CN104182759B - 基于扫描电镜的颗粒物形态识别方法 - Google Patents
基于扫描电镜的颗粒物形态识别方法 Download PDFInfo
- Publication number
- CN104182759B CN104182759B CN201410413256.5A CN201410413256A CN104182759B CN 104182759 B CN104182759 B CN 104182759B CN 201410413256 A CN201410413256 A CN 201410413256A CN 104182759 B CN104182759 B CN 104182759B
- Authority
- CN
- China
- Prior art keywords
- pixel
- wedge
- particle
- mrow
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000002389 environmental scanning electron microscopy Methods 0.000 title claims abstract description 20
- 239000013618 particulate matter Substances 0.000 title claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 83
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000003321 amplification Effects 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 7
- 230000005484 gravity Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 6
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 6
- 239000000853 adhesive Substances 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000010419 fine particle Substances 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000003928 nasal cavity Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
一种基于扫描电镜的颗粒物形态识别方法，适用于对空气中悬浮的颗粒物质进行识别。利用扫描电镜获取被测空气中放大5000倍的悬浮颗粒图像，并对颗粒图像二值化，针对二值化图像中存在粘连颗粒图案，在二值化图像中找出的楔形像素，并作为分离点的始端楔形像素，寻找始端楔形像素对应的终端楔形像素，然后采用Bresenham算法画分离线，完成粘连颗粒图像的分割，之后通过等效直径和形状因子方法对已经完成粘连颗粒分割后的各个颗粒图案的形态特征进行识别。其识别率高、可以得到图像中颗粒的具体形态，便于分类。
Description
技术领域
本发明涉及一种颗粒物形态识别方法，尤其适用于对空气中的颗粒物质进行识别时使用的基于扫描电镜的颗粒物形态识别方法。
背景技术
空气中的“总悬浮颗粒”，为直径小于100微米的颗粒物。其中10微米以上的，几乎都可被鼻腔和咽喉所捕集；10微米以下的可经过呼吸道沉积于肺泡；而2.5微米以下能穿过人体内的末端细支气管到达气体交换区域。不同的环境中的颗粒物的具体形态特征不同，因而人们在不同环境中所需的防护措施也并不相同。
目前，空气污染中悬浮颗粒物的测量方法一般是通过颗粒采集器过滤膜的增重法来判断，通过将过滤膜上的颗粒收集并称重从而得到被测空气中存在的颗粒总重量，并通过颗粒总重量和被测量空气的体积从而判断出被测空气中的颗粒污染浓度，但是此测量方法不能获得空气中污染颗粒的具体形态，从而对空气污染的防护和治理产生影响。
发明内容
技术问题：本发明的目的是为克服现有技术的不足，提供了一种识别率高、可以得到图像中颗粒的具体形态的基于扫描电镜的颗粒物形态识别方法。
技术方案：本发明的基于扫描电镜的颗粒物的图像识别方法，包括以下步骤：
a.利用扫描电镜的低真空模式获取被测空气中放大5000倍的悬浮颗粒图像；
b.用矩阵实验室计算机对放大5000倍颗粒图像采用Otsu算法获取二值化后的颗粒图像；
c.对二值化后颗粒图像中存在相互粘连的颗粒图案进行分割，以提高颗粒图像中对颗粒的准确识别，颗粒图案分割过程为：
(i)在得到二值化图像中，背景像素的灰度值为0，颗粒像素的灰度值为255，根据边界像素是由颗粒向背景转变的中间过程特性，确定二值化颗粒图像中所有边界像素，对找到的每一个边界像素，以边界像素为中心边界像素，取半径R为5个像素的圆形区域进行循环搜索，得到循环区域内的边界像素总数N，由公式:
得到循环搜索区域中除中心边界像素外所有边界像素的重心(igrav,jgrav)；式中(in,jn)为边界像素坐标值；
通过求无量纲偏心率E依次对每个中心边界像素进行判断是否为楔形像素，中心边界像素距离边界像素重心(igrav,jgrav)的距离r为：
无量纲偏心率式中半径R为5，经过学习训练，确定阈值CE,与无量纲偏心率进行比较，如果E＞CE，则判断此中心边界像素为待匹配的楔形像素，并将所有待匹配的楔形像素坐标值按行依次写入一个10000行2列的数组ijwedge中，数组ijwedge中每一行代表一个楔形像素的坐标。
