CN112906656A - 水下照片珊瑚礁识别方法、系统及存储介质 - Google Patents

水下照片珊瑚礁识别方法、系统及存储介质 Download PDF

Info

Publication number
CN112906656A
CN112906656A CN202110339733.8A CN202110339733A CN112906656A CN 112906656 A CN112906656 A CN 112906656A CN 202110339733 A CN202110339733 A CN 202110339733A CN 112906656 A CN112906656 A CN 112906656A
Authority
CN
China
Prior art keywords
coral reef
color
image data
coral
underwater
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
CN202110339733.8A
Other languages
English (en)
Inventor
巫建伟
郑新庆
刘正华
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.)
Third Institute of Oceanography MNR
Original Assignee
Third Institute of Oceanography MNR
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 Third Institute of Oceanography MNR filed Critical Third Institute of Oceanography MNR
Priority to CN202110339733.8A priority Critical patent/CN112906656A/zh
Publication of CN112906656A publication Critical patent/CN112906656A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • 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
    • 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
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及海洋珊瑚生物研究技术领域，具体是水下照片珊瑚礁识别方法、系统及存储介质，该方法包括获取水下珊瑚礁的图像数据，根据珊瑚礁图像数据赋予对应的珊瑚礁名称标签；对获取的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚礁的颜色种类、颜色排布方式及轮廓特征，输出特征数据；利用输出的特征数据及对应的名称标签对珊瑚图像数据进行珊瑚礁种类的识别训练；对待识别的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚的颜色种类、颜色排布方式及轮廓特征，根据珊瑚礁种类识别模型对图像中的珊瑚礁的颜色、颜色排布方式及轮廓特征进行识别。

Description

水下照片珊瑚礁识别方法、系统及存储介质
技术领域
本发明涉及海洋珊瑚生物研究技术领域，具体是水下照片珊瑚礁识别方法、系统及存储介质。
背景技术
珊瑚礁中栖息着上万种各类海洋生物，不论是在海洋生态系统结构研究、医药开发、矿产勘探以及古生物、古地质科学研究乃至近海城市防灾方面都有着重要的价值。
现有珊瑚礁多种多样，珊瑚礁种类的识别在稀有珊瑚品种的保护及研究上具有重要的意义。传统珊瑚礁的识别判定方式大多是通过拍照或摄影方式获取图像，并将获取图像进行人工比对识别效率较低。
发明内容
为解决上述问题，本发明提供水下照片珊瑚礁识别方法、系统及存储介质。
本发明过以下技术方案予以实现：
一种水下照片珊瑚礁识别方法，其特征在于，包括：
获取水下珊瑚礁的图像数据，根据珊瑚礁图像数据赋予对应的珊瑚礁名称标签；
对获取的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚礁的颜色种类、颜色排布方式及轮廓特征，输出特征数据；
利用输出的特征数据及对应的名称标签对珊瑚图像数据进行珊瑚礁种类的识别训练；
对待识别的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚的颜色种类、颜色排布方式及轮廓特征，根据珊瑚礁种类识别模型对图像中的珊瑚礁的颜色、颜色排布方式及轮廓特征进行识别；
珊瑚礁种类识别模型识别时，依次对颜色、颜色排布方式及轮廓特征进行识别匹配；
若颜色特征输出的匹配结果等于1，则直接输出识别结果，若颜色特征输出的匹配结果大于1，则进入颜色排布方式匹配判定；
若颜色排布方式匹配的输出结果等于1，则直接输出识别结果，若颜色排布方式匹配的输出结果大于1，则进入轮廓特征匹配判定；
根据轮廓特征的匹配结果，输出识别结果。
进一步的，图像数据的预处理步骤如下：
计算图像每个通道的像素均值；
将图像缩小到224*224像素；
将缩小后图像的各通道的像素值减去上述得到的像素均值，得到预处理后的图像数据。
进一步的，边缘识别模块通过canny边缘检测或Scharr边缘检测方式获取珊瑚礁的轮廓特征。
进一步的，所述珊瑚礁种类识别模型是经训练的Faster R-CNN网络模型，所述珊瑚礁种类识别模型的训练过程包括：
以珊瑚礁的颜色、颜色排布方式及轮廓特征为输入，对珊瑚礁种类识别模型进行训练，直至类识别模型收敛。
进一步的，轮廓特征匹配过程中计算待测图像数据中轮廓特征对应数据库中各种类珊瑚礁对应特征的概率值，概率最高的类别即识别结果。
发明进一步提供了一种水下照片珊瑚礁识别系统，包括：
拍照模块，搭载于水下设备上，用于获取水下珊瑚礁的图像数据；
色彩识别模块，用于获取预处理后图像数据中珊瑚礁的颜色及颜色排布方式；
边缘识别模块，用获取预处理后图像数据中珊瑚礁的轮廓特征；
图像处理识别模块，内含图像数据预数据处理单元及训练好的珊瑚礁种类识别模型；
所述图像数据预数据处理单元，用于对珊瑚礁图像数据进行前期的数据处理工作；
所述训练好的珊瑚礁种类识别模型，用于将获取的珊瑚礁的颜色、颜色排布方式及轮廓特征为输入，自动识别出图像数据中的珊瑚礁种类。
优选的，还包括显示屏，用于显示图像数据中珊瑚礁种类的识别结果。
进一步的，所述图像数据预数据处理单元，具体用于：
计算图像每个通道的像素均值；
将图像缩小到224*224像素；
将缩小后图像的各通道的像素值减去上述得到的像素均值，得到预处理后的图像数据。
所述训练好的珊瑚礁种类识别模型，具体用于：
依次对颜色、颜色排布方式及轮廓特征进行识别匹配；
若颜色特征输出的匹配结果等于1，则直接输出识别结果，若颜色特征输出的匹配结果大于1，则进入颜色排布方式匹配判定；
若颜色排布方式匹配的输出结果等于1，则直接输出识别结果，若颜色排布方式匹配的输出结果大于1，则进入轮廓特征匹配判定；
根据轮廓特征的匹配结果，输出识别结果。
在具有相同硬件基础的情况下，本发明方法具有一定的通配性，因此，本发明还提供一种计算机可读的存储介质，所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现上述所述的水下照片珊瑚礁识别方法。
本发明的有益效果是：
本发明提供的珊瑚礁识别方法能够实现珊瑚礁种类的自动识别，采用多特征逐一比对方式进行珊瑚礁的匹配识别，相比多特征的同时对比能够有效缩短珊瑚礁的识别时间，此外，通过多特征比对方式获得的识别结果也具有较高的识别精度，适宜进一步推广应用。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
附图1是本发明水下照片珊瑚礁识别系统的示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
一种水下照片珊瑚礁识别方法，其特征在于，包括：
获取水下珊瑚礁的图像数据，根据珊瑚礁图像数据赋予对应的珊瑚礁名称标签；
对获取的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚礁的颜色种类、颜色排布方式及轮廓特征，输出特征数据；其中边缘识别模块通过canny边缘检测或Scharr边缘检测方式获取珊瑚礁的轮廓特征。
利用输出的特征数据及对应的名称标签对珊瑚图像数据进行珊瑚礁种类的识别训练；其中珊瑚礁种类识别模型是经训练的Faster R-CNN网络模型，其中珊瑚礁种类识别模型的训练过程包括：
以珊瑚礁的颜色、颜色排布方式及轮廓特征为输入，对珊瑚礁种类识别模型进行训练，直至类识别模型收敛。
对待识别的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚的颜色种类、颜色排布方式及轮廓特征，根据珊瑚礁种类识别模型对图像中的珊瑚礁的颜色、颜色排布方式及轮廓特征进行识别；
珊瑚礁种类识别模型识别时，依次对颜色、颜色排布方式及轮廓特征进行识别匹配；其中颜色匹配是指待测珊瑚礁所包含的颜色种类与数据库中某种珊瑚礁所包含的颜色种类是否相同；同理，颜色排布方式匹配是指待测珊瑚礁的颜色排布方式与数据库中某种珊瑚礁的颜色排布方式是否相同；轮廓特征匹配是指待测珊瑚礁的轮廓特征与数据库中某种珊瑚礁的轮廓特征是否相同；若特征检测结果相同则输出输出数据库中对应珊瑚礁的图像数据特征及对应的名称标签。
若颜色特征输出的匹配结果等于1，则直接输出识别结果，若颜色特征输出的匹配结果大于1，则进入颜色排布方式匹配判定；
若颜色排布方式匹配的输出结果等于1，则直接输出识别结果，若颜色排布方式匹配的输出结果大于1，则进入轮廓特征匹配判定；
根据轮廓特征的匹配结果，输出识别结果。其中轮廓特征匹配过程中计算待测图像数据中轮廓特征对应数据库中各种类珊瑚礁对应特征的概率值，概率最高的类别即识别结果。相比多个特征同时比较的方式，通过特征逐个比较的方式进行珊瑚礁识别，识别效率会有所提升，识别时先进行“粗筛”再进行逐步“精筛”具有较高的识别精度，且当识别的输出结果为1时，则进行直接输出，大大加快了识别效率。且本发明采用的特征逐一对比方式为由简单到复杂。即颜色种类对比复杂度＜颜色排布方式对比复杂度＜轮廓对比复杂度，该种特征排序也可大大缩短颜色及颜色排布方式匹配过程所需的时间。
作为进一步改进的，若轮廓特征无匹配结果，则输出颜色排布方式匹配过程中，待测图像数据中颜色排布方式对应数据库中各种类珊瑚礁对应特征概率值最高的类别为识别结果；若颜色排布方式无匹配结果，则输出颜色种类匹配过程中，待测图像数据中颜色种类对应数据库中各种类珊瑚礁对应特征概率值最高的类别为识别结果。由于一些珊瑚礁在水流带动下会摆动，因此轮廓识别有时无法识别出其对应种类，导致无法输出识别结果；上述识别结果输出方式通过“模糊”式输出方法避免该类情况的发生。
其中，图像数据的预处理步骤如下：
计算图像每个通道的像素均值；
将图像缩小到224*224像素；
将缩小后图像的各通道的像素值减去上述得到的像素均值，得到预处理后的图像数据。
基于上述识别方法，本方案还提供一种水下照片珊瑚礁识别系统，包括：
拍照模块，搭载于水下设备上，用于获取水下珊瑚礁的图像数据；
色彩识别模块，用于获取预处理后图像数据中珊瑚礁的颜色及颜色排布方式；
边缘识别模块，用获取预处理后图像数据中珊瑚礁的轮廓特征；
图像处理识别模块，内含图像数据预数据处理单元及训练好的珊瑚礁种类识别模型；
其中图像数据预数据处理单元，用于对珊瑚礁图像数据进行前期的数据处理工作；具体用于：
计算图像每个通道的像素均值；
将图像缩小到224*224像素；
将缩小后图像的各通道的像素值减去上述得到的像素均值，得到预处理后的图像数据。
其中训练好的珊瑚礁种类识别模型，用于将获取的珊瑚礁的颜色、颜色排布方式及轮廓特征为输入，自动识别出图像数据中的珊瑚礁种类。具体用于：
依次对颜色、颜色排布方式及轮廓特征进行识别匹配；
若颜色特征输出的匹配结果等于1，则直接输出识别结果，若颜色特征输出的匹配结果大于1，则进入颜色排布方式匹配判定；
若颜色排布方式匹配的输出结果等于1，则直接输出识别结果，若颜色排布方式匹配的输出结果大于1，则进入轮廓特征匹配判定；
根据轮廓特征的匹配结果，输出识别结果。
另外，在本发明各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施方式而已，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 (9)

1.一种水下照片珊瑚礁识别方法，其特征在于，包括：
获取水下珊瑚礁的图像数据，根据珊瑚礁图像数据赋予对应的珊瑚礁名称标签；
对获取的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚礁的颜色种类、颜色排布方式及轮廓特征，输出特征数据；
利用输出的特征数据及对应的名称标签对珊瑚图像数据进行珊瑚礁种类的识别训练；
对待识别的水下珊瑚礁图像数据进行预处理，通过色彩识别模块及边缘识别模块获取图像中的珊瑚的颜色种类、颜色排布方式及轮廓特征，根据珊瑚礁种类识别模型对图像中的珊瑚礁的颜色、颜色排布方式及轮廓特征进行识别；
珊瑚礁种类识别模型识别时，依次对颜色、颜色排布方式及轮廓特征进行识别匹配；
若颜色特征输出的匹配结果等于1，则直接输出识别结果，若颜色特征输出的匹配结果大于1，则进入颜色排布方式匹配判定；
若颜色排布方式匹配的输出结果等于1，则直接输出识别结果，若颜色排布方式匹配的输出结果大于1，则进入轮廓特征匹配判定；
根据轮廓特征的匹配结果，输出识别结果。
2.根据权利要求1所述的水下照片珊瑚礁识别方法，其特征在于，图像数据的预处理步骤如下：
计算图像每个通道的像素均值；
将图像缩小到224*224像素；
将缩小后图像的各通道的像素值减去上述得到的像素均值，得到预处理后的图像数据。
3.根据权利要求2所述的水下照片珊瑚礁识别方法，其特征在于，边缘识别模块通过canny边缘检测或Scharr边缘检测方式获取珊瑚礁的轮廓特征。
4.根据权利要求1所述的水下照片珊瑚礁识别方法，其特征在于，所述珊瑚礁种类识别模型是经训练的Faster R-CNN网络模型，所述珊瑚礁种类识别模型的训练过程包括：
以珊瑚礁的颜色、颜色排布方式及轮廓特征为输入，对珊瑚礁种类识别模型进行训练，直至类识别模型收敛。
5.根据权利要求1所述的水下照片珊瑚礁识别方法，其特征在于，轮廓特征匹配过程中计算待测图像数据中轮廓特征对应数据库中各种类珊瑚礁对应特征的概率值，概率最高的类别即识别结果。
6.一种水下照片珊瑚礁识别系统，其特征在于，包括
拍照模块，搭载于水下设备上，用于获取水下珊瑚礁的图像数据；
色彩识别模块，用于获取预处理后图像数据中珊瑚礁的颜色及颜色排布方式；
边缘识别模块，用获取预处理后图像数据中珊瑚礁的轮廓特征；
图像处理识别模块，内含图像数据预数据处理单元及训练好的珊瑚礁种类识别模型；
所述图像数据预数据处理单元，用于对珊瑚礁图像数据进行前期的数据处理工作；
所述训练好的珊瑚礁种类识别模型，用于将获取的珊瑚礁的颜色、颜色排布方式及轮廓特征为输入，自动识别出图像数据中的珊瑚礁种类。
7.根据权利要求6所述的一种水下照片珊瑚礁识别系统，其特征在于，还包括显示屏，用于显示图像数据中珊瑚礁种类的识别结果。
8.根据权利要求6所述的一种水下照片珊瑚礁识别系统，其特征在于，所述图像数据预数据处理单元，具体用于：
计算图像每个通道的像素均值；
将图像缩小到224*224像素；
将缩小后图像的各通道的像素值减去上述得到的像素均值，得到预处理后的图像数据。
所述训练好的珊瑚礁种类识别模型，具体用于：
依次对颜色、颜色排布方式及轮廓特征进行识别匹配；
若颜色特征输出的匹配结果等于1，则直接输出识别结果，若颜色特征输出的匹配结果大于1，则进入颜色排布方式匹配判定；
若颜色排布方式匹配的输出结果等于1，则直接输出识别结果，若颜色排布方式匹配的输出结果大于1，则进入轮廓特征匹配判定；
根据轮廓特征的匹配结果，输出识别结果。
9.一种计算机可读的存储介质，其特征在于：所述的存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述的至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行实现如权利要求1至5之一所述的水下照片珊瑚礁识别方法。
CN202110339733.8A 2021-03-30 2021-03-30 水下照片珊瑚礁识别方法、系统及存储介质 Pending CN112906656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110339733.8A CN112906656A (zh) 2021-03-30 2021-03-30 水下照片珊瑚礁识别方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110339733.8A CN112906656A (zh) 2021-03-30 2021-03-30 水下照片珊瑚礁识别方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN112906656A true CN112906656A (zh) 2021-06-04

Family

ID=76109571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110339733.8A Pending CN112906656A (zh) 2021-03-30 2021-03-30 水下照片珊瑚礁识别方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112906656A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537174A (zh) * 2021-09-16 2021-10-22 中国科学院烟台海岸带研究所 一种珊瑚礁生境调查视频分析方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006235752A (ja) * 2005-02-22 2006-09-07 Asahi Engineering Kk オブジェクト認識装置及びその制御方法、並びに、コンピュータプログラム及びコンピュータ可読記憶媒体
US20090074249A1 (en) * 2007-09-13 2009-03-19 Cognex Corporation System and method for traffic sign recognition
CN102298708A (zh) * 2011-08-19 2011-12-28 四川长虹电器股份有限公司 基于颜色和形状匹配的3d模式识别方法
CN103714314A (zh) * 2013-12-06 2014-04-09 安徽大学 一种结合边缘和颜色信息的电视视频台标识别方法
WO2017215206A1 (zh) * 2016-06-17 2017-12-21 深圳市易特科信息技术有限公司 植物自动识别系统和方法
WO2019201187A1 (zh) * 2018-04-16 2019-10-24 图灵人工智能研究院（南京）有限公司 物品鉴别方法、系统、设备及存储介质
US20200005023A1 (en) * 2018-07-02 2020-01-02 Stowers Institute For Medical Research Facial image recognition using pseudo-images
CN111476280A (zh) * 2020-03-27 2020-07-31 海南医学院 植物叶片识别方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006235752A (ja) * 2005-02-22 2006-09-07 Asahi Engineering Kk オブジェクト認識装置及びその制御方法、並びに、コンピュータプログラム及びコンピュータ可読記憶媒体
US20090074249A1 (en) * 2007-09-13 2009-03-19 Cognex Corporation System and method for traffic sign recognition
CN102298708A (zh) * 2011-08-19 2011-12-28 四川长虹电器股份有限公司 基于颜色和形状匹配的3d模式识别方法
CN103714314A (zh) * 2013-12-06 2014-04-09 安徽大学 一种结合边缘和颜色信息的电视视频台标识别方法
WO2017215206A1 (zh) * 2016-06-17 2017-12-21 深圳市易特科信息技术有限公司 植物自动识别系统和方法
WO2019201187A1 (zh) * 2018-04-16 2019-10-24 图灵人工智能研究院（南京）有限公司 物品鉴别方法、系统、设备及存储介质
US20200005023A1 (en) * 2018-07-02 2020-01-02 Stowers Institute For Medical Research Facial image recognition using pseudo-images
CN111476280A (zh) * 2020-03-27 2020-07-31 海南医学院 植物叶片识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李艳梅: "基于边缘和颜色信息的台标识别方法研究" *
李艳梅: "基于边缘和颜色信息的台标识别方法研究_李艳梅", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537174A (zh) * 2021-09-16 2021-10-22 中国科学院烟台海岸带研究所 一种珊瑚礁生境调查视频分析方法
CN113537174B (zh) * 2021-09-16 2021-12-28 中国科学院烟台海岸带研究所 一种珊瑚礁生境调查视频分析方法

Similar Documents

Publication Publication Date Title
US10817741B2 (en) Word segmentation system, method and device
CN107491730A (zh) 一种基于图像处理的化验单识别方法
CN104182722B (zh) 文本检测方法和装置以及文本信息提取方法和系统
WO2017016240A1 (zh) 一种钞票冠字号识别方法
EP1139288A2 (en) A method of detecting duplicate pictures in an automatic albuming system
JP2005309608A (ja) 文字認識結果出力装置、文字認識装置、その方法及びプログラム
US20200134382A1 (en) Neural network training utilizing specialized loss functions
CN112036292A (zh) 基于神经网络的文字识别方法、装置及可读存储介质
CN109284700B (zh) 图像中多个人脸检测的方法、存储介质、设备及系统
JP6882362B2 (ja) 身元確認書類を含む画像を識別するシステムおよび方法
CN112906656A (zh) 水下照片珊瑚礁识别方法、系统及存储介质
CN104182744B (zh) 文本检测方法和装置以及文本信息提取方法和系统
CN111191584B (zh) 一种人脸识别方法及装置
CN116912674A (zh) 基于改进的YOLOv5s网络模型复杂水环境下目标检测方法及系统
CN111163332A (zh) 视频色情度检测方法、终端及介质
CN115439850A (zh) 基于审单的图文字符识别方法、装置、设备及存储介质
CN112541899B (zh) 证件的残缺检测方法、装置、电子设备及计算机存储介质
CN115116090A (zh) 一种行人重识别方法、系统及存储介质
CN114937266A (zh) 一种基于yolox-s的硬壳蛤生物体征识别方法
US9721160B2 (en) Manually-assisted detection of redeye artifacts
EP3440827B1 (fr) Procede et systeme de separation de documents lors d'une numerisation par lot
US20200134357A1 (en) Neural-network-based optical character recognition using specialized confidence functions
Wang et al. Currency recognition system using image processing
Setiawan et al. Improved Edge Detection Based on Adaptive Gaussian Smoothing in X-Ray Image
CN117058697A (zh) 一种病例信息的抽取顺序预测方法、装置、设备及介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210604