CN115909151A - 一种复杂工作条件下运动容器编号识别方法 - Google Patents
一种复杂工作条件下运动容器编号识别方法 Download PDFInfo
- Publication number
- CN115909151A CN115909151A CN202211429563.3A CN202211429563A CN115909151A CN 115909151 A CN115909151 A CN 115909151A CN 202211429563 A CN202211429563 A CN 202211429563A CN 115909151 A CN115909151 A CN 115909151A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- target detection
- detection model
- cnn model
- 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
-
- 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
- Image Analysis (AREA)
Abstract
本发明提供了一种复杂工作条件下运动容器编号识别方法，涉及图像检测技术领域，包括如下步骤：S100：实时获取工作现场的视频流并进行实时图像采样，得到采样后图像；S200：构建目标检测模型并对所述目标检测模型进行训练，得到训练后的目标检测模型，得到含有目标容器的图像；S300：对所述含有目标容器的图像进行预处理，得到预处理后的图像；S400：将所述预处理后的图像输入至训练后的CNN模型中进行编号识别，输出运动容器编号。本发明通过图像预处理排除了复杂工作条件所带来的外部干扰，将目标检测模型与CNN模型结合，排除了识别模型对未出现容器进行误识别的干扰，提升了复杂工作条件下的运动容器编号识别的准确率。
Description
技术领域
本发明涉及图像检测技术领域，具体而言，尤其涉及一种复杂工作条件下运动容器编号识别方法。
背景技术
运动容器是指处于运动状态中用来装物品的器具，用它来完成物品的运输与投放。在工业生产等领域，经常使用带有编号的器具来装载相应物料，通过识别编号来得知物品质量、成分等信息，准确把握物料信息能提高生产效率、便于产品质量溯源。运动容器编号识别被广泛地应用于各种工作条件复杂的场景。复杂的工作条件包括但不限于：待识别容器处于高温、潮湿、光线变化强烈等其他严苛工作环境；待识别容器的背景复杂与容器运动导致的编号倾斜等。
运动容器编号识别目前主要有射频识别、图像识别与人工识别三种方式。射频识别需要在目标容器上安装射频标签，同时在合适位置安装射频接收装置。射频识别的方法在面对含有金属和水分的物件时应用难度较高，另外射频识别还局限于成本高与技术标准不统一。图像识别分为传统图像处理的方式以及基于深度学习的方式，传统图像处理方式提取的图像特征不如深度学习的方式可靠，准确率和速度都相对较差。人工识别是指用人来识别运动容器的编号，将识别到的编号输入到计算机中，这会带来安全、成本、效率等方面的问题。
然而，现有的运动容器编号识别方法存在着一定的问题：1、现有的基于深度学习的图像识别方式会存在空识别，即目标区域没出现运动容器，但是却把背景等类似编号的特征识别成编号，或者识别到其他仪器编号的情况，这两种情况都会影响待识别编号的准确率，对实际生产带来干扰，进而造成经济损失。2、现有的基于深度学习的图像识别方式会受到光线和编号倾斜的影响，实际工作现场会由于不同时段的光照、灯光强度不同带来光线变化，这会导致编号特征难以提取，从而降低识别准确率；编号倾斜是指目标容器处于运动过程中，容器倾斜会导致其上的编号倾斜问题，这也会降低最终的编号识别准确率。
发明内容
有鉴于此，本发明的目的在于提出一种复杂工作条件下运动容器编号识别方法，以解决现有的技术问题。
本发明采用的技术手段如下：
一种复杂工作条件下运动容器编号识别方法，包括如下步骤：
S100：实时获取工作现场的视频流并进行实时图像采样，得到采样后图像；
S200：构建目标检测模型并对所述目标检测模型进行训练，得到训练后的目标检测模型，得到含有目标容器的图像；
S300：对所述含有目标容器的图像进行预处理，得到预处理后的图像；
S400：构建CNN模型并根据实际场景对CNN模型进行训练，得到训练后的CNN模型；将所述预处理后的图像输入至训练后的CNN模型中进行编号识别，输出运动容器编号。
进一步地，S100包括如下步骤：
S110：通过工业相机实时监控工作现场；
S120：通过工业相机的网络接口获取工作现场的视频流；
S130：从所述视频流中定时获取单帧图像作为采样后图像。
进一步地，S200包括如下步骤：
S210：制作目标检测模型的数据集；
S220：构建目标检测模型；
S230：对目标检测模型进行训练，得到训练后的目标检测模型；
S240：用训练后的目标检测模型对采样后图像进行检测，得到含有目标容器的图像。
进一步地，S230包括如下步骤：
S231：加载预训练模型，利用所述预训练模型进行目标检测模型参数初始化；
