CN109389134A - 一种肉制品加工生产线监控信息系统的图像处理方法 - Google Patents

一种肉制品加工生产线监控信息系统的图像处理方法 Download PDF

Info

Publication number
CN109389134A
CN109389134A CN201811142508.XA CN201811142508A CN109389134A CN 109389134 A CN109389134 A CN 109389134A CN 201811142508 A CN201811142508 A CN 201811142508A CN 109389134 A CN109389134 A CN 109389134A
Authority
CN
China
Prior art keywords
image
wavelet
threshold value
pixel
meat products
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
Application number
CN201811142508.XA
Other languages
English (en)
Other versions
CN109389134B (zh
Inventor
江晓
李斌
王聿隽
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.)
Baoding Ruili Food Co ltd
Original Assignee
Shandong Heng Hao Information Technology Co Ltd
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 Shandong Heng Hao Information Technology Co Ltd filed Critical Shandong Heng Hao Information Technology Co Ltd
Priority to CN201811142508.XA priority Critical patent/CN109389134B/zh
Priority to CN202210594958.2A priority patent/CN114913334A/zh
Publication of CN109389134A publication Critical patent/CN109389134A/zh
Application granted granted Critical
Publication of CN109389134B publication Critical patent/CN109389134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种肉制品加工生产线监控信息系统的图像处理方法。主要包括：获取肉制品加工生产线的视频图像信息，通过视觉处理系统对采集的图像直接进行存储与传输；用图像处理系统对采集的图像信号进行小波分解，通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的；用反馈策略自动化选取图像的初始边缘，通过迭代求解马尔科夫转移概率和高斯参数，提取图像实际边缘特征；根据图像边缘特征分割图像，通过全局阈值判决像素点的区域，识别图像中的背景与目标，完成图像信息的处理。该方法具有较高的灵活性和准确性，并可根据当前图像的特征，进行去噪、分割和识别，稳定可靠地完成图像处理任务。

Description

一种肉制品加工生产线监控信息系统的图像处理方法
技术领域
本发明涉及一种监控信息系统的图像处理方法，属于计算机视觉和数字图像处理领域。
背景技术
我国是世界肉制品生产和消费大国，但我国在肉类食品行业的发展水平却远落后于其他发达国家。未形成规模化的肉类深加工产业以及现存的图像处理技术的不完善，限制了通过图像的识别来监控、检测肉制品智能化生产的发展；利用监控系统中的模糊图像，无法进行智能化的在线检测，从而造成更多人力、物力资源的浪费，产生更高的生产成本。
发明内容
为解决上述问题，本发明的目的在于提供一种自身具有灵活性，并且准确性好的图像处理方法。
本发明解决其问题所采用的技术方案，包括以下步骤：
A.获取肉制品加工生产线的视频图像信息，通过视觉处理系统对采集的图像直接进行存储与传输；
B.用图像处理系统对采集的图像信号进行小波分解，通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的；
C.用反馈策略自动化选取图像的初始边缘，通过迭代求解马尔科夫转移概率和高斯参数，提取图像实际边缘特征；
D.根据图像边缘特征分割图像，通过全局阈值判决像素点的区域，识别图像中的背景与目标，完成图像信息的处理。
进一步的，所述步骤A包括：
设置漫反射无影光源，通过折射板将LED灯光的折射光，照射肉制品加工过程，通过摄像机采集加工过程的监控图像信息；
用视觉处理系统对采集的图像直接进行存储，并利用数字传输技术及大规模集成电路，使用一根光纤传输多路图像的多个信号至图像处理系统，在提高图像传输稳定性的同时，实现实时传输。
进一步的，所述步骤B包括：
(1)通过基小波函数J(x)的缩放和平移变换，构造不同尺度下待分析图像信号的小波变换；
①基小波函数J(x)在不同尺度下进行平移变换，构造小波序列：
其中，s表示尺度伸缩因子，s≠0，p为平移变化因子，且s,p∈R，R为实数，x表示图像信息；
②任意待分析图像f(x)在尺度s下的小波变换算式可表示为：
其中，s,p∈Z表示任意可能的伸缩和平移变换；
(2)使用软阈值函数对小波变换系数进行阈值化处理，保留信号小波系数去除噪声小波系数，实现图像的去噪处理；
①假设视频图像是一个二维矩阵，那么每次经过步骤B(1)中的小波变换后图像便被分解为4个大小相同的子块频带区域；
②根据图像的一组小波系数的统计特性，选取适当的阈值ω对分解后的子频带区域进行阈值化处理，根据算式
计算求得图像去噪的阈值，其中Numi表示第i层频带上小波系数的个数，表示第i层频带中噪声的方差，i表示图像分解的频带数；
③采用软阈值函数将小于阈值ω的小波系数去除，将大于阈值ω的小波系数进行缩减变换，软阈值函数为：
其中，X表示图像小波系数，若第i层频带上无干扰噪声的小波系数与去噪后的小波系数之间的误差达到最小，那么阈值ωi达到最优，实现最优的去噪处理；否则根据算式
进行下一层的阈值化处理。
进一步的，所述步骤C包括：
(1)用路径和路径测度方法获得去噪图像的边界或是图像中某个物体的边界，进行图像的顺序搜索；
①二维图像中的路径可表示为一个有序集，包括起始节点、起始方向和路径方向：
path＝<(n1,n2),dir,[s1,…,sn]>
其中，(n1,n2)表示起始节点坐标，dir表示起始方向，[s1,…,sn]属于方向集合S＝[Left,Mediate,Right]；
②根据马尔科夫转移概率和高斯函数，计算路径可能的发生概率，完成路径的搜索，马尔科夫转移概率为：
Ptrans(path)＝Ptrans(zmzm-1)Ptrans(zm-1zm-2)…Ptrans(z1z0)
其中，Z＝(z0,z1,…zm)表示所有可能的状态序列空间，m表示状态序列个数；
高斯函数的值由起始节点的位置上的值确定，节点位于边缘上时，高斯函数为pb，节点位于其他任意位置时，高斯函数为pr；
③图像进行顺序搜索所依据的路径测度方法可表示为：
其中，表示起始节点的像素值；
(2)采用反馈策略选取图像的初始边缘，提高顺序搜索图像边缘的自动化程度以及初始边缘的准确性。
进一步的，所述步骤D包括：
采用逼近的方法，选取适当的阈值根据图像的边缘分割图像中的目标与背景；
①假设图像中包含背景和目标两种像素,首先根据图像的边缘分别计算出在同一边缘区域内的灰度值H，图像中最大的灰度值记为Hmax，最小灰度值为Hmin，则初始阈值可表示为
O＝Hmax+Hmin/2
②假设视频图像中背景较暗，则根据阈值O将图像中像素的灰度值小于O的像素记为背景像素，同理将其他的记为目标像素，并分别求出平均灰度值Hback和Haim，则新的划分阈值为
O'＝Hback+Haim/2-1
若O＝O'+1，则通过该阈值对图像按灰度值的大小进行背景与目标的分割，大于该阈值的灰度值对应的像素为目标像素，小于该阈值的灰度值对应的像素为背景像素；否则重复进行划分计算，直至O＝O'+1成立求出阈值。
本发明的有益效果是：
在复杂性强的图像处理中，本发明能够灵活、准确地完成图像的预处理，可根据当前图像的特征，进行去噪、分割和识别，具有实用性和稳定性的有益效果。
附图说明
图1为一种肉制品加工生产线监控信息系统的图像处理方法的整体流程图；
图2为基于反馈的顺序连接方法示意图；
图3为寻求最佳边缘路径的算法流程图。
具体实施方式
参照图1，本发明所述的方法包括以下步骤：
A.获取肉制品加工生产线的视频图像信息，通过数字传输技术对采集的图像直接进行存储，并实时传输至图像处理系统；
(1)设置漫反射无影光源，通过折射板将LED灯光的折射光，照射肉制品加工过程，通过摄像机采集加工过程的监控图像信息；
(2)用视觉处理系统对采集的图像直接进行存储，并利用数字传输技术实时传输图像信号；
①采集的图像信息在传输过程中经过视频电缆、编码器、解码器等各种环节，在进行数据交换的过程中产生延时，从而影响图像传输的实时性；
②利用数字传输技术及大规模集成电路，使用一根光纤传输多路图像的多个信号至图像处理系统，在提高图像传输稳定性的同时，实现了实时传输；
B.用图像处理系统对采集的图像信号进行小波分解，通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的；
(1)通过基小波函数J(x)的缩放和平移变换，构造不同尺度下待分析图像信号的小波变换；
①基小波函数J(x)在不同尺度下进行平移变换，构造小波序列：
其中，s表示尺度伸缩因子(s作为一种尺度在变化时产生多分辨分析的特性)，s≠0，p为平移变化因子，且s,p∈R，R为实数，x表示图像信息；
②任意待分析图像f(x)在尺度s下的小波变换算式可表示为：
其中，s,p∈Z表示任意可能的伸缩和平移变换；
(2)使用软阈值函数对小波变换系数进行阈值化处理，保留信号小波系数去除噪声小波系数，实现图像的去噪处理；
①假设视频图像是一个二维矩阵，那么每次经过步骤B(1)中的小波变换后图像便被分解为4个大小相同的子块频带区域；
②根据图像的一组小波系数的统计特性，选取适当的阈值ω对分解后的子频带区域进行阈值化处理，根据算式
计算求得图像去噪的阈值，其中Numi表示第i层频带上小波系数的个数，表示第i层频带中噪声的方差，i表示图像分解的频带数；
③采用软阈值函数将小于阈值ω的小波系数去除，将大于阈值ω的小波系数进行缩减变换，软阈值函数为：
其中，X表示图像小波系数，若第i层频带上无干扰噪声的小波系数与去噪后的小波系数之间的误差达到最小，那么阈值ωi达到最优，实现最优的去噪处理；否则根据算式
进行下一层的阈值化处理；
C.用反馈策略自动化选取去噪图像的初始边缘，通过迭代求解马尔科夫转移概率和高斯参数，提取图像实际边缘特征；
(1)用路径和路径测度方法获得去噪图像的边界或是图像中某个物体的边界，进行图像的顺序搜索；
①二维图像中的路径可表示为一个有序集，包括起始节点、起始方向和路径方向：
path＝<(n1,n2),dir,[s1,…,sn]>
其中，(n1,n2)表示起始节点坐标，dir表示起始方向，[s1,…,sn]属于方向集合S＝[Left,Mediate,Right]；
②根据马尔科夫转移概率和高斯函数，计算路径可能的发生概率，完成路径的搜索，马尔科夫转移概率为：
Ptrans(path)＝Ptrans(zmzm-1)Ptrans(zm-1zm-2)…Ptrans(z1z0)
其中，Z＝(z0,z1,…zm)表示所有可能的状态序列空间，m表示状态序列个数；
高斯函数的值由起始节点的位置上的值确定，节点位于边缘上时，高斯函数为pb，节点位于其他任意位置时，高斯函数为pr；
③图像进行顺序搜索所依据的路径测度方法可表示为：
其中，表示起始节点的像素值；
(2)采用反馈策略选取图像的初始边缘，提高顺序搜索图像边缘的自动化程度以及初始边缘的准确性；
①通过反馈的方法将获得的边缘反复进行重新计算，根据转移概率和高斯函数的不断增加，迭代8次左右求得更接近实际边缘的边缘路径；
②利用反馈方式进行迭代运算的算法流程如图3所示。
D.根据图像边缘特征分割图像，通过全局阈值判决像素点的区域，识别图像中的背景与目标，完成图像信息的处理。
采用逼近的方法，选取适当的阈值根据图像的边缘分割图像中的目标与背景；
①假设图像中包含背景和目标两种像素,首先根据图像的边缘分别计算出在同一边缘区域内的灰度值H，图像中最大的灰度值记为Hmax，最小灰度值为Hmin，则初始阈值可表示为
O＝Hmax+Hmin/2
②假设视频图像中背景较暗，则根据阈值O将图像中像素的灰度值小于O的像素记为背景像素，同理将其他的记为目标像素，并分别求出平均灰度值Hback和Haim，则新的划分阈值为
O'＝Hback+Haim/2-1
若O＝O'+1，则通过该阈值对图像按灰度值的大小进行背景与目标的分割，大于该阈值的灰度值对应的像素为目标像素，小于该阈值的灰度值对应的像素为背景像素；否则重复进行划分计算，直至O＝O'+1成立求出阈值；
综上所述，便实现了一种肉制品加工生产线监控信息系统的图像处理方法。在复杂性强的图像处理中，本发明能够灵活、准确地完成图像的预处理，可根据当前图像的特征，进行去噪、分割和识别，具有实用性和稳定性的有益效果。

Claims (5)

1.一种肉制品加工生产线监控信息系统的图像处理方法，其特征在于：所述方法包括以下步骤：
A.获取肉制品加工生产线的视频图像信息，通过视觉处理系统对采集的图像直接进行存储与传输；
B.用图像处理系统对采集的图像信号进行小波分解，通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的；
C.用反馈策略自动化选取图像的初始边缘，通过迭代求解马尔科夫转移概率和高斯参数，提取图像实际边缘特征；
D.根据图像边缘特征分割图像，通过全局阈值判决像素点的区域，识别图像中的背景与目标，完成图像信息的处理。
2.根据权利要求1所述的肉制品加工生产线监控信息系统的图像处理方法，其特征在于：所述步骤A包括：
设置漫反射无影光源，通过折射板将LED灯光的折射光，照射肉制品加工过程，通过摄像机采集加工过程的监控图像信息；
用视觉处理系统对采集的图像直接进行存储，并利用数字传输技术及大规模集成电路，使用一根光纤传输多路图像的多个信号至图像处理系统，在提高图像传输稳定性的同时，实现实时传输。
3.根据权利要求1或2所述的肉制品加工生产线监控信息系统的图像处理方法，其特征在于：所述步骤B包括：
(1)通过基小波函数J(x)的缩放和平移变换，构造不同尺度下待分析图像信号的小波变换；
①基小波函数J(x)在不同尺度下进行平移变换，构造小波序列：
其中，s表示尺度伸缩因子，s≠0，p为平移变化因子，且s,p∈R，R为实数，x表示图像信息；
②任意待分析图像f(x)在尺度s下的小波变换算式表示为：
其中，s,p∈Z表示任意可能的伸缩和平移变换；
(2)使用软阈值函数对小波变换系数进行阈值化处理，保留信号小波系数去除噪声小波系数，实现图像的去噪处理；
①假设视频图像是一个二维矩阵，那么每次经过步骤B(1)中的小波变换后图像便被分解为4个大小相同的子块频带区域；
②根据图像的一组小波系数的统计特性，选取适当的阈值ω对分解后的子频带区域进行阈值化处理，根据算式
计算求得图像去噪的阈值，其中Numi表示第i层频带上小波系数的个数，表示第i层频带中噪声的方差，i表示图像分解的频带数；
③采用软阈值函数将小于阈值ω的小波系数去除，将大于阈值ω的小波系数进行缩减变换，软阈值函数为：
其中，X表示图像小波系数，若第i层频带上无干扰噪声的小波系数与去噪后的小波系数之间的误差达到最小，那么阈值ωi达到最优，实现最优的去噪处理；否则根据算式
进行下一层的阈值化处理。
4.根据权利要求3所述的肉制品加工生产线监控信息系统的图像处理方法，其特征在于：所述步骤C包括：
(1)用路径和路径测度方法获得去噪图像的边界或是图像中某个物体的边界，进行图像的顺序搜索；
①二维图像中的路径可表示为一个有序集，包括起始节点、起始方向和路径方向：
path＝<(n1,n2),dir,[s1,…,sn]＞
其中，(n1,n2)表示起始节点坐标，dir表示起始方向，[s1,…,sn]属于方向集合S＝[Left,Mediate,Right]；
②根据马尔科夫转移概率和高斯函数，计算路径可能的发生概率，完成路径的搜索，马尔科夫转移概率为：
Ptrans(path)＝Ptrans(zmzm-1)Ptrans(zm-1zm-2)…Ptrans(z1z0)
其中，Z＝(z0,z1,…zm)表示所有可能的状态序列空间，m表示状态序列个数；
高斯函数的值由起始节点的位置上的值确定，节点位于边缘上时，高斯函数为pb，节点位于其他任意位置时，高斯函数为pr；
③图像进行顺序搜索所依据的路径测度方法可表示为：
其中，表示起始节点的像素值；
(2)采用反馈策略选取图像的初始边缘，提高顺序搜索图像边缘的自动化程度以及初始边缘的准确性。
5.根据权利要求4所述的肉制品加工生产线监控信息系统的图像处理方法，其特征在于：所述步骤D包括：
采用逼近的方法，选取适当的阈值根据图像的边缘分割图像中的目标与背景；
①假设图像中包含背景和目标两种像素,首先根据图像的边缘分别计算出在同一边缘区域内的灰度值H，图像中最大的灰度值记为Hmax，最小灰度值为Hmin，则初始阈值可表示为
O＝Hmax+Hmin/2
②假设视频图像中背景较暗，则根据阈值O将图像中像素的灰度值小于O的像素记为背景像素，同理将其他的记为目标像素，并分别求出平均灰度值Hback和Haim，则新的划分阈值为O'＝Hback+Haim/2-1
若O＝O'+1，则通过该阈值对图像按灰度值的大小进行背景与目标的分割，大于该阈值的灰度值对应的像素为目标像素，小于该阈值的灰度值对应的像素为背景像素；否则重复进行划分计算，直至O＝O'+1成立求出阈值。
CN201811142508.XA 2018-09-28 2018-09-28 一种肉制品加工生产线监控信息系统的图像处理方法 Active CN109389134B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811142508.XA CN109389134B (zh) 2018-09-28 2018-09-28 一种肉制品加工生产线监控信息系统的图像处理方法
CN202210594958.2A CN114913334A (zh) 2018-09-28 2018-09-28 肉制品加工生产线监控信息系统的图像去噪分割识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811142508.XA CN109389134B (zh) 2018-09-28 2018-09-28 一种肉制品加工生产线监控信息系统的图像处理方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210594958.2A Division CN114913334A (zh) 2018-09-28 2018-09-28 肉制品加工生产线监控信息系统的图像去噪分割识别方法

Publications (2)

Publication Number Publication Date
CN109389134A true CN109389134A (zh) 2019-02-26
CN109389134B CN109389134B (zh) 2022-10-28

Family

ID=65418255

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201811142508.XA Active CN109389134B (zh) 2018-09-28 2018-09-28 一种肉制品加工生产线监控信息系统的图像处理方法
CN202210594958.2A Pending CN114913334A (zh) 2018-09-28 2018-09-28 肉制品加工生产线监控信息系统的图像去噪分割识别方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210594958.2A Pending CN114913334A (zh) 2018-09-28 2018-09-28 肉制品加工生产线监控信息系统的图像去噪分割识别方法

Country Status (1)

Country Link
CN (2) CN109389134B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907514A (zh) * 2021-01-20 2021-06-04 南京迪沃航空技术有限公司 一种基于图像识别的螺栓螺母缺陷诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090175557A1 (en) * 2006-07-31 2009-07-09 Stc.Unm System and method for reduction of speckle noise in an image
US20100104186A1 (en) * 2008-10-23 2010-04-29 Siemens Corporate Research, Inc. System and method for image segmentation using continuous valued mrfs with normed pairwise distributions
CN101840571A (zh) * 2010-03-30 2010-09-22 杭州电子科技大学 一种基于视频图像的火焰检测方法
CN103942536A (zh) * 2014-04-04 2014-07-23 西安交通大学 一种迭代更新轨迹模型的多目标跟踪方法
CN107402381A (zh) * 2017-07-11 2017-11-28 西北工业大学 一种迭代自适应的多机动目标跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090175557A1 (en) * 2006-07-31 2009-07-09 Stc.Unm System and method for reduction of speckle noise in an image
US20100104186A1 (en) * 2008-10-23 2010-04-29 Siemens Corporate Research, Inc. System and method for image segmentation using continuous valued mrfs with normed pairwise distributions
CN101840571A (zh) * 2010-03-30 2010-09-22 杭州电子科技大学 一种基于视频图像的火焰检测方法
CN103942536A (zh) * 2014-04-04 2014-07-23 西安交通大学 一种迭代更新轨迹模型的多目标跟踪方法
CN107402381A (zh) * 2017-07-11 2017-11-28 西北工业大学 一种迭代自适应的多机动目标跟踪方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907514A (zh) * 2021-01-20 2021-06-04 南京迪沃航空技术有限公司 一种基于图像识别的螺栓螺母缺陷诊断方法及系统

Also Published As

Publication number Publication date
CN109389134B (zh) 2022-10-28
CN114913334A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
Lu et al. Multi-scale adversarial network for underwater image restoration
Li et al. Megadepth: Learning single-view depth prediction from internet photos
CN106845487B (zh) 一种端到端的车牌识别方法
US20180307911A1 (en) Method for the semantic segmentation of an image
CN109165538B (zh) 基于深度神经网络的条形码检测方法及装置
Kalsotra et al. Background subtraction for moving object detection: explorations of recent developments and challenges
CN109583345B (zh) 道路识别方法、装置、计算机装置及计算机可读存储介质
EP2956891A2 (en) Segmenting objects in multimedia data
CN108665484B (zh) 一种基于深度学习的危险源识别方法与系统
CN110570443B (zh) 一种基于结构约束条件生成模型的图像线状目标提取方法
CN110363218B (zh) 一种胚胎无创评估方法及装置
CN1799066A (zh) 使用概率框架的基于块的分析的计算机视觉方法及系统
Tamou et al. Transfer learning with deep convolutional neural network for underwater live fish recognition
CN114387505A (zh) 一种高光谱与激光雷达多模态遥感数据分类方法及系统
TWI729587B (zh) 物件定位系統及方法
Mohaghegh et al. Aggregation of rich depth-aware features in a modified stacked generalization model for single image depth estimation
CN109389134A (zh) 一种肉制品加工生产线监控信息系统的图像处理方法
Muñoz-Benavent et al. Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing
Ramwala et al. Image de-raining for driver assistance systems using U-Net based GAN
CN115147450B (zh) 基于运动帧差图像的移动目标检测方法及检测装置
Lee et al. A 4K-capable hardware accelerator of haze removal algorithm using haze-relevant features
CN109919863B (zh) 一种全自动菌落计数仪、系统及其菌落计数方法
CN113537359A (zh) 训练数据的生成方法及装置、计算机可读介质和电子设备
Rimavičius et al. Automatic benthic imagery recognition using a hierarchical two-stage approach

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230413

Address after: 072530 Gebao Village, Tang County, Baoding City, Hebei Province

Patentee after: Baoding Ruili Food Co.,Ltd.

Address before: No. 3203, block C, Range Rover mansion, No. 588, Gangcheng East Street, Laishan District, Yantai City, Shandong Province, 264003

Patentee before: SHANDONG HENGHAO INFORMATION TECHNOLOGY Co.,Ltd.