CN117173181B - 一种基于图像分解的座椅出厂校验方法与系统 - Google Patents
一种基于图像分解的座椅出厂校验方法与系统 Download PDFInfo
- Publication number
- CN117173181B CN117173181B CN202311451747.4A CN202311451747A CN117173181B CN 117173181 B CN117173181 B CN 117173181B CN 202311451747 A CN202311451747 A CN 202311451747A CN 117173181 B CN117173181 B CN 117173181B
- Authority
- CN
- China
- Prior art keywords
- seat
- image
- linear velocity
- moving
- sequence
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 41
- 230000003068 static effect Effects 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
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
本发明公开了一种基于图像分解的座椅出厂校验方法与系统,涉及座椅检测领域,其中,该方法包括:对多个座椅图像进行划分,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数;分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算获取平均移动线速度和平均移动角速度;分析获取第一稳定性系数和第二稳定性系数;结合平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,结合静态合规参数,作为指定座椅的出厂校验结果。解决了现有技术中座椅的出厂校验准确度低,导致座椅的出厂校验质量差的技术问题。
Description
技术领域
本发明涉及座椅检测领域,具体地,涉及一种基于图像分解的座椅出厂校验方法与系统。
背景技术
出厂校验是座椅生产的重要节点之一。出厂校验对于座椅生产质量具有重要影响。现有技术中,存在座椅的出厂校验准确度低,导致座椅的出厂校验质量差、乘坐体验差的技术问题。如何提高座椅的出厂校验质量,是提升车辆座椅使用质量的重要前提。
发明内容
本申请提供了一种基于图像分解的座椅出厂校验方法与系统。解决了现有技术中座椅的出厂校验准确度低,导致座椅的出厂校验质量差的技术问题。通过对座椅进行静态合规识别、动态合规分析,提高了座椅的出厂校验准确度、全面性,提升了座椅的出厂校验质量。
鉴于上述问题,本申请提供了一种基于图像分解的座椅出厂校验方法与系统。
第一方面,本申请提供了一种基于图像分解的座椅出厂校验方法,其中,所述方法应用于一种基于图像分解的座椅出厂校验系统,所述系统包括一基于图像分解的座椅出厂校验装置,所述装置包括静态校验模块、动态校验模块和评估模块,所述方法包括:通过静态校验模块,在多个角度,采集待进行校验的指定座椅的多个座椅图像,并进行灰度化处理;采用边缘识别算子,对多个灰度化图像进行遍历划分,并对划分获得的每个局部区域进行灰度直方图处理,根据灰度直方图识别获得灰度化图像内的边缘区域,获得多个边缘位置集合;根据多个边缘位置集合,对多个座椅图像进行划分,获得并根据多个划分结果分别进行头枕、靠背、坐垫的面积识别和角度识别,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数;将动态校验模块接入座椅控制总成,控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列,其中,第一方向为座椅上下或前后移动的方向,第二方向为座椅旋转放下或升起的方向;分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算获取平均移动线速度和平均移动角速度;根据所述移动线速度序列、移动角速度序列,拟合获得线速度变化曲线和角速度变化曲线,并提取获得第一曲线变化角度集和第二曲线变化角度集,分析获取第一稳定性系数和第二稳定性系数;结合所述平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,结合所述静态合规参数,作为指定座椅的出厂校验结果。
第二方面,本申请还提供了一种基于图像分解的座椅出厂校验系统,其中,所述系统包括一基于图像分解的座椅出厂校验装置,所述装置包括静态校验模块、动态校验模块和评估模块,所述系统还包括:座椅图像采集模块,所述座椅图像采集模块用于通过静态校验模块,在多个角度,采集待进行校验的指定座椅的多个座椅图像,并进行灰度化处理;边缘区域识别模块,所述边缘区域识别模块用于采用边缘识别算子,对多个灰度化图像进行遍历划分,并对划分获得的每个局部区域进行灰度直方图处理,根据灰度直方图识别获得灰度化图像内的边缘区域,获得多个边缘位置集合;静态合规参数计算模块,所述静态合规参数计算模块用于根据多个边缘位置集合,对多个座椅图像进行划分,获得并根据多个划分结果分别进行头枕、靠背、坐垫的面积识别和角度识别,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数;图像序列获得模块,所述图像序列获得模块用于将动态校验模块接入座椅控制总成,控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列,其中,第一方向为座椅上下或前后移动的方向,第二方向为座椅旋转放下或升起的方向;动态分析模块,所述动态分析模块用于分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算获取平均移动线速度和平均移动角速度;稳定性系数获取模块,所述稳定性系数获取模块用于根据所述移动线速度序列、移动角速度序列,拟合获得线速度变化曲线和角速度变化曲线,并提取获得第一曲线变化角度集和第二曲线变化角度集,分析获取第一稳定性系数和第二稳定性系数;校验结果获取模块,所述校验结果获取模块用于结合所述平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,结合所述静态合规参数,作为指定座椅的出厂校验结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过对待进行校验的指定座椅的多个座椅图像进行划分,获得多个面积识别结果和角度识别结果,并计算座椅静态合规参数;控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列;通过对多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算平均移动线速度和平均移动角速度;根据移动线速度序列、移动角速度序列,分析获取第一稳定性系数和第二稳定性系数;根据平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算指定座椅的动态合规参数,结合静态合规参数,生成指定座椅的出厂校验结果。通过对座椅进行静态合规识别、动态合规分析,提高了座椅的出厂校验准确度、全面性,提升了座椅的出厂校验质量。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本发明的一些实施例,而非对本发明的限制。
图1为本申请一种基于图像分解的座椅出厂校验方法的流程示意图;
图2为本申请一种基于图像分解的座椅出厂校验方法中获得动态合规参数的流程示意图;
图3为本申请一种基于图像分解的座椅出厂校验系统的结构示意图。
具体实施方式
本申请通过提供一种基于图像分解的座椅出厂校验方法与系统。解决了现有技术中座椅的出厂校验准确度低,导致座椅的出厂校验质量差的技术问题。通过对座椅进行静态合规识别、动态合规分析,提高了座椅的出厂校验准确度、全面性,提升了座椅的出厂校验质量。
实施例一:请参阅附图1,本申请提供一种基于图像分解的座椅出厂校验方法,其中,所述方法应用于一种基于图像分解的座椅出厂校验系统,所述系统包括一基于图像分解的座椅出厂校验装置,所述装置包括静态校验模块、动态校验模块和评估模块,所述方法具体包括如下步骤:
通过静态校验模块,在多个角度,采集待进行校验的指定座椅的多个座椅图像,并进行灰度化处理;
通过静态校验模块,在多个角度对待进行校验的指定座椅进行图像采集,获得多个座椅图像,并对多个座椅图像进行灰度化处理,获得多个灰度化图像。其中,静态校验模块包括现有技术中的可转动摄像头。待进行校验的指定座椅可以为使用所述一种基于图像分解的座椅出厂校验系统进行智能化出厂校验的任意座椅。多个角度为所述一种基于图像分解的座椅出厂校验系统预先设置确定的多个图像采集角度。多个座椅图像包括待进行校验的指定座椅的多个角度对应的图像数据信息。灰度化处理是指将多个座椅图像中的每个像素点的RGB值统一成一个值,这个值称为灰度值,从而将彩色的多个座椅图像转化成多个灰度化图像。每个灰度化图像包括每个座椅图像的多个像素点对应的多个灰度值。
采用边缘识别算子,对多个灰度化图像进行遍历划分,并对划分获得的每个局部区域进行灰度直方图处理,根据灰度直方图识别获得灰度化图像内的边缘区域,获得多个边缘位置集合;
采用边缘识别算子,按照边缘识别步长,对多个灰度化图像进行遍历划分;
对划分获得的每个局部区域进行灰度直方图转换;
边缘识别算子包括由所述一种基于图像分解的座椅出厂校验系统预先设置确定的图像划分像素点数量。边缘识别步长包括由所述一种基于图像分解的座椅出厂校验系统预先设置确定的图像划分像素点移动数量。优选地,边缘识别算子可以为30*30,边缘识别步长可以为5。按照边缘识别算子和边缘识别步长分别对每个灰度化图像进行图像划分,获得多个局部区域集合。每个局部区域集合包括每个灰度化图像对应的多个局部区域。每个局部区域包括每个灰度化图像内的30*30个像素点对应的30*30个灰度值。示例性地,在按照边缘识别算子和边缘识别步长分别对灰度化图像进行图像划分时,先按照边缘识别算子对灰度化图像进行图像划分,获得一个局部区域,再按照边缘识别步长左移(或右移/上移/下移)5个像素点后,按照边缘识别算子对灰度化图像进行图像划分,获得另一个局部区域,继续按照边缘识别算子和边缘识别步长对灰度化图像进行图像划分,直至获得该灰度化图像对应的所有局部区域。
进一步,对每个局部区域集合内的每个局部区域进行灰度直方图构建,获得多个局部区域集合中每个局部区域对应的灰度直方图。每个局部区域对应的灰度直方图包括每个局部区域内的每个像素点对应的每个灰度值。
基于转换获得的灰度直方图进行灰度特征分析,获取多个灰度化图像内的边缘区域,整合获得所述多个边缘位置集合。
基于指定座椅相同型号座椅的校验数据记录,处理调取边缘区域的样本边缘灰度直方图记录;
计算每个局部区域的灰度直方图与样本边缘灰度直方图记录的综合匹配度;
判断综合匹配度是否大于匹配度阈值,若是,则记录为边缘区域。
连接所述一种基于图像分解的座椅出厂校验系统,读取待进行校验的指定座椅的相同型号座椅的校验数据记录,获得样本边缘灰度直方图记录。样本边缘灰度直方图记录包括多个样本边缘灰度直方图。每个样本边缘灰度直方图包括待进行校验的指定座椅的相同型号座椅对应的历史边缘区域灰度直方图。
进一步,分别将每个局部区域的灰度直方图与样本边缘灰度直方图记录内的多个样本边缘灰度直方图进行匹配度分析,获得多个局部样本匹配度。每个局部样本匹配度是用于表征每个局部区域的灰度直方图与样本边缘灰度直方图记录内的样本边缘灰度直方图的相似性的数据信息。每个局部区域的灰度直方图与样本边缘灰度直方图记录内的样本边缘灰度直方图的相似性越高,对应的局部样本匹配度越大。
进一步,将多个局部样本匹配度的平均值输出为该局部区域的灰度直方图对应的综合匹配度。对综合匹配度是否大于匹配度阈值进行判断。匹配度阈值包括由所述一种基于图像分解的座椅出厂校验系统预先设置确定的综合匹配度阈值。如果综合匹配度大于匹配度阈值,则,将该综合匹配度对应的局部区域记录为边缘区域。由此,获得多个边缘位置集合。每个边缘位置集合包括每个灰度化图像对应的多个边缘区域。
根据多个边缘位置集合,对多个座椅图像进行划分,获得并根据多个划分结果分别进行头枕、靠背、坐垫的面积识别和角度识别,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数;
根据所述多个边缘位置集合,对多个座椅图像进行划分,获得多个划分结果,每个划分结果内包括头枕图像、靠背图像、坐垫图像,划分获得头枕图像集、靠背图像集和坐垫图像集;
基于指定座椅相同型号座椅的校验数据记录,基于深度卷积网络,构建并训练座椅静态校验器,所述座椅静态校验器包括头枕校验通道、靠背校验通道和坐垫校验通道,每个校验通道包括多个输入路径;
获取所述多个面积识别结果和角度识别结果,所述多个面积识别结果和角度识别结果通过将头枕图像集、靠背图像集和坐垫图像集输入所述座椅静态校验器内获得;
根据指定座椅的设计公差参数,对所述多个面积识别结果和角度识别结果进行计算,获得头枕合规参数、靠背合规参数和坐垫合规参数;
对所述头枕合规参数、靠背合规参数和坐垫合规参数进行加权计算,获得所述座椅静态合规参数。
根据多个边缘位置集合对多个座椅图像进行头枕、靠背、坐垫的划分,获得多个划分结果,并将多个划分结果内的图像添加至对应的头枕图像集、靠背图像集和坐垫图像集。每个划分结果包括每个座椅图像内的头枕图像、靠背图像、坐垫图像。头枕图像集包括多个划分结果中的多个头枕图像。靠背图像集包括多个划分结果中的多个靠背图像。坐垫图像集包括多个划分结果中的多个坐垫图像。
进一步,基于深度卷积网络,构建座椅静态校验器。座椅静态校验器包括头枕校验通道、靠背校验通道和坐垫校验通道,且,头枕校验通道、靠背校验通道和坐垫校验通道均包括多个输入路径。
优选地,在构建头枕校验通道时,连接所述一种基于图像分解的座椅出厂校验系统,读取待进行校验的指定座椅的相同型号座椅的校验数据记录,获得多个头枕校验数据组。每个头枕校验数据组包括历史头枕图像集,以及历史头枕图像集对应的历史头枕面积、历史头枕角度。基于深度卷积网络,将多个头枕校验数据组进行交叉监督训练,获得头枕校验通道。深度卷积网络包括卷积层、池化层、全连接层。全连接层包括输入层、隐藏层、输出层。且,隐藏层中可以有多个神经元。头枕校验通道满足深度卷积网络。头枕校验通道包括多个输入路径、输出路径。多个输入路径即为多个输入层。输出路径即为输出层。靠背校验通道、坐垫校验通道与头枕校验通道的构建方式相同,为了说明书的简洁,在此不再赘述。
进一步,分别将头枕图像集、靠背图像集、坐垫图像集输入对应的头枕校验通道、靠背校验通道、坐垫校验通道中,获得多个面积识别结果和角度识别结果。多个面积识别结果包括头枕面积、靠背面积、坐垫面积。角度识别结果包括头枕角度、靠背角度、坐垫角度。
进一步,根据指定座椅的设计公差参数对多个面积识别结果和角度识别结果进行计算,获得头枕合规参数、靠背合规参数和坐垫合规参数,并对头枕合规参数、靠背合规参数和坐垫合规参数进行加权计算,获得座椅静态合规参数。设计公差参数包括由所述一种基于图像分解的座椅出厂校验系统预先设置确定的待进行校验的指定座椅的标准头枕面积、标准靠背面积、标准坐垫面积,以及标准头枕角度、标准靠背角度、标准坐垫角度。达到了通过对待进行校验的指定座椅的头枕图像集、靠背图像集和坐垫图像集进行多维的合规质量分析,获得准确的座椅静态合规参数,从而提高座椅的出厂校验可靠性、全面度的技术效果。
优选地,在计算头枕合规参数时,将头枕面积输入头枕面积合规分析公式,获得头枕面积合规系数。将头枕角度输入头枕角度合规分析公式,获得头枕角度合规系数。将头枕面积合规系数与头枕角度合规系数的平均值输出为头枕合规参数。靠背合规参数、坐垫合规参数与头枕合规参数的计算方式相同,为了说明书的简洁,在此不再赘述。
头枕面积合规分析公式为;
其中,表征输出的头枕面积合规系数,/>表征标准头枕面积,/>表征输入的头枕面积。
头枕角度合规分析公式为;
其中,表征输出的头枕角度合规系数,/>表征标准头枕角度,/>表征输入的头枕角度。
示例性地,在对头枕合规参数、靠背合规参数和坐垫合规参数进行加权计算时,将头枕合规参数、靠背合规参数、坐垫合规参数输入静态合规加权公式,获得座椅静态合规参数。静态合规加权公式为;
其中,为输出的座椅静态合规参数,/>分别为由所述一种基于图像分解的座椅出厂校验系统预先设置确定的头枕合规权重值、靠背合规权重值、坐垫合规权重值,且,/>,/>为输入的头枕合规参数,/>为输入的靠背合规参数,/>为输入的坐垫合规参数。
将动态校验模块接入座椅控制总成,控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列,其中,第一方向为座椅上下或前后移动的方向,第二方向为座椅旋转放下或升起的方向;
将动态校验模块接入座椅控制总成,通过座椅控制总成控制待进行校验的指定座椅按照第一方向进行多次移动,并采集多个第一时间窗口内的多个第一图像序列。继而,通过座椅控制总成控制待进行校验的指定座椅按照第二方向进行多次移动,并采集多个第二时间窗口内的多个第二图像序列。其中,动态校验模块包括CCD摄像头。座椅控制总成为待进行校验的指定座椅中,可以控制待进行校验的指定座椅进行前后移动、上下移动、放下和升起的组件。第一方向为对待进行校验的指定座椅进行前后移动或者上下移动。多个时间窗口包括多个第一时间窗口、多个第二时间窗口。每个第一时间窗口包括在控制待进行校验的指定座椅按照第一方向进行移动时,对应的多个时间点。每个第一图像序列包括控制待进行校验的指定座椅按照第一方向进行移动时,对应的第一时间窗口内,待进行校验的指定座椅对应的多个图像信息。第二方向为对待进行校验的指定座椅进行放下或升起,即以座椅靠背和坐垫连接处为圆心,对座椅靠背进行旋转放下或升起的方向。每个第二时间窗口包括通过座椅控制总成控制待进行校验的指定座椅按照第二方向进行移动时,对应的多个时间点。每个第二图像序列包括通过座椅控制总成控制待进行校验的指定座椅按照第二方向进行移动时,对应的第二时间窗口内,待进行校验的指定座椅对应的多个图像信息。
分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算获取平均移动线速度和平均移动角速度;
按照第一提取步长,分别从多个第一图像序列内提取获得多个慢图像序列;
按照第二提取步长,分别从多个第一图像序列内提取获得多个快图像序列;
按照第一提取步长分别对多个第一图像序列进行图像提取,获得多个慢图像序列。继而,按照第二提取步长分别对多个第一图像序列进行图像提取,获得多个快图像序列。第一提取步长、第二提取步长由所述一种基于图像分解的座椅出厂校验系统预先设置确定。每个慢图像序列包括每个第一图像序列内的多个慢图像。每个快图像序列每个第一图像序列内的多个快图像。示例性地,第一提取步长为2,即从每个第一图像序列的每两个图像信息中选取一个图像信息作为一个慢图像,一般选择16个慢图像作为一秒内的影像,并将慢图像添加至对应的慢图像序列。第二提取步长为8,即从每个第一图像序列的每8个图像信息中选取一个图像信息作为一个快图像,一般选择2个图像信息作为一秒内的影像,并将快图像添加至对应的快图像序列。
训练获取线速度识别器,所述线速度识别器内包括快识别通道和慢识别通道;
根据指定座椅相同型号座椅的校验数据记录,获取样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合;
基于SLOWFAST网络,构建快识别通道和慢识别通道,通过全连接层连接快识别通道和慢识别通道,形成线速度识别器;
采用样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合,对线速度识别器进行训练直到收敛,获得线速度识别器。
分别将所述多个慢图像序列和多个快图像序列进行组合,输入线速度识别器内,识别获得移动线速度序列;
基于多个第二图像序列,识别获取所述移动角速度序列。
SLOWFAST网络包括SLOW通道和FAST通道。SLOW通道即为慢识别通道,FAST通道即为快识别通道。快识别通道内的卷积核数量较少,以提升卷积计算速度,从而快速提取快图像序列的线速度变化信息。慢识别通道内的卷积核数量较多,以提升卷积计算精度,从而提取更为细节的静态图像特征,例如,慢图像序列内的指定座椅大小。通过全连接层连接快识别通道和慢识别通道,获得线速度识别器。线速度识别器包括快识别通道和慢识别通道。且,快识别通道与慢识别通道之间通过全连接层进行连接。全连接层包括多个神经元,且,全连接层中的每个神经元与其前一层的所有神经元进行全连接。全连接层可以整合快识别通道或者慢识别通道中具有类别区分性的局部信息,从而提升线速度识别器的性能。继而,读取指定座椅相同型号座椅的校验数据记录,获取样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合,并根据样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合对线速度识别器进行训练直到收敛,获得收敛的线速度识别器。将多个慢图像序列输入收敛的线速度识别器内的慢识别通道,将多个快图像序列输入收敛的线速度识别器内的快识别通道,获得移动线速度序列。其中,样本慢图像序列集合包括多个历史样本慢图像序列集。每个历史样本慢图像序列集包括多个历史慢图像序列。样本快图像序列集合包括多个历史样本快图像序列集。每个历史样本快图像序列集包括多个历史快图像序列。样本移动线速度集合包括多个历史移动角速度序列,每个历史移动角速度序列包括每个历史样本慢图像序列集和每个历史样本快图像序列集对应的多个历史移动角速度。移动线速度序列包括多个第一时间窗口对应的指定座椅的多个移动线速度。移动角速度序列包括多个第二时间窗口对应的指定座椅的多个移动角速度。且,移动角速度序列与移动线速度序列的获得方式相同,为了说明书的简洁,在此不再赘述。
根据所述移动线速度序列、移动角速度序列,拟合获得线速度变化曲线和角速度变化曲线,并提取获得第一曲线变化角度集和第二曲线变化角度集,分析获取第一稳定性系数和第二稳定性系数;
根据所述移动线速度序列、移动角速度序列,采用最小二乘法,拟合获得线速度变化曲线和角速度变化曲线;
在线速度变化曲线和角速度变化曲线上设置多个检测点,获取相邻的两个检测点处线速度变化曲线和角速度变化曲线的切线的夹角,作为曲线变化角度,提取获得第一曲线变化角度集和第二曲线变化角度集;
分别计算第一曲线变化角度集和第二曲线变化角度集内曲线变化角度的均值,获得所述第一稳定性系数和第二稳定性系数。
根据最小二乘法分别对移动线速度序列、移动角速度序列进行曲线拟合,获得线速度变化曲线和角速度变化曲线。继而,在线速度变化曲线上设置多个检测点,将相邻的两个检测点处线速度变化曲线的切线的夹角作为曲线变化角度,并将曲线变化角度添加至第一曲线变化角度集。将第一曲线变化角度集内曲线变化角度的均值输出为第一稳定性系数。同理,根据角速度变化曲线计算第二稳定性系数,且,第二稳定性系数与第一稳定性系数的计算方式相同,为了说明书的简洁,在此不再赘述。其中,最小二乘法是一种曲线拟合的方法,用于找到一条曲线,使其在给定的离散点集中大致最佳地拟合这些点。所谓最佳是指使得这些点到曲线的距离之和最小。Matlab可以按照最小二乘法分别对移动线速度序列、移动角速度序列进行曲线拟合。线速度变化曲线包括移动线速度序列对应的曲线。角速度变化曲线为移动角速度序列对应的曲线。多个检测点可以为线速度变化曲线上的多个移动线速度对应的点。第一曲线变化角度集包括线速度变化曲线对应的多个曲线变化角度。且,第二曲线变化角度集与第一曲线变化角度集的获得方式相同。
结合所述平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,结合所述静态合规参数,作为指定座椅的出厂校验结果。
如附图2所示,计算获取指定座椅的动态合规参数,包括:
根据制定座椅的设计公差参数,获取标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数;
以标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数为基准,对平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数进行计算,并加权计算获得所述动态合规参数。
将移动线速度序列的平均值设置为平均移动线速度,将移动角速度序列的平均值设置为平均移动角速度。继而,从设计公差参数中提取出标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数。标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数由所述一种基于图像分解的座椅出厂校验系统预先设置确定。继而,根据标准移动线速度、标准移动角速度、标准第一稳定性系数、标准第二稳定性系数,分别对平均移动线速度、平均移动角速度、第一稳定性系数、第二稳定性系数进行计算,获得平均移动线速度、平均移动角速度、第一稳定性系数、第二稳定性系数分别对应的平均移动线速度-合规系数、平均移动角速度-合规系数、第一稳定性系数-合规系数、第二稳定性系数-合规系数。且,平均移动线速度-合规系数、平均移动角速度-合规系数、第一稳定性系数-合规系数、第二稳定性系数-合规系数与头枕面积合规系数的计算方式相同,为了说明书的简洁,在此不再赘述。
进一步,对平均移动线速度-合规系数、平均移动角速度-合规系数、第一稳定性系数-合规系数、第二稳定性系数-合规系数进行加权计算,获得动态合规参数,并将动态合规参数和静态合规参数输出为指定座椅的出厂校验结果。从而获得全面的出厂校验结果,提高座椅的出厂校验质量。且,“对平均移动线速度-合规系数、平均移动角速度-合规系数、第一稳定性系数-合规系数、第二稳定性系数-合规系数进行加权计算”与“对头枕合规参数、靠背合规参数和坐垫合规参数进行加权计算”的方式相同,为了说明书的简洁,在此不再赘述。
综上所述,本申请所提供的一种基于图像分解的座椅出厂校验方法具有如下技术效果:
通过对待进行校验的指定座椅的多个座椅图像进行划分,获得多个面积识别结果和角度识别结果,并计算座椅静态合规参数;控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列;通过对多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算平均移动线速度和平均移动角速度;根据移动线速度序列、移动角速度序列,分析获取第一稳定性系数和第二稳定性系数;根据平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算指定座椅的动态合规参数,结合静态合规参数,生成指定座椅的出厂校验结果。通过对座椅进行静态合规识别、动态合规分析,提高了座椅的出厂校验准确度、全面性,提升了座椅的出厂校验质量。
实施例二:基于与前述实施例中一种基于图像分解的座椅出厂校验方法,同样发明构思,本发明还提供了一种基于图像分解的座椅出厂校验系统,所述系统包括一基于图像分解的座椅出厂校验装置,所述装置包括静态校验模块、动态校验模块和评估模块,请参阅附图3,所述系统还包括:
座椅图像采集模块,所述座椅图像采集模块用于通过静态校验模块,在多个角度,采集待进行校验的指定座椅的多个座椅图像,并进行灰度化处理;
边缘区域识别模块,所述边缘区域识别模块用于采用边缘识别算子,对多个灰度化图像进行遍历划分,并对划分获得的每个局部区域进行灰度直方图处理,根据灰度直方图识别获得灰度化图像内的边缘区域,获得多个边缘位置集合;
静态合规参数计算模块,所述静态合规参数计算模块用于根据多个边缘位置集合,对多个座椅图像进行划分,获得并根据多个划分结果分别进行头枕、靠背、坐垫的面积识别和角度识别,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数;
图像序列获得模块,所述图像序列获得模块用于将动态校验模块接入座椅控制总成,控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列,其中,第一方向为座椅上下或前后移动的方向,第二方向为座椅旋转放下或升起的方向;
动态分析模块,所述动态分析模块用于分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算获取平均移动线速度和平均移动角速度;
稳定性系数获取模块,所述稳定性系数获取模块用于根据所述移动线速度序列、移动角速度序列,拟合获得线速度变化曲线和角速度变化曲线,并提取获得第一曲线变化角度集和第二曲线变化角度集,分析获取第一稳定性系数和第二稳定性系数;
校验结果获取模块,所述校验结果获取模块用于结合所述平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,结合所述静态合规参数,作为指定座椅的出厂校验结果。
进一步的,所述系统还包括:
图像划分模块,所述图像划分模块用于采用边缘识别算子,按照边缘识别步长,对多个灰度化图像进行遍历划分;
灰度转换模块,所述灰度转换模块用于对划分获得的每个局部区域进行灰度直方图转换;
边缘位置集合获得模块,所述边缘位置集合获得模块用于基于转换获得的灰度直方图进行灰度特征分析,获取多个灰度化图像内的边缘区域,整合获得所述多个边缘位置集合。
进一步的,所述系统还包括:
记录调取模块,所述记录调取模块用于基于指定座椅相同型号座椅的校验数据记录,处理调取边缘区域的样本边缘灰度直方图记录;
综合匹配度计算模块,所述综合匹配度计算模块用于计算每个局部区域的灰度直方图与样本边缘灰度直方图记录的综合匹配度;
边缘区域判断模块,所述边缘区域判断模块用于判断综合匹配度是否大于匹配度阈值,若是,则记录为边缘区域。
进一步的,所述系统还包括:
划分结果确定模块,所述划分结果确定模块用于根据所述多个边缘位置集合,对多个座椅图像进行划分,获得多个划分结果,每个划分结果内包括头枕图像、靠背图像、坐垫图像,划分获得头枕图像集、靠背图像集和坐垫图像集;
校验器训练模块,所述校验器训练模块用于基于指定座椅相同型号座椅的校验数据记录,基于深度卷积网络,构建并训练座椅静态校验器,所述座椅静态校验器包括头枕校验通道、靠背校验通道和坐垫校验通道,每个校验通道包括多个输入路径;
第一执行模块,所述第一执行模块用于获取所述多个面积识别结果和角度识别结果,所述多个面积识别结果和角度识别结果通过将头枕图像集、靠背图像集和坐垫图像集输入所述座椅静态校验器内获得;
第二执行模块,所述第二执行模块用于根据指定座椅的设计公差参数,对所述多个面积识别结果和角度识别结果进行计算,获得头枕合规参数、靠背合规参数和坐垫合规参数;
座椅静态合规参数确定模块,所述座椅静态合规参数确定模块用于对所述头枕合规参数、靠背合规参数和坐垫合规参数进行加权计算,获得所述座椅静态合规参数。
进一步的,所述系统还包括:
第一提取模块,所述第一提取模块用于按照第一提取步长,分别从多个第一图像序列内提取获得多个慢图像序列;
第二提取模块,所述第二提取模块用于按照第二提取步长,分别从多个第一图像序列内提取获得多个快图像序列;
第三执行模块,所述第三执行模块用于训练获取线速度识别器,所述线速度识别器内包括快识别通道和慢识别通道;
移动线速度序列获得模块,所述移动线速度序列获得模块用于分别将所述多个慢图像序列和多个快图像序列进行组合,输入线速度识别器内,识别获得移动线速度序列;
移动角速度序列获得模块,所述移动角速度序列获得模块用于基于多个第二图像序列,识别获取所述移动角速度序列。
进一步的,所述系统还包括:
第四执行模块,所述第四执行模块用于根据指定座椅相同型号座椅的校验数据记录,获取样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合;
第五执行模块,所述第五执行模块用于基于SLOWFAST网络,构建快识别通道和慢识别通道,通过全连接层连接快识别通道和慢识别通道,形成线速度识别器;
线速度识别器获得模块,所述线速度识别器获得模块用于采用样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合,对线速度识别器进行训练直到收敛,获得线速度识别器。
进一步的,所述系统还包括:
曲线拟合模块,所述曲线拟合模块用于根据所述移动线速度序列、移动角速度序列,采用最小二乘法,拟合获得线速度变化曲线和角速度变化曲线;
曲线变化角度集确定模块,所述曲线变化角度集确定模块用于在线速度变化曲线和角速度变化曲线上设置多个检测点,获取相邻的两个检测点处线速度变化曲线和角速度变化曲线的切线的夹角,作为曲线变化角度,提取获得第一曲线变化角度集和第二曲线变化角度集;
第六执行模块,所述第六执行模块用于分别计算第一曲线变化角度集和第二曲线变化角度集内曲线变化角度的均值,获得所述第一稳定性系数和第二稳定性系数。
进一步的,所述系统还包括:
标准参数确定模块,所述标准参数确定模块用于根据制定座椅的设计公差参数,获取标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数;
动态合规参数确定模块,所述动态合规参数确定模块用于以标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数为基准,对平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数进行计算,并加权计算获得所述动态合规参数。
本发明实施例所提供的一种基于图像分解的座椅出厂校验系统可执行本发明任意实施例所提供的一种基于图像分解的座椅出厂校验方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种基于图像分解的座椅出厂校验方法,其中,所述方法应用于一种基于图像分解的座椅出厂校验系统,所述方法包括:通过对待进行校验的指定座椅的多个座椅图像进行划分,获得多个面积识别结果和角度识别结果,并计算座椅静态合规参数;控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列;通过对多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算平均移动线速度和平均移动角速度;根据移动线速度序列、移动角速度序列,分析获取第一稳定性系数和第二稳定性系数;根据平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算指定座椅的动态合规参数,结合静态合规参数,生成指定座椅的出厂校验结果。解决了现有技术中座椅的出厂校验准确度低,导致座椅的出厂校验质量差的技术问题。通过对座椅进行静态合规识别、动态合规分析,提高了座椅的出厂校验准确度、全面性,提升了座椅的出厂校验质量。
虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种基于图像分解的座椅出厂校验方法,其特征在于,所述方法应用于一基于图像分解的座椅出厂校验装置,所述装置包括静态校验模块、动态校验模块和评估模块,所述方法包括:
通过静态校验模块,在多个角度,采集待进行校验的指定座椅的多个座椅图像,并进行灰度化处理;
采用边缘识别算子,对多个灰度化图像进行遍历划分,并对划分获得的每个局部区域进行灰度直方图处理,根据灰度直方图识别获得灰度化图像内的边缘区域,获得多个边缘位置集合;
根据多个边缘位置集合,对多个座椅图像进行划分,获得并根据多个划分结果分别进行头枕、靠背、坐垫的面积识别和角度识别,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数;
将动态校验模块接入座椅控制总成,控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列,其中,第一方向为座椅上下或前后移动的方向,第二方向为座椅旋转放下或升起的方向;
分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算获取平均移动线速度和平均移动角速度;
根据所述移动线速度序列、移动角速度序列,拟合获得线速度变化曲线和角速度变化曲线,并提取获得第一曲线变化角度集和第二曲线变化角度集,分析获取第一稳定性系数和第二稳定性系数;
结合所述平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,结合所述静态合规参数,作为指定座椅的出厂校验结果。
2.根据权利要求1所述的方法,其特征在于,采用边缘识别算子,对多个灰度化图像进行遍历划分,并对划分获得的每个局部区域进行灰度直方图处理,根据灰度直方图识别获得灰度化图像内的边缘区域,包括:
采用边缘识别算子,按照边缘识别步长,对多个灰度化图像进行遍历划分;
对划分获得的每个局部区域进行灰度直方图转换;
基于转换获得的灰度直方图进行灰度特征分析,获取多个灰度化图像内的边缘区域,整合获得所述多个边缘位置集合。
3.根据权利要求2所述的方法,其特征在于,基于转换获得的灰度直方图进行灰度特征分析,获取多个灰度化图像内的边缘区域,包括:
基于指定座椅相同型号座椅的校验数据记录,处理调取边缘区域的样本边缘灰度直方图记录;
计算每个局部区域的灰度直方图与样本边缘灰度直方图记录的综合匹配度;
判断综合匹配度是否大于匹配度阈值,若是,则记录为边缘区域。
4.根据权利要求1所述的方法,其特征在于,根据多个边缘位置集合,对多个座椅图像进行划分,获得并根据多个划分结果分别进行头枕、靠背、坐垫的面积识别和角度识别,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数,包括:
根据所述多个边缘位置集合,对多个座椅图像进行划分,获得多个划分结果,每个划分结果内包括头枕图像、靠背图像、坐垫图像,划分获得头枕图像集、靠背图像集和坐垫图像集;
基于指定座椅相同型号座椅的校验数据记录,基于深度卷积网络,构建并训练座椅静态校验器,所述座椅静态校验器包括头枕校验通道、靠背校验通道和坐垫校验通道,每个校验通道包括多个输入路径;
获取所述多个面积识别结果和角度识别结果,所述多个面积识别结果和角度识别结果通过将头枕图像集、靠背图像集和坐垫图像集输入所述座椅静态校验器内获得;
根据指定座椅的设计公差参数,对所述多个面积识别结果和角度识别结果进行计算,获得头枕合规参数、靠背合规参数和坐垫合规参数;
对所述头枕合规参数、靠背合规参数和坐垫合规参数进行加权计算,获得所述座椅静态合规参数。
5.根据权利要求1所述的方法,其特征在于,分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,包括:
按照第一提取步长,分别从多个第一图像序列内提取获得多个慢图像序列;
按照第二提取步长,分别从多个第一图像序列内提取获得多个快图像序列;
训练获取线速度识别器,所述线速度识别器内包括快识别通道和慢识别通道;
分别将所述多个慢图像序列和多个快图像序列进行组合,输入线速度识别器内,识别获得移动线速度序列;
基于多个第二图像序列,识别获取所述移动角速度序列。
6.根据权利要求5所述的方法,其特征在于,训练获取线速度识别器,包括:
根据指定座椅相同型号座椅的校验数据记录,获取样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合;
基于SLOWFAST网络,构建快识别通道和慢识别通道,通过全连接层连接快识别通道和慢识别通道,形成线速度识别器;
采用样本慢图像序列集合、样本快图像序列集合和样本移动线速度集合,对线速度识别器进行训练直到收敛,获得线速度识别器。
7.根据权利要求1所述的方法,其特征在于,根据所述移动线速度序列、移动角速度序列,拟合获得线速度变化曲线和角速度变化曲线,并提取获得第一曲线变化角度集和第二曲线变化角度集,分析获取第一稳定性系数和第二稳定性系数,包括:
根据所述移动线速度序列、移动角速度序列,采用最小二乘法,拟合获得线速度变化曲线和角速度变化曲线;
在线速度变化曲线和角速度变化曲线上设置多个检测点,获取相邻的两个检测点处线速度变化曲线和角速度变化曲线的切线的夹角,作为曲线变化角度,提取获得第一曲线变化角度集和第二曲线变化角度集;
分别计算第一曲线变化角度集和第二曲线变化角度集内曲线变化角度的均值,获得所述第一稳定性系数和第二稳定性系数。
8.根据权利要求1所述的方法,其特征在于,结合所述平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,包括:
根据制定座椅的设计公差参数,获取标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数;
以标准移动线速度、标准移动角速度、标准第一稳定性系数和标准第二稳定性系数为基准,对平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数进行计算,并加权计算获得所述动态合规参数。
9.一种基于图像分解的座椅出厂校验系统,其特征在于,所述系统用于执行权利要求1至8中任一项所述的方法,所述系统包括一基于图像分解的座椅出厂校验装置,所述装置包括静态校验模块、动态校验模块和评估模块,所述系统还包括:
座椅图像采集模块,所述座椅图像采集模块用于通过静态校验模块,在多个角度,采集待进行校验的指定座椅的多个座椅图像,并进行灰度化处理;
边缘区域识别模块,所述边缘区域识别模块用于采用边缘识别算子,对多个灰度化图像进行遍历划分,并对划分获得的每个局部区域进行灰度直方图处理,根据灰度直方图识别获得灰度化图像内的边缘区域,获得多个边缘位置集合;
静态合规参数计算模块,所述静态合规参数计算模块用于根据多个边缘位置集合,对多个座椅图像进行划分,获得并根据多个划分结果分别进行头枕、靠背、坐垫的面积识别和角度识别,获得多个面积识别结果和角度识别结果,并计算获得座椅静态合规参数;
图像序列获得模块,所述图像序列获得模块用于将动态校验模块接入座椅控制总成,控制座椅按照第一方向和第二方向进行移动,并分别采集获得多个时间窗口内的多个第一图像序列和多个第二图像序列,其中,第一方向为座椅上下或前后移动的方向,第二方向为座椅旋转放下或升起的方向;
动态分析模块,所述动态分析模块用于分别根据多个第一图像序列和多个第二图像序列进行动态分析,获取移动线速度序列、移动角速度序列,并计算获取平均移动线速度和平均移动角速度;
稳定性系数获取模块,所述稳定性系数获取模块用于根据所述移动线速度序列、移动角速度序列,拟合获得线速度变化曲线和角速度变化曲线,并提取获得第一曲线变化角度集和第二曲线变化角度集,分析获取第一稳定性系数和第二稳定性系数;
校验结果获取模块,所述校验结果获取模块用于结合所述平均移动线速度、平均移动角速度、第一稳定性系数和第二稳定性系数,计算获取指定座椅的动态合规参数,结合所述静态合规参数,作为指定座椅的出厂校验结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451747.4A CN117173181B (zh) | 2023-11-03 | 2023-11-03 | 一种基于图像分解的座椅出厂校验方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451747.4A CN117173181B (zh) | 2023-11-03 | 2023-11-03 | 一种基于图像分解的座椅出厂校验方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173181A CN117173181A (zh) | 2023-12-05 |
CN117173181B true CN117173181B (zh) | 2024-01-26 |
Family
ID=88941726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311451747.4A Active CN117173181B (zh) | 2023-11-03 | 2023-11-03 | 一种基于图像分解的座椅出厂校验方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173181B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232399A (zh) * | 2020-10-10 | 2021-01-15 | 南京埃斯顿机器人工程有限公司 | 基于多特征融合机器学习的汽车座椅缺陷检测方法 |
CN115187927A (zh) * | 2022-07-27 | 2022-10-14 | 上海志远生态园林工程有限公司 | 一种观景座椅远程监测管理方法及系统 |
CN116279001A (zh) * | 2023-02-17 | 2023-06-23 | 广州汽车集团股份有限公司 | 座椅数据校准方法、装置、车辆以及存储介质 |
CN116600104A (zh) * | 2023-07-17 | 2023-08-15 | 微网优联科技(成都)有限公司 | 一种用于ipc网络摄像头的采相质量分析方法及系统 |
CN116978062A (zh) * | 2023-07-31 | 2023-10-31 | 广汽本田汽车有限公司 | 车辆安全座椅旋转控制方法、系统、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008001136A (ja) * | 2006-06-20 | 2008-01-10 | Takata Corp | 車両乗員シート検出システム、作動装置制御システム、車両 |
-
2023
- 2023-11-03 CN CN202311451747.4A patent/CN117173181B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232399A (zh) * | 2020-10-10 | 2021-01-15 | 南京埃斯顿机器人工程有限公司 | 基于多特征融合机器学习的汽车座椅缺陷检测方法 |
CN115187927A (zh) * | 2022-07-27 | 2022-10-14 | 上海志远生态园林工程有限公司 | 一种观景座椅远程监测管理方法及系统 |
CN116279001A (zh) * | 2023-02-17 | 2023-06-23 | 广州汽车集团股份有限公司 | 座椅数据校准方法、装置、车辆以及存储介质 |
CN116600104A (zh) * | 2023-07-17 | 2023-08-15 | 微网优联科技(成都)有限公司 | 一种用于ipc网络摄像头的采相质量分析方法及系统 |
CN116978062A (zh) * | 2023-07-31 | 2023-10-31 | 广汽本田汽车有限公司 | 车辆安全座椅旋转控制方法、系统、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
"机器视觉技术及其在汽车制造质量检测中的应用";刘武;测试与试验;全文 * |
"Geometrical Size Detection on Key Contours of Safety Seat Base";Jiaxu Chen et al.;《Journal of Physics: Conference Series》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117173181A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363182B (zh) | 基于深度学习的车道线检测方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN109766936B (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
CN111461134A (zh) | 一种基于生成对抗网络的低分辨率车牌识别方法 | |
CN113498528A (zh) | 图像缺陷确定方法与装置、电子设备及存储介质 | |
CN101114340A (zh) | 直方图均衡化图像处理的vlsi实现系统及方法 | |
CN111274915B (zh) | 一种指静脉图像的深度局部聚合描述子提取方法及系统 | |
CN111178290A (zh) | 一种签名验证方法和装置 | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别系统及方法 | |
CN111738114A (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN111242925A (zh) | 针对ct影像数据的目标检测方法、装置及电子设备 | |
CN113537211A (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
CN116824347A (zh) | 一种基于深度学习的道路裂纹检测方法 | |
CN112784494B (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN114022914A (zh) | 基于融合深度网络的掌纹识别方法 | |
CN117218029B (zh) | 基于神经网络的夜间暗光图像智能处理方法 | |
CN117173181B (zh) | 一种基于图像分解的座椅出厂校验方法与系统 | |
CN113053164A (zh) | 一种利用环视图像的车位识别方法 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN110298347B (zh) | 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法 | |
CN113269136B (zh) | 一种基于triplet loss的离线签名验证方法 |
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 |