CN109682821A - 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 - Google Patents
一种基于多尺度高斯函数的柑橘表面缺陷检测方法 Download PDFInfo
- Publication number
- CN109682821A CN109682821A CN201811471274.3A CN201811471274A CN109682821A CN 109682821 A CN109682821 A CN 109682821A CN 201811471274 A CN201811471274 A CN 201811471274A CN 109682821 A CN109682821 A CN 109682821A
- Authority
- CN
- China
- Prior art keywords
- citrus
- component
- gaussian function
- multiple dimensioned
- image
- 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
- 241000207199 Citrus Species 0.000 title claims abstract description 52
- 235000020971 citrus fruits Nutrition 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 14
- 238000000265 homogenisation Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 6
- 239000011087 paperboard Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000011218 segmentation Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 235000013399 edible fruits Nutrition 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 241001164374 Calyx Species 0.000 description 1
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于计算机视觉图像处理技术领域,公开了一种基于多尺度高斯函数的柑橘表面缺陷检测方法,利用柑橘图像HSI颜色空间模型的I分量图构建二值掩模模板Imask,掩模模板Imask与I分量图进行点乘运算后得到去除背景的I分量图像F(x,y);通过构建多尺度高斯函数滤波器G(x,y),将G(x,y)与F(x,y)做卷积运算即可得到去除背景的I分量表面光照分量图I(x,y);将F(x,y)与I(x,y)做点除运算,得到去除背景的I分量表面均一化亮度图像f(x,y),对f(x,y)采用单阈值法即可实现对柑橘表面缺陷检测。本发明提高了缺陷分割效率,克服了传统缺陷检测算法的复杂性,具有较好的适应性。
Description
技术领域
本发明属于计算机视觉图像处理技术领域,尤其涉及一种基于多尺度高斯函数的柑橘表面缺陷检测方法。
背景技术
柑橘表面缺陷一直是柑橘所有外在品质检测、分级中的难点,且柑橘表面缺陷也是决定价格最有力的因素之一,因为外部缺陷是对柑橘品质最为直接的反映。国内外大量研究学者在通过计算机视觉方式检测柑橘表面缺陷时发现,由于大多数柑橘呈球体或类球体且表面粗糙,导致光照反射不均匀,造成柑橘表面亮度不均,在灰度图像上表现为中部区域亮度高,边缘区域灰度低,而柑橘表面缺陷通常也是以灰度值较低的方式存在,缺陷区域灰度与正常区域灰度存在交叉,这就直接导致了对缺陷提取的困难甚至是无法提取。
目前对水果缺陷检测的方法主要分为两大类:基于计算机视觉的图像形态学处理方法和基于高光谱成像技术的水果品质无损检测。
现有技术1:
图像形态学处理是是图像处理中应用最为广泛的技术之一,主要用于从图像中提取对表达和描绘区域形状有意义的图像分量,使后续的识别工作能够抓住目标对象最为本质的形状特征。如中国专利(2015)CN105046700A介绍了一种基于亮度校正与颜色分类的水果表面缺陷检测方法及系统,首先获取待检测水果RGB图像中的R分量图像并对其进行亮度校正,在获取RGB图像中每个像素点对应的HSI颜色模型中的H值并与预设颜色的H值进行判断比较,将果梗及花萼区域的灰度值置零,获取水果表面的缺陷区域;中国专利(2016)CN105675625A记载了一种梯度迭代阈值分割的水果表面缺陷检测方法,首先去除背景并二值化并计算出灰度图的归一化梯度图像,得到分割阈值并对图像分割得到梯度二值化图像,与轮廓边缘膨胀图像相减获得差值图像,最后通过图像形态学操作获得水果表面缺陷图像。虽然以上方法都取得了较好的水果表面缺陷检测效果,但这些算法大都较为复杂且耗时。
现有技术2:
得益于光谱技术的发展,高光谱成像技术已广泛应用于农产品快速无损检测中。该技术既可检测物体的外部品质,也可检测物体的内部品质。如张保华等人综述了高光谱成像技术在水果外部品质、内部品质检测中的原理、发展和应用并讨论了高光谱成像系统的发展趋势及存在的问题。(张保华,李江波,樊书祥,等.高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J].光谱学与光谱分析,2014,34(10):2743-2751.);孙梅等人基于高光谱成像技术和主成分分析方法分析了苹果的风伤和压伤,并优选出714nm最为苹果风伤研究的最佳特征波长。(孙梅,陈兴海,张恒,等.高光谱成像技术的苹果品质无损检测[J].红外与激光工程,2014,43(4):1272-1277.)。高光谱成像检测技术的优异性不言而喻,但该技术的硬件成本过高,导致难以推广。
通过构建掩模图像并去除背景,利用低通滤波器获取图像的亮度分量,通过对该亮度分量的校正后可以利用一个简单的阈值来提取水果图像表面的缺陷。
综上所述,现有技术存在检测柑橘表面缺陷算法复杂、适用性低、成本高、难以适应在线检测的问题,因此需要新的柑橘表面缺陷检测方法。
发明内容
本发明的目的在于提供了一种基于多尺度高斯函数的柑橘表面缺陷检测方法,相比传统识别方法更简单且不依赖成本较高的复杂硬件成像技术,实用性较广。
本发明解决其技术问题所采用技术方案的步骤如下:
1):图像获取:以黑色板纸为背景,将柑橘放在样本台上,拍摄柑橘彩色图像;
2):背景去除:基于HSI颜色空间模型,根据I分量灰度直方图,采用双峰法选取阈值T=75对I分量图像二值化后形成二值掩模模板Imask,即将柑橘区域置为1,其余区域置为0。利用公式:
F(x,y)=I.*Imask,
I分量图像与二值掩模模板Imask通过点乘运算得到去除背景后的I分量图像F(x,y);
3):构建多尺度高斯函数滤波器:利用公式:
可得到多尺度高斯函数滤波器G(x,y),式中,变量μ是归一化常数,λ是尺度因子;
4):光照分量获取:利用多尺度高斯函数滤波器G(x,y)与去除背景后的I分量图像F(x,y)做卷积运算,即可得到光照分量I(x,y),公式为
5):亮度均一化:利用公式:
对去除背景后的I分量图像F(x,y)表面亮度进行均一化校正;
6):缺陷提取:基于亮度均一化校正后的图像f(x,y),采用单阈值法对柑橘表面缺陷进行提取。
综上所述,本发明的优点及积极效果为:
本发明具有的有益的效果是:
本发明通过对柑橘灰度图像表面亮度不均校正,使柑橘表面缺陷提取简化为单阈值法分割,克服了传统缺陷检测算法的复杂性,同时也避免了高光谱成像等技术带来的高成本问题;检测过程中无需考虑柑橘大小和形状,具有较好的适应性,能够有效检测不同灰度等级的柑橘表面缺陷。
附图说明
图1是本发明实施例提供的基于多尺度高斯函数的柑橘表面缺陷检测方法流程图。
图2是本发明实施例提供的基于多尺度高斯函数的柑橘表面缺陷检测方法流程图。
图3是本发明实施例1中提供的柑橘原始RGB图像。
图4是本发明实施例1中提供的I分量图像。
图5是本发明实施例1中提供的I分量灰度直方图图像。
图6是本发明实施例1中提供的二值掩模模板Imask图像。
图7是本发明实施例1中提供的去除背景的I分量图像F(x,y)。
图8是本发明实施例1中提供的基于多尺度高斯函数校正的光照分量图像I(x,y)。
图9是本发明实施例1中提供的基于亮度均一化校正后的图像f(x,y)。
图10是本发明实施例1中提供的单阈值缺陷分割后的二值图像。
图11是本发明实施例1中提供的穿过柑橘缺陷处的灰度剖面线强度图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图和具体实施例对本发明作详细的说明。
如图1所示,本发明实施例提供的基于多尺度高斯函数的柑橘表面缺陷检测方法包括以下步骤:
S101:图像获取:以黑色板纸为背景,将柑橘放在样本台上,拍摄柑橘彩色图像;
S102:背景去除:基于HSI颜色空间模型,然后根据直方图选取阈值T=75对I分量图像二值化后形成;二值掩模图像Imask,二者通过点乘运算得到去除背景后的I分量图像F(x,y);
S103:构建多尺度高斯函数滤波器G(x,y);
S104:获取光照分量I(x,y);
S105:对去除背景后的I分量图像F(x,y)表面亮度进行均一化校正;
S106:缺陷提取:基于亮度校正后的图像f(x,y),设定一个全局阈值即可对柑橘表面缺陷进行提取。
下面结合附图对本发明的应用原理作进一步的描述。
如图1和图2所示,本实施例包括以下步骤:
1)图像获取:以黑色板纸为背景,将柑橘放在样本台上,拍摄柑橘彩色图像,如图3所示;
2)去除背景:基于HSI颜色空间模型,提取I分量图像,如图4所示;根据I分量灰度直方图(直方图左边的峰代表背景,右边的峰代表柑橘),如图5所示;利用双峰法选取阈值T=75对I分量图像二值化得到二值掩模模板Imask,即将柑橘区域置为1,其他区域置为0,如图6所示。利用公式:
F(x,y)=I.*Imask,
I分量图像与二值掩模图像Imask通过点乘运算获得去除背景后的I分量图像F(x,y),如图7所示;
3)构建多尺度高斯函数滤波器:利用公式:
可得到多尺度高斯函数G(x,y),式中,变量μ是归一化常数,λ是尺度因子,多尺度高斯函数可以在有效压缩图像动态范围的同时准确预估出场景的照射分量;
4)光照分量获取:利用构建的多尺度高斯函数滤波器G(x,y)与去除背景后的I分量图像F(x,y)做卷积运算,即可得到光照分量I(x,y),如图8所示,公式为
5)亮度均一化:利用公式:
对去除背景后的I分量图像F(x,y)表面亮度进行均一化校正,如图9所示;
6)缺陷提取:基于亮度校正后的图像f(x,y),采用单阈值法对柑橘表面进行缺陷提取,如图10所示。
7)柑橘灰度图像表面亮度校正效果比较:利用强度曲线图穿过缺陷区域来对算法进行验证,如图11,可以发现校正后的灰度图像无论是中部区域还是边缘区域均被提亮,且正常区域与缺陷区域的灰度差被拉大,有利于缺陷的提取。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述检测方法利用柑橘图像HSI颜色空间模型的I分量图构建二值掩模模板Imask,掩模模板Imask与I分量图进行点乘运算后得到去除背景的I分量图像F(x,y);通过构建多尺度高斯函数滤波器G(x,y),将G(x,y)与F(x,y)做卷积运算即可得到去除背景的I分量表面光照分量图I(x,y);将F(x,y)与I(x,y)做点除运算,得到去除背景的I分量表面均一化亮度图像f(x,y),对f(x,y)采用单阈值法即可实现柑橘表面缺陷检测。
2.如权利要求1所述的基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述检测方法的步骤为:
(1)图像获取;
(2)背景去除;
(3)构建多尺度高斯函数滤波器;
(4)光照分量获取;
(5)亮度均一化;
(6)缺陷提取。
3.如权利要求2所述基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述图像获取方法为:以黑色板纸为背景,将柑橘放在样本台上,拍摄柑橘RGB彩色图像。
4.如权利要求2所述基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述背景去除方法为:基于HSI颜色空间模型,根据I分量灰度直方图,采用双峰法选取阈值T=75对I分量图像二值化形成二值掩模模板Imask,即将柑橘区域置为1,其余区域置为0;利用公式:
F(x,y)=I.*Imask,
I分量图与二值掩模模板Imask通过点乘运算得到去除背景后的I分量图像F(x,y)。
5.如权利要求2所述基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述构建多尺度高斯函数滤波器方法为:利用公式:
可得到多尺度高斯函数滤波器G(x,y),式中,变量μ是归一化常数,λ是尺度因子。
6.如权利要求2所述基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述光照分量获取方法为:利用构建的多尺度高斯函数滤波器G(x,y)与去除背景后的I分量图像F(x,y)做卷积运算,即可得到去除背景的I分量表面光照分量图I(x,y),公式为
7.如权利要求2所述基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述亮度均一化方法为:利用公式:
对去除背景后的I分量图像F(x,y)表面亮度进行均一化校正。
8.如权利要求2所述基于多尺度高斯函数的柑橘表面缺陷检测方法,其特征在于,所述缺陷提取方法为:基于亮度均一化校正后的图像f(x,y),设定一个全局阈值即可对柑橘表面缺陷进行提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471274.3A CN109682821B (zh) | 2018-12-04 | 2018-12-04 | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811471274.3A CN109682821B (zh) | 2018-12-04 | 2018-12-04 | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109682821A true CN109682821A (zh) | 2019-04-26 |
CN109682821B CN109682821B (zh) | 2022-01-11 |
Family
ID=66186450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811471274.3A Expired - Fee Related CN109682821B (zh) | 2018-12-04 | 2018-12-04 | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109682821B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455824A (zh) * | 2019-08-14 | 2019-11-15 | 重庆科正花果苗木有限责任公司 | 一种基于大数据分析的大棚柑橘上市时间调控系统 |
CN112730482A (zh) * | 2021-01-05 | 2021-04-30 | 江苏大学 | 一种基于x射线成像的柑橘枯水浮皮检测装置及方法 |
CN115205853A (zh) * | 2022-09-19 | 2022-10-18 | 华中农业大学 | 一种基于图像的柑橘果实检测与识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984346A (zh) * | 2010-10-19 | 2011-03-09 | 浙江大学 | 基于低通滤波的水果表面缺陷检测方法 |
CN104318542A (zh) * | 2014-11-20 | 2015-01-28 | 上海华力创通半导体有限公司 | 图像增强处理算法 |
CN105070247A (zh) * | 2015-07-29 | 2015-11-18 | 信利(惠州)智能显示有限公司 | 显示屏中亮度不均匀像素点的确定方法 |
CN105427274A (zh) * | 2015-10-28 | 2016-03-23 | 北京农业智能装备技术研究中心 | 一种由青霉感染引起腐烂的柑橘图像检测方法 |
-
2018
- 2018-12-04 CN CN201811471274.3A patent/CN109682821B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984346A (zh) * | 2010-10-19 | 2011-03-09 | 浙江大学 | 基于低通滤波的水果表面缺陷检测方法 |
CN104318542A (zh) * | 2014-11-20 | 2015-01-28 | 上海华力创通半导体有限公司 | 图像增强处理算法 |
CN105070247A (zh) * | 2015-07-29 | 2015-11-18 | 信利(惠州)智能显示有限公司 | 显示屏中亮度不均匀像素点的确定方法 |
CN105427274A (zh) * | 2015-10-28 | 2016-03-23 | 北京农业智能装备技术研究中心 | 一种由青霉感染引起腐烂的柑橘图像检测方法 |
Non-Patent Citations (3)
Title |
---|
周海英 等: "基于机器视觉的梨表面缺陷检测方法研究", 《计算机与数字工程》 * |
李江波 等: "基于照度-反射模型的脐橙表面缺陷检测", 《农业工程学报》 * |
李福文 等: "基于Retinex模型的彩色图像全局增强算法", 《北京理工大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455824A (zh) * | 2019-08-14 | 2019-11-15 | 重庆科正花果苗木有限责任公司 | 一种基于大数据分析的大棚柑橘上市时间调控系统 |
CN112730482A (zh) * | 2021-01-05 | 2021-04-30 | 江苏大学 | 一种基于x射线成像的柑橘枯水浮皮检测装置及方法 |
CN112730482B (zh) * | 2021-01-05 | 2023-01-17 | 江苏大学 | 一种基于x射线成像的柑橘枯水浮皮检测装置及方法 |
CN115205853A (zh) * | 2022-09-19 | 2022-10-18 | 华中农业大学 | 一种基于图像的柑橘果实检测与识别方法及系统 |
CN115205853B (zh) * | 2022-09-19 | 2022-12-27 | 华中农业大学 | 一种基于图像的柑橘果实检测与识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109682821B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Detection of early rottenness on apples by using hyperspectral imaging combined with spectral analysis and image processing | |
Sun et al. | A method for rapid identification of rice origin by hyperspectral imaging technology | |
Gao et al. | Application of hyperspectral imaging technology to discriminate different geographical origins of Jatropha curcas L. seeds | |
CN109087274A (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
CN106296670B (zh) | 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法 | |
Pedreschi et al. | Computer vision classification of potato chips by color | |
Zhang et al. | Detection of common defects on mandarins by using visible and near infrared hyperspectral imaging | |
CN109682821A (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
CN104181170B (zh) | 基于光谱图像分析的水果外表检测方法 | |
Zhang et al. | Identification of common skin defects and classification of early decayed citrus using hyperspectral imaging technique | |
Park et al. | Multi-spectral image analysis using neural network algorithm for inspection of poultry carcasses | |
CN107784634A (zh) | 一种基于模板匹配的输电线杆塔鸟巢识别方法 | |
CN109613023A (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
CN107969148A (zh) | 图像分析系统和方法 | |
Bu et al. | Thermography sequence processing and defect edge identification of tbc structure debonding defects detection using long-pulsed infrared wave non-destructive testing technology | |
JP2023523606A (ja) | ハイパースペクトル画像による隠蔽物質の検出 | |
ElMasry et al. | Effectiveness of specularity removal from hyperspectral images on the quality of spectral signatures of food products | |
Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium | |
Ghamisi et al. | Anomaly detection in automated fibre placement: Learning with data limitations | |
Yang et al. | Early apple bruise recognition based on near-infrared imaging and grayscale gradient images | |
CA3095089A1 (fr) | Methode de detection de cellules presentant au moins une anomalie dans un echantilllon cytologique | |
Erener et al. | A methodology for land use change detection of high resolution pan images based on texture analysis | |
WO2007004864A1 (en) | Method and apparatus for visual object recognition | |
CN115343313A (zh) | 基于人工智能的视觉识别方法 | |
Palananda et al. | Turbidity of coconut oil determination using the mamoh method in image processing |
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: 20220111 |