CN114881876A - 一种尼龙网过滤器中滤网图像的增强方法及系统 - Google Patents

一种尼龙网过滤器中滤网图像的增强方法及系统 Download PDF

Info

Publication number
CN114881876A
CN114881876A CN202210476131.1A CN202210476131A CN114881876A CN 114881876 A CN114881876 A CN 114881876A CN 202210476131 A CN202210476131 A CN 202210476131A CN 114881876 A CN114881876 A CN 114881876A
Authority
CN
China
Prior art keywords
pixel
gray
pixels
neighborhood
screen image
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
CN202210476131.1A
Other languages
English (en)
Inventor
乔月红
邢冬娟
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.)
Qidong Dongzhen Ventilation Equipment Co ltd
Original Assignee
Qidong Dongzhen Ventilation Equipment 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 Qidong Dongzhen Ventilation Equipment Co ltd filed Critical Qidong Dongzhen Ventilation Equipment Co ltd
Priority to CN202210476131.1A priority Critical patent/CN114881876A/zh
Publication of CN114881876A publication Critical patent/CN114881876A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种尼龙网过滤器中滤网图像的增强方法及系统，该方法包括：获取尼龙网过滤器的滤网图像；滤网图像中的每个像素依次为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度；对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率；基于所述概率识别尼龙线，得到增强后的滤网图像。本发明可以准确识别滤网图像中的尼龙线像素。

Description

一种尼龙网过滤器中滤网图像的增强方法及系统
技术领域
本发明涉及图像处理领域，具体涉及一种尼龙网过滤器中滤网图像的增强方法及系统。
背景技术
尼龙网过滤器为常用的初效空气过滤器，在生产中可能会出现网面划伤等其他情况，导致过滤器的过滤面损伤，所以需要在生产后，对尼龙网面进行破洞检测。在进行破洞检测时，往往需要清晰的尼龙线显示，而由于尼龙网并非紧密无空洞的，如果采用常规的阈值分割进行尼龙线检测，由于存在很多的空洞，会干扰最终的尼龙网初效过滤器破洞检测结果的精度；并且常规的尼龙线检测方法也会受到很多噪点的影响使得尼龙线检测结果不良，致使破洞检测精度不达标。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种尼龙网过滤器中滤网图像的增强方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种尼龙网过滤器中滤网图像的增强方法，该方法包括以下具体步骤：
获取尼龙网过滤器的滤网图像；
滤网图像中的每个像素依次为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度；
对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率；
基于所述概率识别尼龙线，得到增强后的滤网图像。
进一步地，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度，具体为：
对目标像素的灰度进行负相关映射，得到映射值；
根据有效像素个数与目标像素邻域像素总个数，计算有效像素个数占比；
计算目标像素与各有效像素的灰度差值和，进行负相关映射，计算灰度差异指标；
根据映射值、有效像素个数占比和灰度差异指标计算目标像素邻域中低灰度像素密度。
进一步地，滤网图像中每个像素为尼龙线像素的概率的获取具体为：
对于滤网图像中的每个像素，获取该像素和其各邻域像素对应的低灰度像素密度的密度差值和，进行负相关映射，获取密度差值和映射值；根据该像素对应的低灰度像素密度和密度差值和映射值计算该像素为尼龙线像素的概率。
进一步地，基于滤网图像中各像素的坐标和对应的概率，利用聚类算法，识别尼龙线像素。
进一步地，所述邻域像素为四邻域像素或八邻域像素。
第二方面，本发明另一个实施例提供了一种尼龙网过滤器中滤网图像的增强系统，该系统具体包括：
图像获取模块，用于获取尼龙网过滤器的滤网图像；
密度计算模块，用于将滤网图像中的每个像素依次设为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度；
概率计算模块，用于对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率；
图像增强模块，用于基于所述概率识别尼龙线，得到增强后的滤网图像。
进一步地，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度，具体为：
对目标像素的灰度进行负相关映射，得到映射值；
根据有效像素个数与目标像素邻域像素总个数，计算有效像素个数占比；
计算目标像素与各有效像素的灰度差值和，进行负相关映射，计算灰度差异指标；
根据映射值、有效像素个数占比和灰度差异指标计算目标像素邻域中低灰度像素密度。
进一步地，滤网图像中每个像素为尼龙线像素的概率的获取具体为：
对于滤网图像中的每个像素，获取该像素和其各邻域像素对应的低灰度像素密度的密度差值和，进行负相关映射，获取密度差值和映射值；根据该像素对应的低灰度像素密度和密度差值和映射值计算该像素为尼龙线像素的概率。
进一步地，基于滤网图像中各像素的坐标和对应的概率，利用聚类算法，识别尼龙线像素。
进一步地，所述邻域像素为四邻域像素或八邻域像素。
本发明实施例至少具有如下有益效果：本发明基于灰度图像中尼龙线的灰度特性以及分布特征计算滤网图像中的每个像素为尼龙线像素的概率，基于所述概率识别检测滤网图像中的尼龙线，从而实现滤网图像中尼龙线的增强处理。本发明可以准确识别滤网图像中的尼龙线像素。
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和优点，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的介绍，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它附图。
图1为本发明方法实施例的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种尼龙网过滤器中滤网图像的增强方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。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。
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。
下面结合附图具体的说明本发明所提供的一种尼龙网过滤器中滤网图像的增强方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种尼龙网过滤器中滤网图像的增强方法的步骤流程图，该方法包括以下步骤：
获取尼龙网过滤器的滤网图像；
滤网图像中的每个像素依次为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度；
对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率；
基于所述概率识别尼龙线，得到增强后的滤网图像。
下面对上述各个步骤进行具体展开：
步骤S1，获取尼龙网过滤器的滤网图像。
将生产完成的尼龙网初效过滤器平放，相机在尼龙网初效过滤器的正面，采集尼龙网初效过滤器图像。在每次采集过程中，尼龙网初效过滤器的位置固定，相机位置固定，图像采集完成后，通过预先划定(可有相关从业人员进行划定)尼龙网初效过滤器的网面所在的固定ROI区域，得到仅含尼龙网初效过滤器网面的滤网图像。
一种实施方式中，可将滤网图像划分为若干图像块，依次对每个图像块进行处理，分别计算每个图像块中每个像素为尼龙线像素的概率，基于所述概率识别每个图像块中的尼龙线像素，最后对所有图像块中的尼龙线像素进行整合，完成尼龙线的检测识别。
优选地，为了使滤网图像中的尼龙网更加的显现，可对滤网图像进行初步的图像增强处理，例如，对滤网图像或图像块进行直方图均衡化处理，基于均衡化后的图像进行后续处理。
步骤S2，滤网图像中的每个像素依次为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度。
根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度，具体为：对目标像素的灰度进行负相关映射，得到映射值；根据有效像素个数与目标像素邻域像素总个数，计算有效像素个数占比；计算目标像素与各有效像素的灰度差值和，进行负相关映射，计算灰度差异指标；根据映射值、有效像素个数占比和灰度差异指标计算目标像素邻域中低灰度像素密度。所述邻域像素为四邻域像素或八邻域像素。
作为一个示例，目标像素邻域中低灰度像素密度的计算方法为：
Figure BDA0003625654830000041
p为目标像素邻域中低灰度像素密度，其值越大，表示目标像素邻域中低灰度值的像素的密度越高；h为目标像素的灰度值，由于经过直方图均衡化后像素的灰度值发生变化，因此，需要结合目标像素自身的灰度信息来获取其邻域中低灰度像素密度值；由于尼龙线为黑色,所以低灰度值的像素点是很可能属于尼龙线的像素点，因此，h+1的值越小，目标像素越可能是尼龙线像素，基于指数函数进行负相关映射，得到映射值exp(-(h+1))，exp(-(h+1))的值越大，低灰度像素密度值越大，目标像素为尼龙线像素的概率越高；z为目标像素对应的有效像素的个数占比，z值越大，说明目标像素的邻域内相对于目标像素的灰度值，低灰度像素越多，此处所述低灰度像素为灰度值低于目标像素的邻域像素；ht为目标像素对应的第t个有效像素的灰度值，
Figure BDA0003625654830000042
表示目标像素的灰度值与其8邻域像素灰度值的差值量，其值越大，则说明邻域像素的灰度值比目标像素低的越多，侧面反应了目标像素本身的灰度值高，因此，
Figure BDA0003625654830000043
的值越大，目标像素越不是尼龙线像素，
Figure BDA0003625654830000044
的值越小，说明目标像素越可能是尼龙线像素，其中，
Figure BDA0003625654830000045
为灰度差异指标。
按照上述方法，可计算得到滤网图像中每个像素对应的邻域中的低灰度像素密度。
步骤S3，对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率。
滤网图像中每个像素为尼龙线像素的概率的获取具体为：对于滤网图像中的每个像素，获取该像素和其各邻域像素对应的低灰度像素密度的密度差值和，进行负相关映射，获取密度差值和映射值；根据该像素对应的低灰度像素密度和密度差值和映射值计算该像素为尼龙线像素的概率。
作为一个示例，滤网图像中每个像素为尼龙线像素的概率的计算方法为：
Figure BDA0003625654830000046
g为滤网图像中任意一个像素为尼龙线像素的概率；p为所述任意一个像素对应的低灰度像素密度，p值越大，所述任意一个像素为尼龙线像素的概率越高；pm为所述任意一个像素的第m个邻域像素对应的低灰度像素密度；M为所述任意一个像素的邻域像素的总个数，实施例中邻域像素为4邻域像素或8邻域像素，因此，M的值为4或8。
不仅求得所述任意一个像素自身对应的低灰度值的像素密度，其8邻域的像素点也会有自身的低灰度值像素密度，所以求取所述任意一个像素的低灰度值像素密度值，与其余8个邻域像素点的低灰度值像素密度值的差值和
Figure BDA0003625654830000051
其值越大，表示邻域内像素的密度差异越大，表示了灰度值的不稳定性，所以其值越大，该所述任意一个像素属于尼龙线的概率反而越低；由于尼龙线为黑色，所以尼龙线像素的灰度值可以认为整体一致，即
Figure BDA0003625654830000052
值越小，灰度越稳定，其属于尼龙线的概率就越大，所以需要做负相关映射，得到密度差值和映射值
Figure BDA0003625654830000053
密度差值和映射值越大，所述任意一个像素属于尼龙线像素的概率就越大。
按照上述计算方法可得到滤网图像中每个像素为尼龙线像素的概率。
步骤S4，基于所述概率识别尼龙线，得到增强后的滤网图像。
由于滤网中的尼龙线是交叉相连的，因此，可基于滤网图像中各像素的坐标和对应的概率，利用聚类算法，识别尼龙线像素。优选地，利用密度聚类算法，将概率值近似且坐标连续的像素点聚为一类，进而识别出滤网图像中的尼龙线像素即尼龙线检测，得到尼龙线增强后的滤网图像。基于尼龙线增强后的滤网图像进行破洞检测时，其破洞检测结果精度更高。
基于与上述方法实施例相同的发明构思，本发明一个实施例提供了一种尼龙网过滤器中滤网图像的增强系统，该系统包括：
图像获取模块，用于获取尼龙网过滤器的滤网图像；
密度计算模块，用于将滤网图像中的每个像素依次设为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度；
概率计算模块，用于对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率；
图像增强模块，用于基于所述概率识别尼龙线，得到增强后的滤网图像。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种尼龙网过滤器中滤网图像的增强方法，其特征在于，该方法包括：
获取尼龙网过滤器的滤网图像；
滤网图像中的每个像素依次为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度；
对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率；
基于所述概率识别尼龙线，得到增强后的滤网图像。
2.如权利要求1所述的方法，其特征在于，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度，具体为：
对目标像素的灰度进行负相关映射，得到映射值；
根据有效像素个数与目标像素邻域像素总个数，计算有效像素个数占比；
计算目标像素与各有效像素的灰度差值和，进行负相关映射，计算灰度差异指标；
根据映射值、有效像素个数占比和灰度差异指标计算目标像素邻域中低灰度像素密度。
3.如权利要求2所述的方法，其特征在于，滤网图像中每个像素为尼龙线像素的概率的获取具体为：
对于滤网图像中的每个像素，获取该像素和其各邻域像素对应的低灰度像素密度的密度差值和，进行负相关映射，获取密度差值和映射值；根据该像素对应的低灰度像素密度和密度差值和映射值计算该像素为尼龙线像素的概率。
4.如权利要求3所述的方法，其特征在于，基于滤网图像中各像素的坐标和对应的概率，利用聚类算法，识别尼龙线像素。
5.如权利要求4所述的方法，其特征在于，所述邻域像素为四邻域像素或八邻域像素。
6.一种尼龙网过滤器中滤网图像的增强系统，其特征在于，该系统包括：
图像获取模块，用于获取尼龙网过滤器的滤网图像；
密度计算模块，用于将滤网图像中的每个像素依次设为目标像素，灰度值小于目标像素的邻域像素为有效像素，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度；
概率计算模块，用于对于滤网图像中的每个像素，根据该像素和其邻域像素对应的低灰度像素密度计算该像素为尼龙线像素的概率；
图像增强模块，用于基于所述概率识别尼龙线，得到增强后的滤网图像。
7.如权利要求6所述的系统，其特征在于，根据目标像素的灰度、有效像素个数和目标像素与有效像素的灰度差计算目标像素邻域中低灰度像素密度，具体为：
对目标像素的灰度进行负相关映射，得到映射值；
根据有效像素个数与目标像素邻域像素总个数，计算有效像素个数占比；
计算目标像素与各有效像素的灰度差值和，进行负相关映射，计算灰度差异指标；
根据映射值、有效像素个数占比和灰度差异指标计算目标像素邻域中低灰度像素密度。
8.如权利要求7所述的系统，其特征在于，滤网图像中每个像素为尼龙线像素的概率的获取具体为：
对于滤网图像中的每个像素，获取该像素和其各邻域像素对应的低灰度像素密度的密度差值和，进行负相关映射，获取密度差值和映射值；根据该像素对应的低灰度像素密度和密度差值和映射值计算该像素为尼龙线像素的概率。
9.如权利要求8所述的系统，其特征在于，基于滤网图像中各像素的坐标和对应的概率，利用聚类算法，识别尼龙线像素。
10.如权利要求9所述的系统，其特征在于，所述邻域像素为四邻域像素或八邻域像素。
CN202210476131.1A 2022-04-29 2022-04-29 一种尼龙网过滤器中滤网图像的增强方法及系统 Pending CN114881876A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210476131.1A CN114881876A (zh) 2022-04-29 2022-04-29 一种尼龙网过滤器中滤网图像的增强方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476131.1A CN114881876A (zh) 2022-04-29 2022-04-29 一种尼龙网过滤器中滤网图像的增强方法及系统

Publications (1)

Publication Number Publication Date
CN114881876A true CN114881876A (zh) 2022-08-09

Family

ID=82673391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476131.1A Pending CN114881876A (zh) 2022-04-29 2022-04-29 一种尼龙网过滤器中滤网图像的增强方法及系统

Country Status (1)

Country Link
CN (1) CN114881876A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170228A (zh) * 2022-02-14 2022-03-11 西南石油大学 一种计算机图像边缘检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170228A (zh) * 2022-02-14 2022-03-11 西南石油大学 一种计算机图像边缘检测方法

Similar Documents

Publication Publication Date Title
CN115311301B (zh) 一种pcb板焊点缺陷检测方法
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN115829883B (zh) 一种异性金属结构件表面图像去噪方法
US5872864A (en) Image processing apparatus for performing adaptive data processing in accordance with kind of image
CN109658424B (zh) 一种改进的鲁棒二维otsu阈值图像分割方法
CN106846339A (zh) 一种图像检测方法和装置
CN115147409B (zh) 基于机器视觉的手机壳生产品质检测方法
CN115661669B (zh) 一种基于视频监控的耕地违法占用监测方法及系统
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN115359047B (zh) 用于pcb板智能焊接的异常缺陷检测方法
CN111709964B (zh) 一种pcba目标边缘检测方法
CN108229583B (zh) 一种基于主方向差分特征的快速模板匹配的方法及装置
CN116883408A (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN118037722A (zh) 一种铜管生产缺陷检测方法及系统
CN114298985B (zh) 缺陷检测方法、装置、设备及存储介质
CN117557820A (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及系统
CN110633705A (zh) 一种低照度成像车牌识别方法及装置
CN109241865B (zh) 一种弱对比度交通场景下的车辆检测分割算法
CN114881876A (zh) 一种尼龙网过滤器中滤网图像的增强方法及系统
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
CN114998186A (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及系统
CN112532938B (zh) 一种基于大数据技术的视频监控系统
CN114554188A (zh) 基于图像传感器像素阵列的手机摄像头检测方法及装置
CN111080560B (zh) 一种图像的处理与识别方法

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