CN114359150A - 一种基于边缘检测和直方图阈值设定的工服检测方法 - Google Patents
一种基于边缘检测和直方图阈值设定的工服检测方法 Download PDFInfo
- Publication number
- CN114359150A CN114359150A CN202111474008.8A CN202111474008A CN114359150A CN 114359150 A CN114359150 A CN 114359150A CN 202111474008 A CN202111474008 A CN 202111474008A CN 114359150 A CN114359150 A CN 114359150A
- Authority
- CN
- China
- Prior art keywords
- edge detection
- picture
- work clothes
- color
- value
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims description 16
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000000177 Indigofera tinctoria Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229940097275 indigo Drugs 0.000 description 1
- COHYTHOBJLSHDF-UHFFFAOYSA-N indigo powder Natural products N1C2=CC=CC=C2C(=O)C1=C1C(=O)C2=CC=CC=C2N1 COHYTHOBJLSHDF-UHFFFAOYSA-N 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边缘检测和直方图阈值设定的工服检测方法，涉及神经网络识别技术领域，解决了现有采用RFID技术或者条码对人进行身份识别的衣物识别技术还不够成熟和精确，需要对其进行改进的技术问题。该方法包括步骤：S100：获取并录入工作人员身穿工服的图片；S200：检测所述图片的人体目标信息并输出待检测图片；S300：对所述待检测图片进行边缘检测；S400：对所述待检测图片进行直方图均衡；S500：设定阈值并识别所述工服信息；S600：输出所述工服识别结果。本发明用于完善衣物识别技术、降低成本以及提高识别准确率，并能够投入市场生产，广泛应用。
Description
技术领域
本发明涉及工服检测技术领域，尤其涉及一种基于边缘检测和直方图阈值设定的工服检测方法。
背景技术
在电力、建筑等环境复杂且容易出现安全事故的领域，在日常作业时，工作人员需要穿戴规范的工作服等防护装备。现有技术中，一般采用RFID技术或者条码对人进行身份识别。通常是将衣物识别模块设置在衣物处理设备上，工服上设置有衣物二维码标签或者RFID标签，衣物处理设备通过衣物二维码标签或者RFID标签对工服进行身份识别。在每次进行衣物处理时，衣物处理设备均需要先进行衣物识别过程，从而根据衣物识别结果进行人员的识别，但每次进行衣物识别均需要大量时间，且无法保证衣物均被识别。
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。现有技术的卷积网络可以容易地识别图像中的每个对象，对图片中出现的对象进行识别分类。经对比，若能够通过人工智能训练出衣物上面的信息点和颜色等一系列特征，将减少许多繁琐步骤，能够降低成本。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有采用RFID技术或者条码对人进行身份识别的衣物识别技术还不够成熟和精确，需要对其进行改进。
发明内容
本发明的目的在于提供一种基于边缘检测和直方图阈值设定的工服检测方法，以解决现有采用RFID技术或者条码对人进行身份识别的衣物识别技术还不够成熟和精确，需要对其进行改进的技术问题。本发明提供的诸多技术方案中的优选技术方案所能产生的诸多技术效果详见下文阐述。
为实现上述目的，本发明提供了以下技术方案：
本发明提供的一种基于边缘检测和直方图阈值设定的工服检测方法，包括步骤：
S100：获取并录入工作人员身穿工服的图片；
S200：检测所述图片的人体目标信息并输出待检测图片；
S300：对所述待检测图片进行边缘检测；
S400：对所述待检测图片进行直方图均衡；
S500：设定阈值并识别所述工服信息；
S600：输出所述工服识别结果。
优选的，所述步骤S300包括步骤：
S310：提取所述待检测图片；
S320：采用Sobel边缘检测算子剔除所述待检测图片的背景边缘；
S330：保存剔除背景边缘后的特征图。
优选的，若所述特征图为彩色图像，所述步骤S400包括步骤：
S410：将所述特征图从RGB空间转换到HSI空间或者HSV空间，对所述特征图的强度分量或者明度分量进行直方图均衡；
S420：直方图均衡完成后转换回RGB颜色空间；
S430：所述RGB颜色空间内的颜色分量形成的颜色立方体分解为等大的8个正方体小块；
S440：所述特征图根据输入的RGB颜色值与所述正方体小块对应判断颜色。
优选的，所述步骤S500包括步骤：
S510：提取所述特征图的颜色特征；
S520：计算工服区域占人体区域的比值；
S530：设置工服颜色的占比区域阈值；
S540：根据所述占比区域阈值判断所述工服识别结果。
优选的，所述步骤S520中，对所述占比区域阈值进行波动平滑的上下限计算公式为：
上限计算公式：
下限计算公式：
其中
为所述工服的像素平均颜色值，xi为所述工服的每个像素值，i为所述工服的像素个数。
