CN114638486B - 一种基于智能标识和识别体系的钢管质量追溯方法及系统 - Google Patents
一种基于智能标识和识别体系的钢管质量追溯方法及系统 Download PDFInfo
- Publication number
- CN114638486B CN114638486B CN202210215745.4A CN202210215745A CN114638486B CN 114638486 B CN114638486 B CN 114638486B CN 202210215745 A CN202210215745 A CN 202210215745A CN 114638486 B CN114638486 B CN 114638486B
- Authority
- CN
- China
- Prior art keywords
- information
- steel pipe
- area
- coding
- identification
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1417—2D bar codes
-
- 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
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于智能标识和识别体系的钢管质量追溯方法及系统,其中,所述方法包括:基于钢管制造流程生成第一钢管质量追溯信息;将所述第一钢管质量追溯信息加入第一标识码信息;对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;将所述第一赋码区域发送至识别体系;所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息。解决了现有技术标识赋码在规定位置统一赋码,未根据钢管特征进行赋码,导致识别码不清晰,识别率较低的技术问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于智能标识和识别体系的钢管质量追溯方法及系统。
背景技术
钢管不仅用于输送流体和粉状固体、交换热能、制造机械零件和容器,它还是一种经济钢材,用钢管制造建筑结构网架、支柱和机械支架,可以减轻重量,节省金属,而且可实现工厂化机械化施工。因此钢管质量至关重要,对钢管质量的追溯对于企业管理有重要意义。
但在实现本申请发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术标识赋码在规定位置统一赋码,未根据钢管特征进行赋码,导致识别码不清晰,识别率较低的问题。
发明内容
本申请通过提供一种基于智能标识和识别体系的钢管质量追溯方法及系统,解决了现有技术标识赋码在规定位置统一赋码,未根据钢管特征进行赋码,导致识别码不清晰,识别率较低的技术问题,达到通过结合钢管表面特征进行赋码区域规划,个性化赋码识别,保证标识码印刷清晰,节省寻找标识码时间,提高标识码识别率和识别效率,进而提高对钢管质量把控和管理效率的技术效果。
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的方法。
第一方面,本申请提供了一种基于智能标识和识别体系的钢管质量追溯方法,所述方法包括:生成第一标识码信息;基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;将所述第一钢管质量追溯信息加入所述第一标识码信息;获得第一赋码区域;对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;将所述第一赋码区域发送至识别体系;所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息。
另一方面,本申请还提供了一种基于智能标识和识别体系的钢管质量追溯系统,所述系统包括:第一生成单元,所述第一生成单元用于生成第一标识码信息;第二生成单元,所述第二生成单元用于基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;第一加入单元,所述第一加入单元用于将所述第一钢管质量追溯信息加入所述第一标识码信息;第一获得单元,所述第一获得单元用于获得第一赋码区域;第二获得单元,所述第二获得单元用于对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;第一喷码单元,所述第一喷码单元用于根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;第一发送单元,所述第一发送单元用于将所述第一赋码区域发送至识别体系;第三获得单元,所述第三获得单元用于所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了生成第一标识码信息;基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;将所述第一钢管质量追溯信息加入所述第一标识码信息;获得第一赋码区域;对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;将所述第一赋码区域发送至识别体系;所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息的技术方案。进而达到通过结合钢管表面特征进行赋码区域规划,个性化赋码识别,保证标识码印刷清晰,节省寻找标识码时间,提高标识码识别率和识别效率,进而提高对钢管质量把控和管理效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请一种基于智能标识和识别体系的钢管质量追溯方法的流程示意图;
图2为本申请一种基于智能标识和识别体系的钢管质量追溯方法中获得第一赋码区域的流程示意图;
图3为本申请一种基于智能标识和识别体系的钢管质量追溯方法中对钢管进行平整度识别的流程示意图;
图4为本申请一种基于智能标识和识别体系的钢管质量追溯方法中对钢管进行平整度识别的流程示意图;
图5为本申请一种基于智能标识和识别体系的钢管质量追溯系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一生成单元11,第二生成单元12,第一加入单元13,第一获得单元14,第二获得单元15,第一喷码单元16,第一发送单元17,第三获得单元18,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作系统1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种基于智能标识和识别体系的钢管质量追溯方法,所述方法包括:
步骤S100:生成第一标识码信息;
具体而言,钢管是具有空心截面,其长度远大于直径或周长的钢材,不仅用于输送流体和粉状固体、交换热能、制造机械零件和容器,它还是一种经济钢材。用钢管制造建筑结构网架、支柱和机械支架,可以减轻重量,节省金属,而且可实现工厂化机械化施工。用钢管制造公路桥梁不但可节省钢材、简化施工,而且可大大减少涂保护层的面积,节约投资和维护费用,因此对钢管的质量追溯有着重要的意义。
所述第一标识码信息是钢管的识别码信息,标识码是一种在要素分类的基础上,用以对某一类数据中某个实体进行唯一标识的代码。标识码便于按实体进行存贮或对实体进行逐个查询和检索,以弥补分类码的不足,更方便的存储空间数据,用于后续钢管质量追溯信息的存储。
步骤S200:基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;
步骤S300:将所述第一钢管质量追溯信息加入所述第一标识码信息;
具体而言,钢管类型不同,制造流程也相应不同,钢管分为无缝钢管和焊接钢管。无缝钢管生产过程是将实心管坯或钢锭穿成空心的毛管,然后再将其轧制成所要求尺寸的钢管,采用的穿孔和轧管方法不同,就构成了生产无缝钢管的不同方法。焊接钢管生产过程是将管坯(钢板或带钢)弯曲成管状,再把缝隙焊接起来成为钢管,因采用的成型和焊接方法不同,就构成了生产焊接钢管的不同方法。无缝钢管主要用热轧法生产,挤压法主要用于生产难穿孔的低塑性高合金钢管或异型钢管和复合金属管。
基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息是对钢管生产过程中的各质量信息进行全采集,包括生产工序、生产批号、成品规格、牌号重量、工艺要求、炉号材质,热处理工艺如上料、加热、淬火、回火、热矫直、冷床、冷矫直等的监控视频信息,钢管探伤、外检管端采集图像信息,以及通过实验室设备检测得到的钢管质量文本信息等。将所述第一钢管质量追溯信息加入所述第一标识码信息,以用于钢管全程质量追溯,进而提高对产品生产进度的管理效率。
步骤S400:获得第一赋码区域;
如图2所示,进一步而言,所述获得第一赋码区域,本申请步骤S400还包括:
步骤S410:通过图像采集装置获得第一图像信息,所述第一图像信息包括第一钢管外表面的图像信息;
步骤S420:基于所述第一图像信息,对所述第一钢管进行平整度识别,获得符合预定平整度标准的第一区域,将所述第一区域作为第一赋码区域。
