CN113808084A - 一种模型融合的在线烟包表面霉变检测方法及*** - Google Patents
一种模型融合的在线烟包表面霉变检测方法及*** Download PDFInfo
- Publication number
- CN113808084A CN113808084A CN202110983198.XA CN202110983198A CN113808084A CN 113808084 A CN113808084 A CN 113808084A CN 202110983198 A CN202110983198 A CN 202110983198A CN 113808084 A CN113808084 A CN 113808084A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- mildew
- cigarette packet
- detection
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 241000208125 Nicotiana Species 0.000 title claims abstract description 51
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 51
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000005498 polishing Methods 0.000 claims description 6
- 238000011897 real-time detection Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
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
- G06T7/0004—Industrial image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种模型融合的在线烟包表面霉变检测方法，包括以下步骤：获取在线烟包表面图像；对所述在线烟包表面图像进行图像预处理，并利用检测规则识别出发生霉变的在线烟包表面图像；截取发生霉变的在线烟包表面图像获得霉变区域图像，依据霉变区域图像获得基于直方图分析的标注框数据清洗；建立目标检测模型，利用霉变区域图像对目标检测模型进行训练，由目标检测模型输出目标框截图图像；建立图像分类模型，利用目标框截图图像对图像分类模型进行训练；本发明融合目标检测模型和图像分类模型，进行霉变实时检测，当检测到表面霉变时，发出预警报警信号。本发明增加图像分类模型进一步降低误报。
Description
技术领域
本发明涉及烟叶霉变检测技术领域，尤其是一种模型融合的在线烟包表面霉变检测方法及***。
背景技术
在线烟包解包***总共有3套CCD视觉***，分别检测烟箱打包带、烟包上表面和下表面的纸板，无法对表面霉变进行监测，存在霉变的质量隐患。目前产线人工目检的方式存在两点问题：一是对烟包六个面进行霉变检测需要多个工位完成，人工消耗大；二是人工长时间工作容易造成视觉疲劳，存在对小面积霉变或杂物漏报的风险，因此在产线合适的地方加装视觉检测是十分必要的。参考中国专利公开号为CN109903288A的一种基于图像的检测烟包霉变的方法、装置及***，方法包括获取烟包的表面的照片；从所述烟包的表面的照片中提取出颜色特征；判断所述烟包的颜色特征是否满足霉变条件；如果是，则判定所述烟包为霉变烟包；否则，判定所述烟包为非霉变烟包。目标检测算法对霉变单类检测的模型不能适应和霉变相似的亮片烟叶的误报的区分。
发明内容
本发明解决了现有霉变检测利用图像识别容易误报的问题，提出一种模型融合的在线烟包表面霉变检测方法及***，增加图像分类模型进一步降低误报。
为实现上述目的，提出以下技术方案：
一种模型融合的在线烟包表面霉变检测方法，其特征在于，包括以下步骤：
S100，获取在线烟包表面图像；
S200，对所述在线烟包表面图像进行图像预处理，并利用检测规则识别出发生霉变的在线烟包表面图像；
S300，截取发生霉变的在线烟包表面图像获得霉变区域图像，依据霉变区域图像获得基于直方图分析的标注框数据清洗；
S400，建立目标检测模型，利用霉变区域图像对目标检测模型进行训练，由目标检测模型输出目标框截图图像；
S500，建立图像分类模型，利用目标框截图图像对图像分类模型进行训练；
S600，融合目标检测模型和图像分类模型，进行霉变实时检测，当检测到表面霉变时，发出预警报警信号。
因目标检测模型是在整幅图像做目标搜索，但霉变目标背景相对比较复杂，会存在亮片烟叶或烟梗的误报，目标检测对于但目标检测误报情况不能简单通过检出阈值过滤，为了保证高检出率的情况下降低误报，我们在降低目标检测模型阈值的同时增加图像分类模型，将目标检测模型检出的所有目标分成误报的目标和真实霉变的目标，误报目标有亮片烟叶、烟梗，将误报目标与真实霉变目标输入图像分类模型进行训练，即根据目标检测结果图像训练霉变检测的精细筛选模型，进一步降低模型误报率。在线实时检测时，将两种模型融合，即目标检测模型的结果输出至图像分类模型进行霉变实时检测，***检测到表面霉变时，发出预警报警信号，从而达到实时检测在线烟包表面霉变的目的。
作为优选，所述步骤S100具体包括以下步骤：
采集在线烟包解包工序后各个面的图像，采用特殊光学效果打光，获取在线烟包表面图像，所述特殊光学效果的光选取霉变与背景烟叶差异大的波段的光。
作为优选，所述步骤S200具体包括以下步骤：
图像预处理包括对在线烟包图像进行图像增强处理、图像去噪处理及图像分割处理。
所述图像增强处理为灰度变换、直方图均衡中的一种或几种；所述图像去噪处理为基于空域和频域的各种滤波算法中的一种或多种；所述图像分割方法为基于阈值的分割方法、区域生长法、聚类分割法及基于边缘的分割方法中的一种；所述图像分割方法为基于阈值的分割方法、区域生长法、聚类分割法及基于边缘的分割方法中的一种。所述基于阈值的分割方法为固定阈值法、自适应阈值法中的一种。所述基于边缘的分割方法为Robert算子、Sobel算子、Prewitt算子、Kirsch算子、Canny算子、Log算子、Laplacian算子中的一种。
作为优选，所述图像增强处理为灰度变换，对在线烟包图像进行灰度变换，即将图像由彩色图像转为灰色图像；将所述灰度图像进行均值平滑滤波，当前像素点(x，y)，作为处理后图像在该点上的灰度g(x,y)，即g(x,y)＝∑f(x,y)/m，m为该模板中包含当前像素在内的像素总个数；将均值平滑滤波后图像进行基于固定阈值的分割，设原始图像为f(x,y)，在f(x,y)中设定分割阈值T，将图像分割为两个部分，分割后的图像为：b0＝0(黑)，b1＝1(白)，即图像二值化。选定二值化图像中连通域满足设定的面积、长宽比和圆形度的区域。
作为优选，所述检测规则根据已有的在线烟包霉变图像样本建立而建立，识别能识别复杂纹理对象的形状特征，包括面积、周长、质心、分散度、矩形度、长宽比、方向、区域的矩形度、圆形度、球形度、偏心率、面积周长比、细度、Hu不变矩特征中的一种或多种。
作为优选，计算选定区域的最小外接矩形，利用最小外接矩形截取原始图像。
作为优选，所述基于直方图分析的标注框数据清洗为霉变区域图像宽高比和面积直方图分布，根据集中分布情况将分布离散点删除或者调整离散点对应的宽高比或面积。
作为优选，所述目标检测模型为YOLO模型或SSD模型或Fast-RCNN模型或Faster-RCNN模型或Mask-RCNN模型。
作为优选，所述图像分类模型为AlexNet模型或ImageNet模型或Vgg16模型或Resnet模型。
作为优选，所述S600具体包括以下步骤：融合目标检测模型和图像分类模型顺序连接，其预测结果为：
其中，Pclass为融合模型最终预测结果，预测为1表示检测到霉变，pre_conf为目标检测模型预测置信度，thred_conf为目标检测模型检出霉变置信度阈值，Pseg为图像分类预测结果。
作为优选，所述Pseg图像分类预测结果为：
其中，pre_calss为图像分类预测标签，预测标签为0表示为霉变类别，预测标签为其他类时表示正常。
一种模型融合的在线烟包表面霉变检测***，适用于上述的一种模型融合的在线烟包表面霉变检测方法，包括：
获取模块，用于获取在线烟包表面图像；
预处理模块，用于图像预处理为输入进目标检测模型的数据格式；
目标检测训练模块，用于基于目标检测的在线烟包表面霉变检测；
图像分类训练模块，用于基于图像分类的在线烟包表面霉变检测；
实时检测模块，用于将目标检测训练模块和图像分类训练模块的数据融合，进行霉变实时检测；
报警模块，用于***检测到表面霉变时，发出预警报警信号。
本发明的有益效果是：本发明在目标检测模型的基础上增加图像分类模型，并融合两种模型进行识别，进一步降低误报的情况发生。
附图说明
图1是本发明的整体流程示意图；
图2是本发明的整体结构示意图；
图3特殊打光正常烟叶效果图；
图4特殊打光霉变烟叶效果图；
图5图像均值滤波效果；
图6图像选取特征区域效果；
图7标注框长宽比值优化前分布情况；
图8标注框面积值清洗前分布情况；
图9标注框宽高比值清洗后分布情况；
图10标注框面积值清洗后分布情况；
图11YOLO模型识别效果。
具体实施方式
实施例：
本实施例提出一种模型融合的在线烟包表面霉变检测方法，如图1所示，包括以下步骤：
S100、获取在线烟包表面图像；
采用工业相机采集在线烟包解包后工序各个面图像，采用特殊光学效果打光，选取霉变与背景烟叶差异大的波段打光，特殊打光烟叶和霉变图像如图3-4所示；
S200、基于检测规则的在线烟包表面霉变检测即根据已有的在线烟包霉变图像样本建立特定的检测规则，包括：图像预处理及在线烟包霉变的形状特征确定，设计得到基于检测规则的在线烟包表面霉变检测模型；
将有霉变的在线烟包图像进行预处理具体为：对在线烟包图像进行灰度变换，即将图像由彩色图像转为灰色图像；将灰度图像进行均值平滑滤波，当前像素点(x，y)，作为处理后图像在该点上的灰度g(x,y)，即g(x,y)＝∑f(x,y)/m，m为该模板中包含当前像素在内的像素总个数，m取值9，均值平滑滤波效果如图5-6所示；
将均值平滑滤波后图像进行基于固定阈值的分割，设原始图像为f(x,y)，在f(x,y)中设定分割阈值T，T取值128，将图像分割为两个部分，分割后的图像为：b0＝0(黑)，b1＝1(白)，即为我们通常所说的图像二值化；
选定二值化图像中连通域满足面积在20至500范围、长宽比在0.25至4范围内和圆形度在0.2至0.5范围的区域；
S300、检测规则结果数据打标清洗，包括：截取规则检出霉变区域图像及基于直方图分析的标注框数据清洗；
计算选定区域的最小外接矩形，利用最小外接矩形截取原始图像；对截取的原始图像数据进行基于直方图分析，根据集中分布情况将分布离散点删除或者调整离散点对应的宽高比或面积，清洗截取图像宽高比和面积直方图分布较为离散的数据，数据清洗前后面积及长宽比直方图分布如图7-10所示；
S400、基于目标检测的在线烟包表面霉变检测，即根据在线烟包图像训练霉变检测的初步筛选模型；建立目标检测模型，利用霉变区域图像对目标检测模型进行训练，由目标检测模型输出目标框截图图像；目标检测模型为YoloV5模型，其损失函数分为位置损失和置信度损失：
Loss＝Liou+Lobject
其中，S表示网格尺寸，S取值13；B表示box；
基于YOLO模型的在线烟包表面霉变检测，即根据在线烟包图像训练霉变检测的初步筛选模型，YOLO模型效果如图11所示；
S500、基于图像分类的在线烟包表面霉变检测，即根据在线烟包图像训练霉变检测的精细筛选模型；建立图像分类模型，利用目标框截图图像对图像分类模型进行训练；图像分类模型使用Resnet网络。
S600、将两种模型融合，进行霉变实时检测；***检测到表面霉变时，发出预警报警信号，从而达到实时检测在线烟包表面霉变的目的。
通过本发明的技术方案，可以精确的知晓哪个环节出了问题，是否有霉变，如果识别到霉变了，***就会发出预警报警信号进行报警。
本实施例还提出一种模型融合的在线烟包表面霉变检测***，如图2所示，包括：获取模块100、规则检测模块200、目标检测训练模块300、图像分类训练模块400、实时检测模块500和报警模块600；
所述获取模块100，用于获取在线烟包表面图像；
所述预处理模块200，用于图像预处理及在线烟包霉变的形状特征确定，设计得到基于检测规则的在线烟包表面霉变检测模型；
所述目标检测训练模块300，用于基于目标检测的在线烟包表面霉变检测，即根据在线烟包图像训练霉变检测的初步筛选模型；
所述图像分类训练模块400，用于基于图像分类的在线烟包表面霉变检测，即根据在线烟包图像训练霉变检测的精细筛选模型；
所述实时检测模块500，用于将两种模型融合，进行霉变实时检测；
所述报警模块600，用于***检测到表面霉变时，发出预警报警信号，从而达到实时检测在线烟包表面霉变的目的。
通过本发明装置的技术方案，可以精确的知晓哪个环节出了问题，是否超出预警报警阈值，如果超出了，***就会发出预警报警信号进行报警。
Claims (9)
1.一种模型融合的在线烟包表面霉变检测方法，其特征在于，包括以下步骤：
S100，获取在线烟包表面图像；
S200，对所述在线烟包表面图像进行图像预处理，并利用检测规则识别出发生霉变的在线烟包表面图像；
S300，截取发生霉变的在线烟包表面图像获得霉变区域图像，依据霉变区域图像获得基于直方图分析的标注框数据清洗；
S400，建立目标检测模型，利用霉变区域图像对目标检测模型进行训练，由目标检测模型输出目标框截图图像；
S500，建立图像分类模型，利用目标框截图图像对图像分类模型进行训练；
S600，融合目标检测模型和图像分类模型，进行霉变实时检测，当检测到表面霉变时，发出预警报警信号。
2.根据权利要求1所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，所述步骤S100具体包括以下步骤：
采集在线烟包解包工序后各个面的图像，采用特殊光学效果打光，获取在线烟包表面图像，所述特殊光学效果的光选取霉变与背景烟叶差异大的波段的光。
3.根据权利要求1所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，所述步骤S200具体包括以下步骤：
图像预处理包括对在线烟包图像进行图像增强处理、图像去噪处理及图像分割处理。
4.根据权利要求1所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，所述基于直方图分析的标注框数据清洗为霉变区域图像宽高比和面积直方图分布，根据集中分布情况将分布离散点删除或者调整离散点对应的宽高比或面积。
5.根据权利要求1所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，所述目标检测模型为YOLO模型或SSD模型或Fast-RCNN模型或Faster-RCNN模型或Mask-RCNN模型。
6.根据权利要求1所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，所述图像分类模型为AlexNet模型或ImageNet模型或Vgg16模型或Resnet模型。
7.根据权利要求1所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，所述S600具体包括以下步骤：融合目标检测模型和图像分类模型顺序连接，其预测结果为：
其中，Pclass为融合模型最终预测结果，预测为1表示检测到霉变，pre_conf为目标检测模型预测置信度，thred_conf为目标检测模型检出霉变置信度阈值，Pseg为图像分类预测结果。
8.根据权利要求7所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，所述Pseg图像分类预测结果为：
其中，pre_calss为图像分类预测标签，预测标签为0表示为霉变类别，预测标签为其他类时表示正常。
9.一种模型融合的在线烟包表面霉变检测***，适用于权利要求1所述的一种模型融合的在线烟包表面霉变检测方法，其特征在于，包括：
获取模块，用于获取在线烟包表面图像；
预处理模块，用于图像预处理为输入进目标检测模型的数据格式；
目标检测训练模块，用于基于目标检测的在线烟包表面霉变检测；
图像分类训练模块，用于基于图像分类的在线烟包表面霉变检测；
实时检测模块，用于将目标检测训练模块和图像分类训练模块的数据融合，进行霉变实时检测；
报警模块，用于***检测到表面霉变时，发出预警报警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983198.XA CN113808084A (zh) | 2021-08-25 | 2021-08-25 | 一种模型融合的在线烟包表面霉变检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110983198.XA CN113808084A (zh) | 2021-08-25 | 2021-08-25 | 一种模型融合的在线烟包表面霉变检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113808084A true CN113808084A (zh) | 2021-12-17 |
Family
ID=78894124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110983198.XA Pending CN113808084A (zh) | 2021-08-25 | 2021-08-25 | 一种模型融合的在线烟包表面霉变检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808084A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115810125A (zh) * | 2022-12-09 | 2023-03-17 | 北京远舢智能科技有限公司 | 一种基于彩色光谱的烟叶检测方法、装置、设备及介质 |
| CN117274986A (zh) * | 2023-09-22 | 2023-12-22 | 陕西省食品药品检验研究院 | 一种药食同源中药材霉变识别方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111680632A (zh) * | 2020-06-10 | 2020-09-18 | 深延科技(北京)有限公司 | 基于深度学习卷积神经网络的烟火检测方法及*** |
| CN111783819A (zh) * | 2020-05-08 | 2020-10-16 | 国家电网有限公司 | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 |
| CN112528960A (zh) * | 2020-12-29 | 2021-03-19 | 之江实验室 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
| CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
| CN112926648A (zh) * | 2021-02-24 | 2021-06-08 | 北京优创新港科技股份有限公司 | 一种烟叶烘烤过程中烟叶尖部异常的检测方法及装置 |
-
2021
- 2021-08-25 CN CN202110983198.XA patent/CN113808084A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783819A (zh) * | 2020-05-08 | 2020-10-16 | 国家电网有限公司 | 小规模数据集上基于感兴趣区域训练改进的目标检测方法 |
| CN111680632A (zh) * | 2020-06-10 | 2020-09-18 | 深延科技(北京)有限公司 | 基于深度学习卷积神经网络的烟火检测方法及*** |
| CN112541889A (zh) * | 2020-12-02 | 2021-03-23 | 杭州安脉盛智能技术有限公司 | 一种多层级模型的复杂纹理对象表面缺陷检测方法 |
| CN112528960A (zh) * | 2020-12-29 | 2021-03-19 | 之江实验室 | 一种基于人体姿态估计和图像分类的吸烟行为检测方法 |
| CN112926648A (zh) * | 2021-02-24 | 2021-06-08 | 北京优创新港科技股份有限公司 | 一种烟叶烘烤过程中烟叶尖部异常的检测方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115810125A (zh) * | 2022-12-09 | 2023-03-17 | 北京远舢智能科技有限公司 | 一种基于彩色光谱的烟叶检测方法、装置、设备及介质 |
| CN117274986A (zh) * | 2023-09-22 | 2023-12-22 | 陕西省食品药品检验研究院 | 一种药食同源中药材霉变识别方法、装置及存储介质 |
| CN117274986B (zh) * | 2023-09-22 | 2024-04-05 | 陕西省食品药品检验研究院 | 一种药食同源中药材霉变识别方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3455782B1 (en) | System and method for detecting plant diseases | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| WO2018122809A1 (zh) | 一种基于静态红外热像图处理的地下管廊渗漏检测方法 | |
| CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
| CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
| CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
| CN113808084A (zh) | 一种模型融合的在线烟包表面霉变检测方法及*** | |
| CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN111402238A (zh) | 一种通过机器视觉实现的缺陷标识*** | |
| CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
| CN113449606B (zh) | 一种目标对象识别方法、装置、计算机设备及存储介质 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN112541889A (zh) | 一种多层级模型的复杂纹理对象表面缺陷检测方法 | |
| US20220128358A1 (en) | Smart Sensor Based System and Method for Automatic Measurement of Water Level and Water Flow Velocity and Prediction | |
| CN113706566B (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
| CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
| CN114782330B (zh) | 基于人工智能的炉排异常检测方法及*** | |
| CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及*** | |
| Daniel et al. | Automatic road distress detection and analysis | |
| CN110070523A (zh) | 一种用于瓶底的异物检测方法 | |
| CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
| CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
| CN111882575A (zh) | 一种视频图像去噪和前景分割方法和装置 | |
| CN115131355A (zh) | 利用电子设备数据检测防水布异常的智能方法 |
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 |