CN113888516A - 切丝机压实烟草切面质量评价的方法 - Google Patents
切丝机压实烟草切面质量评价的方法 Download PDFInfo
- Publication number
- CN113888516A CN113888516A CN202111191426.6A CN202111191426A CN113888516A CN 113888516 A CN113888516 A CN 113888516A CN 202111191426 A CN202111191426 A CN 202111191426A CN 113888516 A CN113888516 A CN 113888516A
- Authority
- CN
- China
- Prior art keywords
- image
- tobacco
- depth
- compacted
- information
- 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
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 133
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 8
- 238000011158 quantitative evaluation Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 238000000844 transformation Methods 0.000 description 4
- 238000005056 compaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种切丝机压实烟草切面质量评价的方法,包括:1)获取切丝机压实烟草切面的彩色图像和深度图像;2)对所述彩色图像和深度图像进行视场配准,获得彩色点云图(RGB‑D);3)对彩色图像进行分割,获取烟草图像;4)从烟草图像中提取表征图像纹理的数据和表征图像平滑度的数据;5)将烟草图像与标准无缺陷烟草图像进行图像匹配,定位烟草图像中的缺陷信息;6)从所述凹陷信息中提取表征缺陷深度的数据;7)根据所述表征图像纹理的数据、表征图像平滑度的数据和表征缺陷深度的数据,评价切丝机压实烟草切面质量。
Description
技术领域
本发明属于烟草领域,具体涉及切丝机压实烟草切面质量评价的方法。
背景技术
烟草切丝机是烟草行业制丝线关键主机设备之一,其主要作用是将烟草切割为丝状。切丝机可分为切叶丝机和切梗丝机,构造原理相似,分别用于烟叶和烟梗的切削。
对于烟梗来说,切梗丝机刀门处的压实烟草切面对烟梗成丝效果具有十分重要的影响。相较叶片而言,烟梗受到自身形态及力学性能的影响,在刀门处不易压实,呈现出压实烟草切面上存在若干凹陷。在切面凹陷及其周边,烟梗间的相互夹持力不足,在切削***的刀片作用下,凹陷及其周边的烟梗易产生位移,造成烟梗切削厚度不一致,甚至产生烟梗脱落,影响烟梗成丝的厚度均匀性。因此,需对切梗丝压实烟草切面进行评估,以预判切梗丝机成丝效果并做相应调整工作。
传统上,对切丝机压实烟草切面的评估主要依靠人工目测,评估结果仅为定性描述的好、一般或差,评价结果缺乏统一的标准,同时不具备科学性。
因此,亟待为切丝机压实烟草切面提供一种定量评价的方法,以增加评价的科学性和统一性,并更好的指导切梗丝机的设备调整。
需要说明的是,公开于本发明背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
针对上述问题,本发明的目的是提供一种切丝机压实切面定量评价的方法。该方法通过对切实切面进行定量分析,提取切面的定量分析指标;并对所提取的指标进行加权计算,应用该方法可以对切丝机压实切面进行定量的评价。
在一些方面,本公开提供一种切丝机压实烟草切面质量评价的方法,其特征在于,包括
1)获取切丝机压实烟草切面的彩色图像和深度图像;
2)对所述彩色图像和深度图像进行视场配准,获得彩色点云图(RGB-D);
3)对彩色图像进行分割,获取烟草图像;
4)从烟草图像中提取表征图像纹理的数据和表征图像平滑度的数据;
5)将烟草图像与标准无缺陷烟草图像进行图像匹配,定位烟草图像中的缺陷信息;
6)从所述凹陷信息中提取表征缺陷深度的数据;
7)根据所述表征图像纹理的数据、表征图像平滑度的数据和表征缺陷深度的数据,评价切丝机压实烟草切面质量。
在一些实施方案中,步骤1)包括:利用RGB-D相机拍摄切丝机压实烟草切面,以获取彩色图像和深度图像。
在一些实施方案中,步骤2)包括:根据所获取的彩色图像和深度图像进行视场配准,将深度图像的视场配准到彩色图像的视场中,将深度信息和彩色信息对应。
在一些实施方案中,步骤3)包括:从配准的图像中去除非烟草图像,仅保留烟草图像。
在一些实施方案中,步骤4)中,表征图形纹理信息的指标是图像的熵,表征图像平滑度信息的指标是图像在纵轴上的全变分。
在一些实施方案中,步骤5)包括:以无凹陷的烟草区域为标准切面,使所获取的烟草图像与标准切面进行图像匹配,获取烟草区域凹陷信息。
在一些实施方案中,步骤6)中,表征缺陷深度的数据包括:凹陷深度的平均值、凹陷深度的方差、或其组合。
在一些实施方案中,步骤7)包括,对表征图像纹理的数据、表征图像平滑度的数据和表征缺陷深度的数据赋予权重系数,使用加权计算方法定量评价切丝机压实烟草切面质量。
在一些实施方案中,图像的熵通过如下公式计算:
式中,H表示熵值,切丝机压实烟草切面烟草区域为一幅具有k种深度值的图像,且各值出现的概率分别为p1、p2,...,pk。
在一些实施方案中,图像在纵轴方向(即深度方向)的全变分通过如下公式计算:
式中,xij为图像上每个点的坐标值数据。
在一些实施方案中,计算凹陷的平均值,的计算公式如下:
式中,定义烟草凹陷信息为M×N分辨率的图像,f(i,j)为每个像素点的坐标值数据。
在一些实施方案中,计算凹陷的方差的计算公式如下:
本发明的有益效果:
本公开一个或多个技术方案具有以下一项或多项有益效果:
1)本方法利用机器视觉对压实切面进行采样并定量评价,从而替代人工主观评价,定量评价结果更具统一性。
2)将压实切面提取出图像的熵、全变分、凹陷的平均值、凹陷的方差等评价指标,相较人工主观评价,定量评价结果更具科学性。
3)本方法不仅用于切丝机压实切面的定量评价,同时还适用于同类具有异常形变的平面或曲面的定量评价。
附图说明
图1为切梗丝机结构原理图
图2为本发明一实施例提供的方法的流程示意图
图3为切丝机压实切面的原始图
图4为本发明一实施例的配准后的压实切面的彩色点云图
图5为本发明一实施例的图像分割后的烟草区域的彩色点云图
图6为本发明一实施例的基于特征点的图像配准流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
图1示出一个切梗丝机的结构示意图。如图,具有烟梗2经送料装置1进入一个由上铜排链3和下铜排链4构成的楔形通道。上铜排链3和下铜排链4运动输送并挤压物料,使其逐步形成结构紧密的“烟饼”,并送至楔形通道小端的矩形的刀门5处,烟饼在刀门5处形成一个压实切面。
主电机通过传动带驱动刀辊6回转,刀辊6上的刀片分别由推刀装置作连续的定量送进,并由磨刀器7刃磨,形成了一个规定直径的、刃口锋利的切削圆柱体。刀辊6将从刀门5连续送出的“烟饼”切成宽度符合工艺要求的烟丝,从落料斗8处输出。
图2为本发明一实施例提供的方法的流程示意图,如图2所示,本实施例提供的切丝机压实切面定量评价方法,其包括以下步骤:
101获取切丝机压实烟草切面的彩色图像和深度图像;
102对所述彩色图像和深度图像进行视场配准,获得彩色点云图(RGB-D);
103对彩色图像进行分割,获取烟草图像;
104从烟草图像中提取表征图像纹理的数据和表征图像平滑度的数据;
105将烟草图像与标准无缺陷烟草图像进行图像匹配,定位烟草图像中的缺陷信息;
106从所述凹陷信息中提取表征缺陷深度的数据;
107根据所述表征图像纹理的数据、表征图像平滑度的数据和表征缺陷深度的数据,评价切丝机压实烟草切面质量。
下面通过具体实施例进一步阐述切丝机压实切面定量评价方法。
一、获取切丝机压实切面的彩色图像和深度图像;
在本实施例中,通过由RGB-D相机(如微软的开发人员工具包Azure Kinect DK硬件)获取切丝机压实切面的彩色图像和深度图像。具体为:
1)生产过程中,人工打开切梗丝机的刀头罩,显示出压实切面,如图3所示;
2)利用RGB-D相机进行若干时长的视频拍摄,获取压实切面的视频流信息(一般为.mkv格式)。获取的视频流保存了多帧彩色图像和对应的深度图像,还包括若干相机参数;
3)由于拍摄的视频场景固定,只需提取视频流中的一帧彩色图像和深度图像进行处理。
二、切丝机压实切面的彩色图像和深度图像的配准;
根据所获取的RGB图像和深度图像进行配准,将深度图像的配准到RGB图像的视场中,将深度信息和RGB彩色信息对应。进而获取彩色点云图,如图4。
彩色图像和深度图像转为点云图是坐标系的变换:即图像坐标系→世界坐标系。变换的约束条件为相机的内部参数,可以通过读视频的配置信息得到,转换公式如下:
其中,x,y,z是点云坐标系,x’,y’是图像坐标系,D为深度值。
三、对彩色图像进行图像分割获取烟草区域切面;
由于步骤一中获取的压实切面区域包含大量背景像素,如刀门等信息,为便于后续处理,需对烟草区域进行定位,即分割出仅包括烟草区域的图像,如图5。
在本实施例中,烟草区域与非烟草区域(如刀门等)色差明显,因此使用传统学习方法中的GrabCut算法,利用图像中的颜色和边界信息,只要少量的用户交互操作即可得到比较好的分割效果。
以下为本实施例中GrabCut算法的执行流程。
1)交互输入。操作员直接框选烟梗切面,为算法提供一个初始运行条件,算法会将方框外的像素全部作为背景像素,而方框内的像素全部作为“可能是烟草区域”的像素。
2)将“可能是烟草区域”的像素赋予相应初始化标签an,得到属于前景(an=1)的一些像素,剩下的为属于背景(an=0)的像素。
3)使用一个高斯混合模型(GMM)对前景和背景建模。
4)根据输入,GMM学习并创建新的像素分布。对矩形框内的像素(可能是前景也可能是背景),可以根据他们与方框外的像素(背景)关系来进行分类。
5)根据像素的分布创建一幅图像。图中的节点就是像素点。除了像素点做节点之外还有两个节点:Source_node和Sink_node。所有的前景像素都和Source_node相连。所有的背景像素都和Sink_node相连。
6)将像素连接到Source_node/end_node的边的权重由他们属于同一类的概率决定。两个像素之间的权重由边的信息或者两个像素的相似性来决定。如果两个像素的颜色有很大的不同,那么它们之间的边的权重就会很小。
7)用mincut算法对上面的图进行分割。它会根据最低成本方程将图像分为Source_node和Sink_node。成本方程就是被剪掉的所有边的权重之和。在裁剪之后,所有连接到Source_node的像素被认为是前景,所有连接到Sink_node的像素被认为是背景。
8)继续这个过程直到分类收敛。
四、从烟草图像中提取表征图像纹理的数据和表征图像平滑度的数据;
对于烟草区域切面,其图像所能够传递的信息量可以用图像的熵来表示,反映的是图像的纹理等信息的丰富程度;图像在纵轴方向的全变分表征了烟草区域切面的平滑度,具体为:
1)图像的熵的计算
计算公式如下:
式中,定义切丝机压实切面烟草区域为一幅具有k种深度值的图像,且各值出现的概率分别为p1、p2,...,pk。
2)图像的全变分的计算
计算公式如下:
式中,xij为图像上每个点的坐标值数据
五、将烟草图像与标准无缺陷烟草图像进行图像匹配,定位烟草图像中的缺陷信息。
图像匹配流程如图6所示,该步骤包括:
输入待配准图像,进行预处理601;
将预处理获得的简单处理之后的图形进行提取特征点602;
将提取特征点获得的特征点集合进行特征点匹配603;
将特征点匹配获得的N对相应的特征点对进行变换模型的计算604;
将变换模型计算获得的两幅图像的空间变换进行重采样605;
重采样后输出配准的图像。
图像的匹配可定义为两幅图像的位置变换和灰度变换,即对一幅图像的像素坐标X=(x,y)映射到另一个新的坐标系中的某一坐标X^'=(x^',y^'),再对图像的像素值进行重新采样。
在本实施例中,以无凹陷的烟草区域为标准切面,使所获取的烟草区域切面与标准切面进行图像匹配,获取烟草区域凹陷信息。
一幅图像中总存在着其独特的像素点,这些点可以认为就是这幅图像的特征,成为特征点。这些特征点可进行图像特征匹配。每个关键点都由一个描述子(包含关键点本质特点的特征向量)表征。描述子应该对图像变换(如位置变换、缩放变换、亮度变换等)是鲁棒的。
基于特征点的图像匹配主要有四个步骤:特征点的提取、同名点的对应(即特征点的匹配)、图像变换模型的计算、图像重采样。
六、从所述凹陷信息中提取表征缺陷深度的数据;
对于与标准切面匹配后的烟草区域凹陷信息,其凹陷程度可以用凹陷的平均值来表示,用以反映切丝机压实切面烟草区域的凹陷深度的均值;凹陷的方差,用以反映切丝机压实切面烟草区域的凹陷深度与均值的离散程度,即凹陷深度值的数据波动幅度,具体为:
1)凹陷的平均值的计算
计算公式如下:
式中,定义烟草凹陷信息为M×N分辨率的图像,f(i,j)为每个像素点的坐标值数据
2)凹陷的方差的计算
计算公式如下:
七、根据所述表征图像纹理的数据、表征图像平滑度的数据和表征缺陷深度的数据,评价切丝机压实烟草切面质量。
在本实施例中,步骤四得到了图像的熵H、全变分等评价指标,步骤六得到了凹陷的平均值凹陷的方差s等评价指标。依据这些指标,可根据实际需求进行切丝机压实切面的定量评价;也可以对不同的参数设置不同的加权比例,进行综合计算评价。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种切丝机压实烟草切面质量评价的方法,其特征在于,包括
1)获取切丝机压实烟草切面的彩色图像和深度图像;
2)对所述彩色图像和深度图像进行视场配准,获得彩色点云图(RGB-D);
3)对彩色图像进行分割,获取烟草图像;
4)从烟草图像中提取表征图像纹理的数据和表征图像平滑度的数据;
5)将烟草图像与标准无缺陷烟草图像进行图像匹配,定位烟草图像中的缺陷信息;
6)从所述凹陷信息中提取表征缺陷深度的数据;
7)根据所述表征图像纹理的数据、表征图像平滑度的数据和表征缺陷深度的数据,评价切丝机压实烟草切面质量。
2.根据权利要求1所述的方法,其特征在于,步骤1)包括:利用RGB-D相机拍摄切丝机压实烟草切面,以获取彩色图像和深度图像。
3.根据权利要求2所述的方法,其特征在于,步骤2)包括:根据所获取的彩色图像和深度图像进行视场配准,将深度图像的视场配准到彩色图像的视场中,将深度信息和彩色信息对应。
4.根据权利要求3所述的方法,其特征在于,步骤3)包括:从配准的图像中去除非烟草图像,仅保留烟草图像。
5.根据权利要求4所述的方法,其特征在于,步骤4)中,表征图形纹理信息的指标是图像的熵,表征图像平滑度信息的指标是图像在纵轴上的全变分。
6.根据权利要求1所述的方法,其特征在于,步骤5)包括:以无凹陷的烟草区域为标准切面,使所获取的烟草图像与标准切面进行图像匹配,获取烟草区域凹陷信息。
7.根据权利要求1所述的方法,其特征在于,步骤6)中,表征缺陷深度的数据包括:凹陷深度的平均值、凹陷深度的方差、或其组合。
8.根据权利要求1所述的方法,其特征在于,步骤7)包括,对表征图像纹理的数据、表征图像平滑度的数据和表征缺陷深度的数据赋予权重系数,使用加权计算方法定量评价切丝机压实烟草切面质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191426.6A CN113888516A (zh) | 2021-10-13 | 2021-10-13 | 切丝机压实烟草切面质量评价的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111191426.6A CN113888516A (zh) | 2021-10-13 | 2021-10-13 | 切丝机压实烟草切面质量评价的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113888516A true CN113888516A (zh) | 2022-01-04 |
Family
ID=79002599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111191426.6A Pending CN113888516A (zh) | 2021-10-13 | 2021-10-13 | 切丝机压实烟草切面质量评价的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113888516A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778506A (zh) * | 2016-11-24 | 2017-05-31 | 重庆邮电大学 | 一种融合深度图像和多通道特征的表情识别方法 |
KR20170125716A (ko) * | 2016-05-04 | 2017-11-15 | 임재형 | 대상물의 위치 정보 측정 장치 그리고 그 제어 방법 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN110070571A (zh) * | 2019-04-28 | 2019-07-30 | 安徽农业大学 | 一种基于深度相机的毛竹形态参数检测方法 |
-
2021
- 2021-10-13 CN CN202111191426.6A patent/CN113888516A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170125716A (ko) * | 2016-05-04 | 2017-11-15 | 임재형 | 대상물의 위치 정보 측정 장치 그리고 그 제어 방법 |
CN106778506A (zh) * | 2016-11-24 | 2017-05-31 | 重庆邮电大学 | 一种融合深度图像和多通道特征的表情识别方法 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN110070571A (zh) * | 2019-04-28 | 2019-07-30 | 安徽农业大学 | 一种基于深度相机的毛竹形态参数检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961049B (zh) | 一种复杂场景下香烟品牌识别方法 | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN104463199A (zh) | 基于多特征及分割再校正的矿岩块度分类方法 | |
CN110717896A (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
CN110598030A (zh) | 一种基于局部cnn框架的甲骨拓片分类方法 | |
CN108830857A (zh) | 一种自适应的汉字碑帖图像二值化分割算法 | |
CN114998214A (zh) | 一种电缆缺陷检测的采样速度控制方法和*** | |
CN116740044B (zh) | 基于视觉检测与控制的铜管铣面加工方法及*** | |
Marzan et al. | Automated tobacco grading using image processing techniques and a convolutional neural network | |
CN112365450A (zh) | 基于图像识别的物品分类计数的方法、装置和存储介质 | |
CN114842262A (zh) | 融合线路通道正射影像的激光点云地物自动识别方法 | |
CN111932639A (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及*** | |
CN115880699A (zh) | 一种食品包装袋检测方法及*** | |
CN113610185B (zh) | 基于主色调识别的木材色选方法 | |
CN113947598A (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及*** | |
CN110111263B (zh) | 一种基于图像处理的烤烟种植指导*** | |
CN113888516A (zh) | 切丝机压实烟草切面质量评价的方法 | |
CN117237736A (zh) | 一种基于机器视觉和深度学习的大曲质量检测方法 | |
CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 | |
CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及*** | |
CN116645342A (zh) | 一种基于改进的ConvNeXt V2和Faster-RCNN的焊点缺陷检测方法 | |
CN109724921B (zh) | 一种基于光谱成像技术的书画鉴定图谱特征表示方法 | |
Lepage et al. | Material matting. |
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 |