CN116168375B - 一种汽车零部件智能识别方法及系统 - Google Patents
一种汽车零部件智能识别方法及系统 Download PDFInfo
- Publication number
- CN116168375B CN116168375B CN202211700270.4A CN202211700270A CN116168375B CN 116168375 B CN116168375 B CN 116168375B CN 202211700270 A CN202211700270 A CN 202211700270A CN 116168375 B CN116168375 B CN 116168375B
- Authority
- CN
- China
- Prior art keywords
- image
- sample library
- image set
- preset
- wave band
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及汽车零件识别技术领域,具体公开了一种汽车零部件智能识别方法及系统,所述方法包括获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库;在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征;根据所述图像特征在样本库中进行遍历匹配,得到子样本库;根据所述子样本库中的样本数量调节采集角度,循环执行直至样本数量为一。本发明根据物理参数及已经获取的图像对待比对样本库进行限缩,根据限缩结果不断地调节图像获取角度,极大地提高了零部件识别过程的适配性,变相地提高了识别效率。
Description
技术领域
本发明涉及汽车零件识别技术领域,具体是一种汽车零部件智能识别方法及系统。
背景技术
汽车零部件(英文:Auto Spare Parts),是构成汽车配件加工整体的各单元,以及服务于汽车配件加工的产品。
汽车作为一种成熟的工业品,汽车零部件的数量极多;在汽车回收领域中,往往需要对汽车零部件进行识别,这种识别大都由工作人员进行人工识别,虽然识别准确率较高,但是工作人员工作量大,识别速度较低,如何提供一种智能高效地汽车零部件识别技术是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种汽车零部件智能识别方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种汽车零部件智能识别方法,所述方法包括:
获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库;
在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征;
根据所述图像特征在样本库中进行遍历匹配,得到子样本库;
根据所述子样本库中的样本数量调节采集角度,循环执行直至样本数量为一。
作为本发明进一步的方案:所述获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库的步骤包括:
获取待检零件的重量及各个预设方向上的尺寸参数,将所述重量及各个预设方向上的尺寸参数输入预设的统计分类模型,得到含有概率标签的零件类型表;
根据概率标签对零件类型表进行排序,并根据概率标签计算排序后的零件类型表中各零件类型的权重;
根据零件类型查询样本库,根据所述权重在样本库中确定目标样本子库。
作为本发明进一步的方案:所述在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征的步骤包括:
在预设的波段范围中选取目标波段,根据预设的采集顺序获取待检零件的图像;所述采集顺序为采集角度的顺序;
根据采集角度对图像进行分类,得到以采集角度为索引的第一图像集;
在第一图像集中,根据波段范围对图像进行分类,得到以波段范围为子索引的第二图像集;
依次对所述第二图像集进行筛选,得到含有图像集族;
对所述图像集族进行识别,确定图像特征。
作为本发明进一步的方案:所述依次对所述第二图像集进行筛选,得到含有图像集族的步骤包括:
将第二图像集中的各图像转换为YCbCr图像,并计算Y特征值;所述Y特征值包括均值和众数;
计算所有Y特征值的均值,根据Y特征值的均值计算各Y特征值的差异率,根据所述差异率剔除异常图像;
计算所有Y特征值的众数,根据所述众数剔除重复图像;
统计筛选后的第二图像集,基于分类的结果生成图像集族;所述图像集族的元素为图像集,所述图像集的标签由采集角度和波段范围确定。
作为本发明进一步的方案:所述对所述图像集族进行识别,确定图像特征的步骤包括:
根据图像集族中的标签,选取同一采集角度的图像集,并读取该图像集对应的转换图像集;所述转换图像集中的图像为YCbCr图像;
对转换图像集中的各图像进行轮廓识别,获取各轮廓及其中心点位置;