优选的，所述步骤S200使用训练好的YOLO v3网络对所述图片进行人体目标检测，并设置置信度阈值。
优选的，所述步骤S320中Sobel边缘检测算子分别对所述特征图的水平边缘和垂直边缘进行检测。
优选的，所述步骤S320中Sobel边缘检测算子对中心像素值P5乘2，再与所述中心像素值P5的邻域进行相加，所述检测的运算过程为：
S321：计算水平梯度值：P5x＝(P3-P1)+2*(P6-P4)+(P9-P7)；
S322：计算垂直梯度值：P5y＝(P7-P1)+2*(P8-P2)+(P9-P3)；
S323：计算近似梯度值；
所述P1～P9组成所述中心像素值P5的8邻域；所述P5是所述图片的中心像素值；所述P5x是中心像素值P5的水平梯度值；所述P5y是中心像素值P5的垂直梯度值。
优选的，所述近似梯度值的计算公式为：
Sobel＝|P5x|+|P5y|＝|(P3-P1)+2*(P6-P4)+(P9-P7)|+|(P7-P1)+2*(P8-P2)+(P9-P3)|；
所述Sobel是中心像素值P5的近似梯度值。
优选的，所述步骤S200～S600处理图片使用的软件为OpenCV。
实施本发明上述技术方案中的一个技术方案，具有如下优点或有益效果：
本发明能够完善衣物识别技术、降低成本以及提高识别准确率，并能够投入市场生产，广泛应用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见，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，附图中：
图1是本发明实施例的流程图；
图2是本发明实施例步骤300的流程图；
图3是本发明实施例步骤320的流程图；
图4是本发明实施例步骤400的流程图；
图5是本发明实施例步骤500的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下文将要描述的各种示例性实施例将要参考相应的附图，这些附图构成了示例性实施例的一部分，其中描述了实现本发明可能采用的各种示例性实施例。除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。应明白，它们仅是与如所附权利要求书中所详述的、本发明公开的一些方面相一致的流程、方法和装置等的例子，还可使用其他的实施例，或者对本文列举的实施例进行结构和功能上的修改，而不会脱离本发明的范围和实质。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”等指示的是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的元件必须具有的特定的方位、以特定的方位构造和操作。术语“第一”、“第二”等仅用于描述目的，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。术语“多个”的含义是两个或两个以上。术语“相连”、“连接”应做广义理解，例如，可以是固定连接、可拆卸连接、一体连接、机械连接、电连接、通信连接、直接相连、通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明，仅示出了与本发明实施例相关的部分。
实施例一：
如图1所示，本发明提供了一种基于边缘检测和直方图阈值设定的工服检测方法，包括步骤：S100：获取并录入工作人员身穿工服的图片；S200：检测图片的人体目标信息并输出待检测图片；S300：对待检测图片进行边缘检测；S400：对待检测图片进行直方图均衡；S500：设定阈值并识别工服信息；S600：输出工服识别结果。具体的，图像处理软件通过其他终端获取并录入工作人员身穿工服的图片，先对图片上的人体目标信息进行检测，通过提取工服上的信息点和颜色特征，再对工服进行检测识别，从而能够识别身份信息。本发明能够完善衣物识别技术、降低成本以及提高识别准确率，并能够投入市场生产，广泛应用。
作为可选的实施方式，如图2所示，步骤S300包括步骤：S310：提取待检测图片；S320：采用Sobel边缘检测算子剔除待检测图片的背景边缘；S330：保存剔除背景边缘后的特征图。具体的，YOLO v3网络输出的标记有人体目标信息框的图片进一步被OpenCV软件处理，采用Sobel边缘检测算子将特征图的背景边缘剔除，只剩下标记框内的人体目标信息，并保存使用。在对图片进行边缘检测前，需要对图片进行预处理。预处理包括图像去噪和灰度化处理。将彩色图像转换成灰度图像后，Sobel算子在灰度模式下对灰度图像进行边缘检测。
作为可选的实施方式，若特征图为彩色图像，如图4所示，步骤S400包括步骤：S410：将特征图从RGB空间转换到HSI空间或者HSV空间，对特征图的强度分量或者明度分量进行直方图均衡；S420：直方图均衡完成后转换回RGB颜色空间；S430：RGB颜色空间内的颜色分量形成的颜色立方体分解为等大的8个正方体小块；S440：特征图根据输入的RGB颜色值与正方体小块对应判断颜色。具体的，若是特征图为灰度图像，可直接进行直方图均衡。若人体目标信息框刚好落入整个图片的范围，在简单去噪后在OpenCV软件中直接进行特征提取。当特征图为彩色图像时，需要转换颜色空间进行直方图均衡后，再转换回RGB空间处理图片。直接在RGB空间进行直方图均衡会引入特殊的颜色，影响识别结果。本实施例使用OpenCV软件，支持对图像进行YOLO v3网络检测和颜色特征提取，但图像的彩色通道顺序为BGR，而不是RGB。因此，在实际操作中，特征图的颜色值会作相应调整，与表1对应判断颜色。每个正方体小块都代表一种颜色，当输入的颜色值落入哪个正方形小块的区域就表示该图片是什么颜色。在进行颜色特征提取时，需要对图像进行直方图均衡调整对比度。之后计算工服区域占人体区域的比值，最后设置工服颜色的占比区域阈值并根据阈值判断工服颜色。
表1颜色和BGR值对应表
| 颜色 | BGR |
| 黑色 | 00 0 |
| 红色 | 0 0 255 |
| 绿色 | 0 255 0 |
| 黄色 | 0 255 255 |
| 蓝色 | 255 0 0 |
| 紫色 | 255 0 255 |
| 靛色 | 255 255 0 |
| 白色 | 255 255 255 |
作为可选的实施方式，如图5所示，步骤S500包括步骤：S510：提取特征图的颜色特征；S520：计算工服区域占人体区域的比值；S530：设置工服颜色的占比区域阈值；S540：根据占比区域阈值判断工服识别结果。具体的，提取图片中的颜色和信息点特征，能够对工作人员是否穿戴工服进行识别判断。在实际操作中，可能会因为姿势或动作，挡住部分人体或工服，需对工服与人体的比值进行计算，并设定合理范围。若工服比值在合理范围内，则可正确识别；若工服比值不在合理范围内，则可能造成错误识别或无法识别，影响识别准确率。根据特征图的颜色特征和信息点设定工服颜色的占比区域阈值，若检测到的颜色大于阈值，则判断检测人正常穿戴工服；若检测到的颜色小于阈值，则判断检测人异常穿戴工服。
作为可选的实施方式，步骤S520中，对占比区域阈值进行波动平滑的上下限计算公式为：
上限计算公式：
下限计算公式：
其中
为工服的像素平均颜色，xi为工服的每个像素值，i为工服的像素个数。具体的，
是RGB图像中RGB三个通道的平均值，通过上下限公式能够计算工服颜色的占比区域范围，从中设置合理的占比区域阈值。
作为可选的实施方式，步骤S200使用训练好的YOLO v3网络对图片进行人体目标检测，并设置置信度阈值。具体的，YOLO(You Only Look Once)系列算法是基于回归计算的检测方法，直接对图像划分网格，相当于将区域推荐过程简化为固定数量的网格划分，之后对网格进行预测，一步提取物体的类别概率和位置坐标值。YOLO v3算法借鉴了FPN的思想，能够从不同尺度提取特征。相比YOLOv2，YOLO v3提取最后3层特征图，不仅在每个特征图上分别独立做预测，同时通过将小特征图上采样到与大的特征图相同大小，然后与大的特征图拼接做进一步预测。用维度聚类的思想聚类出9种尺度的anchor box，将9种尺度的anchor box均匀的分配给3种尺度的特征图，再进行预测目标坐标和目标分类。本实施例使用训练好的YOLO v3网络，能够直接对图片中的人体目标信息进行标记，置信度阈值为0.7，输出的是带有标记人体目标信息框的特征图。
作为可选的实施方式，如图3所示，步骤S320中Sobel边缘检测算子分别对特征图的水平边缘和垂直边缘进行检测。具体的，采用Sobel边缘检测算子对背景边缘进行剔除，能够对特征图减少一定的干扰，进一步提高工服识别的正确率。
作为可选的实施方式，步骤S320中Sobel边缘检测算子对中心像素值P5乘2，再与中心像素值P5的邻域进行相加，检测的运算过程为：S321：计算水平梯度值：P5x＝(P3-P1)+2*(P6-P4)+(P9-P7)；S322：计算垂直梯度值：P5y＝(P7-P1)+2*(P8-P2)+(P9-P3)；S323：计算近似梯度值；P1～P9组成中心像素值P5的8邻域；P5x是中心像素值P5的水平梯度值；P5y是中心像素值P5的垂直梯度值。具体的，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。在灰度模式下，图片的像素值即为图像的灰度值。
作为可选的实施方式，近似梯度值的计算公式为：
Sobel＝|P5x|+|P5y|＝|(P3-P1)+2*(P6-P4)+(P9-P7)|+|(P7-P1)+2*(P8-P2)+(P9-P3)|；Sobel是中心像素值P5的近似梯度值。具体的，将水平梯度值与垂直梯度值的模相加，即可得到近似梯度值。
作为可选的实施方式，图片处理使用的软件为OpenCV。具体的，OpenCV软件是本实施例的优选软件，支持大部分语言编程和目标检测算法，能够更方便用户的使用。
实施例仅是一个特例，并不表明本发明就这样一种实现方式。
以上所述仅为本发明的较佳实施例而已，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等同替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。
Claims (10)
1.一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，包括步骤：
S100：获取并录入工作人员身穿工服的图片；
S200：检测所述图片的人体目标信息并输出待检测图片；
S300：对所述待检测图片进行边缘检测；
S400：对所述待检测图片进行直方图均衡；
S500：设定阈值并识别所述工服信息；
S600：输出所述工服识别结果。
2.根据权利要求1所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述步骤S300包括步骤：
S310：提取所述待检测图片；
S320：采用Sobel边缘检测算子剔除所述待检测图片的背景边缘；
S330：保存剔除背景边缘后的特征图。
3.根据权利要求1所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，若所述特征图为彩色图像，所述步骤S400包括步骤：
S410：将所述特征图从RGB空间转换到HSI空间或者HSV空间，对所述特征图的强度分量或者明度分量进行直方图均衡；
S420：直方图均衡完成后转换回RGB颜色空间；
S430：所述RGB颜色空间内的颜色分量形成的颜色立方体分解为等大的8个正方体小块；
S440：所述特征图根据输入的RGB颜色值与所述正方体小块对应判断颜色。
4.根据权利要求1所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述步骤S500包括步骤：
S510：提取所述特征图的颜色特征；
S520：计算工服区域占人体区域的比值；
S530：设置工服颜色的占比区域阈值；
S540：根据所述占比区域阈值判断所述工服识别结果。
5.根据权利要求4所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述步骤S520中，对所述占比区域阈值进行波动平滑的上下限计算公式为：
上限计算公式：
下限计算公式：
其中
为所述工服的平均颜色像素值，xi为所述工服的每个像素值，i为所述工服的像素个数。
6.根据权利要求1所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述步骤S200使用训练好的YOLO v3网络对所述图片进行人体目标检测，并设置置信度阈值。
7.根据权利要求2所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述步骤S320中Sobel边缘检测算子分别对所述特征图的水平边缘和垂直边缘进行检测。
8.根据权利要求7所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述步骤S320中Sobel边缘检测算子对中心像素值P5乘2，再与所述中心像素值P5的邻域进行相加，所述检测的运算过程为：
S321：计算水平梯度值：P5x＝(P3-P1)+2*(P6-P4)+(P9-P7)；
S322：计算垂直梯度值：P5y＝(P7-P1)+2*(P8-P2)+(P9-P3)；
S323：计算近似梯度值；
所述P1～P9组成所述中心像素值P5的8邻域；所述P5是所述图片的中心像素值；所述P5x是中心像素值P5的水平梯度值；所述P5y是中心像素值P5的垂直梯度值。
9.根据权利要求8所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述近似梯度值的计算公式为：
Sobel＝|P5x|+|P5y|＝|(P3-P1)+2*(P6-P4)+(P9-P7)|+|(P7-P1)+2*(P8-P2)+(P9-P3)|；
所述Sobel是中心像素值P5的近似梯度值。
10.根据权利要求1所述的一种基于边缘检测和直方图阈值设定的工服检测方法，其特征在于，所述步骤S200～S600处理图片使用的软件为OpenCV。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474008.8A CN114359150A (zh) | 2021-12-03 | 2021-12-03 | 一种基于边缘检测和直方图阈值设定的工服检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111474008.8A CN114359150A (zh) | 2021-12-03 | 2021-12-03 | 一种基于边缘检测和直方图阈值设定的工服检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114359150A true CN114359150A (zh) | 2022-04-15 |
Family
ID=81098250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111474008.8A Pending CN114359150A (zh) | 2021-12-03 | 2021-12-03 | 一种基于边缘检测和直方图阈值设定的工服检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114359150A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303515A (zh) * | 2015-09-22 | 2016-02-03 | 中国科学院上海技术物理研究所 | 一种针对密闭实验箱中特殊光照条件下的色偏校正方法 |
| CN107133564A (zh) * | 2017-03-26 | 2017-09-05 | 天津普达软件技术有限公司 | 一种工装工帽检测方法 |
| CN107481206A (zh) * | 2017-08-28 | 2017-12-15 | 湖南友哲科技有限公司 | 显微镜图像背景均衡处理算法 |
| CN109086675A (zh) * | 2018-07-06 | 2018-12-25 | 四川奇迹云科技有限公司 | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 |
| CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 |
| CN111242209A (zh) * | 2020-01-08 | 2020-06-05 | 久微信息技术无锡有限公司 | 一种制服识别方法 |
-
2021
- 2021-12-03 CN CN202111474008.8A patent/CN114359150A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303515A (zh) * | 2015-09-22 | 2016-02-03 | 中国科学院上海技术物理研究所 | 一种针对密闭实验箱中特殊光照条件下的色偏校正方法 |
| CN107133564A (zh) * | 2017-03-26 | 2017-09-05 | 天津普达软件技术有限公司 | 一种工装工帽检测方法 |
| CN107481206A (zh) * | 2017-08-28 | 2017-12-15 | 湖南友哲科技有限公司 | 显微镜图像背景均衡处理算法 |
| CN109086675A (zh) * | 2018-07-06 | 2018-12-25 | 四川奇迹云科技有限公司 | 一种基于光场成像技术的人脸识别及攻击检测方法及其装置 |
| CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 |
| CN111242209A (zh) * | 2020-01-08 | 2020-06-05 | 久微信息技术无锡有限公司 | 一种制服识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104732200B (zh) | 一种皮肤类型和皮肤问题的识别方法 | |
| CN110363088B (zh) | 基于多特征融合的自适应皮肤炎症区域检测方法 | |
| CN110287787B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
| CN112101260B (zh) | 一种作业人员安全带识别方法、装置、设备和存储介质 | |
| CN107292307B (zh) | 一种倒置汉字验证码自动识别方法及系统 | |
| CN110766016B (zh) | 一种基于概率神经网络的喷码字符识别方法 | |
| CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
| CN109543518A (zh) | 一种基于积分投影的人脸器官精确识别方法 | |
| CN113963041A (zh) | 一种图像纹理识别方法及系统 | |
| CN113808087A (zh) | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 | |
| CN107093186A (zh) | 基于边缘投影匹配的剧烈运动检测方法 | |
| CN110991434B (zh) | 自助终端证件识别方法及装置 | |
| CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
| CN118038515A (zh) | 一种人脸识别方法 | |
| Lin et al. | License plate location method based on edge detection and mathematical morphology | |
| Fitriyah et al. | Traffic sign recognition using edge detection and eigen-face: Comparison between with and without color pre-classification based on Hue | |
| CN117557505A (zh) | 一种基于机器视觉的绝缘服缺陷检测方法 | |
| CN115830719B (zh) | 基于图像处理的建筑工地危险行为识别方法 | |
| CN104615985B (zh) | 一种人脸相似度的识别方法 | |
| CN114359150A (zh) | 一种基于边缘检测和直方图阈值设定的工服检测方法 | |
| CN112164057A (zh) | 一种合格标签的检测方法、存储介质和电子设备 | |
| CN112418085B (zh) | 一种部分遮挡工况下的面部表情识别方法 | |
| CN111242209A (zh) | 一种制服识别方法 | |
| CN106600732A (zh) | 一种基于人脸识别的驾驶员培训计时系统及方法 | |
| CN114820597B (zh) | 一种基于人工智能的冶炼品缺陷检测方法、装置及系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: 518100 2301, 501, 401, Block A, Hongdian Building, No. 100, Huabao Road, Shansha Community, Pinghu Street, Longgang District, Shenzhen, Guangdong Applicant after: SHENZHEN HONGDIAN TECHNOLOGIES Corp. Address before: 518100 floors 14, 1501, 1502, 1503 and 16, block a, building 1, zhonghaixin science and Technology Park, No. 12, Ganli Sixth Road, Ganli Industrial Park, Buji street, Longgang District, Shenzhen, Guangdong Applicant before: SHENZHEN HONGDIAN TECHNOLOGIES Corp. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220415 |
|
| RJ01 | Rejection of invention patent application after publication |