CN117095067B - 基于人工智能的纺织品色差检测方法 - Google Patents
基于人工智能的纺织品色差检测方法 Download PDFInfo
- Publication number
- CN117095067B CN117095067B CN202311338893.6A CN202311338893A CN117095067B CN 117095067 B CN117095067 B CN 117095067B CN 202311338893 A CN202311338893 A CN 202311338893A CN 117095067 B CN117095067 B CN 117095067B
- Authority
- CN
- China
- Prior art keywords
- textile
- domain
- gray
- pixel point
- 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.)
- Active
Links
- 239000004753 textile Substances 0.000 title claims abstract description 481
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 33
- 230000004075 alteration Effects 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000009987 spinning Methods 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 6
- 239000004744 fabric Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于人工智能的纺织品色差检测方法,包括:采集若干纺织灰度图像;根据纺织灰度图像得到第一参考纺织灰度图像;根据第一参考纺织灰度图像得到每个纺织域像素点的参考色系灰度值;根据参考色系灰度值得到纺织域像素点的异常可能性;根据异常可能性得到纺织域像素点的异常可能相关程度;根据异常可能相关程度得到纺织域像素点的颜色变化程度;根据颜色变化程度以及异常可能性得到纺织域像素点的色差程度;根据色差程度得到存在色差的纺织灰度图像。本发明减少了色差检测结果的误差,提高了纺织品质量检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于人工智能的纺织品色差检测方法。
背景技术
在用户采购纺织品进行裁剪加工的过程中,不同纺织品的颜色差异会极大程度地影响用户对成品的满意度,若多名用户对成品的满意度较低,那么会降低纺织品的交易额,为了保证较理想的交易额,需要对纺织品进行色差检测。
传统的色差检测方法可能会因染料原因、布匹褶皱等原因产生微小色差,使色差检测结果产生一定程度的误差,降低纺织品质量检测的准确性,降低交易额。
发明内容
本发明提供基于人工智能的纺织品色差检测方法,以解决现有的问题:传统的色差检测方法可能会因染料原因、布匹褶皱等原因产生微小色差,使色差检测结果产生一定程度的误差,降低纺织品质量检测的准确性,降低交易额。
本发明的基于人工智能的纺织品色差检测方法采用如下技术方案:
包括以下步骤:
采集若干纺织灰度图像;
对纺织灰度图像进行边缘检测得到若干纺织边缘图像,获取每张纺织边缘图像中若干连通域,将每个连通域内每个像素点记为纺织域像素点;根据纺织灰度图像、纺织边缘图像以及连通域得到若干参考纺织灰度图像以及若干邻域距离;根据参考纺织灰度图像以及邻域距离得到若干第一参考纺织灰度图像;
根据第一参考纺织灰度图像以及纺织域像素点得到每个纺织域像素点的参考色系灰度值;根据若干纺织域像素点以及参考色系灰度值得到若干第一距离以及若干灰度近似度;根据灰度近似度以及第一距离得到每个纺织域像素点的异常可能性;
根据异常可能性得到每个纺织域像素点的异常可能相关程度;根据异常可能相关程度得到每个纺织域像素点的颜色变化程度;根据颜色变化程度以及异常可能性得到每个纺织域像素点的色差程度;
根据色差程度进行色差检测得到若干存在色差的纺织灰度图像。
优选的,所述根据纺织灰度图像、纺织边缘图像以及连通域得到若干参考纺织灰度图像以及若干邻域距离,包括的具体方法为:
对于任意一张纺织灰度图像,若对纺织灰度图像进行SVD奇异值分解得到对角矩阵,将对角矩阵中奇异值的数量记为最大奇异值保留数量;以1作为奇异值保留的起始数量,步长为1,依次递增奇异值保留的数量,直至奇异值保留的数量达到最大奇异值保留数量;获取纺织灰度图像的所有奇异值保留的数量,利用每个奇异值保留的数量对纺织灰度图像进行重建得到若干参考纺织灰度图像;
将任意一张参考纺织灰度图像的纺织边缘图像中任意一个连通域记为第一参考连通域,将与第一参考连通域中心欧式距离最小的像素点记为第一参考连通域的中心像素点;将除第一参考连通域以外的每个连通域的中心像素点记为第一参考连通域的参考中心像素点,在第一参考连通域的所有参考中心像素点中,将参考中心像素点与第一参考连通域的中心像素点最小的欧式距离记为第一参考连通域的邻域距离;获取若干邻域距离。
优选的,所述根据参考纺织灰度图像以及邻域距离得到若干第一参考纺织灰度图像,包括的具体方法为:
将任意一张参考纺织灰度图像的纺织边缘图像中任意一个连通域记为第二参考连通域,将与第二参考连通域边缘相接的连通域的数量记为第二参考连通域的参考邻域数量;
式中,表示参考纺织灰度图像的信息有效性;表示在参考纺织灰度图像的纺织
边缘图像中,包含的连通域数量;表示在参考纺织灰度图像的纺织边缘图像中,第个连
通域的参考邻域数量;表示在参考纺织灰度图像的纺织边缘图像中,第个连通域在参考
纺织灰度图像中对应所有像素点的灰度值的均值;表示在参考纺织灰度图像的纺织边缘
图像中,所有连通域的邻域距离的方差;
获取所有参考纺织灰度图像的信息有效性;
在所有参考纺织灰度图像的信息有效性中,将信息有效性最大的参考纺织灰度图像对应的奇异值保留的数量记为最终奇异值保留数量;将最终奇异值保留数量所属的参考纺织灰度图像记为第一参考纺织灰度图像;
获取若干第一参考纺织灰度图像。
优选的,所述根据第一参考纺织灰度图像以及纺织域像素点得到每个纺织域像素点的参考色系灰度值,包括的具体方法为:
对于任意一张第一参考纺织灰度图像的纺织边缘图像上任意一个连通域,将连通域的任意一个纺织域像素点记为第一参考纺织域像素点,以第一参考纺织域像素点水平180度的方向作为第一参考纺织域像素点的起始方向;在第一参考纺织域像素点的八邻域内,以第一参考纺织域像素点的起始方向开始,沿顺时针方向依次寻找除第一参考纺织域像素点以外的其他纺织域像素点,直至找到除第一参考纺织域像素点以外的第一个纺织域像素点时停止遍历,并将除第一参考纺织域像素点以外的第一个纺织域像素点的灰度值记为第一参考纺织域像素点的参考色系灰度值;
获取每个纺织域像素点的参考色系灰度值。
优选的,所述根据若干纺织域像素点以及参考色系灰度值得到若干第一距离以及若干灰度近似度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像的纺织边缘图像上任意一个连通域,根据连通域内所有纺织域像素点构建二维灰度分布坐标系,横轴表示每个纺织域像素点的灰度值,纵轴表示每个纺织域像素点的参考色系灰度值;
将二维灰度分布坐标系中最大横坐标与最大纵坐标的连线直线记为目标分布线;获取二维灰度分布坐标系中所有数据点,对于二维灰度分布坐标系中任意一个数据点,将数据点与目标分布线的垂直距离记为数据点的灰度近似度,获取二维灰度分布坐标系中所有数据点的灰度近似度;
对于二维灰度分布坐标系中任意两个数据点,将两个数据点之间的欧式距离记为第一距离,获该二维灰度分布坐标系中所有第一距离;
获取若干第一距离以及若干灰度近似度。
优选的,所述根据灰度近似度以及第一距离得到每个纺织域像素点的异常可能性,包括的具体方法为:
对于任意一个连通域中任意一个纺织域像素点,将纺织域像素点在二维灰度分布坐标系中对应的数据点记为目标数据点;
式中,表示纺织域像素点的异常可能性;表示在目标数据点所属二维灰度分布
坐标系中,所有第一距离的均值;表示目标数据点的灰度近似度;表示目标数据点的横
坐标值;
获取每个纺织域像素点的异常可能性。
优选的,所述根据异常可能性得到每个纺织域像素点的异常可能相关程度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像中任意一个纺织域像素点,将纺织域像素点的八邻域内任意一个纺织域像素点记为目标纺织域像素点;
式中,表示目标纺织域像素点的异常可能相关程度;表示纺织域像素点的灰度
值;表示在纺织域像素点的八邻域内,所有像素点的灰度值的累加和;表示目标纺织
域像素点的异常可能性;
获取每个纺织域像素点的异常可能相关程度。
优选的,所述根据异常可能相关程度得到每个纺织域像素点的颜色变化程度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像中任意一个纺织域像素点,式中,表示纺
织域像素点的颜色变化程度;表示在纺织域像素点的八邻域内目标纺织域像素点的数量;表示在纺织域像素点的八邻域内,第个目标纺织域像素点的异常可能相关程度;表示
目标纺织域像素点的异常可能相关程度;
获取每个纺织域像素点的颜色变化程度。
优选的,所述根据颜色变化程度以及异常可能性得到每个纺织域像素点的色差程度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像中任意一个纺织域像素点,将纺织域像素点的八邻域内任意一个纺织域像素点记为目标纺织域像素点,将所有目标纺织域像素点的异常可能相关程度的方差记为纺织域像素点的变化关联度;
式中,表示纺织域像素点的初始色差程度;表示纺织域像素点的颜色变化程
度;表示纺织域像素点的变化关联度;表示纺织域像素点的异常可能性;获取第一参考
纺织灰度图像中所有纺织域像素点的初始色差程度,对所有初始色差程度进行线性归一
化,将归一化后的每个初始色差程度记为色差程度;
获取每个纺织域像素点的色差程度。
优选的,所述根据色差程度进行色差检测得到若干存在色差的纺织灰度图像,包括的具体方法为:
将预设的分块大小记为T1,对于任意一张第一参考纺织灰度图像,按照T1对第一参考纺织灰度图像进行区域分块得到所有分块区域;将包含有纺织域像素点的分块区域记为纺织分块区域;
