CN103914849B - 一种红枣图像的检测方法 - Google Patents
一种红枣图像的检测方法 Download PDFInfo
- Publication number
- CN103914849B CN103914849B CN201410159480.6A CN201410159480A CN103914849B CN 103914849 B CN103914849 B CN 103914849B CN 201410159480 A CN201410159480 A CN 201410159480A CN 103914849 B CN103914849 B CN 103914849B
- Authority
- CN
- China
- Prior art keywords
- pixel
- connected region
- jujube
- image
- equivalence
- 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
Landscapes
- Image Analysis (AREA)
Abstract
一种红枣图像的检测方法。提供了一种能够有效检测出红枣褶皱,便于对红枣自动分级,提高了红枣质量分级效率的红枣图像的检测方法。检测步骤主要包括:将图像二值化;对图像做开运算;标识连通区域;获取连通区域属性;判断大枣类别。本方法算法复杂度为线性,判断了影响褶皱的相关因素;能高效的识别皱枣,提高了判断、检测的可靠性。本发明能够满足在按外观品质对红枣自动分级系统中的要求,提高了工作效率。
Description
技术领域
本发明涉及红枣生产加工领域,尤其涉及一种红枣外观图像的检测方法。
背景技术
在基于外观品质的红枣自动分级系统中,需要根据表面质量进行分级,有无褶皱是一个重要的表面质量指标。
质量上乘的大枣颜色暗红、均匀,有光泽,表皮褶皱少且浅。大枣大致分为3种类型:a,质量优等,没有缺陷;b,质量次等,表皮有较多较浅的褶皱;c,质量劣等,表皮有较多较深的褶皱,或表皮有较长的深暗褶皱。
现有的检测方法不能有效地将褶皱检测出来,检测结果不能用来评价红枣的品质。所以需要一种能有效地检测出红枣图像皱褶的检测方法。
基于机器视觉对农产品进行检测分级已经是一种主流技术,赵杰文等人提出了一种基于支持向量机的缺陷红枣机器视觉识别系统,由于枣干制过程中形成的油头枣、浆头枣、霉烂枣等缺陷枣具有整体或局部颜色偏暗、偏黑的特性,在HIS颜色空间中,提取H的均值和均方差作为红枣的颜色特征值,利用支持向量机可识别缺陷红枣;
杨福增等人提出了一种改进的小波分析算法,实现的边缘检测技术能很好的将红枣的褶皱与裂痕区分开来,文中提出常规的边缘检测方法用于红枣褶皱与裂痕的检测效果并不明显,不能投入到实际生产应用中。
国内的基于机器视觉的红枣表面缺陷检测至今仍主要集中于理论的研究和静态下的实验,耗时较长,不能满足生产上在线检测的需求,还没有面向实际生产加工的装备和方法。
发明内容
本发明针对以上问题,提供了一种能够有效检测出红枣褶皱,便于对红枣自动分级,提高了红枣质量分级效率的红枣图像的检测方法。
本发明的技术方案是:包括以下步骤:
1)、获取目标图像;
2)、图像二值化;遍历目标图像,访问图像的每一个像素点,先计算像素点的灰度值,如果灰度值在一阈值范围内,就将像素点设为255,否则就为0;所述阈值范围为30~120;
3)、目标图像处理;对图像做开运算,设置结构元素,先做腐蚀处理,再做膨胀处理;
4)、标记等价对;
4.1)、下一个像素点是否存在,
4.1.1)、存在;
4.1.2)、不存在,则结束;
4.2)、接4.1.1),判断像素点值是否为255;
4.2.1)、是,
4.2.2)、否,返回到4.1);
4.3)、接4.2.1),查看相邻像素是否已经标记;
4.3.1)、标记,
4.3.2)、未标记,则此像素点标记为新连通区域;
4.4)、接4.3.1),按优先级标记为相关像素所在连通区域;
4.5)、判断相邻像素之间是否存在等价对关系;
4.5.1)、存在;
4.5.2)、不存在,则回到4.1);
4.6)、接4.5.1),判断等价对关系是否已经存在于现有等价对列表中;
4.6.1)、存在,则回到4.1),
4.6.2)、不存在;
4.7)、接4.6.2),将此等价对添加到现有等价对列表中,回到4.1);
5)、等价对处理;
5.1)、添加第一个等价对到新等价对列表;
5.2)、判断下一个等价对是否存在;
5.2.1)、存在;
5.2.2)、不存在,则结束;
5.3)、接5.2.1),判断等价对标记是否已经添加到新列表;
5.3.1)、是;
5.3.2)、否,将等价对添加到新列表,返回5.2);
5.4)、在5.3.1)的基础上,等价对在新列表的标记值是否相等;
5.4.1)、是,返回5.2);
5.4.2)、否,将等价对所在新列表对应标记值置为相等,返回5.2);
6)、获取连通区域特征属性;
6.1)、判断是否存在下一个像素点;
6.1.1)、存在;
6.1.2)、不存在,则结束;
6.2)、接6.1.1),判断连通区域标记值是否为0;
6.2.1)、是,返回6.1),
6.2.2)、否,记录像素点所在连通区域特征属性,返回6.1);
7)、遍历连通区域;根据其特征属性,识别皱枣;
所述特征属性包括:连通区域像素点个数;最小外接矩形位置;最小外接矩形的长宽比值;连通区域像素点与其最小外接矩形像素点百分比;最小外接矩形与整个大枣的像素点百分比;连通区域总的个数。
本发明的主要检测步骤包括:将图像二值化;对图像做开运算;标识连通区域;获取连通区域属性(像素点大小、最小外接矩形,连通区域位置坐标);判断大枣类别(识别皱枣)。
其中,图像二值化将图像上的像素点的灰度值设为0或255,将整个图像呈现出明显的黑白效果;
开运算是先腐蚀后膨胀的过程,可以消除图像上细小的噪声,并平滑物体边界,实现图像降噪、平滑处理;
然后,对二值图像进行一次完整的扫描,标记所有目标像素的同时,得到并记录等价标记对;
在第一次扫描完成后,整理重复的等价对,重新标记连通区域并记录各连通区域特征属性;分析各连通区域以上特征属性,识别皱枣。
本方法算法复杂度为线性,判断了影响褶皱的相关因素;能高效的识别皱枣,提高了判断、检测的可靠性。
本发明能够直接面向实际应用,所需环境仅为LED光源,30万像素摄像头和数据采集设备,如果与DSP系统配套使用则在线检测效率极高,可达到每秒25个。假设机器的一个通道配置为1个30万像素摄像头、一个LED光源和1个DSP系统,对于一台配10通道的大枣分级机,每小时的产能至少在2吨以上,大量节省人力,提高生产产能。
本发明能够满足在按外观品质对红枣自动分级系统中的要求,提高了工作效率。
附图说明
图1是本发明的流程框图,
图2是本发明中图像二值化流程图,
图3是本发明中目标图像处理流程图,
图4是本发明中标记等价对流程图,
图5是等价对处理流程图,
图6是获取连通区域特征属性流程图,
图7是本发明中膨胀处理示意图,
图8是本发明中腐蚀处理示意图,
图9是本发明中实施例一的检测图,
图10是本发明中实施例二的检测图,
图11是本发明中实施例三的检测图,
图12是本发明中实施例四的检测图,
图13是本发明中实施例五的检测图,
具体实施方式
本发明如图1-13所示,包括以下步骤:
1)、获取目标图像;
2)、图像二值化;遍历目标图像,访问图像的每一个像素点,先计算像素点的灰度值,如果灰度值在一阈值范围内,就将像素点设为255,否则就为0;所述阈值范围为30~120;
图像二值化;将图像上的像素点的灰度值设为0或255,也就是将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阈值选取,获得仍然可以反映整体和局部特征的二值化图像。
本发明中遍历为指按某种规则,依次访问序列中的每个元素。
本发明中的搜索路径为:从上到下,从左到右。即第一行的第一列,第二列,…,最后一列;第二行的第一列,第二列,…,最后一列;……;最后一行的第一列,第二列,…,最后一列。
图像灰度:灰度就是没有色彩,在黑白图像中点的颜色深度,范围一般从0(黑色)到255(白色)。任何颜色都是由RGB(红、绿、蓝)三原色组成,因此图像像素点信息也是通过RGB反映。彩色图像可以转化为黑白图像,黑白图像的灰度值可以由R、G、B三分量的加权取得;
本案的图像二值化具体操作:遍历图像,访问图像的每一个像素点,先计算像素点的灰度值,如果灰度值在某一阈值范围内,就将像素点设为255,否则就为0,直至图像遍历完成即完成图像二值化。
本案是检测皱枣,因为好的大枣颜色均匀有光泽,而褶皱的大枣颜色偏暗,在此取得阈值范围为30~120。此阈值可根据光源亮度、品质要求和大枣品种等具体情况调整。
3)、目标图像处理;对图像做开运算,设置结构元素,先做腐蚀处理,再做膨胀处理;实现图像降噪、平滑处理;
二值图像中的形态学:膨胀、腐蚀、开、闭运算是数学形态学最基本的变换,他们能实现的功能有:消除噪声、分割出独立的图像元素、在图像中连接相邻的元素。
如图7所示,膨胀是在二值图像中“加长”或“变粗”的操作,这种“加长”或“变粗”的程度由一个称为结构元素的结合控制,结构元素通常用0和1的矩阵表示。用结构元素在图像上移动,只要结构元素中有一个点与图像中的点是重叠的就可以了,膨胀的结果是图像的边缘被扩大了。
如图8所示,腐蚀是膨胀的反操作,可以“收缩”或“细化”二值图像中的对象。用结构元素在图像上移动,计算被结构元素覆盖的最小像素值。
一般来说,膨胀可以填补凹洞,腐蚀可以消除细的凸起,效果取决于结构元素的大小。腐蚀操作通常是用来消除图像中“斑点”噪声,且能确保图像内的较大区域依然存在。
在试图找到连通分支(即具有相似颜色或强度的像素点的大块的相互分离的区域)时通常使用膨胀操作。因为大多数情况下一个大区域可能被噪声、阴影等类似的东西分割成多个部分,腐蚀可以将亮的区域被隔离或缩小,膨胀可以使亮的区域扩展和连接。
开运算是先腐蚀后膨胀的过程,可以消除图像上细小的噪声,并平滑物体边界;闭运算是先膨胀后腐蚀的过程,可以填充物体内细小的空洞,并平滑物体边界。
而“二值图像中的形态学”包含在“数学形态学”中;
数学形态学是图像处理中的一门学科,它建立在严格的数学理论基础上,以图像的形态为研究对象的学科。数学形态学以几何学为基础,着重研究图像的集合结构。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的基本算法有膨胀、腐蚀、开运算、闭运算。结构元素是数学形态学在图像处理中的一个关键要素。
结构元素是数学形态学在图像处理中的一个关键点,对于结构元素的选择会直接影响到图像处理的效果。不同的结构元素可用于提取不同的图像特征,小尺度结构元素的优点是能够检测到很好的边缘细节, 但是去噪声能力弱。相反大尺寸的结构元素边缘较粗,但去噪声能力强。不同的结构元素可以确定一个点是否在某个范围或某个方向上。下面为示例大小为3*3矩阵,分别表示竖直方向、水平方向、135°方向和45°方向:
以下所有流程均是一次扫描操作,每个流程需重复扫描,直到图像扫描完成;
4)、标记等价对;
4.1)、下一个像素点是否存在,
4.1.1)、存在;
4.1.2)、不存在,则结束;
4.2)、接4.1.1),判断像素点值是否为255;
4.2.1)、是,
4.2.2)、否,返回到4.1);
4.3)、接4.2.1),查看相邻像素是否已经标记;
4.3.1)、标记,
4.3.2)、未标记,则此像素点标记为新连通区域;
4.4)、接4.3.1),按优先级标记为相关像素所在连通区域;
4.5)、判断相邻像素之间是否存在等价对关系;
4.5.1)、存在;
4.5.2)、不存在,则回到4.1);
4.6)、接4.5.1),判断等价对关系是否已经存在于现有等价对列表中;
4.6.1)、存在,则回到4.1),
4.6.2)、不存在;
4.7)、接4.6.2),将此等价对添加到现有等价对列表中,回到4.1);
5)、等价对处理;
5.1)、添加第一个等价对到新等价对列表;
5.2)、判断下一个等价对是否存在;
5.2.1)、存在;
5.2.2)、不存在,则结束;
5.3)、接5.2.1),判断等价对标记是否已经添加到新列表;
5.3.1)、是;
5.3.2)、否,将等价对添加到新列表,返回5.2);
5.4)、在5.3.1)的基础上,等价对在新列表的标记值是否相等;
5.4.1)、是,返回5.2);
5.4.2)、否,将等价对所在新列表对应标记值置为相等,返回5.2);
6)、获取连通区域特征属性;
6.1)、判断是否存在下一个像素点;
6.1.1)、存在;
6.1.2)、不存在,则结束;
6.2)、接6.1.1),判断连通区域标记值是否为0;
6.2.1)、是,返回6.1),
6.2.2)、否,记录像素点所在连通区域特征属性,返回6.1);
7)、遍历连通区域;根据其特征属性,识别皱枣;因为完全没有褶皱的大枣很少,可以按褶皱的程度、数量来分等级。
所述特征属性(即连通区域特征属性)包括:1)连通区域像素点个数;2)最小外接矩形位置(左上方和右下方顶点坐标值);3)最小外接矩形的长宽比值;4)连通区域像素点与其最小外接矩形像素点百分比;5)最小外接矩形与整个大枣的像素点百分比;6)连通区域总的个数。
二值图像中的连通区域检测;连通区域检测是图像处理、模式识别中常用的一个基本方法。连通区域是对二值图像进行处理的,即该图像只有黑(0)和白(255)两种颜色。这里,目标像素点白色,背景为黑色。
标记算法首先对二值图像进行一次完整的扫描,标记所有目标像素的同时,得到并记录等价标记对。等价标记对(简称等价对)的产生是由于扫描次序的不同,导致开始时认为是两个不同的连通区域,后来随着扫描的深入,又发现这两个区域是连通的。所以,需要记录等价对,以表明他们隶属于同一个连通区域,以便第一次扫描结束后进行修正。
标记算法首先对二值图像的每一个像素进行4连通区域的标记,即对任意一个像素分别按左、左上、上、右上顺序,与相邻像素进行比较,并记录等价对。在第一次扫描完成后,整理重复的等价对,重新标记连通区域并记录各连通区域特征属性。
DSP是digital signal processing的缩写,同时也是digital signal processor的缩写。前者是指数字信号处理技术,后者是指数字信号处理器。本发明中配合使用的DSP是指数字信号处理器,主要研究如何将理论上的数字信号处理技术应用于数字信号处理器中。DSP能够轻松的对数字信号进行变换、滤波等处理,还可以进行各种各样复杂的运算,来实现预期的目标。DSP非常适合于数字信号处理运算的微处理器,其功耗低,具有可编程性、强大数据处理能力和很快的运算速度,已广泛使用。
如图9-13所示,本发明的测试步骤及测试结果:
1、图像二值化:获取大枣图像信息,取得红色通道像素值R,将R的值在30~120范围内的点的二值化图片像素值设为255,其余设为0;
2、做开运算,将结构元素设为3*3的矩阵,先腐蚀过滤掉噪声,再做膨胀,连接邻近的连通区域;
3、遍历二值化图片,标识连通区域;
4、整理等价对,得到像素点对应的新的连通区域标识;
5、再次遍历二值化图片,获取各个连通区域的特征属性,包括:连通区域像素点个数、该连通区域像素点占所有连通区域像素点总数的百分比、最小外接矩形位置、最小外接矩形面积、最小外接矩形的长宽比值、连通区域总的个数;
6、分析各连通区域以上特征属性,识别皱枣。
本发明的连通区域都为有效连通区域,需跳过像素点较小的连通区域、排除位于大枣边界的连通区域。
判别褶皱的条件有以下几种:1)、连通区域的最小外接矩形像素点很大,达到整个大枣的一定比例,但是整个连通区域的像素点与连通区域的最小外接矩形像素点的比值较小,则说明此大枣连通区域存在大量较深褶皱,如图9所示;
2)、连通区域的最小外接矩形的长/宽比值很大(或宽/长比值很小),说明在水平或竖直方向存在褶皱,如图10所示;
3)、连通区域的最小外接矩形像素点达到一定大小,但是整个连通区域的像素点与连通区域的最小外接矩形像素点的比值较小,说明在此连通区域存在褶皱,如图11所示;
4)、统计连通区域的总数,如果达到一定数量,说明此大枣的暗区很多,且不连续,有很多浅的褶皱;如图12所示。
以上判别皱枣的参数设定取决于对大枣品质的要求。
如图9-13所示,每幅图由左右两图组成,便于观察;其中,左图为二值化图像,右图为处理后的图像,不同的像素点颜色表示不同的连通区域。
其中,前4幅为不同褶皱类型示例,最后一幅为没有褶皱示例;
其相对应的检测数据如下(表格中列出了像素点>100的连通区域的所有特征属性):
如图9所示,褶皱较多较深的大枣,其测试结果为:
连通区域总数:70
连通区域白色像素点总数:9391
整个大枣的像素点数:26678
连通区域像素点0~30:52
连通区域像素点30~50:6
连通区域像素点50~100:8
连通区域像素点100~150:3
连通区域像素点150~200:0
连通区域像素点200~300:0
连通区域像素点300~500:0
连通区域像素点>500:1
结论:皱枣。
如图10所示,褶皱较长较深的大枣,其测试结果为:
连通区域总数:27
连通区域白色像素点总数:3146
整个大枣的像素点数:26842
连通区域像素点0~30:18
连通区域像素点30~50:3
连通区域像素点50~100:2
连通区域像素点100~150:1
连通区域像素点200~300:1
连通区域像素点300~500:0
连通区域像素点>500:2
结论:皱枣。
如图11所示,褶皱非竖直或水平方向的大枣,测试结果为:
连通区域总数:25
连通区域白色像素点总数:798
整个大枣的像素点数:28015
连通区域像素点0~30:21
连通区域像素点30~50:1
连通区域像素点50~100:0
连通区域像素点100~150:2
连通区域像素点150~200:0
连通区域像素点200~300:0
连通区域像素点300~500:1
连通区域像素点>500:0
结论:皱枣。
如图12所示,褶皱较多较浅的大枣,其测试结果为:
连通区域总数:92
连通区域白色像素点总数:3848
整个大枣的像素点数:27927
连通区域像素点0~30:77
连通区域像素点30~50:6
连通区域像素点50~100:6
连通区域像素点100~150:2
连通区域像素点150~200:0
连通区域像素点200~300:0
连通区域像素点300~500:0
连通区域像素点>500:1
结论:浅褶皱的皱枣。
如图13所示,没有褶皱的大枣,其测试结果为:
由于没有连通区域,图中加了黑色边框;
连通区域总数:0
连通区域白色像素点总数:0
整个大枣的像素点数:32200
连通区域像素点0~30:0
连通区域像素点30~50:0
连通区域像素点50~100:0
连通区域像素点100~150:0
连通区域像素点150~200:0
连通区域像素点200~300:0
连通区域像素点300~500:0
连通区域像素点>500:0
结论:好枣。
Claims (1)
1.一种红枣图像的检测方法,其特征在于,包括以下步骤:
1)、获取目标图像;
2)、图像二值化;遍历目标图像,访问图像的每一个像素点,先计算像素点的灰度值,如果灰度值在
一阈值范围内,就将像素点设为255,否则就为0;所述阈值范围为30~120;
3)、目标图像处理;对图像做开运算,设置结构元素,先做腐蚀处理,再做膨胀处理;
4)、标记等价对;
4.1)、下一个像素点是否存在,
4.1.1)、存在;
4.1.2)、不存在,则结束;
4.2)、接4.1.1),判断像素点值是否为255;
4.2.1)、是,
4.2.2)、否,返回到4.1);
4.3)、接4.2.1),查看相邻像素是否已经标记;
4.3.1)、标记,
4.3.2)、未标记,则此像素点标记为新连通区域;
4.4)、接4.3.1),按优先级标记为相关像素所在连通区域;
4.5)、判断相邻像素之间是否存在等价对关系;
4.5.1)、存在;
4.5.2)、不存在,则回到4.1);
4.6)、接4.5.1),判断等价对关系是否已经存在于现有等价对列表中;
4.6.1)、存在,则回到 4.1),
4.6.2)、不存在;
4.7)、接4.6.2),将此等价对添加到现有等价对列表中,回到4.1);
5)、等价对处理;
5.1)、添加第一个等价对到新等价对列表;
5.2)、判断下一个等价对是否存在;
5.2.1)、存在;
5.2.2)、不存在,则结束;
5.3)、接5.2.1),判断等价对标记是否已经添加到新列表;
5.3.1)、是;
5.3.2)、否,将等价对添加到新列表,返回5.2);
5.4)、在5.3.1)的基础上,等价对在新列表的标记值是否相等;
5.4.1)、是,返回 5.2);
5.4.2)、否,将等价对所在新列表对应标记值置为相等,返回5.2);
标记算法首先对二值图像的每一个像素进行 4 连通区域的标记,即对任意一个像素分别按左、左上、上、右上顺序,与相邻像素进行比较,并记录等价对;在第一次扫描完成后,整理重复的等价对,重新标记连通区域并记录各连通区域特征属性;
6)、获取连通区域特征属性;
6.1)、判断是否存在下一个像素点;
6.1.1)、存在;
6.1.2)、不存在,则结束;
6.2)、接6.1.1),判断连通区域标记值是否为 0;
6.2.1)、是,返回6.1),
6.2.2)、否,记录像素点所在连通区域特征属性,返回6.1);
7)、遍历连通区域;根据其特征属性,识别皱枣;
所述特征属性包括:连通区域像素点个数;最小外接矩形位置;最小外接矩形的长宽比值;连通区域像素点与其最小外接矩形像素点百分比;最小外接矩形与整个大枣的像素点百分比;连通区域总的个数;
判别褶皱的条件有以下几种:1)、连通区域的最小外接矩形像素点很大,达到整个大枣的一定比例,但是整个连通区域的像素点与连通区域的最小外接矩形像素点的比值较小,则说明此大枣连通区域存在大量较深褶皱;
2)、连通区域的最小外接矩形的长/宽比值很大,说明在水平或竖直方向存在褶皱;
3)、连通区域的最小外接矩形像素点达到一定大小,但是整个连通区域的像素点与连通区域的最小外接矩形像素点的比值较小,说明在此连通区域存在褶皱;
4)、统计连通区域的总数,如果达到一定数量,说明此大枣的暗区很多,且不连续,有很多浅的褶皱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410159480.6A CN103914849B (zh) | 2014-04-18 | 2014-04-18 | 一种红枣图像的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410159480.6A CN103914849B (zh) | 2014-04-18 | 2014-04-18 | 一种红枣图像的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914849A CN103914849A (zh) | 2014-07-09 |
CN103914849B true CN103914849B (zh) | 2018-07-06 |
Family
ID=51040505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410159480.6A Active CN103914849B (zh) | 2014-04-18 | 2014-04-18 | 一种红枣图像的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914849B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404869A (zh) * | 2015-11-20 | 2016-03-16 | 陕西科技大学 | 一种基于计算机视觉的水果外形分级方法 |
CN107615333B (zh) * | 2015-12-31 | 2021-06-08 | 深圳配天智能技术研究院有限公司 | 图像的斑点处理方法 |
CN106204589A (zh) * | 2016-07-11 | 2016-12-07 | 陕西科技大学 | 一种基于数字图像处理的水果外形质量分级方法 |
CN106529550B (zh) * | 2016-10-25 | 2020-02-04 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
CN106932408B (zh) * | 2017-03-20 | 2019-05-21 | 山东农业大学 | 一种基于图像处理的方格蔟污染蚕茧检测方法 |
CN107552415B (zh) * | 2017-08-30 | 2019-11-26 | 天津颐和中威精密机器有限公司 | 一种应用于桔瓣分拣机的桔瓣分拣方法 |
CN107798677B (zh) * | 2017-10-31 | 2021-03-05 | 南京林业大学 | 一种基于matlab图像处理的托槽焊膏视觉检测方法 |
CN109712137A (zh) * | 2018-12-29 | 2019-05-03 | 英特尔产品(成都)有限公司 | 基于图像处理的芯片测试座检测 |
CN113341667B (zh) * | 2021-06-23 | 2022-09-20 | 南京辰光融信技术有限公司 | 基于纸张褶皱识别的微调节硒鼓成像系统、方法和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081792A (zh) * | 2010-12-30 | 2011-06-01 | 西北农林科技大学 | 基于小波变换的多尺度红枣图像裂纹边缘检测方法 |
CN103471514A (zh) * | 2013-09-12 | 2013-12-25 | 齐鲁工业大学 | 一种基于机器视觉和一元线性回归分析的大蒜分级方法 |
-
2014
- 2014-04-18 CN CN201410159480.6A patent/CN103914849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081792A (zh) * | 2010-12-30 | 2011-06-01 | 西北农林科技大学 | 基于小波变换的多尺度红枣图像裂纹边缘检测方法 |
CN103471514A (zh) * | 2013-09-12 | 2013-12-25 | 齐鲁工业大学 | 一种基于机器视觉和一元线性回归分析的大蒜分级方法 |
Non-Patent Citations (4)
Title |
---|
基于杂交小波变换的红枣图像去噪及缺陷检测研究;陈丽萍;《中国优秀硕士学位论文全文数据库 信息科技辑》;20121215(第12期);第4.3,4.3.1,4.4.4节 * |
基于等价对的图像连通域标记算法;左敏 等;《计算机仿真》;20110131;第28卷(第1期);14-16 * |
基于递归的二值图像连通域像素标记算法;徐正光 等;《计算机工程》;20061231;第32卷(第24期);第2.1,2.2,3节 * |
颗粒形混合农产品的图像检测与分类;刘光蓉 等;《农业工程学报》;20111130;第27卷(第11期);344-348 * |
Also Published As
Publication number | Publication date |
---|---|
CN103914849A (zh) | 2014-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914849B (zh) | 一种红枣图像的检测方法 | |
TWI467515B (zh) | 掃描文件之彩色捨去 | |
US20190311470A1 (en) | Apparel production monitoring system using image recognition | |
CN106338520A (zh) | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 | |
CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN102122390B (zh) | 基于深度图像进行人体检测的方法 | |
CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN108009591A (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
CN107256547A (zh) | 一种基于显著性检测的表面裂纹识别方法 | |
CN110288561A (zh) | 基于频率域滤波增强的耐火砖表面划痕识别方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN108765402A (zh) | 无纺布缺陷检测与分类方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN109325401A (zh) | 基于边缘定位对题目区域进行标注、识别的方法及系统 | |
CN103852034B (zh) | 一种电梯导轨垂直度检测方法 | |
CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
CN104700417A (zh) | 木材节子瑕疵的计算机图像自动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |