CN118090743A - 一种基于多模态图像识别技术的瓷质酒瓶质量检测*** - Google Patents
一种基于多模态图像识别技术的瓷质酒瓶质量检测*** Download PDFInfo
- Publication number
- CN118090743A CN118090743A CN202410480080.9A CN202410480080A CN118090743A CN 118090743 A CN118090743 A CN 118090743A CN 202410480080 A CN202410480080 A CN 202410480080A CN 118090743 A CN118090743 A CN 118090743A
- Authority
- CN
- China
- Prior art keywords
- winebottle
- porcelain
- image
- quality
- quality detection
- 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 91
- 229910052573 porcelain Inorganic materials 0.000 title claims abstract description 66
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000013441 quality evaluation Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000001303 quality assessment method Methods 0.000 abstract 1
- 235000014101 wine Nutrition 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 235000020097 white wine Nutrition 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910021655 trace metal ion Inorganic materials 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,特别涉及一种基于多模态图像识别技术的瓷质酒瓶质量检测***。该基于多模态图像识别技术的瓷质酒瓶质量检测***,多模态图像采集模块采用多种不同波长的成像设备从不同角度对瓷质酒瓶进行图像采集;图像融合处理模块将不同模态的图像信息进行融合;质量检测模块实现对瓷质酒瓶表面质量问题的自动化检测;质量评估模块果实现自动质量评分,并提供相应的处理建议。该基于多模态图像识别技术的瓷质酒瓶质量检测***,克服了传统质量检测方法的局限性,实现了对瓷质酒瓶表面质量问题的准确检测和评估,提高了检测效率和准确性,降低了人工成本,具有较好的应用前景和经济效益。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于多模态图像识别技术的瓷质酒瓶质量检测***。
背景技术
中国作为陶瓷文明古国,瓷质酒瓶的历史源远流长。因为瓷质具有多微孔网状结构,极大的表面积和含有微量的金属离子,对白酒贮存具有氧化、吸附和催化作用,有利于白酒的老熟及加速化学反应进程,使酒液缓慢形成越来越稳定的液态体系,使酒的陈香、窖香也随着贮存时间延长而更突出,更有利于酒的香气纯正、优雅。而且精美的瓷质酒瓶甚至可以作为工艺品,提升品牌的价值和美誉度。所以很多白酒生产商会选择瓷质作为其高端品牌或规格白酒的包装容器。但瓷质酒瓶的生产难度更高,工艺更为复杂,一旦瓷质酒瓶的生产质量不合格,导致瓶形或表面不太美观,会影响产品的外观,甚至细微的裂纹或不规则的气泡,会导致液体的蒸发或渗出。
在酒类包装行业,尤其是瓷质酒瓶质量检测领域,已经存在一些技术和方法用于检测和评估瓷质酒瓶的质量。然而,传统的质量检测方法存在一些局限性,主要包括以下几个方面:
依赖于人工目测:传统的质量检测方法通常依赖于人工目测,操作简单但效率低下,易出现漏检、误检等问题。由于人工主观因素的干扰,检测结果不稳定,难以保证质量检测的准确性和一致性。
单一模态图像识别:现有的瓷质酒瓶质量检测***往往只使用单一模态的图像信息,如可见光图像或红外图像,对瓷质酒瓶表面的质量问题检测效果有限。特别是在光照条件、角度等因素变化较大的情况下,容易出现漏检或误检的情况。
检测准确性不高:由于传统方法只能提取有限的表面特征信息,并且受到光照条件、角度等因素的影响,导致检测准确性不高,难以满足对瓷质酒瓶高质量的要求。
人工成本高:传统的人工质量检测需要大量的人力投入,成本较高且效率低下。同时,人工质量检测存在着主观判断的不确定性,难以保证检测结果的客观性和一致性。
基于以上现有技术的局限性,对于瓷质酒瓶的质量检测和管理仍然存在诸多挑战和问题。因此,迫切需要一种新型的质量检测***和方法,能够克服现有技术的缺点,提高瓷质酒瓶质量检测的效率、准确性和自动化程度。
基于上述情况,本发明提出了一种基于多模态图像识别技术的瓷质酒瓶质量检测***。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的基于多模态图像识别技术的瓷质酒瓶质量检测***。
本发明是通过如下技术方案实现的:
一种基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:包括多模态图像采集模块,图像融合处理模块,质量检测模块和质量评估模块;
所述多模态图像采集模块采用多种不同波长的成像设备从不同角度对瓷质酒瓶进行图像采集,包括但不限于可见光相机、红外相机与X光摄像机,以获取多模态的图像信息,覆盖更广泛的图像特征信息,提高质量检测的全面性和准确性;
所述图像融合处理模块负责将不同模态的图像信息进行融合,融合操作包括但不限于配准、特征提取与融合,以有效地整合多种图像信息,提取出更加全面与准确的瓷质酒瓶表面特征信息,为后续的质量检测提供数据基础;
所述质量检测模块采用基于深度学习和机器学习的质量检测算法,针对融合后的多模态图像进行分析和识别,实现对瓷质酒瓶表面质量问题的自动化检测;
所述质量评估模块结合人工智能技术,负责根据质量检测模块的检测结果实现自动质量评分,并提供相应的处理建议,从而实现对瓷质酒瓶质量的全流程管理,包括质量检测、评估和处理。
所述多模态图像采集模块在检测流水线上采用至少4个不同的角度对瓷质酒瓶进行拍摄,获取至少4个不同角度的多模态图像数据,包括可见光图像、红外图像和激光测距图像,并实时上传到图像处理服务器。
更优的,所述多模态图像采集模块在检测流水线上采用6个不同的角度对瓷质酒瓶进行拍摄,获取6个不同角度的多模态图像数据,包括瓷质酒瓶上下先后左右6个平面图片。
所述图像融合处理模块对采集到的成组图像进行预处理,包括图像去噪、配准与增强,以提高图像质量和一致性;并在此基础上进行下采样、卷积与池化操作,提取每张图片的图像特征。
对于不同图像采集设备获取的图像,所述图像融合处理模块采用不同特征提取网络进行特征提取,以最大程度上强化图像特征;
针对可见光图像,特征提取网络使用卷积层来提取图像的纹理特征,或者使用自编码器结构来学习图像的细节表示,实现图像特征提取;
针对红外图像,特征提取网络使用均方误差MSE函数作为损失函数,以保持温度显著性信息;
针对激光测距图像,采用点云特征学习网络PointNet架构提取空间几何特征。
所述图像融合处理模块采用池化算法,将图像特征提取后的多维度数据进行尺寸和维度上的统一,并以不同权重进行融合计算,生成综合的多模态图像特征数据;通过以下公式将多个特征向量融合成一个统一的特征向量:
其中,是融合后的特征向量,/>为特征向量,i= 1,2,…,N;N为特征向量的总数,每个特征向量的维度为D;/>为特征向量/>的权重,用于调节各个特征的贡献度。
所述质量检测模块预训练的深度学习模型对融合后的多模态图像特征提取和质量检测;计算提取的多模态图像特征与标准酒瓶数据库中的标准图像特征的相似度,若相似度大于自定义阈值,则判断瓷质酒瓶判断为存在质量问题。
所述质量评估模块根据质量检测模块判定结果与自定义评分标准进行评分,并生成相应的检测报告,提供相对应的处理建议,实现全自动化的质量管理。
本发明的有益效果是:该基于多模态图像识别技术的瓷质酒瓶质量检测***,克服了传统质量检测方法的局限性,实现了对瓷质酒瓶表面质量问题的准确检测和评估,提高了检测效率和准确性,降低了人工成本,具有较好的应用前景和经济效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
附图1为本发明基于多模态图像识别技术的瓷质酒瓶质量检测方法示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚,完整的描述。显然,所描述的实施例仅仅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,都应当属于本发明保护的范围。
该基于多模态图像识别技术的瓷质酒瓶质量检测***,包括多模态图像采集模块,图像融合处理模块,质量检测模块和质量评估模块;
与传统单一模态图像采集不同,所述多模态图像采集模块采用多种不同波长的成像设备从不同角度对瓷质酒瓶进行图像采集,包括但不限于可见光相机、红外相机与X光摄像机,以获取多模态的图像信息,覆盖更广泛的图像特征信息,提高质量检测的全面性和准确性;
所述图像融合处理模块负责将不同模态的图像信息进行融合,融合操作包括但不限于配准、特征提取与融合,以有效地整合多种图像信息,提取出更加全面与准确的瓷质酒瓶表面特征信息,为后续的质量检测提供可靠的数据基础;
所述质量检测模块采用基于深度学习和机器学习的质量检测算法,针对融合后的多模态图像进行分析和识别,实现对瓷质酒瓶表面质量问题的自动化检测;与传统方法相比,该算法具有更高的准确性和稳定性,能够有效地识别瓷质酒瓶表面的裂纹、气泡等质量问题。
所述质量评估模块结合人工智能技术,负责根据质量检测模块的检测结果实现自动质量评分,并提供相应的处理建议,从而实现对瓷质酒瓶质量的全流程管理,包括质量检测、评估和处理,为生产管理提供更加科学、高效的手段。
所述多模态图像采集模块在检测流水线上采用至少4个不同的角度对瓷质酒瓶进行拍摄,获取至少4个不同角度的多模态图像数据,包括可见光图像、红外图像和激光测距图像,并实时上传到图像处理服务器。
具体的,先待检测酒瓶通过流水线传送到固定位置,利用固定在检测流水线上相同位置的可见光相机、红外相机与X光摄像机同时对瓷质酒瓶进行拍摄,获取可见光图像、红外图像、激光测距图像等多模态图像数据,然后通过旋转底座将酒瓶旋转90度,再次同时拍摄,旋转三次后,获取到4组不同角度的酒瓶图片,并实时上传到图像处理服务器进行下步操作。
更优的,所述多模态图像采集模块在检测流水线上采用6个不同的角度对瓷质酒瓶进行拍摄,获取6个不同角度的多模态图像数据,包括瓷质酒瓶上下先后左右6个平面图片。
所述图像融合处理模块对采集到的成组图像进行预处理,包括图像去噪、配准与增强,以提高图像质量和一致性;并在此基础上进行下采样、卷积与池化操作,提取每张图片的图像特征。
对于不同图像采集设备获取的图像,所述图像融合处理模块采用不同特征提取网络进行特征提取,以最大程度上强化图像特征;
由于可见光图像含有丰富的纹理和细节信息,网络分支通常会设计以捕获这些细节。针对可见光图像,特征提取网络使用卷积层来提取图像的纹理特征,或者使用自编码器结构来学习图像的细节表示,实现图像特征提取;
红外图像主要反映的是温度信息,因此在特征提取时会注重保留像素值的幅度信息。针对红外图像,特征提取网络使用均方误差MSE函数作为损失函数,以保持温度显著性信息;
激光测距图像提供了距离信息,这在三维空间分析中非常有用。针对激光测距图像,采用点云特征学习网络PointNet架构提取空间几何特征。
所述图像融合处理模块采用池化算法,将图像特征提取后的多维度数据进行尺寸和维度上的统一,并以不同权重进行融合计算,生成综合的多模态图像特征数据;通过以下公式将多个特征向量融合成一个统一的特征向量:
其中,是融合后的特征向量,/>为特征向量,i= 1,2,…,N;N为特征向量的总数,每个特征向量的维度为D;/>为特征向量/>的权重,用于调节各个特征的贡献度。
所述质量检测模块预训练的深度学习模型对融合后的多模态图像特征提取和质量检测;计算提取的多模态图像特征与标准酒瓶数据库中的标准图像特征的相似度,若相似度大于自定义阈值,则判断瓷质酒瓶判断为存在质量问题。
所述质量评估模块根据质量检测模块判定结果与自定义评分标准进行评分,并生成相应的检测报告,提供相对应的处理建议,实现全自动化的质量管理。
与现有技术相比,该基于多模态图像识别技术的瓷质酒瓶质量检测***,创新性地引入多模态图像识别技术,并结合先进的算法和人工智能技术,实现了对瓷质酒瓶质量检测的全面提升,具有重要的技术创新和应用前景。
以上所述的实施例,只是本发明具体实施方式的一种,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (8)
1.一种基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:包括多模态图像采集模块,图像融合处理模块,质量检测模块和质量评估模块;
所述多模态图像采集模块采用多种不同波长的成像设备从不同角度对瓷质酒瓶进行图像采集,包括但不限于可见光相机、红外相机与X光摄像机,以获取多模态的图像信息,覆盖更广泛的图像特征信息,提高质量检测的全面性和准确性;
所述图像融合处理模块负责将不同模态的图像信息进行融合,融合操作包括但不限于配准、特征提取与融合,以有效地整合多种图像信息,提取出更加全面与准确的瓷质酒瓶表面特征信息,为后续的质量检测提供数据基础;
所述质量检测模块采用基于深度学习和机器学习的质量检测算法,针对融合后的多模态图像进行分析和识别,实现对瓷质酒瓶表面质量问题的自动化检测;
所述质量评估模块结合人工智能技术,负责根据质量检测模块的检测结果实现自动质量评分,并提供相应的处理建议,从而实现对瓷质酒瓶质量的全流程管理,包括质量检测、评估和处理。
2.根据权利要求1所述的基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:所述多模态图像采集模块在检测流水线上采用至少4个不同的角度对瓷质酒瓶进行拍摄,获取至少4个不同角度的多模态图像数据,包括可见光图像、红外图像和激光测距图像,并实时上传到图像处理服务器。
3.根据权利要求2所述的基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:所述多模态图像采集模块在检测流水线上采用6个不同的角度对瓷质酒瓶进行拍摄,获取6个不同角度的多模态图像数据,包括瓷质酒瓶上下先后左右6个平面图片。
4.根据权利要求2或3所述的基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:所述图像融合处理模块对采集到的成组图像进行预处理,包括图像去噪、配准与增强,以提高图像质量和一致性;并在此基础上进行下采样、卷积与池化操作,提取每张图片的图像特征。
5.根据权利要求4所述的基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:对于不同图像采集设备获取的图像,所述图像融合处理模块采用不同特征提取网络进行特征提取,以最大程度上强化图像特征;
针对可见光图像,特征提取网络使用卷积层来提取图像的纹理特征,或者使用自编码器结构来学习图像的细节表示,实现图像特征提取;
针对红外图像,特征提取网络使用均方误差MSE函数作为损失函数,以保持温度显著性信息;
针对激光测距图像,采用点云特征学习网络PointNet架构提取空间几何特征。
6.根据权利要求5所述的基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:所述图像融合处理模块采用池化算法,将图像特征提取后的多维度数据进行尺寸和维度上的统一,并以不同权重进行融合计算,生成综合的多模态图像特征数据;通过以下公式将多个特征向量融合成一个统一的特征向量:
;
其中,是融合后的特征向量,/>为特征向量,i= 1,2,…,N;N为特征向量的总数,每个特征向量的维度为D;/>为特征向量/>的权重,用于调节各个特征的贡献度。
7.根据权利要求6所述的基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:所述质量检测模块预训练的深度学习模型对融合后的多模态图像特征提取和质量检测;计算提取的多模态图像特征与标准酒瓶数据库中的标准图像特征的相似度,若相似度大于自定义阈值,则判断瓷质酒瓶判断为存在质量问题。
8.根据权利要求7所述的基于多模态图像识别技术的瓷质酒瓶质量检测***,其特征在于:所述质量评估模块根据质量检测模块判定结果与自定义评分标准进行评分,并生成相应的检测报告,提供相对应的处理建议,实现全自动化的质量管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410480080.9A CN118090743A (zh) | 2024-04-22 | 2024-04-22 | 一种基于多模态图像识别技术的瓷质酒瓶质量检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410480080.9A CN118090743A (zh) | 2024-04-22 | 2024-04-22 | 一种基于多模态图像识别技术的瓷质酒瓶质量检测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118090743A true CN118090743A (zh) | 2024-05-28 |
Family
ID=91146065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410480080.9A Pending CN118090743A (zh) | 2024-04-22 | 2024-04-22 | 一种基于多模态图像识别技术的瓷质酒瓶质量检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118090743A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664953A (zh) * | 2018-05-23 | 2018-10-16 | 清华大学 | 一种基于卷积自编码器模型的图像特征提取方法 |
CN111709455A (zh) * | 2020-05-22 | 2020-09-25 | 五邑大学 | 酒瓶表面缺陷模型的评价方法、电子装置及存储介质 |
CN111784619A (zh) * | 2020-07-03 | 2020-10-16 | 电子科技大学 | 一种红外和可见光图像的融合方法 |
KR20220016614A (ko) * | 2020-08-03 | 2022-02-10 | 주식회사 인포웍스 | 심층 신경망 알고리즘 기반 EO IR RADAR LiDAR 센서융합 객체 인식 시스템 |
CN114419412A (zh) * | 2022-03-31 | 2022-04-29 | 江西财经大学 | 一种用于点云配准的多模态特征融合方法与*** |
CN114677356A (zh) * | 2022-04-01 | 2022-06-28 | 重庆邮电大学 | 一种基于多视角图像融合的酒瓶外观缺陷检测方法 |
CN116091477A (zh) * | 2023-02-27 | 2023-05-09 | 哈尔滨工业大学(深圳) | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 |
WO2023098524A1 (zh) * | 2021-12-02 | 2023-06-08 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
CN116416503A (zh) * | 2023-03-13 | 2023-07-11 | 四川九洲电器集团有限责任公司 | 一种基于多模态融合的小样本目标检测方法、***及介质 |
CN116977809A (zh) * | 2023-08-29 | 2023-10-31 | 广东工业大学 | 一种基于深度学习的端到端多模态图像融合框架 |
CN117095005A (zh) * | 2023-10-20 | 2023-11-21 | 山东龙拓新材料有限公司 | 一种基于机器视觉的塑料母粒质检方法及*** |
CN117252815A (zh) * | 2023-08-29 | 2023-12-19 | 上海大学 | 基于2d-3d多模态图像的工业零件缺陷检测方法、***、设备及存储介质 |
CN117292244A (zh) * | 2023-10-18 | 2023-12-26 | 南京信息工程大学 | 一种基于多层卷积的红外与可见光图像融合方法 |
-
2024
- 2024-04-22 CN CN202410480080.9A patent/CN118090743A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664953A (zh) * | 2018-05-23 | 2018-10-16 | 清华大学 | 一种基于卷积自编码器模型的图像特征提取方法 |
CN111709455A (zh) * | 2020-05-22 | 2020-09-25 | 五邑大学 | 酒瓶表面缺陷模型的评价方法、电子装置及存储介质 |
CN111784619A (zh) * | 2020-07-03 | 2020-10-16 | 电子科技大学 | 一种红外和可见光图像的融合方法 |
KR20220016614A (ko) * | 2020-08-03 | 2022-02-10 | 주식회사 인포웍스 | 심층 신경망 알고리즘 기반 EO IR RADAR LiDAR 센서융합 객체 인식 시스템 |
WO2023098524A1 (zh) * | 2021-12-02 | 2023-06-08 | 天津御锦人工智能医疗科技有限公司 | 多模态医学数据融合的评估方法、装置、设备及存储介质 |
CN114419412A (zh) * | 2022-03-31 | 2022-04-29 | 江西财经大学 | 一种用于点云配准的多模态特征融合方法与*** |
CN114677356A (zh) * | 2022-04-01 | 2022-06-28 | 重庆邮电大学 | 一种基于多视角图像融合的酒瓶外观缺陷检测方法 |
CN116091477A (zh) * | 2023-02-27 | 2023-05-09 | 哈尔滨工业大学(深圳) | 基于深度学习多模态图像融合的建筑外墙缺陷检测方法 |
CN116416503A (zh) * | 2023-03-13 | 2023-07-11 | 四川九洲电器集团有限责任公司 | 一种基于多模态融合的小样本目标检测方法、***及介质 |