具体而言,赋码是政府对产品实施的统一电子监管措施,就是给每件产品赋予唯一的标识,每件产品的监管码唯一,类似商品的身份证。对钢管进行在线赋码区域规划,采用一钢管一码,现有赋码都是在规定好的位置进行赋码,由于规定位置的钢管表面质量存在差异,比如平整度、颜色等存在差异,导致影响标识码的识别效果。本申请选择合适的位置进行赋码,通过图像采集装置对所述第一钢管外表面的图像信息进行采集,所述图像采集装置包括照相机、工位红外识别装置等,对钢管外表面图像采集包括外表面颜色、平整度、反光率、表面结构等。
基于所述第一图像信息,对所述第一钢管进行平整度识别,平整度是钢管表面不平整部分与绝对水平之间的所差数据,是平整度数值越小越好,表明平整度越高。获得符合预定平整度标准的钢管表面的第一区域,所述预定平整度是满足赋码标准要求的平整度,将所述第一区域作为钢管的第一赋码区域。生产企业通过识别码将钢管的生产、质量等信息进行存储,可供消费者进行真假与质量查询,供生产商进行质量追溯和产品召回管理,在规划平整区域进行赋码,提高标识码的识别率。
步骤S500:对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;
进一步而言,所述对所述第一赋码区域进行特征分析,得到第一赋码参数,本申请步骤S500还包括:
步骤S510:对所述第一赋码区域进行特征分析,获得所述第一赋码区域的尺寸信息、颜色信息、反光率信息;
步骤S520:根据所述第一赋码区域的尺寸信息,确定所述第一标识码信息的尺寸信息;
步骤S530:根据所述第一赋码区域的颜色信息和所述反光率信息,确定所述第一标识码信息的第一颜色信息和第二颜色信息。
具体而言,为保证赋码质量,对所述第一赋码区域进行特征分析,即对赋码区域图像进行特征提取分析,包括所述第一赋码区域的尺寸信息即可赋码区域大小,颜色信息即钢管赋码区域颜色,会影响识别码的喷码识别效果,反光率信息即赋码区域的光学特征,表示物体反射光线的能力,反光率会影响赋码区域的实际应用效果。根据所述第一赋码区域的尺寸信息,确定所述第一标识码信息的尺寸信息,所述第一标识码信息的尺寸信息依据赋码区域大小的不同进行确定,若赋码区域的尺寸小,标识码的尺寸也相应变小,且赋码区域的标识码可以是一个,也可以根据流程和需求不同是多个。
根据所述第一赋码区域的颜色信息和所述反光率信息,共同确定所述第一标识码信息的第一颜色信息和第二颜色信息,识别码颜色是根据二维码的颜色反差进行识别,因此优选为黑白配的搭配效果最好。所述第一颜色信息和所述第二颜色信息是组成识别码的两种颜色,是二维码的深浅码块,二维码深浅码块之间颜色反差,即符号反差,其评价的是符号中深浅两种反射状态的差异是否足够明显。首先,关系到深浅色块的搭配选择,深色码块与浅色码块之间的颜色反差越大,会获得比较大的符号反差参数。其次,深浅码块印刷中自身色浓度和背景颜色遮盖力,色浓度越高符号反射率则越高,背景颜色遮盖力越高则有利于提高码块颜色的饱和度,减少背景颜色透射导致符号反射率降低的影响。通过赋码区域的颜色、区域大小、平整度和反光率,确定标识码的喷码颜色以及标识码尺寸等赋码参数,使得印出来的标识码能够达到最清晰的状态,进而提高标识码的识别率。
步骤S600:根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;
具体而言,根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行在线喷码,在线喷码的形式一般包括喷墨赋码和激光赋码。喷墨赋码是使用在线喷码系统,根据生产线要求制定赋码列表与数据,采用油墨喷码机,将墨水喷射在产品表面形成预设字符或图案,需要干燥处理,喷码之初,可以被擦除和返工。激光赋码是用激光在产品表面雕刻或烧灼出指定字符、图案,利用色变、加速老化原理,不可擦除和修改。适用于玻璃、金属、纸箱、PVC塑胶等硬质材质。
步骤S700:将所述第一赋码区域发送至识别体系;
步骤S800:所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息。
具体而言,由于上述喷码位置不确定,为了提高识别效率,提前将将所述第一赋码区域发送至识别体系,所述识别体系用于对钢管识别码进行识别,可以根据所述第一赋码区域的位置信息控制识别设备在该位置对所述第一标识码信息等待识别,识别获得所述第一钢管质量追溯信息,从而能够节省寻找标识码的时间,提高识别效率,有利于对钢管质量进行质量把控,进而提高生产企业管理效率。
如图3所示,进一步而言,所述基于所述第一图像信息,对所述第一钢管进行平整度识别,获得符合预定平整度的第一区域,将所述第一区域作为第一赋码区域,本申请步骤S420还包括:
步骤S421:将所述第一图像信息按照预定单位尺寸进行网格分割;
步骤S422:将所述预定平整度作为卷积核,将分割后的所述第一图像信息作为输入信息输入卷积神经网络;
步骤S423:获得所述卷积神经网络的输出信息,所述输出信息包括符合预定平整度的第一区域,所述第一区域包括一个或多个所述预定单位尺寸的网格;
步骤S424:将所述第一区域作为第一赋码区域。
具体而言,将钢管表面的所述第一图像按照预定单位尺寸进行网格分割,所述预定单位尺寸是图像划分尺寸单位,所述预订单位尺寸越小,图像网格划分越细致,划分准确率越大。所述预定平整度是满足赋码标准要求的平整度,将所述预定平整度作为卷积核,卷积核就是图像处理时,给定输入图像,输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素,其中权值由一个函数定义,这个函数称为卷积核,相当于提取平整度特征。
将分割后的所述第一图像信息作为输入信息输入卷积神经网络,卷积神经网络是一种具有局部连接、权值共享等特点的深层前馈神经网络,在图像和视频分析领域,比如图像分类、目标检测、图像分割等各种视觉任务上取得了显著的效果。卷积神经网络包括两个部分:卷积+神经网络。其中,卷积就是特征提取器,而神经网络,可以看作分类器。训练一个卷积神经网络,就是同时训练了特征提取器 (卷积) 和后面的分类器 (神经网络)。获得所述卷积神经网络的输出结果信息,所述输出信息包括符合预定平整度的钢管表面的第一区域,将所述第一区域作为钢管的所述第一赋码区域。所述第一区域包括一个或多个所述预定单位尺寸的网格,所述第一区域大小的确定可根据二维码的尺寸决定,二维码的尺寸可以由识别体系的性能决定。达到通过卷积神经网络的方式对钢管表面的平整度特征进行计算分析,特征提取结果更加准确,以用于在规划平整区域进行赋码,提高标识码的识别率的技术效果。
如图4所示,进一步而言,所述基于所述第一图像信息,对所述第一钢管进行平整度识别,获得符合预定平整度标准的第一区域之后,本申请步骤S420还包括:
步骤S425:对所述第一钢管所述第一区域内的每个网格进行反光率的遍历检测,获得反光率数据集;
步骤S426:对所述第一钢管所述第一区域内的每个网格进行色彩遍历识别,获得色彩数据集;
步骤S427:将所述反光率数据集和所述色彩数据集输入赋码区域选择模型,获得第二区域;
步骤S428:将所述第二区域作为所述第一赋码区域。
进一步而言,所述赋码区域选择模型通过历史色彩数据集合历史反光率数据集作为训练数据,通过线性回归法对神经网络模型进行训练至收敛状态得到。
具体而言,在实际的应用场景中消费者所处的扫码光学照明条件、扫码采集视角,及所使用的扫描设备性能都是我们无法控制的,因此只能从上述原始图像的颜色搭配、印刷质量、包装场景、包装材料以及赋码位置等角度具体分析。对所述第一钢管所述第一区域内的每个网格进行反光率的全方位遍历检测,反光率是表示物体反射光线的能力,可通过光学检测设备如可见光透/反射率、雾度测试仪,对所述第一区域进行反光率自动化测量,在透光率检测中应用广泛,获得测量的钢管表面反光率数据集,钢管的反光率光学特征会影响识别码的信息识别效果。
由于钢管的生产工艺不同,钢管表面的外观颜色也有不同表现,对所述第一钢管所述第一区域内的每个网格进行色彩的全方位遍历识别,可通过色彩检测设备如分光色差仪对所述第一区域进行色彩自动化测量,测量稳定性可靠性高,获得测量的色彩数据集,所述第一区域的颜色会影响赋码颜色反差度,进而影响识别码识别效果。将所述反光率数据集和所述色彩数据集输入赋码区域选择模型,所述赋码区域选择模型为神经网络模型,用于对赋码区域进行选择。
通过大量的历史色彩数据集合和历史反光率数据集即各种类型钢管的历史色彩、反光率数据集合作为训练数据,通过线性回归法对神经网络模型进行训练至收敛状态得到,线性回归是一种基本的回归算法,当给出相应的训练集后,通过线性回归来寻找合适参数。神经网络的第一层是输入层,最后一层是输出层,如果作为分类算法训练则有多少个类别就应该有多少个对应的输出单元,对应的输出单元被激活代表着分类的结果。神经网络中间的隐藏层可以有多层,每层可以有多个单元,规模越大训练的模型越复杂。而对于隐藏层中的每个单元本身都是一个逻辑回归的过程,也就是说每个隐藏单元都训练出了一个比前一层更加复杂的特征,这样一层接一层我们就可以训练出越来越复杂的特征,直到得到结果。获得所述赋码区域选择模型的输出结果即第二区域,将所述第二区域作为所述第一赋码区域,使得模型输出的赋码区域信息更加合理、准确,达到通过神经网络模型训练的方式,结合钢管反光率和色彩信息对赋码区域进行分析确定,区域确定结果更加准确,以用于在规划区域进行个性化赋码,进而提高标识码的识别率的技术效果。
进一步而言,所述将所述第二区域作为所述第一赋码区域,本申请步骤S428还包括:
步骤S4281:获得预定尺寸;
步骤S4282:判断所述第二区域的尺寸是否在所述预定尺寸之内;
步骤S4283:如果所述第二区域的尺寸不在所述预定尺寸之内,获得第一提醒信息,所述第一提醒信息用于提醒重新获取第二区域。
具体而言,所述预定尺寸是预设可印刷的标识码尺寸大小,如钢管管身的规定印刷区域尺寸,由钢管类型、规格、结构组成、识别体系等参数确定,判断所述第二区域的尺寸是否在所述预定尺寸之内,如果所述第二区域的尺寸不在所述预定尺寸之内,表明可赋码区域不在可以印刷区域之内,如钢管管端连接区域,或赋码区域尺寸过大,需要进行更换。根据所述第一提醒信息用于提醒重新获取第二区域,方便赋码和后续识别。保证赋码区域不但符合钢管表面特征规划,而且处于钢管可印刷区域之内,保证标识码印刷清晰,节省寻找标识码时间,进而提高标识码识别率和识别效率。
综上所述,本申请所提供的一种基于智能标识和识别体系的钢管质量追溯方法及系统具有如下技术效果:
由于采用了生成第一标识码信息;基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;将所述第一钢管质量追溯信息加入所述第一标识码信息;获得第一赋码区域;对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;将所述第一赋码区域发送至识别体系;所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息的技术方案。进而达到通过结合钢管表面特征进行赋码区域规划,个性化赋码识别,保证标识码印刷清晰,节省寻找标识码时间,提高标识码识别率和识别效率,进而提高对钢管质量把控和管理效率的技术效果。
实施例二
基于与前述实施例中一种基于智能标识和识别体系的钢管质量追溯方法同样发明构思,本发明还提供了一种基于智能标识和识别体系的钢管质量追溯系统,如图5所示,所述系统包括:
第一生成单元11,所述第一生成单元11用于生成第一标识码信息;
第二生成单元12,所述第二生成单元12用于基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;
第一加入单元13,所述第一加入单元13用于将所述第一钢管质量追溯信息加入所述第一标识码信息;
第一获得单元14,所述第一获得单元14用于获得第一赋码区域;
第二获得单元15,所述第二获得单元15用于对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;
第一喷码单元16,所述第一喷码单元16用于根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;
第一发送单元17,所述第一发送单元17用于将所述第一赋码区域发送至识别体系;
第三获得单元18,所述第三获得单元18用于所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息。
进一步的,所述系统还包括:
第四获得单元,所述第四获得单元用于通过图像采集装置获得第一图像信息,所述第一图像信息包括第一钢管外表面的图像信息;
第五获得单元,所述第五获得单元用于基于所述第一图像信息,对所述第一钢管进行平整度识别,获得符合预定平整度标准的第一区域,将所述第一区域作为第一赋码区域。
进一步的,所述系统还包括:
第一分割单元,所述第一分割单元用于将所述第一图像信息按照预定单位尺寸进行网格分割;
第一输入单元,所述第一输入单元用于将所述预定平整度作为卷积核,将分割后的所述第一图像信息作为输入信息输入卷积神经网络;
第六获得单元,所述第六获得单元用于获得所述卷积神经网络的输出信息,所述输出信息包括符合预定平整度的第一区域,所述第一区域包括一个或多个所述预定单位尺寸的网格;
第一赋码单元,所述第一赋码单元用于将所述第一区域作为第一赋码区域。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于对所述第一钢管所述第一区域内的每个网格进行反光率 的遍历检测,获得反光率数据集;
第八获得单元,所述第八获得单元用于对所述第一钢管所述第一区域内的每个网格进行色彩遍历识别,获得色彩数据集;
第九获得单元,所述第九获得单元用于将所述反光率数据集和所述色彩数据集输入赋码区域选择模型,获得第二区域;
第二赋码单元,所述第二赋码单元用于将所述第二区域作为所述第一赋码区域。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于对所述第一赋码区域进行特征分析,获得所述第一赋码区域的尺寸信息、颜色信息、反光率信息;
第一确定单元,所述第一确定单元用于根据所述第一赋码区域的尺寸信息,确定所述第一标识码信息的尺寸信息;
第二确定单元,所述第二确定单元用于根据所述第一赋码区域的颜色信息和所述反光率信息,确定所述第一标识码信息的第一颜色信息和第二颜色信息。
进一步的,所述系统还包括:
第十一获得单元,所述第十一获得单元用于获得预定尺寸;
第一判断单元,所述第一判断单元用于判断所述第二区域的尺寸是否在所述预定尺寸之内;
第十二获得单元,所述第十二获得单元用于如果所述第二区域的尺寸不在所述预定尺寸之内,获得第一提醒信息,所述第一提醒信息用于提醒重新获取第二区域。
前述图1实施例一中的一种基于智能标识和识别体系的钢管质量追溯方法的各种变化方式和具体实例同样适用于本实施例的一种基于智能标识和识别体系的钢管质量追溯系统,通过前述对一种基于智能标识和识别体系的钢管质量追溯方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于智能标识和识别体系的钢管质量追溯系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图6所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、外围总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、外围部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于智能标识和识别体系的钢管质量追溯方法,其特征在于,所述方法包括:
生成第一标识码信息;
基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;
将所述第一钢管质量追溯信息加入所述第一标识码信息;
获得第一赋码区域;
对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;
根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;
将所述第一赋码区域发送至识别体系;
所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息;
所述获得第一赋码区域,包括:
通过图像采集装置获得第一图像信息,所述第一图像信息包括第一钢管外表面的图像信息;
基于所述第一图像信息,对所述第一钢管进行平整度识别,获得符合预定平整度标准的第一区域,将所述第一区域作为第一赋码区域;
所述基于所述第一图像信息,对所述第一钢管进行平整度识别,获得符合预定平整度标准的第一区域之后,还包括:
对所述第一钢管所述第一区域内的每个网格进行反光率的遍历检测,获得反光率数据集;
对所述第一钢管所述第一区域内的每个网格进行色彩遍历识别,获得色彩数据集;
将所述反光率数据集和所述色彩数据集输入赋码区域选择模型,获得第二区域;
将所述第二区域作为所述第一赋码区域。
2.如权利要求1所述的方法,其特征在于,所述基于所述第一图像信息,对所述第一钢管进行平整度识别,获得符合预定平整度的第一区域,将所述第一区域作为第一赋码区域,包括:
将所述第一图像信息按照预定单位尺寸进行网格分割;
将所述预定平整度作为卷积核,将分割后的所述第一图像信息作为输入信息输入卷积神经网络;
获得所述卷积神经网络的输出信息,所述输出信息包括符合预定平整度的第一区域,所述第一区域包括一个或多个所述预定单位尺寸的网格;
将所述第一区域作为第一赋码区域。
3.如权利要求1所述的方法,其特征在于,所述赋码区域选择模型通过历史色彩数据集合历史反光率数据集作为训练数据,通过线性回归法对神经网络模型进行训练至收敛状态得到。
4.如权利要求1所述的方法,其特征在于,所述对所述第一赋码区域进行特征分析,得到第一赋码参数,包括:
对所述第一赋码区域进行特征分析,获得所述第一赋码区域的尺寸信息、颜色信息、反光率信息;
根据所述第一赋码区域的尺寸信息,确定所述第一标识码信息的尺寸信息;
根据所述第一赋码区域的颜色信息和所述反光率信息,确定所述第一标识码信息的第一颜色信息和第二颜色信息。
5.如权利要求1所述的方法,其特征在于,所述将所述第二区域作为所述第一赋码区域,包括:
获得预定尺寸;
判断所述第二区域的尺寸是否在所述预定尺寸之内;
如果所述第二区域的尺寸不在所述预定尺寸之内,获得第一提醒信息,所述第一提醒信息用于提醒重新获取第二区域。
