CN106845505A - 一种基于深度学习的陈皮检测方法 - Google Patents
一种基于深度学习的陈皮检测方法 Download PDFInfo
- Publication number
- CN106845505A CN106845505A CN201710074833.6A CN201710074833A CN106845505A CN 106845505 A CN106845505 A CN 106845505A CN 201710074833 A CN201710074833 A CN 201710074833A CN 106845505 A CN106845505 A CN 106845505A
- Authority
- CN
- China
- Prior art keywords
- orange peel
- dried orange
- image
- detection method
- node
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
陈皮,越陈越香,极具养生药用价值。古人说:“百年陈皮,千年人参。”陈皮是越长久,价值越高,价格也越昂贵。不同时期,不同年份的陈皮,其中药价值相差甚远,年份越长价值越高。传统的陈皮检测方法主要是人工筛选,考虑到陈皮的经济价值,并且随着中药在保健养生的作用以及深度学习技术的发展,利用视频图像的深度学习技术对目标进行检测的研究也越来越热门,我们提出一种新的基于深度学习的陈皮检测方法,这将有利于中药的推广和应用。
Description
技术领域
本发明涉及一种中药材料的检测方法,尤其是一种基于深度学习的陈皮检测方法。
背景技术
陈皮,越陈越香,极具养生药用价值。古人说:“百年陈皮,千年人参。”陈皮是越长久,价值越高,价格也越昂贵。不同时期,不同年份的陈皮,其中药价值相差甚远,年份越长价值越高。传统的陈皮检测方法主要是人工筛选,这种方式局限性较大。
发明内容
考虑到陈皮的经济价值,并且随着中药在保健养生的作用以及深度学习技术的发展,利用视频图像的深度学习技术对目标进行检测的研究也越来越热门,我们提出一种新的基于深度学习的陈皮检测方法,这将有利于中药的推广和应用。为了解决上述问题,本发明所要解决的技术就是提供了一种基于深度学习的陈皮检测方法。
其采用的技术方案如下:
一种基于深度学习的陈皮检测方法,包括如下步骤:步骤一:用800万像素摄像机获取从一年期到二十年期的陈皮原始图像作为样本图像;步骤二:使用SOBEL算子对样本图像进行处理得到图像的边缘,再经过人工筛选的方法,提高样本识别率,其中边缘像素点的编码是[1,0]T,非边缘像素点的编码是[0,1]T,并以此作为训练样本的目标向量对LVQ神经网络进行训练;步骤三:用800万像素摄像机获取目标图像作为实测图像;步骤四:计算图像中各点的中值特征量、方向性信息特征量和KRISCH算子方向特征量,将这三个量作为LVQ神经网络的输入信号。步骤五:将经过训练的LVQ神经网络对图像的边缘进行检测;步骤六:将步骤三获取的实测图像输入训练好的深度卷积网络,判定哪些候选窗口属于陈皮,那些属于背景。
在步骤三中,第一步是连接初始化,对所有从输入结点到输出结点的连接权值赋予随机的小数,置时间计数t = 0;第二步是对网络输入模式;第三步是计算输入与全部输出结点所连接向量的距离:;第四步是具有最小距离的结点竞争获胜:;第五步是调整输出结点j*所连接的权值及几何邻域内的结点所连权值:;第六步是当还有输入样本数据时,t = t+1,转至第二步。
有益效果:一种基于深度学习的陈皮检测方法,利用视频图像的深度学习技术,提高了陈皮在中药检测的科学性,是对传统的人工筛选陈皮检测方法的有益补充,这将有利于中药的推广和应用,并且本发明提出的方法也可以应用到其他目标检测任务中。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1一种基于深度学习的陈皮检测方法的网络图
具体实施方式
下面通过具体实施例对本发明进行详细说明
步骤一:用800万像素摄像机获取从一年期到二十年期的陈皮原始图像作为样本图像;步骤二:使用SOBEL算子对样本图像进行处理得到图像的边缘,再经过人工筛选的方法,提高样本识别率,其中边缘像素点的编码是[1,0]T,非边缘像素点的编码是[0,1]T,并以此作为训练样本的目标向量对LVQ神经网络进行训练;步骤三:用800万像素摄像机获取目标图像作为实测图像;步骤四:计算图像中各点的中值特征量、方向性信息特征量和KRISCH算子方向特征量,将这三个量作为LVQ神经网络的输入信号。步骤五:将经过训练的LVQ神经网络对图像的边缘进行检测;步骤六:将步骤三获取的实测图像输入训练好的深度卷积网络,判定哪些候选窗口属于陈皮,那些属于背景。
在步骤三中,第一步是连接初始化,对所有从输入结点到输出结点的连接权值赋予随机的小数,置时间计数t = 0;第二步是对网络输入模式;第三步是计算输入与全部输出结点所连接向量的距离:;第四步是具有最小距离的结点竞争获胜:;第五步是调整输出结点j*所连接的权值及几何邻域内的结点所连权值:;第六步是当还有输入样本数据时,t = t+1,转至第二步。
Claims (2)
1.一种基于深度学习的陈皮检测方法,其特征在于: 包括如下步骤: 步骤一:用800万像素摄像机获取从一年期到二十年期的陈皮原始图像作为样本图像; 步骤二:使用SOBEL算子对样本图像进行处理得到图像的边缘,再经过人工筛选的方法,提高样本识别率,其中边缘像素点的编码是[1,0]T,非边缘像素点的编码是[0,1]T,并以此作为训练样本的目标向量对LVQ神经网络进行训练;步骤三:用800万像素摄像机获取目标图像作为实测图像;步骤四:计算图像中各点的中值特征量、方向性信息特征量和KRISCH算子方向特征量,将这三个量作为LVQ神经网络的输入信号;步骤五:将经过训练的LVQ神经网络对图像的边缘进行检测;步骤六:将步骤三获取的实测图像输入训练好的深度卷积网络,判定哪些候选窗口属于陈皮,那些属于背景。
2.根椐权利要求1所述的一种基于深度学习的陈皮检测方法,其特征在于:在步骤三中,第一步是连接初始化,对所有从输入结点到输出结点的连接权值赋予随机的小数,置时间计数t = 0;第二步是对网络输入模式;第三步是计算输入 与全部输出结点所连接向量 的距离:;第四步是具有最小距离的结点竞争获胜: ;第五步是调整输出结点j*所连接的权值及几何邻域内的结点所连权值:;第六步是当还有输入样本数据时,t = t+1,转至第二步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710074833.6A CN106845505A (zh) | 2017-02-12 | 2017-02-12 | 一种基于深度学习的陈皮检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710074833.6A CN106845505A (zh) | 2017-02-12 | 2017-02-12 | 一种基于深度学习的陈皮检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106845505A true CN106845505A (zh) | 2017-06-13 |
Family
ID=59127702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710074833.6A Pending CN106845505A (zh) | 2017-02-12 | 2017-02-12 | 一种基于深度学习的陈皮检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845505A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108174719A (zh) * | 2017-12-20 | 2018-06-19 | 佛山市洛克威特科技有限公司 | 一种草莓自主种植的大棚 |
CN110749566A (zh) * | 2019-10-23 | 2020-02-04 | 深圳市太赫兹科技创新研究院有限公司 | 中药材年份的检测方法、检测装置及终端设备 |
CN110991201A (zh) * | 2019-11-25 | 2020-04-10 | 浙江大华技术股份有限公司 | 条码检测方法及相关装置 |
CN112730384A (zh) * | 2021-01-22 | 2021-04-30 | 北京理工大学 | 一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003081172A1 (en) * | 2002-03-25 | 2003-10-02 | Council Of Scientific And Industrial Research | Classifying seafloor roughness with som and lvq |
CN103745213A (zh) * | 2014-02-28 | 2014-04-23 | 中国人民解放军63680部队 | 基于lvq神经网络的光学字符识别方法 |
-
2017
- 2017-02-12 CN CN201710074833.6A patent/CN106845505A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003081172A1 (en) * | 2002-03-25 | 2003-10-02 | Council Of Scientific And Industrial Research | Classifying seafloor roughness with som and lvq |
CN103745213A (zh) * | 2014-02-28 | 2014-04-23 | 中国人民解放军63680部队 | 基于lvq神经网络的光学字符识别方法 |
Non-Patent Citations (2)
Title |
---|
王雅红: "基于LVQ神经网络数字图像边缘检测算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
高颖慧 主编: "《信号处理的神经网络方法》", 31 December 2012, 清华大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108174719A (zh) * | 2017-12-20 | 2018-06-19 | 佛山市洛克威特科技有限公司 | 一种草莓自主种植的大棚 |
CN110749566A (zh) * | 2019-10-23 | 2020-02-04 | 深圳市太赫兹科技创新研究院有限公司 | 中药材年份的检测方法、检测装置及终端设备 |
CN110749566B (zh) * | 2019-10-23 | 2024-05-10 | 深圳市太赫兹科技创新研究院有限公司 | 中药材年份的检测方法、检测装置及终端设备 |
CN110991201A (zh) * | 2019-11-25 | 2020-04-10 | 浙江大华技术股份有限公司 | 条码检测方法及相关装置 |
CN110991201B (zh) * | 2019-11-25 | 2023-04-18 | 浙江大华技术股份有限公司 | 条码检测方法及相关装置 |
CN112730384A (zh) * | 2021-01-22 | 2021-04-30 | 北京理工大学 | 一种基于激光诱导击穿光谱技术的川贝母鉴定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
CN106845505A (zh) | 一种基于深度学习的陈皮检测方法 | |
CN107316307A (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
Tan et al. | Segmentation and counting algorithm for touching hybrid rice grains | |
CN108229268A (zh) | 表情识别及卷积神经网络模型训练方法、装置和电子设备 | |
CN105469111B (zh) | 基于改进的mfa和迁移学习的小样本集的物体分类方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN107067043A (zh) | 一种农作物病虫害检测方法 | |
CN108038513A (zh) | 一种肝脏超声图像的特征分类方法 | |
CN103218832B (zh) | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 | |
CN109522822A (zh) | 一种视频检测方法及装置 | |
CN107358182A (zh) | 行人检测方法及终端设备 | |
Menaka et al. | FPGA implementation of low power and high speed image edge detection algorithm | |
CN107784319A (zh) | 一种基于增强卷积神经网络的病理图像分类方法 | |
CN109101891A (zh) | 一种融合人工智能的水稻病虫害检测系统及其检测方法 | |
CN104008551A (zh) | 一种基于可见光图像的柑橘黄龙病检测方法 | |
CN107341844A (zh) | 一种基于多Kinect的实时三维人体绘制方法 | |
Shaikh et al. | Citrus leaf unhealthy region detection by using image processing technique | |
CN110211116A (zh) | 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法 | |
Lewis et al. | Classification and detection of nutritional deficiencies in coffee plants using image processing and convolutional neural network (Cnn) | |
CN109190571A (zh) | 一种放牧绵羊采食典型植物种类的检测识别方法及其装置 | |
Karthickmanoj et al. | A novel pixel replacement-based segmentation and double feature extraction techniques for efficient classification of plant leaf diseases | |
Janneh et al. | Multi-level feature re-weighted fusion for the semantic segmentation of crops and weeds |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |