CN117351100B - 一种色环电阻颜色提取方法、装置、设备和介质 - Google Patents
一种色环电阻颜色提取方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117351100B CN117351100B CN202311640911.6A CN202311640911A CN117351100B CN 117351100 B CN117351100 B CN 117351100B CN 202311640911 A CN202311640911 A CN 202311640911A CN 117351100 B CN117351100 B CN 117351100B
- Authority
- CN
- China
- Prior art keywords
- color
- resistor
- component sample
- image
- extraction
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 170
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 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
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000016776 visual perception 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Color Image Communication Systems (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本申请实施例公开了一种色环电阻颜色提取方法、装置、设备和介质,涉及图像识别技术领域,解决了现有技术对色环电阻颜色检测的精度不足的技术问题。所述色环电阻颜色提取方法,包括:获取目标色环电阻的RGB颜色图像;基于所述RGB颜色图像,获得LAB颜色图像;将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值;基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。基于本申请所述方法对色环电阻颜色检测的精度得到了有效提升。
Description
技术领域
本申请涉及图像识别技术领域,尤其涉及一种色环电阻颜色提取方法、装置、设备和介质。
背景技术
工业制造过程中因其工艺波动、机台差异等因素会产生各种各样形态的缺陷,使用大量人力对产品缺陷识别分类。工业2.0时代,越来越多的电子制造商开始采用人工智能ADC(自动缺陷分类系统)来取代人力进行缺陷分类,但在工业PCB检测领域中,插件类色环电阻需要检测每环颜色信息,对应环颜色错误则产生错件异常,仅使用ADC对元器件进行检测尚达不到色环电阻颜色检测需求。
发明内容
本申请实施例提供了一种色环电阻颜色提取方法、装置、设备和介质,解决了现有技术对色环电阻颜色检测的精度不足的技术问题。
一方面,本申请实施例提供了一种色环电阻颜色提取方法,包括:
获取目标色环电阻的RGB颜色图像;
基于所述RGB颜色图像,获得LAB颜色图像;
将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值;
基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。
作为本申请一些可选实施方式,所述将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值,包括:
将目标色环电阻的RGB颜色图像输入至已训练的目标颜色提取模型中,以获得各色环电阻的颜色类型;
基于各所述色环电阻的颜色类型,将各所述色环电阻的颜色类型对应的LAB值进行变换处理,获得颜色提取阈值。
基于上述步骤,可以提高后续颜色提取时的颜色提取的准确性、稳定性和适应性。
作为本申请一些可选实施方式,所述基于各所述色环电阻的颜色类型,将各所述色环电阻的颜色类型对应的LAB值进行变换处理,获得颜色提取阈值,包括:
基于各所述色环电阻的颜色类型,将各色环颜色对应的LAB值±10%进行变换处理,获得颜色提取阈值。
基于上述步骤,±10%的LAB值变换处理是因为考虑了颜色的一定变化范围;这样设置可以增加了颜色提取的容错能力,从而应对一些颜色变化或制造差异且不失去识别准确性,即降低误报率。
作为本申请一些可选实施方式,所述目标颜色提取模型通过如下步骤训练获得:
构建初始ADC颜色提取模型;
基于第一元器件样本图像集对所述初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出各色环电阻的颜色类型;
其中,所述第一元器件样本图像集包括多张第一元器件样本图像,所述第一元器件样本图像中包括色环电阻的颜色类型标注信息。
作为本申请一些可选实施方式,所述基于第一元器件样本图像集对所述初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出各色环电阻的颜色类型,包括:
获取元器件样本初始图像;
对所述元器件样本初始图像中色环电阻的颜色类型进行标注,获得第一元器件样本图像;
基于所述第一元器件样本图像,获得第一元器件样本图像集;
基于所述第一元器件样本图像集对初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出色环电阻的颜色类型。
基于上述步骤,通过构建和训练目标颜色提取模型,实现了色环电阻颜色类型的自动化识别,提高了识别的效率和准确性。
作为本申请一些可选实施方式,在所述基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理之后,还包括:
基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理,获取各色环颜色区域;
基于各所述色环颜色区域,对所述LAB颜色图像进行掩膜处理。
基于上述步骤,进一步优化了颜色提取的结果,提高了颜色提取的准确性和可靠性。
作为本申请一些可选实施方式,获取目标色环电阻的RGB颜色图像,包括:
将元器件图像输入至已训练的目标检测模型,以获得目标色环电阻的位置坐标信息;
基于所述目标色环电阻的位置坐标信息,对所述元器件图像进行裁剪,获得目标色环电阻图像;
将所述目标色环电阻图像映射至RGB颜色空间,获得RGB颜色图像。
基于上述步骤,实现了获取目标色环电阻的RGB颜色图像,提供了高质量、准确和干净的图像数据,有助于后续的颜色提取和分析步骤,从而提高了色环电阻颜色识别的精确性和可靠性。
作为本申请一些可选实施方式,所述目标检测模型通过如下步骤训练获得:
构建初始ADC检测模型;
基于第二元器件样本图像集对所述初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息;
其中,所述第二元器件样本图像集包括多张第二元器件样本图像,所述第二元器件样本图像中包括色环电阻的位置标注信息。
基于上述步骤,实现了色环电阻位置的自动化检测,提高了检测的效率和准确性。
作为本申请一些可选实施方式,所述基于第二元器件样本图像集对所述初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息,包括:
获取元器件样本初始图像;
对所述元器件样本初始图像中色环电阻的位置信息进行标注,获得第二元器件样本图像;
基于所述第二元器件样本图像,获得第二元器件样本图像集;
基于所述第二元器件样本图像集对初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息。
基于上述步骤,实现了色环电阻位置的自动检测,提高了检测的效率和准确性。
作为本申请一些可选实施方式,所述第二元器件样本图像是利用多个图像采集设备从元器件的上方采集获得。
基于上述步骤,使用多个图像采集设备从元器件的上方采集第二元器件样本图像具有综合信息、多角度视角、信息融合、降低视角限制和数据多样性等技术效果。这有助于提高图像数据的质量和多样性,从而对于后续的数据处理和分析步骤具有积极的影响,如色环电阻颜色提取和目标检测。
再一方面,本申请实施例提供了一种色环电阻颜色提取装置,包括:
获取图像模块,用于获取目标色环电阻的RGB颜色图像;
颜色空间转换模块,用于基于所述RGB颜色图像,获得LAB颜色图像;
提取阈值设置模块,用于将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值;
颜色提取处理模块,用于基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。
再一方面,本申请实施例提供了一种电子设备,包括:存储器和处理器,所述存储器中存储有获取机程序,所述处理器执行所述获取机程序,实现前述方法。
再一方面,本申请实施例提供了一种获取机可读存储介质,所述获取机可读存储介质上存储有获取机程序,所述处理器执行所述获取机程序,实现前述方法。
与现有技术相比,本申请实施例所述的色环电阻颜色提取方法,在获取目标色环电阻的RGB颜色图像之后,将颜色空间从RGB转为LAB,以获得LAB颜色图像;并将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值;基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。即本申请所述方法通过目标色环电阻的RGB颜色图像从RGB颜色空间映射至LAB颜色空间,之后结合系统预设颜色模板信息对色环电阻小图进行匹配与后处理过滤,从而实现对色环电阻颜色信息提取,并提高了对色环电阻颜色检测的精确度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种电子设备的结构示意图;
图2是本申请实施例提供的一种色环电阻颜色提取方法的流程示意图;
图3是本申请实施例提供的一种色环电阻颜色提取装置的结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
工业制造过程中因其工艺波动、机台差异等因素会产生各种各样形态的缺陷,使用大量人力对产品缺陷识别分类。工业2.0时代,越来越多的电子制造商开始采用人工智能ADC(自动缺陷分类系统)来取代人力进行缺陷分类,但在工业PCB检测领域中,插件类色环电阻需要检测每环颜色信息,对应环颜色错误则产生错件异常,仅使用ADC对元器件进行检测尚达不到色环电阻颜色检测需求。
具体来说,色环电阻是在电阻封装上(即电阻表面)涂上一定颜色的色环,来代表这个电阻的阻值,因此一个色环电阻上会存在多个颜色,色环实际上是早期为了帮助人们分辨不同阻值而设定的标准,如色环电阻识别方法是指电阻上面用了四道色环或者五道色环或者六道色环来表示电阻值,即可以从任意角度一次性的读取代表电阻值的颜色信息。但在实践中,有些色环电阻的排列顺序不甚分明,往往容易读错。因此亟需一种高精度的色环电阻颜色提取方法,更便于维修者在实际应用时,更快更准确的对色环电阻的颜色进行识别,以基于颜色判断其阻值,便于检测和更换。即:色环电阻是电子元器件的一种常见类型,其颜色通常用于标识电阻值。在电子制造和维护过程中,快速而准确地识别和提取色环电阻的颜色类型和位置信息对于确定电阻值和维护电子设备至关重要。传统的方法通常涉及手动检查和识别,这种方法费时费力且容易出错。因此,需要一种自动化的方法来提取色环电阻的颜色类型和位置信息,以提高电子设备制造和维护的效率。
基于上述问题,本申请实施例为了提高所提取色环颜色的精度,提出了以下方案:在获取目标色环电阻的RGB颜色图像之后,将颜色空间从RGB转为LAB,以获得LAB颜色图像;并将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值;基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及色环电阻颜色提取装置。
在图1所示的电子设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本申请电子设备中的处理器1001、存储器1005可以设置在电子设备中,所述电子设备通过处理器1001调用存储器1005中存储的色环电阻颜色提取装置,并执行本申请实施例提供的色环电阻颜色提取方法。
参见图2,本申请的实施例提供了:一种色环电阻颜色提取方法,包括以下步骤:
步骤S10、获取目标色环电阻的RGB颜色图像。
需要说明的是,所述目标色环电阻的RGB颜色图像是指已经基于色环电阻的位置信息进行裁剪后的图像,以便于在后续进行颜色提取时减少其他区域图像的干扰;具体通过以下步骤获得:将元器件图像输入至已训练的目标检测模型,以获得目标色环电阻的位置坐标信息;基于所述目标色环电阻的位置坐标信息,对所述元器件图像进行裁剪,获得目标色环电阻图像;将所述目标色环电阻图像映射至RGB颜色空间,获得RGB颜色图像。
在实际应用中,所述目标检测模型通过如下步骤训练获得:构建初始ADC检测模型;基于第二元器件样本图像集对所述初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息;其中,所述第二元器件样本图像集包括多张第二元器件样本图像,所述第二元器件样本图像中包括色环电阻的位置标注信息。通过上述步骤训练获得的目标检测模型再投入实际应用时,可以在获取拍摄的包含色环电阻的图像时,能快速输出色环电阻的位置信息。
具体来说,在实际应用中,为了提高对所述初始ADC检测模型的训练效率,本申请实施例所述基于第二元器件样本图像集对所述初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息,包括:获取元器件样本初始图像;对所述元器件样本初始图像中色环电阻的位置信息进行标注,获得第二元器件样本图像;基于所述第二元器件样本图像,获得第二元器件样本图像集;基于所述第二元器件样本图像集对初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息。
需要说明的是,在本申请中,获取目标色环电阻的RGB颜色图像是实现颜色提取的第一步。除了传统的单一图像采集设备外,可以考虑使用多个图像采集设备同时拍摄目标色环电阻,例如,使用多台摄像机或多个传感器数组,以获得不同角度和光照条件下的图像。这样的多源图像采集可以提供更多的信息,有助于提高颜色提取的准确性和稳定性。在进一步的方案中,也可以使用高分辨率的图像采集设备可以捕获更丰富的颜色细节和信息,从而提高颜色提取的精确性。高分辨率图像可以更好地区分色环电阻上不同颜色区域,尤其是当颜色之间存在微妙差异时。或采用自动对焦和白平衡技术,以确保图像的清晰度和色彩平衡,尤其是在不同光照条件下。这有助于减少环境因素对颜色提取的影响,使得提取的颜色信息更加可靠。在获取原图像后,还可以使用图像增强技术,如去噪、锐化和增强对比度,可以改善图像质量,从而更好地呈现色环电阻的颜色特征。这些技术可以在图像采集之后或者实时处理中应用。
若所述第二元器件图像是利用多个图像采集设备从元器件的上方采集获得,即应用于自动化生产线上的质量控制时,可以将图像采集和颜色提取过程结合到实时系统中,以便在颜色提取后立即获得结果,这对于需要快速检测和识别色环电阻的应用非常有用。
当然,也可以考虑使用深度学习技术,如卷积神经网络(CNN),来训练模型,以提高目标色环电阻的检测和识别能力,深度学习可以自动学习和提取图像中的关键特征,从而提高颜色提取的准确性和鲁棒性;这点在后续步骤会有相应的体现。
通过上述技术方案,可以进一步提高目标色环电阻的RGB颜色图像的获取质量和效率,从而增强整个色环电阻颜色提取方法的性能和实用性;这些技术可以根据具体应用需求进行选择和组合。
步骤S20、基于所述RGB颜色图像,获得LAB颜色图像。
在本申请实施例中,关键的一步是基于所获取的RGB颜色图像,获得LAB颜色图像;这个步骤在色环电阻颜色提取方法中具有重要意义,因为LAB颜色空间可以更好地表示色彩信息,使得后续的颜色提取处理更为准确和可靠。
具体来说,上述步骤首先通过合适的图像采集设备或传感器,获取目标色环电阻的RGB颜色图像。这个图像是彩色图像,其中每个像素由红色(R)、绿色(G)和蓝色(B)通道的值组成。
再将上述RGB颜色图像进行LAB颜色空间转换,即利用色彩学中的LAB颜色空间(L表示亮度、A表示从绿到红的颜色通道,B表示从蓝到黄的颜色通道),对RGB颜色图像进行转换。这个转换是基于国际照明委员会(CIE)的标准,能够更好地反映人眼对颜色的感知。
因此,上述颜色转换过程的意义在于:a颜色信息分离,即LAB颜色空间将亮度信息(L通道)与颜色信息(A和B通道)分离,这有助于从图像中准确提取颜色特征,而不受亮度变化的干扰。b人眼感知相关性,即LAB颜色空间的坐标值更符合人眼对颜色的感知,这意味着在LAB空间中进行的颜色分析更符合人类的视觉感知。c颜色对比度增强,即LAB颜色空间的A和B通道允许更容易地区分不同颜色,这提高了颜色提取的准确性,尤其是当色环电阻的颜色类型之间存在微妙差异时。d环境光照变化鲁棒性,即LAB颜色空间减轻了环境光照变化对颜色提取的影响,因为亮度(L通道)与颜色信息(A和B通道)分离开来。
因此,上述基于所述RGB颜色图像,获得LAB颜色图像的步骤是色环电阻颜色提取方法的关键步骤之一,它有助于提高颜色提取的准确性、稳定性和可靠性,使得后续的颜色类型和位置信息提取更为精确和有效。通过这一步骤,我们能够更好地理解和利用目标色环电阻的颜色信息,从而实现了本申请的目标。
步骤S30、将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值。
在实际应用中,可以开发自适应的颜色模型,根据不同场景或光照条件对颜色进行建模。这样的自适应模型可以根据实际环境中的颜色变化来调整颜色提取阈值,以提高颜色提取的鲁棒性;例如,可以使用机器学习算法来自动学习不同环境下的颜色分布,以获得更为恰当的颜色提取阈值。或通过颜色校正的技术手段,确保所获取的LAB颜色值在不同光照条件下具有一致性;如通过校正白平衡、亮度和饱和度等参数来实现,从而提高颜色提取的准确性。
当然,除了LAB颜色空间,在另一些实施例中,也可以考虑其他颜色空间的使用,如HSV(色相、饱和度、明度)或LCH(亮度、色度、色相)。不同的颜色空间可以对颜色信息提取产生不同的效果,根据具体应用需求选择最合适的颜色空间。
本申请所述技术方案在具体实施过程中,考虑使用动态阈值调整方法,以根据不同目标色环电阻的颜色特征自动调整颜色提取阈值,这可以根据实际图像中的颜色信息进行实时优化。或可以允许用户进行交互式颜色校正,以手动调整颜色提取阈值或修正颜色识别结果,从而提高系统的灵活性和用户友好性。
通过上述技术方案,可以进一步提高颜色提取的准确性和鲁棒性,使得本申请中的色环电阻颜色提取方法更适用于不同环境和应用场景。
在具体应用中,所述将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值,包括:将目标色环电阻的RGB颜色图像输入至已训练的目标颜色提取模型中,以获得各色环电阻的颜色类型;基于各所述色环电阻的颜色类型,将各所述色环电阻的颜色类型对应的LAB值进行变换处理,获得颜色提取阈值。
在基于各所述色环电阻的颜色类型,将各所述色环电阻的颜色类型对应的LAB值进行变换处理,获得颜色提取阈值时,可以是基于各所述色环电阻的颜色类型,将各色环颜色对应的LAB值±10%进行变换处理,获得颜色提取阈值。
需要说明的是,本申请所述已训练的目标颜色提取模型可以是使用深度学习方法,如卷积神经网络(CNN),来构建目标颜色提取模型;深度学习模型能够自动学习图像中的特征,从而提高颜色类型的识别性能。通过大规模训练和数据增强,模型可以更好地适应不同色环电阻的颜色变化。或使用迁移学习的方法,可以将已经在大规模数据上训练的神经网络模型(例如ImageNet上的模型)用作初始模型,然后对其进行微调以适应目标颜色提取任务。这种方法可以减少训练时间和数据需求,同时提高模型的性能。再或结合传统的颜色分类算法,如k-均值聚类或支持向量机,与深度学习模型进行协同工作。这样的组合方法可以提高颜色类型的准确性,特别是当颜色类别之间存在重叠或相似的情况。
具体来说,本申请实施例所述目标颜色提取模型通过如下步骤训练获得:构建初始ADC颜色提取模型;基于第一元器件样本图像集对所述初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出各色环电阻的颜色类型;其中,所述第一元器件样本图像集包括多张第一元器件样本图像,所述第一元器件样本图像中包括色环电阻的颜色类型标注信息。
所述第一元器件样本图像集可以通过数据增强获得,以增加样本数据的多样性和数量,从而提高模型性能。如随机旋转、缩放、剪裁、亮度和对比度调整,以生成更多的训练样本。这有助于模型更好地适应各种色环电阻的颜色类型和变化。
具体来说,所述基于第一元器件样本图像集对所述初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出各色环电阻的颜色类型,包括:获取元器件样本初始图像;对所述元器件样本初始图像中色环电阻的颜色类型进行标注,获得第一元器件样本图像;基于所述第一元器件样本图像,获得第一元器件样本图像集;基于所述第一元器件样本图像集对初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出色环电阻的颜色类型信息。
但需要说明的是,除了上述第一元器件样本图像集外,还可以考虑从多个不同来源获取样本数据,以涵盖更广泛的色环电阻颜色类型和变化;这可以包括来自不同供应商、不同制造批次或不同环境条件下的样本数据。
上述标注处理的目的在于快速而准确地标注色环电阻的颜色类型,自动标注或半自动标注工具均可以,主要目的在于减少人工标注的工作量。但在对模型进行实际训练之前,应当进行数据清洗和预处理以去除噪声、纠正标签错误或填补缺失的数据,确保样本数据的质量对于模型的性能至关重要。
通过上述技术方案,可以不断改进训练初始ADC颜色提取模型的流程,使其能够更准确地输出色环电阻的颜色类型信息。
步骤S40、基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。
如上所述,颜色提取阈值可以是通过入自适应的颜色提取阈值获得的,即根据每个色环电阻的具体情况和周围环境动态调整阈值;这可以通过分析局部颜色分布、光照条件和背景信息来实现,以提高颜色提取的鲁棒性。
在一些优化技术方案中,除了提取颜色信息以外,还可以考虑对色环电阻的形状和纹理特征进行提取,以帮助维修者更快的识别色环电阻,如通过边缘检测、纹理分析或形状描述等方法。
上述颜色提取阈值不限定为单个阈值,在一些实施例中,为了获得更可靠的提取结果,可以考虑使用多个阈值来提取颜色信息,例如,可以使用不同的阈值来检测不同颜色环的存在,然后通过组合来确定最终颜色。
通过上述技术方案,可以不断改进颜色提取的准确性和鲁棒性,使得本申请所述色环电阻颜色提取方法更适用于不同的环境和应用场景。
在一些实施例中,在所述基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理之后,还包括:基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理,获取各色环颜色区域;基于各所述色环颜色区域,对所述LAB颜色图像进行掩膜处理。
需要说明的是,在获取各色环颜色区域后,可以进一步分割这些区域,以将每个色环的颜色部分单独分离出来,以保证颜色提取和识别的准确性。或对于每个单独的色环颜色区域,可以使用颜色分类和识别方法,将其识别为特定的颜色类型。当然这可以通过训练分类器来实现,例如支持向量机、深度学习模型或传统的颜色直方图匹配。
需要说明的是,在掩膜处理时应当考虑多光照条件的适应性,如不同光照条件下,颜色可能会产生变化,因此可以使用光照校正技术来调整颜色识别结果。通过上述技术方案,可以提高颜色提取的准确性、稳定性和可用性。
可以看出,本申请实施例所述技术方案相较于现有技术,具有以下有益效果:首先,传统的颜色提取方法往往受到光照、阴影和环境干扰的影响,容易导致颜色提取不准确。而本申请的技术采用LAB颜色空间以及多通道颜色信息,能够更准确地捕获和识别色环电阻的颜色,提高了颜色提取的精度。其次,传统的色环电阻颜色提取通常需要人工干预和调整参数,耗时且不稳定。本申请技术利用目标模型检测和阈值设置,实现了自动化的颜色提取处理,减少了人工操作的需要,提高了效率。再者,本申请的技术引入了实时反馈机制,能够在运行时动态调整颜色提取阈值,从而适应不断变化的颜色条件,这使得色环电阻的颜色提取能够更稳定地应对现实世界中的不确定性。
总之,本申请的色环电阻颜色提取技术方案在精度、自动化、泛化性和实时性等方面相较于传统技术具有显著的有益效果。这使得该技术在工业生产、质量控制和自动化领域等应用中具有广阔的前景和价值。
参见图3,基于相同的发明思路,本申请的实施例还提供了:一种色环电阻颜色提取装置,包括:
获取图像模块,用于获取目标色环电阻的RGB颜色图像;
颜色空间转换模块,用于基于所述RGB颜色图像,获得LAB颜色图像;
提取阈值设置模块,用于将各色环电阻的颜色类型对应LAB值进行变换处理,获得颜色提取阈值;
颜色提取处理模块,用于基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。
需要说明的是,本实施例中色环电阻颜色提取装置中各模块是与前述实施例中的色环电阻颜色提取方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述色环电阻颜色提取方法的实施方式,这里不再赘述。
此外,在一种实施例中,本申请还提供一种获取机存储介质,所述获取机存储介质上存储有获取机程序,所述获取机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中,获取机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。获取机可以是包括智能终端和服务器在内的各种获取设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在获取环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个获取设备上执行,或者在位于一个地点的多个获取设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个获取设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来,该获取机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光 盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,获取机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
以上所揭露的仅为本申请的局部实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或局部流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (11)
1.一种色环电阻颜色提取方法,其特征在于,包括以下步骤:
获取目标色环电阻的RGB颜色图像;
基于所述RGB颜色图像,获得LAB颜色图像;
将目标色环电阻的RGB颜色图像输入至已训练的目标颜色提取模型中,以获得各色环电阻的颜色类型;基于各所述色环电阻的颜色类型,将各所述色环电阻的颜色类型对应的LAB值进行变换处理,获得颜色提取阈值;其中,所述颜色提取阈值是通过自适应的颜色模型获得的;所述颜色提取阈值随实际环境中的颜色变化而变化;
其中,所述目标颜色提取模型通过如下步骤训练获得:构建初始ADC颜色提取模型;基于第一元器件样本图像集和第二元器件样本图像集对所述初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出各色环电阻的颜色类型和色环电阻的位置信息;其中,所述第一元器件样本图像集包括多张第一元器件样本图像,所述第一元器件样本图像中包括色环电阻的颜色类型标注信息;所述第二元器件样本图像集包括多张第二元器件样本图像,所述第二元器件样本图像中包括色环电阻的位置标注信息;所述第一元器件样本图像集是通过数据增强获得的;所述数据增强包括随机旋转、缩放、裁剪、亮度和对比调整;
基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。
2.根据权利要求1所述色环电阻颜色提取方法,其特征在于,所述基于各所述色环电阻的颜色类型,将各所述色环电阻的颜色类型对应的LAB值进行变换处理,获得颜色提取阈值,包括:
基于各所述色环电阻的颜色类型,将各色环颜色对应的LAB值±10%进行变换处理,获得颜色提取阈值。
3.根据权利要求1所述色环电阻颜色提取方法,其特征在于,所述基于第一元器件样本图像集对所述初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出各色环电阻的颜色类型,包括:
获取元器件样本初始图像;
对所述元器件样本初始图像中色环电阻的颜色类型进行标注,获得第一元器件样本图像;
基于所述第一元器件样本图像,获得第一元器件样本图像集;
基于所述第一元器件样本图像集对初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出色环电阻的颜色类型。
4.根据权利要求1所述色环电阻颜色提取方法,其特征在于,在所述基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理之后,还包括:
基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理,获取各色环颜色区域;
基于各所述色环颜色区域,对所述LAB颜色图像进行掩膜处理。
5.根据权利要求1所述色环电阻颜色提取方法,其特征在于,获取目标色环电阻的RGB颜色图像,包括:
将元器件图像输入至已训练的目标检测模型,以获得目标色环电阻的位置坐标信息;
基于所述目标色环电阻的位置坐标信息,对所述元器件图像进行裁剪,获得目标色环电阻图像;
将所述目标色环电阻图像映射至RGB颜色空间,获得RGB颜色图像。
6.根据权利要求5所述色环电阻颜色提取方法,其特征在于,所述目标检测模型通过如下步骤训练获得:
构建初始ADC检测模型;
基于第二元器件样本图像集对所述初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息;
其中,所述第二元器件样本图像集包括多张第二元器件样本图像,所述第二元器件样本图像中包括色环电阻的位置标注信息。
7.根据权利要求6所述色环电阻颜色提取方法,其特征在于,所述基于第二元器件样本图像集对所述初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息,包括:
获取元器件样本初始图像;
对所述元器件样本初始图像中色环电阻的位置信息进行标注,获得第二元器件样本图像;
基于所述第二元器件样本图像,获得第二元器件样本图像集;
基于所述第二元器件样本图像集对初始ADC检测模型进行训练,以使得所述初始ADC检测模型输出色环电阻的位置信息。
8.根据权利要求6所述色环电阻颜色提取方法,其特征在于,所述第二元器件样本图像是利用多个图像采集设备从元器件的上方采集获得。
9.一种色环电阻颜色提取装置,其特征在于,包括:
获取图像模块,用于获取目标色环电阻的RGB颜色图像;
颜色空间转换模块,用于基于所述RGB颜色图像,获得LAB颜色图像;
提取阈值设置模块,用于将目标色环电阻的RGB颜色图像输入至已训练的目标颜色提取模型中,以获得各色环电阻的颜色类型;基于各所述色环电阻的颜色类型,将各所述色环电阻的颜色类型对应的LAB值进行变换处理,获得颜色提取阈值;其中,所述颜色提取阈值是通过自适应的颜色模型获得的;所述颜色提取阈值随实际环境中的颜色变化而变化;其中,所述目标颜色提取模型通过如下步骤训练获得:构建初始ADC颜色提取模型;基于第一元器件样本图像集和第二元器件样本图像集对所述初始ADC颜色提取模型进行训练,以使得所述初始ADC颜色提取模型输出各色环电阻的颜色类型和色环电阻的位置信息;其中,所述第一元器件样本图像集包括多张第一元器件样本图像,所述第一元器件样本图像中包括色环电阻的颜色类型标注信息;所述第二元器件样本图像集包括多张第二元器件样本图像,所述第二元器件样本图像中包括色环电阻的位置标注信息;所述第一元器件样本图像集是通过数据增强获得的;所述数据增强包括随机旋转、缩放、裁剪、亮度和对比调整;
颜色提取处理模块,用于基于所述颜色提取阈值,对所述LAB颜色图像进行颜色提取处理。
10.一种电子设备,其特征在于,该电子设备包括存储器和处理器,所述存储器中存储有获取机程序,所述处理器执行所述获取机程序,实现如权利要求1-8中任一项所述的方法。
11.一种获取机可读存储介质,其特征在于,所述获取机可读存储介质上存储有获取机程序,处理器执行所述获取机程序,实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640911.6A CN117351100B (zh) | 2023-12-04 | 2023-12-04 | 一种色环电阻颜色提取方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640911.6A CN117351100B (zh) | 2023-12-04 | 2023-12-04 | 一种色环电阻颜色提取方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351100A CN117351100A (zh) | 2024-01-05 |
CN117351100B true CN117351100B (zh) | 2024-03-22 |
Family
ID=89356016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311640911.6A Active CN117351100B (zh) | 2023-12-04 | 2023-12-04 | 一种色环电阻颜色提取方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351100B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529572A (zh) * | 2016-10-14 | 2017-03-22 | 广州视源电子科技股份有限公司 | 色环电阻的检测方法、装置和自动光学检测系统 |
CN109118433A (zh) * | 2017-06-22 | 2019-01-01 | 南京理工大学 | 一种色环电阻色码识别方法 |
CN109785397A (zh) * | 2019-01-25 | 2019-05-21 | 中电健康云科技有限公司 | 一种图像中色卡颜色提取方法及装置 |
CN112489143A (zh) * | 2020-11-30 | 2021-03-12 | 济南博观智能科技有限公司 | 一种颜色识别方法、装置、设备及存储介质 |
CN114266773A (zh) * | 2022-03-02 | 2022-04-01 | 成都数联云算科技有限公司 | 显示面板缺陷定位方法、装置、设备及存储介质 |
WO2022135787A1 (de) * | 2020-12-23 | 2022-06-30 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur optischen qualitätskontrolle während der fertigung von leiterplatten |
CN115115596A (zh) * | 2022-06-29 | 2022-09-27 | 浪潮通信技术有限公司 | 电子元器件检测方法、装置及自动质检设备 |
CN115527024A (zh) * | 2022-10-11 | 2022-12-27 | 莆田市喜乐网络科技有限公司 | 一种基于图像信息的检测定位方法及系统 |
CN115601244A (zh) * | 2021-07-07 | 2023-01-13 | 荣耀终端有限公司(Cn) | 图像处理方法、装置和电子设备 |
CN116245793A (zh) * | 2022-11-30 | 2023-06-09 | 河北汉光重工有限责任公司 | 基于视觉的色环电阻阻值检测方法 |
-
2023
- 2023-12-04 CN CN202311640911.6A patent/CN117351100B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529572A (zh) * | 2016-10-14 | 2017-03-22 | 广州视源电子科技股份有限公司 | 色环电阻的检测方法、装置和自动光学检测系统 |
WO2018068414A1 (zh) * | 2016-10-14 | 2018-04-19 | 广州视源电子科技股份有限公司 | 色环电阻的检测方法、装置和自动光学检测系统 |
CN109118433A (zh) * | 2017-06-22 | 2019-01-01 | 南京理工大学 | 一种色环电阻色码识别方法 |
CN109785397A (zh) * | 2019-01-25 | 2019-05-21 | 中电健康云科技有限公司 | 一种图像中色卡颜色提取方法及装置 |
CN112489143A (zh) * | 2020-11-30 | 2021-03-12 | 济南博观智能科技有限公司 | 一种颜色识别方法、装置、设备及存储介质 |
WO2022135787A1 (de) * | 2020-12-23 | 2022-06-30 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zur optischen qualitätskontrolle während der fertigung von leiterplatten |
CN115601244A (zh) * | 2021-07-07 | 2023-01-13 | 荣耀终端有限公司(Cn) | 图像处理方法、装置和电子设备 |
CN114266773A (zh) * | 2022-03-02 | 2022-04-01 | 成都数联云算科技有限公司 | 显示面板缺陷定位方法、装置、设备及存储介质 |
CN115115596A (zh) * | 2022-06-29 | 2022-09-27 | 浪潮通信技术有限公司 | 电子元器件检测方法、装置及自动质检设备 |
CN115527024A (zh) * | 2022-10-11 | 2022-12-27 | 莆田市喜乐网络科技有限公司 | 一种基于图像信息的检测定位方法及系统 |
CN116245793A (zh) * | 2022-11-30 | 2023-06-09 | 河北汉光重工有限责任公司 | 基于视觉的色环电阻阻值检测方法 |
Non-Patent Citations (4)
Title |
---|
"基于机器视觉的色环电阻阻值测量";林晓雷;《福建电脑》;20150425;第31卷(第4期);第7-8+34页 * |
"基于改进MobileNetV3的色环电阻识别";易子娟等;《计算机系统应用》;20230430;第32卷(第4期);第361-367页 * |
"基于深度学习的色环电阻检测与判读方法研究";张可等;《电子测量技术》;第45卷(第11期);第1-2节 * |
X. Li等."A new method of resistor's color rings detection based on machine vision".《2017 Chinese Automation Congress (CAC)》.2018,第2节. * |
Also Published As
Publication number | Publication date |
---|---|
CN117351100A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109520706B (zh) | 一种汽车保险丝盒的螺孔坐标提取方法 | |
CN102706274B (zh) | 工业结构化场景中机器视觉精确定位机械零件的系统 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN107220664B (zh) | 一种基于结构化随机森林的油瓶装箱清点方法 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN111062934B (zh) | 一种织物图像缺陷实时检测方法 | |
CN111640088B (zh) | 基于深度学习的电子元件极性检测方法、系统及电子装置 | |
DK2447884T3 (en) | A method for the detection and recognition of an object in an image and an apparatus and a computer program therefor | |
CN115661161B (zh) | 零件的缺陷检测方法、装置、存储介质、设备及程序产品 | |
US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN111737478A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN113158969A (zh) | 一种苹果外观缺陷识别系统及方法 | |
CN111766248A (zh) | 一种基于彩色ccd的钢印在线检测系统及方法 | |
CN108416782B (zh) | 基于视觉识别和光照矫正的烟叶评级方法及系统 | |
CN105678301A (zh) | 一种自动识别并分割文本图像的方法、系统及装置 | |
CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
CN117351100B (zh) | 一种色环电阻颜色提取方法、装置、设备和介质 | |
US11922680B2 (en) | Image determination device, image determination method, and non-transitory computer readable medium storing program | |
CN114594102B (zh) | 一种基于机器视觉的数据线接口自动检测方法 | |
CN115479891A (zh) | 基于图像识别的电路板载元器件自动检测系统和方法 | |
CN111656758B (zh) | 用于陶瓷载体,特别是瓷砖的图形适配方法和系统 | |
CN111402341A (zh) | 相机参数确定方法、装置、电子设备及可读存储介质 | |
CN112949367A (zh) | 基于视频流数据的工作服颜色检测方法及装置 | |
CN115876785B (zh) | 一种用于产品缺陷检测的视觉识别系统 |
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 |