CN109271900A - 一种基于计算机视觉的垃圾识别方法 - Google Patents

一种基于计算机视觉的垃圾识别方法 Download PDF

Info

Publication number
CN109271900A
CN109271900A CN201811012116.1A CN201811012116A CN109271900A CN 109271900 A CN109271900 A CN 109271900A CN 201811012116 A CN201811012116 A CN 201811012116A CN 109271900 A CN109271900 A CN 109271900A
Authority
CN
China
Prior art keywords
image
rubbish
color
computer vision
experiment
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.)
Withdrawn
Application number
CN201811012116.1A
Other languages
English (en)
Inventor
孔德萍
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811012116.1A priority Critical patent/CN109271900A/zh
Publication of CN109271900A publication Critical patent/CN109271900A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/36—Indoor scenes
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于计算机视觉的垃圾识别方法，包括如下步骤：（1）图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度。本发明弥补了人工卫生安全监测和可二次利用材料分类回收不足的缺陷，解决了日常使用过程中产生的实验消耗品废物、生活垃圾较多，通常被全部丢弃，既不清洁环保又存在安全隐患，采用人工进行卫生安全监测效率低，且工作量大的问题。

Description

一种基于计算机视觉的垃圾识别方法
技术领域
本发明涉及计算机应用技术领域，具体为一种基于计算机视觉的垃圾识别方法。
背景技术
计算机视觉是指在对目标进行跟踪识别过程中，运用携带摄影头或视觉传感器的计算机模拟人眼系统，采集的图像和视频经处理便于计算机理解的一门科学。即研究如何使计算机“看”和理解。
高校实验室是科研人员、教师和学生实验的主要场所，根据专业门类的不同，实验室承担了复杂的教学和科研工作。然而在日常使用过程中产生的实验消耗品废物、生活垃圾较多，通常被全部丢弃，既不清洁环保又存在安全隐患，采用人工进行卫生安全监测效率低，且工作量大，为此，我们提出一种基于计算机视觉的垃圾识别方法。
发明内容
本发明的目的在于提供一种基于计算机视觉的垃圾识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于计算机视觉的垃圾识别方法，包括如下步骤：
（1）图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换；
（2）垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割；
（3）图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计。
优选的，所述步骤（1）在预处理后还需进行图像滤波处理：采用中值滤波在基于室内环境灰度值变化比较小的状态下进行平滑处理，从而降低图像边界的模糊程度。
优选的，所述步骤（1）中的图像预处理过程中应避免由于图像在室内采集，易受室内灯光、温度、光线曝光不均、阴影扰动等因素影响，同时避免在传输过程中的各种干扰降低图像质量。
优选的，所述步骤（2）中的分割方法是将彩色图像进行灰度转换，得到相应灰度图像便于提取垃圾区和背景区的差异特征，根据图像不同灰度级区域组合选取阈值，最后将选取区从背景中分离出来。
优选的，所述步骤（3）中选用灰度共生矩阵及统计量进行垃圾纹理特征提取，从灰度矩阵中，提取对比度、熵、逆差距、相关和角二阶距五组数作为纹理分析特征量。
与现有技术相比，本发明的有益效果是：本发明中灰度图像经过二值化后，利用多次中值滤波可以消除背景区噪声和不均匀，图像识别中对于饮料瓶和废螺丝等垃圾进行识别，在识别实验室防静电地板、桌椅和垃圾的种类有明显作用，提高循环再利用分析效率，将可再生垃圾与背景区分出来，并选取其中有回收价值的进行分类统计，弥补了人工卫生安全监测和可二次利用材料分类回收不足的缺陷，解决了日常使用过程中产生的实验消耗品废物、生活垃圾较多，通常被全部丢弃，既不清洁环保又存在安全隐患，采用人工进行卫生安全监测效率低，且工作量大的问题。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种基于计算机视觉的垃圾识别方法，包括如下步骤：
（1）图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换；
（2）垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割；
（3）图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计。
实施例一：
图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换；垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割；图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计。
实施例二：
在实施例一中，再加上下述工序：
步骤（1）在预处理后还需进行图像滤波处理：采用中值滤波在基于室内环境灰度值变化比较小的状态下进行平滑处理，从而降低图像边界的模糊程度。
图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换，在预处理后还需进行图像滤波处理：采用中值滤波在基于室内环境灰度值变化比较小的状态下进行平滑处理，从而降低图像边界的模糊程度；垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割；图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计。
实施例三：
在实施例二中，再加上下述工序：
步骤（1）中的图像预处理过程中应避免由于图像在室内采集，易受室内灯光、温度、光线曝光不均、阴影扰动等因素影响，同时避免在传输过程中的各种干扰降低图像质量。
图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换，图像预处理过程中应避免由于图像在室内采集，易受室内灯光、温度、光线曝光不均、阴影扰动等因素影响，同时避免在传输过程中的各种干扰降低图像质量，在预处理后还需进行图像滤波处理：采用中值滤波在基于室内环境灰度值变化比较小的状态下进行平滑处理，从而降低图像边界的模糊程度；垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割；图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计。
实施例四：
在实施例三中，再加上下述工序：
步骤（2）中的分割方法是将彩色图像进行灰度转换，得到相应灰度图像便于提取垃圾区和背景区的差异特征，根据图像不同灰度级区域组合选取阈值，最后将选取区从背景中分离出来。
图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换，图像预处理过程中应避免由于图像在室内采集，易受室内灯光、温度、光线曝光不均、阴影扰动等因素影响，同时避免在传输过程中的各种干扰降低图像质量，在预处理后还需进行图像滤波处理：采用中值滤波在基于室内环境灰度值变化比较小的状态下进行平滑处理，从而降低图像边界的模糊程度；垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割，其中分割方法是将彩色图像进行灰度转换，得到相应灰度图像便于提取垃圾区和背景区的差异特征，根据图像不同灰度级区域组合选取阈值，最后将选取区从背景中分离出来；图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计。
实施例五：
在实施例四中，再加上下述工序：
步骤（3）中选用灰度共生矩阵及统计量进行垃圾纹理特征提取，从灰度矩阵中，提取对比度、熵、逆差距、相关和角二阶距五组数作为纹理分析特征量。
图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换，图像预处理过程中应避免由于图像在室内采集，易受室内灯光、温度、光线曝光不均、阴影扰动等因素影响，同时避免在传输过程中的各种干扰降低图像质量，在预处理后还需进行图像滤波处理：采用中值滤波在基于室内环境灰度值变化比较小的状态下进行平滑处理，从而降低图像边界的模糊程度；垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割，其中分割方法是将彩色图像进行灰度转换，得到相应灰度图像便于提取垃圾区和背景区的差异特征，根据图像不同灰度级区域组合选取阈值，最后将选取区从背景中分离出来；图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计，选用灰度共生矩阵及统计量进行垃圾纹理特征提取，从灰度矩阵中，提取对比度、熵、逆差距、相关和角二阶距五组数作为纹理分析特征量。
本发明中灰度图像经过二值化后，利用多次中值滤波可以消除背景区噪声和不均匀，图像识别中对于饮料瓶和废螺丝等垃圾进行识别，在识别实验室防静电地板、桌椅和垃圾的种类有明显作用，提高循环再利用分析效率，将可再生垃圾与背景区分出来，并选取其中有回收价值的进行分类统计，弥补了人工卫生安全监测和可二次利用材料分类回收不足的缺陷，解决了日常使用过程中产生的实验消耗品废物、生活垃圾较多，通常被全部丢弃，既不清洁环保又存在安全隐患，采用人工进行卫生安全监测效率低，且工作量大的问题。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于计算机视觉的垃圾识别方法，其特征在于：包括如下步骤：
（1）图像采集与预处理：实验垃圾的图像采集以实验室内墙壁四周全方位多角度的视频监控节点实时采集，并配合打扫卫生的学生、卫生检查人员和实验老师通过手机拍摄卫生死角以及特定位置的垃圾图像，上传至管理平台作为辅助分析素材，为排除后续的图像特征提取和图像识别困扰，通过直方图均衡化提高图像整体对比度，将图像的灰度概率分布变换为均匀灰度概率分布而获得新图像所进行的一系列转换；
（2）垃圾与实验室背景的分割：通过参数测定防静电地板、废螺丝、废纸、饮料瓶的归一化特征RGB统计值、颜色特征因子RGB统计值以及HIS颜色空间中各颜色因子统计值，图像特征表征选取包括RGB模型、HIS模型和归一化的RGB模型中各颜色特征因子的特定组合，不透明物体的颜色取决于该物体反射的色光，实验室背景主要由灰白色防静电地板、白色墙面、淡灰色实验桌椅等单一浅色系构成，与色彩复杂艳丽的实验垃圾在颜色上形成鲜明对比，利用该特点对两者进行分割；
（3）图像纹理特征提取及分类：在实验室摄像头监控节点和终端处理系统的基础上，运用计算机视觉技术实现实验垃圾的分类统计。
2.根据权利要求1所述的一种基于计算机视觉的垃圾识别方法，其特征在于：所述步骤（1）在预处理后还需进行图像滤波处理：采用中值滤波在基于室内环境灰度值变化比较小的状态下进行平滑处理，从而降低图像边界的模糊程度。
3.根据权利要求1所述的一种基于计算机视觉的垃圾识别方法，其特征在于：所述步骤（1）中的图像预处理过程中应避免由于图像在室内采集，易受室内灯光、温度、光线曝光不均、阴影扰动等因素影响，同时避免在传输过程中的各种干扰降低图像质量。
4.根据权利要求1所述的一种基于计算机视觉的垃圾识别方法，其特征在于：所述步骤（2）中的分割方法是将彩色图像进行灰度转换，得到相应灰度图像便于提取垃圾区和背景区的差异特征，根据图像不同灰度级区域组合选取阈值，最后将选取区从背景中分离出来。
5.根据权利要求1所述的一种基于计算机视觉的垃圾识别方法，其特征在于：所述步骤（3）中选用灰度共生矩阵及统计量进行垃圾纹理特征提取，从灰度矩阵中，提取对比度、熵、逆差距、相关和角二阶距五组数作为纹理分析特征量。
CN201811012116.1A 2018-08-31 2018-08-31 一种基于计算机视觉的垃圾识别方法 Withdrawn CN109271900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811012116.1A CN109271900A (zh) 2018-08-31 2018-08-31 一种基于计算机视觉的垃圾识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811012116.1A CN109271900A (zh) 2018-08-31 2018-08-31 一种基于计算机视觉的垃圾识别方法

Publications (1)

Publication Number Publication Date
CN109271900A true CN109271900A (zh) 2019-01-25

Family

ID=65155133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811012116.1A Withdrawn CN109271900A (zh) 2018-08-31 2018-08-31 一种基于计算机视觉的垃圾识别方法

Country Status (1)

Country Link
CN (1) CN109271900A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767804A (zh) * 2020-06-08 2020-10-13 上海交通大学 基于人工智能的可回收垃圾图像分类方法及系统
CN113096340A (zh) * 2021-03-01 2021-07-09 浙江工业大学 一种化工室内实验安全防护系统
CN113129565A (zh) * 2021-04-16 2021-07-16 冉启香 一种用于智慧园区的楼道清理装置
CN115147733A (zh) * 2022-09-05 2022-10-04 山东东盛澜渔业有限公司 一种基于人工智能的海洋垃圾识别回收方法
CN116052027A (zh) * 2023-03-31 2023-05-02 深圳联和智慧科技有限公司 基于无人机的漂浮垃圾种类识别方法、系统及云平台

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767804A (zh) * 2020-06-08 2020-10-13 上海交通大学 基于人工智能的可回收垃圾图像分类方法及系统
CN113096340A (zh) * 2021-03-01 2021-07-09 浙江工业大学 一种化工室内实验安全防护系统
CN113129565A (zh) * 2021-04-16 2021-07-16 冉启香 一种用于智慧园区的楼道清理装置
CN115147733A (zh) * 2022-09-05 2022-10-04 山东东盛澜渔业有限公司 一种基于人工智能的海洋垃圾识别回收方法
CN115147733B (zh) * 2022-09-05 2022-11-25 山东东盛澜渔业有限公司 一种基于人工智能的海洋垃圾识别回收方法
CN116052027A (zh) * 2023-03-31 2023-05-02 深圳联和智慧科技有限公司 基于无人机的漂浮垃圾种类识别方法、系统及云平台

Similar Documents

Publication Publication Date Title
CN109271900A (zh) 一种基于计算机视觉的垃圾识别方法
CN106983493B (zh) 一种基于三光谱的皮肤图像处理方法
CN105825511B (zh) 一种基于深度学习的图片背景清晰度检测方法
CN109165577A (zh) 一种基于视频图像的早期森林火灾检测方法
CN106140648B (zh) 一种基于机器视觉的鸡胴体重量自动分级系统及分级方法
CN101477630A (zh) 智能化水处理微生物机器视觉辨识系统和方法
CN109727233A (zh) 一种lcd缺陷检测方法
CN109269951A (zh) 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法
AU2013343537A1 (en) Bio-imaging method
CN107135595A (zh) 照明控制装置及系统
CN102221559A (zh) 基于机器视觉的织物疵点在线自动检测方法及其装置
Valenzuela et al. Quality assessment of lettuce using artificial neural network
CN103502422A (zh) 图像捕捉和照明设备
CN108257099A (zh) 一种基于视觉对比度分辨率的自适应红外图像增强方法
CN106650823A (zh) 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法
CN109115775A (zh) 一种基于机器视觉的槟榔等级检测方法
CN106570855A (zh) 猪肉新鲜度快速判定的方法及系统
CN108184286A (zh) 灯具的控制方法和控制系统以及电子设备
CN109598681A (zh) 一种对称唐卡修复后图像的无参考质量评价方法
CN109657597A (zh) 面向个体直播场景的异常行为检测方法
CN106791320A (zh) 一种养殖鱼类图像增强装置及方法
CN110910372A (zh) 基于深度卷积神经网络的匀光板缺陷检测方法
Nasirahmadi et al. Identification of bean varieties according to color features using artificial neural network
CN113129390B (zh) 一种基于联合显著性的色盲图像重新着色方法及系统
CN108235831B (zh) 灯具的控制方法和控制系统以及电子设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20190125

WW01 Invention patent application withdrawn after publication