CN106485251B - 基于深度学习的鸡蛋胚胎分类 - Google Patents

基于深度学习的鸡蛋胚胎分类 Download PDF

Info

Publication number
CN106485251B
CN106485251B CN201610881723.6A CN201610881723A CN106485251B CN 106485251 B CN106485251 B CN 106485251B CN 201610881723 A CN201610881723 A CN 201610881723A CN 106485251 B CN106485251 B CN 106485251B
Authority
CN
China
Prior art keywords
image
embryo
layer
network
learning rate
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
Application number
CN201610881723.6A
Other languages
English (en)
Other versions
CN106485251A (zh
Inventor
耿磊
颜廷玉
肖志涛
张芳
吴骏
刘华松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201610881723.6A priority Critical patent/CN106485251B/zh
Publication of CN106485251A publication Critical patent/CN106485251A/zh
Application granted granted Critical
Publication of CN106485251B publication Critical patent/CN106485251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明提供了一种基于深度学习的鸡蛋胚胎分类方法，该方法包括：采集5日胚胎图像并按照正常胚、中止胚、无精胚分为三类样本；对胚胎图像预处理，提取图像的ROI区域并将图像大小归一化；结合迁移学习方法，使用AlexNet经典网络在ImageNet预训练的CNN模型，对目标集进行微调训练；利用训练好的模型对待测图像进行判别。与现有技术相比，本发明可以成功解决CNN模型在小规模鸡蛋胚胎数据集上的多分类问题，具有很高的准确性，可以满足鸡蛋胚胎成活性检测与分类的工程要求。

Description

基于深度学习的鸡蛋胚胎分类
技术领域
本发明涉及图像处理、深度学习以及卷积神经网络，特别涉及胚胎分类方法。
背景技术
目前在工程中，鸡胚的成活性检测与分类大多采用传统人工照蛋检测，通过人眼判断鸡蛋胚胎血管来检测鸡蛋胚胎的成活性，但人眼检活的方法易受主观因素干扰，并且存在视觉易疲劳，检测效率低等缺点，容易出现误检与漏检，难以满足现代胚胎检测与分类产业的高标准要求，因此，鸡蛋胚胎分类检测技术得到了广泛的研究。
利用机器视觉技术对鸡蛋胚胎进行成活性检测以及分类的研究比较多，机器视觉技术代替传统的人工检活，运用图像处理的具体算法对胚胎图像进行精细的数字化分析与处理，避免了传统人工检活的疲劳以及主观因素干扰等缺点，但是这种方法图像处理的过程太过繁琐且准确率不太高。
综上所述，目前迫切需要提出一种简洁且准确率高的鸡蛋胚胎分类方法。
发明内容
有鉴于此，本发明的主要目的在于实现鸡蛋胚胎分类，要求简洁且准确率高。
为达到上述目的，按照本发明的第一个方面，提供了一种基于深度学习的鸡蛋胚胎分类方法，该方法包括：
(1)采集5日胚胎图像并按照正常胚、中止胚、无精胚分为三类样本；
(2)对胚胎图像预处理，提取图像的ROI区域并将图像大小归一化；
(3)结合迁移学习的方法进行训练，使用AlexNet经典网络针对ImageNet数据集预训练的模型，对目标集进行微调；
(4)利用训练好的模型对待测图像进行判别，并通过特征可视化观察每一层特征学习的变化。
所述步骤(2)进一步包括：
二值化处理步骤，选取阈值20对图像进行二值化处理；
提取ROI区域处理步骤，从二值图像中检索轮廓，遍历轮廓中的每个点，提取 图像的ROI区域；
归一化处理步骤，对提取的ROI区域归一化处理，将图像归一化到227*227大小，以便于作为后续CNN网络的输入。
所述步骤(3)中迁移学习的方法，使用该方法训练的步骤进一步包括：
利用Alexnet经典网络，将在Image数据集上预训练得到的模型bvlc reference_caffenet应用在鸡蛋胚胎分类任务中，该模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，还用到了局部响应归一化层LRN以及防止过拟合的dropout层。
所述5个卷积层参数设计的具体步骤进一步包括：
每个卷积层设置不同大小的卷积核与输入特征图之间局部连接，卷积核的大小分别为11*11、5*5、3*3、3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一卷积层步长分别为4、1、1、1、1，卷积层分别采用″gaussian″和″constant″初始化权重和偏置。
所述卷积层参数计算步骤进一步包括：
卷积层的计算公式如下所示：
所述池化层采取的池化方式为最大值池化，池化尺寸均为3*3，步长为2。最大值池化参数计算的表达式如下式所示
所述全连接层的参数设计步骤进一步包括：
Alexnet网络三个全连接层输出神经元数分别为4096、4096、1000，其中Alexnet中神经元数为1000的是输出softmax的类别数，利用预训练模型进行微调时，需将该全连接层的输出个数改为目标集的类别数3。
所述relu函数的表达形式如下：
f(x)＝max(0，x)
对relu函数优化后的Prelu函数的表达式为：
所述局部响应归一化层LRN的具体实现步骤包括：
局部响应归一化层LRN实现一种“临近抑制”操作，对局部输入区域进行归一化；在ACROSS_CHANNELS模式下，局部区域沿着临近通道延伸。在WITHIN_CHANNEL模式下，局部区域在各自通道内部的图像平面上延伸；LRN层可以提高网络的泛化能力，LRN具体的实现如下式：
所述dropout层的具体实现步骤包括：
阻止网络过拟合的dropout层在模型进行训练时，按一定的概率随机的屏蔽掉网络的部分神经元，让这些神经元不工作，相对应的权重也不会更新传递，但是该权重可以保留下来用于下次训练；随机屏蔽掉网络的部分神经元，避免某些特征只在固定组合下才生效，破坏了固定组合的相关性，有意识地让网络去学习一些普遍的共性，从而提高了模型的泛化能力，阻止网络过拟合；训练时，通常设定一个dropout ratio＝p，即每一个输出节点以概率p置0，本文设置为0.25。
所述设置dropout层输出节点置零参数p的步骤进一步包括：
计算dropout层输出节点置零参数p表达式为：
所述训练模型学习参数的实现步骤如下：
CNN的训练过程包括前向传播与反向传播两个过程，利用梯度下降法对权重和偏置进行更新，公式如下：
所述采用caffee框架调整学习率的步骤进一步包括：
caffe框架中提供了多种学习率下降的方法，常用的学习率调整策略有：fixed、step、inv等，本文选用inv方式调整学习率，表达式如下：
lr＝base_lr*(1+gamma*iter)^(power)
所述第四步骤中利用训练好的模型对待测图像进行判别的进一步包括：
直接使用ImageNet数据集已经训练好的模型bvlc reference caffenetcaffemodel进行微调，然后对训练集继续训练。最后得到针对于自己数据的模型，该模型对采集到的特征作可视化处理，最终正确率达到99％。
所述的方法的特征可视化包括：
通过卷积层特征图的输出、全连接层输出值与直方图分布以及最后一层′prob′输出更直观的观察卷积神经网络训练目标集各层的特征学习的变化。卷积一层的输出，有一些简单的边缘轮廓信息；卷积二层的输出，是一些相对清晰的特征；后面的卷积五层的输出，就是更加细节的特征，到了全连接层可以观察到输出值及直方图分布，全连接层前后相连，越往后神经元的输出响应值越不会均匀分布化，而是通过神经元间的竞争决定输出值，最后一层产生的峰值即为优胜的神经元，这个神经元对应的索引决定了对象属于哪一类。
与现有的胚胎分类方法相比，本发明可以成功解决CNN模型在小规模鸡蛋胚胎数据集上的多分类问题，具有很高的准确性，可以满足鸡蛋胚胎成活性检测与分类的工程要求。
附图说明
图1示出了按照本发明的基于深度学习的鸡蛋胚胎分类方法的流程图。
图2示出了按照本发明的第三步骤的网络结构示意图。
图3示出了按照本发明的基于深度学习的训练流程的框架图。
图4示出了按照本发明的基于深度学习的特征可视化示意图。(a)为第一个卷积层滤波器conv1，(b)为第一卷积层conv1输出特征图，(c)为第二卷积层conv2输出特征图，(d)为第五卷积层conv5输出特征图，(e)为全连接层fc6输出值与直方图分布，(f)为全连接层fc7输出值与直方图分布，(g)为‘prob’输出。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的基于深度学习的鸡蛋胚胎分类方法的流程图。按照 本发明的基于深度学习的鸡蛋胚胎分类方法包括：
(1)采集5日胚胎图像并按照正常胚、中止胚、无精胚分为三类样本；
(2)对胚胎图像预处理，提取图像的ROI区域并将图像大小归一化；
(3)结合迁移学习的方法进行训练，使用AlexNet经典网络针对ImageNet预训练的模型，对目标集进行微调；
(4)利用训练好的模型对待测图像进行判别，并通过特征可视化观察每一层特征学习的变化。
所述步骤(2)进一步包括：
二值化处理步骤，选取阈值20对图像进行二值化处理；
提取ROI区域处理步骤，从二值图像中检索轮廓，遍历轮廓中的每个点，提取图像的ROI区域；
归一化处理步骤，对提取的ROI区域归一化处理，将图像归一化到227*227大小，以便于作为后续CNN网络的输入。
图2示出了按照本发明的网络结构示意图，所述步骤(3)中迁移学习的方法，使用该方法训练的步骤进一步包括：
利用Alexnet经典网络，将在Image数据集上预训练得到的模型bvlc_reference_caffenet应用在鸡蛋胚胎分类任务中，该模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，还用到了局部响应归一化层LRN以及防止过拟合的dropout层。
所述5个卷积层参数设计的具体步骤进一步包括：
每个卷积层设置不同大小的卷积核与输入特征图之间局部连接，卷积核的大小分别为11*11、5*5、3*3、3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一卷积层步长分别为4、1、1、1、1，卷积层分别采用″gaussian″和″constant″初始化权重和偏置。
所述卷积层参数计算步骤进一步包括：
卷积层的计算公式如下所示：
其中，表示第1卷积层的第j个feature map，f(.)表示激活函数。表示输入featuremap的集合，k表示卷积核，b表示偏置项。
池化层采取的池化方式为最大值池化，池化尺寸均为3*3，步长为2。
所述最大值池化参数计算步骤进一步包括：
池化层的一般表达形式如下式所示：
其中，down表示降采样函数，表示权重系数。
所述全连接层的参数设计步骤进一步包括：
Alexnet网络三个全连接层输出神经元数分别为4096、4096、1000，其中Alexnet中神经元数为1000的是输出softmax的类别数，利用预训练模型进行微调时，需将该全连接层的输出个数改为目标集的类别数3。
所述relu函数的设计步骤进一步包括：
Relu非线性激活函数，其表达形式如下：
f(x)＝max(0，x)
Relu函数具有单侧抑制、相对宽阔的兴奋边界等优点，更符合生物学的稀疏激活性特点。但是传统Relu激活函数也有缺点，在学习率较大的情况下，容易使一些梯度较大的神经元得不到激活，为满足设计需要将Alexnet模型中的Relu函数改为更优化的PRelu函数，PRelu的表达形式如下所示
PRelu相比较于Relu，修正了数据分布，保留了负值，使负值不会完全丢失。PRelu像更新权重weights一样使用反向传播算法更新一个额外的参数a，但是相较于权重的数量来说，PRelu需要更新的参数总数可以忽略不计，所以不会加重overfitting的影响。
所述局部响应归一化层LRN的具体实现步骤包括：
局部响应归一化层LRN实现一种“临近抑制”操作，对局部输入区域进行归一化；在ACROSS_CHANNELS模式下，局部区域沿着临近通道延伸。在WITHIN_CHANNEL模式下，局部区域在各自通道内部的图像平面上延伸；LRN层可以提高网络的泛化能力，LRN具体的实现如下式：
其中，表示作用于(x，y)处的第i个卷积核的激活值。为尺度参数，为指数参数。
所述dropout层的具体实现步骤包括：
阻止网络过拟合的dropout层在模型进行训练时，按一定的概率随机的屏蔽掉网络的部分神经元，让这些神经元不工作，相对应的权重也不会更新传递，但是该权重可以保留下来用于下次训练；随机屏蔽掉网络的部分神经元，避免某些特征只在固定组合下才生效，破坏了固定组合的相关性，有意识地让网络去学习一些普遍的共性，从而提高了模型的泛化能力，阻止网络过拟合；训练时，通常设定一个dropout ratio＝p，即每一个输出节点以概率p置0，本文设置为0.25。
设置dropout层输出节点置零参数p的步骤进一步包括：
计算dropout层输出节点置零参数p表达式为：
其中U为Bernoulli随机数，p代表dropout ratio。
图3示出了按照本发明的基于深度学习的训练流程的框架图，所述训练模型学习参数的实现步骤如下：
CNN的训练过程包括前向传播与反向传播两个过程，利用梯度下降法对权重和偏置进行更新，公式如下：
其中，J(w，b)为单个样本的代价函数，α为学习速率，学习率的调整，关系到权值与偏置的更新范围，采用caffe框架调整学习率以适应训练模型。
采用caffe框架调整学习率的步骤进一步包括：
caffe框架中提供了多种学习率下降的方法，常用的学习率调整策略(lr_policy)有：fixed、step、inv等，本文选用inv方式调整学习率，表达式如 下：
lr＝base_lr*(1+gamma*iter)^(power)
其中，base_lr为基础学习率，gamma为学习速率变化因子，iter为迭代次数。
所述第四步骤中利用训练好的模型对待测图像进行判别的进一步包括：
直接使用ImageNet数据集已经训练好的模型bvlc_reference_caffenet.caffemodel进行微调，然后对训练集继续训练。最后得到针对于自己数据的模型，该模型对采集到的特征作可视化处理，最终正确率达到99％。
图4示出了按照本发明的基于深度学习的特征可视化示意图，特征可视化进一步包括：对各中间输出层进行特征可视化，通过卷积层特征图的输出、全连接层输出值与直方图分布以及最后一层′prob′输出更直观的观察卷积神经网络训练目标集各层的特征学习的变化。图(a)为第一个卷积层滤波器。图(b)为卷积一层的输出特征图，有一些简单的边缘轮廓信息；图(c)为卷积二层的输出，是一些相对清晰的特征；后面图(d)为卷积五层的输出，就是更加细节的特征，到了全连接层，图(e)为fc6层的输出值及直方图分布，图(f)为fc7层的输出值及直方图分布。在fc6层，大多数神经元的输出响应值在30以下，而在fc7层则在9以下。从直方图可以看出，fc6层直方图斜率的绝对值要比fc7层要小，这说明了全连接层前后相连，越往后神经元的输出响应值越不会均匀分布化，而是通过神经元间的竞争决定输出值。最后一层产生的峰值即为优胜的神经元，这个神经元对应的索引决定了对象属于哪一类。从图(g)‘prob’输出图可以看出，该类别属于标签为1的类别。
与现有的胚胎分类方法相比，本发明可以成功解决CNN模型在小规模鸡蛋胚胎数据集上的多分类问题，具有很高的准确性，可以满足鸡蛋胚胎成活性检测与分类的工程要求。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (4)

1.一种基于深度学习的鸡蛋胚胎分类方法，其特征在于，该方法包括：
(1)采集5日胚胎图像并按照正常胚、中止胚、无精胚的分类方式将胚胎样本分为三类；
(2)对胚胎图像预处理，提取图像的ROI区域并将图像大小归一化，得到5日胚胎数据集；
(3)使用AlexNet网络在ImageNet大数据集上训练得到的模型bvlc_reference_caffenet.caffemodel进行参数迁移，初始化网络的权重，并对5日胚胎数据集进行训练得到网络模型；所述参数迁移包括：利用AlexNet网络，将在ImageNet大数据集上训练得到的模型bvlc_reference_caffenet.caffemodel应用在鸡蛋胚胎分类任务中，所述模型由5个卷积层、3个最大池化层和3个全连接层组成；激活函数采用relu函数，还用到了局部响应归一化层LRN以及防止过拟合的dropout层；
(4)根据所述对5日胚胎数据集进行训练得到的网络模型对待测图像进行判别，并通过特征可视化观察所有的卷积层和全连接层的特征变化。
2.如权利要求1所述的一种基于深度学习的鸡蛋胚胎分类方法，其特征在于，所述步骤(2)还包括：二值化处理，选取阈值20对图像进行二值化处理；然后从二值图像中检索轮廓，遍历轮廓中的每个点，提取图像的ROI区域；对提取的ROI区域归一化处理，将图像归一化到227*227大小，以便于作为后续CNN网络的输入。
3.如权利要求1所述的一种基于深度学习的鸡蛋胚胎分类方法，其特征在于，所述步骤(3)中，卷积层与全连接层参数设计中，卷积层采用AlexNet网络中的卷积参数设计，卷积核的大小分别为11*11、5*5、3*3、3*3、3*3，输出特征图的个数分别为96、256、384、384、256，每一卷积层步长分别为4、1、1、1、1，卷积层分别采用gaussian和constant初始化权重和偏置；AlexNet网络三个全连接层输出神经元数分别为4096、4096、1000，其中AlexNet网络中最后一个全连接层神经元数为1000的是输出softmax的类别数，利用预训练模型进行微调时，需将该全连接层的名称改为fc8_flickr，输出个数改为目标集的类别数3。
4.如权利要求1所述的一种基于深度学习的鸡蛋胚胎分类方法，其特征在于，所述步骤(3)中，训练模型学习参数的设计步骤如下：CNN的训练过程包括前向传播与反向传播两个过程，利用梯度下降法对权重和偏置进行更新，采用inv方式调整学习率，表达式如下：
lr＝base_lr*(1+gamma*iter)^(power)
其中，base_lr为基础学习率，gamma为学习速率变化因子，iter为迭代次数；对于卷积层的局部学习率调整，所有卷积层的卷积核的局部学习率和权重衰减因子设置为1，即与全局学习率保持一致；偏置项的局部学习率为全局偏置学习率的2倍，权重衰减因子为0，使网络再每一层的参数传递中保持一个稳定的学习速率。
CN201610881723.6A 2016-10-08 2016-10-08 基于深度学习的鸡蛋胚胎分类 Active CN106485251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610881723.6A CN106485251B (zh) 2016-10-08 2016-10-08 基于深度学习的鸡蛋胚胎分类

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610881723.6A CN106485251B (zh) 2016-10-08 2016-10-08 基于深度学习的鸡蛋胚胎分类

Publications (2)

Publication Number Publication Date
CN106485251A CN106485251A (zh) 2017-03-08
CN106485251B true CN106485251B (zh) 2019-12-24

Family

ID=58269171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610881723.6A Active CN106485251B (zh) 2016-10-08 2016-10-08 基于深度学习的鸡蛋胚胎分类

Country Status (1)

Country Link
CN (1) CN106485251B (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106919710A (zh) * 2017-03-13 2017-07-04 东南大学 一种基于卷积神经网络的方言分类方法
CN108629360A (zh) * 2017-03-23 2018-10-09 天津工业大学 一种基于深度学习的针织物基本组织结构自动识别方法
CN106991439A (zh) * 2017-03-28 2017-07-28 南京天数信息科技有限公司 基于深度学习与迁移学习的图像识别方法
GB201710560D0 (en) * 2017-06-30 2017-08-16 Norwegian Univ Of Science And Tech (Ntnu) Detection of manipulated images
CN109272004B (zh) * 2017-07-17 2022-08-30 爱科维申科技（天津）有限公司 一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法
CN107239803A (zh) * 2017-07-21 2017-10-10 国家海洋局第海洋研究所 利用深度学习神经网络的海底底质自动分类方法
CN109583275B (zh) * 2017-09-29 2021-06-18 大连恒锐科技股份有限公司 一种基于cnn的赤足足迹的体重判定方法
EP3483619A1 (en) * 2017-11-13 2019-05-15 Technische Universität München Automated noninvasive determining the sex of an embryo of and the fertility of a bird's egg
CN108021936A (zh) * 2017-11-28 2018-05-11 天津大学 一种基于卷积神经网络vgg16的乳腺肿瘤分类算法
CN108009592A (zh) * 2017-12-15 2018-05-08 云南大学 一种糖尿病性视网膜图像自动分类方法
CN108281183A (zh) * 2018-01-30 2018-07-13 重庆大学 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统
CN108522358B (zh) * 2018-03-09 2020-10-23 仲恺农业工程学院 基于大数据的水禽优质品种繁育智能决策方法及系统
CN108446729A (zh) * 2018-03-13 2018-08-24 天津工业大学 基于卷积神经网络的鸡蛋胚胎分类方法
CN108520220B (zh) * 2018-03-30 2021-07-09 百度在线网络技术（北京）有限公司 模型生成方法和装置
CN108549910A (zh) * 2018-04-17 2018-09-18 中国农业大学 一种基于卷积神经网络的玉米制种果穗图像初级分类方法
CN108647741A (zh) * 2018-05-18 2018-10-12 湖北工业大学 一种基于迁移学习的图像分类方法和系统
CN108875912A (zh) * 2018-05-29 2018-11-23 天津科技大学 一种用于图像识别的神经网络模型
CN108823095A (zh) * 2018-06-08 2018-11-16 上海柏慧康生物科技有限公司 一种用于活细胞培养过程中的环境控制及观察分析系统
CN109325484B (zh) * 2018-07-30 2021-08-24 北京信息科技大学 基于背景先验显著性的花卉图像分类方法
CN109325527A (zh) * 2018-09-05 2019-02-12 哈尔滨工程大学 一种基于迁移学习与深度学习的侧扫声呐图像目标自动分类方法
CN109635835A (zh) * 2018-11-08 2019-04-16 深圳蓝韵医学影像有限公司 一种基于深度学习与迁移学习的乳腺病变区域检测方法
CN109271522B (zh) * 2018-11-20 2021-07-30 深圳大学 基于深度混合模型迁移学习的评论情感分类方法及系统
CN111275064B (zh) * 2018-12-05 2022-11-18 爱科维申科技（天津）有限公司 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法
CN110069977A (zh) * 2019-02-22 2019-07-30 哈尔滨工程大学 一种提高胚芽米留胚率识别正确率的方法
CN109740697B (zh) * 2019-03-05 2023-04-14 重庆大学 基于深度学习的尿沉渣显微图像有形成分识别方法
CN110245562A (zh) * 2019-05-13 2019-09-17 中国水产科学研究院东海水产研究所 基于深度学习的海洋产毒微藻种类自动识别方法
CN110309880B (zh) * 2019-07-01 2022-12-09 天津工业大学 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法
CN110443282B (zh) * 2019-07-05 2022-02-15 华中科技大学 一种胚胎时序图像中的胚胎发育阶段分类方法
CN110991220B (zh) * 2019-10-15 2023-11-07 京东科技信息技术有限公司 禽蛋检测、图像处理方法，装置、电子设备及存储介质
CN111695500A (zh) * 2020-06-11 2020-09-22 齐鲁工业大学 基于迁移学习的脑卒中患者运动想象任务识别方法及系统
CN111832639B (zh) * 2020-06-30 2022-05-31 山西大学 一种基于迁移学习的绘画情感预测方法
CN112016622A (zh) * 2020-08-28 2020-12-01 中移（杭州）信息技术有限公司 模型训练的方法、电子设备和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732243A (zh) * 2015-04-09 2015-06-24 西安电子科技大学 基于cnn的sar目标识别方法
CN105069413A (zh) * 2015-07-27 2015-11-18 电子科技大学 一种基于深度卷积神经网络的人体姿势识别方法
CN105095870A (zh) * 2015-07-27 2015-11-25 中国计量学院 基于迁移学习的行人重识别方法
CN105279495A (zh) * 2015-10-23 2016-01-27 天津大学 一种基于深度学习和文本总结的视频描述方法
CN105447569A (zh) * 2015-12-18 2016-03-30 北京柏惠维康科技有限公司 一种基于深度学习的乳腺癌细胞特征分析系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732243A (zh) * 2015-04-09 2015-06-24 西安电子科技大学 基于cnn的sar目标识别方法
CN105069413A (zh) * 2015-07-27 2015-11-18 电子科技大学 一种基于深度卷积神经网络的人体姿势识别方法
CN105095870A (zh) * 2015-07-27 2015-11-25 中国计量学院 基于迁移学习的行人重识别方法
CN105279495A (zh) * 2015-10-23 2016-01-27 天津大学 一种基于深度学习和文本总结的视频描述方法
CN105447569A (zh) * 2015-12-18 2016-03-30 北京柏惠维康科技有限公司 一种基于深度学习的乳腺癌细胞特征分析系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CNN深度学习模型用于表情特征提取方法探究;张昭旭;《现代计算机》;20160131;第41-44页 *
ImageNet Classification with Deep Convolutional Neural Networks;Alex Krizhevsky 等;《International Conference on Neural Information Processing Systems》;20121231;第1-9页 *
基于机器视觉技术的无精蛋鉴别研究;李天华 等;《安徽农业科学》;20111231;第39卷(第23期);第14117-14119页 *
基于深度学习混合模型迁移学习的图像分类;石祥滨 等;《系统仿真学报》;20160131;第28卷(第1期);第167-173、183页 *
深度卷积神经网络在计算机视觉中的应用研究综述;卢宏涛 等;《数据采集与处理》;20160131;第31卷(第1期);第1-17页 *
采用计算机视觉进行孵化鸡蛋成活可能性的自动检测;陈佳娟 等;《计算机应用与软件》;20010615;第5-10页 *

Also Published As

Publication number Publication date
CN106485251A (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
CN106485251B (zh) 基于深度学习的鸡蛋胚胎分类
CN109685115B (zh) 一种双线性特征融合的细粒度概念模型及学习方法
CN108596258B (zh) 一种基于卷积神经网络随机池化的图像分类方法
CN111783782B (zh) 融合改进UNet和SegNet的遥感图像语义分割方法
CN109754017B (zh) 基于可分离的三维残差网络和迁移学习高光谱图像分类方法
CN108665005B (zh) 一种利用dcgan提高基于cnn图像识别性能的方法
CN110222215B (zh) 一种基于f-ssd-iv3的作物害虫检测方法
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN111476283A (zh) 基于迁移学习的青光眼眼底图像识别方法
CN106408562A (zh) 基于深度学习的眼底图像视网膜血管分割方法及系统
CN107526785A (zh) 文本分类方法及装置
CN107016405A (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN110781921A (zh) 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN111984817B (zh) 一种基于自注意力机制加权的细粒度图像检索方法
CN111179216A (zh) 一种基于图像处理与卷积神经网络的作物病害识别方法
CN109242826B (zh) 基于目标检测的移动设备端签状物根数计数方法及系统
CN111695640A (zh) 地基云图识别模型训练方法及地基云图识别方法
CN112749675A (zh) 一种基于卷积神经网络的马铃薯病害识别方法
CN110991554B (zh) 一种基于改进pca的深度网络图像分类方法
CN114693616A (zh) 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质
CN112364705A (zh) 基于多层次特征融合的轻量型cnn的表情识别方法
Verma et al. Vision based detection and classification of disease on rice crops using convolutional neural network
Borman et al. Classification of Medicinal Wild Plants Using Radial Basis Function Neural Network with Least Mean Square

Legal Events

Date Code Title Description
C06 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