CN112907665B - 一种基于rgb色彩空间的微流血型检测卡微腔反应池精密定位方法 - Google Patents

一种基于rgb色彩空间的微流血型检测卡微腔反应池精密定位方法 Download PDF

Info

Publication number
CN112907665B
CN112907665B CN202110186987.0A CN202110186987A CN112907665B CN 112907665 B CN112907665 B CN 112907665B CN 202110186987 A CN202110186987 A CN 202110186987A CN 112907665 B CN112907665 B CN 112907665B
Authority
CN
China
Prior art keywords
microcavity
micro
pixel
reaction pool
boundary
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.)
Active
Application number
CN202110186987.0A
Other languages
English (en)
Other versions
CN112907665A (zh
Inventor
马海涛
陆文豪
刘敏
徐仲
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202110186987.0A priority Critical patent/CN112907665B/zh
Publication of CN112907665A publication Critical patent/CN112907665A/zh
Application granted granted Critical
Publication of CN112907665B publication Critical patent/CN112907665B/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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法，该方法利用彩色CCD图像传感器采集微流血型检测卡微腔反应池的RGB图像，由于在利用血型检测卡检测血型时，待测血液与单克隆抗体在微腔反应池进行免疫反应，反应得到的图像时红色的，即检测卡微腔反应池的边界内部是红色的，血型检测图像的信息集中于RGB空间中的R分量中，B分量和G分量较小；图像微腔反应池的边界外部的图像是白色背景，有比较大的B分量和G分量，在边界处BG分量存在阶梯式的变化，因此，通过对BG分量的图像数据分析，能方便快捷的准确得到检测卡圆形微腔反应池的中心，实现精密定位。

Description

一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定 位方法
技术领域
本发明属于视觉测量领域，具体涉及一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法。
背景技术
ABO和Rh血型是人类最重要的两种血型系统，其检测方法包括玻片法、试管法、微孔板法和血型试剂卡法等。目前国内液体-纸片血凝检测试剂(液体-纸片试剂)和ABO/Rh正反定型血型定型试剂卡是应用量最大的两种检测方法。但由于这些方法均存在一定的弱点，现在又有人提出一种微流血型检测卡，如图1所示，卡中的多个圆形微腔反应池中分别封装有单克隆抗体，待测血液与单克隆抗体在微腔反应池进行免疫反应，反应得到红色的图像，通过采集圆形微腔反应池的红色图像，并对微腔反应池的红色图像进行判别处理判断待测血液的血型。由于运动机构存在定位误差、摄像头焦距调整也存在误差，在采集不同微腔反应池图像时，圆形微腔反应池红色图像在摄像头整体视野图像中的位置是有一定差异的，为保证仅对圆形微腔反应池红色图像进行判别处理，必须人为圈定圆形微腔反应池红色图像的范围，再对圈定的图像进行判别处理，但这种人工参与的处理方法不合适于自动检测的需要。
在自动检测过程中，如处理软件不进行圆形微腔反应池红色图像的定位处理，就不得不根据位置误差的实际情况，缩小要进行判别处理图像的直径，确保当圆形微腔反应池红色图像出现位置误差时，要进行判别处理图像也能在圆形微腔反应池红色图像内部，但这样做由于没有对全部的圆形微腔反应池红色图像进行判别处理，增加了判别出现错误结果的可能性。
因此在自动检测过程中，处理软件不得不进行圆形微腔反应池红色图像的定位处理，传统的圆定位方法一般通过Hough变换或其改进算法进行，但微腔反应池红色图像中也包含了包括圆形在内的各种图案，会干扰Hough变换算法的检测结果，为克服这一点要进行复杂的前期处理，大大增加算法的计算量，不利于自动检测速度的提升。
本发明所提出的一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法，针对上述问题提出了一种新的解决方案。
发明内容
本发明的目的是克服现有技术的上述缺陷，根据微流血型检测卡微腔反应池图像的色彩特点，利用很少的计算量就可实现圆形微腔反应池红色图像在摄像头视野中的定位。
本发明提供一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法。该方法利用彩色CCD图像传感器采集微流血型检测卡微腔反应池的RGB图像，由于在利用血型检测卡检测血型时，待测血液与单克隆抗体在微腔反应池进行免疫反应，反应得到的图像时红色的，即检测卡微腔反应池的边界内部是红色的，血型检测图像的信息集中于RGB空间中的R分量中，B分量和G分量较小；图像微腔反应池的边界外部的图像是白色背景，有比较大的B分量和G分量，在边界处BG分量存在阶梯式的变化，因此，通过对BG分量的图像数据分析，能方便快捷的准确得到检测卡圆形微腔反应池的中心，实现精密定位。
一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法，包括以下步骤：
步骤1：在白色背景下采集微流血型检测卡微腔反应池的RGB彩色图像，对图像进行裁剪，裁剪后的图像是一个RGB彩色n×n像素矩阵C，它包含一个完整的圆形微腔反应池，n代表C中的行数和列数；
步骤2：把上述RGB彩色n×n像素矩阵C按RGB颜色空间的分成3个单色n×n像素矩阵，计为像素矩阵R、像素矩阵G、像素矩阵B；
步骤3：在代表绿色的像素矩阵G中确定圆形微腔反应池边界，具体步骤如下：
步骤3-1：定义一个阈值g；
步骤3-2：在n×n像素矩阵G中的每一行中，先从左向右逐像素与阈值g比较，当遇到低于阈值g的像素点时，确定此像素点为圆形微腔反应池边界点，并记录坐标；如果遍历到一行的最后一个像素点也没有发现边界点，继续下一行的遍历；在发现一个边界点后，终止从左向右的遍历，开始在这一行中从右向左逐像素与阈值g比较，当遇到低于阈值g的像素点时，确定此像素点为圆形微腔反应池边界点，记录坐标，并继续下一行的遍历；
步骤3-3、在完成像素矩阵G中n行的遍历后，得到了m个边界点的坐标(GXi，GYi)，其中i取值1～n，这些边界点坐标的平均值(GX，GY)为G颜色空间内圆形微腔反应池的圆心坐标，即
Figure GDA0003632692650000031
步骤4：在代表蓝色的像素矩阵B中确定圆形微腔反应池边界，具体步骤如下：
步骤4-1：定义一个阈值b；
步骤4-2：在n×n像素矩阵B中的每一行中，先从左向右逐像素与阈值b比较，当遇到低于阈值b的像素点时，确定此像素点为圆形微腔反应池边界点，并记录坐标；如果遍历到一行的最后一个像素点也没有发现边界点，继续下一行的遍历；在发现一个边界点后，终止从左向右的遍历，开始在这一行中从右向左逐像素与阈值b比较，当遇到低于阈值b的像素点时，确定此像素点为圆形微腔反应池边界点，记录坐标，并继续下一行的遍历；
步骤4-3：在完成像素矩阵B中n行的遍历后，得到了k个边界点的坐标(BXi，BYi)，其中i取值1～k，这些边界点坐标的平均值(BX，BY)为B颜色空间内圆形微腔反应池的圆心坐标，即
Figure GDA0003632692650000041
步骤5：综合步骤3和步骤4的结果，取(GX，GY)和(BX，BY)的平均值得到最终确定的圆形微腔反应池圆心坐标(X，Y)，即X＝(GX+BX)/2，Y＝(GY+BY)/2。
所述步骤1具体如下：采集微流血型检测卡微腔反应池的RGB彩色图像，对图像进行适当裁剪，裁剪后的图像是一个RGB彩色n×n像素矩阵C，它包含一个完整的圆形微腔反应池，并且在微腔反应池四周均有空白区域。
所述步骤3-1中的阈值g可根据n×n像素矩阵G中最外围像素点的最小值进行选取，一般可取最小值的80％-90％。
所述步骤4-1中的阈值b可根据n×n像素矩阵B中最外围像素点的最小值进行选取，一般可取最小值的80％-90％。
所述步骤5中最终确定的圆形微腔反应池圆心坐标(X，Y)时，可取(GX，GY)为圆心坐标，即X＝GX，Y＝GY。
所述步骤5中最终确定的圆形微腔反应池圆心坐标(X，Y)时，可取(BX，BY)为圆心坐标，即X＝BX，Y＝BY。
本发明的有益效果是：
利用很少的计算量就可实现圆形微腔反应池红色图像在摄像头视野中的精确定位，且方法相对简单，便于操作，易推广。
附图说明
图1是微流血型检测卡示意图。
图2是微流血型检测卡圆形微腔反应池图像示意图。
具体实施方式
微流血型检测卡圆形微腔反应池的图像如附图2所示，图中包含了CCD图像的视野边界1、圆形微腔反应池与视野边界的白色背景间隙2、圆形微腔反应池边界3和红色圆形微腔反应池4。
本发明的具体实施方案为：
步骤1：在白色背景下采集微流血型检测卡微腔反应池的RGB彩色图像，对图像进行裁剪，裁剪后的图像是一个RGB彩色n×n图像C，它包含一个完整的圆形微腔反应池4，n代表C中的行数和列数；
步骤2：把上述RGB彩色n×n图像C按RGB颜色空间的分成3个单色n×n像素矩阵，计为像素矩阵R、像素矩阵G、像素矩阵B；
步骤3：在代表绿色的像素矩阵G中确定圆形微腔反应池边界3，具体步骤如下：
步骤3-1：定义一个阈值g；
步骤3-2：在n×n像素矩阵G中的每一行中，先从左向右逐像素与阈值g比较，当遇到低于阈值g的像素点时，确定此像素点为圆形微腔反应池边界点，并记录坐标；如果遍历到一行的最后一个像素点也没有发现边界点，继续下一行的遍历；在发现一个边界点后，终止从左向右的遍历，开始在这一行中从右向左逐像素与阈值g比较，当遇到低于阈值g的像素点时，确定此像素点为圆形微腔反应池边界点，记录坐标，并继续下一行的遍历；
步骤3-3：在完成像素矩阵G中n行的遍历后，得到了m个边界点的坐标(GXi，GYi)，其中i取值1～n，这些边界点坐标的平均值(GX，GY)为G颜色空间内圆形微腔反应池的圆心坐标，即
Figure GDA0003632692650000061
步骤4：在代表蓝色的像素矩阵B中确定圆形微腔反应池边界，具体步骤如下：
步骤4-1：定义一个阈值b；
步骤4-2：在n×n像素矩阵B中的每一行中，先从左向右逐像素与阈值b比较，当遇到低于阈值b的像素点时，确定此像素点为圆形微腔反应池边界点，并记录坐标；如果遍历到一行的最后一个像素点也没有发现边界点，继续下一行的遍历；在发现一个边界点后，终止从左向右的遍历，开始在这一行中从右向左逐像素与阈值b比较，当遇到低于阈值b的像素点时，确定此像素点为圆形微腔反应池边界点，记录坐标，并继续下一行的遍历；
步骤4-3：在完成像素矩阵B中n行的遍历后，得到了k个边界点的坐标(BXi，BYi)，其中i取值1～k，这些边界点坐标的平均值(BX，BY)为B颜色空间内圆形微腔反应池的圆心坐标，即
Figure GDA0003632692650000062
步骤5：综合步骤3和步骤4的结果，取(GX，GY)和(BX，BY)的平均值得到最终确定的圆形微腔反应池圆心坐标(X，Y)，即X＝(GX+BX)/2，Y＝(GY+BY)/2。
所述步骤1具体如下：采集微流血型检测卡微腔反应池的RGB彩色图像，对图像进行适当裁剪，裁剪后的图像是一个RGB彩色n×n像素矩阵C，它包含一个完整的圆形微腔反应池，并且在微腔反应池四周均有空白区域。
所述步骤3-1中的阈值g可根据n×n像素矩阵G中最外围像素点的最小值进行选取，一般可取最小值的80％-90％。
所述步骤4-1中的阈值b可根据n×n像素矩阵B中最外围像素点的最小值进行选取，一般可取最小值的80％-90％。
所述步骤5中最终确定的圆形微腔反应池圆心坐标(X，Y)时，可取(GX，GY)为圆心坐标，即X＝GX，Y＝GY。
所述步骤5中最终确定的圆形微腔反应池圆心坐标(X，Y)时，可取(BX，BY)为圆心坐标，即X＝BX，Y＝BY。

Claims (4)

1.一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法，其特征在于，包括以下步骤：
步骤1：在白色背景下采集微流血型检测卡微腔反应池的RGB彩色图像，对图像进行裁剪，裁剪后的图像是一个RGB彩色n×n像素矩阵C，它包含一个完整的圆形微腔反应池，n代表C中的行数和列数；
步骤2：把上述RGB彩色n×n像素矩阵C按RGB颜色空间的分成3个单色n×n像素矩阵，计为像素矩阵R、像素矩阵G、像素矩阵B；
步骤3：在代表绿色的像素矩阵G中确定圆形微腔反应池边界，具体步骤如下：
步骤3-1：定义一个阈值g；
步骤3-2：在n×n像素矩阵G中的每一行中，先从左向右逐像素与阈值g比较，当遇到低于阈值g的像素点时，确定此像素点为圆形微腔反应池边界点，并记录坐标；如果遍历到一行的最后一个像素点也没有发现边界点，继续下一行的遍历；在发现一个边界点后，终止从左向右的遍历，开始在这一行中从右向左逐像素与阈值g比较，当遇到低于阈值g的像素点时，确定此像素点为圆形微腔反应池边界点，记录坐标，并继续下一行的遍历；
步骤3-3：在完成像素矩阵G中n行的遍历后，得到了m个边界点的坐标(GXi，GYi)，其中i取值1～n，这些边界点坐标的平均值(GX，GY)为G颜色空间内圆形微腔反应池的圆心坐标，即
Figure FDA0003632692640000011
步骤4：在代表蓝色的像素矩阵B中确定圆形微腔反应池边界，具体步骤如下：
步骤4-1：定义一个阈值b；
步骤4-2：在n×n像素矩阵B中的每一行中，先从左向右逐像素与阈值b比较，当遇到低于阈值b的像素点时，确定此像素点为圆形微腔反应池边界点，并记录坐标；如果遍历到一行的最后一个像素点也没有发现边界点，继续下一行的遍历；在发现一个边界点后，终止从左向右的遍历，开始在这一行中从右向左逐像素与阈值b比较，当遇到低于阈值b的像素点时，确定此像素点为圆形微腔反应池边界点，记录坐标，并继续下一行的遍历；
步骤4-3：在完成像素矩阵B中n行的遍历后，得到了k个边界点的坐标(BXi，BYi)，其中i取值1～k，这些边界点坐标的平均值(BX，BY)为B颜色空间内圆形微腔反应池的圆心坐标，即
Figure FDA0003632692640000021
步骤5：综合步骤3和步骤4的结果，取(GX，GY)和(BX，BY)的平均值得到最终确定的圆形微腔反应池圆心坐标(X，Y)，即X＝(GX+BX)/2，Y＝(GY+BY)/2。
2.根据权利要求1所述的一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法，其特征在于，所述步骤1具体如下：采集微流血型检测卡微腔反应池的RGB彩色图像，对图像进行适当裁剪，裁剪后的图像是一个RGB彩色n×n像素矩阵C，它包含一个完整的圆形微腔反应池，并且在微腔反应池四周均有空白区域。
3.根据权利要求1所述的一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法，其特征在于，所述步骤3-1中的阈值g根据n×n像素矩阵G中最外围像素点的最小值进行选取，取最小值的80％-90％。
4.根据权利要求1所述的一种基于RGB色彩空间的微流血型检测卡微腔反应池精密定位方法，其特征在于，所述步骤4-1中的阈值b根据n×n像素矩阵B中最外围像素点的最小值进行选取，取最小值的80％-90％。
CN202110186987.0A 2021-02-07 2021-02-07 一种基于rgb色彩空间的微流血型检测卡微腔反应池精密定位方法 Active CN112907665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110186987.0A CN112907665B (zh) 2021-02-07 2021-02-07 一种基于rgb色彩空间的微流血型检测卡微腔反应池精密定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110186987.0A CN112907665B (zh) 2021-02-07 2021-02-07 一种基于rgb色彩空间的微流血型检测卡微腔反应池精密定位方法

Publications (2)

Publication Number Publication Date
CN112907665A CN112907665A (zh) 2021-06-04
CN112907665B true CN112907665B (zh) 2022-06-10

Family

ID=76123720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110186987.0A Active CN112907665B (zh) 2021-02-07 2021-02-07 一种基于rgb色彩空间的微流血型检测卡微腔反应池精密定位方法

Country Status (1)

Country Link
CN (1) CN112907665B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112204380A (zh) * 2018-05-31 2021-01-08 伯克利之光生命科技公司 微流体设备中的微物体的自动检测和表征

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2228234B1 (es) * 2002-11-06 2006-05-16 Eduardo Jaime Cadorniga Martinez Metodo para la autoejecucion del grupo sanguineo abo.
CN100401048C (zh) * 2005-05-19 2008-07-09 复旦大学 一种多通道微流控芯片及其制备方法
JP2010060417A (ja) * 2008-09-03 2010-03-18 Olympus Corp 血液検査用マイクロ反応容器
CN103543277B (zh) * 2013-09-13 2016-03-16 中国科学院苏州生物医学工程技术研究所 一种基于灰度分析与种类识别的血型结果识别算法
CN105678752A (zh) * 2015-12-30 2016-06-15 合肥天一生物技术研究所 一种基于固定参数分割微柱小管的血型识别方法
CN111443211B (zh) * 2020-03-04 2024-01-26 重庆大学 一种多血型系统自动检测卡及检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112204380A (zh) * 2018-05-31 2021-01-08 伯克利之光生命科技公司 微流体设备中的微物体的自动检测和表征

Also Published As

Publication number Publication date
CN112907665A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
US20220148213A1 (en) Method for fully automatically detecting chessboard corner points
CN107657603A (zh) 一种基于智能视觉的工业外观检测方法
CN112184711B (zh) 一种光伏组件缺陷检测和定位方法及系统
CN104990926B (zh) 一种基于视觉的tr元件定位和缺陷检测方法
CN104036516B (zh) 基于对称性分析的摄像机标定棋盘图像角点检测方法
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN111104860B (zh) 一种基于机器视觉的无人机水质色度监测方法
CN106408527A (zh) 一种基于视频分析的自动报靶方法
CN105335973A (zh) 运用于带钢加工生产线的视觉处理方法
CN105139384B (zh) 缺陷胶囊检测的方法和装置
CN109271868B (zh) 基于密集连接卷积网络超球体嵌入的目标重识别方法
CN110298840A (zh) 一种基于图像的纱线缺陷检测方法
CN110399866A (zh) 基于ccd相机不同曝光时间交替的空间碎片观测方法
CN115526889B (zh) 基于图像处理的锅炉压力管道的无损检测方法
Zhou et al. Autonomous detection of crop rows based on adaptive multi-ROI in maize fields
CN115294317A (zh) 一种用于工业生产厂区的指针式仪表读数智能检测方法
CN116844147A (zh) 一种基于深度学习的指针式仪表识别和异常警报方法
CN112907665B (zh) 一种基于rgb色彩空间的微流血型检测卡微腔反应池精密定位方法
CN111062437A (zh) 一种基于深度学习的桥梁结构病害自动目标检测模型
CN108827915B (zh) 一种基于光电传感阵列测量折射率的亚像素位置获取方法
CN104156977A (zh) 基于多线列时差扫描扩展采样的点目标运动速度探测方法
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN116403223A (zh) 一种基于机器学习的指针式仪表读数识别方法和系统
CN113853607A (zh) 用于监测菌落的细菌生长和预测菌落生物量的系统和方法
CN114943738A (zh) 一种基于视觉识别的传感器封装固化胶缺陷识别方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Ma Haitao

Inventor after: Lu Wenhao

Inventor after: Liu Min

Inventor after: Xu Zhong

Inventor before: Ma Haitao

Inventor before: Lu Wenhao

Inventor before: Liu Min

Inventor before: Xu Zhong