CN116030274A - 基于自适应密度聚类的青花椒果序检测方法 - Google Patents
基于自适应密度聚类的青花椒果序检测方法 Download PDFInfo
- Publication number
- CN116030274A CN116030274A CN202211163387.3A CN202211163387A CN116030274A CN 116030274 A CN116030274 A CN 116030274A CN 202211163387 A CN202211163387 A CN 202211163387A CN 116030274 A CN116030274 A CN 116030274A
- Authority
- CN
- China
- Prior art keywords
- fruit
- cluster
- green
- feature map
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供的一种基于自适应密度聚类的青花椒果序检测方法,包括以下步骤:采集青花椒图像信息,将青花椒图像信息划分为多个单元区,并从各单元区中提取HOG特征,得到HOG特征图;基于HOG特征图确定出方向‑强度联合特征图I;采用ExGR指标对原始青花椒图像进行植物区域分割,提取出绿色植物区域,并对绿色植物区域进行标记得到标记矩阵PM;将方向‑强度联合特征图I和绿色植物区域矩阵PM进行融合得到融合特征图F;对融合特征图F进行均值滤波,并由滤波后的融合特征图F中提取出青花椒的果粒点图;采用自适应密度聚类算法对果粒点图进行聚类处理,得到青花椒的果序;通过上述方法,能够对青花椒的果序进行准确检测,从而为花椒产量的预估提供准确的数据支持。
Description
技术领域
本发明涉及一种图像检测方法,尤其涉及一种基于自适应密度聚类的青花椒果序检测方法。
背景技术
青花椒坐果早期的果序数量检测是预估花椒产量必要的前期步骤。现有技术中,对于青花椒果序的数量检测普遍采用人工检测,这种监测方式人力成本高,效率低,随着技术的发展,利用机器视觉对青花椒果序进行检测成为可能,但是目前鲜有相关研究,现有的DBSCAN、OPTICS和ADPC-kNN等聚类算法被提出,可用于对青花椒的图像信息进行果序检测,但是上述中的算法存在以下两个方面的缺陷:第一:检测精度较差,如果要提高精度,则需要对算法本身进行复杂的改进,从而降低效率,第二,鲁棒性差。
因此,为了解决上述技术问题,亟需提出一种新的技术手段加以解决。
发明内容
有鉴于此,本发明的目的是提供一种基于自适应密度聚类的青花椒果序检测方法,能够对青花椒的果序进行准确检测,从而为花椒产量的预估提供准确的数据支持,而且整个算法相对于现有算法简单,效率更高,并且具有良好的鲁棒性。
本发明提供的一种基于自适应密度聚类的青花椒果序检测方法,包括以下步骤:
S1.采集青花椒图像信息,将青花椒图像划分为多个单元区,并从各单元区中提取HOG特征,得到HOG特征图;
S2.基于HOG特征图确定出方向-强度联合特征图I;
S3.采用ExGR指标对青花椒图像进行植物区域分割,提取出绿色植物区域,并对绿色植物区域进行标记得到标记矩阵PM;
S4.将方向-强度联合特征图I和绿色植物区域矩阵进行融合得到融合特征图F;
S5.对融合特征图F进行均值滤波,并由滤波后的融合特征图F中提取出青花椒的果粒点图;
S6.采用自适应密度聚类算法对果粒点图进行聚类处理,得到青花椒的果序。
进一步,步骤S2中具体包括:
对HOG特征图进行二值化处理:
IHOG'=sign(IHOG)
其中:IHOG为HOG特征图,IHOG'为二值化后的特征图,threshold为灰度强度阈值;
计算第i个单元区的梯度强度区域占比Ii:
将梯度强度区域占比Ii大于占比阈值ratio_th置为1,将梯度强度区域占比Ii小于或者等于占比阈值ratio_th置为0;
构建方向强度联合特征图I:
进一步,步骤S3具体包括:
计算ExGR指标:
ExGR=ExG-ExR
=(2g-r-b)-(1.4r-g)
=3g-2.4r-b
其中,r,g和b分别为归一化色度通道值;R*、G*和B*分别为归一化三通道灰度值,R、G和B分别为每个像素的灰度值;
确定出ExGR指标直方图中的波谷值,以波谷值为阈值,将大于阈值的区域标记为绿色植物区域,将小于阈值的区域标记为非绿色植物区域,形成绿色植物区域矩阵PM。
进一步,步骤S4中具体包括:
对方向强度联合特征图I进行上采样得到上采样后的方向-强度联合特征图I';
确定融合特征图F:
进一步,步骤S5具体包括:
定义特征融合图F的子块fx,y:
以子块fx,y为单位,以单元区的尺寸为步长对融合特征图进行均值滤波;
将植物区域占比大于设定阈值的单元区作为植物单元,并将该子块标记为1,否则将该子块标记为0;并由子块的标记值构成输出融合特征图F′,且输出融合特征图F′即为果粒点图,其中:
进一步,步骤S6具体包括:
对果粒点图进行粗聚类:
S61.确定果粒点图的局部密度:将果粒点图划分为多个网格且果粒点分布在网格的交点,定义果粒点(x,y)处的密度ρ(x,y):
Θ为选定的邻域方向,den(x,y,θ)为果粒点(x,y)在θ方向上的密度;
S62.对θ方向上的点进行遍历,对路径点上的特征值进行加权累加,直到达到边界或者特征值为0时迭代停止,记第q次迭代密度为den(x,y,θ)(q):
其中:
S63.计算果粒点(x,y)对应的单元区i的特征值FW(celli):
S64.将密度ρ(x,y)和特征值FW(celli)进行哈达玛积运算,得到特征密度图,并找到特征密度图中极大值点,并将密度极大值点作为聚类中心;
S65.将各聚类中心按照顺序编号形成聚类簇,并将各果粒点分配到各聚类簇中;
S66.将各聚类簇中具有相同果粒点的聚类簇进行合并;
对聚类簇进行优化聚类:
S67.计算任意两个聚类簇的优化聚类指标LCH:
其中:p和q表示当前待合并的两个聚类簇编号,k为簇的数量,N表示所有果粒点的数量;Wk′为簇内散度矩阵,Bk为簇间散度矩阵,Tr(Wk′)和Tr(Bk)分别表示簇内散度矩阵Wk′和簇间散度矩阵Bk的迹;
S68.找到任意两个聚类簇的优化聚类指标LCH的最大值,并将该最大值对应的两个聚类簇合并,然后返回步骤S67中,直至剩余两个聚类簇;
S69.每次进行聚类簇合并时计算轮廓系数S(i):
其中:S(i)表示第i个果粒点的轮廓系数,b(i)表示第i个果粒点与距离第i个果粒点所属聚类簇的最近的邻簇中所有果粒点的距离的平均值;a(i)表示第i个果粒点与所属聚类簇中其他果粒点之间的平均距离;
计算所有果粒点的轮廓系数均值SC(t):
S610.找出每次聚类簇合并时轮廓系数均值SC(t)最大值,并将轮廓系数均值SC(t)最大值对应的当次聚类簇合并的结果作为最优聚类结果,并将最优聚类结果的簇数作为青花椒的果序数量。
进一步,步骤S65中,将各果粒点分配到各聚类簇中具体如下:
找到当前果粒点在设定距离范围内的邻域内的其它果粒点;
确定当前果粒点在设定距离范围内的邻域内的其它果粒点所属的聚类簇;
并将当前果粒点同时分配到其它果粒点所属的聚类簇。
本发明的有益效果:通过本发明,能够对青花椒的果序进行准确检测,从而为花椒产量的预估提供准确的数据支持,而且整个算法相对于现有算法简单,效率更高,并且具有良好的鲁棒性。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的流程图。
图2为本发明中通过特征融合后果粒分布坐标示意图。
图3为本发明的局部密度计算式邻域分布示意图。
图4为LCH的聚类簇合并过程中轮廓系数变化趋势图。
图5为ExGR指标直方图示意图。
具体实施方式
以下进一步对本发明做出进一步详细说明:
本发明提供的一种基于自适应密度聚类的青花椒果序检测方法,包括以下步骤:
S1.采集青花椒图像信息,将青花椒图像划分为多个单元区,并从各单元区中提取HOG特征,得到HOG特征图;
S2.基于HOG特征图确定出方向-强度联合特征图I;
S3.采用ExGR指标对青花椒图像进行植物区域分割,提取出绿色植物区域,并对绿色植物区域进行标记得到标记矩阵PM;
S4.将方向-强度联合特征图I和绿色植物区域矩阵进行融合得到融合特征图F;
