CN104091181A - 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 - Google Patents
基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 Download PDFInfo
- Publication number
- CN104091181A CN104091181A CN201410336226.9A CN201410336226A CN104091181A CN 104091181 A CN104091181 A CN 104091181A CN 201410336226 A CN201410336226 A CN 201410336226A CN 104091181 A CN104091181 A CN 104091181A
- Authority
- CN
- China
- Prior art keywords
- training
- image
- layer
- insect
- test pattern
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及基于深度受限玻尔兹曼机的害虫图像自动识别方法,包括:训练过程:对训练图像集的数据进行预处理,对经预处理的训练图像分组构建训练图像立方体,采用受限玻尔兹曼机算法提取每组训练图像的特征,经过反馈调节,得到训练后的训练图像集特征数据;测试过程:输入待识别的测试图像,对测试图像进行预处理,采用受限玻尔兹曼机算法提取测试图像特征,经过反馈调节,得到误差较小的测试图像的特征数据;识别害虫种类,给出预防方法。本发明该公开了一种基于深度受限玻尔兹曼机的害虫图像自动识别系统。本发明提高了害虫识别率与程序的鲁棒性,提升了害虫识别在农业生产中的实际应用价值。
Description
技术领域
本发明涉及智能农业以及模式识别技术领域,尤其是一种基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统。
背景技术
害虫是农作物生长的大敌,在农作物整个生长期内都有发生,可造成农作物的大量减产。现行的害虫分类、识别工作主要依靠少数植保专家和农技人员来完成,然而害虫种类繁多,每一位植保专家穷其所能也只能识别部分害虫。越来越多的迹象表明,对害虫识别需求的增多与害虫识别专家的相对较少的矛盾已日益加剧,自动害虫图像的识别具有非常重要的意义,然而自动害虫图像的识别方法识别率低,鲁棒性较差,只存在实验阶段,寻求一种识别率高、鲁棒性强的害虫识别方法具有非常重要的意义。当今在模式识别领域,基于无监督的深度学习理论成为众多学者研究的热点,受限玻尔兹曼机算法是深度学习一种经典的算法,目前在模式识别领域应用广泛,在人脸识别和物体识别领域取得了非常好的效果。
发明内容
本发明的首要目的在于提供一种能够实现害虫图像的自动识别,且识别率高、鲁棒性强的基于深度受限玻尔兹曼机的害虫图像自动识别方法。
为实现上述目的,本发明采用了以下技术方案:一种基于深度受限玻尔兹曼机的害虫图像自动识别方法,该方法包括下列顺序的步骤:
(1)训练过程:对训练图像集的数据进行预处理,对经预处理的训练图像分组构建训练图像立方体,采用受限玻尔兹曼机算法提取每组训练图像的特征,经过反馈调节,得到训练后的训练图像集特征数据;
(2)测试过程:输入待识别的测试图像,对测试图像进行预处理,采用受限玻尔兹曼机算法提取测试图像特征,经过反馈调节,得到误差较小的测试图像的特征数据;
(3)识别害虫种类,给出预防方法:求出测试图像的特征数据与训练图像集特征数据的相似度,找出相似度最高的类别。
在训练过程中,所述对训练图像集的数据进行预处理包括以下步骤:
(1)统一训练集中的每幅训练图像的大小;
(2)将图像灰度化,并将灰度化后的图像进行灰度均衡化;
(3)使用高斯滤波算法进行去噪平滑处理。
在训练过程中,所述对训练图像分组构建训练图像立方体包括以下步骤:
(1)将训练图像分组;
(2)构建训练图像立方体,以x轴坐标表示一个小组内不同样本的编号,则x轴坐标为:1,2,3,4…100;以y轴坐标表示一个小组中特定一个样本的维度;以z轴坐标表示分组的个数。
所述受限玻尔兹曼机算法表达式为RBM(W,b,c,v0),其中W为RBM层与层之间的链接权值矩阵,b为RBM隐藏层的偏置,c为RBM输入层的编制,v0是RBM训练样本集合中的一个样本;
(1)计算能量函数E(v,h|θ):
其中,v表示可见层的输入数据;θ表示模型参数;vi表示第i个可见层的输入数据;h表示隐含层;hi表示第i个隐含层的贡献;bi、cj分别表示第i层、j层的偏置量;Wij表示可见单元与隐藏单元的连接权值,m、n分别表示隐含层、可见层的层数。
(2)计算得到v和h的概率分布
其中是归一化因子;E(v,h|θ)表示能量函数;v表示可见层的输入数据;h表示隐含层;θ表示模型参数;
(3)对于所有隐藏层的神经节点i,计算层与层之间的映射运算:
其中,bi表示第i可见层的偏置量;Wij表示可见单元与隐藏单元的连接权值,v0j表示第一层可见单位到j层隐含单元输入的数据向量;
(4)对于所有可见层的神经节点j,计算层与层之间的映射运算:
其中,cj表示第i隐含层的偏置量;Wij表示可见单元与隐藏单元的连接权值,h0i表示第一层隐含单位到第i层可见单元输入的数据向量;
(5)对于所有隐藏层的神经节点i,计算层与层之间的映射运算:
bi表示第i可见层的偏置量;Wij表示可见单元与隐藏单元的连接权值,v1j表示第二层可见单位到j层隐含单元输入的数据向量;
(6)最后更新链接权值的偏置参数:
W=W-ε(h0v0'-Q(h1=1|v1)v1')
b=b-ε(h0-Q(h1=1|v1))
c=c-ε(v0-v1)
其中,v0表示第一层可见单元,训练集中一个样本特征向量;v'0表示v0的转置;v1表示第二层可见单元输入的样本的特征向量;v1'表示v1的转置;h0表示第一层隐含层贡献;h1表示第二隐含层贡献;b,c表示偏置量;ε表示调节因子;W表示可见层与隐含层之前的连接权值。
在训练过程中,所述反馈调节最主要的部分为循环调节,采用将自底向上的识别模型和自顶向下的生成模型相结合的方式来进行微调,通过识别模型,得到受限玻尔兹曼机算法对输入样本最初的各个层次上的表示形式,并得到一个深度模型对样本的一个高抽象表示形式;通过生成模型,可以从深度模型的最高抽象表示形式出发,重构深度模型对样本的各个层次的表示,为原来每个层级表示提供了调节目标,通过不断调节重构出误差较低的原样本,进而得到样本的本质特征数据。
在测试过程中,采用手机或者相机拍摄田间的害虫图像来实现输入待识别的测试图像;所述对测试图像进行预处理是指,对测试图像依次经灰度化、灰度均衡化、平滑处理,得到更为标准的测试图像。
在识别时,如果最高相似度阈值大于设定的阈值T,则该害虫属于该类别,如果最高相似度阈值小于T则说明害虫数据库中没有该类别,请求农业专家鉴定害虫种类,将其添加到害虫数据库中。
本发明的另一目的在于提供一种基于深度受限玻尔兹曼机的害虫图像自动识别系统,包括:
训练模块,对训练集害虫图像进行训练,得到训练图像集特征数据;
测试模块,对待识别的测试害虫图像进行测试,得到测试图像的特征数据;
图像识别模块,通过测试图像特征与训练图像特征相似度比较得到害虫的类别,给出预防方法。
所述训练模块包括:
害虫图像训练集,储存训练图像的数据库;
训练图像预处理模块,用于训练图像的预处理,消除光照、噪声对识别结果的影响;
训练图像立方体构建模块,用于对训练样本分组,为有效提取训练特征做准备;
训练图像特征提取模块,通过使用受限玻尔兹曼机算法与反馈调节过程,来提取训练图像的特征。
所述测试模块包括:
测试图像输入模块,输入待识别的害虫图像;
测试图像预处理模块,用于测试图像的预处理,消除光照、噪声对测试图像的影响;
测试图像特征提取模块,通过受限玻尔兹曼机算法与反馈调节过程来提取测试图像的特征。
由上述技术方案可知,本发明与现有技术相比,提高了害虫识别率与程序的鲁棒性,提升了害虫识别在农业生产中的实际应用价值;利用图像预处理,构建训练图像立方体及其深度受限玻尔兹曼机算法等一系列步骤,实现了自动识别害虫的种类,并根据相关的害虫种类给出相应的预防措施。总之,本发明提高了害虫识别的准确率,加强了害虫识别算法鲁棒性,达到了实际应用的水平。
附图说明
图1为本发明的方法流程图;
图2为本发明的系统结构框图。
具体实施方式
一种基于深度受限玻尔兹曼机的害虫图像自动识别方法,该方法包括下列顺序的步骤:(1)训练过程:对训练图像集的数据进行预处理,对经预处理的训练图像分组构建训练图像立方体,采用受限玻尔兹曼机算法提取每组训练图像的特征,经过反馈调节,得到训练后的训练图像集特征数据;(2)测试过程:输入待识别的测试图像,对测试图像进行预处理,采用受限玻尔兹曼机算法提取测试图像特征,经过反馈调节,得到误差较小的测试图像的特征数据;(3)识别害虫种类,给出预防方法:求出测试图像的特征数据与训练图像集特征数据的相似度,找出相似度最高的类别,在识别时,如果最高相似度阈值大于设定的阈值T,则该害虫属于该类别,如果最高相似度阈值小于T则说明害虫数据库中没有该类别,请求农业专家鉴定害虫种类,将其添加到害虫数据库中,T的取值可以为0.7,如图1所示。
以下结合图1对本发明作进一步的说明。
在训练过程中,所述对训练图像集的数据进行预处理包括以下步骤:
(1)统一训练集中的每幅训练图像的大小,比如,100×100;
(2)将图像灰度化,并将灰度化后的图像进行灰度均衡化;
(3)使用高斯滤波算法进行去噪平滑处理。
在训练过程中,所述对训练图像分组构建训练图像立方体包括以下步骤:
(1)将训练图像分组,比如,若共有训练图像5000张,将5000张训练图片分5组进行,每组100张;
(2)构建训练图像立方体,以x轴坐标表示一个小组内不同样本的编号,则x轴坐标为:1,2,3,4…100;以y轴坐标表示一个小组中特定一个样本的维度;以z轴坐标表示分组的个数,比如5个。
所述受限玻尔兹曼机算法表达式为RBM(W,b,c,v0),其中W为RBM层与层之间的链接权值矩阵,b为RBM隐藏层的偏置,c为RBM输入层的编制,v0是RBM训练样本集合中的一个样本;
(1)计算能量函数E(v,h|θ):
其中,v表示可见层的输入数据;θ表示模型参数;vi表示第i个可见层的输入数据;h表示隐含层;hi表示第i个隐含层的贡献;bi、cj分别表示第i层、j层的偏置量;Wij表示可见单元与隐藏单元的连接权值,m、n分别表示隐含层、可见层的层数。
(2)计算得到v和h的概率分布
其中是归一化因子;E(v,h|θ)表示能量函数;v表示可见层的输入数据;h表示隐含层;θ表示模型参数;
(3)对于所有隐藏层的神经节点i,计算层与层之间的映射运算:
其中,bi表示第i可见层的偏置量;Wij表示可见单元与隐藏单元的连接权值,v0j表示第一层可见单位到j层隐含单元输入的数据向量;
(4)对于所有可见层的神经节点j,计算层与层之间的映射运算:
其中,cj表示第i隐含层的偏置量;Wij表示可见单元与隐藏单元的连接权值,h0i表示第一层隐含单位到第i层可见单元输入的数据向量;
(5)对于所有隐藏层的神经节点i,计算层与层之间的映射运算:
bi表示第i可见层的偏置量;Wij表示可见单元与隐藏单元的连接权值,v1j表示第二层可见单位到j层隐含单元输入的数据向量;
(6)最后更新链接权值的偏置参数:
W=W-ε(h0v0'-Q(h1=1|v1)v1')
b=b-ε(h0-Q(h1=1|v1))
c=c-ε(v0-v1)
其中,v0表示第一层可见单元,训练集中一个样本特征向量;v'0表示v0的转置;v1表示第二层可见单元输入的样本的特征向量;v1'表示v1的转置;h0表示第一层隐含层贡献;h1表示第二隐含层贡献;b,c表示偏置量;ε表示调节因子;W表示可见层与隐含层之前的连接权值。
在训练过程中,所述反馈调节最主要的部分为循环调节,采用将自底向上的识别模型和自顶向下的生成模型相结合的方式来进行微调,通过识别模型,得到受限玻尔兹曼机算法对输入样本最初的各个层次上的表示形式,并得到一个深度模型对样本的一个高抽象表示形式;通过生成模型,可以从深度模型的最高抽象表示形式出发,重构深度模型对样本的各个层次的表示,为原来每个层级表示提供了调节目标,通过不断调节重构出误差较低的原样本,进而得到样本的本质特征数据。
在测试过程中,采用手机或者相机拍摄田间的害虫图像来实现输入待识别的测试图像。在测试过程中,所述对测试图像进行预处理是指,对测试图像依次经灰度化、灰度均衡化、平滑处理,得到更为标准的测试图像。测试过程与训练过程类似,采用的算法相同。
如图2所示,本系统包括训练模块1,对训练集害虫图像进行训练,得到训练图像集特征数据;测试模块2,对待识别的测试害虫图像进行测试,得到测试图像的特征数据;图像识别模块3,通过测试图像特征与训练图像特征相似度比较得到害虫的类别,给出预防方法。
所述训练模块1包括:害虫图像训练集,储存训练图像的数据库;训练图像预处理模块,用于训练图像的预处理,消除光照、噪声对识别结果的影响;训练图像立方体构建模块,用于对训练样本分组,为有效提取训练特征做准备;训练图像特征提取模块,通过使用受限玻尔兹曼机算法与反馈调节过程,来提取训练图像的特征。
所述测试模块2包括:测试图像输入模块,输入待识别的害虫图像;测试图像预处理模块,用于测试图像的预处理,消除光照、噪声对测试图像的影响;测试图像特征提取模块,通过受限玻尔兹曼机算法与反馈调节过程来提取测试图像的特征。
综上所述,本发明与现有技术相比,提高了害虫识别率与程序的鲁棒性,提升了害虫识别在农业生产中的实际应用价值;利用图像预处理,构建训练图像立方体及其深度受限玻尔兹曼机算法等一系列步骤,实现了自动识别害虫的种类,并根据相关的害虫种类给出相应的预防措施。总之,本发明提高了害虫识别的准确率,加强了害虫识别算法鲁棒性,达到了实际应用的水平。
Claims (10)
1.一种基于深度受限玻尔兹曼机的害虫图像自动识别方法,该方法包括下列顺序的步骤:
(1)训练过程:对训练图像集的数据进行预处理,对经预处理的训练图像分组构建训练图像立方体,采用受限玻尔兹曼机算法提取每组训练图像的特征,经过反馈调节,得到训练后的训练图像集特征数据;
(2)测试过程:输入待识别的测试图像,对测试图像进行预处理,采用受限玻尔兹曼机算法提取测试图像特征,经过反馈调节,得到误差较小的测试图像的特征数据;
(3)识别害虫种类,给出预防方法:求出测试图像的特征数据与训练图像集特征数据的相似度,找出相似度最高的类别。
2.根据权利要求1所述的基于深度受限玻尔兹曼机的害虫图像自动识别方法,其特征在于:在训练过程中,所述对训练图像集的数据进行预处理包括以下步骤:
(1)统一训练集中的每幅训练图像的大小;
(2)将图像灰度化,并将灰度化后的图像进行灰度均衡化;
(3)使用高斯滤波算法进行去噪平滑处理。
3.根据权利要求1所述的基于深度受限玻尔兹曼机的害虫图像自动识别方法,其特征在于:在训练过程中,所述对训练图像分组构建训练图像立方体包括以下步骤:
(1)将训练图像分组;
(2)构建训练图像立方体,以x轴坐标表示一个小组内不同样本的编号,则x轴坐标为:1,2,3,4…100;以y轴坐标表示一个小组中特定一个样本的维度;以z轴坐标表示分组的个数。
4.根据权利要求1所述的基于深度受限玻尔兹曼机的害虫图像自动识别方法,其特征在于:所述受限玻尔兹曼机算法表达式为RBM(W,b,c,v0),其中W为RBM层与层之间的链接权值矩阵,b为RBM隐藏层的偏置,c为RBM输入层的编制,v0是RBM训练样本集合中的一个样本;
(1)计算能量函数E(v,h|θ):
其中,v表示可见层的输入数据;θ表示模型参数;vi表示第i个可见层的输入数据;h表示隐含层;hi表示第i个隐含层的贡献;bi、cj分别表示第i层、j层的偏置量;Wij表示可见单元与隐藏单元的连接权值,m、n分别表示隐含层、可见层的层数。
(2)计算得到v和h的概率分布
其中是归一化因子;E(v,h|θ)表示能量函数;v表示可见层的输入数据;h表示隐含层;θ表示模型参数;
(3)对于所有隐藏层的神经节点i,计算层与层之间的映射运算:
其中,bi表示第i可见层的偏置量;Wij表示可见单元与隐藏单元的连接权值,v0j表示第一层可见单位到j层隐含单元输入的数据向量;
(4)对于所有可见层的神经节点j,计算层与层之间的映射运算:
其中,cj表示第i隐含层的偏置量;Wij表示可见单元与隐藏单元的连接权值,h0i表示第一层隐含单位到第i层可见单元输入的数据向量;
(5)对于所有隐藏层的神经节点i,计算层与层之间的映射运算:
bi表示第i可见层的偏置量;Wij表示可见单元与隐藏单元的连接权值,v1j表示第二层可见单位到j层隐含单元输入的数据向量;
(6)最后更新链接权值的偏置参数:
W=W-ε(h0v0'-Q(h1=1|v1)v1')
b=b-ε(h0-Q(h1=1|v1))
c=c-ε(v0-v1)
其中,v0表示第一层可见单元,训练集中一个样本特征向量;v'0表示v0的转置;v1表示第二层可见单元输入的样本的特征向量;v1'表示v1的转置;h0表示第一层隐含层贡献;h1表示第二隐含层贡献;b,c表示偏置量;ε表示调节因子;W表示可见层与隐含层之前的连接权值。
5.根据权利要求1所述的基于深度受限玻尔兹曼机的害虫图像自动识别方法,其特征在于:在训练过程中,所述反馈调节最主要的部分为循环调节,采用将自底向上的识别模型和自顶向下的生成模型相结合的方式来进行微调,通过识别模型,得到受限玻尔兹曼机算法对输入样本最初的各个层次上的表示形式,并得到一个深度模型对样本的一个高抽象表示形式;通过生成模型,可以从深度模型的最高抽象表示形式出发,重构深度模型对样本的各个层次的表示,为原来每个层级表示提供了调节目标,通过不断调节重构出误差较低的原样本,进而得到样本的本质特征数据。
6.根据权利要求1所述的基于深度受限玻尔兹曼机的害虫图像自动识别方法,其特征在于:在测试过程中,采用手机或者相机拍摄田间的害虫图像来实现输入待识别的测试图像;所述对测试图像进行预处理是指,对测试图像依次经灰度化、灰度均衡化、平滑处理,得到更为标准的测试图像。
7.根据权利要求1所述的基于深度受限玻尔兹曼机的害虫图像自动识别方法,其特征在于:在识别时,如果最高相似度阈值大于设定的阈值T,则该害虫属于该类别,如果最高相似度阈值小于T则说明害虫数据库中没有该类别,请求农业专家鉴定害虫种类,将其添加到害虫数据库中。
8.实现权利要求1至7中任一项所述基于深度受限玻尔兹曼机的害虫图像自动识别方法的系统,其特征在于:包括:
训练模块,对训练集害虫图像进行训练,得到训练图像集特征数据;
测试模块,对待识别的测试害虫图像进行测试,得到测试图像的特征数据;
图像识别模块,通过测试图像特征与训练图像特征相似度比较得到害虫的类别,给出预防方法。
9.根据权利要求8所述的系统,其特征在于:所述训练模块包括:
害虫图像训练集,储存训练图像的数据库;
训练图像预处理模块,用于训练图像的预处理,消除光照、噪声对识别结果的影响;
训练图像立方体构建模块,用于对训练样本分组,为有效提取训练特征做准备;
训练图像特征提取模块,通过使用受限玻尔兹曼机算法与反馈调节过程,来提取训练图像的特征。
10.根据权利要求8所述的系统,其特征在于:所述测试模块包括:
测试图像输入模块,输入待识别的害虫图像;
测试图像预处理模块,用于测试图像的预处理,消除光照、噪声对测试图像的影响;
测试图像特征提取模块,通过受限玻尔兹曼机算法与反馈调节过程来提取测试图像的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410336226.9A CN104091181A (zh) | 2014-07-15 | 2014-07-15 | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410336226.9A CN104091181A (zh) | 2014-07-15 | 2014-07-15 | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104091181A true CN104091181A (zh) | 2014-10-08 |
Family
ID=51638896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410336226.9A Pending CN104091181A (zh) | 2014-07-15 | 2014-07-15 | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091181A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN106651881A (zh) * | 2016-12-28 | 2017-05-10 | 同方威视技术股份有限公司 | 车辆检查系统、车辆部位识别方法及系统 |
CN107454313A (zh) * | 2017-06-19 | 2017-12-08 | 中国烟草总公司广东省公司 | 农用智能装置的拍照方法及拍照系统 |
CN107528824A (zh) * | 2017-07-03 | 2017-12-29 | 中山大学 | 一种基于二维度稀疏化的深度信念网络入侵检测方法 |
CN107545548A (zh) * | 2017-07-05 | 2018-01-05 | 河南师范大学 | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 |
CN108287914A (zh) * | 2018-02-09 | 2018-07-17 | 辽宁工程技术大学 | 一种基于卷积神经网络的果树病害识别与防治方法 |
CN109816030A (zh) * | 2019-01-30 | 2019-05-28 | 河南科技大学 | 一种基于受限玻尔兹曼机的图像分类方法及装置 |
CN107644413B (zh) * | 2017-08-25 | 2019-11-01 | 西安电子科技大学 | 基于邻域比值和自步学习的sar图像变化区域检测方法 |
CN111291634A (zh) * | 2020-01-17 | 2020-06-16 | 西北工业大学 | 基于卷积受限玻尔兹曼机的无人机图像目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8229221B2 (en) * | 2009-08-04 | 2012-07-24 | Microsoft Corporation | Image processing using masked restricted boltzmann machines |
CN103778432A (zh) * | 2014-01-08 | 2014-05-07 | 南京邮电大学 | 一种基于深信度网络的人车分类方法 |
CN103793718A (zh) * | 2013-12-11 | 2014-05-14 | 台州学院 | 一种基于深度学习的人脸表情识别方法 |
-
2014
- 2014-07-15 CN CN201410336226.9A patent/CN104091181A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8229221B2 (en) * | 2009-08-04 | 2012-07-24 | Microsoft Corporation | Image processing using masked restricted boltzmann machines |
CN103793718A (zh) * | 2013-12-11 | 2014-05-14 | 台州学院 | 一种基于深度学习的人脸表情识别方法 |
CN103778432A (zh) * | 2014-01-08 | 2014-05-07 | 南京邮电大学 | 一种基于深信度网络的人车分类方法 |
Non-Patent Citations (2)
Title |
---|
杨淑莹: "《VC++图像处理程序设计》", 1 November 2003, 北京交通大学出版社 * |
王宪宝等: "基于深度学习的太阳能电池片表面缺陷检测方法", 《模式识别与人工智能》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616033A (zh) * | 2015-02-13 | 2015-05-13 | 重庆大学 | 基于深度学习和支持向量机的滚动轴承故障诊断方法 |
CN106651881A (zh) * | 2016-12-28 | 2017-05-10 | 同方威视技术股份有限公司 | 车辆检查系统、车辆部位识别方法及系统 |
CN106651881B (zh) * | 2016-12-28 | 2023-04-28 | 同方威视技术股份有限公司 | 车辆检查系统、车辆部位识别方法及系统 |
CN107454313A (zh) * | 2017-06-19 | 2017-12-08 | 中国烟草总公司广东省公司 | 农用智能装置的拍照方法及拍照系统 |
CN107528824A (zh) * | 2017-07-03 | 2017-12-29 | 中山大学 | 一种基于二维度稀疏化的深度信念网络入侵检测方法 |
CN107528824B (zh) * | 2017-07-03 | 2020-08-04 | 中山大学 | 一种基于二维度稀疏化的深度信念网络入侵检测方法 |
CN107545548A (zh) * | 2017-07-05 | 2018-01-05 | 河南师范大学 | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 |
CN107644413B (zh) * | 2017-08-25 | 2019-11-01 | 西安电子科技大学 | 基于邻域比值和自步学习的sar图像变化区域检测方法 |
CN108287914A (zh) * | 2018-02-09 | 2018-07-17 | 辽宁工程技术大学 | 一种基于卷积神经网络的果树病害识别与防治方法 |
CN109816030A (zh) * | 2019-01-30 | 2019-05-28 | 河南科技大学 | 一种基于受限玻尔兹曼机的图像分类方法及装置 |
CN111291634A (zh) * | 2020-01-17 | 2020-06-16 | 西北工业大学 | 基于卷积受限玻尔兹曼机的无人机图像目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091181A (zh) | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及系统 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
Yao et al. | Application of convolutional neural network in classification of high resolution agricultural remote sensing images | |
CN106845401B (zh) | 一种基于多空间卷积神经网络的害虫图像识别方法 | |
CN102819745B (zh) | 一种基于AdaBoost的高光谱遥感影像分类方法 | |
CN102495919B (zh) | 一种生态系统碳交换影响因素提取方法及系统 | |
CN104035996B (zh) | 基于Deep Learning的领域概念抽取方法 | |
CN103955702A (zh) | 基于深度rbf网络的sar图像地物分类方法 | |
CN109241995B (zh) | 一种基于改进型ArcFace损失函数的图像识别方法 | |
CN102201236A (zh) | 一种高斯混合模型和量子神经网络联合的说话人识别方法 | |
CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
CN104298999B (zh) | 基于递归自动编码的高光谱特征学习方法 | |
CN101799875B (zh) | 一种目标检测方法 | |
CN103400160B (zh) | 一种零训练样本行为识别方法 | |
Zhao et al. | A detection method for tomato fruit common physiological diseases based on YOLOv2 | |
CN101833667A (zh) | 一种基于分组稀疏表示的模式识别分类方法 | |
CN110363230A (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
CN108960342A (zh) | 基于改进SoftMax损失函数的图像相似度计算方法 | |
CN113269182A (zh) | 一种基于变体transformer对小区域敏感的目标果实检测方法及系统 | |
CN116883364A (zh) | 一种基于CNN和Transformer的苹果叶片病害识别方法 | |
Hema et al. | Plant disease prediction using convolutional neural network | |
CN107516069A (zh) | 基于几何重构和多尺度分析的目标识别方法 | |
CN104077610B (zh) | 二维非线性投影特征的sar图像目标识别的方法 | |
CN103617417A (zh) | 植物自动识别方法和系统 | |
Karennagari et al. | Infection Segmentation of Leaves Using Deep Learning techniques to enhance crop productivity in smart agriculture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141008 |
|
RJ01 | Rejection of invention patent application after publication |