CN112861789A - 基于图像深度学习的crt荧光粉智能清理及品质控制方法 - Google Patents

基于图像深度学习的crt荧光粉智能清理及品质控制方法 Download PDF

Info

Publication number
CN112861789A
CN112861789A CN202110259169.9A CN202110259169A CN112861789A CN 112861789 A CN112861789 A CN 112861789A CN 202110259169 A CN202110259169 A CN 202110259169A CN 112861789 A CN112861789 A CN 112861789A
Authority
CN
China
Prior art keywords
cleaning
screen glass
fluorescent powder
image
deep learning
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
CN202110259169.9A
Other languages
English (en)
Inventor
许振明
鲁瑛琦
杨波
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110259169.9A priority Critical patent/CN112861789A/zh
Publication of CN112861789A publication Critical patent/CN112861789A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种基于图像深度学习的CRT荧光粉智能清扫及品质控制方法，基于3D结构光相机采集的图像信息建立的图像模型，用于识别和定位阴极罩卡扣，并用机械手携带工装接触夹扣、分离阴极罩与屏玻璃；机器视觉测量屏玻璃尺寸并匹配相应的清扫程序；屏玻璃清扫后的实际界面图像信息将被大量采集，用于建立神经网络分类模型；训练成熟的分类模型将被用于在线处理荧光粉清扫过程中实时采集的图像，对其清扫完成度进行评价并输出相应结果，根据判定的分类结果，决定是否重复执行清扫机械装置或完成清扫。本发明具有高效、智能、可靠性高的特点，适合大规模工业化应用。

Description

基于图像深度学习的CRT荧光粉智能清理及品质控制方法
技术领域
本发明涉及利用图像深度学习和闭环控制***实现报废CRT荧光粉智能化清扫及品质监控，是一种环保、高效、智能的CRT荧光粉收集方案。属于环境保护技术领域中的智能精细拆解、资源化领域。
背景技术
随着科技不断的进步，新的显示技术的不断出现，阴极射线管(CRT)显示器已经在逐步淘汰。据统计，我国每年淘汰的CRT显示器在500万台以上。这些废弃的CRT屏玻璃上残留含稀土的荧光粉，如果不能得到妥善处理，将造成资源浪费和环境污染。当前的CRT电视机拆解仍然依赖于回收厂家进行流水线手工拆解，逐级获取有价材料分销给下游产业链。对于荧光粉的回收利用现阶段仍然存在较多问题，传统的方式如焚烧或填埋会造成严重的环境危害，污染空气、土壤及水。受到环保政策的限制和影响，CRT荧光粉的资源化回收和无害化处理受到了更多的关注。回收工厂由人工将CRT显示屏的屏玻璃与锥玻璃分离开，工人佩戴口罩等防护用具，手持吸取清扫工具在开放环境下手工清理屏玻璃上有荧光粉涂层，以人工经验来判断回收是否彻底，自动化程度低，靠劳动强度来换得回收回报，清理后的产品质量一致性不高。此外，弥漫在空气中荧光粉不仅使得荧光粉回收效率不稳定，还会对操作人员身体健康带来很大危害。
因此，迫切需要用机械代替人工进行高危环境作业，利用自动化设备实现电子废弃物回收的有价拆解。针对报废CRT屏玻璃种类的复杂性以及对多变场景的适应性，智能化柔性拆解***受到了更多的关注和研究。图像识别及深度学习的应用使得智能化拆解更具可行性，对于复杂的输入种类进行分类和目标匹配，并对机械处理后的输出进行综合评价，使得回收产业具备了更大的发展潜能。
发明内容
为克服上述现有技术的不足，本发明提供一种基于图像深度学习的CRT荧光粉智能清理及品质控制方法，通过传统的自动化机械设备与深度学习图像分类技术相结合实现基于视觉引导的阴极罩拆除分离，CRT屏玻璃的实时在线分类，清扫程序匹配以及基于图像分类的品质控制，达到荧光粉的智能化高效收集。
本发明的技术解决方案如下：
一种基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特点在于，该方法包括如下步骤：
①阴极罩智能分离：采集屏玻璃阴极罩图像，识别和定位屏玻璃阴极罩上卡扣的位置，并规划机械手位置，解除卡扣；
②荧光粉自动化清扫：测量的屏玻璃的尺寸，并通过匹配预设的清扫程序，对屏玻璃内侧和侧壁粘附的荧光粉进行清扫和抽吸
③品质监控：在环形光源下采集清扫后的屏玻璃图像信息，基于训练的卷积神经网络算法对屏玻璃内侧及侧壁上荧光粉的颗粒残留量进行评估，划分清扫效果为合格和不合格二类；
④闭环***的实时控制：对于分类为不合格的屏玻璃，重复清扫流程，直到清扫后的屏玻璃图像被分至合格类。
所述步骤①通过3D结构光和双目GigE视觉相机相结合，采集图像和深度信息，并通过降噪、特征提取处理后将点云信息进行三维重建，由内置的神经网络对三维模型进行分析，计算卡扣的相应位置信息，得到解除卡扣所使用的数据库。
根据卡扣槽几何中心位置的空间坐标，通过目标的位置数据，对目标进行坐标标定，根据标定位置与目标位置进行路径规划并发给机械臂，利用机械手携带一字型攻刀***卡槽，向外侧轻微拨动即可释放约束。
所述的卡槽位置容错误差达到±5mm，远高于3D相机定位误差±0.5mm。
所述步骤②中屏玻璃的尺寸通过OpenCV进行在线测量：利用Canny算子处理样本的图像，获得屏玻璃边缘特征集合，利用校准参照物确定图片中屏玻璃目标轮廓中每度量比的像素及深度信息，从而测量屏玻璃的尺寸，匹配相应的刷头清扫轨迹。
所述步骤②清扫程序运行结束后，清扫机构会抬起移出荧光粉清扫平台，避免对相机视野产生干涉。
所述步骤③，清扫后真实的屏玻璃图像信息被大量采集和训练深度学习模型，训练的卷积神经网络CNN包含卷积层、池化层特征提取层，将清扫合格的屏玻璃与残余荧光粉颗粒较多的样本进行区分，实现在线的清扫评价分类和品质控制。
所述的卷积神经网络CNN模型通过近千张不同程度清扫过的屏玻璃图片进行训练，CNN模型中存在一些超参数，这些超参数决定了网络的结构和设置，包括学习速率、epoch数量、批次大小、网络深度，利用贝叶斯(Bayesian)超参数调优在训练开始前根据验证数据集的分类结果寻找最佳模型参数。
所述步骤④采用PLC控制器实现闭环控制：控制***执行玻璃分类以后的指令，对于不合格的清扫产品重复清理过程，确保输出产品的品质和效用。
与现有技术相比，本发明的有益效果：
1)具有高效、环保、自动化程度高的特点，适合大规模工业化应用。
2)荧光粉回收率高。并且处理过程清洁，不向环境中排放任何有毒有害物质。
3)避免了工人暴露在危险的工作环境中。
4)可以连续不间断工作，节约了人力成本。
5)智能的评价和分类***保证了最终产品质量的一致性。
附图说明
图1为本发明基于图像深度学习的CRT荧光粉智能清理及品质监控方法的流程图。图2为本发明方法中基于3D视觉引导的阴极罩拆解流程示意图
图3为本发明方法中一种卷积神经网络(CNN)模型的训练线路图
图4为本发明方法中一种可实现图像分类的CNN模型结构示意图
图5为本发明方法中电子设备的结构示意图
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
利用3D相机采集图像信息，根据视觉引导打开阴极罩的卡扣，分离屏玻璃上方的阴极罩。屏玻璃图像经程序处理后通过参考对象校准来测量相应尺寸，根据尺寸大小对屏玻璃进行分类匹配。通过OpenCV实时测量输入的屏玻璃尺寸，即利用垂直视角的相机获取图像信息，校准参照物确定每度量比的像素，从而成比例对应屏玻璃在图像中所占像素点的实际尺寸。回收厂家根据市场调研的电视机屏玻璃型号建立了数据库，并对每一型号的屏幕设计了相应的刷头运行轨迹，由代码编译并储存在库中。当图像的对象测量完成了屏玻璃的尺寸换算，屏玻璃型号将根据算法被匹配。与此同时，对应的清扫装置控制***将启动对屏内侧和侧壁粘附的荧光粉进行清扫和抽吸。清扫后屏玻璃的图像信息将通过深度学习进行图像分类，训练的卷积神经网络(CNN)包含激励层、卷积层、池化层等，将清扫合格的屏玻璃与残余荧光粉颗粒较多的样本进行区分，实现品质监控。闭环控制***将执行玻璃分类以后的指令，对于不合格的清扫产品重复清理过程，确保输出产品的品质和效用，实现智能化的CRT荧光粉清扫收集工作。
请参阅图1，图1为本发明荧光粉清扫方案的执行流程图。废旧CRT显示器的屏玻璃和锥玻璃在回收线上分离开，屏玻璃流转到工位上，3D结构光视觉相机进行拍照，利用训练成熟的深度学***行，垂直提起夹爪即带动阴极罩移动并转移到目标位置，实现阴极罩和屏玻璃的分离。屏幕轮廓的尺寸测量，采用OpenCV对标准参考对象进行“校准”，即每度量像素比率，之后根据目标对象所占像素的量进行尺寸标定。荧光粉清扫过程中，利用电机驱动的三维模组携带吸尘刷头完成XYZ三轴的精确运动。定制刷头材料具有良好的柔韧性，当电机驱动刷头平行于玻璃面扫过，表面的荧光粉随之摩擦剥离，被负压吸尘装置抽吸收集。对于边角的清扫死角，在运行轨迹的设计中加强了四角位置刷头在垂直方向连续往复运动，有利于彻底清扫残余荧光粉。
通过建立初始卷积神经网络模型并输入不同清扫效果的图像样本进行训练，可以得到能够判断清扫效果是否合格的神经网络模型。卷积神经网络(CNN)包含卷积层(convolution)、池化层(pooling)等将对清扫后图像的信息进行处理，获取图像特征。该网络通常包含有多层卷积网络，以及多个激活函数等。卷积层初步提取特征，通过不断的调整卷积核(相当于权重)来确定图片匹配的参数。池化层减少训练参数的数量，降低卷积层输出的特征向量的维度。同时它减小了过拟合现象，只保留最有用的图像信息，降低噪声传递。此外，需要应用全连接层来生成一个等于我们需要的类的数量的分类器。池化层输出的张量重新切割成一些向量，乘上权重矩阵，加上偏置值，然后对其使用ReLU激活函数，用梯度下降法优化参数既可。在训练神经网络模型时，图像特征通常包含目标图像的多层次特征，比如，可以包括目标图像的底层(颜色、纹理等)特征、中层(形状等)特征或高层(语义等)特征中的一种或多种，该图像特征可以特征向量。具体的，上述目标图像可以表示为X∈RH×W×3，其中H表示目标图像的高度，W表示目标图像的宽度，3表示目标图像为三通道图像；将该H×W×3大小的目标图像X∈RH×W×3输入至上述特征提取网络中，通过其中的多层级特征提取层，提取至少两个层级对应的层级特征，通过拼接等方式进行特征融合。CNN模型中存在一些超参数，这些超参数决定了网络的结构和设置，包括学习速率、epoch数量、批次(batch)大小、网络深度等。我们使用贝叶斯(Bayesian)超参数调优在训练开始前根据验证数据集的分类结果寻找最佳模型参数。在完成训练后，工厂在需要在线监测的设备上安装图像采集端即可，图像采集端将采集实时清扫后屏玻璃图像并上传，就能快速且准确的得到清扫效果评价(0/1)以及后续指令，使用方便且适用性强。当屏玻璃底部或侧面残留荧光粉而被判定为不合格，控制***将接收指令通过反馈控制再次执行清扫程序，实现品质监控，确保输出产品的品质和效用。值得一提的是，卷积神经网络相比于其它方法在图像识别上的准确率较高，并且随着应用的增多能进一步提高反应速率和准确性。
在清扫完成后，屏玻璃的图像信息将通过图像处理程序进行处理，训练的卷积神经网络(CNN)包含激励层、卷积层、池化层等用于清扫后图像信息的分类，将清扫合格的屏玻璃与残余荧光粉颗粒较多的样本进行分类，实现品质监控。对于品控的结果，采用闭环控制***执行玻璃分类以后的指令，对于不合格的清扫产品重复清理过程，确保输出产品的品质和效用。
应当理解的是，对于本领域普通技术人员来说，可以根据上述说明加以改进或变更，而所有这些改进和变更都应属于本发明所附权利要求的保护范围。

Claims (9)

1.一种基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，该方法包括如下步骤：
①阴极罩智能分离：采集屏玻璃阴极罩图像，识别和定位屏玻璃阴极罩上卡扣的位置，并规划机械手位置，解除卡扣；
②荧光粉自动化清扫：测量的屏玻璃的尺寸，并通过匹配预设的清扫程序，对屏玻璃内侧和侧壁粘附的荧光粉进行清扫和抽吸；
③品质监控：在环形光源下采集清扫后的屏玻璃图像信息，基于训练的卷积神经网络算法对屏玻璃内侧及侧壁上荧光粉的颗粒残留量进行评估，划分清扫效果为合格和不合格二类；
④闭环***的实时控制：对于分类为不合格的屏玻璃，重复清扫流程，直到清扫后的屏玻璃图像被分至合格类。
2.根据权利要求1所述的基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，所述步骤①通过3D结构光和双目GigE视觉相机相结合，采集图像和深度信息，并通过降噪、特征提取处理后将点云信息进行三维重建，由内置的神经网络对三维模型进行分析，计算卡扣的相应位置信息，得到解除卡扣所使用的数据库。
3.根据权利要求2所述的基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，根据卡扣槽几何中心位置的空间坐标，通过目标的位置数据，对目标进行坐标标定，根据标定位置与目标位置进行路径规划并发给机械臂，利用机械手携带一字型攻刀***卡槽，向外侧轻微拨动即可释放约束。
4.根据权利要求3所述的基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，所述的卡槽位置容错误差达到±5mm，远高于3D相机定位误差±0.5mm。
5.根据权利要求1所述的基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，所述步骤②中屏玻璃的尺寸通过OpenCV进行在线测量：利用Canny算子处理样本的图像，获得屏玻璃边缘特征集合，利用校准参照物确定图片中屏玻璃目标轮廓中每度量比的像素及深度信息，从而测量屏玻璃的尺寸，匹配相应的刷头清扫轨迹。
6.根据权利要求1或5所述的基于图像深度学***台，避免对相机视野产生干涉。
7.根据权利要求1所述的基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，所述步骤③，清扫后真实的屏玻璃图像信息被大量采集和训练深度学习模型，训练的卷积神经网络CNN包含卷积层、池化层特征提取层，将清扫合格的屏玻璃与残余荧光粉颗粒较多的样本进行区分，实现在线的清扫评价分类和品质控制。
8.根据权利要求7所述的基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，所述的卷积神经网络CNN模型通过近千张不同程度清扫过的屏玻璃图片进行训练，CNN模型中存在一些超参数，这些超参数决定了网络的结构和设置，包括学习速率、epoch数量、批次大小、网络深度，利用贝叶斯(Bayesian)超参数调优在训练开始前根据验证数据集的分类结果寻找最佳模型参数。
9.根据权利要求1所述的基于图像深度学习的CRT荧光粉智能清理及品质监控方法，其特征在于，所述步骤④采用PLC控制器实现闭环控制：控制***执行玻璃分类以后的指令，对于不合格的清扫产品重复清理过程，确保输出产品的品质和效用。
CN202110259169.9A 2021-03-10 2021-03-10 基于图像深度学习的crt荧光粉智能清理及品质控制方法 Pending CN112861789A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110259169.9A CN112861789A (zh) 2021-03-10 2021-03-10 基于图像深度学习的crt荧光粉智能清理及品质控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110259169.9A CN112861789A (zh) 2021-03-10 2021-03-10 基于图像深度学习的crt荧光粉智能清理及品质控制方法

Publications (1)

Publication Number Publication Date
CN112861789A true CN112861789A (zh) 2021-05-28

Family

ID=75993816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110259169.9A Pending CN112861789A (zh) 2021-03-10 2021-03-10 基于图像深度学习的crt荧光粉智能清理及品质控制方法

Country Status (1)

Country Link
CN (1) CN112861789A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022257315A1 (zh) * 2021-06-09 2022-12-15 万维数码智能有限公司 基于人工智能的艺术品鉴定方法与***和艺术品交易的方法和***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104183442A (zh) * 2014-07-30 2014-12-03 湖南绿色再生资源有限公司 Crt显示器荧光粉回收装置
CN106607434A (zh) * 2015-10-21 2017-05-03 黑龙江省工业技术研究院 一种crt显示器玻壳拆解回收装置***和方法
CN108042073A (zh) * 2018-01-03 2018-05-18 昆明理工大学 一种用于视觉识别的智能洗碗机及其控制方法
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
CN108872091A (zh) * 2018-03-20 2018-11-23 浙江理工大学 一种基于高光谱成像的蔬菜农药残留浓度的检测方法
CN109330106A (zh) * 2018-11-01 2019-02-15 成都牛晶科技有限公司 一种基于手机拍照的脚码尺寸测量方法
US20190197679A1 (en) * 2017-12-25 2019-06-27 Utechzone Co., Ltd. Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof
CN112347882A (zh) * 2020-10-27 2021-02-09 中德（珠海）人工智能研究院有限公司 一种智能分拣控制方法和智能分拣控制***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104183442A (zh) * 2014-07-30 2014-12-03 湖南绿色再生资源有限公司 Crt显示器荧光粉回收装置
CN106607434A (zh) * 2015-10-21 2017-05-03 黑龙江省工业技术研究院 一种crt显示器玻壳拆解回收装置***和方法
US20190197679A1 (en) * 2017-12-25 2019-06-27 Utechzone Co., Ltd. Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof
CN108042073A (zh) * 2018-01-03 2018-05-18 昆明理工大学 一种用于视觉识别的智能洗碗机及其控制方法
CN108872091A (zh) * 2018-03-20 2018-11-23 浙江理工大学 一种基于高光谱成像的蔬菜农药残留浓度的检测方法
CN108765389A (zh) * 2018-05-18 2018-11-06 浙江大学 一种微观晶圆表面缺陷图像检测方法
CN109330106A (zh) * 2018-11-01 2019-02-15 成都牛晶科技有限公司 一种基于手机拍照的脚码尺寸测量方法
CN112347882A (zh) * 2020-10-27 2021-02-09 中德（珠海）人工智能研究院有限公司 一种智能分拣控制方法和智能分拣控制***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022257315A1 (zh) * 2021-06-09 2022-12-15 万维数码智能有限公司 基于人工智能的艺术品鉴定方法与***和艺术品交易的方法和***

Similar Documents

Publication Publication Date Title
EP3660492A2 (en) Fluorescent penetrant inspection system and method
CN109840900B (zh) 一种应用于智能制造车间的故障在线检测***及检测方法
Liong et al. Automatic defect segmentation on leather with deep learning
CN110473173A (zh) 一种基于深度学习语义分割的缺陷检测方法
CN105044122B (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测方法
CN103913468A (zh) 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法
CN110065068B (zh) 一种基于逆向工程的机器人装配作业演示编程方法及装置
CN109693140B (zh) 一种智能化柔性生产线及其工作方法
CN110726720B (zh) 一种饮用矿泉水悬浮物检测方法
CN114705686A (zh) 圆柱锅表面缺陷检测方法、***、控制器及工控机
CN107153067A (zh) 一种基于matlab的零件表面缺陷检测方法
CN107891012A (zh) 基于等效算法的珍珠大小及圆形度分拣装置
CN114235837A (zh) 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备
CN112861789A (zh) 基于图像深度学习的crt荧光粉智能清理及品质控制方法
CN116593479B (zh) 电池盖板外观质量检测方法、装置、设备及存储介质
CN115331002A (zh) 一种基于ar眼镜实现热力站故障远程处理方法
CN111652214A (zh) 一种基于深度学习的垃圾瓶分选方法
CN113592813B (zh) 基于深度学习语义分割的新能源电池焊接缺陷检测方法
CN114529510A (zh) 一种阴极铜在线质量自动检测分类方法
Khanal et al. Leather defect detection using semantic segmentation: A hardware platform and software prototype
CN111805541B (zh) 一种基于深度学习的中药饮片净选装置及净选方法
CN113145473A (zh) 一种水果智能分拣***及方法
CN111353432B (zh) 一种基于卷积神经网络的金银花药材快速净选方法及***
CN113240798A (zh) 基于数字孪生和ar的物料完备性智能检测与配置方法
Chiou et al. Experimental study of high speed CNC machining quality by noncontact surface roughness monitoring

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210528

WD01 Invention patent application deemed withdrawn after publication