CN112703508A - 用于辨识物体的方法和设备 - Google Patents

用于辨识物体的方法和设备 Download PDF

Info

Publication number
CN112703508A
CN112703508A CN201980059832.1A CN201980059832A CN112703508A CN 112703508 A CN112703508 A CN 112703508A CN 201980059832 A CN201980059832 A CN 201980059832A CN 112703508 A CN112703508 A CN 112703508A
Authority
CN
China
Prior art keywords
record
data
extraction algorithm
algorithm
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.)
Pending
Application number
CN201980059832.1A
Other languages
English (en)
Inventor
M·基弗
W·波尼茨
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.)
Trumpf Werkzeugmaschinen SE and Co KG
Original Assignee
Trumpf Werkzeugmaschinen SE and Co KG
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 Trumpf Werkzeugmaschinen SE and Co KG filed Critical Trumpf Werkzeugmaschinen SE and Co KG
Publication of CN112703508A publication Critical patent/CN112703508A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G06F18/41—Interactive pattern learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及用于识别物体的方法和设备(10)。在此，创建物体的尤其呈照片形式的至少一个记录(14)。根据所述记录(14)，借助记录‑提取算法(20)求取记录特征(22)。根据所存储的物体数据(12)求取物体特征(28)并将其与所述记录特征(22)进行比较，以便输出对应信息(36)。根据本发明，在此尤其设置，设置用户评估(42)以改善所述记录‑提取算法(20)和所述物体‑提取算法(26)。替代地或附加地，根据本发明尤其设置，将记录‑提取算法(20)和物体‑提取算法(26)构造为基于彼此连接的、优选地经加权的数据聚合例程。

