CN116503530B - 一种基于图像卷积的间歇区提取方法 - Google Patents

一种基于图像卷积的间歇区提取方法 Download PDF

Info

Publication number
CN116503530B
CN116503530B CN202310423268.5A CN202310423268A CN116503530B CN 116503530 B CN116503530 B CN 116503530B CN 202310423268 A CN202310423268 A CN 202310423268A CN 116503530 B CN116503530 B CN 116503530B
Authority
CN
China
Prior art keywords
intermittent
image
area
region
convolution
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.)
Active
Application number
CN202310423268.5A
Other languages
English (en)
Other versions
CN116503530A (zh
Inventor
杨牧
张董
李建福
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.)
Techmach Corp
Original Assignee
Techmach Corp
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 Techmach Corp filed Critical Techmach Corp
Priority to CN202310423268.5A priority Critical patent/CN116503530B/zh
Publication of CN116503530A publication Critical patent/CN116503530A/zh
Application granted granted Critical
Publication of CN116503530B publication Critical patent/CN116503530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Battery Electrode And Active Subsutance (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像卷积的间歇区提取方法，包括：采集锂电池的间歇涂布图像；对采集到的间歇涂布图像进行处理，确定所述间歇涂布图像的第一区域；基于所述第一区域，设置若干条状区域，根据所述条状区域确定所述间歇涂布图像的第二区域；根据间歇区的极性生成卷积核，基于所述卷积核对所述第二区域进行卷积，得到所述间歇涂布图像的卷积图像；对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域；根据所述第一间歇边缘区域提取间歇区的准确位置。采用图像卷积的方式提取间歇区，增加了检测精度，节约了检测时间，提升了检测速度。