(ii)从数组ijwedge中获取第一个的待匹配楔形点坐标值，将待匹配楔形像素作为线性分割的始端楔形像素，定义一个搜索区域，所述搜索区域以始端楔形像素为起始点，方向为与中心边界像素到重心的矢量方向相反，搜索半径为L，两边拓展的角度不超过π/3的扇形区域，其中搜索半径L的值通过学习训练确定，在搜索区域内通过双层循环逐行找寻楔形像素，如果找到多个楔形像素，按照与始端楔形像素欧氏距离最近的原则，从找到的楔形像素中确定终端楔形像素，将始端楔形像素与终端楔形像素视为分离点，采用Bresenham算法画分离线，完成粘连颗粒图像的分割，并将已经匹配的两个楔形像素在数组ijwedge中的坐标值置0。
(iii)从数组ijwedge中找寻下一个非0值坐标的楔形像素点，重复步骤ii中的操作，直到数组ijwedge中的楔形像素点全部操作结束。
d.利用计算机通过等效直径和形状因子方法对已经完成粘连颗粒分割后的各个颗粒图案的形态特征进行识别，并将识别结果通过显示器显示出来。
2.根据权利要求1所述的一种基于扫描电镜的细颗粒物的形态识别方法，其特征在于：所述对已经完成颗粒分割后的各个颗粒图案的形态特征的识别，包括：识别每个颗粒图案的等效直径dec和形状因子S；先对得到颗粒分割后的二值化图像进行识别，找出像素灰度值为255的目标区域点的个数，结合单个像素点代表的实际长度求出颗粒的面积Area，根据二值化图像使用Canny边缘检测算子得出其边缘图像，找出边缘图像中像素灰度值为255的边缘像素点的个数，继而求出颗粒的周长Perimeter。之后求得与颗粒面积相同的圆的直径，即为等效直径dec，然后根据比率公式S＝(Area/π)1/2/(Perimeter/2π)求得形状因子S。
有益效果：本发明提供了一种识别率高的基于扫描电镜的细颗粒物的形态识别方法，通过将拍摄后放大的空气图片进行二值化使图片中的颗粒图像凸显出来，并对二值化后颗粒图像中存在相互粘连的颗粒图案进行分割，防止了对颗粒图形识别时将相互粘连的数个颗粒识别成一个单独的颗粒，提高颗粒图像中对颗粒的准确，并通过求颗粒的等效直径和形状因子来获得单个颗粒的具体形态特征，这一系列操作为人们对颗粒物的防护起到有效的指导作用。
附图说明
图1是粘连颗粒示意图；
图2是寻找楔形点的循环搜索区域；
图3是搜索区域；
具体实施方式
下面结合附图对本发明的实施作进一步的描述，
本发明的基于扫描电镜的细颗粒物图像识别方法，其步骤如下：
a.如图1所示，利用扫描电镜的低真空模式获取被测空气中放大5000倍的悬浮颗粒图像，所述低真空模式为扫描电镜在10.6mm的工作距离和15kv的电压下获取颗粒图片；
b.用矩阵实验室计算机对放大5000倍颗粒图像采用Otsu算法获取二值化后的颗粒图像；
c.对二值化后颗粒图像中存在相互粘连的颗粒图案进行分割，图1为粘连颗粒示意图，为了提高颗粒图像中对颗粒的准确识别，颗粒图案分割过程为：
(i)在二值化图像中，背景像素的灰度值为0，颗粒像素的灰度值为255，根据边界像素是由颗粒向背景转变的中间过程特性，确定二值化后颗粒图像中的边界像素。对二值化后颗粒图像中的所有边界像素，依次以每个边界像素为中心边界像素，取半径R为5个像素的圆形区域进行循环搜索，得到循环区域内的边界像素总数N。如图2所示，标有数字2的为边界像素，标有数字4的像素为中心边界像素，标有数字3的为颗粒像素，标有数字1的为背景像素，计算循环搜索区域中所有标有数字2的边界像素的重心。由公式:
得到循环搜索区域中除中心边界像素外所有边界像素的重心(igrav,jgrav)，式中(in,jn)为边界像素坐标；
通过求无量纲偏心率E依次对每个中心边界像素进行判断是否为楔形像素，中心边界像素距离边界像素重心(igrav,jgrav)的距离r为：
无量纲偏心率式中半径R为5，经过学习训练，确定阈值CE,与无量纲偏心率进行比较，如果E＞CE，则判断此中心边界像素为待匹配的楔形像素，并将所有待匹配的楔形像素坐标值按行依次写入一个10000行2列的数组ijwedge中，数组ijwedge中每一行代表一个楔形像素的坐标。
(ii)从数组ijwedge中获取第一个的待匹配楔形点的坐标，将待匹配楔形像素作为线性分割的始端楔形像素，定义一个搜索区域，如图3所示，所述搜索区域以始端楔形像素为起始点，方向为与中心边界像素到重心的矢量方向相反，搜索半径为L，两边拓展的角度不超过π/3的扇形区域，其中搜索半径L的值通过学习训练确定，在搜索区域内通过双层循环逐行找寻楔形像素，如果找到多个楔形像素，按照与始端楔形像素欧氏距离最近的原则，从找到的楔形像素中确定终端楔形像素，将始端楔形像素与终端楔形像素视为分离点，采用Bresenham算法画分离线，完成粘连颗粒图像的分割，并将已经匹配的两个楔形像素在数组ijwedge中的坐标值置0。
(iii)从数组ijwedge中找寻下一个非0值坐标的楔形像素点，重复步骤ii中的操作，直到数组ijwedge中的楔形像素点全部操作结束。
d.利用计算机通过等效直径和形状因子方法对已经完成粘连颗粒分割后的各个颗粒图案的形态特征进行识别，并将识别结果通过显示器显示出来。所述对已经完成颗粒分割后的各个颗粒图案的形态特征的识别，包括：识别每个颗粒图案的等效直径dec和形状因子S；先对得到颗粒分割后的二值化图像进行识别，找出像素灰度值为255的目标区域点的个数，结合单个像素点代表的实际长度求出颗粒的面积Area，根据二值化图像使用Canny边缘检测算子得出其边缘图像，找出边缘图像中像素灰度值为255的边缘像素点的个数，继而求出颗粒的周长Perimeter。之后求得相同面积的圆的直径，即为等效直径dec，然后根据比率公式S＝(Area/π)1/2/(Perimeter/2π)求得形状因子S，如果S≈1则表示该颗粒形状接近圆形，如果S＜1则表示该颗粒形状为不规则图形。利用Matlab计算每个颗粒的等效直径和形状因子，得到等效直径位于＜2.5um，2.5um-10um，＞10um三个范围区域内颗粒数量和形状因子分布范围图。
Claims (5)
1.一种基于扫描电镜的颗粒物形态识别方法，其特征在于包括以下步骤：
a.利用扫描电镜的低真空模式获取被测空气中放大的悬浮颗粒图像；
b.用矩阵实验室计算机对放大后的颗粒图像采用Otsu算法获取二值化后的颗粒图像；
c.对二值化后颗粒图像中存在相互粘连的颗粒图案进行分割，以提高颗粒图像中对颗粒的准确识别，颗粒图案分割过程为：
(i)在二值化图像中，背景像素的灰度值为0，颗粒像素的灰度值为255，根据边界像素是由颗粒向背景转变的中间过程特性，确定二值化颗粒图像中的所有边界像素，对找到的每个边界像素，依次以边界像素为中心边界像素，取半径R为5个像素的圆形区域进行循环搜索，得到循环区域内的边界像素总数N，由公式:
<mrow>
<msub>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>a</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>i</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>j</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>a</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>j</mi>
<mi>n</mi>
</msub>
</mrow>
得到循环搜索区域中除中心边界像素外所有边界像素的重心(igrav,jgrav)；式中(in,jn)为边界像素坐标值；
通过求无量纲偏心率E依次对每个中心边界像素进行判断是否为楔形像素，中心边界像素距离边界像素重心(igrav,jgrav)的距离r为：
<mrow>
<mi>r</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msubsup>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>a</mi>
<mi>v</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>j</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>a</mi>
<mi>v</mi>
</mrow>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mrow>
无量纲偏心率式中半径R为5，将预设阈值CE与无量纲偏心率E进行比较，如果E＞CE，则判断此中心边界像素为待匹配的楔形像素，并将计算获得的所有待匹配楔形像素坐标按行依次写入数组ijwedge中，数组ijwedge中每一行代表一个楔形像素的坐标；
(ii)从数组ijwedge中获取第一个的待匹配楔形点坐标值，将待匹配楔形像素作为线性分割的始端楔形像素，定义一个搜索区域，所述搜索区域以始端楔形像素为起始点，方向为与中心边界像素到重心的矢量方向相反，搜索半径为L，两边拓展的角度不超过π/3的扇形区域，其中搜索半径L为预设值，在搜索区域内通过双层循环逐行找寻楔形像素，如果找到多个楔形像素，按照与始端楔形像素欧氏距离最近的原则，从找到的楔形像素中确定终端楔形像素，将始端楔形像素与终端楔形像素视为分离点，采用Bresenham算法画分离线，完成粘连颗粒图像的分割，并将已经匹配的两个楔形像素在数组ijwedge中的坐标值标记；
(iii)从数组ijwedge中找寻下一个未标记的楔形像素点坐标值，重复步骤ii中的操作，直到数组ijwedge中的楔形像素全部操作结束；
d.利用计算机通过等效直径和形状因子方法对已经完成粘连颗粒分割后的各个颗粒图案的形态特征进行识别，并将识别结果通过显示器显示出来。
2.根据权利要求1所述的基于扫描电镜的颗粒物形态识别方法，其特征在于：所述对已经完成粘连颗粒分割后的各个颗粒图案的形态特征进行识别包括：识别每个颗粒图案的等效直径dec和形状因子S；先对得到颗粒分割后的二值化图像进行识别，找出像素灰度值为255的目标区域点的个数，结合单个像素点代表的实际长度求出颗粒的面积Area；根据二值化图像使用Canny边缘检测算子得出其边缘图像，找出边缘图像中像素灰度值为255的边缘像素点的个数，继而求出颗粒的周长Perimeter，之后求得与颗粒面积Area相同的圆的直径，即为等效直径dec，然后根据自定义的比率公式：
S＝(Area/π)1/2/(Perimeter/2π)求得形状因子S。
3.根据权利要求1所述的基于扫描电镜的颗粒物形态识别方法，其特征在于：所述利用扫描电镜的低真空模式获取被测空气中放大5000倍的悬浮颗粒图像。
4.根据权利要求1所述的基于扫描电镜的颗粒物形态识别方法，其特征在于：所述数组ijwedge为一个10000行2列的数组，数组ijwedge中每一行代表一个楔形像素的坐标。
5.根据权利要求1所述的基于扫描电镜的颗粒物形态识别方法，其特征在于：所述标记在数组ijwedge中的坐标值的方法为，将已经匹配的楔形像素的坐标值置0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410413256.5A CN104182759B (zh) | 2014-08-20 | 2014-08-20 | 基于扫描电镜的颗粒物形态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410413256.5A CN104182759B (zh) | 2014-08-20 | 2014-08-20 | 基于扫描电镜的颗粒物形态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104182759A CN104182759A (zh) | 2014-12-03 |
| CN104182759B true CN104182759B (zh) | 2017-09-12 |
Family
ID=51963786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410413256.5A Expired - Fee Related CN104182759B (zh) | 2014-08-20 | 2014-08-20 | 基于扫描电镜的颗粒物形态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104182759B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107818292B (zh) * | 2016-09-14 | 2021-04-09 | 中国石油化工股份有限公司 | 一种基于背散射扫描电镜的矿物颗粒识别方法及系统 |
| CN106596357A (zh) * | 2016-11-28 | 2017-04-26 | 江苏大学 | 一种柴油机颗粒物形貌的表征方法 |
| CN107784646B (zh) * | 2017-09-29 | 2020-05-19 | 长安大学 | 一种路用集料的自适应检测方法 |
| CN108537809A (zh) * | 2018-04-16 | 2018-09-14 | 中国科学院新疆理化技术研究所 | 基于递归算法的图像传感器单粒子效应瞬态亮斑识别方法 |
| CN112697658A (zh) * | 2019-10-23 | 2021-04-23 | 中国石油化工股份有限公司 | 存储器、电子显微镜颗粒几何性质测定方法、设备和装置 |
| CN110766709B (zh) * | 2019-10-30 | 2021-03-30 | 成都理工大学 | 基于图像识别的滑坡颗粒堆积特征识别方法 |
| CN111276195B (zh) * | 2020-01-20 | 2023-09-19 | 深圳大榆树科技有限公司 | 利用最大类间方差法计算凝胶能谱图化合物数量的方法 |
| CN113177949B (zh) * | 2021-04-16 | 2023-09-01 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
| CN117594151A (zh) * | 2023-11-27 | 2024-02-23 | 北京航空航天大学 | 一种利用图像识别实现tep定性定量的方法 |
| CN117890068B (zh) * | 2024-03-14 | 2024-05-24 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰云雾颗粒尺寸重构方法及计算机可读存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441721A (zh) * | 2008-11-28 | 2009-05-27 | 江苏大学 | 一种重叠类圆颗粒物的计数装置和方法 |
| CN102608016A (zh) * | 2012-04-13 | 2012-07-25 | 福州大学 | 基于Canny边界检测的复杂颗粒平均尺寸测量方法 |
| CN103954974A (zh) * | 2014-04-21 | 2014-07-30 | 山东科技大学 | 一种用于城市地区的颗粒物光学厚度遥感监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2010286345A1 (en) * | 2009-08-28 | 2012-04-19 | Centre For Eye Research Australia | Feature detection and measurement in retinal images |
-
2014
- 2014-08-20 CN CN201410413256.5A patent/CN104182759B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101441721A (zh) * | 2008-11-28 | 2009-05-27 | 江苏大学 | 一种重叠类圆颗粒物的计数装置和方法 |
| CN102608016A (zh) * | 2012-04-13 | 2012-07-25 | 福州大学 | 基于Canny边界检测的复杂颗粒平均尺寸测量方法 |
| CN103954974A (zh) * | 2014-04-21 | 2014-07-30 | 山东科技大学 | 一种用于城市地区的颗粒物光学厚度遥感监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104182759A (zh) | 2014-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104182759B (zh) | 基于扫描电镜的颗粒物形态识别方法 | |
| CN108764257B (zh) | 一种多视角的指针式仪表识别方法 | |
| CN106952258B (zh) | 一种基于梯度方向直方图的瓶口缺陷检测方法 | |
| CN110929756B (zh) | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 | |
| CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
| CN107203990A (zh) | 一种基于模板匹配与图像质量评估的标贴破损检测方法 | |
| CN108256394A (zh) | 一种基于轮廓梯度的目标跟踪方法 | |
| CN106778737A (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
| CN105224921A (zh) | 一种人脸图像择优系统和处理方法 | |
| CN108052886A (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
| CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
| CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
| CN103778436B (zh) | 一种基于图像处理的行人姿态检测方法 | |
| CN104615996B (zh) | 一种多视角二维人脸特征点自动定位方法 | |
| CN106875404A (zh) | 一种白带显微图像中上皮细胞的智能识别方法 | |
| CN111222507B (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
| CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
| CN109242047A (zh) | 基于K-means++聚类和残差网络分类的银行卡卡号检测与识别方法 | |
| CN110490099A (zh) | 一种基于机器视觉的地铁公共地点人流量分析方法 | |
| CN108537787A (zh) | 一种人脸图像的质量判定方法 | |
| CN108009574A (zh) | 一种轨道扣件检测方法 | |
| CN110197113A (zh) | 一种高精度锚点匹配策略的人脸检测方法 | |
| CN107388991A (zh) | 一种端面多圆角轴类零件圆角半径测量方法 | |
| CN106846354A (zh) | 一种基于图像分割和随机hough变换的架上图书清点方法 | |
| CN110309828B (zh) | 一种倾斜车牌矫正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| ASS | Succession or assignment of patent right |
Owner name: XUZHOU KUNTAI ELECTRONIC SCIENCE + TECHNOLOGY CO., Effective date: 20150226 Owner name: CHINA UNIVERSITY OF MINING + TECHNOLOGY Free format text: FORMER OWNER: XUZHOU KUNTAI ELECTRONIC SCIENCE + TECHNOLOGY CO., LTD. Effective date: 20150226 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 221008 XUZHOU, JIANGSU PROVINCE TO: 221116 XUZHOU, JIANGSU PROVINCE |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20150226 Address after: 221116 Research Institute, China University of Mining and Technology, Xuzhou University, Jiangsu, China, Applicant after: China University of Mining & Technology Applicant after: XUZHOU KUNTAI ELECTRONIC SCIENCE & TECHNOLOGY CO., LTD. Address before: 221008, Jiangsu, Xuzhou, China University of Mining and Technology, science and Technology City, with innovation building, No. 4, building C area Applicant before: XUZHOU KUNTAI ELECTRONIC SCIENCE & TECHNOLOGY CO., LTD. |
|
| CB03 | Change of inventor or designer information |
Inventor after: Lu Zhaolin Inventor after: Hu Xiaojuan Inventor after: Wang Shuai Inventor before: Lu Zhaolin Inventor before: Feng Jin Inventor before: Li Shiyin Inventor before: Chen Yan |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170912 Termination date: 20200820 |