CN108764154B - 一种基于多特征机器学习的水面垃圾识别方法 - Google Patents

一种基于多特征机器学习的水面垃圾识别方法 Download PDF

Info

Publication number
CN108764154B
CN108764154B CN201810537983.0A CN201810537983A CN108764154B CN 108764154 B CN108764154 B CN 108764154B CN 201810537983 A CN201810537983 A CN 201810537983A CN 108764154 B CN108764154 B CN 108764154B
Authority
CN
China
Prior art keywords
water surface
data
edge
machine learning
knowledge base
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
CN201810537983.0A
Other languages
English (en)
Other versions
CN108764154A (zh
Inventor
吕霞付
李森浩
罗萍
程啟忠
林政�
陈勇
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810537983.0A priority Critical patent/CN108764154B/zh
Publication of CN108764154A publication Critical patent/CN108764154A/zh
Application granted granted Critical
Publication of CN108764154B publication Critical patent/CN108764154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (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)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多特征机器学习的水面垃圾识别方法，属于水面目标识别判断领域，S1：识别模型初始化，生成内容为空的数据库***；S2：将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量，将正例图像的特征向量和反例图像的特征向量带入***模型中训练，生成对应的知识库，然后采用测试数据对知识库进行检验；S3：将知识库带入识别***中，读取水面状况数据，采集并上传图像数据；S4：上位机对图像数据进行预处理，提取特征向量，并将特征向量带入机器学习模型，读取对应的知识库，对新的特征向量做出判断，并将判断的结果以标记数据的形式输出。本发明能智能识别并打捞水面垃圾，满足运行环境实时性。

Description

一种基于多特征机器学习的水面垃圾识别方法
技术领域
本发明属于水面目标识别判断领域，具体涉及一种基于多特征机器学习的水面垃圾识别方法。
背景技术
近年来，我国经济飞速发展，水污染问题日益严重，河道水体被工业、生活废水污染，河面漂浮着大量废弃垃圾，例如塑料瓶、塑料袋等一些难以降解的垃圾不仅仅对水面的景观造成的恶劣的影响，更对人民的生产和生活造成了严重的影响，严重的危害到了人民的健康，如何有效锁定、清理污染源已迫在眉睫。
目前，水面保洁及水质监测主要依靠人工进行，水域面积大，水面环境复杂，人工垃圾清洁及水质采样是一项繁重、效率低下的工作。而且如果是有毒污染，再加上水面作业具有一定的危险性，人工清洁会对人员的生命安全造成威胁。
针对水面垃圾的一些负面的影响，目前国内外都提出了很多处理水面漂浮物垃圾的一些措施，但是由于一些人为原因的影响，水面垃圾依然难以完全处理。由于一些客观原因，水面垃圾没有一个固定明显的增量趋势，完全趋于随机增量状态。若一直采用定时的人为打捞方式，不仅仅浪费人力、物力、财力，同时还可能造成二次污染。
发明内容
有鉴于此，针对此现象设计能自动识别水面漂浮物垃圾并清理的机器人，将很好的解决此问题，本次发明着重研究水面漂浮物垃圾识别(水瓶、纸盒)的问题。
本发明的目的在于提供一种可靠性较高，实时性较强的多特征机器学习的水面垃圾识别的方法。
为达到上述目的，本发明提供如下技术方案：
一种基于多特征机器学习的水面垃圾识别方法，包括以下步骤：
S1：识别模型初始化，生成一个内容为空的数据库***，数据库***包括贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据以及机器学习模型中的参数；
S2：将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量，将正例图像的特征向量和反例图像的特征向量带入***模型中训练，生成对应的知识库，然后采用测试数据对知识库进行检验，直到知识库满足要求为止；
S3：将对应的知识库带入到识别***中，通过船载摄像头动态地读取水面状况数据，再周期性的采集摄像头传输的图像数据，并且将其传输到上位机；
S4：上位机对图像数据进行与上述建模时相同的预处理后，提取与建模时相同的特征向量，并将特征向量带入机器学习模型、机器学习模型读取对应的知识库，对新的特征向量做出判断，并将判断的结果以标记数据的形式输出。
进一步，步骤S1中，对于正例数据和反例数据的采集，采用船载摄像头拍摄的不同场景(具体分为光照强度的不同、太阳方位的变化、水域环境的不同、前景目标是否为垃圾或是为干扰物)的视频，对不同的环境建立对应的线性表来映射，映射线性表的精度对知识库模型的准确度有较大的影响，然后在视频中截取对应的帧作为采集的正例和反例数据。
进一步，步骤S2中，对数据图像的预处理。在水面复杂检测环境下，存在水波纹，水面其他物体的干扰。很容易造成检测目标和背景混淆不清，首先采用改进的中值滤波算法突出边缘，然后采用图像显著性提取算法可以很好的突出前景目标，同时需要简化该算法，优化运行时间。在突出前景目标之后，需要将前景目标在背景中分离处理，常用的算法有阈值分离，多阈值分离，但是以上方法适应性鲁棒性较差，otsu算法能够动态的提出阈值，分离前景目标和背景目标得到二值化图像，然后采用形态学运算修补前景目标边缘。针对一些小前景目标的干扰，本专利提出了一种基于连通域大小的分离方式。
进一步，步骤S2中，对目标特征的提取。在图像预处理完成后，通过提取特征，来实现对漂浮物和干扰的二分类。通过不同的特征来描述不同的目标，是模式识别最基本的依据。本专利提取了基于水面前景目标的RGB颜色模型描述子和边缘矩理论描述子相结合的特征，生成特征向量。RGB颜色模型：
Y＝a|R-RA|+b|G-GA|+c|B-BA| (1)
式(1)中RA、GA、BA分别表示水面背景平均RGB颜色空间，R、G、B表示当前像素点的颜色，a、b、c表示可调线性放大倍数。
边缘矩理论描述子模型：
ai＝Li+Li+2-2Li+1 (2)
式(2)表示相邻边缘点到边缘轮廓中心距离的二阶差分方程，其中Li表示边缘轮廓中心到边缘的距离，i取0到Cnt-2，Cnt为***边缘像素点数量，当ai<Threshold，Threshold为预定阈值，需要根据实际情况实验调节，则认为ai等于0，则反应出目标边沿变化较小。
进一步，步骤S3中，为满足***实时性要求，根据无人船体行驶的速度V，采样周期T,应满足关系式：
TV≤0.2 (3)
进一步，步骤S2中，为了更好的突出前景目标，可以对中值滤波中，颜色接近水面平均颜色的像素点赋予较轻的权重，对于颜色距离水面平均像素欧式距离更远的像素赋予更重的权重；边缘修补形态学运算采用先膨胀后腐蚀的方式修补边缘，对于其中的滤波核，根据图像的远近采用动态大小的滤波核。
由于采用了上述技术方案，本发明具有如下的优点：
本发明采用目标边缘检测建模与目标颜色建模相结合的目标特征提取方法，相对于传统的单类型边缘特征或者通过区域面积变化的特征来说精度更高，适应性更好，更能适应室外水面垃圾识别的场景，实用性更好。同时，模式识别方面采用机器学习的方式，而非专家规则的方式，使得识别精度进一步提高。整体方案更为合理有效。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明实施例所述的垃圾识别的流程图；
图2为本发明实施例所述的图像获取及预处理滤波流程图；
图3为本发明实施例所述的特征提取图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
参照图1所示的一种基于多特征机器学习的水面垃圾识别方法，包括以下步骤：
101、识别模型初始化，生成一个内容为空的数据库***，数据库***由贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据，机器学习模型中的参数。
102、将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量，将正例图像的特征向量和反例图像的特征向量带入***模型中训练，生成对应的知识库，然后采用测试数据对知识库进行检验，直到知识库满足要求为止。
103、将对应的知识库带入到识别***中，然后通过船载摄像头动态的读取水面状况数据，然后周期性的采集摄像头传输的图像数据，并且将其传输到上位机。
104、上位机对图像数据进行与上述建模时相同的预处理后，提取与建模时相同的特征向量，并将特征向量带入机器学习模型、机器学习模型读取对应的知识库，对新的特征向量做出判断，并将判断的结果以标记数据的形式输出。
如图2所示，在步骤101中，对于正例数据和反例数据的采集，采用船载摄像头拍摄的不同场景(具体分为光照强度的不同、太阳方位的变化、水域环境的不同、前景目标是否为垃圾或是为干扰物)的视频，对不同的环境建立对应的线性表来映射，映射线性表的精度对知识库模型的准确度有较大的影响，然后在视频中截取对应的帧作为采集的正例和反例数据。
在步骤102中，对数据图像的预处理。在水面复杂检测环境下，存在水波纹，水面其他物体的干扰。很容易造成检测目标和背景混淆不清，首先采用改进的中值滤波算法突出边缘，然后采用图像显著性提取算法可以很好的突出前景目标，同时需要简化该算法，优化运行时间。在突出前景目标之后，需要将前景目标在背景中分离处理，常用的算法有阈值分离，多阈值分离，但是以上方法适应性鲁棒性较差，otsu算法能够动态的提出阈值，分离前景目标和背景目标得到二值化图像，然后采用形态学运算修补前景目标边缘。针对一些小前景目标的干扰，本专利提出了一种基于连通域大小的分离方式。
如图3所示，在步骤102中，对目标特征的提取。在图像预处理完成后，通过提取特征，来实现对漂浮物和干扰的二分类。通过不同的特征来描述不同的目标，是模式识别最基本的依据。本专利提取了基于水面前景目标的RGB颜色模型描述子和边缘矩理论描述子相结合的特征，生成特征向量。RGB颜色模型：
Y＝a|R-RA|+b|G-GA|+c|B-BA| (1)
式(1)中RA、GA、BA分别表示水面背景平均RGB颜色空间，R、G、B表示当前像素点的颜色，a、b、c表示可调线性放大倍数。
边缘矩理论描述子模型：
ai＝Li+Li+2-2Li+1 (2)
式(2)表示相邻边缘点到边缘轮廓中心距离的二阶差分方程，其中Li表示边缘轮廓中心到边缘的距离，i取0到Cnt-2，Cnt为***边缘像素点数量，当ai<Threshold，Threshold为预定阈值，需要根据实际情况实验调节，则认为ai等于0，则反应出目标边沿变化较小。
在步骤102中，为了更好的突出前景目标，可以对中值滤波中，颜色接近水面平均颜色的像素点赋予较轻的权重，对于颜色距离水面平均像素欧式距离更远的像素赋予更重的权重；边缘修补形态学运算采用先膨胀后腐蚀的方式修补边缘，对于其中的滤波核，根据图像的远近采用动态大小的滤波核。
本发明公开了一种基于多特征机器学习的水面垃圾识别的方法，能实时的识别当前水面前景目标是否是垃圾或者是其他干扰物体，并且更完成对干扰物体的判断，判断其是否为障碍物。从而发出对应的指令信号，控制无人垃圾清理船做出相应的动作，前去打捞垃圾或者避开障碍物。采用支机器学习对前景目标提取的多重特征进行分类，能较为准确的识别垃圾和干扰物体。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种基于多特征机器学习的水面垃圾识别方法，其特征在于：包括以下步骤：
S1：识别模型初始化，生成一个内容为空的数据库***，数据库***包括贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据以及机器学习模型中的参数；
对于所述正例训练数据、反例训练数据、正例测试数据和反例测试数据的采集，采用船载摄像头拍摄的不同场景的视频，对不同的环境建立对应的线性表来映射，然后在视频中截取对应的帧作为采集的正例训练数据、反例训练数据、正例测试数据和反例测试数据；
S2：将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量，将正例图像的特征向量和反例图像的特征向量带入***模型中训练，生成对应的知识库，然后采用测试数据对知识库进行检验，直到知识库满足要求为止；
所述初始化预处理包括以下步骤：
S21：采用改进的中值滤波算法突出边缘；
S22：采用图像显著性提取算法突出前景目标；
S23：通过otsu算法动态地提出阈值，分离前景目标和背景目标得到二值化图像；
S24：采用形态学运算修补前景目标边缘，通过基于连通域大小的分离方式，避免体积较小的前景目标的干扰；
所述提取对应的特征向量包括：
提取基于水面前景目标的RGB颜色模型描述子和边缘矩理论描述子相结合的特征，生成特征向量，RGB颜色模型：
Y＝a|R-RA|+b|G-GA|+c|B-BA| (1)
式(1)中RA、GA、BA分别表示水面背景平均RGB颜色空间，R、G、B表示当前像素点的颜色，a、b、c表示可调线性放大倍数；
边缘矩理论描述子模型：
ai＝Li+Li+2-2Li+1 (2)
式(2)表示相邻边缘点到边缘轮廓中心距离的二阶差分方程，其中Li表示边缘轮廓中心到边缘的距离，i取0到Cnt-2，Cnt为***边缘像素点数量，当ai＜Threshold，则认为ai等于0，则反应出目标边沿变化较小，其中Threshold为预定阈值，根据实际情况实验调节；
S3：将对应的知识库带入到识别***中，通过船载摄像头动态地读取水面状况数据，再周期性的采集摄像头传输的图像数据，并且将其传输到上位机；
S4：上位机对图像数据进行与步骤S2中所述初始化预处理相同的预处理后，提取与建模时相同的特征向量，并将特征向量带入机器学习模型，机器学习模型读取对应的知识库，对新的特征向量做出判断，并将判断的结果以标记数据的形式输出。
2.根据权利要求1所述的基于多特征机器学习的水面垃圾识别方法，其特征在于：在步骤S3中，为满足***实时性要求，无人船体行驶的速度V，采样周期T，满足关系式：TV≤0.2。
3.根据权利要求2所述的基于多特征机器学***均像素欧式距离的远近，赋予不同的权重；边缘修补形态学运算采用先膨胀后腐蚀的方式修补边缘，对于其中的滤波核，根据图像的远近采用动态大小的滤波核。
CN201810537983.0A 2018-05-30 2018-05-30 一种基于多特征机器学习的水面垃圾识别方法 Active CN108764154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810537983.0A CN108764154B (zh) 2018-05-30 2018-05-30 一种基于多特征机器学习的水面垃圾识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810537983.0A CN108764154B (zh) 2018-05-30 2018-05-30 一种基于多特征机器学习的水面垃圾识别方法

Publications (2)

Publication Number Publication Date
CN108764154A CN108764154A (zh) 2018-11-06
CN108764154B true CN108764154B (zh) 2020-09-08

Family

ID=64004277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810537983.0A Active CN108764154B (zh) 2018-05-30 2018-05-30 一种基于多特征机器学习的水面垃圾识别方法

Country Status (1)

Country Link
CN (1) CN108764154B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009800B (zh) * 2019-03-14 2023-04-07 北京京东乾石科技有限公司 一种识别方法和设备
CN110188680B (zh) * 2019-05-29 2021-08-24 南京林业大学 基于因子迭代的茶树嫩芽智能识别方法
CN110516625A (zh) * 2019-08-29 2019-11-29 华育昌(肇庆)智能科技研究有限公司 一种垃圾识别分类的方法、***、终端及存储介质
CN110555418A (zh) * 2019-09-08 2019-12-10 无锡高德环境科技有限公司 一种水环境ai标靶物识别方法及其***
CN111950357A (zh) * 2020-06-30 2020-11-17 北京航天控制仪器研究所 一种基于多特征yolov3的船用水面垃圾快速识别方法
CN112733676A (zh) * 2020-12-31 2021-04-30 青岛海纳云科技控股有限公司 一种基于深度学习的电梯内垃圾检测识别方法
CN113033313A (zh) * 2021-02-26 2021-06-25 澜途集思生态科技集团有限公司 基于深度学习的水质污染判断方法
CN115588145B (zh) * 2022-12-12 2023-03-21 深圳联和智慧科技有限公司 基于无人机的河道垃圾漂浮识别方法及***
CN116563768B (zh) * 2023-07-06 2023-09-22 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) 一种微塑料污染物智能检测方法及***

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1300746C (zh) * 2004-12-09 2007-02-14 上海交通大学 基于多特征信息融合的视频运动目标自适应跟踪方法
CN101916369B (zh) * 2010-08-20 2012-06-27 西安电子科技大学 基于核最近子空间的人脸识别方法
CN103065331B (zh) * 2013-01-15 2015-07-08 南京工程学院 基于空时域边缘和颜色特征关联的目标跟踪方法
US9430824B2 (en) * 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
CN104209949A (zh) * 2013-05-31 2014-12-17 董挺挺 清洁遥控机器人装置
CN105868683A (zh) * 2015-11-24 2016-08-17 乐视致新电子科技（天津）有限公司 台标识别方法及装置
CN105512666A (zh) * 2015-12-16 2016-04-20 天津天地伟业数码科技有限公司 一种基于视频的河道垃圾识别方法
CN106127240A (zh) * 2016-06-17 2016-11-16 华侨大学 一种基于非线性重构模型的植物图像集的分类识别方法
CN106203265B (zh) * 2016-06-28 2019-11-05 江苏大学 一种施工扬尘污染源自动监测及影响范围预测***及方法
CN106228547B (zh) * 2016-07-15 2018-12-28 华中科技大学 一种基于视觉颜色理论和同质抑制的轮廓与边界检测算法
CN106250936A (zh) * 2016-08-16 2016-12-21 广州麦仑信息科技有限公司 基于机器学习的多特征多线程安检违禁品自动识别方法
CN106845408B (zh) * 2017-01-21 2023-09-01 浙江联运知慧科技有限公司 一种复杂环境下的街道垃圾识别方法
CN107194395B (zh) * 2017-05-02 2020-02-14 华中科技大学 一种基于颜色识别和轮廓提取的物体动态定位方法
CN108058790A (zh) * 2017-12-28 2018-05-22 重庆邮电大学 一种水上垃圾清理无人船

Also Published As

Publication number Publication date
CN108764154A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108764154B (zh) 一种基于多特征机器学习的水面垃圾识别方法
CN109299688B (zh) 基于可变形快速卷积神经网络的舰船检测方法
CN108259705B (zh) 智能化现场图像滤波***
Khan et al. An efficient contour based fine-grained algorithm for multi category object detection
CN107480643B (zh) 一种智能垃圾分类处理的机器人
CN106530297A (zh) 基于点云配准的物体抓取区域定位方法
CN108765402B (zh) 无纺布缺陷检测与分类方法
CN102509085A (zh) 基于轮廓不变矩特征的猪行走姿态识别***和方法
CN105005565B (zh) 现场鞋底痕迹花纹图像检索方法
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN109636824A (zh) 一种基于图像识别技术的多目标计数方法
CN110110760A (zh) 一种基于机器视觉的工件定位与识别方法
CN105389581A (zh) 一种胚芽米胚芽完整度智能识别***及其识别方法
CN108335294A (zh) 复杂条件下的配电房异常状态图像识别方法
CN110728185A (zh) 一种判别驾驶人存在手持手机通话行为的检测方法
CN114029943A (zh) 一种基于图像数据处理的目标抓取定位方法及***
CN105354547A (zh) 一种结合纹理和彩色特征的行人检测方法
CN116452506A (zh) 一种基于机器学习的井下煤矸石智能视觉识别分选方法
Wang et al. Straight lane line detection based on the Otsu-Canny algorithm
CN108694415B (zh) 图像特征提取方法、装置及水源图像分类方法、装置
CN107516315A (zh) 一种基于机器视觉的掘进机出渣监测方法
Lin et al. A traffic sign recognition method based on deep visual feature
CN110516565A (zh) 一种基于Zernike和SVM的海面船只识别方法
CN109784396A (zh) 一种分合闸状态识别方法
CN103177244A (zh) 水下显微图像中快速检测目标生物的方法

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