CN105469079A - 基于多传感器信息融合的物体材质识别方法 - Google Patents
基于多传感器信息融合的物体材质识别方法 Download PDFInfo
- Publication number
- CN105469079A CN105469079A CN201511028339.3A CN201511028339A CN105469079A CN 105469079 A CN105469079 A CN 105469079A CN 201511028339 A CN201511028339 A CN 201511028339A CN 105469079 A CN105469079 A CN 105469079A
- Authority
- CN
- China
- Prior art keywords
- sensor
- identified
- identification method
- information fusion
- material identification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
- G01N29/046—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks using the echo of particles imparting on a surface; using acoustic emission of particles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Optics & Photonics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供一种多传感器信息融合的物体材质识别方法,包括步骤:首先,提供至少三种传感器,然后利用所述传感器向待识别物体发射源信号,分别采集所述待识别物体在所述源信号照射下发射的特征信号,或者直接利用所述传感器采集待识别物体的特征信号,提取每种特征信号提供的关于物体材质的信息;最后,综合分析这些信息,确定所述物体的材质。本发明的物体材质识别方法是利用不同传感器的数据互补和冗余,从各自独立的测量空间获取信息,通过融合技术对目标物体材质进行识别。本发明的识别方法检测准确率高,为识别物体材质提供可靠的数据。
Description
技术领域
本发明涉及材质识别技术领域,特别是涉及一种基于多传感器信息融合的物体材质识别方法。
背景技术
材质识别、质量鉴定是工业材质质量检测领域的重要课题。随着全球工业化的发展,工业自动化的需求也日益增高,同时人工劳动力的成本也显著提高。设备、材料的自动识别技术***的推广,既可以将人力从单调、重复的劳动中解放出来,也可以大大降低人力成本。同时,机械检测的准确度和检测速度都将高于人工检测。可见,由于材质识别方法对于工业发展的重要性,其一直是工业化进程中的一个重要课题。
当前各类物体的材质多种多样,单传感器对材质的识别能力有限,很容易造成以假乱真。目前的材质识别的常用方法有光识别、热觉识别、颜色识别。每种方法都有自身的局限性,例如,可见光成像设备能够有效分析物体的纹理信息,但受环境影响较大;超声波可以穿透无线电波、光波无法穿过的物体,但是在空气中衰减太快不易传播。所以,利用单一传感器对物体材质进行判别,其准确度有限,
目前已有的材质识别方法由于对影响材质反射信息的参数考虑有限,判别方式单一,致使识别的准确度有待提高。
因此,提供一种新的物体材质识别方法是本领域技术人员需要解决的课题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于多传感器信息融合的物体材质识别方法,用于解决现有技术中材质识别方法判别方式单一,致使识别的准确度有限的问题。
为实现上述目的及其他相关目的,本发明提供一种基于多传感器信息融合的物体材质识别方法,所述物体材质识别方法至少包括:
1)提供至少三种传感器;
2)利用所述传感器向待识别物体发射源信号,分别采集所述待识别物体在所述源信号照射下发射的特征信号,或者直接利用所述传感器采集待识别物体的特征信号;
3)通过综合分析所述特征信号,确定所述物体的材质。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述传感器至少包括红外传感器,利用所述红外传感器对所述待识别物体进行识别的过程为:
利用红外传感器向待识别物体发射红外光线,所述待识别物体经红外光线照射后发射出特征光线,将所述特征光线的光谱特征与材质类别中包括的各材质对应的光谱特征进行比较,确定出待识别物体可能属于的材质类别。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述传感器至少包括图像传感器,利用所述图像传感器对所述待识别物体进行识别的过程为:
通过摄像头采集待识别物体表面的图像,通过对图像的纹理分析,从预设的多种材质类别中,确定出待识别物体可能属于的材质类别。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述传感器至少包括雷达传感器,利用所述雷达传感器对所述待识别物体进行识别的过程为:
利用雷达传感器向待识别物体发射雷达的微波信号,然后从接收回波中提取回波数据的谱特征值,处理计算后确定出待识别物体可能属于的材质类别。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述传感器至少包括激光传感器,利用所述激光传感器对所述待识别物体进行识别的过程为:
利用激光传感器向待识别物体发射激光信号,然后接收反射、色散、热辐射反应提供的数据确定出待识别物体可能属于的材质类别。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述传感器至少包括超声波传感器,利用所述超声波感器对所述待识别物体进行识别的过程为:
利用超声波传感器向待识别物体发射超声波信号,然后接收的回波中提取回波数据的特征值,处理计算后确定出待识别物体可能属于的材质类别。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述传感器至少包括热传感器,通过测量所述待识别物体从所述热传感器吸热的比率来判断所述待识别物体可能属于的材质类别。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述步骤3)中利用线性计算或者非线性计算方法来确定所述物体的材质。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,所述线性计算为投票或加权,所述非线性计算为神经网络。
作为本发明基于多传感器信息融合的物体材质识别方法的一种优化的方案,利用所述加权的线性计算的公式如下:
其中,Pa表示物体材质为a的概率,N表示传感器总数量,Pn表示传感器n的权重;Pna表示传感器n将物体材质识别为a的概率;Pa概率值最大则确定该物体的材质为a。
如上所述,本发明的多传感器信息融合的物体材质识别方法,包括步骤:首先,提供至少三种传感器;然后,利用所述传感器向待识别物体发射源信号,分别采集所述待识别物体在所述源信号照射下发射的特征信号,或者直接利用所述传感器采集待识别物体的特征信号;最后,通过综合分析所述特征信号,确定所述物体的材质。本发明的物体材质识别方法是利用不同传感器的数据互补和冗余,从各自独立的测量空间获取信息,通过融合技术对目标物体材质进行识别。本发明的识别方法检测准确率高,为识别物体材质提供可靠的数据。
附图说明
图1为本发明多传感器信息融合的物体材质识别方法的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅附图。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
现有技术中,利用单传感器只能收集待识别物体某一性质的特征信号,信息片面,识别的准确率低。鉴于此,本发明提供一种基于多传感器信息融合的物体材质识别方法,通过利用各种不同波段的电磁波、声波以及激光等,全面反映物体材质信息,识别的准确率更高。
本发明提供一种基于多传感器信息融合的物体材质识别方法,如图1所示,所述物体材质识别方法至少包括如下步骤:
S1,提供至少三种传感器;
S2,利用所述传感器依次向待识别物体发射源信号,分别采集所述待识别物体在所述源信号照射下发射的特征信号,或者直接利用所述传感器采集待识别物体的特征信号;
S3,通过综合分析所述特征信号,确定所述物体的材质。
下面通过具体实施例详细介绍本发明的基于多传感器信息融合的物体材质识别方法。
首先执行步骤S1,提供至少三种传感器;
然后执行步骤S2,利用所述传感器依次向待识别物体发射源信号,分别采集所述待识别物体在所述源信号照射下发射的特征信号,或者直接利用所述传感器采集待识别物体的特征信号。
所述传感器可以是图像传感器、红外传感器、雷达传感器、激光传感器、超声波传感器以及热传感器中的三种三两种以上。当然,所述传感器种类不限于上述所列举的几种,任何可以用来判别物体材质的传感器均可,在此不限。
另外,每种传感器的数量不限,利用每种传感器来进行物体材质识别的顺序也不作限制。所有的传感器可以同时向待识别物体发射源信号,也可以依次向待识别物体发射源信号。
在本实施例中,分别通过图像传感器、红外传感器、雷达传感器、激光传感器以及超声波传感器来对所述物体材质进行识别,每种传感器的数量为一台,具体过程为:
首先,利用所述图像传感器对所述待识别物体进行识别。获取通过摄像头直接采集待识别物体表面的图像,通过对图像的形状特征、纹理特征以及颜色特征等进行提取,然后与预设的多种材质类别进行对比,确定出该物体材质可能属于的类别。
形状特征是反应图像中物体最直接的视觉特征,大部分物体可以通过分辨其形状来进行判别。因此,在利用图像传感器识别物体材质的方法中,形状特征的正确提取非常重要。
图像的纹理是与物理表面结构和材质有关的图像特征,反应出来的是图像的全局特征。图像纹理特征提取的方法有:统计方法(灰度共生矩阵纹理特征分析法)、几何法(建立在基本的纹理元素理论基础上)、模型法(将图像的构造模型的参数作为纹理特征)以及信号处理法(主要是小波变换为主)等等。
图像的颜色特征是图像或图像区域的物体表面性质,反映的是图像的全局特征。
将待识别物体的上述图像特征与已知的多种标准材质进行比较,确定出该物体材质可能属于的类别。例如,该实施例图像传感器方法中,识别出的可能所属类别为:木头、纤维、石头。
然后,利用所述红外传感器对所述待识别物体进行识别。利用红外传感器向待识别物体发射红外光线,所述待识别物体经红外光线照射后发射出特征光线,将所述特征光线的光谱特征与材质类别中包括的各材质对应的光谱特征进行比较,确定出待识别物体可能属于的材质类别。
不同材质的组成元素是不同的,不同的元素经过特定光线高能的激发,原子之间相互作用会发射出不同的特征光线,所以通过向待识别物体发射红外光线,待识别物体经红外光线照射后发射出特征光线,将该特征光线的光谱特征与材质类别中包括的各材质对应的光谱特征进行比较,确定出待识别物体的材质。例如,该实施例红外线传感器方法中,可能所属类别为:木头、金属、橡胶。
接着,利用雷达传感器对所述待识别物体进行识别。先由雷达传感器向待识别物体发射微波信号,然后从接收的回波中提取回波数据的谱特征值,处理计算后确定出待识别物品可能属于的材质。
雷达传感器所发出的微波信号是一种电磁波,电磁波在传播过程中遇到待识别物体后,散射而返回被雷达天线所接收的电磁波为回波,可实现对埋藏的目标的材质识别。不同物质的内部结构不同,对电磁波的反射和吸收的系数不同,形成的回波也不同。例如,该实施例雷达传感器方法中,可能所属类别为:木头、金属、石头。
接着,利用所述激光传感器对所述待识别物体进行识别。先利用激光传感器向待识别物体发射激光信号,然后接收反射、色散、热辐射反应提供的数据确定出待识别物体可能属于的材质类别。激光传感器能实现无接触远距离测量,具有速度快、精度高、量程大、抗光、电干扰能力强等优点。
也可以用高能量的激光聚焦在待识别物体上,使物体电离产生等离子体,然后可以通过等离子体发射的光谱鉴别物质(LIBS)、或者将激光打在物体上产生的粒子做质谱分析也可以得到关于物质组成的信息,识别的方法不限。例如,该实施例激光传感器方法中,可能所属类别为:木头、纸、石头。
最后,利用所述超声波感器对所述待识别物体进行识别。先利用超声波传感器向待识别物体发射超声波信号,然后接收的回波中提取回波数据的特征值,处理计算后确定出待识别物体可能属于的材质类别。
超声波是一种振动频率高于声波的机械波,由换能晶片在电压的激励下发生振动产生的,它具有频率高、波长短、绕射现象小,特别是方向性好、能够成为射线而定向传播等特点。超声波碰到待识别物体会产生显著反射,形成反射回波。每种待识别物体具有特定的回波参数,经过计算处理确定识别物体可能属于的材质类别。例如,该实施例超声波传感器方法中,可能所属类别为:木头、纤维、皮革。
需要说明的是,以上通过各种传感器来识别物体材质的顺序不限。本实施例中是利用上述五种传感器来识别物体材质,在不冲突的情况下,五种传感器可以相互组合。在其他实施例中,也可以采用其他合适的传感器来识别物体材质,例如热传感器等等,在此不限。所述热传感器是通过测量所述待识别物体从所述热传感器吸热的比率来判断所述待识别物体的材质
最后执行步骤S3,通过综合分析所述特征信号,确定所述物体的材质。
可以利用线性计算的方法确定所述待识别物体的材质。本实施例中,可以利用投票的方式从每一组可能材质类别的信息中,确定所述物体的材质。从步骤S2中所有可能的物体材质中,可以看出五种传感器识别当中均有木头,则确定该物体即为木头。因此,对于直观性比较强的材质类别信息,采用投票的方式可以快速确定物体的材质。
当然,在其他实施例中,还可以采用加权的线性计算方法来确定物体的材质,计算公式如下:
其中,Pa表示物体材质为a的概率,N表示传感器总数量,Pn表示传感器n的权重;Pna表示传感器n将物体材质识别为a的概率;Pa概率值最大则确定该物体的材质为a。
需要说明的是,权重是一个相对的概念,是指某一指标在整体评价中的相对重要程度,是被评价对象的不同侧面的重要程度的定量分配。若传感器n的权重值较大则是指该传感器n能准确识别物体材质的可信度较大,较为重要。
另外,还可以利用非线性计算方法从材质信息中确定物体的材质,例如,利用神经网络的方法来确定物体材质。
由于所述待识别物体接收不同的传感器源信号后,发射不同的特征信号,这些特征体现的是物体不同的性质属性,因此,利用本发明的物体识别方法可以全方位的辨别物体材质,准确率也更高。
综上所述,本发明提供一种多传感器信息融合的物体材质识别方法,包括步骤:首先,提供至少三种传感器;然后利用所述传感器向待识别物体发射源信号,分别采集所述待识别物体在所述源信号照射下发射的特征信号,或者直接利用所述传感器采集待识别物体的特征信号;最后,通过综合分析所述特征信号,确定所述物体的材质。本发明的物体材质识别方法是利用不同传感器的数据互补和冗余,从各自独立的测量空间获取信息,通过融合技术对目标物体材质进行识别。本发明的识别方法检测准确率高,为识别物体材质提供可靠的数据。
所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于多传感器信息融合的物体材质识别方法,其特征在于,所述物体材质识别方法至少包括:
1)提供至少三种传感器;
2)利用所述传感器向待识别物体发射源信号,分别采集所述待识别物体在所述源信号照射下发射的特征信号,或者直接利用所述传感器采集待识别物体的特征信号;
3)通过综合分析所述特征信号,确定所述物体的材质。
2.根据权利要求1所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述传感器至少包括红外传感器,利用所述红外传感器对所述待识别物体进行识别的过程为:
利用红外传感器向待识别物体发射红外光线,所述待识别物体经红外光线照射后发射出特征光线,将所述特征光线的光谱特征与材质类别中包括的各材质对应的光谱特征进行比较,确定出待识别物体可能属于的材质类别。
3.根据权利要求1所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述传感器至少包括图像传感器,利用所述图像传感器对所述待识别物体进行识别的过程为:
通过摄像头采集待识别物体表面的图像,通过对图像形状特征、纹理特征以及颜色特征进行分析,然后与已知的多种材质类别进行对比,确定出该物体材质可能属于的类别。
4.根据权利要求1所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述传感器至少包括雷达传感器,利用所述雷达传感器对所述待识别物体进行识别的过程为:
利用雷达传感器向待识别物体发射雷达的微波信号,然后从接收回波中提取回波数据的谱特征值,处理计算后确定出待识别物体可能属于的材质类别。
5.根据权利要求1所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述传感器至少包括激光传感器,利用所述激光传感器对所述待识别物体进行识别的过程为:
利用激光传感器向待识别物体发射激光信号,然后接收反射、色散、热辐射反应提供的数据确定出待识别物体可能属于的材质类别。
6.根据权利要求1所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述传感器至少包括超声波传感器,利用所述超声波感器对所述待识别物体进行识别的过程为:
利用超声波传感器向待识别物体发射超声波信号,然后接收的回波中提取回波数据的特征值,处理计算后确定出待识别物体可能属于的材质类别。
7.根据权利要求1所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述传感器至少包括热传感器,通过测量所述待识别物体从所述热传感器吸热的比率来判断所述待识别物体可能属于的材质类别。
8.根据权利要求1~7任一项所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述步骤3)中利用线性计算或者非线性计算方法来确定所述物体的材质。
9.根据权利要求8所述的基于多传感器信息融合的物体材质识别方法,其特征在于:所述线性计算为投票或加权,所述非线性计算为神经网络。
10.根据权利要求9所述的基于多传感器信息融合的物体材质识别方法,其特征在于:利用所述加权的线性计算的公式如下:
其中,Pa表示物体材质为a的概率,N表示传感器总数量,Pn表示传感器n的权重;Pna表示传感器n将物体材质识别为a的概率;Pa概率值最大则确定该物体的材质为a。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511028339.3A CN105469079A (zh) | 2015-12-31 | 2015-12-31 | 基于多传感器信息融合的物体材质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511028339.3A CN105469079A (zh) | 2015-12-31 | 2015-12-31 | 基于多传感器信息融合的物体材质识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105469079A true CN105469079A (zh) | 2016-04-06 |
Family
ID=55606750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511028339.3A Pending CN105469079A (zh) | 2015-12-31 | 2015-12-31 | 基于多传感器信息融合的物体材质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469079A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778787A (zh) * | 2016-12-29 | 2017-05-31 | 王红军 | 一种基于颜色特征的物体辅助识别方法 |
CN107169469A (zh) * | 2017-06-02 | 2017-09-15 | 南京理工大学 | 一种基于机器学习的mimo雷达的材料识别方法 |
CN107174184A (zh) * | 2017-04-26 | 2017-09-19 | 北京小米移动软件有限公司 | 烘干方式确定方法及装置 |
CN107192692A (zh) * | 2017-06-07 | 2017-09-22 | 彭枭雄 | 用于汽车、机械或家电制造业中结构件总成的防错检测方法 |
CN107202559A (zh) * | 2017-05-08 | 2017-09-26 | 西北工业大学 | 基于室内声学信道扰动分析的物体识别方法 |
CN108875935A (zh) * | 2018-06-11 | 2018-11-23 | 兰州理工大学 | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 |
CN108985333A (zh) * | 2018-06-15 | 2018-12-11 | 浙江大学 | 一种基于神经网络的材质获取方法和*** |
CN109521498A (zh) * | 2018-11-12 | 2019-03-26 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、装置及存储介质 |
CN109975799A (zh) * | 2019-03-13 | 2019-07-05 | 谭伟 | 一种雷达识别材料的方法及其*** |
CN110245653A (zh) * | 2019-06-06 | 2019-09-17 | 深圳市宏电技术股份有限公司 | 一种物体识别装置及方法 |
CN110298289A (zh) * | 2019-06-24 | 2019-10-01 | Oppo广东移动通信有限公司 | 材料识别方法、装置、存储介质和电子设备 |
CN110766067A (zh) * | 2019-10-21 | 2020-02-07 | 浙江工业大学之江学院 | 基于机器学习的毫米波雷达材质识别方法 |
CN111579520A (zh) * | 2020-03-18 | 2020-08-25 | 浙江省平湖技师学院 | 一种工件材质识别装置及其识别方法 |
CN111832433A (zh) * | 2020-06-24 | 2020-10-27 | 科络克电子科技(上海)有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
US10871468B2 (en) | 2018-11-05 | 2020-12-22 | Tata Consultancy Services Limited | Non-contact material inspection |
CN112308892A (zh) * | 2020-11-16 | 2021-02-02 | 中国海洋大学 | 一种基于libs技术的贝壳纹理分析***和方法 |
CN113325008A (zh) * | 2021-06-02 | 2021-08-31 | 合肥工业大学 | 一种基于wifi设备的非接触式材料识别***和方法 |
DE102021104855A1 (de) | 2021-03-01 | 2022-09-01 | Universität Augsburg, Körperschaft des öffentlichen Rechts | Materialprüfverfahren und Materialprüfvorrichtung |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102322974A (zh) * | 2011-06-03 | 2012-01-18 | 东南大学 | 一种阵列式温度触觉传感装置 |
CN102387248A (zh) * | 2011-09-13 | 2012-03-21 | 华为终端有限公司 | 一种配置应用模式的方法和移动终端 |
CN202671887U (zh) * | 2012-06-26 | 2013-01-16 | 无锡小天鹅股份有限公司 | 一种能自动识别衣物的洗衣机 |
US20150062555A1 (en) * | 2013-09-04 | 2015-03-05 | Hyundai Mobis Co., Ltd. | Lidar sensor system |
-
2015
- 2015-12-31 CN CN201511028339.3A patent/CN105469079A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102322974A (zh) * | 2011-06-03 | 2012-01-18 | 东南大学 | 一种阵列式温度触觉传感装置 |
CN102387248A (zh) * | 2011-09-13 | 2012-03-21 | 华为终端有限公司 | 一种配置应用模式的方法和移动终端 |
CN202671887U (zh) * | 2012-06-26 | 2013-01-16 | 无锡小天鹅股份有限公司 | 一种能自动识别衣物的洗衣机 |
US20150062555A1 (en) * | 2013-09-04 | 2015-03-05 | Hyundai Mobis Co., Ltd. | Lidar sensor system |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778787A (zh) * | 2016-12-29 | 2017-05-31 | 王红军 | 一种基于颜色特征的物体辅助识别方法 |
CN107174184A (zh) * | 2017-04-26 | 2017-09-19 | 北京小米移动软件有限公司 | 烘干方式确定方法及装置 |
CN107202559B (zh) * | 2017-05-08 | 2020-04-03 | 西北工业大学 | 基于室内声学信道扰动分析的物体识别方法 |
CN107202559A (zh) * | 2017-05-08 | 2017-09-26 | 西北工业大学 | 基于室内声学信道扰动分析的物体识别方法 |
CN107169469A (zh) * | 2017-06-02 | 2017-09-15 | 南京理工大学 | 一种基于机器学习的mimo雷达的材料识别方法 |
CN107169469B (zh) * | 2017-06-02 | 2020-06-19 | 南京理工大学 | 一种基于机器学习的mimo雷达的材料识别方法 |
CN107192692A (zh) * | 2017-06-07 | 2017-09-22 | 彭枭雄 | 用于汽车、机械或家电制造业中结构件总成的防错检测方法 |
CN107192692B (zh) * | 2017-06-07 | 2020-06-26 | 浙江世宝股份有限公司 | 用于汽车、机械或家电制造业中结构件总成的防错检测方法 |
CN108875935A (zh) * | 2018-06-11 | 2018-11-23 | 兰州理工大学 | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 |
CN108875935B (zh) * | 2018-06-11 | 2020-08-11 | 兰州理工大学 | 基于生成对抗网络的自然图像目标材质视觉特征映射方法 |
CN108985333A (zh) * | 2018-06-15 | 2018-12-11 | 浙江大学 | 一种基于神经网络的材质获取方法和*** |
CN108985333B (zh) * | 2018-06-15 | 2020-10-23 | 浙江大学 | 一种基于神经网络的材质获取方法和*** |
US10871468B2 (en) | 2018-11-05 | 2020-12-22 | Tata Consultancy Services Limited | Non-contact material inspection |
CN109521498A (zh) * | 2018-11-12 | 2019-03-26 | 深圳市华讯方舟太赫兹科技有限公司 | 异物检测方法、装置及存储介质 |
CN109975799A (zh) * | 2019-03-13 | 2019-07-05 | 谭伟 | 一种雷达识别材料的方法及其*** |
CN110245653A (zh) * | 2019-06-06 | 2019-09-17 | 深圳市宏电技术股份有限公司 | 一种物体识别装置及方法 |
CN110298289A (zh) * | 2019-06-24 | 2019-10-01 | Oppo广东移动通信有限公司 | 材料识别方法、装置、存储介质和电子设备 |
CN110298289B (zh) * | 2019-06-24 | 2021-11-02 | Oppo广东移动通信有限公司 | 材料识别方法、装置、存储介质和电子设备 |
CN110766067A (zh) * | 2019-10-21 | 2020-02-07 | 浙江工业大学之江学院 | 基于机器学习的毫米波雷达材质识别方法 |
CN111579520A (zh) * | 2020-03-18 | 2020-08-25 | 浙江省平湖技师学院 | 一种工件材质识别装置及其识别方法 |
CN111832433A (zh) * | 2020-06-24 | 2020-10-27 | 科络克电子科技(上海)有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN111832433B (zh) * | 2020-06-24 | 2023-12-29 | 奇点微(上海)光电科技有限公司 | 一种由图像提取物体特性的装置及其工作方法 |
CN112308892A (zh) * | 2020-11-16 | 2021-02-02 | 中国海洋大学 | 一种基于libs技术的贝壳纹理分析***和方法 |
DE102021104855A1 (de) | 2021-03-01 | 2022-09-01 | Universität Augsburg, Körperschaft des öffentlichen Rechts | Materialprüfverfahren und Materialprüfvorrichtung |
CN113325008A (zh) * | 2021-06-02 | 2021-08-31 | 合肥工业大学 | 一种基于wifi设备的非接触式材料识别***和方法 |
CN113325008B (zh) * | 2021-06-02 | 2022-09-20 | 合肥工业大学 | 一种基于wifi设备的非接触式材料识别***和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469079A (zh) | 基于多传感器信息融合的物体材质识别方法 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
Pasolli et al. | Automatic analysis of GPR images: A pattern-recognition approach | |
CN102799903B (zh) | 一种基于空间与光谱信息的高光谱自动云检测方法 | |
CN102959354B (zh) | 用于利用LiDAR数据来分析树冠层的方法和装置 | |
CN108416378A (zh) | 一种基于深度神经网络的大场景sar目标识别方法 | |
Borgioli et al. | The detection of buried pipes from time-of-flight radar data | |
CN108182450A (zh) | 一种基于深度卷积网络的机载探地雷达目标识别方法 | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN102621150A (zh) | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 | |
CN107193001B (zh) | 基于探地雷达的岩溶隧道不良地质预报专家***及实现方法 | |
CN107169469A (zh) | 一种基于机器学习的mimo雷达的材料识别方法 | |
CN113850228A (zh) | 基于多模态融合的道路裂缝检测方法和*** | |
Barkataki et al. | Classification of soil types from GPR B scans using deep learning techniques | |
CN113866102A (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN107300562B (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
Ahmadvand et al. | 1D-CNNs for autonomous defect detection in bridge decks using ground penetrating radar | |
Cromwell et al. | Lidar cloud detection with fully convolutional networks | |
CN107727749A (zh) | 一种基于小波包融合特征提取算法的超声定量检测方法 | |
CN102445712B (zh) | 面向岩矿的特征窗口加权相关光谱匹配方法 | |
CN114355462A (zh) | 一种基于微多普勒特征的人体隐藏危险物检测方法及介质 | |
Syambas | An approach for predicting the shape and size of a buried basic object on surface ground penetrating radar system | |
CN113887454A (zh) | 基于卷积神经网络点源识别的非接触激光超声检测方法 | |
CN116205817A (zh) | 数据内容复杂度针对性检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160406 |
|
RJ01 | Rejection of invention patent application after publication |