CN117152175A - 一种基于机器视觉的废旧塑料位姿识别方法 - Google Patents
一种基于机器视觉的废旧塑料位姿识别方法 Download PDFInfo
- Publication number
- CN117152175A CN117152175A CN202311158655.7A CN202311158655A CN117152175A CN 117152175 A CN117152175 A CN 117152175A CN 202311158655 A CN202311158655 A CN 202311158655A CN 117152175 A CN117152175 A CN 117152175A
- Authority
- CN
- China
- Prior art keywords
- waste plastic
- image
- point
- outline
- contour
- 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
- 229920003023 plastic Polymers 0.000 title claims abstract description 76
- 239000004033 plastic Substances 0.000 title claims abstract description 76
- 239000002699 waste material Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000000463 material Substances 0.000 title claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000036544 posture Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06T7/0002—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的废旧塑料位姿识别方法,包括:通过工业彩色相机获取废旧塑料的图像;根据灰度化公式对获取的RGB图像进行灰度处理;将图像分割成横向的多个区域,并对每个通道进行有限经验灰度级的阈值分割;提取各个通道的废旧塑料轮廓,并计算通道质心,最终根据多个通道的质心坐标计算废旧塑料整体的质心和角度,得出废旧塑料的位姿。本方法增加了计算角度信息,从而增加了大角度废旧塑料分拣的成功率;并且减少了进行阈值分割时最佳阈值的遍历范围,从而减少了阈值分割的计算量,减少了图像识别所消耗的时间。
Description
技术领域
本发明涉及机器视觉领域,具体涉及一种基于机器视觉的废旧塑料位姿识别方法。
背景技术
饮品行业大规模采用轻质塑料瓶作为包装容器,这类塑料瓶是由不可再生的石油经过聚合加工得到的,在自然状态下难以降解。如果对废旧塑料不进行回收利用处理,由此产生的垃圾就地掩埋、焚烧或者随意丢弃,都会给生态环境带来很大的危害,而且还会造成大量的资源浪费,对废旧塑料进行分拣和回收处理是解决这一问题的关键所在。废旧塑料回收过程中其颜色、质量和大小各异,需要进行分拣。目前国内外的废旧塑料分选主要以人工分选为主,人工分选不仅工作强度大,分选效率低而且工作环境差,因此亟需一种快速稳定的自动分选装备来代替人工分选。
机器视觉***能够以极快的速度进行图像捕捉、处理和分析,提高处理效率和处理能力;可以应对不同类型和形态的废旧塑料;可以与传送带和气动装置等其他设备进行无缝衔接,实现全自动的废旧塑料分选生产线。一般来说,废旧塑料分选***末端的气动分选部分的喷嘴是离散的,塑料的质心位置与喷射头的位置往往不一致。在分选形状和位姿大的废旧塑料时,单个喷射头的气压和流量不够导致分选失效。因此,废旧塑料分选时可能需要多个喷嘴错时喷射气流,这就要求既能感知到废旧塑料的质心位置外,还需要获得废旧塑料的姿态信息。下面是一些有关位置和姿态识别算法的研究进展。
专利CN109190493A公开的一种图像识别方法,采用灰度化处理得到灰度化图像,然后对灰度图像进行多阈值搜索,获得最优和声阈值解集进行分割,可以准确地定位到苹果的具***置,此方法虽然用阈值分割精准地定位到了苹果的位置,但是并没有计算出它的姿态,不适用于分选大角度废旧塑料的场合。
专利CN115082560A公开了一种物料位姿识别方法通过获取包含零件的原始图像,在原始图像中生成零件的最小外接矩形,根据最小外接矩形获取零件的位置数据和主方向夹角,把位置数据和旋转角度映射到世界坐标系中,得到零件的位姿;专利CN113269835A,提供了一种基于轮廓特征的工业零件位姿识别方法,通过获取工业零件的图像,然后根据图像获取所述工业零件的边缘像素点坐标,接着根据边缘像素点坐标获取所述工业零件的最小外接矩形的四个角点的角点坐标,最后计算所述最小外接矩形的中心点坐标作为所述工业零件的位置坐标,进而计算所述工业零件的姿态角度,这两个专利都使用了最小外接矩形法计算出了零件的位置信息和角度信息,但是实验表明,在使用最小外接矩形法进行阈值分割遍历最佳阈值时需要计算256个灰度级的信息熵,对计算机的硬件***要求较高。
发明内容
针对上述存在的问题,本发明提出了一种基于机器视觉的废旧塑料位姿识别方法,该方法能够快速识别传送带上废旧塑料的位姿,计算出位置信息以及废旧塑料的角度信息,既减少了算法消耗的时间,又提高了大角度的废旧塑料分拣的效果。
本发明的目的通过如下技术方案来实现:
一种基于机器视觉的废旧塑料位姿识别方法,包括如下步骤:
步骤S1:将工业彩色相机安装至传送带上方,当废旧塑料出现在工业彩色相机视界范围内时,工业彩色相机实时采集到废旧塑料的图像;
步骤S2:对步骤S1得到的图像使用加权平均法进行灰度化处理,将原始图像中的废旧塑料和背景区分开;
步骤S3:将步骤S2得到的灰度处理后的图像使用横向平均切割法分割成与相机视场相对应的多个横向的区域,然后对每个区域设置一个固定范围的阈值进行经验阈值分割处理,阈值分割后得到二值化图像;
步骤S4:对步骤S3阈值分割得到的二值化图像使用Suzuki算法对多个区域进行轮廓提取,然后利用轮廓矩计算多个区域质心的位置,最后根据每个区域的质心位置通过公式计算出废旧塑料整体的质心和角度,最终实现废旧塑料的位姿识别。
本发明的有益效果:使用的分区域的经验阈值分割使用横向切割把图像分割成与相机视场相对应的N个横向的区域,再进行经验阈值分割,用每个区域的质心位置计算整体废旧塑料的角度,可以精准地控制分选大角度废旧塑料时喷嘴使用的个数以及每个喷嘴动作的时间,也减少了算法计算的时间,从而提升了废旧塑料分选的效率和成功率。
附图说明
图1为本发明的方法流程图。
图2为分区域的经验阈值分割计算流程图。
图3为废旧塑料原始图像。
图4为废旧塑料灰度图。
图5为废旧塑料按区域分割后的灰度图。
图6轮廓边界的拓扑关系图。
图7为废旧塑料按区域进行轮廓提取后的结果图。
具体实施方式
下面根据附图和实例详细描述本发明,本发明的目的和效果将变得更加明白,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1和图2所示,本发明是用于实时分拣废旧塑料的位姿识别方法,具体包括如下步骤:
步骤S1:将工业彩色相机安装至传送带上方,当废旧塑料出现在工业彩色相机视界范围内时,工业彩色相机会实时获取到废旧塑料的图像,并传输给计算机;
步骤S2:对步骤S1得到的图像使用加权平均法进行灰度化处理,将原始图像中的废旧塑料和背景区分开;
步骤S3:将步骤S2得到的灰度处理后的图像使用横向平均切割法分割成与相机视场相对应的N个横向的区域,然后对每个区域设置一个固定范围的阈值进行经验阈值分割处理,阈值分割后得到二值化图像;
步骤S4:对步骤S3分区域经验阈值分割后得到的二值化图像使用Suzuki算法对N个区域进行轮廓提取,然后利用轮廓矩计算这N个区域质心的位置,最后根据每个区域的质心位置通过公式计算出废旧塑料整体的质心和角度,最终实现废旧塑料的位姿识别;
所述的一种基于机器视觉的废旧塑料位姿识别方法,步骤S2具体方法为:将工业彩色相机获取到的图像根据RGB三种不同颜色通道的重要性,分别给RGB三个通道的颜色值乘上不同的权重后相加得到一个灰度值,最终实现RGB图转为灰度图,具体的计算公式如公式(1)所示:
Grey=αR+βG+γB#(1)
其中α、β、γ分别根据三个不同颜色通道的亮度贡献程度得到的相应权重,经过实验对比论证选用α=0.07,β=0.72,γ=0.21时进行灰度处理得到的效果最好,如下图3和图4分别是废旧塑料的原始彩色图像和进行灰度化处理后的结果图。
所述的一种基于机器视觉的废旧塑料位姿识别方法,步骤S3具体方法为:为了缩短阈值分割过程中分割阈值的遍历寻找时间,提前确定分割阈值而不是对每一帧图像进行阈值的遍历,这种固定的阈值分割方法比较适合背景比较单一,分割阈值波动较小的场合,与本发明的工作场景较为贴合。本发明工作中使用的黑灰色传送带背景在运动过程中局部的像素值变化不大,但是不同区域之间的颜色差异较大,在0-255范围的灰度模式下灰度值差异达到了50左右,如果对于不同的区域采用相等的固定阈值进行分割会产生很大的误差。因此考虑对相机拍到的图像范围内进行分区处理,设置区域的个数为N个,并在每一个区域设置一个固定范围的经验阈值进行阈值分割处理,根据图像的高度计算出每个区域的高度,接着根据预定义的行数将图像水平方向上切割。分割后的N个条状区域可以统计其经验平均灰度值作为计算该区域固定阈值的依据。
以N=12为例,图5为灰度图像分割后的效果图,测试得到的部分数据列举如下表1,其中表1中的数值表示只有背景时该通道的灰度平均值,空格表示该数据点中存在待识别的塑料因此不计入计算行列。
表1各通道平均灰度值统计表
从表1中的数据计算得到N=12时各个通道的背景的灰度经验值,结果如下表2。表2中的经验灰度平均值加上特定的调整值,调整值的经验值设置为50,即可作为区分背景和前景的最大熵阈值遍历范围。
表2各通道的灰度统计平均值
在对一张图像进行阈值分割处理时,首先将整张图像分割为N个横向区域,而后对每一个区域进行单独的最大熵阈值分割,假设该通道的背景灰度统计平均值为x,则此时最大熵分割阈值的遍历范围不是[0,255]而是[x,x+50],若使得图像熵最大的阈值出现在x到x+50之间则该阈值即为最大熵分割阈值,若在[x,x+50]范围内图像的熵值单调递增则选定x+50作为分割阈值,该阈值虽然不是[0,255]全灰度级范围内的最大熵分割阈值但是足以将图像中的塑料和传送带背景区分开,因此不必继续遍历寻找最大熵分割阈值,如此一来将每个通道的分割阈值遍历范围从0-255共256个数值降低至50以内,大大压缩了图形处理的时间。
所述的一种基于机器视觉的废旧塑料位姿识别方法,步骤S4具体方法为:对完成分区域经验阈值分割后的二值化图像使用Suzuki算法进行轮廓提取,Suzuki算法对数字二值图像进行拓扑分析,并创造性地采用图像的外边界、孔边界以及他们的层次关系来表述数字图像的轮廓。关于外边界和孔边界的定义为:若有1连通域S1,0连通域S2,如果S2直接环绕S1,则S2和S1之间的边界称为外边界;如果S1直接环绕S2,则S2和S1之间的边缘称为孔边界,外边界还是孔边界都是由1像素组成。其中连通区域的环绕是指连对于两个相邻的连通区域S1和S2,如果对于S1上任意一个点的4个方向,都能达到S2,那么S2环绕S1。关于轮廓之间层级关系的定义为:假设现有1连通域S1和S3,0连通域S2;S2直接环绕S1,S3直接环绕S2,S1与S2之间的边界为B1,S2与S3之间的边界为B2,则B2为B1的父边界,如果S2是背景,那么B1的父边界是图像边框,图像和边框的拓扑关系例如下图6所示。Suzuki算***廓提取方式为一种类似光栅扫描的方法即对图像像素点从左至右从上到下扫描,采用边界跟踪算法可以得到图像的多条轮廓,并对每条轮廓赋予一个唯一的编号,在扫描的过程中用NBD表示当前跟踪的边界的编号,用LNBD表示保存的上一个边界的编号。
Suzuki算法提取轮廓原始的具体流程为,若输入图像为F={f(i,j)},其中i和j分别为该像素点的横坐标和纵坐标,将初始NBD设为1,将图像的边框视为第一个轮廓边界,对图像进行扫描,当扫描到某个像素点f(i,j)≠0时执行以下步骤:
(1)判断为以下哪种情况
(a)若f(i,j)=1且f(i,j-1)=0,则(i,j)为外边界开始点,令NBD=NBD+1,同时保存(i2,j2)的坐标等于(i,j-1)。
(b)若f(i,j)≥1且f(i,j+1)=0,则(i,j)为孔边界开始点,令NBD=NBD+1,同时保存(i2,j2)的坐标等于(i,j+1)。
(c)其他情况跳到(4)
(2)根据保存的上一个边界和当前遇到的边界,从表3中查询得到当前边界的父边界,其中B’为上一个边界,B为新边界;
表3当前边界的父边界
(3)从边界开始点(i,j)开始按照下面的算法进行边界跟踪
(3.1)以(i,j)为中心,(i2,j2)为起始点,在顺时针方向查找(i,j)的八邻域,判断是否存在非零像素点。若找到非零像素点,则令顺时针方向的第一个非零像素点的坐标为(i1,j1)并转到(3.2);否则令f(i,j)=-NBD,并转到(4);
(3.2)更新(i2,j2)的坐标为(i1,j1),(i3,j3)的坐标为(i,j);
(3.3)以(i3,j3)为中心,从(i2,j2)开始,按逆时针方向查找(i3,j3)的八邻域是否存在非零像素点,并令(i4,j4)为遇到的第一个非零像素点的坐标,其中八领域是指一个像素点周围的八个相邻像素点,即对于给定像素点(i,j),其八邻域的位置可以表示为(i-1,j-1),(i-1,j),(i-1,j+1),(i,j-1),(i,j),(i,j+1),(i+1,j-1),(i+1,j),(i+1,j+1),相比之下,如果只考虑四个邻域(上、下、左、右),可能会忽略掉对角线方向上的边界信息,导致提取的轮廓不完整或不准确;
(3.4)若(i3,j3+1)是(3.3)中检查过的像素点且为零像素点,则令f(i3,j3)=-NBD;若(i3,j3+1)不是(3.3)中检查过的像素点且为非零像素点,则令f(i3,j3)=NBD;
(3.5)若(i4,j4)=(i,j)且(i3,j3)=(i2,j2)代表回到了起始点,跳到(4);否则更新(i2,j2)的坐标为(i3,j3),(i3,j3)的坐标为(i4,j4),并转到(3.3);
(4)若f(i,j)≠1,则LNBD=|f(i,j)|,从点(i,j+1)继续扫描,当扫描到图片的右下角顶点时算法结束。
对原始Suzuki算法流程进行改进和简化,本发明使用Suzuki算法流程为:用f(i,j)表示点(i,j)的像素值,行扫描废旧塑料二值化图像直到遇到连通区域的一个点(m,n)的像素值出现f(m-1,n)=0且f(m,n)=255时,这个点就是轮廓上的第一个点。以点(m-1,n)作为起始点,逆时针遍历点(m,n)的八邻域,以发现的第一个不为0的点为起始点逆时针遍历点(m,n)的八邻域,发现的第一个不为0的点就是轮廓的下一个点。依照此方法,直到轮廓完整闭合。标记这个连通域边界上的像素,并分配一个唯一的标示符给这个边界。再次发现新的连通域后,将标示符加1,按照相同的方法跟踪轮廓。得到废旧塑料的全部轮廓后选择最大的将其输出。
在获取废旧塑料每个区域的轮廓以后,本发明利用轮廓的矩求取废旧塑料每个区域的轮廓质心位置。第i个区域的(p+q)阶轮廓矩m(pq)i定义如下:
其中,x和y为轮廓上像素点的横坐标和纵坐标值,I(x,y)为像素坐标点(x,y)的像素值(值为0或者1),ni是第i个区域轮廓上像素点的个数;求解质心时用一阶轮廓矩,也就是系数p和q的值分别为0或者1,但两者之和为1,即p+q=1。
在轮廓图像中,轮廓上点的像素值全部为1,因此零阶矩m(00)i就是第i个区域轮廓上点的个数,一阶轮廓矩m(10)i、m(01)i分别是第i个区域轮廓上各像素点的x坐标值和y坐标值的累加。第i个区域轮廓所对应的质心位置(xi,yi)可以通过式(3)来计算。
按照上述方法提取二值化图像的轮廓并求得质心位置,得到的结果如下图7所示。计算出每个区域的质心坐标坐标后,用如下公式分别计算该废旧塑料总的质心(x,y)以及废旧塑料的角度θ。
其中n为连通域的个数,(xi,yi)是第i个连通域的轮廓质心。
利用上述公式对图7中废旧塑料瓶计算得到的质心、角度以及计算时间(N=12时)如下表4所示。
表4废旧塑料位姿计算结果
从上表可见采用分区域的经验阈值分割方法可以有效的减少阈值分割的计算量,计算时间减少到了23ms,大大减少了图像识别所消耗的时间。
上面对本发明的较佳实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种基于机器视觉的废旧塑料位姿识别方法,其特征在于,包括如下步骤:
步骤S1:将工业彩色相机安装至传送带上方,当废旧塑料出现在工业彩色相机视界范围内时,工业彩色相机实时采集到废旧塑料的图像;
步骤S2:对步骤S1得到的图像使用加权平均法进行灰度化处理,将原始图像中的废旧塑料和背景区分开;
步骤S3:将步骤S2得到的灰度处理后的图像使用横向平均切割法分割成与相机视场相对应的多个横向的区域,然后对每个区域设置一个固定范围的阈值进行经验阈值分割处理,阈值分割后得到二值化图像;
步骤S4:对步骤S3阈值分割得到的二值化图像使用Suzuki算法对多个区域进行轮廓提取,然后利用轮廓矩计算多个区域质心的位置,最后根据每个区域的质心位置通过公式计算出废旧塑料整体的质心和角度,最终实现废旧塑料的位姿识别。
2.根据权利要求1所述的一种基于机器视觉的废旧塑料位姿识别方法,其特征在于,所述步骤S2加权平均法灰度化处理具体方法为:将工业彩色相机获取到的图像根据RGB三种不同颜色通道的重要性,分别给RGB三个通道的颜色值乘上不同的权重后相加得到一个灰度值,最终实现RGB图转为灰度图。
3.根据权利要求1所述的一种基于机器视觉的废旧塑料位姿识别方法,其特征在于,所述步骤S3的横向平均切割和经验阈值分割具体方法为:首先定义切割行,根据图像的高度计算出每个区域的高度,接着根据预定义的行数将图像水平方向上切割成若干个区域,针对每个区域,统计只有传送带背景区域的平均灰度平均值,然后根据平均灰度值设置区分背景和前景的阈值遍历范围,最后将每个区域进行单独的阈值分割,生成对应的二值化图像。
4.根据权利要求1所述的一种基于机器视觉的废旧塑料位姿识别方法,其特征在于,所述步骤S4“Suzuki算法提取轮廓”具体方法为:将二值化图像初始化一个与其大小相同的标记图像,并将所有的像素初始化为0,用f(i,j)表示点(i,j)的像素值,行扫描废旧塑料二值图像直到遇到连通区域的一个点(m,n),f(m-1,n)=0,且f(m,n)=255,这个点就是轮廓上的第一个点;以点(m-1,n)作为起始点,逆时针遍历点(m,n)的八邻域,以发现的第一个不为0的点为起始点逆时针遍历点(m,n)的八邻域,发现的第一个不为0的点就是轮廓的下一个点;依照此方法,直到轮廓完整闭合;标记这个连通域边界上的像素,并分配一个唯一的标示符给这个边界;再次发现新的连通域后,将标示符加1,按照相同的方法跟踪轮廓;得到废旧塑料的全部轮廓后选择最大的将其输出,最终得到完整的轮廓图像。
5.根据权利要求1所述的一种基于机器视觉的废旧塑料位姿识别方法,其特征在于,废旧塑料整体的质心和角度的计算公式分别为:
其中(x,y)为废旧塑料整体的质心坐标,n为区域的个数,(xi,yi)是第i个区域中的轮廓的质心;θ为废旧塑料整体的角度;
第i个区域中的轮廓的质心计算公式为:
其中,m(00)i就是第i个区域轮廓上点的个数,m(10)i、m(01)i分别是第i个区域轮廓上各像素点的x坐标值和y坐标值的累加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311158655.7A CN117152175A (zh) | 2023-09-08 | 2023-09-08 | 一种基于机器视觉的废旧塑料位姿识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311158655.7A CN117152175A (zh) | 2023-09-08 | 2023-09-08 | 一种基于机器视觉的废旧塑料位姿识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152175A true CN117152175A (zh) | 2023-12-01 |
Family
ID=88898563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311158655.7A Pending CN117152175A (zh) | 2023-09-08 | 2023-09-08 | 一种基于机器视觉的废旧塑料位姿识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671497A (zh) * | 2023-12-04 | 2024-03-08 | 广东筠诚建筑科技有限公司 | 一种基于数字图像的工程建筑废料分类方法及装置 |
-
2023
- 2023-09-08 CN CN202311158655.7A patent/CN117152175A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117671497A (zh) * | 2023-12-04 | 2024-03-08 | 广东筠诚建筑科技有限公司 | 一种基于数字图像的工程建筑废料分类方法及装置 |
CN117671497B (zh) * | 2023-12-04 | 2024-05-28 | 广东筠诚建筑科技有限公司 | 一种基于数字图像的工程建筑废料分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596066B (zh) | 一种基于卷积神经网络的字符识别方法 | |
CN109409366B (zh) | 基于角点检测的畸变图像校正方法及装置 | |
CN109753953B (zh) | 图像中定位文本的方法、装置、电子设备和存储介质 | |
CN102742977B (zh) | 基于图像处理的涂胶路径控制方法 | |
Valizadeh et al. | Binarization of degraded document image based on feature space partitioning and classification | |
CN117152175A (zh) | 一种基于机器视觉的废旧塑料位姿识别方法 | |
CN102156868A (zh) | 图像二值化方法和装置 | |
CN112085024A (zh) | 一种罐表面字符识别方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN110443205A (zh) | 一种手部图像分割方法及装置 | |
CN104361353A (zh) | 一种感兴趣区域的定位方法在仪表监控识别中的应用 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
US12017368B2 (en) | Mix-size depalletizing | |
CN112883881B (zh) | 一种条状农产品无序分拣方法及装置 | |
CN104331695A (zh) | 一种鲁棒的圆形标志符形状质量检测方法 | |
CN111914818B (zh) | 一种基于多帧离散置信度森林火灾烟雾根节点检测方法 | |
CN110598708A (zh) | 一种街景文本目标识别检测方法 | |
CN114419006A (zh) | 一种随背景变化的灰度视频文字类水印去除方法及*** | |
CN112446417B (zh) | 基于多层超像素分割的纺锤形果实图像分割方法及*** | |
CN112381844A (zh) | 基于图像分块的自适应orb特征提取方法 | |
CN111611783A (zh) | 一种图形表格的定位分割方法及装置 | |
CN107688812B (zh) | 一种基于机器视觉的食品生产日期喷墨字体修复方法 | |
CN115410184A (zh) | 一种基于深度神经网络的目标检测车牌识别方法 | |
CN112288372B (zh) | 一种可同时识别一维条码和三段码字符的快递单识别方法 | |
CN114549649A (zh) | 一种基于特征匹配的扫描地图点符号的快速识别方法 |
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 |