CN114118266A - 一种表面含砂浆的再生骨料的视觉检测分类方法和*** - Google Patents
一种表面含砂浆的再生骨料的视觉检测分类方法和*** Download PDFInfo
- Publication number
- CN114118266A CN114118266A CN202111406830.0A CN202111406830A CN114118266A CN 114118266 A CN114118266 A CN 114118266A CN 202111406830 A CN202111406830 A CN 202111406830A CN 114118266 A CN114118266 A CN 114118266A
- Authority
- CN
- China
- Prior art keywords
- aggregate
- recycled
- recycled aggregate
- image
- conveyor belt
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000004570 mortar (masonry) Substances 0.000 title claims abstract description 26
- 230000000007 visual effect Effects 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000007664 blowing Methods 0.000 claims description 40
- 239000012535 impurity Substances 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000011179 visual inspection Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明提供了一种表面含砂浆的再生骨料的视觉检测分类方法,具体为:读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出;本发明提供的方法通过检测再生骨料的等级,将不同等级的再生骨料分离开,实现对再生骨料等级的检测并对骨料进行分类。
Description
技术领域
本发明涉及再生骨料分类领域,特别是指一种表面含砂浆的再生骨料的视觉检测分类方法。
背景技术
随着我国在基建方面的不断投入,对骨料的需求量也在不断地上涨,导致了在一些地区原生骨料的严重短缺。同时,我国建筑垃圾也产量也在不断地增加,多环境的污染更加严重。废弃混凝土作为在建筑垃圾中的主要成分,回收再利用制备成再生骨料不仅可以减少建筑垃圾对环境的污染,同时也能缓解对原生骨料的需求。由废弃混凝土加工而来的再生骨料因为砂浆的存在对骨料的等级会产生直接的影响,不同等级的再生骨料会在有各自适用的领域。而目前,没有有效的骨料分类方法。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种表面含砂浆的再生骨料的视觉检测分类方法,通过检测再生骨料的等级,将不同等级的再生骨料分离开,实现对再生骨料等级的检测并对骨料进行分类。
本发明采用如下技术方案:
一种表面含砂浆的再生骨料的视觉检测分类方法,包括如下步骤:
读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;
对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;
根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出。
具体地,对图像进行预处理得到预处理后的图像,所述预处理包括:图片的裁剪,匹配去重,高斯模糊降噪处理。
具体地,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,具体包括:
根据已经标注的数据集,训练mask rcnn实例分割网络;
根据训练好的mask rcnn实例分割网络,对采集的图片进行骨料的检测,输出检测结果,所述检测结果包括每个骨料的坐标,置信度,掩膜和类别。
具体地,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,还包括:根据面积除杂,寻找骨料轮廓,计算得到骨料的中心点,确定气吹点,具体为:
根据面积除杂:设定面积阈值,当面积小于一定阈值时判定为杂质,排除杂质;
边界处理:根据mask rcnn实例分割网络检测测结果,确定与边界重合的为不完整骨料;排除不完整骨料,对于满足等级要求的再生骨料确定吹气点;
确定吹气点:找出轮廓的最小外接矩形框,找出令两边轮廓内面积相等的划分线;划分线和轮廓的交点为A和B;吹气点的位置则为(A+B)/2。
具体地,还包括确定吹起时间,具体为:
每个骨料的吹气时间为:T+((D+d)/S)-t
其中,D为相机到气阀的距离,d为骨料质心到相机位置的距离,t为气阀动作延时时间,T为相机拍摄时间,s为传送带速度。
本发明实施例另一方面还提供一种表面含砂浆的再生骨料的视觉检测分类***,包括如下步骤:
传送骨料单元:读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
骨料图像扫描单元:通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;
骨料检测单元:对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;
骨料分类单元:根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出。
具体地,骨料检测单元中,对图像进行预处理得到预处理后的图像,所述预处理包括:图片的裁剪,匹配去重,高斯模糊降噪处理。
具体地,骨料检测单元中,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,具体包括:
根据已经标注的数据集,训练mask rcnn实例分割网络;
根据训练好的mask rcnn实例分割网络,对采集的图片进行骨料的检测,输出检测结果,所述检测结果包括每个骨料的坐标,置信度,掩膜和类别。
具体地,骨料分类单元,根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出,包括:根据面积除杂,寻找骨料轮廓,计算得到骨料的中心点,确定气吹点,具体为:
根据面积除杂:设定面积阈值,当面积小于一定阈值时判定为杂质,排除杂质;
边界处理:根据mask rcnn实例分割网络检测测结果,确定与边界重合的为不完整骨料,排除不完整骨料;排除不完整骨料;对于满足等级要求的再生骨料确定吹气点;
确定吹气点:找出轮廓的最小外接矩形框,找出令两边轮廓内面积相等的划分线;划分线和轮廓的交点为A和B;吹气点的位置则为(A+B)/2。
具体地,还包括确定吹起时间,具体为:
每个骨料的吹气时间为:T+((D+d)/S)-t
其中,D为相机到气阀的距离,d为骨料质心到相机位置的距离,t为气阀动作延时时间,T为相机拍摄时间,s为传送带速度。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提供了一种表面含砂浆的再生骨料的视觉检测分类方法,读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出通过检测再生骨料的等级,将不同等级的再生骨料分离开,实现对再生骨料等级的检测并对骨料进行分类;
(2)本发明提供了一种表面含砂浆的再生骨料的视觉检测分类方法,通过彩色线阵相机扫描再生骨料的图像,即可实现再生骨料的分类,相比之前的高光谱技术,本发明提供的手段更简洁有效。
附图说明
图1为本发明实施例提供的一种表面含砂浆的再生骨料的视觉检测分类方法流程图;
图2为本发明实施例提供的利用mask rcnn分割网络进行骨料检测的过程图;
图3为本发明实施例提供的边界处理过程图,其中(a)为边界处理前的示意图,(b)为边界处理后的示意图;
图4为本发明实施例提供的确定吹起点的示意图;
图5为本发明实施例提供的一种表面含砂浆的再生骨料的视觉检测分类***结构图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图1,为一种表面含砂浆的再生骨料的视觉检测分类方法流程图,包括如下步骤:
S101:读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
传送带上设置给料装置,通过振动将给料装置上的再生骨料下落到传送带上,通过读取传送带的速度,控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
S102:通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;
本发明实施例采用的是彩色线阵相机,现有技术实现骨料分类在此步骤需要通过高光谱仪器,成本高,***结构复杂。
S103:对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;
具体地,对图像进行预处理得到预处理后的图像,所述预处理包括:图片的裁剪,匹配去重,高斯模糊降噪处理。
具体地,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,具体包括:
根据已经标注的数据集,训练mask rcnn实例分割网络;
根据训练好的mask rcnn实例分割网络,对采集的图片进行骨料的检测,输出检测结果,所述检测结果包括每个骨料的坐标,置信度,掩膜和类别。
图2为本发明实施例提供的利用mask rcnn分割网络进行骨料检测的过程图。
S104:根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出。
具体地,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,还包括:根据面积除杂,寻找骨料轮廓,计算得到骨料的中心点,确定气吹点,具体为:
根据面积除杂:设定面积阈值,当面积小于一定阈值时判定为杂质,排除杂质;
边界处理:根据mask rcnn实例分割网络检测测结果,确定与边界重合的为不完整骨料;排除不完整骨料;对于满足等级要求的再生骨料确定吹气点;如图3为本发明实施例提供的边界处理过程图,其中(a)为边界处理前的示意图,(b)为边界处理后的示意图;
确定吹气点:找出轮廓的最小外接矩形框,找出令两边轮廓内面积相等的划分线;划分线和轮廓的交点为A和B;吹气点的位置则为(A+B)/2;如图4为本发明实施例提供的确定吹起点的示意图。
具体地,还包括确定吹起时间,具体为:
每个骨料的吹气时间为:T+((D+d)/S)-t
其中,D为相机到气阀的距离,d为骨料质心到相机位置的距离,t为气阀动作延时时间,T为相机拍摄时间,s为传送带速度。
对于排除的杂质和排除的不完整骨料,气阀不吹气,骨料落到第一收集箱内;对于满足等级要求的再生骨料经过吹气落到第二收集箱内,实现了再生骨料的分类。
如图5,为本发明实施例另一方面还提供一种表面含砂浆的再生骨料的视觉检测分类***,包括如下步骤:
传送骨料单元501:读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
传送带上设置给料装置,通过振动将给料装置上的再生骨料下落到传送带上,通过读取传送带的速度,控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
骨料图像扫描单元502:通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;
本发明实施例采用的是彩色线阵相机,现有技术实现骨料分类在此步骤需要通过高光谱仪器,成本高,***结构复杂。
骨料检测单元503:对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;
具体地,对图像进行预处理得到预处理后的图像,所述预处理包括:图片的裁剪,匹配去重,高斯模糊降噪处理。
具体地,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,具体包括:
根据已经标注的数据集,训练mask rcnn实例分割网络;
根据训练好的mask rcnn实例分割网络,对采集的图片进行骨料的检测,输出检测结果,所述检测结果包括每个骨料的坐标,置信度,掩膜和类别。
图2为本发明实施例提供的利用mask rcnn分割网络进行骨料检测的过程图。
骨料分类单元504:根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出。
具体地,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,还包括:根据面积除杂,寻找骨料轮廓,计算得到骨料的中心点,确定气吹点,具体为:
根据面积除杂:设定面积阈值,当面积小于一定阈值时判定为杂质,排除杂质;
边界处理:根据mask rcnn实例分割网络检测测结果,确定与边界重合的为不完整骨料;排除不完整骨料;对于满足等级要求的再生骨料确定吹气点;如图3为本发明实施例提供的边界处理过程图,其中(a)为边界处理前的示意图,(b)为边界处理后的示意图;
确定吹气点:找出轮廓的最小外接矩形框,找出令两边轮廓内面积相等的划分线;划分线和轮廓的交点为A和B;吹气点的位置则为(A+B)/2;如图4为本发明实施例提供的确定吹起点的示意图。
具体地,还包括确定吹起时间,具体为:
每个骨料的吹气时间为:T+((D+d)/S)-t
其中,D为相机到气阀的距离,d为骨料质心到相机位置的距离,t为气阀动作延时时间,T为相机拍摄时间,s为传送带速度。
对于排除的杂质和排除的不完整骨料,气阀不吹气,骨料落到第一收集箱内;对于满足等级要求的再生骨料经过吹气落到第二收集箱内,实现了再生骨料的分类。。
(1)本发明提供了一种表面含砂浆的再生骨料的视觉检测分类方法,读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出通过检测再生骨料的等级,将不同等级的再生骨料分离开,实现对再生骨料等级的检测并对骨料进行分类;
(2)本发明提供了一种表面含砂浆的再生骨料的视觉检测分类方法,通过彩色线阵相机扫描再生骨料的图像,即可实现再生骨料的分类,相比之前的高光谱技术,本发明提供的手段更简洁有效。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (10)
1.一种表面含砂浆的再生骨料的视觉检测分类方法,其特征在于,包括如下步骤:
读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;
对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;
根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出。
2.根据权利要求1所述的一种表面含砂浆的再生骨料的视觉检测分类方法,其特征在于,对图像进行预处理得到预处理后的图像,所述预处理包括:图片的裁剪,匹配去重,高斯模糊降噪处理。
3.根据权利要求1所述的一种表面含砂浆的再生骨料的视觉检测分类方法,其特征在于,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,具体包括:
根据已经标注的数据集,训练mask rcnn实例分割网络;
根据训练好的mask rcnn实例分割网络,对采集的图片进行骨料的检测,输出检测结果,所述检测结果包括每个骨料的坐标,置信度,掩膜和类别。
4.根据权利要求3所述的一种表面含砂浆的再生骨料的视觉检测分类方法,其特征在于,根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出,还包括:根据面积除杂,寻找骨料轮廓,计算得到骨料的中心点,确定气吹点,具体为:
根据面积除杂:设定面积阈值,当面积小于一定阈值时判定为杂质,排除杂质;
边界处理:根据mask rcnn实例分割网络检测测结果,确定与边界重合的为不完整骨料;排除不完整骨料;对于满足等级要求的再生骨料确定吹气点;
确定吹气点:找出轮廓的最小外接矩形框,找出令两边轮廓内面积相等的划分线;划分线和轮廓的交点为A和B;吹气点的位置则为(A+B)/2。
5.根据权利要求4所述的一种表面含砂浆的再生骨料的视觉检测分类方法,其特征在于,还包括确定吹起时间,具体为:
每个骨料的吹气时间为:T+((D+d)/S)-t
其中,D为相机到气阀的距离,d为骨料质心到相机位置的距离,t为气阀动作延时时间,T为相机拍摄时间,s为传送带速度。
6.一种表面含砂浆的再生骨料的视觉检测分类***,其特征在于,包括如下步骤:
传送骨料单元:读取传送带的速度,通过控制传送带速度将分散在皮带上的再生骨料依次送到图像采集区域;
骨料图像扫描单元:通过彩色线阵相机扫描在传送带上移动的再生骨料表面,得到含再生骨料表面纹理信息的图像;
骨料检测单元:对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息;
骨料分类单元:根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出。
7.根据权利要求6所述的一种表面含砂浆的再生骨料的视觉检测分类***,其特征在于,所述骨料检测单元中,对图像进行预处理得到预处理后的图像,所述预处理包括:图片的裁剪,匹配去重,高斯模糊降噪处理。
8.根据权利要求6所述的一种表面含砂浆的再生骨料的视觉检测分类***,其特征在于,所述骨料检测单元中,对图像进行预处理得到预处理后的图像,并输入到深度学习神经网络,确定出每个再生骨料的信息,具体包括:
根据已经标注的数据集,训练mask rcnn实例分割网络;
根据训练好的mask rcnn实例分割网络,对采集的图片进行骨料的检测,输出检测结果,所述检测结果包括每个骨料的坐标,置信度,掩膜和类别。
9.根据权利要求8所述的一种表面含砂浆的再生骨料的视觉检测分类***,其特征在于,所述骨料分类单元中,根据每个再生骨料的信息,控制在输送带出口处的气阀,将满足等级要求的再生骨料吹出,包括:根据面积除杂,寻找骨料轮廓,计算得到骨料的中心点,确定气吹点,具体为:
根据面积除杂:设定面积阈值,当面积小于一定阈值时判定为杂质,排除杂质;
边界处理:根据mask rcnn实例分割网络检测测结果,确定与边界重合的为不完整骨料;排除不完整骨料;对于满足等级要求的再生骨料确定吹气点;
确定吹气点:找出轮廓的最小外接矩形框,找出令两边轮廓内面积相等的划分线;划分线和轮廓的交点为A和B;吹气点的位置则为(A+B)/2。
10.根据权利要求9所述的一种表面含砂浆的再生骨料的视觉检测分类***,其特征在于,还包括确定吹起时间,具体为:
每个骨料的吹气时间为:T+((D+d)/S)-t
其中,D为相机到气阀的距离,d为骨料质心到相机位置的距离,t为气阀动作延时时间,T为相机拍摄时间,s为传送带速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406830.0A CN114118266A (zh) | 2021-11-24 | 2021-11-24 | 一种表面含砂浆的再生骨料的视觉检测分类方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111406830.0A CN114118266A (zh) | 2021-11-24 | 2021-11-24 | 一种表面含砂浆的再生骨料的视觉检测分类方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118266A true CN114118266A (zh) | 2022-03-01 |
Family
ID=80372259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111406830.0A Pending CN114118266A (zh) | 2021-11-24 | 2021-11-24 | 一种表面含砂浆的再生骨料的视觉检测分类方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN111797826A (zh) * | 2020-05-14 | 2020-10-20 | 中国三峡建设管理有限公司 | 大骨料集中区域检测方法和装置及其网络模型训练方法 |
CN113095410A (zh) * | 2021-04-14 | 2021-07-09 | 中北大学 | 基于彩色共生矩阵的再生混合细骨料分类识别方法 |
CN113095412A (zh) * | 2021-04-14 | 2021-07-09 | 中北大学 | 基于多特征融合与支持向量机的混合细骨料分类识别方法 |
CN113177909A (zh) * | 2021-04-01 | 2021-07-27 | 华侨大学 | 一种表面含砂浆的再生骨料多模态视觉检测方法和*** |
WO2021176386A1 (en) * | 2020-03-06 | 2021-09-10 | Geico Spa | Method and systems for the detection and classification of defects on surfaces |
CN113655002A (zh) * | 2021-08-30 | 2021-11-16 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测*** |
-
2021
- 2021-11-24 CN CN202111406830.0A patent/CN114118266A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458119A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种非接触式测量的混凝土骨料级配快速识别方法 |
WO2021176386A1 (en) * | 2020-03-06 | 2021-09-10 | Geico Spa | Method and systems for the detection and classification of defects on surfaces |
CN111797826A (zh) * | 2020-05-14 | 2020-10-20 | 中国三峡建设管理有限公司 | 大骨料集中区域检测方法和装置及其网络模型训练方法 |
CN111751253A (zh) * | 2020-07-06 | 2020-10-09 | 重庆理工大学 | 一种混凝土骨料检测模型的形成方法及质量检测方法 |
CN113177909A (zh) * | 2021-04-01 | 2021-07-27 | 华侨大学 | 一种表面含砂浆的再生骨料多模态视觉检测方法和*** |
CN113095410A (zh) * | 2021-04-14 | 2021-07-09 | 中北大学 | 基于彩色共生矩阵的再生混合细骨料分类识别方法 |
CN113095412A (zh) * | 2021-04-14 | 2021-07-09 | 中北大学 | 基于多特征融合与支持向量机的混合细骨料分类识别方法 |
CN113655002A (zh) * | 2021-08-30 | 2021-11-16 | 华侨大学 | 基于高光谱技术的表面含砂浆的再生骨料质量检测*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757948A (zh) * | 2022-06-14 | 2022-07-15 | 福建南方路面机械股份有限公司 | 一种基于深度学习的再生骨料砂浆含量检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN109377485B (zh) | 一种方便面包装缺陷机器视觉检测方法 | |
Wang et al. | Classification for plastic bottles recycling based on image recognition | |
CN109255787B (zh) | 基于深度学习和图像处理技术的丝锭划痕检测***及方法 | |
CN111652296A (zh) | 一种基于深度学习的铁路货车下拉杆折断故障检测方法 | |
CN105388162A (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别*** | |
CN111127499A (zh) | 一种基于语义轮廓信息的安检图像刀具检测分割方法 | |
Bai et al. | Fast recognition using convolutional neural network for the coal particle density range based on images captured under multiple light sources | |
CN104483320A (zh) | 工业脱硝催化剂的数字化缺陷检测装置与检测方法 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN112560941A (zh) | 基于图像检测的煤矸识别方法 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及*** | |
CN114118266A (zh) | 一种表面含砂浆的再生骨料的视觉检测分类方法和*** | |
TW202127371A (zh) | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 | |
CN114004204A (zh) | 基于计算机视觉的表格结构重建与文字提取方法和*** | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN112907523A (zh) | 一种基于轻量化网络的工业产品表面缺陷检测方法 | |
CN115439476A (zh) | 基于图像分析的丝印缺陷检测方法及装置 | |
CN106900601B (zh) | 一种快速精准识别对虾图像虾头点与虾尾点的方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及*** | |
CN114067296A (zh) | 钢轨表面缺陷识别方法及装置 |
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 |