CN106203476A - 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 - Google Patents
一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 Download PDFInfo
- Publication number
- CN106203476A CN106203476A CN201610489805.6A CN201610489805A CN106203476A CN 106203476 A CN106203476 A CN 106203476A CN 201610489805 A CN201610489805 A CN 201610489805A CN 106203476 A CN106203476 A CN 106203476A
- Authority
- CN
- China
- Prior art keywords
- pig
- profile
- characteristic vector
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 title claims abstract description 13
- 238000013459 approach Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法。建立直角坐标系和猪体轮廓信息队列,检测获得猪体长轴的两个端点,并转换为循环队列,并构建第一、第二端轮廓,将第一、第二端轮廓坐标位置变为复数形式作快速傅里叶变换,取系数的模长作为特征向量,建立包含猪头尾样本特征集合的样本标准库;对于待识别猪图像,重复步骤获得特征向量,计算马氏距离,按从小到大排列,取一部分计算识别参考值,通过分析获得猪头尾轮廓的识别结果。本发明增强了鲁棒性,从而能在图像分割质量较差、轮廓信息较不完善的情况下较好地完成识别工作,避免传统分类器对于图像本身导致的不理想的轮廓信息出现错误识别无法妥善处理的情况。
Description
技术领域
本发明涉及一种生猪头尾轮廓识别方法,尤其是涉及一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法。
背景技术
生猪养殖已从传统的粗放型养殖方式逐渐转变为更为绿色环保的集约型。为了使得生猪养殖更有效率,对猪进行监控并检测其生理状态显得更有必要。传统上,都有人工对猪的状况进行监控,由于猪舍环境恶劣,长期以往对工作人员的身体有不利影响,另外,工作人员也无法做到时刻进行检测,对生猪的异常情况反映较慢。而利用机器视觉系统获取生猪图像同时通过图像处理技术来进行生猪的状态检测是代替人工方式的较好选择。其中,识别头尾有助于判别猪的姿态,能够更好地掌握猪体状况。通过图像处理技术提取猪体轮廓,掌握其头尾朝向,能帮助重构猪体的姿态,监控猪的姿态可以帮助判断其是否有异常举动,尽早发现异常有助于剔除不利生猪生长的因素,从而使生猪养殖活动更有效率,提高利润。
近年来,由于技术进步,利用机器视觉进行动物状态检测的研究有了相当程度的进展,也有诸多学者利用机器视觉系统对生猪情况进行监控(武志磊.基于机器视觉的猪异常呼吸检测[D].江苏大学,2011),对获取的图像进行分割并提取猪体轮廓。然而对于非理想情况下的猪体检测研究较少。在实际运用机器视觉系统时获得的生猪图像不一定理想,进行图像分割,获取的轮廓也有可能存在偏差。能够有效地在存在偏差的情况下进行识别,可以帮助提高机器视觉系统的鲁棒性及其效率,使得其更易投入实际生产活动。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于提供一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法。
本发明主要是通过对生猪图像进行图像分割和轮廓提取获取猪体轮廓后再利用特征向量定向法定位长轴找到端点,进而提取两端轮廓进行傅里叶变换后投入结合模糊算法的最近邻分类器进行打分,最终通过打分结果识别两端归属于头或尾,从而实现猪体的头尾识别完成姿态检测。
本发明解决其技术问题所采用的具体技术方案是:
如图1所示,先获取生猪图像,依次经图像分割、边缘提取得到猪体轮廓E,然后采用以下步骤进行处理:
1)以图像左下点为原点,水平方向为x轴,竖直方向为y轴,建立直角坐标系;
2)建立长度为N的猪体轮廓信息队列M,N为猪体轮廓点总数;
3)采用椭球形尺寸快速检测方法检测猪体轮廓信息队列M获得猪体长轴的两个端点D1、D2;
具体实施中可采用申请号为201510501000.4的专利申请中的基于特征向量定向的椭球形水果尺寸快速检测方法。
4)将猪体轮廓信息队列M的头尾相接,转换为循环队列,并构建猪体的第一端轮廓E1和第二端轮廓E2;
5)将第一端轮廓E1和第二端轮廓E2的坐标位置信息以y坐标做实部,x坐标做虚部变为复数形式,分别进行快速傅里叶变换,取第一端轮廓E1经快速傅里叶变换后前20个系数的模长和第二端轮廓E2经快速傅里叶变换后前20个系数的模长作为特征向量,分别记为第一特征向量F1和第二特征向量F2;
6)通过样本猪图像建立样本标准库,样本标准库所含样本特征集合T中包含猪头样本特征集合T1和猪尾样本特征集合T2;
7)对于待识别猪图像,重复步骤1)至步骤5)获得各自的第一特征向量F1和第二特征向量F2,并作为待测特征向量F,采用以下公式计算待测特征向量F分别与样本特征集合T中各个特征向量的马氏距离Lc;
式中,k为样本特征集合T中样本特征向量的总数,j为样本特征向量的序数,Tj为样本特征集合T中第j个特征向量(分母为样本特征集合T的方差向量),Tc为样本特征集合T中第c个特征向量(c的取值范围为1、2);μ为样本特征集合T中所有特征向量的均值;
8)将所有获得的马氏距离Lc按从小到大的次序排列,取其中连续的一部分进行计算获得识别参考值S,根据待识别猪图像的第一特征向量F1计算得到的识别参考值S和第二特征向量F2计算得到的识别参考值S进行分析获得猪头尾轮廓的识别结果。
所述的生猪图像为生猪的俯视照片或者侧视照片。
所述步骤2)具体是:以猪体轮廓E所在像素点作为轮廓点,按如下步骤将轮廓点以坐标位置(xi,yi)加入到猪体轮廓信息队列M中,i=1,2…N,N为轮廓点总数,i为轮廓点序数:
2.1)扫描猪体轮廓E以任意一个轮廓点A0作为起始点,将其坐标位置存为猪体轮廓信息队列M的第一个元素;
2.2)从起始点开始,搜索每一个轮廓点的八邻域获得下一轮廓点,重复步骤搜索直至完成一圈,搜索后找不到新的轮廓点,则完成猪体轮廓信息队列M的构建。
所述步骤2.2)搜索每一个轮廓点的八邻域获得下一轮廓点具体为:起始点搜索时,对其八邻域的每个邻域像素位置进行链码值编码,在其八邻域以逆时针方向搜索每个邻域像素位置,搜索找到新轮廓点后将其坐标位置插入到猪体轮廓信息队列M的队尾,并记录其搜索时所在邻域像素位置的链码值,接着以刚搜索到的新轮廓点作为对象在其八邻域以逆时针方向再次搜索,邻域搜索的起点为刚搜索到的新轮廓点记录的链码值减2后所对应链码值的邻域像素位置,然后依次类推以上述相同方式完成对每一个轮廓点的搜索。
所述步骤4)猪体的第一端轮廓E1和第二端轮廓E2具体是采用以下方式构建:
将长轴端点D1在猪体轮廓信息队列M中所在的位置记为C1,将猪体轮廓信息队列M中C1-N/4至C1+N/4之间的所有元素归为第一端轮廓E1;将长轴端点D2在猪体轮廓信息队列M中所在的位置记为C2,将猪体轮廓信息队列M中C2-N/4至C2+N/4之间的所有元素归为第二端轮廓E2。
所述步骤6)具体为:对于k个样本猪图像重复步骤1)至步骤5)获得各自的第一特征向量F1和第二特征向量F2,将k个样本猪图像的第一特征向量F1和第二特征向量F2区分分为猪头特征向量和猪尾特征向量,将猪头特征向量归类构成猪头样本特征集合T1,将猪尾特征向量归类构成猪尾样本特征集合T2。
所述步骤8)中具体是采用以下公式计算获得识别参考值S:
式中,q为排列后参与计算的马氏距离Lc的数量,Lp为马氏距离Lc按从小到大的次序排列后的第p个马氏距离Lc,p=1,2,……q,Lmax为参与计算的所有马氏距离Lc中的最大值,a为识别细化参数;b为分类参数,若Lp值为待测特征向量F与猪头样本特征集合T1中的特征向量之间的马氏距离Lc,则b=0,否 则b=1。
识别参考值S越大,待测特征向量F对应的轮廓曲线越可能为猪头部,当识别参考值S越小,待测特征向量F对应的轮廓曲线段越可能为尾部。综合两端曲线评分进行头尾识别,两端数值更大的一方判断为头部,更小的一方判断为尾部。因此,所述步骤8)猪头尾轮廓的识别结果是采用以下方式分析获得:待识别猪图像的第一特征向量F1计算得到的识别参考值S和第二特征向量F2计算得到的识别参考值S中,数值较大的对应的是猪头特征,数值较小的对应的是猪尾特征。若两者数值相等,则识别失败。
本发明的有益效果是:
本发明方法综合利用了轮廓信息,利用模糊算法增强了分类器的鲁棒性,从而能在图像分割质量较差、轮廓信息较不完善的情况下较好地完成识别工作,使得利用图像处理技术对猪体状况的监控变得可能,避免传统分类器对于图像本身导致的不理想的轮廓信息出现错误识别无法妥善处理的情况。
附图说明
图1是本发明方法流程框图。
图2是本发明方法流程框图。
图3是本发明实施例处理的轮廓示例。
图4是本发明实施例处理中顺序搜索轮廓点的流程图。
图5是本发明实施例处理过程中的定位情况。
图6是本发明实施例处理过程中一端轮廓及其识别情况。
图7是本发明实施例处理过程中另一端轮廓及其识别情况。
图8是本发明实施例对另一个较不理想的结果识别情况。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明的实施例如下:
具体实施的方法处理如图2所示,实施例先获取生猪俯视拍摄获得的图像,依次经图像分割、边缘提取得到猪体轮廓E,然后具体步骤如下:
1)如图3所示,以图像左下点为原点,水平方向为x轴,竖直方向为y轴,建立直角坐标系;
2)如图4所示,以猪体轮廓E所在像素点作为轮廓点,按如下步骤将轮廓点以坐标位置(xi,yi)加入到猪体轮廓信息队列M中,i=1,2…N,N为轮廓点总数,i为轮廓点序数:
2.1)扫描猪体轮廓E以任意一个轮廓点A0作为起始点,将其坐标位置存为猪体轮廓信息队列M的第一个元素;
2.2)从起始点开始,搜索每一个轮廓点的八邻域获得下一轮廓点,重复步骤搜索直至完成一圈,搜索后找不到新的轮廓点,则完成猪体轮廓信息队列M的构建。
起始点搜索时,对其八邻域的每个邻域像素位置进行链码值编码,在其八邻域以逆时针方向搜索每个邻域像素位置,搜索找到新轮廓点后将其坐标位置插入到猪体轮廓信息队列M的队尾,并记录其搜索时所在邻域像素位置的链码值,接着以刚搜索到的新轮廓点作为对象在其八邻域以逆时针方向再次搜索,邻域搜索的起点为刚搜索到的新轮廓点记录的链码值减2后所对应链码值的邻域像素位置,然后依次类推以上述相同方式完成对每一个轮廓点的搜索。
3)如图5所示,采用申请号为201510501000.4的专利申请中的基于特征向量定向的椭球形水果尺寸快速检测方法检测猪体轮廓信息队列M获得猪体长轴的两个端点D1、D2;
4)如图6与图7所示,将猪体轮廓信息队列M的头尾相接,转换为循环队列,将长轴端点D1在猪体轮廓信息队列M中所在的位置记为C1,将猪体轮廓信息队列M中C1-N/4至C1+N/4之间的所有元素归为第一端轮廓E1;将长轴端点D2在猪体轮廓信息队列M中所在的位置记为C2,将猪体轮廓信息队列M中C2-N/4至C2+N/4之间的所有元素归为第二端轮廓E2,图6为获得的第一端轮廓E1、图7为获得的第二端轮廓E2。
5)将第一端轮廓E1和第二端轮廓E2的坐标位置信息以y坐标做实部,x坐标做虚部变为复数形式,分别进行快速傅里叶变换,取第一端轮廓E1经快速傅里叶变换后前20个系数的模长和第二端轮廓E2经快速傅里叶变换后前20个系数的模长作为特征向量,分别记为第一特征向量F1和第二特征向量F2;
6)对于k个样本猪图像重复步骤1)至步骤5)获得各自的第一特征向量F1和第二特征向量F2,将k个样本猪图像的第一特征向量F1和第二特征向量F2区分分为猪头特征向量和猪尾特征向量,将猪头特征向量归类构成猪头样本特征集合T1,将猪尾特征向量归类构成猪尾样本特征集合T2,样本特征集合T中包含猪头样本特征集合T1和猪尾样本特征集合T2;
7)对于待识别猪图像,重复步骤1)至步骤5)获得各自的第一特征向量F1和第二特征向量F2,并作为待测特征向量F,采用以下公式计算待测特征向量F分别与样本特征集合T中各个特征向量的马氏距离Lc;
8)将所有获得的马氏距离Lc按从小到大的次序排列,取其中连续的一部分计算获得识别参考值S。具体是采用以下公式计算获得识别参考值S:
根据待识别猪图像的第一特征向量F1计算得到的识别参考值S和第二特征向量F2计算得到的识别参考值S进行分析,其中数值较大的对应的是猪头特征,数值较小的对应的是猪尾特征。若两者数值相等,则识别失败。如图6所示,第一端轮廓E1的识别参考值S为18.4352,大于图7中第二端轮廓E2的数值为-19.1752识别参考值S,故判定第一端轮廓E1为头部,第二端轮廓E2为尾部。
如图8,为对另一个较不理想的结果识别情况,由于图像分割的精度较低,两端轮廓属于较难识别头尾的情况,而按照上述方法计算其两端轮廓的识别参考值,可得分别为-16.6058与-17.9802,虽很接近但仍区分了微小差异完成了正确识别。能对一些不太精确、区分度不高的轮廓进行头尾轮廓识别是本发明的优点所在。
Claims (8)
1.一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,先获取生猪图像,依次经图像分割、边缘提取得到猪体轮廓E,其特征在于然后采用以下步骤进行处理:
1)以图像左下点为原点,水平方向为x轴,竖直方向为y轴,建立直角坐标系;
2)建立长度为N的猪体轮廓信息队列M;
3)采用椭球形尺寸快速检测方法检测猪体轮廓信息队列M获得猪体轮廓长轴的两个端点D1、D2;
4)将猪体轮廓信息队列M转换为循环队列,并构建猪体的第一端轮廓E1和第二端轮廓E2;
5)将第一端轮廓E1和第二端轮廓E2的坐标位置信息以y坐标做实部,x坐标做虚部变为复数形式,分别进行快速傅里叶变换,取第一端轮廓E1经快速傅里叶变换后前20个系数的模长和第二端轮廓E2经快速傅里叶变换后前20个系数的模长作为特征向量,分别记为第一特征向量F1和第二特征向量F2;
6)通过样本猪图像建立样本标准库,样本标准库所含样本特征集合T中包含猪头样本特征集合T1和猪尾样本特征集合T2;
7)对于待识别猪图像,重复步骤1)至步骤5)获得各自的第一特征向量F1和第二特征向量F2,并作为待测特征向量F,采用以下公式计算待测特征向量F分别与样本特征集合T中各个特征向量的马氏距离Lc;
式中,k为样本特征集合T中样本特征向量的总数,j为样本特征向量的序数,Tj为样本特征集合T中第j个特征向量,Tc为样本特征集合T中第c个特征向量;μ为样本特征集合T中所有特征向量的均值;
8)将所有获得的马氏距离Lc按从小到大的次序排列,取其中连续的一部分进行计算获得识别参考值S,根据待识别猪图像的第一特征向量F1计算得到的识别参考值S和第二特征向量F2计算得到的识别参考值S进行分析获得猪头尾轮廓的识别结果。
2.根据权利要求1所述的一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,其特征在于:所述的生猪图像为生猪的俯视照片或者侧视照片。
3.根据权利要求1所述的一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,其特征在于:所述步骤2)具体是:以猪体轮廓E所在像素点作为轮廓点,按如下步骤将轮廓点以坐标位置(xi,yi)加入到猪体轮廓信息队列M中,i=1,2…N,N为轮廓点总数,i为轮廓点序数:
2.1)扫描猪体轮廓E以任意一个轮廓点A0作为起始点,将其坐标位置存为猪体轮廓信息队列M的第一个元素;
2.2)从起始点开始,搜索每一个轮廓点的八邻域获得下一轮廓点,重复步骤搜索直至完成一圈,搜索后找不到新的轮廓点,则完成猪体轮廓信息队列M的构建。
4.根据权利要求3所述的一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,其特征在于:所述步骤2.2)搜索每一个轮廓点的八邻域获得下一轮廓点具体为:起始点搜索时,对其八邻域的每个邻域像素位置进行链码值编码,在其八邻域以逆时针方向搜索每个邻域像素位置,搜索找到新轮廓点后将其坐标位置插入到猪体轮廓信息队列M的队尾,并记录其搜索时所在邻域像素位置的链码值,接着以刚搜索到的新轮廓点作为对象在其八邻域以逆时针方向再次搜索,邻域搜索的起点为刚搜索到的新轮廓点记录的链码值减2后所对应链码值的邻域像素位置,然后依次类推以上述相同方式完成对每一个轮廓点的搜索。
5.根据权利要求1所述的一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,其特征在于:所述步骤4)猪体的第一端轮廓E1和第二端轮廓E2具体是采用以下方式构建:
将长轴端点D1在猪体轮廓信息队列M中所在的位置记为C1,将猪体轮廓信息队列M中C1-N/4至C1+N/4之间的所有元素归为第一端轮廓E1;将长轴端点D2在猪体轮廓信息队列M中所在的位置记为C2,将猪体轮廓信息队列M中C2-N/4至C2+N/4之间的所有元素归为第二端轮廓E2。
6.根据权利要求1所述的一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,其特征在于:所述步骤6)具体为:对于k个样本猪图像重复步骤1)至步骤5)获得各自的第一特征向量F1和第二特征向量F2,将k个样本猪图像的第一特征向量F1和第二特征向量F2区分分为猪头特征向量和猪尾特征向量,将猪头特征向量归类构成猪头样本特征集合T1,将猪尾特征向量归类构成猪尾样本特征集合T2。
7.根据权利要求1所述的一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,其特征在于:所述步骤8)中具体是采用以下公式计算获得识别参考值S:
式中,q为排列后参与计算的马氏距离Lc的数量,Lp为马氏距离Lc按从小到大的次序排列后的第p个马氏距离Lc,p=1,2,……q,Lmax为参与计算的所有马氏距离Lc中的最大值,a为识别细化参数;b为分类参数,若Lp值为待测特征向量F与猪头样本特征集合T1中的特征向量之间的马氏距离Lc,则b=0,否则b=1。
8.根据权利要求1所述的一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法,其特征在于:
所述步骤8)猪头尾轮廓的识别结果是采用以下方式分析获得:对待识别猪图像的第一特征向量F1计算得到的识别参考值S和第二特征向量F2计算得到的识别参考值S中,数值较大的对应的是猪头特征,数值较小的对应的是猪尾特征。若两者数值相等,则识别失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610489805.6A CN106203476B (zh) | 2016-06-24 | 2016-06-24 | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610489805.6A CN106203476B (zh) | 2016-06-24 | 2016-06-24 | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106203476A true CN106203476A (zh) | 2016-12-07 |
CN106203476B CN106203476B (zh) | 2019-03-29 |
Family
ID=57462407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610489805.6A Active CN106203476B (zh) | 2016-06-24 | 2016-06-24 | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203476B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778784A (zh) * | 2016-12-20 | 2017-05-31 | 江苏大学 | 基于机器视觉的猪个体识别与饮水行为分析方法 |
CN109272569A (zh) * | 2018-08-03 | 2019-01-25 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109886984A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 利用前后景灰度差和深度学习网络的图像精确分割方法 |
CN111080697A (zh) * | 2019-10-29 | 2020-04-28 | 北京海益同展信息科技有限公司 | 检测目标对象方向的方法、装置、计算机设备和存储介质 |
CN111696114A (zh) * | 2020-04-13 | 2020-09-22 | 浙江大学 | 一种基于水下成像分析南美白对虾饥饿程度识别方法与装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509085A (zh) * | 2011-11-19 | 2012-06-20 | 江苏大学 | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 |
CN102499687A (zh) * | 2011-11-17 | 2012-06-20 | 江苏大学 | 一种基于机器视觉的猪的呼吸频率检测方法及装置 |
CN102521563A (zh) * | 2011-11-19 | 2012-06-27 | 江苏大学 | 基于椭圆拟合的猪行走姿态识别方法 |
CN103106407A (zh) * | 2012-12-05 | 2013-05-15 | 安徽工业大学 | 视频段中单只猪侧视图帧属性识别方法 |
US8682071B1 (en) * | 2010-09-30 | 2014-03-25 | A9.Com, Inc. | Contour detection and image classification |
CN103824057A (zh) * | 2014-02-18 | 2014-05-28 | 江苏大学 | 一种基于面积特征算子的猪的呼吸频率检测方法 |
CN105184775A (zh) * | 2015-08-14 | 2015-12-23 | 浙江大学 | 基于特征向量定向的椭球形水果尺寸快速检测方法 |
-
2016
- 2016-06-24 CN CN201610489805.6A patent/CN106203476B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8682071B1 (en) * | 2010-09-30 | 2014-03-25 | A9.Com, Inc. | Contour detection and image classification |
US9189854B2 (en) * | 2010-09-30 | 2015-11-17 | A9.Com, Inc. | Contour detection and image classification |
CN102499687A (zh) * | 2011-11-17 | 2012-06-20 | 江苏大学 | 一种基于机器视觉的猪的呼吸频率检测方法及装置 |
CN102509085A (zh) * | 2011-11-19 | 2012-06-20 | 江苏大学 | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 |
CN102521563A (zh) * | 2011-11-19 | 2012-06-27 | 江苏大学 | 基于椭圆拟合的猪行走姿态识别方法 |
CN103106407A (zh) * | 2012-12-05 | 2013-05-15 | 安徽工业大学 | 视频段中单只猪侧视图帧属性识别方法 |
CN103824057A (zh) * | 2014-02-18 | 2014-05-28 | 江苏大学 | 一种基于面积特征算子的猪的呼吸频率检测方法 |
CN105184775A (zh) * | 2015-08-14 | 2015-12-23 | 浙江大学 | 基于特征向量定向的椭球形水果尺寸快速检测方法 |
Non-Patent Citations (3)
Title |
---|
朱伟兴等: "基于椭圆拟合算法的猪姿态识别方法", 《中国农业工程学会2011年学术年会》 * |
郭依正等: "基于Isomap和支持向量机算法的俯视群养猪个体识别", 《农业工程学报》 * |
马丽等: "单只猪轮廓图的侧视图识别", 《农业工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778784A (zh) * | 2016-12-20 | 2017-05-31 | 江苏大学 | 基于机器视觉的猪个体识别与饮水行为分析方法 |
CN106778784B (zh) * | 2016-12-20 | 2020-06-09 | 江苏大学 | 基于机器视觉的猪个体识别与饮水行为分析方法 |
CN109272569A (zh) * | 2018-08-03 | 2019-01-25 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109272569B (zh) * | 2018-08-03 | 2023-07-11 | 广东工业大学 | 一种autocad建筑二维图快速提取并生成楼层轮廓线的方法 |
CN109886984A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 利用前后景灰度差和深度学习网络的图像精确分割方法 |
CN111080697A (zh) * | 2019-10-29 | 2020-04-28 | 北京海益同展信息科技有限公司 | 检测目标对象方向的方法、装置、计算机设备和存储介质 |
CN111080697B (zh) * | 2019-10-29 | 2024-04-09 | 京东科技信息技术有限公司 | 检测目标对象方向的方法、装置、计算机设备和存储介质 |
CN111696114A (zh) * | 2020-04-13 | 2020-09-22 | 浙江大学 | 一种基于水下成像分析南美白对虾饥饿程度识别方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106203476B (zh) | 2019-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108982508B (zh) | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 | |
CN106203476A (zh) | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
US20160196467A1 (en) | Three-Dimensional Face Recognition Device Based on Three Dimensional Point Cloud and Three-Dimensional Face Recognition Method Based on Three-Dimensional Point Cloud | |
CN105389593B (zh) | 基于surf特征的图像物体识别方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN104615986B (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN106504262A (zh) | 一种多特征融合的小瓷砖智能定位方法 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
Zhou et al. | Autonomous detection of crop rows based on adaptive multi-ROI in maize fields | |
CN115311629B (zh) | 一种折弯机的异常折弯精度监测系统 | |
CN109949287A (zh) | 一种基于自适应分割与模板校正的织物瑕疵检测方法 | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及系统 | |
CN114662594B (zh) | 一种目标特征识别分析系统 | |
CN101908150B (zh) | 一种人体检测方法 | |
CN113378831B (zh) | 一种小鼠胚胎器官识别与评分方法与系统 | |
CN114219753A (zh) | 一种基于深度学习的电力设备表面缺陷检测方法及终端 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN110349184A (zh) | 基于迭代滤波和观测判别的多行人跟踪方法 | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
CN106326927B (zh) | 一种鞋印新类别检测方法 | |
Jeny et al. | Machine vision-based expert system for automated cucumber diseases recognition and classification | |
CN116524344A (zh) | 一种基于rgb-d信息融合的番茄串采摘点检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211123 Address after: 230000 room 1201, building 1, University Sanchuang Park, No. 478, Jiulong Road, economic and Technological Development Zone, Hefei, Anhui Province Patentee after: Hefei Shenmu Information Technology Co.,Ltd. Address before: 310027 No. 38, Zhejiang Road, Hangzhou, Zhejiang, Xihu District Patentee before: ZHEJIANG University |
|
TR01 | Transfer of patent right |