CN116977809A (zh) * | 2023-08-29 | 2023-10-31 | 广东工业大学 | 一种基于深度学习的端到端多模态图像融合框架 |
CN117252815A (zh) * | 2023-08-29 | 2023-12-19 | 上海大学 | 基于2d-3d多模态图像的工业零件缺陷检测方法、***、设备及存储介质 |
CN117292244A (zh) * | 2023-10-18 | 2023-12-26 | 南京信息工程大学 | 一种基于多层卷积的红外与可见光图像融合方法 |
CN117095005A (zh) * | 2023-10-20 | 2023-11-21 | 山东龙拓新材料有限公司 | 一种基于机器视觉的塑料母粒质检方法及*** |
Non-Patent Citations (1)
Title |
---|
谢晋等: "基于红外热成像技术实现陶瓷容器的无损检测", 《陶瓷》, 31 October 2023 (2023-10-31), pages 127 - 130 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ward et al. | Deep leaf segmentation using synthetic data | |
CN103093191B (zh) | 一种三维点云数据结合数字影像数据的物体识别方法 | |
US10558844B2 (en) | Lightweight 3D vision camera with intelligent segmentation engine for machine vision and auto identification | |
CN105403147B (zh) | 一种基于嵌入式的瓶胚检测***和检测方法 | |
CN102324042B (zh) | 视觉识别***及视觉识别方法 | |
CN113435282B (zh) | 基于深度学习的无人机影像麦穗识别方法 | |
CN107220664B (zh) | 一种基于结构化随机森林的油瓶装箱清点方法 | |
CN114693661A (zh) | 一种基于深度学习的快速分拣方法 | |
CN109493384B (zh) | 相机位姿估计方法、***、设备及存储介质 | |
CN103729631A (zh) | 一种基于视觉的连接器表面特征自动识别方法 | |
CN111258433A (zh) | 基于虚拟场景的教学互动*** | |
CN106127733B (zh) | 人体目标识别的方法和装置 | |
CN112836566A (zh) | 针对边缘设备的多任务神经网络人脸关键点检测方法 | |
Hu et al. | Recognition and localization of strawberries from 3D binocular cameras for a strawberry picking robot using coupled YOLO/Mask R-CNN | |
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 | |
Kuo et al. | Improving defect inspection quality of deep-learning network in dense beans by using hough circle transform for coffee industry | |
Tang et al. | Research on 3D human pose estimation using RGBD camera | |
CN116823816B (zh) | 一种基于安防监控静态存储器的检测设备及检测方法 | |
CN114235815A (zh) | 基于场景过滤的换流站户外电气设备表面缺陷检测方法 | |
CN113947770A (zh) | 一种识别物体放置于智能箱柜不同区域的方法 | |
CN113505629A (zh) | 一种基于轻量网络的智能仓储物件识别装置 | |
CN117351078A (zh) | 基于形状先验的目标尺寸与6d姿态估计方法 | |
CN118090743A (zh) | 一种基于多模态图像识别技术的瓷质酒瓶质量检测*** | |
CN104751144B (zh) | 一种面向视频监控的正面人脸快速评价方法 | |
CN115358981A (zh) | 胶水缺陷的确定方法、装置、设备及存储介质 |
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 |