CN111079575B - 一种基于包装图像特征的物料识别方法及*** - Google Patents

一种基于包装图像特征的物料识别方法及*** Download PDF

Info

Publication number
CN111079575B
CN111079575B CN201911206356.XA CN201911206356A CN111079575B CN 111079575 B CN111079575 B CN 111079575B CN 201911206356 A CN201911206356 A CN 201911206356A CN 111079575 B CN111079575 B CN 111079575B
Authority
CN
China
Prior art keywords
image
integer value
package
identified
reference picture
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
Application number
CN201911206356.XA
Other languages
English (en)
Other versions
CN111079575A (zh
Inventor
施甘图
尤力
班晋源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hongtu Intelligent Logistics Co ltd
Lahuobao Network Technology Co ltd
Original Assignee
Hongtu Intelligent Logistics Co ltd
Lahuobao Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hongtu Intelligent Logistics Co ltd, Lahuobao Network Technology Co ltd filed Critical Hongtu Intelligent Logistics Co ltd
Priority to CN201911206356.XA priority Critical patent/CN111079575B/zh
Publication of CN111079575A publication Critical patent/CN111079575A/zh
Application granted granted Critical
Publication of CN111079575B publication Critical patent/CN111079575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于包装图像特征的物料识别方法及***，该***应用该方法，方法包括：获取物料包装基准图片；对物料包装基准图片进行预处理，得到对应整数值与物料编码进行关联，同时计算物料包装的实际尺寸；存储物料包装基准图片关联的整数值、物料编码、名称以及物料包装的实际尺寸；获取待识别物料包装图像；对待识别物料图像进行处理得到对应整数值和实际尺寸；筛选出实际尺寸与待识别物料实际尺寸相近的物料包装基准图片，将图像待识别物料图像的对应整数值与筛选出的物料包装基准图片的整数值进行比较，识别出对应物料名称。进行图像比较的运算量小，识别出的图像的准确率更高，判断结果更准确。

Description

一种基于包装图像特征的物料识别方法及***
技术领域
本发明属于物料货运包装识别技术领域，具体地说，涉及一种基于包装图像特征的物料识别方法及***。
背景技术
机器视觉技术是目前国内外正在深入研究与应用的技术，其主要是基于光学图像识别。其关键性技术是应用计算机软件程序来模拟人的视觉功能，从摄像头采集到的图像数据中运用复杂的图像处理技术对图像进行分析理解，并作出相应的判断，控制不同的执行机构进行协同工作达到控制和检测的目的。随着工业自动化需求的不断加大，很多工厂都在试图做自动化改造以适应时代的发展，对物料的识别也越来越多。
申请号为201810333592.7的发明专利公开了一种物料姿态校正投放装置及圆柱形物料特征属性的识别方法，该专利中公开了圆柱形物料特征属性的识别方法，用于对圆柱形物料的摄像图像进行分析得到该摄像图像与标准的匹配模版是否匹配，包括以下步骤：局部自适应阈值边缘提取，通过对所述摄像图像的特定坐标区域进行卷积梯度值运算，然后使用中值滤波和加权平均法来实现自适应阈值的计算并实现所述物料的摄像图像的边缘提取；边缘快速细化，使用并行快速细化算法实现对经过反复闭运算以消除所述摄像图像中存在的空洞后的二值化图像进行细化；特征属性识别，***正常工作前，先对选取的特征区域拍摄图像作为标准模板，再将工作时所拍摄到的图像与所述标准模板做基于灰度的直方图匹配运算得到最终的识别结果。该识别过程中，主要识别的是图像的内容，根据识别到的内容与标准的匹配模板进行匹配，若标准匹配模板数据量大，则需要进行大量的数据比对，同时若存在图像相同或相似但是物料尺寸不同的两个以上物料，则容易识别出错，影响识别判断结果。
发明内容
针对现有技术中上述的不足，本发明提供一种基于包装图像特征的物料识别方法及***，该方法根据获取的物料包装图片识别出物料包装的实际尺寸，并根据待识别物料包装的尺寸筛选出实际尺寸与待识别物料实际尺寸相近的物料包装基准图片，在将图像待识别物料图像的对应整数值与筛选出的物料包装基准图片的整数值进行比较，识别出对应物料名称，进行图像比较的运算量小，识别出的图像的准确率更高，判断结果更准确。该***能够获取具有固定间距的两个激光点的物料包装基准图片，为图像识别提供了可靠依据。
为了达到上述目的，本发明采用的解决方案是：一种基于包装图像特征的物料识别方法，包括如下步骤：
S1：获取物料包装基准图片，通过摄像设备获取具有固定间距的两个激光点的物料包装基准图片。
S2：对物料包装基准图片进行预处理，得到对应整数值与物料编码进行关联，同时计算物料包装的实际尺寸；
S201：对物料包装基准图片进行边缘提取，提取图像中最大的矩形图像，进行倾斜矫正；
S202：对矩形图像进行0、90、180、270度旋转生成角度不相同的四个图像；
S203：根据两个激光点的距离和包装的长宽在图像中的比例，计算包装的长度和宽度；
S204：分别对每一个图像以矩形的长作为边长，宽剩余部分以白色补齐成正方形，缩小尺寸到8×8像素，将图像转化为64级灰度值的图像；
S205：计算每个图像灰度值的平均值；
S206：将每个像素的灰度与平均值进行比较，使每个图像二值化，得到64位整数值，大于或等于平均值，记为1；小于平均值，记为0，以从左往右从上往下的次序将64个像素转化为一个64位整数值；
S207：将物料的编码与4个图像形成的对应整数值进行关联。
S3：存储物料包装基准图片关联的整数值、物料编码、名称以及物料包装的实际尺寸。
S4：获取待识别物料包装图像，通过摄像设备获取具有固定间距的两个激光点的待识别物料包装图片。
S5：对待识别物料图像进行处理得到对应整数值和实际尺寸；
S501：对待识别物料包装图片进行边缘提取，提取图像中最大的矩形图像，进行倾斜矫正；
S502：根据两个激光点的距离和包装的长宽在图像中的比例，计算包装的长度和宽度；
S503：以矩形的长作为边长，宽剩余部分以白色补齐成正方形，缩小尺寸到8×8像素，将图像转化为64级灰度值的图像；
S504：计算图像灰度值的平均值，将每个像素的灰度与平均值进行比较，使图像二值化，得到64位整数值。
S6：筛选出实际尺寸与待识别物料实际尺寸相近的物料包装基准图片，将图像待识别物料图像的对应整数值与筛选出的物料包装基准图片的整数值进行比较，识别出对应物料名称；
S601：应用计算得到的待识别物料包装的长度和宽度筛选出包装长度和宽度相近的物料包装基准图片；首先进行尺寸筛选，尺寸数据少，需要比对的数据量少，能够有效避免不同尺寸的相同物料包装对识别结果造成干扰；
S602：将计算得到到64位整数值与筛选出的物料包装基准图片的整数值进行比较，若存在图片的整数值与待识别物料包装的整数值不相同的位数小于第一阈值，则判断待识别物料包装图片与图片相同，返回物料名称。
所述的识别方法还包括S7：数据优化，根据待识别物料图像的识别结果对物料数据进行补充更新。
所述的步骤S7具体包括：
S701：将计算得到到64位整数值与筛选出的物料包装基准图片的整数值进行比较，若不相同的数值的位数大于第一阈值，小于第二阈值，则返回相同数值位数最多的物料名称列表；提示用户进行物料确认和选择，若存在符合的物料，则将整数值关联到符合的物料，若不存在符合的物料，则提示用户输入新物料名称进行存储关联；
S702：若不相同的数值的位数大于等于第二阈值，则提示图片无法识别，提示是否重新获取图像。在识别到差异较大的经用户确认过物料名称的64位整数值时，会对物料名称对应的整数值进行关联的存储，随着***的长久使用，该方法的识别准确性会越来越高。
所述的第一阈值和第二阈值根据图像识别提取质量及识别成功率进行设定，初始标准第一阈值可以按整数值总位数的10％来设置，第二阈值可以按整数值总位数的20％来设置。
应用基于包装图像特征的物料识别方法的***，包括摄像设备、激光发射器和图像识别***，所述的激光发射器为2个，2个激光发射器之间的间距固定，激光发射器与摄像设备方向平行，所述的摄像设备获取具有固定间距的两个激光点的物料包装图片，并将采集到的图片传输到图像识别***，所述的图像识别***包括图像处理单元、图像识别单元和存储单元，所述的图像处理单元对图像进行处理得到得到64位整数值；所述的图像识别单元用于将待识别物料图像的对应整数值与存储的物料包装基准图片的整数值进行比较，识别出对应物料名称；所述的存储单元用于存储物料包装的整数值、物料编码、名称以及物料包装的实际尺寸。激光器在摄像设备拍摄照片的同时发出特殊符号光束，垂直照射在物料包装上。
本发明的有益效果是：
(1)该方法根据获取的物料包装图片识别出物料包装的实际尺寸，并根据待识别物料包装的尺寸筛选出实际尺寸与待识别物料实际尺寸相近的物料包装基准图片，在将图像待识别物料图像的对应整数值与筛选出的物料包装基准图片的整数值进行比较，识别出对应物料名称，进行图像比较的运算量小，识别出的图像的准确率更高，判断结果更准确。该***能够获取具有固定间距的两个激光点的物料包装基准图片，为图像识别提供了可靠依据。
附图说明
图1为本发明物料识别方法流程图；
图2为本发明物料识别***框图。
具体实施方式
以下结合附图对本发明作进一步描述：
如图1所示，一种基于包装图像特征的物料识别方法，包括如下步骤：
S1：获取物料包装基准图片，通过摄像设备获取具有固定间距的两个激光点的物料包装基准图片。
S2：对物料包装基准图片进行预处理，得到对应整数值与物料编码进行关联，同时计算物料包装的实际尺寸；
S201：对物料包装基准图片进行边缘提取，提取图像中最大的矩形图像，进行倾斜矫正，提取过程中要判断提取的图像是否为矩形，若不是矩形则返回重新获取物料包装基准图片；
S202：对矩形图像进行0、90、180、270度旋转生成角度不相同的四个图像；
S203：根据两个激光点的距离和包装的长宽在图像中的比例，计算包装的长度和宽度；
S204：分别对每一个图像以矩形的长作为边长，宽剩余部分以白色补齐成正方形，缩小尺寸到8×8像素，将图像转化为64级灰度值的图像；
S205：计算每个图像灰度值的平均值；
S206：将每个像素的灰度与平均值进行比较，使每个图像二值化，得到64位整数值，大于或等于平均值，记为1；小于平均值，记为0，以从左往右从上往下的次序将64个像素转化为一个64位整数值；
S207：将物料的编码与4个图像形成的对应整数值进行关联。
S3：存储物料包装基准图片关联的整数值、物料编码、名称以及物料包装的实际尺寸。
S4：获取待识别物料包装图像，通过摄像设备获取具有固定间距的两个激光点的待识别物料包装图片。
S5：对待识别物料图像进行处理得到对应整数值和实际尺寸；
S501：对待识别物料包装图片进行边缘提取，提取图像中最大的矩形图像，进行倾斜矫正；
S502：根据两个激光点的距离和包装的长宽在图像中的比例，计算包装的长度和宽度；
S503：以矩形的长作为边长，宽剩余部分以白色补齐成正方形，缩小尺寸到8×8像素，将图像转化为64级灰度值的图像；
S504：计算图像灰度值的平均值，将每个像素的灰度与平均值进行比较，使图像二值化，得到64位整数值。
S6：筛选出实际尺寸与待识别物料实际尺寸相近的物料包装基准图片，将图像待识别物料图像的对应整数值与筛选出的物料包装基准图片的整数值进行比较，识别出对应物料名称；
S601：应用计算得到的待识别物料包装的长度和宽度筛选出包装长度和宽度相近的物料包装基准图片，实际应用中筛选出包装的长度和宽度与实际物料误差范围小于10cm的数据；首先进行尺寸筛选，尺寸数据少，需要比对的数据量少，能够有效避免不同尺寸的相同物料包装对识别结果造成干扰；
S602：将计算得到到64位整数值与筛选出的物料包装基准图片的整数值进行比较，若存在图片的整数值与待识别物料包装的整数值不相同的位数小于第一阈值，则判断待识别物料包装图片与图片相同，返回物料名称。
所述的识别方法还包括S7：数据优化，根据待识别物料图像的识别结果对物料数据进行补充更新。
所述的步骤S7具体包括：
S701：将计算得到到64位整数值与筛选出的物料包装基准图片的整数值进行比较，若不相同的数值的位数大于第一阈值，小于第二阈值，则返回相同数值位数最多的物料名称列表；提示用户进行物料确认和选择，若存在符合的物料，则将整数值关联到符合的物料，若不存在符合的物料，则提示用户输入新物料名称进行存储关联；如果数据列表仅包含一个物料名称，则提示用户确认是否是该物料，如果是该物料，则将该整数值关联该物料，如果不是该物料，则提示用户输入新物料名称进行存储关联；如多数据列表包含多个物料名称，则提示用户进行选择，确认物料名称后将该整数值关联该物料，如果不存在符合的物料，则提示用户输入新物料名称进行存储关联。
S702：若不相同的数值的位数大于等于第二阈值，则提示图片无法识别，提示是否重新获取图像。在识别到差异较大的经用户确认过物料名称的64位整数值时，会对物料名称对应的整数值进行关联的存储，随着***的长久使用，该方法的识别准确性会越来越高。
所述的第一阈值和第二阈值根据图像识别提取质量及识别成功率进行设定，初始标准第一阈值可以按整数值总位数的10％来设置，第二阈值可以按整数值总位数的20％来设置，本申请为64位整数值，可以设置为第一阈值为5，第二阈值为10。
如图2所示，应用基于包装图像特征的物料识别方法的***，包括摄像设备、激光发射器和图像识别***，所述的激光发射器为2个，2个激光发射器之间的间距固定，例如5cm，激光发射器与摄像设备方向平行，所述的摄像设备获取具有固定间距的两个激光点的物料包装图片，并将采集到的图片传输到图像识别***，所述的图像识别***包括图像处理单元、图像识别单元和存储单元，所述的图像处理单元对图像进行处理得到得到64位整数值；所述的图像识别单元用于将待识别物料图像的对应整数值与存储的物料包装基准图片的整数值进行比较，识别出对应物料名称；所述的存储单元用于存储物料包装的整数值、物料编码、名称以及物料包装的实际尺寸。激光器在摄像设备拍摄照片的同时发出特殊符号光束，垂直照射在物料包装上。
采用本申请的基于包装图像特征的物料识别方法能够有效识别出物料的种类，在物流仓储过程中为无人仓库、机器人叉车等全自动化装卸、运输货品提供基础技术支撑。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (3)

