CN106326899A - 一种基于高光谱图像和深度学习算法的烟叶分级方法 - Google Patents
一种基于高光谱图像和深度学习算法的烟叶分级方法 Download PDFInfo
- Publication number
- CN106326899A CN106326899A CN201610684806.6A CN201610684806A CN106326899A CN 106326899 A CN106326899 A CN 106326899A CN 201610684806 A CN201610684806 A CN 201610684806A CN 106326899 A CN106326899 A CN 106326899A
- Authority
- CN
- China
- Prior art keywords
- layer
- rbm
- image
- network
- degree
- 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
Classifications
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于高光谱图像和深度学习算法的烟叶分级方法,所述方法包括以下步骤:步骤1、获取待测烟叶样本的高光谱图像数据;高光谱成像系统的硬件平台包括光源、分光模组、面阵CCD侦测器和装有图像采集卡的计算机;利用成像系统进行图像信息采集的时候可同时获得光谱信息,不用分开采集,缩短时间;步骤2、对图像进行高层特征提取,对数据进行降维,本步骤中先利用卷积神经网络进行预处理,然后利用深度信念网络进行特征提取;步骤3、对获取的图像信息和光谱信息进行分类:然后在其顶层添加一个Softmax层,将得到的特征输入softmax回归分类器实现分类。本发明最大限度的做到无损分级、准确的划分烟叶等级,确保收购的各方利益不受损失。
Description
技术领域
本发明涉及一种烟叶分级方法,特别涉及一种基于高光谱图像和深度学习算法的烟叶分级方法。
背景技术
目前,大多数人利用红外或近红外光谱来进行烟叶分级,但是还没有见过利用高光谱图像结合深度学习的方法来进行烟叶分级技术的研究。
在《计算机应用研究》刘建伟等的文献中,我们知道深度学习架构由多层非线性运算单元组成,每个较低层的输出作为更高层的输入,可以从大量输入数据中学习有效的特征表示,学习到的高阶表示中包含输入数据的许多结构信息,是一种从数据中提取表示的好方法,能够用于分类、回归和信息检索等特定问题中。基于这种思想,我们尝试用深度学习方法进行烟叶分级。
深度学习的概念由Hinton等人于2006年提出。在文献《A Fast LearningAlgorithm for Deep Belief Nets》中,基于深度信念网络(DBN),提出非监督贪婪逐层训练算法,为解决深层结构相关的优化难题带来希望。本文就采用这种方法进行特征提取。
同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分,不同的学习框架下建立的学习模型很是不同。深度信念网络(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。
一个典型的深度信念网络就是一个高度复杂的有向无环图,它是由一系列的限制性玻尔兹曼机(RBM)堆叠组成。训练深度信念网络需要通过自下而上的逐层训练这些限制玻尔兹曼机来实现,因为限制玻尔兹曼机可以采用分层对比散度算法进行快速训练,所以通过训练限制玻尔兹曼机可以避免从整体上训练深度信念网络的高度复杂性,简化为逐个训练限制玻尔兹曼机的过程。大量研究证明,深度信念网络可以解决传统反向传播算法训练多层神经网络收敛速度慢,容易陷入局部最优等问题。
发明内容
有鉴于此,本发明的目的是提供一种利用高光谱图像技术,并联合深度学习对烟叶进行智能化、无损分组、分色和分级的方法。
本发明的目的是以下述方式实现的:
一种基于高光谱图像和深度学习算法的烟叶分级方法,所述方法包括以下步骤:
步骤1、获取待测烟叶样本的高光谱图像数据;高光谱成像系统的硬件平台包括光源、分光模组、面阵CCD侦测器和装有图像采集卡的计算机;利用成像系统进行图像信息采集的时候可同时获得光谱信息,不用分开采集,缩短时间;
步骤2、对图像进行高层特征提取,对数据进行降维,本步骤中先利用卷积神经网络进行预处理,然后利用深度信念网络进行特征提取;
步骤3、对获取的图像信息和光谱信息进行分类:然后在其顶层添加一个Softmax层,将得到的特征输入softmax回归分类器实现分类。
所述步骤1中的高光谱图像数据包括图像与光谱。
所述步骤2中利用BP算法对网络进行微调。
所述步骤2具体包括如下步骤:
201、先利用卷积神经网络进行图像分割(2层的神经网络);
202、分割之后,继续利用卷积神经网络进行图像去噪(2层的神经网络);
203、去噪后的图像作为输入,赋给深度信念网的第一个RBM(限制性玻尔兹曼机)的可见层(6层);深度信念网由3个RBM(限制性玻尔兹曼机)组成,每层RBM有1个隐藏层,1个可见层,总共6层,输入层(可见层)的维度为m维,隐藏层维度分别为n1,n2,n3,深度信念网络的训练流程如下:
(a)初次提取特征:训练第一个RBM网络,即用输入层m维和第一个隐藏层n1维构成的RBM网络。输入为原始的输入数据,训练第一个RBM,并得到训练样本在隐藏层的输出值(看作初次提取的特征),以及相应的权值和偏置。
(b)去相关,进行特征筛选:利用步骤(a)中隐藏层的输出值作为第2个RBM网络训练的输入值,用第一个RBM的输出与第二层隐藏层构成输入层为n1维和隐藏层为n2维的RBM网络,但是固定步骤(a)的权值和偏置不变。同步骤(a)中的方法,计算出隐藏层的输出值、权值和偏置。依次类推,用同样的方法训练接下来的第3个RBM网络。第3个RBM的输出作为优化以后的特征。
204、优化:利用BP算法(反向传播算法)对网络参数进行微调,从而使模型收敛到局部最优点,保证最后取到的特征是最优的。
205、优化过后,将最终得到的网络的权值和偏置,赋给从卷积神经网络开始的原始输入数据到深度信念网的最后一个RBM网络构成的网络中,这样便完成了特征的提取过程,深度信念网中最后一个RBM的输出便为最优提取的特征。
所述步骤(a)中对于一个RBM网络,只有输入输出,在训练RBM时,可见单元的个数为原始的输入数据,RBM的训练过程以及权值的更新如下:
(1)随机初始化权值矩阵w和可见层的偏置向量a,隐藏层的偏置向量b;
(2)将原始的输入数据输入到可见层单元,输入矩阵x正向传播,利用公式:
计算出隐藏层单元的二值状态;
(3)在所有隐层单元的状态确定以后,按反方向传播,利用公式:
其中,激活函数计算出可见层矩阵x'的激活概率,x'是可见层的一个重构;
(5)再对x'进行正向传播,根据公式(1)(2)计算出隐藏层的矩阵h'的二值状态、h'的激活概率,h'为隐藏层的一个重构;
(6)用步骤(2)中得到的隐藏层h的激活概率p(h|x)减去步骤(5)中得到h'的激活概率,其结果作为隐藏层h对应的偏置b的增量,用可见层x的激活概率减去x'的激活概率,其结果作为可见层x对应的偏置a,用步骤(2)中得到的正向传播的概率向量减去步骤(5)中得到的反向传播的概率向量,其结果作为输入层和输出层之间的权值增量。每次迭代中,权值的更新和偏置的更新都是同时进行的,所以应该是同时收敛的。结合其对应的学习率,根据公式更新权值和偏置:
Wt=Wt-1+ε(x·p(h|x)-x'·p(h'|x'))
bt=bt-1+ε(x·p(h|x)-x'·p(h'|x'))
at=at-1+ε(x·p(h|x)-x'·p(h'|x'))
其中,ε为学习率;
(7)重复计算步骤(2)到(6),直至收敛或者达到最大迭代次数。如此,便完成了一个RBM的训练。
相对于现有技术,本发明:
1、提出基于深度信念网络的特征提取方法,尝试用深度学习的方法来进行烟叶分级,相对于之前很多人所用的浅层学习的方法有了很大的改进。
2、提出基于图像特征的烟叶智能分级的算法和模型。算法模型致力于提高分组分色分级速度和正确识别率(吻合率)。
3、采用或部分采用深度学习的无监督算法,以提高系统的推广泛化能力。
采用上述技术方案的本发明,能最大限度的做到无损分级、能准确的划分烟叶等级,确保收购的各方利益不受损失。
附图说明
图1为深度信念网的原理框图。
图2为高光谱成像系统通用结构图。
图3为RBM的结构示意图。
图4是一个烟叶等级B1K光谱图像实施例示意图。
具体实施方式
本实施例中,高光谱图像联合深度学习进行烟叶分级的方法,包括以下步骤:
步骤1、实时获取待测烟叶的图像信息和光谱信息。如图2所示,高光谱成像系统的硬件平台包括光源、分光模组、面阵CCD侦测器和装有图像采集卡的计算机;利用成像系统进行图像信息采集的时候可同时获得光谱信息,不用分开采集,缩短时间。本实施例中利用光谱仪完成图像信息采集,存储于计算机,上述的图像信息指的是烟叶为整片烟叶的图像;且采集的烟叶图像既可以同时利用烟叶的透射和反射两种图像,或者也可以仅利用透射图像。需要指出的是,本实施例中可以利用图像采集卡的二次开发功能,实时控制采集的图像信息并存储于计算机,便于实时识别分组(分部位)、分色和分级和再次学习。并且,本实施例中利用高光谱仪进行光谱信息采集,其采集范围可以为200-2500nm或其中任意部分。一个烟叶等级B1K光谱图像示意图如图4所示。
步骤2、对获取的图像信息和光谱信息进行特征提取:(假设使用10层神经网络)
201、先利用卷积神经网络进行图像分割(使用2层的神经网络);
202、分割之后,继续利用卷积神经网络进行图像去噪(使用2层的神经网络);
203、去噪后的图像作为输入,赋给深度信念网的第一个RBM(限制性玻尔兹曼机)的可见层(一共为6层);
深度信念网由3个RBM(限制性玻尔兹曼机)组成,每层RBM有1个隐藏层,1个可见层,总共6层,输入层(可见层)的维度为m维,隐藏层维度分别为n1,n2,n3,深度信念网络的训练流程如下:
(a)初次提取特征:训练第一个RBM网络,(每个RBM的形式如图3所示)即用输入层m维和第一个隐藏层n1维构成的RBM网络。输入为原始的输入数据,训练第一个RBM,并得到训练样本在隐藏层的输出值(看作初次提取的特征),以及相应的权值和偏置。
一个RBM的训练过程如下:
对于一个RBM(限制性玻尔兹曼机)网络,只有输入输出,在训练RBM时,可见单元的个数也就是原始的输入数据的个数,即图像的像素。RBM的训练过程以及权值的更新如下:
(1)随机初始化权值矩阵w和可见层的偏置向量a,隐藏层的偏置向量b。
(2)将原始的输入数据输入到可见层单元,输入矩阵x正向传播,利用公式:
计算出隐藏层单元的二值状态。
(3)在所有隐层单元的状态确定以后,按反方向传播,利用公式:
其中,激活函数计算出可见层矩阵x'的激活概率,x'也是可见层的一个重构。
(5)再对x'进行正向传播,根据公式(1)(2)计算出隐藏层的矩阵h'(隐藏层的一个重构)的二值状态、h'的激活概率。
(6)用步骤(2)中得到的隐藏层h的激活概率p(h|x)减去步骤(5)中得到h'的激活概率,其结果作为隐藏层h对应的偏置b的增量,用可见层x的激活概率减去x'的激活概率,其结果作为可见层x对应的偏置a,用步骤(2)中得到的正向传播的概率向量减去步骤(5)中得到的反向传播的概率向量,其结果作为输入层和输出层之间的权值增量。每次迭代中,权值的更新和偏置的更新都是同时进行的,所以应该是同时收敛的。结合其对应的学习率,根据公式更新权值和偏置:
Wt=Wt-1+ε(x·p(h|x)-x'·p(h'|x'))
bt=bt-1+ε(x·p(h|x)-x'·p(h'|x'))
at=at-1+ε(x·p(h|x)-x'·p(h'|x'))
其中,ε为学习率。
(7)重复计算步骤(2)到(6),直至收敛或者达到最大迭代次数。如此,便完成了一个RBM的训练。
(b)去相关,进行特征筛选:利用步骤(a)中隐藏层的输出值作为第2个RBM网络训练的输入值,用第一个RBM的输出与第二层隐藏层构成输入层为n1维和隐藏层为n2维的RBM网络,但是固定步骤(a)的权值和偏置不变。同步骤(a)中的方法,计算出隐藏层的输出值、权值和偏置。依次类推,用同样的方法训练接下来的第3个RBM网络。第3个RBM的输出作为优化以后的特征。
204、优化:利用BP算法(反向传播算法)对网络参数进行微调,从而使模型收敛到局部最优点,保证最后取到的特征是最优的。
205、优化过后,将最终得到的网络的权值和偏置,赋给从卷积神经网络开始的原始输入数据到深度信念网的最后一个RBM网络构成的网络中,至此,完成了烟叶图像的特征提取过程,深度信念网中最后一个RBM的输出就是烟叶图像中用于分类的最优特征。
步骤3、对获取的图像信息和光谱信息进行分类:特征提取之后,进行分类时,在其顶层添加一个Softmax层,将得到的特征输入到softmax回归分类器来进行分类。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的技术人员来说,在不脱离本发明整体构思前提下,还可以作出若干改变和改进,这些也应该视为本发明的保护范围。
Claims (4)
1.一种基于高光谱图像和深度学习算法的烟叶分级方法,其特征在于:所述方法包括以下步骤:
步骤1、获取待测烟叶样本的高光谱图像数据;高光谱成像系统的硬件平台包括光源、分光模组、面阵CCD侦测器和装有图像采集卡的计算机;利用成像系统进行图像信息采集的时候获得光谱信息;
步骤2、对图像进行高层特征提取,对数据进行降维,本步骤中先利用卷积神经网络进行预处理,然后利用深度信念网络进行特征提取;
步骤3、对获取的图像信息和光谱信息进行分类:特征提取之后,分类时在其顶层添加一个Softmax层,将得到的特征输入softmax回归分类器实现分类。
2.根据权利要求1所述的基于高光谱图像和深度学习算法的烟叶分级方法,其特征在于:所述步骤1中的高光谱图像数据包括图像与光谱。
3.根据权利要求1所述的基于高光谱和深度学习算法的烟叶分级方法,其特征在于:所述步骤2具体包括如下步骤:
201、先利用卷积神经网络进行图像分割;
202、分割之后,继续利用卷积神经网络进行图像去噪;
203、去噪后的图像作为输入,赋给深度信念网的第一个RBM网络的可见层;深度信念网由3个RBM组成,每层RBM有1个隐藏层,1个可见层,总共6层,可见层的维度为m维,隐藏层维度分别为n1,n2,n3,深度信念网络的训练流程如下:
(a)初次提取特征:训练第一个RBM网络,即用输入层m维和第一个隐藏层n1维构成的RBM网络;输入为原始的输入数据,训练第一个RBM,并得到训练样本在隐藏层的输出值以及相应的权值和偏置,隐藏层的输出值作为初次提取的特征;
(b)去相关,进行特征筛选:利用步骤(a)中隐藏层的输出值作为第2个RBM网络训练的输入值,用第一个RBM的输出与第二层隐藏层构成输入层为n1维和隐藏层为n2维的RBM网络,但是固定步骤(a)的权值和偏置不变,同步骤(a)中的方法,计算出隐藏层的输出值、权值和偏置;依次类推,用同样的方法训练接下来的第3个RBM网络,第3个RBM的输出作为优化以后的特征;
204、优化:利用反向传播算法对网络参数进行微调,从而使模型收敛到局部最优点;
205、优化过后,将最终得到的网络的权值和偏置,赋给从卷积神经网络开始的原始输入数据到深度信念网的最后一个RBM网络构成的网络中,这样便完成了特征的提取过程,深度信念网中最后一个RBM的输出便为最优提取的特征。
