CN117453574A - 一种全液晶汽车仪表自动化测试方法及系统 - Google Patents
一种全液晶汽车仪表自动化测试方法及系统 Download PDFInfo
- Publication number
- CN117453574A CN117453574A CN202311785109.6A CN202311785109A CN117453574A CN 117453574 A CN117453574 A CN 117453574A CN 202311785109 A CN202311785109 A CN 202311785109A CN 117453574 A CN117453574 A CN 117453574A
- Authority
- CN
- China
- Prior art keywords
- instrument
- detection
- frame
- image
- testing method
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 43
- 239000004973 liquid crystal related substance Substances 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000001788 irregular Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000011990 functional testing Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 230000005484 gravity Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/147—Determination of region of interest
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及汽车仪表自动化测试技术领域,尤其是涉及一种全液晶汽车仪表自动化测试方法及系统。所述方法包括获取仪表图像;利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;对检测得到的不规则检测框进行坐标处理,得到矩形框;利用NMS方法对矩形框进行去重,得到最佳检测框;将最佳检测框作为文本检测框。本发明提出的测试方法,在功能测试模式下,载入功能测试用例,能够准确快速的测试出仪表的功能是否齐全,显示是否正确。在边界调试模式下载入边界测试用例,同样能够准确快速的测试出仪表对于边界值数据的处理与显示是否符合设计要求。
Description
技术领域
本发明涉及汽车仪表自动化测试技术领域,尤其是涉及一种全液晶汽车仪表自动化测试方法及系统。
背景技术
目前已有的汽车仪表测试技术大多基于机器视觉技术采用摄像头捕捉采集仪表显示界面图像,通过上位机软件对采集图像进行算法处理,识别仪表指针指示是否正确,报警信号是否正确。如 Yingping Huang,Alexandros Mouzakitis 等提出了在硬件环路中采用机器视觉技术测试组合式指针仪长;TLNarayana S.Venkat Rao 等提出了基于 LabVIEW在汽车仪表自动化测试过程中对图像的处理;焦圣喜等提出了通过改进对摄像头采集的仪表界面图像进行处理的差分算法,并通过色调匹配来提取彩色仪表指针位置,实现对汽车仪表指针进行自动化测试:关牧野,战伟H提出了通过设计测试台架对乘用车组合仪表进行调试的方法。
现有技术中,当前的测试方法主要是针对传统指针式仪表的调试,传统指针式仪表无法通过仪表软件获取仪表界面显示图像。采用摄像头捕捉采集仪表界面显示图像,而要很好的采集环境来消除环境对图像的干扰,所以这种测试方法的可移植性差。但对于全液晶仪表,仪表界面是通过运行嵌入式软件显示可以直接通过仪表软件获取仪表界面显示图像,且不用担心环境对图像的影响,因此亟需一种全液晶汽车仪表自动化测试方法及系统。
发明内容
为了解决上述提到的问题,本发明提供一种全液晶汽车仪表自动化测试方法及系统,该方法具有可移植性强,通用性强,操作简单,测试结果准确可靠的优点。
第一方面,本发明提供的一种全液晶汽车仪表自动化测试方法,采用如下的技术方案:
一种全液晶汽车仪表自动化测试方法,包括:
获取仪表图像;
利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;
对检测得到的不规则检测框进行坐标处理,得到矩形框;
利用NMS方法对矩形框进行去重,得到最佳检测框;
将最佳检测框作为文本检测框。
进一步地,所述利用MSER算法对仪表图像进行自动检测,包括采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,并与输入的正确字符做对比,检查仪表盘上指定区域的字符是否正确。
进一步地,所述采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,包括基于分水岭算法思想对仪表图像进行检测,其中将仪表图像作为自然地貌,仪表图像中的像素点的灰度值作为该像素点的海拔高度,像素点的局部极小值及区域作为集水盆地,每两个集水盆地之间的边界为分水岭。
进一步地,所述采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,还包括基于分水岭得到最大稳定极值区域, 从而得到图像中的文字区域。
进一步地,所述对检测得到的不规则检测框进行坐标处理,得到矩形框,包括首先对文字区域进行椭圆拟合,通过椭圆拟合得到矩形框的参数,包括位置、尺寸和方向。
进一步地,所述利用NMS方法对矩形框进行去重,得到最佳检测框,包括将矩形框按置信度得分进行排序,对置信度得分最高的矩形框进行遍历与其余矩形框的重叠面积,当重叠面积大于设定的阈值,将该置信度得分最高的矩形框删除,继续遍历下一个置信度得分最高的矩形框。
进一步地,所述利用NMS方法对矩形框进行去重,得到最佳检测框,还包括通过遍历所有的矩形框,得到不包含重叠部分的矩形框,即为文本检测框。
第二方面,一种全液晶汽车仪表自动化测试系统,包括:
数据获取模块,被配置为,获取仪表图像;
检测模块,被配置为,利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;
处理模块,被配置为,对检测得到的不规则检测框进行坐标处理,得到矩形框;
去重模块,被配置为,利用NMS方法对矩形框进行去重,得到最佳检测框;
计算模块,被配置为,将最佳检测框作为文本检测框。
第三方面,本发明提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种全液晶汽车仪表自动化测试方法。
第四方面,本发明提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种全液晶汽车仪表自动化测试方法。
综上所述,本发明具有如下的有益技术效果:
本发明提出的测试方法,在功能测试模式下,载入功能测试用例,能够准确快速的测试出仪表的功能是否齐全,显示是否正确。在边界调试模式下,载入边界测试用例,同样能够准确快速的测试出仪表对于边界值数据的处理与显示是否符合设计要求。在循环测试模式下,载入循环测试用例,启动调试,能够实现无人值守自动调试仪表在长时间运行过程中输人相同的数据信号,能否得到相同的显示输出。该调试方法达到了缩短仪表开发周期,减少测试人员的工作量,降低了仪表的开发成本,其有可移植性强,可通用性强,操作简单,测试结果可靠的特点,其有一定的科研价值和商用价值。
附图说明
图1是本发明实施例1的一种全液晶汽车仪表自动化测试方法的流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1,本实施例的一种全液晶汽车仪表自动化测试方法,包括:
获取仪表图像;
利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;
对检测得到的不规则检测框进行坐标处理,得到矩形框;
利用NMS方法对矩形框进行去重,得到最佳检测框;
将最佳检测框作为文本检测框。
所述利用MSER算法对仪表图像进行自动检测,包括采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,并与输入的正确字符做对比,检查仪表盘上指定区域的字符是否正确。
所述采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,包括基于分水岭算法思想对仪表图像进行检测,其中将仪表图像作为自然地貌,仪表图像中的像素点的灰度值作为该像素点的海拔高度,像素点的局部极小值及区域作为集水盆地,每两个集水盆地之间的边界为分水岭。
所述采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,还包括基于分水岭得到最大稳定极值区域, 从而得到图像中的文字区域。
所述对检测得到的不规则检测框进行坐标处理,得到矩形框,包括首先对文字区域进行椭圆拟合,通过椭圆拟合得到矩形框的参数,包括位置、尺寸和方向。
所述利用NMS方法对矩形框进行去重,得到最佳检测框,包括将矩形框按置信度得分进行排序,对置信度得分最高的矩形框进行遍历与其余矩形框的重叠面积,当重叠面积大于设定的阈值,将该置信度得分最高的矩形框删除,继续遍历下一个置信度得分最高的矩形框。
所述利用NMS方法对矩形框进行去重,得到最佳检测框,还包括通过遍历所有的矩形框,得到不包含重叠部分的矩形框,即为文本检测框。
具体的,包括以下步骤:
S1.获取仪表图像。
S2. 利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;
采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,并与输入的正确字符做对比,检查仪表盘上指定区域的字符是否正确。
MSER(Maximaly Stable Extremal Redions,最大稳定极值区域)是一个较为流行的文字检测传统方法(相对于基于深度学习的A文字检测而言),在传统OCR中应用较广,在某些场景下,又快又准。MSER算法,主要是基于分水岭的思想进行检测。分水岭算法思想来源于地形学,将图像当作自然地貌,图像中每一个像素的灰度值表示该点的海拔高度,每一个局部极小值及区域称为集水盆地,两个集水盆地之间的边界则为分水岭。
MSER的处理过程是这样的,对一幅灰度图像取不同的阈值进行二值化处理,阈值从0至255递增,这个递增的过程就好比是一片土地上的水面不断上升,随着水位的不断上升,一些较低的区域就会逐渐被淹没。在这个"漫水”的过程中,图像中的某些连通区域变化很小,甚至没有变化,则该区域就被称为最大稳定极值区域。在一幅有文字的图像上,文字区域由于颜色(灰度值)是一致的,因此在水平面(值)续增长的过程中,一开始不会被”没”,直到阈值增加到文字本身的灰度值时才会被“淹没”。该算法可以用来粗略地定位出图像中的文字区域位置。
S3.对检测得到的不规则检测框进行坐标处理,得到矩形框;
检测后的结果是存在各种不规则的检测框形状,通过对这些框的坐标作重新处理,变成一个个的矩形框。为了处理这些很多重叠的大小框,一般会采用NMS方法 (NonMaximumSuppression,非极大值抑制),也就是抑制非极大值的元素,即抑制不是最大尺寸的框,相当于去除大框中包合的小框,达到去除重复区域,找到最佳检测位置的目的。
为了进一步对MSER得到的不规则区域进行描述和处理,需要对其进行圆拟合(椭圆可以反映区域的位置、尺寸、方向)。
1) 椭圆的重心
对区域内的每个点,计算整个区域的几何零阶矩和几何一阶矩,
,/>,/>,
其中,m00为零阶矩,I为区域内点的灰度分布函数,x 为区域内点的横坐标,y为区域内点的纵坐标,m01为y的一阶距,m10为x的一阶矩。
得到整个区域的重心位置,/>。
其中,(xc,yc)为区域的重心位置,xc为重心位置的横坐标,yc为重心位置的纵坐标。
2) 椭圆的长半轴、短半轴、角度 (长半轴与x轴顺时针),
计算中心二阶矩;其中:/>,/>,,
其中,μ20、μ11、μ02为三个二阶矩。
计算该二阶矩的两个特征值,有:,。
其中,λ1为第一个二阶矩特征值,λ2为第二个二阶矩特征值。
于是可以分别得到其长半轴、短半轴、角度:,/>,/>。
其中,a为长半轴,b为短半轴,θ为角度。
S4.利用NMS方法对矩形框进行去重,得到最佳检测框;
NMS算法的主要流程如下:
将所有框按置信度得分进行排序(如果边框没有置信度得分,也可以按坐标进行排序);
取其中得分最高的框出来;
遍历该框与其余框的重叠面积 (loU);
删除loU大于某个阈值的框 (阈值可按需设定,例如0.3、0.5、0.8等);
取下一个得分最高的框出来,重复以上过程;
经过以上步骤,最后剩下的就是不包含重叠部分的文本检测框了。
经MSER+NMS后,已能较好地将文字区域检测、圈出来。MSER+NMS检测方法在传统的OCR应用中使用广泛,检测速度也非常快,能满足一定的识别场景。
实施例2
本实施例提供一种全液晶汽车仪表自动化测试系统,包括:
数据获取模块,被配置为,获取仪表图像;
检测模块,被配置为,利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;
处理模块,被配置为,对检测得到的不规则检测框进行坐标处理,得到矩形框;
去重模块,被配置为,利用NMS方法对矩形框进行去重,得到最佳检测框;
计算模块,被配置为,将最佳检测框作为文本检测框。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种全液晶汽车仪表自动化测试方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种全液晶汽车仪表自动化测试方法。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种全液晶汽车仪表自动化测试方法,其特征在于,包括:
获取仪表图像;
利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;
对检测得到的不规则检测框进行坐标处理,得到矩形框;
利用NMS方法对矩形框进行去重,得到最佳检测框;
将最佳检测框作为文本检测框。
2.根据权利要求1所述的一种全液晶汽车仪表自动化测试方法,其特征在于,所述利用MSER算法对仪表图像进行自动检测,包括采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,并与输入的正确字符做对比,检查仪表盘上指定区域的字符是否正确。
3.根据权利要求2所述的一种全液晶汽车仪表自动化测试方法,其特征在于,所述采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,包括基于分水岭算法思想对仪表图像进行检测,其中将仪表图像作为自然地貌,仪表图像中的像素点的灰度值作为该像素点的海拔高度,像素点的局部极小值及区域作为集水盆地,每两个集水盆地之间的边界为分水岭。
4.根据权利要求3所述的一种全液晶汽车仪表自动化测试方法,其特征在于,所述采用深度学习算法识别仪表图像中仪表盘上指定区域的字符,还包括基于分水岭得到最大稳定极值区域, 从而得到图像中的文字区域。
5.根据权利要求4所述的一种全液晶汽车仪表自动化测试方法,其特征在于,所述对检测得到的不规则检测框进行坐标处理,得到矩形框,包括首先对文字区域进行椭圆拟合,通过椭圆拟合得到矩形框的参数,包括位置、尺寸和方向。
6.根据权利要求5所述的一种全液晶汽车仪表自动化测试方法,其特征在于,所述利用NMS方法对矩形框进行去重,得到最佳检测框,包括将矩形框按置信度得分进行排序,对置信度得分最高的矩形框进行遍历与其余矩形框的重叠面积,当重叠面积大于设定的阈值,将该置信度得分最高的矩形框删除,继续遍历下一个置信度得分最高的矩形框。
7.根据权利要求6所述的一种全液晶汽车仪表自动化测试方法,其特征在于,所述利用NMS方法对矩形框进行去重,得到最佳检测框,还包括通过遍历所有的矩形框,得到不包含重叠部分的矩形框,即为文本检测框。
8.一种全液晶汽车仪表自动化测试系统,其特征在于包括:
数据获取模块,被配置为,获取仪表图像;
检测模块,被配置为,利用MSER算法对仪表图像进行自动检测,检测得到不规则检测框;
处理模块,被配置为,对检测得到的不规则检测框进行坐标处理,得到矩形框;
去重模块,被配置为,利用NMS方法对矩形框进行去重,得到最佳检测框;
计算模块,被配置为,将最佳检测框作为文本检测框。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1所述的一种全液晶汽车仪表自动化测试方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1所述的一种全液晶汽车仪表自动化测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785109.6A CN117453574A (zh) | 2023-12-25 | 2023-12-25 | 一种全液晶汽车仪表自动化测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785109.6A CN117453574A (zh) | 2023-12-25 | 2023-12-25 | 一种全液晶汽车仪表自动化测试方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117453574A true CN117453574A (zh) | 2024-01-26 |
Family
ID=89589586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311785109.6A Pending CN117453574A (zh) | 2023-12-25 | 2023-12-25 | 一种全液晶汽车仪表自动化测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117453574A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190095739A1 (en) * | 2017-09-27 | 2019-03-28 | Harbin Institute Of Technology | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier |
CN111539437A (zh) * | 2020-04-27 | 2020-08-14 | 西南大学 | 基于深度学习的甲骨文偏旁的检测与识别方法 |
CN113762246A (zh) * | 2020-08-28 | 2021-12-07 | 哈尔滨理工大学 | 复杂场景车牌图像文本的检测和识别 |
CN115512379A (zh) * | 2022-08-25 | 2022-12-23 | 中国烟草总公司郑州烟草研究院 | 一种识别提取纸质文本中复选框勾选结果的方法及系统 |
CN115994087A (zh) * | 2022-11-28 | 2023-04-21 | 中国航空无线电电子研究所 | 基于arinc818的机载显示系统自动化测试方法 |
CN117152729A (zh) * | 2023-08-15 | 2023-12-01 | 中北大学 | 电力杆信息牌图像中字符检测识别的方法 |
-
2023
- 2023-12-25 CN CN202311785109.6A patent/CN117453574A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190095739A1 (en) * | 2017-09-27 | 2019-03-28 | Harbin Institute Of Technology | Adaptive Auto Meter Detection Method based on Character Segmentation and Cascade Classifier |
CN111539437A (zh) * | 2020-04-27 | 2020-08-14 | 西南大学 | 基于深度学习的甲骨文偏旁的检测与识别方法 |
CN113762246A (zh) * | 2020-08-28 | 2021-12-07 | 哈尔滨理工大学 | 复杂场景车牌图像文本的检测和识别 |
CN115512379A (zh) * | 2022-08-25 | 2022-12-23 | 中国烟草总公司郑州烟草研究院 | 一种识别提取纸质文本中复选框勾选结果的方法及系统 |
CN115994087A (zh) * | 2022-11-28 | 2023-04-21 | 中国航空无线电电子研究所 | 基于arinc818的机载显示系统自动化测试方法 |
CN117152729A (zh) * | 2023-08-15 | 2023-12-01 | 中北大学 | 电力杆信息牌图像中字符检测识别的方法 |
Non-Patent Citations (2)
Title |
---|
董海;徐晓鹏;谢英红;韩晓微;高源;: "无先验知识的仪表自动检测与判读算法", 仪器仪表学报, no. 02, 15 February 2020 (2020-02-15) * |
陶旭东;杨立娜;张小发;屠仁伟;王文泽;: "基于机器视觉的汽车仪表盘功能测试方法的研究", 科技创新与应用, no. 14, 18 May 2016 (2016-05-18) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972329B (zh) | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 | |
Juneja et al. | Performance evaluation of edge detection techniques for images in spatial domain | |
CN107679535B (zh) | 一种基于模板匹配的指针式水表自动读数识别系统及方法 | |
CN112308916B (zh) | 一种基于图像靶标的目标位姿识别方法 | |
WO2017181724A1 (zh) | 电子元件漏件检测方法和系统 | |
CN107808161A (zh) | 一种基于光视觉的水下目标识别方法 | |
CN111915549A (zh) | 瑕疵检测方法、电子装置及计算机可读存储介质 | |
CN115205223B (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN111723821A (zh) | 一种电厂仪表图像的检测识别方法及装置 | |
CN109165603B (zh) | 一种舰船检测方法及装置 | |
CN106546174B (zh) | 一种基于模型滤波的圆检测方法 | |
CN113884011A (zh) | 一种非接触式混凝土表观裂缝测量设备和方法 | |
CN112614117A (zh) | 设备区域提取模型训练方法、设备区域提取方法及装置 | |
CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
CN111815580B (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
CN113269752A (zh) | 一种图像检测方法、装置终端设备及存储介质 | |
CN117453574A (zh) | 一种全液晶汽车仪表自动化测试方法及系统 | |
CN115908409A (zh) | 光伏片缺陷的检测方法、检测装置、计算机设备和介质 | |
CN113870262A (zh) | 基于图像处理的印刷电路板分类方法、装置及储存介质 | |
Chen et al. | Design and Implementation of Crack Width Detection System Based on Android | |
CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 | |
JP3448748B2 (ja) | 角膜内皮細胞計測装置及び計測方法 | |
CN114612363A (zh) | 螺栓松动检测方法,装置,电子设备及存储介质 | |
WO2022242490A1 (en) | Method for detecting and removing personnel interference while measuring volume of an object |
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 |