CN115272339A - 一种金属模具的污浊清理方法 - Google Patents
一种金属模具的污浊清理方法 Download PDFInfo
- Publication number
- CN115272339A CN115272339A CN202211197638.XA CN202211197638A CN115272339A CN 115272339 A CN115272339 A CN 115272339A CN 202211197638 A CN202211197638 A CN 202211197638A CN 115272339 A CN115272339 A CN 115272339A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- value
- obtaining
- image
- degree
- 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
-
- 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
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及模具清洁技术领域,具体涉及一种金属模具的污浊清理方法,该方法采集模具图像以得到灰度图像;根据灰度图像中每个像素点对应八邻域区域内的纹理信息,得到每个像素点的第一油污程度指标;获取灰度图像中每个像素点的角点值,结合每个角点值和灰度值计算角点检测的相似性阈值的评价值,基于评价值获取优化相似性阈值,利用优化相似性阈值得到灰度图像中每个像素点的新角点值,新角点值即为第二油污程度指标;结合第一油污程度指标和第二油污程度指标获取每个像素点的污染程度,基于污染程度获取标签模具图像,利用标签模具图像训练神经网络,以对模具进行污浊清洗。本方案在在保证清洗效果的情况下增加了清洗效率。
Description
技术领域
本发明涉及模具清洁技术领域,具体涉及一种金属模具的污浊清理方法。
背景技术
模具清洗是模具保养维护中的一道关键工序,也是制约模具维护的瓶颈,因为模具制造开发的速度远快于模具清洗的速度,而模具经过快速清洗后马上又要进入下一次的生产,这样留给模具清洗的时间就非常有限。如果在结束上一次生产后没有进行任何清洗处理就直接将模具复位,并继续进行生产,直到根据模具生产出来的产品出现问题,才对模具进行清洗,此时就大大降低了产品生产效率,并且浪费一定的生产资源,为了解决上述问题,亟需一种高效的金属模具污浊清理的方法。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种金属模具的污浊清理方法,所采用的技术方案具体如下:
采集待清晰的模具图像,对所述模具图像进行灰度化,得到对应的灰度图像;
基于灰度共生矩阵获取灰度图像中每个像素点对应八邻域区域内的纹理信息,将以像素点的灰度值的相反数为幂指数、常数e为底数得到的指数函数结果乘以对应像素点的纹理信息,分别得到每个像素点的第一油污程度指标;利用SUSAN角点检测算法获取灰度图像中每个像素点的角点值,根据角点值将像素点分为多个类别,基于每个类别中每个像素点与灰度图像的中心像素点之间的角点值差值,得到相似像素点,将相似像素点数量符合相似性阈值的类别作为边缘像素点区域;计算边缘像素点区域的轮廓不规则程度;结合每个像素点的灰度值、角点值以及轮廓不规则程度获取相似性阈值的评价值,基于评价值获取优化相似性阈值,利用优化相似性阈值得到灰度图像中每个像素点的新角点值,新角点值即为对应像素点的第二油污程度指标;
根据灰度图像中每个像素点的第一油污程度指标和第二油污程度指标,获取每个像素点的污染程度,基于污染程度获取每个像素点的清洗时间,将清洗时间作为每个像素点的标签,得到标签模具图像,利用标签模具图像训练神经网络,以通过训练好的神经网络对模具进行污浊清洗。
进一步的,所述计算边缘像素点区域的轮廓不规则程度的方法,包括:
获取边缘像素点区域中每个像素点的斜率,统计每种斜率下连续像素点的第一数量,分别得到每种斜率下的平均第一数量,获取平均第一数量的第一均值,以第一均值的相反数为幂指数、常数e为底数的指数函数的结果即为轮廓不规则程度。
进一步的,所述结合每个像素点的灰度值、角点值以及轮廓不规则程度获取相似性阈值的评价值的方法,包括:
计算每个像素点的角点值和灰度值之间的相关性;分别计算当前像素点与其八邻域内每个像素点的相似性的差值绝对值,进而得到平均差值绝对值,将平均差值绝对值作为当前像素点的角点检测效果值;
获取灰度图像中所有像素点的角点检测效果值的总和,以及所有像素点的总数量与轮廓不规则程度的乘积,进而得到角点检测效果值的总和与乘积之间的比值,根据以比值的相反数为幂指数、常数e为底数的指数函数结果得到相似性阈值的评价值,评价值与对应的指数函数结果呈负相关关系。
进一步的,所述基于评价值获取优化相似性阈值的方法,包括:
设置优化阈值,当相似性阈值大于优化阈值时,确认相似性阈值为优化相似性阈值。
进一步的,所述污染程度的获取方法,包括:
获取第一油污程度指标和第二油污程度指标的第一乘积,根据以第一乘积的相反数为幂指数、常数e为底数的指数函数结果得到对应像素点的污染程度,污染程度与对应指数函数结果之和为1。
本发明实施例至少具有如下有益效果:本发明通过使用一种自适应相似性阈值的SUSAN角点检测算子,根据检测获取的边缘规则程度以及结合角点边缘处油污较多的先验知识获取角点检测效果评价方法,获取比较合适的阈值,以得到模具图像中各个像素点的污染程度,基于污染程度对模具图像的每个像素点进行清洗时间的标签设置,利用带有标签的模具图像训练神经网络,以方便利用训练好的神经网络得到待清洗模具图像中各个区域的清洗时间,使得清洗效果大大增强,同时提高了模具的清洗效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种金属模具的污浊清理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种金属模具的污浊清理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种金属模具的污浊清理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种金属模具的污浊清理方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集待清晰的模具图像,对模具图像进行灰度化,得到对应的灰度图像。
具体的,将摄像机放置在待处理区域的正上方,对待进行清洗的模具进行拍摄,得到模具图像,在待处理区域拍摄完成后,对模具进行清洗,模具清洗完毕后再进行下一次拍摄。
将获取的模具图像进行灰度化、除噪等预处理操作,得到对应的灰度图像,其中灰度化使用加权平均灰度化方法,除噪方法使用高斯滤波进行除噪,以上方法均为现有公知技术,本发明不再赘述。
步骤S002,基于灰度共生矩阵获取灰度图像中每个像素点对应八邻域区域内的纹理信息,将以像素点的灰度值的相反数为幂指数、常数e为底数得到的指数函数结果乘以对应像素点的纹理信息,分别得到每个像素点的第一油污程度指标;利用SUSAN角点检测算法获取灰度图像中每个像素点的角点值,利用每个像素点的灰度值和角点值计算相似性阈值的评价值,基于评价值获取优化相似性阈值,利用优化相似性阈值得到灰度图像中每个像素点的新角点值,新角点值即为对应像素点的第二油污程度指标。
具体的,本发明将模具图像中模具的脏污程度作为一个重要评价指标,本发明从模具图像中的油污颜色和油污位置等信息确定对应位置的油污程度。
模具中出现的油污不仅仅体现在灰度值的变化上,还体现在模具纹理的变化上,即在油污污渍污染前,模具图像中模具的纹理应是较为规则的,而当模具沾染上污渍后,模具图像中模具的纹理会变得较为散乱,根据此特征结合污渍污染越严重像素点灰度值越小的特征获取灰度图像中每个像素点的第一油污程度指标Q,则第一油污程度指标的计算公式为:
其中,s为像素点对应八邻域区域内的纹理信息;g为像素点的灰度值。
像素点的灰度值越小,其周围纹理s越大,越不规则,相对应第一油污程度指标越大,而Q知越大时,则其油污程度就越大。
其中,像素点对应八邻域区域内的纹理信息s的计算公式为:
其中,表示像素点对应八邻域区域的灰度共生矩阵的能量值,能量变化反映了灰度图像中灰度分布均匀程度和纹理粗细度,能量值越大,越表明一种较均一和规则变化的纹理模式;表示像素点对应八邻域区域的灰度共生矩阵的熵,熵值越大,灰度图像越复杂。
当所求ASM越小,ENT越大,即所求的纹理信息s越大,进而说明灰度图像中的纹理越不规则。
根据灰度图像中像素点的位置获取每个像素点的第二油污程度指标W,具体获取方法如下:
模具节点处的像素点判断,即根据像素点在模具中位置,本发明中将位置在角点边缘处的像素点设置为难清洗区域,即若污渍在这些区域内,则其油污程度就越大,故本发明通过结合模具光影变化及角点、边缘检测获取模具图像中不易清理的位置,以此赋予每个像素点的第二油污程度指标W。
根据生活经验可知,油污在角落或物体边缘时,最不易清理,故本发明对模具的角落边缘进行检测,本发明使用SUSAN角点检测算法进行检测,基于获取的SUSAN区域,角点相似性阈值过小,会导致图像过于敏感,进而会将某些因为污泥污渍变化造成的灰度值的变化误识为角点区域,而角点相似性阈值过大,又可能会将一些显示不明显的区域划分为正常区域,进而造成误检错检,因此本发明使用一种自适应相似性阈值的角点检测方法。
根据边缘像素点构成区域对应的轮廓获取评价指标。
在进行角点检测时,获取的大多还是规则边缘及规则角,其原因是由于大多金属模具其上形状虽小有差异,但是大多结构还是由矩形、圆形等基本规则图形构成的,故可以根据获取的像素点轮廓的规则程度,将因为油污程度不同,大多因为灰度变化形成的边缘或角点进行区分,进而根据获取边缘角点是否规则获取其对相似性阈值即检测效果进行评价,若获取的边缘较为规则,则说明角点检测获取的边缘及角点准确,否则说明检测到的角点可能是因为油污分布不均造成的。
利用SUSAN角点检测算法获取灰度图像中每个像素点的角点值,根据角点值将像素点分为多个类别,基于每个类别中每个像素点与灰度图像的中心像素点之间的角点值差值,得到相似像素点,将相似像素点数量符合相似性阈值的类别作为边缘像素点区域,根据边缘像素点区域中每个像素点的斜率计算对应的轮廓不规则程度,则轮廓不规则程度的计算公式为:
较为规则的轮廓边缘,其斜率变化次数k较少,且每次变化后其斜率变化率保持像素点的数量较多,即越大,R越小,说明轮廓变化越规则,否则当所求斜率变化率次数较多,且每次变化后连续像素点数量较少,R越大,则说明该轮廓不规则性较大。
结合每个像素点的灰度值、角点值以及轮廓不规则程度获取相似性阈值的评价值。
计算每个像素点的角点值和灰度值之间的相关性;分别计算当前像素点与其八邻域内每个像素点的相似性的差值绝对值,进而得到平均差值绝对值,将平均差值绝对值作为当前像素点的角点检测效果值;获取灰度图像中所有像素点的角点检测效果值的总和,以及所有像素点的总数量与轮廓不规则程度的乘积,进而得到角点检测效果值的总和与乘积之间的比值,根据以比值的相反数为幂指数、常数e为底数的指数函数结果得到相似性阈值的评价值,评价值与对应的指数函数结果呈负相关关系。
其中,g表示像素点的灰度值,u表示像素点根据角点检测获取的角点值,即当所求e越小,说明像素的灰度值与角点值越呈现反比关系,体现了像素点的角点值越大时,其灰度值越小,越符合角落边缘处污渍越脏的先验,像素点灰度值与角点值越相关。
设置优化阈值,当相似性阈值大于优化阈值时,确认相似性阈值为优化相似性阈值,其中优化阈值为0.7。
利用优化相似性阈值对应角点检测算法得到的角点值作为灰度图像中每个像素点的新角点值,并将新角点值作为每个像素点的第二油污程度指标W。
步骤S003,根据灰度图像中每个像素点的第一油污程度指标和第二油污程度指标,获取每个像素点的污染程度,基于污染程度获取每个像素点的清洗时间,将清洗时间作为每个像素点的标签,得到标签模具图像,利用标签模具图像训练神经网络,以通过训练好的神经网络对模具进行污浊清洗。
具体的,根据步骤S002能够得到灰度图像中每个像素点的第一油污程度指标和第二油污程度指标,结合第一油污程度指标和第二油污程度指标获取每个像素点的污染程度,其中污染程度的获取方法为:获取第一油污程度指标和第二油污程度指标的第一乘积,根据以第一乘积的相反数为幂指数、常数e为底数的指数函数结果得到对应像素点的污染程度,污染程度与对应指数函数结果之和为1。
当像素点的第一油污程度指标Q越大,且像素点位置越接近边缘、角点位置,即所求第二油污程度指标W越大时便可认为像素点的染程度Y越大。
根据污染程度的获取方法,得到灰度图像中每个像素点的污染程度,基于污染程度人为的给出每个像素点对应的清洗时间,进而将清洗时间作为模具图像中每个像素点的标签,得到对应的标签模具图像;获取大量的标签模具图像,利用标签模具图像训练神经网络,得到训练好的神经网络,其中本方案中神经网络的结构为现有ResNet神经网络,该网络的训练过程为:输入为模具图像,输出模具图像中每个像素点的清洗时间;给每个输入的模具图像打上标签,将每个像素点的清洗时间作为标签;损失函数均方差损失函数;使用梯度下降法作为优化器来完成网络训练。
将实时采集的待清晰的模具图像输入训练好的神经网络中,即可得到该模具图像中每个像素点位置的清洗时间,在保证清洗效果的情况下增加了清洗效率。
综上所述,本发明实施例提供了一种金属模具的污浊清理方法,该方法采集模具图像以得到灰度图像;根据灰度图像中每个像素点对应八邻域区域内的纹理信息,得到每个像素点的第一油污程度指标;利用SUSAN角点检测算法获取灰度图像中每个像素点的角点值,结合每个角点值和灰度值计算相似性阈值的评价值,基于评价值获取优化相似性阈值,利用优化相似性阈值得到灰度图像中每个像素点的新角点值,新角点值即为对应像素点的第二油污程度指标;结合第一油污程度指标和第二油污程度指标,获取每个像素点的污染程度,基于污染程度对模具图像进行清洗时间的标签设定,得到标签模具图像,利用标签模具图像训练神经网络,以对模具进行污浊清洗。本方案在在保证清洗效果的情况下增加了清洗效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种金属模具的污浊清理方法,其特征在于,该方法包括以下步骤:
采集待清晰的模具图像,对所述模具图像进行灰度化,得到对应的灰度图像;
基于灰度共生矩阵获取灰度图像中每个像素点对应八邻域区域内的纹理信息,将以像素点的灰度值的相反数为幂指数、常数e为底数得到的指数函数结果乘以对应像素点的纹理信息,分别得到每个像素点的第一油污程度指标;利用SUSAN角点检测算法获取灰度图像中每个像素点的角点值,根据角点值将像素点分为多个类别,基于每个类别中每个像素点与灰度图像的中心像素点之间的角点值差值,得到相似像素点,将相似像素点数量符合相似性阈值的类别作为边缘像素点区域;计算边缘像素点区域的轮廓不规则程度;结合每个像素点的灰度值、角点值以及轮廓不规则程度获取相似性阈值的评价值,基于评价值获取优化相似性阈值,利用优化相似性阈值得到灰度图像中每个像素点的新角点值,新角点值即为对应像素点的第二油污程度指标;
根据灰度图像中每个像素点的第一油污程度指标和第二油污程度指标,获取每个像素点的污染程度,基于污染程度获取每个像素点的清洗时间,将清洗时间作为每个像素点的标签,得到标签模具图像,利用标签模具图像训练神经网络,以通过训练好的神经网络对模具进行污浊清洗。
2.如权利要求1所述的一种金属模具的污浊清理方法,其特征在于,所述计算边缘像素点区域的轮廓不规则程度的方法,包括:
获取边缘像素点区域中每个像素点的斜率,统计每种斜率下连续像素点的第一数量,分别得到每种斜率下的平均第一数量,获取平均第一数量的第一均值,以第一均值的相反数为幂指数、常数e为底数的指数函数的结果即为轮廓不规则程度。
3.如权利要求1所述的一种金属模具的污浊清理方法,其特征在于,所述结合每个像素点的灰度值、角点值以及轮廓不规则程度获取相似性阈值的评价值的方法,包括:
计算每个像素点的角点值和灰度值之间的相关性;分别计算当前像素点与其八邻域内每个像素点的相似性的差值绝对值,进而得到平均差值绝对值,将平均差值绝对值作为当前像素点的角点检测效果值;
获取灰度图像中所有像素点的角点检测效果值的总和,以及所有像素点的总数量与轮廓不规则程度的乘积,进而得到角点检测效果值的总和与乘积之间的比值,根据以比值的相反数为幂指数、常数e为底数的指数函数结果得到相似性阈值的评价值,评价值与对应的指数函数结果呈负相关关系。
4.如权利要求1所述的一种金属模具的污浊清理方法,其特征在于,所述基于评价值获取优化相似性阈值的方法,包括:
设置优化阈值,当相似性阈值大于优化阈值时,确认相似性阈值为优化相似性阈值。
5.如权利要求1所述的一种金属模具的污浊清理方法,其特征在于,所述污染程度的获取方法,包括:
获取第一油污程度指标和第二油污程度指标的第一乘积,根据以第一乘积的相反数为幂指数、常数e为底数的指数函数结果得到对应像素点的污染程度,污染程度与对应指数函数结果之和为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197638.XA CN115272339A (zh) | 2022-09-29 | 2022-09-29 | 一种金属模具的污浊清理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197638.XA CN115272339A (zh) | 2022-09-29 | 2022-09-29 | 一种金属模具的污浊清理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115272339A true CN115272339A (zh) | 2022-11-01 |
Family
ID=83756046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211197638.XA Pending CN115272339A (zh) | 2022-09-29 | 2022-09-29 | 一种金属模具的污浊清理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272339A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386118A (zh) * | 2023-04-17 | 2023-07-04 | 广州番禺职业技术学院 | 一种基于人像识别的粤剧匹配化妆系统及其方法 |
CN116400588A (zh) * | 2023-06-07 | 2023-07-07 | 烟台金丝猴食品科技有限公司 | 一种面包模具残渣自动定位清洗方法及设备 |
CN116433990A (zh) * | 2023-06-12 | 2023-07-14 | 恒超源洗净科技(深圳)有限公司 | 基于视觉检测的超声波清洗机反馈调节系统 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
-
2022
- 2022-09-29 CN CN202211197638.XA patent/CN115272339A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386118A (zh) * | 2023-04-17 | 2023-07-04 | 广州番禺职业技术学院 | 一种基于人像识别的粤剧匹配化妆系统及其方法 |
CN116386118B (zh) * | 2023-04-17 | 2024-04-05 | 广州番禺职业技术学院 | 一种基于人像识别的粤剧匹配化妆系统及其方法 |
CN116400588A (zh) * | 2023-06-07 | 2023-07-07 | 烟台金丝猴食品科技有限公司 | 一种面包模具残渣自动定位清洗方法及设备 |
CN116400588B (zh) * | 2023-06-07 | 2023-08-15 | 烟台金丝猴食品科技有限公司 | 一种面包模具残渣自动定位清洗方法及设备 |
CN116433990A (zh) * | 2023-06-12 | 2023-07-14 | 恒超源洗净科技(深圳)有限公司 | 基于视觉检测的超声波清洗机反馈调节系统 |
CN116433990B (zh) * | 2023-06-12 | 2023-08-15 | 恒超源洗净科技(深圳)有限公司 | 基于视觉检测的超声波清洗机反馈调节系统 |
CN116664584A (zh) * | 2023-08-02 | 2023-08-29 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116664584B (zh) * | 2023-08-02 | 2023-11-28 | 东莞市旺佳五金制品有限公司 | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
CN116823834A (zh) * | 2023-08-30 | 2023-09-29 | 济南玖通志恒信息技术有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
CN116823834B (zh) * | 2023-08-30 | 2023-11-24 | 江苏锡澄环境科学研究院有限公司 | 基于机器视觉电泳线排放的废水处理等级检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115272339A (zh) | 一种金属模具的污浊清理方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN114219805B (zh) | 一种玻璃缺陷智能检测方法 | |
CN114782432B (zh) | 一种基于纹理特征的改进canny算子的边缘检测方法 | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN102156996A (zh) | 一种图像边缘检测的方法 | |
CN116977358B (zh) | 一种瓦楞纸生产品质视觉辅助检测方法 | |
CN115311507B (zh) | 基于数据处理的建筑板材分类方法 | |
CN116703911B (zh) | 一种led灯生产质量检测系统 | |
CN110910367A (zh) | 生物反应器细胞培养质量评价方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN114882040B (zh) | 一种基于模板匹配的污水处理检测方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及系统 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN115131356B (zh) | 一种基于丰富度的钢板缺陷分类方法 | |
CN116823834B (zh) | 基于机器视觉电泳线排放的废水处理等级检测方法 | |
CN115035106A (zh) | 一种带钢缺陷智能检测方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
CN114202532A (zh) | 一种喷涂缺陷的检测方法、装置、设备及存储介质 | |
CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
CN115273088A (zh) | 基于机器视觉的汉字印刷质量检测方法 | |
CN115100196A (zh) | 一种基于图像分割的冲压件除锈效果评估方法 | |
CN114565607A (zh) | 基于神经网络的织物缺陷图像分割方法 | |
CN103177244B (zh) | 水下显微图像中快速检测目标生物的方法 |
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 |