CN102521572A - 一种煤和矸石的图像识别方法 - Google Patents
一种煤和矸石的图像识别方法 Download PDFInfo
- Publication number
- CN102521572A CN102521572A CN2011104083527A CN201110408352A CN102521572A CN 102521572 A CN102521572 A CN 102521572A CN 2011104083527 A CN2011104083527 A CN 2011104083527A CN 201110408352 A CN201110408352 A CN 201110408352A CN 102521572 A CN102521572 A CN 102521572A
- Authority
- CN
- China
- Prior art keywords
- coal
- spoil
- characteristic parameters
- image
- sample
- 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
Landscapes
- Image Processing (AREA)
Abstract
一种煤和矸石的图像识别方法，依据煤和矸石表面灰度与纹理的差异，利用计算机图像处理技术，分别提取了煤和矸石图像的灰度直方图的5个特征参数和灰度共生矩阵的11个特征参数，总计16个特征参数。应用BP神经网络算法对煤和矸石进行识别，对煤和矸石图片进行处理以及应用计算机进行智能识别和分选。在训练好的BP神经网络中，输入任何一张由煤或矸石数字图片中提取的特征参数，即可从输出层得出识别的结果，有助于煤和矸石的分选，提高煤的品质，其识别率高，易操作。
Description
技术领域
本发明涉及一种图像识别方法，尤其是一种基于计算机的煤和矸石的图像自动识别方法。
背景技术
在煤炭生产和加工过程中会产生大量的矸石，传统的重介法、跳汰法等分选方法设备庞大、水污染严重，对工人健康及环境都造成很大的危害，因此制造现代化的自动分选设备是非常必要的。而制造自动分选设备的前提就是寻找出煤和矸石的显著区别。在目前公开的分选方法中，最主要的就是基于伽玛射线以及双能伽玛射线探测技术的煤和矸石分选方法，目前涉及基于图像处理的煤和矸石分选大致分两种，一种是基于图像的灰度直方图的识别方法，另外一种是基于图像灰度共生矩阵的识别方法，但其识别率低。
发明内容
技术问题：本发明的目的是针对已有技术中存在的问题，提供一种识别率高的煤和矸石的图像自动识别方法。
技术方案：本发明的煤和矸石的图像识别方法，包括以下步骤：
a．利用电子摄像装置拍摄煤试样与矸石试样的数字图片，通过矩阵实验室计算机编程对拍摄的煤试样和矸石试样的数字图片进行图像处理，去除噪音；
b．对处理过的煤试样和矸石试样图片提取灰度直方图的5个特征参数，并提取灰度共生矩阵的11个特征参数；
c．通过主成分分析法对提取的16个特征参数进行降维处理，选取每块煤或矸石的5个主成分特征参数；
d．确定BP神经网络算法的输入层、隐含层和输出层的神经元个数，调节各层之间的连接函数，输入煤或矸石的5个主成分特征参数即可实现煤和矸石的图像识别。
所述对处理过的煤和矸石图像提取灰度直方图的5个特征参数为平均值、方差、偏度、峰度、能量；所述对处理过的煤和矸石图像提取灰度共生矩阵的11个特征参数为对比度、相关、熵、逆差矩、能量、中值、协方差、反差、差异性、二阶矩、自相关。
有益效果：本发明通过煤和矸石图像的灰度与纹理特征实现煤和矸石的自动识别与分选，应用目前较成熟的BP神经网络算法对煤和矸石进行识别，对煤和矸石图片进行处理以及应用计算机进行智能识别和分选。BP神经网络算法有较好的模式识别能力和学习能力，可根据现有的资料进行自适应学习、训练，并利用BP神经网络函数对网络进行初始化、仿真和训练，得到较精确的煤和矸石识别结果。选取煤和矸石的试样若干，提取每个试样的5个主成分特征参数对神经网络进行训练，达到训练要求的误差。在训练好的BP神经网络中，输入任何一张由煤或矸石数字图片中提取的5个主成分参数，即可从输出层得出识别的结果，有助于煤和矸石的分选，提高煤的品质。其识别率高，易操作。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的描述：
本发明的煤和矸石的图像识别方法，利用电子摄像装置拍摄煤试样与矸石试样的数字图片，通过矩阵实验室计算机编程对拍摄的煤试样和矸石试样的数字图片进行图像处理，统一图片尺寸、对图片进行中值滤波，以消除在图像传输、转换过程中产生的噪声；对处理过的煤试样和矸石试样图片提取灰度直方图的5个特征参数，对处理过的煤和矸石图像提取灰度直方图的5个特征参数为平均值、方差、偏度、峰度、能量；灰度直方图表示数字图片中某一灰度级出现的频数，显示出图像的灰度范围、灰度级的大致分布情况。同时提取灰度共生矩阵的11个特征参数，对处理过的煤和矸石图像提取灰度共生矩阵的11个特征参数为对比度、相关、熵、逆差矩、能量、中值、协方差、反差、差异性、二阶矩、自相关，其中二阶矩、对比度、熵、方差和逆差矩主要是灰度共生矩阵进行纹理分析的主要参数。由于上述灰度直方图和灰度共生矩阵的特征参数共有16个，过于冗杂，且处理起来不方便，通过采用主成分分析法对提取的16个特征参数进行降维处理，设置主成分的累积方差贡献率为90%，将16个特征参数通过线性变换选出主要的5个主成分特征参数，这5个主成分特征参数是原16个特征参数的线性组合，从而使每张数字图片原来提取的16个特征参数综合用5个主成分特征参数代替，这5个主成分特征参数最大限度的表征了原16个特征参数的数据特征，这5个主成分特征参数即是煤和矸石的图像识别的基础。最后，设定BP神经网络算法的输入层、隐含层和输出层神经元的个数，调节各层之间连接函数，输出层中煤和矸石分别用“1”和“0”表征，输入选取的煤或矸石的5个主成分特征参数即可实现煤和矸石的图像识别。
由于煤呈黑色，而矸石呈灰色，二者的灰度与纹理有显著的不同，根据这一特征将煤和矸石分别用“1”和“0”的数字来表征，随机选取煤试样和矸石试样，对每个试样均在同一条件下用电子摄像机进行拍照，获取试样的数字图片。利用MATLAB（矩阵实验室）软件对每个试样图片进行图像处理：首先利用imresize函数将每个试样均统一转换成像素为 
的图片，再利用medfilt2函数对图片进行中值滤波，以消除在图像的传输、转换等过程中产生的噪声。之后，根据灰度直方图的5个特征参数和灰度共生矩阵的11个特征参数的定义，利用MATLAB软件进行编程求解，得出每个试样的16个特征参数。根据主成分分析的定义，再利用MATLAB编制通用主成分分析程序，将主成分的方差贡献率设置为90%，然后将每个试样的16个特征参数输入到程序中，得到每个试样的5个主成分特征参数，即将16个特征参数缩减为5个主成分特征参数，5个主成分特征参数即代表了一个试样。
例如：利用MATLAB编程软件自带的BP神经网络工具箱进行训练与识别，在对BP神经网络进行训练中，选取煤试样和矸石试样，选取煤试样和矸石试样的数量均不低于100个，将提取的每个煤试样或者矸石试样的5个特征参数带入到BP神经网络工具箱中，设置BP神经网络的各个参数，即输入层神经元个数为5，输出层神经元的个数为1，设定隐含层神经元的个数为4；设定BP神经网络最大训练次数为50000次，使最小均方差为0.0001；设定输入层的转换函数为tansig、输出层的转换函数为purelin、BP神经网络的训练函数为traingdm、权值和阈值的学习函数为learngdm；在输出层中，煤试样用“1”表示，矸石试样用“0”表示，即在识别时，输出值与数值“1”接近的即认为是煤，输出值与数值“0”接近的即认为是矸石。BP神经网络训练完成后，选取另外的待识别的10个煤试样和10个矸石试样，将每个试样的5个主成分特征参数输入到训练好的BP神经网络中，即得到如表1的输出结果。
表1
| 图片 | 输出值 | 识别结果 | 图片 | 输出值 | 识别结果 |
| 煤试样1 | 0.9904192 | 煤 | 矸石1 | -0.005999 | 矸石 |
| 煤试样2 | 0.9941404 | 煤 | 矸石2 | 0.0087678 | 矸石 |
| 煤试样3 | 0.9925014 | 煤 | 矸石3 | 0.0006363 | 矸石 |
| 煤试样4 | 1.0013697 | 煤 | 矸石4 | 0.0059289 | 矸石 |
| 煤试样5 | 1.0040525 | 煤 | 矸石5 | 0.0011121 | 矸石 |
| 煤试样6 | 0.9955289 | 煤 | 矸石6 | -0.00518 | 矸石 |
| 煤试样7 | 1.0041052 | 煤 | 矸石7 | 0.0038655 | 矸石 |
| 煤试样8 | 1.0060431 | 煤 | 矸石8 | 0.0001715 | 矸石 |
| 煤试样9 | 1.0034282 | 煤 | 矸石9 | -0.002745 | 矸石 |
| 煤试样10 | 0.9991035 | 煤 | 矸石10 | 0.0061725 | 矸石 |
由结果可知，煤的输出值均接近1，矸石的输出值均接近0，表明分选效果非常好，输出值与期望输出值的误差在0.1%以内。
Claims (3)
1.一种煤和矸石的图像识别方法，其特征在于包括以下步骤：
a．利用电子摄像装置拍摄煤试样与矸石试样的数字图片，通过矩阵实验室计算机编程对拍摄的煤试样和矸石试样的数字图片进行图像处理，统一图片尺寸、对图片进行中值滤波，以消除在图像传输、转换过程中产生的噪声；
b．对处理过的煤试样和矸石试样图片提取灰度直方图的5个特征参数，并提取灰度共生矩阵的11个特征参数；
c．通过主成分分析法对提取的16个特征参数进行降维处理，选取煤或矸石的5个主成分特征参数；
d．设定BP神经网络算法的输入层、隐含层和输出层的神经元个数，调节输入层、隐含层和输出层之间的连接函数，其中：输出层中煤和矸石分别用“1”和“0”表征，输入选取的煤或矸石的5个主成分特征参数即可实现煤和矸石的图像识别。
2.根据权利要求1所述的煤和矸石图像识别方法，其特征在于：所述对处理过的煤和矸石图像提取灰度直方图的5个特征参数为平均值、方差、偏度、峰度、能量。
3.根据权利要求1所述的煤和矸石图像识别方法，其特征在于：所述对处理过的煤和矸石图像提取灰度共生矩阵的11个特征参数为对比度、相关、熵、逆差矩、能量、中值、协方差、反差、差异性、二阶矩、自相关。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011104083527A CN102521572A (zh) | 2011-12-09 | 2011-12-09 | 一种煤和矸石的图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011104083527A CN102521572A (zh) | 2011-12-09 | 2011-12-09 | 一种煤和矸石的图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102521572A true CN102521572A (zh) | 2012-06-27 |
Family
ID=46292483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011104083527A Pending CN102521572A (zh) | 2011-12-09 | 2011-12-09 | 一种煤和矸石的图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102521572A (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927528A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
| CN103942576A (zh) * | 2014-04-09 | 2014-07-23 | 中国矿业大学(北京) | 一种用空域多尺度随机特征识别煤岩的方法 |
| CN104653181A (zh) * | 2015-02-11 | 2015-05-27 | 天地科技股份有限公司 | 一种基于灰度识别技术的放顶煤开采过程混矸比例控制系统及方法 |
| CN104751192A (zh) * | 2015-04-24 | 2015-07-01 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
| CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
| CN106055636A (zh) * | 2016-05-30 | 2016-10-26 | 长江岩土工程总公司（武汉） | 一种岩石便携智能识别方法 |
| CN106228155A (zh) * | 2016-10-11 | 2016-12-14 | 山东为华智能设备制造有限公司 | 一种视觉识别法对煤和煤矸石进行识别的技术 |
| CN106446961A (zh) * | 2016-10-11 | 2017-02-22 | 山东为华智能设备制造有限公司 | 一种采用反光性方法对煤和煤矸石及杂物进行识别的技术 |
| CN106645145A (zh) * | 2016-10-11 | 2017-05-10 | 山东为华智能设备制造有限公司 | 一种用表面结构和纹理对煤和煤矸石及铁块识别的技术 |
| CN107145884A (zh) * | 2017-04-26 | 2017-09-08 | 太原理工大学 | 煤矸石近红外图像识别技术 |
| CN107824475A (zh) * | 2017-10-20 | 2018-03-23 | 苏州茁实智能科技有限公司 | 一种煤与矸石分拣方法及装置 |
| CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
| CN108426855A (zh) * | 2017-02-15 | 2018-08-21 | 天津农学院 | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 |
| CN108564108A (zh) * | 2018-03-21 | 2018-09-21 | 天津市协力自动化工程有限公司 | 煤炭的识别方法及装置 |
| CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
| CN109187915A (zh) * | 2018-09-25 | 2019-01-11 | 河南理工大学 | 一种声音识别法选煤过程中的可选性评定方法 |
| CN109242833A (zh) * | 2018-08-23 | 2019-01-18 | 江苏中机矿山设备有限公司 | 一种采煤机截割控制方法 |
| CN109272987A (zh) * | 2018-09-25 | 2019-01-25 | 河南理工大学 | 一种分选煤和矸石的声音识别方法 |
| CN109815999A (zh) * | 2019-01-08 | 2019-05-28 | 浙江大学 | 一种简便高效的自动化煤矸识别方法 |
| CN109977747A (zh) * | 2019-01-08 | 2019-07-05 | 浙江大学 | 一种综合时空特征的煤矸识别系统 |
| CN110245635A (zh) * | 2019-06-20 | 2019-09-17 | 安徽理工大学 | 一种煤和矸石的红外图像识别方法 |
| CN111036576A (zh) * | 2019-12-10 | 2020-04-21 | 清远职业技术学院 | 基于无矸图像过滤和blob分析的煤矸石识别分拣法 |
| CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
| CN113435486A (zh) * | 2021-06-15 | 2021-09-24 | 西安科技大学 | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 |
| CN113458005A (zh) * | 2021-06-11 | 2021-10-01 | 安徽理工大学 | 一种基于纯矿物模拟的煤矸x射线识别系统 |
| CN114066861A (zh) * | 2021-11-22 | 2022-02-18 | 安徽理工大学 | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 |
| CN114887924A (zh) * | 2022-04-28 | 2022-08-12 | 安徽理工大学 | 一种基于太赫兹成像的煤矸石识别分选装置及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
-
2011
- 2011-12-09 CN CN2011104083527A patent/CN102521572A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1932850A (zh) * | 2006-10-09 | 2007-03-21 | 武汉大学 | 一种遥感图像空间形状特征提取与分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| HE YAQUN,ET AL: "Research on Identification of Coal and Waste Rock Based on PCA and GA-ANN", 《2010 IEEE》 * |
| LIANG HAONAN,ET AL: "Research on Identification of Coal and Waste Rock based on GLCM and BP Neural Network", 《2010 2ND INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING SYSTEMS(ICSPS)》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942576B (zh) * | 2014-04-09 | 2017-06-16 | 中国矿业大学(北京) | 一种用空域多尺度随机特征识别煤岩的方法 |
| CN103942576A (zh) * | 2014-04-09 | 2014-07-23 | 中国矿业大学(北京) | 一种用空域多尺度随机特征识别煤岩的方法 |
| CN103927528A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
| CN103927528B (zh) * | 2014-05-05 | 2017-02-01 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
| CN104653181A (zh) * | 2015-02-11 | 2015-05-27 | 天地科技股份有限公司 | 一种基于灰度识别技术的放顶煤开采过程混矸比例控制系统及方法 |
| CN104751192A (zh) * | 2015-04-24 | 2015-07-01 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
| CN104751192B (zh) * | 2015-04-24 | 2017-12-22 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
| CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
| CN105760877B (zh) * | 2016-02-19 | 2019-03-05 | 天纺标检测认证股份有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
| CN106055636A (zh) * | 2016-05-30 | 2016-10-26 | 长江岩土工程总公司（武汉） | 一种岩石便携智能识别方法 |
| CN106055636B (zh) * | 2016-05-30 | 2019-12-13 | 长江岩土工程总公司（武汉） | 一种岩石便携智能识别方法 |
| CN106645145A (zh) * | 2016-10-11 | 2017-05-10 | 山东为华智能设备制造有限公司 | 一种用表面结构和纹理对煤和煤矸石及铁块识别的技术 |
| CN106446961A (zh) * | 2016-10-11 | 2017-02-22 | 山东为华智能设备制造有限公司 | 一种采用反光性方法对煤和煤矸石及杂物进行识别的技术 |
| CN106228155A (zh) * | 2016-10-11 | 2016-12-14 | 山东为华智能设备制造有限公司 | 一种视觉识别法对煤和煤矸石进行识别的技术 |
| CN108426855A (zh) * | 2017-02-15 | 2018-08-21 | 天津农学院 | 基于二维相关近红外光谱灰度统计特征判别掺杂尿素牛奶的方法 |
| CN107145884A (zh) * | 2017-04-26 | 2017-09-08 | 太原理工大学 | 煤矸石近红外图像识别技术 |
| CN107824475A (zh) * | 2017-10-20 | 2018-03-23 | 苏州茁实智能科技有限公司 | 一种煤与矸石分拣方法及装置 |
| CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
| CN108564108A (zh) * | 2018-03-21 | 2018-09-21 | 天津市协力自动化工程有限公司 | 煤炭的识别方法及装置 |
| CN108596216A (zh) * | 2018-04-04 | 2018-09-28 | 格薪源生物质燃料有限公司 | 生物质燃料质量检测方法及系统 |
| CN109242833A (zh) * | 2018-08-23 | 2019-01-18 | 江苏中机矿山设备有限公司 | 一种采煤机截割控制方法 |
| CN109242833B (zh) * | 2018-08-23 | 2022-04-05 | 江苏中机矿山设备有限公司 | 一种采煤机截割控制方法 |
| CN109187915A (zh) * | 2018-09-25 | 2019-01-11 | 河南理工大学 | 一种声音识别法选煤过程中的可选性评定方法 |
| CN109272987A (zh) * | 2018-09-25 | 2019-01-25 | 河南理工大学 | 一种分选煤和矸石的声音识别方法 |
| CN109815999A (zh) * | 2019-01-08 | 2019-05-28 | 浙江大学 | 一种简便高效的自动化煤矸识别方法 |
| CN109977747A (zh) * | 2019-01-08 | 2019-07-05 | 浙江大学 | 一种综合时空特征的煤矸识别系统 |
| CN109815999B (zh) * | 2019-01-08 | 2021-09-21 | 浙江大学 | 一种简便高效的自动化煤矸识别方法 |
| CN110245635A (zh) * | 2019-06-20 | 2019-09-17 | 安徽理工大学 | 一种煤和矸石的红外图像识别方法 |
| CN110245635B (zh) * | 2019-06-20 | 2023-08-04 | 安徽理工大学 | 一种煤和矸石的红外图像识别方法 |
| CN111036576A (zh) * | 2019-12-10 | 2020-04-21 | 清远职业技术学院 | 基于无矸图像过滤和blob分析的煤矸石识别分拣法 |
| CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
| CN113458005A (zh) * | 2021-06-11 | 2021-10-01 | 安徽理工大学 | 一种基于纯矿物模拟的煤矸x射线识别系统 |
| CN113435486A (zh) * | 2021-06-15 | 2021-09-24 | 西安科技大学 | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 |
| CN114066861A (zh) * | 2021-11-22 | 2022-02-18 | 安徽理工大学 | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 |
| CN114066861B (zh) * | 2021-11-22 | 2024-04-19 | 安徽理工大学 | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 |
| CN114887924A (zh) * | 2022-04-28 | 2022-08-12 | 安徽理工大学 | 一种基于太赫兹成像的煤矸石识别分选装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102521572A (zh) | 一种煤和矸石的图像识别方法 | |
| CN113689428B (zh) | 基于图像处理的机械零件应力腐蚀检测方法及系统 | |
| Prakash et al. | Detection of leaf diseases and classification using digital image processing | |
| Karmokar et al. | Tea leaf diseases recognition using neural network ensemble | |
| CN108052980B (zh) | 基于图像的空气质量等级检测方法 | |
| CN104990925B (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
| CN105590319B (zh) | 一种深度学习的图像显著性区域检测方法 | |
| CN103295191A (zh) | 多尺度视觉自适应图像增强方法及评价方法 | |
| CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
| CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
| CN116152239B (zh) | 一种高速公路路面病害检测方法及系统 | |
| CN113222938A (zh) | 芯片缺陷检测方法及系统与计算机可读存储介质 | |
| CN108009567A (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
| CN106447673A (zh) | 一种非均匀光照条件下的芯片引脚提取方法 | |
| CN108305270B (zh) | 一种基于手机拍照的仓储粮虫计数系统及方法 | |
| CN104318254A (zh) | 一种基于dct低频分量特征的快速煤岩识别方法 | |
| CN111292347B (zh) | 一种基于图像处理技术的显微图像炭疽孢子密度计算方法 | |
| Zhou et al. | Research on cucumber downy mildew detection system based on SVM classification algorithm | |
| CN111353968A (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
| Gajula Ramesh et al. | Detection of Plant Diseases by analyzing the Texture of Leaf using ANN Classifier | |
| CN110175548B (zh) | 基于注意力机制和通道信息的遥感图像建筑物提取方法 | |
| CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
| Bairwa et al. | Classification of Fruits Based on Shape, Color and Texture using Image Processing Techniques | |
| Usha et al. | Automated sorting and grading of vegetables using image processing | |
| CN104063874B (zh) | 基于权值模型的灰度图像二值化算法定量评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120627 |