CN117974667B - 一种全自动视觉分拣控制方法及*** - Google Patents
一种全自动视觉分拣控制方法及*** Download PDFInfo
- Publication number
- CN117974667B CN117974667B CN202410389073.8A CN202410389073A CN117974667B CN 117974667 B CN117974667 B CN 117974667B CN 202410389073 A CN202410389073 A CN 202410389073A CN 117974667 B CN117974667 B CN 117974667B
- Authority
- CN
- China
- Prior art keywords
- sorting
- sorted
- determining
- pixel
- moment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005286 illumination Methods 0.000 claims abstract description 125
- 230000000007 visual effect Effects 0.000 claims abstract description 31
- 230000005855 radiation Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 description 24
- 239000011229 interlayer Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种全自动视觉分拣控制方法及***,获取分拣物件图像;确定分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;采集多个角位光照分量,基于角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;通过特征鉴别度和廓形识别量确定分拣执行置信值,根据分拣执行置信值控制待分拣物件的分拣,可实现形状复杂、外观相似的分拣物件的细微识别。
Description
技术领域
本申请涉及视觉分拣技术领域,更具体的说,本申请涉及一种全自动视觉分拣控制方法及***。
背景技术
视觉分拣技术是一种基于计算机视觉和机器学习的先进技术,旨在通过模拟人类视觉***的方式,使机器能够识别和分拣复杂的视觉信息,这一技术背景涵盖了多个领域,包括计算机视觉、深度学习、图像处理和自动化控制等,为自动分拣***提供了强大的技术支持,其中,计算机视觉是视觉分拣技术的核心,通过摄像头或其他传感器获取的图像数据经过预处理、特征提取和图像识别等步骤,最终实现对物件的识别和分类,此外,图像处理技术在视觉分拣中扮演了重要的角色,包括图像的增强、去噪、边缘检测等一系列处理步骤,旨在提高图像质量和减少干扰,从而更好地为计算机视觉***提供清晰的输入,另外,自动化控制技术是视觉分拣***中的关键环节,通过与机械臂、输送带等物理设备的集成,视觉分拣***能够实现对识别物件的自动抓取和放置,自动化控制***通过对分拣任务进行规划、协调和执行,提高了整个分拣过程的效率,减少了人为干预的需求。
现有技术中,对待分拣物件进行分拣时,往往采用单一的机器手对待分拣物件进行统一的分拣,然而,在全自动视觉分拣过程中,对于形状复杂、外观相似的分拣物件,在不同角位下的光照强度不一,使得待分拣物件的表面轮廓形态多样,难以识别其微小的物件特征,进而导致对待分拣物件的分拣可信性下降,因此,如何实现形状复杂、外观相似的分拣物件的细微识别成为了业界面临的难题。
发明内容
本申请提供一种全自动视觉分拣控制方法及***,能够实现形状复杂、外观相似的分拣物件的细微识别。
第一方面,本申请提供一种全自动视觉分拣控制方法,包括如下步骤:
启动视觉分拣,获取分拣台面上待分拣物件的分拣物件图像;
确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;
由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;
采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;
通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣。
在一些实施例中,确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点具体包括:
获取所述分拣物件图像;
对所述分拣物件图像进行目标分拣物件区域的提取,得到目标物件区域图;
从所述目标物件区域图中获取所有的物件像素点;
选取一个物件像素点,确定该个物件像素点的辐射向径,基于所述辐射向径,确定该个物件像素点的辐射边缘像素点参考数,根据所述辐射边缘像素点参考数确定该个物件像素点的多个物件像素参考点;
将该个物件像素点的灰阶值与每个物件像素参考点的灰阶值进行残差计算,得到所有的灰阶偏离值,根据所有的灰阶偏离值确定该个物件像素点对应的灰阶偏离熵,继续确定剩余物件像素点对应的灰阶偏离熵;
若所述灰阶偏离熵大于预设偏离熵,则将所述灰阶偏离熵对应的物件像素点作为分拣像素兴趣点。
在一些实施例中,根据所有的灰阶偏离值确定该个物件像素点对应的灰阶偏离熵具体包括:
获取所有的灰阶偏离值;
获取不同灰阶偏离值出现的次数,由所有不同灰阶偏离值出现的次数确定该个物件像素点对应的灰阶偏离熵。
在一些实施例中,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩具体包括:
获取所有的分拣像素兴趣点;
选取一个分拣像素兴趣点,确定该个分拣像素兴趣点的局部邻接信息,所述局部邻接信息表示不同邻接框状态下的平均灰度差;
从所述局部邻接信息中获取不同邻接框状态下的平均灰度差,当所述平均灰度差达到预设平均灰度差范围时,将该平均灰度差对应的邻接框作为该个分拣像素兴趣点对应的空间匹配矩,继续确定剩余分拣像素兴趣点对应的空间匹配矩。
在一些实施例中,由所有的空间匹配矩生成多个特征关联矩对具体包括:
获取所有的空间匹配矩;
将尺度相同的两个空间匹配矩作为一对特征关联矩对,从而得到多个特征关联矩对。
在一些实施例中,根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度具体包括:
获取所有的特征关联矩对;
选取一个特征关联矩对,确定该个特征关联矩对中每个空间匹配矩的灰阶中心测度值;
将该个特征关联矩对中每个空间匹配矩的灰阶中心测度值进行绝对差计算,得到该个特征关联矩对对应的灰阶中心偏离度,继续确定剩余特征关联矩对对应的灰阶中心偏离度;
根据所有的灰阶中心偏离度确定当前待分拣物件在分拣台面下的特征鉴别度
在一些实施例中,从自动视觉分拣数据库获取分拣台面上待分拣物件的分拣物件图像。
第二方面,本申请提供一种全自动视觉分拣控制***,包括:
获取模块,用于在启动视觉分拣后,获取分拣台面上待分拣物件的分拣物件图像;
处理模块,用于确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;
所述处理模块,还用于由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;
所述处理模块,还用于采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;
执行模块,用于通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的全自动视觉分拣控制方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的全自动视觉分拣控制方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的全自动视觉分拣控制方法及***中,首先,启动视觉分拣,获取分拣台面上待分拣物件的分拣物件图像;其次,确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;进一步的,由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;再进一步的,采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;最后,通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣。
由此可见,本申请基于分拣物件图像确定空间匹配矩,由于所述空间匹配矩为分拣像素兴趣点局部特征最大聚合的一个正方形框,可有效将待分拣物件的相似特征聚合在一个框中,在该框中可最大限度的识别出局部的物件特征,进而可通过空间匹配矩确定特征鉴别度,而所述特征鉴别度为待分拣物件图像中的特征能够被准确地识别或区分的程度量,即能够描述出待分拣物件特征的唯一性和区分度,其次,对于形状复杂、外观相似的分拣物件,在不同角位下的光照强度不一,使得待分拣物件的表面轮廓形态多样,难以识别其微小的物件特征,因而,可通过不同角位的表面光照度来估量出当前待分拣物件的廓形识别量,而所述廓形识别量是对待分拣物件在照射光下的外形轮廓的识别程度的量化指标量,因此可衡量出待分拣物件分拣时识别轮廓外形的清晰性,最后通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣,综上所述,本申请能够实现形状复杂、外观相似的分拣物件的细微识别。
附图说明
图1是根据本申请一些实施例所示的全自动视觉分拣控制方法的示例性流程图;
图2是根据本申请一些实施例所述的确定特征鉴别度的示例性流程图;
图3是根据本申请一些实施例所述的确定廓形损失度的示例性流程图;
图4是根据本申请一些实施例所示的全自动视觉分拣控制***的示例性硬件和/或软件的示意图;
图5是根据本申请一些实施例所示的实现全自动视觉分拣控制方法的计算机设备的结构示意图。
具体实施方式
本申请核心是在启动视觉分拣后,获取分拣台面上待分拣物件的分拣物件图像;其次,确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;进一步的,由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;再进一步的,采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;最后,通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣,可实现形状复杂、外观相似的分拣物件的细微识别。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的全自动视觉分拣控制方法的示例性流程图,该全自动视觉分拣控制方法100主要包括如下步骤:
在步骤101,启动视觉分拣,获取分拣台面上待分拣物件的分拣物件图像。
具体实现时,在启动视觉分拣时,通过自动视觉分拣数据库获取分拣台面上待分拣物件的分拣物件图像,所述分拣物件图像可由摄像头采集得到,这里不在赘述。
需要说明的是,本申请中分拣物件图像表示在自动视觉分拣过程中获取的分拣台面上待分拣物件的图像,所述分拣物件图像包含了待分拣物件的关键特征,如颜色、形状、纹理等,以便分拣***能够有效地识别和分类物件。
在步骤102,确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩。
在一些实施例中,确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点具体可采用下述步骤,即:
获取所述分拣物件图像;
对所述分拣物件图像进行目标分拣物件区域的提取,得到目标物件区域图;
从所述目标物件区域图中获取所有的物件像素点;
选取一个物件像素点,确定该个物件像素点的辐射向径,基于所述辐射向径,确定该个物件像素点的辐射边缘像素点参考数,根据所述辐射边缘像素点参考数确定该个物件像素点的多个物件像素参考点;
将该个物件像素点的灰阶值与每个物件像素参考点的灰阶值进行残差计算,得到所有的灰阶偏离值,根据所有的灰阶偏离值确定该个物件像素点对应的灰阶偏离熵,继续确定剩余物件像素点对应的灰阶偏离熵;
若所述灰阶偏离熵大于预设偏离熵,则将所述灰阶偏离熵对应的物件像素点作为分拣像素兴趣点。
具体实现时,对所述分拣物件图像进行目标分拣物件区域的提取,得到目标物件区域图,所述目标物件区域图可通过阈值分割对所述分拣物件图像进行目标分拣物件区域的提取得到,所述目标分拣物件区域即为待分拣物件在图像中的区域,此外对所述目标物件区域图的提取还可通过边缘检测、图割算法等进行提取,这里不作限定。
需要说明的是,本申请中目标物件区域图表示分拣物件图像中待分拣物件所在区域的图,所述目标物件区域图包含多个还物件像素点,对所述目标物件区域图的确定在于减少背景所带来的干扰,提升待分拣物件特征的识别。
具体实现时,选取一个物件像素点,确定该个物件像素点的辐射向径,所述辐射向径为预先设定的一个像素点辐射半径,在本申请中所述辐射向径设定为4个像素点值,即以4个像素点长度为半径,需要说明的是,本申请中辐射向径表示以物件像素点为中心向外辐射的半径,且为固定值,即每个物件像素点的辐射向径一致,具体可根据实际需求进行设定,例如,当像素相似特征较少时,设定较大的辐射半径,当像素相似特征较多时,设定较小的辐射半径,在全自动视觉分拣中,单一像素点对待分拣物件特征的表征较为单一且该点的显著性特征不明显,因此,可通过对单一像素点进行范围的辐射,以获取更多的显著性特征。
其中,在一些实施例中,基于所述辐射向径,确定该个物件像素点的辐射边缘像素点参考数,根据所述辐射边缘像素点参考数确定该个物件像素点的多个物件像素参考点具体可采用下述步骤,即:
获取所述辐射向径;
以所述辐射向径进行辐射,得到辐射边缘上的所有物件像素点;
由辐射边缘上物件像素点总数的三分之一确定辐射边缘像素点参考数,根据所述辐射边缘像素点参考数均匀选取辐射边缘上的物件像素点作为物件像素参考点,进而得到该个物件像素点的多个物件像素参考点。
需要说明的是,本申请中辐射边缘像素点参考数表示辐射边缘上物件像素点所选取的参考个数,本申请中物件像素参考点表示用作参考的物件像素点。
其中,在一些实施例中,根据所有的灰阶偏离值确定该个物件像素点对应的灰阶偏离熵具体可采用下述步骤,即:
获取所有的灰阶偏离值;
获取不同灰阶偏离值出现的次数,由所有不同灰阶偏离值出现的次数确定该个物件像素点对应的灰阶偏离熵。
具体实现时,所述灰阶偏离熵可由下述公式确定:
其中,表示第/>个物件像素点对应的灰阶偏离熵,/>表示第/>个物件像素点对应的第/>个不同灰阶偏离值出现的次数,/>表示以2为底的对数函数,/>表示第/>个物件像素点对应的不同灰阶偏离值总数,/>。
需要说明的是,本申请中灰阶偏离值表示物件像素点的灰阶值与物件像素参考点的灰阶值进行残差计算所得的灰阶值偏差。
还需要说明的是,本申请中灰阶偏离熵表示物件像素点对应的灰阶偏离值混乱不一致的程度,用于衡量物件像素点与物件像素参考点之间灰阶值偏差的程度量,灰阶偏离熵越大,物件像素点与物件像素参考点之间灰阶值偏差的程度量越大,灰阶偏离熵越小,物件像素点与物件像素参考点之间灰阶值偏差的程度量越小,在全自动视觉分拣过程中,对于一个关联更多特征的物件像素点的选取,需要满足该物件像素点与周围物件像素点存在较小的差异,才能使得以该物件像素点聚合周围相似的特征,从而表征表征出该物件像素点周围的局部特征,因此,可通过对灰阶偏离熵的确定来选取出最具代表性的物件像素点,以实现待分拣物件细节特征的把控。
具体实现时,本申请中预设偏离熵为预先设定的一个标准值,用于与当前灰阶偏离熵进行对比,以进行决策判定,具体可根据大量的历史实验设定,或根据实际需求进行设定,这里不在赘述。
需要说明的是,本申请中分拣像素兴趣点表示在目标物件区域图中最具特征代表性的物件像素点,对所述分拣像素兴趣点的确定在于有效识别待分拣物件的局部特征,***可以根据目标局部区域的特征来确定目标的位置和方向,从而实现对目标的精确定位和定位,以及减小在特征分析上的计算以及避免复杂特征带来的多因素影响。
在一些实施例中,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩具体可采用下述步骤,即:
获取所有的分拣像素兴趣点;
选取一个分拣像素兴趣点,确定该个分拣像素兴趣点的局部邻接信息,所述局部邻接信息表示不同邻接框状态下的平均灰度差;
从所述局部邻接信息中获取不同邻接框状态下的平均灰度差,当所述平均灰度差达到预设平均灰度差范围时,将该平均灰度差对应的邻接框作为该个分拣像素兴趣点对应的空间匹配矩,继续确定剩余分拣像素兴趣点对应的空间匹配矩。
需要说明的是,本申请中预设平均灰度差范围为预先设定的一个标准范围,通常由机器学***均灰度差进行模拟设定,这里不再赘述。
其中,在一些实施例中,确定该个分拣像素兴趣点的局部邻接信息具体可采用下述步骤,即:
以该个分拣像素兴趣点为中心,由相邻于该个分拣像素兴趣点的所有物件像素点组成第一个邻接框,之后,逐次向外扩增一个物件像素点,得到所有的邻接框,确定每个邻接框的平均灰度差,进而得到该个分拣像素兴趣点的局部邻接信息。
需要说明的是,本申请中邻接框表示用来框定图像中特定区域的框,即所述邻接框包含图像中特定区域的图像。
具体实现时,确定每个邻接框的平均灰度差,即:选取一个邻接框,将该个邻接框内每个物件像素点的灰阶值与该个分拣像素兴趣点的灰阶值进行绝对差计算,并将计算的结果进行均值计算,得到该个邻接框的平均灰度差,对于其余邻接框,重复上述步骤,得到其余邻接框的平均灰度。
需要说明的是,本申请中平均灰度差表示邻接框中物件像素点的灰阶值与分拣像素兴趣点的灰阶值的综合量偏差量,对平均灰度差的确定在于衡量当前分拣像素兴趣点所能涵盖的局部特征量是否最为充足,以进行待分拣物件特征的全面识别。
还需要说明的是,本申请中空间匹配矩表示分拣像素兴趣点匹配到的局部特征最大聚合的一个正方形框,在自动视觉分拣中,对待分拣物件特征的提取尤为重要,然而,当待分拣物件出现较为复杂的特征时,无法全面细致的去描述每一个特征,因此,可通过对空间匹配矩的确定以获取待分拣物件的局部特征,可有效提取图像中的关键信息,并且能够很好地描述图像的结构、纹理等细节。
在步骤103,由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度。
在一些实施例中,由所有的空间匹配矩生成多个特征关联矩对具体可采用下述步骤,即:
获取所有的空间匹配矩;
将尺度相同的两个空间匹配矩作为一对特征关联矩对,从而得到多个特征关联矩对。
需要说明的是,一个空间匹配矩只能出现在一对特征关联矩对中,不能重复出现,当出现多个空间匹配矩时,在保证一个空间匹配矩只能出现在一对特征关联矩对中的情况下随机进行组合。
还需要说明的是,本申请中特征关联矩对表示两空间匹配矩尺度相同、位置不同的组合,对特征关联矩对的确定在于进一步对待分拣物件局部特征的细化提取,以及减少待分拣物件特征述的计算量,提高特征获取效率。
在一些实施例中,参考图2所示,该图是根据本申请一些实施例所示的确定特征鉴别度的示例性流程图,本实施例中确定特征鉴别度可采用下述步骤实现:
在步骤1031中,获取所有的特征关联矩对;
在步骤1032中,选取一个特征关联矩对,确定该个特征关联矩对中每个空间匹配矩的灰阶中心测度值;
在步骤1033中,将该个特征关联矩对中每个空间匹配矩的灰阶中心测度值进行绝对差计算,得到该个特征关联矩对对应的灰阶中心偏离度,继续确定剩余特征关联矩对对应的灰阶中心偏离度;
在步骤1034中,根据所有的灰阶中心偏离度确定当前待分拣物件在分拣台面下的特征鉴别度。
具体实现时,确定该个特征关联矩对中每个空间匹配矩的灰阶中心测度值,所述灰阶中心测度值可通过计算空间匹配矩的平均灰阶值确定,即将平均灰阶值作为灰阶中心测度值,本申请中灰阶中心测度值表示衡量空间匹配矩综合趋向的一个灰阶量。
需要说明的是,本申请中灰阶中心偏离度表示一个特征关联矩对中两空间匹配矩的灰阶中心测度值的偏离程度值,对灰阶中心偏离度的确定可有效表征同一尺度框、不同空间位置的局部特征偏离量。
具体实现时,根据所有的灰阶中心偏离度确定当前待分拣物件在分拣台面下的特征鉴别度,即:对灰阶中心偏离度进行均值计算,得到所述待分拣物件的特征鉴别度。
需要说明的是,本申请中特征鉴别度表示待分拣物件图像中的特征能够被准确地识别或区分的程度量,即用来描述特征的唯一性和区分度,通常,一个好的局部特征描述应该具有高鉴别度,即不同特征点之间的描述应该有明显的差异,以便在匹配过程中能够准确地找到正确的匹配,即同一个尺度框、不同空间位置的局部特征具有不同的偏离量,所述偏离量指的是相同特征点周围的局部图像区域的差异程度,这些差异可能来自于图像的纹理、光照、视角等变化,也可能是噪声或者图像失真等因素引起的,当局部特征描述能够很好地区分不同的图像区域时,局部特征周围的图像区域变化可能会更加明显,从而导致局部特征偏离量较大,因此,可通过对局部特征偏离量的度量来表征待分拣物件的特征鉴别程度。
在步骤104,采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量。
具体实现时,通过多个光传感器采集当前待分拣物件表面的多个角位光照分量,所述角位光照分量表示待分拣物件表面在不同角度或方向上接收到的光照强度的分量,此外,还可以采用其他光照度采集设备进行当前待分拣物件表面的角位光照分量的采集,这里不作限定。
需要说明的是,本申请中对角位光照分量的采集,可以帮助分析待分拣物件在不同角度下的光照情况,进而识别当前待分拣物件的轮廓照明情况,待分拣物件的轮廓清晰度会受到表面光照度的影响,太高的表面光照度可能导致待分拣物件的轮廓变得模糊,太低的表面光照度可能导致待分拣物件的轮廓信息无法有效识别,对于形状复杂、外观相似的分拣物件,在不同角位下的光照强度不一,使得待分拣物件的表面轮廓形态多样,难以识别其微小的物件特征,因此,可通过对待分拣物件多个角位的表面光照度进行获取,以进行当前待分拣物件的轮廓清晰性分析。
在一些实施例中,参考图3所示,该图是根据本申请一些实施例所示的确定廓形损失度的示例性流程图,本实施例中确定廓形损失度可采用下述步骤实现:
在步骤1041中,获取所有的角位光照分量;
在步骤1042中,选取一个角位光照分量,确定该个角位光照分量的多个层间光照差,进而根据所有的层间光照差确定该个角位光照分量的光照梯度,继续确定剩余角位光照分量的光照梯度;
在步骤1043中,根据所有角位光照分量的光照梯度和平均角位光照分量确定待分拣物件分拣时的可信光照分量阈限;
在步骤1044中,将每个角位光照分量分别与所述可信光照分量阈限进行差值计算,得到各个角位光照分量对应的廓形损失度。
具体实现时,选取一个角位光照分量,确定该个角位光照分量的多个层间光照差,即:选取一个角位光照分量,获取与该个角位光照分量左右相邻的角位光照分量,将获取的角位光照分量分别与该个角位光照分量进行绝对差计算,得到该个角位光照分量的多个层间光照差,即将获取的角位光照分量分别与该个角位光照分量进行绝对差计算的结果作为该个角位光照分量的层间光照差,需要说明的是,本实施例中层间光照差表示当前角位光照分量与左右相邻的角位光照分量之间存在的差异变化量。
具体实现时,根据所有的层间光照差确定该个角位光照分量的光照梯度,即:确定所有的层间光照差的平均值,将所有的层间光照差的平均值作为该个角位光照分量的光照梯度,本实施例中光照梯度表示当前角位光照分量的变化量,在全自动视觉分拣中,由于待分拣物件不同角位的光照强度不同,在左右相邻角度上的光照强度存在差异,因此为了更好的表征当前角位的光照梯度,本实施例中通过融合左右相邻的光照强度差来表征当前角位的光照梯度,以最大限度保留当前角位的光照特征。
其中,在一些实施例中,根据所有角位光照分量的光照梯度和平均角位光照分量确定待分拣物件分拣时的可信光照分量阈限具体可采用下述步骤,即:
获取所有角位光照分量的光照梯度和平均角位光照分量;
由所有角位光照分量的光照梯度确定当前待分拣物件的平均光照梯度;
由所述平均角位光照分量与所述平均光照梯度之和确定可信光照分量阈限。
需要说明的是,本实施例中可信光照分量阈限为衡量当前角位光照分量是可信的或可接受的对比值,对可信光照分量阈限的确定可有效识别当前角位光照分量是否符合标准,即是否存在损失,以保证分拣效果的实时性和稳定性。
需要说明的是,本申请中廓形损失度为当前待分拣物件受照射光照射下获取的外形轮廓与期望形状之间的偏差或失真程度的指标,即当廓形损失度越大时,当前待分拣物件受照射光照射下获取的外形轮廓与期望形状之间的偏差或失真程度越大,当廓形损失度越小时,当前待分拣物件受照射光照射下获取的外形轮廓与期望形状之间的偏差或失真程度越小,在全自动视觉分拣中,如果照射光的强度低于期望的照射强度,可能会导致待分拣物件表面光线反射不足,造成局部阴影或暗部,从而使得待分拣物件物件的外形轮廓在影响区域内凸显不具体,导致待分拣物件的廓形产生偏差或失真,相反,如果照射光的强度高于期望的照射强度,可能会导致待分拣物件表面过度反射光线,造成局部高光或过曝,从而也使得待分拣物件的外形轮廓在这些区域内凸显不具体,导致待分拣物件的廓形产生偏差或失真,因此,可通过对不同角位光照分量的变化进行分析,以确定不同角位光照分量的廓形损失度。
在一些实施例中,根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量具体可采用下述步骤,即:
获取所有的廓形损失度;
对所有的廓形损失度进行加权指数求和,得到所述廓形损失度的当前待分拣物件在照射光下的廓形识别量。
具体实现时,本实施例中加权指数求和是指对不同廓形损失度赋予不同的影响权值,并将赋予影响权值后的廓形损失度进行求和的过程,此外,在本申请中不同廓形损失度赋予的影响权值不同,通常设定在0到1之间,具体可根据当前廓形损失度的大小来进行设定,即当廓形损失度越大时赋予的影响权值越大,当廓形损失度越小时赋予的影响权值越小,本实施例中通过对各种廓形损失度进行加权指数求和,将各种廓形损失度的影响综合起来,权重越高的廓形损失度在最终识别量中的影响越大,从而表征出当前待分拣物件在照射光下的廓形识别量。
需要说明的是,本申请中廓形识别量表示对待分拣物件在照射光下的外形轮廓的识别程度的量化指标,即当廓形识别量越大时,对待分拣物件在照射光下的外形轮廓的识别程度越大,当廓形识别量越小时,对待分拣物件在照射光下的外形轮廓的识别程度越小,通过对待分拣物件的廓形识别量进行评估,可以有效表征当前待分拣物件的识别可信度和有效性,在自动视觉分拣中,不同角位的表面光照度不同,过高的表面光照度,获取的待分拣物件轮廓变模糊,过低的表面光照度使得获取的待分拣物件轮廓细节不够突出,使得对待分拣物件的轮廓特征提取不准确,因此,可通过对待分拣物件的廓形识别量来衡量当前待分拣物件分拣时识别轮廓外形的清晰性程度量,从而有效表征当前待分拣物件的识别可信度和有效性。
在步骤105,通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣。
在一些实施例中,通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值具体可采用下述步骤,即:
获取所述特征鉴别度和所述廓形识别量;
确定所述特征鉴别度的特征比重系数;
确定所述廓形识别量的廓形比重系数;
由所述特征鉴别度、所述廓形识别量、所述特征比重系数以及廓形比重系数确定分拣执行置信值。
具体实现时,所述分拣执行置信值可由下述公式确定:
其中,表示分拣执行置信值,/>表示特征鉴别度的特征比重系数,/>表示待分拣物件的特征鉴别度,/>表示廓形识别量的廓形比重系数,/>表示待分拣物件的廓形识别量。
具体实现时,确定所述特征鉴别度的特征比重系数,确定所述廓形识别量的廓形比重系数,本申请中特征比重系数表示特征鉴别度对自动视觉分拣中待分拣物件进行分拣的影响比重,本申请中廓形比重系数表示廓形识别量对自动视觉分拣中待分拣物件进行分拣的影响比重,所述特征比重系数和所述廓形比重系数设定为0到1之间的数值,具体可根据对待分拣物件进行分拣的影响程度高低进行设定,例如当影响程度高时,设定的比重系数越大,当影响程度低时,设定的比重系数越小,在本实施例中,由于特征鉴别度对待分拣物件进行分拣的影响程度高于廓形识别量待分拣物件进行分拣的影响程度,因此,本申请中所述特征比重系数和所述廓形比重系数分别设置为0.57和0.43,且两者之和为1,此外,还可根据实际需求进行特征比重系数和所述廓形比重系数的设定,这里不作限定。
需要说明的是,本申请中分拣执行置信值表示对待分拣物件可进行分拣的确定度,即分拣执行置信值越高,则对当前待分拣物件进行分拣的确定性越高,说明此时对待分拣物件特征的识别更加准确,分拣可靠性越高,分拣执行置信值越低,则对当前待分拣物件进行分拣的确定性越低,说明此时对待分拣物件特征的识别欠佳,分拣可靠性越低。
还需要说明的是,在本申请中,所述特征鉴别度和所述廓形识别量皆为表征待分拣物件被分拣的准确性估量,特征鉴别度表征了待分拣物件图像中的特征能够被准确地识别或区分的程度量,涉及到目标物件的形状、颜色、纹理等特征,特征鉴别度越高,***识别目标的准确性就越高,廓形识别量描述了目标物件在图像中的轮廓或外形的清晰度和显现程度,廓形识别量越高,目标物件的轮廓在图像中越清晰明显,因此,本申请将特征鉴别度和廓形识别量的重要性通过权重进行了平衡和组合,以确定最终的分拣执行置信值,有效衡量了当前待分拣物件被执行分拣的准确性。
在一些实施例中,根据所述分拣执行置信值控制待分拣物件的分拣具体可采用下述步骤,即:
获取所述分拣执行置信度;
设定物件分拣的分拣执行置信阈值;
将所述分拣执行置信度与所述分拣执行置信阈值进行对比,当所述分拣执行置信度大于所述分拣执行置信阈值时,则分拣***发送分拣执行指令,执行相应的分拣动作。
具体实现时,本申请中分拣执行置信阈值表示用来判断是否执行分拣动作的一个阈值或临界值,所述分拣执行置信阈值通常是基于***设计、性能指标、环境条件以及待分拣物件的特征等因素而设定的,这里不再赘述。
具体实现时,所述分拣***接收到分拣执行指令,行相应的分拣动作,所述分拣***根据收到的指令,执行相应的分拣动作,包括机械臂、传送带、分拣仓等设备的动作,以确保待分拣物件被准确地分拣到指定的位置或容器中。
另外,本申请的另一方面,在一些实施例中,本申请提供一种全自动视觉分拣控制***,参考图4,该图是根据本申请一些实施例所示的全自动视觉分拣控制***的示例性硬件和/或软件的示意图,该全自动视觉分拣控制***200包括:获取模块201、处理模块202和分拣模块203,分别说明如下:
获取模块201,本申请中获取模块201主要用于在启动视觉分拣后,获取分拣台面上待分拣物件的分拣物件图像;
处理模块202,本申请中处理模块202主要用于确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;
需要说明的是,本申请中所述处理模块202还用于由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;
另外,本申请中所述处理模块202还用于采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;
执行模块203,本申请中执行模块203主要用于通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣。
另外,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行上述的全自动视觉分拣控制方法。
在一些实施例中,参考图5,该图是根据本申请一些实施例所示的应用全自动视觉分拣控制方法的计算机设备的结构示意图。上述实施例中的全自动视觉分拣控制方法可以通过图5所示的计算机设备来实现,该计算机设备300包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit,CPU)、特定应用集成电路(application-specific integrated circuit,ASIC)或一个或多个用于控制本申请中全自动视觉分拣控制方法的执行。
通信总线302可包括一通路,在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其它类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其它类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only Memory,CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质,但不限于此。存储器303可以是独立存在,通过通信总线302与处理器301相连接。存储器303也可以和处理器301集成在一起。
其中,存储器303用于存储执行本申请方案的程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可以包括一个或多个软件模块。上述实施例中特征鉴别度的确定可以通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。
通信接口304,使用任何收发器一类的装置,用于与其它设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
在具体实现中,作为一种实施例,计算机设备可以包括多个处理器,这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中,计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(personaldigital assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。
另外,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述全自动视觉分拣控制方法。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种全自动视觉分拣控制方法,其特征在于,包括如下步骤:
启动视觉分拣,获取分拣台面上待分拣物件的分拣物件图像;
确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;
由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;
采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;
通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣;
其中,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩具体包括:
获取所有的分拣像素兴趣点;
选取一个分拣像素兴趣点,确定该个分拣像素兴趣点的局部邻接信息,所述局部邻接信息表示不同邻接框状态下的平均灰度差;
从所述局部邻接信息中获取不同邻接框状态下的平均灰度差,当所述平均灰度差达到预设平均灰度差范围时,将该平均灰度差对应的邻接框作为该个分拣像素兴趣点对应的空间匹配矩,继续确定剩余分拣像素兴趣点对应的空间匹配矩;
其中,由所有的空间匹配矩生成多个特征关联矩对具体包括:
获取所有的空间匹配矩;
将尺度相同的两个空间匹配矩作为一对特征关联矩对,从而得到多个特征关联矩对;
其中,根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度具体包括:
获取所有的特征关联矩对;
选取一个特征关联矩对,确定该个特征关联矩对中每个空间匹配矩的灰阶中心测度值;
将该个特征关联矩对中每个空间匹配矩的灰阶中心测度值进行绝对差计算,得到该个特征关联矩对对应的灰阶中心偏离度,继续确定剩余特征关联矩对对应的灰阶中心偏离度;
根据所有的灰阶中心偏离度确定当前待分拣物件在分拣台面下的特征鉴别度。
2.如权利要求1所述的方法,其特征在于,确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点具体包括:
获取所述分拣物件图像;
对所述分拣物件图像进行目标分拣物件区域的提取,得到目标物件区域图;
从所述目标物件区域图中获取所有的物件像素点;
选取一个物件像素点,确定该个物件像素点的辐射向径,基于所述辐射向径,确定该个物件像素点的辐射边缘像素点参考数,根据所述辐射边缘像素点参考数确定该个物件像素点的多个物件像素参考点;
将该个物件像素点的灰阶值与每个物件像素参考点的灰阶值进行残差计算,得到所有的灰阶偏离值,根据所有的灰阶偏离值确定该个物件像素点对应的灰阶偏离熵,继续确定剩余物件像素点对应的灰阶偏离熵;
若所述灰阶偏离熵大于预设偏离熵,则将所述灰阶偏离熵对应的物件像素点作为分拣像素兴趣点。
3.如权利要求2所述的方法,其特征在于,根据所有的灰阶偏离值确定该个物件像素点对应的灰阶偏离熵具体包括:
获取所有的灰阶偏离值;
获取不同灰阶偏离值出现的次数,由所有不同灰阶偏离值出现的次数确定该个物件像素点对应的灰阶偏离熵。
4.如权利要求1所述的方法,其特征在于,从自动视觉分拣数据库获取分拣台面上待分拣物件的分拣物件图像。
5.一种全自动视觉分拣控制***,其采用权利要求1至4任一项所述的方法进行控制,其特征在于,该全自动视觉分拣控制***包括:
获取模块,用于在启动视觉分拣后,获取分拣台面上待分拣物件的分拣物件图像;
处理模块,用于确定所述分拣物件图像中分拣物件区域的多个分拣像素兴趣点,基于所述分拣像素兴趣点的局部邻接信息确定每个分拣像素兴趣点对应的空间匹配矩;
所述处理模块,还用于由所有的空间匹配矩生成多个特征关联矩对,进而根据所有的特征关联矩对确定当前待分拣物件在分拣台面下的特征鉴别度;
所述处理模块,还用于采集当前待分拣物件表面的多个角位光照分量,基于所述角位光照分量的光照梯度确定各个角位光照分量对应的廓形损失度,进而根据所有的廓形损失度确定当前待分拣物件在照射光下的廓形识别量;
执行模块,用于通过所述特征鉴别度和所述廓形识别量确定分拣执行置信值,根据所述分拣执行置信值控制待分拣物件的分拣。
6.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有代码,所述处理器被配置为获取所述代码,并执行如权利要求1至4任一项所述的全自动视觉分拣控制方法。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的全自动视觉分拣控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389073.8A CN117974667B (zh) | 2024-04-01 | 2024-04-01 | 一种全自动视觉分拣控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389073.8A CN117974667B (zh) | 2024-04-01 | 2024-04-01 | 一种全自动视觉分拣控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974667A CN117974667A (zh) | 2024-05-03 |
CN117974667B true CN117974667B (zh) | 2024-06-11 |
Family
ID=90865066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389073.8A Active CN117974667B (zh) | 2024-04-01 | 2024-04-01 | 一种全自动视觉分拣控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974667B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110976338A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于机器视觉的试纸分拣***及分拣方法 |
CN112561886A (zh) * | 2020-12-18 | 2021-03-26 | 广东工业大学 | 一种基于机器视觉的工件自动分拣方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114653629A (zh) * | 2022-02-23 | 2022-06-24 | 深圳市如本科技有限公司 | 基于视觉识别的分拣方法、智能分拣***及可读存储介质 |
CN116187718B (zh) * | 2023-04-24 | 2023-08-04 | 深圳市宏大供应链服务有限公司 | 基于计算机视觉的智慧货物识别分拣方法及*** |
-
2024
- 2024-04-01 CN CN202410389073.8A patent/CN117974667B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110976338A (zh) * | 2019-11-11 | 2020-04-10 | 浙江大学 | 一种基于机器视觉的试纸分拣***及分拣方法 |
CN112561886A (zh) * | 2020-12-18 | 2021-03-26 | 广东工业大学 | 一种基于机器视觉的工件自动分拣方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117974667A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815770B (zh) | 二维码检测方法、装置及*** | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN111259908A (zh) | 基于机器视觉的钢卷号识别方法、***、设备及存储介质 | |
CN109272546B (zh) | 一种鱼苗长度测量方法及*** | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN104463240B (zh) | 一种仪表定位方法及装置 | |
CN116664565A (zh) | 一种光伏太阳能电池片的隐裂检测方法及*** | |
US11538238B2 (en) | Method and system for performing image classification for object recognition | |
CN113657423A (zh) | 适用于小体积零件与堆叠零件的目标检测方法及其应用 | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN109086781A (zh) | 一种基于深度学习的机柜灯状态识别方法 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN116543247A (zh) | 基于光度立体表面重建的数据集制作方法及验证*** | |
CN117474918B (zh) | 异常检测方法和装置、电子设备以及存储介质 | |
CN111310531A (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN117974667B (zh) | 一种全自动视觉分拣控制方法及*** | |
CN117520581A (zh) | 一种土地测绘信息管理方法、***、设备及介质 | |
CN108985350B (zh) | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 | |
CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
CN104616302A (zh) | 一种目标实时识别方法 | |
CN107146244B (zh) | 基于pbil算法的图像配准方法 | |
CN104615988A (zh) | 一种图像识别方法 | |
CN115131619B (zh) | 基于点云和图像融合的特高压零件分拣方法和*** | |
CN117746477B (zh) | 一种户外人脸识别方法、装置、电子设备及存储介质 | |
CN116645661B (zh) | 一种防重码检测方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |