CN110599552B - 一种基于计算机视觉的pH试纸检测方法 - Google Patents
一种基于计算机视觉的pH试纸检测方法 Download PDFInfo
- Publication number
- CN110599552B CN110599552B CN201910815257.5A CN201910815257A CN110599552B CN 110599552 B CN110599552 B CN 110599552B CN 201910815257 A CN201910815257 A CN 201910815257A CN 110599552 B CN110599552 B CN 110599552B
- Authority
- CN
- China
- Prior art keywords
- image
- equal
- pixel
- value
- channel
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
- G01N21/80—Indicating pH value
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Plasma & Fusion (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的pH试纸检测方法。溶液pH值的检测是工业检测的重要环节。本发明如下:1、采集图像并进行白平衡处理;2、将图像在HSV空间锥型模型下去除背景;3、对图像进行二值化;4、利用基于梯度的Sobel算子检测方法对图像进行轮廓提取。5、确定试纸检测区域的中心点坐标。6、提取图像中的目标区域;7、将目标区域的色度均值与比色卡对比。本发明能够识别具有背景颜色的试纸。在CCD获取数字图像之后,在图像经过预处理后,不需要人为的对图像进行分割,直接对图像目标区域进行提取,能够准确的获取目标区域进行颜色识别。同时,该方法简便,高效,成本低,是一种可实现的图像目标区域获取方法。
Description
技术领域
本发明属于试纸检测技术领域,具体涉及一种基于图像处理的pH试纸检测技术。
背景技术
溶液pH值的检测是工业检测的重要环节,如制糖、冶金、纺织、化工等领域有不少的化学反应需要在液态时进行处理,所以需要时刻对溶液pH进行检测,安全可行的pH值检测的方法也成为当前计算机视觉研究的热点问题。计算机视觉的pH检测方法是通过从摄像头获取的视频帧中根据特定的技术指标对pH试纸上颜色改变的部位进行提取,并且识别出相应的颜色对应的pH值。目前工业检测溶液pH值的方法主要有人工比色目法和电极法,这两种方法在检测中都有各自的优缺点。人工比色目法虽然简单易操作,但很容易受到实验条件、光源等因素的影响,同时这种方法对人工的依赖性很高,需要有经验的人才能准确的判断pH值,人为判断容易受到视力疲劳、注意力降低等多种人为因素的影响,从而降低颜色识别的精确度和准确性。电极法中的电极在检测中容易受到污染,被污染的电极无法正常检测pH值,会导致测量的结果出现误差。电极法的电极还需要定期进行清洗、去垢和进行更换,消耗了大量的能源和物质,使工业生产的成本提高。针对以上方法存在的弊端,本发明重点研究基于计算机视觉的pH试纸值检测的算法,对一定背景下的 pH试纸进行预处理,利用图像处理的方法去除pH试纸的背景,提取出在滴定后试纸颜色发生改变的部分作为目标区域,将目标区域由RGB空间模型利用相应的算法转换为HSV 空间模型,HSV空间模型中,pH试纸值对应的颜色分布在一定的H角度之内,利用H值就可以反推出试纸颜色对应的pH值。这种方法不仅降低了对人工的依赖性,还改善了环境和节约了资源。
发明内容
本发明的目的在于提供一种基于计算机视觉的pH试纸检测方法。
本发明的具体步骤如下:
步骤1、利用CCD面阵相机采集pH试纸的彩色图像,对采集到的彩色图像做白平衡处理,得到图片T[f(x,y)]。
步骤2、将图片T[f(x,y)]从RGB空间立方体模型转化为HSV空间锥型模型,得到图片T[f(x,y)]的各像素色度H、饱和度S、透明度V。之后,将图片T[f(x,y)]中色度H、饱和度S、透明度V满足以下四个条件中任意一条的像素点置为黑色,得到去背景图像 Th[f(x,y)]。
条件①.0≤H≤180;0≤S≤255;0≤V≤46。
条件②.0≤H≤180;0≤S≤43;46≤V≤220。
条件③.0≤H≤180;0≤S≤30;221≤V≤225。
条件④.98≤H≤101;43≤S≤255;46≤V≤255。
步骤3、对去背景图像Th[f(x,y)]进行二值化,得到二值图。并对二值图进行腐蚀和膨胀。腐蚀、膨胀后得到去毛刺二值图T′[f(x,y)]。
步骤4、利用基于梯度的Sobel算子检测方法对去毛刺二值图T′[f(x,y)]的目标区域进行轮廓提取,进而找到兴趣区域的边缘。
基于梯度的Sobel算子检测方法具体如下:
4-2.使用Sobel算子分别计算x方向和y方向上的边缘轮廓。
用去毛刺二值图T′[f(x,y)]上除边缘的一圈像素点之外的所有像素点分别作为目标像素点进行X方向轮廓检测和Y方向轮廓检测。
对目标像素点进行X方向轮廓检测和Y方向轮廓检测的方法如下:以目标像素点t′(x,y)为中心的九宫格图像矩阵作为目标像素矩阵。将目标像素矩阵与X方向上的卷积核模板SX点乘,得到目标像素的X向检测值zX(x,y)。将目标像素矩阵与Y方向上的卷积核模板SY点乘,得到目标像素的Y向检测值zY(x,y)。
步骤5、找到轮廓图像Z′(x,y)中面积最大的轮廓和面积最大轮廓的中心坐标。
5-1.提取轮廓图像Z′(x,y)中最大的轮廓,将轮廓图像Z′(x,y)中除最大轮廓外的其他区域均改为黑色,得到轮廓图像Z′(x,y)。
步骤7、输出步骤6所得的目标区域在HSV空间模型下H通道像素的平均值;将该平均值与pH试纸比色卡各颜色条在HSV空间模型下的H值对比,确定被测试剂的pH值。
作为优选,步骤1的白平衡处理通过灰度世界法实现,具体操作如下
将输入的彩色图像拆成R、G、B三个通道,得到单通道的R、G、B图像。将R、G、 B图像分别定义为Gk(x,y),k=1,2,3。G1(x,y)为R(红色)通道图像;G2(x,y)为G(绿色)通道图像;G3(x,y)为B(蓝色)通道图像。
利用各通道的平均值获取各通道的增益,再将增益返回到对应的通道中,得到增益后 R、G、B图像G′k(x,y)如式(1)所示,k=1,2,3。
式(1)中,m、n分别为图像Gk(x,y)的行数、列数;P表示的是图像的R、G、B三个分量的平均值趋于同一个灰度。
之后,将增益后R、G、B图像G′k(x,y)合并为单张的三通道图片T[f(x,y)]。
作为优选,将图片T[f(x,y)]从RGB空间立方体模型转化为HSV空间锥型模型的步骤如下:
2-1.计算图片T[f(x,y)]中各像素点的R、G、B三通道中的最大像素值 maxij=max(Rij,Gij,Bij)。计算图片T[f(x,y)]中各像素点的R、G、B三通道中的最小像素值minij=min(Rij,Gij,Bij)。计算图片T[f(x,y)]中各像素点的像素极差△x,ij=maxij-minij。i=1,2,…,m;j=1,2,…,n;max(Rij,Gij,Bij)为Rij、Gij、Bij中的最大值;min(Rij,Gij,Bij)为Rij、Gij、Bij中的最小值;Rij为坐标(i,j)像素点的R通道像素值;Gij为坐标(i,j)像素点的G通道像素值;Bij为坐标(i,j)像素点的B通道像素值。
2-2.计算坐标(i,j)像素点的透明度Vij=maxij;坐标(i,j)像素点的饱和度 Sij=△x,ij/maxij;若maxij为R通道中的像素值;则坐标(i,j)像素点的色度若maxij为G通道中的像素值,则坐标(i,j)像素点的色度若maxij为B通道中的像素值,则坐标(i,j)像素点的色度
作为优选,腐蚀、膨胀操作的结构元素均由呈十字形排列的五个像素点组成。结构元素的原点位置结构元素的中心位置。
作为优选,步骤6中目标区域呈矩形,长度为2c+1,宽度为2r+1,5≤c≤10;5≤r≤10。
本发明具有的有益效果是:
1、本发明能适用于依赖人的工业环境溶液pH值检测,传统的目测法受观测方位和照射光源的改变容易引起观察颜色发生变化,人视力疲劳也会造成很大的误差和降低工作效率。基于计算机视觉的pH试纸检测方法可以确定标准化的光环境和固定的观察方位,识别系统全天工作,从而增加识别的精度和效率。
2、本发明可以取代电极法检测,电极法在实际应用中受溶液酸碱度和温度影响较大,电极法电极还需要定期清理和更换。基于计算机视觉的pH试纸检测方法可以直接与溶液直接接触,同时还能降低更换电极的工业成本。
3、本发明能够识别具有背景颜色的试纸。在CCD获取数字图像之后,在图像经过预处理后,不需要人为的对图像进行分割,直接对图像目标区域进行提取,能够准确的获取目标区域进行颜色识别。同时,该方法简便,高效,成本低,是一种可实现的图像目标区域获取方法。
附图说明
图1是本发明的流程图;
图2是本发明中pH试纸的示意图;
图3是本发明中步骤2去背景后的示意图;
图4是本发明中步骤3二值化后的示意图;
图5是本发明中步骤3腐蚀处理的示意图;
图6是本发明中步骤3膨胀处理的示意图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示,一种基于计算机视觉的pH试纸检测方法,具体如下:
步骤1、利用CCD面阵相机采集pH试纸的彩色图像如图2所示,对采集到的彩色图像通过灰度世界法做白平衡处理。经过白平衡处理后的图片更加趋向于自然光下的图片。灰度世界法是白平衡中最常用的算法,在pH试纸检测中,灰度世界法也是白平衡处理中稳定性好的算法之一,将输入RGB彩色图像拆成R、G和B三个通道,得到单通道的R、 G、B图像。将R、G、B图像分别定义为Gk(x,y),k=1,2,3。G1(x,y)为R(红色)通道图像;G2(x,y)为G(绿色)通道图像;G3(x,y)为B(蓝色)通道图像。
利用各通道的平均值获取各通道的增益,再将增益返回到对应的通道中,得到增益后 R、G、B图像G′k(x,y)如式(1)所示,k=1,2,3。
式(1)中,m、n分别为图像Gk(x,y)的行数、列数,m·n是图像gi(x,y)的像素点个数;P表示的是图像的R、G、B三个分量的平均值趋于同一个灰度,这里的P定义为各通道最大值的一半,即P=128。
之后,将增益后R、G、B图像G′k(x,y)合并为单张的三通道图片T[f(x,y)]。
步骤2、如图3所示,背景确定的情况下,需要在HSV空间下提取感兴趣的区域,利用白平衡后的图片T[f(x,y)]从RGB空间立方体模型转化为HSV空间锥型模型,得到图片T[f(x,y)]的各像素色度H值、饱和度S、透明度V,具体过程如下。
计算图片T[f(x,y)]中各像素点的R、G、B三通道中的最大像素值 maxij=max(Rij,Gij,Bij)。计算图片T[f(x,y)]中各像素点的R、G、B三通道中的最小像素值minij=min(Rij,Gij,Bij)。计算图片T[f(x,y)]中各像素点的像素极差△x,ij=maxij-minij。 i=1,2,…,m;j=1,2,…,n;max(Rij,Gij,Bij)为Rij、Gij、Bij中的最大值;min(Rij,Gij,Bij)为Rij、Gij、Bij中的最小值;Rij为坐标(i,j)像素点的R通道像素值;Gij为坐标(i,j)像素点的G通道像素值;Bij为坐标(i,j)像素点的B通道像素值。
计算坐标(i,j)像素点的透明度Vij=maxij;坐标(i,j)像素点的饱和度Sij=△x,ij/maxij;若maxij为R通道中的像素值;则坐标(i,j)像素点的色度若maxij为G 通道中的像素值,则坐标(i,j)像素点的色度若maxij为B通道中的像素值,则坐标(i,j)像素点的色度
背景确定为白色、黑色、灰色,试纸的颜色为黄色。白色、黑色、灰色和黄色在HSV模型下对应H、S和V范围如下表(1)。
颜色 | 黑 | 灰 | 白 | 黄 |
H | 0~180 | 0~180 | 0~180 | 98~101 |
S | 0~255 | 0~43 | 0~30 | 43~255 |
V | 0~46 | 46~220 | 221~225 | 46~255 |
表(1)白色、黑色、灰色、黄色在HSV空间下对应的HSV值
将图片T[f(x,y)]中H、S、V符合白色、灰色、黄色的像素点均转化为黑色;得到统一的背景。从而获得去背景图像Th[f(x,y)]如图3所示。
步骤3、如图4所示,利用二值形态学的方法将去背景图像Th[f(x,y)]中对应的背景区域(黑色区域)像素点置为0,前景像素点(非黑色区域)置为1(置为白色,在RGB 模型下为(255,255,255)),得到二值图。并对二值图进行腐蚀和膨胀。腐蚀、膨胀后得到去毛刺二值图T′[f(x,y)]。
腐蚀过程如图5所示,A为使用背景元素填充集合形成一个矩阵阵列,该阵列中,背景元素为白色方块组成,所有阴影方块组成一个集合,每个阴影方块是集合的一个元素; B为结构元素,结构元素由呈十字形排列的五个像素点组成。结构元素的原点位置结构元素的中心位置(图5中B部分的黑圆点);C为腐蚀后的二值图。让B在A上运行,以便B的原点访问集合的每一个元素,从而创建一个新的集合。B的原点映射到集合上每个元素时,如果B被集合完全包围,则将该位置标记为新集合的一个成员,所有成员组合起来形成C中图像阴影的集合。
将腐蚀后的图片进行膨胀,膨胀可以增强目标图像的连通域。膨胀过程如图6所示, A为使用背景元素填充集合形成一个矩阵阵列,该阵列中,背景元素为白色方块组成,所有阴影方块组成一个集合,每个阴影方块是集合的一个元素;B为结构元素,其黑圆点表示原点;C为膨胀后的二值图。膨胀操作的结构元素与腐蚀操作的结构元素完全相同。让 B在A上运行,以便B的原点访问集合的每一个元素,从而创建一个新的集合。B的原点映射到集合上每个元素时,则将B覆盖的所有位置标记为新集合的成员,所有成员组合起来形成C中图像阴影的集合。
步骤4、利用基于梯度的Sobel算子检测方法对去毛刺二值图T′[f(x,y)]的目标区域进行轮廓提取,进而找到兴趣区域的边缘。
基于梯度的Sobel算子检测方法具体如下:
4-1.在边缘检测之前,确定使用3*3的卷积核,卷积核分为x方向和y方向上的卷积核,其两个方向的卷积核模板如下:
4-2.使用Sobel算子分别计算x方向和y方向上的边缘轮廓。
用去毛刺二值图T′[f(x,y)]上除边缘的一圈像素点之外的所有像素点分别作为目标像素点进行X方向轮廓检测和Y方向轮廓检测。
对目标像素点进行X方向轮廓检测和Y方向轮廓检测的方法如下:以目标像素点t′(x,y)为中心的九宫格图像矩阵作为目标像素矩阵。将目标像素矩阵与X方向上的卷积核模板SX点乘(矩阵点乘,得到数量积),得到目标像素的X向检测值zX(x,y)。将目标像素矩阵与Y方向上的卷积核模板SY点乘,得到目标像素的Y向检测值zY(x,y)。
步骤5、找到轮廓图像Z′(x,y)中面积最大的轮廓和面积最大轮廓的中心坐标。
5-1.提取轮廓图像Z′(x,y)中最大的轮廓,将轮廓图像Z′(x,y)中除最大轮廓外的其他区域均改为黑色,得到轮廓图像Z′(x,y)。
5-2.计算轮廓图像Z′(x,y)的x向一阶矩m10如式(2)所示,y向一阶矩如式(3)所示。
步骤7、输出步骤6所得的目标区域在HSV空间模型下H通道像素的平均值;将该平均值与pH试纸比色卡各颜色条在HSV空间模型下的H值对比,确定被测试剂的pH值。
pH试纸比色卡在HSV空间模型下H的值如表(2):
Ph | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 |
H | 128.661 | 120.984 | 111.027 | 104.784 | 99.904 | 96.524 | 94.033 | 84.797 | 53.287 | 3.792 | 5.670 | 167.031 | 155.641 | 150.798 |
表(2)比色卡在HSV空间模型下H的值。
Claims (5)
1.一种基于计算机视觉的pH试纸检测方法,其特征在于:步骤1、利用CCD面阵相机采集pH试纸的彩色图像,对采集到的彩色图像做白平衡处理,得到图片T[f(x,y)];
步骤2、将图片T[f(x,y)]从RGB空间立方体模型转化为HSV空间锥型模型,得到图片T[f(x,y)]的各像素色度H、饱和度S、透明度V;之后,将图片T[f(x,y)]中色度H、饱和度S、透明度V满足以下四个条件中任意一条的像素点置为黑色,得到去背景图像Th[f(x,y)];
条件①.0≤H≤180;0≤S≤255;0≤V≤46;
条件②.0≤H≤180;0≤S≤43;46≤V≤220;
条件③.0≤H≤180;0≤S≤30;221≤V≤225;
条件④.98≤H≤101;43≤S≤255;46≤V≤255;
步骤3、对去背景图像Th[f(x,y)]进行二值化,得到二值图;并对二值图进行腐蚀和膨胀;腐蚀、膨胀后得到去毛刺二值图T′[f(x,y)];
步骤4、利用基于梯度的Sobel算子检测方法对去毛刺二值图T′[f(x,y)]的目标区域进行轮廓提取,进而找到兴趣区域的边缘;
基于梯度的Sobel算子检测方法具体如下:
4-2.使用Sobel算子分别计算x方向和y方向上的边缘轮廓;
用去毛刺二值图T′[f(x,y)]上除边缘的一圈像素点之外的所有像素点分别作为目标像素点进行X方向轮廓检测和Y方向轮廓检测;
对目标像素点进行X方向轮廓检测和Y方向轮廓检测的方法如下:以目标像素点t′(x,y)为中心的九宫格图像矩阵作为目标像素矩阵;将目标像素矩阵与X方向上的卷积核模板SX点乘,得到目标像素的X向检测值zX(x,y);将目标像素矩阵与Y方向上的卷积核模板SY点乘,得到目标像素的Y向检测值zY(x,y);
步骤5、找到轮廓图像Z′(x,y)中面积最大的轮廓和面积最大轮廓的中心坐标;
5-1.提取轮廓图像Z′(x,y)中最大的轮廓,将轮廓图像Z′(x,y)中除最大轮廓外的其他区域均改为黑色,得到轮廓图像Z′(x,y);
步骤7、输出步骤6所得的目标区域在HSV空间模型下H通道像素的平均值;将该平均值与pH试纸比色卡各颜色条在HSV空间模型下的H值对比,确定被测试剂的pH值。
2.根据权利要求1所述的一种基于计算机视觉的pH试纸检测方法,其特征在于:步骤1的白平衡处理通过灰度世界法实现,具体操作如下
将输入的彩色图像拆成R、G、B三个通道,得到单通道的R、G、B图像;将R、G、B图像分别定义为Gk(x,y),k=1,2,3;G1(x,y)为R(红色)通道图像;G2(x,y)为G(绿色)通道图像;G3(x,y)为B(蓝色)通道图像;
利用各通道的平均值获取各通道的增益,再将增益返回到对应的通道中,得到增益后R、G、B图像G′k(x,y)如式(1)所示,k=1,2,3;
式(1)中,m、n分别为图像Gk(x,y)的行数、列数;P表示的是图像的R、G、B三个分量的平均值趋于同一个灰度;
之后,将增益后R、G、B图像G′k(x,y)合并为单张的三通道图片T[f(x,y)]。
3.根据权利要求1所述的一种基于计算机视觉的pH试纸检测方法,其特征在于:将图片T[f(x,y)]从RGB空间立方体模型转化为HSV空间锥型模型的步骤如下:
2-1.计算图片T[f(x,y)]中各像素点的R、G、B三通道中的最大像素值maxij=max(Rij,Gij,Bij);计算图片T[f(x,y)]中各像素点的R、G、B三通道中的最小像素值minij=min(Rij,Gij,Bij);计算图片T[f(x,y)]中各像素点的像素极差Δx,ij=maxij-minij;i=1,2,…,m;j=1,2,…,n;m、n分别为图像的行数、列数;max(Rij,Gij,Bij)为Rij、Gij、Bij中的最大值;min(Rij,Gij,Bij)为Rij、Gij、Bij中的最小值;Rij为坐标(i,j)像素点的R通道像素值;Gij为坐标(i,j)像素点的G通道像素值;Bij为坐标(i,j)像素点的B通道像素值;
4.根据权利要求1所述的一种基于计算机视觉的pH试纸检测方法,其特征在于:腐蚀、膨胀操作的结构元素均由呈十字形排列的五个像素点组成;结构元素的原点位置结构元素的中心位置。
5.根据权利要求1所述的一种基于计算机视觉的pH试纸检测方法,其特征在于:步骤6中目标区域呈矩形,长度为2c+1,宽度为2r+1,5≤c≤10;5≤r≤10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910815257.5A CN110599552B (zh) | 2019-08-30 | 2019-08-30 | 一种基于计算机视觉的pH试纸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910815257.5A CN110599552B (zh) | 2019-08-30 | 2019-08-30 | 一种基于计算机视觉的pH试纸检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599552A CN110599552A (zh) | 2019-12-20 |
CN110599552B true CN110599552B (zh) | 2022-03-29 |
Family
ID=68856949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910815257.5A Active CN110599552B (zh) | 2019-08-30 | 2019-08-30 | 一种基于计算机视觉的pH试纸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599552B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414877B (zh) * | 2020-03-26 | 2023-06-20 | 遥相科技发展(北京)有限公司 | 去除颜色边框的表格裁切方法、图像处理设备和存储介质 |
CN111548931A (zh) * | 2020-04-10 | 2020-08-18 | 西安理工大学 | 一种细胞培养装置及细胞培养方法 |
CN111768455A (zh) * | 2020-07-03 | 2020-10-13 | 福州大学 | 一种基于图像的木材区域和主色提取方法 |
CN112161973B (zh) * | 2020-08-31 | 2022-04-08 | 中国水利水电科学研究院 | 一种基于无人机的水体污染快速检测方法 |
CN113177591A (zh) * | 2021-04-28 | 2021-07-27 | 四川省农业科学院分析测试中心 | 一种pH检测方法 |
CN113252654B (zh) * | 2021-05-13 | 2022-12-09 | 北京贝塔钡尔健康科技有限公司 | 一种尿试纸抗干扰自适应智能定位识别方法及系统 |
CN113327236B (zh) * | 2021-06-04 | 2022-08-02 | 天津大学 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
CN114002217B (zh) * | 2021-11-02 | 2024-05-14 | 苏州国科医工科技发展(集团)有限公司 | 一种通过ph试纸图像读取ph值的方法 |
CN114295639A (zh) * | 2021-12-31 | 2022-04-08 | 珠海格力智能装备有限公司 | 视觉检测方法、视觉检测装置以及非易失性存储介质 |
CN115908280B (zh) * | 2022-11-03 | 2023-07-18 | 广东科力新材料有限公司 | 基于数据处理的pvc钙锌稳定剂的性能确定方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964973A (zh) * | 2015-07-08 | 2015-10-07 | 邓双胜 | 一种基于移动终端摄像头的试纸读取与分析方法与系统 |
CN106991679A (zh) * | 2017-03-16 | 2017-07-28 | 四川大学 | 一种基于云平台尿检试纸生理指标量化识别方法 |
CN109886923A (zh) * | 2019-01-17 | 2019-06-14 | 柳州康云互联科技有限公司 | 一种用于互联网检测中基于机器学习的测量检测系统及办法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004008539A1 (de) * | 2004-02-19 | 2005-09-01 | Prionics Ag | Vorrichtung und Verfahren zur optischen Auswertung von Teststreifen |
-
2019
- 2019-08-30 CN CN201910815257.5A patent/CN110599552B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104964973A (zh) * | 2015-07-08 | 2015-10-07 | 邓双胜 | 一种基于移动终端摄像头的试纸读取与分析方法与系统 |
CN106991679A (zh) * | 2017-03-16 | 2017-07-28 | 四川大学 | 一种基于云平台尿检试纸生理指标量化识别方法 |
CN109886923A (zh) * | 2019-01-17 | 2019-06-14 | 柳州康云互联科技有限公司 | 一种用于互联网检测中基于机器学习的测量检测系统及办法 |
Non-Patent Citations (2)
Title |
---|
Automated Mobile pH Reader on a Camera Phone;B.Y. Loh et al.;《IAENG International Journal of Computer Science》;20110824;第1-7页 * |
基于数字图像处理的PH试纸自动检测技术;赵亚等;《机械与电子》;20170731;第56-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110599552A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599552B (zh) | 一种基于计算机视觉的pH试纸检测方法 | |
CN106650770B (zh) | 一种基于样本学习和人眼视觉特性的mura缺陷检测方法 | |
CN107845087A (zh) | 液晶面板亮度不均匀缺陷的检测方法和系统 | |
CN108550159B (zh) | 一种基于图像三色分割的烟气浓度标识方法 | |
CN105761286A (zh) | 基于多光谱遥感影像的水色异常对象提取方法及系统 | |
CN109613023B (zh) | 一种区域亮度自适应校正的水果表面缺陷快速检测方法 | |
CN103149214B (zh) | 水果表面缺陷检测方法 | |
CN110189383B (zh) | 基于机器学习的中医舌色苔色定量分析方法 | |
CN110490836B (zh) | dPCR微阵列图像信息处理方法 | |
CN108133216A (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
CN114219773B (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN111985435A (zh) | 一种基于机器视觉的无人机水域监测巡航方法 | |
CN106558044A (zh) | 影像模组的解像力测量方法 | |
CN109682821B (zh) | 一种基于多尺度高斯函数的柑橘表面缺陷检测方法 | |
CN111986157B (zh) | 一种数字病理图像质量评价系统 | |
CN114092456A (zh) | 细胞荧光图像判别方法及系统 | |
CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
CN111161228B (zh) | 一种基于迁移学习的纽扣表面缺陷检测方法 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
CN111985436A (zh) | 一种基于lsd的车间地标线识别拟合方法 | |
CN114022415B (zh) | 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 | |
CN115187790A (zh) | 一种基于参考区域二值化结果的图像轮廓提取方法 | |
CN114881984A (zh) | 一种大米加工精度的检测方法、装置、电子设备及介质 |
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 |