CN108009567A - 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 - Google Patents
一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 Download PDFInfo
- Publication number
- CN108009567A CN108009567A CN201711101417.7A CN201711101417A CN108009567A CN 108009567 A CN108009567 A CN 108009567A CN 201711101417 A CN201711101417 A CN 201711101417A CN 108009567 A CN108009567 A CN 108009567A
- Authority
- CN
- China
- Prior art keywords
- image
- svm
- sample
- hog
- obtains
- 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
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Abstract
该发明公开了一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法本发明属于数字图像处理领域和机器学习领域,具体涉及将图像的颜色信息及图像的HOG特征和SVM支持向量机相结合的粪便性状的自动辨别方法。该方法首先提取粪便图像的HOG特征,该特征通过计算和统计图像局部区域的梯度直方图大小构成,再用图像的HOG特征训练SVM支持向量机,得到分类器模型,紧接着提取图像的颜色信息,对图像颜色信息进行分析处理后,初步判断粪便性状,再提取初步判断为未知的粪便图像的HOG特征,将HOG特征输入到分类器模型中,得到结果,最后根据结果与零的大小关系得到粪便性状的类型。本发明与原来的粪便性状辨别方式相比,具有高效、成本低和自动化程度高的优点。
Description
技术领域
本发明属于数字图像处理领域和机器学习领域,具体涉及将图像的颜色信息及图像的HOG(Histogram of Oriented Gradient)特征和SVM支持向量机相结合的粪便性状的自动辨别方法。
背景技术
粪便性状通常的辨别方法是将粪便取样后通过人眼来判断。这种辨别方式需要有一名技术人员,存在成本高和效率低的问题。随着计算机数字图像技术的不断发展,利用自动化系统辨别已经成为趋势,使用计算机自动辨别代替人工辨别可以提高效率和减低成本。对于粪便图像,在提取分析图像的颜色信息后,对图像颜色信息进行处理后,经过初步判断,再使用图像的HOG特征,结合SVM进行性状自动辨别,能够快速、有效、准确地辨别出粪便性状,避免了人工辨别成本高和辨别效率低的缺点。
发明内容
本发明针对粪便性状辨别中人工成本高和辨别效率低的缺点,设计了一种结合图像的颜色信息及图像的HOG特征和SVM的自动辨别方法,从而到达高效、准确、成本低、自动化程度高的辨别粪便性状的目的。
本发明技术方案是一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法,该方法包括以下步骤:
步骤1:人工获得多个粪便样本图像;
步骤2:对步骤1获得的样本图像进行分类,分为正样本和负样本两类;
步骤3:步骤2分好类的正样本和负样本赋予样本标签;
步骤4:对步骤2分好类的正样本和负样本进行灰度化处理,再提取正样本和负样本灰度图像的HOG特征;
步骤5:设置SVM支持向量机的相关参数;
步骤6:将步骤4提取的正负样本的HOG特征和步骤3赋予正负样本的样本标签都输入到步骤5相关参数设置好的SVM中进行训练;
步骤7:将步骤6的训练结果数据进行保存;
步骤8:将步骤7中保存的训练结果数据进行处理,得到分类器模型;
步骤9:提取步骤1获得的粪便图像的R分量和B分量;
步骤10:将步骤9提取的R分量和B分量进行相减,得到相减结果;
步骤11:分析处理步骤10得到的相减结果,初步判断粪便性状;
步骤11.1:统计相减结果R-B中像素灰度级大于A的像素的个数,统计结果为numbers;其中A的取值范围为[23,26];
步骤11.2:根据步骤10.1统计的得到的个数大小numbers判断粪便性状,numbers小于等于L判断为硬便,numbers大于L小于H的判断为未知,numbers大于等于H的判断为稀便;其中L的取值范围为[8680,9120],H的取值范围为[19600,22200]。
步骤12:选取步骤11中粪便性状判断结果为未知的图像;
步骤13:提取步骤12中选取的粪便图像的HOG特征,将图像的HOG特征输入到步骤8得到的分类器模型中,得到粪便性状辨别结果。
其中,所述步骤2中将粪便性状中的硬便分为正样本,将粪便性状中的稀便分为负样本;所述步骤3的中将正样本赋予样本标签1,将负样本赋予样本标签-1。
其中,所述步骤4的具体步骤为:
步骤4.1:将步骤2分好类的正样本和负样本进行灰度化处理;
步骤4.2:将步骤4.1灰度化后的图像采用Gamma校正法对图像进行颜色空间的标准化;
步骤4.3:计算步骤4.2进行过颜色空间标准化后的图像的每个像素的梯度方向和大小;
步骤4.4:将步骤4.3计算过梯度的图像根据图像大小划分成多个小的cell;
步骤4.5:统计步骤4.4划分后的每个小cell的梯度直方图;
步骤4.6:将步骤4.4划分的cell按位置关系每4个组成一个block;
步骤4.7:将步骤4.6中所有block的梯度直方图串联起来就得到图像的HOG特征。
其中,所述步骤5的具体步骤为:
步骤5.1:设置SVM的分类类型为C_SVC(C类支持向量机);
步骤5.2:设置SVM的内核类型为LINEAR(线性内核);
步骤5.3:设置SVM类型的相乘系数C为0.01;
步骤5.4:设置SVM得训练终止条件为CV_TERMCRIT_ITER(迭代到最大迭代次数终止),1000(迭代次数),FLT_EPSILON(结果精确1.19e-07)。
其中,所述步骤8的具体步骤为:
步骤8.1:读取步骤7中保存的训练结果数据;
步骤8.2:提取训练结果数据中的support vector数组;
步骤8.3:提取训练结果数据中的alpha数组;
步骤8.4:提取训练结果数据中的一个浮点数rho;
步骤8.5:将步骤8.2得到的support vector数组与步骤8.3得到的alpha数组进行矩阵相乘,得到乘积后再取乘积相反数,得到结果Result,计算方式如下所示:
Result=-1*alpha*support vector
步骤8.6:在步骤8.5得到的结果后添加步骤8.4得到的浮点数rho,得到分类器模型数组model。
其中,所述步骤13的具体步骤为:
步骤13.1:将步骤12中选取的粪便图像灰度化;
步骤13.2:提取步骤13.1灰度化后的样本图像的HOG特征,并将其特征存储到数组descriptors中;
步骤13.3:读取步骤8.6得到的分类器模型数组model;
步骤13.4:将步骤13.2得到存储HOG特征的descriptors与步骤13.3得到的分类器模型数组model进行矩阵相乘,得到结果Class,其计算公式如下所示:
Class=descriptors*model
步骤13.5:将步骤13.4得到的结果Class与零相比较,大于零为硬便,小于零为稀便。
本发明一种结合图像的颜色信息及图像的HOG特征和SVM的粪便性状的自动辨别方法,该方法首先提取粪便图像的HOG特征,该特征通过计算和统计图像局部区域的梯度直方图大小构成,再用图像的HOG特征训练SVM支持向量机,得到分类器模型,紧接着提取图像的颜色信息,对图像颜色信息进行分析处理后,初步判断粪便性状,再提取初步判断为未知的粪便图像的HOG特征,将HOG特征输入到分类器模型中,得到结果,最后根据结果与零的大小关系得到粪便性状的类型。本发明与原来的粪便性状辨别方式相比,具有高效、成本低和自动化程度高的优点。
附图说明
图1是一种结合图像的颜色信息及图像的HOG特征和SVM的粪便性状的自动辨别方法的流程图。
具体实施方式
下面结合附图,对本发明一种结合图像的颜色信息及图像的HOG特征和SVM的粪便性状的自动辨别方法进行详细说明:
步骤1:人工获得多个粪便图像;
步骤2:对粪便图像进行分类;
步骤2.1:将粪便图像中的硬便分为正样本;
步骤2.2:将粪便图像中的软便分为负样本;
步骤3:对分好类的正负样本赋予样本标签;
步骤3.1:对正样本赋予样本标签1;
步骤3.2:对负样本赋予样本标签-1;
步骤4:将正负样本图像灰度化
步骤4.1:将正样本图像灰度化
步骤4.2:将负样本图像灰度化;
步骤5:提取灰度图像HOG特征;
步骤5.1:将灰度化后的图像采用Gamma校正法对图像进行颜色空间的标准化,计算公式如下所示:
Image2(x,y)=Image(x,y)Gamma
其中Image(x,y)为原图像,Image2(x,y)为对原图像采用Gamma校正法后的输出图像。
步骤5.2:计算进行过颜色空间标准化后的图像的每个像素的梯度方向和大小,计算公式如下所示:
Gx(x,y)=H(x+1,y)–H(x-1,y)
Gy(x,y)=H(x,y+1)–H(x,y-1)
其中,Gx(x,y),Gy(x,y),H(x,y),G(x,y),α(x,y)分别表示输入图像像素点(x,y)处的水平方向梯度、垂直方向梯度、像素值、梯度幅值和梯度方向。
步骤5.3:将步骤4.3计算过梯度的图像根据图像大小划分成多个小的cell;
步骤5.4:统计步骤4.4划分后的每个小cell的梯度直方图;
步骤5.5:将步骤4.4划分的cell按位置关系每4个组成一个block;
步骤5.6:将步骤4.6中所有block的梯度直方图串联起来就得到图像的HOG特征。
步骤6:设置SVM参数;
步骤6.1:设置SVM的分类类型为C_SVC;
步骤6.2:设置SVM的内核类型为LINEAR;
步骤6.3:设置SVM类型的C参数为0.01;
步骤6.4:设置SVM得训练终止条件为CV_TERMCRIT_ITER,1000,FLT_EPSILON。
步骤7:输入图像HOG特征和样本标签进行训练;
步骤7.1:输入正样本;
步骤7.2:输入正样本标签;
步骤7.3:输入负样本;
步骤7.4:输入负样本标签;
步骤7.5:根据输入的样本和样本标签进行训练;
步骤8:保存训练结果。
步骤9:读取和处理保存的训练结果;
步骤9.1:提取训练结果中的support vector数组数据;
步骤9.2:提取训练结果中的alpha数组数据;
步骤9.3:提取文本文件中的一个浮点数rho;
步骤9.3:将support vector数组与alpha数组进行数组相乘,再取相反数,得到结果Result,其计算公式如下所示:
Result=-1*alpha*support vector
步骤9.4:得到的结果Result后添加浮点数rho,得到分类器模型数组model。
步骤10:提取粪便图像的R分量和B分量;
步骤11:用提取的R分量减去B分量,得到相减结果R-B,计算方式如下所示:
R-B=R–B
步骤12:分析处理得到的相减结果R-B,初步判断粪便性状;
步骤12.1:统计相减结果R-B中像素灰度级大于25的像素个数,统计结果为numbers;
步骤12.2:numbers小于9000判断为硬便,numbers大于9000小于20000判断为未知,numbers大于20000判断为稀便。
步骤13:提取初步判断为未知的粪便图像的HOG特征,并将其特征存储到数组descriptors中。
步骤14:将descriptors数组中的数据输入到分类器模型数组model中,得到结果Class;
步骤14.1:输入descriptors数组中的数据;
步骤14.2:读取分类器模型数组model的数据;
步骤14.3:将descriptors数组与分类器模型数组model进行矩阵相乘,得到结果Class;
步骤14.4:根据结果Class与零的大小关系,大于零为正样本硬便,小于零为负样本稀便,自动辨别出测试粪便性状。
Claims (6)
1.一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法,该方法包括以下步骤:
步骤1:人工获得多个粪便样本图像;
步骤2:对步骤1获得的样本图像进行分类,分为正样本和负样本两类;
步骤3:步骤2分好类的正样本和负样本赋予样本标签;
步骤4:对步骤2分好类的正样本和负样本进行灰度化处理,再提取正样本和负样本灰度图像的HOG特征;
步骤5:设置SVM支持向量机的相关参数;
步骤6:将步骤4提取的正负样本的HOG特征和步骤3赋予正负样本的样本标签都输入到步骤5相关参数设置好的SVM中进行训练;
步骤7:将步骤6的训练结果数据进行保存;
步骤8:将步骤7中保存的训练结果数据进行处理,得到分类器模型;
步骤9:提取步骤1获得的粪便图像的R分量和B分量;
步骤10:将步骤9提取的R分量和B分量进行相减,得到相减结果;
步骤11:分析处理步骤10得到的相减结果,初步判断粪便性状;
步骤11.1:统计相减结果R-B中像素灰度级大于A的像素的个数,统计结果为numbers;其中A的取值范围为[23,26];
步骤11.2:根据步骤10.1统计的得到的个数大小numbers判断粪便性状,numbers小于等于L判断为硬便,numbers大于L小于H的判断为未知,numbers大于等于H的判断为稀便;其中L的取值范围为[8680,9120],H的取值范围为[19600,22200]。
步骤12:选取步骤11中粪便性状判断结果为未知的图像;
步骤13:提取步骤12中选取的粪便图像的HOG特征,将图像的HOG特征输入到步骤8得到的分类器模型中,得到粪便性状辨别结果。
2.如权利1所述的一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法,其特征在于所述步骤2中将粪便性状中的硬便分为正样本,将粪便性状中的稀便分为负样本;所述步骤3的中将正样本赋予样本标签1,将负样本赋予样本标签-1。
3.如权利1所述的一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法,其特征在于所述步骤4的具体步骤为:
步骤4.1:将步骤2分好类的正样本和负样本进行灰度化处理;
步骤4.2:将步骤4.1灰度化后的图像采用Gamma校正法对图像进行颜色空间的标准化;
步骤4.3:计算步骤4.2进行过颜色空间标准化后的图像的每个像素的梯度方向和大小;
步骤4.4:将步骤4.3计算过梯度的图像根据图像大小划分成多个小的cell;
步骤4.5:统计步骤4.4划分后的每个小cell的梯度直方图;
步骤4.6:将步骤4.4划分的cell按位置关系每4个组成一个block;
步骤4.7:将步骤4.6中所有block的梯度直方图串联起来就得到图像的HOG特征。
4.如权利1所述的一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法,其特征在于所述步骤5的具体步骤为:
步骤5.1:设置SVM的分类类型为C_SVC;
步骤5.2:设置SVM的内核类型为LINEAR;
步骤5.3:设置SVM类型的相乘系数C为0.01;
步骤5.4:设置SVM得训练终止条件为CV_TERMCRIT_ITER,1000,FLT_EPSILON。
5.如权利1、3或4所述的一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法,其特征在于所述步骤8的具体步骤为:
步骤8.1:读取步骤7中保存的训练结果数据;
步骤8.2:提取训练结果数据中的support vector数组;
步骤8.3:提取训练结果数据中的alpha数组;
步骤8.4:提取训练结果数据中的一个浮点数rho;
步骤8.5:将步骤8.2得到的support vector数组与步骤8.3得到的alpha数组进行矩阵相乘,得到乘积后再取乘积相反数,得到结果Result,计算方式如下所示:
Result=-1*alpha*support vector
步骤8.6:在步骤8.5得到的结果后添加步骤8.4得到的浮点数rho,得到分类器模型数组model。
6.如权利1、3或4所述的一种结合图像颜色及HOG和SVM的粪便性状的自动辨别方法,其特征在于所述步骤13的具体步骤为:
步骤13.1:将步骤12中选取的粪便图像灰度化;
步骤13.2:提取步骤13.1灰度化后的样本图像的HOG特征,并将其特征存储到数组descriptors中;
步骤13.3:读取步骤8.6得到的分类器模型数组model;
步骤13.4:将步骤13.2得到存储HOG特征的descriptors与步骤13.3得到的分类器模型数组model进行矩阵相乘,得到结果Class,其计算公式如下所示:
Class=descriptors*model
步骤13.5:将步骤13.4得到的结果Class与零相比较,大于零为硬便,小于零为稀便。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711101417.7A CN108009567B (zh) | 2017-11-10 | 2017-11-10 | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711101417.7A CN108009567B (zh) | 2017-11-10 | 2017-11-10 | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009567A true CN108009567A (zh) | 2018-05-08 |
CN108009567B CN108009567B (zh) | 2021-11-02 |
Family
ID=62051548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711101417.7A Active CN108009567B (zh) | 2017-11-10 | 2017-11-10 | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009567B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070938A (zh) * | 2019-04-26 | 2019-07-30 | 河南萱闱堂医疗信息科技有限公司 | 一种辅助患者进行肠道准备的方法 |
CN110070138A (zh) * | 2019-04-26 | 2019-07-30 | 河南萱闱堂医疗信息科技有限公司 | 对结肠内镜检测前排泄物图片进行自动评分的方法 |
CN111563891A (zh) * | 2020-05-09 | 2020-08-21 | 吾征智能技术(北京)有限公司 | 基于颜色认知的疾病预测系统 |
WO2020224282A1 (zh) * | 2019-05-05 | 2020-11-12 | 深圳先进技术研究院 | 一种婴幼儿粪便采样图像分类处理系统及方法 |
CN112102257A (zh) * | 2020-08-26 | 2020-12-18 | 电子科技大学 | 一种基于卷积神经网络的人体粪便自动识别方法 |
CN112183674A (zh) * | 2020-11-06 | 2021-01-05 | 南昌航空大学 | 一种粪便宏观图像颜色和性状多任务识别方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048797A (zh) * | 2004-08-24 | 2007-10-03 | 美国西门子医疗解决公司 | 在存在标记排泄物或折叠结肠区域的情况下用于结肠壁提取的系统和方法 |
CN101639941A (zh) * | 2009-01-13 | 2010-02-03 | 中国人民解放军军事医学科学院放射与辐射医学研究所 | Cb法微核图像中双核淋巴细胞的准确快速提取方法 |
CN103514444A (zh) * | 2013-10-15 | 2014-01-15 | 北京联合大学 | 一种基于轮廓和色彩相似对称分布特征的行人检测方法 |
CN105426819A (zh) * | 2015-10-30 | 2016-03-23 | 河海大学 | 基于多尺度hog的行人检测方法 |
CN105574899A (zh) * | 2015-12-15 | 2016-05-11 | 浙江大学 | 笼养鸡的粪便监测方法及系统 |
WO2017043087A1 (ja) * | 2015-09-11 | 2017-03-16 | 学校法人慶應義塾 | 糞便試料から物質を抽出する方法 |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
CN107066958A (zh) * | 2017-03-29 | 2017-08-18 | 南京邮电大学 | 一种基于hog特征和svm多分类器的人脸识别方法 |
-
2017
- 2017-11-10 CN CN201711101417.7A patent/CN108009567B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101048797A (zh) * | 2004-08-24 | 2007-10-03 | 美国西门子医疗解决公司 | 在存在标记排泄物或折叠结肠区域的情况下用于结肠壁提取的系统和方法 |
CN101639941A (zh) * | 2009-01-13 | 2010-02-03 | 中国人民解放军军事医学科学院放射与辐射医学研究所 | Cb法微核图像中双核淋巴细胞的准确快速提取方法 |
CN103514444A (zh) * | 2013-10-15 | 2014-01-15 | 北京联合大学 | 一种基于轮廓和色彩相似对称分布特征的行人检测方法 |
WO2017043087A1 (ja) * | 2015-09-11 | 2017-03-16 | 学校法人慶應義塾 | 糞便試料から物質を抽出する方法 |
CN105426819A (zh) * | 2015-10-30 | 2016-03-23 | 河海大学 | 基于多尺度hog的行人检测方法 |
CN105574899A (zh) * | 2015-12-15 | 2016-05-11 | 浙江大学 | 笼养鸡的粪便监测方法及系统 |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
CN107066958A (zh) * | 2017-03-29 | 2017-08-18 | 南京邮电大学 | 一种基于hog特征和svm多分类器的人脸识别方法 |
Non-Patent Citations (3)
Title |
---|
MARCIA CHAME: "Terrestrial Mammal Feces: a Morphometric Summary and Description", 《MEM INST OSWALDO CRUZ》 * |
朱梦超和潘今一: "基于HOG-PCA和SVM的人行横道信号灯识别方法", 《工业控制计算机》 * |
袁阳: "粪便中有型成分显微图像的自动识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070938A (zh) * | 2019-04-26 | 2019-07-30 | 河南萱闱堂医疗信息科技有限公司 | 一种辅助患者进行肠道准备的方法 |
CN110070138A (zh) * | 2019-04-26 | 2019-07-30 | 河南萱闱堂医疗信息科技有限公司 | 对结肠内镜检测前排泄物图片进行自动评分的方法 |
WO2020224282A1 (zh) * | 2019-05-05 | 2020-11-12 | 深圳先进技术研究院 | 一种婴幼儿粪便采样图像分类处理系统及方法 |
CN111563891A (zh) * | 2020-05-09 | 2020-08-21 | 吾征智能技术(北京)有限公司 | 基于颜色认知的疾病预测系统 |
CN111563891B (zh) * | 2020-05-09 | 2023-09-26 | 吾征智能技术(北京)有限公司 | 基于颜色认知的疾病预测系统 |
CN112102257A (zh) * | 2020-08-26 | 2020-12-18 | 电子科技大学 | 一种基于卷积神经网络的人体粪便自动识别方法 |
CN112183674A (zh) * | 2020-11-06 | 2021-01-05 | 南昌航空大学 | 一种粪便宏观图像颜色和性状多任务识别方法及系统 |
CN112183674B (zh) * | 2020-11-06 | 2022-06-10 | 南昌航空大学 | 一种粪便宏观图像颜色和性状多任务识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108009567B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009567A (zh) | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN110189383B (zh) | 基于机器学习的中医舌色苔色定量分析方法 | |
CN110853006B (zh) | 一种使用扫描仪获取的数字病理图像质量评价的方法 | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
CN115375690B (zh) | 一种舌象腐腻苔分类识别方法 | |
CN111968081B (zh) | 鱼群自动计数方法、装置、电子设备及存储介质 | |
Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN113160200A (zh) | 一种基于多任务孪生网络的工业图像缺陷检测方法及系统 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN116310548A (zh) | 一种进口种子产品中的入侵植物种子检测方法 | |
CN115457327A (zh) | 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备 | |
CN111709936B (zh) | 一种基于多级特征比对的令纸缺陷检测方法 | |
CN108875825B (zh) | 一种基于图像分块的粮仓害虫检测方法 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN113516193B (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 | |
CN111523583B (zh) | 一种利用无人机对设备铭牌照片自动识别分类的方法 | |
CN115115609A (zh) | 一种植物叶片正面表型性状的图像分析方法及系统 | |
CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统 | |
CN110570437B (zh) | 一种基于边界识别的电力通道自动化巡检数据处理方法 | |
CN111291769B (zh) | 一种高铁接触网异物检测方法及系统 |
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 |