CN112633296A - 一种基于聚类分析的视觉工业零部件明暗等级划分方法 - Google Patents

一种基于聚类分析的视觉工业零部件明暗等级划分方法 Download PDF

Info

Publication number
CN112633296A
CN112633296A CN202011575822.4A CN202011575822A CN112633296A CN 112633296 A CN112633296 A CN 112633296A CN 202011575822 A CN202011575822 A CN 202011575822A CN 112633296 A CN112633296 A CN 112633296A
Authority
CN
China
Prior art keywords
method based
histogram
cluster analysis
classifying
visual
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
Application number
CN202011575822.4A
Other languages
English (en)
Inventor
邱增帅
王肖亮
王罡
潘正颐
侯大为
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.)
Changzhou Weiyizhi Technology Co Ltd
Original Assignee
Changzhou Weiyizhi Technology 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 Changzhou Weiyizhi Technology Co Ltd filed Critical Changzhou Weiyizhi Technology Co Ltd
Priority to CN202011575822.4A priority Critical patent/CN112633296A/zh
Publication of CN112633296A publication Critical patent/CN112633296A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于聚类分析的视觉工业零部件明暗等级划分方法，具体步骤是：相机采集训练图集：利用工业相机采集训练图片；分解成部分图集：截取要测量部分的图片；直方图：使用灰度直方图来表示测量图片的亮度特征；PCA降维：把直方图特征投影到新的低维特征区间；K‑means聚类算法：把相近的特征归类在一起；生成SVM分类模型：使用SVM寻找分类的超平面，在找到决策面生成SVM模型之后就能对新的数据进行分类，应用于图像处理中，分类明暗图像，以提高边缘检测的准确度。该基于聚类分析的视觉工业零部件明暗等级划分方法，对于无法确定各个部位亮度的原始图片做细致划分，以确保在每个情况下都能找到准确的边缘。

Description

一种基于聚类分析的视觉工业零部件明暗等级划分方法
技术领域
本发明涉及图像处理的技术领域，尤其是一种基于聚类分析的视觉工业零部件明暗等级划分方法。
背景技术
目前，现有的亮度分类方法大多都是直接通过图像整体像素值的大小来进行分类，容易受到没有意义的边缘空白处的影响，或者每个不同部位由于材质和光照的不同，黑白程度也会相互影响。亮度的分类主要是为了阈值分割和边缘检测时能够有一个良好的效果，因为仅凭一个固定的阈值参数很难适用所有的情况，特别是图像边缘部分往往有一个过渡地带，过渡地带的中心才是需要找的准确的边缘。由于光照条件、表面纹理、工件高低变化等因素，无法确保每张图片以及每个部位的明暗程度。然而，为了进行精确的工业测量，必须找到工件准确的边缘。
发明内容
本发明要解决的技术问题是：为了解决上述背景技术中存在的问题，提供一种基于聚类分析的视觉工业零部件明暗等级划分方法，对于无法确定各个部位亮度的原始图片做细致划分，以确保在每个情况下都能找到准确的边缘。
本发明解决其技术问题所采用的技术方案是：一种基于聚类分析的视觉工业零部件明暗等级划分方法，具体步骤如下：
第一步骤、相机采集训练图集：利用工业相机采集训练图片；
第二步骤、分解成部分图集：截取要测量部分的图片；
第三步骤、直方图：使用灰度直方图来表示测量图片的亮度特征；
第四步骤、PCA降维：把直方图特征投影到新的低维特征区间；
第五步骤、K-means聚类算法：把相近的特征归类在一起；
第六步骤、生成SVM分类模型：使用SVM寻找分类的超平面，在找到决策面生成SVM模型之后就能对新的数据进行分类，应用于图像处理中，分类明暗图像，以提高边缘检测的准确度。
进一步具体地说，上述技术方案中，在第五步骤中，具体步骤如下：
第1步骤、首先随机选取K个对象作为初始的聚类中心；
第2步骤、然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。
进一步具体地说，上述技术方案中，聚类过程是：对于无标签的点，初始的聚类中心经过对其距离的计算把特征点分成两类，聚类中心更新至两类点集的中心后再次计算距离重新分类，最后得到一个确定的位置，即为K-means的聚类中心。
进一步具体地说，上述技术方案中，在第三步骤中，所述的灰度直方图去除 0～20像素值的背景部分。
进一步具体地说，上述技术方案中，在第四步骤中，把236维的直方图特征投影到新的低维特征区间。
进一步具体地说，上述技术方案中，在第五步骤中，所述的K-means中的K 为3～5。
本发明的有益效果是：本发明的一种基于聚类分析的视觉工业零部件明暗等级划分方法，利用图像灰度直方图的明暗分类先把需要的部位提取出来，生成灰度直方图特征，再使用PCA降维，K-means聚类算法生成有标签的样本，最后使用SVM生成分类模型，生成分类模型以后，对每个类别都设置相应的参数，从而达到良好的边缘检测效果，对于无法确定各个部位亮度的原始图片做细致划分，以确保在每个情况下都能找到准确的边缘，使在不同光照条件、纹理材质、高低变化而导致明暗程度不同的边缘能够准确的检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1.1是工业相机采集原图；
图1.2是图1.1中A处的局部放大图；
图1.3是图1.1中B处的局部放大图；
图1.4是图1.2的对比图；
图2.1是图1.2的灰度直方图；
图2.2是图1.4的灰度直方图；
图3.1是K-means聚类算法过程示意图；
图3.2是SVM分类过程示意图；
图4是聚类后不同亮度的图片示意；
图5.1是本发明的分类流程图；
图5.2是边缘检测效果对比图。
图6是K不同取值对比图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
见图5.1，一种基于聚类分析的视觉工业零部件明暗等级划分方法，具体步骤如下：
第一步骤、相机采集训练图集：利用工业相机采集训练图片；
见图1.1，从工业相机中获取的图片是关于整个工件的整体图。
第二步骤、分解成部分图集：截取要测量部分的图片；
见图1.2和图1.3，需要先截取要测量部分的图，不同部位的亮度是有比较明显的差别的。
见图1.3，图中右上角的边缘部分依然有明显的黑白变化。
见图1.2和图1.4，对于同一部位，不同的整体图中的亮度也是不同的。
以上这些明暗变化在现实情况下是很难避免的，所以就需要在边缘检测之前进行分类。
第三步骤、直方图：使用灰度直方图来表示测量图片的亮度特征；
见图2.1和图2.2，图像的亮度来源于灰度图像的灰度值的大小，使用灰度直方图，即采用不同灰度值像素的数量来表示图片的亮度特征，图2.1对应图 1.2的直方图特征，图2.2对应图1.4的直方图特征。从图中可得，灰度直方图中横坐标上0～20部分两张图都相似，而20以后的像素值有不同的波型。如图 2.1像素值200以上部分明显比图2.2中的相同部分高，由此对应的是图1.2的亮度大于图1.4的亮度。
由于关注的区域只是工件表面的部分，所以灰度直方图需要去除低像素值部分，比如说去除0～20像素部分，这样每张图片都能获得一个236维的特征。0～20像素部分的选取取决于背景黑色部分的像素值，在本方案采集的图像中，背景部分的像素值基本小于20，而工件表面的像素值都在40及以上，所以在尽量不损失工件部分的情况下，去除0～20像素值的背景部分。
当然，直方图特征亦可以用图像不同区域的灰度平均值替代。
第四步骤、PCA降维：把直方图特征投影到新的低维特征区间；
获取图像特征以后，再对图像进行PCA(Principal Component Analysis 主成分分析)降维，在尽量保留特征信息的情况下，把236维的直方图特征投影到新的低维特征区间。低维空间是由训练数据的协方差矩阵的特征值和特征向量中，通过特征值从大到小排列的前n个特征向量所决定的。在本发明中，根据采集到的训练数据集，归一化后，用PCA保留95％的数据信息，特征维数就降到6维，即特征值从大到小的前6维占特征值总和的95％，并获得把236维转化到6维的投影矩阵。
第五步骤、K-means聚类算法：把相近的特征归类在一起；
在PCA降维过后，再进行K-means聚类算法，目的是把相近的特征归类在一起，即把相似亮度的测量图片分在一起。K-means聚类算法是一种迭代求解的聚类分析算法，其步骤是：选取K个对象作为初始的聚类中心，其中K为用户指定分类的类别数，然后计算每个对象与各个种子聚类中心之间的欧式距离，把每个对象分配给距离它最近的聚类中心。每个对象到K 个聚类中心的距离分别为{d1,d2,...,dk}，选取最小值dmin，其中min代表的那个聚类中心就是这个对象所分配的类别。分配给同一个类的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算，为该类所有对象的平均值。然后重新计算上一步的dmin把对象重新分类。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。
见图3.1，以K-means(K为需要分类的类别数)中的K＝2为例，其聚类过程是：对于无标签的点(见图3.1a)，初始的聚类中心(见图3.1b)经过对其距离的计算把特征点分成(见图3.1c)两类(由于K＝2)，聚类中心更新至两类点集的中心后(见图3.1d)再次计算距离重新分类(见图3.1e)，最后得到一个确定的位置(见图3.1f)，即为K-means的聚类中心。
见图4，在本发明中，需要选择明暗分类的类别数，初步定为3～5类之间选择。原因是已有训练数据有限(46张)，如果K值选择过大，如K＝10，那平均每类只有4～5张，不具有通用性可能存在特例，单个图像对整体的影响偏大。另外，类数太多的话，每类的区分度不大，而3～5类对于每一个部位都能比较好的分出明暗区别明显的图像。而在3～5类中的选择则是依靠下文中的聚类度量指标进行确定的。聚类度量指标能评价不同类的类间距离和每个类的聚合程度，从而确定分类效果。简单的说，不同类类间距离越大，每个类聚合程度越高，分类效果越好。如图6所示，在相同的特征点分布情况下，左图分成3类，其不同类间分离度比较大，每个类各自的数据点比较集中；而右图分成4类，其类间距离较小，且类中的点比较分散。在这种情况下，分成3类的聚类度量指标优于4类的。聚类结果：从左到右分别是从暗到亮的三类。
对于聚类，还尝试过meanshift(mean shift聚类算法)和DBSCAN (Density-BasedSpatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)。meanshift无法确定分类的类别数量，对于高维未知的训练集时，可能会分为不恰当的类别数，如只分成2类或过多。另外，当使用分类评价分数(silhouette score、calinskiharabasz score以及davies bouldin score)进行评估时，meanshift都是K-means、meanshift和DBSCAN三者中最差的。DBSCAN 不能直接选择类别数，但是可以通过设置半径和聚类最小的点集数量来控制分类的类别数。然而，半径和聚类最小的点集数量很难设定，而且DBSCAN 另一个不足是再规定的参数下，可能无法将所有的训练集中的样本都分类，甚至会造成很多无法分类的点。因此选择K-means进行聚类，它能设定分类的类别数，而且能将所有样本都分到对应的类中。对于K＝3类别数目的选择，是在统计了不同类别数下，三种聚类度量指标(silhouette score、calinski harabasz score以及davies bouldinscore)的数值和变化后确定的。
第六步骤、生成SVM分类模型：使用SVM寻找分类的超平面，在找到决策面生成SVM模型之后就能对新的数据进行分类，应用于图像处理中，分类明暗图像，以提高边缘检测的准确度；
通过K-means聚类算法之后，训练集的每张图片都有一个对应的标签，都对应了一种光照亮度。已知这些数据之后，使用SVM(Support Vector Machines支持向量机)寻找分类的超平面。
见图3.2，图中以二分类为例，(a)图表示已知类别的数据点分布。(b) 图中两条平行虚线正中间的分界线就是在保持当前决策面方向不变的前提下的最优决策面。两条平行虚线中上方一条的要求是对于灰色点集中的所有点m，虚线表达式y＝kx+b中k和b需要满足，km+b≧0；对于黑色点集中的所有点n，虚线表达式y＝kx+b中k和b需要满足，kn+b<0。而下方一条虚线需要满足，对于灰色点集中的所有点m，km+b>0；对于黑色点集中的所有点n，kn+b≦0。两条虚线斜率k相同，且分别于两类中最接近的点相交。两条虚线之间的垂直距离就是这个最优决策面对应的分类间隔。两平行线间的距离由一条直线上任取一点和点到直线距离公式获得。公式如下，其中A，B，C为直线一般式(Ax+By+C＝0)的系数，x和y为另一条直线上的点。
Figure RE-RE-GDA0002966029350000081
如图(c)，那个具有“最大间隔”的决策面就是SVM要寻找的最优解。在找到决策面生成SVM模型之后就能对新的数据进行分类，应用于图像处理中。
见图5.1，对于分类之后的图片，在进行阈值分割时，根据分类的明暗效果，每一类需要对实际分类后的图片进行测试，找到对应一个阈值，从而使边缘能够正确的找到。
见图5.2，图上的点为边缘检测点，可以发现只用一个阈值的边缘检测效果在不同亮度情况下表现不佳。图5.2的左图中不仅有跑到边缘外部去的点，其实在边缘处的点也是偏向工件上边的，而图5.2的右图中边缘检测点是比较准确的落在了边缘上。由于图像的边缘是一个从暗到亮的过渡地带，不能把阈值设定的太低，因为太低会导致边缘远离工件，而阈值设太高又会导致像图5.2的左图中边缘点跑到工件里面去，最准确的应该是在明暗过渡的中间，所以对图像明暗分类并对应每种亮度分别设定不同的边缘检测参数能够提高边缘检测的准确度。
该基于聚类分析的视觉工业零部件明暗等级划分方法，利用图像灰度直方图的明暗分类先把需要的部位提取出来，生成灰度直方图特征，再使用PCA降维， K-means聚类算法生成有标签的样本，最后使用SVM生成分类模型，生成分类模型以后，对每个类别都设置相应的阈值和适当的边缘检测参数，从而达到良好的边缘检测效果，对于无法确定各个部位亮度的原始图片做细致划分，以确保在每个情况下都能找到准确的边缘，使在不同光照条件、纹理材质、高低变化而导致明暗程度不同的边缘能够准确的检测。
以上所述的，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于聚类分析的视觉工业零部件明暗等级划分方法，其特征在于，具体步骤如下：
第一步骤、相机采集训练图集：利用工业相机采集训练图片；
第二步骤、分解成部分图集：截取要测量部分的图片；
第三步骤、直方图：使用灰度直方图来表示测量图片的亮度特征；
第四步骤、PCA降维：把直方图特征投影到新的低维特征区间；
第五步骤、K-means聚类算法：把相近的特征归类在一起；
第六步骤、生成SVM分类模型：使用SVM寻找分类的超平面，在找到决策面生成SVM模型之后就能对新的数据进行分类，应用于图像处理中，分类明暗图像，以提高边缘检测的准确度。
2.根据权利要求1所述的一种基于聚类分析的视觉工业零部件明暗等级划分方法，其特征在于：在第五步骤中，具体步骤如下：
第1步骤、首先随机选取K个对象作为初始的聚类中心；
第2步骤、然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。
3.根据权利要求2所述的一种基于聚类分析的视觉工业零部件明暗等级划分方法，其特征在于，聚类过程是：对于无标签的点，初始的聚类中心经过对其距离的计算把特征点分成两类，聚类中心更新至两类点集的中心后再次计算距离重新分类，最后得到一个确定的位置，即为K-means的聚类中心。
4.根据权利要求1所述的一种基于聚类分析的视觉工业零部件明暗等级划分方法，其特征在于：在第三步骤中，所述的灰度直方图去除0～20像素值的背景部分。
5.根据权利要求1所述的一种基于聚类分析的视觉工业零部件明暗等级划分方法，其特征在于：在第四步骤中，把236维的直方图特征投影到新的低维特征区间。
6.根据权利要求1所述的一种基于聚类分析的视觉工业零部件明暗等级划分方法，其特征在于：在第五步骤中，所述的K-means中的K为3～5。
CN202011575822.4A 2020-12-28 2020-12-28 一种基于聚类分析的视觉工业零部件明暗等级划分方法 Pending CN112633296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011575822.4A CN112633296A (zh) 2020-12-28 2020-12-28 一种基于聚类分析的视觉工业零部件明暗等级划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011575822.4A CN112633296A (zh) 2020-12-28 2020-12-28 一种基于聚类分析的视觉工业零部件明暗等级划分方法

