CN108665451B - 基于三元高斯差分演化算法的圆检测方法 - Google Patents
基于三元高斯差分演化算法的圆检测方法 Download PDFInfo
- Publication number
- CN108665451B CN108665451B CN201810417616.7A CN201810417616A CN108665451B CN 108665451 B CN108665451 B CN 108665451B CN 201810417616 A CN201810417616 A CN 201810417616A CN 108665451 B CN108665451 B CN 108665451B
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- making
- equal
- dimension
- 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
Links
Images
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三元高斯差分演化算法的圆检测方法。本发明应用三元高斯差分演化算法来搜索数字图像中圆的参数。在三元高斯差分演化算法中，将种群的均值信息及随机个体融合到高斯采样算子中，提高算法的搜索区域，并利用种群中最优个体的信息来提高算法的局部搜索能力，从而加快收敛速度。本发明能够提高数字图像中圆检测的效率。
Description
技术领域
本发明涉及数字图像处理领域，尤其是涉及一种基于三元高斯差分演化算法的圆检测方法。
背景技术
机器视觉技术已经广泛应用于现代工业生产中，并且极大地提高了生产效率。数字图像中圆检测是机器视觉中的一项基本技术，它本质上是一个优化问题。然而，传统利用枚举算法的圆检测方法存在着计算量较大，检测效率不高的缺点。
为了提高圆检测的效率，研究人员利用演化算法来检测数字图像中的圆。演化算法是一种模拟自然界中演化规律的仿生算法，它在解决绪多优化问题中表现出了优越的性能。演化算法在数字图像的圆检测中获得了一些成果。例如，周冬跃利用粒子群优化算法来检测带噪声数字图像中的圆(周冬跃,陈健明,林福民,张洪林,李学识,梁永嘉.一种基于粒子群优化算法的快速圆检测方法[J].光电子·激光,2016,27(9):949-956.)；郭肇禄等发明了一种基于适应性高斯差分演化的圆检测方法(专利号：201510478231.8)。
差分演化算法是一种应用广泛的演化算法，它在许多工程优化问题中取得了较满意的结果。然而，传统差分演化算法应用于数字图像中圆检测时容易出现局部搜索能力不足，检测速度不够的缺点。
发明内容
本发明的目的是提供一种基于三元高斯差分演化算法的圆检测方法。它在一定程度上克服了传统差分演化算法应用于数字图像中圆检测时容易出现局部搜索能力不足，检测速度不够的缺点，本发明能够提高数字图像中圆检测的效率。
本发明的技术方案：一种基于三元高斯差分演化算法的圆检测方法，包括以下步骤：
步骤1，输入一幅图像IMG；
步骤2，对图像IMG进行边缘检测得到边缘图像BIMG；
步骤3，将边缘图像BIMG中边缘像素的二维坐标存放在坐标列表BIList中，并将边缘像素总数记为Num；
步骤4，设置种群大小Popsize和最大演化代数MaxG；
步骤5，当前演化代数t＝0；
步骤6，随机产生初始种群
其中，下标i＝1,2,...,Popsize；个体
为种群Pt中的第i个个体，存储了3个取值范围在[1,Num]之间的整数，表示坐标列表BIList中3个二维坐标的序号，并按公式(1)对
进行初始化：
其中，
为个体
的第j维度；INTRnd为随机整数产生函数；维度下标j＝1,2,3；
步骤7，计算种群中每个个体的适应值；
步骤8，保存种群中的最优个体Bestt；
步骤9，令适应种子ASM＝0.5；
步骤10，令杂交率PCRi＝rand(0.1,1.0)，并令适应系数BVi＝0.5，其中，rand为随机实数产生函数；下标i＝1,2,...,Popsize；
步骤11，令因子列表CList为空，并令计数器ki＝1；
步骤12，如果计数器ki大于种群大小Popsize，则转到步骤23，否则转到步骤13；
步骤13，计算种群中所有个体的平均值并存储到均值个体MEt；
步骤14，令柯西随机数CW＝CHRand(ASM,0.1)，其中CHRand为产生柯西随机实数的函数；
步骤15，按公式(2)计算组合系数ADP：
其中rmk为[0.8，1.0]之间的随机数，rpc为[0，1]之间的随机实数；
步骤16，执行三元高斯操作生成试验个体
具体步骤如下：
步骤16.1，令计数器mj＝1；
步骤16.2，在[1,Popsize]之间随机产生两个不相等的正整数TR1和TR2，然后在[1,3]之间随机产生一个整数JRD；
步骤16.3，如果计数器mj小于或等于3，则转到步骤16.4，否则转到步骤17；
步骤16.4，在[0,1]之间随机产生一个实数TCR，如果TCR小于杂交率PCRki或者计数器mj等于JRD，则转到步骤16.5，否则转到步骤16.11；
步骤16.5，在[0,1]之间随机产生两个实数rw1和rw2；
步骤16.6，令实数rw3＝1.0-rw1-rw2；
步骤16.7，按公式(3)计算高斯均值mu与高斯标准差std：
其中，
为种群中第TR1个个体的第mj维度；
为种群中第TR2个个体的第mj维度；
为均值个体MEt的第mj维度；
步骤16.8，令高斯随机数GRB＝NMRand(mu,std)，其中NMRand是高斯随机实数产生函数；
步骤16.9，令
其中
为试验个体
的第mj维度；
为最优个体Bestt的第mj维度；
步骤16.10，转到步骤16.12；
步骤16.11，令
其中
为个体
的第mj维度；
步骤16.12，令计数器mj＝mj+1，然后转到步骤16.3；
步骤17，计算试验个体
的适应值；
步骤18，如果试验个体
的适应值小于个体
的适应值，则将ADP加入到因子列表CList中，否则令ADP＝0.5；
步骤19，按公式(4)选择优秀个体进入下一代种群：
步骤20，按公式(5)更新杂交率PCRki：
步骤21，按公式(6)更新适应系数BVki：
其中BW为[0.8,1.0]之间的随机实数；
步骤22，令计数器ki＝ki+1，然后转到步骤12；
步骤23，计算因子列表CList中数据的平均值MECS，然后令适应种子ASM＝ASM×SW+MECS×(1-SW)，其中SW为[0.9,1.0]之间的随机实数；
步骤24，令当前演化代数t＝t+1；
步骤25，保存种群中的最优个体Bestt；
步骤26，重复步骤11至步骤25直至当前演化代数达到最大演化代数后结束，将执行过程中得到的最优个体Bestt解码成3个二维坐标的序号，通过这3个二维坐标的序号在坐标列表BIList中取得3个二维坐标值，即获得检测到的圆。
本发明应用三元高斯差分演化算法来搜索数字图像中圆的参数。在三元高斯差分演化算法中，将种群的均值信息及随机个体融合到高斯采样算子中，提高算法的搜索区域，并利用种群中最优个体的信息来提高算法的局部搜索能力，从而加快收敛速度。本发明能够提高数字图像中圆检测的效率。
附图说明
图1为实施例用于圆检测的图像。
图2为应用本发明获得的圆检测结果。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例结合附图，本发明的具体实施步骤如下：
步骤1，输入一幅如图1所示的图像IMG；
步骤2，对图像IMG进行边缘检测得到边缘图像BIMG；
步骤3，将边缘图像BIMG中边缘像素的二维坐标存放在坐标列表BIList中，并将边缘像素总数记为Num；
步骤4，设置种群大小Popsize＝30和最大演化代数MaxG＝5；
步骤5，当前演化代数t＝0；
步骤6，随机产生初始种群
其中，下标i＝1,2,...,Popsize；个体
为种群Pt中的第i个个体，存储了3个取值范围在[1,Num]之间的整数，表示坐标列表BIList中3个二维坐标的序号，并按公式(1)对
进行初始化：
其中，
为个体
的第j维度；INTRnd为随机整数产生函数；维度下标j＝1,2,3；
步骤7，计算种群中每个个体的适应值；
步骤8，保存种群中的最优个体Bestt；
步骤9，令适应种子ASM＝0.5；
步骤10，令杂交率PCRi＝rand(0.1,1.0)，并令适应系数BVi＝0.5，其中，rand为随机实数产生函数；下标i＝1,2,...,Popsize；
步骤11，令因子列表CList为空，并令计数器ki＝1；
步骤12，如果计数器ki大于种群大小Popsize，则转到步骤23，否则转到步骤13；
步骤13，计算种群中所有个体的平均值并存储到均值个体MEt；
步骤14，令柯西随机数CW＝CHRand(ASM,0.1)，其中CHRand为产生柯西随机实数的函数；
步骤15，按公式(2)计算组合系数ADP：
其中rmk为[0.8，1.0]之间的随机数，rpc为[0，1]之间的随机实数；
步骤16，执行三元高斯操作生成试验个体
具体步骤如下：
步骤16.1，令计数器mj＝1；
步骤16.2，在[1,Popsize]之间随机产生两个不相等的正整数TR1和TR2，然后在[1,3]之间随机产生一个整数JRD；
步骤16.3，如果计数器mj小于或等于3，则转到步骤16.4，否则转到步骤17；
步骤16.4，在[0,1]之间随机产生一个实数TCR，如果TCR小于杂交率PCRki或者计数器mj等于JRD，则转到步骤16.5，否则转到步骤16.11；
步骤16.5，在[0,1]之间随机产生两个实数rw1和rw2；
步骤16.6，令实数rw3＝1.0-rw1-rw2；
步骤16.7，按公式(3)计算高斯均值mu与高斯标准差std：
其中，
为种群中第TR1个个体的第mj维度；
为种群中第TR2个个体的第mj维度；
为均值个体MEt的第mj维度；
步骤16.8，令高斯随机数GRB＝NMRand(mu,std)，其中NMRand是高斯随机实数产生函数；
步骤16.9，令
其中
为试验个体
的第mj维度；
为最优个体Bestt的第mj维度；
步骤16.10，转到步骤16.12；
步骤16.11，令
其中
为个体
的第mj维度；
步骤16.12，令计数器mj＝mj+1，然后转到步骤16.3；
步骤17，计算试验个体
的适应值；
步骤18，如果试验个体
的适应值小于个体
的适应值，则将ADP加入到因子列表CList中，否则令ADP＝0.5；
步骤19，按公式(4)选择优秀个体进入下一代种群：
步骤20，按公式(5)更新杂交率PCRki：
步骤21，按公式(6)更新适应系数BVki：
其中BW为[0.8,1.0]之间的随机实数；
步骤22，令计数器ki＝ki+1，然后转到步骤12；
步骤23，计算因子列表CList中数据的平均值MECS，然后令适应种子ASM＝ASM×SW+MECS×(1-SW)，其中SW为[0.9,1.0]之间的随机实数；
步骤24，令当前演化代数t＝t+1；
步骤25，保存种群中的最优个体Bestt；
步骤26，重复步骤11至步骤25直至当前演化代数达到最大演化代数后结束，将执行过程中得到的最优个体Bestt解码成3个二维坐标的序号，通过这3个二维坐标的序号在坐标列表BIList中取得3个二维坐标值，即获得如图2所示检测到的圆。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于三元高斯差分演化算法的圆检测方法，其特征在于，包括以下步骤：
步骤1，输入一幅图像IMG；
步骤2，对图像IMG进行边缘检测得到边缘图像BIMG；
步骤3，将边缘图像BIMG中边缘像素的二维坐标存放在坐标列表BIList中，并将边缘像素总数记为Num；
步骤4，设置种群大小Popsize和最大演化代数MaxG；
步骤5，当前演化代数t＝0；
步骤6，随机产生初始种群
其中，下标i＝1,2,...,Popsize；个体
为种群Pt中的第i个个体，存储了3个取值范围在[1,Num]之间的整数，表示坐标列表BIList中3个二维坐标的序号，并按公式(1)对
进行初始化：
其中，
为个体
的第j维度；INTRnd为随机整数产生函数；维度下标j＝1,2,3；
步骤7，计算种群中每个个体的适应值；
步骤8，保存种群中的最优个体Bestt；
步骤9，令适应种子ASM＝0.5；
步骤10，令杂交率PCRi＝rand(0.1,1.0)，并令适应系数BVi＝0.5，其中，rand为随机实数产生函数；下标i＝1,2,...,Popsize；
步骤11，令因子列表CList为空，并令计数器ki＝1；
步骤12，如果计数器ki大于种群大小Popsize，则转到步骤23，否则转到步骤13；
步骤13，计算种群中所有个体的平均值并存储到均值个体MEt；
步骤14，令柯西随机数CW＝CHRand(ASM,0.1)，其中CHRand为产生柯西随机实数的函数；
步骤15，按公式(2)计算组合系数ADP：
其中rmk为[0.8，1.0]之间的随机数，rpc为[0，1]之间的随机实数；
步骤16，执行三元高斯操作生成试验个体
具体步骤如下：
步骤16.1，令计数器mj＝1；
步骤16.2，在[1,Popsize]之间随机产生两个不相等的正整数TR1和TR2，然后在[1,3]之间随机产生一个整数JRD；
步骤16.3，如果计数器mj小于或等于3，则转到步骤16.4，否则转到步骤17；
步骤16.4，在[0,1]之间随机产生一个实数TCR，如果TCR小于杂交率PCRki或者计数器mj等于JRD，则转到步骤16.5，否则转到步骤16.11；
步骤16.5，在[0,1]之间随机产生两个实数rw1和rw2；
步骤16.6，令实数rw3＝1.0-rw1-rw2；
步骤16.7，按公式(3)计算高斯均值mu与高斯标准差std：
其中，
为种群中第TR1个个体的第mj维度；
为种群中第TR2个个体的第mj维度；
为均值个体MEt的第mj维度；
步骤16.8，令高斯随机数GRB＝NMRand(mu,std)，其中NMRand是高斯随机实数产生函数；
步骤16.9，令
其中
为试验个体
的第mj维度；
为最优个体Bestt的第mj维度；
步骤16.10，转到步骤16.12；
步骤16.11，令
其中
为个体
步骤16.12，令计数器mj＝mj+1，然后转到步骤16.3；
步骤17，计算试验个体
的适应值；
步骤18，如果试验个体
的适应值小于个体
的适应值，则将ADP加入到因子列表CList中，否则令ADP＝0.5；
步骤19，按公式(4)选择优秀个体进入下一代种群：
步骤20，按公式(5)更新杂交率PCRki：
步骤21，按公式(6)更新适应系数BVki：
其中BW为[0.8,1.0]之间的随机实数；
步骤22，令计数器ki＝ki+1，然后转到步骤12；
步骤23，计算因子列表CList中数据的平均值MECS，然后令适应种子ASM＝ASM×SW+MECS×(1-SW)，其中SW为[0.9,1.0]之间的随机实数；
步骤24，令当前演化代数t＝t+1；
步骤25，保存种群中的最优个体Bestt；
步骤26，重复步骤11至步骤25直至当前演化代数达到最大演化代数后结束，将执行过程中得到的最优个体Bestt解码成3个二维坐标的序号，通过这3个二维坐标的序号在坐标列表BIList中取得3个二维坐标值，即获得检测到的圆。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810417616.7A CN108665451B (zh) | 2018-05-04 | 2018-05-04 | 基于三元高斯差分演化算法的圆检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810417616.7A CN108665451B (zh) | 2018-05-04 | 2018-05-04 | 基于三元高斯差分演化算法的圆检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108665451A CN108665451A (zh) | 2018-10-16 |
| CN108665451B true CN108665451B (zh) | 2022-02-25 |
Family
ID=63780433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810417616.7A Active CN108665451B (zh) | 2018-05-04 | 2018-05-04 | 基于三元高斯差分演化算法的圆检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665451B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381849B (zh) * | 2020-11-12 | 2022-08-02 | 江西理工大学 | 基于适应性差分演化的图像边缘检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010038039A2 (en) * | 2008-10-03 | 2010-04-08 | Qinetiq Limited | Composite evaluation |
| CN102880754A (zh) * | 2012-09-21 | 2013-01-16 | 武汉理工大学 | 基于遗传算法的土地利用分形维数作用尺度的识别方法 |
| CN104318575A (zh) * | 2014-11-04 | 2015-01-28 | 江西理工大学 | 一种基于综合学习差分演化算法的多阈值图像分割方法 |
| CN104462759A (zh) * | 2014-11-04 | 2015-03-25 | 江西理工大学 | 基于反向精简差分演化算法的水质模型参数识别方法 |
| CN104574395A (zh) * | 2014-12-30 | 2015-04-29 | 天津大学 | 一种单幅图像螺旋对称中心快速检测方法 |
| CN104952072A (zh) * | 2015-06-16 | 2015-09-30 | 华中科技大学 | 一种基于遗传算法的矩形检测方法 |
| CN105046712A (zh) * | 2015-08-07 | 2015-11-11 | 江西理工大学 | 基于适应性高斯差分演化的圆检测方法 |
| CN106504256A (zh) * | 2016-11-04 | 2017-03-15 | 江西理工大学 | 应用适应性高斯人工蜂群算法的多阈值图像分割方法 |
| CN106600563A (zh) * | 2016-12-23 | 2017-04-26 | 江西理工大学 | 基于局部搜索差分演化的图像增强方法 |
| CN106645620A (zh) * | 2016-12-23 | 2017-05-10 | 江西理工大学 | 应用混合差分演化的稀土矿区农田水体bod软测量方法 |
| WO2017214127A1 (en) * | 2016-06-06 | 2017-12-14 | Redvault Biosciences, Lp | Target reporter constructs and uses thereof |
-
2018
- 2018-05-04 CN CN201810417616.7A patent/CN108665451B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010038039A2 (en) * | 2008-10-03 | 2010-04-08 | Qinetiq Limited | Composite evaluation |
| CN102880754A (zh) * | 2012-09-21 | 2013-01-16 | 武汉理工大学 | 基于遗传算法的土地利用分形维数作用尺度的识别方法 |
| CN104318575A (zh) * | 2014-11-04 | 2015-01-28 | 江西理工大学 | 一种基于综合学习差分演化算法的多阈值图像分割方法 |
| CN104462759A (zh) * | 2014-11-04 | 2015-03-25 | 江西理工大学 | 基于反向精简差分演化算法的水质模型参数识别方法 |
| CN104574395A (zh) * | 2014-12-30 | 2015-04-29 | 天津大学 | 一种单幅图像螺旋对称中心快速检测方法 |
| CN104952072A (zh) * | 2015-06-16 | 2015-09-30 | 华中科技大学 | 一种基于遗传算法的矩形检测方法 |
| CN105046712A (zh) * | 2015-08-07 | 2015-11-11 | 江西理工大学 | 基于适应性高斯差分演化的圆检测方法 |
| WO2017214127A1 (en) * | 2016-06-06 | 2017-12-14 | Redvault Biosciences, Lp | Target reporter constructs and uses thereof |
| CN106504256A (zh) * | 2016-11-04 | 2017-03-15 | 江西理工大学 | 应用适应性高斯人工蜂群算法的多阈值图像分割方法 |
| CN106600563A (zh) * | 2016-12-23 | 2017-04-26 | 江西理工大学 | 基于局部搜索差分演化的图像增强方法 |
| CN106645620A (zh) * | 2016-12-23 | 2017-05-10 | 江西理工大学 | 应用混合差分演化的稀土矿区农田水体bod软测量方法 |
Non-Patent Citations (7)
| Title |
|---|
| 2-D圆和矩形布局知识图检测的神经网络方法研究;董梦娟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140115(第（2014）01期);I138-2063 * |
| Circularity and Gaussianity Detection Using the Complex Generalized Gaussian Distribution;Mike Novey等;《IEEE SIGNAL PROCESSING LETTERS》;20091130;第16卷(第11期);第993-996页 * |
| Self-adaptive differential evolution with global neighborhood search;Zhaolu Guo等;《METHODOLOGIES AND APPLICATION》;20160122;第3759-3768页 * |
| 一种基于粒子群优化算法的快速圆检测方法;周冬跃等;《光电子·激光》;20160930;第27卷(第9期);第949-956页 * |
| 基于三角的骨架差分进化算法;彭虎等;《计算机研究与发展》;20151231;第52卷(第12期);第2776-2788页 * |
| 基于形状的图像匹配及商标图形检索系统的研究;曾硕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第（2017）03期);I138-4052 * |
| 深部储层叠前地震反演方法研究;李超;《中国博士学位论文全文数据库 基础科学辑》;20170715(第（2017）07期);A011-25 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108665451A (zh) | 2018-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230085401A1 (en) | Method of training an image classification model | |
| CN112330719B (zh) | 基于特征图分割和自适应融合的深度学习目标跟踪方法 | |
| CN109726195B (zh) | 一种数据增强方法及装置 | |
| JP2010134957A (ja) | パターン認識方法 | |
| CN113496247A (zh) | 估计生成对抗网络的隐含似然 | |
| CN113947537A (zh) | 图像去雾方法、装置及设备 | |
| CN112364881B (zh) | 一种进阶采样一致性图像匹配方法 | |
| CN111028151A (zh) | 基于图残差神经网络融合的点云数据拼接方法 | |
| CN112270679B (zh) | 一种结合凹点与凹边的凸多边形轮廓的图像分割方法 | |
| CN111553296B (zh) | 一种基于fpga实现的二值神经网络立体视觉匹配方法 | |
| CN108665451B (zh) | 基于三元高斯差分演化算法的圆检测方法 | |
| CN110517272B (zh) | 基于深度学习的血细胞分割方法 | |
| CN110688484B (zh) | 一种基于不平衡贝叶斯分类的微博敏感事件言论检测方法 | |
| CN107123138B (zh) | 基于vanilla-R点对剔除策略的点云配准方法 | |
| CN117576079A (zh) | 一种工业产品表面异常检测方法、装置及系统 | |
| CN116310385A (zh) | 3d点云数据中的单一数据集域泛化方法 | |
| CN111325795B (zh) | 一种图像处理方法、装置、存储介质及机器人 | |
| CN111046958A (zh) | 基于数据依赖的核学习和字典学习的图像分类及识别方法 | |
| Pereira et al. | Assessing active learning strategies to improve the quality control of the soybean seed vigor | |
| CN115294424A (zh) | 一种基于生成对抗网络的样本数据增强方法 | |
| Al-Sahaf et al. | Binary image classification using genetic programming based on local binary patterns | |
| CN112766356A (zh) | 一种基于动态权重D-XGBoost模型的预测方法及系统 | |
| CN109146886B (zh) | 一种基于深度密度的rgbd图像语义分割优化方法 | |
| CN112116626A (zh) | 一种基于柔性卷积的单目标跟踪方法 | |
| CN109344849B (zh) | 一种基于结构平衡理论的复杂网络图像识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |