中可以允许存在一定的漏识别，即部分shell，cover不能找全，但不希望存在太多的误识别，即将部分shell->CRT，cover->CRT.综上，将问题定义为二分类的学习模式，标注shell，cover和CRT均为正样本，因此本发明优选采用yolov3模型学习模式识别。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于深度学习算法的工位目标检测系统，该系统运行于计算机上，其特征在于，包括：
数据存储模块，用于存储CRT电视机屏幕的外观数据；
目标识别模块，用于识别CRT电视机屏幕，并与所述数据存储模块中的CRT电视机屏幕外观数据进行对比；
结果标识模块，所述目标识别模块中的对比结果数据传输至结果标识模块中，并通过所述结果标识模块对不同标识结果分别进行上色；
结果纠正模块，所述结果纠正模块用于录入目标识别模块中数据对比结果的人为判断信息，当其为正确时，将该信息反馈至结果标识模块；当其为错误时，将该信息通过深度学习算法反馈至结果标识模块中，并纠正所述结果标识模块中的标识结果数据与标识颜色。
2.根据权利要求1所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述数据存储模块包括数据存储单元和数据调用单元，所述数据存储单元用于录入和存储CRT电视机屏幕的外观数据，所述数据调用单元用于将外观数据调用至其他模块。
3.根据权利要求1所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述目标识别模块包括摄像头、目标识别单元和数据对比单元，所述摄像头安装至各工位，用于采集图像数据，并通过数据对比单元与所述数据存储模块中的外观数据进行对比，最终将对比结果反馈至目标识别单元，所述目标识别单元基于对比结果给出识别结果数据。
4.根据权利要求3所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述摄像头通过物联网与计算机信号连接。
5.根据权利要求3所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述目标识别单元和所述数据对比单元运行于计算机的处理器内。
6.根据权利要求1所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述结果标识模块包括识别分类单元和上色单元，所述识别分类单元将目标识别模块的对比结果分类，所述上色单元基于不同的分类进行不同颜色的上色。
7.根据权利要求1所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述数据存储模块运行于计算机的数据存储器内。
8.根据权利要求1所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述结果标识模块基于以下任一种标注方式实现：
二分类标注样本、多分类标注样本、简化模型学习。
9.根据权利要求8所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述多分类标注样本添加负样本中的第一盖子类别和第二盖子类别，训练中标注其中一部分的第一盖子类别和第二盖子类别。
10.根据权利要求8所述的一种基于深度学习算法的工位目标检测系统，其特征在于，所述多分类标注样本添加负样本中的第一盖子类别和第二盖子类别，训练中标注全部的第一盖子类别和第二盖子类别。
CN202110923292.6A 2021-08-12 2021-08-12 一种基于深度学习算法的工位目标检测系统 Pending CN113610820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110923292.6A CN113610820A (zh) 2021-08-12 2021-08-12 一种基于深度学习算法的工位目标检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110923292.6A CN113610820A (zh) 2021-08-12 2021-08-12 一种基于深度学习算法的工位目标检测系统

Publications (1)

Publication Number Publication Date
CN113610820A true CN113610820A (zh) 2021-11-05

Family

ID=78340424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110923292.6A Pending CN113610820A (zh) 2021-08-12 2021-08-12 一种基于深度学习算法的工位目标检测系统

Country Status (1)

Country Link
CN (1) CN113610820A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875805A (zh) * 2018-05-31 2018-11-23 北京迈格斯智能科技有限公司 基于深度学习的利用检测识别一体化提高检测精度的方法
CN111680632A (zh) * 2020-06-10 2020-09-18 深延科技(北京)有限公司 基于深度学习卷积神经网络的烟火检测方法及系统
CN111783844A (zh) * 2020-06-10 2020-10-16 东莞正扬电子机械有限公司 基于深度学习的目标检测模型训练方法、设备及存储介质
AU2020103613A4 (en) * 2020-11-23 2021-02-04 Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences Cnn and transfer learning based disease intelligent identification method and system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875805A (zh) * 2018-05-31 2018-11-23 北京迈格斯智能科技有限公司 基于深度学习的利用检测识别一体化提高检测精度的方法
CN111680632A (zh) * 2020-06-10 2020-09-18 深延科技(北京)有限公司 基于深度学习卷积神经网络的烟火检测方法及系统
CN111783844A (zh) * 2020-06-10 2020-10-16 东莞正扬电子机械有限公司 基于深度学习的目标检测模型训练方法、设备及存储介质
AU2020103613A4 (en) * 2020-11-23 2021-02-04 Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences Cnn and transfer learning based disease intelligent identification method and system

Similar Documents

Publication Publication Date Title
CN1276382C (zh) 用于辨别图像不同区域的方法和装置
CN108686978B (zh) 基于arm的水果类别和色泽的分拣方法及系统
CN111709935B (zh) 一种用于地面运动皮带上实时煤矸石定位识别方法
US11657599B2 (en) Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence
KR102378186B1 (ko) 와이어링 하네스용 인공지능 외관검사 시스템
CN111289538A (zh) 基于机器视觉的pcb板元件检测系统及检测方法
CN112802016A (zh) 基于深度学习的实时布匹缺陷检测方法及系统
CN109187553A (zh) 一种基于机器视觉的变质鸡蛋在线智能识别方法
CN107179272A (zh) 一种显微镜下急性分离神经细胞捕捉系统及方法
CN112070711A (zh) 一种微液滴图像检测法中微液滴的分析方法
CN112288741A (zh) 一种基于语义分割的产品表面缺陷检测方法、系统
CN114998234A (zh) 一种基于数据增强策略的自监督弹簧缺陷检测方法
CN115797811A (zh) 一种基于视觉的农产品检测方法及系统
CN111126112B (zh) 候选区域确定方法和装置
CN114049556A (zh) 一种svm与目标检测算法融合的垃圾分类方法
CN113610820A (zh) 一种基于深度学习算法的工位目标检测系统
CN110817674B (zh) 一种扶梯的缺级检测方法、装置、设备及存储介质
CN112304512A (zh) 一种基于人工智能的多工件场景气密性检测方法及系统
CN117173133A (zh) 一种基于Ghostnet与注意力机制的玻璃细珠缺陷检测算法
CN111047731A (zh) 一种基于ar技术的电信机房巡检方法及系统
CN114154571B (zh) 一种针对图像的智能化的辅助标注方法及系统
CN116128853A (zh) 一种产线装配检测方法、系统、计算机及可读存储介质
CN115672778A (zh) 一种智能视觉识别系统
CN112861861B (zh) 识别数码管文本的方法、装置及电子设备
CN110807453A (zh) 基于ocr的产品字符在线检测方法、装置及系统

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