CN115343279A - 一种基于试纸的皮肤油脂评价方法 - Google Patents
一种基于试纸的皮肤油脂评价方法 Download PDFInfo
- Publication number
- CN115343279A CN115343279A CN202210839123.9A CN202210839123A CN115343279A CN 115343279 A CN115343279 A CN 115343279A CN 202210839123 A CN202210839123 A CN 202210839123A CN 115343279 A CN115343279 A CN 115343279A
- Authority
- CN
- China
- Prior art keywords
- skin
- grease
- area
- test paper
- irregular
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/4875—Details of handling test elements, e.g. dispensing or storage, not specific to a particular test method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Hematology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于试纸的皮肤油脂评价方法,包括:步骤(1):通过试纸采集皮肤的油脂,并获取带有皮肤油脂的试纸图像;步骤(2):采集所述试纸图像中不规则油脂区域的特征信息;步骤(3):将所述不规则油脂区域的特征信息输入皮肤油脂评价模型,输出皮肤的油脂状况。本发明能够对皮肤油脂状况进行有效评价,提高皮肤油脂状况评价的效率。
Description
技术领域
本发明涉及计算机图像处理技术领域,特别是涉及一种基于试纸的皮肤油脂评价方法。
背景技术
临床上根据皮肤表面脂质量的多少,可将皮肤大致分为:油性皮肤、干性皮肤、中性皮肤和混合皮肤等多种类型。油性皮肤者,皮脂腺的分泌功能比较旺盛,面部油腻,不易清洁,有影响美观的油光;同时还易出现面部相应的皮肤疾病,如痤疮、脂溢性皮炎等。控制皮脂腺过度分泌、减轻出油症状,是保持皮肤健康的关键。因此皮肤油脂状况是皮肤健康状况的一个很好的指标。
远程对受试者油脂状况进行评价时,由于无法接触皮肤,仅靠图像的判断会因为光线、角度、环境光、拍摄相机、识别技术因素等,导致评价结果极不准确。人工远程评价又会带有较强的主观性、模糊性,诊察结果与医生的经验密切相关,同时人工评估的时间和人工成本较高。因此,拍照识别或者医生远程评估的方法已经难以满足线上精确诊断的需求。
下面介绍两种典型的皮肤油脂检测方法:
实验室仪器Sebumeter检测方法:测量仪器需要配合一个皮脂测量盒来使用,皮脂测量盒包含一个厚度为0.1毫米的卷式消光胶带。在胶带的测量部分下面,有一面镜子。测量时,测量部份的胶带被压在皮肤上,当胶带吸收皮肤油脂后,就会变成半透明的。然后将测量盒插入设备的检测孔中,检测孔中光源所发射的光线经由测量胶带后方的镜子,反射至光电二极管,光线强度被记录。光透射率即表示胶带测量区域的油脂含量。方法优点:速度快,准确性、稳定性和可靠性高,广泛使用于实验室临床检测;方法缺点:仪器昂贵、笨重,无法满足受试者居家自主采样的需求。
基于图像深度学习的识别方法:该方法通过建立端到端(面部图像、油脂数值)的深度学习模型,可以通过收集大量手机或者其他仪器拍摄的皮肤照片,构建图像数据集,利用大数据的方式不断增加模型的准确度和可靠性。方法优点:在不同场景和质量的图像情况下也可以较好识别,同时判定规则统一且稳定,油脂评估效率也较高;方法缺点:在获取和识别图像时,环境光线、拍摄角度、拍摄硬件、照片清晰度、识别技术等原因均会影响油脂结果的准确性,而且该方法并未接触受试者皮肤,仅依靠图片中反映的光的信息,可靠性方面尚待讨论。
以上两种方法都互有优劣,其中Sebumeter仪器是受广泛认可的,如果在实验室测量,这种方法肯定是首选;深度学习建模的方法虽然创新性地利用大量图像进行学习,但是仅从光信息来建模预测,可靠性是有待讨论的,并且也由于图像质量问题的影响,该方法的应用认可度上可能偏低。
发明内容
本发明所要解决的技术问题是提供一种基于试纸的皮肤油脂评价方法,能够对皮肤油脂状况进行有效评价,提高皮肤油脂状况评价的效率。
本发明解决其技术问题所采用的技术方案是:提供一种基于试纸的皮肤油脂评价方法,包括:
步骤(1):通过试纸采集皮肤的油脂,并获取带有皮肤油脂的试纸图像;
步骤(2):采集所述试纸图像中不规则油脂区域的特征信息;
步骤(3):将所述不规则油脂区域的特征信息输入皮肤油脂评价模型,输出皮肤的油脂状况。
所述步骤(2)中的不规则油脂区域的特征信息包括面积特征和光特征。
所述面积特征包括第一面积特征,所述第一面积特征由以下步骤获得:
步骤(21):检测试纸图像中央的不规则油脂区域的轮廓,基于所述不规则油脂区域的轮廓计算不规则油脂区域的形心;
步骤(22):基于所述形心的坐标对所述不规则油脂区域进行截取;
步骤(23):计算所述不规则油脂区域的面积,并作为输入所述皮肤油脂评价模型的第一面积特征。
所述面积特征包括第二面积特征,所述第二面积特征由以下步骤获得:
步骤(24):对所述不规则油脂区域进行图像开运算,得到若干小轮廓面积;
步骤(25):对若干所述小轮廓面积从大到小进行排序,并进行分箱求和,作为输入所述皮肤油脂评价模型的第二面积特征。
所述光特征由以下步骤获得:
步骤(26):将所述不规则油脂区域对应的图像转换到HSI颜色空间,并分理出I通道图像,计算所述I通道图像中不规则油脂区域的光密度积分值;
步骤(27):对所述I通道图像中不规则油脂区域的光密度积分值进行分箱求和,作为输入所述皮肤油脂评价模型的光特征。
所述步骤(21)利用边缘检测算子来检测试纸图像中央的不规则油脂区域的轮廓。
所述步骤(1)具体为:利用试纸在皮肤上按压预设时间,得到带有皮肤油脂的试纸,对所述带有皮肤油脂的试纸进行拍摄,得到带有皮肤油脂的试纸图像。
所述步骤(3)还包括:通过输入若干皮肤油脂图像来训练所述皮肤油脂评价模型,并且每张皮肤油脂图像均对应有Sebumeter数值,通过将每张皮肤油脂图像的输出值与每张皮肤油脂图像对应的Sebumeter数值进行比较,来不断优化皮肤油脂评价模型。
所述步骤(3)中的皮肤油脂评价模型为GBDT模型、XGBoost模型、LinearModels模型或SVM模型。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明利用机器学习方法构建皮肤油脂评价模型,通过人工智能模型算法与检测试纸相结合的方式,实现对皮肤油脂的准确评估,经实验分析,本发明的平均相对百分比误差在15%以内,图像数据采集时设置稳定光源,并采用多种型号相机进行图像采集,模型适应性强,本发明通过采集面积特征和光特征能够为皮肤油脂状况的评估提供客观、稳定的评价标准,基于试纸的采集方式稳定可靠、操作便捷、成本较低,同时基于人工智能模型进行评估,克服了人为主观原因产生的误差,使用简单、可靠性高,适合大规模推广。
附图说明
图1是本发明实施方式的皮肤油脂采集和评价流程示意图;
图2是本发明实施方式的皮肤油脂评价模型对图像做特征提取的流程示意图;
图3是本发明实施方式的皮肤油脂评价模型采集位置示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于试纸的皮肤油脂评价方法,请参阅图1和图2,包括:
步骤(1):通过试纸采集皮肤的油脂,并获取带有皮肤油脂的试纸图像;
步骤(2):采集所述试纸图像中不规则油脂区域的特征信息;
步骤(3):将所述不规则油脂区域的特征信息输入皮肤油脂评价模型,输出皮肤的油脂状况。
进一步地,所述步骤(1)具体为:首先使用试纸在皮肤上按压采集油脂,注意不要让手指或者其他物品污染到试纸的测试区域,使用单手单指的适当力度在皮肤上按压30s左右。然后使用相机或手机,分别对带有油脂的试纸进行拍摄,建议放大约2.5倍左右,镜头距离试纸20cm左右,使用侧面光源拍摄(避免阴影),注意拍摄相机四边与试纸平行,注意拍摄照片不要模糊。
利用试纸在皮肤上按压预设时间,得到带有皮肤油脂的试纸,对所述带有皮肤油脂的试纸进行拍摄,得到带有皮肤油脂的试纸图像。
进一步地,所述步骤(2)中的不规则油脂区域的特征信息包括面积特征和光特征,以下进行详细介绍:
1.面积特征包括第一面积特征,所述第一面积特征由以下步骤获得:
步骤(21):利用边缘检测算子(如OpenCV中的Canny算子和findContours)来检测试纸图像中央的不规则油脂区域的轮廓,基于所述不规则油脂区域的轮廓计算不规则油脂区域的形心;
步骤(22):基于所述形心的坐标对所述不规则油脂区域进行截取;
步骤(23):计算所述不规则油脂区域的面积,并作为输入所述皮肤油脂评价模型的第一面积特征;计算面积采用灰度图+阈值分割的方法,分别取严格和宽松的两个阈值得到的两种面积(两种面积都作为特征输入后续的皮肤油脂评价模型),针对较轻和较重两种极端情况。
2.面积特征包括第二面积特征,所述第二面积特征由以下步骤获得:
步骤(24):对所述不规则油脂区域进行图像开运算,得到若干小轮廓面积;开运算是一种数学形态学图像处理方法,即先进行先腐蚀运算,再进行膨胀运算,其可达到的效果是能把细微连接的图形分割开来,同时整体像素面积不变化;
步骤(25):对若干所述小轮廓面积进行大小排序,并进行分箱求和,作为输入所述皮肤油脂评价模型的第二面积特征。
本实施方式按照小轮廓面积从大到小排序后,例如合并第1~3个、第4~8个、第9~25个、第26~45个、第46~100个各自区间的面积大小,分别作为5个箱区间的特征,输入皮肤油脂评价模型。
3.光特征由以下步骤获得:
步骤(26):将所述不规则油脂区域对应的图像转换到HSI颜色空间,并分理出I通道图像,计算所述I通道图像中不规则油脂区域的光密度积分值,该特征包含面积和图像反光强度两方面信息;
步骤(27):对所述I通道图像中不规则油脂区域的光密度积分值进行分箱求和,作为输入所述皮肤油脂评价模型的光特征。
由于图像I通道每个像素的取值区间为0~255,例如,本实施方式将0~255划分为32个等宽箱区间,第一区间0~7,第二区间8~15,以此类推,将I通道图像取值在对应区间的像素进行求和(如统计强度值为0~7的像素个数,再将强度值为0~7的像素求和得到面积),即是一个综合面积和强度值的积分结果值,逻辑意义上即为光密度积分,一共可以得到32组箱区间特征。在实际使用时对这32个等宽区间做适当的选取(如选取32个等宽箱区间的第8组到18组区间)后输入皮肤油脂评价模型,以表达更强的特征属性。
进一步地,本实施方式的皮肤油脂评价模型是基于机器学习方法建立的,用来结合油脂测试试纸,评价皮肤出油状况。该模型首先需要准备大量油脂测试试纸的照片作为数据库,并且每张图片都有与之对应的Sebumeter数值,由于考虑准确性,单次拍摄一张试纸。
本实施方式中将基于试纸的皮肤油脂图像定义为数据库,对数据库的图像数据进行图像处理得到不同的特征值,然后准备并搭建用于预测具体油脂数值的机器学习模型,即将处理得到的特征数据输入皮肤油脂评价模型进行训练,得到训练结果,对训练好的模型进行性能测试,如果该模型不能满足性能要求,调整模型训练参数,重新进行模型训练,直到训练出满足性能要求的皮肤油脂评价模型。
皮肤油脂的采集如示意图3所示,其中,A为试纸采集点,B为Sebumeter仪器采集点,本实施方式尽量贴近Sebumeter测试的位置,并且选择视感上一致的区域,采样时长保持与仪器测试时长一致。
本实施方式构建的机器学习模型可以是GBDT模型、XGBoost模型、LinearModels模型或SVM模型等处理回归问题的模型。在皮肤油脂评价模型训练开始时,根据模型的检测需求设置参数,例如在XGBoost模型中可以进行如下设置:树的深度设置为6、自定义评价指标如百分比平均相对误差、设置学习率为0.1,设置列采样系数为0.8,编写KFold交叉验证功能等等。
在对构建的皮肤油脂评价模型进行性能测试时,首先准备若干例独立与训练数据的测试样本数据(测试集),然后同样按照训练时的图像特征提取流程进行处理,使用训练好的模型对得到的特征数据进行评估,最后将模型评估结果和Sebumeter进行一致性分析统计和评价指标计算,若模型测试结果和测试数据标注结果的一致性大于95%,且百分比平均相对误差小于15%,则视为该检测模型符合要求。本实施方式在检测模型测试时使用三百例测试数据,实际应用中可使用任意值,一般不低于三百,测试数据样本个数越多,模型准确度越高。
本发明利用机器学习方法构建皮肤油脂评价模型,通过人工智能模型算法与检测试纸相结合的方式,实现对皮肤油脂的准确评估,经实验分析,本发明的平均相对百分比误差在15%以内,图像数据采集时设置稳定光源,并采用多种型号相机进行图像采集,模型适应性强,本发明能够为皮肤油脂状况的评估提供客观、稳定的评价标准,基于试纸的采集方式稳定可靠、操作便捷、成本较低,同时基于人工智能模型进行评估,克服了人为主观原因产生的误差,使用简单、可靠性高,适合大规模推广。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (9)
1.一种基于试纸的皮肤油脂评价方法,其特征在于,包括:
步骤(1):通过试纸采集皮肤的油脂,并获取带有皮肤油脂的试纸图像;
步骤(2):采集所述试纸图像中不规则油脂区域的特征信息;
步骤(3):将所述不规则油脂区域的特征信息输入皮肤油脂评价模型,输出皮肤的油脂状况。
2.根据权利要求1所述的基于试纸的皮肤油脂评价方法,其特征在于,所述步骤(2)中的不规则油脂区域的特征信息包括面积特征和光特征。
3.根据权利要求2所述的基于试纸的皮肤油脂评价方法,其特征在于,所述面积特征包括第一面积特征,所述第一面积特征由以下步骤获得:
步骤(21):检测试纸图像中央的不规则油脂区域的轮廓,基于所述不规则油脂区域的轮廓计算不规则油脂区域的形心;
步骤(22):基于所述形心的坐标对所述不规则油脂区域进行截取;
步骤(23):计算所述不规则油脂区域的面积,并作为输入所述皮肤油脂评价模型的第一面积特征。
4.根据权利要求3所述的基于试纸的皮肤油脂评价方法,其特征在于,所述面积特征包括第二面积特征,所述第二面积特征由以下步骤获得:
步骤(24):对所述不规则油脂区域进行图像开运算,得到若干小轮廓面积;
步骤(25):对若干所述小轮廓面积从大到小进行排序,并进行分箱求和,作为输入所述皮肤油脂评价模型的第二面积特征。
5.根据权利要求4所述的基于试纸的皮肤油脂评价方法,其特征在于,所述光特征由以下步骤获得:
步骤(26):将所述不规则油脂区域对应的图像转换到HSI颜色空间,并分理出I通道图像,计算所述I通道图像中不规则油脂区域的光密度积分值;
步骤(27):对所述I通道图像中不规则油脂区域的光密度积分值进行分箱求和,作为输入所述皮肤油脂评价模型的光特征。
6.根据权利要求3所述的基于试纸的皮肤油脂评价方法,其特征在于,所述步骤(21)利用边缘检测算子来检测试纸图像中央的不规则油脂区域的轮廓。
7.根据权利要求1所述的基于试纸的皮肤油脂评价方法,其特征在于,所述步骤(1)具体为:利用试纸在皮肤上按压预设时间,得到带有皮肤油脂的试纸,对所述带有皮肤油脂的试纸进行拍摄,得到带有皮肤油脂的试纸图像。
8.根据权利要求1所述的基于试纸的皮肤油脂评价方法,其特征在于,所述步骤(3)还包括:通过输入若干皮肤油脂图像来训练所述皮肤油脂评价模型,并且每张皮肤油脂图像均对应有Sebumeter数值,通过将每张皮肤油脂图像的输出值与每张皮肤油脂图像对应的Sebumeter数值进行比较,来不断优化皮肤油脂评价模型。
9.根据权利要求1所述的基于试纸的皮肤油脂评价方法,其特征在于,所述步骤(3)中的皮肤油脂评价模型为GBDT模型、XGBoost模型、LinearModels模型或SVM模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839123.9A CN115343279A (zh) | 2022-07-18 | 2022-07-18 | 一种基于试纸的皮肤油脂评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839123.9A CN115343279A (zh) | 2022-07-18 | 2022-07-18 | 一种基于试纸的皮肤油脂评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115343279A true CN115343279A (zh) | 2022-11-15 |
Family
ID=83950495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839123.9A Pending CN115343279A (zh) | 2022-07-18 | 2022-07-18 | 一种基于试纸的皮肤油脂评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115343279A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517635A (zh) * | 2023-11-24 | 2024-02-06 | 广州伽能生物科技有限公司 | 一种皮肤控油方案综合控油效果判断方法 |
-
2022
- 2022-07-18 CN CN202210839123.9A patent/CN115343279A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117517635A (zh) * | 2023-11-24 | 2024-02-06 | 广州伽能生物科技有限公司 | 一种皮肤控油方案综合控油效果判断方法 |
CN117517635B (zh) * | 2023-11-24 | 2024-05-10 | 广州伽能生物科技有限公司 | 一种皮肤控油方案综合控油效果判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN107665492B (zh) | 基于深度网络的结直肠全景数字病理图像组织分割方法 | |
CA1161271A (en) | Method and apparatus for measuring mean cell volume of red blood cells | |
CN112967285B (zh) | 一种基于深度学习的黄褐斑图像识别方法、系统和装置 | |
Chantharaphaichi et al. | Automatic acne detection for medical treatment | |
US8760638B2 (en) | Material identification and discrimination | |
WO2022247162A1 (zh) | 一种基于机器视觉的透明度检测方法 | |
CN107610119B (zh) | 基于直方图分解的带钢表面缺陷精准检测方法 | |
KR20160012114A (ko) | 스펙트럼 이미지화에 의해 생물학적 시료를 분석하기 위한 방법 및 시스템 | |
CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
CN108876772A (zh) | 一种基于大数据的肺癌图像诊断系统及方法 | |
CN115343279A (zh) | 一种基于试纸的皮肤油脂评价方法 | |
CN107543788A (zh) | 一种尿红细胞畸形率检测方法及系统 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN116452523A (zh) | 一种超声图像质量量化评价方法 | |
CN104573668B (zh) | 基于光谱反射率的面部色泽适应性自动识别方法 | |
Zhang et al. | Computer identification and quantification of fissured tongue diagnosis | |
CN117252867A (zh) | 一种基于图像识别的vr设备生产产品质量监测分析方法 | |
CN111832401A (zh) | 一种电子阅卷识别方法 | |
JP2007252892A (ja) | 皮膚表面の立体形状の目視評価値の推定方法 | |
CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
CN116228695A (zh) | 一种基于视频图像提取技术的磨损状态感知系统与方法 | |
Merkel | New solutions for an old challenge: chances and limitations of optical, non-invasive acquisition and digital processing techniques for the age estimation of latent fingerprints | |
CN115631209A (zh) | 水凝胶球溶胀参数测量方法、系统、装置和存储介质 | |
JPWO2019044579A1 (ja) | 病理診断装置、画像処理方法及びプログラム |
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 |