CN109344799B - 物品识别方法、装置及设备、存储介质、电子装置 - Google Patents
物品识别方法、装置及设备、存储介质、电子装置 Download PDFInfo
- Publication number
- CN109344799B CN109344799B CN201811246481.9A CN201811246481A CN109344799B CN 109344799 B CN109344799 B CN 109344799B CN 201811246481 A CN201811246481 A CN 201811246481A CN 109344799 B CN109344799 B CN 109344799B
- Authority
- CN
- China
- Prior art keywords
- detection
- article
- image
- pass
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
- G07C3/143—Finished product quality control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种物品识别方法、装置及设备、存储介质、电子装置,所述方法包括:识别流水线上未通过检测的物品,其中,当所述未通过检测的物品为所述流水线上的待检测产品时,发出报警提示,当所述未通过检测的物品不是所述流水线上的待检测产品时,不发出报警提示。解决了现有技术中由于流水线上的检测无法分辨不合格产品和干扰物,造成流水线异常报警的问题,大大节省了人员精力和时间成本,提高了生产效率。
Description
技术领域
本发明涉及智能设备技术领域,具体而言,涉及一种物品识别方法、装置及设备、存储介质、电子装置。
背景技术
在带有流水线体的视觉检测项目中,流水线运载的物体除了待检设备外,还有部分返修设备、工装箱等干扰物。在检测过程中,视觉检测仪器只检测物体是否符合某种特征要求,并发出OK和NG信号;由于无法区分物体种类,因此当返修设备、工装箱等干扰物流视觉检测仪器时,往往会导致报警并停线的现象,会造成人员精力的浪费,增加不必要的时间成本,降低生产效率。
针对相关技术中,由于流水线上的检测无法分辨不合格产品和干扰物,造成流水线异常报警的问题,尚未有合理的解决方案。
发明内容
本发明实施例提供了一种物品识别方法、装置及设备、存储介质、电子装置,以至少解决相关技术中由于流水线上的检测无法分辨不合格产品和干扰物,造成流水线异常报警的问题。
根据本发明的一个实施例,提供了一种物品识别方法,包括:识别流水线上未通过检测的物品,其中,当所述未通过检测的物品为所述流水线上的待检测产品时,发出报警提示,当所述未通过检测的物品不是所述流水线上的待检测产品时,不发出报警提示。
优选地,识别流水线上未通过检测的物品之前,所述方法还包括:对所述流水线上的物品进行特征检测;当所述物品未通过所述特征检测时,采集所述未通过检测的物品的图像。
优选地,识别流水线上未通过检测的物品包括:利用样本训练模型识别所述未通过检测的物品的图像,其中,所述样本训练模型中包括训练集,所述训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合。
优选地,利用样本训练模型识别所述未通过检测的物品的图像包括:当识别出所述未通过检测的物品为不合格的待检测产品时,发出报警提示;当识别出所述未通过检测的物品为干扰物时,不发出报警提示。
优选地,当识别出所述未通过检测的物品为不合格的待检测产品,发出报警提示后,所述方法还包括:输出检测信息,停止所述流水线的运转。
优选地,利用样本训练模型识别所述未通过检测的物品的图像之后,所述方法还包括:将所述未通过检测的物品的图像存入所述样本训练模型中进行训练。
优选地,将所述未通过检测的物品的图像存入所述样本训练模型中进行训练包括:将所述未通过检测的物品的图像按照识别后的类别存入所述训练集中;将存入所述训练集的所述图像转化为灰度图像,并用边缘检测算子进行边缘检测处理,提取出图像的纹理特征;将原始的RGB彩色图像转化为HSV三通道的颜色模型,提取其中的色调、饱和度、明度的信息,并提取出相似颜色值的连通区域信息;提取所述图像的彩色直方图的特征信息;将提取出来的所有的特征信息放入所述样本训练模型中进行训练。
根据本发明的另一实施例,还提供了一种物品识别装置,包括:识别模块,用于识别流水线上未通过检测的物品;报警模块,当所述未通过检测的物品为所述流水线上的待检测产品时,发出报警提示,当所述未通过检测的物品不是所述流水线上的待检测产品时,不发出报警提示。
根据本发明的另一实施例,还提供了一种物品识别设备,包括:识别器件,用于识别流水线上未通过检测的物品;报警器件,当所述未通过检测的物品为所述流水线上的待检测产品时,发出报警提示,当所述未通过检测的物品不是所述流水线上的待检测产品时,不发出报警提示。
优选地,所述设备还包括:检测器件,用于对所述流水线上的物品进行特征检测;图像采集器件,用于当所述物品未通过所述特征检测时,采集所述未通过检测的物品的图像。
优选地,所述识别器件还用于:利用样本训练模型识别所述未通过检测的物品的图像,其中,所述样本训练模型中包括训练集,所述训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合。
优选地,所述设备还包括:训练器件,用于将所述未通过检测的物品的图像存入所述样本训练模型中进行训练。
优选地,所述训练器件还用于:将所述未通过检测的物品的图像按照识别后的类别存入所述训练集中;将存入所述训练集的所述图像转化为灰度图像,并用边缘检测算子进行边缘检测处理,提取出图像的纹理特征;将原始的RGB彩色图像转化为HSV三通道的颜色模型,提取其中的色调、饱和度、明度的信息,并提取出相似颜色值的连通区域信息;提取所述图像的彩色直方图的特征信息;将提取出来的所有的特征信息放入所述样本训练模型中进行训练。
根据本发明的另一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的另一个实施例,还提供了一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明实施例,对流水线上未通过检测的物品进行进一步的识别,当未通过检测的物品为流水线上的待检测产品时,发出报警提示,当未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。解决了现有技术中由于流水线上的检测无法分辨不合格产品和干扰物,造成流水线异常报警的问题,大大节省了人员精力和时间成本,提高了生产效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种物品识别方法的移动终端的硬件结构框图;
图2是根据本发明实施例中物品识别方法的流程图;
图3是本发明实施例的物品识别方法的又一流程图;
图4是根据本发明实施例的物品识别装置的结构框图;
图5是根据本发明实施例的物品识别设备的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种物品识别方法的移动终端的硬件结构框图。如图1所示,移动终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的数据信息的获取方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
本发明实施例提供了一种物品识别方法。图2是根据本发明实施例中物品识别方法的流程图,如图2所示,该方法包括:
步骤S201,识别流水线上未通过检测的物品,其中,当未通过检测的物品为流水线上的待检测产品时,发出报警提示,当未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。
通过上述方法,识别流水线上未通过检测的物品,其中,当未通过检测的物品为流水线上的待检测产品时,发出报警提示,当未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。解决了现有技术中由于流水线上的检测无法分辨不合格产品和干扰物,造成流水线异常报警的问题,大大节省了人员精力和时间成本,提高了生产效率。
根据本发明实施例的一个优选实施方式,上述步骤S201之前,所述方法还包括:对流水线上的物品进行特征检测;当物品未通过所述特征检测时,采集未通过检测的物品的图像。
根据本发明实施例的一个优选实施方式,上述步骤S201可以通过以下步骤实现:利用样本训练模型识别未通过检测的物品的图像,其中,样本训练模型中包括训练集,训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合。
根据本发明实施例的一个优选实施方式,利用样本训练模型识别未通过检测的物品的图像,可以通过以下步骤实现:当识别出未通过检测的物品为不合格的待检测产品时,发出报警提示,其中,发出报警提示后,还可以输出检测信息,停止流水线的运转;当识别出未通过检测的物品为干扰物时,不发出报警提示,不报警就不用停止流水线的运转,流水线可以继续正常运转。
根据本发明实施例的一个优选实施方式,利用样本训练模型识别所述未通过检测的物品的图像之后,所述方法还包括:将未通过检测的物品的图像存入样本训练模型中进行训练。
根据本发明实施例的一个优选实施方式,上述训练方法可以通过以下步骤实现:
1)将未通过检测的物品的图像按照识别后的类别存入训练集中;
2)将存入训练集的图像转化为灰度图像,并用边缘检测算子进行边缘检测处理,提取出图像的纹理特征(本发明实施例中提到的边缘检测算子可以是Sobel边缘检测算子,也可以是Canny边缘检测算子);
3)将原始的RGB彩色图像转化为HSV三通道的颜色模型,提取其中的色调、饱和度、明度的信息,并提取出相似颜色值的连通区域信息;
4)提取图像的彩色直方图的特征信息;
5)将上述步骤2)至4)中提取出来的所有的特征信息放入样本训练模型中进行训练。
为了更好地理解本发明实施例中的技术方案,下面结合图3对本发明实施例中物品识别方法的具体步骤进行具体说明。图3是本发明实施例的物品识别方法的又一流程图。如图3所示,所述方法包括以下步骤:
1、物体流到视觉检测仪器的位置,实时动态地进行产品特征检测。
2、特征检测通过的物体,标记为检测OK;特征检测不通过的物体,需要进行物体种类区分的操作。
3、如果经过识别并区分出是正常的检测设备,那么该设备就是不合格的产品,标记为检测NG;如果识别区分出是其他种类的物体(即干扰物),那么该物体不是待检测的设备,不需要报警提示。
4、输出检测信息。如果是检测NG的产品,那么将进行报警停线操作。
本发明实施例中提供的技术方案,通过机器学习的监督学习方式,对图像的纹理、颜色、彩色直方图等特征信息进行训练,将得到的模型用在NG(未通过检测)图片的分类中,区分出哪些是待检测产品的NG图片,哪些是干扰物的图片,从而区分出物体是待检测产品还是干扰物。不影响待检测产品的正常检测,区分并剔除非检测产品,减少检测仪器的报警现象发生,避免流水线经常停线。
实施例2
在本实施例中还提供了一种物品识别装置,用于执行上述任一方法实施例中的步骤,已经描述过的内容此处不再赘述。图4是根据本发明实施例的物品识别装置的结构框图,如图4所示,该装置包括:识别模块40,用于识别流水线上未通过检测的物品;报警模块42,当未通过检测的物品为流水线上的待检测产品时,发出报警提示,当未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。
通过上述装置,识别模块40识别流水线上未通过检测的物品;报警模块42在未通过检测的物品为流水线上的待检测产品时,发出报警提示,在未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。解决了现有技术中由于流水线上的检测无法分辨不合格产品和干扰物,造成流水线异常报警的问题,大大节省了人员精力和时间成本,提高了生产效率。
该装置中用于实现上述任一项方法实施例中的步骤,若有必要,可以包含各种功能模块,以上述方法实施例。
在本实施例中还提供了一种物品识别设备,用于执行上述任一方法实施例中的步骤,已经描述过的内容此处不再赘述。图5是根据本发明实施例的物品识别设备的结构框图,如图5所示,该设备包括:识别器件50,用于识别流水线上未通过检测的物品;报警器件52,当未通过检测的物品为流水线上的待检测产品时,发出报警提示,当未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。
根据本发明实施例的一个优选实施方式,上述设备还包括:检测器件,用于对流水线上的物品进行特征检测;图像采集器件,用于当物品未通过特征检测时,采集未通过检测的物品的图像。
根据本发明实施例的一个优选实施方式,所述识别器件还用于:利用样本训练模型识别未通过检测的物品的图像,其中,样本训练模型中包括训练集,训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合。
根据本发明实施例的一个优选实施方式,所述设备还包括:训练器件,用于将未通过检测的物品的图像存入样本训练模型中进行训练。
根据本发明实施例的一个优选实施方式,训练器件还用于:将未通过检测的物品的图像按照识别后的类别存入训练集中;将存入训练集的图像转化为灰度图像,并用边缘检测算子进行边缘检测处理,提取出图像的纹理特征;将原始的RGB彩色图像转化为HSV三通道的颜色模型,提取其中的色调、饱和度、明度的信息,并提取出相似颜色值的连通区域信息;提取所述图像的彩色直方图的特征信息;将提取出来的所有的特征信息放入样本训练模型中进行训练。
本发明实施例中提供的技术方案,通过机器学习的监督学习方式,对图像的纹理、颜色、彩色直方图等特征信息进行训练,将得到的模型用在NG(未通过检测)图片的分类中,区分出哪些是待检测产品的NG图片,哪些是干扰物的图片,从而区分出物体是待检测产品还是干扰物。不影响待检测产品的正常检测,区分并剔除非检测产品,减少检测仪器的报警现象发生,避免流水线经常停线。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,识别流水线上未通过检测的物品,其中,当未通过检测的物品为流水线上的待检测产品时,发出报警提示,当未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:
对流水线上的物品进行特征检测;当物品未通过所述特征检测时,采集未通过检测的物品的图像。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:
利用样本训练模型识别未通过检测的物品的图像,其中,样本训练模型中包括训练集,训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:
将未通过检测的物品的图像存入样本训练模型中进行训练。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,识别流水线上未通过检测的物品,其中,当未通过检测的物品为流水线上的待检测产品时,发出报警提示,当未通过检测的物品不是流水线上的待检测产品时,不发出报警提示。
可选地,处理器还被设置为存储用于执行以下步骤的计算机程序:
对流水线上的物品进行特征检测;当物品未通过所述特征检测时,采集未通过检测的物品的图像。
可选地,处理器还被设置为存储用于执行以下步骤的计算机程序:
利用样本训练模型识别未通过检测的物品的图像,其中,样本训练模型中包括训练集,训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合。
可选地,处理器还被设置为存储用于执行以下步骤的计算机程序:
将未通过检测的物品的图像存入样本训练模型中进行训练。
本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种物品识别方法,其特征在于,包括:
识别流水线上未通过检测的物品,其中,当所述未通过检测的物品为所述流水线上的待检测产品时,发出报警提示,当所述未通过检测的物品不是所述流水线上的待检测产品时,不发出报警提示,
识别流水线上未通过检测的物品之前,所述方法还包括:
对所述流水线上的物品进行特征检测;
当所述物品未通过所述特征检测时,采集所述未通过检测的物品的图像,
识别流水线上未通过检测的物品包括:
利用样本训练模型识别所述未通过检测的物品的图像,其中,所述样本训练模型中包括训练集,所述训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合,
利用样本训练模型识别所述未通过检测的物品的图像之后,所述方法还包括:
将所述未通过检测的物品的图像存入所述样本训练模型中进行训练,
将所述未通过检测的物品的图像存入所述样本训练模型中进行训练包括:
将所述未通过检测的物品的图像按照识别后的类别存入所述训练集中;
将存入所述训练集的所述图像转化为灰度图像,并用边缘检测算子进行边缘检测处理,提取出图像的纹理特征;
将原始的RGB彩色图像转化为HSV三通道的颜色模型,提取其中的色调、饱和度、明度的信息,并提取出相似颜色值的连通区域信息;
提取所述图像的彩色直方图的特征信息;
将提取出来的所有的特征信息放入所述样本训练模型中进行训练。
2.根据权利要求1所述的方法,其特征在于,利用样本训练模型识别所述未通过检测的物品的图像包括:
当识别出所述未通过检测的物品为不合格的待检测产品时,发出报警提示;
当识别出所述未通过检测的物品为干扰物时,不发出报警提示。
3.根据权利要求2所 述的方法,其特征在于,当识别出所述未通过检测的物品为不合格的待检测产品,发出报警提示后,所述方法还包括:
输出检测信息,停止所述流水线的运转。
4.一种物品识别装置,其特征在于,包括:
识别模块,用于识别流水线上未通过检测的物品;
报警模块,当所述未通过检测的物品为所述流水线上的待检测产品时,发出报警提示,当所述未通过检测的物品不是所述流水线上的待检测产品时,不发出报警提示,
所述装置还用于识别流水线上未通过检测的物品之前,对所述流水线上的物品进行特征检测;当所述物品未通过所述特征检测时,采集所述未通过检测的物品的图像,
所述识别模块还用于利用样本训练模型识别所述未通过检测的物品的图像,其中,所述样本训练模型中包括训练集,所述训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合,
所述装置还用于利用样本训练模型识别所述未通过检测的物品的图像之后,将所述未通过检测的物品的图像存入所述样本训练模型中进行训练,
所述装置还用于将所述未通过检测的物品的图像按照识别后的类别存入所述训练集中;将存入所述训练集的所述图像转化为灰度图像,并用边缘检测算子进行边缘检测处理,提取出图像的纹理特征;将原始的RGB彩色图像转化为HSV三通道的颜色模型,提取其中的色调、饱和度、明度的信息,并提取出相似颜色值的连通区域信息;提取所述图像的彩色直方图的特征信息;将提取出来的所有的特征信息放入所述样本训练模型中进行训练。
5.一种物品识别设备,其特征在于,包括:
识别器件,用于识别流水线上未通过检测的物品;
报警器件,当所述未通过检测的物品为所述流水线上的待检测产品时,发出报警提示,当所述未通过检测的物品不是所述流水线上的待检测产品时,不发出报警提示,
所述设备还包括:
检测器件,用于对所述流水线上的物品进行特征检测;
图像采集器件,用于当所述物品未通过所述特征检测时,采集所述未通过检测的物品的图像,
所述识别器件还用于:
利用样本训练模型识别所述未通过检测的物品的图像,其中,所述样本训练模型中包括训练集,所述训练集中包括不合格的待检测产品的图像集合以及干扰物的图像集合,
所述设备还包括:
训练器件,用于将所述未通过检测的物品的图像存入所述样本训练模型中进行训练,
所述训练器件还用于:
将所述未通过检测的物品的图像按照识别后的类别存入所述训练集中;
将存入所述训练集的所述图像转化为灰度图像,并用边缘检测算子进行边缘检测处理,提取出图像的纹理特征;
将原始的RGB彩色图像转化为HSV三通道的颜色模型,提取其中的色调、饱和度、明度的信息,并提取出相似颜色值的连通区域信息;
提取所述图像的彩色直方图的特征信息;
将提取出来的所有的特征信息放入所述样本训练模型中进行训练。
6.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至3任一项中所述的方法。
7.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至3任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811246481.9A CN109344799B (zh) | 2018-10-24 | 2018-10-24 | 物品识别方法、装置及设备、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811246481.9A CN109344799B (zh) | 2018-10-24 | 2018-10-24 | 物品识别方法、装置及设备、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344799A CN109344799A (zh) | 2019-02-15 |
CN109344799B true CN109344799B (zh) | 2022-02-25 |
Family
ID=65311669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811246481.9A Active CN109344799B (zh) | 2018-10-24 | 2018-10-24 | 物品识别方法、装置及设备、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344799B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156529A (zh) * | 2021-05-07 | 2021-07-23 | 广东电网有限责任公司计量中心 | 计量检定流水线的启停控制方法、***、终端和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608475A (zh) * | 2016-02-15 | 2016-05-25 | 西安科技大学 | 带式输送机关键部件红外监测预警*** |
US9483820B2 (en) * | 2014-05-20 | 2016-11-01 | General Electric Company | Method and system for detecting a damaged component of a machine |
CN106651831A (zh) * | 2016-09-30 | 2017-05-10 | 广西师范大学 | 一种竹块缺陷检测方法和*** |
CN106903072A (zh) * | 2017-03-21 | 2017-06-30 | 湖南师范大学 | 缺陷检测方法 |
CN108229370A (zh) * | 2017-12-29 | 2018-06-29 | 广州市穗佳物流有限公司 | 一种基于货物图像识别技术的仓库货物智能识别*** |
CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
-
2018
- 2018-10-24 CN CN201811246481.9A patent/CN109344799B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483820B2 (en) * | 2014-05-20 | 2016-11-01 | General Electric Company | Method and system for detecting a damaged component of a machine |
CN105608475A (zh) * | 2016-02-15 | 2016-05-25 | 西安科技大学 | 带式输送机关键部件红外监测预警*** |
CN106651831A (zh) * | 2016-09-30 | 2017-05-10 | 广西师范大学 | 一种竹块缺陷检测方法和*** |
CN106903072A (zh) * | 2017-03-21 | 2017-06-30 | 湖南师范大学 | 缺陷检测方法 |
CN108229370A (zh) * | 2017-12-29 | 2018-06-29 | 广州市穗佳物流有限公司 | 一种基于货物图像识别技术的仓库货物智能识别*** |
CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109344799A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087104A1 (en) | Method for monitoring manufacture of assembly units | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 | |
CA2976771C (en) | Barcode tag detection in side view sample tube images for laboratory automation | |
CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
CN101960484A (zh) | 用于装配检查的***和方法 | |
CN111797725A (zh) | 一种设备状态检测方法、装置及*** | |
CN111063144A (zh) | 异常行为的监控方法、装置、设备及计算机可读存储介质 | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN116718600B (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
CN113888480A (zh) | 一种基于mes的质量追溯方法和*** | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
CN109344799B (zh) | 物品识别方法、装置及设备、存储介质、电子装置 | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
CN113469137A (zh) | 异常行为的识别方法、装置、存储介质及电子装置 | |
CN103984967B (zh) | 一种应用于商品标签检测的自动检测***及自动检测方法 | |
CN110751055B (zh) | 一种智能制造*** | |
CN111340885A (zh) | 包裹追踪方法和装置及存储介质 | |
CN113255766B (zh) | 一种图像分类方法、装置、设备和存储介质 | |
CN111160330B (zh) | 电子标签识别辅助提升图像识别准确度的训练方法 | |
US20220156543A1 (en) | Management method of test fixtures applied to test procedure | |
CN110765846B (zh) | 抓拍机推图测试方法及装置 | |
EP4165592A1 (en) | System and method for tracing components of electronic assembly | |
CN112735103A (zh) | 一种告警关联识别方法、装置及设备 | |
CN113128262A (zh) | 一种目标的识别方法及装置、存储介质及电子装置 |
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 |