CN115619775B - 基于图像识别的物料计数方法及装置 - Google Patents

基于图像识别的物料计数方法及装置 Download PDF

Info

Publication number
CN115619775B
CN115619775B CN202211533301.1A CN202211533301A CN115619775B CN 115619775 B CN115619775 B CN 115619775B CN 202211533301 A CN202211533301 A CN 202211533301A CN 115619775 B CN115619775 B CN 115619775B
Authority
CN
China
Prior art keywords
image
preset
adhesion
detected
extracting
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
CN202211533301.1A
Other languages
English (en)
Other versions
CN115619775A (zh
Inventor
冯策
韦丽丽
任亚楠
韩昊鹏
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 Deep Vision Technology Co ltd
Original Assignee
Hangzhou Deep Vision Technology Co ltd
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 Deep Vision Technology Co ltd filed Critical Hangzhou Deep Vision Technology Co ltd
Priority to CN202211533301.1A priority Critical patent/CN115619775B/zh
Publication of CN115619775A publication Critical patent/CN115619775A/zh
Application granted granted Critical
Publication of CN115619775B publication Critical patent/CN115619775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06T7/10—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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • G06T2207/30242—Counting objects in image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于图像识别的物料计数方法及装置。该方法包括：识别传送带图像的感兴趣区域，提取待检测图像；对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像；矫正第二物料图像，根据预设特征峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量。本申请提供的方案能够解决传送物料对物料检测的准确率较低的问题。

Description

基于图像识别的物料计数方法及装置
技术领域
本申请涉及本发明涉及图像识别领域，特别涉及一种基于图像识别的物料计数方法及装置。
背景技术
在轴承行业的生产过程中，存在大量的轴承零件计数应用，尤其对数量、品种、规格繁多的轴承滚动体（滚子、钢球），无论是生产过程中的流动控制，还是入库验收，库存盘点，定量包装等诸多方面都离不开高效合理的计数装置，可靠稳定的计数方法，可以提高工作效率，减轻劳动量，还能有效控制和减少轴承零件的误差数量，从而为企业节约成本和提高经济效益。
滚子在产线上运动过程中，轴承厂家主要是利用光电设备进行滚动体计数，采用电子元器件，通过滚子对光线进行遮挡，同时脉冲触发器产生一个高电平信号，通过对产生的高电平或者低电平信号进行统计实现滚子的计数。这种光电计数方法原理简单，可操作性强，但是只适用于单个滚子的链式传送的计数，对小的滚子设计上料倍速链入料有较高的要求，而且光电管在复杂的生产现场极易出现老化现象，影响计数精度。
因此，利用新技术，实现传送物料中对物料的精准计数是一个亟须解决的课题。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供的方案能够解决传送物料中，对物料检测的准确率较低的问题。
一方面本申请提供基于图像识别的物料计数方法，包括：
识别传送带图像的感兴趣区域，提取待检测图像；
对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；
确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像；预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，第一尺寸核滤波器的运算核的大小小于第二尺寸核滤波器的运算核的大小；在粘连比例小于预设粘连阈值时，使用第一尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像；在粘连比例不小于预设粘连阈值时，使用第二尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像；
矫正第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量，图像峰值为矫正后的第二物料图像的灰度分布图的图像峰值。
可选地，对待检测图像进行预处理，包括：
对待检测图像进行图像增强运算，得到第一图像；
对第一图像二值化处理，得到第二图像；
根据中值滤波运算对第二图像进行降噪处理，得到预处理后的图像。
可选地，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像，包括：
根据物料形态特征，对预处理后的待检测图像降噪处理，得到第三图像；
根据物料形态特征确定第三图像的最小外接矩形，根据最小外接矩形确定物料轮廓，得到第一物料图像。
可选地，矫正第二物料图像，包括：
获取物料成像特征，调整第二物料图像的亮度分布；
矫正调整后的第二物料图像中物料图像的位置，使得第二物料图像的物料图像处于水平位置。
可选地，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，包括：
获取矫正后的第二物料图像的灰度分布图，根据灰度分布图确定矫正后的第二物料图像的灰度分布图的图像峰值；
根据图像峰值，确定候选物料轮廓；
若候选物料轮廓不符合物料成像特征，则根据预设背景复判模型和候选物料轮廓，生成目标物料轮廓。
可选地，方法还包括获取预设背景复判模型，获取预设背景复判模型包括：
获取已矫正的物料图像和物料传送链板的背景图；
对所述已矫正的物料图像和所述物料传送链板的背景图，进行图像扩展，生成数据训练集；
采用所述数据训练集训练预设神经网络，得到所述预设背景复判模型。
本申请第二方面提供一种基于图像识别的物料计数装置，可选地，包括：
检测模块，用于识别传送带图像的感兴趣区域，提取待检测图像；
第一提取模块，用于对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；
第二提取模块，用于确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像，所述预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，所述第一尺寸核滤波器的运算核的大小小于所述第二尺寸核滤波器的运算核的大小；在所述粘连比例小于所述预设粘连阈值时，使用第一尺寸核滤波器对所述第一物料图像提取物料轮廓，得到第二物料图像；在所述粘连比例不小于所述预设粘连阈值时，使用第二尺寸核滤波器对所述第一物料图像提取物料轮廓，得到所述第二物料图像；
第三提取模块，用于矫正第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量，所述图像峰值为所述第二物料图像的灰度分布图的图像峰值
本申请第三方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如上的方法。
本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上的方法。
本申请提供的技术方案可以包括以下有益效果：通过识别传送带图像的感兴趣区域，提取待检测图像；对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像；矫正第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量。本申请提供的方案根据物料的形状特征对物料图像多次矫正，考虑到物料在传送带上传送的传送情景（比如沾染油光导致图像反光、物料图像发生粘连，物料图像亮度不足），对物料图像进行多次提取，能够解决在传送物料中对物料检测的准确率较低的问题，同时本申请的方法无需特定场合，可以实现对物料的实时计数。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的基于图像识别的物料计数方法的流程示意图；
图2是本申请实施例示出的基于图像识别的物料计数方法的另一种流程示意图；
图3是本申请实施例示出的一种待检测图片的示意图；
图4是本申请实施例示出的另一种待检测图片的示意图；
图5是本申请实施例示出的基于图像识别的物料计数装置的结构示意图；
图6是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在轴承行业的生产过程中，存在大量的轴承零件计数应用，尤其对数量、品种、规格繁多的轴承滚动体（滚子、钢球），无论是生产过程中的流动控制，还是入库验收，库存盘点，定量包装等诸多方面都离不开高效合理的计数装置，可靠稳定的计数方法，可以提高工作效率，减轻劳动量，还能有效控制和减少轴承零件的误差数量，从而为企业节约成本和提高经济效益。
现有技术主要是利用光电设备进行滚动体计数，采用电子元器件，通过滚子对光线进行遮挡，同时脉冲触发器产生一个高电平信号，通过对产生的高电平或者低电平信号进行统计实现滚子的计数。这种光电计数方法原理简单，可操作性强，但是只适用于单个滚子的链式传送的计数，对小的滚子设计上料倍速链入料有较高的要求，而且光电管在复杂的生产现场极易出现老化现象，影响计数精度。
针对上述的问题，目前尚未提出有效的解决方案。
本申提供一种基于图像识别的物料计数方法，能够有效提高在轴承零件传输过程中，对物料进行计数的方法，该方法与链板传输设备相结合，机械运动结合相机与打光配合，识别链板一定范围区域内的所有滚子，然后开始对滚子数目进行自动计数。
