CN114820478A - 脐橙果实病害图像标注方法、装置、计算机设备 - Google Patents
脐橙果实病害图像标注方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN114820478A CN114820478A CN202210379306.7A CN202210379306A CN114820478A CN 114820478 A CN114820478 A CN 114820478A CN 202210379306 A CN202210379306 A CN 202210379306A CN 114820478 A CN114820478 A CN 114820478A
- Authority
- CN
- China
- Prior art keywords
- image
- navel orange
- outputting
- disease
- orange fruit
- 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
- 235000005976 Citrus sinensis Nutrition 0.000 title claims abstract description 101
- 240000002319 Citrus sinensis Species 0.000 title claims abstract description 101
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 96
- 201000010099 disease Diseases 0.000 title claims abstract description 85
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 85
- 238000002372 labelling Methods 0.000 title claims description 61
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000003708 edge detection Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002401 inhibitory effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G06T5/70—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明实施例公开了一种脐橙果实病害图像标注方法，将脐橙果实病害图像数据输入图像数据处理模块，图像数据处理模块输出作为边缘检测模块的输入，边缘检测模块的输出以及原图作为图像数据标注模块的输入，图像标注模块输出为标注图像以及标注坐标信息文本，由此可知，本方法应用与脐橙病害图像数据集标注可以实现自动批处理标注，替代传统人工标注，极大程度上降低时间和人工成本。
Description
技术领域
本发明涉及农业图像数据处理技术领域，尤其涉及一种脐橙果实病害图像标注方法。
背景技术
脐橙是世界使用最广泛的水果之一，中国是世界上脐橙生产和消费的大国，在世界脐橙产业中占有重要的地位。随着人工智能技术的发展，对脐橙果实病害的识别逐步采用计算机视觉技术替代人工，在此基础上，对于脐橙果实病害图像数据集的标注技术不可或缺。目前对于深度学习数据集的图像标注的主要方法是利用LabelImage软件工具人工每张图片进行标注。该方法耗费大量的时间和人工成本。
发明内容
为解决现有存在的技术问题，本发明实施例提供了一种脐橙果实病害图像标注方法。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种脐橙果实病害图像标注方法，所述方法包括：
根据所述脐橙果实病害图像，输出预处理图像，其中，所述预处理图像的清晰度大于所述脐橙果实病害图像；
根据所述预处理图像，输出标注框的起点横纵坐标、宽和高，其中，所述标注框内为所述预处理图像上的脐橙病害果实；
根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像。
优选的，所述根据所述脐橙果实病害图像，输出预处理图像，包括：
根据所述脐橙果实病害图像，将所述脐橙果实病害图像转换成为灰度图；
对所述灰度图进行消除图像噪音处理，再进行形态学闭运算，最后输出所述预处理图像。
优选的，所述对所述灰度图进行消除图像噪音处理，包括：
按照高斯滤波计算策略，对所述灰度图进行消除图像噪音处理。
优选的，所述根据所述预处理图像，输出标注框的起点横纵坐标、宽和高，包括：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向；
根据每个所述像素点的梯度强度和方向，确定脐橙病害果实真实和潜在的边缘，然后，按照边缘检测计算策略，输出带有脐橙病害果实边缘信息的二值化图像；
根据所述二值化图像，输出所述标注框的起点横纵坐标、宽和高。
优选的，所述根据所述二值化图像，输出所述标注框的起点横纵坐标、宽和高，包括：
根据所述二值化图像，按照轮廓近似计算策略，输出一组或多组脐橙病害果实的边缘轮廓坐标信息；
根据每组脐橙病害果实的边缘轮廓坐标信息，确定所述标注框的起点横纵坐标、宽和高。
优选的，所述根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，包括：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，再按照线性插值计算策略抑制冗余的脐橙病害果实的边缘。
优选的，所述根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像，包括：
通过2D绘图库输入所述标注框的起点横纵坐标、宽和高以及原始图像，输出绘制了所述标注框的标注图像。
本发明实施例还提供了一种脐橙果实病害图像标注装置，包括：
图像预处理模块，用于根据所述脐橙果实病害图像，输出预处理图像；
脐橙果实检测模块，用于根据所述预处理图像，输出标注框的起点横纵坐标、宽和高；
图像标注模块，用于根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像。
本发明实施例还提供了一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中所述处理器用于运行所述计算机程序时，实现所述的脐橙果实病害图像标注方法。
本发明实施例还提供了一种计算机存储介质，存储有可执行程序，所述可执行程序被处理器执行时，实现所述的脐橙果实病害图像标注方法。
上述实施例所提供的一种脐橙果实病害图像标注方法，将脐橙果实病害图像数据输入图像数据处理模块，图像数据处理模块输出作为边缘检测模块的输入，边缘检测模块的输出以及原图作为图像数据标注模块的输入，图像标注模块输出为标注图像以及标注坐标信息文本，由此可知，本方法应用与脐橙病害图像数据集标注可以实现自动批处理标注，替代传统人工标注，极大程度上降低时间和人工成本。
附图说明
图1为本发明一实施例所提供的方法的流程示意图；
图2为本发明一实施例所提供的装置的结构示意图；
图3为本发明一实施例所提供的计算机设备的结构示意图；
具体实施方式
以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“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。
本发明实施例中提供的一种脐橙果实病害图像标注方法，属于农业图像数据处理技术领域，应用场景可以为：脐橙果实病害图像标注等场景中。可以理解的是，脐橙是世界使用最广泛的水果之一，中国是世界上脐橙生产和消费的大国，在世界脐橙产业中占有重要的地位。随着人工智能技术的发展，对脐橙果实病害的识别逐步采用计算机视觉技术替代人工，在此基础上，对于脐橙果实病害图像数据集的标注技术不可或缺。目前对于深度学习数据集的图像标注的主要方法是利用LabelImage软件工具人工每张图片进行标注。该方法耗费大量的时间和人工成本。
基于此，如何提高成为了亟需解决的技术问题。
需要指出的是，该方法由计算机设备执行。需要说明的是，这里的计算机设备是指任何具有计算处理功能的设备，包括但不限于固定终端设备或者移动终端设备。该固定终端设备可以包括但不限于台式电脑或者计算机设备等，该移动终端设备可以包括但不限于手机、平板电脑、穿戴式设备或者笔记本电脑等。
以下结合附图及具体实施例对本发明技术方案做进一步的详细阐述。
参考图1，本发明实施例提供一种脐橙果实病害图像标注方法，所述方法包括：
S11：根据所述脐橙果实病害图像，输出预处理图像，其中，所述预处理图像的清晰度大于所述脐橙果实病害图像；
S12：根据所述预处理图像，输出标注框的起点横纵坐标、宽和高，其中，所述标注框内为所述预处理图像上的脐橙病害果实；
S13：根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像。
示例性的，参考图2，本方法主要分为图像数据处理模块、脐橙病害果实检测模块和图像数据标注模块三大部分。基于脐橙果实病害的特征大多体现于脐橙果实上原理，对图像进行边缘检测获取脐橙果实坐标对脐橙果实标注进而实现对脐橙果实病害标注的效果。将脐橙果实病害图像数据输入图像数据处理模块，图像数据处理模块输出作为边缘检测模块的输入，边缘检测模块的输出以及原图作为图像数据标注模块的输入，图像标注模块输出为标注图像以及标注坐标信息文本，由此可知，本方法应用与脐橙病害图像数据集标注可以实现自动批处理标注，替代传统人工标注，极大程度上降低时间和人工成本。
在一些实施例中，所述根据所述脐橙果实病害图像，输出预处理图像，包括：
根据所述脐橙果实病害图像，将所述脐橙果实病害图像转换成为灰度图；
对所述灰度图进行消除图像噪音处理，再进行形态学闭运算，最后输出所述预处理图像。
在一些实施例中，所述对所述灰度图进行消除图像噪音处理，包括：
按照高斯滤波计算策略，对所述灰度图进行消除图像噪音处理。
示例性的，在本方法中图像处理模块接收脐橙果实病害图像。具体的，首先将脐橙果实病害图像转换成为灰度图，之后进行高斯滤波处理消除图像噪音，再进行形态学闭运算，最后输出脐橙病害果实特征更为清晰的预处理图像。
在一些实施例中，所述根据所述预处理图像，输出标注框的起点横纵坐标、宽和高，包括：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向；
根据每个所述像素点的梯度强度和方向，确定脐橙病害果实真实和潜在的边缘，然后，按照边缘检测计算策略，输出带有脐橙病害果实边缘信息的二值化图像；
根据所述二值化图像，输出所述标注框的起点横纵坐标、宽和高。
示例性的，在上述实施例中，首先计算图像中的每个像素点的梯度强度和方向，其次应用双阈值(Double-Threshold)检测来确定真实和潜在的边缘，通过抑制孤立的弱边缘完成边缘检测，输出带有边缘信息的二值化图像。
在一些实施例中，所述根据所述二值化图像，输出所述标注框的起点横纵坐标、宽和高，包括：
根据所述二值化图像，按照轮廓近似计算策略，输出一组或多组脐橙病害果实的边缘轮廓坐标信息；
根据每组脐橙病害果实的边缘轮廓坐标信息，确定所述标注框的起点横纵坐标、宽和高。
示例性的，获得二值化图像之后，对二值化图像进行轮廓近似操作以减少无效边缘提高边缘信息价值，输出一组或多组边缘轮廓坐标信息。对每组脐橙边缘轮廓坐标信息中最小的X值作为标注框的起点横坐标，最小的Y值作为标注框的起点纵坐标，最大的X值与最小的X值的差作为标注框的宽，最大的Y值与最小的Y值的差作为标注框的高。最后输出标注框的起点横纵坐标、标注框的宽和标注框的高。
在一些实施例中，所述根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，包括：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，再按照线性插值计算策略抑制冗余的脐橙病害果实的边缘。
需要说明的是，在上述实施例中，按照线性插值计算策略抑制冗余的脐橙病害果实的边缘是为了消除边缘检测带来的杂散影响。
在一些实施例中，所述根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，包括：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，应用非极大值(Non-Maximum Suppression)抑制冗余的脐橙病害果实的边缘。
在一些实施例中，所述根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像，包括：
通过2D绘图库输入所述标注框的起点横纵坐标、宽和高以及原始图像，输出绘制了所述标注框的标注图像。
示例性的，通过matplotlib输入标注框的起点横纵坐标、标注框的宽、标注框的高以及原始图像，输出绘制了矩形标注框的标注图像。最后，通过调用操作系统的文件系统输出图像标注信息的横纵坐标、宽和高。
如图2所示，本发明实施例还提供了一种脐橙果实病害图像标注装置，包括：
图像预处理模块，用于根据所述脐橙果实病害图像，输出预处理图像；
脐橙果实检测模块，用于根据所述预处理图像，输出标注框的起点横纵坐标、宽和高；
图像标注模块，用于根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像。
在一些实施例中，所述图像预处理模块，还用于：
根据所述脐橙果实病害图像，将所述脐橙果实病害图像转换成为灰度图；
对所述灰度图进行消除图像噪音处理，再进行形态学闭运算，最后输出所述预处理图像；
在一些实施例中，所述图像预处理模块，还用于：
按照高斯滤波计算策略，对所述灰度图进行消除图像噪音处理；
在一些实施例中，所述脐橙果实检测模块，还用于：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向；
根据每个所述像素点的梯度强度和方向，确定脐橙病害果实真实和潜在的边缘，然后，按照边缘检测计算策略，输出带有脐橙病害果实边缘信息的二值化图像；
根据所述二值化图像，输出所述标注框的起点横纵坐标、宽和高
在一些实施例中，所述脐橙果实检测模块，还用于：
根据所述二值化图像，按照轮廓近似计算策略，输出一组或多组脐橙病害果实的边缘轮廓坐标信息；
根据每组脐橙病害果实的边缘轮廓坐标信息，确定所述标注框的起点横纵坐标、宽和高；
在一些实施例中，所述脐橙果实检测模块，还用于：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，再按照线性插值计算策略抑制冗余的脐橙病害果实的边缘；
在一些实施例中，所述图像标注模块，还用于：
通过2D绘图库输入所述标注框的起点横纵坐标、宽和高以及原始图像，输出绘制了所述标注框的标注图像。
这里需要指出的是：以上装置项的描述，与上述方法项描述是类似的，同方法的有益效果描述，不做赘述。对于本发明装置实施例中未披露的技术细节，请参照本发明方法实施例的描述。
如图3所示，本发明实施例还提供了一种计算机设备，包括处理器31和用于存储能够在处理器上运行的计算机程序的存储器32，其中所述处理器用于运行所述计算机程序时，实现应用于所述的方法。
在一些实施例中，本发明实施例中的存储器32可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的系统和方法的存储器32旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器31可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器31中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器31可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器32，处理器31读取存储器32中的信息，结合其硬件完成上述方法的步骤。
在一些实施例中，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明又一实施例提供了一种计算机存储介质，该计算机可读存储介质存储有可执行程序，所述可执行程序被处理器31执行时，可实现应用于所述方法的步骤。例如，如图1所示的方法中的一个或多个。
在一些实施例中，所述计算机存储介质可以包括：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。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种脐橙果实病害图像标注方法，其特征在于，所述方法包括：
根据所述脐橙果实病害图像，输出预处理图像，其中，所述预处理图像的清晰度大于所述脐橙果实病害图像；
根据所述预处理图像，输出标注框的起点横纵坐标、宽和高，其中，所述标注框内为所述预处理图像上的脐橙病害果实；
根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述脐橙果实病害图像，输出预处理图像，包括：
根据所述脐橙果实病害图像，将所述脐橙果实病害图像转换成为灰度图；
对所述灰度图进行消除图像噪音处理，再进行形态学闭运算，最后输出所述预处理图像。
3.根据权利要求2所述的方法，其特征在于，所述对所述灰度图进行消除图像噪音处理，包括：
按照高斯滤波计算策略，对所述灰度图进行消除图像噪音处理。
4.根据权利要求1所述的方法，其特征在于，所述根据所述预处理图像，输出标注框的起点横纵坐标、宽和高，包括：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向；
根据每个所述像素点的梯度强度和方向，确定脐橙病害果实真实和潜在的边缘，然后，按照边缘检测计算策略，输出带有脐橙病害果实边缘信息的二值化图像；
根据所述二值化图像，输出所述标注框的起点横纵坐标、宽和高。
5.根据权利要求4所述的方法，其特征在于，所述根据所述二值化图像，输出所述标注框的起点横纵坐标、宽和高，包括：
根据所述二值化图像，按照轮廓近似计算策略，输出一组或多组脐橙病害果实的边缘轮廓坐标信息；
根据每组脐橙病害果实的边缘轮廓坐标信息，确定所述标注框的起点横纵坐标、宽和高。
6.根据权利要求5所述的方法，其特征在于，所述根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，包括：
根据所述预处理图像，计算所述预处理图像中的每个像素点的梯度强度和方向，再按照线性插值计算策略抑制冗余的脐橙病害果实的边缘。
7.根据权利要求1所述的方法，其特征在于，所述根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像，包括：
通过2D绘图库输入所述标注框的起点横纵坐标、宽和高以及原始图像，输出绘制了所述标注框的标注图像。
8.一种脐橙果实病害图像标注装置，包括：
图像预处理模块，用于根据所述脐橙果实病害图像，输出预处理图像；
脐橙果实检测模块，用于根据所述预处理图像，输出标注框的起点横纵坐标、宽和高；
图像标注模块，用于根据所述标注框的起点横纵坐标、宽和高以及所述脐橙果实病害图像，输出绘制了所述标注框的标注图像。
9.一种计算机设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中所述处理器用于运行所述计算机程序时，实现权利要求1至7任一项所述的脐橙果实病害图像标注方法。
10.一种计算机存储介质，其特征在于，存储有可执行程序，所述可执行程序被处理器执行时，实现如权利要求1至7中任一项所述的脐橙果实病害图像标注方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379306.7A CN114820478A (zh) | 2022-04-12 | 2022-04-12 | 脐橙果实病害图像标注方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210379306.7A CN114820478A (zh) | 2022-04-12 | 2022-04-12 | 脐橙果实病害图像标注方法、装置、计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114820478A true CN114820478A (zh) | 2022-07-29 |
Family
ID=82534622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210379306.7A Pending CN114820478A (zh) | 2022-04-12 | 2022-04-12 | 脐橙果实病害图像标注方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114820478A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523563A (zh) * | 2018-11-01 | 2019-03-26 | 华东师范大学 | 一种提高显微图像标注效率的方法 |
| CN109821763A (zh) * | 2019-02-25 | 2019-05-31 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
| CN110170456A (zh) * | 2019-04-30 | 2019-08-27 | 南京邮电大学 | 基于图像处理的水果分拣装置 |
| CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
| CN113392819A (zh) * | 2021-08-17 | 2021-09-14 | 北京航空航天大学 | 一种批量化学术图像自动分割标注装置和方法 |
| CN114119695A (zh) * | 2021-11-24 | 2022-03-01 | 奥比中光科技集团股份有限公司 | 一种图像标注方法、装置及电子设备 |
-
2022
- 2022-04-12 CN CN202210379306.7A patent/CN114820478A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523563A (zh) * | 2018-11-01 | 2019-03-26 | 华东师范大学 | 一种提高显微图像标注效率的方法 |
| CN109821763A (zh) * | 2019-02-25 | 2019-05-31 | 山东大学 | 一种基于机器视觉的水果分拣系统及其图像识别方法 |
| CN110170456A (zh) * | 2019-04-30 | 2019-08-27 | 南京邮电大学 | 基于图像处理的水果分拣装置 |
| CN112132153A (zh) * | 2020-09-22 | 2020-12-25 | 山东大学 | 基于聚类和形态学处理的番茄果实识别方法及系统 |
| CN113392819A (zh) * | 2021-08-17 | 2021-09-14 | 北京航空航天大学 | 一种批量化学术图像自动分割标注装置和方法 |
| CN114119695A (zh) * | 2021-11-24 | 2022-03-01 | 奥比中光科技集团股份有限公司 | 一种图像标注方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 赵小川: "《MATLAB图像处理》", 31 January 2019, 北京航空航天大学出版社, pages: 17 - 18 * |
| 陈泽斌;罗文婷;李林: "基于改进U-net模型的路面裂缝智能识别", 数据采集与处理, no. 002, 31 December 2020 (2020-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020238560A1 (zh) | 视频目标跟踪方法、装置、计算机设备及存储介质 | |
| US10614574B2 (en) | Generating image segmentation data using a multi-branch neural network | |
| CN101689300B (zh) | 图像分割和增强 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN110427946B (zh) | 一种文档图像二值化方法、装置和计算设备 | |
| CN110969046B (zh) | 人脸识别方法、设备及计算机可读存储介质 | |
| CN112308866A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN110738030A (zh) | 表格重建方法、装置、电子设备及存储介质 | |
| CN111898610B (zh) | 卡片缺角检测方法、装置、计算机设备及存储介质 | |
| CN113034497A (zh) | 一种基于视觉的保温杯焊缝定位检测方法及系统 | |
| Zhou et al. | Fast and resource-efficient hardware implementation of modified line segment detector | |
| CN113487473B (zh) | 一种添加图像水印的方法、装置、电子设备及存储介质 | |
| CN114359048A (zh) | 图像的数据增强方法、装置、终端设备及存储介质 | |
| CN108682021B (zh) | 快速手部跟踪方法、装置、终端及存储介质 | |
| CN113850060A (zh) | 民航文档数据识别录入方法及系统 | |
| CN113177957A (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
| CN110070017B (zh) | 一种人脸假眼图像生成方法及装置 | |
| CN115345895B (zh) | 用于视觉检测的图像分割方法、装置、计算机设备及介质 | |
| CN114820478A (zh) | 脐橙果实病害图像标注方法、装置、计算机设备 | |
| Gao et al. | Design and implementation of local threshold segmentation based on fpga | |
| CN111325706A (zh) | 一种晶界提取、晶界提取模型生成方法及装置 | |
| Manikandan et al. | Text reader for visually impaired people: Any reader | |
| CN111160358B (zh) | 一种图像二值化方法、装置、设备、介质 | |
| CN114332890A (zh) | 表格结构提取方法、装置、电子设备及存储介质 | |
| CN114596210A (zh) | 噪声估计方法、装置、终端设备及计算机可读存储介质 |
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 |