6.一种基于智能标识和识别体系的钢管质量追溯系统,其特征在于,所述系统包括:
第一生成单元,所述第一生成单元用于生成第一标识码信息;
第二生成单元,所述第二生成单元用于基于钢管制造流程生成第一钢管质量追溯信息,所述第一钢管质量追溯信息包括视频信息、图像信息以及文本信息;
第一加入单元,所述第一加入单元用于将所述第一钢管质量追溯信息加入所述第一标识码信息;
第一获得单元,所述第一获得单元用于获得第一赋码区域;
第二获得单元,所述第二获得单元用于对所述第一赋码区域进行特征分析,得到第一赋码参数,所述第一赋码参数包括尺寸信息、第一颜色信息和第二颜色信息;
第一喷码单元,所述第一喷码单元用于根据所述第一赋码参数,在所述第一赋码区域按照所述第一标识码信息进行喷码;
第一发送单元,所述第一发送单元用于将所述第一赋码区域发送至识别体系;
第三获得单元,所述第三获得单元用于所述识别体系根据所述第一赋码区域对所述第一标识码信息进行识别,获得所述第一钢管质量追溯信息。
7.一种基于智能标识和识别体系的钢管质量追溯电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215745.4A CN114638486B (zh) | 2022-03-07 | 2022-03-07 | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210215745.4A CN114638486B (zh) | 2022-03-07 | 2022-03-07 | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638486A CN114638486A (zh) | 2022-06-17 |
CN114638486B true CN114638486B (zh) | 2023-08-04 |
Family
ID=81947174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210215745.4A Active CN114638486B (zh) | 2022-03-07 | 2022-03-07 | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638486B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115007662A (zh) * | 2022-08-08 | 2022-09-06 | 承德建龙特殊钢有限公司 | 一种无缝钢管生产控制装置 |
CN115758135B (zh) * | 2022-11-03 | 2023-10-20 | 深圳交控科技有限公司 | 轨道交通信号系统功能需求追溯方法、装置及电子设备 |
CN116760955B (zh) * | 2023-08-18 | 2023-10-31 | 张家港保税区恒隆钢管有限公司 | 一种用于无缝钢管生产的信息跟踪系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102416775A (zh) * | 2011-08-30 | 2012-04-18 | 中国石油集团渤海石油装备制造有限公司 | 钢管自动喷码装置 |
CN105184590A (zh) * | 2015-09-25 | 2015-12-23 | 三明学院 | 应用于钢材的激光在线高效蚀刻及产品防伪溯源系统 |
CN108090896A (zh) * | 2017-12-14 | 2018-05-29 | 北京木业邦科技有限公司 | 木板平整度检测及其机器学习方法、装置及电子设备 |
CN110647821A (zh) * | 2019-08-28 | 2020-01-03 | 盛视科技股份有限公司 | 通过图像识别进行物体标识的方法和装置 |
CN112613817A (zh) * | 2020-12-24 | 2021-04-06 | 航天信息股份有限公司 | 通过电子标识对钢管的生产物流进行追溯的方法及系统 |
CN215921593U (zh) * | 2021-09-29 | 2022-03-01 | 临沂德万家木业有限公司 | 一种自动喷码机装置 |
-
2022
- 2022-03-07 CN CN202210215745.4A patent/CN114638486B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102416775A (zh) * | 2011-08-30 | 2012-04-18 | 中国石油集团渤海石油装备制造有限公司 | 钢管自动喷码装置 |