S232：输入目标检测模型的数据集至所述目标检测模型中；
S233：通过前向传播，损失计算，得到当前目标检测模型的平均精度；
S234：进行误差反向传播，利用随机梯度下降法对训练模型进行模型优化，更新当前目标检测模型的平均精度，并重复S233和S234，直到迭代轮次达到预设值后将此时的目标检测模型保存后结束训练，得到训练后的目标检测模型。
进一步地，所述目标检测模型的损失函数为：
其中：lossCIOU为矩形框损失，lossBCE(S,B)为置信度损失，S1为预测框和真实框相交的面积，S2为预测框和真实框相并的面积，ρ为预测框和真实框的中心点距离，c为预测框和真实框的最小包围矩形的对角线长度，α为影响因子，wl为真实框的宽，hl为真实框的高，wp为测框的宽，hp为预测框的高，L(S,B)为置信度标签矩阵，P(S,B)为预测置信度矩阵，S为特征点，B为预测框。
进一步地，S300包括如下步骤：
S310：自适应调整图片亮度；计算灰度直方图，根据直方图计算直方图的累积分布，确定参数，将参数作用于RGB图像，从而进行图片的亮度调整；
S320：感兴趣区域获取；根据目标检测模型检测出的目标容器位置信息来确定识别区域，再通过动态阈值分割后的二值化图像获取像素最密集区域的外接矩形，最后通过截取子图的方式获得感兴趣区域；
S330：二次阈值分割；根据基于动态阈值分割后的二值化图像有效像素面积大小进行阈值重设，根据重设的阈值进行二次分割；
S340：图像去噪；通过中值滤波去除二次阈值分割后感兴趣区域的椒盐噪声，利用开、闭运算排除编号外孤立点以及填补编号中由于光线原因带来的部分空缺；
S350：掩膜处理；根据感兴趣区域设定相应尺寸的掩膜，通过像素投影获得掩膜中待保留的编号区域，去掉非编号区域的其他干扰；
S360：霍夫变换，利用霍夫变换来对运动过程中的倾斜编号进行矫正。
进一步地，S400包括如下步骤：
S410：制作CNN模型的数据集；
S420：构建CNN模型；
S430：对CNN模型进行训练，得到训练后的CNN模型；
S440：通过训练后的CNN模型对预处理后图像进行识别，得到运动容器编号。
进一步地，S410包括：
将N种运动容器编号的图像进行二值化处理，并根据编号的粗细程度、大小、倾斜程度来随机造样本，最后调整样本的尺寸为32×32，将每个样本进行打标签操作，最终根据样本容量将样本按照一定比例分成训练样本与测试样本。
进一步地，所述CNN模型为三层卷积层、三层池化层与两个全连接层，其中卷积核大小为3×3，激活函数采用ReLU函数，池化采用核为2×2的最大池化。
进一步地，S430包括如下步骤：
S431：对所述CNN模型进行模型参数初始化；
S432：将所述CNN模型的数据集输入到所述CNN模型中；
S433：对所述CNN模型进行前向传播、损失计算，得到当前CNN模型的损失；
S434：进行误差反向传播，利用随机梯度下降法对CNN模型进行优化，更新当前所述CNN模型的损失，并重复S433和S434，直到迭代轮次达到预设值后将此时的CNN模型保存后结束训练，得到训练后的CNN模型。
较现有技术相比，本发明具有以下优点：
不同于传统识别方式的直接对采样图片进行编号识别，本发明通过采用目标检测模型先对现场采样图像进行筛选，在先筛选出含有目标容器的图像后，再进行编号识别，解决了传统识别方法因空识别或者识别到别的设备编号而导致识别结果不准确的问题。
传统的识别方式因实际工作现场会由于不同时段的光照、灯光强度不同导致的光线变化和容器运动导致的编号倾斜，从而使提取的编号特征较差，最终降低识别准确率，而本发明在编号识别之前对图像进行了感兴趣区域获取、二次阈值分割等一系列特殊的图像预处理流程，通过特殊的图像预处理方法，自适应地调整图片亮度和矫正数字倾斜，使编号特征更加明显，从而提高识别的准确率。
本发明通过将目标检测模型与CNN模型结合起来进行运动容器编号的识别，好处在于既解决了单独使用目标检测算法造成的数据集制作成本高、训练时间长等问题，又消除了单独使用CNN模型带来的空识别干扰和其他编号干扰，提高了识别的准确率。
本发明构建了特殊的CNN模型，不同于已有的典型CNN框架，这种结构的CNN模型在不降低编号识别的准确率的前提下使处理速度变快，解决了现有识别方法处理不够迅速的问题，从而满足编号识别的实时性要求。
本发明中目标检测模型的损失函数只包含矩形框损失与置信度损失，而没有分类损失，这样的好处是减少了计算代价，节省训练时间。
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，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明流程图。
图2为本发明程序流程图。
图3为本发明预测框和真实框图。
图4为本发明CNN模型结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-4所示，本发明提供了一种复杂工作条件下运动容器编号识别方法，包括如下步骤：
S100：实时获取工作现场的视频流并进行实时图像采样，得到采样后图像；
S110：通过工业相机实时监控工作现场；
S120：通过工业相机的网络接口获取工作现场的视频流；
S130：从所述视频流中定时获取单帧图像作为采样后图像。定时获取单帧图像，根据目标检测模型的性能以及工作生产的实际需求来确定定时获取单帧图像的采样时间为200ms，并用队列对实时视频流的单帧图像进行存取以保证实时性。
S200：构建目标检测模型并对所述目标检测模型进行训练，得到训练后的目标检测模型，得到含有目标容器的图像；
S210：制作目标检测模型的数据集；根据工业现场运动容器的大小、角度、位置特征进行目标检测模型数据集制作，并划分训练集与测试集。
YOLOv5目标检测模型由Backbone进行特征提取、FPN进行特征加强、Yolo Head进行预测特征点对应的物体情况三部分构成。
S220：构建目标检测模型；
所述目标检测模型的损失函数为：
由于本发明只是利用目标检测算法来判断目标容器是否出现，进而排除容器未出现而带来的背景干扰，所以损失函数中只包含矩形框损失与置信度损失。
其中：lossCIOU为矩形框损失，lossBCE(S,B)为置信度损失，S1为预测框和真实框相交的面积，S2为预测框和真实框相并的面积，ρ为预测框和真实框的中心点距离，c为预测框和真实框的最小包围矩形的对角线长度，α为影响因子，wl为真实框的宽，hl为真实框的高，wp为测框的宽，hp为预测框的高，L(S,B)为置信度标签矩阵，P(S,B)为预测置信度矩阵，S为特征点，B为预测框。
S230：对目标检测模型进行训练，得到训练后的目标检测模型；
S231：加载预训练模型，利用所述预训练模型进行目标检测模型参数初始化；
S232：输入目标检测模型的数据集至所述目标检测模型中；
S233：通过前向传播，损失计算，得到当前目标检测模型的平均精度；
S234：进行误差反向传播，利用随机梯度下降法对训练模型进行模型优化，更新当前目标检测模型的平均精度，并重复S233和S234，直到迭代轮次达到预设值后将此时的目标检测模型保存后结束训练，得到训练后的目标检测模型。
通过加载YOLOv5预训练模型与模型参数初始化、输入训练样本、热身训练、前向传播、损失计算、反向传播、利用SGD进行模型优化、更新mAP、迭代轮次达到最大值后将最优模型保存后结束训练的方式来训练YOLOv5目标检测模型，迭代轮次选取100。
S240：用训练后的目标检测模型对采样后图像进行检测，得到含有目标容器的图像。首先进行主干特征提取后获得三个有效特征层，然后在加强特征提取网络进行特征融合，旨在结合不同尺度的特征信息，最后对三个有效特征层内的各个特征点进行判断，判断特征点是否有物体与其对应。若图像中无目标容器则继续检测从视频流接口中获得的实时单帧图像，否则返回目标容器的位置信息后进行后续的编号识别步骤。
S300：对所述含有目标容器的图像进行预处理，得到预处理后的图像；
S310：自适应调整图片亮度；计算灰度直方图，根据直方图计算直方图的累积分布，确定参数，将参数作用于RGB图像，从而进行图片的亮度调整；
S320：感兴趣区域获取；根据目标检测模型检测出的目标容器位置信息来确定识别区域，再通过动态阈值分割后的二值化图像获取像素最密集区域的外接矩形，最后通过截取子图的方式获得感兴趣区域；
S330：二次阈值分割；根据基于动态阈值分割后的二值化图像有效像素面积大小进行阈值重设，根据重设的阈值进行二次分割；
S340：图像去噪；通过中值滤波去除二次阈值分割后感兴趣区域的椒盐噪声，利用开、闭运算排除编号外孤立点以及填补编号中由于光线原因带来的部分空缺；
S350：掩膜处理；根据感兴趣区域设定相应尺寸的掩膜，通过像素投影获得掩膜中待保留的编号区域，去掉非编号区域的其他干扰；
S360：霍夫变换，利用霍夫变换来对运动过程中的倾斜编号进行矫正。
S400：构建CNN模型并根据实际场景对CNN模型进行训练，得到训练后的CNN模型；将所述预处理后的图像输入至训练后的CNN模型中进行编号识别，输出运动容器编号。
S410：制作CNN模型的数据集；将N种运动容器编号的图像进行二值化处理，并根据编号的粗细程度、大小、倾斜程度来随机造样本，最后调整样本的尺寸为32×32，将每个样本进行打标签操作，最终根据样本容量将样本按照一定比例分成训练样本与测试样本。
S420：构建CNN模型；所述CNN模型为三层卷积层、三层池化层与两个全连接层，其中卷积核大小为3×3，激活函数采用ReLU函数，池化采用核为2×2的最大池化。
S430：对CNN模型进行训练，得到训练后的CNN模型；
S431：对所述CNN模型进行模型模型参数初始化；
S432：将所述CNN模型的数据集输入到所述CNN模型中；
S433：对所述CNN模型进行前向传播、损失计算，得到当前CNN模型的损失；
S434：进行误差反向传播，利用随机梯度下降法对CNN模型进行优化，更新当前所述CNN模型的损失，并重复S433和S434，直到迭代轮次达到预设值后将此时的CNN模型保存后结束训练，得到训练后的CNN模型。
S440：通过训练后的CNN模型对预处理后图像进行识别，将预处理后的图像输入到训练好的识别网络中得到标签输出，经过解码可得到容器编号。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种复杂工作条件下运动容器编号识别方法，其特征在于，包括如下步骤：
S100：实时获取工作现场的视频流并进行实时图像采样，得到采样后图像；
S200：构建目标检测模型并对所述目标检测模型进行训练，得到训练后的目标检测模型，得到含有目标容器的图像；
S300：对所述含有目标容器的图像进行预处理，得到预处理后的图像；
S400：构建CNN模型并根据实际场景对CNN模型进行训练，得到训练后的CNN模型；将所述预处理后的图像输入至训练后的CNN模型中进行编号识别，输出运动容器编号。
2.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，S100包括如下步骤：
S110：通过工业相机实时监控工作现场；
S120：通过工业相机的网络接口获取工作现场的视频流；
S130：从所述视频流中定时获取单帧图像作为采样后图像。
3.根据权利要求2所述的复杂工作条件下运动容器编号识别方法，其特征在于，S200包括如下步骤：
S210：制作目标检测模型的数据集；
S220：构建目标检测模型；
S230：对目标检测模型进行训练，得到训练后的目标检测模型；
S240：用训练后的目标检测模型对采样后图像进行检测，得到含有目标容器的图像。
4.根据权利要求3所述的复杂工作条件下运动容器编号识别方法，其特征在于，S230包括如下步骤：
S231：加载预训练模型，利用所述预训练模型进行目标检测模型参数初始化；
S232：输入目标检测模型的数据集至所述目标检测模型中；
S233：通过前向传播，损失计算，得到当前目标检测模型的平均精度；
S234：进行误差反向传播，利用随机梯度下降法对训练模型进行模型优化，更新当前目标检测模型的平均精度，并重复S233和S234，直到迭代轮次达到预设值后将此时的目标检测模型保存后结束训练，得到训练后的目标检测模型。
5.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，所述目标检测模型的损失函数为：
其中：lossCIOU为矩形框损失，lossBCE(S,B)为置信度损失，S1为预测框和真实框相交的面积，S2为预测框和真实框相并的面积，ρ为预测框和真实框的中心点距离，c为预测框和真实框的最小包围矩形的对角线长度，α为影响因子，wl为真实框的宽，hl为真实框的高，wp为测框的宽，hp为预测框的高，L(S,B)为置信度标签矩阵，P(S,B)为预测置信度矩阵，S为特征点，B为预测框。
6.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，S300包括如下步骤：
S310：自适应调整图片亮度；计算灰度直方图，根据直方图计算直方图的累积分布，确定参数，将参数作用于RGB图像，从而进行图片的亮度调整；
S320：感兴趣区域获取；根据目标检测模型检测出的目标容器位置信息来确定识别区域，再通过动态阈值分割后的二值化图像获取像素最密集区域的外接矩形，最后通过截取子图的方式获得感兴趣区域；
S330：二次阈值分割；根据基于动态阈值分割后的二值化图像有效像素面积大小进行阈值重设，根据重设的阈值进行二次分割；
S340：图像去噪；通过中值滤波去除二次阈值分割后感兴趣区域的椒盐噪声，利用开、闭运算排除编号外孤立点以及填补编号中由于光线原因带来的部分空缺；
S350：掩膜处理；根据感兴趣区域设定相应尺寸的掩膜，通过像素投影获得掩膜中待保留的编号区域，去掉非编号区域的其他干扰；
S360：霍夫变换，利用霍夫变换来对运动过程中的倾斜编号进行矫正。
7.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，S400包括如下步骤：
S410：制作CNN模型的数据集；
S420：构建CNN模型；
S430：对CNN模型进行训练，得到训练后的CNN模型；
S440：通过训练后的CNN模型对预处理后图像进行识别，得到运动容器编号。
8.根据权利要求7所述的复杂工作条件下运动容器编号识别方法，其特征在于，S410包括：
将N种运动容器编号的图像进行二值化处理，并根据编号的粗细程度、大小、倾斜程度来随机造样本，最后调整样本的尺寸为32×32，将每个样本进行打标签操作，最终根据样本容量将样本按照一定比例分成训练样本与测试样本。
9.根据权利要求1所述的复杂工作条件下运动容器编号识别方法，其特征在于，所述CNN模型为三层卷积层、三层池化层与两个全连接层，其中卷积核大小为3×3，激活函数采用ReLU函数，池化采用核为2×2的最大池化。
10.根据权利要求7所述的复杂工作条件下运动容器编号识别方法，其特征在于，S430包括如下步骤：
S431：对所述CNN模型进行模型参数初始化；
S432：将所述CNN模型的数据集输入到所述CNN模型中；
S433：对所述CNN模型进行前向传播、损失计算，得到当前CNN模型的损失；
S434：进行误差反向传播，利用随机梯度下降法对CNN模型进行优化，更新当前所述CNN模型的损失，并重复S433和S434，直到迭代轮次达到预设值后将此时的CNN模型保存后结束训练，得到训练后的CNN模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211429563.3A CN115909151A (zh) | 2022-11-15 | 2022-11-15 | 一种复杂工作条件下运动容器编号识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211429563.3A CN115909151A (zh) | 2022-11-15 | 2022-11-15 | 一种复杂工作条件下运动容器编号识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115909151A true CN115909151A (zh) | 2023-04-04 |
Family
ID=86477206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211429563.3A Pending CN115909151A (zh) | 2022-11-15 | 2022-11-15 | 一种复杂工作条件下运动容器编号识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115909151A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991258A (zh) * | 2023-09-26 | 2023-11-03 | 北京杰创永恒科技有限公司 | 一种物品指示方法、系统、计算机设备及可读存储介质 |
-
2022
- 2022-11-15 CN CN202211429563.3A patent/CN115909151A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991258A (zh) * | 2023-09-26 | 2023-11-03 | 北京杰创永恒科技有限公司 | 一种物品指示方法、系统、计算机设备及可读存储介质 |
| CN116991258B (zh) * | 2023-09-26 | 2024-02-09 | 北京杰创永恒科技有限公司 | 一种物品指示方法、系统、计算机设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
| US20210334574A1 (en) | Commodity detection terminal, commodity detection method, system, computer device, and computer readable medium | |
| US10043090B2 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
| CN113160192A (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN110909712A (zh) | 运动目标检测方法、装置、电子设备及存储介质 | |
| CN111767754A (zh) | 一种识别码的识别方法、装置、电子设备及存储介质 | |
| CN115909151A (zh) | 一种复杂工作条件下运动容器编号识别方法 | |
| CN112307944A (zh) | 菜品库存信息处理方法、菜品出库方法及相关装置 | |
| CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
| CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
| CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
| CN112183554B (zh) | 一种自动化道路边界轮廓提取方法 | |
| CN115953463A (zh) | 一种包裹打标识方法、装置、设备以及存储介质 | |
| CN111402185A (zh) | 一种图像检测方法及装置 | |
| CN115471494A (zh) | 基于图像处理的沃柑质检方法、装置、装备及存储介质 | |
| CN115393855A (zh) | 一种车牌产品质量检测方法、系统及设备 | |
| CN114092542A (zh) | 一种基于二维视觉的螺栓测量方法以及系统 | |
| CN113505258A (zh) | 智能手表表盘界面数据的预存方法、系统、装置及介质 | |
| CN112581472A (zh) | 一种面向人机交互的目标表面缺陷检测方法 | |
| CN112686222A (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
| CN118172296B (zh) | 一种基于图像处理的火源精确定位方法 | |
| CN115713758B (zh) | 一种车厢识别方法、系统、装置及存储介质 | |
| CN112926676B (zh) | 一种虚假目标识别方法、装置及计算机设备 | |
| CN118135065B (zh) | 隧道的动态灰度图生成方法、系统、存储介质及电子设备 |
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 |