CN117654925A - 基于机器视觉精准识别测定燕窝条状及分拣的方法 - Google Patents
基于机器视觉精准识别测定燕窝条状及分拣的方法 Download PDFInfo
- Publication number
- CN117654925A CN117654925A CN202311771522.7A CN202311771522A CN117654925A CN 117654925 A CN117654925 A CN 117654925A CN 202311771522 A CN202311771522 A CN 202311771522A CN 117654925 A CN117654925 A CN 117654925A
- Authority
- CN
- China
- Prior art keywords
- swallow
- strips
- information
- strip
- bird
- 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
- 238000000034 method Methods 0.000 title claims abstract description 104
- 244000000626 Daucus carota Species 0.000 claims abstract description 147
- 235000005770 birds nest Nutrition 0.000 claims abstract description 147
- 235000005765 wild carrot Nutrition 0.000 claims abstract description 147
- 238000001514 detection method Methods 0.000 claims abstract description 127
- 238000011156 evaluation Methods 0.000 claims abstract description 67
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000005192 partition Methods 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000013524 data verification Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 258
- 238000012545 processing Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 6
- 108010076504 Protein Sorting Signals Proteins 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/04—Sorting according to size
- B07C5/10—Sorting according to size measured by light-responsive means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于机器视觉精准识别测定燕窝条状的方法、分拣方法、智能装置、计算机设备和存储介质。所述方法包括:根据图像得到每一燕条的轮廓信息;基于当前燕条的轮廓信息得到在对应的图像像素中的所占像素数量,基于在对应的图像像素中所占像素数量,得到长度信息;将燕条根据对应的长度信息分类到对应的组别,根据各组别的燕条数量,得到各组别的数量占比信息和全部燕条对应批次的评价特征信息;基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号。基于此,准确且高效地针对燕窝条状进行测量和分拣,将符合高品质燕窝标准的条状应用于生产中,以保障燕窝的品质质量。
Description
技术领域
本申请涉及食品加工技术领域,特别是涉及一种基于机器视觉精准识别测定燕窝条状的方法、分拣方法、智能装置、计算机设备和存储介质。
背景技术
燕窝加工过程中,需要实时监控燕窝产品的条状占比,需保证长燕条的占比高,从而保证燕窝产品的品质。
传统技术中,通常采用人工测定条状的方法,即通过人工对燕条的长度进行测量,以得到燕窝产品的长燕条占比;并通过人工分拣的方法,针对符合生产标准的长燕条进行人工拣取。
然而,目前的人工测定条状的方法和人工分拣的方法,需人工逐一对燕条进行测量,再由人工逐一对燕条进行分拣,且在测量和分拣过程中容易受到操作人员的主观因素影响,导致测量和分拣结果的不一致性,从而降低针对燕条进行测量和分拣的准确性与高效性。
发明内容
基于此,有必要针对上述技术问题,提供一种准确且高效地针对燕窝条状进行测量和分拣的基于机器视觉精准识别测定燕窝条状的方法、分拣方法、智能装置、计算机设备和计算机可读存储介质,基于此,通过精准检测测定燕窝条状并抓取,将符合高品质燕窝标准的条状应用于生产中,以保障燕窝的品质质量。
第一方面,本申请提供了一种基于机器视觉精准识别测定燕窝条状的方法,包括:
获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
在其中一个实施例中,在所述得到所述当前燕条的长度信息之后,所述方法还包括:基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息;其中所述标准物体是指已知长度的物体;基于每一燕条的理论长度信息分别确定每一燕条对应的误差范围,若预设数量占比的燕条对应的长度信息均在对应的误差范围内时,数据验证结果合格;若预设数量占比的燕条对应的长度信息均不在对应的误差范围内时,数据验证结果不合格,根据每一燕条对应的长度信息和对应理论长度信息的偏差数值,对每一燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系进行修正。
在其中一个实施例中,所述基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息,包括:分别获得不同标准物体的长度与在所述标准图像中所占像素数量,组成多组数据;根据所述多组数据,得到关于标准物体的长度与在所述标准图像中所占像素数量的数值关系的拟合函数;将每一燕条对应的图像像素中的所占像素数量输入至所述拟合函数,分别得到每一燕条对应的理论长度信息。
在其中一个实施例中,所述将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息,包括:将长度大于或等于预设阈值的燕条作为长燕条,并分类到同一组别;根据所述长燕条的数量和所述全部燕条的数量,得到所述长燕条对应组别的数量占比信息;根据所述长燕条的数量占比信息所在的数值区间,确定对所述批次的评价等级;其中不同数值区间分别对应不同评价等级,所述评价等级根据所述长燕条的数量占比的增大而提高。
在其中一个实施例中,在所述根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息之后,所述方法还包括:将所述图像、全部燕条和各组别的数量、各组别的数量占比信息、全部燕条对应的批次信息、所述评价特征信息关联存储于数据库中。
第二方面,本申请还提供了一种分拣方法,所述分拣方法包括所述的基于机器视觉精准识别测定燕窝条状的方法,还包括:基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,所述分拣信号用于发送至分拣装置,以使所述分拣装置将每一燕条从检测区域分拣至对应的组别区域。
在其中一个实施例中,检测区域划分为多个检测分区,所述检测分区至少包括第一检测分区以及第二检测分区;所述基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,包括:基于处于所述第一检测分区的燕条对应的位置信息和组别,生成处于所述第一检测分区的燕条对应的分拣信号,同时,基于处于所述第二检测分区的燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到处于所述第二检测分区的燕条的长度信息。
在其中一个实施例中,所述基于每一燕条对应的位置信息和组别,生成对应的分拣信号,包括:基于每一燕条在检测区域的位置信息,识别每一燕条与对应的组别区域之间的距离信息;根据由小至大的顺序依次在距离信息中选择目标距离信息,依序生成与目标距离信息对应的燕条所属的分拣信号。
第三方面,本申请还提供了一种基于机器视觉精准识别测定燕窝条状的智能装置,包括:
图像获取模块,用于获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
长度测量模块,用于基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
占比分析模块,用于将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
第四方面,本申请还提供了一种分拣燕窝条状的智能装置,其特征在于,所述智能装置包括所述的基于机器视觉精准识别测定燕窝条状的智能装置,还包括:
分拣模块,用于基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,所述分拣信号用于发送至分拣装置,以使所述分拣装置将每一燕条从检测区域分拣至对应的组别区域。
第五方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
第六方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
上述基于机器视觉精准识别测定燕窝条状的方法、分拣方法、智能装置、计算机设备和存储介质中,一方面,根据图像获得每一燕条的轮廓信息,根据轮廓信息得到每一燕条在图像中对应所占的像素数量,并结合图像的像素密度得到每一燕条对应的长度信息,将每一燕条根据对应长度信息分类到对应的组别,计算各组别的数量占比信息进而得到燕条对应的评价特征信息;另一方面,基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号;基于此,准确且高效地对燕条的图像特征进行提取与分析,从而可靠地得到针对燕条产品的长度测量结果和评估结果,进一步地基于长度测量结果准确且高效地针对燕条产品进行分拣操作。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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为一个实施例中基于机器视觉精准识别测定燕窝条状的方法的流程示意图;
图2为一个实施例中对燕条的长度信息进行校验的流程示意图;
图3为一个实施例中根据像素数量和长度的拟合函数得到理论长度信息的流程示意图;
图4为一个实施例中根据长燕条的占比信息得到对应批次的评价等级的流程示意图;
图5为一个实施例中分拣方法的流程示意图;
图6为一个实施例中基于机器视觉精准识别测定并分拣燕窝条状的智能装置的结构框图;
图7为一个实施例中基于机器视觉精准识别测定燕窝条状的智能装置的结构框图;
图8为一个实施例中分拣燕窝条状的智能装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处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。
在一个示例性的实施例中,如图1所示,提供了一种基于机器视觉精准识别测定燕窝条状的方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,包括以下步骤S102至步骤S106。其中:
步骤S102,获取包含不同燕条的图像,根据图像得到每一燕条的轮廓信息;其中轮廓信息是指对燕条的轮廓特征进行描述的信息。
其中,燕条是指形状呈条形的燕窝。轮廓信息是指对物体的边界进行描述的一种方式,可以此识别物体的形状、大小、位置以及与其他物体的相对关系;轮廓信息可表示为由一系列连续的点、线段或曲线组成,这些点、线段或曲线定义了物体的边界。轮廓特征可表示为物体轮廓的长度、物体轮廓所包围区域的面积、物体轮廓的中心点、物体轮廓内部或周围的纹理信息、物体长度与宽度的比值或高度与宽度的比值等信息。
示例性地,从一批次的燕条产品中,选取预设数量的燕条作为样品,对该部分的燕条样品进行拍摄以得到对应的图像,根据该图像得到该燕条样品中每一燕条的边界信息以及在该图像中对应的位置信息。
可选地,可采用图像处理算法对采集到的燕条图像进行处理,该图像处理算法包括边缘检测、分割处理、滤波处理、形态学处理等,用于提取与识别燕条的特征信息。其中边缘检测算法可为Canny边缘检测算法,用于检测燕条在图像中的边缘信息。
步骤S104,基于当前燕条的轮廓信息得到当前燕条在对应的图像像素中的所占像素数量,基于当前燕条在对应的图像像素中所占像素数量与图像的像素密度的数值关系,得到当前燕条的长度信息。
其中,像素密度表示每英寸所拥有的像素数量,其单位表示为PPI(Pixels PerInch),PPI值越高,画面的细节就会越丰富。长度信息是指物体在某个维度上的尺寸或距离;长度信息可表示对燕条的长度进行描述的信息。
示例性地,根据燕条的边界,可得到该燕条在图像中所占的像素数量,通过该燕条所占像素数量和图像的像素密度之间的数值关系,可计算出该燕条对应的物理长度。
示例性地,由该燕条所占的像素数量除以该图像的像素密度,所得的数值为该燕条对应的物理长度。
可选地,可根据燕条的边界,得到该燕条的两端之间的距离在图像中所占的像素数量,进而计算出该燕条对应的物理长度。进一步地,在燕条呈弯折状态时,可将该燕条的两端之间的距离分割为多个依次相连的直线,且该多个直线的整体布局与该燕条的弯折方向一致,依次求取每一直线对应所占的像素数量后进行求和,从而计算出该燕条对应的物理长度。
示例性地,可对一个燕条的特征点进行提取与测量,通过若干个特征点提取出一条曲线,该曲线的方向与该燕条的形状整体一致,遍历该曲线上的每个点,将每两个相邻的点连成一条线段,然后将所有线段长度累加即可得到该曲线的长度,该曲线的长度可表示为该燕条的长度。
其中,特征点的提取方法包括:端点检测:燕条的两个端点通常是比较明显的特征点,可以使用边缘检测算法(例如,Canny边缘检测)或角点检测算法(例如,Harris角点检测)来定位端点;中心线提取:燕条通常具有一个中心线,可以使用曲线提取算法(例如,Hough变换)或形态学操作(例如,骨架化)来提取中心线,并选取中心线上的特征点;纹理特征点:如果燕条具有一定的纹理或纹路,可以使用纹理特征描述子(例如,SIFT、SURF等)来提取特征点;形状特征点:如果燕条的形状具有一定的规律或特征,可以使用形状描述子(例如,Hu矩、Zernike矩等)来提取形状特征点。
可选地,考虑到燕条长度测量过程中受到图像畸变的因素的影响,所采用的图像畸变校正方法包括:对相机进行标定:获取相机的内部参数和畸变系数,根据该参数对图像进行校正,消除畸变效应,使得图像中的直线在物理空间中保持直线;可也采用畸变矫正模型:如针对径向畸变的Brown模型和针对切向畸变的Tsai模型等。
可选地,考虑到燕条长度测量过程中受到尺度变化的因素的影响,所采用的尺寸恢复方法包括:在图像中测量已知尺寸的物体,从而计算出在图像中的比例尺,通过该比例尺将图像中的长度值转换为实际的物理长度;也可在不同图像帧中提取并匹配燕条的特征点或标记,通过跟踪这些特征点或标记的位置变化,计算出燕条在图像中的长度值;还可建立一个深度学习网络,通过大规模的数据集进行训练,从而学习燕条的特征与长度之间的关系。
步骤S106,将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据各组别的数量占比信息得到全部燕条对应批次的评价特征信息;其中组别是指按照长度区间划分的类别。
其中,数量占比信息是指一组中的物体数量相比于总数量的比例或百分比。评价特征信息是指用于评估、判断或描述物体的数据;评价特征信息是基于客观的评价指标对物体进行评价的。
示例性地,按照不同的长度区间划分不同的组别,将每一燕条根据对应的长度分类到对应的组别中,计算每一组别的燕条在全部燕条样品中的数量占比,根据每一组别的数量占比,可得到该燕条样品对应批次产品的品质评估结果。
可选地,在同一批次燕条中,分别选取同样质量的燕条作为不同组的样品,将各组样品在同一长度区间对应的数量占比进行平均处理,得到对应长度区间的最终数量占比。例如,选取10组质量均为15克的样品,分别得到该10组样品在“2至3cm”的长度区间对应的数量占比,将上述的各数量占比进行平均处理,最终得到对应批次燕条在“2至3cm”的长度区间对应的数量占比。
可选地,在一批次燕条中获得一定数量的样品燕条,可对该部分的燕条拍摄若干张图像,将全部图像在同一长度区间对应的数量占比信息进行平均处理,得到对应长度区间的最终数量占比。例如,对同一样品燕条拍摄10张图像,分别得到该样品燕条在不同图像中的关于“2至3cm”的长度区间对应的数量占比,将上述的各数量占比进行平均处理,最终得到对应批次燕条在“2至3cm”的长度区间对应的数量占比。
上述基于机器视觉精准识别测定燕窝条状的方法中,根据图像获得每一燕条的轮廓信息,根据轮廓信息得到每一燕条在图像中对应所占的像素数量,并结合图像的像素密度得到每一燕条对应的长度信息,将每一燕条根据对应长度信息分类到对应的组别,计算各组别的数量占比信息进而得到燕条对应的评价特征信息,在对图像进行处理的过程中,准确且高效地对燕条的图像特征进行提取与分析,从而提高对燕条产品进行评估的准确性和高效性。
在一个示例性的实施例中,获取包含不同燕条的图像,包括步骤S202。其中:
步骤S202,获取包含处于非重叠状态的不同燕条的图像,处于非重叠状态的不同燕条是通过进行预设时间的染色处理得到的。
其中,非重叠状态是指图像中的各个燕条的轮廓并未发生交叠或重合,即不存在勾连的情况。染色处理是指采用可食用染料进行处理。
示例性地,采用可食用染料对燕条进行染色处理,染色时长可在30秒;在完成染色处理后,将各个燕条分散拨开,使得各个燕条的互不勾连,并获取这些燕条的图像。
可选地,可以采用边缘连接分析、曲线拟合等算法,来识别和分离相互勾连的燕条,以获取准确的燕条边缘和曲线。
可选地,燕条浸水处理后可能会发生弯曲或扭曲的形状变化,在获得燕条的图像后,可采用形态学处理或几何校正等技术,对图像中的燕条形状进行修正或校正,最终呈现为便于对燕条长度进行测量的形状。
本实施例中,通过燕条进行染色处理,能够更加清晰地识别燕条的边缘,从而提高在图像中提取燕条的轮廓信息的效率。
在一个示例性的实施例中,在根据图像得到每一燕条的轮廓信息之前,该方法包括步骤S302。其中:
步骤S302,将图像中的R、G、B三个通道分别对应的像素值进行加权处理,得到灰度的图像。
其中,加权处理是指不同的数据或因素被赋予不同的权重,以反映它们在最终结果中的重要程度;加权处理可表示为将彩色图像的每一像素的R、G、B通道的颜色信息按照一定的权重进行组合,权重可根据对图像处理的需求,以进行调整,例如,在对轮廓提取和边缘检测的适用性、计算效率、图像清晰度等方面进行考量。
示例性地,根据人眼对不同颜色的感知差异,使用预设权重将彩色图像的每一像素的像素值转化为灰度值,以得到灰度图像,该预设权重为R * 0.299 + G * 0.587 + B *0.114。
可选地,可将彩色图像的每一像素的R、G、B三个通道的像素值进行平均处理,以得到灰度图像。
可选地,可将图像进行去噪、增强对比度等处理,以提高图像质量和边缘的清晰度。
本实施例中,通过对彩色图像转化为灰度图像,简化图像处理和轮廓提取的过程,减少计算量,并提高计算的效率和准确性。
在一个示例性的实施例中,如图2所示,在得到当前燕条的长度信息之后,该方法包括步骤S402至步骤S404。其中:
步骤S402,基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息;其中标准物体是指已知长度的物体。理论长度信息可表示为燕条长度的理论值,长度信息可表示为燕条长度的实际测量值。
其中,标准物体是指具有规定尺寸、形状、质量或性能的物体,通常用于比较、测试、校准或标定其他物体的参考对象。标准图像是指具有已知特性、尺寸、内容或质量的图像,通常用于测试、校准、比较或评估图像处理算法等。
示例性地,记录标准物体的已知规定长度、以及该标准物体在标准图像中所占的像素数量,分析关于该规定长度与对应所占的像素数量的数值关系,将一个燕条所占的像素数量输入到该数值关系中,得到该燕条在该数值关系下的长度理论值。
步骤S404,基于每一燕条的理论长度信息分别确定每一燕条对应的误差范围,若预设数量占比的燕条对应的长度信息均在对应的误差范围内时,数据验证结果合格;若预设数量占比的燕条对应的长度信息均不在对应的误差范围内时,数据验证结果不合格,根据每一燕条对应的长度信息和对应理论长度信息的偏差数值,对每一燕条在对应的图像像素中所占像素数量与图像的像素密度的数值关系进行修正。
示例性地,每一燕条的理论长度分别对应有一个误差范围,判断每一燕条分别对应的长度信息和理论长度信息的误差数值是否在对应的误差范围内,以判定数据验证结果;若一定数量的燕条的误差数值均在对应的误差范围内,则判定数据验证结果合格;若一定数量的燕条的误差数值均不在对应的误差范围内,则判定数据验证结果不合格。
可选地,可将理论长度信息和长度信息的最大允许误差设为15%,即在理论长度信息大于0.85倍的长度信息且小于1.15倍的长度信息时,判定数据验证结果合格。
可选地,可将预设数量占比设为10%,即长度信息均在对应的误差范围内的燕条数量占比小于或等于10%时,判定数据验证结果合格;长度信息均不在对应的误差范围内的燕条数量占比大于10%时,判定数据验证结果不合格。
可选地,若评定数据验证结果不合格,则对关于燕条所占像素数量与图像的像素密度的数值关系进行修正,例如,可绘制一个校正曲线,将实际测量值和理论值之间的关系可视化,根据曲线的形状确定修正因子;也可通过分析图像获取、像素数量分析、转换长度值等过程中存在的相关变量,以使用回归分析来确定修正因子;也可通过识别和量化测量中可能存在的误差源,根据误差源的性质来计算修正因子。
本事实例中,通过设置数据验证标准,对燕条长度的实际测量值进行验证,以检验关于提取燕条特征信息的过程与结果的可靠性。
在一个示例性的实施例中,如图3所示,基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息,包括步骤S502至步骤S506。其中:
步骤S502,分别获得不同标准物体的长度与在标准图像中所占像素数量,组成多组数据。
步骤S504,根据多组数据,得到关于标准物体的长度与在标准图像中所占像素数量的数值关系的拟合函数。
步骤S506,将每一燕条对应的图像像素中的所占像素数量输入至拟合函数,分别得到每一燕条对应的理论长度信息。
示例性地,分别获得不同标准物体的长度、以及在同一标准图像中对应所占像素数量,以形成多组数据;将该多组数据采用适当的数据拟合方法(例如,线性回归、多项式拟合等)进行拟合,得到对应的拟合函数,该拟合函数可表示为关于不同长度的物体分别对应所占像素数量的关系式;将每一燕条对应所占的像素数量输入至该拟合函数中,可得到每一燕条对应的长度理论值。
本事实例中,通过得到关于物体长度与所占像素数量的拟合函数,以更可靠地推算出燕条对应的理论长度值,从而实现测量结果的校准和精度控制。
在一个示例性的实施例中,如图4所示,将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据各组别的数量占比信息得到全部燕条对应批次的评价特征信息,包括步骤S602至步骤S606。其中:
步骤S602,将长度大于或等于预设阈值的燕条作为长燕条,并分类到同一组别。
步骤S604,根据长燕条的数量和全部燕条的数量,得到长燕条对应组别的数量占比信息。
步骤S606,根据长燕条的数量占比信息所在的数值区间,确定对批次的评价等级;其中不同数值区间分别对应不同评价等级,评价等级根据长燕条的数量占比的增大而提高。
其中,评价等级是指基于客观的标准对燕条的特征信息进行评估或对燕条的品质进行评级。
示例性地,可将预设阈值设为4cm,将长度大于或等于4cm的燕条作为长燕条,并将全部长燕条分类为同一组别;根据长燕条和全部燕条的数量,得到长燕条的数量占比,根据长燕条的数量占比数值,确定关于该批次燕条的评价等级。
可选地,根据不同的数值区间设置不同的评价等级,评价等级根据长燕条的数量占比的增大而提高,例如,在长燕条数量占比等于或大于70%时,评价等级为A级;在长燕条数量占比在65%至70%(不含70%)时,评价等级为B级;在长燕条数量占比在60%至65%(不含65%)时,评价等级为C级;在长燕条数量占比小于60%,评价等级为为D级。
本实施例中,通过设置评价等级的标准,以高效地得到关于对应批次燕条的特征信息的评估结果。
在一个示例性的实施例中,在根据各组别的数量占比信息得到全部燕条对应批次的评价特征信息之后,该方法包括步骤S702。其中:
步骤S702,将图像、全部燕条和各组别的数量、各组别的数量占比信息、全部燕条对应的批次信息、评价特征信息关联存储于数据库中。
其中,数据库是指一个组织化的数据集合,用于有效地存储、检索、管理和更新数据。
示例性地,在得到评价特征信息之后,将对应的图像信息、数值信息、评价特征信息关联存储于数据库中;其中,图像信息包括图像编号、分辨率、亮度、深度等信息,数值信息包括各燕条的编号、各燕条对应的轮廓信息和长度信息、各组别的数量占比信息、燕条总数量等信息,评价特征信息包括燕条批次编号、评价等级等信息。
本实施例中,将图像信息、数值信息、评价特征信息关联存储于数据库中,以提供全面地数据记录和追溯功能,便于后续的数据分析、质量控制和生产过程的追溯。
在一个示例性的实施例中,如图5所示,提供了一种分拣方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该分拣方法包括上述的基于机器视觉精准识别测定燕窝条状的方法,还包括步骤S802,其中:
步骤S802,基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,分拣信号用于发送至分拣装置,以使分拣装置将每一燕条从检测区域分拣至对应的组别区域。
其中,检测区域是指在获取包含燕条的图像时对应的取景区域;检测区域可表示为在获取包含燕条的图像时,全部燕条所放置的区域。组别区域是指根据燕条的长度组别所对应划分的多个区域;组别区域可表示为在确定燕条的长度组别后,针对燕条进行组别分类放置的区域。
其中,检测区域的位置信息是指燕条在检测区域中对应的物理位置;位置信息可表示为燕条在预设平面直角坐标系中对应的坐标位置,也可表示为燕条与检测区域的边界对应的距离,还可表示为不同燕条之间的相对距离。
其中,分拣装置是指将燕条按照特定标准或规则进行分类或分离的装置。
示例性地,根据每一燕条在图像中的轮廓信息,得到每一燕条在检测区域中对应的位置信息,即同一燕条在图像中的位置和在检测区域中的位置存在映射关系;基于当前燕条在检测区域中的位置信息以及对应的组别,由服务器生成对应的分拣信号并发送至分拣装置,分拣装置响应于该分拣信号,以将当前燕条从检测区域分拣至与当前燕条的组别对应的组别区域中。
本实施例中,在针对燕条的长度进行精准测量的前提下,进一步地通过每一燕条对应的位置信息和组别,生成对应的分拣信号,从而将燕条按照对应的组别从检测区域分拣至对应的组别区域,进而高效地、准确地实现针对燕条的分拣功能,以高效地将符合高品质燕窝标准的燕窝条状进行拣取并应用于生产中,保障燕窝的品质质量。
再者,将每一燕条按照对应的组别精准地分拣至对应的组别区域,以保证在同一组别区域的燕条对应的品质具有一致性,从而提高针对燕条精确复配的效率。其中,品质可表示为基于稠度、口感、汤色、气味、风味、长燕条比例、固形物比例等维度对燕条所进行的评价。
在一个示例性的实施例中,检测区域划分为多个检测分区,检测分区至少包括第一检测分区以及第二检测分区;基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,包括步骤S902,其中:
示例性地,可按照预设单位面积,将检测区域划分为多个检测分区,例如,可将检测区域划分为多个面积相同的矩形检测分区。
可选地,可按照燕条在检测区域的位置信息,将检测区域划分为多个检测分区,例如,每一检测分区对应的燕条数量相同,或者,每一检测分区均包含完整的燕条,即不存在一个燕条同时处于不同检测分区的情况。
步骤S902,基于处于第一检测分区的燕条对应的位置信息和组别,生成处于第一检测分区的燕条对应的分拣信号,同时,基于处于第二检测分区的燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到处于第二检测分区的燕条的长度信息。
示例性地,针对一个检测分区的燕条,根据对应的位置信息和组别,生成对应的分拣信号,同时,针对另一个检测分区的燕条,根据对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到对应的长度信息。
本实施例中,通过将检测区域划分为多个检测分区,两个检测分区之间并发地执行分拣信号的生成任务以及长度信息的获取任务,从而在减轻数据处理负担的前提下,同步地提高燕条长度识别和分拣的效率。
在一个示例性的实施例中,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,包括步骤S1002至步骤S1004,其中:
步骤S1002,基于每一燕条在检测区域的位置信息,识别每一燕条与对应的组别区域之间的距离信息。
其中,燕条与对应组别区域之间的距离信息,可表示为用于表征燕条位置的坐标点与用于表征组别区域的坐标点之间的距离;用于表征燕条位置的坐标点可表示为,燕条的中心点、端点或者在分拣燕条时对燕条的施力点;用于表征组别区域的坐标点可表示为,组别区域的中心点或者处于边界上的点。
步骤S1004,根据由小至大的顺序依次在距离信息中选择目标距离信息,依序生成与目标距离信息对应的燕条所属的分拣信号。
示例性地,基于每一燕条在检测区域的位置信息,识别出燕条与对应的组别区域之间的距离数值,在多个距离数值中按照由小至大的顺序,对距离数值进行选取,根据所选取的距离数值依序生成对应的燕条所属的分拣信号,即根据燕条的位置,针对分拣装置的分拣任务作为最优、最短的移动轨迹规划。
可选地,在检测区域划分为多个检测分区的情况下,针对处于同一检测分区的燕条按照距离数值大小执行对应的分拣任务后,再针对另一检测分区的燕条按照距离大小执行分拣任务。
可选地,也可按照燕条的组别,对应地调整燕条的分拣顺序,即优先地将同一组别的燕条分拣完后,再将另一组别的燕条进行分拣。
本实施例中,根据燕条与对应组别区域之间的距离大小,对应地调整燕条的分拣顺序,从而将距离最接近对应组别区域的燕条优先进行分拣,进而减小分拣装置的移动路径,提高分拣效率且减小能耗。
在一个示例性的实施例中,该方法包括以下步骤:
在一批次燕条中,选取重量为10克的湿燕条作为物料A,先获得该部分的燕条对应的图像,根据该图像得到每一燕条对应的轮廓信息,再每一燕条的轮廓信息得到对应的长度信息,并根据每一燕条对应的长度信息,将每一燕条对应分类至“小于2cm组别”“2至3cm(不包含3cm)组别”“大于或等于3cm组别”中的其中一组,并计算每一组别对应的数量占比信息。
随后将同一部分的燕条通过人工测量,得到每一燕条对应的人工测量长度,将每一燕条根据对应的人工测量长度分类至“小于2cm组别”“2至3cm(不包含3cm)组别”“大于或等于3cm组别”中的其中一组,分别将各组别进行滤干、称重处理,并计算每一组别对应的重量占比信息。
将上述的数量占比信息作为实验组、重量占比信息作为对照组,将实验组和对照组按照不同的长度区间组别进行记录并对比,得到表1:
由表1可得,实验组和对照组的测量结果相近,两种方法测得条状占比极差为3%。
在一批次燕条中,另外选取重量为10克的湿燕条作为物料B,重复上述步骤,分别得到另一实验组和另一对照组,并将该实验组和该对照组按照不同的长度区间组别进行记录并对比,得到表2:
由表2可得,实验组和对照组的测量结果相近,两种方法测得条状占比极差为4.1%。
通过将两种方法最终得到的占比信息进行对比,得知两种方法最终得到的测量结果相近,由此可得,本实施例中的基于机器视觉精准识别测定燕窝条状的方法,在保证测量结果准确性的前提下,可克服人工称重方法所伴随的主观误差、物料损坏、时间和劳动成本高等问题。
在一个示例性的实施例中,如图6所示,提供了基于机器视觉精准识别测定并分拣燕窝条状的智能装置,其工作过程包括以下步骤:
服务器通过控制模块发送控制指令至图像采集模块;其中,该控制模块用于生成控制指令,该图像采集模块用于获取燕条图像。
图像采集模块接收该控制指令后且检测到存在待测燕窝时,生成采集信号并发送至采集卡,接收到采集信号后的采集卡生成触发信号并发送至CCD图像传感器,由CCD图像传感器获取待检燕条的图像并将该图像传输至采集卡,再由采集卡将该图像通过服务器发送至图像处理模块,由图像处理模块对该图像进行处理并生成燕条的占比信息;其中,该图像处理模块用于对图像中的燕条特征信息进行识别与测量。
图像处理模块将燕条的图像信息、数值信息、评价特征信息传输至显示模块和存储模块;其中,该显示模块用于将燕条的信息进行可视化地呈现,该存储模块用于将燕条的信息存储于数据库中。
图像处理模块将每一燕条在图像中的轮廓信息,转换为在检测区域中对应的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,并将分拣信号发送至分拣装置,其中分拣装置包括机械手以及夹爪。
分拣装置接收到分拣信号后,基于分拣信号对应的燕条位置信息,由机械手定位到检测区域中的对应位置,即定位到对应燕条的位置,并由夹爪执行闭合动作以夹取该燕条;随后,基于分拣信号对应的燕条组别,由机械手将夹取有燕条的夹爪移动至与该燕条组别对应的组别区域中,再由夹爪执行打开动作以将该燕条放置于对应的组别区域中,从而实现针对燕条的分拣功能。
在分拣装置完成针对一个燕条的分拣任务后,由分拣装置向图像处理模块发送反馈信号,以驱使图像处理模块生成另一个燕条对应的分拣信号。
示例性地,可通过工业相机获取燕条的图像,且需保证相机的高分辨率,例如2000万像素以上;此外,该相机可对图像的曝光时间、对比度、饱和度等成像参数进行调整,以适应不同的光照条件和不同燕条的特性;再者,该相机可移动地安装在支架上,可通过升降电机以调整相机的高度,从而根据实际成像需求,精准地控制相机的视野范围。
示例性地,光源可选用LED光源;还可选用平面光源,为待检区域提供均匀的光照环境,并减少或消除水分引起的反射和阴影,提高图像的清晰度;光源的色温应与燕条的图像处理算法相匹配,以确保色彩的准确性和一致性。
示例性地,装载燕条的载具,可选用玻璃材质,以具有良好的透光率;且载具的尺寸需与相机的视野范围相适配;在使用过程中,要注意保持透明载具与光源之间的干燥及整洁,防止水渍或异物影响拍照取像识别;载具设于方形的检测区域内,其该检测区域的边缘设置有弹性的限位条,以保护并固定载具。
示例性地, 载具设于检测区域内,检测区域的上方设置有相机,其下方设置有光源;相机的镜头朝向为竖直向下,光源的方向为竖直向上;光源发出的光透过载具进入相机的镜头中。
示例性地,若数据验证结果不合格,可对相机的高度及其内置参数、光源的布局及其内置参数等进行检查,或对相关部件进行检修。
示例性地,在分拣装置中,机械手可在三维空间中灵活地移动以覆盖整个检测区域,夹爪可开合地设置于机械手的末端;在工作过程中,机械手用于精准地定位物体,夹爪用于牢固地夹持物体,两者相互协同,其中的传递方式简单且累计误差小,运动传递路径短,从而提高对燕条进行分拣的效率和精度。
可选地,夹爪可采用通过3D打印技术所得到的柔性夹爪,在稳固地保持夹持力的前提下,可减少对燕条的夹持力度,避免对浸泡后的、强度较弱的燕条造成损坏。
可选地,在确定燕条在检测区域的位置信息时,可采用Faster RCNN网络(RasterRegion-based Convolutional Neural Network,两阶段检测网络),相比于一阶段检测网络, Faster RCNN网络引入了RPN(Region Proposal Network,区域提议网络);一方面,针对高精度、多尺度以及小目标的问题,Faster RCNN网络的优势更加明显;另一方面,FasterRCNN网络相较于 RCNN 其他系列网络,具有更高的检测效率。
可选地,可通过连接到显示器或用户界面,以将测量结果以可视化形式实时显示出来。便于操作人员观察和记录测量结果。而减小显示延迟的方法包括:在系统中引入缓冲机制,或采用并发处理的技术,提高系统的吞吐量和响应能力。
可选地,该装置具有良好的集成性,能够与其他生产设备或生产线进行无缝连接;还具备一定的可扩展性,能够应对不同尺寸、形状和类型的燕条的测量需求。例如,支持标准的接口和通信协议,以便与其他设备或生产线进行连接和数据交换,常用的接口和协议包括以太网、串口、Modbus、OPC UA等,也可通过网络通信、数据库存储、消息队列等技术来实现数据传输和共享的功能;也可通过接收和解析外部设备或生产线的指令,并根据需要启动、停止或调整测量过程,以实现与其他设备或生产线的协同工作、自动化控制和自动化调度;还以提供软件平台和API(应用程序接口),以便其他设备或生产线通过调用接口来访问对应的功能和数据,以根据自身需求进行自定义的集成和扩展。
另外,在一个示例性的实施例中的基于机器视觉精准识别测定燕窝条状的方法,可应用于以下情景:
在燕窝生产过程中,生产厂家可以利用该方法实时测量燕窝条的长度,并与设定的标准进行比较,以确保生产的燕窝条符合质量要求;
在燕窝的加工和分级过程中,可通过该方法自动判定燕窝条的长度,并将燕窝按照长度分组或分级,以满足不同市场和客户的需求;
在燕窝的贸易和进出口过程中,可通过该方法获得可靠的长度测量结果,作为燕窝质量检验的依据,以确保符合相关贸易标准和规定;
在对燕窝的科研研究和数据分析中,可通过该方法获得大量的燕窝条长度数据,并利用这些数据进行统计分析、趋势分析和相关性研究。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于机器视觉精准识别测定燕窝条状的方法的基于机器视觉精准识别测定燕窝条状的智能装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于机器视觉精准识别测定燕窝条状的智能装置实施例中的具体限定可以参见上文中对于基于机器视觉精准识别测定燕窝条状的方法的限定,在此不再赘述。
在一个示例性的实施例中,如图7所示,提供了一种基于机器视觉精准识别测定燕窝条状的智能装置,包括:图像获取模块1102、长度测量模块1104和占比分析模块1106,其中:
图像获取模块1102,用于获取包含不同燕条的图像,根据图像得到每一燕条的轮廓信息;轮廓信息是指对燕条的轮廓特征进行描述的信息;长度测量模块1104,用于基于当前燕条的轮廓信息得到当前燕条在对应的图像像素中的所占像素数量,基于当前燕条在对应的图像像素中所占像素数量与图像的像素密度的数值关系,得到当前燕条的长度信息;占比分析模块1106,用于将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据各组别的数量占比信息得到全部燕条对应批次的评价特征信息;其中组别是指按照长度区间划分的类别。
在一个示例性的实施例中,该装置还包括校准模块,其中:校准模块用于基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息;其中标准物体是指已知长度的物体;基于每一燕条的理论长度信息分别确定每一燕条对应的误差范围,若预设数量占比的燕条对应的长度信息均在对应的误差范围内时,数据验证结果合格;若预设数量占比的燕条对应的长度信息均不在对应的误差范围内时,数据验证结果不合格,根据每一燕条对应的长度信息和对应理论长度信息的偏差数值,对每一燕条在对应的图像像素中所占像素数量与图像的像素密度的数值关系进行修正。
在一个示例性的实施例中,校准模块包括拟合单元,其中:拟合单元用于分别获得不同标准物体的长度与在标准图像中所占像素数量,组成多组数据;根据多组数据,得到关于标准物体的长度与在标准图像中所占像素数量的数值关系的拟合函数;将每一燕条对应的图像像素中的所占像素数量输入至拟合函数,分别得到每一燕条对应的理论长度信息。
在一个示例性的实施例中,占比分析模块1106包括评级单元,其中:评级单元用于将长度大于或等于预设阈值的燕条作为长燕条,并分类到同一组别; 根据长燕条的数量和全部燕条的数量,得到长燕条对应组别的数量占比信息; 根据长燕条的数量占比信息所在的数值区间,确定对批次的评价等级;其中不同数值区间分别对应不同评价等级,评价等级根据长燕条的数量占比的增大而提高。
在一个示例性的实施例中,该装置还包括存储模块,其中:存储模块用于将图像、全部燕条和各组别的数量、各组别的数量占比信息、全部燕条对应的批次信息、评价特征信息关联存储于数据库中。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的分拣方法的分拣燕窝条状的智能装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个分拣燕窝条状的智能装置实施例中的具体限定可以参见上文中对于分拣方法的限定,在此不再赘述。
在一个示例性的实施例中,如图8所示,提供了一种分拣燕窝条状的智能装置,包括上述的基于机器视觉精准识别测定燕窝条状的智能装置,还包括分拣模块1202,其中:
分拣模块1202,用于基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,分拣信号用于发送至分拣装置,以使分拣装置将每一燕条从检测区域分拣至对应的组别区域。
在一个示例性的实施例中,检测区域划分为多个检测分区,检测分区至少包括第一检测分区以及第二检测分区;分拣模块1202还用于基于处于第一检测分区的燕条对应的位置信息和组别,生成处于第一检测分区的燕条对应的分拣信号,同时,基于处于第二检测分区的燕条在对应的图像像素中所占像素数量与图像的像素密度的数值关系,得到处于第二检测分区的燕条的长度信息。
在一个示例性的实施例中,分拣模块1202还用于基于每一燕条在检测区域的位置信息,识别每一燕条与对应的组别区域之间的距离信息;根据由小至大的顺序依次在距离信息中选择目标距离信息,依序生成与目标距离信息对应的燕条所属的分拣信号。
上述基于机器视觉精准识别测定燕窝条状的智能装置以及分拣燕窝条状的智能装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储燕条的轮廓信息、长度信息、理论长度信息、数量占比信息、评价特征信息、分拣信号等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器视觉精准识别测定燕窝条状的方法或分拣方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息;其中所述标准物体是指已知长度的物体;基于每一燕条的理论长度信息分别确定每一燕条对应的误差范围,若预设数量占比的燕条对应的长度信息均在对应的误差范围内时,数据验证结果合格;若预设数量占比的燕条对应的长度信息均不在对应的误差范围内时,数据验证结果不合格,根据每一燕条对应的长度信息和对应理论长度信息的偏差数值,对每一燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系进行修正。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别获得不同标准物体的长度与在所述标准图像中所占像素数量,组成多组数据;根据所述多组数据,得到关于标准物体的长度与在所述标准图像中所占像素数量的数值关系的拟合函数;将每一燕条对应的图像像素中的所占像素数量输入至所述拟合函数,分别得到每一燕条对应的理论长度信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将长度大于或等于预设阈值的燕条作为长燕条,并分类到同一组别;根据所述长燕条的数量和所述全部燕条的数量,得到所述长燕条对应组别的数量占比信息;根据所述长燕条的数量占比信息所在的数值区间,确定对所述批次的评价等级;其中不同数值区间分别对应不同评价等级,所述评价等级根据所述长燕条的数量占比的增大而提高。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将所述图像、全部燕条和各组别的数量、各组别的数量占比信息、全部燕条对应的批次信息、所述评价特征信息关联存储于数据库中。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,分拣信号用于发送至分拣装置,以使分拣装置将每一燕条从检测区域分拣至对应的组别区域。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:检测区域划分为多个检测分区,检测分区至少包括第一检测分区以及第二检测分区; 基于处于第一检测分区的燕条对应的位置信息和组别,生成处于第一检测分区的燕条对应的分拣信号,同时,基于处于第二检测分区的燕条在对应的图像像素中所占像素数量与图像的像素密度的数值关系,得到处于第二检测分区的燕条的长度信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于每一燕条在检测区域的位置信息,识别每一燕条与对应的组别区域之间的距离信息;根据由小至大的顺序依次在距离信息中选择目标距离信息,依序生成与目标距离信息对应的燕条所属的分拣信号。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息;其中所述标准物体是指已知长度的物体;基于每一燕条的理论长度信息分别确定每一燕条对应的误差范围,若预设数量占比的燕条对应的长度信息均在对应的误差范围内时,数据验证结果合格;若预设数量占比的燕条对应的长度信息均不在对应的误差范围内时,数据验证结果不合格,根据每一燕条对应的长度信息和对应理论长度信息的偏差数值,对每一燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系进行修正。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别获得不同标准物体的长度与在所述标准图像中所占像素数量,组成多组数据;根据所述多组数据,得到关于标准物体的长度与在所述标准图像中所占像素数量的数值关系的拟合函数;将每一燕条对应的图像像素中的所占像素数量输入至所述拟合函数,分别得到每一燕条对应的理论长度信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将长度大于或等于预设阈值的燕条作为长燕条,并分类到同一组别;根据所述长燕条的数量和所述全部燕条的数量,得到所述长燕条对应组别的数量占比信息;根据所述长燕条的数量占比信息所在的数值区间,确定对所述批次的评价等级;其中不同数值区间分别对应不同评价等级,所述评价等级根据所述长燕条的数量占比的增大而提高。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将所述图像、全部燕条和各组别的数量、各组别的数量占比信息、全部燕条对应的批次信息、所述评价特征信息关联存储于数据库中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,分拣信号用于发送至分拣装置,以使分拣装置将每一燕条从检测区域分拣至对应的组别区域。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:检测区域划分为多个检测分区,检测分区至少包括第一检测分区以及第二检测分区; 基于处于第一检测分区的燕条对应的位置信息和组别,生成处于第一检测分区的燕条对应的分拣信号,同时,基于处于第二检测分区的燕条在对应的图像像素中所占像素数量与图像的像素密度的数值关系,得到处于第二检测分区的燕条的长度信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于每一燕条在检测区域的位置信息,识别每一燕条与对应的组别区域之间的距离信息;根据由小至大的顺序依次在距离信息中选择目标距离信息,依序生成与目标距离信息对应的燕条所属的分拣信号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种基于机器视觉精准识别测定燕窝条状的方法,其特征在于,所述方法包括:
获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;其中所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
2.根据权利要求1所述的方法,其特征在于,在所述得到所述当前燕条的长度信息之后,所述方法还包括:
基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息;其中所述标准物体是指已知长度的物体;
基于每一燕条的理论长度信息分别确定每一燕条对应的误差范围,若预设数量占比的燕条对应的长度信息均在对应的误差范围内时,数据验证结果合格;若预设数量占比的燕条对应的长度信息均不在对应的误差范围内时,数据验证结果不合格,根据每一燕条对应的长度信息和对应理论长度信息的偏差数值,对每一燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系进行修正。
3.根据权利要求2所述的方法,其特征在于,所述基于标准物体的长度与在标准图像中所占像素数量的数值关系,分别得到每一燕条对应的理论长度信息,包括:
分别获得不同标准物体的长度与在所述标准图像中所占像素数量,组成多组数据;
根据所述多组数据,得到关于标准物体的长度与在所述标准图像中所占像素数量的数值关系的拟合函数;
将每一燕条对应的图像像素中的所占像素数量输入至所述拟合函数,分别得到每一燕条对应的理论长度信息。
4.根据权利要求1所述的方法,其特征在于,所述将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息,包括:
将长度大于或等于预设阈值的燕条作为长燕条,并分类到同一组别;
根据所述长燕条的数量和所述全部燕条的数量,得到所述长燕条对应组别的数量占比信息;
根据所述长燕条的数量占比信息所在的数值区间,确定对所述批次的评价等级;其中不同数值区间分别对应不同评价等级,所述评价等级根据所述长燕条的数量占比的增大而提高。
5.根据权利要求1所述的方法,其特征在于,在所述根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息之后,所述方法还包括:
将所述图像、全部燕条和各组别的数量、各组别的数量占比信息、全部燕条对应的批次信息、所述评价特征信息关联存储于数据库中。
6.一种分拣方法,其特征在于,包括权利要求1至5任一项所述的基于机器视觉精准识别测定燕窝条状的方法,还包括:
基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,所述分拣信号用于发送至分拣装置,以使所述分拣装置将每一燕条从检测区域分拣至对应的组别区域。
7.根据权利要求6所述的方法,其特征在于,检测区域划分为多个检测分区,所述检测分区至少包括第一检测分区以及第二检测分区;
所述基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,包括:
基于处于所述第一检测分区的燕条对应的位置信息和组别,生成处于所述第一检测分区的燕条对应的分拣信号,同时,基于处于所述第二检测分区的燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到处于所述第二检测分区的燕条的长度信息。
8.根据权利要求6或7所述的方法,其特征在于,所述基于每一燕条对应的位置信息和组别,生成对应的分拣信号,包括:
基于每一燕条在检测区域的位置信息,识别每一燕条与对应的组别区域之间的距离信息;
根据由小至大的顺序依次在距离信息中选择目标距离信息,依序生成与目标距离信息对应的燕条所属的分拣信号。
9.一种基于机器视觉精准识别测定燕窝条状的智能装置,其特征在于,所述装置包括:
图像获取模块,用于获取包含不同燕条的图像,根据所述图像得到每一燕条的轮廓信息;所述轮廓信息是指对燕条的轮廓特征进行描述的信息;
长度测量模块,用于基于当前燕条的轮廓信息得到所述当前燕条在对应的图像像素中的所占像素数量,基于所述当前燕条在对应的图像像素中所占像素数量与所述图像的像素密度的数值关系,得到所述当前燕条的长度信息;
占比分析模块,用于将每一燕条根据对应的长度信息分类到对应的组别,根据全部燕条的数量和各组别的燕条数量,得到各组别的数量占比信息,根据所述各组别的数量占比信息得到所述全部燕条对应批次的评价特征信息;其中所述组别是指按照长度区间划分的类别。
10.一种分拣燕窝条状的智能装置,其特征在于,所述智能装置包括权利要求9所述的基于机器视觉精准识别测定燕窝条状的智能装置,还包括:
分拣模块,用于基于每一燕条的轮廓信息,获取每一燕条在检测区域的位置信息,基于每一燕条对应的位置信息和组别,生成对应的分拣信号,所述分拣信号用于发送至分拣装置,以使所述分拣装置将每一燕条从检测区域分拣至对应的组别区域。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311771522.7A CN117654925A (zh) | 2023-12-21 | 2023-12-21 | 基于机器视觉精准识别测定燕窝条状及分拣的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311771522.7A CN117654925A (zh) | 2023-12-21 | 2023-12-21 | 基于机器视觉精准识别测定燕窝条状及分拣的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117654925A true CN117654925A (zh) | 2024-03-08 |
Family
ID=90077039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311771522.7A Pending CN117654925A (zh) | 2023-12-21 | 2023-12-21 | 基于机器视觉精准识别测定燕窝条状及分拣的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117654925A (zh) |
-
2023
- 2023-12-21 CN CN202311771522.7A patent/CN117654925A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111712769A (zh) | 用于设定照明条件的方法、装置、系统及程序以及存储介质 | |
CN110672189A (zh) | 体重估计方法、装置、系统和存储介质 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN110136130A (zh) | 一种检测产品缺陷的方法及装置 | |
CN113176270B (zh) | 一种调光方法、装置及设备 | |
WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
CN103839283A (zh) | 一种小型不规则物体的面积周长无损测量方法 | |
CN110378227B (zh) | 修正样本标注数据的方法、装置、设备及存储介质 | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN109272546B (zh) | 一种鱼苗长度测量方法及系统 | |
CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
CN109685097A (zh) | 一种基于gan的图像检测方法及装置 | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估系统及实现方法 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
Uluişik et al. | Image processing based machine vision system for tomato volume estimation | |
JP2018506046A (ja) | タイヤ表面の欠陥を検出する方法 | |
CN115512215B (zh) | 水下生物监测方法、装置及存储介质 | |
Radzali et al. | Measuring leaf area using Otsu segmentation method (LAMOS) | |
CN114998314A (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
CN109559342B (zh) | 动物体长的测量方法和装置 | |
CN116543247A (zh) | 基于光度立体表面重建的数据集制作方法及验证系统 | |
CN115752683A (zh) | 一种基于深度相机的体重预估方法、系统及终端 | |
CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
CN114549513A (zh) | 零件识别方法、装置、质检方法、电子设备及存储介质 |
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 |