CN110163090B - 一种基于多特征和尺度估计的pcb板标识跟踪方法 - Google Patents
一种基于多特征和尺度估计的pcb板标识跟踪方法 Download PDFInfo
- Publication number
- CN110163090B CN110163090B CN201910288751.0A CN201910288751A CN110163090B CN 110163090 B CN110163090 B CN 110163090B CN 201910288751 A CN201910288751 A CN 201910288751A CN 110163090 B CN110163090 B CN 110163090B
- Authority
- CN
- China
- Prior art keywords
- scale
- pcb
- feature
- sample
- features
- 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
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多特征和尺度估计的PCB板标识跟踪方法,包括以下步骤:采集传送带上PCB板的图像;利用循环矩阵构造样本,利用图像增强原理对样本的灰度特征进行灰度增强,提取HOG特征和CN特征,根据两特征来训练分类器;通过分类器计算下一帧中待检测样本的响应值,响应值最大的位置则为目标位置;由于尺度变化是影响跟踪准确性及鲁棒性的主要因素,对此,将基于目标尺度设计一个尺度滤波器,进行尺度估计;基于当前帧,更新分类器及尺度估计模型。本发明基于目标跟踪,结合多特征和尺度自适应原则,对多尺度目标进行跟踪,既提高了工业生产中插装异构电子元器件的效率,又提升了目标跟踪的鲁棒性。
Description
技术领域:
本发明是一种基于多特征和尺度估计的PCB板标识跟踪方法,采集传送带上PCB板的图像;利用循环矩阵构造样本;利用图像增强原理对样本的灰度特征进行灰度增强,提取HOG特征和CN特征来训练分类器;通过分类器检测下一帧中待检测样本中PCB板标识位置;同时基于PCB板标识尺度设计一个滤波器,进行尺度估计;基于当前帧,将重新训练和更新分类器及尺度估计模型。本发明可跟踪不同尺度和颜色的PCB板标识,完成插装异构电子元器件。
背景技术:
在当今电器设备的加工制造过程中,PCB板上电子元器件的插装是电器设备生产的重要步骤。这种电子元器件插装适合大范围大批量持续进行的加工,其中表面贴装和常规电子元器件插装都已实现自动化,而异构电子元器件的插装生产基本上都是劳动密集的人工作业流水线。人工插装存在着插装效率低、人员成本高、插装质量难以保证、管理强度大等问题。随着电子行业的迅速发展,对PCB板插件装配的速度和质量提出了更高的要求,异构电子元器件作为电子产品加工生产中不可缺少的一部分,产量和质量的要求也逐年递增。而由于人工成本的增加以及劳动强度大的影响,很多电子工厂出现了招工难的现象,异构电子元器件插装生产已经成为制约电子行业发展的影响因素。该方法利用视觉图像处理,对传送带上电路板上的标识进行目标跟踪,并插装异构电子元器件。故通过视觉***实现异构电子元器件的插装,对提高生产质量和效率具有广泛的现实意义。
发明内容:
基于上述背景技术的不足,本发明提出了一种基于多特征和尺度估计的PCB板标识跟踪方法。使用循环矩阵构造样本,提取HOG特征和CN特征,将两个特征融合,根据融合特征来训练分类器,通过分类器计算下一帧中待检测样本的响应值,响应值最大的位置则为PCB板标识位置,基于PCB板标识尺度设计一个滤波器,进行尺度估计,完成更新位置和尺度估计后,将重新训练和更新分类器及尺度估计模型。本发明可跟踪不同尺度和颜色的PCB板标识,完成插装异构电子元器件。
本发明的技术方案是:本发明是采集传送带上PCB板图像,并对图像进行图像处理,利用目标跟踪算法,实时跟踪PCB板标识,并插装异构电子元器件。一种基于多特征和尺度估计的PCB板标识跟踪方法,执行步骤如下:S1,初始化、S2,构造分类器、S3,更新目标位置、S4,尺度估计、S5,更新分类器和尺度估计模型。具体包括以下步骤:
初始化:读入第一帧中传送带上PCB板图像,同时获取PCB板标识位置;
构造分类器:利用循环矩阵构造PCB板标识样本,循环矩阵有利于加快计算机对图像处理的速度,提高跟踪的效率,对PCB板标识训练样本加汉宁窗,提取训练样本的灰度特征图,因为HOG特征取自灰度特征图,在灰度图的基础上,设置阈值,对灰度图进行图像增强效果,提取HOG特征和CN特征,融合后的特征定义为x=[x1,x2,...,xc](c为特征维度),训练样本特征进行傅里叶变换,训练样本核空间矩阵傅里叶变换,通过傅里叶反变换求出权重系数α来构造的分类器函数f(z)(z为样本),使用HOG特征和CN特征来描述PCB板标识的特征,能够在检测样本的时候更好地识别出PCB板标识的区域;
更新目标位置:在下一帧中,对检测样本加汉宁窗后,提取待检测PCB板标识样本z的HOG特征和CN特征,对两个特征进行傅里叶变换,检测样本核空间矩阵傅里叶变化,通过(/>为权重系数,/>为高斯核函数),对其做傅里叶反变换来计算它们的响应值f(z),并计算两特征的权重,通过加权方式并确定最终位置,采用位置加权的方式能够使得算法更加地接近PCB板标识的区域;
尺度估计:设计一个相关滤波器,建立PCB板标识尺度池,设PCB板标识为T,同样以si*T提取i个样本(si为尺度样本),并将这些样本变换为固定尺寸,然后代入尺度滤波器计算其响应,PCB板标识的尺度为其对应的输出响应最大,实现尺度估计;
更新分类器和尺度估计模型:得到PCB板标识的位置后,将更新分类器和尺度估计模型,然后再对下一帧进行检测。
进一步,所述初始化是采集传送带上PCB板图像,使用用matlab读入图像,并获取PCB板标识的位置。
7.进一步,所述构造分类器是利用循环矩阵把图像中的PCB板标识向上、向下分别移动不同的像素得到新的样本图像为I,大小为1280*720像素;首先对图像I加汉宁窗,得到图像I2(214*74像素)。提取训练样本的灰度特征图,因为HOG特征取自灰度特征图,在灰度图的基础上,设置阈值,对灰度图进行图像增强效果,紧接着提取HOG特征和CN特征,将特征融合,定义x=[x1,x2,...,xc](c为特征维度),训练样本特征进行傅里叶变换,训练样本核空间矩阵傅里叶变换为λ为正则化参数,对回归值y傅里叶变换/>通过/>计算/>对进行傅里叶反变换求出权重系数α,则构造的分类器函数为/>其中f(z)为响应值,z为训练样本,w为权重,k(z,xi)为核函数,xi代表特征向量,α为权重系数。
进一步,所述更新PCB板标识位置是在下一帧中,对检测样本加汉宁窗后,提取待检测样本z的HOG特征和CN特征,并进行傅里叶变换,检测样本核空间矩阵傅里叶变化,通过(/>为权重系数,/>为高斯核函数),对其做傅里叶反变换来计算HOG特征的响应值f(zh)和CN特征的响应值f(zc),其中,zh为待检测HOG特征样本,zc为待检测CN特征样本,计算权重/>并确定最终位置p最终位置=θ*pc+(1-θ)*ph(ph为HOG特征的位置,pc为CN特征的位置)。
进一步,所述尺度估计是为尺度估计单独设计一个相关滤波器,在获得PCB板标识位置后,建立PCB板标识尺度池,设PCB板标识为T,同样以si*T提取i个样本,并将这些样本变换为固定尺寸,然后代入尺度滤波器计算其响应,PCB板标识的尺度为其对应的输出响应最大,获得最大响应时的尺度系数:为检测样本的响应值,F-1为傅里叶逆变换)。
进一步,所述更新分类器的分类器更新系数为:更新目标模板为:/>n为图像序列号,第n帧的参数αn为第n-1帧的参数αn-1与当前帧训练得到的参数/>的线性加权,β为更新系数;所述更新尺度估计模型的带宽更新参数为:σw=σw'*s和σh=σh'*s,σw'为上一帧的尺度宽度系数,σh'为上一帧的尺度高度系数,σw为本帧的尺度宽度系数,σh为本帧的尺度高度系数,s为尺度变化因子。
与现有技术相比,本发明的有益效果是:本发明以视觉图像处理为基础,结合目标跟踪算法,对传送带上PCB板进行图像处理,跟踪PCB板标识,实现插装异构电子元器件,在目标跟踪算法中,利用循环矩阵建立样本以及建立尺度滤波器,既提升了算法的速度,又提高了在目标跟踪算不随尺度变化的鲁棒性,从而可以更准确跟踪电路板所需要插装异构电子元器件的位置。
附图说明:
图1为本发明一实施方式的目标跟踪算法的流程图;
图2为本发明一实施方式的基于尺度池的训练样本构造图;
图3为本发明一实施方式的目标跟踪过程图;
图4为本发明一实施方式的实物图,图中1是机械手,2是相机,3是气缸,4是气爪,5是PCB板,6是实验平台,7是传送带。
具体实施方式:
如图1所示,本发明是一种基于多特征和尺度估计的PCB板标识跟踪方法,采集传送带上PCB板的图像;利用循环矩阵构造样本;提取HOG特征和CN特征来训练分类器;通过分类器检测下一帧中待检测样本中目标位置;同时基于目标尺度设计一个滤波器,进行尺度估计;基于当前帧,将重新训练和更新分类器及尺度估计模型。本发明可跟踪不同尺度和颜色的PCB板标识,完成插装异构电子元器件。
S1,初始化是指采集传送带的PCB板图像,利用matlab软件读入该图像,并读入PCB板标识初始位置。
S2,构造分类器包括(1)循环采样:把图像中的PCB板标识向上、向下分别移动不同的像素得到新的样本图像为I,大小为M*N,循环矩阵有利于加快计算机对图像处理的速度,提高跟踪的效率;首先对图像I加汉宁窗,得到图像I2,提取训练样本的灰度特征图,因为HOG特征取自灰度特征图,在灰度图的基础上,设置阈值,对灰度图进行图像增强效果。(2)提取HOG特征:将增强后的灰度图进行归一化;计算图像梯度计算图像横坐标和纵坐标方向的梯度,并据此计算每个像素位置的梯度方向值;求导操作不仅能够捕获轮廓和一些纹理信息,还能进一步弱化光照的影响;为每个细胞单元构建梯度方向直方图,把细胞单元组合成大的块,块内归一化梯度直方图;最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集得到HOG特征,维度M/4*N/4*31。(3)提取CN特征:通过该映射表直接将RGB特征转化为CN特征类来提取I2的CN特征,维度M*N*11;对CN特征进行变换,维度M/4*N/4*11。(4)特征融合:使用HOG特征和CN特征来描述PCB板标识的特征,能够在检测样本的时候更好地识别出PCB板标识的区域,直接将CN、HOG特征直接拼接在一起得到M/4*N/4*42维的融合特征。(5)训练分类器:训练样本特征进行傅里叶变换,训练样本核空间矩阵傅里叶变换为(/>高斯核函数),λ为正则化参数,对回归值y傅里叶变换/>通过/>计算/>对/>进行傅里叶反变换求出权重系数α,则构造的分类器函数为/>
S3,更新目标位置:并计算HOG特征和CN特征的响应值f(zh)和f(zc),并计算两特征的权重并确定最终位置p最终位置=θ*pc+(1-θ)*ph(ph为HOG特征的位置,pc为CN特征的位置),采用位置加权的方式能够使得算法更加地接近PCB板标识的区域(如图3所示)。
S4,尺度估计:如图4所示,在PCB板标识跟踪过程中,PCB板标识样本会发生尺度变化,所以为尺度估计单独设计一个相关滤波器,在获得PCB板标识位置后,建立PCB板标识尺度池(如图2所示),设PCB板标识为T,同样以si*T提取i个样本,并将这些样本变换为固定尺寸,然后代入尺度滤波器计算其响应,PCB板标识的尺度为其对应的输出响应最大,获得最大响应时的尺度系数:为检测样本的响应值,F-1为傅里叶逆变换)。
S5,更新分类器和尺度估计模型:位置得到更新后,将重新训练和更新分类器,然后再对下一帧进行检测,整个跟踪是一个迭代更新的过程。PCB板标识在跟踪过程中的外观模型是变化的,同时,PCB板标识的历史信息也极为重要,所以算法通过对参数和模板进行实时更新来增强算法的稳定性。分类器更新系数为:更新目标模板为:/>n为图像序列号,第n帧的参数αn为第n-1帧的参数αn-1与当前帧训练得到的参数/>的线性加权,β为更新系数;所述更新尺度估计模型的带宽更新参数为:σw=σw'*s和σh=σh'*s,σw=σw'*s和σh=σh'*s,σw'为上一帧的尺度宽度系数,σh'为上一帧的尺度高度系数,σw为本帧的尺度宽度系数,σh为本帧的尺度高度系数,s为尺度变化因子。
本发明可在复杂环境下跟踪具有不同颜色和尺度的PCB板标识。
所有实验均在PC计算机上实现。计算机的参数为:中央处理器CoreTMi7,内存4GB,处理速度为4帧/秒;环境配置:Windows10操作***下的matlab。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于多特征和尺度估计的PCB板标识跟踪方法,其特征在于,包括以下步骤:
初始化:读入第一帧中传送带上PCB板图像,同时获取PCB板标识位置;
构造分类器:利用循环矩阵构造PCB板标识样本,对PCB板标识训练样本加汉宁窗,提取训练样本的灰度特征图,因为HOG特征取自灰度特征图,在灰度图的基础上,设置阈值,对灰度图进行图像增强效果,提取HOG特征和CN特征,融合后的特征定义为x=[x1,x2,...,xc],c为特征维度,训练样本特征进行傅里叶变换,训练样本核空间矩阵进行傅里叶变换,通过傅里叶反变换求出权重系数α来构造的分类器函数f(z),z为样本;
更新PCB板标识位置:在下一帧中,对检测样本加汉宁窗后,提取待检测PCB板标识样本z的HOG特征和CN特征,对两个特征进行傅里叶变换,检测样本核空间矩阵傅里叶变化,通过其中/>为权重系数,/>为高斯核函数,对其做傅里叶反变换来计算它们的响应值f(z),并计算两特征的权重,通过加权方式并确定最终位置;
尺度估计:设计一个相关滤波器,建立PCB板标识尺度池,设PCB板标识为T,同样以si*T提取i个样本,si为尺度样本,并将这些样本变换为固定尺寸,然后代入尺度滤波器计算其响应,PCB板标识的尺度为其对应的输出响应最大,实现尺度估计;
更新分类器和尺度估计模型:得到PCB板标识的位置后,将更新分类器和尺度估计模型,然后再对下一帧进行检测;
所述构造分类器是利用循环矩阵把图像中的PCB板标识向上、向下分别移动不同的像素得到新的样本图像为I,大小为1280*720像素;首先对图像I加汉宁窗,得到图像I2,大小为214*74像素,提取训练样本的灰度特征图,紧接着提取HOG特征和CN特征,将特征融合,定义x=[x1,x2,...,xc],c为特征维度,训练样本特征进行傅里叶变换,训练样本核空间矩阵进行傅里叶变换为λ为正则化参数,对回归值y傅里叶变换/>通过/>计算/>对/>进行傅里叶反变换求出权重系数α,则构造的分类器函数/>其中f(z)为响应值,z为训练样本,w为权重,k(z,xi)为核函数,xi代表特征向量,α为权重系数。
2.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法,其特征在于,所述初始化是采集传送带上PCB板图像,使用matlab读入图像,并获取PCB板标识的位置。
3.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法,其特征在于,更新PCB板标识位置中,对检测样本加汉宁窗后,提取待检测样本z的HOG特征和CN特征,并进行傅里叶变换,检测样本核空间矩阵傅里叶变化,通过 为权重系数,/>为高斯核函数,对其做傅里叶反变换来计算HOG特征的响应值f(zh)和CN特征的响应值f(zc),其中,zh为待检测HOG特征样本,zc为待检测CN特征样本,计算权重/>并确定最终位置p最终位置=θ*pc+(1-θ)*ph,ph为HOG特征的位置,pc为CN特征的位置。
4.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法,其特征在于,尺度估计过程中,PCB板标识的尺度为其对应的输出响应最大,获得最大响应时的尺度系数为: 为检测样本的响应值,F-1为傅里叶逆变换。
5.根据权利要求1所述的一种基于多特征和尺度估计的PCB板标识跟踪方法,其特征在于,更新分类器中,分类器更新系数为:更新目标模板为:n为图像序列号,第n帧的参数αn为第n-1帧的参数αn-1与当前帧训练得到的参数/>的线性加权,β为更新系数;更新尺度估计模型的带宽更新参数为:σw=σw'*s和σh=σh'*s,σw'为上一帧的尺度宽度系数,σh'为上一帧的尺度高度系数,σw为本帧的尺度宽度系数,σh为本帧的尺度高度系数,s为尺度变化因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288751.0A CN110163090B (zh) | 2019-04-11 | 2019-04-11 | 一种基于多特征和尺度估计的pcb板标识跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910288751.0A CN110163090B (zh) | 2019-04-11 | 2019-04-11 | 一种基于多特征和尺度估计的pcb板标识跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163090A CN110163090A (zh) | 2019-08-23 |
CN110163090B true CN110163090B (zh) | 2023-08-22 |
Family
ID=67639330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910288751.0A Active CN110163090B (zh) | 2019-04-11 | 2019-04-11 | 一种基于多特征和尺度估计的pcb板标识跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163090B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7111088B2 (ja) * | 2019-01-24 | 2022-08-02 | カシオ計算機株式会社 | 画像検索装置、学習方法及びプログラム |
CN111028268B (zh) * | 2019-12-26 | 2023-02-24 | 陕西理工大学 | 一种目标跟踪中快速目标尺度估计方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574445B (zh) * | 2015-01-23 | 2015-10-14 | 北京航空航天大学 | 一种目标跟踪方法 |
CN107680119A (zh) * | 2017-09-05 | 2018-02-09 | 燕山大学 | 一种基于时空上下文融合多特征及尺度滤波的跟踪算法 |
CN107730536B (zh) * | 2017-09-15 | 2020-05-12 | 苏州飞搜科技有限公司 | 一种基于深度特征的高速相关滤波物体追踪方法 |
-
2019
- 2019-04-11 CN CN201910288751.0A patent/CN110163090B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110163090A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
CN108154102B (zh) | 一种道路交通标志识别方法 | |
CN106683119B (zh) | 基于航拍视频图像的运动车辆检测方法 | |
CN106778705B (zh) | 一种行人个体分割方法及装置 | |
CN108109162B (zh) | 一种利用自适应特征融合的多尺度目标跟踪方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN112862811A (zh) | 基于深度学习的材料显微图像缺陷识别方法、设备及装置 | |
CN110163090B (zh) | 一种基于多特征和尺度估计的pcb板标识跟踪方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN104200226B (zh) | 基于机器学习的粒子滤波目标跟踪方法 | |
CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
CN111754502A (zh) | 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法 | |
CN110516527B (zh) | 一种基于实例分割的视觉slam回环检测改进方法 | |
CN115147644A (zh) | 图像描述模型的训练和描述方法、***、设备及存储介质 | |
CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN103077383B (zh) | 基于时空梯度特征的分部位的人体运动识别方法 | |
CN117593243A (zh) | 可靠伪标签引导的压缩机外观自适应检测方法 | |
CN111968154A (zh) | 一种融合hog-lbp和kcf的行人跟踪方法 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN115330705A (zh) | 一种基于自适应加权模板ncc的蒙皮漆面缺陷检测方法 | |
CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 | |
CN116310902A (zh) | 一种基于轻量级神经网络的无人机目标检测方法及*** |
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 |