CN108182439B - 一种基于多分类增量学习的分窗口计数方法及装置 - Google Patents
一种基于多分类增量学习的分窗口计数方法及装置 Download PDFInfo
- Publication number
- CN108182439B CN108182439B CN201711383683.3A CN201711383683A CN108182439B CN 108182439 B CN108182439 B CN 108182439B CN 201711383683 A CN201711383683 A CN 201711383683A CN 108182439 B CN108182439 B CN 108182439B
- Authority
- CN
- China
- Prior art keywords
- target
- window
- classification
- counting
- classification model
- 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
Images
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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多分类增量学习的分窗口计数方法及装置,充分利用目标形状规则的特点,建立像素点和个数的直接关系,降低了累计误差,并实现快速计数,同时允许物体粘连,忽略不均匀的密度和质量因素。为了避免采集图像时拍摄角度的局限使得目标图像各个区域像素点会有误差,利用窗口将检测范围分区,对每个窗口单独进行计数来降低误差。装置采用暗箱避免了外部光源的干扰,对外部环境要求很低;多窗模板对计数区域进行分区,避免目标物体的滚动及相邻窗口之间的粘连。本发明实现了类似于工业密封毛毡垫这类质量轻,体积小,密度不均匀的规则物体的高准确性的快速计数。
Description
技术领域
本发明涉及图像处理和机器学习技术,特别涉及质量轻,体积小,密度不均匀的规则物体的快速计数。
背景技术
工业密封毛毡垫是经过冲床加工制作而成的密封垫圈,具有密封,隔热,隔音,防震,过滤等作用,在家电,乐器,运动器械,汽车,文化产品等各类产业领域中被广泛应用,准确计算毛毡垫的数量对保证厂家的经济效益十分重要。
毛毡垫的基本特点是体积较小、质量轻,形状规则,由于加工的原材料包含不同种类羊毛,因此最终的制成品由于毛质长短,粗细的不同会导致密度和厚度不均匀,造成误差。传统的方法一般是称重法,人工计数法两种。称重法要求称重对象为重量基本相同,并满足最小计量单位,但是毛毡垫体积小、质量轻,密度、厚度不均匀容易造成较大误差。人工计数方法速度比较慢、效率低,而且容易受人为因素的影响,占用、浪费人力资源。
如何提高类似于工业密封毛毡垫这样质量轻,体积小,密度不均匀的规则物体计数的效率与准确率是是亟需解决的难题。
发明内容
本发明所要解决的技术问题是,提供一种能够实现对质量轻,体积小,密度不均匀的规则物体进行快速计数的方法与装置。
本发明为解决上述技术问题所采用的技术方案是,一种基于多分类增量学习的分窗口计数方法,包括以下步骤:
1)训练步骤,针对各分区窗口训练多分类模型,每一个窗口所对应的多分类模型由识别不同目标数的二分类器组成,每一个二分类器用于识别指定的一个目标数:
1-1)图像采集步骤:在各窗口内采集不同目标数下的样本图像;
1-2)图像预处理步骤:对所有样本图像进行高斯滤波消除噪声,再进行灰度化以及二值化处理,得到窗口内目标总像素点数;
1-3)多分类模型训练步骤:将各目标数下的样本图像的目标总像素点数,一方面作为指定识别该目标数的二分类器的正样本输入,另一方面作为识别其它目标数的二分类器的负样本输入;
2)计数步骤:
2-1)图像采集步骤:将采集目标图像按预置窗口进行分区;
2-2)图像预处理步骤:对每个窗口的图像进行高斯滤波消除噪声,再进行灰度化以及二值化处理,得到窗口内目标总像素点数;
2-3)分类及模型增量学习步骤:将每个窗口内目标总像素点数输入多分类模型,根据多分类模型的输出结果得到目标数;根据目标数对目标总像素点数进行标注后,将标注后的目标总像素点数作新样本使对应窗口多分类模型进行模型增量学习;
2-4)计数输出:将目标图像中所有窗口的目标数求总和作为计数结果。
本发明计数方法充分利用毛毡垫形状规则的特点,建立像素点和个数的直接关系,降低了“个数=总像素点/单个像素点”这种间接关系带来的累计误差,并实现快速计数,同时允许物体粘连,忽略不均匀的密度和质量因素。为了避免采集图像时拍摄角度的局限使得目标图像各个区域像素点会有误差,利用窗口将检测范围分区,对每个窗口单独进行计数来降低误差。
另外,本发明还提供了一种计数装置,包括CCD摄像头,暗箱,透明板,背光源,多窗模板,计算机,透明板覆盖在背光源上,多窗模板与透明板之间由合页旋转轴连接,暗箱与透明板之间由合页旋转轴连接,CCD摄像头与所述计算机之间数据连接,计算机执行上述计数方法。
本发明装置采用暗箱避免了外部光源的干扰,对外部环境要求很低;多窗模板对计数区域进行分区,避免目标物体的滚动及相邻窗口之间的粘连。
本发明的有益效果是,实现了类似于工业密封毛毡垫这类质量轻,体积小,密度不均匀的规则物体的高准确性的快速计数。
附图说明
图1:计数装置图
图2:模板图
图3:需要计数的物体图像
图4:基于多分类增量学习的分窗口计数方法流程图
图5:装置采集的图像
图6:将目标区域分为六个窗口
图7:高斯滤波后的图像
图8:灰度化后的图像
图9:二值化后的图像
图10:将二值化后的区域分为六个窗口
具体实施方式
为方便描述本发明内容,这里首先对一些术语进行必要的解释:
支持向量机SVM。SVM是一种监督学习模型,通常用来进行模式识别、分类、以及回归分析。SVM针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
AdaBoost算法。AdaBoost算法是一种提升算法,在分类问题中,能通过改变训练样本权重,学习多个分类器,并将这些分类器进行线性组合,提高分类器的性能。该算法通过提高那些被前一轮弱分类器错误分类样本的权值,而降低那些被正确分类样本的权值。采用加权多数表决的方法。
多分类模型。解决多分类问题的方法一般是采取投票机制将其转换成二分类问题。具体的将训练样本集中的某一类当成一类,其他的所有类当成另外一类,在预测的时候,通过比较样本属于哪一个分类器比较多,就将其标记为哪一类。
增量学习。增量学习是指一个学习***能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识,而不必重新对全部数据进行学习,避免了批量学需要的大量数据样本,降低了对时间和空间的需求,更能满足实际要求。
如图1所示,计数装置包括CCD摄像头1,暗箱把手2,暗箱3,透明亚克力板4,冷光片5,六窗模板6,合页旋转轴7,冷光片电源线8,合页旋转轴9,计算机10。透明亚克力板4覆盖在所述冷光片5上,冷光片电源线8与冷光片5电连接,六窗模板6与透明亚克力板之间由合页旋转轴连接7;暗箱3由五块黑色不透明亚克力板组成,它与所述透明亚克力4之间由合页旋转轴9连接;所CCD摄像头1与计算机10之间由USB线实现数据连接。实施例采用冷光片作为背光源,相对于LED背光源具有功耗低,热量低,使用安全的特点。
六窗模板如图2所示,为六个窗口的透明亚克力板。
使用上述装置对类似于图3所示的毛毡垫这类量轻,体积小,密度不均匀的规则物体进行计数,通过暗箱把手2将暗箱3抬起,将六窗模板6平整覆盖在透明亚克力板4上,将目标物体放在六窗模板6的窗口内,收起六窗模板6,盖上暗箱3,打开冷光片5电源,通过CCD摄像头1采集图像进行传送至计算机10,计算机10基于多分类增量学习的分窗口计数方法得到最终的计数结果并显示。
计数方法包括训练与计数两个阶段,训练阶段包括窗口分割,图像预处理,多分类模型训练;计数阶段包括窗口分割,图像预处理,窗口计数与模型增量学习,总计数输出。
首先通过CCD摄像头采集图像,根据装置的尺寸及采集区域的大小定位出目标区域,并根据六窗模板的尺寸将检测范围分割成六个窗口;然后对每个窗口的图像进行高斯滤波消除噪声,再进行灰度化,二值化处理得到总像素点数,将每个窗口的像素点数和目标物体的个数作为训练数据对每个窗口训练SVM多分类模型和AdaBoost多分类模型,多分类模型由二分类器组成,每一个二分类器用于识别指定的一个目标数,多分类模型中的类别即为目标数,考虑到模型的复杂性和模板窗口的大小,合理设置类别的大小(如20)。在进行模型增量学习时,用SVM模型对预测样本进行标注,将SVM和AdaBoost预测的结果取交集作为新样本补充训练数据集,更新参数,完善模型,提高计数精度。最后对每个窗口进行单独计数后,将6个窗口的数量求总和作为整体的计数,如图4所示。
训练阶段:
步骤1、窗口分割
采集的目标图像如图5所示图像的大小为859*618,去除上下无关的区域,得到859*518大小的图像。根据六窗模板的尺寸大小,在新得到的图像上在(287,0),(574,0),(0,259),(0,859),(287,518),(574,518)处画直线,可以将整个目标区域分割成六个窗口,如图6所示。
步骤2、图像预处理
2-1高斯滤波:将上面得到859*518的新图像通过高斯滤波来平滑图像,去除背光板及其他因素造成的噪点,其中高斯核取5*5大小,处理之后的效果如图7所示。
2-2灰度化:将彩色图像的RGB三个分量以不同的权值进行加权平均。按下式对RGB三分量进行加权平均能得到较合理的灰度图像,f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j),处理后的结果如图8所示。
2-3二值化:这里采用的是OTSU算法,即选取类间方差最大的灰度值即为最佳分割阈值。最终的处理的效果如图9所示。
2-4分窗口:采用步骤一相同的处理方式,在(287,0),(574,0),(0,259),(0,859),(287,518),(574,518)处画直线,可以将整个目标区域分割成六个窗口,如图10所示。
步骤3、多分类模型训练
