CN114985304B - 一种基于机器视觉的废旧电视机规格检测方法 - Google Patents

一种基于机器视觉的废旧电视机规格检测方法 Download PDF

Info

Publication number
CN114985304B
CN114985304B CN202210581098.9A CN202210581098A CN114985304B CN 114985304 B CN114985304 B CN 114985304B CN 202210581098 A CN202210581098 A CN 202210581098A CN 114985304 B CN114985304 B CN 114985304B
Authority
CN
China
Prior art keywords
television
image
waste
display
industrial camera
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
Application number
CN202210581098.9A
Other languages
English (en)
Other versions
CN114985304A (zh
Inventor
祝红梅
宁光远
李�诚
杨晓飞
景妮洁
姜周曙
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202210581098.9A priority Critical patent/CN114985304B/zh
Publication of CN114985304A publication Critical patent/CN114985304A/zh
Application granted granted Critical
Publication of CN114985304B publication Critical patent/CN114985304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • B07C5/02—Measures preceding sorting, e.g. arranging articles in a stream orientating
    • 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
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/361—Processing or control devices therefor, e.g. escort memory
    • 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
    • B07C5/36—Sorting apparatus characterised by the means used for distribution
    • B07C5/38—Collecting or arranging articles in groups
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W30/00—Technologies for solid waste management
    • Y02W30/50—Reuse, recycling or recovery technologies
    • Y02W30/82—Recycling of waste of electrical or electronic equipment [WEEE]

Landscapes

  • Sorting Of Articles (AREA)

Abstract

本发明公开了一种基于机器视觉的废旧电视机规格检测方法。该方法如下：一、配置工业相机与激光设备。二、废旧电视机入库及图像获取。三、提取带有电视机的被识别图像。四、对被识别图像进行预处理。五、对被识别图像进行图像分割。六、图像信息判别。本发明通过使用工业相机对废旧电视机的显示器尺寸、显示器类型以及废旧电视机的完整程度进行识别。本发明将机器视觉技术与工业相机的结合，能够精确地识别电视机显示器尺寸大小，结合回收传送带自动快速的分类不同规格和不同类型的废旧电视机，省去多个工作人员人工识别的步骤，避免人工识别所造成的失误与误分类，尤其是废旧电视机回收量较大时，不仅能够更加快速地识别分类，减少时间与成本。

Description

一种基于机器视觉的废旧电视机规格检测方法
技术领域
本发明属于废旧电器回收入厂检测领域，具体涉及一种利用机器视觉和深度学习等人工智能技术检测废旧电视机规格的方法。
背景技术
《废弃电器电子产品拆解情况审核工作指南》明确采用物料平衡系数核算处理数量时，按照废弃电器电子产品的种类和规格确定关键拆解产物物料系数，因此废旧电视机在废弃电器电子产品拆解处理过程中须明确其规格。废旧电视机的规格按照电视机的显示屏大小进行分类，电视机显示屏主要分为CRT显示屏和液晶显示屏。对于CRT显示屏，其主要由电子枪、偏转线圈、荫罩、高压石墨电极和荧光粉涂层及玻璃外壳五个部分组成，其中的荧光粉涂层及玻璃外壳中所使用的荧光粉对人体、生物与环境都有着较大的危害，显示器尺寸大小决定着CRT电视机中荧光粉的含量多少，通过废旧电视机的规格可以估算拆解后的荧光粉含量的不同，有利于环境管理目前，国内各大废弃电器电子产品回收处理企业所采用的废旧电视机的规格识别方法仍是人工识别，即通过安排两到三人对回收的废旧电视机在入库时进行人眼辨别分类。因此利用机器视觉与深度学习不仅可以更加高效地在入库中识别电视机屏幕大小并进行废旧电视机的规格分类，同时还可以辨别电视机是否存在破损与缺失。
不同于电视机出厂时的流水线生产，回收电器的过程会更加不规则化，存在以下几种情况：1.电视机在传送带上的摆放会更加随意，或是偏左或是偏右；2.部分电视机的支脚损坏，导致其无法正放在传送带上，而只能以显示屏朝下的盖放姿态摆放；3.在CRT显示屏中存在黑白与彩色两种类别，需对同等尺寸大小的CRT显示器进行识别并分类。
以上这些情况难以规范，且都会导致识别电视机显示器尺寸存在一定的技术困难。在机器视觉方面，目前主要采用单目摄像头、多目摄像头或是单目摄像头结合其他测距设备进行图像采集。其中单目摄像头存在着测距不准确，图像采集存在不完全的问题；而多目摄像头对于摄像头设备的需求量较大，成本等要求比较大。
发明内容
本发明的目的是针对现有废旧电器回收领域中废旧电器规格智能化识别的空缺，提供一种基于机器视觉的废旧电视机规格检测方法。
该基于机器视觉的废旧电视机规格检测方法包括以下步骤：
步骤一、配置工业相机与激光设备。
在用于输送电视机的传送带的同一侧布置工业相机和两个激光光源；两个激光光源相互平行，且间距已知；两个激光光源照射出的激光能够同时照射在正对工业相机的电视机上。通过两个光斑的像素点距离和两个激光光源实际长度，换算图像中电机尺寸的像素点大小与实际大小的比值。
步骤二、废旧电视机入库及图像获取。
传送带持续输送废旧电视；废旧电视允许正放和盖放；正放的废旧电视朝向设有工业相机的一侧；盖放的电视的长度或宽度与输送方向平行。
步骤三、提取带有电视机的被识别图像。
步骤四、对被识别图像进行预处理。
步骤五、对被识别图像进行图像分割。
步骤六、图像信息判别。
通过将提取图像特征与目标数据集进行对比，对图像中电视机的摆放姿态进行判别；若电视机正放，则执行步骤七；若电视机盖放，则执行步骤八。
步骤七、对正放的电视机进行识别。
对被识别图像进行二值化处理后，提取图像中电视机的长度、宽度，并计算出被测废旧电视机的实际对角线长度，完成电视机识别。
步骤八、对盖放的电视机进行识别。
对被识别图像进行二值化处理；提取图像中电视机的机壳厚度D，以及机壳长度L或机壳宽度H。计算电视机的显示器对角线长度d、显示器长度l和显示器宽度h如下式：
其中，α是电视机的厚度和显示器对角线长度的关系系数，取值为0.82～1.05。
之后，对测得的电视机显示器尺寸进行校验；若在被识别图像中测得机壳长度L，则计算特征比值S1＝l/L，若S1≤0.88，则判断计算得到的显示器对角线长度d、显示器长度l和显示器宽度h准确。
作为优选，步骤三中，提取带有电视机的被识别图像的具体过程为：工业相机采用空闲时降帧拍摄；当电视机放上传送带时，工业相机将提高拍摄视频的帧率；计算机控制系统对工业相机记录的视频抽帧选取完整清晰图像作为被识别图像，并保证电视机都处于被识别图像的画面中心位置，且两个激光光源均照射在电视机的机壳上。
作为优选，步骤四中图像预处理的具体过程为：对被识别图像依次进行滤波降噪处理、直方图均衡化处理和锐化处理。
作为优选，在步骤六中，若电视机正放，且电视机的显示器图像的形状畸变超出预设范围，则通过图像比对，并对图像中电视机部分进行矫正后执行步骤七。
作为优选，步骤七中，若废旧电视机的实际对角线长度大于18寸，则判断被识别图像中的电视机为彩色电视机。若废旧电视机的实际对角线长度小于或等于18寸，则检测被识别图像中是否存在VHF与UHF旋钮的特征值信息；若存在VHF与UHF旋钮，则判断被识别图像中的电视机为黑白电视机，否则，判断被识别图像中的电视机为彩色电视机。
作为优选，该废旧电视机规格检测方法采用的识别装置包括工业相机、激光光源、传送带和计算机控制系统。传送带用于输送废旧电视。工业相机和两个激光光源均设置在传送带的侧部；两个激光光源的间隔设置，且相互平行，能够在电视机上照射出两个光斑，用以为像素点尺寸与真实尺寸之间的换算提供基准。计算机控制系统用于接收工业相机拍摄的图像，并识别图像中的废旧电视机规格。
本发明的有益效果为
1.本发明能够通过使用工业相机对废旧电视机的显示器尺寸、显示器类型以及废旧电视机的完整程度进行识别。机器视觉技术与工业相机的结合，能够精确地识别电视机显示器尺寸大小，结合回收传送带自动快速的分类不同规格和不同类型的废旧电视机，省去多个工作人员人工识别的步骤，避免人工识别所造成的失误与误分类，尤其是废旧电视机回收量较大时，不仅能够更加快速地识别分类，减少时间与成本，而且能够降低人工分类过程中因废旧电器破损荧光粉泄露等情况造成的风险。
2.本发明能够在电视机盖放的情况下实现电视机屏幕的识别，解决了部分电视机支脚损坏无法正放的问题。
3.本发明能够替代现有人工贴条分类作业，减轻分类人员劳动强度，提高识别效率、降低分类人员因废旧电器受伤的风险，防止漏分类和误贴条现象发生，实现回收识别和分类的自动化、数字化和智能化。
附图说明
图1为本发明的装置示意图；
图2为本发明的图像处理流程图。
具体实施方式
为更清晰完整的描述本发明的技术方案与达成目的，下面将结合实例对本设计进行阐述。以下内容仅用来说明本发明，但不限制于该类型的发明方案。
如图1所示，一种基于机器视觉的废旧电视机规格检测方法，采用的识别装置包括工业相机1、激光光源3、传送带2和计算机控制系统4。传送带2用于输送废旧电视。工业相机1和两个激光光源3均设置在传送带2的侧部，用于采集废旧电视的图像；两个激光光源3的间隔设置，且相互平行，能够在电视机上照射出两个光斑，用以为像素点尺寸与真实尺寸之间的换算提供基准。计算机控制系统4用于接收工业相机1拍摄的图像，并识别图像中的废旧电视机规格。
如图2所示，该基于机器视觉的废旧电视机规格检测方法包括以下步骤：
步骤一、配置工业相机与激光设备
将工业相机1放置在传送带2的一侧，并距离传送带2～3米处，将激光设备设置在工业相机1侧部或下方；激光设备包括两个激光光源3；两个激光光源3的平行且间隔设置；记录两个激光光源3的距离数值在图像处理中作为参照。为保证传送带2运行过程中能够更全面拍摄到废旧电视机，应将工业相机1设置在能够拍摄到32寸电视机完整图像的位置。两个激光光源3的位置应保证其射出的光线能够同时照射在至少14寸电视机的机壳上，以供图像采集后作为参照。
步骤二、废旧电视机入库及图像获取
启动传送带2并运输不同尺寸的被识别废旧电视机，工业相机1记录每台废旧电视机在传送带2上输送的过程；激光光源3对工业相机1正对的位置提供辅助照明。废旧电视机的显示器为CRT显示屏。废旧电视机在传送带2上允许以三种方式摆放，分别为显示器到达拍摄位置时显示器正对工业相机方向、显示器到达拍摄位置时显示器倾斜朝向工业相机方向、显示器盖放(显示器朝下)且到达拍摄位置时长度或宽度朝向工业相机方向。
步骤三、视频抽帧选取图像
工业相机采用空闲时降帧拍摄，当电视机放上传送带2时，工业相机将提高拍摄视频的帧率；计算机控制系统4对工业相机1记录的视频抽帧选取完整清晰图像作为被识别图像；保证每台电视机位置都处于被识别图像的画面中心位置，且激光光源3有照射至机壳上。保留多张被识别图像方便后续图像信息分析。
步骤四、图像预处理
对获取到的一台废旧电视机的多张被识别图像进行预处理；预处理具体为：首先，对被识别图像进行滤波降噪处理，除去图像中的部分噪声；之后，进行直方图均衡化处理，使图像中的对比度更加均衡化，避免部分图像过暗或过亮；最后，进行锐化处理，加强图片的边缘信息，保证后续的二值化处理与边缘检测处理。
步骤五、图像分割
将预处理后的被识别图像进行图像分割，采用基于阈值、基于区域或基于边缘的图像分割算法把图像分割成若干个特定的区域。
步骤六、图像信息判别
选取分割后的图像，通过图像特征提取与目标数据集对比，对图像中电视机的摆放位置进行判别；摆放位置包括正对相机摆放、倾斜朝向相机和盖放；倾斜朝向相机表示电视机的显示器朝向与相机的朝向之间的夹角大于30°(夹角为0～90°)；
若电视机的显示器图像能够完整出现至图像中且形状畸变在预设范围内，则认为电视机正对相机，直接执行步骤七，进行图像识别。
若电视机的显示器图像能够完整出现至图像中且形状畸变超出预设范围，则通过图像比对，并对图像中电视机部分进行矫正后执行步骤七。
若电视机的摆放为盖放，无法识别到显示器，则执行步骤八。
步骤七、对非盖放电视机进行显示器尺寸判断及色彩类型判断
将被识别图像进行二值化处理；采集两个激光光源射出的光斑在被识别图像的电视机中的像素点距离；根据两个激光光源的间距、两个光斑的像素点距离、电视机显示器长度、宽度的像素点距离，换算出被测废旧电视机的实际长度、宽度，并计算出被测废旧电视机的实际对角线长度，并对该电视机的规格进行标记。
若废旧电视机的实际对角线长度大于18寸，则判断被识别图像中的电视机为彩色电视机。
若废旧电视机的实际对角线长度小于或等于18寸，则检测被识别图像中是否存在VHF与UHF旋钮的特征值信息；若存在VHF与UHF旋钮，则判断被识别图像中的电视机为黑白电视机，否则，判断被识别图像中的电视机为彩色电视机。
识别黑白电视机和彩色电视机依据为：常规的黑白电视机在其机壳前方会设有VHF与UHF旋钮用于电视机的调频，而彩色电视机的电子枪比黑白电视机多出两个，且电源更加复杂，因此没有VHF与UHF旋钮，可用于辨别废旧电视机是否为黑白型号。
步骤八、换算盖放电视机的显示器尺寸
对被识别图像进行特征值提取；将被识别图像二值化后，计算电视机的厚度D(即后盖的高度)，电视机的机壳长度L或机壳宽度H；计算电视机的显示器对角线长度d、显示器长度l和显示器宽度h如下式：
其中，α是电视机的厚度(即后盖的高度)和显示器对角线长度的关系系数(即CRT屏幕对角线长与电子枪长度的比值)；D为电视机的厚度。α的取值根据具体的电视机批次决定，不同存在一定的差异，但始终在0.82～1.05的范围内；本实施例中，α的取值为0.93。
之后，对测得的电视机显示器尺寸进行校验；若在被识别图像中测得机壳长度L，则计算特征比值S1＝l/L，若S1≤0.88，则判断计算得到的显示器对角线长度d、显示器长度l和显示器宽度h准确；
若在被识别图像中测得机壳长度H，则计算特征比值S2＝h/H，若S2≤0.90，则判断计算得到的显示器对角线长度d、显示器长度l和显示器宽度h准确。
由于电视机屏幕与机壳的工艺问题，其屏幕长与机壳长的比值不大于0.88，屏幕宽与机壳宽的比值不大于0.90，故能够利用这一特点实现图像识别结果的校验。
步骤九、电视机分类并运送
标定每台电视机的规格及显示器类型后，对不同类别的电视机进行贴条分类，并完成废旧电视机的入库。
以上内容是结合具体实例给出的实施方式，对本发明的进一步说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的技术人员而言，在不脱离发明构思的前提下，还可以做出一定程度的简单推演或者替换，都应当视为属于本发明的保护范围。
本实施例中采用单目摄像头结合激光设备进行图像视频采集并对视频进行抽帧采集获得图像，具有以下特点：
1.激光设备能够射出两束固定距离的激光，为尺寸校准提供参照。不同于常规的用标尺作为参照，使用激光作为参考无需过多的人为操作，且当电视机摆放存在一定的倾斜角时，激光所呈现出的图像也会有所不同，方便采集图像数据集并进行更多情况的分类；
2.视频抽帧处理可以减少电视机在传送过程中的停顿时间，以提高效率；
3.单目摄像头可以减少成本，并且避免大量的参数标定从而提高识别效率；
4.由于早期电视节目的信号源为4:3屏幕比，且CRT显示屏的工艺问题，CRT电视机的屏幕比例多数为4:3的长宽比，因此当出现电视机盖放无法获得电视机屏幕信息时，可根据CRT显示器中电视机深度与屏幕尺寸的比例关系以及电视机机壳形状的比例关系，并结合机器学习来对电视机尺寸进行分类。
5.摄像头与激光设备的安装与拆卸更加方便，无需定制特殊的装置台放置设备，且该方法不仅仅能够应用于CRT电视机的识别，对液晶显示屏、电冰箱与洗衣机等也有一定的适配性。

Claims (5)

1.一种基于机器视觉的废旧电视机规格检测方法，其特征在于：包括以下步骤：
步骤一、配置工业相机与激光设备；
在用于输送电视机的传送带的同一侧布置工业相机和两个激光光源；两个激光光源相互平行，且间距已知；两个激光光源照射出的激光能够同时照射在正对工业相机的电视机上；通过两个光斑的像素点距离和两个激光光源实际长度，换算图像中电机尺寸的像素点大小与实际大小的比值；
步骤二、废旧电视机入库及图像获取；
传送带持续输送废旧电视；废旧电视允许正放和盖放；正放的废旧电视朝向设有工业相机的一侧；盖放的电视的长度或宽度与输送方向平行；
步骤三、提取带有电视机的被识别图像；
步骤四、对被识别图像进行预处理；
步骤五、对被识别图像进行图像分割；
步骤六、图像信息判别；
通过将提取图像特征与目标数据集进行对比，对图像中电视机的摆放姿态进行判别；若电视机正放，则执行步骤七；若电视机盖放，则执行步骤八；
步骤七、对正放的电视机进行识别；
对被识别图像进行二值化处理后，提取图像中电视机的长度、宽度，并计算出被测废旧电视机的实际对角线长度，完成电视机识别；
若废旧电视机的实际对角线长度大于18寸，则判断被识别图像中的电视机为彩色电视机；若废旧电视机的实际对角线长度小于或等于18寸，则检测被识别图像中是否存在VHF与UHF旋钮的特征值信息；若存在VHF与UHF旋钮，则判断被识别图像中的电视机为黑白电视机，否则，判断被识别图像中的电视机为彩色电视机；
步骤八、对盖放的电视机进行识别；
对被识别图像进行二值化处理；提取图像中电视机的机壳厚度D，以及机壳长度L或机壳宽度H；计算电视机的显示器对角线长度d、显示器长度l和显示器宽度h如下式：
其中，α是电视机的厚度和显示器对角线长度的关系系数，取值为0.82～1.05；
之后，对测得的电视机显示器尺寸进行校验；若在被识别图像中测得机壳长度L，则计算特征比值S 1=l/L，若S 1≤0.88，则判断计算得到的显示器对角线长度d、显示器长度l和显示器宽度h准确。
2.根据权利要求1所述的一种基于机器视觉的废旧电视机规格检测方法，其特征在于：步骤三中，提取带有电视机的被识别图像的具体过程为：工业相机采用空闲时降帧拍摄；当电视机放上传送带时，工业相机将提高拍摄视频的帧率；计算机控制系统对工业相机记录的视频抽帧选取完整清晰图像作为被识别图像，并保证电视机都处于被识别图像的画面中心位置，且两个激光光源均照射在电视机的机壳上。
3.根据权利要求1所述的一种基于机器视觉的废旧电视机规格检测方法，其特征在于：步骤四中图像预处理的具体过程为：对被识别图像依次进行滤波降噪处理、直方图均衡化处理和锐化处理。
4.根据权利要求1所述的一种基于机器视觉的废旧电视机规格检测方法，其特征在于：在步骤六中，若电视机正放，且电视机的显示器图像的形状畸变超出预设范围，则通过图像比对，并对图像中电视机部分进行矫正后执行步骤七。
5.根据权利要求1所述的一种基于机器视觉的废旧电视机规格检测方法，其特征在于：该废旧电视机规格检测方法采用的识别装置包括工业相机（1）、激光光源（3）、传送带（2）和计算机控制系统（4）；传送带（2）用于输送废旧电视；工业相机（1）和两个激光光源（3）均设置在传送带（2）的侧部；两个激光光源（3）的间隔设置，且相互平行，能够在电视机上照射出两个光斑，用以为像素点尺寸与真实尺寸之间的换算提供基准；计算机控制系统（4）用于接收工业相机（1）拍摄的图像，并识别图像中的废旧电视机规格。
CN202210581098.9A 2022-05-25 2022-05-25 一种基于机器视觉的废旧电视机规格检测方法 Active CN114985304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210581098.9A CN114985304B (zh) 2022-05-25 2022-05-25 一种基于机器视觉的废旧电视机规格检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210581098.9A CN114985304B (zh) 2022-05-25 2022-05-25 一种基于机器视觉的废旧电视机规格检测方法

Publications (2)

Publication Number Publication Date
CN114985304A CN114985304A (zh) 2022-09-02
CN114985304B true CN114985304B (zh) 2023-10-13

Family

ID=83028753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210581098.9A Active CN114985304B (zh) 2022-05-25 2022-05-25 一种基于机器视觉的废旧电视机规格检测方法

Country Status (1)

Country Link
CN (1) CN114985304B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105107816A (zh) * 2015-07-25 2015-12-02 浙江盛唐环保科技有限公司 废旧电视机拆解方法及其设备
CN106340007A (zh) * 2016-06-13 2017-01-18 吉林大学 一种基于图像处理的车身漆膜缺陷检测识别方法
CN107869954A (zh) * 2017-10-23 2018-04-03 广东工业大学 一种双目视觉体积重量测量系统及其实现方法
CN109772733A (zh) * 2019-01-15 2019-05-21 西安交通大学 一种基于视觉的缺陷竹块检测分拣装置及方法
CN112284250A (zh) * 2020-10-15 2021-01-29 浙江大学台州研究院 一种基于机器视觉的尺寸测量评分系统及测量方法
CN114034704A (zh) * 2021-10-18 2022-02-11 武汉科技大学 一种基于多源数据融合的废旧轧辊三维检测装置及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105107816A (zh) * 2015-07-25 2015-12-02 浙江盛唐环保科技有限公司 废旧电视机拆解方法及其设备
CN106340007A (zh) * 2016-06-13 2017-01-18 吉林大学 一种基于图像处理的车身漆膜缺陷检测识别方法
CN107869954A (zh) * 2017-10-23 2018-04-03 广东工业大学 一种双目视觉体积重量测量系统及其实现方法
CN109772733A (zh) * 2019-01-15 2019-05-21 西安交通大学 一种基于视觉的缺陷竹块检测分拣装置及方法
CN112284250A (zh) * 2020-10-15 2021-01-29 浙江大学台州研究院 一种基于机器视觉的尺寸测量评分系统及测量方法
CN114034704A (zh) * 2021-10-18 2022-02-11 武汉科技大学 一种基于多源数据融合的废旧轧辊三维检测装置及方法

Also Published As

Publication number Publication date
CN114985304A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
TWI603074B (zh) 光學薄膜缺陷辨識方法及其系統
CN109916910B (zh) 光伏玻璃边部缺陷检测系统及相应的方法
CN107063946B (zh) 视频生球粒径仪及其生球粒径状态检测方法
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN110567976B (zh) 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法
CN110942457A (zh) 基于数字图像处理技术的太阳能电池板缺陷检测方法
CN104637067B (zh) 一种纹理表面的缺陷检测方法
CN115115644A (zh) 一种基于人工智能的车辆焊接缺陷检测方法
CN106521066A (zh) 高炉炉料粒度监控系统及分布数据在线分析方法
CN117152161B (zh) 一种基于图像识别的刨花板质量检测方法及系统
CN112819844B (zh) 一种图像边缘检测方法及装置
CN112581452B (zh) 工业配件表面缺陷检测方法、系统、智能设备和存储介质
CN114594114A (zh) 一种锂电芯全自动在线无损检测方法
CN115994904A (zh) 基于计算机视觉的挂烫机面板生产质量检测方法
CN111665251A (zh) 一种表面缺陷视觉检测方法
CN115424057A (zh) 一种基于拍照识别使用的物联网物流分类管理识别装置
CN114985304B (zh) 一种基于机器视觉的废旧电视机规格检测方法
CN110120195A (zh) 数据补偿方法及智能终端
CN116485788B (zh) 图像处理方法及手机pet保护膜底涂工艺质量检测方法
CN116229856B (zh) 一种计算机用自动控制的屏幕检测系统及方法
CN117388263A (zh) 用于充电枪的五金端子质量检测方法
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及系统
CN114332069B (zh) 一种基于机器视觉的接插件检测方法及装置
CN214173650U (zh) 基于智能视觉的酒糟自动上料装置

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