CN114445642A - 一种基于深度学习的凉果食品杂质挑拣方法及系统 - Google Patents
一种基于深度学习的凉果食品杂质挑拣方法及系统 Download PDFInfo
- Publication number
- CN114445642A CN114445642A CN202210145378.5A CN202210145378A CN114445642A CN 114445642 A CN114445642 A CN 114445642A CN 202210145378 A CN202210145378 A CN 202210145378A CN 114445642 A CN114445642 A CN 114445642A
- Authority
- CN
- China
- Prior art keywords
- impurity
- impurities
- picking
- preserved fruit
- image
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- 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
Abstract
本发明公开了一种基于深度学习的凉果食品杂质挑拣方法及系统,其特征在于:包括视觉检测子系统和杂质挑拣子系统:所述视觉检测子系统包括:传送带、工作台、第一支架、视觉相机、光源及其控制器和微型工业电脑。所述杂质挑拣子系统包括:并联机器人、第二支架、末端吸具、通料管、集料箱和涡轮抽风机。本发明运用了并联机器人、视觉相机及光源、末端除杂执行器及搭载自主研发的神经网络模型生成软件与杂质挑拣软件的PC系统,结合ResNet101的分类模型和BiSeNet的语义分割模型技术,可以实现多种杂质的识别与自动分拣的功能。
Description
技术领域
本发明属于视觉检测技术领域,尤其涉及一种基于深度学习的凉果食品杂质挑拣方法及系统。
背景技术
随着现代化建设步伐的加快和国民经济持续高速发展,我国越发注重农副凉果食品加工业的自动化生产需求和产品安全质量的提高。近年来,大部分农副凉果食品加工企业都引进了自动化食品加工技术,但在实际生产过程中,由于产品挑拣、加工工艺等不可控因素,农副凉果食品不可避免存在遗留杂质、质量不符合要求等问题。目前,凉果食品杂质挑拣仍然以人工挑拣为主,一方面,传统人工挑拣劳动强度高、工作量大,容易受主观因素影响而不能保持长期高效的挑拣效率,同时人工肉眼辨别速度较慢,导致流水线生产速度不得不放慢,制约工厂生产效率;另一方面,人工作业的不稳定,容易导致食品卫生安全问题与售后问题,影响企业口碑。
当前传统的机器视觉除杂技术主要存在以下几个问题:
1.传统机器视觉技术难以适应农副凉果食品加工业过程中产品数量大、杂质种类多、杂质难以分辨识别的痛点;
2.传统的图像处理技术将待检测的产品的三维图像投影成二维图像时,许多信息会消失,除此之外,当前的技术尚未能很好地解决食品和食品、食品和杂质之间相互覆盖的问题;
3.实时性问题,其主要包含软实时和硬实时。当前硬实时已随着硬件的不断发展有了比较好的解决方案,软实时主要通过算法来解决,但在复杂的工作情况下,会导致准确性和鲁棒性下降,因而无法精确地得到食品杂质图像。
发明内容
本发明的目的在于提供一种基于深度学习的凉果食品杂质挑拣方法及系统,旨在解决所述背景技术中存在的问题。为实现所述目的,本发明采用的技术方案是:
一种基于深度学习的凉果食品杂质挑拣系统,包括视觉检测子系统和杂质挑拣子系统:
所述视觉检测子系统包括:传送带、工作台、第一支架、视觉相机、光源及其控制器和微型工业电脑;所述传送带固定于所述工作台,所述传动带通过电机驱动;所述第一支架固定于所述工作台,并且所述传送带穿过所述第一支架;所述视觉相机架设在所述第一支架上端,并且位于传送带正上方;所述光源共有四条,环绕固定于所述支架中部,光源位于传动带正上方且位于视觉相机的下方。
所述杂质挑拣子系统包括:并联机器人、第二支架、末端吸具、通料管、集料箱和涡轮抽风机;所述并联机器人固定于所述第二支架;所述末端吸具固定于所述并联机器人上;所述通料管的两端分别连接所述末端吸具及集料箱;所述涡轮抽风机连接所述集料箱;所述末端吸具和涡轮抽风机共同构成末端除杂执行器。
所述微型工业电脑通过TCP通讯与所述并联机器人建立连接,输出信号指令控制所述视觉相机和所述光源控制器。
一种基于深度学习的凉果食品杂质挑拣方法,应用于上述基于深度学习的凉果食品杂质挑拣系统,包括以下步骤:
S01:将待测凉果食品放置于所述传送带上,程序根据编码器记录的传送带运动的距离触发相机拍照,从而自动运行视觉程序;
S02:视觉程序自动运行开启后,利用视觉相机在固定角度采集图像,获得待检测凉果食品图像数据集;
S03:标注图像中杂质的轮廓,利用颜色差异,将不同种类杂质、正常凉果食品及背景渲染为不同颜色,生成只包含颜色信息的特征图;步骤S03中生成特征图之后,沿随机角度对图像进行翻转,并随机变换图像的亮度及大小,生成信息更丰富的数据集;对所述数据集进行尺寸归一化处理,生成归一化图像。
S04:将所述图像及特征图划分为训练集、验证集、测试集;
S05:将所述训练集、验证集及测试集输入到神经网络进行训练,生成杂质检测模型;步骤S05所述神经网络是由ResNet101分类模型及BiSeNet语义分割模型组成;所述训练涉及修改模型用到的学习率、训练总步数和批次大小等参数;
S06:将待测图像分别输入所述生成的杂质检测模型及传统视觉程序,分别输出颜色特征图1和特征图2,经坐标矩阵换算,从而获得杂质图像坐标信息1和2;具体的为:步骤S06将所述生成的颜色特征图进行灰度化、二值化、膨胀及腐蚀处理,再经过面积滤波器处理,提取轮廓信息;获取包围所述轮廓的最小矩形,将其中心坐标作为杂质坐标,整合为杂质坐标集后进行重复去除处理,最终得到杂质图像坐标信息1和2;
S07:将杂质图像坐标信息1和2经过坐标转换后利用TCP通信传输到并联机器人;
S08:并联机器人通过TCP/IP通讯得到的坐标信息控制末端除杂执行器移动到指定位置,进行杂质剔除。
本发明的有益效果:
1、以深度学习图像处理为核心,通过训练神经网络模型,实现对目标物的精准检测及定位;
2、由并联机器人替代人工剔除出不可食用的杂质成分与影响产品质量的次品成分,提高生产效率;
3、本专利适应于复杂多变的无规律场景;
4、搭建了一个针对凉果食品的杂质快速检测及分拣系统,可以在1秒内实现对当前流水线上食品杂质的检测并完成对2个杂质的吸取,做到除杂与产品质量的提升;
5、搭建了一个针对凉果食品的杂质精准检测系统,可实现92%查全率和97%查准率;
6、解决困扰凉果食品加工企业的用工难、用工贵与食品卫生安全问题,填补了凉果除杂工艺自动化的空缺,推动行业的智能化与工艺标准化进程。
本发明运用了并联机器人、视觉相机及光源、末端除杂执行器及搭载自主研发的神经网络模型生成软件与杂质挑拣软件的PC系统,结合ResNet101的分类模型和BiSeNet的语义分割模型技术,公开了一种基于深度学习的凉果食品杂质挑拣方法及系统,可以实现多种杂质的识别与自动分拣的功能。
首先根据编码器记录的传送带运动的距离,触发工业相机在固定角度进行图像采集;经深度神经网络模型进行图像处理并定位到杂质的点位信息;通过TCP/IP通信控制并联机器人移动到计算所得的位置;接着由搭载在并联机器人上的末端除杂执行器进行杂质的剔除,从而实现对凉果食品杂质的高速度、高精度识别挑拣。
附图说明
图1是本发明的整体检测系统图;
图2是本发明的视觉检测子系统放大图;
图3是本发明的杂质挑拣子系统图;
图4是本发明的程序设计流程图;
图5是本发明的原图及对应颜色特征图。
其中,图中各附图标记:
1、电机;2、传送带;3、微型工业电脑;4、光源;5、第一支架;6、视觉相机;7、第二支架;8、并联机器人;9、末端吸具;10、通料管;11、集料箱;12、涡轮抽风机。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式。相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。相反,当元件被称作“直接在”另一元件“上”时,不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式,本文所使用的术语“上端”、“下端”、“左侧”、“右侧”、“前端”、“后端”以及类似的表达是参考附图的位置关系。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
如图1~5所示,本发明实施例提供了一种基于深度学习的凉果食品杂质挑拣方法及系统,包括以下:
视觉检测子系统和杂质挑拣子系统,参考图1,图1是本发明整体检测系统图:
参考图2,图2是视觉检测子系统,其包括:传送带2、工作台、第一支架5、视觉相机6、光源4及其控制器和微型工业电脑3;传送带2固定于工作台,传动带2通过电机1驱动;第一支架5固定于工作台,并且传送带2穿过第一支架5;视觉相机6固定于第一支架5上,并且位于传送带2正上方;光源4共四条,固定于第一支架5上,光源4位于传动带2正上方且位于视觉相机6的下方。
参考图3,图3是杂质挑拣子系统,其包括:并联机器人8、第二支架7、末端吸具9、通料管10、集料箱11和涡轮抽风机12;并联机器人8固定于第二支架7;末端吸具9固定于并联机器人8上;通料管10的两端分别连接末端吸具9及集料箱11;涡轮抽风机12连接集料箱11;末端吸具9和涡轮抽风机12共同构成末端除杂执行器;
进一步地,微型工业电脑3通过TCP通讯与并联机器人8建立连接,输出信号指令控制视觉相机和光源控制器。
参考图4,图4是一种基于深度学习的凉果食品杂质挑拣方法的程序流程设计图;该方法应用于基于深度学习的凉果食品杂质挑拣系统,包括以下步骤:
S01:将待测凉果食品放置于传送带2上,程序根据编码器记录的传送带2运动的距离触发视觉相机6拍照,从而自动运行视觉程序;
S02:视觉程序自动运行开启后,利用视觉相机6在固定角度采集图像,获得待检测凉果食品图像数据集;
S03:标注图像中杂质的轮廓,利用颜色差异,将不同种类杂质、正常凉果食品及背景渲染为不同颜色,生成只包含颜色信息的特征图;
S04:将图像及特征图划分为训练集、验证集、测试集;
S05:将训练集、验证集及测试集输入到神经网络进行训练,生成杂质检测模型;
S06:将待测图像分别输入生成的杂质检测模型及传统视觉程序,分别输出颜色特征图1和特征图2,再经坐标矩阵换算,从而获得杂质图像坐标信息1和2;
S07:将杂质图像坐标信息1和2经过坐标转换后利用TCP通信传输到并联机器人8;
S08:并联机器人8通过TCP/IP通讯得到的坐标信息控制末端除杂执行器移动到指定位置,进行杂质剔除。
根据发明的一些实施例,在步骤S03中生成特征图之后,更具体地:
沿随机角度对图像进行翻转,并随即变换图像的亮度及大小,生成信息更丰富的数据集;
对数据集进行尺寸归一化处理,生成归一化图像。
根据本发明的一些实施例,步骤S05更具体地:
神经网络是由ResNet101分类模型及BiSeNet语义分割模型组成;
训练涉及修改模型用到的学习率、训练总步数、批次大小等参数。
如图5所示,根据本发明的一些实施例,步骤S06更具体地:
将生成的颜色特征图进行灰度化、二值化、膨胀及腐蚀处理,再经过面积滤波器处理,提取轮廓信息;获取包围轮廓的最小矩形,将其中心坐标作为杂质坐标,整合为杂质坐标集后进行重复去除处理,最终得到杂质图像坐标信息1和2。
下面本发明以陈皮杂质挑拣为例进行说明:
首先待测陈皮放置于传送带上,程序根据编码器记录的传送带运动的距离触发相机拍照,从而自动运行视觉程序;然后,视觉程序自动运行开启后,利用视觉相机在固定角度采集图像,获得待检测陈皮图像数据集。
然后,标注图像中杂质的轮廓,利用颜色差异,将不同种类杂质、正常陈皮及背景渲染为不同颜色,生成只包含颜色信息的特征图;将特征图沿随机角度对图像进行翻转,并随机变换图像的亮度及大小,生成信息更丰富的数据集;再进行尺寸归一化处理,生成归一化图像。
下一步,把图像及特征图划分为训练集、验证集、测试集,输入到由ResNet101分类模型及BiSeNet语义分割模型组成神经网络中进行训练,调整模型中学习率、训练总步数、批次大小等参数,从而生成杂质检测模型。
下一步,将待测图像分别输入生成的杂质检测模型及传统视觉程序,分别输出颜色特征图1和2,将特征图进行灰度化、二值化、膨胀及腐蚀处理,再经过面积滤波器处理,提取轮廓信息;获取包围轮廓的最小矩形,将其中心坐标作为杂质坐标,整合为杂质坐标集后进行重复去除处理,最终得到杂质图像坐标信息1和2。
最后,杂质图像坐标信息经过坐标转换后利用TCP/IP通信传输到并联机器人,并联机器人通过TCP/IP得到的坐标信息控制末端除杂执行器移动到指定位置,进行杂质剔除。
杂质剔除的查全率和查准率经过多次测试,结果如下:
序号 | 实际杂质数 | 挑拣杂质数 | 查全率 | 挑拣数量 | 杂质数量 | 查准率 |
测试组1 | 30 | 28 | 93.33% | 29 | 28 | 96.55% |
测试组2 | 30 | 27 | 90.00% | 28 | 27 | 96.43% |
测试组3 | 30 | 28 | 93.33% | 28 | 28 | 100.00% |
测试组4 | 30 | 26 | 86.67% | 26 | 26 | 100.00% |
测试组5 | 30 | 29 | 96.67% | 31 | 29 | 93.55% |
测试组6 | 30 | 28 | 93.33% | 28 | 28 | 100.00% |
测试组7 | 30 | 28 | 93.33% | 29 | 28 | 96.55% |
测试组8 | 30 | 27 | 90.00% | 29 | 27 | 93.10% |
本发明运用了并联机器人、视觉相机及光源、末端除杂执行器及搭载自主研发的神经网络模型生成软件与杂质挑拣软件的PC系统,结合ResNet101的分类模型和BiSeNet的语义分割模型技术,公开了一种基于深度学习的凉果食品杂质挑拣方法及系统,可以实现多种杂质的识别与自动分拣的功能。
首先根据编码器记录的传送带运动的距离,触发工业相机在固定角度进行图像采集;经深度神经网络模型进行图像处理并定位到杂质的点位信息;通过TCP/IP通信控制并联机器人移动到计算所得的位置;接着由搭载在并联机器人上的末端除杂执行器进行杂质的剔除,从而实现对凉果食品杂质的高速度、高精度识别挑拣。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (6)
1.一种基于深度学习的凉果食品杂质挑拣系统,其特征在于:包括视觉检测子系统和杂质挑拣子系统:
所述视觉检测子系统包括:传送带、工作台、第一支架、视觉相机、光源及其控制器和微型工业电脑;所述传送带固定于所述工作台,所述传动带通过电机驱动;所述第一支架固定于所述工作台,并且所述传送带穿过所述第一支架;所述视觉相机架设在所述第一支架上端,并且位于传送带正上方;所述光源共有四条,环绕固定于所述支架中部,光源位于传动带正上方且位于视觉相机的下方;
所述杂质挑拣子系统包括:并联机器人、第二支架、末端吸具、通料管、集料箱和涡轮抽风机;所述并联机器人固定于所述第二支架;所述末端吸具固定于所述并联机器人上;所述通料管的两端分别连接所述末端吸具及集料箱;所述涡轮抽风机连接所述集料箱;所述末端吸具和涡轮抽风机共同构成末端除杂执行器。
2.根据权利要求1所述的一种基于深度学习的凉果食品杂质挑拣系统,其特征在于:所述微型工业电脑通过TCP通讯与所述并联机器人建立连接,输出信号指令控制所述视觉相机和所述光源控制器。
3.一种基于深度学习的凉果食品杂质挑拣方法,应用于权利要求1-2任意一项所述基于深度学习的凉果食品杂质挑拣系统,包括以下步骤:
S01:将待测凉果食品放置于所述传送带上,程序根据编码器记录的传送带运动的距离触发相机拍照,从而自动运行视觉程序;
S02:视觉程序自动运行开启后,利用视觉相机在固定角度采集图像,获得待检测凉果食品图像数据集;
S03:标注图像中杂质的轮廓,利用颜色差异,将不同种类杂质、正常凉果食品及背景渲染为不同颜色,生成只包含颜色信息的特征图;
S04:将所述图像及特征图划分为训练集、验证集、测试集;
S05:将所述训练集、验证集及测试集输入到神经网络进行训练,生成杂质检测模型;
S06:将待测图像分别输入所述生成的杂质检测模型及传统视觉程序,分别输出颜色特征图1和特征图2,经坐标矩阵换算,从而获得杂质图像坐标信息1和2;
S07:将杂质图像坐标信息1和2经过坐标转换后利用TCP通信传输到并联机器人;
S08:并联机器人通过TCP/IP通讯得到的坐标信息控制末端除杂执行器移动到指定位置,进行杂质剔除。
4.根据权利要求3所述的一种基于深度学习的凉果食品杂质挑拣方法,其特征在于:所述步骤S03中生成特征图之后,沿随机角度对图像进行翻转,并随机变换图像的亮度及大小,生成信息更丰富的数据集;对所述数据集进行尺寸归一化处理,生成归一化图像。
5.根据权利要求3所述的一种基于深度学习的凉果食品杂质挑拣方法,其特征在于:所述步骤S05所述神经网络是由ResNet101分类模型及BiSeNet语义分割模型组成;所述训练涉及修改模型用到的学习率、训练总步数和批次大小参数。
6.根据权利要求3所述的一种基于深度学习的凉果食品杂质挑拣方法,其特征在于:所述步骤S06将所述生成的颜色特征图进行灰度化、二值化、膨胀及腐蚀处理,再经过面积滤波器处理,提取轮廓信息;获取包围所述轮廓的最小矩形,将其中心坐标作为杂质坐标,整合为杂质坐标集后进行重复去除处理,最终得到杂质图像坐标信息1和2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210145378.5A CN114445642A (zh) | 2022-02-17 | 2022-02-17 | 一种基于深度学习的凉果食品杂质挑拣方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210145378.5A CN114445642A (zh) | 2022-02-17 | 2022-02-17 | 一种基于深度学习的凉果食品杂质挑拣方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445642A true CN114445642A (zh) | 2022-05-06 |
Family
ID=81373350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210145378.5A Pending CN114445642A (zh) | 2022-02-17 | 2022-02-17 | 一种基于深度学习的凉果食品杂质挑拣方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117531708A (zh) * | 2024-01-05 | 2024-02-09 | 四川省中医药科学院 | 中药挑拣装置 |
-
2022
- 2022-02-17 CN CN202210145378.5A patent/CN114445642A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117531708A (zh) * | 2024-01-05 | 2024-02-09 | 四川省中医药科学院 | 中药挑拣装置 |
CN117531708B (zh) * | 2024-01-05 | 2024-03-19 | 四川省中医药科学院 | 中药挑拣装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107486415B (zh) | 基于机器视觉的篾片缺陷在线检测系统及检测方法 | |
CN107804514B (zh) | 一种基于图像识别的牙刷分拣方法 | |
CN109821763B (zh) | 一种基于机器视觉的水果分拣系统及其图像识别方法 | |
CN107481244B (zh) | 一种工业机器人视觉语义分割数据库制作方法 | |
CN111862028B (zh) | 基于深度相机和深度学习的木材缺陷检测分选装置及方法 | |
CN108890692A (zh) | 一种用于工业机器人视觉分拣的物料颜色识别方法 | |
CN106651825A (zh) | 一种基于图像分割的工件定位与识别的方法 | |
CN111266304A (zh) | 一种煤块识别检测分选系统 | |
CN109380146B (zh) | 生猪自动测量装置和方法 | |
CN106370667A (zh) | 一种玉米籽粒品质视觉检测装置及方法 | |
CN105690393A (zh) | 一种基于机器视觉的四轴并联机器人分拣系统及其分拣方法 | |
CN106442553A (zh) | 一种铜环柱面喷码检测识别装置及方法 | |
CN106248680A (zh) | 一种基于机器视觉的电机换向器质量检测系统及检测方法 | |
CN114445642A (zh) | 一种基于深度学习的凉果食品杂质挑拣方法及系统 | |
CN112295949A (zh) | 一种基于深度神经网络的视觉智能分拣方法及系统 | |
CN112304957A (zh) | 一种基于机器视觉的外观缺陷智能检测方法及系统 | |
CN114235837A (zh) | 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备 | |
CN112676195B (zh) | 基于线阵cmos相机的实木地板的颜色分选装置及方法 | |
CN111136011A (zh) | 基于机器视觉识别系统的物料分拣方法 | |
Huang et al. | Mango surface defect detection based on HALCON | |
CN113723266B (zh) | 一种无刷电机冲片筛选系统及方法 | |
CN205552536U (zh) | 一种基于机器视觉的四轴并联机器人分拣系统 | |
CN206178859U (zh) | 一种喷码检测识别装置 | |
CN208125628U (zh) | 一种基于机器视觉的电机换向器质量检测系统 | |
CN110303056B (zh) | 基于人工智能的热轧窄带钢表面残留氧化铁皮消除系统 |
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 |