CN109543532A - 一种基于分类标准和人类行为的纤维分类的方法 - Google Patents
一种基于分类标准和人类行为的纤维分类的方法 Download PDFInfo
- Publication number
- CN109543532A CN109543532A CN201811223936.5A CN201811223936A CN109543532A CN 109543532 A CN109543532 A CN 109543532A CN 201811223936 A CN201811223936 A CN 201811223936A CN 109543532 A CN109543532 A CN 109543532A
- Authority
- CN
- China
- Prior art keywords
- fibre
- fiber
- convolutional neural
- neural networks
- heuritic approach
- 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
- 239000000835 fiber Substances 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000002203 pretreatment Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 abstract description 2
- 101100377706 Escherichia phage T5 A2.2 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001889 high-resolution electron micrograph Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000002268 wool Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Treatment Of Fiber Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于分类标准和人类行为的纤维分类的方法，包括：提供待测纤维的纤维图像，并执行步骤S2.1至步骤S2.2和/或步骤S3.1；对纤维图像进行预处理步骤，得到若干具有相同高度和相同宽度的纤维片段；将若干纤维片段输入卷积神经网络，卷积神经网络对纤维片段进行分类并输出；将若干纤维图像输入半启发式算法模块，半启发式算法模块对纤维图像进行分类并输出；本发明通过卷积神经网络和半启发式算法模块分别独立地作为分类器自动工作，监管或组合成统计模型，以预测每个待测纤维或待测纤维的纤维片段的具有一定置信度的分类结果。
Description
技术领域
本发明涉及纤维分类的技术领域，尤其涉及一种基于分类标准和人类行为的纤维分类的方法。
背景技术
目前的天然纤维分类工作流程受到ISO标准和扩展的中国标准的严格监管。为了区分一种天然纤维与另一种天然纤维的来源(例如来自羊毛的绒或来自牦牛的绒)，其步骤的顺序通常由人类专家进行图像采集、测量纤维直径、并识别鳞片的全部排列来进行。这是一项耗时的任务，需要专家的专业知识和奉献精神。特别是对于纤维混合物，需要以更高的精度进行识别。
一些高质量的纤维仅通过光学显微镜难以区分，因此需要使用扫描电子显微镜(SEM)，并咨询相应的专家以得出确定的答案，这需要更长的时间
实际上，目前已出现采用视觉进行天然纤维分类的方法，但是利用高分辨率的扫描电子显微图像对天然纤维进行分类的方法亟待开发。
发明内容
有鉴于此，本发明的目的在于提供一种基于分类标准和人类行为的纤维分类的方法。
为了实现上述目的，本发明采取的技术方案为：
一种基于分类标准和人类行为的纤维分类的方法，其中，包括：
步骤S1：提供待测纤维的纤维图像，并执行步骤S2.1至步骤S2.2和/或步骤S3.1；
步骤S2.1：对所述纤维图像进行预处理步骤，得到若干具有相同高度和相同宽度的纤维片段；
步骤S2.2：将若干所述纤维片段输入卷积神经网络，所述卷积神经网络对所述纤维片段进行分类并输出；
步骤S3.1：将若干所述纤维图像输入半启发式算法模块，所述半启发式算法模块对所述纤维图像进行分类并输出；
其中，所述卷积神经网络包括若干用于检测视觉特性的卷积块、以及若干用于分类的密集块，所述卷积神经网络通过纤维图像训练集和纤维图像验证集进行训练；
其中，所述半启发式算法模块预设有纤维的特征向量标准数据集，所述半启发式算法模块检测所述待测纤维的特征向量并与所述特征向量标准数据集相比对，从而进行分类并输出。
上述的基于分类标准和人类行为的纤维分类的方法，其中，步骤S2.1中，所述预处理步骤包括：
步骤S2.11：将所述纤维图像的高度扩展至第一指定像素；
步骤S2.12：将所述纤维图像切割成若干宽度为第二指定像素的部分，从而得到若干高度为第一指定像素、宽度为第二指定像素的所述纤维片段。
上述的基于分类标准和人类行为的纤维分类的方法，其中，在所述步骤S2.11中，通过填充空像素将所述纤维图像的高度扩展至第一指定像素。
上述的基于分类标准和人类行为的纤维分类的方法，其中，所述特征向量用于描述纤维的物理特性或视觉特性，所述特征向量包括：用于描述纤维的空间尺寸的第一度量组、用于描述纤维的边界形貌的第二度量组、用于描述纤维的鳞片形态的第三度量组和用于描述纤维的颜色的第四度量组。
上述的基于分类标准和人类行为的纤维分类的方法，其中，所述卷积神经网络和所述半启发式算法模块分别预设有若干类型标签，所述卷积神经网络和所述半启发式算法模块分别输出所述待测纤维被分类为其中一所述类型标签的概率。
上述的基于分类标准和人类行为的纤维分类的方法，其中，所述卷积神经网络和所述半启发式算法模块均将具有最高概率的所述类型标签作为结果标签。
上述的基于分类标准和人类行为的纤维分类的方法，其中，还包括：
步骤S4，判断所述卷积神经网络输出的所述结果标签和所述半启发式算法模块输出的所述结果标签是否相同，若相同则执行步骤S5，若不相同则执行步骤S6；
步骤S5：将所述待测纤维分类为所述结果标签；
步骤S6：将所述待测纤维分类为未识别结果。
上述的基于分类标准和人类行为的纤维分类的方法，其中，为所述卷积神经网络输出的概率设置第一最小阈值，若所述卷积神经网络输出的所述概率小于所述第一最小阈值，则所述卷积神经网络将所述结果标签标记为未识别。
上述的基于分类标准和人类行为的纤维分类的方法，其中，为所述半启发式算法模块的概率设置第二最小阈值，若所述半启发式算法模块输出的所述概率小于所述第二最小阈值，则所述半启发式算法模块将所述结果标签标记为未识别。
本发明由于采用了上述技术，使之与现有技术相比具有的积极效果是：
(1)本发明通过卷积神经网络和半启发式算法模块分别独立地作为分类器自动工作，监管或组合成统计模型，以预测每个待测纤维或待测纤维的纤维片段的具有一定置信度的分类结果。
附图说明
图1是本发明的基于分类标准和人类行为的纤维分类的方法的第一实施例的流程图。
图2是本发明的基于分类标准和人类行为的纤维分类的方法的第二实施例的流程图。
图3是本发明的基于分类标准和人类行为的纤维分类的方法的第三实施例的流程图。
图4是本发明的基于分类标准和人类行为的纤维分类的方法的预处理步骤的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
第一实施例：
图1是本发明的基于分类标准和人类行为的纤维分类的方法的第一实施例的流程图，图4是本发明的基于分类标准和人类行为的纤维分类的方法的预处理步骤的流程图。请参见图1、图4所示，示出了第一种较佳实施例的基于分类标准和人类行为的纤维分类的方法，包括：
步骤S1：提供待测纤维的纤维图像；
步骤S2.1：对纤维图像进行预处理步骤，得到若干具有相同高度和相同宽度的纤维片段；
步骤S2.2：将若干纤维片段输入卷积神经网络，卷积神经网络对纤维片段进行分类并输出；
步骤S3.1：将若干纤维图像输入半启发式算法模块，半启发式算法模块对纤维图像进行分类并输出；
其中，卷积神经网络包括若干用于检测视觉特性的卷积块、以及若干用于分类的密集块，卷积神经网络通过纤维图像训练集和纤维图像验证集进行训练；
其中，半启发式算法模块预设有纤维的特征向量标准数据集，半启发式算法模块检测待测纤维的特征向量并与特征向量标准数据集相比对，从而进行分类并输出。
此外，作为一种较佳的实施例，步骤S2.1中，预处理步骤包括：
步骤S2.11：将纤维图像的高度扩展至第一指定像素；
步骤S2.12：将纤维图像切割成若干宽度为第二指定像素的部分，从而得到若干高度为第一指定像素、宽度为第二指定像素的纤维片段。
进一步，作为一种较佳的实施例，在步骤S2.11中，通过填充空像素将纤维图像的高度扩展至第一指定像素。
具体地，在步骤S2.11中，将纤维图像的高度通过填充0像素扩展至224像素。
具体地，在步骤S2.12中，将纤维图像切割成若干个宽度为384像素的部分，从而得到尺寸为224×384像素的纤维片段。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围。
本发明在上述基础上还具有如下实施方式：
本发明的进一步实施例中，特征向量用于描述纤维的物理特性或视觉特性，特征向量包括：用于描述纤维的空间尺寸的第一度量组、用于描述纤维的边界形貌的第二度量组、用于描述纤维的鳞片形态的第三度量组和用于描述纤维的颜色的第四度量组。
其中，第一度量组描述了纤维的在大尺寸上的形状和结构，第二度量组进一步地描述了纤维的边界和内部的微观结构，第三度量组更进一步地描述了纤维的内部的鳞片的微观结构，第四度量组描述了纤维的颜色。
本发明的进一步实施例中，优选地，所述第一度量值可以或至少包括：纤维的中线的长度、沿纤维的弧长测量的纤维直径的最大值、沿纤维的弧长测量的纤维直径的最小值、沿纤维的弧长测量的纤维直径的平均值、纤维直径的绝对标准差、经过平均值归一化的纤维直径的绝对标准差、纤维直径的偏度、纤维直径的峰度以及纤维直径的空间变化。
本发明的进一步实施例中，沿纤维的水平中线使用1D信号，即可直接得到或计算得到第二度量组的若干特征。