Description

一种基于图像卷积的间歇区提取方法
技术领域
本发明涉及图像处理领域，尤其是涉及一种基于图像卷积的间歇区提取方法。
背景技术
间歇涂布是锂电池提高能量密度的一种方式，间歇区与涂布存在灰度差异，但由于间歇区存在灰度不均匀的情况，直接使用灰度特征进行提取容易发生提取异常的情况，导致测量不准确。并且锂电池的检测精度要求高、速度要求快，使用灰度提取的计算量大，检测时间长，不满足锂电池检测需求。
发明内容
本发明的目的是提供一种基于图像卷积的间歇区提取方法，解决锂电涂布间歇区提取检测时间长，测量结果不准确的问题。
本发明提供了一种基于图像卷积的间歇区提取方法，包括：
采集锂电池的间歇涂布图像；
对采集到的间歇涂布图像进行处理，确定所述间歇涂布图像的第一区域；
基于所述第一区域，设置若干条状区域，根据所述条状区域确定所述间歇涂布图像的第二区域；
根据间歇区的极性生成卷积核，基于所述卷积核对所述第二区域进行卷积，得到所述间歇涂布图像的卷积图像；
对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域；
根据所述第一间歇边缘区域提取间歇区的准确位置。
在本申请的一些实施例中，确定所述间歇涂布图像的第一区域，包括：
预设所述间歇涂布图像中涂布的模糊位置；
根据所述模糊位置确定所述间歇涂布图像中涂布的有效区域；
对所述有效区域进行截取，确定所述间歇涂布图像的第一区域。
在本申请的一些实施例中，根据所述条状区域确定所述间歇涂布图像的第二区域，包括：
设置50个条状区域，将所述条状区域均匀分布于所述第一区域上；
对所述条状区域覆盖的区域进行截取，确定所述间歇涂布图像的第二区域。
在本申请的一些实施例中，所述卷积核包括卷积核A1和卷积核A2，所述卷积核A1和卷积核A2的长度均为51，宽度为均1；
其中，所述卷积核A1中第1-25行为-1,第26行为0，第27-51行为1；
所述卷积核A2中第1-25行为1,第26行为0，第27-51行为-1。
在本申请的一些实施例中，所述卷积核A1用于提取所述间歇涂布图像中从暗到亮的边缘；所述卷积核A2用于提取所述间歇涂布图像中从亮到暗的边缘。
在本申请的一些实施例中，对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域，包括：
对所述卷积图像进行二值化分割，得到二值化分割图像，确定间歇边缘的模糊位置；
对所述二值化分割图像进行区域连通，并根据间歇涂布宽度数据，确定间歇边缘的连通区域；
根据所述间歇边缘的模糊位置和所述间歇边缘的连通区域，对所述间歇涂布图像分别进行截取，确定两个间歇区的第一间歇边缘区域。
在本申请的一些实施例中，所述间歇涂布宽度数据为预先根据所述间歇涂布图像获取的基本间歇涂布宽度。
在本申请的一些实施例中，根据所述第一间歇边缘区域提取间歇区的准确位置，包括：
对所述第一间歇边缘区域进行最大灰度二值化区分，得到两个间歇区的第二间歇边缘区域；
分别对所述第二间歇边缘区域进行求取，得到间歇边缘的上边缘位置和下边缘位置，确定间歇区的准确位置。
本发明通过公开了一种基于图像卷积的间歇区提取方法，包括：采集锂电池的间歇涂布图像；对采集到的间歇涂布图像进行处理，确定所述间歇涂布图像的第一区域；基于所述第一区域，设置若干条状区域，根据所述条状区域确定所述间歇涂布图像的第二区域；根据间歇区的极性生成卷积核，基于所述卷积核对所述第二区域进行卷积，得到所述间歇涂布图像的卷积图像；对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域；根据所述第一间歇边缘区域提取间歇区的准确位置。
通过使用图像卷积的方式提取间歇区，更好的利用了间歇区的边缘信息，避免了间歇区灰度不均匀所导致的提取异常；同时将图像条状截取之后再进行卷积操作，比直接全幅面进行图像二值化操作的时间开销更小，图像全幅面二值化的时间开销在10ms左右，使用图像卷积的方式仅为2ms左右。节约了检测时间，提升了检测速度。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于图像卷积的间歇区提取方法的流程示意图；
图2为本发明实施例中间歇涂布图像的示例图；
图3为本发明实施例中间歇涂布图像的第一区域的示例图；
图4为本发明实施例中间歇涂布图像的第二区域的示例图；
图5为本发明实施例中使用卷积核A1卷积后的卷积图像示例图；
图6为本发明实施例中使用卷积核A2卷积后的卷积图像示例图；
图7为本发明实施例中二值化分割图像的示例图；
图8为本发明实施例中二值化分割图像区域连通后的示例图；
图9为本发明实施例中间歇边缘的连通区域的示例图；
图10为本发明实施例中第一间歇边缘区域的示例图；
图11为本发明实施例中第二间歇边缘区域的示例图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的通常意义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合，而不排除其他元件或者物件。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指发明中任一部件或元件，不能理解为对发明的限制。术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
实施例
本发明提供了一种基于图像卷积的间歇区提取方法，如图1所示，包括：
S1，采集锂电池的间歇涂布图像。
S2，对采集到的间歇涂布图像进行处理，确定所述间歇涂布图像的第一区域。
S3，基于所述第一区域，设置若干条状区域，根据所述条状区域确定所述间歇涂布图像的第二区域。
S4，根据间歇区的极性生成卷积核，基于所述卷积核对所述第二区域进行卷积，得到所述间歇涂布图像的卷积图像。
S5，对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域。
S6，根据所述第一间歇边缘区域提取间歇区的准确位置。
在本申请的一些实施例中，确定所述间歇涂布图像的第一区域，包括：
预设所述间歇涂布图像中涂布的模糊位置。
根据所述模糊位置确定所述间歇涂布图像中涂布的有效区域。
对所述有效区域进行截取，确定所述间歇涂布图像的第一区域。
在本实施例中，间歇涂布图像通过CCD线扫工业相机进行拍摄。
在本申请的一些实施例中，根据所述条状区域确定所述间歇涂布图像的第二区域，包括：
设置50个条状区域，将所述条状区域均匀分布于所述第一区域上。
对所述条状区域覆盖的区域进行截取，确定所述间歇涂布图像的第二区域。
在本申请的一些实施例中，所述卷积核包括卷积核A1和卷积核A2，所述卷积核A1和卷积核A2的长度均为51，宽度为均1。
其中，所述卷积核A1中第1-25行为-1,第26行为0，第27-51行为1。
所述卷积核A2中第1-25行为1,第26行为0，第27-51行为-1。
在本实施例中，卷积核根据间歇区的极性生成，间歇区的极性为亮或暗。
在本申请的一些实施例中，所述卷积核A1用于提取所述间歇涂布图像中从暗到亮的边缘；所述卷积核A2用于提取所述间歇涂布图像中从亮到暗的边缘。
在本申请的一些实施例中，对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域，包括：
对所述卷积图像进行二值化分割，得到二值化分割图像，确定间歇边缘的模糊位置。
对所述二值化分割图像进行区域连通，并根据间歇涂布宽度数据，确定间歇边缘的连通区域。
根据所述间歇边缘的模糊位置和所述间歇边缘的连通区域，对所述间歇涂布图像分别进行截取，确定两个间歇区的第一间歇边缘区域。
在本实施例中，图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。图像的连通域是指图像中具有相同像素值并且位置相邻的像素组成的区域，区域连通分析是指在图像中寻找出彼此互相独立的连通域并将其标记出来。
在本申请的一些实施例中，所述间歇涂布宽度数据为预先根据所述间歇涂布图像获取的基本间歇涂布宽度。
在本申请的一些实施例中，根据所述第一间歇边缘区域提取间歇区的准确位置，包括：
对所述第一间歇边缘区域进行最大灰度二值化区分，得到两个间歇区的第二间歇边缘区域。
分别对所述第二间歇边缘区域进行求取，得到间歇边缘的上边缘位置和下边缘位置，确定间歇区的准确位置。
在本实施例中，灰度化是指将彩色图像转化为灰度图像的过程称为图像灰度化。灰度是指只含亮度信息，不含色彩信息的图像。黑白照片就是灰度图，特点是亮度由暗到明，变化是连续的。灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。二值化是指将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。
最后应说明的是：以上所述的仅是本发明的优选实施方式，而不是全部的实施方式，本发明的保护范围并不局限于此，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。应当指出，对于本领域的及任何熟悉本技术领域的技术人员来说，在不脱离本发明整体构思和本发明的原理的精神的前提下，根据本发明的技术方案及其发明构思加以等同替换或改变，及作出的若干改变和改进，这些也应该视为本发明的保护范围。

