CN101441721A - 一种重叠类圆颗粒物的计数装置和方法 - Google Patents
一种重叠类圆颗粒物的计数装置和方法 Download PDFInfo
- Publication number
- CN101441721A CN101441721A CNA2008102355436A CN200810235543A CN101441721A CN 101441721 A CN101441721 A CN 101441721A CN A2008102355436 A CNA2008102355436 A CN A2008102355436A CN 200810235543 A CN200810235543 A CN 200810235543A CN 101441721 A CN101441721 A CN 101441721A
- Authority
- CN
- China
- Prior art keywords
- particle
- overlapping
- counting
- dsp data
- image
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种重叠类圆颗粒物的计数装置和方法,目的在于获得较高的计数精度,提高计数效率。重叠类圆颗粒物的计数装置包括CCD摄像机、DSP数据处理系统和LCD显示器;CCD摄像机,用于完成颗粒图像采集,并将图像信号送入DSP数据处理系统;DSP数据处理系统,包括DSP数据信号处理器,将CCD摄像机采集的模拟图像转化为数字图像信号,实现本文的图像处理算法,完成颗粒计数并显示计数结果;LCD显示器,与DSP数据处理系统输出连接,用于显示采集颗粒原图和分割后的结果,并且输出统计颗粒数量。
Description
技术领域
本发明涉及图像处理技术,特别涉及基于机器视觉的的图像识别装置和计数方法,采用DSP(digital singnal processor数字信号处理器)实现。
背景技术
对于类圆颗粒的计数,传统方法是通过人的判断来确定类圆颗粒(如农作物种子、细胞等,以下简称颗粒。)数量,由于人眼长时间的高强度工作后容易疲劳,计数的准确性难以保证。随着光电技术的发展,这种计数方式终将被更为先进的计数方式所取代。光电管计数方式充分利用光电管的光生伏特效应,即光电管可以通过光电流的强度变化来反应光通量的大小变化。仪器开启后,光源发出的光照射到接收管上,形成光电流,当颗粒从光线上部落下时,光路断开一次,使光电流产生一次变化,这一微小的电流变化经光电脉冲放大器整形后,便形成了计数脉冲,将这些脉冲送入计数电路,便可精确测定脉冲数,既可得颗粒数。但光电管计数方式存在如下两个缺点:(1)光电管灵敏度容易衰减、老化,更换周期短,成本高;(2)现场一般采用单个光电管进行计数,如果颗粒在光电管处出现重叠或局部交叉现象时,它的输出脉冲会发生丢失,进而导致产生少计、漏计的现象,准确性不高。
由于人工计数和光电管技术方法的局限性,迫切需要新型的自动计数装置来给出相对客观、稳定、一致的检测结果。随着DSP技术的不断发展和图像处理技术在生产中的广泛应用,人们将计算机视觉和模式识别技术相结合来代替人的视觉系统,对输入计算机的图像进行适当处理和分析,并做出相应的判断。因此,在此背景下,本发明着重解决带有重叠类型的类圆颗粒物的计数难题。这不仅对提高重叠状态下的类圆颗粒计数的准确率,而且对提高计数的效率及其自动化水平具有重要的学术意义和实用价值。
发明内容
本发明针对目前靠人工统计类圆颗粒和光电管计数的局限性,提供了一种基于支持向量机分类法和图像处理技术的重叠类圆颗粒物的计数方法和装置,可获得较高的计数精度,提高计数效率。
本发明装置的技术方案是:
一种重叠类圆颗粒物的计数装置,包括CCD摄像机、DSP数据处理系统和LCD显示器;
CCD摄像机,用于完成颗粒图像采集,并将图像信号送入DSP数据处理系统;
DSP数据处理系统,包括DSP数据信号处理器,将CCD摄像机采集的模拟图像转化为数字图像信号,实现本文的图像处理算法,完成颗粒计数并显示计数结果;
LCD显示器,与DSP数据处理系统输出连接,用于显示采集颗粒原图和分割后的结果,并且输出统计颗粒数量。
本发明算法采用的技术方案是:一种重叠类圆颗粒物的计数方法,包括下列步骤:用CCD摄像机拍摄平台上的颗粒图像,并将图像信号送入DSP数据信号处理器,DSP数据信号处理器对图像进行处理,并统计出颗粒数,输出颗粒数,其特征是,所述DSP数据信号处理器对图像进行处理,并统计出颗粒数的过程具体包括如下步骤:
(A)采用HIS(H(Hue)代表色调,表明该颜色最接近什么样的光谱波长;I(Intensity)代表强度,是指人眼所感受的颜色明暗程度;S(Saturation)代表饱和度,表示色的纯度。颜色空间HSI是常用的彩色处理空间模型。)颜色空间对采集的图像预处理,分离大部分孤立颗粒,提取所有的孤立颗粒块区域;
(B)对这些块区域提取特征凹点、核心和欧拉数;
(C)采用一对一支持向量机分类方法识别颗粒重叠类型,将凹点数,核心数和欧拉数作为三维输入特征向量,核函数选用径向基函数,建立支持向量机模型来判别重叠类型;
(D)识别颗粒的重叠类型后,针对不同重叠模型的颗粒,分别将这些凹点配对后构造相应的分割线,根据将两层重叠或深度重叠的颗粒分离为独立颗粒,统计独立颗粒个数。
3、根据权利要求2所述的计数方法,其特征是,上述步骤(C)中的重叠类型进一步分为串重叠、多个并重叠和两层重叠及其三种重叠颗粒模型。
4、根据权利要求2所述的计数方法,其特征是,上述步骤(C)中所述的识别颗粒重叠类型进一步包括下列步骤:
(C1)识别是否存在重叠,如果没有重叠,则判断为独立颗粒,并对独立颗粒计数;
(C2)采用SVM(支持向量机)模型进行串重叠、并重叠和两层并重叠三种颗粒模型的识别。
作为本发明的进一步改进,上述步骤(D)中所述构造相应的分割线进一步包括下列步骤:
(D1)串重叠颗粒模型,配对凹点连线即为分割线;凹点配对的原则是成对间的直线距离局部最小、并且分处核心连线的两侧;
(D2)多个颗粒并重叠类型,分割线为连接颗粒区域的中心与所求的凹点的连线;
(D3)两层颗粒并重叠类型,将所有的凹点的两两相连,连线即为所求的分割线。
本发明采用DSP对原彩色图像预处理,提取所有孤立的颗粒块区域,采用凹点收搜法和点Hough变换提取颗粒区域的凹点和核心等几何特征,并计算出不变拓扑形状特征量欧拉数。采用支持向量机分类法识别其区域颗粒叠加类型,自动将其分为串重叠、多个并重叠和两层并重叠等三种模型。针对不同叠加模型的颗粒,分别将这些凹点配对后构造相应的最佳分割线,对两层重叠或深度重叠的颗粒准确分割,统计颗粒的个数。
本发明优点是:通过采用的SVM多目标分类算法,实现对颗粒不同重叠类型的智能识别,使得分割准确率达到99.9%。并且通过HIS模型中H分量提取目标颗粒,系统无需特殊的光照设备,抗光干扰强,降低了设备的开发成本。
附图说明
图1是本发明的计数装置结构示意图;
图2是图1中DSP完成的系统算法示意图;
图3是颗粒串重叠模型示意图;
图4是多个颗粒并重叠模型示意图;
图5是两层并重叠模型示意图;
图6是凹点搜索原理示意图;
图7是PHT原理示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。
本发明的基本原理是利用DSP机器视觉技术开发统计类圆颗粒数量装置。具体方法是采用CCD摄像机拍摄平台上的颗粒图像,DSP将读取的YUV格式的数字图像转化为HIS格式,经过预处理后,取所有的孤立颗粒块区域,对这些块区域提取特征凹点、核心和欧拉数,采用支持向量机分类方法智能识别重叠类型后分割,统计出颗粒数。
实施例1
如图1所示,一种重叠类圆颗粒物的计数装置1,包括CCD摄像机、DSP数据处理系统和LCD显示器;
CCD摄像机,用于完成颗粒图像采集,并将图像信号送入DSP数据处理系统;
DSP数据处理系统,包括DSP数据信号处理器,将CCD摄像机采集的模拟图像转化为数字图像信号,实现本文的图像处理算法,完成颗粒计数并显示计数结果;
LCD显示器,与DSP数据处理系统输出连接,用于显示采集颗粒原图和分割后的结果,并且输出统计颗粒数量。
本发明具体包括下列步骤:用CCD摄像机垂直拍摄平台2上的颗粒图像,并将图像信号送入DSP数据信号处理器,DSP数据信号处理器对图像进行处理,并统计出颗粒数,输出颗粒数。
如图2所示,DSP数据信号处理器对图像进行处理,并统计出颗粒数,具体过程包括如下步骤:
(A)采用HIS颜色空间对采集的图像预处理,分离大部分普通连粘颗粒,提取所有的孤立颗粒块区域;
(B)对这些块区域提取特征凹点、核心和欧拉数;
(C1)识别是否存在重叠,如果没有重叠,则为判断为独立颗粒,并对独立颗粒计数;
(C2)采用SVM(支持向量机)模型进行串重叠颗粒模型的识别;
(C3)采用SVM(支持向量机)模型进行并重叠颗粒模型的识别,识别剩余的部分为两层并重叠颗粒模型类型;
(D1)串重叠颗粒模型,配对凹点连线即为分割线;凹点配对的原则是成对间的直线距离局部最小、并且分处核心连线的两侧;
(D2)多个颗粒并重叠类型,分割线为连接颗粒区域的中心与所求的凹点的连线;
(D3)两层颗粒并重叠类型,将所有的凹点的两两相连,连线即为所求的分割线。
本实施进一步说明如下:
1.重叠颗粒特征提取
统计颗粒数量时,CCD摄相机拍摄的类圆颗粒图像,往往存在颗粒重叠在一起,甚至多层重叠。要准确统计图像中颗粒的数量等参数,就必须将所有重叠在一起颗粒分离为独立的个体。对于重叠颗粒块区域,可建立如下几类重叠模型:一类是颗粒串重叠,如图3所示,一类是多个颗粒并重叠,如图4所示,还有一类是两层并重叠,如图5所示。串重叠指颗粒首尾相连,但没有围成一个封闭区域。并重叠是颗粒相互围成一个封闭的区域。出于不同类型的重叠颗粒的分割方法也不同,为了正确分割这些重叠复杂的颗粒,必须先识别颗粒的重叠类型,本发明采用支持向量机分类法来实现,下面分别求取凹点、核心和欧拉数等形态特征作为支持向量机的输入特征。
(1)凹点搜索原理
类圆颗粒图像中发生重叠的目标区域在连接处往往形成凹陷,重叠目标颗粒的边缘线的交点叫凹点。在圆域O1O2边上面取3点C1,C2,A,连接以上三点构成三角形,如图6所示。若边C1C2的中点Z在圆域内,即Z∈O1O2,则直线AZ上面所有的点都在圆域内,即直线AZ∈O1O2;若C1C2的中点Z不在圆内 ,若直线AZ上除A点以外的存在点不在圆域内,则圆弧C1AC2形成凹陷,点A为凹点。
(2)点Hough变换估计核心
在图7中圆0上分别选取K、L和M三点,分别构成互不重合(不平行)的弦KL和LM。根据圆周上任意两条不平行弦的中垂线通过核心的性质,确定圆的各个参量,即KL的中垂线Lk1与LM的中垂线Lm1必然相交于圆的中心O。设K、L和M点的坐标分别为(Xk,Yk)、(X1,Y1)和(Xm,Ym),则推出两直线的凹点得到圆的核心O,如式(1)和式(2):
其中,
在半径为r,中心(OX,OY)的圆周上任意不共线的三点(称点组)求出对应空间(OX,OY,r)中一点(OXi,OYi,ri),称之为点Hough变换(PHT)。两个凹点之间的点数为np,循环次数为其点组数np/dp。由公式(1)和(2)求出核心坐标和半径向量(OXi,OYi,ri)的值,并据此数组进行累加操作。由于待识别目标是类圆形颗粒,而并非标准的圆。因此,对颗粒核心进行最后的确认时,需要将上述计算的结果按聚类的方法进行处理,得到聚集的重心。先将每个点单独作为一组,然后相继地合并相近的组,直到聚类完毕。设初始类数目N=0,第k类质心的坐标为(xk,yk),点(i,j)到类N的距离计算公式为: 若颗粒半径为r,当距离Dd(i,j),(xk,yk)>r时,建立新类,且新类的重心为该点坐标。否则,将点(i,j)归并入该类中,对这些点求平均,即为估计的类圆颗粒核心;求出并保存重叠区域内的核心个数M及坐标。
(3)拓扑形状特征
欧拉数(Euler number)具有不变拓扑形状全局特征,任意拉伸、变形都不会改变图像中的欧拉数。若图像中孔洞数H,连通域数C,则欧拉数E=C-H。
2.识别模型
为了提高分割的效率和准确性,采用基于统计学习理论的支持向量机分类方法识别颗粒多类重叠类型。运用SVM建立识别模型首先是核函数的选择,不同的核函数对所建立模型的性能影响很大。在没有先验知识指导的情况下,一般采用径向基核函数(RBF)往往能够得到令人满意的结果。其性能直接受到参数大小的影响,径向基核参数σ直接影响SVM的性能优劣。误差惩罚参数C用来实现在错分样本的比例和算法复杂度之间的折衷,即在确定的特征子空间中调节学习机器置信范围和经验风险的比例,使学习机器的泛化能力最好。
颗粒块区域一般处于重叠和独立状态,根据独立颗粒的样本特征为核心点数M=1,凹点数N≥0来判断各个孤立块区域中颗粒是否独立。若为重叠颗粒,本实例建立并重叠、上下两层并重叠和串重叠等三种模型。因此,可以将识别重叠颗粒类型转化为一个多分类问题。对于多分类问题,Vapnik提出了一对其余(1-aginst-rest)标准算法:对于N类问题,构造N个两类分类器。第N个分类器用第N类训练样本作为正的训练样本,将其它类的训练样本作为负的训练样本,最后的输出是N个两类分类器输出中最大的那一类。此外,Knerr提出的一对一(1-aginst-1)多类算法,它构造了所有可能的两类分类器,每次仅对N类中的2类进行分类,共构造N(N—1)/2个分类器,对所有组合进行投票,得票最多的类为测试样本所属的类。采用一对一方法分割多类重叠颗粒,该方法训练支持向量机能够得到相对好的结果,训练时间也比一对其余方法的时间短。
通过对140幅重叠颗粒进行预处理,提取形状特征值:凹点数N,核心数M和欧拉数E作为判别函数式中x三维特征向量,核函数选用径向基函数 建立支持向量机模型来判别三种重叠类型。在如图3所示的各类重叠颗粒样本中取20个串重叠颗粒,30个并重叠和25个两层颗粒作为训练集,其余样本作为测试样本检验模型的效果。目前,对参数的优化尚无比较理想的方法,一般要靠多次实验确定。本实例中,依据识别准确率确定了参数C和σ,在参数C=200、σ=0.005时,支持向量机模型对测试样本的分类准确率最高,此模型的泛化能力最强。
3.分割与统计
识别出颗粒的重叠类型后,若颗粒串重叠的,如图3模型,凹点配对的原则是成对间的直线距离局部最小、并且分处核心连线的两侧。对于图4的多个颗粒并重叠类型,分割线为连接颗粒区域的中心与所求的凹点。对于图5的两层颗粒并重叠类型,将所有的凹点的两两相连,连线即为所求的分割线。将重叠颗粒分离成独立颗粒后,最后统计独立颗粒的数量。
Claims (5)
1、一种重叠类圆颗粒物的计数装置,其特征是,该装置包括CCD摄像机、DSP数据处理系统和LCD显示器;
CCD摄像机,用于完成颗粒图像采集,并将图像信号送入DSP数据处理系统;
DSP数据处理系统,包括DSP数字信号处理器,将CCD摄像机采集的模拟图像转化为数字图像信号,实现本文的图像处理算法,完成颗粒计数并显示计数结果;
LCD显示器,与DSP数据处理系统输出连接,用于显示采集颗粒原图和分割后的结果,并且输出统计颗粒数量。
2、一种重叠类圆颗粒物的计数方法,包括下列步骤:用CCD摄像机拍摄平台上的颗粒图像,并将图像信号送入DSP数据信号处理器,DSP数据信号处理器对图像进行处理,并统计出颗粒数,输出颗粒数,其特征是,所述DSP数据信号处理器对图像进行处理,并统计出颗粒数的过程具体包括如下步骤:
(A)采用HIS颜色空间对采集的图像预处理,分离大部分孤立颗粒,提取所有的孤立颗粒块区域;
(B)对这些块区域提取特征凹点、核心和欧拉数;
(C)采用一对一支持向量机分类方法识别颗粒重叠类型,将凹点数,核心数和欧拉数作为三维输入特征向量,核函数选用径向基函数,建立支持向量机模型来判别重叠类型;
(D)识别颗粒的重叠类型后,针对不同重叠模型的颗粒,分别将这些凹点配对后构造相应的分割线,根据将两层重叠或深度重叠的颗粒分离为独立颗粒,统计独立颗粒个数。
3、根据权利要求2所述的计数方法,其特征是,上述步骤(C)中的重叠类型进一步分为串重叠、多个并重叠和两层重叠及其三种重叠颗粒模型。
4、根据权利要求2所述的计数方法,其特征是,上述步骤(C)中所述的识别颗粒重叠类型进一步包括下列步骤:
(C1)识别是否存在重叠,如果没有重叠,则判断为独立颗粒,并对独立颗粒计数;
(C2)采用支持向量机模型进行串重叠、并重叠和两层并重叠三种颗粒模型的识别。
5、根据权利要求2所述的计数方法,其特征是,上述步骤(D)中所述构造相应的分割线进一步包括下列步骤:
(D1)串重叠颗粒模型,配对凹点连线即为分割线;凹点配对的原则是成对间的直线距离局部最小、并且分处核心连线的两侧;
(D2)多个颗粒并重叠类型,分割线为连接颗粒区域的中心与所求的凹点的连线;
(D3)两层颗粒并重叠类型,将所有的凹点的两两相连,连线即为所求的分割线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102355436A CN101441721B (zh) | 2008-11-28 | 2008-11-28 | 一种重叠类圆颗粒物的计数装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102355436A CN101441721B (zh) | 2008-11-28 | 2008-11-28 | 一种重叠类圆颗粒物的计数装置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101441721A true CN101441721A (zh) | 2009-05-27 |
CN101441721B CN101441721B (zh) | 2010-11-17 |
Family
ID=40726146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102355436A Expired - Fee Related CN101441721B (zh) | 2008-11-28 | 2008-11-28 | 一种重叠类圆颗粒物的计数装置和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101441721B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034132A (zh) * | 2010-11-17 | 2011-04-27 | 首雷光电科技(厦门)有限公司 | Led芯片数量统计方法 |
CN101788497B (zh) * | 2009-12-30 | 2013-05-29 | 深圳先进技术研究院 | 一种基于图像识别技术的嵌入式豆类分类系统 |
CN103226088A (zh) * | 2013-04-08 | 2013-07-31 | 贵州茅台酒股份有限公司 | 一种颗粒物计数方法及其装置 |
CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
CN104494071A (zh) * | 2013-05-20 | 2015-04-08 | 海宁王骏橡塑制品有限公司 | 一种注塑机 |
CN104766066A (zh) * | 2015-04-15 | 2015-07-08 | 成都瑞昌仪器制造有限公司 | 一种虫体统计方法和诱虫计数装置 |
CN105303233A (zh) * | 2015-10-15 | 2016-02-03 | 陕西科技大学 | 一种基于计算机视觉的钢筋数量统计方法 |
CN106127293A (zh) * | 2016-07-06 | 2016-11-16 | 太仓诚泽网络科技有限公司 | 一种昆虫自动计数系统及其计数方法 |
CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
CN108734731A (zh) * | 2018-05-29 | 2018-11-02 | 中科院广州电子技术有限公司 | 一种基于机器视觉的类圆颗粒目标计数方法 |
CN109598328A (zh) * | 2018-11-21 | 2019-04-09 | 山东农业大学 | 一种散布式千粒计数方法、系统、装置及终端 |
CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
CN111738271A (zh) * | 2020-03-04 | 2020-10-02 | 沈阳工业大学 | 自然环境中被遮挡果实的识别方法 |
CN113298768A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 棉花检测分割计数方法及系统 |
-
2008
- 2008-11-28 CN CN2008102355436A patent/CN101441721B/zh not_active Expired - Fee Related
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788497B (zh) * | 2009-12-30 | 2013-05-29 | 深圳先进技术研究院 | 一种基于图像识别技术的嵌入式豆类分类系统 |
CN102034132A (zh) * | 2010-11-17 | 2011-04-27 | 首雷光电科技(厦门)有限公司 | Led芯片数量统计方法 |
CN103226088A (zh) * | 2013-04-08 | 2013-07-31 | 贵州茅台酒股份有限公司 | 一种颗粒物计数方法及其装置 |
CN104494071A (zh) * | 2013-05-20 | 2015-04-08 | 海宁王骏橡塑制品有限公司 | 一种注塑机 |
CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
CN104182759B (zh) * | 2014-08-20 | 2017-09-12 | 中国矿业大学 | 基于扫描电镜的颗粒物形态识别方法 |
CN104766066A (zh) * | 2015-04-15 | 2015-07-08 | 成都瑞昌仪器制造有限公司 | 一种虫体统计方法和诱虫计数装置 |
CN106295789B (zh) * | 2015-06-10 | 2021-07-09 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
CN105303233A (zh) * | 2015-10-15 | 2016-02-03 | 陕西科技大学 | 一种基于计算机视觉的钢筋数量统计方法 |
CN106127293A (zh) * | 2016-07-06 | 2016-11-16 | 太仓诚泽网络科技有限公司 | 一种昆虫自动计数系统及其计数方法 |
CN108734731A (zh) * | 2018-05-29 | 2018-11-02 | 中科院广州电子技术有限公司 | 一种基于机器视觉的类圆颗粒目标计数方法 |
CN109598328A (zh) * | 2018-11-21 | 2019-04-09 | 山东农业大学 | 一种散布式千粒计数方法、系统、装置及终端 |
CN109598328B (zh) * | 2018-11-21 | 2023-09-12 | 山东农业大学 | 一种散布式千粒计数方法、系统、装置及终端 |
CN109801308A (zh) * | 2018-12-28 | 2019-05-24 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
CN109801308B (zh) * | 2018-12-28 | 2022-10-18 | 西安电子科技大学 | 粘连类圆形目标图像的分割方法 |
CN111738271A (zh) * | 2020-03-04 | 2020-10-02 | 沈阳工业大学 | 自然环境中被遮挡果实的识别方法 |
CN111738271B (zh) * | 2020-03-04 | 2023-05-02 | 沈阳工业大学 | 自然环境中被遮挡果实的识别方法 |
CN113298768A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 棉花检测分割计数方法及系统 |
CN113298768B (zh) * | 2021-05-20 | 2022-11-08 | 山东大学 | 棉花检测分割计数方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101441721B (zh) | 2010-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101441721B (zh) | 一种重叠类圆颗粒物的计数装置和方法 | |
CN103226088B (zh) | 一种颗粒物计数方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN107679078A (zh) | 一种基于深度学习的卡口图像车辆快速检索方法及系统 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
CN108171184A (zh) | 基于Siamese网络的用于行人重识别的方法 | |
CN102054178A (zh) | 一种基于局部语义概念的国画图像识别方法 | |
CN111861103B (zh) | 一种基于多特征与多分类器的鲜茶叶分类方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN109145958B (zh) | 一种基于多任务生成对抗网络的真实场景小物体检测方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN109117836A (zh) | 一种基于焦点损失函数的自然场景下文字检测定位方法和装置 | |
CN102622607A (zh) | 一种基于多特征融合的遥感图像分类方法 | |
CN110120036A (zh) | 一种多尺度的轮胎x光病疵检测方法 | |
CN104766097A (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN102169543B (zh) | 基于多源信息融合和在线学习的人头计数方法 | |
CN109492596A (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
CN110348494A (zh) | 一种基于双通道残差神经网络的人体动作识别方法 | |
CN101980251A (zh) | 二叉树多类支持向量机遥感分类方法 | |
CN110175615A (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN115272652A (zh) | 基于多元回归和自适应焦点损失的密集物体图像检测方法 | |
CN101655909A (zh) | 匹配程度计算装置及方法 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101117 Termination date: 20141128 |
|
EXPY | Termination of patent right or utility model |