根据中心点位置及中心点的YCbCr值确定该图像的分布特征;
基于分类的结果将所述分布特征输入预设的统计拟合模型,得到含有梯度的图像特征;所述梯度与输入的图像集的标签数量呈正比。
作为本发明进一步的方案:所述根据所述图像特征在样本库中进行遍历匹配,得到子样本库的步骤包括:
实时获取图像特征,根据所述图像特征在样本库中进行遍历匹配,得到子样本库的数量并计算数量变化率;
当数量变化率小于预设的变化率阈值且持续时长达到预设的时长阈值时,调节分布特征的读取输入顺序;
当数量为一时,发送拟合停止指令。
本发明技术方案还提供了一种汽车零部件智能识别系统,所述系统包括:
样本库查询模块,用于获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库;
图像特征确定模块,用于在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征;
遍历匹配模块,用于根据所述图像特征在样本库中进行遍历匹配,得到子样本库;
样本库限缩模块,用于根据所述子样本库中的样本数量调节采集角度,循环执行直至样本数量为一。
作为本发明进一步的方案:所述样本库查询模块包括:
零件表生成单元,用于获取待检零件的重量及各个预设方向上的尺寸参数,将所述重量及各个预设方向上的尺寸参数输入预设的统计分类模型,得到含有概率标签的零件类型表;
权重计算单元,用于根据概率标签对零件类型表进行排序,并根据概率标签计算排序后的零件类型表中各零件类型的权重;
样本库查询单元,用于根据零件类型查询样本库,根据所述权重在样本库中确定目标样本子库。
作为本发明进一步的方案:所述图像特征确定模块包括:
图像获取单元,用于在预设的波段范围中选取目标波段,根据预设的采集顺序获取待检零件的图像;所述采集顺序为采集角度的顺序;
第一分类单元,用于根据采集角度对图像进行分类,得到以采集角度为索引的第一图像集;
第二分类单元,用于在第一图像集中,根据波段范围对图像进行分类,得到以波段范围为子索引的第二图像集;
图像筛选单元,用于依次对所述第二图像集进行筛选,得到含有图像集族;
识别执行单元,用于对所述图像集族进行识别,确定图像特征。
作为本发明进一步的方案:所述图像筛选单元包括:
转换计算子单元,用于将第二图像集中的各图像转换为YCbCr图像,并计算Y特征值;所述Y特征值包括均值和众数;
第一剔除子单元,用于计算所有Y特征值的均值,根据Y特征值的均值计算各Y特征值的差异率,根据所述差异率剔除异常图像;
第二剔除子单元,用于计算所有Y特征值的众数,根据所述众数剔除重复图像;
图像统计子单元,用于统计筛选后的第二图像集,基于分类的结果生成图像集族;所述图像集族的元素为图像集,所述图像集的标签由采集角度和波段范围确定。
与现有技术相比,本发明的有益效果是:本发明根据物理参数及已经获取的图像对待比对样本库进行限缩,根据限缩结果不断地调节图像获取角度,极大地提高了零部件识别过程的适配性,智能化程度高,识别速度快。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
图1为汽车零部件智能识别方法的流程框图。
图2为汽车零部件智能识别方法的第一子流程框图。
图3为汽车零部件智能识别方法的第二子流程框图。
图4为汽车零部件智能识别方法的第三子流程框图。
图5为汽车零部件智能识别系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为汽车零部件智能识别方法的流程框图,本发明实施例中,一种汽车零部件智能识别方法,所述方法包括:
步骤S100:获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库;
获取待检零件的物理参数,由物理参数可以确定该待检零件可能属于哪些零件类型;其中,所述物理参数指的是重量与体积参数,借助现有的传感器很容易获取;比如,重量可以用压力传感器获取,尺寸(体积)可以用红外传感器获取。
步骤S200:在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征;
在不同的采集角度、不同的波段范围内、按照预设的采集频率获取待检零件的图像,对图像进行识别,可以得到图像特征;其中,采集角度一般就是预设的五个角度(剔除仰视角度),获取俯视图、左视图、右视图、前视图和后视图;所述波段范围可以为可见光、红外光和紫外光;当然,还可以进行更具体的细分,本发明不做限定。
步骤S300:根据所述图像特征在样本库中进行遍历匹配,得到子样本库;
由图像特征作为索引,在样本库中进行遍历,随着图像特征越来越丰富,最终即可确定汽车零部件属于何种零部件。
步骤S400:根据所述子样本库中的样本数量调节采集角度,循环执行直至样本数量为一;
不断地调节采集角度并循环执行遍历匹配过程,当样本库中只有一个样本时,该样本就是待检零件的识别结果。
如果最终样本数量不为一或者样本数量在某一次循环中为零,就需要上报至人工检测端,人工检测端会生成人工检测结果,根据人工检测结果再对遍历匹配过程进行调整,所述调整除了上述调节采集角度,还包括扩充样本库、调整波段范围和更新图像识别过程。
图2为汽车零部件智能识别方法的第一子流程框图,所述获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库的步骤包括:
步骤S101:获取待检零件的重量及各个预设方向上的尺寸参数,将所述重量及各个预设方向上的尺寸参数输入预设的统计分类模型,得到含有概率标签的零件类型表;
由重量和尺寸,可以判断出待检零件可能属于哪些零件,所述尺寸无需过于细化,选取几个方向上的尺寸即可;属于哪些零件的可能性,由概率标签反映。
步骤S102:根据概率标签对零件类型表进行排序,并根据概率标签计算排序后的零件类型表中各零件类型的权重;
根据概率标签对零件类型表进行排序,然后计算各零件类型的权重,所述权重与概率存在映射关系;概率大的零件类型表,权重就高,所述权重的作用是,保证样本库中总样本数量在一定范围内。
步骤S103:根据零件类型查询样本库,根据所述权重在样本库中确定目标样本子库;
样本库由零件类型查询,根据权重在样本库中选取部分样本,得到目标样本子库;需要说明的是,所述权重影响的是样本库的颗粒度,样本库中每个零件的样本有很多,权重影响每个零件样本的数量;所述样本库中每个零件的样本数量存在最低阈值。
图3为汽车零部件智能识别方法的第二子流程框图,所述在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征的步骤包括:
步骤S201:在预设的波段范围中选取目标波段,根据预设的采集顺序获取待检零件的图像;所述采集顺序为采集角度的顺序;
首先,确定目标波段,在目标波段下,根据不同的采集角度获取待检零件的图像。
步骤S202:根据采集角度对图像进行分类,得到以采集角度为索引的第一图像集;
由采集角度统计所有波段范围下采集到的图像,得到第一级分类结果。
步骤S203:在第一图像集中,根据波段范围对图像进行分类,得到以波段范围为子索引的第二图像集;
在第一级分类结果中,按照波段范围对图像进行二级分类,得到第二级分类结果。
步骤S204:依次对所述第二图像集进行筛选,得到含有图像集族;
第二图像集就是同一采集角度、同一波段范围对应的图像,所有筛选后的第二图像集共同组成图像集族。
步骤S205:对所述图像集族进行识别,确定图像特征。
对图像集族进行识别,可以得到该待检零件的图像特征。
作为本发明技术方案的一个优选实施例,所述依次对所述第二图像集进行筛选,得到含有图像集族的步骤包括:
将第二图像集中的各图像转换为YCbCr图像,并计算Y特征值;所述Y特征值包括均值和众数;
计算所有Y特征值的均值,根据Y特征值的均值计算各Y特征值的差异率,根据所述差异率剔除异常图像;
计算所有Y特征值的众数,根据所述众数剔除重复图像;
统计筛选后的第二图像集,基于分类的结果生成图像集族;所述图像集族的元素为图像集,所述图像集的标签由采集角度和波段范围确定。
YCbCr或Y'CbCr有的时候会被写作:YCBCR或是Y'CBCR,是色彩空间的一种,其中,Y是指亮度分量,Cb指蓝色色度分量,而Cr指红色色度分量;由于人眼对Y值更为敏感(人眼中视杆细胞多于视锥细胞),因此,基于Y值对图像进行筛选;筛选的目的是剔除明显异常(Y值过大或过小)的图像和重复度较高的图像;前者基于均值进行剔除,后者基于众数进行剔除。
作为本发明技术方案的一个优选实施例,所述对所述图像集族进行识别,确定图像特征的步骤包括:
根据图像集族中的标签,选取同一采集角度的图像集,并读取该图像集对应的转换图像集;所述转换图像集中的图像为YCbCr图像;
对转换图像集中的各图像进行轮廓识别,获取各轮廓及其中心点位置;
根据中心点位置及中心点的YCbCr值确定该图像的分布特征;
基于分类的结果将所述分布特征输入预设的统计拟合模型,得到含有梯度的图像特征;所述梯度与输入的图像集的标签数量呈正比。
在已经存在图像转换过程的基础上,对YCbCr图像进行分析,确定轮廓及轮廓中心点,以轮廓中心点的位置及其YCbCr值确定分布特征,所述分布特征可以用二维数组表示,下标用于表示位置(坐标),二维数组的元素值用于表示YCbCr值。
根据预设的统计拟合模型对所有图像的分布特征进行处理,即可得到含有梯度的图像特征。
通俗地说,所述图像特征由多个分布特征共同确定,确定方式由工作人员预先统计设定。
图4为汽车零部件智能识别方法的第三子流程框图,所述根据所述图像特征在样本库中进行遍历匹配,得到子样本库的步骤包括:
步骤S301:实时获取图像特征,根据所述图像特征在样本库中进行遍历匹配,得到子样本库的数量并计算数量变化率;
由图像特征实时的对样本库进行限缩,在限缩过程中,记录样本库的样本数量。
步骤S302:当数量变化率小于预设的变化率阈值且持续时长达到预设的时长阈值时,调节分布特征的读取输入顺序;
当样本数量长时间不变时,就需要适当的调整读取输入顺序,所述读取输入顺序指的是基于分类的结果将所述分布特征输入预设的统计拟合模型这一步骤中分布特征的选取顺序。
步骤S303:当数量为一时,发送拟合停止指令;
当数量提前达到一时,基于分类的结果将所述分布特征输入预设的统计拟合模型这一步骤即可提前结束,这样可以提高处理速度。
实施例2
图5为汽车零部件智能识别系统的组成结构框图,本发明实施例中,一种汽车零部件智能识别系统,所述系统10包括:
样本库查询模块11,用于获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库;
图像特征确定模块12,用于在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征;
遍历匹配模块13,用于根据所述图像特征在样本库中进行遍历匹配,得到子样本库;
样本库限缩模块14,用于根据所述子样本库中的样本数量调节采集角度,循环执行直至样本数量为一。
所述样本库查询模块11包括:
零件表生成单元,用于获取待检零件的重量及各个预设方向上的尺寸参数,将所述重量及各个预设方向上的尺寸参数输入预设的统计分类模型,得到含有概率标签的零件类型表;
权重计算单元,用于根据概率标签对零件类型表进行排序,并根据概率标签计算排序后的零件类型表中各零件类型的权重;
样本库查询单元,用于根据零件类型查询样本库,根据所述权重在样本库中确定目标样本子库。
所述图像特征确定模块12包括:
图像获取单元,用于在预设的波段范围中选取目标波段,根据预设的采集顺序获取待检零件的图像;所述采集顺序为采集角度的顺序;
第一分类单元,用于根据采集角度对图像进行分类,得到以采集角度为索引的第一图像集;
第二分类单元,用于在第一图像集中,根据波段范围对图像进行分类,得到以波段范围为子索引的第二图像集;
图像筛选单元,用于依次对所述第二图像集进行筛选,得到含有图像集族;
识别执行单元,用于对所述图像集族进行识别,确定图像特征。
进一步的,所述图像筛选单元包括:
转换计算子单元,用于将第二图像集中的各图像转换为YCbCr图像,并计算Y特征值;所述Y特征值包括均值和众数;
第一剔除子单元,用于计算所有Y特征值的均值,根据Y特征值的均值计算各Y特征值的差异率,根据所述差异率剔除异常图像;
第二剔除子单元,用于计算所有Y特征值的众数,根据所述众数剔除重复图像;
图像统计子单元,用于统计筛选后的第二图像集,基于分类的结果生成图像集族;所述图像集族的元素为图像集,所述图像集的标签由采集角度和波段范围确定。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种汽车零部件智能识别方法,其特征在于,所述方法包括:
获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库;
在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征;
根据所述图像特征在样本库中进行遍历匹配,得到子样本库;
根据所述子样本库中的样本数量调节采集角度,循环执行直至样本数量为一;
所述获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库的步骤包括:
获取待检零件的重量及各个预设方向上的尺寸参数,将所述重量及各个预设方向上的尺寸参数输入预设的统计分类模型,得到含有概率标签的零件类型表;
根据概率标签对零件类型表进行排序,并根据概率标签计算排序后的零件类型表中各零件类型的权重;
根据零件类型查询样本库,根据所述权重在样本库中确定目标样本子库;
所述根据所述图像特征在样本库中进行遍历匹配,得到子样本库的步骤包括:
实时获取图像特征,根据所述图像特征在样本库中进行遍历匹配,得到子样本库的数量并计算数量变化率;
当数量变化率小于预设的变化率阈值且持续时长达到预设的时长阈值时,调节分布特征的读取输入顺序;
当数量为一时,发送拟合停止指令。
2.根据权利要求1所述的汽车零部件智能识别方法,其特征在于,所述在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征的步骤包括:
在预设的波段范围中选取目标波段,根据预设的采集顺序获取待检零件的图像;所述采集顺序为采集角度的顺序;
根据采集角度对图像进行分类,得到以采集角度为索引的第一图像集;
在第一图像集中,根据波段范围对图像进行分类,得到以波段范围为子索引的第二图像集;
依次对所述第二图像集进行筛选,得到含有图像集族;
对所述图像集族进行识别,确定图像特征。
3.根据权利要求2所述的汽车零部件智能识别方法,其特征在于,所述依次对所述第二图像集进行筛选,得到含有图像集族的步骤包括:
将第二图像集中的各图像转换为YCbCr图像,并计算Y特征值;所述Y特征值包括均值和众数;
计算所有Y特征值的均值,根据Y特征值的均值计算各Y特征值的差异率,根据所述差异率剔除异常图像;
计算所有Y特征值的众数,根据所述众数剔除重复图像;
统计筛选后的第二图像集,基于分类的结果生成图像集族;所述图像集族的元素为图像集,所述图像集的标签由采集角度和波段范围确定。
4.根据权利要求3所述的汽车零部件智能识别方法,其特征在于,所述对所述图像集族进行识别,确定图像特征的步骤包括:
根据图像集族中的标签,选取同一采集角度的图像集,并读取该图像集对应的转换图像集;所述转换图像集中的图像为YCbCr图像;
对转换图像集中的各图像进行轮廓识别,获取各轮廓及其中心点位置;
根据中心点位置及中心点的YCbCr值确定该图像的分布特征;
基于分类的结果将所述分布特征输入预设的统计拟合模型,得到含有梯度的图像特征;所述梯度与输入的图像集的标签数量呈正比。
5.一种汽车零部件智能识别系统,其特征在于,所述系统包括:
样本库查询模块,用于获取待检零件的物理参数,根据所述物理参数确定含有概率标签的零件类型,并根据零件类型查询样本库;
图像特征确定模块,用于在预设的采集角度下根据预设的波段范围定时获取待检零件的图像,对所述图像进行识别,确定图像特征;
遍历匹配模块,用于根据所述图像特征在样本库中进行遍历匹配,得到子样本库;
样本库限缩模块,用于根据所述子样本库中的样本数量调节采集角度,循环执行直至样本数量为一;
所述样本库查询模块包括:
零件表生成单元,用于获取待检零件的重量及各个预设方向上的尺寸参数,将所述重量及各个预设方向上的尺寸参数输入预设的统计分类模型,得到含有概率标签的零件类型表;
权重计算单元,用于根据概率标签对零件类型表进行排序,并根据概率标签计算排序后的零件类型表中各零件类型的权重;
样本库查询单元,用于根据零件类型查询样本库,根据所述权重在样本库中确定目标样本子库;
所述根据所述图像特征在样本库中进行遍历匹配,得到子样本库的内容包括:
实时获取图像特征,根据所述图像特征在样本库中进行遍历匹配,得到子样本库的数量并计算数量变化率;
当数量变化率小于预设的变化率阈值且持续时长达到预设的时长阈值时,调节分布特征的读取输入顺序;
当数量为一时,发送拟合停止指令。
6.根据权利要求5所述的汽车零部件智能识别系统,其特征在于,所述图像特征确定模块包括:
图像获取单元,用于在预设的波段范围中选取目标波段,根据预设的采集顺序获取待检零件的图像;所述采集顺序为采集角度的顺序;
第一分类单元,用于根据采集角度对图像进行分类,得到以采集角度为索引的第一图像集;
第二分类单元,用于在第一图像集中,根据波段范围对图像进行分类,得到以波段范围为子索引的第二图像集;
图像筛选单元,用于依次对所述第二图像集进行筛选,得到含有图像集族;
识别执行单元,用于对所述图像集族进行识别,确定图像特征。
7.根据权利要求6所述的汽车零部件智能识别系统,其特征在于,所述图像筛选单元包括:
转换计算子单元,用于将第二图像集中的各图像转换为YCbCr图像,并计算Y特征值;所述Y特征值包括均值和众数;
第一剔除子单元,用于计算所有Y特征值的均值,根据Y特征值的均值计算各Y特征值的差异率,根据所述差异率剔除异常图像;
第二剔除子单元,用于计算所有Y特征值的众数,根据所述众数剔除重复图像;
图像统计子单元,用于统计筛选后的第二图像集,基于分类的结果生成图像集族;所述图像集族的元素为图像集,所述图像集的标签由采集角度和波段范围确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211700270.4A CN116168375B (zh) | 2022-12-29 | 2022-12-29 | 一种汽车零部件智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211700270.4A CN116168375B (zh) | 2022-12-29 | 2022-12-29 | 一种汽车零部件智能识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168375A CN116168375A (zh) | 2023-05-26 |
CN116168375B true CN116168375B (zh) | 2023-07-04 |
Family
ID=86417472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211700270.4A Active CN116168375B (zh) | 2022-12-29 | 2022-12-29 | 一种汽车零部件智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168375B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358190A (zh) * | 2017-07-07 | 2017-11-17 | 广东中星电子有限公司 | 一种图像关键区域管理方法和装置 |
CN115410224A (zh) * | 2022-08-24 | 2022-11-29 | 云南电网有限责任公司电力科学研究院 | 基于图像数据的电力作业现场违章辨识系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104349207A (zh) * | 2014-11-11 | 2015-02-11 | 无锡科思电子科技有限公司 | 一种基于图像识别的机顶盒自动控制方法 |
CN109413386B (zh) * | 2018-10-30 | 2021-02-05 | 广州科易光电技术有限公司 | 一种温度监控方法及系统 |
CN112243582A (zh) * | 2019-08-30 | 2021-01-19 | 深圳市大疆创新科技有限公司 | 补光控制方法、装置、系统和存储介质 |
CN112013789B (zh) * | 2020-10-27 | 2021-04-06 | 山东海德智能科技有限公司 | 一种基于3d视觉算法的高精密零件偏差检测系统 |
CN112067626B (zh) * | 2020-11-16 | 2021-05-18 | 山东海德智能科技有限公司 | 一种基于结构光成像的3d视觉检测系统 |
-
2022
- 2022-12-29 CN CN202211700270.4A patent/CN116168375B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358190A (zh) * | 2017-07-07 | 2017-11-17 | 广东中星电子有限公司 | 一种图像关键区域管理方法和装置 |
CN115410224A (zh) * | 2022-08-24 | 2022-11-29 | 云南电网有限责任公司电力科学研究院 | 基于图像数据的电力作业现场违章辨识系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116168375A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102469620B1 (ko) | 생물학적 입자의 분류 시스템 및 방법 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN109886932A (zh) | 基于svm的轮速传感器齿圈表面缺陷检测方法 | |
CN105096293B (zh) | 用于处理尿液沉渣图像的待处理区块的方法和装置 | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
CN114660040A (zh) | 微生物单细胞种类鉴定方法、装置、介质及设备 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN116168375B (zh) | 一种汽车零部件智能识别方法及系统 | |
CN114332058A (zh) | 基于神经网络的血清质量识别方法、装置、设备及介质 | |
CN112084941A (zh) | 一种基于遥感图像的目标检测与识别方法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN111160374A (zh) | 一种基于机器学习的颜色识别方法及系统、装置 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN109543696A (zh) | 一种基于神经网络的图像识别方法及其应用 | |
CN103606160A (zh) | 图像处理装置及图像处理方法 | |
US20240212149A1 (en) | System and method of classification of biological particles | |
CN117523324B (zh) | 图像处理方法和图像样本分类方法、装置和存储介质 | |
CN110852355B (zh) | 一种基于knn的标签数据分类方法 | |
Hu et al. | Fast-Speed Image Recognition System on Retail Commodity Image | |
CN117197614A (zh) | 一种数据筛选的方法和装置 | |
Mao et al. | Power Transmission Line Defect Recognition Method Based on Binocular Feature Fusion and Improved FCOS Detection Head |
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 |