S5.对融合特征图F进行均值滤波,并由滤波后的融合特征图F中提取出青花椒的果粒点图;
S6.采用自适应密度聚类算法对果粒点图进行聚类处理,得到青花椒的果序;通过上述方法,能够对青花椒的果序进行准确检测,从而为花椒产量的预估提供准确的数据支持,而且整个算法相对于现有算法简单,效率更高,并且具有良好的鲁棒性。
本实施例中,步骤S2中具体包括:
对HOG特征图进行二值化处理:
IHOG'=sign(IHOG)
其中:IHOG为HOG特征图,IHOG'为二值化后的特征图,threshold为灰度强度阈值;
计算第i个单元区的梯度强度区域占比Ii:
将梯度强度区域占比Ii大于占比阈值ratio_th置为1,将梯度强度区域占比Ii小于或者等于占比阈值ratio_th置为0;
构建方向强度联合特征图I:
其中,方向-强度联合特征图I各元素的值按照梯度强度区域占比Ii是否大于占比阈值ratio_th确定,比如说:I1,1的梯度强度区域占比Ii大于阈值ratio_th,那么I1,1的取值为1,否则,取值为0;m和n分别表示青花椒原始图像信息被划分单元区的行数和列数,即原始图像被划分为m×n个单元区。
本实施例中,步骤S3具体包括:
计算ExGR指标:
ExGR=ExG-ExR
=(2g-r-b)-(1.4r-g)
=3g-2.4r-b
其中,r,g和b分别为归一化色度通道值;R*、G*和B*分别为归一化三通道灰度值,R、G和B分别为每个像素的灰度值;
确定出ExGR指标直方图中的波谷值,以波谷值为阈值,将大于阈值的区域标记为绿色植物区域,将小于阈值的区域标记为非绿色植物区域,形成绿色植物区域矩阵PM,具体为:提取ExGR指标直方图中峰值集合中的灰度点及该点在原分量直方图中的频数,构成新的子直方图,对新子直方图进行高斯平滑,反复迭代,直到各新子直方图剩余两个峰值点为止。分别获得直方图两个主要峰值点{L1,L2};
那么,当大于波谷值的区域构建形成绿色植物区域标记为1,表示植物区域,否则标记为0,表示非植物区域,然后将标记后的这些值组成矩阵PM。
本实施例中,步骤S4中具体包括:
对方向强度联合特征图I进行上采样得到上采样后的方向-强度联合特征图I';其中:
I'中的每一个元素为一个子矩阵块Ix,y′,该子矩阵块为对I按照L×L的尺寸进行上采样得到:
确定融合特征图F:
本实施例中,步骤S5具体包括:
定义特征融合图F的子块fx,y即对F进行下采样得到:
以子块fx,y为单位,以单元区的尺寸为步长对融合特征图进行均值滤波;
将植物区域占比大于设定阈值的单元区作为植物单元,并将该子块标记为1,否则将该子块标记为0;并由子块的标记值构成输出融合特征图F′,且输出融合特征图F′即为果粒点图,其中:
本实施例中,步骤S6具体包括:
对果粒点图进行粗聚类:
S61.确定果粒点图的局部密度:将果粒点图划分为多个网格且果粒点分布在网格的交点,定义果粒点(x,y)处的密度ρ(x,y):
Θ为选定的邻域方向,den(x,y,θ)为果粒点(x,y)在θ方向上的密度;
S62.对θ方向上的点进行遍历,对路径点上的特征值进行加权累加,直到达到边界或者特征值为0时迭代停止,记第q次迭代密度为den(x,y,θ)(q):
其中:
S63.计算果粒点(x,y)对应的单元区i的特征值FW(celli):
S64.将密度ρ(x,y)和特征值FW(celli)进行哈达玛积运算,得到特征密度图,并找到特征密度图中极大值点,并将密度极大值点作为聚类中心;
S65.将各聚类中心按照顺序编号形成聚类簇,并将各果粒点分配到各聚类簇中;具体地:
找到当前果粒点在设定距离范围内的邻域内的其它果粒点;
确定当前果粒点在设定距离范围内的邻域内的其它果粒点所属的聚类簇;
并将当前果粒点同时分配到其它果粒点所属的聚类簇。
比如说:某个聚类中心1的设定距离范围内的邻域内具有A和B个果粒点,那么这两个果粒点被分配到聚类中心1的聚类簇中;而聚类中心2的邻域内具有B和C两个果粒点,那么B和C同时被分配在聚类中心2中;那么对于果粒点E,他的邻域内具有A和C两个果粒点,那么此时果粒点E同时被分配到聚类中心1和聚类中心2的聚类簇中;按照上述步骤遍历所有果粒点完成分配。
在上述聚类中,则存在以下两种情况:第一种是某个果粒点同时被分配到多个聚类簇中,第二种是某个果粒点在邻域内没有其他果粒点,即他不能被分配到任何聚类簇中,那么该果粒点为异常点,剔除,而对于第一种情况,则采用下一步进行处理;
S66.将各聚类簇中具有相同果粒点的聚类簇进行合并,比如:聚类中心1所述的聚类簇和聚类中心2所属的聚类簇中具有交集,即两个聚类中心同时具有相同的果粒点,那么,就将两个聚类簇进行合并;
对聚类簇进行优化聚类:
S67.计算任意两个聚类簇的优化聚类指标LCH:
其中:p和q表示当前待合并的两个聚类簇编号,k为簇的数量,N表示所有果粒点的数量;Wk′为簇内散度矩阵,Bk为簇间散度矩阵,Tr(Wk′)和Tr(Bk)分别表示簇内散度矩阵Wk′和簇间散度矩阵Bk的迹;
S68.找到任意两个聚类簇的优化聚类指标LCH的最大值,并将该最大值对应的两个聚类簇合并,然后返回步骤S67中,直至剩余两个聚类簇;
S69.每次进行聚类簇合并时计算轮廓系数S(i):
其中:S(i)表示第i个果粒点的轮廓系数,b(i)表示第i个果粒点与距离第i个果粒点所属聚类簇的最近的临簇中所有果粒点的距离的平均值;a(i)表示第i个果粒点与所属聚类簇中其他果粒点之间的平均距离;上述中的距离均是指欧式距离;
计算所有果粒点的轮廓系数均值SC(t):
S610.找出每次聚类簇合并时轮廓系数均值SC(t)最大值,并将轮廓系数均值SC(t)最大值对应的当次聚类簇合并的结果作为最优聚类结果,并将最优聚类结果的簇数作为青花椒的果序数量,比如说:通过粗聚类后,然后进行优化聚类一共进行了20次,通过计算,在这20次中,第9次聚类时其轮廓系数均值最大,那么第9次优化聚类完成后所得到的聚类簇数就是果序数量,然后将这些聚类簇的位置对应到原图像中,即可对原图像的果序进行标记。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于自适应密度聚类的青花椒果序检测方法,其特征在于:包括以下步骤:
S1.采集青花椒图像信息,将青花椒图像信息划分为多个单元区,并从各单元区中提取HOG特征,得到HOG特征图;
S2.基于HOG特征图确定出方向-强度联合特征图I;
S3.采用ExGR指标对青花椒图像进行植物区域分割,提取出绿色植物区域,并对绿色植物区域进行标记得到标记矩阵PM;
S4.将方向-强度联合特征图I和绿色植物区域矩阵进行融合得到融合特征图F;
S5.对融合特征图F进行均值滤波,并由滤波后的融合特征图F中提取出青花椒的果粒点图;
S6.采用自适应密度聚类算法对果粒点图进行聚类处理,得到青花椒的果序。
2.根据权利要求1所述基于自适应密度聚类的青花椒果序检测方法,其特征在于:步骤S2中具体包括:
对HOG特征图进行二值化处理:
IHOG'=sign(IHOG)
其中:IHOG为HOG特征图,IHOG'为二值化后的特征图,threshold为灰度强度阈值;
计算第i个单元区的梯度强度区域占比Ii:
其中,celli表示第i个单元区;cellj表示第j个单元区,x和y分别表示单元区celli和单元区cellj的元素;
将梯度强度区域占比Ii大于占比阈值ratio_th置为1,将梯度强度区域占比Ii小于或者等于占比阈值ratio_th置为0;
构建方向强度联合特征图I:
其中,方向-强度联合特征图I各元素的值按照梯度强度区域占比Ii是否大于占比阈值ratio_th确定,m和n分别表示青花椒原始图像信息被划分单元区的行数和列数。
3.根据权利要求2所述基于自适应密度聚类的青花椒果序检测方法,其特征在于:步骤S3具体包括:
计算ExGR指标:
ExGR=ExG-ExR
=(2g-r-b)-(1.4r-g)
=3g-2.4r-b
其中,r,g和b分别为归一化色度通道值;R*、G*和B*分别为归一化三通道灰度值,R、G和B分别为每个像素的灰度值;
确定出ExGR指标直方图中的波谷值,以波谷值为阈值,将大于阈值的区域标记为绿色植物区域,将小于阈值的区域标记为非绿色植物区域,形成绿色植物区域矩阵PM。
4.根据权利要求3所述基于自适应密度聚类的青花椒果序检测方法,其特征在于:步骤S4中具体包括:
对方向强度联合特征图I进行上采样得到上采样后的方向-强度联合特征图I';
确定融合特征图F:
其中:⊙表示哈达玛积。
5.根据权利要求4所述基于自适应密度聚类的青花椒果序检测方法,其特征在于:步骤S5具体包括:
定义特征融合图F的子块fx,y:
L表示子块的大小;
以子块fx,y为单位,以单元区的尺寸为步长对融合特征图进行均值滤波;
将植物区域占比大于设定阈值的单元区作为植物单元,并将该子块标记为1,否则将该子块标记为0;并由子块的标记值构成输出融合特征图F′,且输出融合特征图F′即为果粒点图,其中:
6.根据权利要求5所述基于自适应密度聚类的青花椒果序检测方法,其特征在于:步骤S6具体包括:
对果粒点图进行粗聚类:
S61.确定果粒点图的局部密度:将果粒点图划分为多个网格且果粒点分布在网格的交点,定义果粒点(x,y)处的密度ρ(x,y):
Θ为选定的邻域方向,den(x,y,θ)为果粒点(x,y)在θ方向上的密度;
S62.对θ方向上的点进行遍历,对路径点上的特征值进行加权累加,直到达到边界或者特征值为0时迭代停止,记第q次迭代密度为den(x,y,θ)(q):
其中:g(q)为高斯加权函数,a,b和c均为系数,ftravel表示果粒点(x,y)的特征值,计算如下:
其中:
γ为加权系数,△x和△y表示坐标变化量,和分别代表向下取整和向上取整;
S63.计算果粒点(x,y)对应的单元区i的特征值FW(celli):
其中,cell_size表示单元区的尺寸,χ(x)为指示函数,当x为255时取值为1,否则取值为0;
S64.将密度ρ(x,y)和特征值FW(celli)进行哈达玛积运算,得到特征密度图,并找到特征密度图中极大值点,并将密度极大值点作为聚类中心;
S65.将各聚类中心按照顺序编号形成聚类簇,并将各果粒点分配到各聚类簇中;
S66.将各聚类簇中具有相同果粒点的聚类簇进行合并;
对聚类簇进行优化聚类:
S67.计算任意两个聚类簇的优化聚类指标LCH:
其中:p和q表示当前待合并的两个聚类簇编号,k为簇的数量,N表示所有果粒点的数量;Wk′为簇内散度矩阵,Bk为簇间散度矩阵,Tr(Wk′)和Tr(Bk)分别表示簇内散度矩阵Wk′和簇间散度矩阵Bk的迹;
S68.找到任意两个聚类簇的优化聚类指标LCH的最大值,并将该最大值对应的两个聚类簇合并,然后返回步骤S67中,直至剩余两个聚类簇;
S69.每次进行聚类簇合并时计算轮廓系数S(i):
其中:S(i)表示第i个果粒点的轮廓系数,b(i)表示第i个果粒点与距离第i个果粒点所属聚类簇的最近的邻簇中所有果粒点的距离的平均值;a(i)表示第i个果粒点与所属聚类簇中其他果粒点之间的平均距离;
计算所有果粒点的轮廓系数均值SC(t):
S610.找出每次聚类簇合并时轮廓系数均值SC(t)最大值,并将轮廓系数均值SC(t)最大值对应的当次聚类簇合并的结果作为最优聚类结果,并将最优聚类结果的簇数作为青花椒的果序数量。
7.根据权利要求6所述基于自适应密度聚类的青花椒果序检测方法,其特征在于:步骤S65中,将各果粒点分配到各聚类簇中具体如下:
找到当前果粒点在设定距离范围内的邻域内的其它果粒点;
确定当前果粒点在设定距离范围内的邻域内的其它果粒点所属的聚类簇;
并将当前果粒点同时分配到其它果粒点所属的聚类簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163387.3A CN116030274A (zh) | 2022-09-23 | 2022-09-23 | 基于自适应密度聚类的青花椒果序检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163387.3A CN116030274A (zh) | 2022-09-23 | 2022-09-23 | 基于自适应密度聚类的青花椒果序检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116030274A true CN116030274A (zh) | 2023-04-28 |
Family
ID=86076487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211163387.3A Pending CN116030274A (zh) | 2022-09-23 | 2022-09-23 | 基于自适应密度聚类的青花椒果序检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030274A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690030A (zh) * | 2024-02-02 | 2024-03-12 | 陕西仙喜辣木茯茶有限公司 | 基于图像处理的多面发花识别方法及系统 |
-
2022
- 2022-09-23 CN CN202211163387.3A patent/CN116030274A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117690030A (zh) * | 2024-02-02 | 2024-03-12 | 陕西仙喜辣木茯茶有限公司 | 基于图像处理的多面发花识别方法及系统 |
CN117690030B (zh) * | 2024-02-02 | 2024-04-26 | 陕西仙喜辣木茯茶有限公司 | 基于图像处理的多面发花识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844683B (zh) | 一种数字pcr液滴浓度的计算方法 | |
CN103236065B (zh) | 基于主动轮廓模型和细胞神经网络的生物芯片分析方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及系统 | |
CN113724231B (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
CN112508090A (zh) | 一种外包装缺陷检测方法 | |
CN100545865C (zh) | 一种对图像初始分割边界进行优化的自动分割方法 | |
CN115439474B (zh) | 一种电力设备故障快速定位方法 | |
CN110473174B (zh) | 一种基于图像计算铅笔精确数目的方法 | |
CN106650697A (zh) | 一种仪表刻度识别方法 | |
CN111798447B (zh) | 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法 | |
CN116030274A (zh) | 基于自适应密度聚类的青花椒果序检测方法 | |
CN115953407B (zh) | 基于计算机视觉的半导体设备维修系统 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN105469384B (zh) | 车牌图像质量的综合评价方法 | |
CN115861281A (zh) | 一种基于多尺度特征的免锚框表面缺陷检测方法 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN107146233A (zh) | 基于岩石薄片偏光序列图的颗粒分割方法 | |
CN107895162A (zh) | 基于物体先验的图像显著性目标检测算法 | |
CN108537249A (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN106023191B (zh) | 一种基于结构特征的光学刻划字符边缘提取和边缘拟合方法 | |
CN113673534B (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
CN115456944A (zh) | 一种基于目标检测的陶瓷基板外观缺陷智能识别方法 |
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 |