3-1确定多分类的分类方法:这里采用某一类当成一类,其他的所有类当成另外一类的分类方法,将多分类问题转换成二分类问题。这里我们对每个窗口训练20类,即每个窗口中的物体个数与类别等同。我们把个数为1的记为第一类,其余2-20记为第二类,以此类推,这样每个窗口建立20个分类器模型。在真正预测的时候,将测试样本的总像素点输入模型,基于投票机制,每个分类器对其进行投票,最终它属于哪一类的多,那它就属于哪一类。
3-2准备训练样本:将每个窗口的像素点总数和个数作为训练数据,这里以一个窗口为例,在训练1和2-20这个分类器的时候,在窗口内放置数量为1的物体,统计该窗口的像素点和个数作为正样本训练数据,在窗口内放置数量为2-20的物体时采集的数据均为负样本。由于采用增量学习的方法,因此只需要少量标注好的样本训练分类器即可。
3-3训练模型:将正负样本输入AdaBoost和SVM两个模型进行训练。
计数阶段:
经过与训练阶段同样的窗口分割与图像预处理后,将各窗口的目标像素点总数输入训练好的AdaBoost与SVM多分类模型中,通过多分类模型输出的分类得到各窗口的目标个数。本实施例使用AdaBoost模型的输出结果用于识别计数,将6个窗口的数量求总和作为整体的计数。当SVM和AdaBoost对于同一个窗口的识别出的个数相同时,将该窗口对应的目标像素点总数作为新的样本补充至AdaBoost与SVM多分类模型的训练集。补充样本时,选择SVM和AdaBoost预测结果的交集样本作为新样本,降低了单一模型标注带来的误差。
本领域技术人员能在实施例的基础上进行一些改变,如只使用单一的AdaBoost或SVM模型,或者其它算法的多分类模型。
Claims (3)
1.一种基于多分类增量学习的分窗口计数方法,其特征在于,包括以下步骤:
1)训练步骤,针对各分区窗口训练多分类模型,每一个窗口所对应的多分类模型由识别不同目标数的二分类器组成,每一个二分类器用于识别指定的一个目标数:
1-1)图像采集步骤:在各窗口内采集不同目标数下的样本图像;
1-2)图像预处理步骤:对所有样本图像进行高斯滤波消除噪声,再进行灰度化以及二值化处理,得到窗口内目标总像素点数;
1-3)多分类模型训练步骤:将各目标数下的样本图像的目标总像素点数,一方面作为指定识别该目标数的二分类器的正样本输入,另一方面作为识别其它目标数的二分类器的负样本输入;
2)计数步骤:
2-1)图像采集步骤:将采集目标图像按预置窗口进行分区;
2-2)图像预处理步骤:对每个窗口的图像进行高斯滤波消除噪声,再进行灰度化以及二值化处理,得到窗口内目标总像素点数;
2-3)分类及模型增量学习步骤:将每个窗口内目标总像素点数输入多分类模型,根据多分类模型的输出结果得到目标数;根据目标数对目标总像素点数进行标注后,将标注后的目标总像素点数作新样本使对应窗口多分类模型进行模型增量学习;
2-4)计数输出:将目标图像中所有窗口的目标数求总和作为计数结果;
多分类模型包括SVM多分类模型和AdaBoost多分类模型,SVM多分类模型、AdaBoost多分类模型各自由识别不同目标数的二分类器组成;
在训练步骤中同时对SVM多分类模型、AdaBoost多分类模型进行训练;
计数步骤中各窗口的SVM多分类模型、AdaBoost多分类模型同时输出目标数,仅在SVM多分类模型、AdaBoost多分类模型输出目标数相同的情况下,产生新样本使对应窗口的SVM多分类模型、AdaBoost多分类模型进行模型增量学习;
单独以SVM多分类模型或AdaBoost多分类模型下目标图像中所有窗口的目标数求总和作为计数结果。
2.一种基于多分类增量学习的分窗口计数装置,其特征在于,包括CCD摄像头,暗箱,透明板,背光源,多窗模板,计算机,透明板覆盖在背光源上,多窗模板与透明板之间由合页旋转轴连接,暗箱与透明板之间由合页旋转轴连接,CCD摄像头与所述计算机之间数据连接,计算机执行如权利要求1所述方法。
3.如权利要求2所述装置,其特征在于,所述背光源为冷光片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711383683.3A CN108182439B (zh) | 2017-12-20 | 2017-12-20 | 一种基于多分类增量学习的分窗口计数方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711383683.3A CN108182439B (zh) | 2017-12-20 | 2017-12-20 | 一种基于多分类增量学习的分窗口计数方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182439A CN108182439A (zh) | 2018-06-19 |
CN108182439B true CN108182439B (zh) | 2022-03-15 |
Family
ID=62546546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711383683.3A Active CN108182439B (zh) | 2017-12-20 | 2017-12-20 | 一种基于多分类增量学习的分窗口计数方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182439B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993207B (zh) * | 2019-03-01 | 2022-10-25 | 华南理工大学 | 一种基于目标检测的图像隐私保护方法和*** |
CN109961032B (zh) * | 2019-03-18 | 2022-03-29 | 北京字节跳动网络技术有限公司 | 用于生成分类模型的方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937512A (zh) * | 2010-09-08 | 2011-01-05 | 北京邮电大学 | 基于网格区域的昆虫翅脉识别的方法和*** |
CN103533248A (zh) * | 2013-10-24 | 2014-01-22 | 腾讯科技(上海)有限公司 | 一种图像处理的方法、终端及*** |
CN104517127A (zh) * | 2013-09-27 | 2015-04-15 | 汉王科技股份有限公司 | 一种基于Bag-of-features模型的自学习行人计数方法及装置 |
CN104537363A (zh) * | 2015-01-22 | 2015-04-22 | 哈尔滨工业大学 | 基于视觉检测***的橱柜调节脚全自动装配控制方法 |
CN105117703A (zh) * | 2015-08-24 | 2015-12-02 | 复旦大学 | 基于矩阵乘法的快速动作单元识别方法 |
CN105989597A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于像素选择过程的高光谱图像异常目标检测方法 |
CN106295574A (zh) * | 2016-08-12 | 2017-01-04 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN106326914A (zh) * | 2016-08-08 | 2017-01-11 | 诸暨市奇剑智能科技有限公司 | 一种基于svm的珍珠多分类方法 |
CN106339665A (zh) * | 2016-08-11 | 2017-01-18 | 电子科技大学 | 一种人脸的快速检测方法 |
CN107341824A (zh) * | 2017-06-12 | 2017-11-10 | 西安电子科技大学 | 一种图像配准的综合评价指标生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5939154B2 (ja) * | 2012-12-27 | 2016-06-22 | ブラザー工業株式会社 | 画像処理装置およびコンピュータプログラム |
-
2017
- 2017-12-20 CN CN201711383683.3A patent/CN108182439B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937512A (zh) * | 2010-09-08 | 2011-01-05 | 北京邮电大学 | 基于网格区域的昆虫翅脉识别的方法和*** |
CN104517127A (zh) * | 2013-09-27 | 2015-04-15 | 汉王科技股份有限公司 | 一种基于Bag-of-features模型的自学习行人计数方法及装置 |
CN103533248A (zh) * | 2013-10-24 | 2014-01-22 | 腾讯科技(上海)有限公司 | 一种图像处理的方法、终端及*** |
CN104537363A (zh) * | 2015-01-22 | 2015-04-22 | 哈尔滨工业大学 | 基于视觉检测***的橱柜调节脚全自动装配控制方法 |
CN105989597A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于像素选择过程的高光谱图像异常目标检测方法 |
CN105117703A (zh) * | 2015-08-24 | 2015-12-02 | 复旦大学 | 基于矩阵乘法的快速动作单元识别方法 |
CN106326914A (zh) * | 2016-08-08 | 2017-01-11 | 诸暨市奇剑智能科技有限公司 | 一种基于svm的珍珠多分类方法 |
CN106339665A (zh) * | 2016-08-11 | 2017-01-18 | 电子科技大学 | 一种人脸的快速检测方法 |
CN106295574A (zh) * | 2016-08-12 | 2017-01-04 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
CN107341824A (zh) * | 2017-06-12 | 2017-11-10 | 西安电子科技大学 | 一种图像配准的综合评价指标生成方法 |
Non-Patent Citations (4)
Title |
---|
Detector of image orientation based on Borda Count;AlessandraLumini et al;《Pattern Recognition Letters》;20060228;第27卷(第3期);180-186 * |
Temporal Action Localization in Untrimmed Videos via Multi-stage CNNs;Zheng Shou et al;《Computer Vision and Pattern Recognition》;20160421;1049-1058 * |
基于多级粒子窗的目标检测算法研究;绳慧等;《半导体光电》;20140430(第2期);377-380 * |
视觉监控领域中目标检测与跟踪算法研究;张博;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100915(第9期);I140-237 * |
Also Published As
Publication number | Publication date |
---|---|
CN108182439A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN103034838B (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN104021375B (zh) | 一种基于机器学习的车型识别方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN103440488A (zh) | 一种虫害识别的方法 | |
CN106295789A (zh) | 一种基于图像处理的作物种子计数方法 | |
CN110287787B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN108182439B (zh) | 一种基于多分类增量学习的分窗口计数方法及装置 | |
CN107886539B (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
CN101551855A (zh) | 自适应核匹配追踪辅助诊断***及其辅助诊断方法 | |
CN103177266A (zh) | 储藏物害虫智能识别*** | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断***及诊断方法 | |
Zhang et al. | Inspection of surface defects in copper strip using multivariate statistical approach and SVM | |
CN108268826A (zh) | 一种基于模糊集合论的图像增强技术与遥感图像分类方法 | |
CN114119526A (zh) | 一种基于机器视觉的钢板表面缺陷检测与识别***及方法 | |
Li et al. | An image recognition approach for coal and gangue used in pick-up robot | |
CN104408473A (zh) | 基于距离度量学习的棉花品级分类方法及装置 | |
Liu et al. | Machine vision based production condition classification and recognition for mineral flotation process monitoring | |
CN109241932B (zh) | 一种基于运动方差图相位特征的热红外人体动作识别方法 | |
CN107516315A (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
Kini et al. | Techniques of deep learning and image processing in plant leaf disease detection: A review | |
CN106326914A (zh) | 一种基于svm的珍珠多分类方法 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
White et al. | DevStaR: high-throughput quantification of C. elegans developmental stages |
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 |