CN112991362B - 一种基于混合高斯模型的色选机粘连物料图像分割方法 - Google Patents

一种基于混合高斯模型的色选机粘连物料图像分割方法 Download PDF

Info

Publication number
CN112991362B
CN112991362B CN202110286944.XA CN202110286944A CN112991362B CN 112991362 B CN112991362 B CN 112991362B CN 202110286944 A CN202110286944 A CN 202110286944A CN 112991362 B CN112991362 B CN 112991362B
Authority
CN
China
Prior art keywords
image
module
segmentation
quality analysis
primary screening
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
CN202110286944.XA
Other languages
English (en)
Other versions
CN112991362A (zh
Inventor
纪明伟
时宇
孙冬
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.)
Hefei Growking Optoelectronic Technology Co ltd
Original Assignee
Hefei Growking Optoelectronic 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 Hefei Growking Optoelectronic Technology Co ltd filed Critical Hefei Growking Optoelectronic Technology Co ltd
Priority to CN202110286944.XA priority Critical patent/CN112991362B/zh
Publication of CN112991362A publication Critical patent/CN112991362A/zh
Application granted granted Critical
Publication of CN112991362B publication Critical patent/CN112991362B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

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

Abstract

本发明公开了一种基于混合高斯模型的色选机粘连物料图像分割方法，涉及图像处理技术领域；本发明设置了质量分析模块，该设置用于对原始图像进行质量分析，并获取质量分析标签；质量分析模块通过灰度值的分布来判断初筛图像的质量，为图像分割模块提供数据基础；本发明设置了图像分割模块，该设置通过混合高斯模型对初筛图像进行分割；图像分割模块结合混合高斯模型完成对初筛图像的分割，能够保证对初筛分割图像的分割精度；本发明设置了物料分类模块，该设置对目标图像进行分析获取物料种类；物料分类模块通过分类模型完成对目标图像的识别，能够快速判断物料类别，有助于工作人员对设备和程序进行改进。

Description

一种基于混合高斯模型的色选机粘连物料图像分割方法
技术领域
本发明属于图像处理技术领域，具体是一种基于混合高斯模型的色选机粘连物料图像分割方法。
背景技术
图像分割是数字图像处理过程中的关键技术之一，图像分割的任务是将输入图像分割为一些独立的区域，使得同一区域具有相同的属性，而使不同区域具有不同的属性；图像分割是进一步进行图像识别、分析和李杰的基础，在理论研究和实际应用中都得到了人们广泛的重视，因此，图像分割仍然是目前的研究热点之一。
公开号为CN103632361A的发明专利提供了一种图像分割方法和系统，所述方法包括：根据原始图像，划定第一初始前景区域和初始背景区域；对原始图像进行下采样，获得第一图像，并将第一图像中属于第一初始前景区域的像素划定为初始前景区域；利用所述初始背景区域中的像素建立初始的背景混合高斯模型，利用所述初始前景区域的像素建立初始的前景混合高斯模型；将所述第一图像输入图切割过程，划分新前景区域和新背景区域；并以所述新前景区域的像素优化所述前景混合高斯模型的参数，以新背景区域中的像素优化所述背景混合高斯模型的参数；直至图切割过程收敛。
上述方案提高了切割算法处理时间；但是，上述方案通过像素灰度值将原始图像划定为初始前景区域和初始背景区域，忽略了图像纹理，导致图像分割不准确；因此，上述方案仍需进一步改进。
发明内容
为了解决上述方案存在的问题，本发明提供了一种基于混合高斯模型的色选机粘连物料图像分割方法。
本发明的目的可以通过以下技术方案实现：一种基于混合高斯模型的色选机粘连物料图像分割方法，所述图像分割方法具体包括以下步骤：
步骤一：通过控制系统通过图像采集单元采集原始图像，并将原始图像分别发送至质量分析模块和数据存储模块；
步骤二：获取初筛图像的像素总数和灰度值变化直方图；获取灰度值变化直方图中任意连续三个灰度值对应的像素数量并标记为像素验证总数；获取像素验证总数与像素总数的比值并标记为图像评价系数；根据图像评价系数对初筛图像的质量进行评价，生成质量分析标签；通过处理器将初筛图像及对应的质量分析标签分别发送至图像分割模块和数据存储模块；
步骤三：当质量分析标签为1时，将初筛图像进行划分成像素区域，将像素区域标记为i；设定分割类别、分割类别对应的均值向量和协方差矩阵；分割类别、分割类别对应的均值向量和协方差矩阵结合期望最大算法获取最大似然参数，并获取像素区域i属于分割类别m的标准化后验矩阵，根据标准化后验矩阵计算后验概率，根据后验概率对初筛图像中色选机和粘连物料进行分割，获取粘连物料的图像并标记为目标图像；通过处理器将目标图像发送至物料分类模块和数据存储模块。
优选的，所述控制系统包括处理器、数据采集模块、质量分析模块、图像分割模块、物料分类模块和数据存储模块；
所述数据采集模块与图像采集单元电气连接；所述数据采集模块通过图像采集单元采集原始图像，并将原始图像分别发送至质量分析模块和数据存储模块；
所述图像分割模块通过混合高斯模型对初筛图像进行分割，包括：
当图像分割模块接收到初筛图像之后，获取初筛图像对应的质量分析标签；当质量分析标签为1时，将初筛图像进行划分成2×2的像素区域，将像素区域标记为i，i＝1,2，……，n，其中n表示像素区域的总数；
设定分割类别、分割类别对应的均值向量和协方差矩阵；将分割类别标记为m，所述分割类别大于等于2，且分割类别、分割类别对应的均值向量和协方差矩阵的获取方法在论文《基于高斯混合模型的纹理图像分割》中有详细解释；
分割类别、分割类别对应的均值向量和协方差矩阵结合期望最大算法获取最大似然参数，并获取像素区域i属于分割类别m的标准化后验矩阵，根据标准化后验矩阵计算后验概率，根据后验概率对初筛图像中色选机和粘连物料进行分割，获取粘连物料的图像并标记为目标图像；
通过处理器将目标图像发送至物料分类模块和数据存储模块。
优选的，所述物料分类模块对目标图像进行分析获取物料种类，包括：
当物料分类模块接收到目标图像之后，通过数据存储模块获取训练数据集；所述训练数据集包括物料图像及对应的物料种类；
将训练数据集按照设定比例划分为训练集、测试集和校验集；所述设定比例包括2:1:1、3:2:1和4:2:1；
构建人工智能模型；所述人工智能模型至少包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络中的一种；
通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将完成训练的人工智能模型标记为分类模型；
将目标图像输入至分类模型中获取输出结果；所述输出结果为目标图像中物料对应的物料种类。
优选的，所述质量分析模块用于对原始图像进行质量分析，并获取质量分析标签，包括：
当质量分析模块接收到原始图像之后，对原始图像进行图像预处理并标记初筛图像；所述图像预处理包括图像分割、图像去噪和灰度变换；
获取初筛图像的像素总数和灰度值变化直方图；
获取灰度值变化直方图中任意连续三个灰度值对应的像素数量并标记为像素验证总数；
获取像素验证总数与像素总数的比值并标记为图像评价系数TPX；
当图像评价系数TPX满足L1≤TPX≤L2时，则判定初筛图像质量合格；否则，判定初筛图像质量异常，通过图像采集单元重新获取；其中L1和L2为评价系数阈值，且0.5≤L1，L2≤0.8，L1≤L2；
生成质量分析标签；所述质量分析标签的取值包括0和1，当质量分析标签为0时，表示对应的初筛图像质量异常，当质量分析标签为1时，表示对应的初筛图像质量正常；
通过处理器将初筛图像及对应的质量分析标签分别发送至图像分割模块和数据存储模块。
优选的，所述图像采集单元包括动作云台和高清摄像头，所述动作云台用于调节高清摄像头的角度。
与现有技术相比，本发明的有益效果是：
1、本发明设置了质量分析模块，该设置用于对原始图像进行质量分析，并获取质量分析标签；质量分析模块通过灰度值的分布来判断初筛图像的质量，为图像分割模块提供数据基础；
2、本发明设置了图像分割模块，该设置通过混合高斯模型对初筛图像进行分割；图像分割模块结合混合高斯模型完成对初筛图像的分割，能够保证对初筛分割图像的分割精度；
3、本发明设置了物料分类模块，该设置对目标图像进行分析获取物料种类；物料分类模块通过分类模型完成对目标图像的识别，能够快速判断物料类别，有助于工作人员对设备和程序进行改进。
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发明的一些实施例，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为本发明的方法步骤示意图；
图2为本发明控制系统的原理示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
请参阅图1-图2，一种基于混合高斯模型的色选机粘连物料图像分割方法，图像分割方法具体包括以下步骤：
步骤一：通过控制系统通过图像采集单元采集原始图像，并将原始图像分别发送至质量分析模块和数据存储模块；
步骤二：获取初筛图像的像素总数和灰度值变化直方图；获取灰度值变化直方图中任意连续三个灰度值对应的像素数量并标记为像素验证总数；获取像素验证总数与像素总数的比值并标记为图像评价系数；根据图像评价系数对初筛图像的质量进行评价，生成质量分析标签；通过处理器将初筛图像及对应的质量分析标签分别发送至图像分割模块和数据存储模块；
步骤三：当质量分析标签为1时，将初筛图像进行划分成像素区域，将像素区域标记为i；设定分割类别、分割类别对应的均值向量和协方差矩阵；分割类别、分割类别对应的均值向量和协方差矩阵结合期望最大算法获取最大似然参数，并获取像素区域i属于分割类别m的标准化后验矩阵，根据标准化后验矩阵计算后验概率，根据后验概率对初筛图像中色选机和粘连物料进行分割，获取粘连物料的图像并标记为目标图像；通过处理器将目标图像发送至物料分类模块和数据存储模块。
进一步地，控制系统包括处理器、数据采集模块、质量分析模块、图像分割模块、物料分类模块和数据存储模块；
数据采集模块与图像采集单元电气连接；数据采集模块通过图像采集单元采集原始图像，并将原始图像分别发送至质量分析模块和数据存储模块；
图像分割模块通过混合高斯模型对初筛图像进行分割，包括：
当图像分割模块接收到初筛图像之后，获取初筛图像对应的质量分析标签；当质量分析标签为1时，将初筛图像进行划分成2×2的像素区域，将像素区域标记为i，i＝1,2，……，n，其中n表示像素区域的总数；
设定分割类别、分割类别对应的均值向量和协方差矩阵；将分割类别标记为m，分割类别大于等于2，且分割类别、分割类别对应的均值向量和协方差矩阵的获取方法在论文《基于高斯混合模型的纹理图像分割》中有详细解释；
分割类别、分割类别对应的均值向量和协方差矩阵结合期望最大算法获取最大似然参数，并获取像素区域i属于分割类别m的标准化后验矩阵，根据标准化后验矩阵计算后验概率，根据后验概率对初筛图像中色选机和粘连物料进行分割，获取粘连物料的图像并标记为目标图像；
通过处理器将目标图像发送至物料分类模块和数据存储模块。
进一步地，物料分类模块对目标图像进行分析获取物料种类，包括：
当物料分类模块接收到目标图像之后，通过数据存储模块获取训练数据集；训练数据集包括物料图像及对应的物料种类；
将训练数据集按照设定比例划分为训练集、测试集和校验集；设定比例包括2:1:1、3:2:1和4:2:1；
构建人工智能模型；人工智能模型至少包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络中的一种；
通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将完成训练的人工智能模型标记为分类模型；
将目标图像输入至分类模型中获取输出结果；输出结果为目标图像中物料对应的物料种类。
进一步地，质量分析模块用于对原始图像进行质量分析，并获取质量分析标签，包括：
当质量分析模块接收到原始图像之后，对原始图像进行图像预处理并标记初筛图像；图像预处理包括图像分割、图像去噪和灰度变换；
获取初筛图像的像素总数和灰度值变化直方图；
获取灰度值变化直方图中任意连续三个灰度值对应的像素数量并标记为像素验证总数；
获取像素验证总数与像素总数的比值并标记为图像评价系数TPX；
当图像评价系数TPX满足L1≤TPX≤L2时，则判定初筛图像质量合格；否则，判定初筛图像质量异常，通过图像采集单元重新获取；其中L1和L2为评价系数阈值，且0.5≤L1，L2≤0.8，L1≤L2；
生成质量分析标签；质量分析标签的取值包括0和1，当质量分析标签为0时，表示对应的初筛图像质量异常，当质量分析标签为1时，表示对应的初筛图像质量正常；
通过处理器将初筛图像及对应的质量分析标签分别发送至图像分割模块和数据存储模块。
进一步地，图像采集单元包括动作云台和高清摄像头，动作云台用于调节高清摄像头的角度。
进一步地，处理器分别与数据采集模块、质量分析模块、图像分割模块、物料分类模块和数据存储模块通信连接；质量分析模块分别与数据采集模块和图像分析模块通信连接，物料分类模块分别与数据存储模块和图像分割模块通信连接。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：
数据采集模块通过图像采集单元采集原始图像，并将原始图像分别发送至质量分析模块和数据存储模块；
当质量分析模块接收到原始图像之后，对原始图像进行图像预处理并标记初筛图像；获取初筛图像的像素总数和灰度值变化直方图；获取灰度值变化直方图中任意连续三个灰度值对应的像素数量并标记为像素验证总数；获取像素验证总数与像素总数的比值并标记为图像评价系数；根据图像评价系数对初筛图像的质量进行评价，生成质量分析标签；通过处理器将初筛图像及对应的质量分析标签分别发送至图像分割模块和数据存储模块；
当图像分割模块接收到初筛图像之后，获取初筛图像对应的质量分析标签；当质量分析标签为1时，将初筛图像进行划分成2×2的像素区域，将像素区域标记为i；设定分割类别、分割类别对应的均值向量和协方差矩阵；分割类别、分割类别对应的均值向量和协方差矩阵结合期望最大算法获取最大似然参数，并获取像素区域i属于分割类别m的标准化后验矩阵，根据标准化后验矩阵计算后验概率，根据后验概率对初筛图像中色选机和粘连物料进行分割，获取粘连物料的图像并标记为目标图像；通过处理器将目标图像发送至物料分类模块和数据存储模块；
当物料分类模块接收到目标图像之后，通过数据存储模块获取训练数据集；所述训练数据集包括物料图像及对应的物料种类；将训练数据集按照设定比例划分为训练集、测试集和校验集；构建人工智能模型；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将完成训练的人工智能模型标记为分类模型；将目标图像输入至分类模型中获取输出结果；所述输出结果为目标图像中物料对应的物料种类。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (4)

1.一种基于混合高斯模型的色选机粘连物料图像分割方法，其特征在于，所述图像分割方法包括以下步骤：
步骤一：控制系统通过图像采集单元采集原始图像，并将原始图像分别发送至质量分析模块和数据存储模块；当质量分析模块接收到原始图像之后，对原始图像进行图像预处理并标记初筛图像；所述图像预处理包括灰度变换；
步骤二：获取初筛图像的像素总数和灰度值变化直方图；获取灰度值变化直方图中任意连续三个灰度值对应的像素数量并标记为像素验证总数；获取像素验证总数与像素总数的比值并标记为图像评价系数；根据图像评价系数对初筛图像的质量进行评价，生成质量分析标签；通过处理器将初筛图像及对应的质量分析标签分别发送至图像分割模块和数据存储模块；
步骤三：当质量分析标签为1时，将初筛图像进行划分成像素区域，将像素区域标记为i；设定分割类别、分割类别对应的均值向量和协方差矩阵；分割类别、分割类别对应的均值向量和协方差矩阵结合期望最大算法获取最大似然参数，并获取像素区域i属于分割类别m的标准化后验矩阵，根据标准化后验矩阵计算后验概率，根据后验概率对初筛图像中色选机和粘连物料进行分割，获取粘连物料的图像并标记为目标图像；通过处理器将目标图像发送至物料分类模块和数据存储模块。
2.根据权利要求1所述的一种基于混合高斯模型的色选机粘连物料图像分割方法，其特征在于，所述控制系统包括处理器、数据采集模块、质量分析模块、图像分割模块、物料分类模块和数据存储模块；
所述数据采集模块与图像采集单元电气连接；所述数据采集模块通过图像采集单元采集原始图像，并将原始图像分别发送至质量分析模块和数据存储模块；
所述图像分割模块通过混合高斯模型对初筛图像进行分割，包括：
当图像分割模块接收到初筛图像之后，获取初筛图像对应的质量分析标签；当质量分析标签为1时，将初筛图像进行划分成2×2的像素区域，将像素区域标记为i；设定分割类别、分割类别对应的均值向量和协方差矩阵；将分割类别标记为m；分割类别、分割类别对应的均值向量和协方差矩阵结合期望最大算法获取最大似然参数，并获取像素区域
Figure DEST_PATH_IMAGE002
属于分割类别m的标准化后验矩阵，根据标准化后验矩阵计算后验概率，根据后验概率对初筛图像中色选机和粘连物料进行分割，获取粘连物料的图像并标记为目标图像；通过处理器将目标图像发送至物料分类模块和数据存储模块。
3.根据权利要求2所述的一种基于混合高斯模型的色选机粘连物料图像分割方法，其特征在于，所述物料分类模块对目标图像进行分析获取物料种类，包括：
当物料分类模块接收到目标图像之后，通过数据存储模块获取训练数据集；将训练数据集按照设定比例划分为训练集、测试集和校验集； 构建人工智能模型；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将完成训练的人工智能模型标记为分类模型；将目标图像输入至分类模型中获取输出结果；所述输出结果为目标图像中物料对应的物料种类。
4.根据权利要求2所述的一种基于混合高斯模型的色选机粘连物料图像分割方法，其特征在于，所述质量分析模块用于对原始图像进行质量分析，并获取质量分析标签。
CN202110286944.XA 2021-03-17 2021-03-17 一种基于混合高斯模型的色选机粘连物料图像分割方法 Active CN112991362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110286944.XA CN112991362B (zh) 2021-03-17 2021-03-17 一种基于混合高斯模型的色选机粘连物料图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110286944.XA CN112991362B (zh) 2021-03-17 2021-03-17 一种基于混合高斯模型的色选机粘连物料图像分割方法

Publications (2)

Publication Number Publication Date
CN112991362A CN112991362A (zh) 2021-06-18
CN112991362B true CN112991362B (zh) 2022-11-01

Family

ID=76334193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110286944.XA Active CN112991362B (zh) 2021-03-17 2021-03-17 一种基于混合高斯模型的色选机粘连物料图像分割方法

Country Status (1)

Country Link
CN (1) CN112991362B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689390B (zh) * 2021-08-06 2023-10-24 广东工业大学 一种无缺陷样本学习的异常检测方法
CN114985305B (zh) * 2022-05-27 2024-04-26 安徽国祯生态科技有限公司 一种秸秆质量检测分类系统及方法
CN117173208B (zh) * 2023-11-01 2024-03-12 浙江鸿昌铝业有限公司 基于数据分析的铝型材锯切过程误差判断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101345891A (zh) * 2008-08-25 2009-01-14 重庆医科大学 基于信息熵和对比度的无参考图像质量评价方法
CN107123123A (zh) * 2017-05-02 2017-09-01 电子科技大学 基于卷积神经网络的图像分割质量评价方法
CN108416770A (zh) * 2018-03-07 2018-08-17 西北工业大学 一种基于视觉显著性的图像质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3021441B1 (fr) * 2014-05-26 2017-09-29 Snecma Procede et dispositif d'estimation d'un indice de qualite d'une image 3d d'une piece de materiau composite

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101345891A (zh) * 2008-08-25 2009-01-14 重庆医科大学 基于信息熵和对比度的无参考图像质量评价方法
CN107123123A (zh) * 2017-05-02 2017-09-01 电子科技大学 基于卷积神经网络的图像分割质量评价方法
CN108416770A (zh) * 2018-03-07 2018-08-17 西北工业大学 一种基于视觉显著性的图像质量评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Underwater image quality enhancement of sea cucumbers based on improved histogram equalization and wavelet transform;Xi Qiao;《Information Processing in Agriculture》;20170610;第4卷(第3期);全文 *
公路隧道闭路电视系统的图像质量评价研究;代东林等;《公路隧道》;20160315(第01期);全文 *
基于空间相关性的图像分割算法研究;李鹏等;《计算机应用研究》;20130115(第01期);全文 *

Also Published As

Publication number Publication date
CN112991362A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112991362B (zh) 一种基于混合高斯模型的色选机粘连物料图像分割方法
CN111181939B (zh) 一种基于集成学习的网络入侵检测方法及装置
CN111723654B (zh) 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
CN112163628A (zh) 一种适用于嵌入式设备的改进目标实时识别网络结构的方法
CN110827260B (zh) 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN111723749A (zh) 一种安全帽佩戴识别方法、系统及设备
CN111881958A (zh) 车牌分类识别方法、装置、设备及存储介质
CN110473181A (zh) 基于边缘特征信息的屏幕内容图像的无参质量评价方法
CN115294009A (zh) 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质
CN112560880A (zh) 目标分类方法、目标分类装置及计算机可读存储介质
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
CN115984158A (zh) 缺陷分析方法、装置、电子设备及计算机可读存储介质
CN113642479A (zh) 人脸图像的评价方法、装置、电子设备及存储介质
CN113469233A (zh) 基于深度学习的烟叶自动定级方法及系统
CN115620083B (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
CN110855474A (zh) Kqi数据的网络特征提取方法、装置、设备及存储介质
CN115601747A (zh) 一种贴壁细胞汇合度的计算方法和系统
CN112380985A (zh) 变电站入侵异物实时检测方法
CN112528996B (zh) 图片处理方法、装置、设备、存储介质和计算机程序产品
CN117315380B (zh) 一种基于深度学习的肺炎ct图像分类方法及系统
CN113408669B (zh) 图像的确定方法、装置、存储介质及电子装置
CN113255681B (zh) 一种生物数据性状识别系统
CN117798654B (zh) 汽轮机轴系中心智能调整系统

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