CN110428416B - 一种液位视觉检测方法及装置 - Google Patents

一种液位视觉检测方法及装置 Download PDF

Info

Publication number
CN110428416B
CN110428416B CN201910722825.7A CN201910722825A CN110428416B CN 110428416 B CN110428416 B CN 110428416B CN 201910722825 A CN201910722825 A CN 201910722825A CN 110428416 B CN110428416 B CN 110428416B
Authority
CN
China
Prior art keywords
liquid level
image
container
training
level detection
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.)
Active
Application number
CN201910722825.7A
Other languages
English (en)
Other versions
CN110428416A (zh
Inventor
张竞峰
柴文光
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910722825.7A priority Critical patent/CN110428416B/zh
Publication of CN110428416A publication Critical patent/CN110428416A/zh
Application granted granted Critical
Publication of CN110428416B publication Critical patent/CN110428416B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

本申请提供了一种液位视觉检测方法及装置，其中方法包括：获取待测量透明容器的液位信息图像；将液位信息图像输入至液位检测模型；通过液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像。本申请提供的一种通过机器视觉检测液位的方法，通过将待测量容器的液位信息图像输入至已完成训练的液位检测模型中，由液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像，不需要在容器内设置任何的测量仪器，解决了现有的容器液位检测传感器装置占据液体容器内部的空间的技术问题。

Description

一种液位视觉检测方法及装置
技术领域
本申请涉及机器视觉检测领域，尤其涉及一种液位检测方法及装置。
背景技术
科学技术不断发展，很多传统的工作方式逐渐被机器操作所替代。以液位检测为例，现有的针对容器液位检测的应用大多数采用传感器装置，然而设置在液体容器内的液位感应装置会占据液体容器内的空间，不仅会减小液体容器所能盛装液体的体积，还会影响容器内液体的真实剩余量的准确测量。
发明内容
本申请提供了一种液位视觉检测方法及装置，用于解决现有的容器液位检测传感器装置，然而设置在液体容器内的液位感应装置会占据液体容器内的空间，不仅会减小液体容器所能盛装液体的体积，还会影响容器内液体的真实剩余量的准确测量的技术问题。
有鉴于此，本申请第一方面提供了一种液位视觉检测方法，包括：
获取待测量透明容器的液位信息图像；
将所述液位信息图像输入至液位检测模型，其中，所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的；
通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
可选地，所述液位信息图像具体为经过预处理的图像。
可选地，所述训练图像具体为经过预处理的图像。
可选地，所述预处理具体包括：
获取液体容器的初始图像；
通过双边滤波器对所述初始图像进行去噪滤波；
通过自适应阈值边缘检测方式，对经过去噪滤波的所述初始图像进行图像背景分割，得到预处理图像。
可选地，所述将已标注液位信息的训练图像输入至神经网络模型进行训练具体包括：
获取已标注液位系信息的训练图像，并将所述训练图像输入至初始的CNN神经网络模型进行训练，得到液位检测模型。
本申请第二方面提供了一种液位视觉检测装置，包括：
待测量图像获取单元，用于获取待测量容器的液位信息图像，其中，所述待测量容器为透明容器；
数据输入单元，用于将所述液位信息图像输入至液位检测模型，其中，所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的；
结果输出单元，用于通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
可选地，所述液位信息图像具体为经过预处理的图像。
可选地，所述训练图像具体为经过预处理的图像。
可选地，还包括：预处理单元；
第一图像获取子单元，用于获取液体容器的初始图像；
去噪滤波子单元，用于通过双边滤波器对所述初始图像进行去噪滤波；
背景分割子单元，用于通过自适应阈值边缘检测方式，对经过去噪滤波的所述初始图像进行图像背景分割，得到预处理图像。
可选地，还包括：
模型训练单元，用于获取已标注液位系信息的训练图像，并将所述训练图像输入至初始的CNN神经网络模型进行训练，得到液位检测模型。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种液位视觉检测方法，包括：获取待测量透明容器的液位信息图像；将所述液位信息图像输入至液位检测模型，其中，所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的；通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像。
本申请提供的一种通过机器视觉检测液位的方法，通过将待测量容器的液位信息图像输入至已完成训练的液位检测模型中，由液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像，不需要在容器内设置任何的测量仪器，解决了因现有的容器液位检测传感器装置占据液体容器内的空间而导致的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种液位视觉检测方法的第一个实施例的流程示意图；
图2为本申请提供的一种液位视觉检测装置的第一个实施例的结构示意图；
图3为本申请提供的一种液位视觉检测方法采用的自适应阈值边缘检测算法示意图；
图4为本申请提供的一种液位视觉检测方法采用的CNN模型结构示意图。
具体实施方式
本申请实施例提供了一种液位视觉检测方法及装置，用于解决现有的容器液位检测传感器装置，然而设置在液体容器内的液位感应装置会占据液体容器内的空间，不仅会减小液体容器所能盛装液体的体积，还会影响容器内液体的真实剩余量的准确测量的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
请参阅图1、图3和图4，本申请实施例提供了一种液位视觉检测方法，包括：
步骤101、获取待测量透明容器的液位信息图像。
步骤102、将液位信息图像输入至液位检测模型。
其中，液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的；
步骤103、通过液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像。
更具体地，液位信息图像具体为经过预处理的预处理图像。
更具体地，训练图像具体为经过预处理的预处理图像。
需要说明的是，为了更进一步地提高液位检测的准确性，可以在通过液位检测模型进行检测和/或训练液位检测模型时，选取经过了预处理步骤的预处理图像作为液位信息图像和训练图像，或者在获取到初始的液位信息图像或训练图像后，在对获取的图像进行预处理。
更具体地，预处理包括：
获取液体容器的初始图像；
通过双边滤波器对初始图像进行去噪滤波；
通过自适应阈值边缘检测方式，对经过去噪滤波的初始图像进行图像背景分割，得到预处理图像。
需要说明的是，本实施例的预处理方法具体包括：
(A1)用双边滤波器对获得的容器图像进行去噪滤波。
(A2)基于传统的canny边缘检测算法原理，计算(A1)处理后的容器边缘图像的梯度幅值和方向。
(A3)对于(A2)处理后计算的梯度幅值可能会存在多个幅值较大的情况，对其进行非极大值抑制,找出局部最大值。
(A4)采用Otsu自适应选取阈值，与(A3)中计算的梯度幅值进行比较，得到容器的边缘点。
(A5)连接边缘点分割出容器部分的图像，得到不包含背景部分的预处理图像。
具体运算公式包括：
其中，k(x)是归一化函数，f表示原图像，h表示处理后的图像，x表示h中某个像素点位置，ξ表示f中x位置的像素点的像素值，f(ξ)表示该像素点的灰度值，c表示低通滤波，s表示range filter。
更具体地，将已标注液位信息的训练图像输入至神经网络模型进行训练具体包括：
获取已标注液位系信息的训练图像，并将训练图像输入至初始的CNN神经网络模型进行训练，得到液位检测模型。
需要说明的是，利用标注后的容器液位线数据集训练CNN模型，CNN模型结构如图4所示，预处理后的前景容器图像作为CNN模型的输入，经过CNN模型中多层卷积运算最后得到液位线图像。
本实施例的训练图像中的液位系信息具体是通过LabelBox工具对直接获取的容器图像或经过了预处理后图像中的液位线区域进行标注得到的。
本申请实施例的检测方法通过将待测量容器的液位信息图像输入至已完成训练的液位检测模型中，由液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像，不需要在容器内设置任何的测量仪器，解决了现有的容器液位检测传感器装置，然而设置在液体容器内的液位感应装置会占据液体容器内的空间，不仅会减小液体容器所能盛装液体的体积，还会影响容器内液体的真实剩余量的准确测量的技术问题。
以上为本申请提供的一种液位视觉检测方法的实施例的详细说明，下面为本申请提供的一种液位视觉检测装置的实施例的详细说明。
请参阅图2，本申请实施例提供了一种液位视觉检测装置，包括：
待测量图像获取单元201，用于获取待测量容器的液位信息图像，其中，待测量容器为透明容器；
数据输入单元202，用于将液位信息图像输入至液位检测模型，其中，液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的；
结果输出单元203，用于通过液位检测模型对液位信息图像进行处理并输出包括有待测量容器的液位线位置信息的测量结果图像。
可选地，液位信息图像具体为经过预处理的图像。
可选地，训练图像具体为经过预处理的图像。
可选地，还包括：预处理单元204；
第一图像获取子单元，用于获取液体容器的初始图像；
去噪滤波子单元，用于通过双边滤波器对初始图像进行去噪滤波；
背景分割子单元，用于通过自适应阈值边缘检测方式，对经过去噪滤波的初始图像进行图像背景分割，得到预处理图像。
可选地，还包括：
模型训练单元205，用于获取已标注液位系信息的训练图像，并将训练图像输入至初始的CNN神经网络模型进行训练，得到液位检测模型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (2)

1.一种液位视觉检测方法，其特征在于，包括：
获取待测量透明容器的液位信息图像，所述液位信息图像具体为经过预处理的图像；
将所述液位信息图像输入至液位检测模型，其中，所述液位检测模型具体通过获取已标注液位系信息的训练图像，并将所述训练图像输入至初始的CNN神经网络模型进行训练得到的，所述训练图像具体为经过预处理的图像；
通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量透明容器的液位线位置信息的测量结果图像；
所述预处理具体包括：
获取液体容器的初始图像；
通过双边滤波器对所述初始图像进行去噪滤波；
基于传统的canny边缘检测算法原理，计算经过去噪滤波处理后的容器边缘图像的梯度幅值和方向，对所述梯度幅值进行非极大值抑制,找出所述梯度幅值的局部最大值，采用Otsu自适应选取阈值，与所述局部最大值进行比较，得到容器的边缘点，连接边缘点分割出容器部分的图像，得到不包含背景部分的预处理图像；
其中，所述预处理对应的运算公式包括：
；
；
；
；
其中，是归一化函数，/>表示原图像，/>表示处理后的图像，/>表示/>中某个像素点位置，/>表示/>中/>位置的像素点的像素值，/>表示该像素点的灰度值，/>表示低通滤波，/>表示range filter。
2.一种液位视觉检测装置，其特征在于，包括：
待测量图像获取单元，用于获取待测量容器的液位信息图像，其中，所述待测量容器为透明容器，所述液位信息图像具体为经过预处理的图像；
数据输入单元，用于将所述液位信息图像输入至液位检测模型，其中，所述液位检测模型具体通过将已标注液位信息的训练图像输入至神经网络模型进行训练得到的，所述训练图像具体为经过预处理的图像；
结果输出单元，用于通过所述液位检测模型对所述液位信息图像进行处理并输出包括有所述待测量容器的液位线位置信息的测量结果图像；
还包括：预处理单元，且所述预处理单元包括：
第一图像获取子单元，用于获取液体容器的初始图像；
去噪滤波子单元，用于通过双边滤波器对所述初始图像进行去噪滤波；
背景分割子单元，用于基于传统的canny边缘检测算法原理，计算经过去噪滤波处理后的容器边缘图像的梯度幅值和方向，对所述梯度幅值进行非极大值抑制,找出所述梯度幅值的局部最大值，采用Otsu自适应选取阈值，与中计算的所述局部最大值进行比较，得到容器的边缘点，连接边缘点分割出容器部分的图像，得到不包含背景部分的预处理图像；
其中，所述预处理对应的运算公式包括：
；
；
；
；
其中，是归一化函数，/>表示原图像，/>表示处理后的图像，/>表示/>中某个像素点位置，/>表示/>中/>位置的像素点的像素值，/>表示该像素点的灰度值，/>表示低通滤波，/>表示range filter；
模型训练单元，用于获取已标注液位系信息的训练图像，并将所述训练图像输入至初始的CNN神经网络模型进行训练，得到液位检测模型。
CN201910722825.7A 2019-08-06 2019-08-06 一种液位视觉检测方法及装置 Active CN110428416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910722825.7A CN110428416B (zh) 2019-08-06 2019-08-06 一种液位视觉检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910722825.7A CN110428416B (zh) 2019-08-06 2019-08-06 一种液位视觉检测方法及装置

Publications (2)

Publication Number Publication Date
CN110428416A CN110428416A (zh) 2019-11-08
CN110428416B true CN110428416B (zh) 2024-01-23

Family

ID=68414481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910722825.7A Active CN110428416B (zh) 2019-08-06 2019-08-06 一种液位视觉检测方法及装置

Country Status (1)

Country Link
CN (1) CN110428416B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109287A (zh) * 2021-03-17 2021-07-13 杭州兰亮网络科技有限公司 一种加装传感器获得图像处理油液品质的检测方法
CN113028993B (zh) * 2021-03-29 2021-11-05 深圳市博瑞生物科技有限公司 一种用于描述微滴式数字pcr液滴相对位置的方法
CN113744325B (zh) * 2021-09-06 2024-04-26 中国地质科学院勘探技术研究所 一种基于图像识别技术的液位检测装置及方法
CN113554004B (zh) * 2021-09-18 2022-08-05 三一汽车制造有限公司 搅拌车溢料检测方法、检测系统、电子设备及搅拌站
CN114067102B (zh) * 2021-11-17 2023-04-07 中国矿业大学 基于目标检测的机械臂倒液任务中液位检测控制方法
CN114565848B (zh) * 2022-02-25 2022-12-02 佛山读图科技有限公司 一种复杂场景的药液液位检测方法及系统
CN117078103B (zh) * 2023-08-29 2024-02-13 南京图灵信息技术有限公司 商品品质监控数据处理方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815865A (zh) * 2019-01-11 2019-05-28 江河瑞通（北京）技术有限公司 一种基于虚拟水尺的水位识别方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3220339B2 (ja) * 1994-11-16 2001-10-22 株式会社日立製作所 画像処理による水位計測方法および装置
CN105607661A (zh) * 2015-12-21 2016-05-25 南宁学院 一种基于图像识别的液位控制系统
CN107421510A (zh) * 2017-08-28 2017-12-01 爱易成技术(天津)有限公司 一种水文监测设备及方法
CN108318101A (zh) * 2017-12-26 2018-07-24 北京市水利自动化研究所 基于深度学习算法的水尺水位视频智能监测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815865A (zh) * 2019-01-11 2019-05-28 江河瑞通（北京）技术有限公司 一种基于虚拟水尺的水位识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于数字图像处理的液位测量系统的研究与实现";羊冰清, 张周燕, 朱小良;《电力工程技术》;第第37卷卷(第第4期期);57-64 *
"Image Analysis for Altimetry Waveform Selection Over Heterogeneous Inland Waters";Andrew Marshall, Xiaoli Deng;《IEEE Geoscience and Remote Sensing Letters》;第第3卷卷(第第8期期);1198 - 1202 *
一种基于Canny 算子的车辆目标检测方法;孙利君;《商场现代化》;37-38 *

Also Published As

Publication number Publication date
CN110428416A (zh) 2019-11-08

Similar Documents

Publication Publication Date Title
CN110428416B (zh) 一种液位视觉检测方法及装置
EP2416293A1 (en) Stereo image processor and stereo image processing method
CN106651828B (zh) 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法
US9674447B2 (en) Apparatus and method for adaptive computer-aided diagnosis
JP7300199B2 (ja) 画像を処理するための方法およびシステム
CN106920219A (zh) 物品缺陷检测方法、图像处理系统与计算机可读记录介质
CN108389195B (zh) 图像检测方法及装置
Igbinosa Comparison of edge detection technique in image processing techniques
CN109602451B (zh) 一种医学超声辅助自动诊断系统
CN112001895B (zh) 一种甲状腺钙化检测装置
CN108197564A (zh) 一种画钟试验的评估系统及方法
CN114782451B (zh) 工件缺陷检测方法、装置、电子设备及可读存储介质
Bhagya et al. Analysis of image segmentation algorithms for the effective detection of leukemic cells
CN102799881B (zh) 基于二值图像编码模型的指纹方向信息获取方法
CN116958983A (zh) 一种基于机器视觉的指针式压力表自动校验仪示值读数方法
CN109359632A (zh) 道路边线检测方法及装置
CN115588196A (zh) 基于机器视觉的指针型仪表读数方法和装置
CN110633679B (zh) 一种基于遗传算法的指针式仪表示数自动识别方法及系统
CN106600662A (zh) 图像中主线条的绘制方法及装置
CN111437033B (zh) 一种用于血管介入手术机器人系统的虚拟传感器
CN110363744B (zh) 一种肺部年龄检测方法及设备
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN108629788B (zh) 一种图像边缘检测方法、装置、设备及可读存储介质
US10614333B2 (en) Method for reading graphical indicator, indicator structure and electronic apparatus thereof
CN111898641A (zh) 一种目标模型检测、装置、电子设备及计算机可读存储介质

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