CN109685786A - 一种禽蛋表面裂纹的无损检测及自动分级方法 - Google Patents
一种禽蛋表面裂纹的无损检测及自动分级方法 Download PDFInfo
- Publication number
- CN109685786A CN109685786A CN201811564372.1A CN201811564372A CN109685786A CN 109685786 A CN109685786 A CN 109685786A CN 201811564372 A CN201811564372 A CN 201811564372A CN 109685786 A CN109685786 A CN 109685786A
- Authority
- CN
- China
- Prior art keywords
- image
- beasts
- birds
- pixel
- eggs
- 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.)
- Pending
Links
- 235000013601 eggs Nutrition 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 4
- 102000002322 Egg Proteins Human genes 0.000 claims description 2
- 108010000912 Egg Proteins Proteins 0.000 claims description 2
- 108010074506 Transfer Factor Proteins 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 210000003278 egg shell Anatomy 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000014759 maintenance of location Effects 0.000 abstract description 4
- 230000001537 neural effect Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种禽蛋表面裂纹的无损检测及自动分级方法,包括:利用图像采集装置获取蛋品原始图像,采用矢量中值滤波方法平滑原始蛋品图像,保留图像表面信息及边缘细节;彩色图像灰度化,利用直方图规定化方法对灰度图像进行直方图均衡化处理;基于图像灰度特性差异,通过像素类间方差得出背景及目标的最佳分割阈值进行图像分割,获取图像轮廓信息;采用误差反向传播方法进行神经网络训练及学习,完成禽蛋的无损检测及自动分级任务。该方法有较好的实用性和稳定性,采用中值滤波去除图像噪声的同时保留表面及边缘细节,通过直方图规定化方法增强图像对比度,利用灰度差异以及类间方差获取图像轮廓信息,通过BP神经网络完成图像检测及自动分级任务。
Description
技术领域
本发明涉及计算机视觉和神经网络领域,具体涉及一种禽蛋表面裂纹的无损检测及自动分级方法。
背景技术
禽蛋的品质检测是禽蛋生产、经营、加工中的重要环节,直接影响到商品等级、市场竞争力和经济效益。若禽蛋表面破损则其会对蛋品质量产生非常大的影响,禽蛋进行贮藏或运输时,破损蛋的小裂纹会变成大裂纹,微生物等病菌从裂纹处侵入蛋品内部,导致其新鲜度降低,甚至造成禽蛋腐败变质,食用变质的禽蛋不仅不能满足人们营养的需求,还会危害人们的健康。
发明内容
为解决上述问题,本发明的目的在于提供一种禽蛋表面裂纹的无损检测及自动分级方法,采用中值滤波去除图像噪声的同时保留表面及边缘细节,通过直方图规定化方法增强图像对比度,利用灰度差异以及类间方差获取图像轮廓信息,最终通过BP神经网络完成图像检测及自动分级任务。
解决上述问题所采用的技术方案,包括以下步骤:
A.利用图像采集装置获取蛋品原始图像,采用矢量中值滤波方法平滑带有颗粒状噪声的原始蛋品图像,保留图像表面信息及边缘细节;
B.通过灰度变换将彩色图像灰度化,利用直方图规定化方法对灰度图像进行直方图均衡化处理,增强图像背景与目标对比度;
C.基于图像灰度特性差异,通过像素类间方差得出背景及目标的最佳分割阈值采用阈值规则进行图像分割,获取图像轮廓信息;
D.采用误差反向传播方法进行神经网络关于禽蛋表面图像的训练及学习,利用神经网络进行图像识别检测,从而完成禽蛋的无损检测及自动分级任务。
本发明的有益效果是:
在复杂的视觉检测及模式识别任务中,本发明采用中值滤波去除图像噪声的同时保留表面及边缘细节,通过直方图规定化方法增强图像对比度,利用灰度差异以及类间方差获取图像轮廓信息,最终通过BP神经网络完成图像检测及自动分级任务,产生准确实用的有益效果。
附图说明
图1为一种禽蛋表面裂纹的无损检测及自动分级方法的整体流程图;
图2为禽蛋表面图像采集装置;
图3为图像灰度化。
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.利用图像采集装置获取蛋品原始图像,采用矢量中值滤波方法平滑带有颗粒状噪声的原始蛋品图像,保留图像表面信息及边缘细节;
(1)蛋品图像采集装置由采集室、摄像机、图像采集卡以及计算机组成,采集装置图2所示:
采集室内,上部图像采集区域为暗室,下部为光照区域,光照区域内的光源发出光线透射禽蛋,暗室内的摄像机采集禽蛋正反面图像,每枚蛋品采集两幅图像,因在暗室内拍摄,图像背景均为黑色,上方的摄像头与安装在计算机中的图像采集卡相连,利用该装置完成禽蛋表面图像的采集;
(2)对于禽蛋这种具有缓变的较长轮廓线的物体,采用3×3的方形滤波窗口逐行扫描禽蛋图像,首先以某像素点(x,y)为中心,将窗口W内的所有像素灰度值按降序或升序方式进行排列,然后对每一个像素进行处理时,先检测该像素点I(x,y)是否为方形窗口覆盖下邻域像素的极值,若该点为极值点,则将该窗口内所有像素的中间值作为该点的像素值I'(x,y):
其中f(s,t)表示像素点(s,t)的邻域,否则不对像素点进行处理;采用该非线性的中值滤波器,能够在消除颗粒噪声、加性噪声的同时保留更多禽蛋图像的边缘信息;
B.通过灰度变换将彩色图像灰度化,利用直方图规定化方法对灰度图像进行直方图均衡化处理,增强图像背景与目标对比度;
(1)通过灰度变换将平滑后的彩色图像转换为黑白的灰度图像:
彩色图像中每个像素点的颜色分量分别为R、G、B,通过将所有分量值转化为一样的值进行图像的灰度转换,即
R=G=B=H
其中H表示像素灰度值;图像灰度值可根据彩色图像中三个分量及其对应的权值进行计算,假设彩色图像f的像素点为f(x,y),其对应的灰度值可表示为:
f(x,y)=0.299×R+0.587×G+0.114×B
其中R表示像素点f(x,y)的红色分量,G表示像素点f(x,y)的绿色分量,B表示像素点f(x,y)的蓝色分量,变换后的灰度图像如下图所示:
(2)利用直方图规定化方法对灰度图像进行直方图均衡化处理,增强图像背景与目标对比度;
①假设原始灰度图像的概率密度为ps(sk):
其中,nk表示图像中出现灰度级yk的像素数,n表示图像中的像素总数,k表示图像灰度级数;根据概率密度对原始图像直方图进行灰度均衡化:
②通过建立原始图像与希望图像之间的联系完成图像某些灰度级的增强,假设希望得到的图像的概率密度为pt(tk),则希望图像经过灰度均衡化处理后,得出:
③原始图像与希望图像经过均衡化处理后的灰度分布函数pu(u)和pv(v)相等,其中均衡化的逆过程为:
t=V-1(v)
由此可得,若用从原始图像中得到的均匀灰度级u代替逆过程中的v,即
t=V-1(v)=V-1(u)
则可以直接由原始灰度均衡化后的图像灰度值来计算希望图像的灰度值,新图像将具有事先规定的概率密度pt(tk),从而实现增强图像背景与目标对比度的目的;
C.基于图像灰度特性差异,通过像素类间方差得出背景及目标的最佳分割阈值采用阈值规则进行图像分割,获取图像轮廓信息;
由步骤B求得经过增强处理后获得图像的像素概率密度为pk,像素灰度级集合为S={1,2…,M},取集合S中的T作为灰度变化阈值将图像分割为两个灰度级集合为S1={1,2…,T}和S2={T+1,T+2…,M}的背景类L1及目标类L2,其灰度均值及方差分别可表示为:
其中图像整体灰度平均值及总体方差分别为:
根据上式求得,像素的类内方差σN及类间方差σJ分别为:
σJ=σ-σN
当取得最大值时,求得的灰度级T为最大值,即为最佳分割阈值:
根据该阈值完成像素分割,即获得图像轮廓信息;
D.采用误差反向传播方法进行神经网络关于禽蛋表面图像的训练及学习,利用神经网络进行图像识别检测,从而完成禽蛋的无损检测及自动分级任务。
采用误差反向传播方法进行训练的BP网络包括输入层、隐含层和输出层,训练过程中按照误差由输出层节点经隐含层节点向输入层反向传播;BP网络可看成一个从输入到输出的高度非线性映射,即:
F:Rn→Rm,f(X)=Y
其中n表示输入层节点数,m表示输出层节点数;网络进行训练时,对于样本集合输入xi(xi∈Rm),则认为存在一个映射h使得
h(xi)=yi(i=1,2,3,…,n)
采用该神经网络进行禽蛋裂纹的无损检测及分级时,以蛋壳裂纹作1个输入节点,设置相应的隐含节点数n,输出节点数为1,在隐含层中节点的输出函数为:
Hr=f(Wrai+Tr)(r=1,2,3,…,n)
输出层中节点的输出函数为:
其中,Wr表示输入层单元到隐含层单元的连接权,W'r表示隐含层到输出层的连接权,Tr表示隐含层阈值,ai表示输入层节点激活值,T'表示输出层节点阈值;神经网络在训练时把输出层节点的误差逐层逆向传播给连接节点,计算各节点的参考误差,根据误差调整各连接权,使网络达到适合要求的输出,从而利用网络对完成图像处理的禽蛋图像进行无损裂纹检测,并根据检测结果完成分级任务。
综上所述,便实现了一种禽蛋表面裂纹的无损检测及自动分级方法。在复杂的视觉检测及模式识别任务中,本发明采用中值滤波去除图像噪声的同时保留表面及边缘细节,通过直方图规定化方法增强图像对比度,利用灰度差异以及类间方差获取图像轮廓信息,最终通过BP神经网络完成图像检测及自动分级任务,产生准确实用的有益效果。
Claims (5)
1.一种禽蛋表面裂纹的无损检测及自动分级方法,其特征在于:所述方法包括以下步骤:
A.利用图像采集装置获取蛋品原始图像,采用矢量中值滤波方法平滑带有颗粒状噪声的原始蛋品图像,保留图像表面信息及边缘细节;
B.通过灰度变换将彩色图像灰度化,利用直方图规定化方法对灰度图像进行直方图均衡化处理,增强图像背景与目标对比度;
C.基于图像灰度特性差异,通过像素类间方差得出背景及目标的最佳分割阈值采用阈值规则进行图像分割,获取图像轮廓信息;
D.采用误差反向传播方法进行神经网络关于禽蛋表面图像的训练及学习,利用神经网络进行图像识别检测,从而完成禽蛋的无损检测及自动分级任务。
2.根据权利要求1所述的禽蛋表面裂纹的无损检测及自动分级方法,其特征在于:所述方法包括以下步骤:
(1)蛋品图像采集装置由采集室、摄像机、图像采集卡以及计算机组成,采集装置为:
采集室内,上部图像采集区域为暗室,下部为光照区域,光照区域内的光源发出光线透射禽蛋,暗室内的摄像机采集禽蛋正反面图像,每枚蛋品采集两幅图像,因在暗室内拍摄,图像背景均为黑色,上方的摄像头与安装在计算机中的图像采集卡相连,利用该装置完成禽蛋表面图像的采集;
(2)对于禽蛋这种具有缓变的较长轮廓线的物体,采用3×3的方形滤波窗口逐行扫描禽蛋图像,首先以某像素点(x,y)为中心,将窗口W内的所有像素灰度值按降序或升序方式进行排列,然后对每一个像素进行处理时,先检测该像素点I(x,y)是否为方形窗口覆盖下邻域像素的极值,若该点为极值点,则将该窗口内所有像素的中间值作为该点的像素值I′(x,y):
其中f(s,t)表示像素点(s,t)的邻域,否则不对像素点进行处理;采用该非线性的中值滤波器,能够在消除颗粒噪声、加性噪声的同时保留更多禽蛋图像的边缘信息。
3.根据权利要求2所述的禽蛋表面裂纹的无损检测及自动分级方法,其特征在于:所述方法包括以下步骤:
(1)通过灰度变换将平滑后的彩色图像转换为黑白的灰度图像:
彩色图像中每个像素点的颜色分量分别为R、G、B,通过将所有分量值转化为一样的值进行图像的灰度转换,即
R=G=B=H
其中H表示像素灰度值;图像灰度值可根据彩色图像中三个分量及其对应的权值进行计算,假设彩色图像f的像素点为f(x,y),其对应的灰度值可表示为:
f(x,y)=0.299×R+0.587×G+0.114×B
其中R表示像素点f(x,y)的红色分量,G表示像素点f(x,y)的绿色分量,B表示像素点f(x,y)的蓝色分量,变换后的灰度图像如下图所示:
(2)利用直方图规定化方法对灰度图像进行直方图均衡化处理,增强图像背景与目标对比度;
①假设原始灰度图像的概率密度为ps(sk):
其中,nk表示图像中出现灰度级yk的像素数,n表示图像中的像素总数,k表示图像灰度级数;根据概率密度对原始图像直方图进行灰度均衡化:
②通过建立原始图像与希望图像之间的联系完成图像某些灰度级的增强,假设希望得到的图像的概率密度为pt(tk),则希望图像经过灰度均衡化处理后,得出:
③原始图像与希望图像经过均衡化处理后的灰度分布函数pu(u)和pv(v)相等,其中均衡化的逆过程为:
t=V-1(v)
由此可得,若用从原始图像中得到的均匀灰度级u代替逆过程中的v,即
t=V-1(v)=V-1(u)
则可以直接由原始灰度均衡化后的图像灰度值来计算希望图像的灰度值,新图像将具有事先规定的概率密度pt(tk),从而实现增强图像背景与目标对比度的目的。
4.根据权利要求3所述的禽蛋表面裂纹的无损检测及自动分级方法,其特征在于:所述方法包括以下步骤:
由步骤B求得经过增强处理后获得图像的像素概率密度为pk,像素灰度级集合为S={1,2...,M},取集合S中的T作为灰度变化阈值将图像分割为两个灰度级集合为S1={1,2...,T}和S2={T+1,T+2...,M}的背景类L1及目标类L2,其灰度均值及方差分别可表示为:
其中图像整体灰度平均值及总体方差分别为:
根据上式求得,像素的类内方差σN及类间方差σJ分别为:
σJ=σ-σN
当取得最大值时,求得的灰度级T为最大值,即为最佳分割阈值:
根据该阈值完成像素分割,即获得图像轮廓信息。
5.根据权利要求4所述的禽蛋表面裂纹的无损检测及自动分级方法,其特征在于:所述方法包括以下步骤:
采用误差反向传播方法进行训练的BP网络包括输入层、隐含层和输出层,训练过程中按照误差由输出层节点经隐含层节点向输入层反向传播;BP网络可看成一个从输入到输出的高度非线性映射,即:
F:Rn→Rm,f(X)=Y
其中n表示输入层节点数,m表示输出层节点数;网络进行训练时,对于样本集合输入xi(xi∈Rm),则认为存在一个映射h使得
h(xi)=yi(i=1,2,3,...,n)
采用该神经网络进行禽蛋裂纹的无损检测及分级时,以蛋壳裂纹作1个输入节点,设置相应的隐含节点数n,输出节点数为1,在隐含层中节点的输出函数为:
Hr=f(Wrai+Tr)(r=1,2,3,...,n)
输出层中节点的输出函数为:
其中,Wr表示输入层单元到隐含层单元的连接权,W′r表示隐含层到输出层的连接权,Tr表示隐含层阈值,ai表示输入层节点激活值,T′表示输出层节点阈值;神经网络在训练时把输出层节点的误差逐层逆向传播给连接节点,计算各节点的参考误差,根据误差调整各连接权,使网络达到适合要求的输出,从而利用网络对完成图像处理的禽蛋图像进行无损裂纹检测,并根据检测结果完成分级任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564372.1A CN109685786A (zh) | 2018-12-20 | 2018-12-20 | 一种禽蛋表面裂纹的无损检测及自动分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564372.1A CN109685786A (zh) | 2018-12-20 | 2018-12-20 | 一种禽蛋表面裂纹的无损检测及自动分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685786A true CN109685786A (zh) | 2019-04-26 |
Family
ID=66188025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811564372.1A Pending CN109685786A (zh) | 2018-12-20 | 2018-12-20 | 一种禽蛋表面裂纹的无损检测及自动分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685786A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402283A (zh) * | 2020-02-25 | 2020-07-10 | 上海航天控制技术研究所 | 基于灰度方差导数的火星图像边缘特征自适应提取方法 |
CN111754563A (zh) * | 2020-05-25 | 2020-10-09 | 中国石油天然气集团有限公司 | 一种落锤撕裂试验断面剪切面积百分比自动测量的方法 |
CN111986192A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种基于机器视觉的香菇破损检测方法 |
CN112686845A (zh) * | 2020-12-23 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像处理的方法、装置及计算机可读介质 |
CN113222978A (zh) * | 2021-05-31 | 2021-08-06 | 安徽国芯智能装备有限公司 | 一种靶标识别方法 |
CN113989257A (zh) * | 2021-11-09 | 2022-01-28 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
CN116403245A (zh) * | 2023-06-07 | 2023-07-07 | 广东省农业科学院动物科学研究所 | 一种家禽育种数据分析方法及系统 |
CN116935103A (zh) * | 2023-07-03 | 2023-10-24 | 鹰普罗斯叶轮(宜兴)有限公司 | 一种铝合金叶轮的异常识别方法 |
-
2018
- 2018-12-20 CN CN201811564372.1A patent/CN109685786A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402283A (zh) * | 2020-02-25 | 2020-07-10 | 上海航天控制技术研究所 | 基于灰度方差导数的火星图像边缘特征自适应提取方法 |
CN111402283B (zh) * | 2020-02-25 | 2023-11-10 | 上海航天控制技术研究所 | 基于灰度方差导数的火星图像边缘特征自适应提取方法 |
CN111754563A (zh) * | 2020-05-25 | 2020-10-09 | 中国石油天然气集团有限公司 | 一种落锤撕裂试验断面剪切面积百分比自动测量的方法 |
CN111986192A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种基于机器视觉的香菇破损检测方法 |
CN111986192B (zh) * | 2020-08-31 | 2022-05-27 | 华中科技大学 | 一种基于机器视觉的香菇破损检测方法 |
CN112686845B (zh) * | 2020-12-23 | 2022-04-15 | 合肥联宝信息技术有限公司 | 一种图像处理的方法、装置及计算机可读介质 |
CN112686845A (zh) * | 2020-12-23 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像处理的方法、装置及计算机可读介质 |
CN113222978A (zh) * | 2021-05-31 | 2021-08-06 | 安徽国芯智能装备有限公司 | 一种靶标识别方法 |
CN113989257A (zh) * | 2021-11-09 | 2022-01-28 | 国网江苏省电力有限公司南通供电分公司 | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
CN116403245A (zh) * | 2023-06-07 | 2023-07-07 | 广东省农业科学院动物科学研究所 | 一种家禽育种数据分析方法及系统 |
CN116403245B (zh) * | 2023-06-07 | 2023-08-11 | 广东省农业科学院动物科学研究所 | 一种家禽育种数据分析方法及系统 |
CN116935103A (zh) * | 2023-07-03 | 2023-10-24 | 鹰普罗斯叶轮(宜兴)有限公司 | 一种铝合金叶轮的异常识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685786A (zh) | 一种禽蛋表面裂纹的无损检测及自动分级方法 | |
US11138478B2 (en) | Method and apparatus for training, classification model, mobile terminal, and readable storage medium | |
CN108830144B (zh) | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 | |
JP4680622B2 (ja) | 分類装置 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
US11238301B2 (en) | Computer-implemented method of detecting foreign object on background object in an image, apparatus for detecting foreign object on background object in an image, and computer-program product | |
Atienza-Vanacloig et al. | Vision-based discrimination of tuna individuals in grow-out cages through a fish bending model | |
CN110232670A (zh) | 一种基于高低频分离的图像视觉效果增强的方法 | |
CN110717865B (zh) | 图片检测方法及装置 | |
CN110288550A (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
CN113222959B (zh) | 一种基于高光谱图像卷积神经网络的鲜枣虫眼检测方法 | |
CN113379721B (zh) | 一种基于云平台的电子元器件质量检测装置 | |
CN115131325A (zh) | 一种基于图像识别分析的断路器故障运维监测方法及系统 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN111178121A (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
CN110910319A (zh) | 一种基于大气散射模型的手术视频实时去雾增强方法 | |
Saifullah et al. | K-means segmentation based-on lab color space for embryo detection in incubated egg | |
CN113420636A (zh) | 一种基于深度学习与阈值分割的线虫识别方法 | |
Hmue et al. | Image enhancement and quality assessment methods in turbid water: A review article | |
CN112365425A (zh) | 一种低照度图像增强方法和系统 | |
CN109389613A (zh) | 一种基于计算机视觉的残留鱼饵计数方法 | |
JP2006239602A (ja) | 果実そ菜類の等級判別方法。 | |
CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
Cirua et al. | Implementation of Connected Component Labelling for Calculation Amount of Eggs on the Laying Pullet Cage | |
Gunawan et al. | Inferring the level of visibility from hazy images |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |