CN106503749A - 一种鱼子酱的自动分级方法及其*** - Google Patents
一种鱼子酱的自动分级方法及其*** Download PDFInfo
- Publication number
- CN106503749A CN106503749A CN201610974412.4A CN201610974412A CN106503749A CN 106503749 A CN106503749 A CN 106503749A CN 201610974412 A CN201610974412 A CN 201610974412A CN 106503749 A CN106503749 A CN 106503749A
- Authority
- CN
- China
- Prior art keywords
- caviar
- classification
- automatic
- image
- color
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种鱼子酱的自动分级方法及其***,所述自动分级包括以下步骤:S1.基于等级参数,对鱼子酱进行预分级;S2.采集鱼子酱图像,基于自动分级模型,结合所述预分级结果,确定鱼子酱的等级。本发明所提供的自动分级方法及其***实现了鱼子酱的预分级以及精确分级,为鱼子酱加工过程中快速准确分级提供了技术支撑。
Description
技术领域
本发明涉及食品分级领域,更具体地,涉及一种鱼子酱的自动分级方法及其***。
背景技术
严格意义上只有鲟鱼卵经过轻微盐渍才能成为鱼子酱。鲟鱼子酱富含蛋白质、多种维生素及微量元素,作为名贵食品,素有“黑色黄金”美誉,位居世界三大珍味之首。等级是描述鲟鱼子酱品质的一项重要表征方式。用于确定鱼子酱等级的参数有鱼卵颜色、大小、均一性、成熟度、聚散密度。
当前鱼子酱的分级还处于通过经验丰富的专业技术人员人工确定的阶段,耗时长,效率低,易受主观影响,很难保证评级的准确性和一致性。因此,开发鱼子酱的自动分级方法及其***,以快速且高效的获得分级的鱼子酱,是十分有必要的。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的鱼子酱的自动分级方法,该方法包括以下步骤:
S1.基于等级参数,对鱼子酱进行预分级;
S2.采集鱼子酱图像,基于自动分级模型,结合所述预分级结果,确定鱼子酱的等级。
优选地,所述等级参数为鱼子酱的颜色、大小、均一性、和/或聚散密度。最优选的等级参数为鱼子酱的颜色。
优选地,基于鱼子酱的颜色,利用色差仪对鱼子酱建立预分级判定标准,采集待分级鱼子酱图像,对鱼子酱进行自动预分级。
优选地,S2中鱼子酱的图像包括已评级鱼子酱的图像和待进一步分级的鱼子酱图像。
优选地,S2中自动分级模型为自动分级多核支持向量机模型。
优选地,自动分级多核支持向量机模型的建立包括以下步骤:
将所采集得到的已评级的鱼子酱图像作为训练集,进行特征提取;
通过广义多核学习算法,自适应优化特征权重,建立多核支向量机模型。
优选地,还包括以下步骤:
对所采集得到的待进一步分级的鱼子酱图像进行特征提取,将所提取的特征输入自动分级多核支持向量机模型中,确定鱼子酱等级。
优选地,所述特征包括颜色特征、纹理特征以及形状特征;更优选的,所述颜色特征为图片颜色矩,所述纹理特征为灰度共生矩阵性,所述形状特征为鱼卵平均面积。
根据本发明的一个方面,提供了一种鱼子酱的自动分级***,包括:
预分级模块,用于对待分级的鱼子酱进行预分级;
自动分级模块,用于对预分级后待进一步分级的鱼子酱进行自动分级。
本申请提出的鱼子酱自动分级方法及其***针对现有技术的不足,基于加工过程中自动采集到不同阶段的鱼子酱图像,利用预分级模块和多核支持向量机模型的准确结合,实现了鱼子酱自动预分级和精确分级,为鱼子酱在加工过程中快速准确分级提供了技术支撑。
附图说明
图1为根据本发明一个优选实施例的鱼子酱的自动分级***的组成框图;
图2为根据本发明一个优选实施例的鱼子酱的自动分级方法的流程示意图。
具体实施方式
本发明提供的一种鱼子酱的自动分级方法,包括:
S1.基于等级参数,对鱼子酱进行预分级;
S2.采集鱼子酱图像,基于自动分级模型,结合所述预分级结果,确定鱼子酱的等级。
所述等级参数为鱼子酱的颜色、大小、均一性、聚散密度。
在所有等级参数中,颜色是确定鱼子酱等级决定性的因素之一,且较容易获得。通过对颜色进行预分级,保证预分级的结果和效率,可以降低后续分级模型的复杂程度,提高最终分级准确率和分级效果。在本发明中,以鱼子酱的颜色为例来进一步详述本发明。
等级参数为鱼子酱的颜色时,利用色差仪来进行颜色的预分级,优选为便携式色差仪,即
S1的具体步骤包括:基于鱼子酱的颜色,利用色差仪对鱼子酱建立预分级判定标准,采集待分级鱼子酱图像,对鱼子酱进行自动预分级。
当等级参数为颜色时,利用由便携式色差仪对鱼子酱建立预分级判定标准的步骤包括:
1.1)应用标准黑腔对于色差仪进行全黑校准,标准白板进行全白校准;
1.2)在加工过程中分级步骤的实际光源环境下,选用白板作为样品测定,保存当前的L,a,b值作为样品值L0,a0,b0;
1.3)在步骤1.2)等同的环境条件下,将已由专家完成评级的鱼子酱(R+++,R++,R+,R)按照等级分组,用便携式精密色差仪分别测量每个组中所有样本,得到每个样本的ΔE,ΔL,Δa,Δb值,并以组为单位,计算色差参数平均值ΔE0,ΔL0,Δa0,Δb0,作为鱼子酱预分级的判定标准。
其中,所述待分级鱼子酱为加工过程中装罐后和封罐前的鱼子酱。
在一个优选的实施方式中,预分级的步骤包括:
在步骤S1等同的环境条件下,应用便携式色差分析仪,对加工过程中装罐后、封罐前的鱼子酱进行测定,得到ΔE,ΔL,Δa,Δb,按照步骤S1所确定的预分级标准,将鱼子酱分为已确定等级和需要进一步分级的鱼子酱,实现鱼子酱的预分级。
其中,S2中鱼子酱的图像包括已评级鱼子酱的图像和待进一步分级的鱼子酱图像。
在一个优选的实施方式中,自动分级多核支持向量机模型的建立包括以下步骤:
将所采集得到的已评级的鱼子酱图像作为训练集,进行特征提取;即将建立预分级判定标准的已评级的鱼子酱作为训练样本,将其图像作为训练集,并对其进行特征提取;
通过广义多核学习算法,自适应优化特征权重,建立多核支向量机模型。
在本发明的一个优选实施方式中,由摄像设备对已分级鱼子酱训练样本进行图像采集;进一步的,所述的图像采集由技术人员根据在加工过程中鱼子酱罐装大小及高精度程控摄像头参数,对摄像头拍摄高度进行预设,在垂直于鱼子酱90度角的方向,已分级的装罐后鱼子酱图片进行采集。
所述特征包括所述训练样本的颜色特征、纹理特征以及形状特征。更进一步优选地,所述特征包括所述训练样本的图片颜色矩、灰度共生矩阵性以及鱼卵平均面积。
在本发明的一个优选实施方式中,自动分级多核支持向量机模型的建立包括以下步骤:
通过广义多核学习算法和多核支持向量机模型对所述训练样本的特征向量的最优权重组合,建立自动分级模型。
所采用的多核支持向量机模型的核函数表示为:
其中,km(x,y)为基本核函数,F是基本核的总数,K(x,y)为最终核函数,βm为该基本核函数对应的权重系数。
进一步的,所述的自适应优化特征权重方法步骤如下:
1)首先计算图像间每类特征向量距离矩阵。其距离度量可采用曼哈顿距离、欧几里得、规范化欧几里得距离、切比雪夫距离以及余弦相似度等常用度量法计算。
例如,采用欧几里德距离算法公式如下,计算得到图像间每类特征向量距离矩阵;
式中,A,B表示不同图像,ai,bi分别表示A,B中的第i个特征向量。
2)初始化标准支持向量机参数,选择适当的惩罚系数C。
3)初始化梯度下降参数,使用二次规划函数quadprog作为SVM求解。选择基本Armijo算法作为步长搜索算法。
4)训练支持向量机。将图像间每类特征向量距离对称矩阵按以下公式转换到核空间:
ker nelbymean=exp(-1*dist/mean(mdan(dist)))
而后训练鱼子酱图片的特征向量,经过反复迭代,得到特征向量的最优权重组合。
另外,用上述相同摄像设备以及方法采集待进一步分级的鱼子酱图像,并对所采集得到的待进一步分级的鱼子酱图像进行特征提取,将所提取的特征输入自动分级多核支持向量机模型中,实现进一步自动分级。其中,所述特征也包括所述训练样本的颜色特征、纹理特征以及形状特征。更进一步优选地,所述特征包括所述训练样本的图片颜色矩、灰度共生矩阵性以及鱼卵平均面积。
根据本发明的一个方面,提供了一种鱼子酱的自动分级***,包括:
预分级模块A1,基于等级参数,用于对待分级的鱼子酱进行预分级;
自动预分级模块A2,基于鱼子酱图像,用于对加工过程中的鱼子酱自动进行预分级。
本发明自动分级***中还包括对鱼子酱加工过程中的图像自动采集模块。
另外,在分级***中还包括将结果输出的输出模块。
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图2所示,鱼子酱加工过程中的自动分级方法,包括以下步骤:
1)由于鱼子酱颜色是决定鱼子酱等级的最主要因素,因此以颜色为判定因子,对鱼子酱进行预分级。将一批已由专家完成评级(R+++,R++,R+,R)的鱼子酱作为训练样本,利用由便携式色差仪对鱼子酱建立预分级判定标准,步骤如下;
1.1)应用标准黑腔对于色差仪进行全黑校准,标准白板进行全白校准;
1.2)在加工过程中分级步骤的实际光源环境下,选用白板作为样品测定,保存当前的L,a,b值作为样品值L0,a0,b0;
1.3)在步骤1.2)等同的环境条件下,将已由专家完成评级的鱼子酱按照等级分组,用便携式精密色差仪分别测量每个组中所有样本,得到每个样本的ΔE,ΔL,Δa,Δb值,并以组为单位,计算色差参数平均值ΔE0,ΔL0,Δa0,Δb0,作为鱼子酱预分级的判定标准。经计算,黄色b值最能体现鱼子酱等级的变化,因此选用b值作为鱼子酱预分级的判定标准,如下表所示:
2)在步骤1.2)等同的环境条件下,由技术人员根据鱼子酱罐装大小和高精度程控摄像头参数,对摄像头拍摄高度进行预设,在垂直于鱼子酱90度角的方向,对步骤1)中所述已分级的装罐后鱼子酱图片进行采集。
3)将步骤2)中获得的图像作为训练集,提取图片颜色矩、灰度共生矩阵性及鱼卵平均面积作为训练样本的训练特征。
3.1)颜色矩提取具体步骤如下:
首先提取色度、饱和度及亮度分量;
其次对每个颜色分量求颜色矩中的一阶矩、二阶矩和三阶矩,即均值(Ei)、方差(σi)、和偏度(si),公式如下:
式中,i∈H、S、V表示任一颜色分量,pij表示图像第i个颜色通道分量中第j个像素的值,N表示图像中的像素个数。
最后选取H、S、V颜色分量,计算每个分量的均值、方差和偏度,得到对应图像的颜色矩特征。
3.2)用灰度共生矩阵描述鱼子酱纹理特征,步骤如下:
首先对待处理彩色鱼子酱图像灰度化;
其次计算能量(J),熵(S),逆差(Q)这3个二次统计量来表征灰度共生矩阵的特征,其公式如下
3.3)计算鱼卵平均面积,步骤如下:
首先,提取鱼子酱容器罐的圆心和直径的像素值D,分割出以该圆心为圆心,直径为D像素的圆;
其次,通过线性插值滤波,将该圆形图像放大至视觉范围内最佳效果;
最后,经过去噪及边缘检测,计算该圆形图像内鱼卵个数和单粒鱼卵平均面积。
4)通过广义多核学习算法,自适应优化特征权重,将多核支持向量机模型应用于鱼子酱自动分级;
进一步的,所述步骤4)中采用的多核支持向量机模型的核函数表示为:
其中,km(x,y)为基本核函数,F是基本核的总数,K(x,y)为最终核函数,βm为该基本核函数对应的权重系数。
进一步的,所述步骤3)中的自适应分配特征权重方法步骤如下:
4.1)首先计算图像间每类特征向量距离矩阵。其距离度量采用欧几里德距离算法(公式如下),计算得到图像间每类特征向量距离矩阵;
式中,A,B表示不同图像,ai,bi分别表示A,B中的第i个特征向量。
4.2)初始化标准支持向量机参数,选择适当的惩罚系数C。
4.3)初始化梯度下降参数,使用二次规划函数quadprog作为SVM求解。选择基本Armijo算法作为步长搜索算法
4.4)训练支持向量机。将图像间每类特征向量距离对称矩阵按以下公式转换到核空间:
ker nelbymean=exp(-1*dist/mean(mdan(dist)))
而后训练鱼子酱图片的特征向量,经过反复迭代,得到特征向量的最优权重组合。
5)在步骤1.2)等同的环境条件下,,应用便携式色差分析仪,对加工过程中装罐后、封罐前的鱼子酱进行测定,得到ΔE,ΔL,Δa,Δb,按照步骤1)所确定的预分级标准,将鱼子酱分为已确定等级和需要进一步分级的鱼子酱。
6)应用高精度程控摄像头采集需进一步分级的鱼子酱图像,提取图像特征参数,输入步骤4)中所建立的自动分级模型,结合步骤5)得到的预分级结果,进行鱼子酱进一步分级。
本发明基于等级参数特别是颜色特征建立鱼子酱自动预分级方法,基于图像处理和多核分析方法建立自动分级多核支持向量机模型,通过在加工过程中所自动采集的鱼子酱图像特征,本发明能有效地将预分级与多核支持向量机模型自动分级的结合,减少程序处理时间,提高分级的效率和准确性,在不影响鱼子酱加工速度的前提下,很好地实现了对鱼子酱在加工过程中的快速自动精确分级。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,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 (10)
1.一种鱼子酱的自动分级方法,包括以下步骤:
S1.基于等级参数,对鱼子酱进行预分级;
S2.采集鱼子酱图像,基于自动分级模型,结合所述预分级结果,确定鱼子酱的等级。
2.根据权利要求1所述的自动分级方法,其特征在于,S1中所述的等级参数为鱼子酱的颜色、大小、均一性、和/或聚散密度。
3.根据权利要求1所述的自动分级方法,其特征在于,S1的具体步骤包括:基于鱼子酱的颜色,利用色差仪对鱼子酱建立预分级判定标准,采集待分级鱼子酱图像,对鱼子酱进行自动预分级。
4.根据权利要求1所述的自动分级方法,其特征在于,S2中鱼子酱的图像包括已评级鱼子酱的图像和待进一步分级的鱼子酱图像。
5.根据权利要求1-4中任一项所述的自动分级方法,其特征在于,S2中自动分级模型为自动分级多核支持向量机模型。
6.根据权利要求5中所述的自动分级方法,其特征在于,所述自动分级多核支持向量机模型的建立包括以下步骤:
将所采集得到的已评级的鱼子酱图像作为训练集,进行特征提取;
通过广义多核学习算法,自适应优化特征权重,建立多核支向量机模型。
7.根据权利要求6中所述的自动分级方法,其特征在于,还包括以下步骤:
对所采集得到的待进一步分级的鱼子酱图像进行特征提取,将所提取的特征输入自动分级多核支持向量机模型中,确定鱼子酱等级。
8.根据权利要求6-7中任一项所述的自动分级方法,其特征在于,所述特征包括颜色特征、纹理特征以及形状特征。
9.根据权利要求8所述的自动分级方法,其特征在于,所述颜色特征为图片颜色矩,所述纹理特征为灰度共生矩阵性,所述形状特征为鱼卵平均面积。
10.一种鱼子酱的自动分级***,包括:
预分级模块,用于对待分级的鱼子酱进行预分级;
自动分级模块,用于对预分级后待进一步分级的鱼子酱进行自动分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610974412.4A CN106503749B (zh) | 2016-11-04 | 2016-11-04 | 一种鱼子酱的自动分级方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610974412.4A CN106503749B (zh) | 2016-11-04 | 2016-11-04 | 一种鱼子酱的自动分级方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503749A true CN106503749A (zh) | 2017-03-15 |
CN106503749B CN106503749B (zh) | 2019-06-14 |
Family
ID=58323160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610974412.4A Active CN106503749B (zh) | 2016-11-04 | 2016-11-04 | 一种鱼子酱的自动分级方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503749B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160476A (zh) * | 2019-12-31 | 2020-05-15 | 佛山喀视科技有限公司 | 一种生成色差检测模型、瓷砖分色方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984341A (zh) * | 2010-10-28 | 2011-03-09 | 南京农业大学 | 一种检测脊尾白虾新鲜度的方法 |
CN102799669A (zh) * | 2012-07-17 | 2012-11-28 | 杭州淘淘搜科技有限公司 | 一种商品图像视觉质量的自动分级方法 |
CN103471514A (zh) * | 2013-09-12 | 2013-12-25 | 齐鲁工业大学 | 一种基于机器视觉和一元线性回归分析的大蒜分级方法 |
CN105231334A (zh) * | 2015-08-27 | 2016-01-13 | 北京农业信息技术研究中心 | 鱼子酱加工过程的质量控制方法 |
CN105844534A (zh) * | 2016-04-08 | 2016-08-10 | 北京农业信息技术研究中心 | 奶牛体况自动评分方法及装置 |
-
2016
- 2016-11-04 CN CN201610974412.4A patent/CN106503749B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984341A (zh) * | 2010-10-28 | 2011-03-09 | 南京农业大学 | 一种检测脊尾白虾新鲜度的方法 |
CN102799669A (zh) * | 2012-07-17 | 2012-11-28 | 杭州淘淘搜科技有限公司 | 一种商品图像视觉质量的自动分级方法 |
CN103471514A (zh) * | 2013-09-12 | 2013-12-25 | 齐鲁工业大学 | 一种基于机器视觉和一元线性回归分析的大蒜分级方法 |
CN105231334A (zh) * | 2015-08-27 | 2016-01-13 | 北京农业信息技术研究中心 | 鱼子酱加工过程的质量控制方法 |
CN105844534A (zh) * | 2016-04-08 | 2016-08-10 | 北京农业信息技术研究中心 | 奶牛体况自动评分方法及装置 |
Non-Patent Citations (5)
Title |
---|
KAI MA 等: "Analysis and Design of Video-Based Activity Identification and Classification System in Agricultural Industry", 《2016 WORLD AUTOMATION CONGRESS》 * |
WEN-YONG LI 等: "Fuzzy Classification of Orchard Pest Posture Based on Zernike Moments", 《2014 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS (FUZZ-IEEE)》 * |
刘迪清 等: "一种基于支持向量机的烟叶异物检测方法", 《中国制造业信息化》 * |
朱黎辉: "基于机器视觉的球形果蔬自动化分级技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王笑丹 等: "基于神经网络的冷却猪肉新鲜度测定", 《食品工业科技》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160476A (zh) * | 2019-12-31 | 2020-05-15 | 佛山喀视科技有限公司 | 一种生成色差检测模型、瓷砖分色方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106503749B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
Liu et al. | Identification of rice seed varieties using neural network | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及*** | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN109978822A (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN107316289A (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
CN109490306B (zh) | 一种基于色泽和气味数据融合的猪肉新鲜度检测方法 | |
CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
CN109284786A (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
CN106529568A (zh) | 一种基于bp神经网络的珍珠多分类方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断***及诊断方法 | |
CN109035289A (zh) | 基于切比雪夫不等式h阈值的紫色土图像分割提取方法 | |
CN111882573B (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** | |
CN104102928A (zh) | 一种基于纹理基元的遥感图像分类方法 | |
CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN107292328A (zh) | 多尺度多特征融合的遥感影像阴影检测提取方法及*** | |
CN109858521A (zh) | 一种基于人工智能深度学习的竹子种类识别方法 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN113989536A (zh) | 一种基于布谷鸟搜索算法的番茄病害识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |