CN102855640A - 基于神经网络的水果等级分类系统 - Google Patents
基于神经网络的水果等级分类系统 Download PDFInfo
- Publication number
- CN102855640A CN102855640A CN2012102853917A CN201210285391A CN102855640A CN 102855640 A CN102855640 A CN 102855640A CN 2012102853917 A CN2012102853917 A CN 2012102853917A CN 201210285391 A CN201210285391 A CN 201210285391A CN 102855640 A CN102855640 A CN 102855640A
- Authority
- CN
- China
- Prior art keywords
- fruit
- system based
- information
- image
- multiple classifiers
- 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
Images
Landscapes
- Sorting Of Articles (AREA)
Abstract
本发明提供一种基于多分类器融合的水果自动分级系统,其包括:分别用于摄取同一水果的图像信息的多个图像摄取单元;用于分析所述多个图像摄取单元各自提供的图像信息以获得水果的特征信息的特征提取单元;多个水果分类单元,每一个均用于根据所获得的水果的特征信息、采用各自预定神经网络分类器来将水果予以分类;以及用于基于预定融合策略来将所述多个水果分类单元的分类结果予以融合来获得水果的等级结果的融合单元。本发明结构简单稳定,可以应用在农业水果生产的较多产业领域。
Description
技术领域
本发明涉及水果分类领域,尤其涉及一种基于多分类器融合的水果自动分级系统。
背景技术
水果产业是近年来快速发展的一个农业产业,据农业部统计,到2007年我国水果产量已经达到1.05亿,居世界首位。但是,水果在其生产过程中由于受到人为和自然等复杂因素的影响,产品品质差异很大,如形状、大小、色泽等都是变化的,很难整齐划一。由于我国的水果品种结构不合理,产品商业化处理技术落后,因此,在国际市场上缺乏竞争力。
传统的人工水果分类主要是从色、形两个方面进行人工判别的,它的缺点是效率低、耗时长、识别准确率不稳定等。随着计算机图像处理和模式识别的技术不断成熟和发展,在水果识别方面的自动判别技术也慢慢成熟。国内外对此作了大量的研究,例如Canakkale University的Professor,I.Kavdir等根据苹果的表面质量状况,包括苹果的像素灰度值、纹理特征等来对苹果进行两种类型的分级,一种是“好与差”两级分类,另一种是较为细致的五级分类,都取得了较好的效果。Trueba等研究者研究提取肉的表面纹理及颜色特征,利用神经网络精确地描述牛肉嫩度。国内的研究主要是在华中农业大学、中国农业大学、中国农科院等高等院校里,安徽农科院的吕秋霞等人提取了水果的颜色、形状以及纹理三个特征,随后利用单个神经网络对其进行等级分类,也取得了一定的成果。
然而无论是国外的专家,还是国内的研究者,所采用的分类器都是单一,换句话说就是单分类器,导致等级判别正确率难以有效提高。此外,目前,我们国家的水果等级分类过程大多采用人工分级,自动化分级系统应用较少。而人工水果分级的不足之处在于:耗时长,结果不稳定,容易受人为因素干扰,并且耗费大量的人力和物力,不适合水果深加工产业的发展,也制约了我国水果产业在国际市场的竞争力。
发明内容
本发明的目的在于提供一种基于多分类器融合的水果自动分级系统,以实现水果的等级分类判别。
为了达到上述的目的,本发明提供一种基于多分类器融合的水果自动分级系统,它包括:多个图像摄取单元,分别用于摄取同一水果的图像信息;特征提取单元,用于分析所述多个图像摄取单元各自提供的图像信息以获得水果的特征信息,其中,所述特征信息包括形状、颜色及面积;多个水果分类单元,每一个均用于根据所获得的水果的特征信息、采用各自预定神经网络分类器来将水果予以分类;以及融合单元,用于基于预定融合策略来将所述多个水果分类单元的分类结果予以融合后,获得水果的等级结果。
优选地,所述特征提取单元包括:第一子单元,用于将以红、绿、及蓝表示像素点信息的图像信息按照以下公式转换为以色调、亮度和饱和度表示像素点信息的图像信息后,再来获得水果颜色特征信息,
其中,H为像素点的色调:R、G、B分别为像素点的红、绿、蓝组分。
优选地,所述特征提取单元包括:基于图像中的水果横向尺寸与纵向尺寸的比例来确定水果形状的第二子单元。
优选地,所述特征提取单元包括:将图像信息转换为二值图像信息,并基于二值图像信息来确定水果面积的第三子单元。
优选地,所述多个水果分类单元包括第一分类单元,用于根据所获得的水果的特征信息、采用预定BP神经网络分类器来将水果予以分类。其中,所述预定BP神经网络分类器包括一个输入层、两个隐节点层和一个输出层。更为优选地,第一层隐节点层为四个节点,第二次隐节点层为三个节点。
优选地,所述多个水果分类单元包括第二分类单元,用于根据所获得的水果的特征信息、采用预定竞争型神经网络分类器来将水果予以分类。
优选地,所述多个水果分类单元包括第三分类单元,用于根据所获得的水果的特征信息、采用预定径向基神经网络分类器来将水果予以分类。
本发明将图像处理、模式识别以及神经网络技术相结合,以三个最具代表性的水果外在品质特征作为神经网络分类器的输入,通过神经网络分类器对水果进行等级分类判别,其结构简单易实现、且系统稳定、应用面较广,可以应用在农业水果生产的较多产业领域。
优选地,所述预定融合策略包括多数投票法策略。
本发明将图像处理、模式识别以及神经网络技术相结合,以三个最具代表性的水果外在品质特征作为神经网络分类器的输入,通过多个神经网络分类器的结果融合来对水果进行自动化分级,其结构简单易实现、且系统稳定、应用面较广,可以应用在农业水果生产的较多产业领域。
附图说明
本发明的基于多分类器融合的水果自动分级系统由以下的实施例及附图给出。
图1是本发明具体实施例的示意图。
具体实施方式
以下将对本发明的基于多分类器融合的水果自动分级系统作进一步的详细描述。
请参见图1,所述水果自动分级系统至少包括:多个图像摄取单元11、特征提取单元12、多个水果分类单元13、及融合单元14。
每一个图像摄取单元11均摄取同一水果的图像信息。
优选地,图像摄取单元11包括任何能摄取图像的装置,优选地,包括但不限于摄像头等等。
优选地,图像摄取单元11的数量大于或等于2;例如,图像摄取单元11的数量为3,3个图像摄取单元11形成360度视角来摄取同一水果的不同面的图像信息,由此,来获得同一水果全方位信息。
所述特征提取单元12分析所述多个图像摄取单元11各自提供的图像信息以获得水果的特征信息。
其中,所述水果的特征信息包括但不限于:形状、颜色及面积等。
具体地,所述特征提取单元12对每一个图像信息进行分析,并由每一图像信息中获得水果的特征信息。
具体地,所述特征提取单元12对每一个图像信息先进行包括图像增强、边缘分割在内的预处理后,再进行形状、颜色、大小等特征信息的提取。
优选地,所述特征提取单元12包括第一子单元(未予图示)。
所述第一子单元用于将以红、绿、及蓝表示像素点信息的图像信息按照以下公式转换为以色调、亮度和饱和度表示像素点信息的图像信息后,再来获得水果颜色特征信息,
其中,H为像素点的色调:R、G、B分别为像素点的红、绿、蓝组分。所述第一子单元基于上述公式确定每一像素点的色调后,再求取所有像素点的色调平均值作为水果的颜色特征信息。
优选地,所述特征提取单元12包括第二子单元(未予图示)。
所述第二子单元基于图像中的水果横向尺寸与纵向尺寸的比例来确定水果形状。
具体地,所述第二子单元将图像摄取单元11输出的图像转换为灰度图像,再通过灰度图像的直方图阈值分割,来计算该图像的最大横轴和最大纵轴之比值l,并以该比值l作为水果的形状特征信息。其中,该比值l越接近1,表明该水果形状越规则:
优选地,所述特征提取单元12包括第三子单元(未予图示)。
所述第三子单元将图像信息转换为二值图像信息,并基于二值图像信息来确定水果面积。
具体地,所述第三子单元先对水果图像进行二值化处理,再对水果区域内(即白色区域)的所有像素点数量进行求和计算,其结果作为水果的面积值。由于底板的颜色对面积的大小有一定的影响,故通过采用了不同颜色的底板进行对比发现,在外部环境不变的情况下,采用黑色底板能够极大地减小底板的影响,故所述第三子单元在采集水果图像时,配备黑色底板。
每一个水果分类单元13均用于根据所获得的水果的特征信息、采用各自预定神经网络分类器来将水果予以分类。
优选地,多个水果分类单元13中包括:第一分类单元(未予图示)。
所述第一分类单元用于根据所获得的水果的特征信息、采用预定BP神经网络分类器来将水果予以分类。
具体地,所述第一分类单元将所述特征提取单元12每一次输出的诸如形状、颜色及面积等的水果特征信息作为预定BP神经网络分类器的输入值,经过反复的训练和测试后,来得出水果的判别结果。
优选地,所述预定BP神经网络分类器包括一个输入层、两个隐节点层和一个输出层。更为优选地,第一层隐节点层为四个节点,第二次隐节点层为三个节点。
虽然神经网络方面的专家曾经指出,应尽量避免使用两层以上的隐节点层,因为会大大提高实验花费的时间。但是实验表明:两层隐节点层在BP训练结束后,对新进的对象判断稳定性很好,同时花费的训练实验时间也在允许范围之内,故所述第一分类单元采用了两层隐节点层。其中,输入层有三个节点,分别为水果的形状、颜色及面积三个外在特征信息;第一层隐节点层为四个节点,第二次隐节点层为三个节点,输出层的节点数根据水果分级的级别数来设定。本实施例中,只对优质和较差两类水果进行分级,故输出节点为一个。BP神经网络的具体参数为:trainParam.lr=0.001;trainParam.mc=0.9;trainParam.epochs=20000;trainParam.goal=0.0001;trainParam.max fail=1000。
优选地,多个水果分类单元13中包括:第二分类单元(未予图示)。
所述第二分类单元用于根据所获得的水果的特征信息、采用预定竞争型神经网络分类器来将水果予以分类。
具体的,所述第二分类单元采用区分类别为2、学习率为0.01、学习阀值为0.001的自组织竞争型神经网络newc函数所形成的竞争型网络分类器来对水果进行分类。
优选地,多个水果分类单元13中包括:第三分类单元(未予图示)。
所述第三分类单元用于根据所获得的水果的特征信息、采用预定径向基神经网络分类器来将水果予以分类。
具体地,所述第三分类单元采用spread参数为0.15的径向基网络newrbe函数所形成的RBF网络分类器来对水果进行分类。
所述融合单元14用于基于预定融合策略来将所述多个水果分类单元13的分类结果予以融合后,获得水果的等级结果。
其中,所述预定融合策略包括任何能将多个分类器的分类结果融合的策略,优选地,包括但不限于:多数投票法策略。
其中,所述多数投票法策略用数学语言描述如下:如果有N个独立的分类器具有相同的正确分类的概率.并且每一个分类都做出关于未知图像的身份唯一确定的结论,那么这个图像就会被归类到意见一致的类别中去.例如,在n个分类器中,当至少有k个分类同一,则得出的结论是一致同意此分类结果。其中,k被定义为:
具体地,所述融合单元14基于多数投票法策略将第一分类单元、第二分类单元、及第三分类单元各自输出的水果分类结果予以融合,来获得水果的等级结果。
综上所述,本发明的基于多分类器融合的水果自动分级系统将图像处理、模式识别以及神经网络等技术相结合,以三个最具代表性的水果外在品质特征作为神经网络分类器的输入,并将三个不同的神经网络分类器的结果融合来对水果进行自动化分级,其优势在于:1)采用了三个摄像头进行水果的原始图像采集,克服了水果外在品质不均匀,给等级判别带来的困扰;2)采用了三个最为稳定的神经网络分类系统,结构比较简单,易于实现,并且处理速度也较快;3)基于神经网络融合,能获得较为稳定的结果;4)图像预处理技术采用图像处理领域较为成熟的技术,能使处理结果较为稳定;5)参考了大量文献和大量实验基础上所选取的三个特征信息,其对后期分级结果的作用大,且使计算较为简单不复杂。因此,本发明系统稳定、简单易实现,且应用面较广,可以应用在农业水果生产的较多产业领域。
Claims (9)
1.一种基于多分类器融合的水果自动分级系统,其特征在于,包括:
多个图像摄取单元,分别用于摄取同一水果的图像信息;
特征提取单元,用于分析所述多个图像摄取单元各自提供的图像信息以获得水果的特征信息,其中,所述特征信息包括形状、颜色及面积;
多个水果分类单元,每一个均用于根据所获得的水果的特征信息、采用各自预定神经网络分类器来将水果予以分类;
融合单元,用于基于预定融合策略来将所述多个水果分类单元的分类结果予以融合后,获得水果的等级结果。
2.如权利要求1所述的基于多分类器融合的水果自动分级系统,其特征在于,所述特征提取单元包括:第一子单元,用于将以红、绿、及蓝表示像素点信息的图像信息按照以下公式转换为以色调、亮度和饱和度表示像素点信息的图像信息后,再来获得水果颜色特征信息,
其中,H为像素点的色调:R、G、B分别为像素点的红、绿、蓝组分。
3.如权利要求1所述的基于多分类器融合的水果自动分级系统,其特征在于,所述特征提取单元包括:基于图像中的水果横向尺寸与纵向尺寸的比例来确定水果形状的第二子单元。
4.如权利要求1所述的基于多分类器融合的水果自动分级系统,其特征在于,所述特征提取单元包括:将图像信息转换为二值图像信息,并基于二值图像信息来确定水果面积的第三子单元。
5.如权利要求1所述的基于多分类器融合的水果自动分级系统,其特征在于,所述多个水果分类单元包括第一分类单元,用于根据所获得的水果的特征信息、采用预定BP神经网络分类器来将水果予以分类。
6.如权利要求5所述的基于多分类器融合的水果自动分级系统,其特征在于:所述预定BP神经网络分类器包括一个输入层、两个隐节点层和一个输出层。
7.如权利要求1所述的基于多分类器融合的水果自动分级系统,其特征在于:所述多个水果分类单元包括第二分类单元,用于根据所获得的水果的特征信息、采用预定竞争型神经网络分类器来将水果予以分类。
8.如权利要求1所述的基于多分类器融合的水果自动分级系统,其特征在于:所述多个水果分类单元包括第三分类单元,用于根据所获得的水果的特征信息、采用预定径向基神经网络分类器来将水果予以分类。
9.如权利要求1所述的基于多分类器融合的水果自动分级系统,其特征在于:所述预定融合策略包括多数投票法策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102853917A CN102855640A (zh) | 2012-08-10 | 2012-08-10 | 基于神经网络的水果等级分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012102853917A CN102855640A (zh) | 2012-08-10 | 2012-08-10 | 基于神经网络的水果等级分类系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102855640A true CN102855640A (zh) | 2013-01-02 |
Family
ID=47402202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012102853917A Pending CN102855640A (zh) | 2012-08-10 | 2012-08-10 | 基于神经网络的水果等级分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102855640A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318304A (zh) * | 2014-10-20 | 2015-01-28 | 上海电机学院 | 一种用于模式识别的基于样本学习的bp网络结构设计方法 |
CN104636493A (zh) * | 2015-03-04 | 2015-05-20 | 浪潮电子信息产业股份有限公司 | 一种基于多分类器融合的动态数据分级方法 |
CN106951912A (zh) * | 2017-02-15 | 2017-07-14 | 海尔优家智能科技(北京)有限公司 | 一种果蔬外观变化识别模型的建立方法和识别方法 |
CN107014814A (zh) * | 2017-05-25 | 2017-08-04 | 河南嘉禾智慧农业科技有限公司 | 一种果实成熟度自动识别系统 |
CN107886049A (zh) * | 2017-10-16 | 2018-04-06 | 江苏省气象服务中心 | 一种基于摄像探头的能见度识别预警方法 |
CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理系统 |
CN108319968A (zh) * | 2017-12-27 | 2018-07-24 | 中国农业大学 | 一种基于模型融合的果蔬图像分类识别方法及系统 |
CN108476714A (zh) * | 2018-04-02 | 2018-09-04 | 海口金秋颂农业开发有限公司 | 一种芦荟自动收割分类一体化系统 |
CN109409687A (zh) * | 2018-09-29 | 2019-03-01 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测干制品色泽品质的方法 |
CN109829510A (zh) * | 2019-02-26 | 2019-05-31 | 中国农业科学院农业信息研究所 | 一种产品品质分级的方法、装置和设备 |
CN110796639A (zh) * | 2019-09-30 | 2020-02-14 | 武汉科技大学 | 一种基于神经网络的半夏品质分级方法 |
CN111047154A (zh) * | 2019-11-22 | 2020-04-21 | 大连海事大学 | 一种基于图像的苹果主观口感鉴定方法 |
CN111325231A (zh) * | 2018-12-14 | 2020-06-23 | 财团法人工业技术研究院 | 神经网络模型融合方法及应用其的电子装置 |
CN111768367A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 数据处理方法、装置和存储介质 |
CN112215191A (zh) * | 2015-11-25 | 2021-01-12 | 三星电子株式会社 | 用户终端设备及其控制方法 |
CN116958503A (zh) * | 2023-09-19 | 2023-10-27 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2256708A (en) * | 1991-06-11 | 1992-12-16 | Sumitomo Heavy Industries | Object sorter using neural network |
CN201508328U (zh) * | 2009-05-07 | 2010-06-16 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级装置 |
-
2012
- 2012-08-10 CN CN2012102853917A patent/CN102855640A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2256708A (en) * | 1991-06-11 | 1992-12-16 | Sumitomo Heavy Industries | Object sorter using neural network |
CN201508328U (zh) * | 2009-05-07 | 2010-06-16 | 浙江大学 | 基于机器视觉的猪肉外观品质实时检测分级装置 |
Non-Patent Citations (2)
Title |
---|
ANDERSON ROCHA ET AL.: "Automatic fruit and vegetable classification from images", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 70, no. 1, 31 January 2010 (2010-01-31), pages 96 - 104, XP026815061 * |
胡静等: "基于多分类器融合的水果自动分级系统", 《上海电机学院学报》, vol. 15, no. 3, 30 June 2012 (2012-06-30) * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318304A (zh) * | 2014-10-20 | 2015-01-28 | 上海电机学院 | 一种用于模式识别的基于样本学习的bp网络结构设计方法 |
CN104636493A (zh) * | 2015-03-04 | 2015-05-20 | 浪潮电子信息产业股份有限公司 | 一种基于多分类器融合的动态数据分级方法 |
US11568981B2 (en) | 2015-11-25 | 2023-01-31 | Samsung Electronics Co., Ltd. | User terminal apparatus and control method thereof |
CN112215191A (zh) * | 2015-11-25 | 2021-01-12 | 三星电子株式会社 | 用户终端设备及其控制方法 |
CN106951912B (zh) * | 2017-02-15 | 2019-11-08 | 海尔优家智能科技(北京)有限公司 | 一种果蔬外观变化识别模型的建立方法和识别方法 |
CN106951912A (zh) * | 2017-02-15 | 2017-07-14 | 海尔优家智能科技(北京)有限公司 | 一种果蔬外观变化识别模型的建立方法和识别方法 |
CN107014814A (zh) * | 2017-05-25 | 2017-08-04 | 河南嘉禾智慧农业科技有限公司 | 一种果实成熟度自动识别系统 |
CN107886049A (zh) * | 2017-10-16 | 2018-04-06 | 江苏省气象服务中心 | 一种基于摄像探头的能见度识别预警方法 |
CN107886049B (zh) * | 2017-10-16 | 2022-08-26 | 江苏省气象服务中心 | 一种基于摄像探头的能见度识别预警方法 |
CN107945168B (zh) * | 2017-11-30 | 2021-12-10 | 上海联影医疗科技股份有限公司 | 一种医学图像的处理方法及医学图像处理系统 |
CN107945168A (zh) * | 2017-11-30 | 2018-04-20 | 上海联影医疗科技有限公司 | 一种医学图像的处理方法及医学图像处理系统 |
CN108319968A (zh) * | 2017-12-27 | 2018-07-24 | 中国农业大学 | 一种基于模型融合的果蔬图像分类识别方法及系统 |
CN108476714A (zh) * | 2018-04-02 | 2018-09-04 | 海口金秋颂农业开发有限公司 | 一种芦荟自动收割分类一体化系统 |
CN109409687A (zh) * | 2018-09-29 | 2019-03-01 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测干制品色泽品质的方法 |
CN111325231A (zh) * | 2018-12-14 | 2020-06-23 | 财团法人工业技术研究院 | 神经网络模型融合方法及应用其的电子装置 |
CN111325231B (zh) * | 2018-12-14 | 2023-08-15 | 财团法人工业技术研究院 | 神经网络模型融合方法及应用其的电子装置 |
CN109829510A (zh) * | 2019-02-26 | 2019-05-31 | 中国农业科学院农业信息研究所 | 一种产品品质分级的方法、装置和设备 |
CN110796639A (zh) * | 2019-09-30 | 2020-02-14 | 武汉科技大学 | 一种基于神经网络的半夏品质分级方法 |
CN111047154A (zh) * | 2019-11-22 | 2020-04-21 | 大连海事大学 | 一种基于图像的苹果主观口感鉴定方法 |
CN111768367A (zh) * | 2020-05-20 | 2020-10-13 | 深圳迈瑞生物医疗电子股份有限公司 | 数据处理方法、装置和存储介质 |
CN111768367B (zh) * | 2020-05-20 | 2024-03-29 | 深圳迈瑞生物医疗电子股份有限公司 | 数据处理方法、装置和存储介质 |
CN116958503A (zh) * | 2023-09-19 | 2023-10-27 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及系统 |
CN116958503B (zh) * | 2023-09-19 | 2024-03-12 | 广东新泰隆环保集团有限公司 | 一种基于图像处理的污泥干化等级识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855640A (zh) | 基于神经网络的水果等级分类系统 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN107330892A (zh) | 一种基于随机森林法的向日葵病害识别方法 | |
CN102855641A (zh) | 基于外在品质的水果等级分类系统 | |
CN106934386B (zh) | 一种基于自启发式策略的自然场景文字检测方法及系统 | |
CN107092884B (zh) | 一种快速粗精级联行人检测方法 | |
CN101383008A (zh) | 基于视觉注意模型的图像分类方法 | |
CN105938564A (zh) | 基于主成分分析和神经网络的水稻病害识别方法及系统 | |
CN101299237B (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
CN102879401A (zh) | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 | |
CN102332094B (zh) | 半监督在线学习人脸检测方法 | |
CN106023224A (zh) | 一种中药材显微图像的pcnn自动分割方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
CN105760858A (zh) | 一种基于类Haar中间层滤波特征的行人检测方法及装置 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN109190456A (zh) | 基于聚合通道特征和灰度共生矩阵的多特征融合俯视行人检测方法 | |
CN100463001C (zh) | 一种类球形果蔬的识别方法 | |
CN106920226A (zh) | 一种荔枝机械损伤判别方法 | |
CN101655909A (zh) | 匹配程度计算装置及方法 | |
CN106650696A (zh) | 一种基于奇异值分解的手写电气元件符号识别方法 | |
CN101964055B (zh) | 一种模仿视觉感知机制的自然场景类型辨识方法 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130102 |