4.根据权利要求3所述的基于高光谱图像和深度学习算法的烟叶分级方法,其特征在于:所述步骤(a)中对于一个RBM网络,只有输入输出,在训练RBM时,可见单元的个数为原始的输入数据的个数,RBM的训练过程以及权值的更新如下:
(1)随机初始化权值矩阵w和可见层的偏置向量a,隐藏层的偏置向量b;
(2)将原始的输入数据输入到可见层单元,输入矩阵x正向传播,利用公式:
计算出隐藏层单元的二值状态;
(3)在所有隐层单元的状态确定以后,按反方向传播,利用公式:
其中,激活函数计算出可见层矩阵x'的激活概率,x'是可见层的一个重构;
(5)再对x'进行正向传播,根据公式(1)(2)计算出隐藏层的矩阵h'的二值状态、h'的激活概率,h'为隐藏层的一个重构;
(6)用步骤(2)中得到的隐藏层h的激活概率p(h|x)减去步骤(5)中得到h'的激活概率,其结果作为隐藏层h对应的偏置b的增量,用可见层x的激活概率减去x'的激活概率,其结果作为可见层x对应的偏置a,用步骤(2)中得到的正向传播的概率向量减去步骤(5)中得到的反向传播的概率向量,其结果作为输入层和输出层之间的权值增量;每次迭代中,权值的更新和偏置的更新都是同时进行的,所以应该是同时收敛的;结合其对应的学习率,根据公式更新权值和偏置:
Wt=Wt-1+ε(x·p(h|x)-x'·p(h'|x'))
bt=bt-1+ε(x·p(h|x)-x'·p(h'|x'))
at=at-1+ε(x·p(h|x)-x'·p(h'|x'))
其中,ε为学习率;
(7)重复计算步骤(2)到(6),直至收敛或者达到最大迭代次数,如此,便完成了一个RBM的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610684806.6A CN106326899A (zh) | 2016-08-18 | 2016-08-18 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610684806.6A CN106326899A (zh) | 2016-08-18 | 2016-08-18 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106326899A true CN106326899A (zh) | 2017-01-11 |
Family
ID=57743867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610684806.6A Pending CN106326899A (zh) | 2016-08-18 | 2016-08-18 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326899A (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919980A (zh) * | 2017-01-24 | 2017-07-04 | 南京大学 | 一种基于神经节分化的增量式目标识别系统 |
CN107016413A (zh) * | 2017-03-31 | 2017-08-04 | 征图新视(江苏)科技有限公司 | 一种基于深度学习算法的烟叶在线分级方法 |
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107122708A (zh) * | 2017-03-17 | 2017-09-01 | 广东工业大学 | 基于卷积神经网络与超限学习机的高光谱图像分类算法 |
CN107145830A (zh) * | 2017-04-07 | 2017-09-08 | 西安电子科技大学 | 基于空间信息增强和深度信念网络的高光谱图像分类方法 |
CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
CN107679579A (zh) * | 2017-10-17 | 2018-02-09 | 天津工业大学 | 基于深度学习的红枣品质分选方法 |
CN107783840A (zh) * | 2017-10-27 | 2018-03-09 | 福州瑞芯微电子股份有限公司 | 一种分布式多层深度学习资源分配方法和装置 |
CN108304719A (zh) * | 2018-02-05 | 2018-07-20 | 新疆大学 | Android恶意代码分析与检测算法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108427972A (zh) * | 2018-04-24 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
CN108805867A (zh) * | 2018-05-25 | 2018-11-13 | 北京百度网讯科技有限公司 | 用于输出烟叶等级信息的方法和装置 |
CN109118763A (zh) * | 2018-08-28 | 2019-01-01 | 南京大学 | 基于腐蚀去噪深度信念网络的车流量预测方法 |
CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
CN109447891A (zh) * | 2019-01-09 | 2019-03-08 | 北京理工大学 | 一种基于卷积神经网络的光谱成像系统的高质量成像方法 |
CN109580629A (zh) * | 2018-08-24 | 2019-04-05 | 绍兴文理学院 | 曲轴止推片智能检测方法及系统 |
CN110472635A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN110633684A (zh) * | 2019-09-20 | 2019-12-31 | 南京邮电大学 | 一种基于深度学习的烟叶收购定级系统及定级方法 |
CN110807760A (zh) * | 2019-09-16 | 2020-02-18 | 北京农业信息技术研究中心 | 一种烟叶分级方法及系统 |
CN111242228A (zh) * | 2020-01-16 | 2020-06-05 | 武汉轻工大学 | 高光谱图像分类方法、装置、设备及存储介质 |
CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
CN113469233A (zh) * | 2021-06-23 | 2021-10-01 | 临沂大学 | 基于深度学习的烟叶自动定级方法及系统 |
CN113516617A (zh) * | 2021-04-02 | 2021-10-19 | 云南省烟草质量监督检测站 | 一种基于机器视觉和ai深度学习的烤烟等级识别建模方法 |
CN114521664A (zh) * | 2022-01-13 | 2022-05-24 | 浙江大学 | 一种基于多模态图像数据和深度神经网络的自动烟叶分级系统及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
US20140156575A1 (en) * | 2012-11-30 | 2014-06-05 | Nuance Communications, Inc. | Method and Apparatus of Processing Data Using Deep Belief Networks Employing Low-Rank Matrix Factorization |
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN105069468A (zh) * | 2015-07-28 | 2015-11-18 | 西安电子科技大学 | 基于脊波和深度卷积网络的高光谱图像分类方法 |
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
-
2016
- 2016-08-18 CN CN201610684806.6A patent/CN106326899A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
US20140156575A1 (en) * | 2012-11-30 | 2014-06-05 | Nuance Communications, Inc. | Method and Apparatus of Processing Data Using Deep Belief Networks Employing Low-Rank Matrix Factorization |
CN104102929A (zh) * | 2014-07-25 | 2014-10-15 | 哈尔滨工业大学 | 基于深度学习的高光谱遥感数据分类方法 |
CN105069468A (zh) * | 2015-07-28 | 2015-11-18 | 西安电子科技大学 | 基于脊波和深度卷积网络的高光谱图像分类方法 |
CN105320965A (zh) * | 2015-10-23 | 2016-02-10 | 西北工业大学 | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 |
Non-Patent Citations (4)
Title |
---|
李波: "《高维数据的流形学习分析方法》", 31 May 2016, 武汉大学出版社 * |
蔡自兴: "《人工智能及其应用》", 31 July 2016, 清华大学出版社 * |
谢建斌: "《视觉机器学习20讲》", 30 June 2015, 清华大学出版社 * |
陈雯柏: "《人工神经网络原理与实践》", 31 January 2016, 西安电子科技大学出版社 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106919980A (zh) * | 2017-01-24 | 2017-07-04 | 南京大学 | 一种基于神经节分化的增量式目标识别系统 |
CN106919980B (zh) * | 2017-01-24 | 2020-02-07 | 南京大学 | 一种基于神经节分化的增量式目标识别系统 |
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
CN107122708A (zh) * | 2017-03-17 | 2017-09-01 | 广东工业大学 | 基于卷积神经网络与超限学习机的高光谱图像分类算法 |
CN107016413A (zh) * | 2017-03-31 | 2017-08-04 | 征图新视(江苏)科技有限公司 | 一种基于深度学习算法的烟叶在线分级方法 |
CN107016413B (zh) * | 2017-03-31 | 2019-11-26 | 征图新视(江苏)科技股份有限公司 | 一种基于深度学习算法的烟叶在线分级方法 |
CN107145830B (zh) * | 2017-04-07 | 2019-11-01 | 西安电子科技大学 | 基于空间信息增强和深度信念网络的高光谱图像分类方法 |
CN107145830A (zh) * | 2017-04-07 | 2017-09-08 | 西安电子科技大学 | 基于空间信息增强和深度信念网络的高光谱图像分类方法 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107449994A (zh) * | 2017-07-04 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于cnn‑dbn网络的局放故障诊断方法 |
CN107576618B (zh) * | 2017-07-20 | 2020-04-28 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
CN109420622A (zh) * | 2017-08-27 | 2019-03-05 | 南京理工大学 | 基于卷积神经网络的烟叶分拣方法 |
CN107679579A (zh) * | 2017-10-17 | 2018-02-09 | 天津工业大学 | 基于深度学习的红枣品质分选方法 |
CN107783840A (zh) * | 2017-10-27 | 2018-03-09 | 福州瑞芯微电子股份有限公司 | 一种分布式多层深度学习资源分配方法和装置 |
CN107783840B (zh) * | 2017-10-27 | 2020-08-21 | 瑞芯微电子股份有限公司 | 一种分布式多层深度学习资源分配方法和装置 |
CN108304719A (zh) * | 2018-02-05 | 2018-07-20 | 新疆大学 | Android恶意代码分析与检测算法 |
CN108388917A (zh) * | 2018-02-26 | 2018-08-10 | 东北大学 | 一种基于改进深度学习模型的高光谱图像分类方法 |
CN108427972A (zh) * | 2018-04-24 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
CN108427972B (zh) * | 2018-04-24 | 2024-06-07 | 云南佳叶现代农业发展有限公司 | 基于在线学习的烟叶分类方法及其系统 |
CN108805867A (zh) * | 2018-05-25 | 2018-11-13 | 北京百度网讯科技有限公司 | 用于输出烟叶等级信息的方法和装置 |
CN109580629A (zh) * | 2018-08-24 | 2019-04-05 | 绍兴文理学院 | 曲轴止推片智能检测方法及系统 |
CN109118763B (zh) * | 2018-08-28 | 2021-05-18 | 南京大学 | 基于腐蚀去噪深度信念网络的车流量预测方法 |
CN109118763A (zh) * | 2018-08-28 | 2019-01-01 | 南京大学 | 基于腐蚀去噪深度信念网络的车流量预测方法 |
CN109447891A (zh) * | 2019-01-09 | 2019-03-08 | 北京理工大学 | 一种基于卷积神经网络的光谱成像系统的高质量成像方法 |
CN110472635A (zh) * | 2019-07-19 | 2019-11-19 | 西北工业大学 | 基于深度学习的刀具特征识别方法 |
CN110807760A (zh) * | 2019-09-16 | 2020-02-18 | 北京农业信息技术研究中心 | 一种烟叶分级方法及系统 |
CN110633684A (zh) * | 2019-09-20 | 2019-12-31 | 南京邮电大学 | 一种基于深度学习的烟叶收购定级系统及定级方法 |
CN111274860A (zh) * | 2019-11-08 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于机器视觉的在线自动烟叶等级分选的识别方法 |
CN111242228A (zh) * | 2020-01-16 | 2020-06-05 | 武汉轻工大学 | 高光谱图像分类方法、装置、设备及存储介质 |
CN111242228B (zh) * | 2020-01-16 | 2024-02-27 | 武汉轻工大学 | 高光谱图像分类方法、装置、设备及存储介质 |
CN111915580A (zh) * | 2020-07-27 | 2020-11-10 | 深圳市识农智能科技有限公司 | 烟叶分级方法、系统、终端设备及存储介质 |
CN113516617A (zh) * | 2021-04-02 | 2021-10-19 | 云南省烟草质量监督检测站 | 一种基于机器视觉和ai深度学习的烤烟等级识别建模方法 |
CN113469233A (zh) * | 2021-06-23 | 2021-10-01 | 临沂大学 | 基于深度学习的烟叶自动定级方法及系统 |
CN113469233B (zh) * | 2021-06-23 | 2024-05-07 | 临沂大学 | 基于深度学习的烟叶自动定级方法及系统 |
CN114521664A (zh) * | 2022-01-13 | 2022-05-24 | 浙江大学 | 一种基于多模态图像数据和深度神经网络的自动烟叶分级系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326899A (zh) | 一种基于高光谱图像和深度学习算法的烟叶分级方法 | |
Li et al. | Classification of hyperspectral image based on deep belief networks | |
CN104217214B (zh) | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 | |
CN105320965B (zh) | 基于深度卷积神经网络的空谱联合的高光谱图像分类方法 | |
Sinha et al. | Optimization of convolutional neural network parameters for image classification | |
CN106991374A (zh) | 基于卷积神经网络和随机森林的手写数字识别方法 | |
CN106485214A (zh) | 一种基于卷积神经网络的眼睛和嘴部状态识别方法 | |
CN107292256A (zh) | 基于辅任务的深度卷积小波神经网络表情识别方法 | |
CN106504064A (zh) | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 | |
CN109461157A (zh) | 基于多级特征融合及高斯条件随机场的图像语义分割方法 | |
CN108549893A (zh) | 一种任意形状的场景文本端到端识别方法 | |
CN108090447A (zh) | 双分支深层结构下的高光谱图像分类方法及装置 | |
CN106023065A (zh) | 一种基于深度卷积神经网络的张量型高光谱图像光谱-空间降维方法 | |
CN104050507B (zh) | 基于多层神经网络的超光谱图像分类方法 | |
CN107153810A (zh) | 一种基于深度学习的手写体数字识别方法及系统 | |
CN108734719A (zh) | 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法 | |
CN107145830A (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
CN105095833A (zh) | 用于人脸识别的网络构建方法、识别方法及系统 | |
CN104318245A (zh) | 基于稀疏深度网络的极化sar图像分类 | |
CN106529484A (zh) | 基于类指定多核学习的光谱和激光雷达数据联合分类方法 | |
CN112766280A (zh) | 一种基于图卷积的遥感图像道路提取方法 | |
Yang et al. | Down image recognition based on deep convolutional neural network | |
CN106980830A (zh) | 一种基于深度卷积网络自亲缘关系识别方法与装置 | |
CN109285168A (zh) | 一种基于深度学习的sar图像湖泊边界提取方法 | |
CN108268890A (zh) | 一种高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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: 20170111 |
|
RJ01 | Rejection of invention patent application after publication |