CN115294078A - 玻璃非对称切角识别方法、装置、设备及存储介质 - Google Patents
玻璃非对称切角识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115294078A CN115294078A CN202210963736.3A CN202210963736A CN115294078A CN 115294078 A CN115294078 A CN 115294078A CN 202210963736 A CN202210963736 A CN 202210963736A CN 115294078 A CN115294078 A CN 115294078A
- Authority
- CN
- China
- Prior art keywords
- corner
- point
- points
- screening
- edge
- 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.)
- Granted
Links
- 239000011521 glass Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012216 screening Methods 0.000 claims abstract description 107
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011179 visual inspection Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 11
- 240000004282 Grewia occidentalis Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 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
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种玻璃非对称切角识别方法、装置、设备及存储介质,涉及视觉检测技术领域。该方法通过获取玻璃平面图像中的边缘角区域;然后从边缘角区域内确定出候选角点,并对候选角点进行去噪点筛选,获得目标角点;最后对目标角点进行夹角绝对差计算,并根据该计算结果对边缘角区域进行识别,从而可以确定玻璃平面图像是否存在非对称切角以及非对称切角的位置,实现了非对称切角的自动识别定位,在可能包含大量噪点的情况下,仍具有较高的角点定位精度和识别定位速度,提高了检测速度和识别效率。
Description
技术领域
本申请涉及视觉检测技术领域,具体而言,涉及一种玻璃非对称切角识别方法、装置、设备及存储介质。
背景技术
对于贴有电子元器件的玻璃,通常采用结构光检测设备,基于内全反射光原理对玻璃进行瑕疵检测(例如专利申请公开文件CN114693673A中的记载)。但是确定玻璃的正反面、上下方向、边角形状、以及具体方位等多种特征,通常一般都是采用人工识别定位的方法去判断玻璃的边缘角的大小、位置等情况,进而确定是否为对称切角还是非对称切角,从而确定玻璃的正反面、上下方向。
目前这种人工识别定位的方法虽然操作简单,但无法实现工业自动化控制,识别效率低,人工成本高,进而提高了识别成本。同时人工判断的方式,容易出错,进而无法合理把控制造的风险。
发明内容
有鉴于此,本申请实施例的目的在于提供一种玻璃非对称切角识别方法、装置、设备及存储介质,通过获取玻璃平面图像中的边缘角区域;然后从边缘角区域内确定出候选角点,并对候选角点进行去噪点筛选,获得目标角点;最后对目标角点进行夹角绝对差计算,并根据该计算结果对边缘角区域进行识别,从而可以确定玻璃平面图像是否存在非对称切角以及非对称切角的位置,实现了非对称切角的自动识别定位,从而解决了上述“识别效率低、人工成本高、无法合理把控制造的风险”技术问题。
第一方面,本申请实施例提供一种玻璃非对称切角识别方法,其特征在于,所述方法包括:获取玻璃平面图像中的边缘角区域;从所述边缘角区域内确定出候选角点,并对所述候选角点进行去噪点筛选,以获得目标角点;以及对所述目标角点进行夹角绝对差计算,并根据对所述目标角点进行夹角绝对差计算的计算结果对所述边缘角区域进行识别,以判断所述玻璃平面图像是否存在非对称切角。
在上述实现过程中,通过采集玻璃平面图像,从图像中确定边缘角区域,筛选边缘角区域中的目标角点,根据目标角点的特征即可识别出边缘角的切角类型,在可能包含大量噪点的情况下,仍具有较高的角点定位精度和识别定位速度,对于不是目标角点的待检测像素无需进行运算筛选,仅对可能的候选角点进行确认定位运算,提高了检测速度,相比于人工识别,提升了识别准确度和识别效率。
可选地,所述从所述边缘角区域内确定出候选角点,并对所述候选角点进行去噪点筛选,以获得目标角点,包括:对所述边缘角区域进行角点检测,获得所述边缘角区域内的候选角点;根据所述候选角点的置信度大小对所述候选角点进行降序排列;根据所述候选角点的重合度对降序排列后的候选角点进行去噪点筛选,获得第一筛选角点;根据所述候选角点的置信度预设阈值对所述第一筛选角点进行去噪点筛选,获得第二筛选角点;根据所述候选角点与边缘线的距离对所述第二筛选角点进行去噪点筛选,获得第三筛选角点;根据所述第三筛选角点的坐标值,确定所述边缘角区域内的目标角点。
在上述实现过程中,通过角点检测方法检测出候选角点,进行三次角点筛选,一步一步过滤掉包括噪点在内的干扰点,经坐标值即可确定最终的目标角点,在可能包含大量噪点的情况下,仍具有较高的角点定位精度和识别定位速度,提高了检测速度和识别效率。
可选地,所述根据所述候选角点的重合度对降序排列后的候选角点进行去噪点筛选,获得第一筛选角点,包括:计算所述候选角点与第一候选角点的欧式距离;其中所述第一候选角点包括降序排列在所述候选角点之后的全部角点;将所述欧式距离与欧式距离预设阈值进行比对;若欧式距离大于所述欧式距离预设阈值,则将所述候选角点确定为第一筛选角点。
在上述实现过程中,通过计算欧式距离,可将检测出的所有可能的候选角点进行一次粗筛选,将重复、干扰大的点去掉,留下不重合的孤立点,提高了角点检测效率和角点识别准确率。
可选地,所述根据所述候选角点的置信度预设阈值对所述第一筛选角点进行去噪点筛选,获得第二筛选角点,包括:将所述第一筛选角点的置信度与置信度预设阈值进行比对;其中,所述置信度预设阈值与角点可能性强弱呈正相关;若置信度小于所述置信度预设阈值,则将所述第一筛选角点确定为第二筛选角点。
在上述实现过程中,通过利用置信度,可将第一次筛选出的所有不重合、孤立的候选角点进行一次粗筛选,将角点可能性弱的点去掉,留下不重合的强角点,提高了角点检测效率和角点识别准确率。
可选地,根据所述候选角点与边缘线的距离对所述第二筛选角点进行去噪点筛选,获得第三筛选角点,包括:遍历所述边缘角区域内的第二筛选角点;其中,所述边缘角区域包括:所述玻璃平面图像中的全部边缘角区域;计算所述第二筛选角点到相应的相邻两条边缘线的像素距离;将所述像素距离与像素距离预设阈值进行比对;若像素距离大于所述像素距离预设阈值,则将所述第二筛选角点角点确定为第三筛选角点。
在上述实现过程中,通过利用像素距离,可将第一次筛选出、第二次筛选出的所有不重合、孤立、真实可能性较强的候选角点再进行一次筛选,将距离边缘线较远的点去掉,留下可能合格、距离边缘线较近的点,进而通过坐标值即可直接确定目标角点,提高了角点检测效率和角点识别准确率。
可选地,所述根据所述候选角点与边缘线的距离对所述第二筛选角点进行去噪点筛选,获得第三筛选角点,还包括:遍历所述边缘角区域内的第二筛选角点;其中,所述边缘角区域包括:所述玻璃平面图像中的全部边缘角区域;计算所述第二筛选角点到相应的相邻两条边缘线的像素距离比值;将所述像素距离比值与像素距离比值预设阈值进行比对;若像素距离比值大于所述像素距离比值预设阈值,则将所述第二筛选角点角点确定为第三筛选角点。
在上述实现过程中,通过利用边缘线距离,可将第一次筛选出、第二次筛选出的所有不重合、孤立、真实可能性较强的候选角点再进行一次筛选,将距离边缘线较远的点去掉,留下可能合格、距离边缘线较近的点,进而通过坐标值即可直接确定目标角点,提高了角点检测效率和角点识别准确率。
可选地,所述对所述目标角点进行夹角绝对差计算,并根据对所述目标角点进行夹角绝对差计算的计算结果对所述边缘角区域进行识别,以判断所述玻璃平面图像是否存在非对称切角,包括:计算边缘角区域中第一目标角点与第二目标角点的连线与水平线的夹角;其中,所述第一目标角点与第二目标角点包括:所述玻璃平面图像中的全部边缘角区域的每一个边缘角的两个目标角点;计算所述夹角与对称切角的绝对差;将所述绝对差与绝对差预设阈值进行比对判断;若绝对差小于所述绝对差预设阈值,将所述夹角所在边缘角区域内的边缘角确定为所述玻璃平面图像中的对称切角;若绝对差大于所述绝对差预设阈值,将所述夹角所在边缘角区域内的边缘角确定为所述玻璃平面图像中的非对称切角。
在上述实现过程中,利用反三角函数、绝对差计算可最终判断是否存在非对称切角,以及存在几个非对称切角、非对称切角在哪一个边缘角区域,提高了识别结果的可靠性和实用性。
第二方面,本申请实施例提供了一种玻璃非对称切角识别装置,该装置包括:获取模块,获取玻璃平面图像中的边缘角区域;筛选模块,用于从所述边缘角区域内确定出候选角点,并对所述候选角点进行去噪点筛选,以获得目标角点;识别模块,用于对所述目标角点进行夹角绝对差计算,并根据对所述目标角点进行夹角绝对差计算的计算结果对所述边缘角区域进行识别,以判断所述玻璃平面图像是否存在非对称切角。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述机器可读指令被所述处理器执行时执行上述的方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1为本申请实施例提供的一种玻璃非对称切角识别方法的流程图;
图2为本申请实施例提供的一种玻璃非对称切角示意图;
图3为本申请实施例提供的玻璃非对称切角识别装置的功能模块示意图;
图4为本申请实施例提供玻璃非对称切角识别装置的电子设备的方框示意图。
图标:210-获取模块;220-筛选模块;230-识别模块;300-电子设备;311-存储器;312-存储控制器;313-处理器;314-外设接口;315-输入输出单元;316-显示单元。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请发明人注意到,对于贴有电子元器件的玻璃,通常采用结构光检测设备,基于内全反射光原理对玻璃进行瑕疵检测。但是确定玻璃的正反面、上下方向、边角形状、以及具体方位等多种特征,通常一般都是采用人工识别定位的方法去判断玻璃的边缘角的大小、位置等情况,进而确定是否为对称切角还是非对称切角,从而确定玻璃的正反面、上下方向。但这种人工识别定位的方法无法实现工业自动化控制,识别效率低,进而提高了识别成本,且容易出错,因此无法合理把控制造风险。因此,基于上述问题,本申请提出了一种玻璃非对称切角识别方法,下面特举实施例进行说明:
请参阅图1,图1为本申请实施例提供的一种玻璃非对称切角识别方法,该方法包括:步骤100、步骤120、步骤140。
步骤100:获取玻璃平面图像中的边缘角区域;
步骤120:从边缘角区域内确定出候选角点,并对候选角点进行去噪点筛选,以获得目标角点;
步骤140:对目标角点进行夹角绝对差计算,并根据对目标角点进行夹角绝对差计算的计算结果对边缘角区域进行识别,以判断玻璃平面图像是否存在非对称切角。
示例性地,贴电子元器件的普通玻璃的四个边缘角中通常有三个角为45度的对称切角,剩余一个边缘角是非对称的切角(大A角),例如:切角所在边缘线一端与竖直方向或水平方向形成30度,以及切角所在边缘线另一端与水平方向或竖直方向形成60度角。本申请中的玻璃可以是具有切角的任意多角玻璃,例如:普通四切角玻璃、五切角玻璃、六切角玻璃等等。玻璃可以包括上边缘线、下边缘线以及侧边缘线,侧边缘线可以包括左边缘线、右边缘线;非对称切角可以是按上述方式形成0~40度和50~90度的任意切角。玻璃的边缘线为上下边缘线(即上边缘线和下边缘线)还是侧边缘线,可以根据实际应用场景设置,在此不做限制。
采用图像采集装置(如,线扫相机、摄像机),对待识别玻璃某一个完整平面的图像进行采集,包括玻璃的各个边缘线,并将采集到的图像送入计算机作为玻璃平面图像,然后通过计算机识别出玻璃的上、下、左测边缘线位置,并通过这些位置粗略定位(边缘线的交点)出玻璃角所在的矩形区域(边缘角区域)。
可选地,如图2所示,以四角玻璃为例,玻璃的右侧边缘经过镜像处理,在处理过程中,全部按照玻璃左侧边缘的方法进行。通过计算机识别获取到玻璃上边缘线y_top、玻璃下边缘线y_bottom、以及玻璃左边缘线x_left所在位置。以上边缘线y_top所在直线与左边缘线x_left所在直线交点为中心,以一定数量像素,比如500像素为边长的矩形框区域为上侧边缘角区域。类似,以下边缘线y_bottom所在直线与左边缘x_left线所在直线交点为中心,以500像素为边长的矩形框区域为下侧角边缘角区域。然后,进一步获取边缘角区域的所有可能角点,将噪点一步一步筛选掉,进而确定出边缘角区域的所有目标角点;根据目标角点进行夹角绝对值计算,进行识别出边缘角的切角类型。
通过采集玻璃平面图像,从图像中确定边缘角区域,筛选边缘角区域中的目标角点,根据目标角点的特征即可识别出边缘角的切角类型,在可能包含大量噪点的情况下,仍具有较高的角点定位精度和识别定位速度,对于不是目标角点的待检测像素无需进行运算筛选,仅对可能的候选角点进行确认定位运算,提高了检测速度,相比于人工识别,提升了识别准确度和识别效率。
在一个实施例中,步骤120可以包括:步骤121、步骤122、步骤123、步骤124、步骤125、以及步骤126。
步骤121:对边缘角区域进行角点检测,获得边缘角区域内的候选角点;
步骤122:根据候选角点的置信度大小对候选角点进行降序排列;
步骤123:根据候选角点的重合度对降序排列后的候选角点进行去噪点筛选,获得第一筛选角点;
步骤124:根据候选角点的置信度预设阈值对第一筛选角点进行去噪点筛选,获得第二筛选角点;
步骤125:根据候选角点与边缘线的距离对第二筛选角点进行去噪点筛选,获得第三筛选角点;
步骤126:根据第三筛选角点的坐标值,确定边缘角区域内的目标角点。
示例性地,图像除了具有边缘特征、频域特征、轮廓特征等多种特征,还具有角点特征。从图像上看,角点是图像中两条边的交点,或者说,角点的部分邻域应该具有两个不同范围和不同方向的边界。角点检测方法一类是用模板检测,一类是基于图像的梯度去检测角点区域,其中最常用的是Harris角点检测以及后来对Harris算法进行改进的Shi-Tomasi角点检测算法。
对于步骤100中获取的角所在矩形区域(边缘角区域),可使用Shi-Tomasi角点检测方法获取区域内所有候选角点(两条边缘的交点),并按照置信度从大到小的顺序进行降序排序。若检测到的角点数量少于2,则检测失败,若数量为2,则结果正常,若数量大于2,则可能是因为玻璃上存在颗粒物、杂物形成的噪点。其中,Shi-Tomasi角点检测方法具体可识别出边缘角区域内所有被认为是可能是角点的坐标,以及相应的强度系数(置信度),基于该强度系数对角点坐标从大到小排序。
根据候选角点的重合度、置信度预设阈值、候选角点与边缘线的距离对通过角点检测方法检测出的所有候选角点进行三次角点筛选,一步一步过滤掉包括噪点在内的干扰点,经过简单的坐标值判断便可确定出最终的目标角点。
可选地,针对玻璃平面图像可建立坐标系,坐标系的横坐标轴x的方向为玻璃平面图像的左右方向,纵坐标y的方向为玻璃平面图像的上下方向,像素点的坐标可以表示为(x,y)。对于图2中四角玻璃上侧左边缘角区域,在经过三次筛选后识别到一系列左下角点中,可取x_left边缘线y坐标最小的点作为最终的左下目标角点,也就是玻璃左边缘最靠上的角点;类似地,在识别到的一系列右上角点中,可取y_top边缘线附近x坐标最小的点作为最终的右上目标角点,从而便得到上侧左边缘角区域内的两个目标角点。同样的方法,对于图2中四角玻璃下侧左边缘角区域,可取x_left边缘线附近y坐标最大的角点,也就是玻璃左边缘最靠下的角点;然后找到y_bottom边缘线附近x坐标最小的角点,从而便得到下侧左边缘角区域内的两个目标角点。
通过角点检测方法检测出候选角点,进行三次角点筛选,一步一步过滤掉包括噪点在内的干扰点,经坐标值即可确定最终的目标角点,在可能包含大量噪点的情况下,仍具有较高的角点定位精度和识别定位速度,提高了检测速度和识别效率。
在一个实施例中,步骤123可以包括:步骤123a、步骤123b、以及步骤123c。
步骤123a:计算候选角点与第一候选角点的欧式距离;其中第一候选角点包括降序排列在候选角点之后的全部角点;
步骤123b:将欧式距离与欧式距离预设阈值进行比对;
步骤123c:若欧式距离大于欧式距离预设阈值,则将候选角点确定为第一筛选角点。
示例性地,欧式距离可以是一个通常采用的距离定义,表示在m维空间中两个点之间的真实距离。欧式距离可用于衡量两个点之间的重复程度,若欧式距离越近表示两点越相似,越容易形成相互干扰,越容易被视为重复的噪点。欧式距离预设阈值可以是3像素~5像素,可以根据实际应用场景设置,在此不做限制。
步骤122中排序一方面是便于确定候选角点的识别效果。另外,在排序后,可以进一步对每个点依次与置信度更低的所有点计算欧氏距离,与欧式距离预设阈值比对,若小于欧式距离预设阈值,即可将距离太近的点认为是同一角点位置(重合)的噪点,可以被过滤掉;若大于欧式距离预设阈值,则保留下来作为第一次筛选后的角点。
通过计算欧式距离,可将检测出的所有可能的候选角点进行一次粗筛选,将重复、干扰大的点去掉,留下不重合的孤立点,提高了角点检测效率和角点识别准确率。
在一个实施例中,步骤124可以包括:步骤124a、以及步骤124b。
步骤124a:将第一筛选角点的置信度与置信度预设阈值进行比对;其中,置信度预设阈值与角点可能性强弱呈正相关;
步骤124b:若置信度大于置信度预设阈值,则将第一筛选角点确定为第二筛选角点。
示例性地,置信度也称为可靠度、或置信水平、置信系数,在这里可以用作衡量候选角点是真实角点的可能性强弱。因此,置信度预设阈值与角点可能性强弱呈正相关,具体的值可以设置为:0.5~0.6,可以根据实际应用场景设置,在此不做限制。
在步骤123中,对每个点依次与置信度更低的所有点计算欧氏距离,并利用欧式距离阈值第一次筛选出不重合的孤立候选角点,将这些孤立候选角点进行第二次筛选,与置信度预设阈值比对,若小于置信度预设阈值,即可将可能性弱的点认为是干扰的噪点,可以被过滤掉;若大于置信度预设阈值,则保留下来作为第二次筛选后的角点。
通过利用置信度,可将第一次筛选出的所有不重合、孤立的候选角点进行一次粗筛选,将角点可能性弱的点去掉,留下不重合的强角点,提高了角点检测效率和角点识别准确率。
在一个实施例中,步骤125可以包括:步骤125a、步骤125b、步骤125c以及步骤125d。
步骤125a:遍历边缘角区域内的第二筛选角点;其中,边缘角区域包括:玻璃平面图像中的全部边缘角区域;
步骤125b:计算第二筛选角点到相应的相邻两条边缘线的像素距离;
步骤125c:将像素距离与像素距离预设阈值进行比对;
步骤125d:若像素距离大于像素距离预设阈值,则将第二筛选角点角点确定为第三筛选角点。
示例性地,像素距离预设阈值可以是3个像素左右,可以根据实际应用场景设置,在此不做限制。像素距离可以用于衡量候选角点到附近的两条相邻边缘线的距离远近,如果比较远,说明不是正常真实的角点,如果比较近,可能是正常真实的角点。
在步骤124中,进行了第二次筛选,筛选得到真实可能性较强的角点,遍历这些角点;根据玻璃平面图像中侧边缘局部区域中各像素点的坐标,可确定侧边缘线位置,根据上边缘局部区域中各像素点的坐标,可确定上边缘线位置,根据下边缘局部区域中各像素点的坐标,可确定下边缘线位置,由此可确立任意边缘线的位置,进而可计算候选角点到边缘线的像素距离;与像素距离预设阈值比对,若大于像素距离预设阈值,即可将距离边缘线较远的孤立候选角点认为是干扰的噪点,可以被过滤掉;若小于像素距离预设阈值,则保留下来作为第三次筛选后的角点。
可选地,以图2中上侧边缘角区域为例,可分别计算角点坐标与x_left边缘线的距离left_len以及与y_top边缘线的距离top_len,当left_len<top_len,则认为该点为左下角点,反之为右上角点。同时,无论对于左下角点对应的left_len还是右上角点对应的top_len,都应当小于像素距离阈值,即判断角点是否靠近边缘线、合不合格,否则将被视为噪点。在识别到的一系列左下角点中,取y坐标最小的点作为最终的左下目标角点,同样的,在识别到的一系列右上角点中,取x坐标最小的点作为最终的右上目标角点。除上侧边缘角区域,其他边缘角区域确立目标角点同上述过程类似。
通过利用像素距离,可将第一次筛选出、第二次筛选出的所有不重合、孤立、真实可能性较强的候选角点再进行一次筛选,将距离边缘线较远的点去掉,留下可能合格、距离边缘线较近的点,进而通过坐标值即可直接确定目标角点,提高了角点检测效率和角点识别准确率。
在一个实施例中,步骤125还可以包括:步骤125e、步骤125f、步骤125g以及步骤125h。
步骤125e:遍历边缘角区域内的第二筛选角点;其中,边缘角区域包括:玻璃平面图像中的全部边缘角区域;
步骤125f:计算第二筛选角点到相应的相邻两条边缘线的像素距离比值;
步骤125g:将像素距离比值与像素距离比值预设阈值进行比对;
步骤125h:若像素距离比值大于像素距离比值预设阈值,则将第二筛选角点角点确定为第三筛选角点。
示例性地,像素距离比值预设阈值可以是0.3,用于衡量是否为合格的边缘线角点。在第三次筛选时,可计算像素距离的比值,设置像素距离比值预设阈值直接进行判断,可以将步骤125a~步骤125d中区分同一个边缘角区域内候选角点为左上角点或者左下角点,再进行预设阈值比对的方案进行替换,同样能实现相同的效果。
可选地,以图2中上侧边缘角区域为例,在判断是否为左下角点的过程中,除了可以通过当left_len<top_len进行判断,还可以采用比值rate=left_len/top_len的方法,当比值rate低于像素距离比值预设阈值时,则可被认为是左下合格的角点,该方法好处是既可以判断是否为左下角点,还可以同时过滤噪点。该功能等价于“若left_len<top_len,则认为该点为左下角点,反之为右上角点。同时,无论对于左下角点对应的left_len还是右上角点对应的top_len,都应当小于像素距离阈值,否则将被视为噪点”。
通过利用边缘线距离,可将第一次筛选出、第二次筛选出的所有不重合、孤立、真实可能性较强的候选角点再进行一次筛选,将距离边缘线较远的点去掉,留下可能合格、距离边缘线较近的点,进而通过坐标值即可直接确定目标角点,提高了角点检测效率和角点识别准确率。
在一个实施例中,步骤126可以包括:步骤126a、步骤126b、步骤126c以及步骤126d。
步骤126a:计算边缘角区域中第一目标角点与第二目标角点的连线与水平线的夹角;其中,第一目标角点与第二目标角点包括:玻璃平面图像中的全部边缘角区域的每一个边缘角的两个目标角点;
步骤126b:计算夹角与对称切角的绝对差;将绝对差与绝对差预设阈值进行比对判断;
步骤126c:若绝对差小于绝对差预设阈值,将夹角所在边缘角区域内的边缘角确定为玻璃平面图像中的对称切角;
步骤126d:若绝对差大于绝对差预设阈值,将夹角所在边缘角区域内的边缘角确定为玻璃平面图像中的非对称切角。
示例性地,玻璃平面图像中的全部边缘角区域的每一个边缘角的两个目标角点可以是:玻璃平面图像中每两个相邻边缘线与切角所在直线的两个交点。绝对差预设阈值可以是0~5度,可以根据实际应用场景设置,在此不做限制,绝对差超过这个阈值就认为是非对称切角,绝对差小于这个阈值可以认为是对称切角。
对于步骤120中在边缘角区域内获取到的角点,以y坐标值小的点为A点,另一个为B点,两个点的连线与水平线形成夹角θ,此处的A点和B点就是每个边缘角区域内识别到的两个目标角点。若A点坐标为(x1,y1),B点坐标为(x2,y2),则两点所在直线与水平线形成的夹角可以由θ=arctan(|y2-y1|/|x2-x1|)计算得到,其中,arctan为反三角函数。
可选地,一块普通四角玻璃分为两个侧边区域,每个侧边区域又有两个边缘角区域,因此总共是4个边缘角区域,每个区域计算出两个角点,然后计算两个角点的连线与水平线的夹角,从而得到总共四个夹角。在对普通玻璃四个角所在边缘角区域经过126a全部得到夹角θ后,分别计算4个夹角与45度的绝对差,若某个角绝对差大于绝对差预设阈值,则认为是对应的切角为非对称切角,否则,认为是对称切角。
通过利用反三角函数、绝对差计算可最终判断是否存在非对称切角,以及存在几个非对称切角、非对称切角在哪一个边缘角区域,提高了识别结果的可靠性和实用性。
请参阅图3,图3为本申请实施例提供的一种玻璃非对称切角识别装置的模块功能示意图,该装置包括:获取模块210,筛选模块220,以及识别模块230。
获取模块210,获取玻璃平面图像中的边缘角区域;
筛选模块220,用于从边缘角区域内确定出候选角点,并对候选角点进行去噪点筛选,以获得目标角点;
识别模块230,用于对目标角点进行夹角绝对差计算,并根据对目标角点进行夹角绝对差计算的计算结果对边缘角区域进行识别,以判断玻璃平面图像是否存在非对称切角。
由于本申请实施例中的玻璃非对称切角识别装置解决问题的原理与前述的玻璃非对称切角识别方法的实施例相似,因此本实施例中的玻璃非对称切角识别装置的实施可以参见上述玻璃非对称切角识别方法的实施例中的描述,重复之处不再赘述。
请参阅图4,图4是电子设备的方框示意图。电子设备300可以包括存储器311、存储控制器312、处理器313、外设接口314、输入输出单元315、显示单元316。本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对电子设备300的结构造成限定。例如,电子设备300还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。
上述的存储器311、存储控制器312、处理器313、外设接口314、输入输出单元315、显示单元316各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器313用于执行存储器中存储的可执行模块。
其中,存储器311可以是,但不限于,随机存取存储器(Random Access Memory,简称RAM),只读存储器(Read Only Memory,简称ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,简称EEPROM)等。其中,存储器311用于存储程序,所述处理器313在接收到执行指令后,执行所述程序,本申请实施例任一实施例揭示的过程定义的电子设备300所执行的方法可以应用于处理器313中,或者由处理器313实现。
上述的处理器313可能是一种集成电路芯片,具有信号的处理能力。上述的处理器313可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(digital signalprocessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
上述的外设接口314将各种输入/输出装置耦合至处理器313以及存储器311。在一些实施例中,外设接口314,处理器313以及存储控制器312可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
上述的输入输出单元315用于提供给用户输入数据。所述输入输出单元315可以是,但不限于,鼠标和键盘等。
上述的显示单元316在电子设备300与用户之间提供一个交互界面(例如用户操作界面)给用户参考。在本实施例中,所述显示单元316可以是液晶显示器或触控显示器。液晶显示器或触控显示器可以对处理器执行所述程序的过程进行显示。
本实施例中的电子设备300可以用于执行本申请实施例提供的各个方法中的各个步骤。
此外,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中的步骤。
本申请实施例所提供的上述方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行上述方法实施例中的步骤,具体可参见上述方法实施例,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。在本申请实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种玻璃非对称切角识别方法,其特征在于,所述方法包括:
获取玻璃平面图像中的边缘角区域;
从所述边缘角区域内确定出候选角点,并对所述候选角点进行去噪点筛选,以获得目标角点;以及
对所述目标角点进行夹角绝对差计算,并根据对所述目标角点进行夹角绝对差计算的计算结果对所述边缘角区域进行识别,以判断所述玻璃平面图像是否存在非对称切角。
2.根据权利要求1所述的方法,其特征在于,所述从所述边缘角区域内确定出候选角点,并对所述候选角点进行去噪点筛选,以获得目标角点,包括:
对所述边缘角区域进行角点检测,获得所述边缘角区域内的候选角点;
根据所述候选角点的置信度大小对所述候选角点进行降序排列;
根据所述候选角点的重合度对降序排列后的候选角点进行去噪点筛选,获得第一筛选角点;
根据所述候选角点的置信度预设阈值对所述第一筛选角点进行去噪点筛选,获得第二筛选角点;
根据所述候选角点与边缘线的距离对所述第二筛选角点进行去噪点筛选,获得第三筛选角点;
根据所述第三筛选角点的坐标值,确定所述边缘角区域内的目标角点。
3.根据权利要求2所述的方法,其特征在于,所述根据所述候选角点的重合度对降序排列后的候选角点进行去噪点筛选,获得第一筛选角点,包括:
计算所述候选角点与第一候选角点的欧式距离;其中所述第一候选角点包括降序排列在所述候选角点之后的全部角点;
将所述欧式距离与欧式距离预设阈值进行比对;
若欧式距离大于所述欧式距离预设阈值,则将所述候选角点确定为第一筛选角点。
4.根据权利要求2所述的方法,其特征在于,所述根据所述候选角点的置信度预设阈值对所述第一筛选角点进行去噪点筛选,获得第二筛选角点,包括:
将所述第一筛选角点的置信度与置信度预设阈值进行比对;其中,所述置信度预设阈值与角点可能性强弱呈正相关;
若置信度小于所述置信度预设阈值,则将所述第一筛选角点确定为第二筛选角点。
5.根据权利要求2所述的方法,其特征在于,根据所述候选角点与边缘线的距离对所述第二筛选角点进行去噪点筛选,获得第三筛选角点,包括:
遍历所述边缘角区域内的第二筛选角点;其中,所述边缘角区域包括:所述玻璃平面图像中的全部边缘角区域;
计算所述第二筛选角点到相应的相邻两条边缘线的像素距离;
将所述像素距离与像素距离预设阈值进行比对;
若像素距离大于所述像素距离预设阈值,则将所述第二筛选角点确定为第三筛选角点。
6.根据权利要求2所述的方法,其特征在于,所述根据所述候选角点与边缘线的距离对所述第二筛选角点进行去噪点筛选,获得第三筛选角点,还包括:
遍历所述边缘角区域内的第二筛选角点;其中,所述边缘角区域包括:所述玻璃平面图像中的全部边缘角区域;
计算所述第二筛选角点到相应的相邻两条边缘线的像素距离比值;
将所述像素距离比值与像素距离比值预设阈值进行比对;
若像素距离比值大于所述像素距离比值预设阈值,则将所述第二筛选角点确定为第三筛选角点。
7.根据权利要求1所述的方法,其特征在于,所述对所述目标角点进行夹角绝对差计算,并根据对所述目标角点进行夹角绝对差计算的计算结果对所述边缘角区域进行识别,以判断所述玻璃平面图像是否存在非对称切角,包括:
计算边缘角区域中第一目标角点与第二目标角点的连线与水平线的夹角;其中,所述第一目标角点与第二目标角点包括:所述玻璃平面图像中的全部边缘角区域的每一个边缘角的两个目标角点;
计算所述夹角与对称切角的绝对差;将所述绝对差与绝对差预设阈值进行比对判断;
若绝对差小于所述绝对差预设阈值,将所述夹角所在边缘角区域内的边缘角确定为所述玻璃平面图像中的对称切角;
若绝对差大于所述绝对差预设阈值,将所述夹角所在边缘角区域内的边缘角确定为所述玻璃平面图像中的非对称切角。
8.一种玻璃非对称切角识别装置,其特征在于,所述装置包括:
获取模块,获取玻璃平面图像中的边缘角区域;
筛选模块,用于从所述边缘角区域内确定出候选角点,并对所述候选角点进行去噪点筛选,以获得目标角点;
识别模块,用于对所述目标角点进行夹角绝对差计算,并根据对所述目标角点进行夹角绝对差计算的计算结果对所述边缘角区域进行识别,以判断所述玻璃平面图像是否存在非对称切角。
9.一种电子设备,其特征在于,包括:处理器、存储器,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210963736.3A CN115294078B (zh) | 2022-08-11 | 2022-08-11 | 玻璃非对称切角识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210963736.3A CN115294078B (zh) | 2022-08-11 | 2022-08-11 | 玻璃非对称切角识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294078A true CN115294078A (zh) | 2022-11-04 |
CN115294078B CN115294078B (zh) | 2024-01-30 |
Family
ID=83827356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210963736.3A Active CN115294078B (zh) | 2022-08-11 | 2022-08-11 | 玻璃非对称切角识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294078B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083762A1 (en) * | 2015-06-22 | 2017-03-23 | Photomyne Ltd. | System and Method for Detecting Objects in an Image |
CN108257185A (zh) * | 2018-01-03 | 2018-07-06 | 上海兴芯微电子科技有限公司 | 多棋盘格角点检测方法及摄像机标定方法 |
CN108986081A (zh) * | 2018-06-28 | 2018-12-11 | 湖南红太阳新能源科技有限公司 | 光伏组件玻璃裂纹检测方法、装置、设备及存储介质 |
CN109711415A (zh) * | 2018-11-13 | 2019-05-03 | 平安科技(深圳)有限公司 | 证件轮廓确定方法、装置及存储介质、服务器 |
CN111640157A (zh) * | 2020-05-28 | 2020-09-08 | 华中科技大学 | 一种基于神经网络的棋盘格角点检测方法及其应用 |
CN111681284A (zh) * | 2020-06-09 | 2020-09-18 | 商汤集团有限公司 | 一种角点检测方法、装置、电子设备及存储介质 |
CN111798422A (zh) * | 2020-06-29 | 2020-10-20 | 福建汇川物联网技术科技股份有限公司 | 棋盘格角点识别方法、装置、设备及存储介质 |
CN112132163A (zh) * | 2020-09-21 | 2020-12-25 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、系统及计算机可读存储介质 |
CN113269835A (zh) * | 2021-07-19 | 2021-08-17 | 季华实验室 | 基于轮廓特征的工业零件位姿识别方法、装置和电子设备 |
WO2022161172A1 (zh) * | 2021-01-29 | 2022-08-04 | 深圳光峰科技股份有限公司 | 图像中图形角点的识别方法、装置、介质及电子设备 |
-
2022
- 2022-08-11 CN CN202210963736.3A patent/CN115294078B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170083762A1 (en) * | 2015-06-22 | 2017-03-23 | Photomyne Ltd. | System and Method for Detecting Objects in an Image |
CN108257185A (zh) * | 2018-01-03 | 2018-07-06 | 上海兴芯微电子科技有限公司 | 多棋盘格角点检测方法及摄像机标定方法 |
CN108986081A (zh) * | 2018-06-28 | 2018-12-11 | 湖南红太阳新能源科技有限公司 | 光伏组件玻璃裂纹检测方法、装置、设备及存储介质 |
CN109711415A (zh) * | 2018-11-13 | 2019-05-03 | 平安科技(深圳)有限公司 | 证件轮廓确定方法、装置及存储介质、服务器 |
CN111640157A (zh) * | 2020-05-28 | 2020-09-08 | 华中科技大学 | 一种基于神经网络的棋盘格角点检测方法及其应用 |
CN111681284A (zh) * | 2020-06-09 | 2020-09-18 | 商汤集团有限公司 | 一种角点检测方法、装置、电子设备及存储介质 |
CN111798422A (zh) * | 2020-06-29 | 2020-10-20 | 福建汇川物联网技术科技股份有限公司 | 棋盘格角点识别方法、装置、设备及存储介质 |
CN112132163A (zh) * | 2020-09-21 | 2020-12-25 | 杭州睿琪软件有限公司 | 识别对象边缘的方法、系统及计算机可读存储介质 |
WO2022161172A1 (zh) * | 2021-01-29 | 2022-08-04 | 深圳光峰科技股份有限公司 | 图像中图形角点的识别方法、装置、介质及电子设备 |
CN113269835A (zh) * | 2021-07-19 | 2021-08-17 | 季华实验室 | 基于轮廓特征的工业零件位姿识别方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115294078B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815630B (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
CN111238352B (zh) | 墙面虚拟靠尺检测方法、系统、设备和存储介质 | |
US8750596B2 (en) | System and method for identifying defects in a material | |
JP5123244B2 (ja) | 形状欠損検査装置、形状モデリング装置および形状欠損検査プログラム | |
US10074551B2 (en) | Position detection apparatus, position detection method, information processing program, and storage medium | |
CN111640131A (zh) | 电芯涂胶检测方法、装置和电子设备 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN116559177A (zh) | 一种缺陷检测方法、装置、设备以及存储介质 | |
US12039747B1 (en) | Polarity discrimination detection method and apparatus for multiple stacked electronic components and device | |
JPH09251544A (ja) | ワークエッジ検出画像処理装置 | |
CN113313217B (zh) | 一种基于鲁棒性模板的倾角文字精准识别方法及系统 | |
CN108413866B (zh) | 一种偏位检测方法、系统及终端设备 | |
CN114359161A (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
Chen et al. | An apparatus and method for real-time stacked sheets counting with line-scan cameras | |
CN115294078B (zh) | 玻璃非对称切角识别方法、装置、设备及存储介质 | |
CN117786565A (zh) | 一种半导体异常芯片的确定方法、装置及电子设备 | |
CN112985274B (zh) | 邦定焊盘间距离的测量方法、装置及电子设备 | |
CN109801428A (zh) | 纸币边缘直线的检测方法、检测装置及终端 | |
CN109359632A (zh) | 道路边线检测方法及装置 | |
CN109211210B (zh) | 一种目标物体的识别定位测量方法及装置 | |
CN114441554B (zh) | 检测方法 | |
CN113935938A (zh) | 一种面板缺陷检测方法、装置、终端设备及存储介质 | |
CN108171868B (zh) | 一种港币分类方法以及装置 | |
JP6438369B2 (ja) | 帳票画像判定プログラム、帳票画像判定方法および帳票画像判定システム |
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 |