Description

用于辨识物体的方法和设备
技术领域
本发明涉及用于辨识物体的一种方法和一种设备。本发明还涉及这种方法在工业制造中的应用或这种设备在工业制造中的应用。
背景技术
在物体的制造中、尤其在钣金件的制造中，经常发现不对应于任何确定任务的物体、尤其制造出的钣金件。清除该物体是资源浪费，并且还包含该物体在确定任务中缺失的危险。然而，完全手动地辨识该物体是高开销的，并且通常仅能由有经验的员工成功地进行，这些员工并不总是在场，或者为了辨识该物体而必须解除其他任务。相对地，完全靠机器辨识物体通常由于物体的记录不足或辨识程序不足而失败。
发明内容
因此，本发明的任务是提供一种方法和一种设备，所述方法和设备能够实现对随机发现的物体的高效对应。此外，本发明的任务是提供该方法或该设备的一种相应应用。
根据本发明，通过根据权利要求1的方法、根据权利要求12的设备或根据权利要求16的应用来解决该任务。从属权利要求表示优选的扩展方案。
因此，本发明涉及一种用于辨识物体的方法。该物体可以以基本上二维物体的形式(例如以平面钣金件的形式)或三维物体的形式(例如以具有变形的钣金件的形式)构造。通过将物体的记录与所存储的物体数据相对应来进行辨识。所述物体数据可以以CAD数据的形式存储。在此，该方法具有以下方法步骤：
A)借助图像检测设备创建物体的记录或多个记录，其中，图像检测设备可以以摄像机的形式构造；
B)根据记录提取算法从记录中得出记录特征；
C)根据物体提取算法从所存储的物体数据中得出物体特征；
D)根据比较算法将记录特征与物体特征进行比较；和
E)输出记录与所存储的物体数据的对应信息。
因此，根据本发明设置，输出关于待辨识的物体与所存储的物体数据的对应关系的至少一个信息。优选地，将该信息以概率信息的形式进行说明，从而可以看到该物体与所存储的物体数据一致的概率是多少。该输出例如可以在屏幕、数据眼镜上进行，或者可以实现为数据传输。有利地，可以输出具有概率说明的多个对应信息。
根据本发明，不仅从记录中而且从所存储的物体数据中提取特征。这能够实现记录与所存储的物体数据的特别可靠的对应，因此实现辨识物体的特别高的概率。
优选地，该方法具有以下方法步骤：
F)读取对应信息的用户评估。
然后，该方法设置，读取用户关于所述对应信息的评估。通过用户进行的评估可以例如通过数据传递或通过输入设备(例如按钮、触摸屏、语音记录、语音识别或类似的输入设备)进行。例如，如果向用户显示根据概率排序的两个或多个辨识命中(Identifikationstreffer)，则用户可以选择在他看来真正一致的那个。因此，该用户给出用户评估。这能够改善将来输出的对应信息。
在此，记录提取算法可以读入记录的数据、根据预给定的记录参数对所述数据进行处理、输出呈经处理的数据的形式的记录特征。预给定的记录参数可以具有所谓的经加权的变量。在下文中对所述变量的功能和求取进行阐述。
此外，优选地，该方法可以具有以下方法步骤：
H)根据用户评估改变、尤其改善、尤其优化记录提取算法的、物体提取算法的和/或比较算法的参数。
参数可以具有所谓的经加权的变量。在下文中对所述变量的求取和功能进行阐述。
优选地，在方法步骤H)之前、期间和/或之后执行以下方法步骤：
G)将对应信息的用户评估存储在用户评估结果存储器中。
用户评估的存储使得能够收集多个用户评估，由此能够显著改善记录提取算法、物体提取算法和/或比较算法。
用户评估结果存储器可以构造为基于云。在此，基于云是指一种尤其在地点上是远程的、优选匿名的存储设备，在该存储设备中存储有来自多于一个用户、有利地来自数百或数千不同用户的用户评估。由此，不同的用户可以对方法的优化做出贡献，与制造地点无关。当已经读取了数万、尤其数十万用户评估时，所述方法才被视为有说服力的成功，即得到具有最高概率的正确对应关系的对应信息。对于单个制造工厂来说，往往在一年之内都无法达到这样的数据量。因此，该方法也许仍然是无吸引力的。
所述记录的创建或记录可以在对人眼可见的波长范围内进行。替代地或附加地，所述记录的创建可以在对于人眼不可见的波长范围内进行，例如在IR范围内、在UV范围内和/或在超声范围内。
在方法步骤A)中，可以借助图像检测设备记录物体的多个记录。在方法步骤B)中，可以从多个记录中提取记录特征。在方法步骤E)中，可以输出多个记录与所存储的物体的对应信息。在此已经表明，对于用户来说，多个记录的创建和处理显著改善了对应信息的质量，因为尤其减少了由记录位置引起的伪影的影响。
