CN111968136A - 一种煤岩显微图像分析方法及分析系统 - Google Patents
一种煤岩显微图像分析方法及分析系统 Download PDFInfo
- Publication number
- CN111968136A CN111968136A CN202010832430.5A CN202010832430A CN111968136A CN 111968136 A CN111968136 A CN 111968136A CN 202010832430 A CN202010832430 A CN 202010832430A CN 111968136 A CN111968136 A CN 111968136A
- Authority
- CN
- China
- Prior art keywords
- image
- coal rock
- target
- neural network
- rock microscopic
- 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
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
Abstract
本发明公开了一种煤岩显微图像分析方法及分析系统,对待处理的煤岩显微图像进行预处理,在预处理后的图像中提取有效区域;将有效区域分割为多个预设尺寸的图像区域,通过训练后的第一神经网络对多个图像区域分别进行目标物的特征检测,得到候选图像区域;通过第二神经网络对待处理的煤岩显微图像中对应候选图像区域的目标图像区域进行分类,得到目标图像区域属于预设类别的置信度;对目标图像区域进行筛选,保留置信度大于第一阈值的目标图像区域,测量保留的目标图像区域的特征指标。本发明通过深度神经网络完成煤岩显微图像的特征提取,实现了自动语义分割,识别图像中各个不同的煤岩组分及其占比,实现煤岩显微组分的精确检测与识别。
Description
技术领域
本发明涉及图像分析技术领域,具体涉及一种煤岩显微图像分析方法及分析系统。
背景技术
煤岩显微组分分析主要包括三方面内容:煤岩显微组分类别识别、镜质组反射率测定和煤岩显微组分组及矿物质的测定(显微组分组和矿物含量定量统计)。其中,煤岩显微组分类别识别是后两者的基础和前提,煤岩显微组分分析具有很强的专业性,需要测定者具有深厚的煤岩学基础,这是由于煤岩显微组分的多样性和复杂性决定的。
现有的煤岩显微图像分析采用的是传统数字处理的方法,比如小波变换,图像模式识别等传统技术。现有的煤岩显微图像分析方法存在的缺陷主要是鲁棒性差,准确率容易被煤岩图像的成像的质量高低所影响;另外在煤岩组分的量化分析方面,受传统技术所限,测量精度难以提高。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的;不能仅仅因为上述方案在本发明的背景技术部分进行了阐述,而认为上述技术方案为本领域技术人员所公知。
发明内容
针对现有技术中存在的上述问题,本发明提供一种煤岩显微图像分析方法及分析系统,能够自动地对煤岩显微图像进行测量,实现煤岩显微组分的精确检测与识别。
本发明公开了一种煤岩显微图像分析方法,包括:
获取待处理的煤岩显微图像;
对待处理的煤岩显微图像进行预处理,得到预处理后的图像;
在所述预处理后的图像中提取有效区域;
将所述有效区域分割为多个预设尺寸的图像区域,通过训练后的第一神经网络对多个所述图像区域分别进行目标物的特征检测,得到候选图像区域;
通过第二神经网络对目标图像区域进行分类,得到所述目标图像区域属于预设类别的置信度;其中,所述目标图像区域为取待处理的煤岩显微图像中对应于所述候选图像区域的图像区域;
对所述目标图像区域进行筛选,保留置信度大于第一阈值的目标图像区域。
作为本发明的进一步改进,所述煤岩显微图像的预处理方法包括:采用图像增强技术对低质量图像进行质量增强,使得图像的对比度增加,所述图像增强技术包括灰度阈值法;
所述有效区域的提取方法包括:图像连通性、腐蚀、膨胀以及边缘分割中的一种或多种。
作为本发明的进一步改进,所述第一神经网络具有跨层卷积结构,所述第一神经网络的训练数据为经过数据增强处理且数量大于第二阈值的阳性和假阳性数据。
作为本发明的进一步改进,还包括:
测量保留的所述目标图像区域的特征指标。
作为本发明的进一步改进,所述特征指标的测量方法,包括:
使用目标物的轮廓去除所述目标图像区域中的非目标物区域,得到目标物轮廓区域;
计算所述目标物轮廓区域内所有像素的第一参数总和以及像素点个数;
根据所述第一参数总和以及所述像素点个数,计算所述特征指标。
本发明还公开了一种煤岩显微图像分析系统,包括:
预处理单元,用于对待处理的煤岩显微图像进行预处理,得到预处理后的图像;
提取单元,用于在所述预处理后的图像中提取有效区域;
检测单元,用于将所述有效区域分割为多个预设尺寸的图像区域,通过训练后的第一神经网络对多个所述图像区域分别进行目标物的特征检测,得到候选图像区域;
分类单元,用于通过第二神经网络对目标图像区域进行分类,得到所述目标图像区域属于预设类别的置信度;其中,所述目标图像区域为取待处理的煤岩显微图像中对应于所述候选图像区域的图像区域;
第一筛选单元,用于对所述目标图像区域进行筛选,保留置信度大于第一阈值的目标图像区域。
作为本发明的进一步改进,在所述预处理单元中,所述煤岩显微图像的预处理方法包括:采用图像增强技术对低质量图像进行质量增强,使得图像的对比度增加,所述图像增强技术包括灰度阈值法;
在所述提取单元中,所述有效区域的提取方法包括:图像连通性、腐蚀、膨胀以及边缘分割中的一种或多种。
作为本发明的进一步改进,所述第一神经网络具有跨层卷积结构,所述第一神经网络的训练数据为经过数据增强处理且数量大于第二阈值的阳性和假阳性数据。
作为本发明的进一步改进,还包括:
测量单元,用于测量保留的所述目标图像区域的特征指标。
作为本发明的进一步改进,所述测量单元,包括:
第二筛选单元,用于使用目标物的轮廓去除所述目标图像区域中的非目标物区域,得到目标物轮廓区域;
第一计算单元,用于计算所述目标物轮廓区域内所有像素的第一参数总和以及像素点个数;
第二计算单元,用于根据所述第一参数总和以及所述像素点个数,计算所述特征指标。
与现有技术相比,本发明的有益效果为:
本发明通过第一神经网络对分割的各个预设尺寸的图像区域分别进行目标物的特征检测,得到候选图像区域,并通过第二神经网络对待处理的二维煤岩显微图像中的对应于候选图像区域的目标图像区域进行分类,从而能够快速且准确的实现二维图像中目标物的检测、定位和分割,降低了漏检率和假阳性率。
附图说明
图1为本发明一种实施例公开的煤岩显微图像分析方法的流程图;
图2为图1中测量目标图像区域的特征指标的流程图;
图3为本发明一种实施例公开的第一神经网络的架构图;
图4为本发明一种实施例公开的第二神经网络的架构图;
图5为本发明一种实施例公开的煤岩显微图像分析系统的示意图;
图6为图5中测量单元的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
本发明提供一种煤岩显微图像分析方法及分析系统,通过深度神经网络完成煤岩显微图像的特征提取,实现了自动语义分割,识别图像中各个不同的煤岩组分及其占比,实现煤岩显微组分的精确检测与识别,克服了传统人工测定耗时、耗力和对专业知识要求高的缺点。
如图1所示,本发明提供一种煤岩显微图像分析方法,包括:
S1、获取待处理的二维煤岩显微图像,对待处理的煤岩显微图像进行预处理,得到预处理后的图像;其中,
煤岩显微图像的预处理方法包括:采用图像增强技术对低质量图像进行质量增强,使得图像的对比度增加,主要采用灰度阈值法来实现。
S2、在预处理后的图像中提取有效区域;其中,
有效区域的提取方法包括:图像连通性、腐蚀、膨胀以及边缘分割中的一种或多种。
S3、将有效区域分割为多个预设尺寸的二维图像区域,通过训练后的第一神经网络对各个预设尺寸的图像区域分别进行目标物的特征检测,得到多个候选图像区域;其中,
第一神经网络具有跨层卷积结构,第一神经网络的训练数据为经过数据增强处理且数量大于第二阈值的阳性和假阳性数据。
S4、通过第二神经网络对目标图像区域进行分类,得到目标图像区域属于预设类别的置信度;其中,
目标图像区域为取待处理的煤岩显微图像中对应于候选图像区域的图像区域。
S5、对目标图像区域进行筛选,保留置信度大于第一阈值的目标图像区域;
S6、测量保留的目标图像区域的特征指标;其中,
如图2所示,特征指标的测量方法,包括:
S61、使用目标物的轮廓去除目标图像区域中的非目标物区域,得到目标物轮廓区域;
S62、计算目标物轮廓区域内所有像素的第一参数总和以及像素点个数;
S63、根据第一参数总和以及像素点个数,计算特征指标。
如图5所示,本发明提供一种煤岩显微图像分析系统,包括:
预处理单元101,用于实现上述S1;
提取单元102,用于实现上述S2;
检测单元103,用于实现上述S3;
分类单元104,用于实现上述S4;
第一筛选单元105,用于实现上述S5;
测量单元106,用于实现上述S6;其中,
如图6所示,本发明的测量单元106,包括:
第二筛选单元401,用于实现上述S61;
第一计算单元402,用于实现上述S62;
第二计算单元403,用于实现上述S63。
实施例:
本发明的分析方法及分析系统可以处理除煤岩显微图像各种领域以及各种类型的二维图像。
本发明的分析方法及分析系统在S1或预处理单元101中,以光学显微镜设备获得的原始图像。例如,对于光学显微镜原始图像,其格式为JPG文件格式,在本发明实施例中,预处理单元101对待处理的二维图像进行预处理,得到预处理后的二维图像。
本发明的分析方法及分析系统在S2或提取单元102中,可根据基于图像连通性、腐蚀、膨胀以及边缘分割中的至少一种方法来提取有效区域。
本发明的分析方法及分析系统在S3或检测单元103中,第一神经网络具有二维卷积结构,从而能够处理二维图像;第一神经网络可以包括多个卷积层,其卷积层的数量以及卷积核的尺寸可以根据实际需要而确定。例如,第一神经网络包括32个卷积层,卷积核的尺寸为3×3。
如图3所示,输入第一神经网络的二维图像201包括在不同厚度上进行断层扫描而得到的多个二维图像,输入的该二维图像经过了预处理单元101和提取单元102的处理。在输入到第一神经网络之后,卷积层从多个二维图像中提取特征而得到多个特征图(featuremap),在多个特征图之间进行卷积,并通过下采样和上采样过程,最终得到输出的二维图像202,其中,检测到了候选图像区域203。
本发明的分析方法及分析系统在S3或检测单元103中,第一神经网络是预先训练完成的,用于对该第一神经网络进行训练的训练数据可以包括数量大于第二阈值的阳性和假阳性数据;该第二阈值可以根据实际需要而设置。另外,用于对该第一神经网络进行训练的该训练数据经过了数据增强处理。通过将大量数据用于训练第一神经网络,并且对这些训练数据进行了数据增强处理,因此能够提高第一神经网络的鲁棒性和泛化性能。
本发明的分析方法及分析系统在S4或分类单元104中,对各个候选图像区域分别进行处理;该预设类别可以根据图像处理装置100的应用场景以及实际需要而预先设定。例如,对于光学显微镜原始图像,该预设类别为疑似区域。
本发明的分析方法及分析系统在S4或分类单元104中,第二神经网络可以是CNN(Convolutional Neural Networks)分类网络;如图4所示,第二神经网络包括输入层、多个在深度上分别的卷积层、与卷积层相应的多个池化层以及全连接层。输入第二神经网络的数据是待处理的二维图像中的对应于该候选图像区域的区域,即目标图像区域,第二神经网络的输出的结果是输入的该目标图像区域属于预设类别的置信度。
本发明的分析方法及分析系统在S5或第一筛选单元105中,该第一阈值可以根据实际需要而设置,例如,该第一阈值为0.6,也就是说,例如,第一筛选单元105去除置信度小于或等于0.6的目标图像区域,而保留置信度大于0.6的目标图像区域。本发明通过基于置信度的筛选,得到了置信度较高的目标图像区域,即属于预设类别的可能性较大的目标图像区域。例如,当处理对象是光学显微镜原始图像时,第一筛选单元105得到的是属于煤岩组分可能性较大的目标图像区域,其可以作为一种用于参考的中间结果。
本发明的分析方法及分析系统在S6或测量单元106中,特征指标可以是基于应用场景和实际需要的特征指标。例如,当处理对象是光学显微镜原始图像时,该特征指标可以是煤岩组分在图像中的像素面积。
本发明的分析方法及分析系统在S61~S63或测量单元106中,当处理对象是光学显微镜原始图像时,该第一参数图像像素值总和,第二计算单元403将目标物轮廓区域内的像素点个数(煤岩组分面积)除以单张煤岩显微图像的所有像素总和(“又称总体面积”),得到作为特征指标的“煤岩组分占比”;该特征指标可以以文字的形式叠加在图像中输出。因此,通过测量单元106能够自动测量保留的该目标图像区域的特征指标,从而能够提供更多的参考信息。
本发明的优点为:
本发明通过第一神经网络对分割的各个预设尺寸的图像区域分别进行目标物的特征检测,得到候选图像区域,并通过第二神经网络对待处理的二维煤岩显微图像中的对应于候选图像区域的目标图像区域进行分类,从而能够快速且准确的实现二维图像中目标物的检测、定位和分割,降低了漏检率和假阳性率。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种煤岩显微图像分析方法,其特征在于,包括:
对待处理的煤岩显微图像进行预处理,得到预处理后的图像;
在所述预处理后的图像中提取有效区域;
将所述有效区域分割为多个预设尺寸的图像区域,通过训练后的第一神经网络对多个所述图像区域分别进行目标物的特征检测,得到候选图像区域;
通过第二神经网络对目标图像区域进行分类,得到所述目标图像区域属于预设类别的置信度;其中,所述目标图像区域为取待处理的煤岩显微图像中对应于所述候选图像区域的图像区域;
对所述目标图像区域进行筛选,保留置信度大于第一阈值的目标图像区域。
2.如权利要求1所述的煤岩显微图像分析方法,其特征在于,所述煤岩显微图像的预处理方法包括:采用图像增强技术对低质量图像进行质量增强,使得图像的对比度增加,所述图像增强技术包括灰度阈值法;
所述有效区域的提取方法包括:图像连通性、腐蚀、膨胀以及边缘分割中的一种或多种。
3.如权利要求1所述的煤岩显微图像分析方法,其特征在于,所述第一神经网络具有跨层卷积结构,所述第一神经网络的训练数据为经过数据增强处理且数量大于第二阈值的阳性和假阳性数据。
4.如权利要求1所述的煤岩显微图像分析方法,其特征在于,还包括:
测量保留的所述目标图像区域的特征指标。
5.如权利要求4所述的煤岩显微图像分析方法,其特征在于,所述特征指标的测量方法,包括:
使用目标物的轮廓去除所述目标图像区域中的非目标物区域,得到目标物轮廓区域;
计算所述目标物轮廓区域内所有像素的第一参数总和以及像素点个数;
根据所述第一参数总和以及所述像素点个数,计算所述特征指标。
6.一种煤岩显微图像分析系统,其特征在于,包括:
预处理单元,用于对待处理的煤岩显微图像进行预处理,得到预处理后的图像;
提取单元,用于在所述预处理后的图像中提取有效区域;
检测单元,用于将所述有效区域分割为多个预设尺寸的图像区域,通过训练后的第一神经网络对多个所述图像区域分别进行目标物的特征检测,得到候选图像区域;
分类单元,用于通过第二神经网络对目标图像区域进行分类,得到所述目标图像区域属于预设类别的置信度;其中,所述目标图像区域为取待处理的煤岩显微图像中对应于所述候选图像区域的图像区域;
第一筛选单元,用于对所述目标图像区域进行筛选,保留置信度大于第一阈值的目标图像区域。
7.如权利要求6所述的煤岩显微图像分析系统,其特征在于,在所述预处理单元中,所述煤岩显微图像的预处理方法包括:采用图像增强技术对低质量图像进行质量增强,使得图像的对比度增加,所述图像增强技术包括灰度阈值法;
在所述提取单元中,所述有效区域的提取方法包括:图像连通性、腐蚀、膨胀以及边缘分割中的一种或多种。
8.如权利要求6所述的煤岩显微图像分析系统,其特征在于,所述第一神经网络具有跨层卷积结构,所述第一神经网络的训练数据为经过数据增强处理且数量大于第二阈值的阳性和假阳性数据。
9.如权利要求6所述的煤岩显微图像分析系统,其特征在于,还包括:
测量单元,用于测量保留的所述目标图像区域的特征指标。
10.如权利要求9所述的煤岩显微图像分析系统,其特征在于,所述测量单元,包括:
第二筛选单元,用于使用目标物的轮廓去除所述目标图像区域中的非目标物区域,得到目标物轮廓区域;
第一计算单元,用于计算所述目标物轮廓区域内所有像素的第一参数总和以及像素点个数;
第二计算单元,用于根据所述第一参数总和以及所述像素点个数,计算所述特征指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832430.5A CN111968136A (zh) | 2020-08-18 | 2020-08-18 | 一种煤岩显微图像分析方法及分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010832430.5A CN111968136A (zh) | 2020-08-18 | 2020-08-18 | 一种煤岩显微图像分析方法及分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968136A true CN111968136A (zh) | 2020-11-20 |
Family
ID=73389404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010832430.5A Pending CN111968136A (zh) | 2020-08-18 | 2020-08-18 | 一种煤岩显微图像分析方法及分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642437A (zh) * | 2021-08-03 | 2021-11-12 | 中国地质大学(北京) | 一种对煤中不同组分含量及半径的定量计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596163A (zh) * | 2018-07-10 | 2018-09-28 | 中国矿业大学(北京) | 一种基于cnn和vlad的煤岩识别方法 |
CN109444845A (zh) * | 2018-09-28 | 2019-03-08 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
CN110136161A (zh) * | 2019-05-31 | 2019-08-16 | 苏州精观医疗科技有限公司 | 图像特征提取分析方法、系统及装置 |
-
2020
- 2020-08-18 CN CN202010832430.5A patent/CN111968136A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596163A (zh) * | 2018-07-10 | 2018-09-28 | 中国矿业大学(北京) | 一种基于cnn和vlad的煤岩识别方法 |
CN109444845A (zh) * | 2018-09-28 | 2019-03-08 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
CN110097027A (zh) * | 2019-05-13 | 2019-08-06 | 安徽工业大学 | 基于卷积神经网络的煤岩壳质组显微图像分类方法及系统 |
CN110136161A (zh) * | 2019-05-31 | 2019-08-16 | 苏州精观医疗科技有限公司 | 图像特征提取分析方法、系统及装置 |
Non-Patent Citations (5)
Title |
---|
FENGLI LU 等: "Adaptive Multi-Scale Feature Fusion Based Residual U-net for Fracture Segmentation in Coal Rock Images", 《RESEARCHGATE》 * |
中国城市科学研究会: "《中国低碳生态城市发展报告2019》", 31 July 2019, 中国城市出版社 * |
宋孝忠 等: "煤岩显微组分组图像自动识别系统与关键技术", 《煤炭学报》 * |
王洪栋: "基于机器学习的煤岩显微图像分析研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
邓忠豪 等: "基于深度卷积神经网络的肺结节检测算法", 《计算机应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642437A (zh) * | 2021-08-03 | 2021-11-12 | 中国地质大学(北京) | 一种对煤中不同组分含量及半径的定量计算方法 |
CN113642437B (zh) * | 2021-08-03 | 2022-05-31 | 中国地质大学(北京) | 一种对煤中不同组分含量及半径的定量计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106940889B (zh) | 基于像素邻域特征聚类的淋巴结he染色病理图像分割方法 | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN113065578B (zh) | 一种基于双路区域注意力编解码的图像视觉语义分割方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN110991374B (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN115841669A (zh) | 一种基于深度学习技术的指针式仪表检测与示数识别方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN111968136A (zh) | 一种煤岩显微图像分析方法及分析系统 | |
CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
CN115294066A (zh) | 一种砂石粒径检测方法 | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
CN114926635A (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis |
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 | ||
CB02 | Change of applicant information |
Address after: 200040 9th floor, block a, 1256 and 1258 Wanrong Road, Jing'an District, Shanghai Applicant after: Huayuan computing technology (Shanghai) Co.,Ltd. Address before: 200040 9th floor, 1256 and 1258 Wanrong Road, Jing'an District, Shanghai Applicant before: UNIDT TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201120 |
|
RJ01 | Rejection of invention patent application after publication |