CN105404869A - 一种基于计算机视觉的水果外形分级方法 - Google Patents
一种基于计算机视觉的水果外形分级方法 Download PDFInfo
- Publication number
- CN105404869A CN105404869A CN201510804919.0A CN201510804919A CN105404869A CN 105404869 A CN105404869 A CN 105404869A CN 201510804919 A CN201510804919 A CN 201510804919A CN 105404869 A CN105404869 A CN 105404869A
- Authority
- CN
- China
- Prior art keywords
- fruit
- section
- image
- profile
- mark
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于计算机视觉的水果外形分级方法，包括以下步骤：步骤1：将要分级的水果排列、拍照，得到分级前的原始图像；步骤2：将步骤1获取到的原始彩色图像转换为256色灰度图像；步骤3：使用滤波窗口对256色灰度图像进行增强处理，以消除细小的纹理细节以及噪声像素；步骤4：选取合适的阈值，将步骤3得到的图像转换为只有黑和白两种颜色的二值图像；步骤5：对二值图像进行连通域标记，得到单个水果的轮廓并计算单个水果的周长和面积；步骤6：根据周长和面积计算水果圆形度；步骤7：通过大量样本训练，得到衡量水果外形等级的阈值；步骤8：输出外形分级结果；降低工人劳动强度，提高生产效率。
Description
技术领域
本发明涉及一种利用计算机技术实现水果自动检测技术，具体涉及一种基于计算机视觉的水果外形分级方法。
背景技术
我国是一个水果生产大国，但国内水果价格低、“卖果难”的问题经常出现。而且我国水果以本国消费为主，参与国际贸易的比例一直很低，其中一个重要原因就是采摘后商品化处理落后，外观质量较差，导致水果的市场竞争力比较弱。快速、准确的实现水果外形分级是提高经济效益、增强产业国际竞争力的一项重要措施。
传统的水果外形分级方法依靠熟练工人的经验、目测或者简单的机械装置来实现水果分级，很难保证结果的准确性和有效性，无法在流水线推广使用，不能满足市场的要求。随着计算机技术和图像处理技术的迅速发展，国内外研究人员已经开始将计算机视觉理论应用于农业生产及农业现代化方面。然而，现有的水果分级方法中，针对外形分级的方法较少，速度较慢，实用性不够广泛。
因此，研究便捷、快速、准确的水果外形分级方法，对减轻工作劳动强度，提高工作效率和准确性具有重要意义。
发明内容
为了克服上述现有技术的不足，本发明的目的在于提出一种基于计算机视觉的水果外形分级方法，利用计算机技术及图像处理技术，在较短的时间内可以准确判断水果大小、圆形度等，以便后续确定水果等级，降低工人劳动强度，提高生产效率。
为了实现上述目的，本发明采用的技术方案是：
一种基于计算机视觉的水果外形分级方法，包括以下步骤：
步骤1：将要分级的水果排列、拍照，得到分级前的原始图像；
步骤2：将步骤1获取到的原始彩色图像转换为256色灰度图像；
步骤3：使用滤波窗口对256色灰度图像进行增强处理，以消除细小的纹理细节以及噪声像素；
步骤4：选取合适的阈值，将步骤3得到的图像转换为只有黑和白两种颜色的二值图像；
步骤5：对二值图像进行连通域标记，得到单个水果的轮廓并计算单个水果的周长和面积；
步骤6：根据周长和面积计算水果圆形度；
步骤7：通过大量样本训练，观察不同等级水果的周长、面积及圆形度分布规律，得到衡量水果外形等级的阈值；
步骤:8：输出外形分级结果。
所述的原始彩色图像转换为灰度图像这一步骤采用最大值法，即各个色彩分量R = G
= B = max (R, G, B)，以保证得到亮度较大的灰度图像。
所述的图像增强处理是将步骤2得到的256色灰度图像进行滤波，以减少灰尘及光照等干扰引起的噪声，起到增强水果截面特征的作用；具体方法是：从图像的左上角第一个像素开始，利用滤波窗口进行逐个像素的从左到右、从上到下的扫描，用窗口中各点的灰度值的中值来代替窗口中心点像素的灰度值。
所述的滤波窗口为5×5像素。
所述的合适的阈值是通过灰度图像的直方图，阈值选取在两个波峰之间。
所述的连通域标记是为区分每一个水果个体，为后续计算圆形度做准备。
所述二值图像标记，是为了将每一个水果个体区分开，以便进行后续圆形度计算；由于图像中目标像素比较集中，采用图段法对图像进行标记；所述的图段，指的是二值图像中任意一行中连续的目标像素的序列，图段之间被背景像素或行边界分隔；为此，本步骤需要以下两个步骤：
1）为扫描到的每一个图段分配一个临时标记，同时寻找是否存在与此图段存在邻接关系的图段，记录并解析所有等价标记；
2）用等价标记中的最小值替换所有与之等价的标记；
在进行连通域标记过程中，我们需要对目标二值图像进行两次从上到下、从左到右的扫描，如图2所示，在第一次扫描过程中，对于寻找到的每一个图段，需要检查上一行中已经扫描过的图段，并进行以下处理：
a、如果上一行中没有与当前图段形成邻接关系的图段，给当前图段分配一个临时标记；
b、如果上一行中有一个图段当前图段形成邻接关系，将当前图段的标记为上一行中的图段的标记；
c、如果上一行中有多个图段与当前图段形成邻接关系，将当前图段标记为与之形成邻接关系的任意图段的标记，同时记录这些等价标记；
对图段赋以标记后，我们需要对等价标记进行处理，以便确定哪些标记属于同一个连通域，具体操作如下：
对每一个新标记p，创建一个等价标记集S，使得S(p) ={p}；如果两个标记集a ∊ S(u)、b ∊ S(v)属于等价标记，合并两个集合，，其中，w是u和v中的较小值；
第一次扫描完成后，所有的位于等价标记集S(a)之中的标记是等价标记，a是这些标记的代表标记；
第二次扫描的任务是标记替换，用代表标记替换等价标记集中的所有标记；
得到每一个水果个体后，需要寻找每一个水果个体的轮廓，轮廓所有的像素之和就是每一个水果个体的周长，轮廓中所有目标像素就是水果面积。
所述的圆形度计算公式为C=4 π A/P 2，其中C为圆形度，A为对象面积，P为对象周长。
与现有技术相比，本发明可以准确、快速、实时的对水果进行外形分级，实现无损检测。由于本发明采用计算机技术及图像处理技术，在较短的时间内可以准确给出给定样本中的大小、圆形度等外观信息，从而降低工人劳动强度和出错率，提高生产效率。
附图说明
图1为本发明方法处理流程图。
图2为本发明标记连通域时所用图段及邻接关系示意图。
具体实施方式
下面结合附图对本发明的实施方式作进一步详细说明。
实施例
本发明为一种基于计算机视觉的水果外形分级方法，以脐橙为例作为被测对象，包括如下步骤：
步骤1，将要分级的脐橙排列、使用CCD相机拍照，得到分级前的原始图像，为了和脐橙个体颜色区分明显，可以选用白色的背景；
步骤2，由于CCD相机获取的原始图像为彩色图像，为了后续处理方便，需要将原始的彩色图像转换为256色灰度图像，本发明中采用最大值法将步骤1获取到的原始的彩色图像转换为8位256色灰度图像，即各个色彩分量R = G
= B = max (R, G, B)，以保证得到亮度较大的灰度图像；
步骤3，使用大小为5×5像素的滤波窗口对256色灰度图像进行增强处理，以消除细小的纹理细节以及噪声像素，所述图像增强处理是将步骤2得到的256色灰度图像进行滤波，以减少灰尘及光照等干扰引起的噪声，起到增强水果截面特征的作用，具体方法是：从图像的左上角第一个像素开始，利用滤波窗口进行逐个像素的从左到右、从上到下的扫描，用窗口中各点的灰度值的中值来代替窗口中心点像素的灰度值，为了避免脐橙表面的斑点干扰，将此步骤重复操作两次；
步骤4，选取合适的阈值，将步骤3得到的图像转换为只有黑和白两种颜色的二值图像，以便于后续的脐橙个体标记、参数计算。由于图像内容较为单一，只有脐橙和白色的背景，所以可以利用灰度图像的直方图，选取波峰之间的灰度值作为二值化的阈值。对于表面不太光滑的脐橙，可以利用数学形态学的方法选取2×2像素的特征块对二值化后的图像进行先腐蚀、后膨胀操作，以便于得到边界光滑的二值图像。
步骤5，对二值图像进行连通域标记，得到单个脐橙的轮廓并计算单个脐橙的周长和面积。所述二值图像标记，是为了将每一个脐橙个体区分开，以便进行后续圆形度计算；由于图像中目标像素比较集中，采用图段法对图像进行标记；所述的图段，指的是二值图像中任意一行中连续的目标像素的序列，图段之间被背景像素或行边界分隔；为此，本步骤需要以下两个步骤：
1）为扫描到的每一个图段分配一个临时标记，同时寻找是否存在与此图段存在邻接关系的图段，记录并解析所有等价标记；
2）用等价标记中的最小值替换所有与之等价的标记；
在进行连通域标记过程中，我们需要对目标二值图像进行两次从上到下、从左到右的扫描，如图2所示，在第一次扫描过程中，对于寻找到的每一个图段，需要检查上一行中已经扫描过的图段，并进行以下处理：
a、如果上一行中没有与当前图段形成邻接关系的图段，给当前图段分配一个临时标记；
b、如果上一行中有一个图段当前图段形成邻接关系，将当前图段的标记为上一行中的图段的标记；
c、如果上一行中有多个图段与当前图段形成邻接关系，将当前图段标记为与之形成邻接关系的任意图段的标记，同时记录这些等价标记；
对图段赋以标记后，我们需要对等价标记进行处理，以便确定哪些标记属于同一个连通域，具体操作如下：
对每一个新标记p，创建一个等价标记集S，使得S(p) ={p}；如果两个标记集a ∊ S(u)、b ∊ S(v)属于等价标记，合并两个集合，，其中，w是u和v中的较小值；
第一次扫描完成后，所有的位于等价标记集S(a)之中的标记是等价标记，a是这些标记的代表标记；
第二次扫描的任务是标记替换，用代表标记替换等价标记集中的所有标记；
得到每一个脐橙个体后，需要寻找每一个水果个体的轮廓，轮廓所有的像素之和就是每一个脐橙个体的周长，轮廓中所有目标像素就是脐橙面积；
步骤6，根据周长和面积，利用公式C=4π A/P 2计算水果圆形度，其中C为圆形度，A为对象面积，P为对象周长，C的值越接近于1表示脐橙形状越接近正圆；
步骤7，通过大量样本训练，观察不同等级脐橙的周长、面积及圆形度分布规律，得到衡量水果外形等级的阈值，脐橙大小由图像中个体的面积得到，但是个体面积的大小受拍摄距离、图像分辨率等因素影响，需要根据生产线的实际情况确定，拍摄镜头距离被测个体距离30厘米，图像分辨率800×600像素，脐橙大小20000-23000之间且圆形度介于1.05-1.15之间的为一等品。
步骤8，将脐橙外形分级结果输出。
Claims (8)
1.一种基于计算机视觉的水果外形分级方法，其特征在于，包括以下步骤：
步骤1：将要分级的水果排列、拍照，得到分级前的原始图像；
步骤2：将步骤1获取到的原始彩色图像转换为256色灰度图像；
步骤3：使用滤波窗口对256色灰度图像进行增强处理，以消除细小的纹理细节以及噪声像素；
步骤4：选取合适的阈值，将步骤3得到的图像转换为只有黑和白两种颜色的二值图像；
步骤5：对二值图像进行连通域标记，得到单个水果的轮廓并计算单个水果的周长和面积；
步骤6：根据周长和面积计算水果圆形度；
步骤7：通过大量样本训练，观察不同等级水果的周长、面积及圆形度分布规律，得到衡量水果外形等级的阈值；
步骤8：输出外形分级结果。
2.根据权利要求1所述的一种基于计算机视觉的水果外形分级方法，其特征在于，所述的原始彩色图像转换为灰度图像这一步骤采用最大值法，即各个色彩分量R = G = B = max (R,
G, B)，以保证得到亮度较大的灰度图像。
3.根据权利要求1所述的一种基于计算机视觉的水果外形分级方法，其特征在于，所述的图像增强处理是将步骤2得到的256色灰度图像进行滤波，以减少灰尘及光照等干扰引起的噪声，起到增强水果截面特征的作用；具体方法是：从图像的左上角第一个像素开始，利用滤波窗口进行逐个像素的从左到右、从上到下的扫描，用窗口中各点的灰度值的中值来代替窗口中心点像素的灰度值。
4.根据权利要求1所述的一种基于计算机视觉的水果外形分级方法，其特征在于，所述的滤波窗口为5×5像素。
5.根据权利要求1所述的一种基于计算机视觉的水果外形分级方法，其特征在于，所述的合适的阈值是通过灰度图像的直方图，阈值选取在两个波峰之间。
6.根据权利要求1所述的一种基于计算机视觉的水果外形分级方法，其特征在于，所述的连通域标记是为区分每一个水果个体，为后续计算圆形度做准备。
7.根据权利要求1所述的一种基于计算机视觉的水果外形分级方法，其特征在于，所述的二值图像标记，是为了将每一个水果个体区分开，以便进行后续圆形度计算；由于图像中目标像素比较集中，采用图段法对图像进行标记；所述的图段，指的是二值图像中任意一行中连续的目标像素的序列，图段之间被背景像素或行边界分隔；为此，本步骤需要以下两个步骤：
1）为扫描到的每一个图段分配一个临时标记，同时寻找是否存在与此图段存在邻接关系的图段，记录并解析所有等价标记；
2）用等价标记中的最小值替换所有与之等价的标记；
在进行连通域标记过程中，我们需要对目标二值图像进行两次从上到下、从左到右的扫描，如图2所示，在第一次扫描过程中，对于寻找到的每一个图段，需要检查上一行中已经扫描过的图段，并进行以下处理：
a、如果上一行中没有与当前图段形成邻接关系的图段，给当前图段分配一个临时标记；
b、如果上一行中有一个图段当前图段形成邻接关系，将当前图段的标记为上一行中的图段的标记；
c、如果上一行中有多个图段与当前图段形成邻接关系，将当前图段标记为与之形成邻接关系的任意图段的标记，同时记录这些等价标记；
对图段赋以标记后，我们需要对等价标记进行处理，以便确定哪些标记属于同一个连通域，具体操作如下：
对每一个新标记p，创建一个等价标记集S，使得S(p)
={p}；如果两个标记集a ∊S(u)、b ∊S(v)属于等价标记，合并两个集合，，其中，w是u和v中的较小值；
第一次扫描完成后，所有的位于等价标记集S(a)之中的标记是等价标记，a是这些标记的代表标记；
第二次扫描的任务是标记替换，用代表标记替换等价标记集中的所有标记；
得到每一个水果个体后，需要寻找每一个水果个体的轮廓，轮廓所有的像素之和就是每一个水果个体的周长，轮廓中所有目标像素就是水果面积。
8.根据权利要求1所述的一种基于计算机视觉的水果外形分级方法，其特征在于，所述的圆形度计算公式为C=4 πA/P 2，其中C为圆形度，A为对象面积，P为对象周长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510804919.0A CN105404869A (zh) | 2015-11-20 | 2015-11-20 | 一种基于计算机视觉的水果外形分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510804919.0A CN105404869A (zh) | 2015-11-20 | 2015-11-20 | 一种基于计算机视觉的水果外形分级方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105404869A true CN105404869A (zh) | 2016-03-16 |
Family
ID=55470346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510804919.0A Pending CN105404869A (zh) | 2015-11-20 | 2015-11-20 | 一种基于计算机视觉的水果外形分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105404869A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108262267A (zh) * | 2017-12-29 | 2018-07-10 | 北京农业智能装备技术研究中心 | 一种水果分选中的多果检测方法与装置 |
| CN109115775A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种基于机器视觉的槟榔等级检测方法 |
| CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
| CN109827971A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种无损检测水果表面缺陷的方法 |
| CN109949308A (zh) * | 2019-03-05 | 2019-06-28 | 北京空间飞行器总体设计部 | 一种抗星光干扰的空间相对导航目标快速提取方法 |
| CN110517282A (zh) * | 2019-08-07 | 2019-11-29 | 哈尔滨工业大学 | 一种二值图像连通域标记方法 |
| CN110736688A (zh) * | 2019-10-25 | 2020-01-31 | 陕西科技大学 | 一种原油乳状液粒径检测方法、装置及可读存储介质 |
| CN112051216A (zh) * | 2020-05-20 | 2020-12-08 | 广东轻工职业技术学院 | 用于实现水果分级分拣的水果动态跟踪方法 |
| CN112896679A (zh) * | 2020-12-07 | 2021-06-04 | 泰州市朗嘉馨网络科技有限公司 | 自动化成衣折叠封袋系统及方法 |
| CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914849A (zh) * | 2014-04-18 | 2014-07-09 | 扬州福尔喜果蔬汁机械有限公司 | 一种红枣图像的检测方法 |
-
2015
- 2015-11-20 CN CN201510804919.0A patent/CN105404869A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914849A (zh) * | 2014-04-18 | 2014-07-09 | 扬州福尔喜果蔬汁机械有限公司 | 一种红枣图像的检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| UNMESH SAGARE: "Grading of Fruits Basis on Color Shape", 《INTERNATIONAL JOURNAL OF ENGINEERING SCIENCES & RESEARCH TECHNOLOGY》 * |
| 侯文军: "基于机器视觉的苹果自动分级方法研究", 《中国优秀博硕士学位论文全文数据库（硕士）农业科技辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108262267A (zh) * | 2017-12-29 | 2018-07-10 | 北京农业智能装备技术研究中心 | 一种水果分选中的多果检测方法与装置 |
| CN109115775A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种基于机器视觉的槟榔等级检测方法 |
| CN109115775B (zh) * | 2018-08-08 | 2021-05-07 | 长沙理工大学 | 一种基于机器视觉的槟榔等级检测方法 |
| CN109752391B (zh) * | 2018-12-25 | 2020-06-30 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
| CN109752391A (zh) * | 2018-12-25 | 2019-05-14 | 中国农业大学 | 一种基于机器视觉的胡萝卜表面缺陷识别量化方法 |
| CN109949308A (zh) * | 2019-03-05 | 2019-06-28 | 北京空间飞行器总体设计部 | 一种抗星光干扰的空间相对导航目标快速提取方法 |
| CN109827971A (zh) * | 2019-03-19 | 2019-05-31 | 湖州灵粮生态农业有限公司 | 一种无损检测水果表面缺陷的方法 |
| CN110517282A (zh) * | 2019-08-07 | 2019-11-29 | 哈尔滨工业大学 | 一种二值图像连通域标记方法 |
| CN110736688A (zh) * | 2019-10-25 | 2020-01-31 | 陕西科技大学 | 一种原油乳状液粒径检测方法、装置及可读存储介质 |
| CN110736688B (zh) * | 2019-10-25 | 2022-04-01 | 陕西科技大学 | 一种原油乳状液粒径检测方法、装置及可读存储介质 |
| CN112051216A (zh) * | 2020-05-20 | 2020-12-08 | 广东轻工职业技术学院 | 用于实现水果分级分拣的水果动态跟踪方法 |
| CN112051216B (zh) * | 2020-05-20 | 2023-04-28 | 广东轻工职业技术学院 | 用于实现水果分级分拣的水果动态跟踪方法 |
| CN112896679A (zh) * | 2020-12-07 | 2021-06-04 | 泰州市朗嘉馨网络科技有限公司 | 自动化成衣折叠封袋系统及方法 |
| CN114359969A (zh) * | 2022-01-12 | 2022-04-15 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
| CN114359969B (zh) * | 2022-01-12 | 2023-04-07 | 内蒙古农业大学 | 一种羊脸图像采集装置及图像识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105404869A (zh) | 一种基于计算机视觉的水果外形分级方法 | |
| CN105424709A (zh) | 一种基于图像标记的水果表面缺陷检测方法 | |
| CN102043950B (zh) | 基于canny算子和边缘点统计的车辆轮廓识别方法 | |
| CN109239076B (zh) | 一种基于机器视觉的缝纫线迹缺陷检测方法 | |
| CN106855951A (zh) | 一种基于计算机视觉的粮种品质检测方法 | |
| CN105241638A (zh) | 基于视觉的led模块亮度均匀性快速检测方法 | |
| KR20100015628A (ko) | 목재의 검사 방법, 장치 및 프로그램 | |
| CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
| EP2428913A3 (en) | Object classification for measured three-dimensional object scenes | |
| CN103190224B (zh) | 基于计算机视觉技术的玉米果穗考种方法、系统和装置 | |
| CN101320004A (zh) | 基于机器视觉的竹条缺陷在线检测方法 | |
| CN103149214B (zh) | 水果表面缺陷检测方法 | |
| CN104778684A (zh) | 钢材表面异质型缺陷的自动测量、表征分类方法及其系统 | |
| CN109685760A (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
| CN106845545B (zh) | 数字式电测仪表自动检定装置中的图像识别方法及装置 | |
| CN104504703A (zh) | 一种基于片式元器件smt焊点彩色图像分割方法 | |
| Feng et al. | A separating method of adjacent apples based on machine vision and chain code information | |
| CN105303233A (zh) | 一种基于计算机视觉的钢筋数量统计方法 | |
| CN104504722A (zh) | 一种利用灰色点校正图像颜色的方法 | |
| CN103440629A (zh) | 激光标记自动跟踪的视频引伸计的数字图像处理方法 | |
| CN103914849A (zh) | 一种红枣图像的检测方法 | |
| CN109544583A (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
| CN106204590A (zh) | 一种基于灰度图像标记处理的纸病检测方法 | |
| CN106204589A (zh) | 一种基于数字图像处理的水果外形质量分级方法 | |
| US11216905B2 (en) | Automatic detection, counting, and measurement of lumber boards using a handheld device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160316 |