Claims (4)

1.一种基于图像卷积的间歇区提取方法，其特征在于，包括：
采集锂电池的间歇涂布图像；
对采集到的间歇涂布图像进行处理，确定所述间歇涂布图像的第一区域；
基于所述第一区域，设置若干条状区域，根据所述条状区域确定所述间歇涂布图像的第二区域；
根据间歇区的极性生成卷积核，基于所述卷积核对所述第二区域进行卷积，得到所述间歇涂布图像的卷积图像；
对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域；
根据所述第一间歇边缘区域提取间歇区的准确位置；
确定所述间歇涂布图像的第一区域，包括：
预设所述间歇涂布图像中涂布的模糊位置；
根据所述模糊位置确定所述间歇涂布图像中涂布的有效区域；
对所述有效区域进行截取，确定所述间歇涂布图像的第一区域；
根据所述条状区域确定所述间歇涂布图像的第二区域，包括：
设置50个条状区域，将所述条状区域均匀分布于所述第一区域上；
对所述条状区域覆盖的区域进行截取，确定所述间歇涂布图像的第二区域；
所述卷积核包括卷积核A1和卷积核A2，所述卷积核A1和卷积核A2的长度均为51，宽度为均1；
其中，所述卷积核A1中第1-25行为-1,第26行为0，第27-51行为1；
所述卷积核A2中第1-25行为1,第26行为0，第27-51行为-1。
2.根据权利要求1所述的一种基于图像卷积的间歇区提取方法，其特征在于，所述卷积核A1用于提取所述间歇涂布图像中从暗到亮的边缘；所述卷积核A2用于提取所述间歇涂布图像中从亮到暗的边缘。
3.根据权利要求1所述的一种基于图像卷积的间歇区提取方法，其特征在于，对所述卷积图像进行区域连通分析，确定间歇区的第一间歇边缘区域，包括：
对所述卷积图像进行二值化分割，得到二值化分割图像，确定间歇边缘的模糊位置；
对所述二值化分割图像进行区域连通，并根据间歇涂布宽度数据，确定间歇边缘的连通区域；
根据所述间歇边缘的模糊位置和所述间歇边缘的连通区域，对所述间歇涂布图像分别进行截取，确定两个间歇区的第一间歇边缘区域。
4.根据权利要求1所述的一种基于图像卷积的间歇区提取方法，其特征在于，根据所述第一间歇边缘区域提取间歇区的准确位置，包括：
对所述第一间歇边缘区域进行最大灰度二值化区分，得到两个间歇区的第二间歇边缘区域；
分别对所述第二间歇边缘区域进行求取，得到间歇边缘的上边缘位置和下边缘位置，确定间歇区的准确位置。
CN202310423268.5A 2023-04-19 2023-04-19 一种基于图像卷积的间歇区提取方法 Active CN116503530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310423268.5A CN116503530B (zh) 2023-04-19 2023-04-19 一种基于图像卷积的间歇区提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310423268.5A CN116503530B (zh) 2023-04-19 2023-04-19 一种基于图像卷积的间歇区提取方法

Publications (2)

Publication Number Publication Date
CN116503530A CN116503530A (zh) 2023-07-28
CN116503530B true CN116503530B (zh) 2023-12-05

Family

ID=87319542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310423268.5A Active CN116503530B (zh) 2023-04-19 2023-04-19 一种基于图像卷积的间歇区提取方法

Country Status (1)

Country Link
CN (1) CN116503530B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408580A (zh) * 2016-11-18 2017-02-15 南通大学 一种基于模糊c均值和均值漂移的肝脏区域提取方法
CN106846353A (zh) * 2017-01-04 2017-06-13 美的集团股份有限公司 基于密度的图像处理方法、图像处理装置和设备
CN109447063A (zh) * 2018-09-29 2019-03-08 佛山市云米电器科技有限公司 一种基于图像处理的厨房油烟浓度检测方法
CN115937167A (zh) * 2022-12-21 2023-04-07 凌云光技术股份有限公司 电池极片陶瓷的缺陷检测方法、装置及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6056511B2 (ja) * 2013-01-30 2017-01-11 株式会社ソシオネクスト 画像処理装置、方法、及びプログラム、並びに撮像装置
JP6218496B2 (ja) * 2013-08-21 2017-10-25 キヤノン株式会社 撮像装置、および、撮像方法
US10943169B2 (en) * 2017-03-07 2021-03-09 International Business Machines Corporation Battery-based neural network weights
US11468318B2 (en) * 2017-03-17 2022-10-11 Portland State University Frame interpolation via adaptive convolution and adaptive separable convolution
CN110379311A (zh) * 2019-07-23 2019-10-25 京东方科技集团股份有限公司 显示面板、电子设备、显示面板的制作方法和成像方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408580A (zh) * 2016-11-18 2017-02-15 南通大学 一种基于模糊c均值和均值漂移的肝脏区域提取方法
CN106846353A (zh) * 2017-01-04 2017-06-13 美的集团股份有限公司 基于密度的图像处理方法、图像处理装置和设备
CN109447063A (zh) * 2018-09-29 2019-03-08 佛山市云米电器科技有限公司 一种基于图像处理的厨房油烟浓度检测方法
CN115937167A (zh) * 2022-12-21 2023-04-07 凌云光技术股份有限公司 电池极片陶瓷的缺陷检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN116503530A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN106651872B (zh) 基于Prewitt算子的路面裂缝识别方法及系统
CN110008954B (zh) 一种基于多阈值融合的复杂背景文本图像提取方法及系统
EP3309703B1 (en) Method and system for decoding qr code based on weighted average grey method
CN108416766B (zh) 双侧入光式导光板缺陷视觉检测方法
CN107844683B (zh) 一种数字pcr液滴浓度的计算方法
CN107507173A (zh) 一种全切片图像的无参考清晰度评估方法及系统
CN111915704A (zh) 一种基于深度学习的苹果分级识别方法
CN111415363A (zh) 一种图像边缘识别方法
CN106780522B (zh) 一种基于深度学习的骨髓液细胞分割方法
CN111369570B (zh) 一种视频图像的多目标检测跟踪方法
CN111275036A (zh) 目标检测方法、装置、电子设备及计算机可读存储介质
CN112434570B (zh) 一种钽铌矿摇床矿带的图像识别方法
CN107545557A (zh) 粪便图像中的虫卵检测方法和装置
US8000535B2 (en) Methods and systems for refining text segmentation results
CN112508024A (zh) 一种变压器电气铭牌钢印字体智能识别方法
CN116542968A (zh) 一种基于模板匹配的钢筋智能计数方法
CN115588208A (zh) 一种基于数字图像处理技术的全线表结构识别方法
CN116503530B (zh) 一种基于图像卷积的间歇区提取方法
CN113920423A (zh) 一种免疫印迹图像识别方法
CN110310223B (zh) 一种紫外光与可见光图像的融合方法
CN110930358B (zh) 一种基于自适应算法的太阳能面板图像处理方法
EP4332879A1 (en) Method and apparatus for processing graphic symbol, and computer-readable storage medium
CN112184696A (zh) 一种细胞核和细胞器计数及其面积计算方法与系统
CN114612333B (zh) 一种基于显微镜图像的微囊藻类细胞统计方法
CN116206307A (zh) 图像标注方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant