CN110348533A - 一种基于svm的浮游生物粒径谱检测方法 - Google Patents

一种基于svm的浮游生物粒径谱检测方法 Download PDF

Info

Publication number
CN110348533A
CN110348533A CN201910646387.0A CN201910646387A CN110348533A CN 110348533 A CN110348533 A CN 110348533A CN 201910646387 A CN201910646387 A CN 201910646387A CN 110348533 A CN110348533 A CN 110348533A
Authority
CN
China
Prior art keywords
image
planktonic organism
sample data
svm
size
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
Application number
CN201910646387.0A
Other languages
English (en)
Inventor
王楠
杨学文
郑海永
俞智斌
付民
顾兆瑞
郑冰
崔燕妮
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN201910646387.0A priority Critical patent/CN110348533A/zh
Publication of CN110348533A publication Critical patent/CN110348533A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于SVM的浮游生物粒径谱检测方法，包括：将浮游生物的图像数据集分为训练样本数据集和测试样本数据集；对所述训练样本数据集进行标定，得到真值图像；提取所述训练样本数据集中图像的光流特征矢量、灰度特征矢量以及梯度方向直方图特征矢量，进行组合及归一化处理；将处理后的特征矢量及真值图像的目标值输入SVM分类模型进行训练，得到二分类模型；利用训练好的二分类模型对测试样本数据集中图像进行预测；根据预测分割后的二值图像对不同粒径大小的浮游生物进行计数；生成浮游生物粒径谱。该发明简化了浮游生物粒径谱检测的工程量，能够在海底实时、准确的进行浮游生物粒径谱的自动检测，从而有效地检测和预报赤潮等灾害。

Description

一种基于SVM的浮游生物粒径谱检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于SVM的浮游生物粒径谱检测方法。
背景技术
在海洋生态系统和结构中，浮游生物占有极其重要的位置，其数量变动和空间分布对整个海洋生态系统的功能运转，甚至全球气候变化都会产生重要的影响。无论在生物海洋学还是在海洋生态学研究中浮游生物都是重要的研究对象。生态学家在研究以生物粒径大小为主要参数的水生生态系统的食物链结构和功能时，提出了浮游生物粒径谱的概念。它是指生物的粒径大小与其丰富度可以用一个连续或离散的谱来表示，其描述的是浮游生物大小与数量的对应关系，它可以反映海水中浮游生物的变化，从而实现对浮游生物的监控。浮游生物粒径谱是浮游生物群落结构的一个重要方面。它对海洋生态系统的生态评价具有重要意义。
海洋浮游生物粒径谱是海洋生态结构的重要方面，它可以有效地预测一个群落的代谢速率，出生率和死亡率，反映了海洋生态系统的结构和功能，同时提供了生态系统中各组成成分之间的动态关系，因此，浮游生物的研究对于海洋生态系统的长期稳定是非常有必要的。对于浮游生物的研究以及提出了众多的方法，之前人们常常采用特别的网来对浮游生物进行采样，需要时将其安装在船上，上下拖动以获取不同深度的浮游生物的样品，然后由专业人员在显微镜下对浮游生物进行计数绘制浮游生物粒径谱。
传统的浮游生物的采样与分析方法虽然取得了较大地成功但是也存在明显的弊端，该传统方法需要消耗大量的人力、物力和财力，更重要的是，从采样到检测完成需要耗费大量的时间，不能实时地得到海洋浮游生物粒径谱，阻碍了人们对海洋生态系统的实时监控，因此，一种实时、有效地浮游生物粒径谱检测方法亟待提出。
发明内容
本申请通过提供一种基于SVM的浮游生物粒径谱检测方法，以解决浮游生物粒径谱不能实时检测的技术问题。
为解决上述技术问题，本申请采用以下技术方案予以实现：
一种基于SVM的粒径谱检测方法，包括如下步骤：
S1：将浮游生物的图像数据集分为训练样本数据集和测试样本数据集；
S2：对所述训练样本数据集进行标定，得到真值图像，其中，所述真值图像中将目标区域标定为1，将背景与杂质区域标定为0；
S3：提取所述训练样本数据集中图像的光流特征矢量、灰度特征矢量以及梯度方向直方图特征矢量，进行组合及归一化处理；
S4：将经过S3处理后的特征矢量及S2中得到的图像的真实值输入SVM分类模型进行训练，得到二分类模型；
S5：利用训练好的二分类模型对测试样本数据集中图像进行预测；
S6：根据预测分割后的二值图像中浮游生物的边缘轮廓信息对不同粒径大小的浮游生物进行计数；
S7：生成不同粒径大小与浮游生物数量对应关系的浮游生物粒径谱。
进一步地，在步骤S1之前还包括：
利用水下相机在原位采集水下浮游生物的图像；
将采集到的图像处理为固定大小。
进一步地，在步骤S6之前还包括：利用中值滤波器对预测后的二值图像进行去噪处理。
进一步地，步骤S6包括：
将每个浮游生物视为一个椭球体，计算出椭球体的体积后取对数；
按椭球体体积的对数大小进行分类；
对每个分类范围内的浮游生物数量进行计数。
作为一种优选技术方案，采用平均绝对误差来验证步骤S5中对图像预测的准确率，即
式中，W为测试图像中像素总数，pi为预测值，qi为真实值。
作为另一种优选技术方案，采用查准率Precision和查全率Recall来验证步骤S5中对图像预测的准确率，即
式中，TP为正确预测为正样本的个数，即标定为1，且预测结果也为1的个数；FP为错误预测为正样本的个数，即标定为0，但预测结果为1的个数；FN为错误预测为负样本的个数，即标定为1，但预测结果为0的个数。
与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：
该发明能够有效地简化浮游生物粒径谱检测的工程量，能够实时、准确的进行浮游生物的粒径谱自动检测，从而监测和预报赤潮等灾害。
附图说明
图1为本申请的检测方法流程的总体框架；
图2(a)为第50张原图像；
图2(b)为第163张原图像；
图2(c)为第50张真值图像；
图2(d)为第163张真值图像；
图2(e)为本申请所述方法得到的第50张图像的分割结果图；
图2(f)为本申请所述方法得到的第163张图像的分割结果图；
图2(g)为全局阈值法得到的第50张图像的分割结果图；
图2(h)为全局阈值法得到的第163张图像的分割结果图
图3(a)为二值图像；
图3(b)为填充区域后的结果示意图；
图4为P-R曲线对比图；
图5为根据分割图像得到的三维浮游生物粒径谱图；
图6为根据真值图像得到的三维浮游生物粒径谱图；
图7为基于SVM的浮游生物粒径谱检测方法的流程图。
具体实施方式
本申请实施例通过提供一种基于SVM的浮游生物粒径谱检测方法，以解决浮游生物粒径谱不能实时有效检测的技术问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。
实施例
一种基于SVM的粒径谱检测方法，该检测方法的流程主要分为两大部分，如图1所示，包括训练单元与测试单元。在训练单元中对采集的图像数据进行预处理，包括特征提取，特征组合以及归一化，然后训练SVM分类模型；在训练单元中，用训练好的分类模型对测试数据集进行预测，并通过中值滤波方法去除噪声以提高分割的准确性。
为了得到图像数据集，本申请的检测方法用于水下，利用水下相机在原位采集水下浮游生物的图像，这里可以为视频信息，将视频信息转化为帧图像，即将视频拆分为一帧一帧的图像，并将图像处理为统一大小，本实施例中处理后图像的大小为512*512。
将浮游生物的图像数据集分为训练样本数据集和测试样本数据集，举例说明，训练样本数据集和测试样本数据集可以分别选取10张图像，每张大小为512*512，即有2621440个像素点作为训练样本数据集，有2621440个像素点作为测试样本数据集，当然，为了进一步提高准确率，可以选用更多张的图像。
对选取的训练样本数据集进行人工标定，得到真值图像，其中，所述真值图像中将目标区域标定为1，如图2(c)、图2(d)中白色部分，白色部分的像素值为1，将背景与杂质区域标定为0，如图2(c)、图2(d)中黑色部分，黑色部分的像素值为0。
根据本申请的数据集的特点，因为数据集中的目标是不断运动的，所以在此提取光流特征矢量来描述浮游生物的运动状态，而数据集中浮游生物的亮度较杂质与背景也是不同的，所以提取图像的灰度特征矢量，此外，局部物体的外观和形状通过可以通过局部强度梯度或边缘方向的分布来表征，在此通过HOG(Histogram of Oriented Gradients,梯度方向直方图)来描述图像的梯度信息，综上所述，在本申请中提取所述训练样本数据集中图像的光流特征矢量、灰度特征矢量以及梯度方向直方图特征矢量。
在训练SVM分类器之前，将提取的特征进行组合及归一化处理，以避免大的动态范围特征消弱小的动态范围特征的影响，其中，组合是将三个特征矢量作为列向量，组成三列向量，归一化指的是将每一列向量线性缩放至[0,1]区间，在本实施例中可以用python的MinMaxScaler().fit_transform(x)函数实现归一化处理，其原理就是对每一列的数据进行线性缩放到[0,1]范围内。
因为本申请中图像分割的目的就是判断图像中每个像素点是目标还是背景或杂质，所以将该图像分割视为二分类问题。
将经过处理后的特征矢量及图像的真实值输入SVM分类模型进行训练，得到二分类模型；其中，图像的真实值指的标定图像之后的图像中的0和1。
考虑到径向基函数(RBF)是一种局部性强的核函数，其可以将一个样本映射到一个更高维的空间内，该核函数是应用最广的一个，无论大样本还是小样本都有比较好的性能，而且其相对于多项式核函数参数要少,易于调参。
在参数C的选择上，设置了参数C为1，10，50，100分别训练二分类模型，得到4个二分类模型，并用它们进行测试，实验结果若下表所示：
参数C 1 10 50 100
MAE值 0.215 0.210 0.219 0.223
实验结果表明，参数C选用这四个值时得到的MAE结果区别不是很大，但是参数C设置为10比其他三种要好一点，因此，在本申请中，选取径向基函数作为核函数，参数C选择10时结果最优。
利用训练好的二分类模型对测试样本数据集中图像进行预测，即利用训练好的二分类模型对组合后的新样本的特征矢量进行预测，以得到预测后的二值图像。需要说明的是在预测之前也需要对测试样本数据集中图像进行预处理，包括特征提取，特征组合以及归一化，在此不做赘述。为了有效地减小错误率，选择一个3*3窗口大小的中值滤波器对预测后得到的二值图像进行滤波处理，去掉其中的随机噪声，进而进行孔洞填充消除空洞现象,得到精确的浮游生物分割图像。因为在预测过程会出现某些像素点预测错误的情况导致浮游生物目标中存在空洞现象，利用空洞填充函数(MATLAB内置函数)就可以消除此类的误差，提高准确率，如图3所示，图3(a)为二值图像，图3(b)为填充区域后的结果示意图。
当浮游生物被精确地分割出来后，就可以根据预测分割后的二值图像中浮游生物的边缘轮廓信息对不同粒径大小的浮游生物进行计数：在本申请的研究中，做了一些简化处理，将每个浮游生物视为一个椭球体，计算出椭球体的体积后取对数；其中，椭球体的计算公式为式中，a为浮游生物的长轴，b为浮游生物的短轴，c＝b，按椭球体体积的对数大小进行分类；对每个分类范围内的浮游生物数量进行计数。举例说明，体积的对数属于(8.5，9.5)(9.5，10.5)(10.5，11.5)(11.5，12.5)(12.5，13.5)(13.5，14.5)(14.5，15.5)(15.5，16.5)(16.5，17.5)(17.5，18.5)哪一区间，哪一区间的数量值加一，每个范围内的浮游生物的数量是通过对所有的浮游生物遍历得到的，就是每遍历一个浮游生物(白色的闭合轮廓区域)，计算其体积，取对数，看这个结果属于哪一个范围，就在该范围的浮游生物的数量上加一。
生成不同粒径大小与浮游生物数量对应关系的浮游生物粒径谱。
为了验证实验结果，采用了两种不同的指标来进行评估。
第一个指标是平均绝对误差(MAE)，定义为：
式中，W为测试图像中像素总数，pi为预测值，qi为真实值。
第二个指标是查准率Precision与査全率Recall，给定混淆矩阵如表1所示：
表1混淆矩阵
式中，TP为正确预测为正样本的个数，即标定为1，且预测结果也为1的个数；FP为错误预测为正样本的个数，即标定为0，但预测结果为1的个数；FN为错误预测为负样本的个数，即标定为1，但预测结果为0的个数。
实验中，将传统的全局阈值分割方法与本申请的方法的MAE值进行比较，测试数据中用本申请的方法得到的MAE值为0.21，而用传统全局阈值分割结果为0.24。对比结果如图2所示，图2(a)为第50张原图像，图2(b)为第163张原图像，图2(c)为第50张真值图像，图2(d)为第163张真值图像，图2(e)为利用本申请的方法得到的第50张图像的分割结果，图2(f)为利用本申请的方法得到的第163张图像的分割结果，图2(g)和图2(h)为利用全局阈值分割方法得到的分割结果。
此外，分别绘制了本申请的方法与传统全局阈值分割方法的P-R曲线，如图4所示。结果表明在水下图像中，本申请的方法可以得到更优的结果。根据得到的分割图像，绘制了三维的浮游生物粒径谱，如图5所示。同时，我们也用真值图像得到了真实的浮游生物粒径谱，如图所示，x轴表示的是时间，y轴表示的是体积的对数(在图像中体积的变化范围较大，因此，通常选用体积的对数进行表征)，此处，采用的是以2为底的体积的对数，z轴表示的是在特定粒径大小范围内的浮游生物的数量，由图6可得，在实验所使用的数据集中，粒径大小约为12()的浮游生物数量最多。
图7为基于SVM的浮游生物粒径谱检测方法的流程图。一种基于SVM的粒径谱检测方法，包括如下步骤：
S1：将浮游生物的图像数据集分为训练样本数据集和测试样本数据集；
S2：对所述训练样本数据集进行标定，得到真值图像，其中，所述真值图像中将目标区域标定为1，将背景与杂质区域标定为0；
S3：提取所述训练样本数据集中图像的光流特征矢量、灰度特征矢量以及梯度方向直方图特征矢量，进行组合及归一化处理；
S4：将经过S3处理后的特征矢量及S2中得到的图像的真实值输入SVM分类模型进行训练，得到二分类模型；
S5：利用训练好的二分类模型对测试样本数据集中图像进行预测；
S6：根据预测分割后的二值图像中浮游生物的边缘轮廓信息对不同粒径大小的浮游生物进行计数；
S7：生成不同粒径大小与浮游生物数量对应关系的浮游生物粒径谱。
本申请的上述实施例中，通过提供一种基于SVM的浮游生物粒径谱检测方法，包括：将浮游生物的图像数据集分为训练样本数据集和测试样本数据集；对所述训练样本数据集进行标定，得到真值图像；提取所述训练样本数据集中图像的光流特征矢量、灰度特征矢量以及梯度方向直方图特征矢量，进行组合及归一化处理；将处理后的特征矢量及真值图像的目标值输入SVM分类模型进行训练，得到二分类模型；利用训练好的二分类模型对测试样本数据集中图像进行预测；根据预测分割后的二值图像对不同粒径大小的浮游生物进行计数；生成浮游生物粒径谱。该发明简化了浮游生物粒径谱检测的工程量，能够在海底实时、准确的进行浮游生物粒径谱的自动检测，从而有效地检测和预报赤潮等灾害。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种基于SVM的粒径谱检测方法，其特征在于，包括如下步骤：
S1：将浮游生物的图像数据集分为训练样本数据集和测试样本数据集；
S2：对所述训练样本数据集进行标定，得到真值图像，其中，所述真值图像中将目标区域标定为1，将背景与杂质区域标定为0；
S3：提取所述训练样本数据集中图像的光流特征矢量、灰度特征矢量以及梯度方向直方图特征矢量，进行组合及归一化处理；
S4：将经过S3处理后的特征矢量及S2中得到的图像的真实值输入SVM分类模型进行训练，得到二分类模型；
S5：利用训练好的二分类模型对测试样本数据集中图像进行预测；
S6：根据预测分割后的二值图像中浮游生物的边缘轮廓信息对不同粒径大小的浮游生物进行计数；
S7：生成不同粒径大小与浮游生物数量对应关系的浮游生物粒径谱。
2.根据权利要求1所述的基于SVM的粒径谱检测方法，其特征在于，在步骤S1之前还包括：
利用水下相机在原位采集水下浮游生物的图像；
将采集到的图像处理为固定大小。
3.根据权利要求1所述的基于SVM的粒径谱检测方法，其特征在于，在步骤S6之前还包括：利用中值滤波器对预测后的二值图像进行去噪处理。
4.根据权利要求1所述的基于SVM的粒径谱检测方法，其特征在于，步骤S6包括：
将每个浮游生物视为一个椭球体，计算出椭球体的体积后取对数；
按椭球体体积的对数大小进行分类；
对每个分类范围内的浮游生物数量进行计数。
5.根据权利要求1所述的基于SVM的粒径谱检测方法，其特征在于，采用平均绝对误差来验证步骤S5中对图像预测的准确率，即
式中，W为测试图像中像素总数，pi为预测值，qi为真实值。
6.根据权利要求1所述的基于SVM的粒径谱检测方法，其特征在于，采用查准率Precision和查全率Recall来验证步骤S5中对图像预测的准确率，即
式中，TP为正确预测为正样本的个数，即标定为1，且预测结果也为1的个数；FP为错误预测为正样本的个数，即标定为0，但预测结果为1的个数；FN为错误预测为负样本的个数，即标定为1，但预测结果为0的个数。
CN201910646387.0A 2019-07-17 2019-07-17 一种基于svm的浮游生物粒径谱检测方法 Pending CN110348533A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910646387.0A CN110348533A (zh) 2019-07-17 2019-07-17 一种基于svm的浮游生物粒径谱检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910646387.0A CN110348533A (zh) 2019-07-17 2019-07-17 一种基于svm的浮游生物粒径谱检测方法

Publications (1)

Publication Number Publication Date
CN110348533A true CN110348533A (zh) 2019-10-18

Family

ID=68175609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910646387.0A Pending CN110348533A (zh) 2019-07-17 2019-07-17 一种基于svm的浮游生物粒径谱检测方法

Country Status (1)

Country Link
CN (1) CN110348533A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889833A (zh) * 2019-11-18 2020-03-17 山东大学 基于梯度光流法的深海浮游生物检测方法及系统
CN113628155A (zh) * 2020-04-24 2021-11-09 中冶长天国际工程有限责任公司 一种圆盘造球机的生球粒径检测方法及系统
CN115656175A (zh) * 2022-12-09 2023-01-31 海南浙江大学研究院 一种背光成像的浮游生物监测系统及数据处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020971A (zh) * 2012-12-28 2013-04-03 青岛爱维互动信息技术有限公司 从图像中自动分割目标对象的方法
CN105913090A (zh) * 2016-04-14 2016-08-31 西安电子科技大学 基于sdae-svm的sar图像目标分类方法
CN107194403A (zh) * 2017-04-11 2017-09-22 中国海洋大学 浮游生物粒径谱检测系统及其方法
CN107316030A (zh) * 2017-07-04 2017-11-03 西北工业大学深圳研究院 无人机对地面运动车辆自动检测与分类方法
CN107644420A (zh) * 2017-08-31 2018-01-30 西北大学 基于中心线提取的血管图像分割方法、核磁共振成像系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020971A (zh) * 2012-12-28 2013-04-03 青岛爱维互动信息技术有限公司 从图像中自动分割目标对象的方法
CN105913090A (zh) * 2016-04-14 2016-08-31 西安电子科技大学 基于sdae-svm的sar图像目标分类方法
CN107194403A (zh) * 2017-04-11 2017-09-22 中国海洋大学 浮游生物粒径谱检测系统及其方法
CN107316030A (zh) * 2017-07-04 2017-11-03 西北工业大学深圳研究院 无人机对地面运动车辆自动检测与分类方法
CN107644420A (zh) * 2017-08-31 2018-01-30 西北大学 基于中心线提取的血管图像分割方法、核磁共振成像系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
代鲁平等: "基于 ZooScan 图像技术的南黄海夏季浮游动物群落结构分析", 《海洋与湖沼》 *
涂宏斌等: "《基于机器学习的行为识别技术研究》", 30 September 2016 *
赵小川: "《现代数字图像处理技术提高及应用案例详解 MATLAB版》", 30 April 2014 *
陈斌: "《高速公路交通意外事件管理关键技术》", 28 February 2007 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110889833A (zh) * 2019-11-18 2020-03-17 山东大学 基于梯度光流法的深海浮游生物检测方法及系统
CN110889833B (zh) * 2019-11-18 2022-04-19 山东大学 基于梯度光流法的深海浮游生物检测方法及系统
CN113628155A (zh) * 2020-04-24 2021-11-09 中冶长天国际工程有限责任公司 一种圆盘造球机的生球粒径检测方法及系统
CN115656175A (zh) * 2022-12-09 2023-01-31 海南浙江大学研究院 一种背光成像的浮游生物监测系统及数据处理方法

Similar Documents

Publication Publication Date Title
Kang et al. Stainnet: a fast and robust stain normalization network
AU2012225196B2 (en) Method and software for analysing microbial growth
Bi et al. A semi-automated image analysis procedure for in situ plankton imaging systems
CN107194937B (zh) 一种开放环境下中医舌象图像分割方法
CN110348533A (zh) 一种基于svm的浮游生物粒径谱检测方法
CN111462076B (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN107665492A (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN114724022B (zh) 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质
Weidmann et al. A closer look at seagrass meadows: Semantic segmentation for visual coverage estimation
CN114781514A (zh) 一种融合注意力机制的漂浮物目标检测方法及系统
CN110188592B (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
KR102624956B1 (ko) 세포 샘플 내에서 적어도 하나의 기형을 가지는 세포를 검출하기 위한 방법
Tsaku et al. Texture-based deep learning for effective histopathological cancer image classification
CN114926386A (zh) 一种基于深度学习的白细胞核质自动分割方法及系统
CN110490159A (zh) 识别显微图像中的细胞的方法、装置、设备及存储介质
CN106997583A (zh) 一种水下机器人自适应图像增强和特征提取方法
Nazeran et al. Biomedical image processing in pathology: a review
CN111914766B (zh) 一种城市管理业务游商行为检测方法
Kalbhor et al. CerviCell-detector: An object detection approach for identifying the cancerous cells in pap smear images of cervical cancer
Kaur et al. A novel methodology for automatic bacterial colony counter
CN114626952A (zh) 一种新颖的鱼体形态学特征精准测量方法
CN113222887A (zh) 基于深度学习的纳米铁标记神经干细胞示踪的方法
Leitner et al. 3D-modeling of deformed halite hopper crystals by Object Based Image Analysis
CN110570417A (zh) 肺结节分类方法、装置及图像处理设备
Dwikarsa et al. Benthic habitat classification using multiscale GEOBIA on orthophoto images of Karimunjawa waters

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

Application publication date: 20191018

RJ01 Rejection of invention patent application after publication