CN108007929A - 一种牛肉生理成熟度的自动判定方法 - Google Patents

一种牛肉生理成熟度的自动判定方法 Download PDF

Info

Publication number
CN108007929A
CN108007929A CN201711251544.5A CN201711251544A CN108007929A CN 108007929 A CN108007929 A CN 108007929A CN 201711251544 A CN201711251544 A CN 201711251544A CN 108007929 A CN108007929 A CN 108007929A
Authority
CN
China
Prior art keywords
beef
image
marbling
area
age
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
Application number
CN201711251544.5A
Other languages
English (en)
Inventor
陈坤杰
孙鑫
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.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
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 Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN201711251544.5A priority Critical patent/CN108007929A/zh
Publication of CN108007929A publication Critical patent/CN108007929A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Abstract

本发明涉及一种牛肉生理成熟度的自动判定方法,该方法采用数字图像处理技术计算得出牛肉大理石花纹面积，建立了牛肉大理石花纹面积和牛龄之间关系的数学模型，根据牛肉大理石花纹面积进行牛肉生理成熟度（牛龄）的自动预测和判定；实现了牛肉生理成熟度即牛龄的自动判定方法。

Description

一种牛肉生理成熟度的自动判定方法
技术领域
本发明涉及一种牛肉生理成熟度的自动判定方法，特别是一种采用数字图像技术对牛龄的自动判定方法。
背景技术
牛肉分级，是指在进行牛屠宰加工过程中，将符合卫生安全规定的牛肉，按照一定的标准分成不同的等级，然后根据等级来确定牛肉收购和销售价格的一种制度措施；是肉牛生产者、收购者、零售商乃至消费者对牛肉品质评价所达成的共识，是形成优质优价体系的基础，对保障牛肉食品安全、促进牛肉生产和品质提升具有重要作用。
目前，牛肉质量等级，主要采用人工的方式，根据牛肉的大理石花纹和胴体生理成熟度(牛龄)来判定。即：由专业的牛肉质量等级评定师(分级员)，在牛肉加工现场，根据牛胴体第 12～13或第6～7胸肋间背长肌横切面肌内脂肪(大理石花纹)的丰富程度，比照牛肉大理石花纹等级的标准图版，依据经验确定牛肉大理石花纹等级；然后再根据牛龄或牛胴体脊椎骨横突末端软骨的骨化程度，凭经验给出牛肉的生理成熟度，最后综合大理石花纹等级和生理成熟度，确定牛肉的质量等级。近年来，国内外已有采用数字图像技术，提取牛肉大理石花纹面积、周长、密度等参数，实现对牛肉大理石花纹的等级的自动判定，但对牛肉的生理成熟度还没有一种自动的、简单快捷的判定方法。
发明内容
鉴于上述现有技术存在的不足，本发明的目的在于提供一种牛肉生理成熟度的自动判定方法，特别是一种采用数字图像技术对牛龄的自动判定方法。其原理在于：在肉牛的生长过程中，随着牛龄的增加和生理的成熟，肉牛肌间脂肪堆积逐渐增多，大理石花纹变得越来越丰富。因此，牛肉的大理石花纹丰富程度与牛肉的生理成熟度之间存在着一定的关系。通过数字图像的方法，提取出表征大理石花纹丰富程度的特征参数——大理石花纹面积，然后再建立大理石花纹与牛龄之间关系的数学模型，就可以对牛肉的生理成熟度进行自动判定。
本发明的目的是通过以下方法实现的：
1、图像采集和标定
分别选取牛龄为12、24、36、48、60和72个月龄的肉牛为样本，将数码相机固定在一定距离，拍摄牛胴体第12～13或第6～7胸肋间背长肌横切面图像，将图像以RGB格式存储于计算机。然后对数码相机进行标定，得出该距离下所拍摄图像每个像素所对应的实际物理尺寸。 2、图像处理
为提取牛肉大理石花纹的面积，首先采用图像处理方法提取出牛肉眼肌及大理石花纹区域，具体流程包括：图像灰度化处理、降噪、图像增强、背景去除、二值化、腐蚀和膨胀、眼肌区域的提取、大理石花纹的提取。
3、大理石花纹面积的测定
根据前述图像定标，统计得出眼肌区域灰度值为255的像素点的数目Am，然后用公式计算出眼肌区域大理石花纹实际面积At
4、建模
使用SPSS统计软件，采用回归分析方法，建立牛龄与大理石花纹面积之间的数学模型。
本发明的有益效果在于：采用数字图像处理技术计算得出牛肉大理石花纹面积，建立了牛肉大理石花纹面积和牛龄之间关系的数学模型，根据牛肉大理石花纹面积进行牛肉生理成熟度 (牛龄)的自动预测和判定；实现了牛龄即的牛肉生理成熟度自动判定，方法简单快捷，可在进行牛肉大理石花纹等级自动判定的同时，进行牛肉生理成熟度的自动判定，从而实现对牛肉质量等级的自动判定。可以减少劳动强度和主观因素干扰，使结果更加客观准确。
附图说明
图1：大理石花纹提取流程图
图2：灰度化处理效果图，其中(a)原图片(b)灰度化处理图
图3：中值滤波算法图
图4：图像去噪处理效果图，(a)灰度化处理图(b)图像去噪图
图5：拉普拉斯滤波器模板
图6：图像增强处理效果图，(a)图像去噪图(b)图像增强图
图7：边界跟踪处理效果图，其中(a)图像增强图(b)背景去除图
图8：二值化处理效果图，其中(a)背景去除图(b)二值化图
图9：腐蚀膨胀处理效果图,其(a)二值化图(b)腐蚀效果图(c)膨胀效果图
图10：眼肌区域提取效果图
具体实施例
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1：
1、图像采集和标定
分别选取牛龄为12、24、36、48、60和72个月的肉牛为样本，将数码相机固定在一定距离，拍摄牛胴体第12～13或第6～7胸肋间背长肌横切面图像，将图像以RGB格式存储于计算机。然后对数码相机进行标定，得出该距离下所拍摄图像每个像素所对应的实际物理尺寸。 2、图像处理
牛肉大理石花纹的提取方式有很多，通常包括图像预处理、无效背景的去除、大理石花纹区域的提取、大理石花纹特征参数的提取等步骤，需要根据具体的图片进行处理。依据大理石花纹的提取的大致的流程、结合实际图片，本文大理石花纹的提取具体实施的流程图1 所示。
光源的补偿、灰度化、噪声去除、图像增强为原图像的预处理过程；边界跟踪切除黑色背景、二值化、主要目的是实现了图像的二值化的同时也去除了图像的无效背景。腐蚀、膨胀是对形态学进行了处理，实现了图像中一些毛刺部分的去除。提取出黑色最大连通区域，从而实现眼肌区域的提取，进而提取出眼肌区域内的大理石花纹，获得大理石花纹的面积特征。
不同牛肉图片拍摄过程中，必然会受到光照的影响，使得采集的图像会有颜色和亮度的偏差。另外，图像在传输和显示过程中，可能会导致图片质量的下降。为了使采集到的图片与原牛肉图片尽可能的相近。就必须对采集到的图片进行图像预处理[46-51]。图像预处理是在提取图像特征之前，对图像进行光源补偿、几何变换、归一化、平滑、复原和增强等步骤，以达到消除图像中的干扰信息，去除无用的信息，恢复和增强有用的真实信息的目的，从而增强后面图像特征提取的有效性和真实性。
2.1.光源的补偿
牛肉经过宰杀与冷冻保鲜之后，表面必定会有一定的水渗透出，拍摄过程中，水会造成反光，成像之后，在图像处理过程中，会被当做脂肪来处理。所以本文选择了可调节亮度的线光源来照射牛肉，增加光照强度，减少外界光对图像拍摄的影响，增加了光照的均匀性。2.2图像灰度化处理
为了使脂肪颜色和肉的颜色清晰，易于区分，就必须对图片进行灰度化。灰度化是指在 RGB模型中，当R＝G＝B，彩色就表示一种灰度范围为0-255的颜色，这个值叫做灰度值。灰度化一般包括最大值法、分量法、加权平均法、平均值法四种方法。本文中选取加权平均法[52] 对RGB的三个分量进行处理能够得到比较合理的灰度图像。由于人眼对颜色敏感度的高低不同，因此根据重要性及其它指标，将RGB三个分量以不同的权值进行加权平均能得到比较合理的灰度图像。加权平均的公式如下所示：
f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
使用加权平均法对牛肉图片进行灰度化处理的结果如图2所示。
2.3降噪
图像去噪是指减少数字图像在传输过程中受到的成像设备与外部环境干扰等影响所产生的噪声。牛肉在分解过程中，由于一些人为因素的影响，必然会导致肉表面的不规整，所以对牛肉图片的去噪过程是非常有必要的。
滤波是图像去噪的一种常用方式，为了保护图像去噪过程中的牛肉的边缘信息，本文采用中值滤波的方法来去除牛肉图像噪声，中值滤波是经典的平滑噪声的方法。
中值滤波器的处理方法是用像素邻域内灰度的中值代替该像素的值，使周围的像素点接近真实值，进而消除孤立的噪声点。对于一定类型的随机噪声来说，中值滤波器的去噪能力是非常普遍与优秀的，并且它的模糊程度相比于相同尺寸的线性平滑滤波器要明显低很多。中值滤波的算法图如图3所示：一个数值集合的中值为ξ，说明数值集合当中有一半的值小于或等于ξ，另一半值大于或者等于ξ。对一幅图像中某个点进行中值滤波处理，首先将邻域内的像素进行分类排序，确定邻域内的中值，最后将中值赋予滤波后图像中的相应点。图像去噪效果图如图4所示。
2.4图像增强
图像增强是增强图像中的有用信息，有目的的强调图像的整体或者局部信息，目的是改善图像的视觉效果。在牛肉图像处理过程中，需要提取出大理石花纹的面积和周长这些特征信息，大理石花纹的轮廓要得到更加清晰化的处理就需要牛肉图像中的这些细节得到增强。
本文中采用了基于二阶微分空间域的拉普拉斯算法，一个二维图像函数f(x，y)的拉普拉斯算子的定义为
为了以离散形式描述这一公式，在x方向上有
在y方向上有
所以两个变量的离散拉普拉斯算子是
上式所对应的拉普拉斯滤波器模板如图5所示.
使用拉普拉斯对图像增强锐化后的图像可表示为
本文中使用拉普拉斯算法实现了脂肪和肉交接处图像特征的增强，有助于大理石花纹轮廓的提取。运用拉普拉斯算子增强牛肉图片的效果如图6所示。
2.5背景去除
牛肉大理石花纹提取过程中，首先需要将切面图像与背景分离。本文中拍摄时所选用的是单一的黑色背景，背景较单一，所以可以选用整体阈值法或者边界跟踪法来去除背景。整体阈值法对于处理颜色鲜艳，与背景颜色区别鲜明的图像效果比较好，由于这里处理的是灰度化之后的图片，整体颜色较暗，所以采用整体阈值法效果较差。
本文中采用边界跟踪法来去除背景。边界跟踪是指从图像的目标区域的一个边缘点出发，搜索到下一个边缘点，采用此种方法逐步检测所有边界的方法。具体的步骤如下：
(1)从起始点开始取一个像素点a，它的灰度值为1，然后利用8领域方法，找到下一个邻点b，然后a的值就改为3，b的值改为2。
(2)从b开始，沿顺时针方向考察a的8个领域。将a改为4，将b改为0，将c置为当前点。
(3)返回步骤(1)，重新返回起点时停止。
边界跟踪法去除图像背景的效果如图7所示。
2.6二值化
图像的二值化，就是对灰度图像上的像素点进行遍历，将图像上像素点的灰度值设置成0或者255，整个图像就只有明显的黑和白两种颜色。二值化之后，灰度图像变成黑白二值图像，眼肌区域就从背景中脱离出来，牛肉图像二值化之后的效果如图8所示。
2.7腐蚀和膨胀
牛肉图像拍摄过程中，由于水分的渗透，多少会存在反光的现象。在大理石花纹的提取过程中，这些反光区域可能会被当做脂肪区域来处理，所以就有必要对其进行去除，这个过程就会用到腐蚀和膨胀。
腐蚀和膨胀是形态学处理的基础。许多形态学的图像处理技术都是以这两种原始操作为基础的。腐蚀的效果是消除对象的边界点，缩小目标，进而消除小于结构元素的噪声点。膨胀的效果是给图像中的边界增加像素，使目标增大，填补目标中的空洞。
本文中所选用的腐蚀的具体操作为：用一个3×3的结构元素，依次扫描图像的每一个像素，用此结构元素与其覆盖的二值图像做“与”操作，如果都为1，该图像的像素就为1，否则为 0。可以用以下公式表示：
式中S为腐蚀后的图像集合，B为所用的结构元素，A为原二值图像的集合。表示腐蚀操作。腐蚀效果如图9(b)所示。
牛肉大理石经过腐蚀操作之后，结构元素变小，要恢复到原图尺寸就需要进行相反的操作，即膨胀。膨胀的具体操作为：用3×3的结构元素，扫描图像的每一个像素，用结构元素与其覆盖的二值图像做“与”操作，如果都为0，结果图像的该像素为0，否则为1。可以用公式表示：
式中S为膨胀后的图像集合，B为所用的结构元素，A为腐蚀后的图像集合，表示膨胀操作。膨胀效果如图9(c)所示
2.8眼肌区域的提取
从图9中可以看出，图片中眼肌区域就是灰度为0的黑色区域的最大连通区域。本文采用区域标记法来实现眼肌区域的提取：
(1)从牛肉二值图片的左上角开始，逐步扫描像素点，直到扫描到图像的右下角为止；
(2)当灰度值等于0的时候，开始标记为第k个连通区，并统计次连通区域的所有灰度值等于0的点的总数为Ak，再统计第k+1个连通区域灰度值为0的点的总数Ak+1；
(3)比较Ak+1和Ak。如果Ak+1>Ak，就保留第k+1个连通区域，并且将第k个连通区域的灰度值全部置为255。反之，将第k+1个连通区域的灰度值全部置为255。
(4)扫描到最右下角时，得到最大连通区域，此连通区域的灰度为0的像素点最多。使用区域标记法提取牛肉的眼肌区域的效果图如图10所示。
3、大理石花纹面积的测定
通过统计图10(b)中眼肌区域灰度值为255的像素点的数目，从而得出眼肌区域大理石花纹的面积和Am，此时得出的大理石花纹面积Am单位为像素。为了得出大理石花纹的实际面积，对图像进行定标，得出1个像素表示实际2.23×10-4cm2，得出眼肌区域大理石花纹实际面积At的计算公式为：
At＝2.23×10-4*Am
式中Am为眼肌区域大理石花纹面积像素值；At为眼肌区域大理石花纹实际面积值。
4、建模
使用SPSS统计软件，采用回归分析方法，建立牛龄与大理石花纹面积之间的数学模型如下：
y＝1000ln(x/28.987)
其中：y为牛龄(月)；x为牛肉的大理石花纹面积(cm2)。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (3)

1.一种牛肉生理成熟度的自动判定方法,其特征在于，所述方法是通过数字图像处理技术，提取出表征大理石花纹丰富程度的特征参数大理石花纹面积，再建立大理石花纹与牛龄之间关系的数学模型而实现的。
2.根据权利要求1所述的方法，其特征在于：所述大理石花纹的提取具体实施的流程包括光源的补偿、灰度化、噪声去除、图像增强、边界跟踪切除黑色背景、二值化、腐蚀、膨胀、提取出黑色最大连通区域，实现眼肌区域的提取，提取出眼肌区域内的大理石花纹，获得大理石花纹的面积特征。
3.根据权利要求1所述的方法，其特征在于：所述大理石花纹面积与牛龄之间的数学模型为：y=1000ln(x/28.987)其中：y为牛龄（月）；x为牛肉的大理石花纹面积（cm2）。
CN201711251544.5A 2017-12-01 2017-12-01 一种牛肉生理成熟度的自动判定方法 Pending CN108007929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711251544.5A CN108007929A (zh) 2017-12-01 2017-12-01 一种牛肉生理成熟度的自动判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711251544.5A CN108007929A (zh) 2017-12-01 2017-12-01 一种牛肉生理成熟度的自动判定方法

Publications (1)

Publication Number Publication Date
CN108007929A true CN108007929A (zh) 2018-05-08

Family

ID=62056287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711251544.5A Pending CN108007929A (zh) 2017-12-01 2017-12-01 一种牛肉生理成熟度的自动判定方法

Country Status (1)

Country Link
CN (1) CN108007929A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111097664A (zh) * 2019-12-20 2020-05-05 广西柳州联耕科技有限公司 基于机器人涂胶的实时纠偏方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1603801A (zh) * 2004-11-02 2005-04-06 江苏大学 牛肉胴体质量的计算机视觉检测分级方法及装置
CN102156129B (zh) * 2009-12-02 2012-10-03 南京农业大学 一种基于机器视觉的牛肉品质智能分级系统及其方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1603801A (zh) * 2004-11-02 2005-04-06 江苏大学 牛肉胴体质量的计算机视觉检测分级方法及装置
CN102156129B (zh) * 2009-12-02 2012-10-03 南京农业大学 一种基于机器视觉的牛肉品质智能分级系统及其方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S.S. MOON等: "The relationship of physiological maturity and marbling judged according to Korean grading system to meat quality traits of Hanwoo beef females", 《MEAT SCIENCE》 *
潘越等: "中国黄牛生理成熟度和大理石花纹预测", 《畜牧与兽医》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111097664A (zh) * 2019-12-20 2020-05-05 广西柳州联耕科技有限公司 基于机器人涂胶的实时纠偏方法
CN111097664B (zh) * 2019-12-20 2021-05-25 广西柳州联耕科技有限公司 基于机器人涂胶的实时纠偏方法

Similar Documents

Publication Publication Date Title
CN109255757B (zh) 一种机器视觉自然放置葡萄串果梗区域分割方法
CN107194919A (zh) 基于规律纹理背景重建的手机屏幕缺陷检测方法
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN108319973A (zh) 一种树上柑橘果实检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
CN106548160A (zh) 一种人脸微笑检测方法
CN110390673B (zh) 一种监控场景下基于深度学习的香烟自动检测方法
CN106327501B (zh) 一种有参考型唐卡图像修复后质量评价方法
CN106702870B (zh) 一种道路裂缝检测系统
CN105701805B (zh) 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法
CN110687121B (zh) 一种陶瓦智能在线检测与自动分级方法和系统
CN110097537A (zh) 一种基于三维纹理特征的肉质定量分析评价方法
CN114004834B (zh) 一种图像处理中的雾天情况分析方法、设备及装置
CN108416814A (zh) 一种菠萝头部的快速定位与识别方法及系统
CN106651893A (zh) 一种基于边缘检测的墙体裂缝识别方法
CN111080574A (zh) 一种基于信息熵和视觉注意机制的织物疵点检测方法
CN111562260B (zh) 一种基于机器视觉的莲藕泥孔检测方法及装置
CN100376888C (zh) 牛肉胴体质量的计算机视觉检测分级方法及装置
CN110428374B (zh) 一种小体积害虫自动检测方法及系统
CN108007929A (zh) 一种牛肉生理成熟度的自动判定方法
Alaei et al. Document image quality assessment based on texture similarity index
CN115861409B (zh) 大豆叶面积测算方法、系统、计算机设备及存储介质
CN112802074A (zh) 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法
CN107239761A (zh) 基于骨架角点检测的果树拉枝效果评价方法
Hua et al. Image segmentation algorithm based on improved visual attention model and region growing

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180508

RJ01 Rejection of invention patent application after publication