CN113658095A - 用于手工仪器绘图的工程图样评阅识别处理方法及装置 - Google Patents
用于手工仪器绘图的工程图样评阅识别处理方法及装置 Download PDFInfo
- Publication number
- CN113658095A CN113658095A CN202110776649.2A CN202110776649A CN113658095A CN 113658095 A CN113658095 A CN 113658095A CN 202110776649 A CN202110776649 A CN 202110776649A CN 113658095 A CN113658095 A CN 113658095A
- Authority
- CN
- China
- Prior art keywords
- image
- engineering
- densenet
- training
- pattern
- 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
- 238000012552 review Methods 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于手工仪器绘图的工程图样评阅识别处理方法及装置。采用相机对工程图样拍照，获得工程图样原始图像；工程图样预处理与特征投影图像获取；DenseNet网络训练，通过数据增强来扩充数据集，采用ImageNet训练集上训练DenseNet网络得到DenseNet识别模型，在关键区域数据集上对DenseNet识别模型进行微调，多次迭代训练直至训练次数达到初始设定值，保存此时的训练结果；工程图样手工仪器制图的评阅，将关键特征区域图像到DenseNet识别模型中进行处理，得到评阅处理结果。本发明能对手工仪器绘图的工程图样进行评阅，具有较高的错误识别率和鲁棒性能。
Description
技术领域
本发明属于自动化检测技术领域的一种图像识别处理方法，具体是一种用于手工仪器绘图的工程图样评阅识别处理方法及装置。
背景技术
工程图样是机械产品的生产依据，标准化制图是保证产品图样正确、完整、统一的重要基础，对产品设计、制造和检验三者之间信息传递有重要意义。手工仪器制图中字体、线型、可见性、图面布局等问题，导致产生识图错误，严重影响产品的生产质量。虽然计算机辅助CAD制图正在被广泛应用到机械制图过程中，但手工仪器制图作为工程技术人员必须要掌握的机械制图的基本技能，是计算机辅助设计的一个重要基础。针对手工仪器制图几何特征种类繁多、线条线型容易混淆、人工绘制风格多样的问题，传统的人工校阅模式，不但工作强度大，而且校对效率低，存在误捡、漏检严重的情况。通过提取手工仪器制图的特征投影图像图，建立基于神经网络权重参数自适应的评阅模型，对几何特征投影、线型等手工仪器制图标准要素进行评阅，能很好地降低手工仪器制图的图像特征误判率、提高自动评阅效率。
发明内容
为了提高手工仪器制图评阅的准确性和鲁棒性，本发明提出了一种集成迁移学习的用于手工仪器绘图的工程图样评阅识别处理方法及装置。本发明能对手工仪器绘图的工程图样进行评阅，具有较高的错误识别率和鲁棒性能。
本发明采用以下技术方案：
步骤1)采用工业相机对工程图样拍照，获得工程图样原始图像，由已知各个关键区域是否正确结果的工程图样原始图像组建构成了工程图样数据集，并对工程图样数据集进行数据增强来扩充；关键区域是否正确结果是通过预先标注获得。
步骤2)工程图样预处理与关键区域获取：
具体为将步骤1)获得的工程图样数据集中的所有图像进行预处理，并根据已知的标准图样中各关键区域的位置，对预处理后的图像进行特征分割，获得关键特征区域图像，由关键特征区域图像组建构成了关键区域数据集；
所述的标准图样是指各个关键区域的工程图结构均绘制正确的工程图样，关键区域是指图样中的工程图结构核心区域。
步骤3)DenseNet网络训练：
采用ImageNet训练集上预训练DenseNet网络并得到的权重参数作为DenseNet识别模型的初始化参数，在关键区域数据集上对DenseNet识别模型进行微调，多次迭代训练直至训练次数达到初始设定值，保存此时的训练结果；
步骤4)工程图样手工仪器制图的评阅：
对于工业相机拍照获得的待测工程图样按照将步骤2)中的相同方式进行预处理和特征分割获得待测工程图样的各个关键特征区域图像，然后输入到DenseNet识别模型中进行处理，得到评阅处理结果，评阅处理结果中对错误的关键区域用虚线边框标记。
所述步骤1)中，采用小范围的旋转、水平方向和垂直方向位移、加入噪声干扰等数据增强方法对工程图样数据集进行扩充。
所述步骤2)，具体为：
2.1)将步骤1)中得到的工程图样原始图像进行灰度化处理，得到灰度图像；
2.2)将灰度图像进行平滑滤波处理，再用高斯滤波进行处理，得到平滑处理后的图像；
2.3)对平滑处理后的图像进行校正，通过canny算子进行图像边缘提取，提取出所有的连通域，舍弃面积小于预设面积阈值的连通域，
将剩余的连通域中面积最小的连通域作为目标区域，获得目标区域的角点坐标，将目标区域通过仿射变换映射到固定矩形下完成图像校正，得到校正后的工程图样图像；
2.4)根据标准图样中各关键区域的位置，对校正后的工程图样图像进行特征分割，得到各幅关键区域图像；
2.5)调整关键区域图像亮度和对比度，并使用最大类间方差法将各幅关键区域图像进行二值化处理，获得各幅关键特征区域图像。
所述步骤3)，DenseNet网络权重参数微调，具体为：
3.2)采用ImageNet训练集对DenseNet网络进行预训练，以训练后的DenseNet网络作为DenseNet识别模型，以训练得到网络的权重参数作为DenseNet识别模型的初始化参数；
3.3)将关键区域数据集输入到DenseNet识别模型中进行微调：冻结除了最后一层全连接层以外的其他层的权重参数，仅对最后一层的全连接层的权重参数进行训练，加载关键区域数据集进入DenseNet识别模型进行预测处理，将预测结果与实际结果之间的差异数据进行记录，根据差异数据更新DenseNet识别模型的网络参数；预测结果预测结果为DenseNet识别模型输出的关键区域数据集中的各幅图像是否正确结果，实际结果为步骤1)提到的已知关键区域是否正确结果。
3.4)对步骤3.3)重复操作，直至DenseNet识别模型的训练次数达到初始设定值，停止训练，保存此时的训练结果。
二、一种用于手工仪器绘图的工程图样评阅识别处理装置：
包括图像采集模块、评阅处理模块、存储模块、显示模块；
所述图像采集模块，用于获取高质量的工程图样原始图像，包括光源和相机；光源照射到工程图样纸面上，相机拍摄每张工程图样纸面。
所述评阅处理模块，用于对图像采集模块采集的图像进行图像预处理、关键区域分割和评阅识别处理；
所述存储模块，用于存储评阅处理模块的结果，存储每张工程图样情况与整体统计信息；
所述显示模块，用于接收和显示存储模块中存储的结果，显示工程图样评阅前后的结果。
本发明通过工业相机对工程图样进行拍照采样，对获得的工程图样进行预处理，去除背景、噪点，获得目标区域，并采用小范围的旋转、水平方向和垂直方向位移、加入噪声干扰等数据增强方法对采集的工程图样数据集进行扩充。根据已知的标准图样中各关键区域的位置，对工程图样数据集的图像进行特征分割，获得关键特征区域图像数据集。采用ImageNet训练集上预训练DenseNet网络得到的权重参数作为DenseNet识别模型的初始化参数，将关键区域数据集输入到DenseNet识别模型中进行微调，冻结除了最后一层全连接层以外的其他层的权重参数，仅对最后一层的全连接层的权重参数进行训练，加载关键区域数据集进入DenseNet识别模型进行预测处理，将预测结果与实际结果之间的差异数据进行记录，根据差异数据更新DenseNet识别模型的网络参数，直至DenseNet识别模型的训练次数达到初始设定值，停止训练，保存此时的识别模型。将待评阅的工程图样进行拍照采样，图像预处理，特征分割，方法与上文相同，获得关键区域，将关键区域输入到训练好的DenseNet识别模型，得到识别结果。
本发明的有益效果为：
1、本发明通过对工程图样进行预处理，去除背景、噪点的干扰，减少拍照时光照不均匀的影响。
2、本发明通过迁移学习对DenseNet网络进行微调，缓解了深度学习训练数据不足的情况，降低了网络过拟合的风险，提高了模型的泛化性能。
3、本发明与传统人工方法比，本发明采用方法自动化程度高，具有较高的错误识别率和鲁棒性能，评阅速度快。
附图说明
为了进一步阐述本发明所描述的内容，下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本发明的范围的限定。
图1为本发明方法的整体流程图。
图2为本发明方法的整体装置主要功能模块示意图。
图3为摄像头采集的原始工程图样。
图4为灰度化的工程图样。
图5为平滑处理的工程图样。
图6为校正后的工程图样图像。
图7为关键区域示意图。
图8为提取的关键区域图像。
图9为调整亮度和对比度的关键区域图像。
图10为二值化后的关键区域图像。
图11为关键区域图像数据增强示意图。
图11(a)为关键区域原始图像。
图11(b)为关键区域微移后的图像。
图11(c)为关键区域旋转后的图像。
图11(d)为关键区域加入噪音后的图像。
图12为DenseNet网络结构示意图。
图13为评阅结果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭晓的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰和改变。
如图1所示，本发明专利的实施例包括以下步骤：
通过工业相机对工程图样进行拍照采样，对获得的工程图样进行预处理，去除背景、噪点，获得目标区域，并采用小范围的旋转、水平方向和垂直方向位移、加入噪声干扰等数据增强方法对采集的工程图样数据集进行扩充。根据已知的标准图样中各关键区域的位置，对工程图样数据集的图像进行特征分割，获得关键特征区域图像数据集。采用ImageNet训练集上预训练DenseNet网络得到的权重参数作为DenseNet识别模型的初始化参数，将关键区域数据集输入到DenseNet识别模型中进行微调，冻结除了最后一层全连接层以外的其他层的权重参数，仅对最后一层的全连接层的权重参数进行训练，加载关键区域数据集进入DenseNet识别模型进行预测处理，将预测结果与实际结果之间的差异数据进行记录，根据差异数据更新DenseNet识别模型的网络参数，直至DenseNet识别模型的训练次数达到初始设定值，停止训练，保存此时的训练结果。将待评阅的工程图样进行拍照采样，图像预处理，特征分割，方法与上文相同，获得关键区域，将关键区域输入到训练好的DenseNet识别模型，得到识别结果。
如图2所示，具体实施的装置包括图像采集模块、评阅处理模块、存储模块、显示模块。图像采集模块用于获取高质量的工程图样，包括使用光源和相机，图像采集平台支架。评阅处理模块用于对采集的图像进行图像预处理，关键区域分割，评阅。存储模块用于存储与统计评阅处理模块的结果，存储每张工程图样的得分情况与整体统计信息。显示模块用于接收和显示存储模块的结果，显示各工程图样评阅前后的结果。
实施过程主要分为四个步骤：图像采集、图样预处理与关键区域图像获取、DenseNet网络权重参数微调、图像的评阅。
步骤1、采用相机对工程图样拍照，获得工程图样原始图像，如图3所示。
步骤2、工程图样预处理与关键区域图像获取
2.1)将步骤1)中得到的工程图样原始图像进行灰度化处理，得到灰度图像，如图4所示；
2.2)将灰度图像进行平滑滤波处理，用高斯滤波对图像进行处理，得到平滑处理后的图像，如图5所示；
2.3)对平滑处理后的图像进行校正，通过canny算子进行图像边缘提取，提取出所有的连通域，并舍弃面积小于阈值的区域，将剩余区域中面积最小的区域标记为目标区域，获得目标区域的角点坐标，通过仿射变换映射到固定矩形下完成图像校正，得到校正后的工程图样图像，如图6所示；
2.4)根据各关键区域的位置，如图7所示，对校正后的工程图样图像进行特征分割，得到关键区域图像，如图8所示；
2.5)调整关键区域图像亮度和对比度，如图9所示，并使用最大类间方差法将关键区域进行二值化处理，如图10所示；
步骤3、DenseNet网络权重参数微调
3.1)通过数据增强来扩充工程图样数据集：采用小范围的旋转、水平方向和垂直方向微移、加入噪声干扰等的数据增强方法，对工程图样数据集进行扩充，如图11所示；
3.2)采用在ImageNet训练集上训练得到的权重参数作为DenseNet模型的初始化参数，DenseNet网络结构如图12所示；
3.3)在关键区域数据集上对模型进行微调，冻结前n层，仅对最后一层的全连接层参数进行训练，加载第一个批次的关键区域数据集进入DenseNet网络，将预测结果与实际结果之间的差异数据进行记录，根据差异数据更新DenseNet识别模型的网络参数；
3.4)对步骤3.3)重复操作，直至DenseNet网络的训练次数达到初始设定值，停止训练，保存此时的训练结果；
步骤4、工程图样手工仪器制图的评阅
工程图样手工仪器制图的评阅：对于工业相机拍照获得的待测工程图样按照将步骤2)中的相同方式进行预处理和特征分割获得待测工程图样的各个关键特征区域图像，然后输入到步骤3)得到的DenseNet识别模型中进行处理，得到评阅处理结果，评阅处理结果中对错误的关键区域用虚线边框标记，如图13所示。
上述具体实施例仅例式性说明本发明的原理与其功效，并非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，凡在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种用于手工仪器绘图的工程图样评阅识别处理方法，其特征在于，方法包含以下步骤：
步骤1)采用工业相机对工程图样拍照，获得工程图样原始图像，由已知关键区域是否正确结果的工程图样原始图像组建构成了工程图样数据集，并对工程图样数据集进行数据增强来扩充；
步骤2)工程图样预处理与关键区域获取：
具体为将步骤1)获得的工程图样数据集中的所有图像进行预处理，并根据标准图样中各关键区域的位置，对预处理后的图像进行特征分割，获得关键特征区域图像，由关键特征区域图像组建构成了关键区域数据集；
步骤3)DenseNet网络训练：
采用ImageNet训练集上预训练DenseNet网络并得到的权重参数作为DenseNet识别模型的初始化参数，在关键区域数据集上对DenseNet识别模型进行微调，多次迭代训练直至训练次数达到初始设定值，保存此时的训练结果；
步骤4)工程图样手工仪器制图的评阅：
对于工业相机拍照获得的待测工程图样按照将步骤2)中的相同方式进行预处理和特征分割获得待测工程图样的各个关键特征区域图像，然后输入到DenseNet识别模型中进行处理，得到评阅处理结果。
2.根据权利要求1所述的一种用于手工仪器绘图的工程图样评阅识别处理方法，其特征在于：
所述步骤1)中，采用旋转、水平方向和垂直方向位移、加入噪声干扰等数据增强方法对工程图样数据集进行扩充。
3.根据权利要求1所述的一种用于手工仪器绘图的工程图样评阅识别处理方法，其特征在于：
所述步骤2)，具体为：
2.1)将步骤1)中得到的工程图样原始图像进行灰度化处理，得到灰度图像；
2.2)将灰度图像进行平滑滤波处理，再用高斯滤波进行处理，得到平滑处理后的图像；
2.3)对平滑处理后的图像进行校正，通过canny算子进行图像边缘提取，提取出所有的连通域，舍弃面积小于预设面积阈值的连通域，
将剩余的连通域中面积最小的连通域作为目标区域，获得目标区域的角点坐标，将目标区域通过仿射变换映射到固定矩形下，得到校正后的工程图样图像；
2.4)根据标准图样中各关键区域的位置，对校正后的工程图样图像进行特征分割，得到各幅关键区域图像；
2.5)调整关键区域图像亮度和对比度，并使用最大类间方差法将各幅关键区域图像进行二值化处理，获得各幅关键特征区域图像。
4.根据权利要求1所述的一种用于手工仪器绘图的工程图样评阅识别处理方法，其特征在于：
所述步骤3)，DenseNet网络权重参数微调，具体为：
3.2)采用ImageNet训练集对DenseNet网络进行预训练，以训练后的DenseNet网络作为DenseNet识别模型；
3.3)将关键区域数据集输入到DenseNet识别模型中进行微调：冻结除了最后一层全连接层以外的其他层的权重参数，仅对最后一层的全连接层的权重参数进行训练，加载关键区域数据集进入DenseNet识别模型进行预测处理，将预测结果与实际结果之间的差异数据进行记录，根据差异数据更新DenseNet识别模型的网络参数；
3.4)对步骤3.3)重复操作，直至DenseNet识别模型的训练次数达到初始设定值，停止训练，保存此时的训练结果。
5.用于实施权利要求1-4任一所述方法的一种用于手工仪器绘图的工程图样评阅识别处理装置，其特征在于：
包括图像采集模块、评阅处理模块、存储模块、显示模块；
所述图像采集模块，用于获取工程图样原始图像，包括光源和相机；
所述评阅处理模块，用于对图像采集模块采集的图像进行图像预处理、关键区域分割和评阅识别处理；
所述存储模块，用于存储评阅处理模块的结果，存储工程图样情况与整体统计信息；
所述显示模块，用于接收和显示存储模块中存储的结果，显示工程图样评阅前后的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776649.2A CN113658095A (zh) | 2021-07-09 | 2021-07-09 | 用于手工仪器绘图的工程图样评阅识别处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776649.2A CN113658095A (zh) | 2021-07-09 | 2021-07-09 | 用于手工仪器绘图的工程图样评阅识别处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113658095A true CN113658095A (zh) | 2021-11-16 |
Family
ID=78489272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110776649.2A Pending CN113658095A (zh) | 2021-07-09 | 2021-07-09 | 用于手工仪器绘图的工程图样评阅识别处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113658095A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758578A (zh) * | 2023-08-18 | 2023-09-15 | 上海楷领科技有限公司 | 机械制图信息提取方法、装置、系统及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272048A (zh) * | 2018-09-30 | 2019-01-25 | 北京工业大学 | 一种基于深度卷积神经网络的模式识别方法 |
| CN111368672A (zh) * | 2020-02-26 | 2020-07-03 | 苏州超云生命智能产业研究院有限公司 | 一种用于遗传病面部识别模型的构建方法及装置 |
| CN112396017A (zh) * | 2020-11-27 | 2021-02-23 | 上海建科工程咨询有限公司 | 一种基于图像识别的工程安全隐患识别方法及系统 |
| CN112801972A (zh) * | 2021-01-25 | 2021-05-14 | 武汉理工大学 | 一种桥梁缺陷检测方法、设备、系统及存储介质 |
-
2021
- 2021-07-09 CN CN202110776649.2A patent/CN113658095A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272048A (zh) * | 2018-09-30 | 2019-01-25 | 北京工业大学 | 一种基于深度卷积神经网络的模式识别方法 |
| CN111368672A (zh) * | 2020-02-26 | 2020-07-03 | 苏州超云生命智能产业研究院有限公司 | 一种用于遗传病面部识别模型的构建方法及装置 |
| CN112396017A (zh) * | 2020-11-27 | 2021-02-23 | 上海建科工程咨询有限公司 | 一种基于图像识别的工程安全隐患识别方法及系统 |
| CN112801972A (zh) * | 2021-01-25 | 2021-05-14 | 武汉理工大学 | 一种桥梁缺陷检测方法、设备、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 郝用兴 等: "基于DenseNet的带钢表面缺陷智能识别系统研究", 《河南科技》, pages 11 - 14 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116758578A (zh) * | 2023-08-18 | 2023-09-15 | 上海楷领科技有限公司 | 机械制图信息提取方法、装置、系统及存储介质 |
| CN116758578B (zh) * | 2023-08-18 | 2023-11-07 | 上海楷领科技有限公司 | 机械制图信息提取方法、装置、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992329B (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
| CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
| CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
| CN112233116B (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
| CN112734761B (zh) | 工业品图像边界轮廓提取方法 | |
| JP2001133418A (ja) | 形状特徴に基づく欠陥検出の方法及び装置 | |
| CN113591967A (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
| CN112446871B (zh) | 一种基于深度学习和OpenCV的隧道裂缝识别方法 | |
| CN113516650B (zh) | 基于深度学习的电路板塞孔缺陷检测方法及装置 | |
| CN115063421A (zh) | 极片区域检测方法及系统及装置及介质及缺陷检测方法 | |
| CN108802051B (zh) | 一种柔性ic基板直线线路气泡及折痕缺陷检测系统及方法 | |
| CN113903024A (zh) | 一种手写票据数值信息识别方法、系统、介质及装置 | |
| CN111444773B (zh) | 一种基于图像的多目标分割识别方法及系统 | |
| JP7170605B2 (ja) | 欠陥検査装置、欠陥検査方法、およびプログラム | |
| CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
| CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN113658095A (zh) | 用于手工仪器绘图的工程图样评阅识别处理方法及装置 | |
| CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
| CN115457044A (zh) | 基于类激活映射的路面裂缝分割方法 | |
| CN111127311B (zh) | 基于微重合区域的图像配准方法 |
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 |