将预设的区域色差程度阈值记为T2;对于任意一个纺织分块区域,将纺织分块区域中所有纺织域像素点的色差程度的均值,记为纺织分块区域的区域色差程度;获取所有纺织分块区域的区域色差程度,若存在任意一个纺织分块区域的区域色差程度大于T2时,第一参考纺织灰度图像所属的纺织灰度图像存在色差;若不存在任意一个纺织分块区域的区域色差程度大于T2时,第一参考纺织灰度图像所属的纺织灰度图像不存在色差;
获取若干存在色差的纺织灰度图像。
本发明的技术方案的有益效果是:通过纺织灰度图像进行邻域距离的分析得到第一参考纺织图像,根据第一纺织图像得到异常可能性,根据异常可能性得到颜色变化程度,根据异常可能性以及颜色变化程度得到色差程度,根据色差程度进行色差检测得到若干存在色差的纺织灰度图像;相较于现有技术能会因染料原因、布匹褶皱等原因产生微小色差,使色差检测结果产生一定程度的误差;本发明的异常可能性反映了纺织域像素点对色差检测结果的影响程度,颜色变化程度反映了纺织域像素点的颜色变化趋势,色差程度反映了纺织域像素点与周围像素点之间颜色的差异性,减少了色差检测结果的误差,提高了纺织品质量检测的准确性。
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,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地介绍,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他的附图。
图1为本发明基于人工智能的纺织品色差检测方法的步骤流程图。
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基于人工智能的纺织品色差检测方法,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基于人工智能的纺织品色差检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于人工智能的纺织品色差检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干纺织灰度图像。
需要说明的是,传统的色差检测方法可能会因染料原因、布匹褶皱等原因产生微小色差,使色差检测结果产生一定程度的误差,降低纺织品质量检测的准确性,降低交易额。为此,本实施例提出了基于人工智能的纺织品色差检测方法。
具体的,为了实现本实施例提出的基于人工智能的纺织品色差检测方法,首先需要采集纺织灰度图像,具体过程为:使用工业相机拍摄若干同一色系的纺织品得到若干图像,记为纺织品图像;将每个纺织品图像进行灰度化处理得到若干灰度图像,记为纺织灰度图像。
至此,通过上述方法得到若干纺织灰度图像。
步骤S002:根据纺织灰度图像得到若干参考纺织灰度图像以及若干邻域距离;根据参考纺织灰度图像以及邻域距离得到若干第一参考纺织灰度图像。
需要说明的是,在纺织灰度图像进行奇异值分解后的对角矩阵中包含多个奇异值,并且奇异值是按照从大到小的顺序进行排列的;对于数值较大的奇异值,往往包含了纺织灰度图像中较多的信息量,因此保留的奇异值数量越多,纺织灰度图像中保留的信息量越多;但在纺织灰度图像的信息量中,除了纺织品的正常灰度信息以外,还包含了部分噪声干扰信息;其中正常灰度信息的灰度值一般相对较低,且纹理分布较为均匀;而噪声干扰信息的灰度值一般相对较高,且纹理分布较为杂乱;因此为了后续对纺织品的色差进行更准确的监测,首先需要保留合适的奇异值数量。
具体的,以任意一张纺织灰度图像为例,对该纺织灰度图像进行SVD奇异值分解得到对角矩阵,将该对角矩阵中奇异值的数量记为最大奇异值保留数量;以1作为奇异值保留的起始数量,步长为1,依次递增奇异值保留的数量,直至奇异值保留的数量达到最大奇异值保留数量;获取该纺织灰度图像的所有奇异值保留的数量;其中SVD奇异值分解是公知技术,本实施例不进行叙述。
进一步的,以该纺织灰度图像的任意一个奇异值保留的数量为例,将该奇异值保留的数量记为Z,保留该对角矩阵中前Z个奇异值,根据对角矩阵中保留的Z个奇异值对该纺织灰度图像进行重建得到参考纺织灰度图像;对该参考纺织灰度图像进行canny算子边缘检测算法得到边缘检测图像,记为该参考纺织灰度图像的纺织边缘图像;获取该纺织边缘图像中所有连通域,以该纺织边缘图像中任意一个连通域为例;将与该连通域中心欧式距离最小的像素点记为该连通域的中心像素点;将除该连通域以外的每个连通域的中心像素点记为该连通域的参考中心像素点,在该连通域的所有参考中心像素点中,将参考中心像素点与该连通域的中心像素点最小的欧式距离记为该连通域的邻域距离,获取该纺织边缘图像中所有连通域的邻域距离;其中纺织边缘图像中包含多个连通域,每个连通域仅包含一个中心像素点,canny算子边缘检测算法以及欧式距离、连通域的获取是公知技术,本实施例不进行叙述。
进一步的,以该纺织边缘图像中任意一个连通域为例,将与该连通域边缘相接的连通域的数量记为该连通域的参考邻域数量;根据该纺织边缘图像中所有连通域的邻域距离以及参考邻域数量,得到该参考纺织灰度图像的信息有效性;其中该参考纺织灰度图像的信息有效性的计算方法为:
式中,表示该参考纺织灰度图像的信息有效性;表示在该参考纺织灰度图像的
纺织边缘图像中,包含的连通域数量;表示在该参考纺织灰度图像的纺织边缘图像中,第个连通域的参考邻域数量;表示在该参考纺织灰度图像的纺织边缘图像中,第个连通
域在该参考纺织灰度图像中对应所有像素点的灰度值的均值;表示在该参考纺织灰度图
像的纺织边缘图像中,所有连通域的邻域距离的方差;其中若该参考纺织灰度图像的信息
有效性越大,说明在该保留的奇异值数量对应的参考纺织灰度图像中,包含的有效信息越
多,干扰信息越少;反映该保留的奇异值数量越适合作为该纺织灰度图像最终保留的奇异
值数量。获取所有参考纺织灰度图像的信息有效性。
进一步的,在所有参考纺织灰度图像的信息有效性中,将信息有效性最大的参考纺织灰度图像记为该纺织灰度图像的第一参考纺织灰度图像;获取所有纺织灰度图像的第一参考纺织灰度图像。其中每张纺织灰度图像对应一张第一参考纺织灰度图像。
至此,通过上述方法得到所有纺织灰度图像的第一参考纺织灰度图像。
步骤S003:根据第一参考纺织灰度图像以及纺织域像素点得到每个纺织域像素点的参考色系灰度值;根据若干纺织域像素点以及参考色系灰度值得到若干第一距离以及若干灰度近似度;根据灰度近似度以及第一距离得到每个纺织域像素点的异常可能性。
需要说明的是,在最大程度地保留了纺织灰度图像的有效信息后,此时在对应的纺织边缘图像中,所有连通域基本包含了纺织品所有的纺织纹理;若纺织纹理受到色差的影响较大时,那么纺织纹理对应像素点的灰度值的变化程度较低;若纺织纹理受到色差的影响较小时,那么纺织纹理对应像素点的灰度值的变化程度较高;所以可以通过分析纺织纹理得到连通域内每个像素点的异常可能性。
具体的,以任意一张第一参考纺织灰度图像的纺织边缘图像上任意一个连通域为例,将该连通域内每个像素点记为纺织域像素点,以该连通域的任意一个纺织域像素点为例,以该纺织域像素点水平180度的方向作为该纺织域像素点的起始方向;在该纺织域像素点的八邻域内,以该纺织域像素点的起始方向开始,沿顺时针方向依次寻找除该纺织域像素点以外的其他纺织域像素点,直至找到除该纺织域像素点以外的第一个纺织域像素点时停止遍历,并将除该纺织域像素点以外的第一个纺织域像素点的灰度值记为该纺织域像素点的参考色系灰度值,获取该连通域内所有纺织域像素点的参考色系灰度值。另外需要说明的是,由于在纺织域像素点的八邻域中,始终都会至少存在一个除该纺织域像素点以外的纺织域像素点,所以每个纺织域像素点都会有一个参考色系灰度值,不存在没有参考色系灰度值的情况。
进一步的,根据该连通域内所有纺织域像素点构建二维灰度分布坐标系,横轴表示每个纺织域像素点的灰度值,纵轴表示每个纺织域像素点的参考色系灰度值;将该二维灰度分布坐标系中最大横坐标与最大纵坐标的连线直线记为目标分布线;获取二维灰度分布坐标系中所有数据点,以该二维灰度分布坐标系中任意一个数据点为例,将该数据点与目标分布线的垂直距离记为该数据点的灰度近似度,获取该二维灰度分布坐标系中所有数据点的灰度近似度;以该二维灰度分布坐标系中任意两个数据点为例,将这两个数据点之间的欧式距离记为第一距离,获取该二维灰度分布坐标系中所有第一距离;其中该连通域中每个纺织域像素点在二维灰度分布坐标系中对应存在一个数据点,二维灰度分布坐标系存在多个数据点,且数据点可能会出现重合的情况;每个二维灰度分布坐标系包含多个第一距离,每个二维灰度分布坐标系仅包含一条目标分布线。
进一步的,以该连通域中任意一个纺织域像素点为例,将该纺织域像素点在二维灰度分布坐标系中对应的数据点记为目标数据点,根据第一距离以及目标数据点的灰度近似度得到该纺织域像素点的异常可能性;其中该纺织域像素点的异常可能性的计算方法为:
式中,表示该纺织域像素点的异常可能性;表示在该目标数据点所属二维灰度
分布坐标系中,所有第一距离的均值;表示该目标数据点的灰度近似度;表示该目标数
据点的横坐标值;其中若该纺织域像素点的异常可能性越大,说明该纺织域像素点受到色
差影响的可能性越大,反映该纺织域像素点对色差检测结果的影响越大。获取该连通域中
所有纺织域像素点的异常可能性;获取该第一参考纺织灰度图像的纺织边缘图像上每个连
通域中所有纺织域像素点的异常可能性;获取每张第一参考纺织灰度图像的纺织边缘图像
上每个连通域中所有纺织域像素点的异常可能性。
至此,通过上述方法得到每张第一参考纺织灰度图像的纺织边缘图像上每个连通域中所有纺织域像素点的异常可能性。
步骤S004:根据异常可能性得到每个纺织域像素点的异常可能相关程度;根据异常可能相关程度得到每个纺织域像素点的颜色变化程度;根据颜色变化程度以及异常可能性得到每个纺织域像素点的色差程度。
需要说明的是,通过异常可能性可以获取色差影响不同的区域;对于色差影响较大的区域,区域内的像素点与周围邻域中像素点,在灰度值以及异常可能性上的变化程度较大,对应颜色在纺织品对应区域上的扩散程度越大;对于色差影响较小的区域,区域内的像素点与周围邻域中像素点,在灰度值以及异常可能性上的变化程度较小,对应颜色在纺织品对应区域上的扩散程度越小。
具体的,以任意一张第一参考纺织灰度图像中任意一个纺织域像素点为例,将该纺织域像素点的八邻域内任意一个纺织域像素点记为目标纺织域像素点,根据该目标纺织域像素点的异常可能性得到该目标纺织域像素点的异常可能相关程度;其中该目标纺织域像素点的异常可能相关程度的计算方法为:
式中,表示该目标纺织域像素点的异常可能相关程度;表示该纺织域像素点的
灰度值;表示在该纺织域像素点的八邻域内,所有像素点的灰度值的累加和;表示该
目标纺织域像素点的异常可能性;其中若该目标纺织域像素点的异常可能相关程度越大,
说明该目标纺织域像素点对该纺织域像素点的关联程度越大。获取该纺织域像素点的八邻
域内所有目标纺织域像素点的异常可能相关程度。
进一步的,在该纺织域像素点的八邻域内,根据所有目标纺织域像素点的异常可能相关程度得到该纺织域像素点的颜色变化程度;其中该纺织域像素点的颜色变化程度的计算方法为:
式中,表示该纺织域像素点的颜色变化程度;表示在该纺织域像素点的八邻域
内目标纺织域像素点的数量;表示在该纺织域像素点的八邻域内,第个目标纺织域像素
点的异常可能相关程度;表示该目标纺织域像素点的异常可能相关程度;其中若该纺织域
像素点的颜色变化程度越大,说明该纺织域像素点的颜色变化越剧烈,反映该纺织域像素
点越有可能属于色差明显的像素点。
进一步的,在该纺织域像素点的八邻域内,将所有目标纺织域像素点的异常可能相关程度的方差记为该纺织域像素点的变化关联度;根据颜色变化程度、变化关联程度以及异常可能性得到该纺织域像素点的色差程度;其中该纺织域像素点的色差程度的计算方法为:
式中,表示该纺织域像素点的初始色差程度;表示该纺织域像素点的颜色变化
程度;表示该纺织域像素点的变化关联度;表示该纺织域像素点的异常可能性;其中若
该纺织域像素点的初始色差程度越大,说明该纺织域像素点与周围像素点之间颜色的差异
越大,反映该纺织域像素点存在色差的可能性越大。获取该第一参考纺织灰度图像中所有
纺织域像素点的初始色差程度,对所有初始色差程度进行线性归一化,将归一化后的每个
初始色差程度记为色差程度;获取每张第一参考纺织灰度图像中所有纺织域像素点的色差
程度。
至此,通过上述方法得到每张第一参考纺织灰度图像中所有纺织域像素点的色差程度。
步骤S005:根据色差程度进行色差检测得到若干存在色差的纺织灰度图像。
具体的,预设一个分块大小T1,其中本实施例以T1=33为例进行叙述,本实施例不
进行具体限定,其中T1可根据具体实施情况而定;以任意一张第一参考纺织灰度图像为例,
按照分块大小T1对该第一参考纺织灰度图像进行区域分块得到所有分块区域;将包含有纺
织域像素点的分块区域记为纺织分块区域;另外需要说明的是,在按照分块大小T1对该第
一参考纺织灰度图像进行区域分块的过程中,若存在剩余的区域大小不满足预设的分块大
小T1的情况,那么以剩余的区域的实际大小作为一个分块区域。
进一步的,预设一个区域色差程度阈值T2,其中本实施例以T2=0.6为例进行叙述,本实施例不进行具体限定,其中T2可根据具体实施情况而定;以任意一个纺织分块区域为例,将该纺织分块区域中所有纺织域像素点的色差程度的均值,记为该纺织分块区域的区域色差程度;获取所有纺织分块区域的区域色差程度,若存在任意一个纺织分块区域的区域色差程度大于区域色差程度阈值T2,认为该第一参考纺织灰度图像所属的纺织灰度图像存在色差;若不存在任意一个纺织分块区域的区域色差程度大于区域色差程度阈值T2,认为该第一参考纺织灰度图像所属的纺织灰度图像不存在色差。获取所有存在色差的纺织灰度图像。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于人工智能的纺织品色差检测方法,其特征在于,该方法包括以下步骤:
采集若干纺织灰度图像;
对纺织灰度图像进行边缘检测得到若干纺织边缘图像,获取每张纺织边缘图像中若干连通域,将每个连通域内每个像素点记为纺织域像素点;根据纺织灰度图像、纺织边缘图像以及连通域得到若干参考纺织灰度图像以及若干邻域距离;根据参考纺织灰度图像以及邻域距离得到若干第一参考纺织灰度图像;
根据第一参考纺织灰度图像以及纺织域像素点得到每个纺织域像素点的参考色系灰度值;根据若干纺织域像素点以及参考色系灰度值得到若干第一距离以及若干灰度近似度;根据灰度近似度以及第一距离得到每个纺织域像素点的异常可能性;
根据异常可能性得到每个纺织域像素点的异常可能相关程度;根据异常可能相关程度得到每个纺织域像素点的颜色变化程度;根据颜色变化程度以及异常可能性得到每个纺织域像素点的色差程度;
根据色差程度进行色差检测得到若干存在色差的纺织灰度图像;
所述根据参考纺织灰度图像以及邻域距离得到若干第一参考纺织灰度图像,包括的具体方法为:
将任意一张参考纺织灰度图像的纺织边缘图像中任意一个连通域记为第二参考连通域,将与第二参考连通域边缘相接的连通域的数量记为第二参考连通域的参考邻域数量;
式中,表示参考纺织灰度图像的信息有效性;/>表示在参考纺织灰度图像的纺织边缘图像中,包含的连通域数量;/>表示在参考纺织灰度图像的纺织边缘图像中,第/>个连通域的参考邻域数量;/>表示在参考纺织灰度图像的纺织边缘图像中,第/>个连通域在参考纺织灰度图像中对应所有像素点的灰度值的均值;/>表示在参考纺织灰度图像的纺织边缘图像中,所有连通域的邻域距离的方差;
获取所有参考纺织灰度图像的信息有效性;
在所有参考纺织灰度图像的信息有效性中,将信息有效性最大的参考纺织灰度图像对应的奇异值保留的数量记为最终奇异值保留数量;将最终奇异值保留数量所属的参考纺织灰度图像记为第一参考纺织灰度图像;
获取若干第一参考纺织灰度图像;
所述根据若干纺织域像素点以及参考色系灰度值得到若干第一距离以及若干灰度近似度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像的纺织边缘图像上任意一个连通域,根据连通域内所有纺织域像素点构建二维灰度分布坐标系,横轴表示每个纺织域像素点的灰度值,纵轴表示每个纺织域像素点的参考色系灰度值;
将二维灰度分布坐标系中最大横坐标与最大纵坐标的连线直线记为目标分布线;获取二维灰度分布坐标系中所有数据点,对于二维灰度分布坐标系中任意一个数据点,将数据点与目标分布线的垂直距离记为数据点的灰度近似度,获取二维灰度分布坐标系中所有数据点的灰度近似度;
对于二维灰度分布坐标系中任意两个数据点,将两个数据点之间的欧式距离记为第一距离,获该二维灰度分布坐标系中所有第一距离;
获取若干第一距离以及若干灰度近似度;
所述根据灰度近似度以及第一距离得到每个纺织域像素点的异常可能性,包括的具体方法为:
对于任意一个连通域中任意一个纺织域像素点,将纺织域像素点在二维灰度分布坐标系中对应的数据点记为目标数据点;
式中,表示纺织域像素点的异常可能性;/>表示在目标数据点所属二维灰度分布坐标系中,所有第一距离的均值;/>表示目标数据点的灰度近似度;/>表示目标数据点的横坐标值;
获取每个纺织域像素点的异常可能性;
所述根据异常可能性得到每个纺织域像素点的异常可能相关程度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像中任意一个纺织域像素点,将纺织域像素点的八邻域内任意一个纺织域像素点记为目标纺织域像素点;
式中,表示目标纺织域像素点的异常可能相关程度;/>表示纺织域像素点的灰度值;/>表示在纺织域像素点的八邻域内,所有像素点的灰度值的累加和;/>表示目标纺织域像素点的异常可能性;
获取每个纺织域像素点的异常可能相关程度;
所述根据异常可能相关程度得到每个纺织域像素点的颜色变化程度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像中任意一个纺织域像素点,式中,表示纺织域像素点的颜色变化程度;/>表示在纺织域像素点的八邻域内目标纺织域像素点的数量;/>表示在纺织域像素点的八邻域内,第/>个目标纺织域像素点的异常可能相关程度;/>表示目标纺织域像素点的异常可能相关程度;
获取每个纺织域像素点的颜色变化程度;
所述根据颜色变化程度以及异常可能性得到每个纺织域像素点的色差程度,包括的具体方法为:
对于任意一张第一参考纺织灰度图像中任意一个纺织域像素点,将纺织域像素点的八邻域内任意一个纺织域像素点记为目标纺织域像素点,将所有目标纺织域像素点的异常可能相关程度的方差记为纺织域像素点的变化关联度;
式中,表示纺织域像素点的初始色差程度;/>表示纺织域像素点的颜色变化程度;/>表示纺织域像素点的变化关联度;/>表示纺织域像素点的异常可能性;获取第一参考纺织灰度图像中所有纺织域像素点的初始色差程度,对所有初始色差程度进行线性归一化,将归一化后的每个初始色差程度记为色差程度;
获取每个纺织域像素点的色差程度。
2.根据权利要求1所述基于人工智能的纺织品色差检测方法,其特征在于,所述根据纺织灰度图像、纺织边缘图像以及连通域得到若干参考纺织灰度图像以及若干邻域距离,包括的具体方法为:
对于任意一张纺织灰度图像,若对纺织灰度图像进行SVD奇异值分解得到对角矩阵,将对角矩阵中奇异值的数量记为最大奇异值保留数量;以1作为奇异值保留的起始数量,步长为1,依次递增奇异值保留的数量,直至奇异值保留的数量达到最大奇异值保留数量;获取纺织灰度图像的所有奇异值保留的数量,利用每个奇异值保留的数量对纺织灰度图像进行重建得到若干参考纺织灰度图像;
将任意一张参考纺织灰度图像的纺织边缘图像中任意一个连通域记为第一参考连通域,将与第一参考连通域中心欧式距离最小的像素点记为第一参考连通域的中心像素点;将除第一参考连通域以外的每个连通域的中心像素点记为第一参考连通域的参考中心像素点,在第一参考连通域的所有参考中心像素点中,将参考中心像素点与第一参考连通域的中心像素点最小的欧式距离记为第一参考连通域的邻域距离;获取若干邻域距离。
3.根据权利要求1所述基于人工智能的纺织品色差检测方法,其特征在于,所述根据第一参考纺织灰度图像以及纺织域像素点得到每个纺织域像素点的参考色系灰度值,包括的具体方法为:
对于任意一张第一参考纺织灰度图像的纺织边缘图像上任意一个连通域,将连通域的任意一个纺织域像素点记为第一参考纺织域像素点,以第一参考纺织域像素点水平180度的方向作为第一参考纺织域像素点的起始方向;在第一参考纺织域像素点的八邻域内,以第一参考纺织域像素点的起始方向开始,沿顺时针方向依次寻找除第一参考纺织域像素点以外的其他纺织域像素点,直至找到除第一参考纺织域像素点以外的第一个纺织域像素点时停止遍历,并将除第一参考纺织域像素点以外的第一个纺织域像素点的灰度值记为第一参考纺织域像素点的参考色系灰度值;
获取每个纺织域像素点的参考色系灰度值。
4.根据权利要求1所述基于人工智能的纺织品色差检测方法,其特征在于,所述根据色差程度进行色差检测得到若干存在色差的纺织灰度图像,包括的具体方法为:
将预设的分块大小记为T1,对于任意一张第一参考纺织灰度图像,按照T1对第一参考纺织灰度图像进行区域分块得到所有分块区域;将包含有纺织域像素点的分块区域记为纺织分块区域;
将预设的区域色差程度阈值记为T2;对于任意一个纺织分块区域,将纺织分块区域中所有纺织域像素点的色差程度的均值,记为纺织分块区域的区域色差程度;获取所有纺织分块区域的区域色差程度,若存在任意一个纺织分块区域的区域色差程度大于T2时,第一参考纺织灰度图像所属的纺织灰度图像存在色差;若不存在任意一个纺织分块区域的区域色差程度大于T2时,第一参考纺织灰度图像所属的纺织灰度图像不存在色差;
获取若干存在色差的纺织灰度图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338893.6A CN117095067B (zh) | 2023-10-17 | 2023-10-17 | 基于人工智能的纺织品色差检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338893.6A CN117095067B (zh) | 2023-10-17 | 2023-10-17 | 基于人工智能的纺织品色差检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095067A CN117095067A (zh) | 2023-11-21 |
CN117095067B true CN117095067B (zh) | 2024-02-02 |
Family
ID=88771899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311338893.6A Active CN117095067B (zh) | 2023-10-17 | 2023-10-17 | 基于人工智能的纺织品色差检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095067B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012152336A1 (en) * | 2011-05-12 | 2012-11-15 | Centre De Visió Per Computador (Cvc) | Method for detecting defects on yarns |
CN104680551A (zh) * | 2013-11-29 | 2015-06-03 | 展讯通信(天津)有限公司 | 一种基于肤色检测的跟踪方法及装置 |
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及系统 |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
WO2023133929A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
CN116485797A (zh) * | 2023-06-25 | 2023-07-25 | 潍坊亚贝涂料有限公司 | 基于人工智能的涂料色差快速检测方法 |
CN116542972A (zh) * | 2023-07-04 | 2023-08-04 | 山东阁林板建材科技有限公司 | 基于人工智能的墙板表面缺陷快速检测方法 |
CN116630309A (zh) * | 2023-07-21 | 2023-08-22 | 微山县天阔纺织有限公司 | 一种布匹断纬瑕疵检测方法 |
WO2023155494A1 (zh) * | 2022-02-16 | 2023-08-24 | 上海商汤智能科技有限公司 | 图像检测及训练方法、相关装置、设备、介质和程序产品 |
CN116805317A (zh) * | 2023-08-28 | 2023-09-26 | 苏州科尔珀恩机械科技有限公司 | 基于人工智能的回转炉内壁缺陷检测方法 |
CN116805313A (zh) * | 2023-08-21 | 2023-09-26 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN116863253A (zh) * | 2023-09-05 | 2023-10-10 | 光谷技术有限公司 | 基于大数据分析的运维风险预警方法 |
-
2023
- 2023-10-17 CN CN202311338893.6A patent/CN117095067B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012152336A1 (en) * | 2011-05-12 | 2012-11-15 | Centre De Visió Per Computador (Cvc) | Method for detecting defects on yarns |
CN104680551A (zh) * | 2013-11-29 | 2015-06-03 | 展讯通信(天津)有限公司 | 一种基于肤色检测的跟踪方法及装置 |
WO2021248915A1 (zh) * | 2020-06-10 | 2021-12-16 | 青岛理工大学 | 一种清水混凝土色差分析/检测方法及系统 |
WO2023133929A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
WO2023155494A1 (zh) * | 2022-02-16 | 2023-08-24 | 上海商汤智能科技有限公司 | 图像检测及训练方法、相关装置、设备、介质和程序产品 |
CN115115615A (zh) * | 2022-07-26 | 2022-09-27 | 南通好心情家用纺织品有限公司 | 一种基于图像识别的纺织面料质量评估方法及系统 |
CN116485797A (zh) * | 2023-06-25 | 2023-07-25 | 潍坊亚贝涂料有限公司 | 基于人工智能的涂料色差快速检测方法 |
CN116542972A (zh) * | 2023-07-04 | 2023-08-04 | 山东阁林板建材科技有限公司 | 基于人工智能的墙板表面缺陷快速检测方法 |
CN116630309A (zh) * | 2023-07-21 | 2023-08-22 | 微山县天阔纺织有限公司 | 一种布匹断纬瑕疵检测方法 |
CN116805313A (zh) * | 2023-08-21 | 2023-09-26 | 山东大拇指喷雾设备有限公司 | 一种喷雾机喷头的缺陷检测方法 |
CN116805317A (zh) * | 2023-08-28 | 2023-09-26 | 苏州科尔珀恩机械科技有限公司 | 基于人工智能的回转炉内壁缺陷检测方法 |
CN116843688A (zh) * | 2023-09-01 | 2023-10-03 | 山东虹纬纺织有限公司 | 一种纺织品质量视觉检测方法 |
CN116863253A (zh) * | 2023-09-05 | 2023-10-10 | 光谷技术有限公司 | 基于大数据分析的运维风险预警方法 |
Non-Patent Citations (2)
Title |
---|
基于计算机视觉的纺织品色牢度检测方法;冉友廷;邓中民;;针织工业(第08期);70-73 * |
彩色图像分割方法综述;林开颜, 吴军辉, 徐立鸿;中国图象图形学报(第01期);3-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN117095067A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168026B (zh) | 基于计算机视觉的水质检测方法及系统 | |
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
Chierchia et al. | Guided filtering for PRNU-based localization of small-size image forgeries | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN102483805A (zh) | 指纹补绘目标区域的自动识别 | |
CN114926839B (zh) | 基于rpa和ai的图像识别方法及电子设备 | |
CN114926436A (zh) | 一种用于周期性花纹织物的缺陷检测方法 | |
CN116664559A (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN109766818A (zh) | 瞳孔中心定位方法及系统、计算机设备及可读存储介质 | |
CN117422712B (zh) | 基于图像滤波处理的塑料母粒视觉检测方法及系统 | |
CN116863253B (zh) | 基于大数据分析的运维风险预警方法 | |
CN107886114A (zh) | 植物叶片的特征提取方法、识别方法、装置和计算机设备 | |
CN117095067B (zh) | 基于人工智能的纺织品色差检测方法 | |
CN116824168B (zh) | 基于图像处理的耳部ct特征提取方法 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN113822818B (zh) | 散斑提取方法、装置、电子设备及存储介质 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN114025089A (zh) | 一种视频图像采集抖动处理方法及系统 | |
CN112614100A (zh) | 海洋浮游生物图像分割方法 | |
Zhang et al. | Depth map super-resolution using non-local higher-order regularization with classified weights | |
CN117173168B (zh) | 基于人工智能的oled显示屏质量检测方法 | |
CN116758058B (zh) | 一种数据处理方法、装置、计算机及存储介质 | |
CN109949245A (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN114881895B (zh) | 一种基于帧间差异的红外图像条纹噪声处理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |