CN108304878A - 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 - Google Patents
一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 Download PDFInfo
- Publication number
- CN108304878A CN108304878A CN201810110289.0A CN201810110289A CN108304878A CN 108304878 A CN108304878 A CN 108304878A CN 201810110289 A CN201810110289 A CN 201810110289A CN 108304878 A CN108304878 A CN 108304878A
- Authority
- CN
- China
- Prior art keywords
- image
- photovoltaic cell
- color
- classification
- dag
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于色差直方图与DAG‑SVMs的光伏电池片颜色分类算法,通过对采集的原始图像进行预处理之后,得到目标图像;对目标图像进行颜色空间转换之后,为准确提取光伏电池片图像的色彩信息并简化计算量,进行图像维数量化;通过色差直方图的计算获得图像的特征向量,由此建立图像特征信息库,进行训练学习,利用六类样本分类的支持向量机分类器进行DAG‑SVMs分类,实现对光伏电池片的颜色分类。本发明算法对传统的一般只能解决二分类问题的支持向量法进行了改进,提出了可以解决k分类问题的DAG‑SVMs算法,以此实现对光伏电池片六类颜色的分类。本发明算法应用性强,分类准确度高。
Description
技术领域
本发明涉及光伏电池片制造技术领域,具体是一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法。
背景技术
在环境问题日益严重、能源日益减少的情况下,新能源产业的发展至关重要。光伏电池产业作为新能源产业的主力,发展极为迅速。我国作为光伏生产制造大国,已经形成了较为完整的光伏产业链。在新的技术和产品在不断涌现的同时,针对光伏电池片、光伏组件的质量要求也在不断提高。其中,由于光伏电池片的生产工艺导致的电池片颜色各异在行业内被称为电池片颜色色差。现阶段,国内对于光伏电池片的颜色分类主要依靠人眼进行识别,分类的效率和准确性较低。因此,光伏电池片颜色分类实现智能化具有很大的现实意义。
发明内容
针对光伏电池片颜色分类现有技术的不足,本发明拟解决的技术问题是,提供一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法。该算法首先对采集的光伏电池片图像进行预处理,即根据图片的灰度直方图中背景区域和电池片区域的平均亮度的不同,选取适合当前图像的最优阈值,完成图像的初步分割;采用图像的区域形态学处理,将图像中的皮带部分去除,再经过图像仿射变换实现目标图像的获取;将目标图像由RGB颜色空间转化为L*a*b*颜色空间,再进行图像维数的量化,计算图像的色差直方图,由此获得图像的特征向量,可实现光伏电池片的图像特征提取;建立图像特征信息库,建立训练库,将图像的特征向量载入样本分类器中,进行DAG-SVMs分类,可实现光伏电池片颜色分类。
本发明提供了一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,其特征在于,该方法的具体步骤是:
第一步:图像预处理
1-1图像获取:通过智能彩色工业相机获取光伏电池片图像;
1-2图像初步分割:在步骤1-1的基础上,根据光伏电池片原始图像的灰度直方图中背景区域和电池片区域的平均亮度的不同,选取最优阈值,完成图像的初步分割;
1-3图像形态调整:在步骤1-2的基础上,采用图像区域形态学处理,将图像中的皮带部分去除;
1-4图像配准:在步骤1-3的基础上,采用仿射变换,将光伏电池片图像进行配准,获取目标图像;
第二步:图像特征提取
2-1颜色空间的转换:在步骤1-4的基础上,将目标图像从RGB颜色空间转换到L*a*b*颜色空间,XYZ作为转换的过渡颜色空间;
2-2图像维数的量化:在步骤2-1的基础上,在获得图像最大保真度的基础上,基于L*a*b*颜色空间各分量对图像维数进行量化,量化后的维数记作W=W1*W2*W3;
2-3色差直方图的获取:在步骤2-2的基础上,计算图像坐标点(m,n)的R邻域的色差d(m,n),经过高斯隶属函数模糊化得到色差直方图系数Ud(m,n),由此可得到以(m,n)为中心的M*M大小的色差直方图H(I,j,k);
2-4特征向量的获取:在步骤2-3的基础上,由M*M大小的色差直方图,得到特征向量,记作S=[S1,S2...,SW],W为步骤2-2得到的量化维数;
第三步:光伏电池片颜色分类
3-1建立图像特征信息库:在步骤2-4的基础上,存储所有被分类光伏电池片的特征向量,建立图像特征信息库;
3-2建立训练库:在步骤3-1的基础上,利用图像特征信息库和已确定的分类器学习参数,进行DAG-SVMs学习以及训练,保存结果生成训练库;
3-3光伏电池片颜色分类:在步骤3-2的基础上,将目标图像的特征向量载入预先针对六类样本分类的支持向量机分类器中,进行DAG-SVMs分类,得到光伏电池片目标图像的分类结果。
与现有技术相比,本发明方法通过对采集的原始图像进行预处理之后,得到目标图像;对目标图像进行颜色空间转换之后,为准确提取光伏电池片图像的色彩信息并简化计算量,进行图像维数量化;通过色差直方图的计算获得图像的特征向量,由此建立图像特征信息库,进行训练学习,利用六类样本分类的支持向量机分类器进行DAG-SVMs分类,实现对光伏电池片的颜色分类。本发明算法对传统的一般只能解决二分类问题的支持向量法进行了改进,提出了可以解决k分类问题的DAG-SVMs算法,以此实现对光伏电池片六类颜色的分类。本发明算法应用性强,分类准确度高。
附图说明
图1为本发明的算法流程图。
图2为本发明针对六类样本的DAG-SVMs分类方法的示意图(图中,每一个椭圆代表一个分类器,且为有效无环图的内部结点,矩形为叶节点)。
具体实施方式
本发明设计的光伏电池片颜色分类的算法主要应用于工业现场,光伏电池片颜色的分类。该算法充分适应现场情况,对图像预处理后的标准图像进行颜色空间转换后,提取图像相关特征,将特征信息建库,通过训练学习后进行分类。
本发明一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,该方法的具体步骤是:
第一步:图像预处理
1-1图像获取:通过智能彩色工业相机获取光伏电池片图像;
1-2图像初步分割:在步骤1-1的基础上,根据光伏电池片原始图像的灰度直方图中背景区域和电池片区域的平均亮度的不同,选取最优阈值,完成图像的初步分割;
1-3图像形态调整:在步骤1-2的基础上,采用图像区域形态学处理,将图像中的皮带部分去除;
1-4图像配准:在步骤1-3的基础上,采用仿射变换,将光伏电池片图像进行配准,获取目标图像;
第二步:图像特征提取
2-1颜色空间的转换:在步骤1-4的基础上,将目标图像从RGB颜色空间转换到L*a*b*颜色空间,XYZ作为转换的过渡颜色空间(R:red,图像三通道的红色通道;G:green,图像三通道的绿色通道;B:blue,图像三通道的蓝色通道;L:Luminance,亮度;颜色轴a:表示从洋红色至绿色的范围;颜色轴b:表示从黄色至蓝色的范围);
2-2图像维数的量化:在步骤2-1的基础上,在获得图像最大保真度(准确提取光伏电池片图像的色彩信息同时简化计算量)的基础上,基于L*a*b*颜色空间各分量对图像维数进行量化,量化后的维数记作W=W1*W2*W3;
2-3色差直方图的获取:在步骤2-2的基础上,计算图像坐标点(m,n)的R邻域的色差d(m,n),经过高斯隶属函数模糊化得到色差直方图系数Ud(m,n),由此可得到以(m,n)为中心的M*M大小的色差直方图H(I,j,k);
2-4特征向量的获取:在步骤2-3的基础上,由M*M大小的色差直方图,得到特征向量,记作S=[S1,S2...,SW],W为步骤2-2得到的量化维数;
第三步:光伏电池片颜色分类
3-1建立图像特征信息库:在步骤2-4的基础上,存储所有被分类光伏电池片的特征向量,建立图像特征信息库;
3-2建立训练库:在步骤3-1的基础上,利用图像特征信息库和已确定的分类器学习参数,进行DAG-SVMs学习以及训练,保存结果生成训练库;
3-3光伏电池片颜色分类:在步骤3-2的基础上,将目标图像的特征向量载入预先针对六类样本分类的支持向量机分类器中,进行DAG-SVMs分类,得到光伏电池片目标图像的分类结果。
本发明方法的进一步特征在于所述光伏电池片长156mm,宽156mm,厚0.1mm,颜色有一定的差异。
本发明方法的进一步特征在于,所述图像初步分割具体为:针对待分类的光伏电池片原始图像I,要获取图像分割的最优阈值T。首先假设图像前景与背景的灰度均服从正态分布,且二者的灰度会存在明显的差异,因而在灰度直方图中会出现双峰。根据概率论知识,要获取最优阈值,则需要在双峰图中找到一个最优值使得前景与背景的正态群体分开的错误概率最小。已知目标图像在灰度值i处的像素数目为Pi,针对给定的阈值t,计算前景的均值U0(t)、标准差σ0(t),背景的均值Un(t)、标准差σn(t),公式分别如下:
这个最小错误的最大概率公式如下:
由此求t*,使得α*(t*)=max{α*(t)}t∈{0,1,2,...,255}。
本发明方法的进一步特征在于,所述图像形态调整具体为:采用闭运算调整已经选出区域的形状,将皮带从已选择区域中剔除。皮带本身的宽度是固定的,在图像中约为110个像素,且硅片中的主栅线到图像边缘距离约为15个像素,避免在闭运算完成之后主栅线与图像边缘的距离被腐蚀掉,选择10*120pixel的矩形结构元对初步分割后的图像进行一次闭运算,将皮带去除,得到仅包含光伏电池片的区域。
本发明方法的进一步特征在于,所述图像由RGB颜色空间转换到L*a*b*颜色空间,XYZ颜色空间作为过渡颜色空间,即转换公式为下式:
本发明方法的进一步特征在于,所述图像色差直方图的获取具体为:色差d(m,n)的计算公式为(11)式,其中ch表示颜色通道,I(m,n,ch)表示ch通道的(m,n)点处的光伏电池片图像的像素值,I(p,q,ch)表示ch通道的(m,n)点的R邻域范围内光伏电池片图像的像素值得均值,
将色差d(m,n)根据高斯隶属函数模糊化,得到色差直方图系数Ud(m,n),Ud(m,n)的计算公式为(12)式,其中σ为标准差,
得到以(m,n)为中心的M*M大小的色差直方图计算公式为(13)式
本发明方法的进一步特征在于图像维数的量化,量化后的最终维数记作(14)式
W=W1*W2*W3 (14)
本发明方法的进一步特征在于,基于传统的SVM算法提出DAG-SVMs算法对光伏电池片进行颜色分类。SVM算法解决的是二分类问题,本发明主要解决光伏电池片样本的分类,由此提出DAG-SVMs的分类方法。DAG-SVMs的分类方法是针对k类需要求解k(k-1)/2个支持向量机分类器,这些支持向量机分类器构成一个有向无环图。该有向无环图中含有k(k-1)/2个内部节点和k个叶结点,每个节点对应一个二类分类器。DAG-SVMs解决六类光伏电池片样本的分类,包含15个支持向量机分类器,构成一个有向无环图。如分类器标识1V6,代表的是关于输入样本的第1类和第6类进行分类,见附图2。
本发明方法的进一步特征在于,将DAG-SVMs有向无环图的根节点所选的类别之间的差异置为最大。如针对光伏电池片色差,我们选取根节点的分类器是颜色最浅的第一类LP与颜色最深的第六类R6,进行二分类,且每一层我们选取的分类器都是差异度较大的进行划分,以保证错误累计最小,分类正确率最高。
本发明方法主要应用于太阳能光伏电池片的颜色分类,分类算法充分适应现场情况,对采集到的图像进行初步分割、形态调整、仿射变换,RGB颜色空间转化为L*a*b*颜色空间,量化L*a*b*颜色空间,计算色差直方图,建立图像特征信息库、训练库,最后采用DAG-SVMs算法对光伏电池片进行颜色分类。
本发明未述及之处均适用于现有技术。
Claims (8)
1.一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,其特征在于,该方法的具体步骤是:
第一步:图像预处理
1-1图像获取:通过智能彩色工业相机获取光伏电池片图像;
1-2图像初步分割:在步骤1-1的基础上,根据光伏电池片原始图像的灰度直方图中背景区域和电池片区域的平均亮度的不同,选取最优阈值,完成图像的初步分割;
1-3图像形态调整:在步骤1-2的基础上,采用图像区域形态学处理,将图像中的皮带部分去除;
1-4图像配准:在步骤1-3的基础上,采用仿射变换,将光伏电池片图像进行配准,获取目标图像;
第二步:图像特征提取
2-1颜色空间的转换:在步骤1-4的基础上,将目标图像从RGB颜色空间转换到L*a*b*颜色空间,XYZ作为转换的过渡颜色空间;
2-2图像维数的量化:在步骤2-1的基础上,在获得图像最大保真度的基础上,基于L*a*b*颜色空间各分量对图像维数进行量化,量化后的维数记作W=W1*W2*W3;
2-3色差直方图的获取:在步骤2-2的基础上,计算图像坐标点(m,n)的R邻域的色差d(m,n),经过高斯隶属函数模糊化得到色差直方图系数Ud(m,n),由此可得到以(m,n)为中心的M*M大小的色差直方图H(I,j,k);
2-4特征向量的获取:在步骤2-3的基础上,由M*M大小的色差直方图,得到特征向量,记作S=[S1,S2...,SW],W为步骤2-2得到的量化维数;
第三步:光伏电池片颜色分类
3-1建立图像特征信息库:在步骤2-4的基础上,存储所有被分类光伏电池片的特征向量,建立图像特征信息库;
3-2建立训练库:在步骤3-1的基础上,利用图像特征信息库和已确定的分类器学习参数,进行DAG-SVMs学习以及训练,保存结果生成训练库;
3-3光伏电池片颜色分类:在步骤3-2的基础上,将目标图像的特征向量载入预先针对六类样本分类的支持向量机分类器中,进行DAG-SVMs分类,得到光伏电池片目标图像的分类结果。
2.根据权利要求1所述的一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,其特征在于,所述图像初步分割具体为:针对待分类的光伏电池片原始图像I,要获取图像分割的最优阈值T;首先假设图像前景与背景的灰度均服从正态分布,且二者的灰度会存在明显的差异,因而在灰度直方图中会出现双峰;根据概率论知识,要获取最优阈值,则需要在双峰图中找到一个最优值使得前景与背景的正态群体分开的错误概率最小;已知目标图像在灰度值i处的像素数目为Pi,针对给定的阈值t,计算前景的均值U0(t)、标准差σ0(t),背景的均值Un(t)、标准差σn(t),公式分别如下
这个最小错误的最大概率公式如下:
由此求t*,使得α*(t*)=max{α*(t)}t∈{0,1,2,...,255}。
3.根据权利要求1所述的一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,其特征在于,所述图像形态调整具体为:采用闭运算调整已经选出区域的形状,将皮带从已选择区域中剔除;皮带本身的宽度是固定的,在图像中约为110个像素,且硅片中的主栅线到图像边缘距离约为15个像素,避免在闭运算完成之后主栅线与图像边缘的距离被腐蚀掉,选择10*120pixel的矩形结构元对初步分割后的图像进行一次闭运算,将皮带去除,得到仅包含光伏电池片的区域。
4.根据权利要求1所述的一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,其特征在于,所述图像由RGB颜色空间转换到L*a*b*颜色空间,XYZ颜色空间作为过渡颜色空间,即转换公式为下式:
5.根据权利要求1所述的一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,其特征在于,所述色差直方图的获取具体为:色差d(m,n)的计算公式为(11)式,其中ch表示颜色通道,I(m,n,ch)表示ch通道的(m,n)点处的光伏电池片图像的像素值,I(p,q,ch)表示ch通道的(m,n)点的R邻域范围内光伏电池片图像的像素值得均值,
将色差d(m,n)根据高斯隶属函数模糊化,得到色差直方图系数Ud(m,n),Ud(m,n)的计算公式为(12)式,其中σ为标准差,
得到以(m,n)为中心的M*M大小的色差直方图计算公式为(13)式
6.根据权利要求1所述的一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法,其特征在于,DAG-SVMs解决六类光伏电池片样本的分类,包含15个支持向量机分类器,构成一个有向无环图。
7.根据权利要求6所述的一种基于色差直方图的光伏电池片颜色分类的方法,其特征在于:将DAG-SVMs有向无环图的根节点所选的类别之间的差异置为最大。
8.根据权利要求1所述的一种基于色差直方图的光伏电池片颜色分类的方法,其特征在于:所述光伏电池片为156mm*156mm*0.1mm规格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110289.0A CN108304878A (zh) | 2018-02-05 | 2018-02-05 | 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810110289.0A CN108304878A (zh) | 2018-02-05 | 2018-02-05 | 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304878A true CN108304878A (zh) | 2018-07-20 |
Family
ID=62851102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810110289.0A Pending CN108304878A (zh) | 2018-02-05 | 2018-02-05 | 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304878A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284759A (zh) * | 2018-07-24 | 2019-01-29 | 五邑大学 | 一种基于支持向量机(svm)的魔方颜色识别方法 |
CN109299730A (zh) * | 2018-08-27 | 2019-02-01 | 鲁东大学 | 一种目标检测的分类模型建立方法、装置和目标检测设备 |
CN109359659A (zh) * | 2018-12-26 | 2019-02-19 | 哈尔滨理工大学 | 一种基于颜色特征的汽车保险片分类方法 |
CN110694942A (zh) * | 2019-10-21 | 2020-01-17 | 武汉纺织大学 | 一种太阳能电池片的色差分选方法 |
CN112858167A (zh) * | 2021-01-07 | 2021-05-28 | 上海奕瑞光电子科技股份有限公司 | 多排双能线阵探测器扫描方法、系统、介质及装置 |
JP7412930B2 (ja) | 2019-09-10 | 2024-01-15 | 株式会社カネカ | 太陽電池群の製造方法及び太陽電池モジュールの製造方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150294193A1 (en) * | 2014-04-15 | 2015-10-15 | Canon Kabushiki Kaisha | Recognition apparatus and recognition method |
CN106709529A (zh) * | 2017-01-18 | 2017-05-24 | 河北工业大学 | 一种光伏电池色差分类的视觉检测方法 |
CN107185854A (zh) * | 2017-05-17 | 2017-09-22 | 河北工业大学 | 基于rgb通道的光伏电池片色差检测及颜色分类的算法 |
-
2018
- 2018-02-05 CN CN201810110289.0A patent/CN108304878A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150294193A1 (en) * | 2014-04-15 | 2015-10-15 | Canon Kabushiki Kaisha | Recognition apparatus and recognition method |
CN106709529A (zh) * | 2017-01-18 | 2017-05-24 | 河北工业大学 | 一种光伏电池色差分类的视觉检测方法 |
CN107185854A (zh) * | 2017-05-17 | 2017-09-22 | 河北工业大学 | 基于rgb通道的光伏电池片色差检测及颜色分类的算法 |
Non-Patent Citations (4)
Title |
---|
JING ZHANG等: ""Research on Surface Color Difference of Solar Research on Surface Color Difference of Solar"", 《IFTC 2017:DIGITAL TV AND WIRELESS MULTIMEDIA COMMUNICATION》 * |
康登飞: ""基于颜色差分直方图的运动目标提取"", 《图像与多媒体》 * |
王志欣: ""太阳能电池缺陷检测系统的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
袁小平: "《基于图像处理技术的煤矿监测系统研究与应用》", 31 October 2006 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284759A (zh) * | 2018-07-24 | 2019-01-29 | 五邑大学 | 一种基于支持向量机(svm)的魔方颜色识别方法 |
CN109299730A (zh) * | 2018-08-27 | 2019-02-01 | 鲁东大学 | 一种目标检测的分类模型建立方法、装置和目标检测设备 |
CN109299730B (zh) * | 2018-08-27 | 2022-03-04 | 鲁东大学 | 一种目标检测的分类模型建立方法、装置和目标检测设备 |
CN109359659A (zh) * | 2018-12-26 | 2019-02-19 | 哈尔滨理工大学 | 一种基于颜色特征的汽车保险片分类方法 |
JP7412930B2 (ja) | 2019-09-10 | 2024-01-15 | 株式会社カネカ | 太陽電池群の製造方法及び太陽電池モジュールの製造方法 |
CN110694942A (zh) * | 2019-10-21 | 2020-01-17 | 武汉纺织大学 | 一种太阳能电池片的色差分选方法 |
CN112858167A (zh) * | 2021-01-07 | 2021-05-28 | 上海奕瑞光电子科技股份有限公司 | 多排双能线阵探测器扫描方法、系统、介质及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304878A (zh) | 一种基于色差直方图与DAG-SVMs的光伏电池片颜色分类算法 | |
CN107452010B (zh) | 一种自动抠图算法和装置 | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
CN104834912B (zh) | 一种基于图像信息检测的天气识别方法及装置 | |
CN107123088B (zh) | 一种自动更换证件照背景颜色的方法 | |
CN110555465B (zh) | 一种基于cnn与多特征融合的天气图像识别方法 | |
Pang et al. | Automatic segmentation of crop leaf spot disease images by integrating local threshold and seeded region growing | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
WO2022199710A1 (zh) | 图像融合方法、装置、计算机设备和存储介质 | |
CN102883168A (zh) | 一种针对非典型特征图像的白平衡处理方法 | |
Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
US8559714B2 (en) | Post processing for improved generation of intrinsic images | |
CN111428556A (zh) | 一种基于胶囊神经网络的交通标志识别方法 | |
CN104636754A (zh) | 基于舌体分区颜色特征的智能图像分类方法 | |
CN104598929A (zh) | 一种hog特征快速提取方法 | |
CN108492296A (zh) | 基于超像素分割的小麦麦穗智能计数系统及方法 | |
CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
Kuzovkin et al. | Descriptor-based image colorization and regularization | |
CN111008650A (zh) | 一种基于深度卷积对抗神经网络的金相组织自动评级方法 | |
CN113128308B (zh) | 一种港口场景下的行人检测方法、装置、设备及介质 | |
US8428352B1 (en) | Post processing for improved generation of intrinsic images | |
CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及系统 | |
US8553979B2 (en) | Post processing for improved generation of intrinsic images | |
CN108921179A (zh) | 一种婴幼儿血管瘤病变区颜色的自动提取与量化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |