基于Matlab对大米计数的研究

基于计算机视觉的米粒计数检测——Matlab源码实现 在以上代码中,我们首先读入一个包含单个米粒的模板图像“T”,然后针对每个标记区域,提取出对应的子图像“patch”并进行模板匹配(使用“normxcorr2”函数)。对于本文中的米粒计数检测问题,可以采用一些基于形状、颜色、纹理等特征的方法,在此我们仅选用了灰度特征,即通过计算每个标记区域的平均灰度值,来判断该区域是否含有一个米粒。综上,我们通过基于计算机视觉的方法,实现了一种快速、准确的米粒计数检测方法,并提供了相应的Matlab源码实现。最后,我们使用基于模板匹配的方法进行精确计数并输出结果。 阅读详情
AI摘要

本文介绍了使用数字图像处理技术进行大米计数的方法,包括图像读入、灰度化、二值化、形态学操作如闭运算和开运算。通过闭运算消除粘连,开运算分离物体,然后利用`bwlabel`函数进行计数。提供了相关博客链接作为参考。

写这篇文章目的:

文章的课题是我期末的数字图像处理大报告。大家可以根据自己的需求,对于每个不同的处理方法,进行学习~

当然文章基于我个人的观点以及参考了一些大神们的写法,如有不对的地方,欢迎大家指正~

解决问题的思路分析:

如何读入图像 - > 如何减少图片当中的无用信息 - > 如何进行计数 - > 如何解决粘连在一起的大米

在网上随意找了一张大米的图片:

<说明>    将图片存为".png"

读入图像的方式:

<1>方法一:仅读入一张图片

应用:图片数量较少

缺点:要随时自己填写后面的路径位置

i=imread('E:\数字图像\rice1.png');

<2>方法二:单独读入一个文件夹,在文件夹当中找寻目标图片

好处:可以一次性处理多张图片

[filename,filepath]=uigetfile('.png','输入一个大米的图像');
file=strcat(filepath,filename);
i=imread(file);

*注意*         自己在写读入的时候需要注意文件格式

<说明>       当时在写的时候没有用第二种,只用了第一种写法

减少图片当中的无用信息——图像灰度化、图像二值化

当时做这一块的时候,给我参考比较大的博客,大家可以看看这个:

https://blog.youkuaiyun.com/kuishao1314aa/article/details/84798625https://blog.youkuaiyun.com/kuishao1314aa/article/details/84798625icon-default.png?t=LA92https://blog.youkuaiyun.com/kuishao1314aa/article/details/84798625

就不在这里就具体说内容啦~

欢迎大家和我讨论哦~

如何进行计数呢?

首先先来介绍几个知识点(敲黑板啦~)

腐蚀:

a.消除边界点

b.使边界向内部收缩的过程

c.可以用来消除小且无意义的物体

膨胀:

a.与物体接触的所有背景点合并到该物体中

b.使边界向外部扩张的过程

c.可以用来填补物体中的空洞 

开运算:

a.先腐蚀后膨胀的过程开运算

b.用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变面积

c.在需要去除小颗粒噪声,以及断开目标物之间粘连时使用

d.其主要作用与腐蚀相似,与腐蚀操作相比,具有 可以基本保持目标原有大小不变的优点

闭运算:

a.先膨胀后腐蚀的过程称为闭运算

b.用来填充物体内细小空洞、连接邻近物体

c.平滑其边界的同时并不明显改变其面积

对于本课题处理粘连的大米的思路:闭运算->开运算

对于计数:

调用这个函数:L = bwlabel(BW,n)

关于这里的详细内容,大家可以看看TA的:

https://blog.youkuaiyun.com/wanrenwangxuejing/article/details/25108191https://blog.youkuaiyun.com/wanrenwangxuejing/article/details/25108191icon-default.png?t=LA92https://blog.youkuaiyun.com/wanrenwangxuejing/article/details/25108191

<补充说明>        imshow():方法将值标准化为0到1之间的值

下面就是最后的代码啦~

i=imread('E:\数字图像\rice1.png');
i1=rgb2gray(i); %转灰度图像
i2=im2bw(i1);    %二值化
i3 = bwmorph(i2,'close');  %闭运算
imshow(i3)
i4 = bwmorph(i2,'open');  %开运算
figure, imshow(i4)
[L,amount]=bwlabel(i4,8);
fprintf('共有%d个大米!',amount);

运行截图:

说的不对的地方,欢迎大家讨论~

大家有想看原版报告的可以和我私聊嗷~

“华为杯”研究生数学建模竞赛2007年-【华为杯】A题:食品卫生安全保障体系数学模型的建立及其改进理论问题的研究(附获奖论文及matlab代码实现) 我国是一个拥有13亿人口的发展中国家,每天都在消费大量的各种食品,这批食品是由成千上万的食品加工厂、不可计数的小作坊、几亿农民生产出来的,并且经过较多的中间环节和长途运输后才为广大群众所消费,加之近年来我国经济发展迅速而环境治理没有能够完全跟上,以至环境污染形势十分严峻;而且随着我国进出口贸易的迅速增加,加上某些国外媒体的炒作,对外食品贸易中的矛盾也开始尖锐起来,因此建立包括食品卫生安全保障体系在内的公共安全应急机制是关系国计民生和对外贸易的重大而迫切的任务。 阅读详情

相关推荐

matlab中算rice(米粒)的个数代码及图片

内部有两个文件,.m文件为matlab代码,可以计算rice图片中的rice个数,直接可以运行。

基于形态学的目标检测——统计大米数量

记录一下MATLAB期末考试大作业,因为学校提前放假,期末考试延迟到下学期 (ノへ ̄、)不对!我还没开始复习!我差点没时间复习!ヾ(≧▽≦*)oMATLAB线下考试也改为了大作业,要求我们找一个Toolbox学习,最后自拟题目写个报告,思前想后,最终决定使用Image Processing Toolbox,一方面,我有一点点图像处理的基础,其次,我觉得这个方向在老师眼里会比较有前途(比较nb)ok,废话不多说,下面就是肝了一个通宵的作业。

weixin_50731917的博客 4325

计算rice.png米粒个数以及大小的matlab程序

计算rice.png米粒个数以及大小的matlab程序 计算rice.png米粒个数以及大小的matlab程序

基于Matlab的米粒分割与计数识别系统研究与实现

本研究介绍了一种基于MATLAB的米粒分割与计数识别系统。系统主要包括图像加载、图像预处理、米粒分割、计数识别等功能。

ZSW1218的博客 413

VS2008 opencv MFC 计算米粒的个数及最大米粒的面积及周长

VS2008 opencv MFC 计算米粒的个数及最大米粒的面积及周长 有个问题 , 因为 const char * 和 LPCTSTR 的转换,还是不是很清楚,只生成了debug 版本,Release 不通过。 debug版本中只要 如何将LPCTSTR转换为const char * ?? 项目--属性--配置属性--字符集 改为使用多字节 居然可以这么简单~~~【LPCTSTR 1、在非UNICODE环境下为 const char * 2、在UNICODE环境下为 const unsigned short * so,需要将宽字符转换为多字节】

一种基于Matlab的谷物颗粒计数方法.pdf

一种基于Matlab的谷物颗粒计数方法.pdf

【米粒识别】基于matlab GUI米粒分割与计数识别系统【Matlab源码 B7z010期】

米粒分割与计数识别系统 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1113

123_谷物颗粒计数的研究_matlab_

针对目前谷物人工计数和光电计数方法存在的不足提出了一种基于MATLAB图像识别和处理技术的谷物计数方法,并用实例验证了其可靠性。该方法减轻了操作者劳动强度弥补了人视觉的不足之处。提高了效率及准确率为今后进一步研究奠定了必要的理论与实践基础对完善精细农业具有重要意义.

【计数】基于机器视觉实现大米粒颗粒识别计数,边缘检测 锐化 滤波 优化附Matlab代码

在农业生产和食品加工领域,对大米粒的颗粒识别计数有着重要的应用价值。传统的人工计数方法效率低下,且容易出错。随着机器视觉技术的发展,基于机器视觉的大米粒颗粒识别计数技术逐渐成为研究热点。本文将深入探讨如何利用机器视觉技术实现大米粒颗粒识别计数,并重点介绍边缘检测、锐化、滤波等图像处理技术在该领域的应用。1. 系统架构基于机器视觉的大米粒颗粒识别计数系统主要由以下几个部分组成:图像采集系统: 负责获取大米粒图像,可采用工业相机、手机摄像头等设备。

Matlab_dashi的博客 1293

YOLOv8 TensorRT C++部署实战详解:从XMake构建到推理流水线

本项目实现了一个基于YOLOv8和TensorRT的高性能火灾烟雾检测系统,具有以下核心特点: 技术架构:采用TensorRT 8.6+进行GPU加速推理,结合CUDA 12.1和OpenCV 4.8+,实现高效计算机视觉处理。系统使用XMake替代CMake构建,配置更简洁高效。

hscing的博客 1065

新手必看:如何用T265和ROS实现无人机室内精准定位(附PX4参数配置)

本文详细介绍了如何使用Intel Realsense T265和ROS实现无人机室内精准定位,包括硬件准备、ROS数据流架构设计、PX4参数配置及系统验证。特别针对视觉SLAM技术在室内环境中的应用,提供了从零搭建到进阶优化的全流程解析,适合无人机开发新手快速上手。

weixin_30642561的博客 404

【大米粒计数】机器视觉大米粒颗粒识别计数【含Matlab源码 4086期】

机器视觉大米粒颗粒识别计数 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1219

STM32实现webserver显示数据及配置参数

其实提到的将fsdata.c重命名为fsdata_custom.c,可以不重命令,将/LWIP/Target/lwipopts.h中HTTPD_USE_CUSTOM_FSDATA 定义为0,这样HTTPD_FSDATA_FILE将使用fsdata.c,避免每次生成fsdata.c需要重命令的麻烦。2、登录成功后,板卡根据板卡配置类型,返回对应的数据页面,该页面可实现数据校准、清零,以及进行到板卡参数设置页面。目前还未实现post功能以及http身份验证功能。3、板卡参数设置页面。

2693

【米粒计数】机器视觉大米粒颗粒识别计数(含边缘检测 锐化 滤波 优化)【含GUI Matlab源码 4615期】

机器视觉大米粒颗粒识别计数(含边缘检测 锐化 滤波 优化) 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1207

中国30米逐年植被净初级生产力(NPP)数据集(1982年至今CASA模型)

1.3 气温、降水、地表太阳辐射数据 气温和降水数据月度空间插值数据是基于全国2400多个站点的日观测数据,在计算各气象要素月值的基础上,基于Anusplin软件插值生成的1982年以来各月度30米分辨率气温和降水栅格数据,插值过程中引入高程作为协变量。气温单位为℃,降水单位为mm。1.2 土地覆盖数据 土地覆盖数据来源于1985 年-2020年全球30米精细地表覆盖动态监测产品,该数据集包含29个地表覆盖类型,进行拼接、裁剪、重分类和重采样处理,获得8期250米分辨率的植被类型数据。

地球资源数据云的官方博客 2839

Codex全网避坑实录|境外手机号封禁\+Ollama千问适配失败\+第三方中转站TOML全套配置

原生Codex:国内手机号百分百无法登录,PIN验证、多因子验证全部无效,不用尝试API Key登录:仅解锁界面,不充值无法使用功能,纯过渡方案Ollama本地千问:原生接口和Codex不兼容,手写Python代理大概率调试失败,不推荐折腾网页解析失败:只改wire_api为responses即可解决,无需修改接口地址使用建议:仅体验功能用中转站;长期办公提效,成本很高,建议改用兼容接口的本地模型。

驽马不舍 1894

Python迭代器与可迭代对象完全拆解:从for循环到生成器

Python作为一门解释型语言,其强大的数据处理能力离不开迭代器与生成器等底层机制。很多开发者每天使用for循环遍历列表、字典、字符串,却未必清楚这些可迭代对象背后究竟如何工作。本文从迭代协议这一基础概念入手,剖析可迭代对象与迭代器的本质区别,并通过斐波那契数列示例展示自定义迭代器的实现过程。随后引入生成器,讲解yield如何实现惰性求值,从而以极低内存处理超大文件与无限序列。结合itertools工具链和真实项目中的性能对比,文章还梳理了迭代时修改容器的经典坑、迭代器一次性特性等高发问题。掌握这些原理后,

weixin_33778544的博客 418

计算机导论期末知识点及试题总结 [近三万字总结 · 全]

计算机网络:计算机网络是利用通信线路连接起来相互独立的计算机的集合,其主要目的是实现数据通信和资源共享。 计算机病毒:破坏计算机功能或数据,影响计算机使用,并能自我复制的一组计算机指令或程序。 操作系统:操作系统是由程序和数据结构组成的大型系统软件,它负责计算机的全部软硬件的资源分配,调度和管理,控制各类程序的正常执行,并为用户使用计算机提供良好的环境。 高速缓冲储存器(Cache):位于cpu和内存之间的储存器,其特点是速度快,目的是是储存器的速度与cpu的速度相匹配。 总线:若干信号线的集合,是

这个人好有趣....hh 1万+

基于matlab的大米,大米颗数计算MATLAB软件

应用背景大米是人类的主食之一,是稻谷经清理、砻谷、碾米、成品整理等工序后制成的成品。人们购买米大多采用直接称量的方法,市面上也有许多仪器采用光电传感器等方式用于生产加工时米粒的计数。然而这样的方法都比较依赖于设备,不方便人们日常的使用。运用计算机图像处理技术,可以在缺少专用设备的情况下,快速简单地完成对米粒或其他颗粒的计数。关键技术具体使用方法见操作手册单击大米粒数计数软件界面中的“读取图像”按钮...

weixin_39771987的博客 2083

Android实现自动输入文本效果 (附完整源码)

Android实现自动输入文本效果 (附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 414

机器人中的数值优化(二十一)—— 伴随灵敏度分析、线性方程组求解器的分类和特点、优化软件

本系列文章主要是我在学习《数值优化》过程中的一些笔记和相关思考,主要的学习资料是深蓝学院的课程《机器人中的数值优化》和高立编著的《数值最优化方法》等,本系列文章篇数较多,不定期更新,上半部分介绍无约束优化,下半部分介绍带约束的优化,中间会穿插一些路径规划方面的应用实例

慕羽★的博客 4205

【缺陷检测】基于matlab形态学液晶显示器表面缺陷检测【含Matlab源码 1304期】

形态学液晶显示器表面缺陷检测 完整代码,直接运行,适合小白!可提供运行操作视频!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 4236

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

利用MATLAB对图像中物体进行计数

** 利用MATLAB对一张图片中相同得物体进行计数。 ** MATLAB中已有函数可对二值化中的白色区域进行计数。 [labeled,numObjects]=bwlabel(‘图像名’,8); 运行后numObjects(即物体个数)的值会显示在右侧的工作区中。 因此我们需要做的是对图像进行处理,包括二值化,除噪等。 若直接将图像转化为二值图像进行计数,则无法得到正确数据。 如 clc; clo...

Schofiled的博客 1万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

matlab颗粒图像计数6,基于MATLAB图像处理的药片计数方法研究

2018 年 软 件 2018, Vol. 39, No. 9 第 39 卷 第 9 期 COMPUTER ENGINEERING & SOFTWARE 国际 IT 传媒品牌 基金项目: 江苏省科技厅科技支撑计划项目(BY2016065-02);盐城市科技计划项目(DX2015-018) 作者简介: 曹妍(1981),女,讲师,硕士,研究方向为图像处理;陈伟(1979),男,硕士,工程...

weixin_33494995的博客 1573

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

基于matlab的颗粒计数,基于Matlab图像处理的谷物颗粒计数方法的研究.pdf

2009 1 1Matlab, ,( , 110 161): , Matlab, , ,, , / 0: ; ; ; Matlab: TP 39 1. 4 1 : A : ...

weixin_42527654的博客 1278
下一篇: 自用四六级阅读技巧
小Q爱学习
博客等级 码龄7年 9粉丝 5原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值