CN106980873A - 基于深度学习的锦鲤筛选方法及装置 - Google Patents

基于深度学习的锦鲤筛选方法及装置 Download PDF

Info

Publication number
CN106980873A
CN106980873A CN201710136387.7A CN201710136387A CN106980873A CN 106980873 A CN106980873 A CN 106980873A CN 201710136387 A CN201710136387 A CN 201710136387A CN 106980873 A CN106980873 A CN 106980873A
Authority
CN
China
Prior art keywords
training
fancy carp
classification
trained
carp
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.)
Granted
Application number
CN201710136387.7A
Other languages
English (en)
Other versions
CN106980873B (zh
Inventor
杨晨
石必坤
王嵩杰
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710136387.7A priority Critical patent/CN106980873B/zh
Publication of CN106980873A publication Critical patent/CN106980873A/zh
Application granted granted Critical
Publication of CN106980873B publication Critical patent/CN106980873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的锦鲤筛选方法及装置，其中所述方法包括：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作得到图像的特征向量；使用训练样本对深度信念网络模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；将训练后深度信念网络输出作为支持向量机分类器的输入，对分类器的进行训练，并得到相应的参数；使用训练后的分类器进行锦鲤分类。本发明的优点如下:通过对大量锦鲤图片数据进行训练深度信念网络模型，应用于锦鲤优质苗种筛选,大幅降低人工使用和养殖企业对专业技术人员的依赖，提高筛选精准度和效率。

Description

基于深度学习的锦鲤筛选方法及装置
技术领域
本发明属于计算模式识别技术领域，特别是一种基于深度学习的锦鲤筛选方法及装置。
背景技术
深度学习是机器学习理论中的一个新的研究领域，是人工智能领域的延伸，其动机在于建立、模拟人脑的机制来解释数据，并进行分析学习的人工神经网络。深度学习优势在于通过构建具有多隐层的机器学习模型和经过海量训练的数据来学习更有用的特征，从而最提升分类或预测的准确性。对于互联网领域的图片分类、声音识别和文本信息筛选等方面有着广泛的应用，但在渔业方面特别是锦鲤苗种特征识别却未涉及。
目前，国内现有锦鲤养殖企业缺乏具有专业筛选经验的技术人员，将繁殖出来的锦鲤全部养殖，导致生产水面负荷过大，生产成本过高，单位面积产值过低，造成极大的浪费，达不到应有的经济效益。而在自然环境中锦鲤每年4-5月产卵，通过人工繁育的介入，每年的各个阶段锦鲤都可以进行繁殖。由于其遗传性状的不稳定，导致体色在颜色及分布位置上的多变。这使得锦鲤的在体型及体色等性状上存在等级差异，而优质等级锦鲤又具有巨大市场需求。一对成熟亲本每年可产苗种5-10万尾，苗种产量非常高，但达到品级的锦鲤只占10％，每年耗费大量的人工进行筛选，劳动强度大、精准率低、失误率高，严重制约品级优质锦鲤的产量，无法满足市场需求。在渔业方面海量的锦鲤图片信息为“深度学习”技术应用提供了大量训练数据。
发明内容
本发明所解决的技术问题在于提供一种基于深度学习的锦鲤筛选方法及系装置，以解决锦鲤苗种难以筛选的问题，提高筛选精准度，减少人工使用，降低养殖企业对专业技术人员的依赖。
实现本发明目的的技术解决方案为：
一种基于深度学习的锦鲤筛选方法，该方法包括以下步骤：
S1：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量；
S2：使用训练样本对深度信念网络(DBN)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；
S3：将训练后深度信念网络DBN输出作为支持向量机SVM分类器的输入，对SVM分类器的进行训练，并得到相应的SVM分类器参数；
S4：使用训练后的SVM分类器进行锦鲤分类。
本发明与现有技术相比，其显著优点：
(1)训练过程中，每次只训练一层RBM的方式可以确保特征向量在映射到不同特征空间时，能够尽可能多的保留特征信息。
(2)本发明所采用的深度信念(DBN)网络和支持向量机(SVM)分类器组合成的深度学习网络模型，能够充分提取锦鲤图像特征，实现优次锦鲤两种分类识别输出。
(3)本发明所采用逐层初始化的方法可以有效克服DBN利用BP算法训练模型时由于随机初始化权值参数而导致的训练时间长、局部最优问题。
(4)采用本发明的筛选方法能够有效的将优质锦鲤筛选出来，能够有效的降低人工成本。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的基于深度学习的锦鲤筛选方法的流程图。
图2是本发明的基于深度学习锦鲤筛选装置整体示意图。
图3是本发明采用的深度信念网络(DBN)模型示意图。
具体实施方式
结合图1、图2，本发明的一种基于“深度学习”的锦鲤筛选方法包括以下步骤：
S1：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量(训练样本)；
其中，预设量可以根据实际需要，通过图像采集单元(照相机)采集锦鲤体色及背部花斑特征图像，进行中心化和尺寸标准化的归一化处理预处理操作，每张图像均被处理为大小为32×32(即1024像素)，并保证图像特征向量维数与输入层的随机单元数相同(设置单元数为1024)；输出层的输出单元个数可与待分类数据样本的类别数相同(分为优、次锦鲤两类，故设置为2)。
S2：使用训练样本对深度信念网络(DBN)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；
其中，无监督训练采用贪婪无监督学习算法对各层受限玻尔兹曼机(RBM)进行自底向上的逐层训练：使用无优次锦鲤标签样本集，每次只训练一层RBM的方式，并逐层初始化化网络参数，包括初始学习率、初始权重和偏置、隐含层层数、迭代次数等；
有监督微调则通过叠加在深度信念网络DBN顶层的误差反向传播算法BP网络接收顶层RBM训练阶得到的权重、偏置和学习率作为输入，使用有优次锦鲤标签训练样本，采用BP算法自顶向下的微调深度信念网络DBN网络的参数，最后输出经训练后提取的训练样本的特征向量。
有监督微调采用的是有优次锦鲤标签训练样本，预先假设图像样本集X，并表示为：X＝[x1，x2，......xL+D]；
X表示图像样本，样本总数为L+U，L和U分别表示有标签样本的个数和无标签样本的个数，样本经归一化处理之后的特征向量的维度为D。
将L个有标签样本的标签矩阵Y表示为：Y＝[y1，y2，......yL]；
yi表第i个有标签样本数据的标签向量，Y是一个L×D的矩阵。样本类别数为2，则可定义为：
j表示有标签样本所属的类别。当表示，第i个有标签样本属于第j类；当 表示第i有标签样本不属于第j类。
其中，深度信念网络DBN训练过程中初始学习率的选取采用变化的学习率代替全局的学习率来对网络进行训练，即学习率的大小根据网络的实际训练情况确定：具体是先设定一个初始学习率，若一次迭代后重构误差减小或者不变，则学习率保持不变，继续进行下一次迭代；若经过一次迭代后重构误差增大，则将学习率乘以一个小于1的常数，使得学习率减小。
S3：将训练后深度信念网络DBN输出作为支持向量机SVM分类器的输入，对SVM分类器的进行训练，并得到相应的SVM分类器参数；
分类器训练将训练后深度信念网络DBN输出锦鲤图像特征向量，将锦鲤图像特征向量输入支持向量机SVM分类器进行训练，得到优、次锦鲤两种分类识别输出的相应SVM参数，完成最终网络模型的训练。
S4：使用训练后的SVM分类器进行锦鲤分类识别(锦鲤特征识别)。
分类识别是通过使用训练后的分类器进行优次锦鲤的识别结果输出，接受分类结果输出信息通过控制指令对锦鲤进行分类操作。
结合图3，本发明的基于深度学习的锦鲤筛选方法，提出了一种锦鲤锦鲤筛选装置，包括采集模块、深度网络训练模块、分类器训练模块、分类控制模块；
采集模块：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量。
其中，预设量可以根据实际需要，通过图像采集单元(照相机)采集锦鲤体色及背部花斑特征图像，进行中心化和尺寸标准化的归一化处理预处理操作，每张图像均被处理为大小为32×32(即1024像素)，并保证图像特征向量维数与输入层的随机单元数相同(设置单元数为1024)；输出层的输出单元个数可与待分类数据样本的类别数相同，分为优、次锦鲤两类，故设置为2(优、次锦根据实际需要进行设定)。
深度网络训练模块：使用训练样本对深度信念网络(DBN)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；
深度网络训练模块包括无监督训练单元、有监督微调单元；
无监督训练单元：采用贪婪无监督学习算法对各层受限玻尔兹曼机(RBM)进行自底向上的逐层训练：使用无优次锦鲤标签样本集，每次只训练一层RBM的方式，并逐层初始化化网络参数，包括初始学习率、初始权重和偏置、隐含层层数、迭代次数等；
有监督微调单元：通过叠加在深度信念网络DBN顶层的误差反向传播算法BP网络接收顶层RBM训练阶得到的权重、偏置和学习率作为输入，使用有优次锦鲤标签训练样本，采用BP算法自顶向下的微调深度信念网络DBN网络的参数，最后输出经训练后提取的训练样本的特征向量；
有监督微调采用的是有优次锦鲤标签训练样本，预先假设图像样本集X，并表示为：X＝[x1，x2，......xL+D]。
X表示图像样本，样本总数为L+U，L和U分别表示有标签样本的个数和无标签样本的个数，样本经归一化处理之后的特征向量的维度为D。
将L个有标签样本的标签矩阵Y表示为：Y＝[y1，y2，......yL]；
yi表第i个有标签样本数据的标签向量，Y是一个L×D的矩阵。样本类别数为2，则可定义为：
j表示有标签样本所属的类别。当表示，第i个有标签样本属于第j类；当 表示第i有标签样本不属于第j类。
其中，深度信念网络DBN训练过程中初始学习率的选取采用变化的学习率代替全局的学习率来对网络进行训练，即学习率的大小根据网络的实际训练情况确定：具体是先设定一个初始学习率，若一次迭代后重构误差减小或者不变，则学习率保持不变，继续进行下一次迭代；若经过一次迭代后重构误差增大，则将学习率乘以一个小于1的常数，使得学习率减小。
分类器训练模块：将训练后深度信念网络DBN输出作为支持向量机SVM分类器的输入，对SVM分类器的进行训练，并得到相应的SVM分类器参数。
分类器训练将训练后深度信念网络DBN输出锦鲤图像特征向量，将锦鲤图像特征向量输入支持向量机SVM分类器进行训练，得到优、次锦鲤两种分类识别输出的相应SVM参数，完成最终网络模型的训练。
分类控制模块：使用训练后的SVM分类器进行锦鲤分类；分类控制模块包括分类单元和控制单元。
分类识别单元：通过使用训练后的分类器进行优次锦鲤的识别结果输出。
控制单元：接受分类结果输出信息通过控制指令对锦鲤进行分类操作。
虽然本发明已经以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (10)

1.一种基于深度学习的锦鲤筛选方法，其特殊在于，该方法包括以下步骤：
S1：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量；
S2：使用训练样本对深度信念网络(DBN)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；
S3：将训练后深度信念网络DBN输出作为支持向量机SVM分类器的输入，对SVM分类器的进行训练，并得到相应的SVM分类器参数；
S4：使用训练后的SVM分类器进行锦鲤分类。
2.如权利要求1所述的基于深度学习的锦鲤筛选方法，其特征在于，步骤S1中所述预设量通过图像采集单元(照相机)采集锦鲤体色及背部花斑特征图像，进行中心化和尺寸标准化的归一化处理预处理操作，每张图像均被处理为大小为32×32，并保证图像特征向量维数与输入层的随机单元数相同；输出层的输出单元个数可与待分类数据样本的类别数相同。
3.如权利要求1所述的基于深度学习的锦鲤筛选方法，其特征在于，步骤S2中所述无监督训练采用贪婪无监督学习算法对各层受限玻尔兹曼机(RBM)进行自底向上的逐层训练：使用无优次锦鲤标签样本集，每次只训练一层RBM的方式，并逐层初始化化网络参数，包括初始学习率、初始权重和偏置、隐含层层数、迭代次数。
4.如权利要求1所述的基于深度学习的锦鲤筛选方法，其特征在于，步骤S2中所述有监督微调则通过叠加在深度信念网络DBN顶层的误差反向传播算法BP网络接收顶层RBM训练阶得到的权重、偏置和学习率作为输入，使用有优次锦鲤标签训练样本，采用BP算法自顶向下的微调深度信念网络DBN网络的参数，最后输出经训练后提取的训练样本的特征向量。
5.如权利要求4所述的基于深度学习的锦鲤筛选方法，其特征在于，所述有优次锦鲤标签训练样本：通过预先假设图像样本集X，并表示为：X＝[x1，x2，......xL+D]；
X表示图像样本，样本总数为L+U，L和U分别表示有标签样本的个数和无标签样本的个数，样本经归一化处理之后的特征向量的维度为D；
将L个有标签样本的标签矩阵Y表示为：Y＝[y1，y2，......yL]；
yi表第i个有标签样本数据的标签向量，Y是一个L×D的矩阵；样本类别数为2，则可定义为：
Y j i = 1 , i f x i ∈ j c l a s s - 1 , o t h e r w i s e
j表示有标签样本所属的类别；当表示，第i个有标签样本属于第j类；当表示第i有标签样本不属于第j类。
6.如权利要求1所述的基于深度学习的锦鲤筛选方法，其特征在于，步骤S3具体为：分类器训练将训练后深度信念网络DBN输出锦鲤图像特征向量，将锦鲤图像特征向量输入支持向量机SVM分类器进行训练，得到优、次锦鲤两种分类识别输出的相应SVM参数，完成最终网络模型的训练。
7.如权利要求1所述的基于深度学习的锦鲤筛选方法，其特征在于，步骤S4中分类识别具体为：分类识别是通过使用训练后的分类器进行优次锦鲤的识别结果输出，接受分类结果输出信息通过控制指令对锦鲤进行分类操作。
8.一种锦鲤筛选装置，其特征在于，包括采集模块、深度网络训练模块、分类器训练模块、分类控制模块；
采集模块：采集预设量的锦鲤图片及每张图片进行中心化和尺寸标准化的归一化处理预处理操作，得到图像的特征向量；
深度网络训练模块：使用训练样本对深度信念网络(DBN)模型进行无监督预训练和有监督微调，输出经训练后提取的训练样本的特征向量；
分类器训练模块：将训练后深度信念网络DBN输出作为支持向量机SVM分类器的输入，对SVM分类器的进行训练，并得到相应的SVM分类器参数；
分类控制模块：使用训练后的SVM分类器进行锦鲤分类；分类控制模块包括分类单元和控制单元。
9.如权利要求8所述的锦鲤筛选装置，其特征在于，所述深度网络训练模块包括无监督训练单元、有监督微调单元：
无监督训练单元：采用贪婪无监督学习算法对各层受限玻尔兹曼机(RBM)进行自底向上的逐层训练：使用无优次锦鲤标签样本集，每次只训练一层RBM的方式，并逐层初始化化网络参数，包括初始学习率、初始权重和偏置、隐含层层数、迭代次数；
有监督微调单元：通过叠加在深度信念网络DBN顶层的误差反向传播算法BP网络接收顶层RBM训练阶得到的权重、偏置和学习率作为输入，使用有优次锦鲤标签训练样本，采用BP算法自顶向下的微调深度信念网络DBN网络的参数，最后输出经训练后提取的训练样本的特征向量。
10.如权利要求8所述的锦鲤筛选装置，其特征在于，所述分类控制模块包括分类单元和控制单元：
分类识别单元：通过使用训练后的分类器进行优次锦鲤的识别结果输出；
控制单元：接受分类结果输出信息通过控制指令对锦鲤进行分类操作。
CN201710136387.7A 2017-03-09 2017-03-09 基于深度学习的锦鲤筛选方法及装置 Active CN106980873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710136387.7A CN106980873B (zh) 2017-03-09 2017-03-09 基于深度学习的锦鲤筛选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710136387.7A CN106980873B (zh) 2017-03-09 2017-03-09 基于深度学习的锦鲤筛选方法及装置

Publications (2)

Publication Number Publication Date
CN106980873A true CN106980873A (zh) 2017-07-25
CN106980873B CN106980873B (zh) 2020-07-07

Family

ID=59338065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710136387.7A Active CN106980873B (zh) 2017-03-09 2017-03-09 基于深度学习的锦鲤筛选方法及装置

Country Status (1)

Country Link
CN (1) CN106980873B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609718A (zh) * 2017-10-18 2018-01-19 仲恺农业工程学院 一种养殖水体中溶解氧的预测方法及系统
CN107895144A (zh) * 2017-10-27 2018-04-10 重庆工商大学 一种手指静脉图像防伪鉴别方法及装置
CN108280320A (zh) * 2018-01-23 2018-07-13 上海市同济医院 一种基于深度学习的快速精准高通量药物筛选系统
CN108763418A (zh) * 2018-05-24 2018-11-06 辽宁石油化工大学 一种文本的分类方法及装置
CN109132744A (zh) * 2018-08-29 2019-01-04 盐城线尚天使科技企业孵化器有限公司 基于深度学习的电梯调控方法及系统
CN109490814A (zh) * 2018-09-07 2019-03-19 广西电网有限责任公司电力科学研究院 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法
CN109754444A (zh) * 2018-02-07 2019-05-14 京东方科技集团股份有限公司 图像着色方法和装置
CN110285976A (zh) * 2019-07-09 2019-09-27 哈尔滨工业大学（威海） 基于dbn的多维时序信息驱动航空发动机故障诊断方法
JP2020054300A (ja) * 2018-10-03 2020-04-09 株式会社メビウス 錦鯉の個体識別方法
CN111079779A (zh) * 2018-10-18 2020-04-28 恩德莱斯和豪瑟尔分析仪表两合公司 使用用于选择测量方法的分类器来确定过程变量的方法
CN111242153A (zh) * 2019-02-21 2020-06-05 惠州市微米立科技有限公司 一种基于无监督深度学习的水果分级筛选方法
JP7008957B1 (ja) 2021-10-05 2022-01-25 三信トレーディング株式会社 錦鯉評価装置および方法並びにプログラム
JP7008958B1 (ja) 2021-10-05 2022-01-25 三信トレーディング株式会社 錦鯉品評会実施装置およびプログラム並びに錦鯉品評会システム
JP7239121B1 (ja) 2022-08-01 2023-03-14 三信トレーディング株式会社 生物の成長予測装置、方法およびプログラム並びに３次元画像生成表示システム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425139A (zh) * 2008-11-05 2009-05-06 西安理工大学 一种视角无关的动作识别方法
CN104035996A (zh) * 2014-06-11 2014-09-10 华东师范大学 基于Deep Learning的领域概念抽取方法
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
CN105117688A (zh) * 2015-07-29 2015-12-02 重庆电子工程职业学院 基于纹理特征融合和svm的人脸识别方法
CN105825211A (zh) * 2016-03-17 2016-08-03 世纪龙信息网络有限责任公司 名片识别方法、装置及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101425139A (zh) * 2008-11-05 2009-05-06 西安理工大学 一种视角无关的动作识别方法
CN104035996A (zh) * 2014-06-11 2014-09-10 华东师范大学 基于Deep Learning的领域概念抽取方法
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
CN105117688A (zh) * 2015-07-29 2015-12-02 重庆电子工程职业学院 基于纹理特征融合和svm的人脸识别方法
CN105825211A (zh) * 2016-03-17 2016-08-03 世纪龙信息网络有限责任公司 名片识别方法、装置及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANHE GUO 等: "Wishart RBM based DBN for polarimetric synthetic radar data", 《2015 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM(IGARSS)》 *
杨晨: "雾天图像增强算法研究", 《万方数据知识服务平台学位论文》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609718A (zh) * 2017-10-18 2018-01-19 仲恺农业工程学院 一种养殖水体中溶解氧的预测方法及系统
CN107895144A (zh) * 2017-10-27 2018-04-10 重庆工商大学 一种手指静脉图像防伪鉴别方法及装置
CN108280320A (zh) * 2018-01-23 2018-07-13 上海市同济医院 一种基于深度学习的快速精准高通量药物筛选系统
CN108280320B (zh) * 2018-01-23 2020-12-29 上海市同济医院 一种基于深度学习的快速精准高通量药物筛选系统
CN109754444A (zh) * 2018-02-07 2019-05-14 京东方科技集团股份有限公司 图像着色方法和装置
CN108763418A (zh) * 2018-05-24 2018-11-06 辽宁石油化工大学 一种文本的分类方法及装置
CN109132744A (zh) * 2018-08-29 2019-01-04 盐城线尚天使科技企业孵化器有限公司 基于深度学习的电梯调控方法及系统
CN109490814A (zh) * 2018-09-07 2019-03-19 广西电网有限责任公司电力科学研究院 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法
CN109490814B (zh) * 2018-09-07 2021-02-26 广西电网有限责任公司电力科学研究院 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法
JP2020054300A (ja) * 2018-10-03 2020-04-09 株式会社メビウス 錦鯉の個体識別方法
CN111079779B (zh) * 2018-10-18 2024-05-21 恩德莱斯和豪瑟尔分析仪表两合公司 使用用于选择测量方法的分类器来确定过程变量的方法
CN111079779A (zh) * 2018-10-18 2020-04-28 恩德莱斯和豪瑟尔分析仪表两合公司 使用用于选择测量方法的分类器来确定过程变量的方法
US11656115B2 (en) 2018-10-18 2023-05-23 Endress+Hauser Conducta Gmbh+Co. Kg Method for determining a process variable with a classifier for selecting a measuring method
CN111242153A (zh) * 2019-02-21 2020-06-05 惠州市微米立科技有限公司 一种基于无监督深度学习的水果分级筛选方法
CN110285976A (zh) * 2019-07-09 2019-09-27 哈尔滨工业大学（威海） 基于dbn的多维时序信息驱动航空发动机故障诊断方法
JP7008958B1 (ja) 2021-10-05 2022-01-25 三信トレーディング株式会社 錦鯉品評会実施装置およびプログラム並びに錦鯉品評会システム
CN114170622A (zh) * 2021-10-05 2022-03-11 三信贸易株式会社 锦鲤评价装置、方法、程序以及存储介质
JP2023054914A (ja) * 2021-10-05 2023-04-17 三信トレーディング株式会社 錦鯉品評会実施装置およびプログラム並びに錦鯉品評会システム
JP2023054913A (ja) * 2021-10-05 2023-04-17 三信トレーディング株式会社 錦鯉評価装置および方法並びにプログラム
JP7008957B1 (ja) 2021-10-05 2022-01-25 三信トレーディング株式会社 錦鯉評価装置および方法並びにプログラム
JP7239121B1 (ja) 2022-08-01 2023-03-14 三信トレーディング株式会社 生物の成長予測装置、方法およびプログラム並びに３次元画像生成表示システム
JP2024020000A (ja) * 2022-08-01 2024-02-14 三信トレーディング株式会社 生物の成長予測装置、方法およびプログラム並びに３次元画像生成表示システム

Also Published As

Publication number Publication date
CN106980873B (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN106980873A (zh) 基于深度学习的锦鲤筛选方法及装置
Wu et al. Convolution neural network based transfer learning for classification of flowers
CN103345656B (zh) 一种基于多任务深度神经网络的数据识别方法及装置
Xiaoxiao et al. Image recognition of tea leaf diseases based on convolutional neural network
CN105701480B (zh) 一种视频语义分析方法
CN102013021B (zh) 基于颜色和区域生长的茶叶嫩芽分割和识别方法
CN101398898B (zh) 基于流形学习的植物叶片识别方法
CN106845510A (zh) 基于深度层级特征融合的中国传统视觉文化符号识别方法
CN107358257A (zh) 一种大数据场景下可增量学习的图像分类训练方法
CN103838836A (zh) 基于判别式多模态深度置信网多模态数据融合方法和系统
CN108256571A (zh) 一种基于卷积神经网络的中餐食物识别方法
CN107563389A (zh) 一种基于深度学习的农作物病害识别方法
CN107729312A (zh) 基于序列标注建模的多粒度分词方法及系统
CN106845497A (zh) 基于多特征融合的玉米前期图像旱情识别方法
CN108229571A (zh) 基于kpca算法与深度信念网络的苹果表面病变图像识别方法
CN109766935A (zh) 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法
CN110059677A (zh) 基于深度学习的数字表识别方法及设备
CN109409440A (zh) 一种基于颜色特征和支持向量机的蚕茧分类方法
CN110414626A (zh) 一种猪只品种识别方法、装置和计算机可读存储介质
CN106326925A (zh) 一种基于深度学习网络的苹果病变图像识别方法
Pathak et al. Classification of fruits using convolutional neural network and transfer learning models
CN109190666A (zh) 基于改进的深度神经网络的花卉图像分类方法
Ma et al. Research on fish image classification based on transfer learning and convolutional neural network model
CN113313692A (zh) 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法
Miah et al. An advanced method of identification fresh and rotten fruits using different convolutional neural networks

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
GR01 Patent grant
GR01 Patent grant