CN110544241A - 一种电力电缆金属横切面痕迹特征相识度匹配系统 - Google Patents
一种电力电缆金属横切面痕迹特征相识度匹配系统 Download PDFInfo
- Publication number
- CN110544241A CN110544241A CN201910776662.0A CN201910776662A CN110544241A CN 110544241 A CN110544241 A CN 110544241A CN 201910776662 A CN201910776662 A CN 201910776662A CN 110544241 A CN110544241 A CN 110544241A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- power cable
- degree
- metal cross
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 16
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000000611 regression analysis Methods 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- UREBDLICKHMUKA-CXSFZGCWSA-N dexamethasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1C[C@@H](C)[C@@](C(=O)CO)(O)[C@@]1(C)C[C@@H]2O UREBDLICKHMUKA-CXSFZGCWSA-N 0.000 description 1
- 229960003957 dexamethasone Drugs 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电力电缆金属横切面痕迹特征相识度匹配系统，属于电力领域，所述的切面痕迹特征相识度匹配系统包括图像采集、图像预处理、投影面积特征提取、最大横切直径特征提取。图像处理算法也积累相当丰硕的成果，如图像分割、边界提取、特征提取等技术已趋成熟，构建特定的图像采集装置，实现电缆横切面样本图像的采集，并在Matlab平台下，运用多种图像处理方法，实现目标形态特征参数的测定，并通过回归分析，建立测定模型。
Description
技术领域
本发明属于电力领域，更具体的说涉及一种电力电缆金属横切面痕迹特征相识度匹配系统。
背景技术
电缆盗窃是现在电力行业普通存在的问题，当电缆被盗窃后，会留下横切面痕迹，不同的工具切断的电缆横切面痕迹不相同，以为通过人工经验方法来判断是什么工具切断的电缆，存在精度不高的缺点，测定结果与工人的熟练程度有很大的关系。
因此，探索一种新的自动化测量方法，提高测量精度与效率已刻不容缓.近年来，图像处理和计算机技术迅猛发展，机器视觉也在工、农业等领域的生产环节广泛应用，如戴美松等
基于图像处理技术实现形态参数测定；图像处理算法也积累相当丰硕的成果，如图像分割、边界提取、特征提取等技术已趋成熟.本发明以电缆横切面痕迹为对象，构建特定的图像采集装置，实现电缆横切面样本图像的采集，并在Matlab平台下，运用多种图像处理方法，实现目标形态特征参数的测定，并通过回归分析，建立测定模型。
发明内容
本发明基于多种图像处理方法，依次对图像进行目标提取、二值化及边界提取，通过参照物确立像数点与物体实际外形参数的比例关系值，最终建立电缆横切面直径的测定模型经与人工测量结果对比表明具有较高的测量精度，具有一定的实用价值。
为了实现上述目的，本发明是采用以下技术方案实现的：所述的切面痕迹特征相识度匹配系统包括以下步骤：
步骤1：图像采集；
步骤2：图像预处理:；
步骤3：投影面积特征提取；
步骤4：最大横切直径特征提取；
图像采集环节是后续研究的首要环节，同时也是极其重要的环节，采集方法的恰当与否将决定图像的质量，图像质量的好坏又决定目标物提取的难易程度与精确度，进而影响后续的测量精度；
图像预处理由测定原理可知，在像数密度已知的情况，要想求得实际尺寸，首先要获得目标物的像数点数原始图像是背景与目标共存的图像，同时还存在噪声。
优选的，所述的步骤1图像采集，采用图像采集装置，图像采集装置，由暗箱、数码相机、光源和载物模板构成；
箱体六面均用黑色粗纹塑布做遮光处理，以减少外界光的影响；箱体顶部安装有数码相机、环灯光源，考虑到研究成本，环灯光源选用色温为5500K，额定功率为24W；
载物板选用与样本色彩明显的蓝色半透明单面磨砂塑制板；支柱由调高螺柱构成，用于调节目标物与相机的距离，为获得最佳拍摄效果，背景平板与相机镜头在60～90cm间距范围内可调.计算机通过USB通信协议实现对照相机的图像采集控制。
优选的，所述的步骤2图像预处理的步骤分为；
(1)对原始图像进行滤波平滑处理；鉴于中值滤波方法在消除孤立噪声点的同时，能最大程度地保证边缘信息不丢失，因此采用中值滤波对电缆原始图像做平滑处理；
(2)原始图像是目标与背景共存的图像，需事先分割；目标图像提取的精准程度与尺寸测量精度密切相关，经多种算法的对比实验，最终基k-mean聚类算法在Lab色彩空间下，通过聚类分割实现目标图像的提取；
(3)为简化后续特征提取测量的运算量，目标与背景分离后对其进行二值化处理。
优选的，所述步骤3投影面积特征提取：投影面积是体现电缆整体质量的指标之一，因此将投影面作为形态特征之一图像经过二值化处理，用1来标记背景区像数，0来标记目标区像素，因此投影面积像素和通过统计0的个数就可得到。
优选的，所述的步骤4：最大横切直径特征提取；以最大横切径标记电缆的粗细程度.因此，可通过统计二值化图像上为0像素点的最大水平距离与最大垂直距离获得图像中目标的像素间距值，通过参照物标定的比例值求得长度与最大横切径参数。
优选的，所述的步骤3具体做法为在Matlab2010环境下的具体做法是使用[r c]＝find(bw＝＝0)；S＝size(r)来实现；其中bw代表二值化后的图像；r、c分别为0像数点的行列坐标值；S为像数点总和。
本发明有益效果：
本发明基于多种图像处理方法，依次对图像进行目标提取、二值化及边界提取，通过参照物确立像数点与物体实际外形参数的比例关系值，最终建立电缆横切面直径的测定模型经与人工测量结果对比表明具有较高的测量精度，具有一定的实用价值。
附图说明
图1为图像采集装置示意图；
具体实施方式
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。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他实施例，都属于本申请保护的范围。
所述的切面痕迹特征相识度匹配系统包括以下步骤：
步骤1：图像采集；
步骤2：图像预处理:；
步骤3：投影面积特征提取；
步骤4：最大横切直径特征提取；
图像采集环节是后续研究的首要环节，同时也是极其重要的环节，采集方法的恰当与否将决定图像的质量，图像质量的好坏又决定目标物提取的难易程度与精确度，进而影响后续的测量精度；图像预处理由测定原理可知，在像数密度已知的情况，要想求得实际尺寸，首先要获得目标物的像数点数原始图像是背景与目标共存的图像，同时还存在噪声。
测定原理一幅二维图像中目标物的实际大小与图像目标的像数点个数具有一定的比例关系，因此可通过已知大小的参照物先标定此关系系数，通过比例变换可将图像目标物的像数值换算成实际尺寸，进而实现物体的形态参数测量.具本做法如下：以1cm×1cm大小的方形黑色薄卡片为参照物，针对拍摄中可能出现的镜头畸变问题，通过算法优化先剔除不合格参照物色块，再算出每平方厘米中的像素平均数和像素点相应的实际尺寸。拍照后先将参照物图像分割提取，并统计卡片的像数密度均值k，假设在相同拍摄条件下某二维图像目标物的像数点总数记为x，那么目标的面积y≈kx cm；同理通过一系列变化也可求出其它参数的实际尺寸。
所述的步骤1图像采集，采用图像采集装置，图像采集装置，由暗箱、数码相机、光源和载物模板构成；.暗箱为：长×宽×高＝40cm×40cm×100cm的立方体箱体六面均用黑色粗纹塑布做遮光处理，以减少外界光的影响；箱体顶部安装有数码相机、环灯光源，考虑到研究成本数码相机选用佳能EOS-550D，环灯光源选用色温为5 500K，额定功率为24W；载物板选用与样本色彩明显的蓝色半透明单面磨砂塑制板；支柱由调高螺柱构成，用于调节目标物与相机的距离，为获得最佳拍摄效果，背景平板与相机镜头在60～90cm间距范围内可调.计算机通过USB通信协议实现对照相机的图像采集控制。
所述的步骤2图像预处理的步骤分为；(1)对原始图像进行滤波平滑处理；鉴于中值滤波方法在消除孤立噪声点的同时，能最大程度地保证边缘信息不丢失，因此采用中值滤波对电缆原始图像做平滑处理；原始图像是目标与背景共存的图像，需事先分割；目标图像提取的精准程度与尺寸测量精度密切相关，经多种算法的对比实验，最终基k-mean聚类算法在Lab色彩空间下，通过聚类分割实现目标图像的提取；为简化后续特征提取测量的运算量，目标与背景分离后对其进行二值化处理。
所述步骤3投影面积特征提取：投影面积是体现电缆整体质量的指标之一，因此将投影面作为形态特征之一图像经过二值化处理，用1来标记背景区像数，0来标记目标区像素，因此投影面积像素和通过统计0的个数就可得到。所述的步骤3具体做法为在Matlab2010环境下的具体做法是使用[r c]＝find(bw＝＝0)；S＝size(r)来实现；其中bw代表二值化后的图像；r、c分别为0像数点的行列坐标值；S为像数点总和。
优选的，所述的步骤4：最大横切直径特征提取；以最大横切径标记电缆的粗细程度.因此，可通过统计二值化图像上为0像素点的最大水平距离与最大垂直距离获得图像中目标的像素间距值，通过参照物标定的比例值求得长度与最大横切径参数。在Matlab2010环境下的具体做法是：先使用[r c]＝find(9bw＝＝0)；[Rx，Ry，area，perimeter]＝minboundrect(c，r，a’)以面积标注最小外接矩形，其中‘a’表示是按面积算的求取最小矩形；Rx、Ry、area依次代表电缆样本最小外接矩形的长度、宽度与面积。
选择长支与短支的电缆样本各5支，并依次编号为1～10，先用游标卡尺人工测量其纵向长度与最大横切径，接着再使用图像采集与特征测量，将两种测量结果进行对比评价，精度评价公式如式(1)、(2)所示：
其中E、C、P、V分别代表相对误差、人工测量值、测量精度、图像测量值，从表中分析可知，相对误差平均为6.2％左右，测量精度在93.8％左右，若不考虑图像处理过程中的随机误差，究其原因是因为长支的横切径普遍高于短支的横切径，参照物定标时与背景板处于同一高度，但电缆样本高于参照物位置平面，实际像数密度会有所增加，但标定的像数密度值偏低，进而导致测量结果普遍低.而短支横切径较小，与参照物高度接近，因此测量精度也相对较高。
本发明基于多种图像处理方法，依次对图像进行目标提取、二值化及边界提取，通过参照物确立像数点与物体实际外形参数的比例关系值，最终建立电缆横切面直径的测定模型经与人工测量结果对比表明具有较高的测量精度，具有一定的实用价值。
尽管已经示出和描述了本申请的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本申请的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种电力电缆金属横切面痕迹特征相识度匹配系统，其特征在于：所述的切面痕迹特征相识度匹配系统包括以下步骤：
步骤1：图像采集；
步骤2：图像预处理:；
步骤3：投影面积特征提取；
步骤4：最大横切直径特征提取；
图像采集环节是后续研究的首要环节，同时也是极其重要的环节，采集方法的恰当与否将决定图像的质量，图像质量的好坏又决定目标物提取的难易程度与精确度，进而影响后续的测量精度；
图像预处理由测定原理可知，在像数密度已知的情况，要想求得实际尺寸，首先要获得目标物的像数点数原始图像是背景与目标共存的图像，同时还存在噪声。
2.根据权利要求1所述的一种电力电缆金属横切面痕迹特征相识度匹配系统，其特征在于：所述的步骤1图像采集，采用图像采集装置，图像采集装置，由暗箱、数码相机、光源和载物模板构成；
箱体六面均用黑色粗纹塑布做遮光处理，以减少外界光的影响；箱体顶部安装有数码相机、环灯光源，考虑到研究成本，环灯光源选用色温为5 500 K，额定功率为24 W；
载物板选用与样本色彩明显的蓝色半透明单面磨砂塑制板；支柱由调高螺柱构成，用于调节目标物与相机的距离，为获得最佳拍摄效果，背景平板与相机镜头在60~90 cm间距范围内可调；计算机通过USB通信协议实现对照相机的图像采集控制。
3.根据权利要求1所述的一种电力电缆金属横切面痕迹特征相识度匹配系统，其特征在于：所述的步骤2图像预处理的步骤分为；
（1）对原始图像进行滤波平滑处理；鉴于中值滤波方法在消除孤立噪声点的同时，能最大程度地保证边缘信息不丢失，因此采用中值滤波对电缆原始图像做平滑处理；
（2）原始图像是目标与背景共存的图像，需事先分割；目标图像提取的精准程度与尺寸测量精度密切相关，经多种算法的对比实验，最终基k-mean聚类算法在Lab色彩空间下，通过聚类分割实现目标图像的提取；
（3）为简化后续特征提取测量的运算量，目标与背景分离后对其进行二值化处理。
4.根据权利要求1所述的一种电力电缆金属横切面痕迹特征相识度匹配系统，其特征在于：所述步骤3投影面积特征提取：投影面积是体现电缆整体质量的指标之一，因此将投影面作为形态特征之一图像经过二值化处理，用1来标记背景区像数，0来标记目标区像素，因此投影面积像素和通过统计0的个数就可得到。
5.根据权利要求1所述的一种电力电缆金属横切面痕迹特征相识度匹配系统，其特征在于：所述的步骤4：最大横切直径特征提取；以最大横切径标记电缆的粗细程度. 因此，可通过统计二值化图像上为0像素点的最大水平距离与最大垂直距离获得图像中目标的像素间距值，通过参照物标定的比例值求得长度与最大横切径参数。
6.根据权利要求4所述的一种电力电缆金属横切面痕迹特征相识度匹配系统，其特征在于：所述的步骤4具体做法为在Matlab2010环境下的具体做法是使用［r c］=find（bw==0）；S=size（r）来实现；其中bw代表二值化后的图像；r、c分别为0像数点的行列坐标值；S为像数点总和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910776662.0A CN110544241A (zh) | 2019-08-22 | 2019-08-22 | 一种电力电缆金属横切面痕迹特征相识度匹配系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910776662.0A CN110544241A (zh) | 2019-08-22 | 2019-08-22 | 一种电力电缆金属横切面痕迹特征相识度匹配系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110544241A true CN110544241A (zh) | 2019-12-06 |
Family
ID=68711816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910776662.0A Pending CN110544241A (zh) | 2019-08-22 | 2019-08-22 | 一种电力电缆金属横切面痕迹特征相识度匹配系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110544241A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095958A (zh) * | 2014-05-12 | 2015-11-25 | 浙江理工大学 | 一种蚕茧计数方法 |
| CN105184802A (zh) * | 2015-09-30 | 2015-12-23 | 西安电子科技大学 | 一种图像处理的方法及装置 |
| CN105389581A (zh) * | 2015-10-15 | 2016-03-09 | 哈尔滨工程大学 | 一种胚芽米胚芽完整度智能识别系统及其识别方法 |
| CN106323184A (zh) * | 2016-11-15 | 2017-01-11 | 中国核动力研究设计院 | 一种滑移汽泡直径三维动态测量方法 |
| CN109785380A (zh) * | 2018-12-29 | 2019-05-21 | 北京金山安全软件有限公司 | 一种内切圆确定方法及装置 |
-
2019
- 2019-08-22 CN CN201910776662.0A patent/CN110544241A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095958A (zh) * | 2014-05-12 | 2015-11-25 | 浙江理工大学 | 一种蚕茧计数方法 |
| CN105184802A (zh) * | 2015-09-30 | 2015-12-23 | 西安电子科技大学 | 一种图像处理的方法及装置 |
| CN105389581A (zh) * | 2015-10-15 | 2016-03-09 | 哈尔滨工程大学 | 一种胚芽米胚芽完整度智能识别系统及其识别方法 |
| CN106323184A (zh) * | 2016-11-15 | 2017-01-11 | 中国核动力研究设计院 | 一种滑移汽泡直径三维动态测量方法 |
| CN109785380A (zh) * | 2018-12-29 | 2019-05-21 | 北京金山安全软件有限公司 | 一种内切圆确定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415181B (zh) | 一种开放环境下烤烟rgb图像智能识别及等级判定方法 | |
| CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
| Liu et al. | A method of segmenting apples at night based on color and position information | |
| CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
| CN102072882B (zh) | 一种基于叶片图像特征的植物养分含量指标定量分析方法 | |
| CN104850850A (zh) | 一种结合形状和颜色的双目立体视觉图像特征提取方法 | |
| CN103177445B (zh) | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 | |
| CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
| CN109584258B (zh) | 草地边界识别方法及应用其的智能割草装置 | |
| CN114708208B (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
| CN103942555A (zh) | 一种植物氮素含量丰缺图像检测方法 | |
| CN103440629A (zh) | 激光标记自动跟踪的视频引伸计的数字图像处理方法 | |
| CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 | |
| Tian et al. | Grading method of crop disease based on image processing | |
| CN104992448B (zh) | 机器人防损伤采摘葡萄的自动定位方法 | |
| CN107016699A (zh) | 一种自动识别杂色粒子的彩色编码方法 | |
| CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
| CN110503051A (zh) | 一种基于图像识别技术的珍贵木材识别系统及方法 | |
| TW201723928A (zh) | 一種熱影像區域分割方法 | |
| CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
| CN110544241A (zh) | 一种电力电缆金属横切面痕迹特征相识度匹配系统 | |
| CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
| CN115861271A (zh) | 基于高分辨率和重参数化的钢材表面缺陷检测方法及系统 | |
| Xie et al. | Research on recognition methods of pomelo fruit hanging on trees base on machine vision | |
| CN112541471B (zh) | 一种基于多特征融合的遮挡目标识别方法 |
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: 20191206 |