CN118095971A - 一种ad钙奶饮料加工工艺评估方法、系统及介质 - Google Patents
一种ad钙奶饮料加工工艺评估方法、系统及介质 Download PDFInfo
- Publication number
- CN118095971A CN118095971A CN202410510931.XA CN202410510931A CN118095971A CN 118095971 A CN118095971 A CN 118095971A CN 202410510931 A CN202410510931 A CN 202410510931A CN 118095971 A CN118095971 A CN 118095971A
- Authority
- CN
- China
- Prior art keywords
- data
- processing
- image data
- image
- feature
- 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.)
- Granted
Links
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 title claims abstract description 65
- 229910052791 calcium Inorganic materials 0.000 title claims abstract description 65
- 239000011575 calcium Substances 0.000 title claims abstract description 65
- 235000020124 milk-based beverage Nutrition 0.000 title claims abstract description 55
- 238000005516 engineering process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 94
- 230000007547 defect Effects 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 230000007613 environmental effect Effects 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims description 20
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 239000008267 milk Substances 0.000 claims description 10
- 235000013336 milk Nutrition 0.000 claims description 10
- 210000004080 milk Anatomy 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims 1
- 239000000047 product Substances 0.000 description 22
- 230000008859 change Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 235000013361 beverage Nutrition 0.000 description 2
- 238000005352 clarification Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001954 sterilising effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000006467 substitution reaction 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)
- Image Processing (AREA)
Abstract
本发明公开了一种AD钙奶饮料加工工艺评估方法、系统及介质。基于环境图像数据进行色彩特征提取，将色彩特征数据导入预测模型中进行训练与数据预测，并生成预测环境色彩特征数据；通过DCA特征融合算法，对预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。通过本发明，能够实现快速、精准化与的缺陷分析与工艺评估。
Description
技术领域
本发明涉及加工数据分析领域，更具体的，涉及一种AD钙奶饮料加工工艺评估方法、系统及介质。
背景技术
传统的AD钙奶饮料加工工艺评估方法往往依赖于人工经验，缺乏科学性和准确性，难以适应现代化、自动化的生产需求，且缺少快速缺陷分析定位的过程。因此，开发一种基于先进技术的AD钙奶饮料加工工艺评估方法、系统及介质，对于提升产品质量、降低生产成本、增强市场竞争力具有重要意义。
发明内容
本发明克服了现有技术的缺陷，提出了一种AD钙奶饮料加工工艺评估方法、系统及介质。
本发明第一方面提供了一种AD钙奶饮料加工工艺评估方法，包括：
在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据；
基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据；
在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；
在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；
对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。
本方案中，所述在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据，具体为：
基于AD钙奶的产品加工总时长，设定一个预设历史时间；
在一个预设历史时间段内通过基于机器视觉的图像装置，对AD钙奶饮料加工环境进行视频数据采集，将视频数据进行关键帧提取，形成关键图像集；
对关键图像集基于时间维度进行排序，得到环境图像数据。
本方案中，所述基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据，具体为：
将所述环境图像数据进行平滑与标准化预处理，基于时间维度，将预处理后的环境图像数据划分成多份子图像；
将多份子图像进行色彩特征提取，并将色彩特征数据进行向量化，形成多组特征向量数据；
构建基于ARIMA算法的预测模型；
将多组特征向量数据导入预测模型进行时间序列化，形成训练序列数据，基于训练序列数据生成自相关图与偏自相关图并确定预测模型初始参数；
基于环境图像数据导入预测模型进行预测训练，通过均方根误差对模型进行参数更新与优化，使预测模型达到预设预测要求；
设定一个目标加工步骤，在目标加工步骤中，采集最近时间段内的加工环境图像数据；
将所述加工环境图像数据进行平滑与标准化预处理，得到当前环境图像数据；
将当前环境图像数据进行色彩特征提取并导入预测模型，以一个当前周期作为预测时间段，生成预测环境色彩特征数据。
本方案中，所述在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据，具体为:
在一个目标加工步骤中，获取加工前第一生产图像，将所述第一生产图像进行基于CNN的图像识别，并得到产品加工区域与背景区域；
基于产品加工区域，从第一生产图像进行图像数据截取，得到加工图像数据；
获取目标加工步骤的预设加工完成图像；
基于DCA特征融合算法，将加工图像数据、预设加工完成图像、预测环境色彩特征数据分别基于CNN网络提取图像的特征图，得到三个特征图数据；
将所述三个特征图数据进行预设权重的加权融合，动态生成融合图像数据；
将融合图像数据进行降噪、标准化预处理得到标准图像数据。
本方案中，所述在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据，具体为：
在一个目标加工步骤中，获取加工后第二生产图像，将所述第一生产图像进行基于CNN的图像识别，将识别得到的产品加工区域进行标记截取得到第二加工图像数据；
将第二加工图像数据与标准图像数据分别进行基于PCA的特征提取，提取的特征维度包括色彩、纹理与形状，将特征数据进行整合形成第一特征数据与第二特征数据；
第一特征数据与第二特征数据均包括三组特征，分别对应色彩、纹理与形状特征；
对第一特征数据与第二特征数据进行特征差异计算，计算过程为分别将对应的三组特征进行对比计算，特征差异计算基于标准欧氏距离，并得到三组差异数据；
基于所述三组差异数据对加工工艺进行综合性评估，形成工艺评估数据；
将三组差异数据进行整合形成加工差异数据；
将工艺评估数据与加工差异数据进行数据整合形成缺陷评估数据。
本方案中，所述对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案，具体为：
对多个预设加工步骤进行环境图像预测中，具体为获取相应的当前环境图像数据进行预测，每个预设加工步骤对应独立的预测环境色彩特征数据；
基于多个预设加工步骤，生成对应多个标准图像数据，通过多个标准图像数据形成生产检测方案。
本发明第二方面还提供了一种AD钙奶饮料加工工艺评估系统，该系统包括：存储器、处理器，所述存储器中包括AD钙奶饮料加工工艺评估程序，所述AD钙奶饮料加工工艺评估程序被所述处理器执行时实现如下步骤：
在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据；
基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据；
在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；
在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；
对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括AD钙奶饮料加工工艺评估程序，所述AD钙奶饮料加工工艺评估程序被处理器执行时，实现如上述任一项所述的AD钙奶饮料加工工艺评估方法的步骤。
本发明公开了一种AD钙奶饮料加工工艺评估方法、系统及介质。基于环境图像数据进行色彩特征提取，将色彩特征数据导入预测模型中进行训练与数据预测，并生成预测环境色彩特征数据；通过DCA特征融合算法，对预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。通过本发明，能够实现快速、精准化与的缺陷分析与工艺评估。
附图说明
图1示出了本发明一种AD钙奶饮料加工工艺评估方法的流程图；
图2示出了本发明一种AD钙奶饮料加工工艺评估系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种AD钙奶饮料加工工艺评估方法的流程图。
如图1所示，本发明第一方面提供了一种AD钙奶饮料加工工艺评估方法，包括：
S102，在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据；
S104，基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据；
S106，在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；
S108，在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；
S110，对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。
需要说明的是，所述预设历史时间段一般为一个月以上，以采集足够多的数据进行环境光线的预测训练。所述图像装置为预设高清摄像装置。所述目标加工步骤为AD钙奶的一个加工步骤，在钙奶生产过程通常包括苹原材料清洗、杂质识别、过滤、杀菌、冷却、离心分离、澄清、灌装、饮料颜色识别等环节，大部分环节可基于机器视觉进行检测分析。PCA即主成分特征分析，是一种广泛应用于图像领域的统计方法，通过降维技术将多个变量转化为少数几个主成分，以便更好地理解和处理图像数据。目标加工步骤与当前周期相对应，当前周期为一个预设的预测时间段，长度由所属加工步骤决定，一般而言，加工步骤过程越长，当前周期设置越长。
根据本发明实施例，所述在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据，具体为：
基于AD钙奶的产品加工总时长，设定一个预设历史时间；
在一个预设历史时间段内通过基于机器视觉的图像装置，对AD钙奶饮料加工环境进行视频数据采集，将视频数据进行关键帧提取，形成关键图像集；
对关键图像集基于时间维度进行排序，得到环境图像数据。
需要说明的是，所述产品加工总时长为一批产品从原材料至成品的加工周期，具体由产品与加工工艺等决定。在进行产品加工过程，一般的加工步骤均可通过机器视觉技术进行加工缺陷与质量分析，如钙奶加工制作的过滤加工过程，在过滤前后，中间产品的颜色、灰度等均会产生变化，因此，可以通过机器视觉技术，对加工前后进行图像特征分析判别加工缺陷。而在特征识别中，由于受加工环境的变化因素影响，环境光线往往会影响视觉分析，从而导致识别出现误差，且环境光线也会有一定的变化，如白天与晚上的加工环境其光线环境、采集的色彩数据均有一定的变化，因此，本发明通过对环境数据的采集，并基于ARIMA算法模型进行一定的预测分析，对标准加工图像进行动态生成，以达到提高识别效率、降低识别误差的效果。所述环境图像数据一般为加工背景区域图像，以分析出其中的环境光特征。
根据本发明实施例，所述基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据，具体为：
将所述环境图像数据进行平滑与标准化预处理，基于时间维度，将预处理后的环境图像数据划分成多份子图像；
将多份子图像进行色彩特征提取，并将色彩特征数据进行向量化，形成多组特征向量数据；
构建基于ARIMA算法的预测模型；
将多组特征向量数据导入预测模型进行时间序列化，形成训练序列数据，基于训练序列数据生成自相关图与偏自相关图并确定预测模型初始参数；
基于环境图像数据导入预测模型进行预测训练，通过均方根误差对模型进行参数更新与优化，使预测模型达到预设预测要求；
设定一个目标加工步骤，在目标加工步骤中，采集最近时间段内的加工环境图像数据；
将所述加工环境图像数据进行平滑与标准化预处理，得到当前环境图像数据；
将当前环境图像数据进行色彩特征提取并导入预测模型，以一个当前周期作为预测时间段，生成预测环境色彩特征数据。
需要说明的是，所述多份子图像中，每份子图像对应一个时间段的图像数据，通过划分在后续进行训练数据的生成，即序列数据。在色彩特征中进行变化预测分析时，由于数据限制，采用一般的预测模型与一般的预测训练难以实现较佳的效果，因此，本发明通过对色彩特征进行向量化，能够更好地挖掘其中的特征变化规律，基于向量化后的数据，进行时间序列化，以序列化数据对模型进行参数确定与训练，进一步地，通过本发明预测模型，能够对其他情况下的环境图像实现相同的预测训练与预测分析效果，适用性较强，能够对其余加工步骤进行应用。
确定的初始参数有三个，分别为p、d和q，p表示时间序列的自回归阶数，d表示时间序列的差分阶数，q表示时间序列的移动平均阶数。
根据本发明实施例，所述在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据，具体为:
在一个目标加工步骤中，获取加工前第一生产图像，将所述第一生产图像进行基于CNN的图像识别，并得到产品加工区域与背景区域；
基于产品加工区域，从第一生产图像进行图像数据截取，得到加工图像数据；
获取目标加工步骤的预设加工完成图像；
基于DCA特征融合算法，将加工图像数据、预设加工完成图像、预测环境色彩特征数据分别基于CNN网络提取图像的特征图，得到三个特征图数据；
将所述三个特征图数据进行预设权重的加权融合，动态生成融合图像数据；
将融合图像数据进行降噪、标准化预处理得到标准图像数据。
需要说明的是，所述预设加工完成图像为一种历史采集的标准情况下该步骤加工完成的图像，具有一定的参考性，在本发明中，基于环境光照情况与加工前的状况，结合预设图进行特征融合，能够动态生成具有高时效性、实用性与适用性的标准对比图，从而在后续实现精准化的缺陷分析与工艺评估。
根据本发明实施例，所述在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据，具体为：
在一个目标加工步骤中，获取加工后第二生产图像，将所述第一生产图像进行基于CNN的图像识别，将识别得到的产品加工区域进行标记截取得到第二加工图像数据；
将第二加工图像数据与标准图像数据分别进行基于PCA的特征提取，提取的特征维度包括色彩、纹理与形状，将特征数据进行整合形成第一特征数据与第二特征数据；
第一特征数据与第二特征数据均包括三组特征，分别对应色彩、纹理与形状特征；
对第一特征数据与第二特征数据进行特征差异计算，计算过程为分别将对应的三组特征进行对比计算，特征差异计算基于标准欧氏距离，并得到三组差异数据；
基于所述三组差异数据对加工工艺进行综合性评估，形成工艺评估数据；
将三组差异数据进行整合形成加工差异数据；
将工艺评估数据与加工差异数据进行数据整合形成缺陷评估数据。
需要说明的是，第一特征数据与第二特征数据分别对应第二加工图像数据与标准图像数据。所述计算基于标准欧氏距离中，距离越大，对应差异数据中数值越大，缺陷率越高。所述三组特征进行对比计算具体为将第一特征数据的三组特征分别与第二特征数据的三组特征进行对比，特征维度需相一致。所述加工差异数据包括对应的特征差异与特征位置。
根据本发明实施例，所述对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案，具体为：
对多个预设加工步骤进行环境图像预测中，具体为获取相应的当前环境图像数据进行预测，每个预设加工步骤对应独立的预测环境色彩特征数据；
基于多个预设加工步骤，生成对应多个标准图像数据，通过多个标准图像数据形成生产检测方案。
需要说明的是，所述多个预设加工步骤包括，基于所述生产检测方案，能够得到多个预设加工步骤所对应的缺陷评估数据。
根据本发明实施例，所述加工图像数据中，还包括：
在一个目标加工步骤中，获取多次加工过程的缺陷评估数据并标记为评估大数据；
基于评估大数据，对相应的加工图像进行缺陷区域进行标记，得到多个缺陷区域，每个缺陷区域保证在预设面积；
对加工图像数据进行网格划分，形成多个矩形区域，计算统计每个矩形区域包含的缺陷区域个数，通过预设阈值划分出高频矩形区域与低频矩形区域；
将高频矩形区域整合成一个大区域并标记为关键性区域，对低频矩形区域整合成一个大区域并标记为非关键性区域；
将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别时，结合关键性区域度缺陷进行识别分析。
需要说明的是，所述通过预设阈值划分出高频矩形区域与低频矩形区域即通过对比包含的缺陷区域个数与预设阈值，个数高于预设阈值的矩形区域为高频区域，反之低频区域。值得一提的是，在进行复杂加工工艺与多次数、多种类的加工步骤生产过程中，由于受图像识别数据量的增加，对大数据下的机器视觉识别会出现较高的硬件消耗与较低的识别分析效率的情况，因此，本发明通过对多次缺陷评估数据的分析，筛选出具有高特征意义的区域（即关键性区域），在进行缺陷分析、图像对比分析过程中，能够基于关键性区域进行快速地缺陷定位与识别分析，大大提高每个加工步骤的分析效率，提高系统分析效率，具有较高的实用性。且每个加工步骤对应相应的关键性区域与非关键性区域。
图2示出了本发明一种AD钙奶饮料加工工艺评估系统的框图。
本发明第二方面还提供了一种AD钙奶饮料加工工艺评估系统2，该系统包括：存储器21、处理器22，所述存储器中包括AD钙奶饮料加工工艺评估程序，所述AD钙奶饮料加工工艺评估程序被所述处理器执行时实现如下步骤：
在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据；
基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据；
在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；
在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；
对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。
需要说明的是，所述预设历史时间段一般为一个月以上，以采集足够多的数据进行环境光线的预测训练。所述图像装置为预设高清摄像装置。所述目标加工步骤为AD钙奶的一个加工步骤，在钙奶生产过程通常包括苹原材料清洗、杂质识别、过滤、杀菌、冷却、离心分离、澄清、灌装、饮料颜色识别等环节，大部分环节可基于机器视觉进行检测分析。PCA即主成分特征分析，是一种广泛应用于图像领域的统计方法，通过降维技术将多个变量转化为少数几个主成分，以便更好地理解和处理图像数据。目标加工步骤与当前周期相对应，当前周期为一个预设的预测时间段，长度由所属加工步骤决定，一般而言，加工步骤过程越长，当前周期设置越长。
根据本发明实施例，所述在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据，具体为：
基于AD钙奶的产品加工总时长，设定一个预设历史时间；
在一个预设历史时间段内通过基于机器视觉的图像装置，对AD钙奶饮料加工环境进行视频数据采集，将视频数据进行关键帧提取，形成关键图像集；
对关键图像集基于时间维度进行排序，得到环境图像数据。
需要说明的是，所述产品加工总时长为一批产品从原材料至成品的加工周期，具体由产品与加工工艺等决定。在进行产品加工过程，一般的加工步骤均可通过机器视觉技术进行加工缺陷与质量分析，如钙奶加工制作的过滤加工过程，在过滤前后，中间产品的颜色、灰度等均会产生变化，因此，可以通过机器视觉技术，对加工前后进行图像特征分析判别加工缺陷。而在特征识别中，由于受加工环境的变化因素影响，环境光线往往会影响视觉分析，从而导致识别出现误差，且环境光线也会有一定的变化，如白天与晚上的加工环境其光线环境、采集的色彩数据均有一定的变化，因此，本发明通过对环境数据的采集，并基于ARIMA算法模型进行一定的预测分析，对标准加工图像进行动态生成，以达到提高识别效率、降低识别误差的效果。所述环境图像数据一般为加工背景区域图像，以分析出其中的环境光特征。
根据本发明实施例，所述基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据，具体为：
将所述环境图像数据进行平滑与标准化预处理，基于时间维度，将预处理后的环境图像数据划分成多份子图像；
将多份子图像进行色彩特征提取，并将色彩特征数据进行向量化，形成多组特征向量数据；
构建基于ARIMA算法的预测模型；
将多组特征向量数据导入预测模型进行时间序列化，形成训练序列数据，基于训练序列数据生成自相关图与偏自相关图并确定预测模型初始参数；
基于环境图像数据导入预测模型进行预测训练，通过均方根误差对模型进行参数更新与优化，使预测模型达到预设预测要求；
设定一个目标加工步骤，在目标加工步骤中，采集最近时间段内的加工环境图像数据；
将所述加工环境图像数据进行平滑与标准化预处理，得到当前环境图像数据；
将当前环境图像数据进行色彩特征提取并导入预测模型，以一个当前周期作为预测时间段，生成预测环境色彩特征数据。
需要说明的是，所述多份子图像中，每份子图像对应一个时间段的图像数据，通过划分在后续进行训练数据的生成，即序列数据。在色彩特征中进行变化预测分析时，由于数据限制，采用一般的预测模型与一般的预测训练难以实现较佳的效果，因此，本发明通过对色彩特征进行向量化，能够更好地挖掘其中的特征变化规律，基于向量化后的数据，进行时间序列化，以序列化数据对模型进行参数确定与训练，进一步地，通过本发明预测模型，能够对其他情况下的环境图像实现相同的预测训练与预测分析效果，适用性较强，能够对其余加工步骤进行应用。
确定的初始参数有三个，分别为p、d和q，p表示时间序列的自回归阶数，d表示时间序列的差分阶数，q表示时间序列的移动平均阶数。
根据本发明实施例，所述在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据，具体为:
在一个目标加工步骤中，获取加工前第一生产图像，将所述第一生产图像进行基于CNN的图像识别，并得到产品加工区域与背景区域；
基于产品加工区域，从第一生产图像进行图像数据截取，得到加工图像数据；
获取目标加工步骤的预设加工完成图像；
基于DCA特征融合算法，将加工图像数据、预设加工完成图像、预测环境色彩特征数据分别基于CNN网络提取图像的特征图，得到三个特征图数据；
将所述三个特征图数据进行预设权重的加权融合，动态生成融合图像数据；
将融合图像数据进行降噪、标准化预处理得到标准图像数据。
需要说明的是，所述预设加工完成图像为一种历史采集的标准情况下该步骤加工完成的图像，具有一定的参考性，在本发明中，基于环境光照情况与加工前的状况，结合预设图进行特征融合，能够动态生成具有高时效性、实用性与适用性的标准对比图，从而在后续实现精准化的缺陷分析与工艺评估。
根据本发明实施例，所述在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据，具体为：
在一个目标加工步骤中，获取加工后第二生产图像，将所述第一生产图像进行基于CNN的图像识别，将识别得到的产品加工区域进行标记截取得到第二加工图像数据；
将第二加工图像数据与标准图像数据分别进行基于PCA的特征提取，提取的特征维度包括色彩、纹理与形状，将特征数据进行整合形成第一特征数据与第二特征数据；
第一特征数据与第二特征数据均包括三组特征，分别对应色彩、纹理与形状特征；
对第一特征数据与第二特征数据进行特征差异计算，计算过程为分别将对应的三组特征进行对比计算，特征差异计算基于标准欧氏距离，并得到三组差异数据；
基于所述三组差异数据对加工工艺进行综合性评估，形成工艺评估数据；
将三组差异数据进行整合形成加工差异数据；
将工艺评估数据与加工差异数据进行数据整合形成缺陷评估数据。
需要说明的是，第一特征数据与第二特征数据分别对应第二加工图像数据与标准图像数据。所述计算基于标准欧氏距离中，距离越大，对应差异数据中数值越大，缺陷率越高。所述三组特征进行对比计算具体为将第一特征数据的三组特征分别与第二特征数据的三组特征进行对比，特征维度需相一致。所述加工差异数据包括对应的特征差异与特征位置。
根据本发明实施例，所述对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案，具体为：
对多个预设加工步骤进行环境图像预测中，具体为获取相应的当前环境图像数据进行预测，每个预设加工步骤对应独立的预测环境色彩特征数据；
基于多个预设加工步骤，生成对应多个标准图像数据，通过多个标准图像数据形成生产检测方案。
需要说明的是，所述多个预设加工步骤包括，基于所述生产检测方案，能够得到多个预设加工步骤所对应的缺陷评估数据。
根据本发明实施例，所述加工图像数据中，还包括：
在一个目标加工步骤中，获取多次加工过程的缺陷评估数据并标记为评估大数据；
基于评估大数据，对相应的加工图像进行缺陷区域进行标记，得到多个缺陷区域，每个缺陷区域保证在预设面积；
对加工图像数据进行网格划分，形成多个矩形区域，计算统计每个矩形区域包含的缺陷区域个数，通过预设阈值划分出高频矩形区域与低频矩形区域；
将高频矩形区域整合成一个大区域并标记为关键性区域，对低频矩形区域整合成一个大区域并标记为非关键性区域；
将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别时，结合关键性区域度缺陷进行识别分析。
需要说明的是，所述通过预设阈值划分出高频矩形区域与低频矩形区域即通过对比包含的缺陷区域个数与预设阈值，个数高于预设阈值的矩形区域为高频区域，反之低频区域。值得一提的是，在进行复杂加工工艺与多次数、多种类的加工步骤生产过程中，由于受图像识别数据量的增加，对大数据下的机器视觉识别会出现较高的硬件消耗与较低的识别分析效率的情况，因此，本发明通过对多次缺陷评估数据的分析，筛选出具有高特征意义的区域（即关键性区域），在进行缺陷分析、图像对比分析过程中，能够基于关键性区域进行快速地缺陷定位与识别分析，大大提高每个加工步骤的分析效率，提高系统分析效率，具有较高的实用性。且每个加工步骤对应相应的关键性区域与非关键性区域。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括AD钙奶饮料加工工艺评估程序，所述AD钙奶饮料加工工艺评估程序被处理器执行时，实现如上述任一项所述的AD钙奶饮料加工工艺评估方法的步骤。
本发明公开了一种AD钙奶饮料加工工艺评估方法、系统及介质。基于环境图像数据进行色彩特征提取，将色彩特征数据导入预测模型中进行训练与数据预测，并生成预测环境色彩特征数据；通过DCA特征融合算法，对预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。通过本发明，能够实现快速、精准化与的缺陷分析与工艺评估。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种AD钙奶饮料加工工艺评估方法，其特征在于，包括：
在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据；
基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据；
在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；
在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；
对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。
2.根据权利要求1所述的一种AD钙奶饮料加工工艺评估方法，其特征在于，所述在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据，具体为：
基于AD钙奶的产品加工总时长，设定一个预设历史时间；
在一个预设历史时间段内通过基于机器视觉的图像装置，对AD钙奶饮料加工环境进行视频数据采集，将视频数据进行关键帧提取，形成关键图像集；
对关键图像集基于时间维度进行排序，得到环境图像数据。
3.根据权利要求2所述的一种AD钙奶饮料加工工艺评估方法，其特征在于，所述基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据，具体为：
将所述环境图像数据进行平滑与标准化预处理，基于时间维度，将预处理后的环境图像数据划分成多份子图像；
将多份子图像进行色彩特征提取，并将色彩特征数据进行向量化，形成多组特征向量数据；
构建基于ARIMA算法的预测模型；
将多组特征向量数据导入预测模型进行时间序列化，形成训练序列数据，基于训练序列数据生成自相关图与偏自相关图并确定预测模型初始参数；
基于环境图像数据导入预测模型进行预测训练，通过均方根误差对模型进行参数更新与优化，使预测模型达到预设预测要求；
设定一个目标加工步骤，在目标加工步骤中，采集最近时间段内的加工环境图像数据；
将所述加工环境图像数据进行平滑与标准化预处理，得到当前环境图像数据；
将当前环境图像数据进行色彩特征提取并导入预测模型，以一个当前周期作为预测时间段，生成预测环境色彩特征数据。
4.根据权利要求3所述的一种AD钙奶饮料加工工艺评估方法，其特征在于，所述在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据，具体为:
在一个目标加工步骤中，获取加工前第一生产图像，将所述第一生产图像进行基于CNN的图像识别，并得到产品加工区域与背景区域；
基于产品加工区域，从第一生产图像进行图像数据截取，得到加工图像数据；
获取目标加工步骤的预设加工完成图像；
基于DCA特征融合算法，将加工图像数据、预设加工完成图像、预测环境色彩特征数据分别基于CNN网络提取图像的特征图，得到三个特征图数据；
将所述三个特征图数据进行预设权重的加权融合，动态生成融合图像数据；
将融合图像数据进行降噪、标准化预处理得到标准图像数据。
5.根据权利要求4所述的一种AD钙奶饮料加工工艺评估方法，其特征在于，所述在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据，具体为：
在一个目标加工步骤中，获取加工后第二生产图像，将所述第一生产图像进行基于CNN的图像识别，将识别得到的产品加工区域进行标记截取得到第二加工图像数据；
将第二加工图像数据与标准图像数据分别进行基于PCA的特征提取，提取的特征维度包括色彩、纹理与形状，将特征数据进行整合形成第一特征数据与第二特征数据；
第一特征数据与第二特征数据均包括三组特征，分别对应色彩、纹理与形状特征；
对第一特征数据与第二特征数据进行特征差异计算，计算过程为分别将对应的三组特征进行对比计算，特征差异计算基于标准欧氏距离，并得到三组差异数据；
基于所述三组差异数据对加工工艺进行综合性评估，形成工艺评估数据；
将三组差异数据进行整合形成加工差异数据；
将工艺评估数据与加工差异数据进行数据整合形成缺陷评估数据。
6.根据权利要求5所述的一种AD钙奶饮料加工工艺评估方法，其特征在于，所述对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案，具体为：
对多个预设加工步骤进行环境图像预测中，具体为获取相应的当前环境图像数据进行预测，每个预设加工步骤对应独立的预测环境色彩特征数据；
基于多个预设加工步骤，生成对应多个标准图像数据，通过多个标准图像数据形成生产检测方案。
7.一种AD钙奶饮料加工工艺评估系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括AD钙奶饮料加工工艺评估程序，所述AD钙奶饮料加工工艺评估程序被所述处理器执行时实现如下步骤：
在一个预设历史时间段内，通过基于机器视觉的图像装置采集AD钙奶饮料加工环境的环境图像数据；
基于所述环境图像数据进行色彩特征提取，并得到色彩特征数据，构建基于ARIMA算法的预测模型，将色彩特征数据导入预测模型中进行训练与数据预测，并基于均方根误差进行模型参数更新，在一个目标加工步骤中采集当前环境图像数据，将当前环境图像数据导入预测模型并生成一个当前周期内的预测环境色彩特征数据；
在一个目标加工步骤中，获取加工前第一生产图像，通过DCA特征融合算法，对所述预测环境色彩特征数据与第一生产图像进行特征融合，并动态生成标准图像数据；
在一个目标加工步骤中，获取加工后第二生产图像，将第二生产图像与标准图像数据分别进行基于PCA的特征提取，将得到的特征数据进行对比分析与加工缺陷识别，并得到缺陷评估数据；
对多个预设加工步骤进行环境图像预测与标准图像数据的生成，并形成基于多个预设加工步骤的生产检测方案。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括AD钙奶饮料加工工艺评估程序，所述AD钙奶饮料加工工艺评估程序被处理器执行时，实现如权利要求1至6中任一项所述的AD钙奶饮料加工工艺评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410510931.XA CN118095971B (zh) | 2024-04-26 | 2024-04-26 | 一种ad钙奶饮料加工工艺评估方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410510931.XA CN118095971B (zh) | 2024-04-26 | 2024-04-26 | 一种ad钙奶饮料加工工艺评估方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118095971A true CN118095971A (zh) | 2024-05-28 |
| CN118095971B CN118095971B (zh) | 2024-06-28 |
Family
ID=91163329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410510931.XA Active CN118095971B (zh) | 2024-04-26 | 2024-04-26 | 一种ad钙奶饮料加工工艺评估方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095971B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011058529A2 (es) * | 2009-11-16 | 2011-05-19 | Pontificia Universidad Católica De Chile | Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesado en base a su apariencia externa, que circulan a través de una cinta transportadora permitiendo detectar defectos superficiales y clasificar las carnes según patrones de calidad |
| CN116342606A (zh) * | 2023-05-30 | 2023-06-27 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
| CN116629669A (zh) * | 2023-04-28 | 2023-08-22 | 杭州东晟照明科技有限公司 | 一种自动化产线的智能化管理方法及系统 |
| CN116761049A (zh) * | 2023-08-10 | 2023-09-15 | 箭牌智能科技（张家港）有限公司 | 一种家用智能安防监控方法及系统 |
| CN117314919A (zh) * | 2023-11-29 | 2023-12-29 | 嘉利胶袋制品(深圳)有限公司 | 基于机器视觉的包装袋生产分析方法、系统及存储介质 |
| CN117718799A (zh) * | 2024-01-17 | 2024-03-19 | 四川江天科技有限公司 | 一种ccd在线定位在线测控的系统和方法 |
-
2024
- 2024-04-26 CN CN202410510931.XA patent/CN118095971B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011058529A2 (es) * | 2009-11-16 | 2011-05-19 | Pontificia Universidad Católica De Chile | Método y sistema para analizar automáticamente en tiempo real, la calidad de muestras de carnes de pescado procesado en base a su apariencia externa, que circulan a través de una cinta transportadora permitiendo detectar defectos superficiales y clasificar las carnes según patrones de calidad |
| CN116629669A (zh) * | 2023-04-28 | 2023-08-22 | 杭州东晟照明科技有限公司 | 一种自动化产线的智能化管理方法及系统 |
| CN116342606A (zh) * | 2023-05-30 | 2023-06-27 | 中色创新研究院(天津)有限公司 | 一种基于铜合金加工成品的缺陷追溯分析方法 |
| CN116761049A (zh) * | 2023-08-10 | 2023-09-15 | 箭牌智能科技（张家港）有限公司 | 一种家用智能安防监控方法及系统 |
| CN117314919A (zh) * | 2023-11-29 | 2023-12-29 | 嘉利胶袋制品(深圳)有限公司 | 基于机器视觉的包装袋生产分析方法、系统及存储介质 |
| CN117718799A (zh) * | 2024-01-17 | 2024-03-19 | 四川江天科技有限公司 | 一种ccd在线定位在线测控的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118095971B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113674273B (zh) | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 | |
| JP5852919B2 (ja) | ひび割れ検出方法 | |
| CN111914665A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
| CN117314919B (zh) | 基于机器视觉的包装袋生产分析方法、系统及存储介质 | |
| CN117974601B (zh) | 基于模板匹配的硅片表面缺陷检测方法及系统 | |
| CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
| CN111008953A (zh) | 一种数字病理图像质控的方法及装置 | |
| CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
| CN113936132A (zh) | 基于计算机视觉的化工厂水体污染检测方法与系统 | |
| CN116958880A (zh) | 视频火焰前景分割预处理方法、装置、设备及存储介质 | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
| CN114077877B (zh) | 一种新增垃圾识别方法、装置、计算机设备及存储介质 | |
| CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| CN110363766A (zh) | 马赛克检测方法、装置和电子设备 | |
| CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 | |
| CN112581472B (zh) | 一种面向人机交互的目标表面缺陷检测方法 | |
| CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 | |
| CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
| CN117350984B (zh) | 一种单晶硅放肩开叉的检测方法及装置 | |
| CN118310970B (zh) | 一种机械设备表面缺陷检测方法及系统 | |
| CN113344858B (zh) | 特征检测方法、装置及计算机存储介质 | |
| CN118261914B (zh) | 一种基于人工智能的电感质量评估方法、系统及存储介质 | |
| CN114723748B (zh) | 电机控制器的检测方法、装置、设备及存储介质 | |
| CN117570852B (zh) | 极耳顶点坐标检测方法、装置及设备 |
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 |