CN112818980A - 一种基于Yolov3算法的钢包号检测识别方法 - Google Patents
一种基于Yolov3算法的钢包号检测识别方法 Download PDFInfo
- Publication number
- CN112818980A CN112818980A CN202110057749.XA CN202110057749A CN112818980A CN 112818980 A CN112818980 A CN 112818980A CN 202110057749 A CN202110057749 A CN 202110057749A CN 112818980 A CN112818980 A CN 112818980A
- Authority
- CN
- China
- Prior art keywords
- ladle
- image
- numbers
- steel
- steel ladle
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 49
- 239000010959 steel Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000009628 steelmaking Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Yolov3算法的钢包号检测识别方法，所述的方法包括以下步骤：步骤1：在钢包外壁印制醒目的标准数字，并在钢包必经位置处部署高清摄像头，以便识别钢包外壁所印制的数字；步骤2：使用高斯平滑滤波器去除钢包号图像中的噪声，并对图像中的钢包号和数字进行标注；步骤3：使用标注好的数据集训练Yolov3模型，待到模型收敛后，得到一组网络权重；步骤4：使用训练完成的网络权重，计算待识别图像的钢包号和数字；本发明无需对钢包号进行设计编码，可以准确地识别直观的数字；可以很好的适应炼钢车间的复杂环境，提取到图像更深层的特征；检测准确率较高，误检与漏检的情况较少。
Description
技术领域
本发明涉及钢铁生产过程信息化技术领域，具体是一种基于Yolov3算法 的钢包号检测识别方法。
背景技术
钢包在炼钢车间流转过程中，为了正确匹配钢包与其所携带的钢水信息， 并监测钢包使用状态，需要对钢包进行跟踪管理；为确保钢包作业安全、有 序、高效的进行，使用钢包号自动识别技术尤为关键；由于炼钢车间的恶劣 环境，由于高温钢水的影响，采集到的图像的光照条件复杂，空中灰尘使得 图像噪声较大。
公告号为CN110321751A的中国发明专利公开了一种钢包号识别的方法， 是对钢包号进行二进制编码，再将编码焊接在钢包表面上，最后采集钢包图 像进行扫描识别；该方法同样是采集钢包图像，并不能消除图像中光照、噪 声等因素的影响；并且使用编码的方法具有不直观、难以维护等缺点。
早期的图像识别技术主要是基于人工选取特征的方法，再结合浅层神经 网络分类器，达到识别的效果；这类方法非常依赖专家的先验知识，并且这 种方法对图像特征选取的数量有限，不能完全适应不同的环境条件，识别的 准确率较低。
发明内容
本发明的目的在于提供一种基于Yolov3算法的钢包号检测识别方法，以 解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于Yolov3算法的钢包号检测识别方法，所述的方法包括以下步骤：
步骤1：在钢包外壁印制醒目的标准数字，并在钢包必经位置处部署高清 摄像头，以便识别钢包外壁所印制的数字；
步骤2：使用高斯平滑滤波器去除钢包号图像中的噪声，并对图像中的钢 包号和数字进行标注；
步骤3：使用标注好的数据集训练Yolov3模型，待到模型收敛后，得到 一组网络权重；
步骤4：使用训练完成的网络权重，计算待识别图像的钢包号和数字；
步骤5：将计算出钢包号码的有效区域范围，并将数字组合得出最终结果。
优选的，在钢包外壁印制醒目的标准数字，并且在号码外部加上外圈以 避免其他数字的干扰。
优选的，采集到的钢包图像首先使用高斯平滑滤波器进行去噪声预处理， 然后标注出每个数字和钢包号整体。
优选的，使用标注好的钢包号码数据集，不断地迭代优化Yolov3模型， 即代表图像特征的卷积神经网络。得到最终适用于钢包识别的网络模型。
优选的，首先找到钢包号整体，排除钢包号范围外的干扰数字；找到有 效范围的数字后，再根据x坐标进行排序，并组合为最终结果。
与现有技术相比，本发明的有益效果是：
1、无需对钢包号进行设计编码，可以准确地识别直观的数字；
2、可以很好的适应炼钢车间的复杂环境，提取到图像更深层的特征；
3、检测准确率较高，误检与漏检的情况较少。
附图说明
图1为本发明一种基于Yolov3算法的钢包号检测识别方法的流程图；
图2为本发明一种基于Yolov3算法的钢包号检测识别方法的钢包号印制 图；
图3为发明一种基于Yolov3算法的钢包号检测识别方法的对钢包号进行 识别的效果图；
图4为发明一种基于Yolov3算法的钢包号检测识别方法的Yolov3算法检 测效果图；
图5为发明一种基于Yolov3算法的钢包号检测识别方法的Yolov3算法程 序图；
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
一种基于Yolov3算法的钢包号检测识别方法，方法包括以下步骤：
步骤1：在钢包外壁印制醒目的标准数字，并在钢包必经位置附近部署高 清摄像头。为了避免钢包上其他位置的数字和非钢包上的数字干扰，在钢包 号外画一个范围圈，在识别钢包号时，只选择圈内的数字；
步骤2：在接收到上位机发送的钢包到达信号时，调用相机拍摄，采集钢 包图像；接着使用高斯平滑滤波器对图像去噪；然后对图像中的钢包号码及 阿拉伯数字进行标注，构建适用于Yolov3训练的目标检测数据集；最后使用 k-means聚类算法计算出适应钢包号及数字的锚点框尺寸；
步骤3：配置适用于钢包检测数据集的网络模型训练超参数；训练卷积神 经网络Yolov3模型直到网络模型收敛；
步骤4：使用训练好的Yolov3模型来检测新的图像；计算出检测到的钢 包号和数字；
步骤5：根据计算的钢包号在图像中的坐标，确定钢包号在图像中的范围， 并且删除不在此范围的数字；将有效范围内的数字按中心点X坐标排序；最 后组合为最终的钢包号。
实施例1
本案例是将印制号的钢包号模板焊接在钢包外壁；如图2所示，钢包号 模板是一块圆形铁制模板，从中间扣出对应的号码数字，将模板焊接在合适 的位置后，使用白色耐高温蜡笔填图模板中的数字空隙，并在外圈画出圆； 这样做可以和钢包背景颜色形成较大的色差对比，同时焊制的模板可以保证 数字长久有效；在外部画圈的目的是为了只识别圈中的数字，防止其他位置 数字的干扰。
在接收到上位机发送的钢包到达信号时，调用相机拍摄图像，保存钢包 图像作为训练数据；上位机到达信号主要是根据天车吊钢包的位置和重量信 息来判断。
实施例2
本实施例在采集3000余张图像后，首先使用高斯平滑滤波器对图像进行 去噪，图像去噪声后的效果如图3；高斯平滑滤波器使整张图像均匀平滑，去 除细节，过滤掉噪声；不同于均值滤波器，高斯平滑滤波器的核内的数是呈 现高斯分布的，二维高斯分布公式如下：
G(x,y)＝1/(2πσ^2)e^(-(x^2+y^2)/(2σ^2))
其中σ为高斯参数，它决定了高斯滤波器的宽度；σ值越大，模分布图 越扁平，模版越大。
然后使用标注工具labelImg对去噪后的图像集进行标注，每一个标注的 信息包括类别classes和对应像素框的“x”,“y”,“w”,“h”，x，y代 表图像中一个像素点的坐标，即像素框的左上角坐标。w，h代表像素框的宽 度和高度；标注的类别包含11类:ladle_num,0,1,2,3,4,5,6,7,8, 9。其中“ladle_num”表示整个钢包号加上外圈，各个数字代表对应的类别
实施例3
Yolov3算法使用darkNet53卷积神经网络作为特征提取的基础网络， darkNet53结构图如图5，Yolov3算法描述为：(1)首先按将图像划分为S*S 固定的网格，如果目标中心落在对应网格，该网格负责这个目标的检测；(2) 其中每个网格对落在网格中的B个物体进行分类，得到物体所属类别的概率， 然后回归预测其位置信息，最后将位置坐标和类别概率整合为一串信息；(3) 由于每个物体包含多个预测框，使用非极大值抑制算法，筛选出每个物体概 率最高的边框；(4)最后网络的输出是每个网格的对应类别和位置信息。
Yolov3损失函数如下：
其中，网格一共是S*S个，每个网格产生B个候选框，最终会得到S*S* B个边界框；I_ij^obj表示第i个网格的第j个边界框，如果边界框负责目 标物则为1,否则为0。
损失函数前两项为中心坐标误差和宽高坐标误差，两项坐标误差时为了 表示预测框的坐标位置；x^，y^，w^，h^分别代表预测框的(x,y)坐标 和宽高。
第三项和第四项时置信度误差，第三项是存在预测对象的候选框的置信 度误差，第四项是不存在预测对象的候选框的置信度误差；C^表示预测框物 体所代表的类别。
最后一项是分类误差，分类误差选择了交叉熵作为损失函数；p^表示预 测类别的概率。
训练Yolov3模型的过程，使用梯度下降法，安装一定的学习率一步步迭 代优化，求得损失函数得最优解。
模型训练完成后，在用于检测钢包号时，因为钢包或其他区域包含数字； 所以，首先找到ladle_num类的框，根据其坐标确定钢包号所在的范围，将 中心点不在这个范围的数字都排除掉；剩下检测到的数字，按照x坐标大小 排序，再组合为最终的钢包号结果；使用yolo算法检测效果如图4。
与印制编码和使用早期图像处理技术相比，本发明提出的一种基于 Yolov3算法的钢包号检测识别方法，在处理印制钢包号时更为简单易行，识 别准确率更高，误检和漏检的情况极少；推动了钢铁生产过程信息化的发展。
虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个 独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人 员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合， 形成本领域技术人员可以理解的其他实施方式。
故以上所述仅为本申请的较佳实施例，并非用来限定本申请的实施范围； 即凡依本申请的权利要求范围所做的各种等同变换，均为本申请权利要求的 保护范围。
Claims (5)
1.一种基于Yolov3算法的钢包号检测识别方法，其特征在于：所述的方法包括以下步骤：
步骤1：在钢包外壁印制醒目的标准数字，并在钢包必经位置处部署高清摄像头，以便识别钢包外壁所印制的数字；
步骤2：使用高斯平滑滤波器去除钢包号图像中的噪声，并对图像中的钢包号和数字进行标注；
步骤3：使用标注好的数据集训练Yolov3模型，待到模型收敛后，得到一组网络权重；
步骤4：使用训练完成的网络权重，计算待识别图像的钢包号和数字；
步骤5：将计算出钢包号码的有效区域范围，并将数字组合得出最终结果。
2.根据权利要求1所述的一种基于Yolov3算法的钢包号检测识别方法，其特征在于，在钢包外壁印制醒目的标准数字，并且在号码外部加上外圈以避免其他数字的干扰。
3.根据权利要求1所述的一种基于Yolov3算法的钢包号检测识别方法，其特征在于，采集到的钢包图像首先使用高斯平滑滤波器进行去噪声预处理，然后标注出每个数字和钢包号整体。
4.根据权利要求1所述的一种基于Yolov3算法的钢包号检测识别方法，其特征在于，使用标注好的钢包号码数据集，不断地迭代优化Yolov3模型，即代表图像特征的卷积神经网络，得到最终适用于钢包识别的网络模型。
5.根据权利要求1所述的一种基于Yolov3算法的钢包号检测识别方法，其特征在于，首先找到钢包号整体，排除钢包号范围外的干扰数字；找到有效范围的数字后，再根据x坐标进行排序，并组合为最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110057749.XA CN112818980A (zh) | 2021-01-15 | 2021-01-15 | 一种基于Yolov3算法的钢包号检测识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110057749.XA CN112818980A (zh) | 2021-01-15 | 2021-01-15 | 一种基于Yolov3算法的钢包号检测识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112818980A true CN112818980A (zh) | 2021-05-18 |
Family
ID=75869810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110057749.XA Pending CN112818980A (zh) | 2021-01-15 | 2021-01-15 | 一种基于Yolov3算法的钢包号检测识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818980A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230014296A (ko) * | 2021-07-21 | 2023-01-30 | 현대제철 주식회사 | 딥러닝을 이용한 래들 트래킹 시스템 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109284755A (zh) * | 2018-11-02 | 2019-01-29 | 杭州钱江称重技术有限公司 | 基于计算机图像识别技术的铁钢包号识别系统 |
| CN208938126U (zh) * | 2018-11-02 | 2019-06-04 | 杭州钱江称重技术有限公司 | 基于计算机图像识别技术的铁钢包号识别系统 |
| CN110222629A (zh) * | 2019-06-03 | 2019-09-10 | 中冶赛迪重庆信息技术有限公司 | 一种钢铁场景下的包号识别方法以及包号识别系统 |
| CN110321751A (zh) * | 2019-04-29 | 2019-10-11 | 北京科技大学 | 一种钢包包号识别方法 |
| KR20200007192A (ko) * | 2018-07-12 | 2020-01-22 | 주식회사 한컴엠디에스 | 래들 및 래들 식별 번호 인식 시스템 |
| CN110751138A (zh) * | 2019-09-09 | 2020-02-04 | 浙江工业大学 | 一种基于yolov3和CNN的盘头标识识别方法 |
| CN111160368A (zh) * | 2019-12-24 | 2020-05-15 | 中国建设银行股份有限公司 | 图像中目标检测方法、装置、设备及存储介质 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
-
2021
- 2021-01-15 CN CN202110057749.XA patent/CN112818980A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200007192A (ko) * | 2018-07-12 | 2020-01-22 | 주식회사 한컴엠디에스 | 래들 및 래들 식별 번호 인식 시스템 |
| CN109284755A (zh) * | 2018-11-02 | 2019-01-29 | 杭州钱江称重技术有限公司 | 基于计算机图像识别技术的铁钢包号识别系统 |
| CN208938126U (zh) * | 2018-11-02 | 2019-06-04 | 杭州钱江称重技术有限公司 | 基于计算机图像识别技术的铁钢包号识别系统 |
| WO2020164282A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技（深圳）有限公司 | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 |
| CN110321751A (zh) * | 2019-04-29 | 2019-10-11 | 北京科技大学 | 一种钢包包号识别方法 |
| CN110222629A (zh) * | 2019-06-03 | 2019-09-10 | 中冶赛迪重庆信息技术有限公司 | 一种钢铁场景下的包号识别方法以及包号识别系统 |
| CN110751138A (zh) * | 2019-09-09 | 2020-02-04 | 浙江工业大学 | 一种基于yolov3和CNN的盘头标识识别方法 |
| CN111160368A (zh) * | 2019-12-24 | 2020-05-15 | 中国建设银行股份有限公司 | 图像中目标检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 尹子豪: "热连轧钢坯编码字符识别与测温系统研究与实现", 中国优秀硕士学位论文全文数据库 工程科技I辑, no. 10, 15 October 2020 (2020-10-15), pages 022 - 33 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230014296A (ko) * | 2021-07-21 | 2023-01-30 | 현대제철 주식회사 | 딥러닝을 이용한 래들 트래킹 시스템 |
| KR102667656B1 (ko) * | 2021-07-21 | 2024-05-22 | 현대제철 주식회사 | 딥러닝을 이용한 래들 트래킹 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106407883B (zh) | 一种复杂表格及其内部手写数字识别方法 | |
| CN112052797A (zh) | 基于MaskRCNN的视频火灾识别方法及系统 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN110717896B (zh) | 基于显著性标签信息传播模型的板带钢表面缺陷检测方法 | |
| CN105868708B (zh) | 一种图像目标识别方法及装置 | |
| CN109460735B (zh) | 基于图半监督学习的文档二值化处理方法、系统、装置 | |
| CN109685065B (zh) | 试卷内容自动分类的版面分析方法、系统 | |
| CN103268481A (zh) | 一种复杂背景图像中的文本提取方法 | |
| CN111178190B (zh) | 基于深度图像的目标检测方法、装置及存储介质 | |
| CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
| CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
| CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
| CN108765409A (zh) | 一种基于ct图像的候选结节的筛选方法 | |
| Song et al. | Boundary-to-marker evidence-controlled segmentation and MDL-based contour inference for overlapping nuclei | |
| CN115311507A (zh) | 基于数据处理的建筑板材分类方法 | |
| CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
| CN112435214A (zh) | 基于先验框线性缩放的花粉检测方法、装置和电子设备 | |
| CN115546232A (zh) | 一种肝脏超声图像工作区域提取方法、系统及电子设备 | |
| CN112818980A (zh) | 一种基于Yolov3算法的钢包号检测识别方法 | |
| CN114419006A (zh) | 一种随背景变化的灰度视频文字类水印去除方法及系统 | |
| Fang et al. | Towards real-time crack detection using a deep neural network with a Bayesian fusion algorithm | |
| CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
| JP7233251B2 (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
| CN103971376A (zh) | 应用程序执行方法和装置 | |
| CN112734807A (zh) | 一种基于计算机视觉的板坯在连铸辊道上自动跟踪的方法 |
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 |