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 |