优选地，记录提取算法、物体提取算法和/或比较算法具有带有多个数据聚合例程的算法。数据聚合例程可以设计为将多个“所求取的数据”聚合为一个新的数据包。新的数据包可以具有一个或多个数字或向量。新的数据包可以全部或部分地作为“所求取的数据”提供给其他数据聚合例程。“所求取的数据”可以是例如记录数据、物体数据或由数据聚合例程之一提供的数据包。特别优选地，记录提取算法、物体提取算法和/或比较算法构造为具有多个相连接的数据聚合例程的算法的形式。尤其可以将数百个、尤其数千个这样的数据聚合例程彼此连接。一个或多个算法的质量和速度由此得到显著改善。记录提取算法、物体提取算法和/或比较算法可以具有带有经加权的变量的函数。一个数据聚合例程、尤其多个数据聚合例程、特别优选地所有数据聚合例程可以设计为将多个“所求取的数据”分别与经加权的变量组合、尤其相乘，由此将“所求取的数据”转换为“组合数据”，然后将“组合数据”聚合为、尤其相加为新的数据包。特别优选地，根据用户评估来改变加权、尤其经加权的变量。为了求取合适的经加权的变量，可以借助从属关系分别已知的数据、尤其记录数据和/或物体数据来经历记录提取算法、物体提取算法和/或比较算法。在此，优选地在第一阶段中，可以针对记录提取算法、物体提取算法和比较算法分开地确定经加权的变量。
在此，记录特征和物体特征本身可以是数据包、尤其多个结构化数据、尤其数据向量或数据阵列，其本身又可以是例如用于比较算法的、尤其用于比较算法的数据聚合例程的“所求取的数据”。所述记录特征和物体特征的准确结构可以通过用户评估的机器分析处理而改变、尤其改善、优选地优化。
由于以基于云的方式管理通过第一用户或第一组用户的用户评估而改变的、尤其改善的、优选地优化的经加权的变量，其他用户也可以在其算法中使用这些经加权的变量并从该方法中受益。
所提及的算法或另外的次级算法或上级算法可以构造为监视和识别算法中的一个或所有算法什么时候以预给定的积累程度输出被用户评估为差的对应信息，然后输出负面报告。该输出可以可视化地进行，例如在屏幕上或以其他合适的形式，例如作为数据输出。监视算法还可以构造为以改善例程来对这种负面报告的输出作出反应，所述改善例程改变所提及的算法中的一个或多个的其他属性或相互作用。
在该方法的另外的优选构型中，物体特征以结构数据、材料数据、表面特性数据和/或热导率数据的形式存在。
比较算法可以包括求出所述记录特征与物体特征之间的标量积和/或差。已经证明，上述措施在将记录特征与物体特征对应方面特别有效。
此外，优选地，输出所述记录的对应信息包括输出关于所存储的不同物体的多个对应概率。由此，用户可以从不同对应可能性中进行选择。由此，能够以非常高的成功概率执行对物体的辨识。
根据本发明的任务还通过一种用于通过将物体与所存储的物体数据相对应来辨识物体的设备来解决，其中，该设备具有：
a)图像检测设备，该图像检测设备用于创建物体的记录；
b)记录-提取单元，具有记录-提取算法，该记录-提取单元用于从记录中提取记录特征；
c)物体-提取单元，具有物体-提取算法，该物体-提取单元用于从所存储的物体数据中提取物体特征；
d)比较单元，具有比较算法，该比较单元用于将记录特征与物体特征进行比较；
其中，记录提取算法、物体提取算法和/或比较算法构造为能够根据用户评估来进行优化；和
e)输出单元，该输出单元用于输出借助图像检测设备所创建的记录与所存储的物体数据的对应信息。
优选地，根据本发明的设备构造为用于执行在此所描述的方法。
图像检测设备可以以摄像机、尤其用于可见光的摄像机的形式构造。
该设备还可以具有：
f)输入单元，该输入单元用于读取关于对应信息的用户评估。
此外，该设备可以具有：
g)用户评估结果存储器，该用户评估结果存储器用于存储对应信息的用户评估。用户评估结果存储器可以构造为基于云。
记录提取算法、物体提取算法和/或比较算法能够以具有多个相连接的数据聚合例程的算法的形式构造。
特别有利地，该方法和/或设备可以用于具有基于计算机的制造控制装置的工业制造中，该制造控制装置用于处理反射物体、尤其钣金件。过去，借助图像检测设备来记录钣金件对于辨识而言通常是质量不足的，因为轮廓仅能非常困难地与背景区分开来，并且光反射伪装出虚假的轮廓。因此，在没有所述算法的情况下，将记录数据与物体数据进行比较的方法和设备迄今尚未在工业制造中取得成功。反射物体是指具有光滑表面的物体，这些物体如此反射光，使得在创建记录时，除了轮廓之外，还可能出现其他对象的非期望的光反射。这样的反射物体的示例是金属、玻璃、具有光滑表面的塑料、涂层材料(例如由塑料、木材、金属、玻璃等制成的涂层板)。
特别有利的是，制造控制装置至少部分地基于云。然后，参数、尤其经加权的变量可以用于改变、尤其改善、尤其优化第一制造工厂中以及其他制造工厂中的算法，反之亦然。因此存在大得多的数据库，并且用于每个单个制造运行的辨识都可以得到显著改善。
本发明的其他优点从说明书和附图中得出。前面所提及的和还进一步实施的特征也可以根据本发明分别单独地或以多个的任意组合的方式使用。所示出的和所描述的实施方式不应理解为是详尽的，而是具有用于描述本发明的示例性特征。
附图说明
图1示出根据本发明的方法或根据本发明的设备的一种构型的示意图。
具体实施方式
图1示出用于辨识所发现的没有对应关系的物体的设备10。该物体能够以钣金件的形式构造。关于该物体存储有物体数据12。为了将所发现的物体与物体数据12相对应并由此进行辨识，创建至少一个记录14。
优选地，物体数据12以CAD数据的形式存储，尤其存储在CAD数据库形式的物体数据库16中。
借助图像检测设备18创建记录14。图像检测设备18能够以摄像机的形式构造。
在图1中示出的记录14表明，这种记录14的对应可能是非常困难的。如果如所示出的那样，记录14仅示出物体的一部分，记录14是在非静止的背景下制作的，和/或物体的表面特性使得记录14的创建变得困难，则尤其如此。
将记录提取算法20应用于记录14，以便提取记录特征22。这在图1中根据在记录14中被点划线所框定的区域来示意性地表明。记录提取算法20存储在记录提取单元24中。记录提取算法20可以具有彼此连接的、尤其相对于彼此被加权的数据聚合例程。
将物体提取算法26应用于物体数据12，以便提取物体特征28。这在图1中根据在物体数据12中被点划线所框定的区域来示意性地表明。物体提取算法26存储在物体提取单元30中。物体提取算法26可以具有彼此连接的、尤其相对于彼此被加权的数据聚合例程。
将记录特征22和物体特征28输送给比较算法32。比较算法32存储在比较单元34中。比较算法32可以具有彼此连接的、尤其相对于彼此被加权的数据聚合例程。优选地，比较算法32构造为用于求出记录特征22与物体特征28之间的标量积或差。
作为比较算法32的结果，输出对应信息36。对应信息的输出在输出单元38中进行。如在图1中示出的那样，可以显示多个物体数据(在此为三个；在图1中未以附图标记表示)，其中，分别输出关于相应物体数据的对应概率(在此为60％、35％和5％)。由此使得用户将所发现的物体与物体数据相对应变得更加容易。
为了改善将来的对应，即为了提高将来的对应信息的质量，设备10具有输入单元40。输入单元40构造为用于读取用户评估42。然后，将用户评估42用于优化记录提取算法20、物体提取算法26和/或比较算法32或其参数。
用户评估42可以存储在用户评估结果存储器44中，从而可以借助大量的用户评估42来优化该方法或该设备10。在此，特别优选地，用户评估结果存储器44是基于云来构造的。由此，跨设备的用户评估42能够进入到方法或设备10的优化中。
换句话说，本发明涉及用于识别物体的方法和设备10。在此，创建物体的尤其呈照片形式的至少一个记录14。根据记录14，借助记录提取算法20求取记录特征22。根据所存储的物体数据12求取物体特征28并将该物体特征与记录特征22进行比较，以便输出对应信息36。根据本发明，在此尤其设置，设置用户评估42以改善记录提取算法20和物体提取算法26。替代地或附加地，根据本发明尤其设置，将记录提取算法20和物体提取算法26构造为基于彼此连接的、优选地经加权的数据聚合例程。
附图标记列表
10 设备
12 物体数据
14 记录
16 物体数据库
18 图像检测设备
20 记录-提取算法
22 记录特征
24 记录-提取单元
26 物体-提取算法
28 物体特征
30 物体-提取单元
32 比较算法
34 比较单元
36 对应信息
38 输出单元
40 输入单元
42 用户评估
44 用户评估结果存储器

Claims (16)

1.一种通过将物体的记录(14)与所存储的物体数据(12)相对应来辨识物体的方法，所述方法具有以下方法步骤：
A)借助图像检测设备(18)创建所述物体的记录(14)；
B)根据记录提取算法(20)从所述记录(14)中提取记录特征(22)；
C)根据物体提取算法(26)从所存储的物体数据(12)中提取物体特征(28)；
其中，能够在方法步骤A)和B)之前、期间和/或之后执行方法步骤C)，其中，接下来执行以下方法步骤：
D)根据比较算法(32)将所述记录特征(22)与所述物体特征(28)进行比较；
E)输出所述记录(14)与所存储的物体数据(12)的对应信息(36)。
2.根据权利要求1所述的方法，所述方法具有另外的方法步骤：
F)读取所述对应信息(36)的用户评估(42)。
3.根据权利要求1或2所述的方法，所述方法具有另外的方法步骤：
H)根据所述用户评估(42)优化所述记录提取算法(20)、所述物体提取算法(26)和/或所述比较算法(32)。
4.根据权利要求3所述的方法，在所述方法中，在方法步骤H)之前、期间和/或之后执行以下方法步骤：
G)将所述对应信息(36)的所述用户评估(42)存储在用户评估结果存储器(44)中。
5.根据权利要求4所述的方法，在所述方法中，所述用户评估结果存储器(44)是基于云来构造的。
6.根据以上权利要求中任一项所述的方法，在所述方法中，所述记录(14)的创建在对于人眼可见的波长范围内进行。
7.根据以上权利要求中任一项所述的方法，在所述方法中，在方法步骤A)中，借助所述图像检测设备(18)记录所述物体的多个记录(14)，在方法步骤B)中，从所述多个记录(14)中提取所述记录特征(22)，在方法步骤E)中，输出所述多个记录(14)与所存储的物体数据的对应信息(36)。
8.根据权利要求2至7中任一项所述的方法，在所述方法中，所述记录提取算法(20)、所述物体提取算法(26)和/或所述比较算法(32)具有彼此连接的数据聚合例程。
9.根据权利要求2至8中任一项所述的方法，在所述方法中，所述物体特征(28)以结构数据、材料数据、表面特性数据和/或热导率数据的形式存在。
10.根据权利要求2至9中任一项所述的方法，在所述方法中，所述比较算法(32)包括求出所述记录特征(22)与所述物体特征(28)之间的标量积和/或求出所述记录特征与所述物体特征之间的差。
11.根据以上权利要求中任一项所述的方法，在所述方法中，输出所述记录(14)的对应信息(36)包括输出对于所存储的不同物体的对应概率。
12.一种用于通过将物体与所存储的物体数据(12)相对应来辨识物体的设备(10)，其中，所述设备(10)具有：
a)图像检测设备(18)，所述图像检测设备用于创建所述物体的记录(14)；
b)记录提取单元(24)，具有记录提取算法(20)，所述记录提取算法用于从所述记录(14)中提取记录特征(22)；
c)物体提取单元(30)，具有物体提取算法(26)，所述物体提取算法用于从所存储的物体数据中提取物体特征(28)；
d)比较单元(34)，具有比较算法(32)，所述比较算法用于将所述记录特征(22)与所述物体特征(28)进行比较；
其中，所述记录提取算法(20)、所述物体提取算法(26)和/或所述比较算法(32)构造为能够根据用户评估(42)来进行优化；
e)输出单元(38)，所述输出单元用于输出借助所述图像检测设备(18)所创建的记录(14)与所存储的物体数据(12)的对应信息(36)。
13.根据权利要求12所述的设备，其中，所述设备(10)还具有：
f)输入单元(40)，所述输入单元用于读取所述对应信息(36)的用户评估(42)。
14.根据权利要求12或13所述的设备，其中，所述设备(10)还具有：
g)用户评估结果存储器(44)，所述用户评估结果存储器用于存储所述对应信息(36)的所述用户评估(42)。
15.根据权利要求12至14中任一项所述的设备，在所述设备中，所述记录提取算法(20)、所述物体提取算法(26)和/或所述比较算法(32)具有彼此连接的数据聚合例程。
16.根据以上权利要求中任一项所述的方法或设备在工业制造中的应用，其中，在所述工业制造中，尤其处理反射物体、优选钣金件。
CN201980059832.1A 2018-09-12 2019-09-03 用于辨识物体的方法和设备 Pending CN112703508A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102018215538.0 2018-09-12
DE102018215538.0A DE102018215538A1 (de) 2018-09-12 2018-09-12 Verfahren und Vorrichtung zur Identifkation eines Gegenstands
PCT/EP2019/073383 WO2020053023A1 (de) 2018-09-12 2019-09-03 Verfahren und vorrichtung zur identifikation eines gegenstands

Publications (1)

Publication Number Publication Date
CN112703508A true CN112703508A (zh) 2021-04-23

Family

ID=68062887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980059832.1A Pending CN112703508A (zh) 2018-09-12 2019-09-03 用于辨识物体的方法和设备

Country Status (6)

Country Link
US (1) US11972600B2 (zh)
EP (1) EP3850545A1 (zh)
JP (1) JP2022500757A (zh)
CN (1) CN112703508A (zh)
DE (1) DE102018215538A1 (zh)
WO (1) WO2020053023A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022115997A1 (de) 2022-06-28 2023-12-28 TRUMPF Werkzeugmaschinen SE + Co. KG Verfahren und System zur Unterstützung bei der Unterscheidung von Blech-Werkstücken

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0793545A (ja) * 1993-09-22 1995-04-07 Mitsubishi Electric Corp 画像処理装置
CN1741046A (zh) * 2004-08-27 2006-03-01 鸿富锦精密工业（深圳）有限公司 钣金件工程设计管理***及方法
US20090281975A1 (en) * 2008-05-06 2009-11-12 Microsoft Corporation Recommending similar content identified with a neural network
US20120296900A1 (en) * 2011-05-20 2012-11-22 Microsoft Corporation Adaptively learning a similarity model
CN107873101A (zh) * 2014-11-21 2018-04-03 克里斯多夫·M·马蒂 用于对象辨识和评估的成像***

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6975764B1 (en) * 1997-11-26 2005-12-13 Cognex Technology And Investment Corporation Fast high-accuracy multi-dimensional pattern inspection
US6856698B1 (en) * 1997-11-26 2005-02-15 Cognex Corporation Fast high-accuracy multi-dimensional pattern localization
JPH11320143A (ja) 1998-05-12 1999-11-24 Amada Co Ltd 追加工装置及び方法
DE102009012543A1 (de) 2009-03-10 2010-09-23 Esab Cutting Systems Gmbh Schneidevorrichtung
JP5929238B2 (ja) * 2012-01-27 2016-06-01 オムロン株式会社 画像検査方法および画像検査装置
DE102014213518A1 (de) * 2014-07-11 2016-01-14 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Verfahren, Bearbeitungsmaschine und Computerprogrammprodukt zum bildbasierten Platzieren von Werkstückbearbeitungsvorgängen
US9440351B2 (en) * 2014-10-30 2016-09-13 International Business Machines Corporation Controlling the operations of a robotic device
US9483707B2 (en) 2015-02-04 2016-11-01 GM Global Technology Operations LLC Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system
JP6753105B2 (ja) 2016-03-29 2020-09-09 日本電気株式会社 識別装置
US10249033B1 (en) * 2016-12-20 2019-04-02 Palantir Technologies Inc. User interface for managing defects
US11055989B2 (en) * 2017-08-31 2021-07-06 Nec Corporation Viewpoint invariant object recognition by synthesization and domain adaptation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0793545A (ja) * 1993-09-22 1995-04-07 Mitsubishi Electric Corp 画像処理装置
CN1741046A (zh) * 2004-08-27 2006-03-01 鸿富锦精密工业（深圳）有限公司 钣金件工程设计管理***及方法
US20090281975A1 (en) * 2008-05-06 2009-11-12 Microsoft Corporation Recommending similar content identified with a neural network
US20120296900A1 (en) * 2011-05-20 2012-11-22 Microsoft Corporation Adaptively learning a similarity model
CN107873101A (zh) * 2014-11-21 2018-04-03 克里斯多夫·M·马蒂 用于对象辨识和评估的成像***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
H. I-SIL BOZMA ET.AL.: ""Visual processing and classification of items on a moving conveyor:a selective perception approach"", 《ROBOTICS AND COMPUTER INTEGRATED MANUFACTURING》, vol. 18, no. 2, 30 April 2002 (2002-04-30), pages 125 - 133, XP004347983, DOI: 10.1016/S0736-5845(01)00035-7 *
方轶: ""零件视觉检测***的开发与研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2016, no. 11, 15 November 2016 (2016-11-15), pages 035 - 167 *
方轶: ""零件视觉检测***的开发与研究"", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2016, no. 11, 15 November 2016 (2016-11-15), pages 035 - 167 *
李俊峰, 张习文, 敖翔, 戴国忠: "具有实时反馈的草图交互识别方法", 计算机辅助设计与图形学学报, no. 11, 20 November 2005 (2005-11-20), pages 73 - 78 *
李贺松: "《铝电解槽非稳态非均一信息模型及节能技术》", 31 October 2008, 冶金工业出版社, pages: 227 *

Also Published As

Publication number Publication date
WO2020053023A1 (de) 2020-03-19
US11972600B2 (en) 2024-04-30
JP2022500757A (ja) 2022-01-04
US20230118305A1 (en) 2023-04-20
DE102018215538A1 (de) 2020-03-12
EP3850545A1 (de) 2021-07-21

Similar Documents

Publication Publication Date Title
CN107679504A (zh) 基于摄像头场景的人脸识别方法、装置、设备及存储介质
WO2017193624A1 (zh) 基于rfid的rssi信号值的图书放置姿态识别方法
JP4391506B2 (ja) 評価装置、評価方法及び評価プログラム
CN108140107B (zh) 快速、高精度的大型指纹验证***
CN110770711B (zh) 基于图像的伪造品检测
JP7380567B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
US20200364513A1 (en) Image based counterfeit detection
JP7036401B2 (ja) 学習用サーバ、不足学習用画像収集支援システム、及び不足学習用画像推定プログラム
Singh et al. A review on: Various techniques of plant leaf disease detection
WO2016022403A1 (en) Automated examination and processing of biometric data
US20210327041A1 (en) Image based novelty detection of material samples
Sasank et al. Credit card fraud detection using various classification and sampling techniques: a comparative study
CN116229189A (zh) 基于荧光内窥镜的图像处理方法、装置、设备及存储介质
Borra et al. An efficient fingerprint identification using neural network and BAT algorithm
CN108875549A (zh) 图像识别方法、装置、***及计算机存储介质
CN112703508A (zh) 用于辨识物体的方法和设备
CN111476609A (zh) 零售数据获取方法、***、设备及存储介质
CN112668562B (zh) 一种客户识别方法及装置
Rababaah et al. Convolution neural network model for an intelligent solution for crack detection in pavement images
JP4859351B2 (ja) 事例データベースの構築方法、判別装置の学習方法、データ判別支援装置、データ判別支援プログラム
CN116452212B (zh) 一种智能客服商品知识库信息管理方法及***
CN116071348A (zh) 基于视觉检测的工件表面检测方法及相关装置
CN114266643A (zh) 基于融合算法的企业挖掘方法、装置、设备及存储介质
JP7081677B2 (ja) 個体識別システム
Revathi et al. Classification of cotton diseases using cross information gain_minimal resource allocation network classifier with particle swarm optimization

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
CB02 Change of applicant information

Address after: German Ditzingen

Applicant after: TRUMPF European AG

Address before: German Ditzingen

Applicant before: TRUMPF WERKZEUGMASCHINEN GmbH & Co.KG

CB02 Change of applicant information