CN106780427B - 一种基于oct图像的香梨瘀伤鉴别方法 - Google Patents

一种基于oct图像的香梨瘀伤鉴别方法 Download PDF

Info

Publication number
CN106780427B
CN106780427B CN201610987796.3A CN201610987796A CN106780427B CN 106780427 B CN106780427 B CN 106780427B CN 201610987796 A CN201610987796 A CN 201610987796A CN 106780427 B CN106780427 B CN 106780427B
Authority
CN
China
Prior art keywords
image
bruise
fruit
pixel
value
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
Application number
CN201610987796.3A
Other languages
English (en)
Other versions
CN106780427A (zh
Inventor
周扬
刘铁兵
王中鹏
陈正伟
施秧
周武杰
毛建卫
陈芳妮
宋起文
陶红卫
吴茗蔚
刘喜昂
施祥
翁剑枫
李津蓉
陈才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lover Health Science and Technology Development Co Ltd
Original Assignee
Zhejiang Lover Health Science and Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang Lover Health Science and Technology Development Co Ltd
Priority to CN201610987796.3A priority Critical patent/CN106780427B/zh
Publication of CN106780427A publication Critical patent/CN106780427A/zh
Application granted granted Critical
Publication of CN106780427B publication Critical patent/CN106780427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20072—Graph-based image processing
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于OCT图像的香梨瘀伤鉴别方法。采集香梨果实的OCT图像后，使用自动阈值法分离OCT图像中的果实目标和背景，对梨的表皮外轮廓作曲线拟合，对果实目标进行平移变换，获得表皮内轮廓，对果肉区域图像进行平滑处理，将图像沿水平方向等分成若干个区块，根据作为表皮内轮廓求解每个区块的干涉强度下降速率，求解检测区域所有区块的干涉强度下降速率的均值，通过预设阈值判断瘀伤的结果。本发明方法实现了香梨果肉的早期瘀伤的检测，并完成瘀伤组织的自动判别，对不同形态的瘀伤组织具有较强的适应性，提高了检测效率，配合成像等外观检测方法，为香梨内在品质在线检测奠定技术基础。

Description

一种基于OCT图像的香梨瘀伤鉴别方法
技术领域
本发明属于水果内部品质自动化检测领域，涉及OCT图像处理方法，尤其是涉及了一种基于OCT图像的香梨瘀伤鉴别方法。
背景技术
香梨是我国的产量较大的水果之一，其内部品质的快速检测方法是香梨产业发展面临的主要技术问题。香梨在存储、运输过程中，极易收到机械损伤，造成后期的局部腐烂。香梨的瘀伤可能出现在采摘、存储、运输、包装等各个环节，早期不易被察觉。瘀伤后的梨保存时间大大缩短，由于细胞结构的破损，组织逐步褐变，严重制约了梨的货架期及后期销售。
在无损检测梨内部品种上，一般使用高光谱成像，需要大型设备，耗费工时，且对检测人员有一定技术要求，且高光谱图像很难真正反映其内部情况，光谱特征具有一定的随机性。光学相干层析成像(OCT)通过测量物质的光学反射散射特性展现内部其结构形态和分布，目前OCT图像已经用于人体多个组织的识别、定量测量、定性鉴定，报道表明图像可以清楚展现生物组织的层次结构。目前OCT图像法在农业、养殖领域主要应用有：观察苹果的表皮结构、区别海水有核珍珠与淡水无核珍珠、观察种子的内部细胞结构、观察植物叶片的生长缺陷等。该方法用于香梨种植业，具有较广阔的应用前景。
由于在产业应用中，香梨的产量较大，每个货物批次具有较多的箱数，故香梨OCT图像的量非常大，采用人工判别，效率十分低下，因此需对图像进行自动分析。在香梨OCT图像应用过程中，自动检测的算法报道较少，各项研究尚处于起步阶段，现有技术缺少能进行香梨早期瘀伤鉴别的方法。
发明内容
针对于背景技术中存在的问题，本发明的目的在于提供了一种基于OCT图像的香梨瘀伤鉴别方法，能够使用OCT图像识别香梨的瘀伤缺陷，并完成瘀伤区域组织的自动标识和判别，提高了检测效率，配合成像等外观检测方法，为香梨在线检测奠定技术基础。
本发明采用的技术方案是包括以下步骤：
1)采集香梨果实的OCT图像；
2)使用自动阈值法分离OCT图像中的果实目标和背景；
3)对梨的表皮外轮廓作曲线拟合，根据表皮外轮廓对果实目标进行平移变换；
4)绘制关系曲线，获得果实目标中表皮和果肉的分界线，作为表皮内轮廓；
5)对图像中表皮内轮廓以下的部分进行平滑处理；
6)将平滑处理后的果实目标图像沿水平方向等分成若干个区块；
7)根据作为表皮内轮廓求解每个区块的干涉强度下降速率；
8)对于OCT图像中的任一检测区域，求解该检测区域所有区块的干涉强度下降速率的均值，通过预设阈值判断瘀伤的结果。
所述步骤2)具体为：
2.1)处理获得OCT图像的灰度直方图；
2.2)使用拟牛顿法求解如下公式的优化问题，得到果实目标和背景分离阈值k的最优值；
其中，ω(k)、μ(k)和μT分别表示零阶概率水平、一阶概水平及总平均概率水平；k表示果实目标和背景分离阈值，k*表示k的拟合近似值，L表示灰度总数，表示果实目标和背景分离阈值k的最优值；
2.3)OCT图像中，将灰度值大于等于果实目标和背景分离阈值k的最优值的像素点保留，小于果实目标和背景分离阈值k的最优值的像素点均置为灰度值0，由此形成果实目标图像。
所述步骤2.2)中的ω(k)、μ(k)和μT分别采用以下公式计算：
其中，k为果实目标和背景分离阈值，i为像素点的灰度索引，pi表示灰度直方图中灰度的分布概率，L表示灰度总数，pi＝ni/N，N为图像中像素点总数，ni为灰度值为i的像素点总数。
所述步骤3)具体为：
3.1)对果实目标图像进行二值化处理，将所有灰度值不为0的像素点的灰度值均置为1，所有灰度值为0的像素点保留原灰度值；
3.2)对二值化后图像中的每一列像素点，自上向下搜索该列出现第一个灰度值为1的像素点，并记录作为待拟合像素点，然后对所有列进行处理获得所有待拟合像素点；
3.3)用二次多项式结合前向神经网络方法对所有待拟合像素点进行拟合，得到果实目标上部背景和果实目标之间的分界线及分界线上的像素点，所述分界线作为表皮外轮廓；
二次多项式结合前向神经网络方法具体是指，拟合的对象是所有待拟合像素点的曲线，采用二次多项式进行拟合，其中二次多项式中的各项参数采用前向神经网络方法进行训练获得。
3.4)取分界线上所有点的图像纵坐标均值，将果实目标图像中的每一列像素以该图像纵坐标均值为基准，将图像中每列像素整体进行向上或者向下平移，使得原果实目标图像中的分界线拉平变换为水平直线，每一列像素向上或者向下平移后上部超出图像外的部分剔除，平移后图像中上部和下部中缺失的部分用灰度值为0的像素填补。
所述步骤4)具体为：
4.1)取步骤3)平移变换后的果实目标图像的一列与步骤3)获得的表皮外轮廓之间的交点为起点，绘制第一列图像灰度与OCT图像纵向深度的关系曲线；所述的OCT图像纵向深度是指该点到图像底部的像素距离。
4.2)在关系曲线中，搜索与起点最接近的最大峰，以最大峰所在的像素点为果实目标图像中该列的表皮和果肉的分界点；
4.3)重复步骤4.1)-4.2)，从第一列开始遍历果实目标图像的所有列，取所有列中表皮和果肉的分界点组成表皮和果肉的分界，作为表皮内轮廓。
所述步骤5)是采用基于Anscombe变换域BM3D的平滑滤波及降噪方法进行平滑处理。具体是采用Nuclear Instruments and Methods in Physics Research期刊的Neutronradiographic image restoration using BM3D frames and nonlinear variancestabilization论文中提到的方法。
所述步骤7)具体为：
6.1)在每一区块中，自上向下求每行的灰度均值，由各行灰度均值形成均值曲线；
6.2)使用最大最小归一化方法对均值曲线进行归一化处理；
6.3)使用三次多项式函数拟合归一化处理后的均值曲线；
6.4)拟合后的均值曲线中取靠近表皮内轮廓的线段进行线性拟合，求得该线段的线性斜率作为干涉强度下降速率。
所述步骤8)中，将计算得到的干涉强度下降速率的均值与预设阈值进行比较，采用以下判断方式获得该检测区域是否存在瘀伤的结果：若检测区域所有区块干涉强度下降速率的均值小于等于预设阈值，则该检测区域的香梨果肉存在瘀伤；若指定区域所有区块干涉强度下降速率的均值大于预设阈值，则该检测区域的香梨果肉不存在瘀伤。
本发明具有的有益效果是：
本发明使用OCT图像检测香梨果实的内部瘀伤缺陷，具有无损、快速、低成本的优点，大大提高了瘀伤判别的效率和准确性。
本发明方法采用了下降速率参数拟合手段，并提出了对应的求解方法，对不同形状、不同大小、不同厚度的瘀伤组织具有普适性，并能自动识别缺陷，较其他方法具有更好判别精度。
本发明采用进行了系列化的预处理，结合拉平变换后的图像，检测效果具有一定的鲁棒性。
附图说明
图1是本发明方法的流程图。
图2是实施例输入的典型香梨样本的OCT图像，其中(a)为正常无缺陷样本，(b)样本果肉组织存在瘀伤缺陷。
图3是本发明实施例平移变换步骤的示意图。(a)表示平移前，(b)表示平移后。
图4是实施例香梨OCT图像中某一列的表皮和果肉的分界点，图中标注了吸收峰的位置。
图5是实施例样本的线性拟合过程，带有星号标记的拟合线段斜率作为干涉强度下降速率。
具体实施方式
以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明采用的技术方案是包括以下步骤：
1)使用Thorlabs公司生产的TELSTO 1300V2型SD-OCT成像仪采集香梨果实的OCT图像样本40个，其中20个含有不同程度的瘀伤缺陷，20个为正常样本；图2为其中2个典型香梨样本的OCT图像，其中(a)为正常无缺陷样本，(b)样本果肉组织存在瘀伤缺陷。图中可见正常无缺陷组织结构密度较高且紧凑，而存在瘀伤的组织出现了密度较小的稀疏组织。
2)使用自动阈值法分离OCT图像中的果实目标图像；
2.1)求解该图像的灰度直方图；
2.2)定义灰度直方图中某阶灰度的分布概率pi＝ni/N，其中N为图像中像素点总数，ni为灰度值为i的像素点总数；定义k为果实目标和背景分离的阈值；
2.3)计算
其中，ω(k)、μ(k)和μT分别表示零阶概率水平、一阶概水平及总平均概率水平，i为像素点的灰度索引。
2.4)使用拟牛顿法，求解如下优化问题，得到阈值k的最优值；
2.5)将OCT图像中的灰度值大于等于阈值k最优值的像素点保留，小于阈值k最优值的像素点清零，组成果实目标图像，进入后续处理；
3)对梨的表皮作曲线拟合，对果实目标进行平移变换；
3.1)对果实目标图像进行二值化处理，使图像非零像素的灰度值为1，其它其它像素灰度值保持为0；
3.2)对二值化后图像中的每一列像素点，自上向下搜索该列出现第一个灰度值为1的像素点并记录作为待拟合像素点；
3.3)用二次多项式结合前向神经网络方法对所有待拟合像素点进行拟合，得到果实目标上部背景和果实目标之间的分界线及分界线上的像素点；
3.4)取分界线上所有点的图像纵坐标均值，将果实目标图像中的每一列像素以该图像纵坐标均值为基准，将图像中每列像素整体进行向上或者向下平移，使得原果实目标图像中的分界线拉平变换为水平直线，每一列像素向上或者向下平移后上部超出图像外的部分剔除，平移后图像中上部和下部中缺失的部分用灰度值为0的像素填补；
图3给出了实施例平移变换步骤的效果。(a)表示平移前，(b)表示平移后。图中可见，经过拉平变换以后，梨表皮的轮廓曲线均位于图像顶部，便于后面进行干涉强度下降速率推算。
4)确定果实目标中表皮和果肉的分界线；
4.1)取拉平后果实目标图像的第一列与以步骤3.3所述分界线的交点为起点，绘制第一列图像灰度与纵向深度的关系曲线；
4.2)在关系曲线中，搜索与交点最接近的最大吸收峰；
4.3)最大吸收峰所在的像素点为果实目标图像中第一列表皮和果肉的分界点；
4.4)重复步骤4.1-4.3，遍历果实目标图像的所有列，取得所有列中表皮和果肉的分界点，所有分界点组成表皮和果肉的分界线；
图4给出了香梨OCT图像中某一例的表皮和果肉的分界点，图中标注了吸收峰的位置。
5)对图像中表皮内轮廓以下的部分采用基于Anscombe变换域BM3D的平滑滤波及降噪进行平滑处理；
6)将平滑处理后的果实目标图像沿水平方向分成若干个等分区块；
7)求解每个等分区块的干涉强度下降速率；
7.1)在区块中，自上向下求每行的灰度均值，获得均值曲线；
7.2)使用最大最小归一化方法对均值曲线进行归一化处理；
7.3)使用三次多项式函数拟合均值曲线；
7.4)对拟合后的均值曲线的靠近表皮和果肉的分界线段进行线性拟合，求得的拟合线段斜率作为干涉强度下降速率；
在本实施例中，均值曲线取靠近表皮的0.3mm的区间。图5给出了某一例样本的线性拟合过程，带有星号标记的拟合线段斜率作为干涉强度下降速率。
8)求解该检测区域所有区块干涉强度下降速率的均值，通过设立阈值判断瘀伤的结果：若指定区域所有区块干涉强度下降速率的均值小于等于设立阈值，则认为该图像检测区域的香梨果肉存在瘀伤；若指定区域所有区块干涉强度下降速率的均值大于设立阈值，则认为该图像检测区域的香梨果肉不存在瘀伤。
在本实施例中，设定衰减系数阈值为-1.2。20个正常样本的衰减系数均值为-1.1，且均大于阈值；20个有瘀伤缺陷样本的衰减系数均值为-1.32,且均小于阈值；实验结果表明，对于40个样本中的瘀伤识别率达到了100％。对比现有报道的近红外光谱法、声学检测法等，其对局部瘀伤的识别准确率均大约在50％-90％区间，无法达到100％，显示了本发明方法的优势。同时，由于OCT图像的微米级的分辨率，且能深入香梨组织内部约3mm处，结合本发明方法，使检测的结果具有较好的稳定性，进一步避免了表皮厚度、表皮斑点等外在因素的干扰，实现了无算探测果肉损伤的目的。
在本发明实施例中，本领域普通技术人员还可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于OCT图像的香梨瘀伤鉴别方法，其特征在于包括以下步骤：
1)采集香梨果实的OCT图像；
2)使用自动阈值法分离OCT图像中的果实目标和背景；
3)对梨的表皮外轮廓作曲线拟合，根据表皮外轮廓对果实目标进行平移变换；
所述步骤3)具体为：
3.1)对果实目标图像进行二值化处理，将所有灰度值不为0的像素点的灰度值均置为1；
3.2)对二值化后图像中的每一列像素点，自上向下搜索该列出现第一个灰度值为1的像素点，并记录作为待拟合像素点；
3.3)用二次多项式结合前向神经网络方法对所有待拟合像素点进行拟合，得到果实目标上部背景和果实目标之间的分界线及分界线上的像素点，所述分界线作为表皮外轮廓；
3.4)取分界线上所有点的图像纵坐标均值，将果实目标图像中的每一列像素以该图像纵坐标均值为基准，将图像中每列像素整体进行向上或者向下平移，使得原果实目标图像中的分界线拉平变换为水平直线，每一列像素向上或者向下平移后上部超出图像外的部分剔除，平移后图像中上部和下部中缺失的部分用灰度值为0的像素填补；
4)绘制关系曲线，获得果实目标中表皮和果肉的分界线，作为表皮内轮廓；
5)对图像中表皮内轮廓以下的部分进行平滑处理；
6)将平滑处理后的果实目标图像沿水平方向等分成若干个区块；
7)根据作为表皮内轮廓求解每个区块的干涉强度下降速率；
所述步骤7)具体为：
7.1)在每一区块中，自上向下求每行的灰度均值，由各行灰度均值形成均值曲线；
7.2)使用最大最小归一化方法对均值曲线进行归一化处理；
7.3)使用三次多项式函数拟合归一化处理后的均值曲线；
7.4)拟合后的均值曲线中取靠近表皮内轮廓的线段进行线性拟合，求得该线段的线性斜率作为干涉强度下降速率；
8)对于OCT图像中的任一检测区域，求解该检测区域所有区块的干涉强度下降速率的均值，通过预设阈值判断瘀伤的结果。
2.根据权利要求1所述的一种基于OCT图像的香梨瘀伤鉴别方法，其特征在于：所述步骤2)具体为：
2.1)处理获得OCT图像的灰度直方图；
2.2)使用拟牛顿法求解如下公式的优化问题，得到果实目标和背景分离阈值k的最优值；
其中，ω(k)、μ(k)和μT分别表示零阶概率水平、一阶概水平及总平均概率水平；k表示果实目标和背景分离阈值，k*表示k的拟合近似值，L表示灰度总数，表示果实目标和背景分离阈值k的最优值；
2.3)OCT图像中，将灰度值大于等于果实目标和背景分离阈值k的最优值的像素点保留，小于果实目标和背景分离阈值k的最优值的像素点均置为灰度值0，由此形成果实目标图像。
3.根据权利要求2所述的一种基于OCT图像的香梨瘀伤鉴别方法，其特征在于：所述步骤2.2)中的ω(k)、μ(k)和μT分别采用以下公式计算：
其中，k为果实目标和背景分离阈值，i为像素点的灰度索引，pi表示灰度直方图中灰度的分布概率，L表示灰度总数，pi＝ni/N，N为图像中像素点总数，ni为灰度值为i的像素点总数。
4.根据权利要求1所述的一种基于OCT图像的香梨瘀伤鉴别方法，其特征在于：所述步骤4)具体为：
4.1)取步骤3)平移变换后的果实目标图像的一列与步骤3)获得的表皮外轮廓之间的交点为起点，绘制第一列图像灰度与OCT图像纵向深度的关系曲线；
4.2)在关系曲线中，搜索与起点最接近的最大吸收峰，以最大吸收峰所在的像素点为果实目标图像中该列的表皮和果肉的分界点；
4.3)重复步骤4.1)-4.2)，从第一列开始遍历果实目标图像的所有列，取所有列中表皮和果肉的分界点组成表皮和果肉的分界，作为表皮内轮廓。
5.根据权利要求1所述的一种基于OCT图像的香梨瘀伤鉴别方法，其特征在于：所述步骤5)是采用基于Anscombe变换域BM3D的平滑滤波及降噪方法进行平滑处理。
6.根据权利要求1所述的一种基于OCT图像的香梨瘀伤鉴别方法，其特征在于：所述步骤8)中，将计算得到的干涉强度下降速率的均值与预设阈值进行比较，采用以下判断方式获得该检测区域是否存在瘀伤的结果：若检测区域所有区块干涉强度下降速率的均值小于等于预设阈值，则该检测区域的香梨果肉存在瘀伤；若指定区域所有区块干涉强度下降速率的均值大于预设阈值，则该检测区域的香梨果肉不存在瘀伤。
CN201610987796.3A 2016-11-10 2016-11-10 一种基于oct图像的香梨瘀伤鉴别方法 Active CN106780427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610987796.3A CN106780427B (zh) 2016-11-10 2016-11-10 一种基于oct图像的香梨瘀伤鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610987796.3A CN106780427B (zh) 2016-11-10 2016-11-10 一种基于oct图像的香梨瘀伤鉴别方法

Publications (2)

Publication Number Publication Date
CN106780427A CN106780427A (zh) 2017-05-31
CN106780427B true CN106780427B (zh) 2019-07-09

Family

ID=58973391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610987796.3A Active CN106780427B (zh) 2016-11-10 2016-11-10 一种基于oct图像的香梨瘀伤鉴别方法

Country Status (1)

Country Link
CN (1) CN106780427B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730565B (zh) * 2017-10-12 2020-10-20 浙江科技学院 一种基于oct图像的材料内在光谱特征提取方法
CN108776967A (zh) * 2018-06-12 2018-11-09 塔里木大学 一种香梨瘀伤鉴别方法
CN109859199B (zh) * 2019-02-14 2020-10-16 浙江科技学院 一种sd-oct图像的淡水无核珍珠质量检测的方法
CN113409302B (zh) * 2021-07-13 2023-07-07 浙江科技学院 一种基于oct图像的玉米籽粒早期霉变识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567745A (zh) * 2011-12-29 2012-07-11 北京航天时代光电科技有限公司 一种光纤熔接质量的自动检测方法
CN105160641A (zh) * 2015-08-04 2015-12-16 成都多贝科技有限责任公司 基于图像处理的x射线焊缝区域提取方法
CN105203731A (zh) * 2015-09-10 2015-12-30 北京首钢股份有限公司 一种带钢横断面轮廓缺陷局部高点量化方法及装置
CN106023158A (zh) * 2016-05-10 2016-10-12 浙江科技学院 Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567745A (zh) * 2011-12-29 2012-07-11 北京航天时代光电科技有限公司 一种光纤熔接质量的自动检测方法
CN105160641A (zh) * 2015-08-04 2015-12-16 成都多贝科技有限责任公司 基于图像处理的x射线焊缝区域提取方法
CN105203731A (zh) * 2015-09-10 2015-12-30 北京首钢股份有限公司 一种带钢横断面轮廓缺陷局部高点量化方法及装置
CN106023158A (zh) * 2016-05-10 2016-10-12 浙江科技学院 Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法

Also Published As

Publication number Publication date
CN106780427A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106332713B (zh) 一种sd-oct图像的枇杷早期瘀伤鉴别方法
CN106780427B (zh) 一种基于oct图像的香梨瘀伤鉴别方法
Li et al. Early detection of decay on apples using hyperspectral reflectance imaging combining both principal component analysis and improved watershed segmentation method
CN109272492A (zh) 一种细胞病理涂片的处理方法及系统
CN106023158B (zh) Sd-oct图像的淡水无核珍珠珍珠质层缺陷识别方法
CN102147402A (zh) 机器视觉技术快速检测鸡蛋新鲜度的方法
Tu et al. Use of laser‐scattering imaging to study tomato‐fruit quality in relation to acoustic and compression measurements
CN108444934B (zh) 一种复合材料脱粘缺陷的自动分割及量化方法
CN106780347B (zh) 一种基于oct图像处理的枇杷早期瘀伤鉴别方法
Li et al. Detection of early decay in navel oranges by structured-illumination reflectance imaging combined with image enhancement and segmentation
Yamamoto et al. 3D reconstruction of apple fruits using consumer-grade RGB-depth sensor
Biswas et al. A large-scale optical microscopy image dataset of potato tuber for deep learning based plant cell assessment
CN109643450A (zh) 用于从组织活检物中检测管状物的装置
Zhihui et al. Nondestructive detection of infertile hatching eggs based on spectral and imaging information
CN117392130B (zh) 基于红外图像的在线故障诊断系统
De Baerdemaeker et al. X-ray microtomography and linear discriminant analysis enable detection of embolism-related acoustic emissions
Joseph et al. Porosity quantification in pear fruit with X-ray CT and spatially resolved spectroscopy
Satone et al. Automatic bruise detection in fruits using thermal images
Ye et al. Cucumber appearance quality detection under complex background based on image processing
Tian et al. Nondestructive and rapid detection of potato black heart based on machine vision technology
Wan et al. Plot-level wood-leaf separation of trees using terrestrial LiDAR data based on a seg‐mentwise geometric feature classification method
KR101907563B1 (ko) 초분광 영상을 이용한 유정란 내부 배아 생존유무 판별방법
Atencio et al. Automatic visual model for classification and measurement of quality of fruit: case Mangifera Indica L
Jian et al. Identification and grading of tea using computer vision
Sheydaee et al. Design and Fabrication of Egg Quality Assessment System Based on Image Processing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant