CN109816622A - 一种基于分块的自适应水果缺陷检测方法及系统 - Google Patents
一种基于分块的自适应水果缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN109816622A CN109816622A CN201711169744.6A CN201711169744A CN109816622A CN 109816622 A CN109816622 A CN 109816622A CN 201711169744 A CN201711169744 A CN 201711169744A CN 109816622 A CN109816622 A CN 109816622A
- Authority
- CN
- China
- Prior art keywords
- fruit
- region
- image
- defect
- subregion
- 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
Abstract
本发明公开了一种基于分块的自适应水果缺陷检测方法,包括:获取水果的图像,并在所述水果的图像中设置水果区域;采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域;将所述水果区域划分为多个子区域,分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷。另外,本发明公开了一种基于分块的自适应水果缺陷检测系统。本发明能够准确检测水果质量,提高检测效率,提高消费者的满意度。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于分块的自适应水果缺陷检测方法及系统。
背景技术
随着计算机技术的不断提升,人工智能算法在生产、安防、医疗、自动驾驶以及互联网行业中广泛应用并取得非常好的效果。与此同时,人工智能也正在逐步改变人们的生活方式,扫地机器人、看护机器人等逐渐融入人们的生活中。而在自动零售领域,机场、医院、商场以及学校等公共场所已经出现各种自动果汁柜。橙汁机作为其中的一员,其主要的工序是自动削皮与自动榨汁。但是市场上的自动橙汁机都没有橙子质量好坏检测的功能,而维护人员可能会由于偷工减料的缘故,不对橙子进行筛选直接放入橙汁机水果储存箱,导致橙子质量无法保证。进一步的,由于橙子可能在橙汁机存放时间较长,橙子可能会变坏,而维护人员没有及时维护,最终导致橙子无论好坏均自动榨汁,这不但影响顾客的口感,还在一定程度上影响其健康,导致部分消费者在购买时产生顾虑,影响销量。
发明内容
本发明针对现有技术中存在的问题,提供了一种基于分块的自适应水果缺陷检测方法及系统,能够准确检测水果质量,提高检测效率,提高消费者的满意度。
本发明就上述技术问题而提出的技术方案如下:
一方面,本发明提供一种基于分块的自适应水果缺陷检测方法,包括:
获取水果的图像,并在所述水果的图像中设置水果区域;
采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域;
将所述水果区域划分为多个子区域,分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷。
进一步地,所述获取水果的图像,并在所述水果的图像中设置水果区域,具体包括:
获取水果的图像;
采用高斯滤波方法对所述水果的图像进行过滤;
在过滤后的图像中设置水果区域,以覆盖图像中的水果。
进一步地,所述采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域,具体包括:
对所述水果区域中的所有像素点进行遍历扫描;
分别统计以每个像素点为中心的25×25像素范围内的像素值高斯加权和,并将所述高斯加权和减去预设阈值,获得相应像素点的灰度阈值;
将每个像素点的像素值与其相应的灰度阈值进行比较,以对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域。
进一步地所述分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷,具体包括:
分别统计每个子区域中的水果缺陷区域的像素个数,计算所述像素个数与相应子区域的总像素个数的比例,获得缺陷占比;
将每个子区域的缺陷占比与预设比例阈值进行比较;
若至少有一个子区域的缺陷占比大于预设比例阈值,则判定所述水果具有缺陷;
若所有子区域的缺陷占比均小于预设比例阈值,则判定所述水果不具有缺陷。
进一步地所述水果区域为圆形区域;
所述将所述水果区域划分为多个子区域,具体包括:
在所述水果区域中划分一个同心圆子区域,并将所述同心圆子区域外的水果区域等分为四个环形子区域。
另一方面,本发明提供一种基于分块的自适应水果缺陷检测系统,能够实现上述基于分块的自适应水果缺陷检测方法的所有流程,所述系统包括:
图像获取模块,用于获取水果的图像,并在所述水果的图像中设置水果区域;
分割模块,用于采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域;
划分模块,用于将所述水果区域划分为多个子区域;以及,
检测模块,用于分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷。
进一步地,所述图像获取模块具体包括:
获取单元,用于获取水果的图像;
过滤单元,用于采用高斯滤波方法对所述水果的图像进行过滤;以及,
设置单元,用于在过滤后的图像中设置水果区域,以覆盖图像中的水果。
进一步地,所述分割模块具体包括:
扫描单元,用于对所述水果区域中的所有像素点进行遍历扫描;
统计单元,用于分别统计以每个像素点为中心的25×25像素范围内的像素值高斯加权和,并将所述高斯加权和减去预设阈值,获得相应像素点的灰度阈值;以及,
分割单元,用于将每个像素点的像素值与其相应的灰度阈值进行比较,以对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域。
进一步地,所述检测模块具体包括:
计算单元,用于分别统计每个子区域中的水果缺陷区域的像素个数,计算所述像素个数与相应子区域的总像素个数的比例,获得缺陷占比;
比较单元,用于将每个子区域的缺陷占比与预设比例阈值进行比较;
第一判定单元,用于在至少有一个子区域的缺陷占比大于预设比例阈值时,判定所述水果具有缺陷;以及,
第二判定单元,用于在所有子区域的缺陷占比均小于预设比例阈值时,判定所述水果不具有缺陷。
进一步地,所述水果区域为圆形区域;
所述划分模块具体用于:
在所述水果区域中划分一个同心圆子区域,并将所述同心圆子区域外的水果区域等分为四个环形子区域。
本发明实施例提供的技术方案带来的有益效果是:
在水果的图像中设置水果区域,使水果检测简单化,且处理的区域减小,提高计算效率,同时设置水果区域可避免采用复杂图像分割算法,进一步减小计算复杂度;采用局部自适应二值化方法对水果区域的图像进行二值化操作,有效避免反光对二值化结果的影响,在一定程度上抑制了伪缺陷的产生;将水果区域划分为多个子区域,根据每个子区域中的水果缺陷区域所占的比例来判断水果是否具有缺陷,能有效防止小面积缺陷漏检情况的发生。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的基于分块的自适应水果缺陷检测方法的一个实施例的流程示意图;
图2是本发明提供的基于分块的自适应水果缺陷检测方法中橙子图像的示意图;
图3是本发明提供的基于分块的自适应水果缺陷检测方法中橙子图像的二值化结果图;
图4是现有技术中采用常规的全局二值化方法的橙子图像的二值化结果图;
图5是本发明提供的基于分块的自适应水果缺陷检测方法中步骤S2的具体流程示意图;
图6是本发明提供的基于分块的自适应水果缺陷检测方法中水果区域划分的多个子区域的示意图;
图7是本发明提供的基于分块的自适应水果缺陷检测方法的另一个实施例的流程示意图;
图8是本发明提供的基于分块的自适应水果缺陷检测系统的一个实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种基于分块的自适应水果缺陷检测方法,参见图1,所述方法包括:
S1、获取水果的图像,并在所述水果的图像中设置水果区域;
S2、采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域;
S3、将所述水果区域划分为多个子区域,分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷。
进一步地,在步骤S1中,所述获取水果的图像,并在所述水果的图像中设置水果区域,具体包括:
获取水果的图像;
采用高斯滤波方法对所述水果的图像进行过滤;
在过滤后的图像中设置水果区域,以覆盖图像中的水果。
需要说明的是,水果的图像可通过摄像头获取,也可直接对静态图片进行处理,但要保证图像中的水果是完整的,且保证其亮度和清晰度。以橙子为例,获取如图2所示的橙子的图像。在获取水果的图像后,由于图像可能会包含一些噪声的干扰,需要对图像进行滤波处理,其中采用高斯滤波方法进行处理,其中高斯核如下所示:
根据高斯核,计算出常见的高斯卷积模板,如下所示:
其中,本实施例采用右侧5×5大小的模板对图像进行高斯模糊处理。对图像进行过滤处理,在去除噪声的同时,对图像起到一定的平滑作用。
在对图像进行过滤后,设置水果区域(ROI区域),水果区域一般为圆形,以能最大覆盖图像中的水果为最佳。水果区域的设置有助于后续图像处理的简单化和高效性。
进一步地,在步骤S2中,所述采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域,具体包括:
对所述水果区域中的所有像素点进行遍历扫描;
分别统计以每个像素点为中心的25×25像素范围内的像素值高斯加权和,并将所述高斯加权和减去预设阈值,获得相应像素点的灰度阈值;
将每个像素点的像素值与其相应的灰度阈值进行比较,以对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域。
需要说明的是,在对水果区域中的图像进行二值化处理时,先将水果区域中的所有像素点进行遍历扫描统计以每个像素点周围25×25像素范围内的像素值高斯加权和,将高斯加权和减去一个预设阈值(阈值优选为10)作为对应像素点的灰度阈值,然后根据所述灰度阈值进行二值化操作。具体的数学表示形式如下:
其中,S(x,y)为图像25×25区域内的像素值高斯平均加权和,I(x,y)为待二值化的像素点的像素值,B(x,y)为二值化结果,σ为所选的高斯卷积核方差,本实施例中将其设为0,T为二值化中的预设阈值,在试验中采用T=10效果最佳。
若一个像素点的像素值大于其对应的灰度阈值,则设置该像素点的像素值为255,该像素点位于水果缺陷区域;若一个像素点的像素值小于或等于其对应的灰度阈值,则设置该像素点的像素值为0,该像素点位于水果无缺陷区域。
以橙子为例,图2中的图像采用局部自适应二值化方法经过二值化处理后的结果如图3所示,而图2中的图像采用常规的全局二值化方法经过二值化处理后的结果如图4所示,其中全局二值化方法仅采用一个全局的阈值进行二值化。通过对比可见,采用自适应二值化方法能有效的将橙子中的缺陷检测出来,而采用常规的全局二值化方法,受到光照或者颜色的影响较大,会导致误检和漏检现象的发生。
具体的,步骤S2中采用局部自适应二值化方法对所述水果区域的图像进行二值化操作的具体流程如图5所示,包括:
S501、像素点索引位置为图像左上角第一个像素点位置。
S502、统计当前像素点周围25×25区域像素值的高斯加权和。
S503、所述高斯加权和减去一个阈值作为该像素点二值化的灰度阈值。
S504、利用所述灰度阈值对该像素点二值化。
S505、判断像素点是否遍历完毕;若是,则执行步骤S506,若否,则执行步骤S507。
S506、图像二值化完毕。
S507、像素点索引加1,并返回步骤S502。
进一步地,所述水果区域为圆形区域。
在步骤S3中,所述将所述水果区域划分为多个子区域,具体包括:
在所述水果区域中划分一个同心圆子区域,并将所述同心圆子区域外的水果区域等分为四个环形子区域。
进一步地,在步骤S3中,所述分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷,具体包括:
分别统计每个子区域中的水果缺陷区域的像素个数,计算所述像素个数与相应子区域的总像素个数的比例,获得缺陷占比;
将每个子区域的缺陷占比与预设比例阈值进行比较;
若至少有一个子区域的缺陷占比大于预设比例阈值,则判定所述水果具有缺陷;
若所有子区域的缺陷占比均小于预设比例阈值,则判定所述水果不具有缺陷。
需要说明的是,为了更好的检测小面积缺陷,将圆形的水果区域分成五个子区域,如附图6所示,其中包括一个同心圆子区域1,以及四个四分之一环形子区域2、3、4、5,分别统计五个子区域中橙子缺陷的像素个数,并计算其在每个子区域中的占比。由于如果仅采用一个大区域进行缺陷占比统计,当缺陷面积较小,缺陷区域在该大区域上的占比将会非常小,而采用分块统计机制,小面积缺陷占比将会较大,因而更不易被忽略,避免漏检现象的发生。
对每个子区域设置比例阈值,同心圆子区域缺陷占比大于预设比例阈值或者四个四分之一环形子区域至少有一个子区域缺陷占比大于预设比例阈值,则判定该橙子包含缺陷。
参见图7,是本发明实施例提供的基于分块的自适应水果缺陷检测方法的另一个实施例的流程示意图,所述方法包括:
S701、获取水果图像。
S702、设置ROI区域。其中,ROI区域即为水果区域。
S703、图像滤波。
S704、局部自适应二值化。具体的,通过局部自适应二值化将水果缺陷区域从ROI区域中分割出来。
S705、ROI区域分块统计缺陷占比。具体的,将ROI区域划分为多块子区域,分别统计每个子区域中的水果缺陷区域的占比。其中,多块子区域包括中心圆区域及其四周的四个环形区域。
S706、判断中心圆区域缺陷占比是否大于阈值;若是,则执行步骤S709,若否,则执行步骤S707。
S707、判断四周环形区域是否至少有一个区域缺陷占比大于阈值;若是,则执行步骤S709,若否,则执行步骤S708。
S708、判定水果无缺陷。
S709、判定水果有缺陷。
本发明实施例在水果的图像中设置水果区域,使水果检测简单化,且处理的区域减小,提高计算效率,同时设置水果区域可避免采用复杂图像分割算法,进一步减小计算复杂度;采用局部自适应二值化方法对水果区域的图像进行二值化操作,有效避免反光对二值化结果的影响,在一定程度上抑制了伪缺陷的产生;将水果区域划分为多个子区域,根据每个子区域中的水果缺陷区域所占的比例来判断水果是否具有缺陷,能有效防止小面积缺陷漏检情况的发生。
本发明实施例提供了一种基于分块的自适应水果缺陷检测系统,能够实现上述基于分块的自适应水果缺陷检测方法的所有流程,参见图8,所述系统包括:
图像获取模块81,用于获取水果的图像,并在所述水果的图像中设置水果区域;
分割模块82,用于采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域;
划分模块83,用于将所述水果区域划分为多个子区域;以及,
检测模块84,用于分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷。
进一步地,所述图像获取模块具体包括:
获取单元,用于获取水果的图像;
过滤单元,用于采用高斯滤波方法对所述水果的图像进行过滤;以及,
设置单元,用于在过滤后的图像中设置水果区域,以覆盖图像中的水果。
进一步地,所述分割模块具体包括:
扫描单元,用于对所述水果区域中的所有像素点进行遍历扫描;
统计单元,用于分别统计以每个像素点为中心的25×25像素范围内的像素值高斯加权和,并将所述高斯加权和减去预设阈值,获得相应像素点的灰度阈值;以及,
分割单元,用于将每个像素点的像素值与其相应的灰度阈值进行比较,以对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域。
进一步地,所述检测模块具体包括:
计算单元,用于分别统计每个子区域中的水果缺陷区域的像素个数,计算所述像素个数与相应子区域的总像素个数的比例,获得缺陷占比;
比较单元,用于将每个子区域的缺陷占比与预设比例阈值进行比较;
第一判定单元,用于在至少有一个子区域的缺陷占比大于预设比例阈值时,判定所述水果具有缺陷;以及,
第二判定单元,用于在所有子区域的缺陷占比均小于预设比例阈值时,判定所述水果不具有缺陷。
进一步地,所述水果区域为圆形区域;
所述划分模块具体用于:
在所述水果区域中划分一个同心圆子区域,并将所述同心圆子区域外的水果区域等分为四个环形子区域。
本发明实施例在水果的图像中设置水果区域,使水果检测简单化,且处理的区域减小,提高计算效率,同时设置水果区域可避免采用复杂图像分割算法,进一步减小计算复杂度;采用局部自适应二值化方法对水果区域的图像进行二值化操作,有效避免反光对二值化结果的影响,在一定程度上抑制了伪缺陷的产生;将水果区域划分为多个子区域,根据每个子区域中的水果缺陷区域所占的比例来判断水果是否具有缺陷,能有效防止小面积缺陷漏检情况的发生。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于分块的自适应水果缺陷检测方法,其特征在于,包括:
获取水果的图像,并在所述水果的图像中设置水果区域;
采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域;
将所述水果区域划分为多个子区域,分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷。
2.如权利要求1所述的基于分块的自适应水果缺陷检测方法,其特征在于,所述获取水果的图像,并在所述水果的图像中设置水果区域,具体包括:
获取水果的图像;
采用高斯滤波方法对所述水果的图像进行过滤;
在过滤后的图像中设置水果区域,以覆盖图像中的水果。
3.如权利要求1所述的基于分块的自适应水果缺陷检测方法,其特征在于,所述采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域,具体包括:
对所述水果区域中的所有像素点进行遍历扫描;
分别统计以每个像素点为中心的25×25像素范围内的像素值高斯加权和,并将所述高斯加权和减去预设阈值,获得相应像素点的灰度阈值;
将每个像素点的像素值与其相应的灰度阈值进行比较,以对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域。
4.如权利要求1所述的基于分块的自适应水果缺陷检测方法,其特征在于,所述分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷,具体包括:
分别统计每个子区域中的水果缺陷区域的像素个数,计算所述像素个数与相应子区域的总像素个数的比例,获得缺陷占比;
将每个子区域的缺陷占比与预设比例阈值进行比较;
若至少有一个子区域的缺陷占比大于预设比例阈值,则判定所述水果具有缺陷;
若所有子区域的缺陷占比均小于预设比例阈值,则判定所述水果不具有缺陷。
5.如权利要求1所述的基于分块的自适应水果缺陷检测方法,其特征在于,所述水果区域为圆形区域;
所述将所述水果区域划分为多个子区域,具体包括:
在所述水果区域中划分一个同心圆子区域,并将所述同心圆子区域外的水果区域等分为四个环形子区域。
6.一种基于分块的自适应水果缺陷检测系统,其特征在于,包括:
图像获取模块,用于获取水果的图像,并在所述水果的图像中设置水果区域;
分割模块,用于采用局部自适应二值化方法对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域;
划分模块,用于将所述水果区域划分为多个子区域;以及,
检测模块,用于分别统计每个子区域中的水果缺陷区域所占的比例,以检测所述水果是否具有缺陷。
7.如权利要求6所述的基于分块的自适应水果缺陷检测系统,其特征在于,所述图像获取模块具体包括:
获取单元,用于获取水果的图像;
过滤单元,用于采用高斯滤波方法对所述水果的图像进行过滤;以及,
设置单元,用于在过滤后的图像中设置水果区域,以覆盖图像中的水果。
8.如权利要求6所述的基于分块的自适应水果缺陷检测系统,其特征在于,所述分割模块具体包括:
扫描单元,用于对所述水果区域中的所有像素点进行遍历扫描;
统计单元,用于分别统计以每个像素点为中心的25×25像素范围内的像素值高斯加权和,并将所述高斯加权和减去预设阈值,获得相应像素点的灰度阈值;以及,
分割单元,用于将每个像素点的像素值与其相应的灰度阈值进行比较,以对所述水果区域的图像进行二值化操作,分割出所述水果区域中的水果缺陷区域。
9.如权利要求6所述的基于分块的自适应水果缺陷检测系统,其特征在于,所述检测模块具体包括:
计算单元,用于分别统计每个子区域中的水果缺陷区域的像素个数,计算所述像素个数与相应子区域的总像素个数的比例,获得缺陷占比;
比较单元,用于将每个子区域的缺陷占比与预设比例阈值进行比较;
第一判定单元,用于在至少有一个子区域的缺陷占比大于预设比例阈值时,判定所述水果具有缺陷;以及,
第二判定单元,用于在所有子区域的缺陷占比均小于预设比例阈值时,判定所述水果不具有缺陷。
10.如权利要求6所述的基于分块的自适应水果缺陷检测系统,其特征在于,所述水果区域为圆形区域;
所述划分模块具体用于:
在所述水果区域中划分一个同心圆子区域,并将所述同心圆子区域外的水果区域等分为四个环形子区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711169744.6A CN109816622A (zh) | 2017-11-22 | 2017-11-22 | 一种基于分块的自适应水果缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711169744.6A CN109816622A (zh) | 2017-11-22 | 2017-11-22 | 一种基于分块的自适应水果缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816622A true CN109816622A (zh) | 2019-05-28 |
Family
ID=66600862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711169744.6A Pending CN109816622A (zh) | 2017-11-22 | 2017-11-22 | 一种基于分块的自适应水果缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816622A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258466A (zh) * | 2020-10-19 | 2021-01-22 | 燕山大学 | 一种基于灰度处理的冷轧板带振纹在线检测系统及方法 |
CN112614093A (zh) * | 2020-12-10 | 2021-04-06 | 西北工业大学深圳研究院 | 基于多尺度空间注意力网络的乳腺病理图像分类方法 |
CN113128249A (zh) * | 2019-12-26 | 2021-07-16 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、系统及分选设备 |
-
2017
- 2017-11-22 CN CN201711169744.6A patent/CN109816622A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128249A (zh) * | 2019-12-26 | 2021-07-16 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、系统及分选设备 |
CN113128249B (zh) * | 2019-12-26 | 2022-08-23 | 合肥美亚光电技术股份有限公司 | 大蒜的疤识别方法、系统及分选设备 |
CN112258466A (zh) * | 2020-10-19 | 2021-01-22 | 燕山大学 | 一种基于灰度处理的冷轧板带振纹在线检测系统及方法 |
CN112614093A (zh) * | 2020-12-10 | 2021-04-06 | 西北工业大学深圳研究院 | 基于多尺度空间注意力网络的乳腺病理图像分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416789A (zh) | 图像边缘检测方法及系统 | |
CN108230321A (zh) | 缺陷检测方法及装置 | |
CN104637031B (zh) | 眼部图像处理方法和装置 | |
WO2022088620A1 (zh) | 相机镜头的状态检测方法、装置、设备及存储介质 | |
CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
CN105675623B (zh) | 一种基于污水口视频的污水颜色与流量检测的实时分析方法 | |
CN109816622A (zh) | 一种基于分块的自适应水果缺陷检测方法及系统 | |
CN115018844B (zh) | 一种基于人工智能的塑料薄膜质量评估方法 | |
CN107451998A (zh) | 一种眼底图像质量控制方法 | |
CN107507173A (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN109636824A (zh) | 一种基于图像识别技术的多目标计数方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN103530878A (zh) | 一种基于融合策略的边缘提取方法 | |
CN110378313A (zh) | 细胞团识别方法、装置及电子设备 | |
CN109087363B (zh) | 一种基于hsv颜色空间的污水排放检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN107766784A (zh) | 一种新型视频人数统计算法 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN107844737A (zh) | 虹膜图像的检测方法和装置 | |
CN109030499A (zh) | 一种适用于目标缺陷连续在线检测防止缺陷数目重复计数的装置及方法 | |
CN116934746B (zh) | 划伤缺陷检测方法、系统、设备及其介质 | |
CN107256551A (zh) | 一种滤布缺陷破损检测的方法、存储介质及装置 | |
CN107180242A (zh) | 基于嵌入式系统的消防安全隐患图像识别方法 | |
CN110675325A (zh) | 一种增强眼底图像的方法和装置 | |
CN111931691B (zh) | 一种在岗监测方法及其监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190528 |