1.一种基于包装图像特征的物料识别方法，其特征在于：包括如下步骤：
S1：获取物料包装基准图片；
S2：对物料包装基准图片进行预处理，得到对应整数值与物料编码进行关联，同时计算物料包装的实际尺寸；
S3：存储物料包装基准图片关联的整数值、物料编码、名称以及物料包装的实际尺寸；
S4：获取待识别物料包装图像；
S5：对待识别物料图像进行处理得到对应整数值和实际尺寸；
S6：筛选出实际尺寸与待识别物料实际尺寸相近的物料包装基准图片，将图像待识别物料图像的对应整数值与筛选出的物料包装基准图片的整数值进行比较，识别出对应物料名称；
所述的识别方法还包括S7：数据优化，根据待识别物料图像的识别结果对物料数据进行补充更新；
所述的步骤S6具体包括：
S601：应用计算得到的待识别物料包装的长度和宽度筛选出包装长度和宽度相近的物料包装基准图片；
S602：将计算得到64位整数值与筛选出的物料包装基准图片的整数值进行比较，若存在图片的整数值与待识别物料包装的整数值不相同的位数小于第一阈值，则判断待识别物料包装图片与图片相同，返回物料名称；
所述的步骤S7具体包括：
S701：将计算得到64位整数值与筛选出的物料包装基准图片的整数值进行比较，若不相同的数值的位数大于第一阈值，小于第二阈值，则返回相同数值位数最多的物料名称列表；提示用户进行物料确认和选择，若存在符合的物料，则将整数值关联到符合的物料，若不存在符合的物料，则提示用户输入新物料名称进行存储关联；
S702：若不相同的数值的位数大于等于第二阈值，则提示图片无法识别，提示是否重新获取图像；
所述的第一阈值和第二阈值根据图像识别提取质量及识别成功率进行设定；
所述的步骤S2具体包括：
S201：对物料包装基准图片进行边缘提取，提取图像中最大的矩形图像，进行倾斜矫正；
S202：对矩形图像进行0、90、180、270度旋转生成角度不相同的四个图像；
S203：根据两个激光点的距离和包装的长宽在图像中的比例，计算包装的长度和宽度；
S204：分别对每一个图像以矩形的长作为边长，宽剩余部分以白色补齐成正方形，缩小尺寸到8×8像素，将图像转化为64级灰度值的图像；
S205：计算每个图像灰度值的平均值；
S206：将每个像素的灰度与平均值进行比较，使每个图像二值化，得到64位整数值；
S207：将物料的编码与4个图像形成的对应整数值进行关联；
所述的步骤S5具体包括：
S501：对待识别物料包装图片进行边缘提取，提取图像中最大的矩形图像，进行倾斜矫正；
S502：根据两个激光点的距离和包装的长宽在图像中的比例，计算包装的长度和宽度；
S503：以矩形的长作为边长，宽剩余部分以白色补齐成正方形，缩小尺寸到8×8像素，将图像转化为64级灰度值的图像；
S504：计算图像灰度值的平均值，将每个像素的灰度与平均值进行比较，使图像二值化，得到64位整数值。
2.根据权利要求1所述的基于包装图像特征的物料识别方法，其特征在于：所述的步骤S1和S4具体为：通过摄像设备获取具有固定间距的两个激光点的物料包装图片。
3.一种应用于权利要求1-2任一项所述的基于包装图像特征的物料识别方法的***，其特征在于：包括摄像设备、激光发射器和图像识别***，所述的激光发射器为2个，2个激光发射器之间的间距固定，激光发射器与摄像设备方向平行，所述的摄像设备获取具有固定间距的两个激光点的物料包装图片，并将采集到的图片传输到图像识别***，所述的图像识别***包括图像处理单元、图像识别单元和存储单元，所述的图像处理单元对图像进行处理得到64位整数值；所述的图像识别单元用于将待识别物料图像的对应整数值与存储的物料包装基准图片的整数值进行比较，识别出对应物料名称；所述的存储单元用于存储物料包装的整数值、物料编码、名称以及物料包装的实际尺寸。
CN201911206356.XA 2019-11-29 2019-11-29 一种基于包装图像特征的物料识别方法及*** Active CN111079575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911206356.XA CN111079575B (zh) 2019-11-29 2019-11-29 一种基于包装图像特征的物料识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911206356.XA CN111079575B (zh) 2019-11-29 2019-11-29 一种基于包装图像特征的物料识别方法及***

Publications (2)

Publication Number Publication Date
CN111079575A CN111079575A (zh) 2020-04-28
CN111079575B true CN111079575B (zh) 2023-06-23

Family

ID=70312235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911206356.XA Active CN111079575B (zh) 2019-11-29 2019-11-29 一种基于包装图像特征的物料识别方法及***

Country Status (1)

Country Link
CN (1) CN111079575B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943847A (zh) * 2022-04-21 2022-08-26 江苏人先医疗科技有限公司 一种药瓶的识别方法及相关装置、设备
CN115146751B (zh) * 2022-07-05 2023-02-24 深圳市宇航软件股份有限公司 一种物料跟踪方法及mes***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011036936A1 (ja) * 2009-09-24 2011-03-31 日立オートモティブシステムズ株式会社 障害物検知装置
CN102348128A (zh) * 2010-07-30 2012-02-08 株式会社日立制作所 具有摄像机异常检测装置的监视用摄像机***
CN104508704A (zh) * 2012-05-25 2015-04-08 波可斯有限公司 人体测量

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102288613B (zh) * 2011-05-11 2014-03-26 北京科技大学 一种灰度和深度信息融合的表面缺陷检测方法
CN102880877B (zh) * 2012-09-28 2015-07-15 中科院成都信息技术股份有限公司 一种基于轮廓特征的目标识别方法
CN107195198B (zh) * 2017-07-31 2020-11-24 重庆酷贝科技发展有限公司 一种基于图像识别技术的路边停车管理方法及其***
CN108229379A (zh) * 2017-12-29 2018-06-29 广东欧珀移动通信有限公司 图像识别方法、装置、计算机设备和存储介质
CN108438833A (zh) * 2018-04-13 2018-08-24 上海晨光文具股份有限公司 物料姿态校正投放装置及圆柱形物料特征属性的识别方法
CN109816045A (zh) * 2019-02-11 2019-05-28 青岛海信智能商用***股份有限公司 一种商品识别方法及装置
CN110008968B (zh) * 2019-04-09 2023-08-08 哈尔滨新中新电子股份有限公司 一种基于图像视觉的机器人结算自动触发方法
CN110135414B (zh) * 2019-05-16 2021-07-09 京北方信息技术股份有限公司 语料库更新方法、装置、存储介质及终端
CN110490581B (zh) * 2019-07-18 2022-09-30 拉货宝网络科技有限责任公司 一种分布式***临界数据资源更新方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011036936A1 (ja) * 2009-09-24 2011-03-31 日立オートモティブシステムズ株式会社 障害物検知装置
CN102348128A (zh) * 2010-07-30 2012-02-08 株式会社日立制作所 具有摄像机异常检测装置的监视用摄像机***
CN104508704A (zh) * 2012-05-25 2015-04-08 波可斯有限公司 人体测量

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Wu T等.""Cognitive physics-based method for imag edge representation and extraction with uncertainty".《ACTA PHYSICA SINICA》.2013,第62卷(第6期),1-13. *

Also Published As

Publication number Publication date
CN111079575A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN110427793B (zh) 一种基于深度学习的条码检测方法及其***
CN107403128B (zh) 一种物品识别方法及装置
CN111079575B (zh) 一种基于包装图像特征的物料识别方法及***
CN111597857B (zh) 一种物流包裹检测方法、装置、设备及可读存储介质
US11538238B2 (en) Method and system for performing image classification for object recognition
CN107004266A (zh) 检测轮胎表面上缺陷的方法
CN112907667A (zh) 一种视觉激光融合的托盘位姿估计方法、***及装置
CN111598076B (zh) 一种标签图像中日期检测处理方法及装置
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
CN112052702A (zh) 一种识别二维码的方法和装置
CN110210467B (zh) 一种文本图像的公式定位方法、图像处理装置、存储介质
CN112365453A (zh) 快递货物堆放的检测方法、装置、设备和存储介质
CN115019160A (zh) 一种工厂仓库入库物流智能控制方法
CN113392747A (zh) 一种用于立体仓库的货物包装箱识别方法及***
CN112734689A (zh) 垫片质量检测方法、***、装置和存储介质
CN104951755B (zh) 一种基于emd的智能文档图像块检测方法
KR102436943B1 (ko) Rgb-d 영상에서의 기계학습 기반 물류박스 자동인식 방법
CN113643265A (zh) 基于人工智能的质量等级确定方法、装置、设备及介质
CN113191227A (zh) 柜门状态的检测方法、装置、设备及存储介质
US20230245293A1 (en) Failure detection and failure recovery for ai depalletizing
US12017368B2 (en) Mix-size depalletizing
US20230128352A1 (en) Method and system for performing image classification for object recognition
US20220072712A1 (en) Mix-size depalletizing
CN114359023B (zh) 基于复杂度将图片分流调度到中心的方法、设备及***
US20230169675A1 (en) Algorithm for mix-size depalletizing

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