CN105184590A (zh) * | 2015-09-25 | 2015-12-23 | 三明学院 | 应用于钢材的激光在线高效蚀刻及产品防伪溯源系统 |
CN108090896A (zh) * | 2017-12-14 | 2018-05-29 | 北京木业邦科技有限公司 | 木板平整度检测及其机器学习方法、装置及电子设备 |
CN110647821A (zh) * | 2019-08-28 | 2020-01-03 | 盛视科技股份有限公司 | 通过图像识别进行物体标识的方法和装置 |
CN112613817A (zh) * | 2020-12-24 | 2021-04-06 | 航天信息股份有限公司 | 通过电子标识对钢管的生产物流进行追溯的方法及系统 |
CN215921593U (zh) * | 2021-09-29 | 2022-03-01 | 临沂德万家木业有限公司 | 一种自动喷码机装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114638486A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114638486B (zh) | 一种基于智能标识和识别体系的钢管质量追溯方法及系统 | |
CN110738125B (zh) | 利用Mask R-CNN选择检测框的方法、装置及存储介质 | |
Yu et al. | Vision-based concrete crack detection using a hybrid framework considering noise effect | |
KR101880004B1 (ko) | 텔레비전 채널 정보를 식별하기 위한 방법 및 장치 | |
CN111709909A (zh) | 基于深度学习的通用印刷缺陷检测方法及其模型 | |
CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和系统 | |
CN110865077B (zh) | 用于rfid天线生产的外观缺陷视觉检测系统 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN110880176B (zh) | 一种基于对抗生成网络的半监督工业图像缺陷分割方法 | |
CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN116664586A (zh) | 一种基于多模态特征融合的玻璃缺陷检测方法及系统 | |
Li et al. | Surface defect detection of vehicle light guide plates based on an improved RetinaNet | |
CN109934231A (zh) | 基于多方向灰度共生矩阵的棒材端面字符图像识别方法 | |
JP7059889B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
CN116843657A (zh) | 基于注意力融合的焊接缺陷检测方法及装置 | |
CN110569717A (zh) | 局部放电检测方法、装置、系统、设备及可读存储介质 | |
CN113469984B (zh) | 一种基于yolo结构的显示面板外观检测方法 | |
CN113592859B (zh) | 一种基于深度学习的用于显示面板缺陷的分类方法 | |
CN108986090A (zh) | 一种应用于机箱表面划痕检测的深度卷积神经网络方法 | |
CN113920055A (zh) | 一种缺陷检测方法 | |
CN112785548A (zh) | 一种基于车载激光点云的路面裂缝检测方法 | |
CN101799925A (zh) | 一种图像自动分割结果的性能分析方法 | |
CN117078608B (zh) | 一种基于双掩码引导的高反光皮革表面缺陷检测方法 | |
Zhao et al. | Vision‐based edge wave detection for cold‐rolled steel plate using 3D camera | |
CN117409246A (zh) | 一种基于注意力机制的变电红外图像智能标注方法 |
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 |