本发明的进一步实施例中，优选地，所述第二度量值可以或至少包括：分形、纤维边界的顶部和纤维边界的底部的协方差、纤维边界的每个点处的切线斜率的协方差、纤维高度的最大值和纤维高度的最小值之间的平均距离、纤维的边缘处的鳞片高度的平均正斜率、纤维的边缘处的鳞片高度的平均负斜率。
本发明的进一步实施例中，通过归一化1D信号测量纤维内部的鳞片形态得到第三组度量值的若干特征。
本发明的进一步实施例中，优选地，所述第三度量值可以或至少包括：所获得的归一化1D信号的功率谱密度。
本发明的进一步实施例中，优选地，所述第四度量组可以或至少包括：纤维在CIELab系统中的每一通道的强度的最大值、纤维在CIELab系统中的每一通道的强度的最大值的一半处的两个值、以及纤维在RGB系统中的每一通道的平均强度。
其中，L通道为明度通道、a通道和b通道为两个色度通道，R通道、G通道和B通道分别为红色通道、绿色通道和蓝色通道。
本发明的进一步实施例中，卷积神经网络和半启发式算法模块分别预设有若干类型标签，卷积神经网络和半启发式算法模块分别输出待测纤维被分类为其中一类型标签的概率。
具体地，卷积神经网络和半启发式算法模块首先得到若干个纤维片段中每个纤维片段的概率，再通过取若干个纤维片段的概率的平均值得到待测纤维被分类为其中一类型标签的整体概率。
本发明的进一步实施例中，卷积神经网络和半启发式算法模块均将具有最高概率的类型标签作为结果标签。
本发明的进一步实施例中，基于上述的步骤S1、步骤S2.1、步骤S2.2和步骤S3.1还包括：
步骤S4，判断卷积神经网络输出的结果标签和半启发式算法模块输出的结果标签是否相同，若相同则执行步骤S5，若不相同则执行步骤S6；
步骤S5：将待测纤维分类为结果标签；
步骤S6：将待测纤维分类为未识别。
本发明的进一步实施例中，为卷积神经网络输出的概率设置第一最小阈值，若卷积神经网络输出的概率小于第一最小阈值，则卷积神经网络将结果标签标记为未识别。
本发明的进一步实施例中，为半启发式算法模块的概率设置第二最小阈值，若半启发式算法模块输出的概率小于第二最小阈值，则半启发式算法模块将结果标签标记为未识别。
第二实施例：
图2是本发明的基于分类标准和人类行为的纤维分类的方法的第二实施例的流程图，请参见图2所示，示出了第二种较佳实施例的基于分类标准和人类行为的纤维分类的方法，包括：
步骤A1：提供待测纤维的纤维图像；
步骤A2.1：对纤维图像进行预处理步骤，得到若干具有相同高度和相同宽度的纤维片段；
步骤A2.2：将若干纤维片段输入卷积神经网络，卷积神经网络对纤维片段进行分类并输出。
第三实施例：
图3是本发明的基于分类标准和人类行为的纤维分类的方法的第二实施例的流程图，请参见图3所示，示出了第三种较佳实施例的基于分类标准和人类行为的纤维分类的方法，包括：
步骤B1：提供待测纤维的纤维图像；
步骤B3.1：将若干纤维图像输入半启发式算法模块，半启发式算法模块对纤维图像进行分类并输出。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (9)
1.一种基于分类标准和人类行为的纤维分类的方法，其特征在于，包括：
步骤S1：提供待测纤维的纤维图像，并执行步骤S2.1至步骤S2.2和/或步骤S3.1；
步骤S2.1：对所述纤维图像进行预处理步骤，得到若干具有相同高度和相同宽度的纤维片段；
步骤S2.2：将若干所述纤维片段输入卷积神经网络，所述卷积神经网络对所述纤维片段进行分类并输出；
步骤S3.1：将若干所述纤维图像输入半启发式算法模块，所述半启发式算法模块对所述纤维图像进行分类并输出；
其中，所述卷积神经网络包括若干用于检测视觉特性的卷积块、以及若干用于分类的密集块，所述卷积神经网络通过纤维图像训练集和纤维图像验证集进行训练；
其中，所述半启发式算法模块预设有纤维的特征向量标准数据集，所述半启发式算法模块检测所述待测纤维的特征向量并与所述特征向量标准数据集相比对，从而进行分类并输出。
2.根据权利要求1所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，步骤S2.1中，所述预处理步骤包括：
步骤S2.11：将所述纤维图像的高度扩展至第一指定像素；
步骤S2.12：将所述纤维图像切割成若干宽度为第二指定像素的部分，从而得到若干高度为第一指定像素、宽度为第二指定像素的所述纤维片段。
3.根据权利要求2所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，在所述步骤S2.11中，通过填充空像素将所述纤维图像的高度扩展至第一指定像素。
4.根据权利要求3所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，所述特征向量包括：用于描述纤维的空间尺寸的第一度量组、用于描述纤维的边界形貌的第二度量组、用于描述纤维的鳞片形态的第三度量组和用于描述纤维的颜色的第四度量组。
5.根据权利要求4所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，所述卷积神经网络和所述半启发式算法模块分别预设有若干类型标签，所述卷积神经网络和所述半启发式算法模块分别输出所述待测纤维被分类为其中一所述类型标签的概率。
6.根据权利要求5所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，所述卷积神经网络和所述半启发式算法模块均将具有最高概率的所述类型标签作为结果标签。
7.根据权利要求6所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，还包括：
步骤S4，判断所述卷积神经网络输出的所述结果标签和所述半启发式算法模块输出的所述结果标签是否相同，若相同则执行步骤S5，若不相同则执行步骤S6；
步骤S5：将所述待测纤维分类为所述结果标签；
步骤S6：将所述待测纤维分类为未识别结果。
8.根据权利要求6所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，为所述卷积神经网络输出的概率设置第一最小阈值，若所述卷积神经网络输出的所述概率小于所述第一最小阈值，则所述卷积神经网络将所述结果标签标记为未识别。
9.根据权利要求6所述的基于分类标准和人类行为的纤维分类的方法，其特征在于，为所述半启发式算法模块的概率设置第二最小阈值，若所述半启发式算法模块输出的所述概率小于所述第二最小阈值，则所述半启发式算法模块将所述结果标签标记为未识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811223936.5A CN109543532B (zh) | 2018-10-19 | 2018-10-19 | 一种基于分类标准和人类行为的纤维分类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811223936.5A CN109543532B (zh) | 2018-10-19 | 2018-10-19 | 一种基于分类标准和人类行为的纤维分类的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109543532A true CN109543532A (zh) | 2019-03-29 |
| CN109543532B CN109543532B (zh) | 2023-07-28 |
Family
ID=65844317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811223936.5A Expired - Fee Related CN109543532B (zh) | 2018-10-19 | 2018-10-19 | 一种基于分类标准和人类行为的纤维分类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543532B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101358931A (zh) * | 2008-08-22 | 2009-02-04 | 北京中棉机械成套设备有限公司 | 棉花中异性纤维的检测计量装置及检测计量方法 |
| CN101482927A (zh) * | 2009-02-06 | 2009-07-15 | 中国农业大学 | 基于自动视觉检测的异性纤维模糊分类系统及其方法 |
| CN105095907A (zh) * | 2014-05-12 | 2015-11-25 | 浙江理工大学 | 一种基于rbf神经网络的棉花异质纤维鉴别方法 |
| CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
| WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
| CN107909107A (zh) * | 2017-11-14 | 2018-04-13 | 深圳码隆科技有限公司 | 纤维检测方法、装置及电子设备 |
| CN108038838A (zh) * | 2017-11-06 | 2018-05-15 | 武汉纺织大学 | 一种棉麻纤维种类自动检测方法和系统 |
| CN108090498A (zh) * | 2017-12-28 | 2018-05-29 | 广东工业大学 | 一种基于深度学习的纤维识别方法及装置 |
-
2018
- 2018-10-19 CN CN201811223936.5A patent/CN109543532B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101358931A (zh) * | 2008-08-22 | 2009-02-04 | 北京中棉机械成套设备有限公司 | 棉花中异性纤维的检测计量装置及检测计量方法 |
| CN101482927A (zh) * | 2009-02-06 | 2009-07-15 | 中国农业大学 | 基于自动视觉检测的异性纤维模糊分类系统及其方法 |
| CN105095907A (zh) * | 2014-05-12 | 2015-11-25 | 浙江理工大学 | 一种基于rbf神经网络的棉花异质纤维鉴别方法 |
| CN105760877A (zh) * | 2016-02-19 | 2016-07-13 | 天纺标检测科技有限公司 | 一种基于灰度共生矩阵模型的羊毛羊绒识别算法 |
| WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
| CN108038838A (zh) * | 2017-11-06 | 2018-05-15 | 武汉纺织大学 | 一种棉麻纤维种类自动检测方法和系统 |
| CN107909107A (zh) * | 2017-11-14 | 2018-04-13 | 深圳码隆科技有限公司 | 纤维检测方法、装置及电子设备 |
| CN108090498A (zh) * | 2017-12-28 | 2018-05-29 | 广东工业大学 | 一种基于深度学习的纤维识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| XINXIN WANG ET AL.: "Fiber Image Classification Using Convolutional Neural Networks", 《THE 2017 4TH INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS (ICSAI 2017)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109543532B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10565479B1 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
| CN103914708B (zh) | 基于机器视觉的食品品种检测方法及系统 | |
| US8064680B2 (en) | Process for segmenting leukocytes | |
| CN109829914A (zh) | 检测产品缺陷的方法和装置 | |
| CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
| CN115294116B (zh) | 基于人工智能的纺织材料染色质量评估方法、装置及系统 | |
| CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
| CN110189383B (zh) | 基于机器学习的中医舌色苔色定量分析方法 | |
| CN114757900A (zh) | 基于人工智能的纺织品缺陷类型识别方法 | |
| CN104463138B (zh) | 基于视觉结构属性的文本定位方法及系统 | |
| CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN104597057A (zh) | 一种基于机器视觉的柱状二极管表面缺陷检测装置 | |
| CN113283405A (zh) | 口罩检测方法、装置、计算机设备及存储介质 | |
| CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
| CN109492544A (zh) | 一种通过增强光学显微镜对动物纤维进行分类的方法 | |
| CN106093051A (zh) | 基于机器视觉的纸卷切面毛刺检测方法及装置 | |
| CN116934787A (zh) | 基于边缘检测的图像处理方法 | |
| CN106157301A (zh) | 一种用于图像边缘检测的阈值自确定方法及装置 | |
| CN114937042B (zh) | 基于机器视觉的塑料制品质量评估方法 | |
| CN109543532A (zh) | 一种基于分类标准和人类行为的纤维分类的方法 | |
| KR101801266B1 (ko) | 이미지 분류 방법 및 장치 | |
| CN115222732B (zh) | 一种基于大数据分析和色差检测的注塑工艺异常检测方法 | |
| CN103927544A (zh) | 皮棉轧工质量的机器视觉分级方法 | |
| Siddaiah et al. | Identification of trash types in ginned cotton using neuro fuzzy techniques | |
| CN115761013A (zh) | 一种基于有无纹理分类的布匹色差检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230728 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |