CN112365494A - 一种基于深度学习预测边缘的矿石物料图像分割方法 - Google Patents

一种基于深度学习预测边缘的矿石物料图像分割方法 Download PDF

Info

Publication number
CN112365494A
CN112365494A CN202011379942.7A CN202011379942A CN112365494A CN 112365494 A CN112365494 A CN 112365494A CN 202011379942 A CN202011379942 A CN 202011379942A CN 112365494 A CN112365494 A CN 112365494A
Authority
CN
China
Prior art keywords
edge
image
watershed
representing
label
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
CN202011379942.7A
Other languages
English (en)
Other versions
CN112365494B (zh
Inventor
赵三元
李�浩
徐志涛
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011379942.7A priority Critical patent/CN112365494B/zh
Publication of CN112365494A publication Critical patent/CN112365494A/zh
Application granted granted Critical
Publication of CN112365494B publication Critical patent/CN112365494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T5/70—
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Abstract

本发明涉及一种基于深度学习预测边缘的矿石物料图像分割方法，属于计算机视觉技术领域。本方法首先利用基于深度学习的边缘检测算法计算出矿石物料原始图片每个位置像素点是物体边缘的概率。在此基础上，通过对概率图的阈值化处理，生成物料图片的粗略分割结果。然后，基于分割结果，进行距离变换和种子点选取，目的是在粘连区域生成多个种子点，后续分水岭算法的输入图像为深度学习预测的边缘概率图。最后，通过逻辑运算组合阈值化和分水岭算法分割结果，从而高效、准确地生成矿石物料分割图像。与现有技术相比，本方法能够快速准确对密集、粘连物料图像进行分割，具有很强的实用性。

Description

一种基于深度学习预测边缘的矿石物料图像分割方法
技术领域
本发明涉及一种矿石物料图像分割方法，尤其涉及一种基于深度学习预测边缘的矿石物料图像分割方法，属于计算机视觉技术领域。
背景技术
在制造业生产过程中，需要对传送带上的物料进行定期采集和处理，得到相关物料的粒度等信息，以谋求产出质量最大化，对企业生产有重要意义。
利用计算机视觉技术进行物料检测，有助于简化人工质检过程。然而，传送带物料表面通常附着大量矿粉杂质，同时，由于物料的粘连堆积和物料的纹理、形状之间相似性，检测时如何对矿石物料图像进行有效分割，是一个十分困难的技术问题。
现有技术，通常使用边缘特征算法或分水岭算法对进行矿石物料图像分割。
其中，基于边缘特征的算法，通过图像阈值化或边缘检测提取物料边缘，并通过边缘生成分割结果。但是，由于物料粘连，在分割图像上通常多个物料实体共享同一闭合边缘，影响分割结果。
分水岭算法，是将灰度图像建模为拓扑平面，灰度值较高的区域看作山峰，灰度值低的区域看作盆地，通过局部极小值或者种子点初始化算法，基于图像梯度信息构建分水岭，实现物料图像分割，但是，由于物料表面纹理复杂，基于最小值的分水岭算法存在较为严重的过分割现象。同时，由于物料堆叠和粘连的问题，传统基于种子点指导分水岭分割的方法通常存在欠分割问题。
综上，现有技术不能有效解决矿石物料图像分割问题。
发明内容
本发明的目的是为了克服现有的矿石物料图像分割方法存在过分割和欠分割等问题不足，创造性地提供一种基于深度学习预测边缘的矿石物料图像分割方法，能够实现对矿石物料图像进行准确、有效分割。本方法的创新点在于：使用基于深度学习的边缘检测算法，指导阈值化和分水岭算法，实现精确、高效的矿石物料图片分割处理。
本方法采用的技术方案如下：
首先，利用基于深度学习的边缘检测算法，计算出矿石物料原始图片每个位置像素点是物体边缘的概率。在此基础上，通过对概率图的阈值化处理，生成物料图片的粗略分割结果。
然后，基于分割结果，进行距离变换和种子点选取，目的是在粘连区域生成多个种子点，后续分水岭算法的输入图像为深度学习预测的边缘概率图。相对于原始彩色图像，图片边缘的概率显眼信息能有效指导分水岭算法生成高质量分割图。
最后，通过逻辑运算组合阈值化和分水岭算法分割结果，从而高效、准确地生成矿石物料分割图像。
有益效果
与现有技术相比，本发明方法采用深度学习算法生成边缘概率图指导矿石物料图像分割，能够快速准确对密集、粘连物料图像进行分割，具有很强的实用性。
附图说明
图1为本发明的流程图；
图2为本发明流程关键步骤可视化结果；
图3为本发明方法与传统方法的对比结果。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例与附图，对本发明作进一步详细说明。
本发明是通过以下方法实现的：
一种基于深度学习预测边缘的矿石物料图像分割方法，如图1所示，包括如下步骤：
步骤1：对原始矿石物料图片进行双边滤波处理，增强图片中的边缘特征，并弱化图片的纹理信息，生成增强图片。
步骤2：使用整体嵌套边缘检测算法，对增强图片进行边缘预测，生成边缘预测灰度图。
步骤3：对边缘预测灰度图进行阈值化处理，生成边缘信息二值图，并对边缘信息二值图进行形态学运算，细化边缘并消除孔洞。
步骤4：通过距离变换，生成图像距离灰度图，对图像距离灰度图二值化，提取结果图像中的连通区域，并标记为分水岭种子点。
步骤5：通过边缘信息二值图初始化分水岭边界，结合分水岭种子点，通过分水岭算法对边缘预测灰度图进行分割，提取出分水岭算法边缘图。
步骤6：对边缘信息二值图和分水岭算法边缘图进行逻辑运算，提取分水岭算法产生的额外边缘，并将其补充到步骤3生成的边缘信息二值图中，得到最终分割结果。
步骤7：对得到的最终分割结果进行连通区域状态统计，采用两次扫描法对连通区域进行处理与统计。
至此，完成对矿石物料图像的分割和连通区域统计处理。
实施例
图1展示了本发明方法的具体实现步骤。
首先，对矿石物料图像进行采集操作。本实施例中，输入图像为RGB三通道彩色图像，分辨率为1000×1000像素。
步骤1：为强化图像的边缘特征，同时弱化图像内部纹理特征，对原始矿石物料图片进行双边滤波处理。
具体地，滤波公式定义如下：
Figure BDA0002808210560000031
其中，BF(I)p表示经双边滤波处理后对应位置像素值；Wp表示归一化因子；p和q为像素位置，Ip表示p位置像素值，Iq表示q位置像素值；
Figure BDA0002808210560000032
表示滤波邻域；G表示高斯函数；σs表示空余高斯滤波标准差；σr表示颜色域高斯滤波标准差。
本实施例中，滤波模板大小为7×7，σs＝30，σr＝4。
步骤2：使用整体嵌套边缘检测算法(HED)，对增强图片进行边缘预测，生成边缘预测灰度图。
具体地，边缘预测概率图I1∈[0,1]m×n，其中m表示图片宽度，n表示图片高度，每个像素位置的值表示该像素是物料边缘的概率。将边缘预测概率图I1映射到8比特灰度图并进行灰度反转操作，生成边缘信息灰度图I2。
步骤3：对边缘信息灰度图进行阈值化处理，生成边缘信息二值图。对边缘信息二值图进行形态学运算，细化边缘并消除孔洞。
具体地，对边缘信息灰度图I2选取不同二值化阈值处理，生成边缘信息二值图。其中，阈值化公式如下：
Figure BDA0002808210560000041
其中，σ表示阈值化处理过程所需阈值；Iij表示原始矿石物料图片(i,j)位置像素值。
本实施例中，共生成2幅二值图，其中σ1＝125，对应生成边缘信息二值图I3。σ2＝200，对应生成边缘信息二值图I4。将I3作为初始分割结果，为消除噪声同时使尽可能减少图像失真，对其进行一次开闭操作运算I3＝(I3°T)·T，其中，算子模板T如下所示：
Figure BDA0002808210560000042
边缘信息二值图I4边界信息更为明显，用于分水岭算法种子点生成。
步骤4：通过距离变换，生成图像距离灰度图，对图像距离灰度图二值化，提取结果图像中连通区域，并标记为分水岭种子点。
具体地，对I4进行距离变换：
Figure BDA0002808210560000043
其中，距离函数使用L2距离度量，其公式为
Figure BDA0002808210560000044
Figure BDA0002808210560000045
生成距离灰度图I5。f(·)为指示函数，公式如下：
Figure BDA0002808210560000046
其中，q∈I4，表示q指示的像素位置在I4内部。
对距离灰度图I5做阈值化处理，其阈值为γ·maxI5。在本实施例中，γ＝0.2。对处理后的二值图进行连通区域检测和标记，二值图灰度值取值范围为{0,255}，分别对应二值图背景区域和前景区域。其中，二值图背景区域标记为待处理区域，前景区域不同连通分量通过不同标签标记，作为分水岭算法种子点。
步骤5：通过边缘信息二值图I3初始化分水岭边界，结合分水岭种子点，通过分水岭算法对边缘预测灰度图进行分割，提取出分水岭算法边缘图。
具体如下：
步骤5.1：将标签像素四邻域中的未分类像素位置及其权重加入优先队列，权重被定义为像素与四邻域灰度差值：
Figure BDA0002808210560000051
其中，F(Ip)表示p位置像素在优先队列中的权重。
步骤5.2：从优先队列弹出一个元素，通过该元素的位置信息读取对应四邻域元素标签。如果存在两个以上不同标签，则该位置元素被标记为分水岭，否则使用邻域标签对该元素进行标记；
步骤5.3：将标记后元素的四邻域中未被标记的位置及其权重加入优先队列；
重复步骤5.1至5.3，直到队列为空。
步骤6：对边缘信息二值图和分水岭算法边缘图进行逻辑运算，提取分水岭算法产生的额外边缘，并将其补充到步骤3生成的边缘信息二值图中，得到最终分割结果。
具体地，提取出分水岭算法边缘图中的分水岭区域，生成分水岭边缘二值灰度图Iwatershed，其中，边缘区域灰度值为255。通过逻辑运算，提取粘连区域边缘Iedge＝IwatershedAND I3。将粘连物料区域边缘与初始分割结果融合，生成最终分割结果Iret＝I3 ANT(NOTIedge)。
步骤7：对得到的最终分割结果进行连通区域状态统计，采用两次扫描法对连通区域进行处理与统计。
具体地，使用两次扫描法对连通区域Iret进行连通区域分析。
步骤7.1：初始化标签label＝1，连通区域标记图记为L，对Iret逐行扫描，对前景像素Iij＝255，统计四邻域信息。若四邻域无标签。初始化其标签为Lij＝label，同时更新标签label←label+1。否则，通过邻域标签对前景像素做标记，公式为
Figure BDA0002808210560000052
使用并查集记录邻域标签的恒等关系。
步骤7.2：逐行扫描L，通过标签恒等关系中的最小值，更新对应位置标签。
步骤7.3：记录每个标签出现的次数，完成连通区域统计。

Claims (5)

1.一种基于深度学习预测边缘的矿石物料图像分割方法，其特征在于，包括以下步骤：
步骤1：对原始矿石物料图片进行双边滤波处理，增强图片中的边缘特征，并弱化图片的纹理信息，生成增强图片；
步骤2：使用整体嵌套边缘检测算法，对增强图片进行边缘预测，生成边缘预测灰度图；
步骤3：对边缘预测灰度图进行阈值化处理，生成边缘信息二值图，并对边缘信息二值图进行形态学运算，细化边缘并消除孔洞；
步骤4：通过距离变换，生成图像距离灰度图，对图像距离灰度图二值化，提取结果图像中连通区域，并标记为分水岭种子点；
具体地，对边缘信息二值图I4进行距离变换：
Figure FDA0002808210550000011
其中，p和q为像素位置，Ip表示p位置像素值，Iq表示q位置像素值；
Figure FDA0002808210550000012
表示滤波邻域；距离函数使用L2距离度量，其公式为
Figure FDA0002808210550000013
生成距离灰度图I5；f(·)为指示函数，公式如下：
Figure FDA0002808210550000014
其中，q∈I4，表示q指示的像素位置在I4内部；对距离灰度图I5做阈值化处理，其阈值为γ·maxI5；；对处理后的二值图进行连通区域检测和标记，二值图灰度值取值范围为{0，255}，分别对应二值图背景区域和前景区域；其中，二值图背景区域标记为待处理区域，前景区域不同连通分量通过不同标签标记，作为分水岭算法种子点；
步骤5：通过边缘信息二值图初始化分水岭边界，结合分水岭种子点，通过分水岭算法对边缘预测灰度图进行分割，提取出分水岭算法边缘图。
具体如下：
步骤5.1：将标签像素四邻域中的未分类像素位置及其权重加入优先队列，权重被定义为像素与四邻域灰度差值：
Figure FDA0002808210550000015
其中，F(Ip)表示p位置像素在优先队列中的权重，p和q为像素位置，Ip表示p位置像素值，Iq表示q位置像素值；
步骤5.2：从优先队列弹出一个元素，通过该元素的位置信息读取对应四邻域元素标签；如果存在两个以上不同标签，则该位置元素被标记为分水岭，否则使用邻域标签对该元素进行标记；
步骤5.3：将标记后元素的四邻域中未被标记的位置及其权重加入优先队列；
重复步骤5.1至5.3，直到队列为空；
步骤6：对边缘信息二值图和分水岭算法边缘图进行逻辑运算，提取分水岭算法产生的额外边缘，并将其补充到步骤3生成的边缘信息二值图中，得到最终分割结果；
步骤7：对得到的最终分割结果进行连通区域状态统计，采用两次扫描法对连通区域进行处理与统计。
2.如权利要求1所述的一种基于深度学习预测边缘的矿石物料图像分割方法，其特征在于，步骤1所述双边滤波处理的滤波公式如下：
Figure FDA0002808210550000021
其中，BF(I)p表示经双边滤波处理后对应位置像素值；Wp表示归一化因子；p和q为像素位置，Ip表示p位置像素值，Iq表示q位置像素值；
Figure FDA0002808210550000022
表示滤波邻域；G表示高斯函数；σs表示空余高斯滤波标准差；σr表示颜色域高斯滤波标准差。
3.如权利要求1所述的一种基于深度学习预测边缘的矿石物料图像分割方法，其特征在于，步骤3所述对边缘信息灰度图选取不同二值化阈值处理，生成边缘信息二值图，其中，阈值化公式如下：
Figure FDA0002808210550000023
其中，σ表示阈值化处理过程所需阈值；Iij表示原始矿石物料图片(i，j)位置像素值。
4.如权利要求1所述的一种基于深度学习预测边缘的矿石物料图像分割方法，其特征在于，步骤6所述提取出分水岭算法边缘图中的分水岭区域，生成分水岭边缘二值灰度图Iwatershed，其中，边缘区域灰度值为255，通过逻辑运算，提取粘连区域边缘Iedge＝IwatershedAND I3；将粘连物料区域边缘与初始分割结果融合，生成最终分割结果Iret＝I3 ANT(NOTledge)。
5.如权利要求1所述的一种基于深度学习预测边缘的矿石物料图像分割方法，其特征在于，步骤7使用两次扫描法对连通区域Iret进行连通区域分析过程如下：
步骤7.1：初始化标签label＝1，连通区域标记图记为L，对Iret逐行扫描，对前景像素Iij＝255，统计四邻域信息；若四邻域无标签；初始化其标签为Lij＝label，同时更新标签label←label+1；否则，通过邻域标签对前景像素做标记，公式为
Figure FDA0002808210550000031
使用并查集记录邻域标签的恒等关系；
步骤7.2：逐行扫描L，通过标签恒等关系中的最小值，更新对应位置标签；
步骤7.3：记录每个标签出现的次数，完成连通区域统计。
CN202011379942.7A 2020-11-30 2020-11-30 一种基于深度学习预测边缘的矿石物料图像分割方法 Active CN112365494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011379942.7A CN112365494B (zh) 2020-11-30 2020-11-30 一种基于深度学习预测边缘的矿石物料图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011379942.7A CN112365494B (zh) 2020-11-30 2020-11-30 一种基于深度学习预测边缘的矿石物料图像分割方法

Publications (2)

Publication Number Publication Date
CN112365494A true CN112365494A (zh) 2021-02-12
CN112365494B CN112365494B (zh) 2022-12-13

Family

ID=74535722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011379942.7A Active CN112365494B (zh) 2020-11-30 2020-11-30 一种基于深度学习预测边缘的矿石物料图像分割方法

Country Status (1)

Country Link
CN (1) CN112365494B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113083724A (zh) * 2021-03-24 2021-07-09 北京霍里思特科技有限公司 矿石识别方法、检测机构、矿产分选机
CN113240663A (zh) * 2021-05-31 2021-08-10 西安建筑科技大学 一种基于边缘响应融合算法的传送带矿石粒度检测方法
CN113361503A (zh) * 2021-08-10 2021-09-07 江苏久智环境科技服务有限公司 一种基于无人机航拍的园林乔木数量智能检测方法及系统
CN113658117A (zh) * 2021-08-02 2021-11-16 浙江大学 一种基于深度学习的沥青混合料中集料边界识别与划分方法
CN113657335A (zh) * 2021-08-25 2021-11-16 华北理工大学 基于hsv颜色空间的矿相识别方法
CN113989167A (zh) * 2021-12-27 2022-01-28 杭州爱科科技股份有限公司 基于种子点自生长的轮廓提取方法、装置、设备及介质
CN114821071A (zh) * 2022-06-08 2022-07-29 四川大学 一种从动态冰图像中提取粘连气泡的方法、装置及设备
CN115131375A (zh) * 2022-08-29 2022-09-30 南通富莱克流体装备有限公司 一种矿石自动分割方法
CN115272311A (zh) * 2022-09-26 2022-11-01 江苏亚振钻石有限公司 一种基于机器视觉的黑钨矿石图像分割方法
CN116385446A (zh) * 2023-06-06 2023-07-04 山东德圣源新材料有限公司 一种用于勃姆石生产的晶体杂质检测方法
CN116597389A (zh) * 2023-07-18 2023-08-15 山东省地质测绘院 基于图像处理的地质灾害监测及预警方法
CN116733472A (zh) * 2023-06-05 2023-09-12 江西华丽丰科技有限公司 一种基于智能算法的金属矿石采选控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080247646A1 (en) * 2007-04-04 2008-10-09 Siemens Corporate Research, Inc. Method for segmenting an image using constrained graph partitioning of watershed adjacency graphs
CN108470173A (zh) * 2018-04-17 2018-08-31 北京矿冶科技集团有限公司 一种矿石颗粒的分割方法
CN109166125A (zh) * 2018-07-06 2019-01-08 长安大学 一种基于多边缘融合机制的三维深度图像分割算法
CN111047555A (zh) * 2019-11-13 2020-04-21 鞍钢集团矿业有限公司 基于图像处理技术的矿石图像粒度检测算法
CN111738256A (zh) * 2020-06-02 2020-10-02 上海交通大学 基于改进分水岭算法的复合材料ct图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080247646A1 (en) * 2007-04-04 2008-10-09 Siemens Corporate Research, Inc. Method for segmenting an image using constrained graph partitioning of watershed adjacency graphs
CN108470173A (zh) * 2018-04-17 2018-08-31 北京矿冶科技集团有限公司 一种矿石颗粒的分割方法
CN109166125A (zh) * 2018-07-06 2019-01-08 长安大学 一种基于多边缘融合机制的三维深度图像分割算法
CN111047555A (zh) * 2019-11-13 2020-04-21 鞍钢集团矿业有限公司 基于图像处理技术的矿石图像粒度检测算法
CN111738256A (zh) * 2020-06-02 2020-10-02 上海交通大学 基于改进分水岭算法的复合材料ct图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUAN, LI等: "A Method of Ore Image Segmentation Based on Deep Learning", 《14TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING (ICIC)》 *
董珂等: "基于改进分水岭变换的矿石图像分割算法", 《计算机工程与设计》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113083724A (zh) * 2021-03-24 2021-07-09 北京霍里思特科技有限公司 矿石识别方法、检测机构、矿产分选机
CN113240663A (zh) * 2021-05-31 2021-08-10 西安建筑科技大学 一种基于边缘响应融合算法的传送带矿石粒度检测方法
CN113658117B (zh) * 2021-08-02 2023-09-15 安徽省交通控股集团有限公司 一种基于深度学习的沥青混合料中集料边界识别与划分方法
CN113658117A (zh) * 2021-08-02 2021-11-16 浙江大学 一种基于深度学习的沥青混合料中集料边界识别与划分方法
CN113361503A (zh) * 2021-08-10 2021-09-07 江苏久智环境科技服务有限公司 一种基于无人机航拍的园林乔木数量智能检测方法及系统
CN113361503B (zh) * 2021-08-10 2021-11-02 江苏久智环境科技服务有限公司 一种基于无人机航拍的园林乔木数量智能检测方法及系统
CN113657335A (zh) * 2021-08-25 2021-11-16 华北理工大学 基于hsv颜色空间的矿相识别方法
CN113989167A (zh) * 2021-12-27 2022-01-28 杭州爱科科技股份有限公司 基于种子点自生长的轮廓提取方法、装置、设备及介质
CN113989167B (zh) * 2021-12-27 2022-03-29 杭州爱科科技股份有限公司 基于种子点自生长的轮廓提取方法、装置、设备及介质
CN114821071A (zh) * 2022-06-08 2022-07-29 四川大学 一种从动态冰图像中提取粘连气泡的方法、装置及设备
CN114821071B (zh) * 2022-06-08 2023-09-22 四川大学 一种从动态冰图像中提取粘连气泡的方法、装置及设备
CN115131375A (zh) * 2022-08-29 2022-09-30 南通富莱克流体装备有限公司 一种矿石自动分割方法
CN115272311A (zh) * 2022-09-26 2022-11-01 江苏亚振钻石有限公司 一种基于机器视觉的黑钨矿石图像分割方法
CN116733472A (zh) * 2023-06-05 2023-09-12 江西华丽丰科技有限公司 一种基于智能算法的金属矿石采选控制系统
CN116385446A (zh) * 2023-06-06 2023-07-04 山东德圣源新材料有限公司 一种用于勃姆石生产的晶体杂质检测方法
CN116385446B (zh) * 2023-06-06 2023-08-15 山东德圣源新材料有限公司 一种用于勃姆石生产的晶体杂质检测方法
CN116597389A (zh) * 2023-07-18 2023-08-15 山东省地质测绘院 基于图像处理的地质灾害监测及预警方法
CN116597389B (zh) * 2023-07-18 2023-09-15 山东省地质测绘院 基于图像处理的地质灾害监测及预警方法

Also Published As

Publication number Publication date
CN112365494B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN112365494B (zh) 一种基于深度学习预测边缘的矿石物料图像分割方法
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN109377485B (zh) 一种方便面包装缺陷机器视觉检测方法
CN109154978B (zh) 用于检测植物疾病的系统和方法
Salau et al. Vehicle plate number localization using a modified GrabCut algorithm
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN109584253B (zh) 油液磨粒图像分割方法
Tareef et al. Automated three-stage nucleus and cytoplasm segmentation of overlapping cells
CN115239718B (zh) 一种基于图像处理的塑料制品缺陷检测方法与系统
CN110738672A (zh) 一种基于分层高阶条件随机场的图像分割方法
CN114417993A (zh) 一种基于深度卷积神经网络和图像分割的划痕检测方法
CN117094975A (zh) 钢铁表面缺陷检测方法、装置及电子设备
CN114373079A (zh) 一种快速准确的探地雷达目标检测方法
WO2022061922A1 (zh) 材料微结构的分析方法和装置
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN115619799B (zh) 一种基于迁移学习的晶粒图像分割方法及系统
Zhang et al. Segmentation algorithm of complex ore images based on templates transformation and reconstruction
Lech et al. Binarization of document images using the modified local-global Otsu and Kapur algorithms
CN110322466B (zh) 一种基于多层区域限制的有监督图像分割方法
Tung et al. Efficient uneven-lighting image binarization by support vector machines
CN213714998U (zh) 一种基于图像的砂石粒径分析设备
CN110223299B (zh) 一种基于沉积过程的磨粒分割方法
CN113744241A (zh) 基于改进slic算法的细胞图像分割方法
Ge et al. Oracle Bone Inscriptions Extraction by Using Weakly Supervised Instance Segmentation under Deep Network
Soumya et al. Enhancement and segmentation of historical records

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