CN116934716B - 一种新型模切套准检测方法 - Google Patents
一种新型模切套准检测方法 Download PDFInfo
- Publication number
- CN116934716B CN116934716B CN202310922585.1A CN202310922585A CN116934716B CN 116934716 B CN116934716 B CN 116934716B CN 202310922585 A CN202310922585 A CN 202310922585A CN 116934716 B CN116934716 B CN 116934716B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- representing
- window
- paper
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 238000004826 seaming Methods 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
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
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种新型模切套准检测方法,包括:图像预处理,相机实时采集图像,进行图像优化处理;静止检测,通过神经网络提取特征,判断纸张是否处于静止状态;产品定位,对图像进行模板匹配,输出匹配信息,并与印刷品产品库中的数据进行比对;结果输出,当有不良品时通过IO模块控制模切机停机,通过三色告警灯进行提示。本发明提出深度学习与机器视觉相结合,通过模板进行定位,纸张状态通过神经网络判断,结合纸张状态与定位信息判断拉规精度、产品混装、纸张倒置、咬口倒置;视觉与自动化控制结合,视觉进行图像处理,依据图像处理结果,自动驱动控制系统,控制模切机停机,点亮三色告警灯提示,工作人员对不良品进行处理。
Description
技术领域
本发明涉及视觉识别技术领域,具体涉及一种新型模切套准检测方法。
背景技术
现有的模切套准,一些企业仍然采用最原始的检测办法:目视法,该方法主要依靠工作人员的经验和通过目视方法判断拉规精度、产品混装、纸张倒置、咬口倒置,产品的不良品率高,严重阻碍生产效率;
此外,现有的模切套准检测方法性能不稳定、识别效率低、识别准确率低,无法识别产品混装、纸张倒置、咬口倒置,无法控制模切机停机等缺点。
因此,现有技术存在不足,需要进一步改进。
发明内容
针对现有技术存在的问题,本发明提供一种新型模切套准检测方法。
为实现上述目的,本发明的具体方案如下:
本发明提供一种新型模切套准检测方法,该方法包括如下步骤:
S1,图像预处理:模切机运行,相机实时采集图像(彩色或黑白),并进行图像优化处理;
S2,静止检测:根据S1预处理的图像,通过神经网络提取特征,将连续多张图像进行特征分类,判断纸张是否处于静止状态;
S3,产品定位:结合S2的静止判断结论,对图像进行模板匹配,输出匹配信息,并与印刷品产品库中的数据进行比对,进行拉规精度、产品混装、纸张倒置、咬口倒置的识别判断;
S4,结果输出:根据S3中识别判断信息,显示结果信息,当有不良品时通过IO模块控制模切机停机,通过三色告警灯进行提示。
进一步地,在步骤S1中,图像预处理包括如下任意一种或多种:
调整图像大小:将图像的尺寸调整为固定的大小,以便适应模型的输入要求或减少计算复杂度;
裁剪图像:根据需要从图像中提取感兴趣的区域,去除无关的背景或边缘;
翻转和旋转:对图像进行水平或垂直翻转,或者按照一定角度进行旋转,以增加数据的多样性;
调整亮度和对比度:调整图像的亮度和对比度,以增强图像的特征或适应不同的光照条件;
标准化:对图像进行均值归一化或标准差归一化,以使图像的像素值范围在一定区间内,有助于模型的训练和收敛;
均衡化:对图像的直方图进行均衡化,以增强图像的对比度和细节;
滤波:应用滤波器来平滑图像、去除噪声或增强图像的特定频率成分;
增加噪声:向图像中添加随机噪声,以增加数据的多样性或增强模型的鲁棒性;
彩色空间转换:将图像从一种彩色空间转换为另一种,从RGB到灰度图像、RGB到HSV;
数据增强:通过旋转、平移、缩放、剪切操作,生成一系列与原始图像相关的新图像,以扩充训练数据集。
进一步地,S2具体包括如下步骤:
S201,输入经过预处理的图像,划分特征组,进行卷积特征提取,提取特征向量C,并进行小特征组特征融合;
其中,C为卷积计算,R代表组内特征组数量,K代表组间特征组数量,IH图像高度,IW图像宽度,c为图像通道数量,为小特征组特征融合;
S202,跨通道合并组特征,将组间特征进行融合;
其中,代表组间特征计算,/>代表特征非线性转化,/>代表上下文特征;
S203,多张图像特征集合回归,判断是否处于静止状态;
其中,x代表特征向量,y代表状态,θ为模型参数,K为状态数量。
进一步地,步骤S3具体包括如下步骤:
S301,构建m*n邻域像素匹配窗口,对窗口进行相似度比对;
其中,S(p,d)代表相似度,Wp代表m*n的窗口,p代表像素位置,d代表偏移像素数,f代表原始图像像素值,代表原始窗口内的像素均值,f1代表原始像素在x方向上偏移d后的像素值,/>窗口偏移d后的像素均值;
S302,进行窗口过滤、选择;
T=WinFS(S1,S2...,Sn)
其中S1,S2..,Sn为相似度与窗口位置,n为窗口数量,T为选中窗口;
S303,输出比对结果。
采用本发明的技术方案,具有以下有益效果:
1.提出深度学习与机器视觉相结合识别印刷品,不同印刷品通过模板进行定位,纸张状态通过神经网络判断,结合纸张状态与定位信息判断拉规精度、产品混装、纸张倒置、咬口倒置;
2.深度学习与机器视觉有机结合;解决了产品混装、纸张倒置、咬口倒置识别不稳地问题,在训练特征提取网络时,只需要正品印刷品即可,而且更易于收集;
3.视觉与自动化控制结合,视觉进行图像处理,依据图像处理结果,自动驱动控制系统,控制模切机停机,点亮三色告警灯提示,工作人员对不良品进行处理。
附图说明
图1是本发明的流程图;
图2是本发明的静止检测的流程图;
图3是本发明的图像与产品库对比流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在本发明的描述中,除非另有明确的规定和限定,术语“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本实施例的描述中,术语“上”、“下”、“前”、“后”、“左”、“右”等方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述和简化操作,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅仅用于在描述上加以区分,并没有特殊的含义。
模切套准检测是指利用人工智能与计算机视觉自动识别产品,与注册产品进行对比输出拉规精度、产品混装、纸张倒置、咬口倒置,并控制模切机停机、三色告警灯提示;随着人工智能的发展,图像识别在现代生活中应用非常广泛,包装印刷企业在产业升级过程中,对产品质检、工业自动化提出更高的要求;在包装印刷领域的广泛应用需求使模切套准技术有了长足的发展,结合其他技术,为工业生产、工业控制、产品制造等多个行业更好的服务;通过深度学习、计算机视觉实现的模切套准技术,经过不断的发展,越来越适用于大众的需求。
结合图1-图3所示,本发明提供一种新型模切套准检测方法,该方法包括如下步骤:
S1,图像预处理,模切机运行,相机实时采集图像(彩色或黑白),并进行图像优化处理;
S2,静止检测,根据S1预处理的图像,通过神经网络提取特征,将连续多张图像进行特征分类,判断纸张是否处于静止状态;
S3,产品定位,结合S2的静止判断结论,对图像进行模板匹配,输出匹配信息,并与印刷品产品库中的数据进行比对,进行拉规精度、产品混装、纸张倒置、咬口倒置的识别判断;
S4,结果输出,根据S3中识别判断信息,显示结果信息,当有不良品时通过IO模块控制模切机停机,通过三色告警灯进行提示。
在步骤S1中,图像预处理包括如下任意一种或多种:
调整图像大小:将图像的尺寸调整为固定的大小,以便适应模型的输入要求或减少计算复杂度;
裁剪图像:根据需要从图像中提取感兴趣的区域,去除无关的背景或边缘;
翻转和旋转:对图像进行水平或垂直翻转,或者按照一定角度进行旋转,以增加数据的多样性;
调整亮度和对比度:调整图像的亮度和对比度,以增强图像的特征或适应不同的光照条件;
标准化:对图像进行均值归一化或标准差归一化,以使图像的像素值范围在一定区间内,有助于模型的训练和收敛;
均衡化:对图像的直方图进行均衡化,以增强图像的对比度和细节;
滤波:应用滤波器来平滑图像、去除噪声或增强图像的特定频率成分;
增加噪声:向图像中添加随机噪声,以增加数据的多样性或增强模型的鲁棒性;
彩色空间转换:将图像从一种彩色空间转换为另一种,从RGB到灰度图像、RGB到HSV;
数据增强:通过旋转、平移、缩放、剪切操作,生成一系列与原始图像相关的新图像,以扩充训练数据集。
S2具体包括如下步骤:
S201,输入经过预处理的图像,划分特征组,进行卷积特征提取,提取特征向量C,并进行小特征组特征融合;
其中,C为卷积计算,R代表组内特征组数量,K代表组间特征组数量,IH图像高度,IW图像宽度,c为图像通道数量,为小特征组特征融合;
S202,跨通道合并组特征,将组间特征进行融合;
其中,代表组间特征计算,/>代表特征非线性转化,/>代表上下文特征;
S203,多张图像特征集合回归,判断是否处于静止状态;
其中,x代表特征向量,y代表状态,θ为模型参数,K为状态数量。
步骤S3具体包括如下步骤:
S301,构建m*n邻域像素匹配窗口,对窗口进行相似度比对;
其中,S(p,d)代表相似度,Wp代表m*n的窗口,p代表像素位置,d代表偏移像素数,f代表原始图像像素值,代表原始窗口内的像素均值,f1代表原始像素在x方向上偏移d后的像素值,/>窗口偏移d后的像素均值;
S302,进行窗口过滤、选择;
T=WinFS(S1,S2...,Sn)
其中S1,S2..,Sn为相似度与窗口位置,n为窗口数量,T为选中窗口;
S303,输出比对结果。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的保护范围内。
Claims (3)
1.一种新型模切套准检测方法,其特征在于,该方法包括如下步骤:
S1,图像预处理:模切机运行,相机实时采集图像,并进行图像优化处理;
S2,静止检测:根据S1预处理的图像,通过神经网络提取特征,将连续多张图像进行特征分类,判断纸张是否处于静止状态;
S3,产品定位:结合S2的静止判断结论,对图像进行模板匹配,输出匹配信息,并与印刷品产品库中的数据进行比对,进行拉规精度、产品混装、纸张倒置、咬口倒置的识别判断;
S4,结果输出:根据S3中识别判断信息,显示结果信息,当有不良品时通过IO模块控制模切机停机,通过三色告警灯进行提示;
S2具体包括如下步骤:
S201,输入经过预处理的图像,划分特征组,进行卷积特征提取,提取特征向量C,并进行小特征组特征融合;
其中,C为卷积计算,R代表组内特征组数量,K代表组间特征组数量,IH图像高度,IW图像宽度,c为图像通道数量,为小特征组特征融合;
S202,跨通道合并组特征,将组间特征进行融合;
其中,代表组间特征计算,/>代表特征非线性转化,/>代表上下文特征;
S203,多张图像特征集合回归,判断是否处于静止状态;
其中,x代表特征向量,y代表状态,为模型参数,K为状态数量。
2.根据权利要求1所述的新型模切套准检测方法,其特征在于,
在步骤S1中,图像预处理包括如下任意一种或多种:
调整图像大小:将图像的尺寸调整为固定的大小,以便适应模型的输入要求或减少计算复杂度;
裁剪图像:根据需要从图像中提取感兴趣的区域,去除无关的背景或边缘;
翻转和旋转:对图像进行水平或垂直翻转,或者按照一定角度进行旋转,以增加数据的多样性;
调整亮度和对比度:调整图像的亮度和对比度,以增强图像的特征或适应不同的光照条件;
标准化:对图像进行均值归一化或标准差归一化,以使图像的像素值范围在一定区间内,有助于模型的训练和收敛;
均衡化:对图像的直方图进行均衡化,以增强图像的对比度和细节;
滤波:应用滤波器来平滑图像、去除噪声或增强图像的特定频率成分;
增加噪声:向图像中添加随机噪声,以增加数据的多样性或增强模型的鲁棒性;
彩色空间转换:将图像从一种彩色空间转换为另一种,从RGB到灰度图像、RGB到HSV;
数据增强:通过旋转、平移、缩放、剪切操作,生成一系列与原始图像相关的新图像,以扩充训练数据集。
3.根据权利要求1所述的新型模切套准检测方法,其特征在于,
步骤S3具体包括如下步骤:
S301,构建m*n邻域像素匹配窗口,对窗口进行相似度比对;
其中,/>代表相似度,/>代表m*n的窗口,p代表像素位置,d代表偏移像素数,/>代表原始图像像素值,/>代表原始窗口内的像素均值,/>代表原始像素在x方向上偏移d后的像素值,/>窗口偏移d后的像素均值;
S302,进行窗口过滤、选择;
其中S1,S2..,Sn为相似度与窗口位置,n为窗口数量,T为选中窗口;
S303,输出比对结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310922585.1A CN116934716B (zh) | 2023-07-25 | 2023-07-25 | 一种新型模切套准检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310922585.1A CN116934716B (zh) | 2023-07-25 | 2023-07-25 | 一种新型模切套准检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934716A CN116934716A (zh) | 2023-10-24 |
CN116934716B true CN116934716B (zh) | 2024-03-15 |
Family
ID=88393889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310922585.1A Active CN116934716B (zh) | 2023-07-25 | 2023-07-25 | 一种新型模切套准检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934716B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299477A (zh) * | 2021-11-30 | 2022-04-08 | 长安大学 | 一种车辆视觉定位方法、系统、设备及可读存储介质 |
CN114595635A (zh) * | 2022-03-10 | 2022-06-07 | 中南大学 | 火电机组主汽温度数据的特征选择方法、系统及设备 |
CN114972246A (zh) * | 2022-05-24 | 2022-08-30 | 河海大学 | 一种基于深度学习的模切产品表面缺陷检测方法 |
CN115690234A (zh) * | 2022-11-04 | 2023-02-03 | 深圳云码通科技有限公司 | 一种新型光纤颜色线序检测方法及系统 |
CN116175670A (zh) * | 2023-03-09 | 2023-05-30 | 江苏赫锐智能科技有限公司 | 一种基于伺服机械臂的模切精度调整系统及方法 |
CN116214634A (zh) * | 2023-02-08 | 2023-06-06 | 思睿观通科技(江苏)有限公司 | 一种模切方法和系统 |
-
2023
- 2023-07-25 CN CN202310922585.1A patent/CN116934716B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299477A (zh) * | 2021-11-30 | 2022-04-08 | 长安大学 | 一种车辆视觉定位方法、系统、设备及可读存储介质 |
CN114595635A (zh) * | 2022-03-10 | 2022-06-07 | 中南大学 | 火电机组主汽温度数据的特征选择方法、系统及设备 |
CN114972246A (zh) * | 2022-05-24 | 2022-08-30 | 河海大学 | 一种基于深度学习的模切产品表面缺陷检测方法 |
CN115690234A (zh) * | 2022-11-04 | 2023-02-03 | 深圳云码通科技有限公司 | 一种新型光纤颜色线序检测方法及系统 |
CN116214634A (zh) * | 2023-02-08 | 2023-06-06 | 思睿观通科技(江苏)有限公司 | 一种模切方法和系统 |
CN116175670A (zh) * | 2023-03-09 | 2023-05-30 | 江苏赫锐智能科技有限公司 | 一种基于伺服机械臂的模切精度调整系统及方法 |
Non-Patent Citations (2)
Title |
---|
"Eddy currents testing defect characterization based on non-linear regressions and artificial neureal networks";Luis Rosado等;《2012 IEEE International Instrumentation and Measurement Technology Conference Proceedings》;20120702;全文 * |
"基于宏块特征的视频篡改检测算法研究与实现";张伟;《中国优秀硕士学位论文全文数据库》;20200115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934716A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11164027B2 (en) | Deep learning based license plate identification method, device, equipment, and storage medium | |
Chen et al. | Text identification in complex background using SVM | |
Shen et al. | Improving OCR performance with background image elimination | |
CN102819728A (zh) | 一种基于分类模板匹配的交通标志检测方法 | |
CN110766017B (zh) | 基于深度学习的移动终端文字识别方法及系统 | |
CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN111126115A (zh) | 暴力分拣行为识别方法和装置 | |
CN114140803B (zh) | 基于深度学习的文档单字坐标检测和修正方法及系统 | |
CN113298809B (zh) | 基于深度学习和超像素分割的复材超声图像缺陷检测方法 | |
CN115578741A (zh) | 一种基于Mask R-cnn算法和类型分割的扫描文件版面分析方法 | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
Budianto | Automatic License Plate Recognition: A Review with Indonesian Case Study | |
CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
CN112508000B (zh) | 一种用于ocr图像识别模型训练数据生成的方法及设备 | |
CN116934716B (zh) | 一种新型模切套准检测方法 | |
CN115775226B (zh) | 基于Transformer的医学图像分类方法 | |
CN112966730A (zh) | 车辆伤损识别方法、装置、设备及存储介质 | |
CN115082923B (zh) | 一种基于机器视觉的牛奶包装盒生产日期识别方法 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN114155540B (zh) | 基于深度学习的文字识别方法、装置、设备及存储介质 | |
CN106056575A (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
JP6377214B2 (ja) | テキスト検出方法および装置 | |
Goud et al. | Text localization and recognition from natural scene images using ai | |
CN108171750A (zh) | 基于视觉的箱子装卸定位识别系统 |
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 |