CN111539354A - 一种液基细胞玻片扫描区域识别方法 - Google Patents

一种液基细胞玻片扫描区域识别方法 Download PDF

Info

Publication number
CN111539354A
CN111539354A CN202010345678.9A CN202010345678A CN111539354A CN 111539354 A CN111539354 A CN 111539354A CN 202010345678 A CN202010345678 A CN 202010345678A CN 111539354 A CN111539354 A CN 111539354A
Authority
CN
China
Prior art keywords
area
dark spot
liquid
slide
identifying
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.)
Granted
Application number
CN202010345678.9A
Other languages
English (en)
Other versions
CN111539354B (zh
Inventor
王成果
周旭
李小军
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.)
Yipusen Health Technology Shenzhen Co ltd
Original Assignee
Yipusen Health Technology Shenzhen Co ltd
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 Yipusen Health Technology Shenzhen Co ltd filed Critical Yipusen Health Technology Shenzhen Co ltd
Priority to CN202010345678.9A priority Critical patent/CN111539354B/zh
Publication of CN111539354A publication Critical patent/CN111539354A/zh
Application granted granted Critical
Publication of CN111539354B publication Critical patent/CN111539354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种液基细胞玻片扫描区域识别方法，包括以下步骤：S1：读取液基细胞玻片预览图；S2：基于局部多尺度暗点检测，获取暗点特征图；S3：基于暗点特征图，确定待扫描区域；S4：基于边缘检测和霍夫变换提取圆弧信息；S5：基于圆弧信息和暗点特征图，确定最终扫描区域。本发明有效提取了暗点信息，保证了较高的识别准确度；有效提取样本区的圆弧信息，实现较高的识别交并比；适用于不同光照强度下拍摄的玻片预览图，具有较强的抗干扰能力，有效解决了玻片预览图的样本区域识别问题。

Description

一种液基细胞玻片扫描区域识别方法
技术领域
本发明涉及图像处理方法与应用技术领域，特别涉及一种液基细胞玻片扫描区域识别方法，适用于区域识别的理论方法和应用技术研究。
背景技术
近年来，随着医疗行业的发展和科技的进步，病理图像的采集和分析在病理诊断中发挥越来越大的作用。其中，病理玻片自动化扫描技术大大提高了图像的采集效率，而正确地识别玻片的样本区域是实现自动化扫描必不可少的环节。目前，识别玻片的样本区域主要通过相机拍摄整张玻片从而获取玻片的预览图。但是，光照强度、样本区质量、玻片整洁度、制片技术、玻片存放时间等极大影响了玻片预览图的质量，从而影响样本区域的识别。此外，玻片预览图的拍摄条件和应用场景的不同，也对该技术的发展提出了一些挑战。
目前针对区域识别问题，主要包括非监督学习方式和监督学习方式。以深度学习方式为代表的监督学习方式，是当下最为火热的技术。基于深度学习的图像分割技术和目标检测技术可以在一定程度上解决玻片样本区域识别问题。图像分割技术是对图像所有像素进行预测。目前基于深度学习的图像分割中主要包括U-Net、FCN等。另外基于深度学习的目标检测方法主要包括RCNN、fast-RCNN、faster-RCNN、yolo-net、Center-net等。但是，不管基于深度学习的图像分割，还是基于深度学习的目标检测技术都需要耗费大量的人力和物力完成数据的标注，所需成本较高。另外，基于非监督学习的区域识别方法在人脸识别、指纹识别等领域具有相关的应用，但是由于本身方法和应用背景的限制，不能很好的适用于玻片预览图样本区域识别的问题。
发明内容
针对现有技术存在的问题，本发明提供一种液基细胞玻片扫描区域识别方法，基于局部多尺度暗点信息实现扫描区域的初步确定，然后基于圆弧信息和暗点信息确定扫描区域，该方法在没有标签的情况下实现了液基细胞玻片扫描区域检测。具体方案如下：
一种液基细胞玻片扫描区域识别方法，其特征在于，包括以下步骤：
S1：读取液基细胞玻片预览图；
S2：基于局部多尺度暗点检测，获取暗点特征图；
S3：基于暗点特征图，确定待扫描区域；
S4：基于边缘检测和霍夫变换提取圆弧信息；
S5：基于圆弧信息和暗点特征图，确定最终扫描区域。
优选地，所述步骤S1中，读取液基细胞玻片预览图的方法是，将读取液基细胞玻片后获得的RGB预览图转化为灰度图。
优选地，所述步骤S2中，基于局部多尺度暗点检测获取暗点特征图的方法包括如下步骤：
S21：建立以坐标位置(h，w)为中心、大小为N*N的局部区域，其坐标集合为U，并获取该局部区域的灰度阈值Ithrehold；
S22：建立坐标集合为A的中心区域，并获取该中心区域的灰度值Ipq；
S23：建立坐标集合为CUA的非中心区域，并计算该非中心区域的灰度平均值Imn；
S24：统计该局部区域中满足Ipq-Imn>Ithrehold的像素点个数P；
S25：判断P是否大于该局部区域的像素点个数阈值Pthrehold，其最大值为8(N-2)；
S26：若是，则该中心区域为暗点区域；
S27：否则，该中心区域不是暗点区域；
S28：改变中心位置坐标和N的数值，使局部区域遍历灰度图；
S29：获得暗点特征图。
优选地，所述步骤S24-S27采用的方法模型为
Figure BDA0002470090810000021
其中，vhw为该局部区域暗点检测的结果，当vhw＝1时，该区域为暗点区域，当vhw＝0时，该区域为非暗点区域；f(x)为判别输入是否大于零的函数，当函数输入为小于零时，函数输出为零，当函数输入大于等于零时，输出为1。
优选地，所述N为大于等于5的奇数(N＝5，7，9……)。
优选地，步骤S21-S22中，所述集合U和集合A分别为，
Figure BDA0002470090810000031
Figure BDA0002470090810000032
优选地，所述步骤S3中，基于暗点特征图，确定待扫描区域的方法为，根据获取的暗点特征图，利用固定大小的矩形窗口，在暗点特征图的长宽方向上滑过，依次统计暗点的数量，将暗点数最多的区域确定为液基细胞玻片预览图的待扫描区域。
优选地，所述步骤S4中，基于边缘检测和霍夫变换提取圆弧信息的方法为，首先截取待扫描区域，然后通过Canny边缘检测提取待扫描区域的边缘信息，再在边缘信息的基础上，选取多个大小的圆半径，采用霍夫变换提取待扫描区域的圆弧信息。
优选地，所述步骤S5中，基于圆弧信息和暗点信息，确定液基细胞玻片预览图的最终扫描区域的方法为，根据提取到的圆弧信息，确定其对应圆的圆心位置和半径，然后根据暗点图所对应位置的暗点数Y判断该区域是否为扫描区域，当该区域的暗点数大于设定的阈值Ythrehold时，认为该玻片包含最终扫描区域，否则该玻片不包含最终扫描区域。
采用本发明的技术方案，具有以下有益效果：
本发明避免了监督学习中大量标注样本的问题，充分利用局部暗点信息和圆弧信息，实现了玻片预览图样本区域识别技术，具有以下的优点：(1)有效提取了暗点信息，保证了较高的识别准确度；(2)有效提取样本区的圆弧信息，实现较高的识别交并比；(3)适用于不同光照强度下拍摄的玻片预览图，具有较强的抗干扰能力，有效解决了玻片预览图的样本区域识别问题。
附图说明
图1为本发明整体流程图；
图2为本发明步骤S1的具体流程图；
图3为本发明步骤S2的具体流程图；
图4为本发明步骤S3的具体流程图；
图5为本发明步骤S4的具体流程图；
图6为本发明步骤S5的具体流程图。
具体实施方式
以下结合附图和具体实施例，对本发明进一步说明。
参照图1至图6，本发明提供一种液基细胞玻片扫描区域识别方法，包括以下步骤：
S1：读取液基细胞玻片预览图：参照图1和图2，读取大小为1925*581的RGB预览图，并将RGB预览图转化为灰度图；
S2：基于局部多尺度暗点检测，获取暗点特征图：参照图1和图3，首先建立以坐标位置(h，w)为中心、大小为5*5的局部区域，其坐标集合为U，并获取该局部区域的灰度阈值Ithrehold，然后建立坐标集合为A的中心区域，并获取该中心区域的灰度值Ipq，并建立坐标集合为CUA的非中心区域，并计算该非中心区域的灰度平均值Imn，其中，
Figure BDA0002470090810000041
Figure BDA0002470090810000042
依据如下方法模型统计该局部区域中满足Ipq-Imn>Ithrehold的像素点个数P；并判断P是否大于该局部区域的像素点个数阈值Pthrehold，若是，则该中心区域为暗点区域，否则该中心区域不是暗点区域，其中Pthrehold的最大值为8(N-2)；
Figure BDA0002470090810000043
其中，vhw为该局部区域暗点检测的结果，当vhw＝1时，该区域为暗点区域，当vhw＝0时，该区域为非暗点区域；f(x)为判别输入是否大于零的函数，当函数输入为小于零时，函数输出为零，当函数输入大于等于零时，输出为1。
依次改变中心位置坐标(h，w)和N的数值(依次选取大小5*5、7*7、9*9、11*11的局部区域)，使局部区域遍历灰度图，在待识别的灰度图上进行多尺度暗点检测，最终获得暗点特征图。
S3：基于暗点特征图，确定待扫描区域：参照图1和图4，基于暗点特征图，并且保持局部暗点图的大小和读入图像的大小相同，以300*300的矩形窗口，在暗点图上依次统计获取暗点最多的位置，并且以此位置作为样本区初始区域；
S4：基于边缘检测和霍夫变换提取圆弧信息：参照图1和图5，截取初步确定的样本区域，通过Canny边缘检测提取初始区域的边缘信息，在边缘信息的基础上，以不同圆的半径进行霍夫变换，提取该区域的圆弧信息，圆的半径设定范围尽量包含样本区域；
S5：基于圆弧信息和暗点特征图，确定最终扫描区域：参照图1和图6，根据提取到的圆弧信息，选择合适指标用以确定圆心位置和圆的半径，最终完成玻片预览图样本区域识别。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的保护范围内。

Claims (9)

1.一种液基细胞玻片扫描区域识别方法，其特征在于，包括以下步骤：
S1：读取液基细胞玻片预览图；
S2：基于局部多尺度暗点检测，获取暗点特征图；
S3：基于暗点特征图，确定待扫描区域；
S4：基于边缘检测和霍夫变换提取圆弧信息；
S5：基于圆弧信息和暗点特征图，确定最终扫描区域。
2.根据权利要求书1所述的液基细胞玻片扫描区域识别方法，其特征在于，所述步骤S1中，读取液基细胞玻片预览图的方法是，将读取液基细胞玻片后获得的RGB预览图转化为灰度图。
3.根据权利要求书2所述的液基细胞玻片扫描区域识别方法，其特征在于，所述步骤S2中，基于局部多尺度暗点检测获取暗点特征图的方法包括如下步骤：
S21：建立以坐标位置(h，w)为中心、大小为N*N的局部区域，其坐标集合为U，并获取该局部区域的灰度阈值Ithrehold；
S22：建立坐标集合为A的中心区域，并获取该中心区域的灰度值Ipq；
S23：建立坐标集合为CUA的非中心区域，并计算该非中心区域的灰度平均值Imn；
S24：统计该局部区域中满足Ipq-Imn>Ithrehold的像素点个数P；
S25：判断P是否大于该局部区域的像素点个数阈值Pthrehold；
S26：若是，则该中心区域为暗点区域；
S27：否则，该中心区域不是暗点区域；
S28：改变中心位置坐标和N的数值，使局部区域遍历灰度图；
S29：获得暗点特征图。
4.根据权利要求书3所述的液基细胞玻片扫描区域识别方法，其特征在于，所述步骤S24-S27采用的方法模型为
Figure FDA0002470090800000011
其中，vhw为该局部区域暗点检测的结果，当vhw＝1时，该区域为暗点区域，当vhw＝0时，该区域为非暗点区域；f(x)为判别输入是否大于零的函数，当函数输入为小于零时，函数输出为零，当函数输入大于等于零时，输出为1。
5.根据权利要求书3所述的液基细胞玻片扫描区域识别方法，其特征在于，所述N为大于等于5的奇数。
6.根据权利要求书3所述的液基细胞玻片扫描区域识别方法，其特征在于，步骤S21-S22中，所述集合U和集合A分别为，
Figure FDA0002470090800000021
Figure FDA0002470090800000022
7.根据权利要求书6所述的液基细胞玻片扫描区域识别方法，其特征在于，所述步骤S3中，基于暗点特征图，确定待扫描区域的方法为，根据获取的暗点特征图，利用固定大小的矩形窗口，在暗点特征图的长宽方向上滑过，依次统计暗点的数量，将暗点数最多的区域确定为液基细胞玻片预览图的待扫描区域。
8.根据权利要求书7所述的液基细胞玻片扫描区域识别方法，其特征在于，所述步骤S4中，基于边缘检测和霍夫变换提取圆弧信息的方法为，首先截取待扫描区域，然后通过Canny边缘检测提取待扫描区域的边缘信息，再在边缘信息的基础上，选取多个大小的圆半径，采用霍夫变换提取待扫描区域的圆弧信息。
9.根据权利要求书8所述的液基细胞玻片扫描区域识别方法，其特征在于，所述步骤S5中，基于圆弧信息和暗点信息，确定液基细胞玻片预览图的最终扫描区域的方法为，根据提取到的圆弧信息，确定其对应圆的圆心位置和半径，然后根据暗点图所对应位置的暗点数Y判断该区域是否为扫描区域，当该区域的暗点数大于设定的阈值Ythrehold时，认为该玻片包含最终扫描区域，否则该玻片不包含最终扫描区域。
CN202010345678.9A 2020-04-27 2020-04-27 一种液基细胞玻片扫描区域识别方法 Active CN111539354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010345678.9A CN111539354B (zh) 2020-04-27 2020-04-27 一种液基细胞玻片扫描区域识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010345678.9A CN111539354B (zh) 2020-04-27 2020-04-27 一种液基细胞玻片扫描区域识别方法

Publications (2)

Publication Number Publication Date
CN111539354A true CN111539354A (zh) 2020-08-14
CN111539354B CN111539354B (zh) 2020-12-15

Family

ID=71973374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010345678.9A Active CN111539354B (zh) 2020-04-27 2020-04-27 一种液基细胞玻片扫描区域识别方法

Country Status (1)

Country Link
CN (1) CN111539354B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464802A (zh) * 2020-11-26 2021-03-09 湖南国科智瞳科技有限公司 一种玻片样本信息的自动识别方法、装置和计算机设备

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6129278A (en) * 1994-05-19 2000-10-10 Metanetics Corporation Detecting image cell position with subpixel accuracy
CN1575475A (zh) * 2001-09-12 2005-02-02 长冈实业株式会社 用于差分细胞计数的方法以及用于执行该方法的相关装置和软件
CN1919144A (zh) * 2005-08-26 2007-02-28 深圳迈瑞生物医疗电子股份有限公司 超声图像增强与斑点抑制方法
US20090298703A1 (en) * 2006-05-17 2009-12-03 Gough Albert H Method for Automated Tissue Analysis
US20140205173A1 (en) * 2013-01-24 2014-07-24 General Electric Company Method and systems for cell-level fish dot counting
CN104777176A (zh) * 2015-03-25 2015-07-15 广州视源电子科技股份有限公司 一种pcb板检测方法及装置
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN106778829A (zh) * 2016-11-28 2017-05-31 常熟理工学院 一种主动学习的肝脏损伤类别的图像检测方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统
CN107092854A (zh) * 2016-02-18 2017-08-25 财团法人金属工业研究发展中心 检测细胞受人类乳头瘤病毒(hpv)感染的装置及其检测方法
CN108090928A (zh) * 2017-11-01 2018-05-29 浙江农林大学 一种检测与筛选类圆形细胞区域的方法及系统
CN108428232A (zh) * 2018-03-20 2018-08-21 合肥工业大学 一种卡通图像质量的盲评估方法
CN109377486A (zh) * 2018-10-15 2019-02-22 易普森智慧健康科技（深圳）有限公司 一种宫颈液基细胞有效图像的判别方法及系统
CN109583307A (zh) * 2018-10-31 2019-04-05 东华大学 一种基于局部特征与词包模型的羊绒羊毛纤维识别方法
CN109741324A (zh) * 2019-01-10 2019-05-10 惠科股份有限公司 一种检测方法、检测装置及终端设备
CN110120056A (zh) * 2019-05-21 2019-08-13 闽江学院 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
CN110211108A (zh) * 2019-05-29 2019-09-06 武汉兰丁医学高科技有限公司 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法
CN110245672A (zh) * 2019-06-22 2019-09-17 福州大学 基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法
CN110352447A (zh) * 2017-03-09 2019-10-18 圣犹达医疗用品国际控股有限公司 临床图像中的基准检测
CN110533583A (zh) * 2019-08-29 2019-12-03 广州锟元方青医疗科技有限公司 一种基于宫颈液基细胞的自适应图像增广系统

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6129278A (en) * 1994-05-19 2000-10-10 Metanetics Corporation Detecting image cell position with subpixel accuracy
CN1575475A (zh) * 2001-09-12 2005-02-02 长冈实业株式会社 用于差分细胞计数的方法以及用于执行该方法的相关装置和软件
CN1919144A (zh) * 2005-08-26 2007-02-28 深圳迈瑞生物医疗电子股份有限公司 超声图像增强与斑点抑制方法
US20090298703A1 (en) * 2006-05-17 2009-12-03 Gough Albert H Method for Automated Tissue Analysis
US20140205173A1 (en) * 2013-01-24 2014-07-24 General Electric Company Method and systems for cell-level fish dot counting
CN104777176A (zh) * 2015-03-25 2015-07-15 广州视源电子科技股份有限公司 一种pcb板检测方法及装置
CN105334219A (zh) * 2015-09-16 2016-02-17 湖南大学 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN107092854A (zh) * 2016-02-18 2017-08-25 财团法人金属工业研究发展中心 检测细胞受人类乳头瘤病毒(hpv)感染的装置及其检测方法
CN106778829A (zh) * 2016-11-28 2017-05-31 常熟理工学院 一种主动学习的肝脏损伤类别的图像检测方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统
CN110352447A (zh) * 2017-03-09 2019-10-18 圣犹达医疗用品国际控股有限公司 临床图像中的基准检测
CN108090928A (zh) * 2017-11-01 2018-05-29 浙江农林大学 一种检测与筛选类圆形细胞区域的方法及系统
CN108428232A (zh) * 2018-03-20 2018-08-21 合肥工业大学 一种卡通图像质量的盲评估方法
CN109377486A (zh) * 2018-10-15 2019-02-22 易普森智慧健康科技（深圳）有限公司 一种宫颈液基细胞有效图像的判别方法及系统
CN109583307A (zh) * 2018-10-31 2019-04-05 东华大学 一种基于局部特征与词包模型的羊绒羊毛纤维识别方法
CN109741324A (zh) * 2019-01-10 2019-05-10 惠科股份有限公司 一种检测方法、检测装置及终端设备
CN110120056A (zh) * 2019-05-21 2019-08-13 闽江学院 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法
CN110211108A (zh) * 2019-05-29 2019-09-06 武汉兰丁医学高科技有限公司 一种新型的基于Feulgen染色方法的异常宫颈细胞自动识别方法
CN110245672A (zh) * 2019-06-22 2019-09-17 福州大学 基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法
CN110533583A (zh) * 2019-08-29 2019-12-03 广州锟元方青医疗科技有限公司 一种基于宫颈液基细胞的自适应图像增广系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HANG LI: "Dense Deconvolutional Network for Skin Lesion Segmentation", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *
SPYROS GIDARIS 等: "LocNet: Improving Localization Accuracy for Object Detection", 《CVPR 2016》 *
南嘉格列 等: "基于深度学习的肝包虫病超声图像分型研究", 《深圳大学学报理工版》 *
梁若飞: "面向对象的遥感图像分割与玉米田面积统计方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
谷一鸣: "基于细胞图像形状特征的描述与分析", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464802A (zh) * 2020-11-26 2021-03-09 湖南国科智瞳科技有限公司 一种玻片样本信息的自动识别方法、装置和计算机设备
CN112464802B (zh) * 2020-11-26 2023-07-25 湖南国科智瞳科技有限公司 一种玻片样本信息的自动识别方法、装置和计算机设备

Also Published As

Publication number Publication date
CN111539354B (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN108827316B (zh) 基于改进的Apriltag标签的移动机器人视觉定位方法
JP5413408B2 (ja) 画像処理装置、プログラム及び画像処理システム
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN107945111B (zh) 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法
CN107784669A (zh) 一种光斑提取及其质心确定的方法
CN113658131B (zh) 一种基于机器视觉巡游式环锭纺断纱检测方法
CN109815762B (zh) 远距离识别二维码的方法、存储介质
CN113435407B (zh) 一种输电系统的小目标识别方法及装置
CN112101108B (zh) 一种基于图形极点位置特征的左右转交通标志识别方法
CN112347805A (zh) 一种多目标二维码检测识别方法、系统、装置及存储介质
CN115018797A (zh) 屏幕缺陷的检测方法、检测设备以及计算机可读存储介质
CN114581432A (zh) 一种基于深度学习的舌象仪舌象分割方法
CN113657339A (zh) 一种基于机器视觉的仪表指针计数读取方法及介质
CN111539354B (zh) 一种液基细胞玻片扫描区域识别方法
CN114926826A (zh) 场景文本检测系统
CN111008635A (zh) 一种基于ocr的多票据自动识别方法及识别系统
US20240086661A1 (en) Method and apparatus for processing graphic symbol and computer-readable storage medium
CN117037049B (zh) 基于YOLOv5深度学习的图像内容检测方法及系统
CN117876313A (zh) 一种芯片表面缺陷检测方法及系统
CN110298347B (zh) 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法
CN112580629A (zh) 一种基于深度学习的车牌字符识别方法以及相关装置
CN116523851A (zh) 一种档案报表扫描图像清晰度识别方法、装置与系统
CN112926676B (zh) 一种虚假目标识别方法、装置及计算机设备
CN115100273A (zh) 一种基于图像处理的免疫层析试纸条定量分析系统及检测方法
CN111583341B (zh) 云台像机移位检测方法

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
GR01 Patent grant
GR01 Patent grant