CN113570597A - 基于人工智能的泥头车车厢脏污程度的判定方法及系统 - Google Patents

基于人工智能的泥头车车厢脏污程度的判定方法及系统 Download PDF

Info

Publication number
CN113570597A
CN113570597A CN202111022672.9A CN202111022672A CN113570597A CN 113570597 A CN113570597 A CN 113570597A CN 202111022672 A CN202111022672 A CN 202111022672A CN 113570597 A CN113570597 A CN 113570597A
Authority
CN
China
Prior art keywords
dirty
degree
pixel points
hue
color
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
CN202111022672.9A
Other languages
English (en)
Inventor
瞿建英
张亚娟
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.)
Nantong Zhonghuang Tools Co ltd
Original Assignee
Nantong Zhonghuang Tools 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 Nantong Zhonghuang Tools Co ltd filed Critical Nantong Zhonghuang Tools Co ltd
Priority to CN202111022672.9A priority Critical patent/CN113570597A/zh
Publication of CN113570597A publication Critical patent/CN113570597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06T2207/30248—Vehicle exterior or interior

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种基于人工智能的泥头车车厢脏污程度的判定方法及系统，该方法包括：泥头车车厢颜色色相和泥土颜色色相构成车厢图像中脏污像素点的色相，根据脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度；基于每个脏污像素点周围与其脏污程度相同的像素点的分布情况获取脏污像素点的分布集中程度；基于车厢图像中每个脏污像素点的脏污程度和分布集中程度，判定泥头车车厢的整体脏污程度。本发明根据每个像素点的脏污程度和分布集中程度判定泥头车车厢的整体脏污程度，综合考虑了车厢脏污程度的影响因素并对其进行量化，提高车厢整体脏污程度判断的合理性和准确性。

Description

基于人工智能的泥头车车厢脏污程度的判定方法及系统
技术领域
本发明涉及人工智能领域，具体为一种基于人工智能的泥头车车厢脏污程度的判定方法及系统。
背景技术
现阶段检测车辆脏污程度的方法有光反射法、图像减除结合轮廓分析等方法，其中，光反射法受外界光照的影响较大，且需要配置除相机之外的光源设备和接收设备，成本较高；而图像减除结合轮廓分析的方法需要获得与待检测车辆型号一致的干净车辆图像，对车辆的型号和方案的实施限制均较大。
发明内容
为了解决上述问题，本发明提出一种基于人工智能的泥头车车厢脏污程度的判定方法，该方法包括：
泥头车车厢颜色色相和泥土颜色色相构成车厢图像中脏污像素点的色相，根据脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度；
基于每个脏污像素点周围与其脏污程度相同的像素点的分布情况获取脏污像素点的分布集中程度；
基于车厢图像中每个脏污像素点的脏污程度和分布集中程度，判定泥头车车厢的整体脏污程度。
进一步地，所述泥土颜色色相的占比的获取方法为：
脏污像素点的色相中车厢颜色色相、泥土颜色色相的占比分别为
Figure DEST_PATH_IMAGE001
、
Figure 560232DEST_PATH_IMAGE002
，改变
Figure 221020DEST_PATH_IMAGE001
、
Figure 238655DEST_PATH_IMAGE002
的值，获取渐变色相卡，所述渐变色相卡中每个位置对应一组占比值
Figure DEST_PATH_IMAGE003
；
寻找脏污像素点色相在渐变色相卡中所处位置，该位置对应的
Figure 624899DEST_PATH_IMAGE002
值为脏污像素点的色相中泥土颜色色相的占比。
进一步地，
Figure 157511DEST_PATH_IMAGE001
和
Figure 684308DEST_PATH_IMAGE002
的取值范围为[0，1]。
进一步地，所述脏污像素点的分布集中程度的获取方法为：分别对不同脏污程度的脏污像素点进行提取，得到每种脏污程度下的像素分布图；
根据像素分布图中脏污像素点的分布情况进行脏污子区域划分，根据脏污像素点的脏污程度和所属脏污子区域的大小获取脏污像素点的分布集中程度。
进一步地，每个脏污像素点对应的脏污程度和分布集中程度相乘后再求和得到泥头车车厢脏污程度。
本发明还提出一种基于人工智能的泥头车车厢脏污程度的判定系统，该系统包括：
第一模块，用于根据脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度；其中，泥头车车厢颜色色相和泥土颜色色相构成车厢图像中脏污像素点的色相；
第二模块，用于基于每个脏污像素点周围与其脏污程度相同的像素点的分布情况获取脏污像素点的分布集中程度；
第三模块，用于基于车厢图像中每个脏污像素点的脏污程度和分布集中程度，判定泥头车车厢的整体脏污程度。
进一步地，所述泥土颜色色相的占比的获取步骤为：
脏污像素点的色相中车厢颜色色相、泥土颜色色相的占比分别为
Figure 618766DEST_PATH_IMAGE001
、
Figure 815392DEST_PATH_IMAGE002
，改变
Figure 835300DEST_PATH_IMAGE001
、
Figure 900208DEST_PATH_IMAGE002
的值，获取渐变色相卡，所述渐变色相卡中每个位置对应一组占比值
Figure 892435DEST_PATH_IMAGE003
；
寻找脏污像素点色相在渐变色相卡中所处位置，该位置对应的
Figure 587859DEST_PATH_IMAGE002
值为脏污像素点的色相中泥土颜色色相的占比。
进一步地，
Figure 157380DEST_PATH_IMAGE001
和
Figure 698083DEST_PATH_IMAGE002
的取值范围为[0，1]。
进一步地，所述脏污像素点的分布集中程度的获取步骤为：分别对不同脏污程度的脏污像素点进行提取，得到每种脏污程度下的像素分布图；
根据像素分布图中脏污像素点的分布情况进行脏污子区域划分，根据脏污像素点的脏污程度和所属脏污子区域的大小获取脏污像素点的分布集中程度。
进一步地，每个脏污像素点对应的脏污程度和分布集中程度相乘后再求和得到泥头车车厢脏污程度。
本发明的有益效果在于：
1.车厢颜色和泥土颜色混合在一起呈现出脏污车厢效果，因此，本发明中基于脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度，去除了车厢颜色的影响，可以得到精确的像素点的脏污程度。
2.任意颜色的车辆都可基于本发明构造相应的渐变色相卡，进而获取每个脏污像素点的脏污程度，因此，本发明泛化能力高；此外，本发明只需基于普通相机进行图像采集即可获取车厢的整体脏污程度，成本低且实施限制性少，实用性强。
3.本发明根据每个像素点的脏污程度和分布集中程度判定泥头车车厢的整体脏污程度，综合考虑了车厢脏污程度的影响因素并对其进行量化，提高车厢整体脏污程度判断的合理性和准确性。
附图说明
图1为本发明方法实施流程图。
具体实施方式
为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
实施例一：
该实施例提供了一种基于人工智能的泥头车车厢脏污程度的判定方法，该方法实施流程如图1所示，具体地，该方法包括：
步骤S1，泥头车车厢颜色色相和泥土颜色色相构成车厢图像中脏污像素点的色相，根据脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度。
1)提取脏污像素点：
获取泥头车车厢图像，为了减少图像采集过程中由视角和采集方式带来的干扰，提高判断的准确性，本发明借鉴线扫描的方法，对泥头车车厢侧面的正视图像进行处理，具体地，对采集到的图像进行像素选取和图像拼接，获得车厢侧面的完整正视图像，主要过程为：本发明在泥头车进入自动洗车间之前经过的道路两侧安置一个相机来采集车厢图像，根据车辆的行驶速度和相机的采样频率，调节在每帧图像中选取的像素的列数，使得对车厢图像的像素选取是连续不间断的，且信息不出现重复堆叠，再逐列拼接像素信息，得到完整的车厢图像。
实施例中根据像素点的颜色可将其分为两类，一类是车厢、车厢上的反光条、标语等属于车辆本身的颜色且没有脏污泥土的车厢像素点；一类是车厢上有不同程度脏污泥土的脏污像素点。优选地，实施例中采用DNN网络对像素点颜色进行分类，即提取脏污像素点，DNN网络为Encoder-Decoder的结构，其具体的训练过程为：采集的车厢侧面的正视图像构成数据集；标签为2类，无脏污的车厢像素点和有脏污的车厢像素点，该方式为像素级分类，即给车厢图像中的所有像素标注上对应标签，标注无脏污的车厢像素点值为0，标注有脏污的车厢像素点值为1；采用交叉熵损失函数。
需要说明，为了减少其他颜色的干扰，提高本发明的准确度，实施例中将车辆像素点中与车厢颜色不同的反光条、标语等干扰颜色替换为车厢本身的颜色。
2)获取脏污像素点的色相中泥土颜色色相的占比：
a)脏污像素点的色相中车厢颜色色相、泥土颜色色相的占比分别为
Figure 544816DEST_PATH_IMAGE001
、
Figure 971993DEST_PATH_IMAGE002
，改变
Figure 966494DEST_PATH_IMAGE001
、
Figure 248571DEST_PATH_IMAGE002
的值，获取渐变色相卡，所述渐变色相卡中每个位置对应一组占比值
Figure 340023DEST_PATH_IMAGE003
，
Figure 377250DEST_PATH_IMAGE001
和
Figure 531150DEST_PATH_IMAGE002
的取值范围为[0，1]；所述渐变色相卡可以为色相圆、色相环、色相带，优选地，实施例中以色相圆为例，说明色相圆的获取方法：
Figure 679235DEST_PATH_IMAGE001
和
Figure 359615DEST_PATH_IMAGE002
的起始值分别为0和1，即只包含车厢颜色色相H1，不包含泥土颜色即土黄色的色相H2；改变
Figure 567742DEST_PATH_IMAGE001
和
Figure 474519DEST_PATH_IMAGE002
的值，即脏污像素点的色相中同时包括车厢颜色色相和泥土颜色色相，具体地，按照顺时针方向逐渐增大
Figure 223032DEST_PATH_IMAGE001
，减小
Figure 961181DEST_PATH_IMAGE002
，且始终保持
Figure 277892DEST_PATH_IMAGE004
，得到色相渐变的渐变色相圆，具体地，
Figure 468702DEST_PATH_IMAGE001
和
Figure 522371DEST_PATH_IMAGE002
的取值与顺时针角度
Figure DEST_PATH_IMAGE005
有关，即
Figure 318289DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE007
。
因此，渐变色相圆上的每个位置点都对应一组占比值
Figure 196115DEST_PATH_IMAGE003
，即每个位置点对应的色相值不同，且位置点间色相值的差异来源于车厢颜色色相、泥土颜色色相的占比
Figure 811904DEST_PATH_IMAGE001
和
Figure 433378DEST_PATH_IMAGE002
的不同。
b)寻找脏污像素点色相在渐变色相卡中所处位置，该位置对应的
Figure 880540DEST_PATH_IMAGE002
值为脏污像素点的色相中泥土颜色色相的占比；具体地，对于所提取的每个脏污像素点，可根据其色相找到其在渐变色相圆中的对应位置，该位置对应的
Figure 273476DEST_PATH_IMAGE001
和
Figure 438878DEST_PATH_IMAGE002
值为脏污像素点色相中车厢颜色色相和泥土颜色色相的占比。
3)实施例中以
Figure 332884DEST_PATH_IMAGE002
值表示脏污像素点的脏污程度，
Figure 900132DEST_PATH_IMAGE002
值越大，脏污像素点的色相中泥土颜色色相的占比越多，该脏污像素点处泥土的厚度越厚，相应的该像素点越脏污。
需要注意的是，应用本发明获取
Figure 729548DEST_PATH_IMAGE002
的前提是脏污车厢的脏污区域至少可以隐约看到车厢的颜色。
步骤S2，基于每个脏污像素点周围与其脏污程度相同的像素点的分布情况获取脏污像素点的分布集中程度。
脏污像素点的分布集中程度的获取方法具体为：分别对不同脏污程度的脏污像素点进行提取，得到每种脏污程度下的像素分布图；根据像素分布图中脏污像素点的分布情况进行脏污子区域划分，根据脏污像素点的脏污程度和所属脏污子区域的大小获取脏污像素点的分布集中程度。
实施例中每种脏污程度下的像素分布图的获取方法为：
将
Figure 954817DEST_PATH_IMAGE008
的所有脏污像素点看作一类，脏污等级为1，将原始车厢图像中不属于该等级的像素点值设置为0得到像素分布图
Figure DEST_PATH_IMAGE009
；将
Figure 793460DEST_PATH_IMAGE010
的所有脏污像素点看作一类，脏污等级为2，将原始车厢图像中不属于该等级的像素点值设置为0得到像素分布图
Figure DEST_PATH_IMAGE011
；以此类推，得到十张像素分布图。
实施例中根据像素分布图中脏污像素点的分布情况进行脏污子区域划分，具体地，像素分布图
Figure 543110DEST_PATH_IMAGE012
中，
Figure DEST_PATH_IMAGE013
的取值范围为[1,10]，脏污子区域的划分方法为：
在像素分布图
Figure 809006DEST_PATH_IMAGE012
中，分别以每个脏污像素点为预设大小窗口的中心点，优选地，窗口大小为3*3，获取窗口中脏污像素点的数量，脏污像素点数量最多的窗口为原始窗口，若得到的脏污像素点数量最多的窗口有多个，则每个脏污像素点数量最多的窗口为预选窗口，获取预选窗口中心点与其他窗口中心点间的距离之和，距离之和最小的预选窗口为最终确定的原始窗口。
以原始窗口为中心窗口，找到中心窗口的四邻域窗口，获取每个邻域窗口中脏污像素点的个数
Figure 11317DEST_PATH_IMAGE014
，若
Figure DEST_PATH_IMAGE015
，则以
Figure 653651DEST_PATH_IMAGE015
的邻域窗口作为新的中心窗口，重新获取新的中心窗口的四邻域窗口，若邻域窗口中脏污像素点的个数
Figure 992229DEST_PATH_IMAGE015
，则以
Figure 225764DEST_PATH_IMAGE015
的邻域窗口作为新的中心窗口，重复上述步骤，直至新的中心窗口的所有邻域窗口中脏污像素点的个数均小于等于5；至此，得到的所有
Figure 525158DEST_PATH_IMAGE015
的窗口及原始窗口构成一个脏污子区域。
在像素分布图
Figure 502342DEST_PATH_IMAGE012
中剔除获得的所有脏污子区域中包括的脏污像素点后，重新确定原始窗口，按照上述步骤获取新的脏污子区域；若原始窗口的四邻域窗口中脏污像素点的数量均小于等于5，则原始窗口对应的区域为一个脏污子区域。
实施例中，根据脏污像素点的脏污程度和所属脏污子区域的大小获取脏污像素点的分布集中程度，具体为：
对于每个脏污像素点，基于该脏污像素点对应的脏污程度
Figure 196890DEST_PATH_IMAGE002
，获取该脏污像素点对应的像素分布图
Figure 804589DEST_PATH_IMAGE012
，以及像素分布图
Figure 653596DEST_PATH_IMAGE012
中包括该脏污像素点的脏污子区域的大小，优选地，以脏污子区域中窗口的个数
Figure 231208DEST_PATH_IMAGE016
表征脏污子区域的大小
Figure 482061DEST_PATH_IMAGE016
，则
Figure DEST_PATH_IMAGE017
为该脏污像素点的分布集中程度
Figure 260661DEST_PATH_IMAGE018
。
步骤S3，基于车厢图像中每个脏污像素点的脏污程度和分布集中程度，判定泥头车车厢的整体脏污程度。
对
Figure 659282DEST_PATH_IMAGE018
进行归一化处理，得到
Figure DEST_PATH_IMAGE019
，具体地，每个脏污像素点对应的脏污程度和分布集中程度相乘后再求和得到泥头车车厢的整体脏污程度：
Figure 447109DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
为泥头车车厢的整体脏污程度，
Figure 880364DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
分别为车厢图像中第
Figure 829866DEST_PATH_IMAGE024
个脏污像素点的脏污程度、分布集中程度，
Figure DEST_PATH_IMAGE025
为车厢图像中脏污像素点的总个数，
Figure 417580DEST_PATH_IMAGE026
为车厢图像中像素点的总个数。
步骤S4，根据泥头车车厢的整体脏污程度确定清洗强度。
对于一个自动洗车间，其最大出水量
Figure DEST_PATH_IMAGE027
和最大水枪压力
Figure 868153DEST_PATH_IMAGE028
是不变的，因此将其作为清洗强度的调整基础。车厢的整体脏污程度
Figure 31281DEST_PATH_IMAGE021
的取值范围为(0,1)，
Figure 948421DEST_PATH_IMAGE021
值越大，车厢的整体脏污程度越高，所需对应的总水量和水枪压力越大，具体地，对泥头车车厢进行清洗时的总水量为
Figure DEST_PATH_IMAGE029
，水枪压力为
Figure 587213DEST_PATH_IMAGE030
，实现根据泥头车车厢的整体脏污程度对其进行适宜强度的清洗。
实施例二：
基于与上述方法实施例相同的发明构思，该实施例提供了一种基于人工智能的泥头车车厢脏污程度的判定系统，具体地，该系统包括：
第一模块，用于根据脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度；其中，泥头车车厢颜色色相和泥土颜色色相构成车厢图像中脏污像素点的色相；
第二模块，用于基于每个脏污像素点周围与其脏污程度相同的像素点的分布情况获取脏污像素点的分布集中程度；
第三模块，用于基于车厢图像中每个脏污像素点的脏污程度和分布集中程度，判定泥头车车厢的整体脏污程度。
关于系统实施例，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可；以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。

Claims (7)

1.一种基于人工智能的泥头车车厢脏污程度的判定方法，其特征在于，该方法包括：
泥头车车厢颜色色相和泥土颜色色相构成车厢图像中脏污像素点的色相，根据脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度；其中，所述泥土颜色色相的占比的获取方法为：
脏污像素点的色相中车厢颜色色相、泥土颜色色相的占比分别为α、β，改变α、β的值，获取渐变色相卡，所述渐变色相卡中每个位置对应一组占比值(α,β)；
寻找脏污像素点色相在渐变色相卡中所处位置，该位置对应的β值为脏污像素点的色相中泥土颜色色相的占比；
基于每个脏污像素点周围与其脏污程度相同的像素点的分布情况获取脏污像素点的分布集中程度；
基于车厢图像中每个脏污像素点的脏污程度和分布集中程度，判定泥头车车厢的整体脏污程度。
2.如权利要求1所述的方法，其特征在于，
Figure DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE004
的取值范围为[0，1]。
3.如权利要求2所述的方法，其特征在于，所述脏污像素点的分布集中程度的获取方法为：分别对不同脏污程度的脏污像素点进行提取，得到每种脏污程度下的像素分布图；
根据像素分布图中脏污像素点的分布情况进行脏污子区域划分，根据脏污像素点的脏污程度和所属脏污子区域的大小获取脏污像素点的分布集中程度。
4.如权利要求3所述的方法，其特征在于，每个脏污像素点对应的脏污程度和分布集中程度相乘后再求和得到泥头车车厢脏污程度。
5.一种基于人工智能的泥头车车厢脏污程度的判定系统，其特征在于，该系统包括：
第一模块，用于根据脏污像素点的色相中泥土颜色色相的占比获取脏污像素点的脏污程度；其中，泥头车车厢颜色色相和泥土颜色色相构成车厢图像中脏污像素点的色相；其中，所述泥土颜色色相的占比的获取具体为：
脏污像素点的色相中车厢颜色色相、泥土颜色色相的占比分别为α、β，改变α、β的值，获取渐变色相卡，所述渐变色相卡中每个位置对应一组占比值(α,β)；
寻找脏污像素点色相在渐变色相卡中所处位置，该位置对应的β值为脏污像素点的色相中泥土颜色色相的占比；
第二模块，用于基于每个脏污像素点周围与其脏污程度相同的像素点的分布情况获取脏污像素点的分布集中程度；
第三模块，用于基于车厢图像中每个脏污像素点的脏污程度和分布集中程度，判定泥头车车厢的整体脏污程度。
6.如权利要求5所述的系统，其特征在于，
Figure 290936DEST_PATH_IMAGE002
和
Figure 473655DEST_PATH_IMAGE004
的取值范围为[0，1]。
7.如权利要求6所述的系统，其特征在于，所述脏污像素点的分布集中程度的获取步骤为：分别对不同脏污程度的脏污像素点进行提取，得到每种脏污程度下的像素分布图；
根据像素分布图中脏污像素点的分布情况进行脏污子区域划分，根据脏污像素点的脏污程度和所属脏污子区域的大小获取脏污像素点的分布集中程度。
如权利要求7所述的系统，其特征在于，每个脏污像素点对应的脏污程度和分布集中程度相乘后再求和得到泥头车车厢脏污程度。
CN202111022672.9A 2021-09-01 2021-09-01 基于人工智能的泥头车车厢脏污程度的判定方法及系统 Pending CN113570597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111022672.9A CN113570597A (zh) 2021-09-01 2021-09-01 基于人工智能的泥头车车厢脏污程度的判定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111022672.9A CN113570597A (zh) 2021-09-01 2021-09-01 基于人工智能的泥头车车厢脏污程度的判定方法及系统

Publications (1)

Publication Number Publication Date
CN113570597A true CN113570597A (zh) 2021-10-29

Family

ID=78173385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111022672.9A Pending CN113570597A (zh) 2021-09-01 2021-09-01 基于人工智能的泥头车车厢脏污程度的判定方法及系统

Country Status (1)

Country Link
CN (1) CN113570597A (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09178558A (ja) * 1995-12-22 1997-07-11 Kawasaki Heavy Ind Ltd 物体の色判定方法および装置
CN102592272A (zh) * 2011-01-12 2012-07-18 腾讯科技（深圳）有限公司 一种图片主色调提取方法及装置
CN102694958A (zh) * 2012-02-10 2012-09-26 华为终端有限公司 一种确定图像色相的方法和无线手持设备
CN103440503A (zh) * 2013-09-12 2013-12-11 青岛海信网络科技股份有限公司 一种车辆车身颜色检测识别方法
CN103761303A (zh) * 2014-01-22 2014-04-30 广东欧珀移动通信有限公司 一种图片的排列显示方法及装置
CN104135660A (zh) * 2014-08-14 2014-11-05 广东光阵光电科技有限公司 一种摄像模组脏污检测方法及检测系统
CN104349161A (zh) * 2014-09-17 2015-02-11 常熟实盈光学科技有限公司 摄像头模组影像脏污判定方法
CN104949998A (zh) * 2015-07-01 2015-09-30 华中农业大学 一种群体产地禽蛋表面脏污的在线视觉检测装置及其方法
US20160163028A1 (en) * 2014-04-04 2016-06-09 Beijing Kingsoft Network Technology Co., Ltd. Method and device for image processing
CN106503638A (zh) * 2016-10-13 2017-03-15 金鹏电子信息机器有限公司 用于颜色识别的图像处理、车辆颜色识别方法和系统
US20170079599A1 (en) * 2014-07-18 2017-03-23 Fujifilm Corporation Moisture feeling evaluation device, moisture feeling evaluation method, and moisture feeling evaluation program
JP2018063588A (ja) * 2016-10-13 2018-04-19 有限会社修榮シール 色判定装置、制御方法、及びプログラム
CN112102319A (zh) * 2020-11-17 2020-12-18 常州市瑞泰光电有限公司 脏污图像检测方法、脏污图像检测装置及脏污图像检测机构
CN112204608A (zh) * 2019-08-27 2021-01-08 深圳市大疆创新科技有限公司 图像处理方法及装置
CN112588764A (zh) * 2020-11-28 2021-04-02 李振环 基于人工智能的光伏组件上多机器人协同清洁方法及装置
CN112734766A (zh) * 2020-12-14 2021-04-30 王富才 基于人工智能的光伏清洁机器人清洁参数调整方法与系统
CN113129356A (zh) * 2020-01-16 2021-07-16 安翰科技(武汉)股份有限公司 胶囊内窥镜系统及其图像染色面积识别方法及计算机可读存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09178558A (ja) * 1995-12-22 1997-07-11 Kawasaki Heavy Ind Ltd 物体の色判定方法および装置
CN102592272A (zh) * 2011-01-12 2012-07-18 腾讯科技（深圳）有限公司 一种图片主色调提取方法及装置
CN102694958A (zh) * 2012-02-10 2012-09-26 华为终端有限公司 一种确定图像色相的方法和无线手持设备
CN103440503A (zh) * 2013-09-12 2013-12-11 青岛海信网络科技股份有限公司 一种车辆车身颜色检测识别方法
CN103761303A (zh) * 2014-01-22 2014-04-30 广东欧珀移动通信有限公司 一种图片的排列显示方法及装置
US20160163028A1 (en) * 2014-04-04 2016-06-09 Beijing Kingsoft Network Technology Co., Ltd. Method and device for image processing
US20170079599A1 (en) * 2014-07-18 2017-03-23 Fujifilm Corporation Moisture feeling evaluation device, moisture feeling evaluation method, and moisture feeling evaluation program
CN104135660A (zh) * 2014-08-14 2014-11-05 广东光阵光电科技有限公司 一种摄像模组脏污检测方法及检测系统
CN104349161A (zh) * 2014-09-17 2015-02-11 常熟实盈光学科技有限公司 摄像头模组影像脏污判定方法
CN104949998A (zh) * 2015-07-01 2015-09-30 华中农业大学 一种群体产地禽蛋表面脏污的在线视觉检测装置及其方法
CN106503638A (zh) * 2016-10-13 2017-03-15 金鹏电子信息机器有限公司 用于颜色识别的图像处理、车辆颜色识别方法和系统
JP2018063588A (ja) * 2016-10-13 2018-04-19 有限会社修榮シール 色判定装置、制御方法、及びプログラム
CN112204608A (zh) * 2019-08-27 2021-01-08 深圳市大疆创新科技有限公司 图像处理方法及装置
CN113129356A (zh) * 2020-01-16 2021-07-16 安翰科技(武汉)股份有限公司 胶囊内窥镜系统及其图像染色面积识别方法及计算机可读存储介质
CN112102319A (zh) * 2020-11-17 2020-12-18 常州市瑞泰光电有限公司 脏污图像检测方法、脏污图像检测装置及脏污图像检测机构
CN112588764A (zh) * 2020-11-28 2021-04-02 李振环 基于人工智能的光伏组件上多机器人协同清洁方法及装置
CN112734766A (zh) * 2020-12-14 2021-04-30 王富才 基于人工智能的光伏清洁机器人清洁参数调整方法与系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YANMEI DONG; MINGTAO PEI; XIAMENG QIN: "Vehicle Color Recognition Based on License Plate Color", 2014 TENTH INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY, 22 January 2015 (2015-01-22) *
YOOSEUNG WANG; JIHUN PARK: "Transitional Asymmetric Non-local Neural Networks for Real-World Dirt Road Segmentation", 2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), 5 May 2021 (2021-05-05) *
王枚;王国宏;: "基于伴生与互补颜色特征的车牌字符分割新方法", 山东大学学报(工学版), no. 01, 28 February 2007 (2007-02-28) *
邱琳;吴华山;陈效民;潘剑君;: "利用染色示踪和图像处理技术对土壤大孔隙进行定量研究", 土壤, no. 04, 15 August 2007 (2007-08-15) *

Similar Documents

Publication Publication Date Title
CN104112370B (zh) 基于监控图像的停车场智能车位识别方法及系统
CN104036466B (zh) 一种视频去雾方法与系统
CN103324935B (zh) 一种图像中对车辆进行定位与区域分割的方法与系统
CN110415255B (zh) 一种免疫组化病理图像cd3阳性细胞核分割方法及系统
CN110322522B (zh) 一种基于目标识别区域截取的车辆颜色识别方法
CN106780356A (zh) 基于卷积神经网络和先验信息的图像去雾方法
CN103020917B (zh) 一种基于显著性检测的中国古代书法绘画图像复原方法
CN107578386A (zh) 一种无人机拍摄图像的优化去雾处理方法
CN110400318B (zh) 一种免疫组化病理图像cd4阳性细胞核分割方法及系统
CN108510491A (zh) 虚化背景下人体骨骼关键点检测结果的过滤方法
CN113409267B (zh) 一种基于深度学习的路面裂缝检测与分割方法
CN112200746B (zh) 一种雾天交通场景图像的去雾方法和设备
CN105335949A (zh) 一种视频图像去雨方法及系统
CN111598814B (zh) 基于极端散射通道的单图像去雾方法
CN106127124A (zh) 出租车前排区域的异常图像信号的自动检测方法
CN111738931B (zh) 光伏阵列无人机航拍图像的阴影去除算法
CN105898111A (zh) 一种基于谱聚类的视频去雾方法
CN109118450A (zh) 一种沙尘天气条件下的低质图像增强方法
CN113487509B (zh) 一种像素聚类及透射率融合的遥感图像雾气去除方法
CN109767407A (zh) 一种去雾过程中大气透射率图像的二次估计方法
CN113570597A (zh) 基于人工智能的泥头车车厢脏污程度的判定方法及系统
CN109800693B (zh) 一种基于颜色通道混合特征的夜间车辆检测方法
CN110197465B (zh) 一种有雾图像增强方法
CN108346313B (zh) 一种空车位检测方法及系统
CN116503821A (zh) 基于点云数据和图像识别的道路标识识别方法及系统

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