CN115578553A - 一种基于时序图像序列的甲醛的快速检测方法 - Google Patents
一种基于时序图像序列的甲醛的快速检测方法 Download PDFInfo
- Publication number
- CN115578553A CN115578553A CN202211465434.XA CN202211465434A CN115578553A CN 115578553 A CN115578553 A CN 115578553A CN 202211465434 A CN202211465434 A CN 202211465434A CN 115578553 A CN115578553 A CN 115578553A
- Authority
- CN
- China
- Prior art keywords
- image
- formaldehyde
- neural network
- sequence
- image sequence
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Abstract
一种基于时序图像序列的甲醛的快速检测方法,利用连续的时序图像序列帧捕捉变色过程,能够克服单帧图像中出现的噪声,提高检测精度;特别是设计了专用的基于颜色特征和神经网络模型的检测方法,能够基于样本自动完成对模型的训练,拜托对比色卡的依赖,实施对甲醛含量的便捷、自动化检测。
Description
技术领域
本发明属于有害物分析检测应用领域,特别地,涉及一种甲醛的快速采样及便捷检测方法。
背景技术
甲醛是一种无色刺激性气体,具有较高的毒性。甲醛是国家明文规定的禁止在食品中使用的,在食品中不得检出, 但由于少量的甲醛能起到抑菌作用,有些不法商人为了牟取经济利益,在某些食品的加工过程中仍然使用甲醛作为添加剂,不少食品中都不同程度检出了甲醛的存在。因此,有必要提出一种快速便捷的针对食品中甲醛的检测方法。
对食品中甲醛含量测定的方法有很多,包括分光光度法、色谱法、质谱法、电化学法、荧光法和催化动力学法等。部分专业检测方法工作程序复杂,检测费用较高,不利于在食品行业的大规模推广。随着技术的进步,基于分光光度与图像检测的方法以其便捷性、高效性、高度的自动化程度越来越受到关注和应用。
分光光度法测定原理是甲醛由于缺乏发色团,只有通过甲醛与某种化合物反应,进而产生某种带有颜色的或发荧光的衍生物质,在特定波长下进行测定,通过衍生物质产生的量间接测量甲醛含量。例如乙酰丙酮法在过量铵盐存在下,甲醛与乙酰丙酮通过水浴反应生成黄色化合物,冷却后利用分光光度计在414 nm 的波长下测定其吸光度,定量测定甲醛含量。甲醛和酚试剂反应生成嗪,该物质在酸性的条件下可以还原高价铁离子,生成稳定的化合物,其溶液呈现蓝绿色,检测波长645 nm。AHMT 法指甲醛和AHMT在碱性的条件下缩合并在高锰酸钾或高碘酸的作用下发生氧化反应生成紫红色化合物,在波长550 nm 下测定其吸光度。品红- 亚硫酸法将浓硫酸缓慢的加入样品中,当加入适当的品红-亚硫酸试剂后,该试剂会与甲醛发生化学反应而生成蓝紫色的物质,然后在波长570 nm 下进行吸光度测定。
通过肉眼观察对比上述分光光度法测试色度结果,可以判定甲醛浓度。然而在大规模检测中,肉眼判定效率较低,人力需求成本高。为了解决上述问题,现有技术通常采用以光学摄像机为基础的自动化检测方法,对分光光度法甲醛与检测试剂反应后的颜色特征进行自动检测。具体包括利用对单幅图像的RGB颜色与标准比色卡的比对来判定甲醛浓度。然而比色卡的标准色差值是给定的离散数值,其对比空间有限,针对不同试剂需要定制不同的比色卡,降低了适用性和使用便利程度;另一方面,单幅图像采集容易受到环境干扰,造成检测噪声,降低检测精度。与此类似,现有技术中大多数采用静态图像的色彩对比来实现甲醛的检测,检测精度较低、易被干扰。
现有技术中也有使用神经网络进行色彩识别检测的,但同样针对静态图像的色彩对比。即识别变色后的试剂图像属于那种颜色类别。
发明内容
为解决上述一个或多个问题,本发明提出一种基于动态时序图像序列的甲醛与检测试剂反应过程中色度及色度变化的采集方法,利用连续的时序图像序列帧捕捉变色过程,能够克服单帧图像中出现的噪声,提高检测精度;特别是设计了专用的基于颜色特征和神经网络模型的检测方法,能够基于样本自动完成对模型的训练,摆脱对比色卡的依赖,实施对甲醛含量的便捷、自动化检测。
基于时序图像序列的甲醛的快速检测方法,
检测过程开始时,通过控制时钟设定摄像机采样图像的周期,摄像机在每个周期末自动采集图像,获得n个采样图像构成的时序图像序列;
根据时序图像序列的矫正r、g、b值计算其色调值h;其中矫正r、g、b值的计算方法包括:
其中,分别是图像沿x,y两个正交方向上的像素数,表示金字塔的层数,
表示某个金字塔子图中的像素坐标,表示某一层金字塔图像中在x,y两个正交方向上
的子图序数,称为原图像的金字塔表达,是原图像的一个子集;
其中神经网络包括两个隐藏层和一个输出层,第一隐藏层用于对子图中所含空间信息建模;第二隐藏层用于对子图中所含时序信息建模;在第一隐藏层中,使用对角矩阵对神经网络进行约束。
准备甲醛达标、超标两种情形下的检测过程所采样的时序图像序列,根据生成的颜色特征作为上述神经网络模型的训练样本输入,相应的,训练时输出的真值分别置为-1、1,对上述神经网络模型实施训练
所述训练采用BP算法。
神经网络模型设置在现场处理器或服务器中。
采集端与服务器通过通讯链路进行数据通讯,传递数据。
在采集端设置前端处理器,用于采集、处理得到图像变换域的颜色特征。
所述前端处理器为CPU、DSP或ARM。
通讯链路为4G、5G、wifi、光纤。
一种基于时序图像序列的甲醛的快速检测系统,包括采集端、通讯链路和服务器,用于实施所述的方法。
本发明发明点及技术效果:
1、利用摄像机周期采样甲醛与检测试剂反应过程中的图像,捕捉反应过程中一定时点的颜色和颜色的变化过程的时序时序图像序列,并据此在后续步骤中确定甲醛的含量,降低了单幅图像噪声对检测精度的影响。
2、对时序时序图像序列进行专门优化的矫正计算,能够保证检测精度。
3、将图像转换到色调通道,将原色调通道的图像映射到金字塔表达的变换域中,使颜色特征不断细化,与传统基于颜色直方图的统计方法相比,将颜色与空间信息相关联,结合相邻采样图像之间的时序信息,能够更好的去除样本中所含噪声,提高检测性能。
4、根据输入的颜色特征的特点,专门设计了神经网络模型,优化了激活函数和网络结构,特别是增加了对角矩阵的网络约束,从而能够实现轻量网络结构提高检测准确度、降低检测时长的效果。
具体实施方式
步骤1:甲醛与检测试剂反应过程中颜色及颜色变化的采集
利用摄像机周期采样甲醛与检测试剂反应过程中的图像,捕捉反应过程中一定时点的颜色和颜色的变化过程,并据此在后续步骤中确定甲醛的含量。
现有方法中,利用对单幅图像的RGB颜色检测来判定甲醛浓度,单幅图像采集容易受到环境干扰,造成检测噪声,降低检测精度。
为了解决上述方法,本发明提出两方面改进的检测方法。
一是通过捕捉多幅图像,实现对反应过程中一定时点的颜色和颜色的变化过程的检测,从而降低单幅图像噪声对检测精度的影响。
二是(步骤2中详述)提出一种基于变换域的颜色特征,相比传统的基于颜色直方图的统计特征,能够更好的区分噪声与信号,提高检测精度。
检测过程开始时,通过控制时钟设定摄像机采样图像的周期,摄像机在每个周期末自动采集图像,直至检测过程结束;获得若干采样图像。
采样图像周期根据检测过程的时长按照经验设定,常规情况下检测过程约持续数分钟,由于采集过多的图像会增加计算量,通常优选选择采样周期为10-30秒。
假设检测过程中总共采样到N张图像。记为:
自动采集图像过程中,无需人工干预。采集到的图像存储在计算机存储器上,供后面步骤使用。
步骤2:基于变换域的提取图像中颜色特征的实施方法
根据步骤1采集到的检测过程中的N张图像计算图像中颜色特征。
由RGB图像空间计算图像的色调如下:
根据图像的色调,可以获得与颜色(波长)相关的信息。甲醛与检测试剂反应过程中,试剂的颜色会根据甲醛的浓度发生变化,故摄像机捕捉到的光波长会发生变化,体现在图像的色调发生变化。
对于整幅图像,其中含有图像采集环境中存在的环境噪声,例如光反射、遮挡等,故先对图像进行非线性矫正,降低上述环境噪声带来的影响。矫正计算方法如下:
其中ln表示自然对数函数,*表示卷积符号,分别表示矫正前图像的三
个分量,、、分别为三个分量经过高斯非线性滤波后的值,为高斯
滤波器的卷积核。高斯滤波用于估计环境中光强度,通过相减去除环境光强影响,抑制环境
光噪声。根据现有数字摄像机拍摄分辨率和本发明应用场景,经实验优选。为线性
拉伸参数、为线性偏移参数:
其中,max表示取三者的最大值,min表示取三者的最小值,,,。
参数255指调整后的每个通道灰阶为256阶(255+1),亦以此为基准。线性拉伸参数
用于使颜色的亮度更加分散,提高颜色特征的线性可分性;线性偏移参数用于归一化调
整亮度的整体水平,使不同数据样本的亮度水平更加接近。引入以上参数可以提高检测的
精度。
按照前述步骤计算得到与每张图像对应的色调通道:
其中,分别是图像沿x,y两个正交方向上的像素数,表示金字塔的层数,
表示某个金字塔子图中的像素坐标,表示某一层金字塔图像中在x,y两个正交方向上
的子图序数,称为原图像的金字塔表达,是原图像的一个子集;所有的金字塔
表达的并集等于原图像。
根据金字塔的层数不同,将原色调通道逐层四分为若干子集,即金字塔表达。对每
个子集,取其中位数值,记为。可知中位数值的个数为与金字塔的层数
有关;金字塔层数越大,则获得的中位数值越多。将原色调通道的图像映射到金字塔表达的
变换域中,使颜色特征不断细化,与传统基于颜色直方图的统计方法相比,将颜色与空间信
息相关联,结合相邻采样图像之间的时序信息,能够更好的去除样本中所含噪声,提高检测
性能。
步骤3:基于变换域颜色特征,建立神经网络模型进行检测
根据变换域颜色特征中所包含的颜色、空间、时序信息,建立自动检测模型,对甲醛检测过程中反映出的颜色变化实施检测,进而推论甲醛含量是否超标或达标。
采用神经网络模型对图像变换域的颜色特征实施建模。所述神经网络模型,为一
逻辑上具备层次结构的映射模型,由确定的一组输入、确定的一组输出和预先定义的隐藏
层组成,输入经隐藏层映射后,得到输出。本发明以图像变换域的颜色特征作为神经
网络模型的输入。输出为一标量,取值在-1到+1,趋近于-1表示甲醛达标,趋近于1表示甲醛
超标。
神经网络的第一个隐藏层用于对子图中所含空间信息建模。其表达如下:
其中,为输入各维度的下标,为第一个隐藏层各维度下标;表示当
n为定值时,将矩阵按行、列展开为一个向量;例如,当n=1时,为一矩阵,含有个元素,故为包含个元素的向量,相应的为包含个元素的向量。均为参数矩阵,是线性偏移量,用于定义输入与第一个隐藏层各元素之间的相对应
关系;、为单位正交方阵,是的逆矩阵,其维数为。取秩为的对角阵,
即:
可知矩阵中的有效参数为个,即前列。故隐藏层一对应的线性参数为个,即相当于对网络进行了优化约束,相比于经典全连接神经网络中线性参
数为个,由于远小于,故本发明方法建立的用于对子图中所含空间信息建模的
第一个隐藏层大大减少了线性参数数量,降低了模型复杂度,提高了计算效率。
神经网络的第二个隐藏层用于对子图中所含时序信息建模。其表达如下:
神经网络的输出层定义如下:
准备甲醛达标、超标两种情形下的检测过程所采样的时序图像序列,根据步骤2所
述生成颜色特征作为上述神经网络模型的训练样本输入,相应的,训练时输出的真值分别
置为-1、1.采用BP算法对上述神经网络模型实施训练,确定参数、、、、、、的值,完成训练。
本发明提出一种甲醛的快速采样及便捷检测方法,通过采样甲醛检测过程中的时序图像序列,生成颜色特征,并采用神经网络模型实施自动检测,实现了对甲醛检测的便捷、自动化检测。下面给出了本发明方法的检测正确率,实验结果表明本发明方法可以实现较高的自动检测正确率,为甲醛的快速采样及自动化便捷检测提供了有效手段。
所述神经网络模型设置在现场处理器或服务器中。
若神经网络模型设置在服务器中,则采集端与服务器通过通讯链路进行数据通讯,传递数据。
在采集端也可以设置前端处理器,用于实施上述步骤1和步骤2,从而只需要将图
像变换域的颜色特征发送至服务器,可以极大地降低数
据的发送量,并不需要像通常检测系统一样需要采集端发送大量图像至服务器。特别是,本
发明方案与传统方案还不一样,在采集时会产生大量时序图像(传统方案只产生1-2个图
像),因此该问题就更加突出。而采用本发明分立设置的系统架构则可以完美解决该问题。
所述前端处理器为CPU、DSP或ARM。
通讯链路为4G、5G、wifi、光纤。
以上实施例只是对于发明详细方案的描述,不构成对发明的具体限定。实施例中提到的技术问题和技术效果均是通过发明实施例方案能够解决的问题,也是本发明的发明点所在。
Claims (10)
1.一种基于时序图像序列的甲醛的快速检测方法,其特征在于:
检测过程开始时,通过控制时钟设定摄像机采样图像的周期,摄像机在每个周期末自动采集图像,获得n个采样图像构成的图像序列;
根据图像序列的矫正r、g、b值计算其色调值h;其中矫正r、g、b值的计算方法包括:
其中,分别是图像沿x,y两个正交方向上的像素数,表示金字塔的层数,表示
某个金字塔子图中的像素坐标,表示某一层金字塔图像中在x,y两个正交方向上的子
图序数,称为原图像的金字塔表达,是原图像的一个子集;
其中神经网络包括两个隐藏层和一个输出层,第一隐藏层用于对子图中所含空间信息建模;第二隐藏层用于对子图中所含时序信息建模;在第一隐藏层中,使用对角矩阵对神经网络进行约束。
2.如权利要求1所述的一种基于时序图像序列的甲醛的快速检测方法,其特征在于:准备甲醛达标、超标两种情形下的检测过程所采样的图像序列,根据生成的颜色特征作为上述神经网络模型的训练样本输入,相应的,训练时输出的真值分别置为-1、1,对上述神经网络模型实施训练。
3.如权利要求1所述的一种基于时序图像序列的甲醛的快速检测方法,其特征在于:所述训练采用BP算法。
4.如权利要求1所述的一种基于时序图像序列的甲醛的快速检测方法,其特征在于:神经网络模型设置在现场处理器或服务器中。
5.如权利要求4所述的一种基于时序图像序列的甲醛的快速检测方法,其特征在于:采集端与服务器通过通讯链路进行数据通讯,传递数据。
6.如权利要求5所述的一种基于时序图像序列的甲醛的快速检测方法,其特征在于:在采集端设置前端处理器,用于采集、处理得到图像变换域的颜色特征。
8.如权利要求6所述的一种基于时序图像序列的甲醛的快速检测方法,其特征在于:所述前端处理器为CPU、DSP或ARM。
9.如权利要求5所述的一种基于时序图像序列的甲醛的快速检测方法,其特征在于:通讯链路为4G、5G、wifi、光纤。
10.一种基于图像序列的甲醛的快速检测系统,其特征在于:包括采集端、通讯链路和服务器,用于实施如权利要求1-9所述的一种基于时序图像序列的甲醛的快速检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465434.XA CN115578553B (zh) | 2022-11-22 | 2022-11-22 | 一种基于时序图像序列的甲醛的快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211465434.XA CN115578553B (zh) | 2022-11-22 | 2022-11-22 | 一种基于时序图像序列的甲醛的快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578553A true CN115578553A (zh) | 2023-01-06 |
CN115578553B CN115578553B (zh) | 2023-04-07 |
Family
ID=84589455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211465434.XA Active CN115578553B (zh) | 2022-11-22 | 2022-11-22 | 一种基于时序图像序列的甲醛的快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578553B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681992A (zh) * | 2023-07-29 | 2023-09-01 | 河南省新乡生态环境监测中心 | 一种基于神经网络的氨氮检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004040314A1 (en) * | 2002-10-31 | 2004-05-13 | Chemometec A/S | A method for assessment of particles |
US20070211315A1 (en) * | 2006-03-09 | 2007-09-13 | Nec Electronics Corporation | Apparatus, method, and program product for color correction |
CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
CN106530263A (zh) * | 2016-10-19 | 2017-03-22 | 天津大学 | 一种适应于医学影像的单曝光高动态范围图像生成方法 |
CN107748165A (zh) * | 2017-11-15 | 2018-03-02 | 江苏大学 | 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法 |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
CN110874599A (zh) * | 2019-11-15 | 2020-03-10 | 江苏蓝河智能科技有限公司 | 一种基于图像识别的舰船检测方法 |
CN112184627A (zh) * | 2020-09-03 | 2021-01-05 | 华南农业大学 | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 |
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
WO2021227877A1 (zh) * | 2020-05-13 | 2021-11-18 | 中兴通讯股份有限公司 | 图像超分辨率处理方法、装置、设备及存储介质 |
US20220044374A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Infrared and visible light fusion method |
-
2022
- 2022-11-22 CN CN202211465434.XA patent/CN115578553B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004040314A1 (en) * | 2002-10-31 | 2004-05-13 | Chemometec A/S | A method for assessment of particles |
US20070211315A1 (en) * | 2006-03-09 | 2007-09-13 | Nec Electronics Corporation | Apparatus, method, and program product for color correction |
CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
CN106530263A (zh) * | 2016-10-19 | 2017-03-22 | 天津大学 | 一种适应于医学影像的单曝光高动态范围图像生成方法 |
CN107748165A (zh) * | 2017-11-15 | 2018-03-02 | 江苏大学 | 基于机器视觉与电子鼻融合技术的马铃薯龙葵素检测方法 |
CN110322438A (zh) * | 2019-06-26 | 2019-10-11 | 杭州上池科技有限公司 | 结核分枝杆菌自动检测模型的训练方法及自动检测系统 |
CN110874599A (zh) * | 2019-11-15 | 2020-03-10 | 江苏蓝河智能科技有限公司 | 一种基于图像识别的舰船检测方法 |
US20220044374A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Infrared and visible light fusion method |
WO2021227877A1 (zh) * | 2020-05-13 | 2021-11-18 | 中兴通讯股份有限公司 | 图像超分辨率处理方法、装置、设备及存储介质 |
CN112184627A (zh) * | 2020-09-03 | 2021-01-05 | 华南农业大学 | 基于图像处理与神经网络的柑橘保鲜品质检测方法及应用 |
CN112418130A (zh) * | 2020-11-30 | 2021-02-26 | 华南农业大学 | 一种基于bp神经网络的香蕉成熟度检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
GRAVE, J.A 等: "A tone-mapping operator for road visibility experiments(Article)" * |
王文豪 等: "基于HSV空间改进的多尺度显著性检测" * |
王诣 等: "人工神经网络和图像处理技术在叶绿素含量检测中的应用" * |
胡雄心 等: "RGB空间甲醛色差甄别系统的研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681992A (zh) * | 2023-07-29 | 2023-09-01 | 河南省新乡生态环境监测中心 | 一种基于神经网络的氨氮检测方法 |
CN116681992B (zh) * | 2023-07-29 | 2023-10-20 | 河南省新乡生态环境监测中心 | 一种基于神经网络的氨氮检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115578553B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8855412B2 (en) | Systems, methods, and apparatus for image processing, for color classification, and for skin color detection | |
CN109345601B (zh) | 基于低秩嵌入非负矩阵分解的病理图像颜色标准化的方法 | |
CN115578553B (zh) | 一种基于时序图像序列的甲醛的快速检测方法 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN112200807B (zh) | 一种视频质量诊断方法与系统 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
Mamatov et al. | Methods for improving contrast of agricultural images | |
CN108601509A (zh) | 图像处理装置、图像处理方法以及程序 | |
CN109856133B (zh) | 一种利用多种光照强度、多种色彩照明的试纸检测方法 | |
CN117291851A (zh) | 一种基于低秩分解和稀疏表示的多曝光图像融合方法 | |
CN116188510B (zh) | 一种基于多传感器的企业排放数据采集系统 | |
CN110929740A (zh) | 一种基于lgbm模型的舌质舌苔分离方法 | |
JP2006067423A (ja) | 画像品質定量評価方法及びその装置 | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
CN115512136A (zh) | 试纸色差识别方法和装置、电子设备及存储介质 | |
CN111795941A (zh) | 一种水华期藻类群落结构高光谱识别方法 | |
CN112001288B (zh) | 一种单幅多光谱遥感图像深灰色飞机快速检测方法 | |
CN112203072A (zh) | 一种基于深度学习的航拍图像水体提取方法与系统 | |
CN110675366B (zh) | 基于窄带led光源估计相机光谱灵敏度的方法 | |
CN117451012B (zh) | 一种无人机航摄测量方法及系统 | |
CN118015459A (zh) | 一种伪装目标的识别方法、装置、设备及介质 | |
CN117252789B (zh) | 高分辨率遥感影像阴影重建方法、装置及电子设备 | |
CN115690502B (zh) | 一种近岸及内陆水体水波纹消除方法、系统及可读存储介质 | |
DIVYA | DETERMINATION OF SOIL PH VALUE | |
CN116883997B (zh) | 一种基于图像识别的噬菌斑计数方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |