CN112330611B - 一种面向fpga的高并行性光斑分割方法 - Google Patents
一种面向fpga的高并行性光斑分割方法 Download PDFInfo
- Publication number
- CN112330611B CN112330611B CN202011137224.9A CN202011137224A CN112330611B CN 112330611 B CN112330611 B CN 112330611B CN 202011137224 A CN202011137224 A CN 202011137224A CN 112330611 B CN112330611 B CN 112330611B
- Authority
- CN
- China
- Prior art keywords
- pixel
- label
- spot
- tuple
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000011218 segmentation Effects 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/11—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种面向FPGA的高并行性光斑分割方法,属于图像处理领域,本发明为按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,基于FPGA并行性的特点,该方法每次并行处理当前元组中的4个像素,主要步骤为:根据连通区域确定各元组像素的光斑编号、根据编号关联性整合数据;本发明具备灵活性、并行性、集成性的特点,可以实现图像边采集边处理,极大地提高了图像处理的速度。
Description
技术领域
本发明涉及图像处理领域,具体为一种面向FPGA的高并行性光斑分割方法。
背景技术
光斑是图像处理中常见的图像信息,光斑质心是光斑图像的重要特征,常用于视觉测量领域目标靶点的定位,高精度定位光斑质心的前提是准确地分割出光斑。
光斑分割方法有基于软件的方法和基于硬件的方法,基于软件的方法大多是图像采集完成后对整体图像进行分割操作,但是当图像分辨率较高或图像中光斑较多时,该类方法的实时性很难保证。此外,这类方法一般需要较大的数据存储空间来保存待处理的图像,尤其是在存储空间本身就有限的嵌入式***中,更不适合该类方法。现有的基于硬件的方法能够实现对低分辨率图像边采集边处理,并且所需存储空间较小,但是该类方法一次只处理一个像素,因此当图像分辨率较高时,该类方法的高效性也很难保证。
发明内容
本发明针对现有技术中存在的问题,公开了一种面向FPGA的高并行性光斑分割方法,该方法每次同时处理4个像素,并将当前4个像素作为一个区域,通过分析该区域上方,右上方以及左方区域的属性,判断当前区域所有像素的光斑属性,最后分割出图像中的所有光斑,该方法解决了现有技术中的缺陷。
本发明是这样实现的:
一种面向FPGA的高并行性光斑分割方法,其特征在于,按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,并且每次并行处理当前元组中的4个像素,通过分析当前元组上方,右上方以及左方元组的属性,判断当前元组中所有像素的光斑属性,最后分割出图像中的所有光斑;具体步骤包括:根据连通区域确定各元组像素的光斑编号、根据编号关联性整合数据、图像中所有元组处理完成后像素编号相同的属于同一光斑。
进一步,所述的确定各元组像素的光斑编号的具体步骤为:
步骤1:判断当前元组中c1像素是否为光斑像素:若c1像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤2:若当前元组中c1像素为光斑像素,则根据连通区域确定c1像素的光斑编号label_c1;依次根据c1像素上方、右上方、右右上方、左方、左下方像素编号(label_t3,label_t4,label_tr3,label_l2,label_l4)确定c1像素的光斑编号label_c1;
步骤3:判断当前元组中c2像素是否为光斑像素:若c2像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤4:若当前元组中c2像素为光斑像素,则根据连通区域确定c2像素的光斑编号label_c2。依次根据c2像素上方、右上方、左方、左左下方像素编号(label_t4,label_tr3,label_c1,label_l4)确定c2像素的光斑编号label_c2;
步骤5:判断当前元组中c3像素是否为光斑像素:若c3像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤6:若当前元组中c3像素为光斑像素,则根据连通区域确定c3像素的光斑编号label_c3;依次根据c3像素上方、右上方、左方像素编号(label_c1,label_c2,label_l4)确定c3像素的光斑编号label_c3;
步骤7:判断当前元组中c4像素是否为光斑像素:若c4像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤8:若当前元组中c4像素为光斑像素,则根据连通区域确定c4像素的光斑编号label_c4;依次根据c4像素上方、左方像素编号(label_c2,label_c3)确定c4像素的光斑编号label_c4;
进一步,所述的步骤1~步骤8中,步骤1、2,步骤3、4,步骤5、6,步骤7、8是并行的,其中:
确定c1像素的光斑编号label_c1的具体步骤为:若上方像素为光斑像素,则label_c1=label_t3;否则,若右上方像素为光斑像素,则label_c1=label_t4;否则,若c2像素和tr3像素灰度均大于阈值T,则label_c1=label_tr3;否则,若左方像素为光斑像素,则label_c1=label_l2;否则,若左下方像素为光斑像素,则label_c1=label_l4;否则,c1像素为新的光斑像素,使用新的标签对其编号;
确定c2像素的光斑编号label_c2的步骤具体为:若上方像素为光斑像素,则label_c2=label_t4;否则,若右上方像素为光斑像素,则label_c2=label_tr3;否则,若左方像素为光斑像素,则label_c2=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若c3像素和l4像素灰度均大于阈值T,则label_c2=label_l4;否则,c2像素为新的光斑像素,使用新的标签对其编号;
确定c3像素的光斑编号label_c3的具体步骤为:若上方像素为光斑像素,则label_c3=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若右上方像素为光斑像素,则label_c3=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c3=label_l4;否则,c3像素为新的光斑像素,使用新的标签对其编号;
确定c4像素的光斑编号label_c4的具体步骤为:若上方像素为光斑像素,则label_c4=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c4=label_c3,在这一过程中需要通过步骤5、6判断c3像素是否为光斑像素,并确定c3像素的编号;否则,c4像素为新的光斑像素,使用新的标签对其编号。
进一步,所述的根据编号关联性整合数据过程如下:当前元组中所有像素编号完成后,从该元组开始向左取3个连续的元组,比较3个元组中的编号,若不同,则将较大的编号更改为3个元组中最小的编号。
本发明与现有技术相比其有益效果在于:本发明中的方法能够实现高分辨率图像的边采集边处理,该方法利用FPGA高并行性的特点,每次并行处理同一区域中的4个像素,极大地提高了图像处理速度。同时,基于该方法在线处理的特点,使用较小内存便能满足需求。
附图说明
图1为本发明一种面向FPGA的高并行性光斑分割方法中的光斑元组划分示意图;
图2为本发明一种面向FPGA的高并行性光斑分割方法中确定c1像素编号流程图;
图3为本发明一种面向FPGA的高并行性光斑分割方法中确定c2像素编号流程图;
图4为本发明一种面向FPGA的高并行性光斑分割方法中确定c3像素编号流程图;
图5为本发明一种面向FPGA的高并行性光斑分割方法中确定c4像素编号流程图;
图6为本发明实施例中数据整合前编号示意图;
图7为本发明实施例中数据整合后编号示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚,明确,以下列举实例对本发明进一步详细说明。应当指出此处所描述的具体实施仅用以解释本发明,并不用于限定本发明。
本发明一种面向FPGA的高并行性光斑分割方法为:按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,具体如图1所示。基于FPGA并行性的特点,该方法在每次并行处理当前元组中的4个像素,主要包括以下步骤:根据连通区域确定各元组像素的光斑编号、根据编号关联性整合数据。
确定各元组像素的光斑编号步骤如下:
步骤1:判断当前元组中c1像素是否为光斑像素。若c1像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤2:若当前元组中c1像素为光斑像素,则根据连通区域确定c1像素的光斑编号label_c1。依次根据c1像素上方、右上方、右右上方、左方、左下方像素编号(label_t3,label_t4,label_tr3,label_l2,label_l4)确定c1像素的光斑编号label_c1。具体为:若上方像素为光斑像素,则label_c1=label_t3;否则,若右上方像素为光斑像素,则label_c1=label_t4;否则,若c2像素和tr3像素灰度均大于阈值T,则label_c1=label_tr3;否则,若左方像素为光斑像素,则label_c1=label_l2;否则,若左下方像素为光斑像素,则label_c1=label_l4;否则,c1像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图2所示。
步骤3:判断当前元组中c2像素是否为光斑像素。若c2像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤4:若当前元组中c2像素为光斑像素,则根据连通区域确定c2像素的光斑编号label_c2。依次根据c2像素上方、右上方、左方、左左下方像素编号(label_t4,label_tr3,label_c1,label_l4)确定c2像素的光斑编号label_c2。具体为:若上方像素为光斑像素,则label_c2=label_t4;否则,若右上方像素为光斑像素,则label_c2=label_tr3;否则,若左方像素为光斑像素,则label_c2=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若c3像素和l4像素灰度均大于阈值T,则label_c2=label_l4;否则,c2像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图3所示。
步骤5:判断当前元组中c3像素是否为光斑像素。若c3像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤6:若当前元组中c3像素为光斑像素,则根据连通区域确定c3像素的光斑编号label_c3。依次根据c3像素上方、右上方、左方像素编号(label_c1,label_c2,label_l4)确定c3像素的光斑编号label_c3。具体为:若上方像素为光斑像素,则label_c3=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若右上方像素为光斑像素,则label_c3=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c3=label_l4;否则,c3像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图4所示。
步骤7:判断当前元组中c4像素是否为光斑像素。若c4像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤8:若当前元组中c4像素为光斑像素,则根据连通区域确定c4像素的光斑编号label_c4。依次根据c4像素上方、左方像素编号(label_c2,label_c3)确定c4像素的光斑编号label_c4。具体为:若上方像素为光斑像素,则label_c4=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c4=label_c3,在这一过程中需要通过步骤5、6判断c3像素是否为光斑像素,并确定c3像素的编号;否则,c4像素为新的光斑像素,使用新的标签对其编号。该过程流程图如图5所示。根据编号关联性整合数据过程如下:如图6所示,当前元组中所有像素编号完成后,从该元组开始向左取3个连续的元组,比较3个元组中的编号,若不同,则将较大的编号更改为3个元组中最小的编号,如图7所示。图像中所有元组处理完成后像素编号相同的属于同一光斑。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
Claims (3)
1.一种面向FPGA的高并行性光斑分割方法,其特征在于,按照从左到右、从上到下依次读入2×2的像素区域,将这2×2的像素区域记为一个元组,当前元组记为c,上方元组记为t,右上方元组记为tr,左方元组记为l,每个元组包含1、2、3、4共4个像素,并且每次并行处理当前元组中的4个像素,通过分析当前元组上方,右上方以及左方元组的属性,判断当前元组中所有像素的光斑属性,最后分割出图像中的所有光斑;具体步骤包括:根据连通区域确定各元组中像素的光斑编号、根据编号关联性整合数据、图像中所有元组处理完成后像素编号相同的属于同一光斑;所述的确定各元组中像素的光斑编号的具体步骤为:
步骤1:判断当前元组中c1像素是否为光斑像素:若c1像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤2:若当前元组中c1像素为光斑像素,则根据连通区域确定c1像素的光斑编号label_c1;依次根据c1像素上方、右上方、右右上方、左方、左下方像素编号(label_t3,label_t4,label_tr3,label_l2,label_l4)确定c1像素的光斑编号label_c1;
步骤3:判断当前元组中c2像素是否为光斑像素:若c2像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤4:若当前元组中c2像素为光斑像素,则根据连通区域确定c2像素的光斑编号label_c2,依次根据c2像素上方、右上方、左方、左左下方像素编号(label_t4,label_tr3,label_c1,label_l4)确定c2像素的光斑编号label_c2;
步骤5:判断当前元组中c3像素是否为光斑像素:若c3像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤6:若当前元组中c3像素为光斑像素,则根据连通区域确定c3像素的光斑编号label_c3;依次根据c3像素上方、右上方、左方像素编号(label_c1,label_c2,label_l4)确定c3像素的光斑编号label_c3;
步骤7:判断当前元组中c4像素是否为光斑像素:若c4像素的灰度大于预设阈值T,则其为光斑像素,否则为背景像素并编号为0;
步骤8:若当前元组中c4像素为光斑像素,则根据连通区域确定c4像素的光斑编号label_c4;依次根据c4像素上方、左方像素编号(label_c2,label_c3)确定c4像素的光斑编号label_c4;
利用FPGA高并行性的特点,每次并行处理同一区域中的4个像素,极大地提高了图像处理速度。
2.根据权利要求1所述的一种面向FPGA的高并行性光斑分割方法,其特征在于,所述的步骤1~步骤8中,步骤1、2,步骤3、4,步骤5、6,步骤7、8是并行的,其中:
确定c1像素的光斑编号label_c1的具体步骤为:若上方像素为光斑像素,则label_c1=label_t3;否则,若右上方像素为光斑像素,则label_c1=label_t4;否则,若c2像素和tr3像素灰度均大于阈值T,则label_c1=label_tr3;否则,若左方像素为光斑像素,则label_c1=label_l2;否则,若左下方像素为光斑像素,则label_c1=label_l4;否则,c1像素为新的光斑像素,使用新的标签对其编号;
确定c2像素的光斑编号label_c2的步骤具体为:若上方像素为光斑像素,则label_c2=label_t4;否则,若右上方像素为光斑像素,则label_c2=label_tr3;否则,若左方像素为光斑像素,则label_c2=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若c3像素和l4像素灰度均大于阈值T,则label_c2=label_l4;否则,c2像素为新的光斑像素,使用新的标签对其编号;
确定c3像素的光斑编号label_c3的具体步骤为:若上方像素为光斑像素,则label_c3=label_c1,在这一过程中需要通过步骤1、2判断c1像素是否为光斑像素,并确定c1像素的编号;否则,若右上方像素为光斑像素,则label_c3=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c3=label_l4;否则,c3像素为新的光斑像素,使用新的标签对其编号;
确定c4像素的光斑编号label_c4的具体步骤为:若上方像素为光斑像素,则label_c4=label_c2,在这一过程中需要通过步骤3、4判断c2像素是否为光斑像素,并确定c2像素的编号;否则,若左方像素为光斑像素,则label_c4=label_c3,在这一过程中需要通过步骤5、6判断c3像素是否为光斑像素,并确定c3像素的编号;否则,c4像素为新的光斑像素,使用新的标签对其编号。
3.根据权利要求1所述的一种面向FPGA的高并行性光斑分割方法,其特征在于,所述的根据编号关联性整合数据过程如下:当前元组中所有像素编号完成后,从该元组开始向左取3个连续的元组,比较3个元组中的编号,若不同,则将较大的编号更改为3个元组中最小的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137224.9A CN112330611B (zh) | 2020-10-22 | 2020-10-22 | 一种面向fpga的高并行性光斑分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137224.9A CN112330611B (zh) | 2020-10-22 | 2020-10-22 | 一种面向fpga的高并行性光斑分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330611A CN112330611A (zh) | 2021-02-05 |
CN112330611B true CN112330611B (zh) | 2024-07-05 |
Family
ID=74311251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011137224.9A Active CN112330611B (zh) | 2020-10-22 | 2020-10-22 | 一种面向fpga的高并行性光斑分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330611B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685247B (zh) * | 2022-10-31 | 2024-05-31 | 哈尔滨工业大学 | 单行条纹图像中光斑质心位置的获得方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101363718A (zh) * | 2008-09-17 | 2009-02-11 | 北京航空航天大学 | 一种双路质心跟随成像方法及装置 |
CN102193819A (zh) * | 2010-08-03 | 2011-09-21 | 北京航空航天大学 | 一种抗单点噪声的光斑中心定位方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017654B (zh) * | 2012-11-29 | 2015-07-15 | 北京航空航天大学 | 一种光斑图像多路质心定位方法及装置 |
-
2020
- 2020-10-22 CN CN202011137224.9A patent/CN112330611B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101363718A (zh) * | 2008-09-17 | 2009-02-11 | 北京航空航天大学 | 一种双路质心跟随成像方法及装置 |
CN102193819A (zh) * | 2010-08-03 | 2011-09-21 | 北京航空航天大学 | 一种抗单点噪声的光斑中心定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112330611A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN111967313B (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN111027539B (zh) | 一种基于空间位置信息的车牌字符分割方法 | |
CN112149535B (zh) | 一种结合SegNet和U-Net的车道线检测方法和装置 | |
CN111444964B (zh) | 一种基于自适应roi划分的多目标快速图像匹配方法 | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及*** | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN110909772B (zh) | 一种高精度实时多尺度表盘指针检测方法和*** | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN112330611B (zh) | 一种面向fpga的高并行性光斑分割方法 | |
CN111626145B (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN111723805B (zh) | 一种信号灯的前景区域识别方法及相关装置 | |
CN116385374A (zh) | 基于卷积神经网络的细胞计数方法 | |
CN114627461A (zh) | 一种基于人工智能高精度识别水尺数据的方法及*** | |
CN113657339A (zh) | 一种基于机器视觉的仪表指针计数读取方法及介质 | |
CN113393430A (zh) | 用于风机叶片缺陷检测的热成像图像增强训练方法和装置 | |
CN112926694A (zh) | 基于改进的神经网络对图像中的猪只进行自动识别的方法 | |
CN112184696A (zh) | 一种细胞核和细胞器计数及其面积计算方法与*** | |
CN115717887B (zh) | 基于灰度分布直方图的星点快速提取方法 | |
CN116883718A (zh) | 一种基于改进yolov7的甘蔗缺苗检测定位方法 | |
CN114882469B (zh) | 一种基于dl-ssd模型的交通标志检测方法及*** | |
CN110377640A (zh) | 一种基于深度学习投票统计方法 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN110276738B (zh) | 一种bmp图像的roi替换处理方法 |
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 |