该方法的应用场景包括：工控机电脑启动，系统上电后，启动设备软件并登录，软件启动机器视觉模块等待PLC信号触发检测信号，启动PLC运动控制模块，上料机开始将料输送到链板上，已经启动的工业相机和光源对物料进行实时拍摄和图像处理，根据本申请提供的基于图像识别的物料计数方法进行自动计数，然后将数据存储到数据库。
需要说明的是，本申请中的物料可以是滚子，例如圆柱滚子，但不限于圆柱滚子，还可以是其他形状的滚子。
图1是本申请实施例示出的基于图像识别的物料计数方法的流程示意图。该方法包括：
步骤S101，识别传送带图像的感兴趣区域，提取待检测图像。
本实施例中的传送带图像可以是连续的视频图像，根据视频的间隔时间对传送带图像进行抽帧处理，也可以设置一个链板的宽W为基准的感兴趣区域，根据感兴趣区域测量该宽度W的链板内的传送带图像。
在本实施例中，传送带为链板式传送带，不同于传统倍速传送带，链板式传送带运输物料更稳定，使得相机拍摄的图像更清晰稳定，有助于减少后续图像识别的前处理步骤。
步骤S102，对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像。
对待检测图像进行预处理，主要是对待检测图像进行图像增强处理。图像增强处理一般采用图像滤波。图像滤波是旨在保留待处理图的细节特征的条件下对待处理图像中的噪声进行抑制的操作。图像滤波既可以在实域进行，也可以在频域进行。经过图像滤波处理，可以更改或者增强图像画质。通过滤波，可以强调图像中的一些特征或者去除图像中一些不需要的部分。用于图像滤波的滤波器可以是线性滤波器，如方框滤波(boxFilter)、均值滤波(blur)、高斯滤波(GaussianBlur)等，也可以是非线性滤波器，如中值滤波(medianBlur)、双边滤波(Bilateral Filter)等。
在一种实施例中，对待检测图像进行预处理，包括：对待检测图像进行图像增强运算，得到第一图像；对第一图像二值化处理，得到第二图像；根据中值滤波运算对第二图像进行降噪处理，得到预处理后的图像。
具体地，本实施例通过对待检测图像进行图像增强运算，得到第一图像，目的是增加图像与背景的对比度，更好地提取物料特征，图像增强主要是通过均衡化和图像的线性增强对图像处理。以f（x，y）表示输入图像，g（x，y）表示上述第一图像，则采用g（x，y）=T（f（x，y））表示，其中，T表示图像增强运算。
获取第一图像后，还需对第一图像进行二值化处理，使得物料边缘灰度值偏低，进而使得背景和物料连通域区分开。设定分割阈值h，用g2（x，y）表示第二图像，对第一图像进行二值化处理采用公式（1），公式（1）包括：
图像的二值化处理就是将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阈值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阈值选取技术来分割该图像。动态调节阈值实现图像的二值化可动态观察其分割图像的具体结果。
由于二值化后的图像存在较多的噪点，类似于椒盐噪声，因此，在获取第二图像后，还需对第二图像使用中值滤波处理，得到预处理后的图像。采用g3（x，y）表示预处理后的图像，使用中值滤波包括g3（x，y）=M（g2（x，y）），其中M为中值滤波运算。中值滤波器是在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制的滤波器。
在一种实施例中，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像，包括：根据物料形态特征，对预处理后的待检测图像降噪处理，得到第三图像；根据物料形态特征确定第三图像的最小外接矩形，根据最小外接矩形确定物料轮廓，得到第一物料图像。
具体地，识别物料图像的连通域，根据物料形态特征，去除连通域面积C_Aera小于1000的噪声，以降低误判。采用g4（x,y）表示第三图像，降噪过程包括：，其中R为去噪运算。对第三图像g4（x，y）进行轮廓提取，根据滚子的形态特征，求取连通域的最小外接矩形Min_Rotate。
通过设置外接矩形的最小、最大长宽(min_L,min_W,max_L,max_W)，面积(min_Aera,max_Aera)，等特点，得到第一物料图像，第一物料图像是初筛选出目标物料的图像，包括初筛选后的目标物料的图像的所有像素。
步骤S103，确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像。预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，第一尺寸核滤波器的运算核的大小小于第二尺寸核滤波器的运算核的大小；在粘连比例小于预设粘连阈值时，使用第一尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像；在粘连比例不小于预设粘连阈值时，使用第二尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像。
由于存在油反光、链板反光、滚子表面个别角度打不亮等因素的影响，导致二值化后图像g4(x,y)有部分滚子的连通域跟背景会发生粘连，不满足步骤S102的设置条件，因此需要对第一物料图像进行去粘连处理。去粘连主要的处理过程是根据第一物料图像和背景像素的粘连比例，进行针对性处理，如果背景和滚子粘连的区域比较大，需要大的尺寸核进行形态学开运算，反之可以设置小的尺寸核进行开运算，处理的结果进行轮廓提取，重新进行步骤S102的判断条件。开运算主要通过对第一物料图像，先腐蚀运算，再膨胀运算（看上去把细微连在一起的两块目标分开了）。开运算能够除去孤立的小点和毛刺，而总的位置和形状不变。开运算是一个基于几何运算的滤波器。结构元素大小的不同将导致滤波效果的不同。不同的结构元素的选择导致了不同的分割，即提取出不同的特征。本实施例针对不同的粘连比例选取不同的预设尺寸核滤波器，可以最大限度地提取物料图像的连通域。
其中，滤波器具有对应的滤波矩阵和核函数。滤波矩阵为n*n*m的矩阵，具有长度、宽度、深度三个维度。其中，长度和宽度通常相同(均为n)，可以是人为指定的。滤波矩阵的深度m与待处理图的深度(特征图feature map的图层数量)相同。若待处理图为灰度图，其特征图的图层数量为1，则m＝1。若待处理图为RGB彩色图，其特征图的图层数量为3，则m＝3。滤波是一个邻域操作算子。在图像处理时，给定待处理图，待处理图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，即利用给定像素周围的像素的值决定此像素的最终的输出值。比如，均值滤波是用其像素点周围像素的平均值代替原像素值。滤波器的核尺寸是用于限定该“领域”的区域大小的数值，具体为上述长*宽(n*n)。常用的核尺寸为3*3，5*5等。滤波矩阵的矩阵元素为加权平均计算时用到的权值，该权值是由核函数计算定义得到的。因此，在指定滤波器时，只需指定其核尺寸一个参数n即可。
第一物料图像的像素可以分解成高频率和低频率两种成分。图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。对图像而言，图像的边缘部分是突变部分，变化较快，因此反映在频域上是高频分量；图像的噪声大部分情况下是高频部分；图像平缓变化部分则为低频分量。滤波器的核尺寸直接决定了分离效果以及分离后图像的清晰度。理论上，当存在合适核尺寸的滤波器时，即可以一次性将待处理图中的光照（传送过程中产生的油光）分离出，得到无光照的图像。然而，通常这样的核尺寸是非常难找到的，单一核尺寸的滤波器常难以在光照去除效果和图像清晰度之间达到一个很好的均衡。为了解决上述问题，本申请的实施例采用两种不同核尺寸的滤波器分别对待处理图进行处理。
在一种实施例中，预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，第一尺寸核滤波器的运算核的大小小于第二尺寸核滤波器的运算核的大小。
第一核尺寸的滤波器用于通过以牺牲光照去除效果为代价，尽可能多地保留待处理图中的细节。第二核尺寸的滤波器用于以牺牲图像清晰度为代价，尽可能多的滤除待处理图中的光照。根据不同的粘连比例的选取不同的预设尺寸核滤波器，可以尽可能地根据图像光照情况，选择第一物料图像相对应的滤波器。
在一种实施例中，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像，包括：在粘连比例小于预设粘连阈值时，使用第一尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像；在粘连比例不小于预设粘连阈值时，使用第二尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像。
本实施例中，计算机设备根据待处理图的像素尺寸动态确定滤波器的第一核尺寸和第二核尺寸。或者，计算机设备将待处理图转换为预设的标准尺寸后，采用预设的通用于该标准尺寸图像的核尺寸。换言之，不同像素尺寸的图像预设有对应的第一核尺寸和第二核尺寸。比如，当双边滤波器为高斯滤波器时，对应的第一核尺寸可以是3，第二核尺寸可以是12；当双边滤波器为WLS滤波器时，对应的第一核尺寸可以是0.6，第二核尺寸可以是10。
可选地，第一尺寸核滤波器的核尺寸参数选取3，第二尺寸核滤波器的核尺寸选取3，具体预设尺寸核滤波器的滤波公式如公式（2）所示：
其中，g5(g4(x,y),K)为开运算操作。K为开运算核大小，h2为粘连阈值。g4(x,y)为第一物料图像，g5(g4(x,y),K)为对第一物料图像进行去粘连处理后的图像。对于g5(g4(x,y),K)图像，需要重新进行提取轮廓操作，以获取第二物料图像。
具体地，如图2所示，从第一物料图像提取第二物料图像包括：
步骤S201，获取第一物料图像的粘连比例。根据第一物料图像的粘连比例判断是否粘连。
在判断为粘连的情况下，进行步骤S202。步骤S202，根据粘连比，对图像选取预设尺寸滤波器，进行去粘连分离。
步骤S202执行完成后，进行步骤S203，重新对去粘连分离后的第一图像进行轮廓提取，得到二次物料图像，并判断第二物料图像的粘连比，是否第一物料图像的提取条件。
在粘连比不满足第一物料图像的提取条件，重新执行步骤S202到步骤S203，在粘连比满足第一物料图像的提取条件，执行步骤S204，对二次物料图像重新提取轮廓，获取满足条件的第二物料图像。
对初筛出的目标物料图像（即第二物料图像），针对光照场景，使用预设尺寸核滤波器目标物料图像和对背景图像进行进一步分离，可以增加筛选出的目标物料图像的精度。
步骤S104，矫正第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量，图像峰值为第二物料图像的灰度分布图的图像峰值。
由于步骤S103筛选出的物料像素还存在背景误判的问题，因此需要根据物料自身成像特点和物料分布特点对第二物料图像进行矫正。
在一种实施例中，矫正第二物料图像，包括：获取物料成像特征，调整第二物料图像的亮度分布；矫正调整后的第二物料图像中物料图像的位置，使得第二物料图像的物料图像处于水平位置。
本实施例，物料成像特征为物料表面成像的特点，根据物料表面成像的特点对图像的明暗处理进行矫正，即物料一般为滚子，就获取滚子图像的成像特征。图3，是本申请实施例示出的一种待检测图片示意图。如图3所示，滚子图像的成像特征一般呈现中间亮四周暗的特点；同时把物料旋转到图片指定位置，可以进一步方便后面对轮廓进一步分离。
在一种实施例中，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，包括：获取矫正后的第二物料图像的灰度分布图，根据灰度分布图确定矫正后的第二物料图像的灰度分布图的图像峰值；根据图像峰值，确定候选物料轮廓；若候选物料轮廓不符合物料成像特征，则根据预设背景复判模型和候选物料轮廓，生成目标物料轮廓。
在相关技术中，由于灰度分布图只能对部分图像的模糊程度进行检测，存在对图像进行检测的准确性低的问题。本实施例采用图像峰值对原始图像的整个边缘进行边缘检测，得到候选物料轮廓，根据图像峰值确定连通域的阈值，根据阈值确定连通域之间的相似度，从而能覆盖全图、条带及局部图像的模糊程度的判断，避免了只能检测部分图像的模糊程度，从而能够更准确地判断图像的模糊程度，实现了提高对图像进行检测的准确性。原始图像的边缘可以是连通域上一定数量的像素点的亮度发生变化的地方，也可以是原始图像上像素灰度急剧变化的像素的集合。
具体地，将矫正的图像进行直方图统计得到灰度分布图histogram，得到特征值即图像峰值Peak设置阈值h3，进行是否为背景和物料即细筛选出目标物料，矫正公式如公式（3），所示。
在该实施例中，可以通过阈值来确定原始图像的边缘。其中，阈值越低，能够检测出的原始图像的边线就越多，越容易从图像中挑出不相关的信息，阈值越高，可能会遗失原始图像中细的或者短的线段。该实施例的高阈值可以将原始图像中要提取的轮廓与背景区分开来，比如，像素的梯度强度大于高阈值，则该像素为原始图像的边缘点，梯度强度大于高阈值的像素组成的边界为原始图像的强边界。
由于个别物料表面区域亮度相对于背景来说存在偏暗情况，造成将背景误判成物料，或存在物料表面残存油污，导致候选物料轮廓不符合物料成像特征（物料成像特征同滚子成像特征），进而将物料图像误判成背景。因此在候选物料轮廓不符合物料成像特征的情况下，需要利用神经网络模型对候选物料轮廓进行进一步筛选。对候选物料该采取的方法是将采集矫正的物料图像和误判的背景图像，组成TrainData（数据训练集），利用深度学习分类算法训练弱物料强背景复判模型，以获取预设背景复判模型。根据预设背景复判模型对候选轮廓进行背景复判，对判断背景输出的概率P设定背景阈值h4，通过输出的概率来判断候选轮廓是否是背景或者物料即细筛选出目标物料。需要说明的是，在本实施例中，若候选物料轮廓符合目标成像特征，则无需对候选物料轮廓进行复判，直接将候选物料轮廓判定为目标物料轮廓。
进一步地，将候选物料轮廓进行筛选的输出公式为公式4，公式（4）包括：
其中，1代表物料，0代表背景，图4是本申请实施例示出的另一种待检测图片，图4中的方框为根据输出物料和背景生成的目标轮廓。
在一种实施例中，方法还包括获取预设背景复判模型，获取预设背景复判模型包括：获取已矫正的物料图像和物料传送链板的背景图；对已矫正的物料图像和物料传送链板的背景图，进行图像扩展，生成数据训练集；采用数据训练集训练预设神经网络，得到预设背景复判模型。
本实施例中，组建数据训练集的方式是保存已矫正的物料图像和物料传送链板的背景图进行图像扩展，从而获取弱物料图像，强背景图像的数据训练集。背景图主要通过采集几组链板图像，随机裁剪，组建成背景图。图像扩展的步骤包括：对于已矫正的物料图像（下文称为滚子图像），根据实际工况降低物料图像和背景图的明暗对比度，或对背景图像的边缘进行增强处理，或模糊滚子图像的边缘，对图像进行多次扩展后，获取弱物料图像和强背景图的数据心理集。进一步地，可以在进行图像拼接之前，将物料图像的像素打上第一标识（第一标识可以为灰度值），将背景图打上第二标识（第二标识可以为灰度值），再对图像进行后续处理。
在一种实施例中，预设神经网络可以是CNN(ConvolutionalNeural Networks，卷积神经网络)模型的卷积层。卷积神经网络包括卷积层(Convolutional Layer)和池化层(Pooling Layer)。在每个卷积层中可以有若干卷积核(也称为滤波器)，上一层每个特征图与每个卷积核作卷积处理，产生下一层特征图。可选地，卷积神经网络选用输入尺寸为224*224大小，通过迭代优化得到满足要求的预设背景复判模型。
在一种实施例中，根据所述目标物料轮廓确定物料数量包括：识别已待检测图像的目标物料轮廓的个数，根据已检测的图像的帧数和已待检测图像的目标物料轮廓的个数，实时计算传送带上的物料个数。
本申请提供的技术方案可以包括以下有益效果：通过识别传送带图像的感兴趣区域，提取待检测图像；对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像；矫正第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量。本申请提供的方案根据物料的形状特征对物料图像多次矫正，考虑到物料在传送带上传送的传送情景（比如沾染油光、物料图像发生粘连，物料图像亮度不足），对物料图像进行多次提取，够解决在传送物料中对物料检测的准确率较低的问题，同时本申请的方法无需特定场合，可以实现对物料的实时计数的技术。
如图5所示，本发明还提供本申请第二方面提供一种基于图像识别的物料计数装置，包括：
检测模块501，用于识别传送带图像的感兴趣区域，提取待检测图像；
第一提取模块502，用于对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；
第二提取模块503，用于确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像；预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，第一尺寸核滤波器的运算核的大小小于第二尺寸核滤波器的运算核的大小；在粘连比例小于预设粘连阈值时，使用第一尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像；在粘连比例不小于预设粘连阈值时，使用第二尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像；
第三提取模块504，用于矫正第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量，图像峰值为第二物料图像的灰度分布图的图像峰值。。
在一种实施例中，对待检测图像进行预处理，包括：对待检测图像进行图像增强运算，得到第一图像；对第一图像进行二值化处理，得到第二图像；根据中值滤波运算对第二图像进行降噪处理，得到预处理后的图像。
在一种实施例中，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像，包括：根据物料形态特征，对预处理后的待检测图像间降噪处理，得到第三图像；根据物料形态特征确定第三图像的最小外接矩形，根据最小外接矩形确定物料轮廓，得到第一物料图像。
在一种实施例中，预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，第一尺寸核滤波器的运算核的大小小于第二尺寸核滤波器的运算核的大小。
在一种实施例中，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像，包括：在粘连比例小于预设粘连阈值时，使用第一尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像；在粘连比例不小于预设粘连阈值时，使用第二尺寸核滤波器对第一物料图像提取物料轮廓，得到第二物料图像。
在一种实施例中，矫正第二物料图像，包括：获取物料成像特征，调整第二物料图像的亮度分布；矫正调整后的第二物料图像中物料图像的位置，使得第二物料图像的物料图像处于水平位置。
在一种实施例中，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，包括：获取矫正后的第二物料图像的灰度分布图，根据灰度分布图确定图像峰值；根据图像峰值，确定候选物料轮廓；若候选物料轮廓不符合物料成像特征，则根据预设背景复判模型和候选物料轮廓，生成目标物料轮廓。
在一种实施例中，方法还包括：获取已矫正的物料图像和物料传送链板的背景图；对已矫正的物料图像和物料传送链板的背景图，进行图像扩展，生成数据训练集；采用数据训练集训练预设神经网络，得到预设背景复判模型。
本申请提供的技术方案可以包括以下有益效果：通过识别传送带图像的感兴趣区域，提取待检测图像；对待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；确定第一物料图像和背景像素的粘连比例，根据粘连比例、预设粘连阈值及预设尺寸核滤波器，对第一物料图像提取物料轮廓，得到第二物料图像；矫正第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据目标物料轮廓确定物料数量。本申请提供的方案根据物料的形状特征对物料图像多次矫正，考虑到物料在传送带上传送的传送情景（比如沾染油光导致图像反光、物料图像发生粘连，物料图像亮度不足），对物料图像进行多次提取，能够解决在传送物料中对物料检测的准确率较低的问题，同时本申请的方法无需特定场合，可以实现对物料的实时计数。
图6是本申请实施例示出的电子设备的结构示意图。
参见图6，电子设备600包括存储器610和处理器620。
处理器620可以是中央处理单元（CentralProceSing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal ProceSor，DSP）、专用集成电路（ApplicationSpecific Integrated Circuit，ASIC）、现场可编程门阵列（Field-ProgrammableGate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器610可以包括各种类型的存储单元，例如系统内存、只读存储器（ROM）和永久存储装置。其中，ROM可以存储处理器620或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器610可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（例如DRAM，SRAM，SDRAM，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器610可以包括可读和/或写的可移除的存储设备，例如激光唱片（CD）、只读数字多功能光盘（例如DVD-ROM，双层DVD-ROM）、只读蓝光光盘、超密度光盘、闪存卡（例如SD卡、minSD卡、Micro-SD卡等）、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器610上存储有可执行代码，当可执行代码被处理器620处理时，可以使处理器620执行上文述及的方法中的部分或全部。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种计算机可读存储介质（或非暂时性机器可读存储介质或机器可读存储介质），其上存储有可执行代码（或计算机程序或计算机指令代码），当可执行代码（或计算机程序或计算机指令代码）被电子设备（或服务器等）的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种基于图像识别的物料计数方法，其特征在于，包括：
识别传送带图像的感兴趣区域，提取待检测图像；
对所述待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；
确定所述第一物料图像和背景像素的粘连比例，根据所述粘连比例、预设粘连阈值及预设尺寸核滤波器，对所述第一物料图像提取物料轮廓，得到第二物料图像；所述预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，所述第一尺寸核滤波器的运算核的大小小于所述第二尺寸核滤波器的运算核的大小；在所述粘连比例小于所述预设粘连阈值时，使用第一尺寸核滤波器对所述第一物料图像提取物料轮廓，得到所述第二物料图像；在所述粘连比例不小于所述预设粘连阈值时，使用第二尺寸核滤波器对所述第一物料图像提取物料轮廓，得到所述第二物料图像；
矫正所述第二物料图像，根据图像峰值筛选矫正后的第二物料图像，以获取目标物料轮廓，根据所述目标物料轮廓确定物料数量，所述图像峰值为所述矫正后的第二物料图像的灰度分布图的图像峰值。
2.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行预处理，包括：
对所述待检测图像进行图像增强运算，得到第一图像；
对所述第一图像进行二值化处理，得到第二图像；
根据中值滤波运算对所述第二图像进行降噪处理，得到所述预处理后的待检测图像。
3.根据权利要求1所述的方法，其特征在于，所述根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像，包括：
根据所述物料形态特征，对预处理后的待检测图像进行降噪处理，得到第三图像；
根据所述物料形态特征确定第三图像的最小外接矩形，根据所述最小外接矩形确定物料轮廓，得到所述第一物料图像。
4.根据权利要求1所述的方法，其特征在于，所述矫正所述第二物料图像，包括：
根据物料成像特征，调整第二物料图像的亮度分布；
矫正所述调整后的第二物料图像中物料图像的位置，使得第二物料图像的物料图像处于水平位置。
5.根据权利要求1所述的方法，其特征在于，所述根据图像峰值筛选所述矫正后的第二物料图像，以获取目标物料轮廓，包括：
获取矫正后的第二物料图像的灰度分布图，根据所述灰度分布图确定所述矫正后的第二物料图像的灰度分布图的图像峰值；
根据所述图像峰值，确定候选物料轮廓；
若所述候选物料轮廓不符合物料成像特征，则根据预设背景复判模型和所述候选物料轮廓，生成所述目标物料轮廓。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括获取预设背景复判模型，所述获取预设背景复判模型包括：
获取已矫正的物料图像和物料传送链板的背景图；
对所述已矫正的物料图像和所述物料传送链板的背景图，进行图像扩展，生成数据训练集；
采用所述数据训练集训练预设神经网络，得到所述预设背景复判模型。
7.一种基于图像识别的物料计数装置，其特征在于，包括：
检测模块，用于识别传送带图像的感兴趣区域，提取待检测图像；
第一提取模块，用于对所述待检测图像进行预处理，根据物料形态特征对预处理后的待检测图像提取物料轮廓，得到第一物料图像；
第二提取模块，用于确定所述第一物料图像和背景像素的粘连比例，根据所述粘连比例、预设粘连阈值及预设尺寸核滤波器，对所述第一物料图像提取物料轮廓，得到第二物料图像，所述预设尺寸核滤波器包括第一尺寸核滤波器和第二尺寸核滤波器，其中，所述第一尺寸核滤波器的运算核的大小小于所述第二尺寸核滤波器的运算核的大小；在所述粘连比例小于所述预设粘连阈值时，使用第一尺寸核滤波器对所述第一物料图像提取物料轮廓，得到所述第二物料图像；在所述粘连比例不小于所述预设粘连阈值时，使用第二尺寸核滤波器对所述第一物料图像提取物料轮廓，得到所述第二物料图像；
第三提取模块，用于矫正所述第二物料图像，根据图像峰值筛选所述矫正后的第二物料图像，以获取目标物料轮廓，根据所述目标物料轮廓确定物料数量，所述图像峰值为所述矫正后的第二物料图像的灰度分布图的图像峰值。
8. 一种电子设备，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质，其特征在于，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至6中任意一项所述的方法。
CN202211533301.1A 2022-12-02 2022-12-02 基于图像识别的物料计数方法及装置 Active CN115619775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211533301.1A CN115619775B (zh) 2022-12-02 2022-12-02 基于图像识别的物料计数方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211533301.1A CN115619775B (zh) 2022-12-02 2022-12-02 基于图像识别的物料计数方法及装置

Publications (2)

Publication Number Publication Date
CN115619775A CN115619775A (zh) 2023-01-17
CN115619775B true CN115619775B (zh) 2023-04-07

Family

ID=84880885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211533301.1A Active CN115619775B (zh) 2022-12-02 2022-12-02 基于图像识别的物料计数方法及装置

Country Status (1)

Country Link
CN (1) CN115619775B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994906B (zh) * 2023-03-22 2023-06-20 杭州深度视觉科技有限公司 基于轮廓位置索引的物料图像定位方法及装置
CN117115128B (zh) * 2023-09-11 2024-07-05 杭州深度视觉科技有限公司 图像的像素值计算方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112750162A (zh) * 2020-12-29 2021-05-04 北京电子工程总体研究所 一种目标识别定位方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100468462C (zh) * 2007-09-26 2009-03-11 腾讯科技（深圳）有限公司 阴影绘制方法及渲染装置
JP2010048958A (ja) * 2008-08-20 2010-03-04 Epson Imaging Devices Corp 画像処理装置、その処理方法および画像表示システム
CN102096934B (zh) * 2011-01-27 2012-05-23 电子科技大学 一种基于机器学习的人脸卡通画生成方法
CN114303039B (zh) * 2019-08-23 2024-01-09 株式会社日立高新技术 重叠测量系统以及重叠测量装置
CN113723413B (zh) * 2021-08-01 2024-03-08 北京工业大学 一种基于贪吃蛇的手写中文文本切分方法
CN115611393B (zh) * 2022-11-07 2023-04-07 中节能晶和智慧城市科技(浙江)有限公司 一种多端协同的多水厂混凝剂投放方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112750162A (zh) * 2020-12-29 2021-05-04 北京电子工程总体研究所 一种目标识别定位方法和装置

Also Published As

Publication number Publication date
CN115619775A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN115619775B (zh) 基于图像识别的物料计数方法及装置
CN111179225B (zh) 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法
CN115375676A (zh) 一种基于图像识别的不锈钢制品质量检测方法
CN114937055A (zh) 基于人工智能的图像自适应分割方法与系统
CN115063421B (zh) 极片区域检测方法及系统及装置及介质及缺陷检测方法
CN115147409B (zh) 基于机器视觉的手机壳生产品质检测方法
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN116310360A (zh) 一种电抗器表面缺陷检测方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN111027546B (zh) 一种字符分割方法、装置以及计算机可读存储介质
CN117274113B (zh) 基于图像增强的碎硅片清洗效果视觉检测方法
CN111046862B (zh) 一种字符分割方法、装置以及计算机可读存储介质
CN112581434A (zh) 一种用于产品缺陷检测的图像识别方法
CN111047556B (zh) 一种带钢表面缺陷检测方法及装置
CN116542982B (zh) 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN112288726B (zh) 一种井下带式输送机带面异物检测方法
CN114170165A (zh) 一种芯片表面缺陷检测方法和装置
CN115170804B (zh) 基于深度学习的表面缺陷检测方法、装置、系统和介质
CN115131359A (zh) 一种金属加工件表面麻点缺陷检测方法
CN112365450A (zh) 基于图像识别的物品分类计数的方法、装置和存储介质
CN114092682A (zh) 基于机器学习的小金具类缺陷检测算法
CN117974671B (zh) 基于人工智能的手表表盘缺陷智能检测方法
CN115587966A (zh) 一种在光照不均匀条件下零件有无缺漏的检测方法及系统
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN111429361A (zh) 一种基于机器视觉的菌落计数方法

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