Publications (1)

Publication Number Publication Date
CN112633296A true CN112633296A (zh) 2021-04-09

Family

ID=75325646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011575822.4A Pending CN112633296A (zh) 2020-12-28 2020-12-28 一种基于聚类分析的视觉工业零部件明暗等级划分方法

Country Status (1)

Country Link
CN (1) CN112633296A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492572A (zh) * 2021-12-21 2022-05-13 成都产品质量检验研究院有限责任公司 基于机器学习聚类算法的材质结构归类方法及系统
CN117745622A (zh) * 2024-02-21 2024-03-22 深圳市盘古环保科技有限公司 一种垃圾渗滤液膜浓缩液催化氧化装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1877637A (zh) * 2006-06-20 2006-12-13 长春工业大学 一种基于微机的医学图像模板匹配方法
CN102393914A (zh) * 2011-10-28 2012-03-28 华中科技大学 一种基于支持向量机分类树的地基云图识别方法
CN103473739A (zh) * 2013-08-15 2013-12-25 华中科技大学 一种基于支持向量机的白细胞图像精确分割方法与系统
CN104239900A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于k均值和深度svm的极化sar图像分类方法
CN105389593A (zh) * 2015-11-16 2016-03-09 上海交通大学 基于surf特征的图像物体识别方法
CN109447998A (zh) * 2018-09-29 2019-03-08 华中科技大学 基于PCANet深度学习模型下的自动分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1877637A (zh) * 2006-06-20 2006-12-13 长春工业大学 一种基于微机的医学图像模板匹配方法
CN102393914A (zh) * 2011-10-28 2012-03-28 华中科技大学 一种基于支持向量机分类树的地基云图识别方法
CN103473739A (zh) * 2013-08-15 2013-12-25 华中科技大学 一种基于支持向量机的白细胞图像精确分割方法与系统
CN104239900A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于k均值和深度svm的极化sar图像分类方法
CN105389593A (zh) * 2015-11-16 2016-03-09 上海交通大学 基于surf特征的图像物体识别方法
CN109447998A (zh) * 2018-09-29 2019-03-08 华中科技大学 基于PCANet深度学习模型下的自动分割方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
刘玉良 等，: "《深度学习》", 31 January 2020 *
崔群海，: "基于支持向量机的成纱质量监测方法研究", 《电子质量》 *
柯永振 等，: "结合支持向量机与C均值聚类的图像分割", 《计算机应用》 *
潘晨 等: "基于MEAN-SHIFT和SVM的血细胞图像分割", 《仪器仪表学报》 *
王立梅 等，: "基于k均值聚类的直推式支持向量机学习算法", 《计算机工程与应用》 *
许芹 等，: "改进的快速模糊C均值聚类图像分割算法", 《南京理工大学学报》 *
邵乔林 等，: "基于邻域直方图的玉米田绿色植物图像分割方法", 《江西农业学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492572A (zh) * 2021-12-21 2022-05-13 成都产品质量检验研究院有限责任公司 基于机器学习聚类算法的材质结构归类方法及系统
CN114492572B (zh) * 2021-12-21 2022-10-28 成都产品质量检验研究院有限责任公司 基于机器学习聚类算法的材质结构归类方法及系统
CN117745622A (zh) * 2024-02-21 2024-03-22 深圳市盘古环保科技有限公司 一种垃圾渗滤液膜浓缩液催化氧化装置
CN117745622B (zh) * 2024-02-21 2024-05-07 深圳市盘古环保科技有限公司 一种垃圾渗滤液膜浓缩液催化氧化装置

Similar Documents

Publication Publication Date Title
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN115861135B (zh) 一种应用于箱体全景探测的图像增强及识别方法
CN115311292B (zh) 基于图像处理的带钢表面缺陷检测方法及系统
CN106228545B (zh) 一种佛像类唐卡一致性破损区域的自动分割方法
CN115249246B (zh) 一种光学玻璃表面缺陷检测方法
US20160210523A1 (en) Image processing system for cluttered scenes and method of operation thereof
CN111738271B (zh) 自然环境中被遮挡果实的识别方法
JP2015533434A (ja) 教師あり形状ランク付けに基づく生物学的単位の識別
CN115018845B (zh) 一种润滑油磨粒质量检测方法
CN111965197B (zh) 一种基于多特征融合的缺陷分类方法
CN112633296A (zh) 一种基于聚类分析的视觉工业零部件明暗等级划分方法
CN107305691A (zh) 基于图像匹配的前景分割方法及装置
CN107230188A (zh) 一种视频运动阴影消除的方法
CN111160373B (zh) 一种变速鼓零件缺陷图像特征提取以及检测分类方法
US20130308851A1 (en) Irradiation Field Recognition
CN106407959A (zh) 基于小波变换和svm的低照度的复杂背景车牌定位方法
CN116523923B (zh) 一种电池外壳缺陷识别方法
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN111242957A (zh) 一种数据处理方法、装置及计算机存储介质和电子设备
CN107516315B (zh) 一种基于机器视觉的掘进机出渣监测方法
CN117351001A (zh) 一种再生铝合金模板表面缺陷识别方法
CN116309577A (zh) 一种高强传送带物料智能检测方法及系统
JP2005537578A (ja) 紙の特徴付け
CN108537815B (zh) 一种视频图像前景分割方法和装置

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

Application publication date: 20210409

RJ01 Rejection of invention patent application after publication