CN107016413A - 一种基于深度学习算法的烟叶在线分级方法 - Google Patents
一种基于深度学习算法的烟叶在线分级方法 Download PDFInfo
- Publication number
- CN107016413A CN107016413A CN201710205396.7A CN201710205396A CN107016413A CN 107016413 A CN107016413 A CN 107016413A CN 201710205396 A CN201710205396 A CN 201710205396A CN 107016413 A CN107016413 A CN 107016413A
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- cigarette
- classification
- deep learning
- learning algorithm
- 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
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06N3/08—Learning methods
-
- 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]
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
本发明涉及一种基于深度学习算法的烟叶在线分级方法,通过一套完整的烟叶分级体系,从正反面分类到正组烟、青烟和杂烟三分类再到正组烟的分级,适用于在线分级;基于监督式学习的方法进行背景Mask,相对于传统算法的去背景处理精度更高;使用全部正面烟叶进行分类和分级,烟叶分级特征更多的体现在正面烟叶上,使用全正面烟叶进行分类和分级具有更严谨的科学性和更高的准确性;采用了GoogLeNet模型进行正组烟的分级,用更多的卷积、更深的网络层数能得到更高的分级准确率。本发明能完全做到快速、无损、在线地进行青烟、杂烟的剔除,准确地划分正组烟烟叶等级,确保收购的各方面利益不受损失。
Description
技术领域
本发明涉及一种烟叶在线分级方法,尤其是一种基于深度学习算法的烟叶在线分级方法。
背景技术
目前,较多的研究者都是利用红外光谱或者图像处理技术结合传统的机器视觉算法,如,支持向量机等进行烟叶分级,基于RGB图像结合深度学习方法进行烟叶在线分级的研究鲜有报道。
深度学习概念源于人工神经网络的研究。最早由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。
此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。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。例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网络(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。
深度学习的实质,是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。所以,深度模型是手段,特征学习是目的。
区别于传统的浅层学习,深度学习的不同在于:1)强调了模型结构的深度,通常有5层、6层甚至10多层的隐层节点;2)明确突出了特征学习的重要性,通过逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,从而分类或预测更加容易。基于这种理论思想,我们建立了基于深度学习进行烟叶分级的一套方法。
发明内容
本发明要解决的技术问题是:提出一种利用RGB图像结合深度学习算法对烟叶进行在线、无损地剔除青杂和分级的方法。
本发明所采用的技术方案为:一种基于深度学习算法的烟叶在线分级方法,包括以下步骤:
步骤1、获取建模样本和待测烟叶样本的正反面RGB图像数据;成像系统的硬件包括条形光源、线阵相机、镜头和装有采集卡的计算机,软件为自主研发的烟叶分级检测软件;
每一片烟叶样本RGB图像数据均包含正面烟叶和反面烟叶两幅图像,并且一一对应。
步骤2、基于监督式学习方法对图像进行背景Mask;由于烟叶区域和背景区域本身有着很大的差别,本步骤中首先使用监督式学习把烟叶区域当做缺陷区域进行学习,确定了烟叶区域后,进行反向选择,即确定了背景区域;
进一步的说,包括如下步骤:
201、首先将样本的烟叶区域进行区域编辑和标记;
202、使用监督式学习产生一个全域模型,并将输入物件对应到预期输出,形成区域模型;
203、将待测样本输入到区域模型中,检测出烟叶区域;
204、将203中烟叶区域进行反向选择,即Mask掉了背景区域。
步骤3、对已经进行了背景Mask的烟叶图像进行正反面分类处理,挑选出每个样本的正面图像作为后续处理对象;本步骤首先利用卷积神经网络进行特征提取,然后在顶层添加一个Logistic Regression分类器进行正反面的二分类;
进一步的说,使用卷积神经网络进行特征获取,在一个卷积层,上一层的特征maps被一个可学习的卷积核进行卷积,然后通过一个激活函数,就可以得到输出特征map。每一个输出map可能是组合卷积多个输入maps的值:隐含层的每个神经元与输入层的连线构成了特征向量。去掉输出层,输出特征值,然后再接上Logistic Regression分类器进行二分类。
步骤4、将步骤3中分出的每个样本的正面烟叶进行一个正组烟、青烟和杂烟的三分类;同样使用卷积神经网络进行特征提取,然后在顶层添加一个Softmax分类器进行三分类;
进一步的说,使用softmax分类器对正组烟、青烟和杂烟进行三分类,在softmax回归中,对于给定的测试输入值,预测每一种分类结果出现的概率,输出一个3维的向量(向量元素和为1)来表示3个预测的概率值,并使得所有概率之和为1。
步骤5、使用GoogLeNet模型并采用改进后的Inception结构实现正组烟的等级划分。
本发明的有益效果是:
1、提出了一套完整的烟叶分级体系,从正反面分类到正组烟、青烟和杂烟三分类再到正组烟的分级,适用于在线分级;
2、提出了基于监督式学习的方法进行背景Mask,相对于传统算法的去背景处理精度更高;
3、首次提出使用全部正面烟叶进行分类和分级,烟叶分级特征更多的体现在正面烟叶上,使用全正面烟叶进行分类和分级具有更严谨的科学性和更高的准确性;
4、采用了GoogLeNet模型进行正组烟的分级,用更多的卷积、更深的网络层数能得到更高的分级准确率;
本发明能完全做到快速、无损、在线地进行青烟、杂烟的剔除,准确地划分正组烟烟叶等级,确保收购的各方面利益不受损失。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明整个实施流程图;
图2为本发明正反面采集原理示意图;
图3为本发明背景Mask示意图;
图4为本发明改进后的Inception结构图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
一种RGB图像联合深度学习算法的烟叶在线分级方法,流程如图1所示,并包括以下步骤:
步骤1、实时获取待测烟叶正反面RGB图像信息。成像系统如图2所示,包括两个工位,第一工位和第二工位。两个工位的相机、镜头型号、打光方式等硬件配置都保持一致,中间为吸风传送装置,烟叶经过第一工位时,烟叶的正面(反面)进入成像面,进而采集到正面(反面)烟叶的图像;当烟叶传送到第二工位时,烟叶的反面(正面)就会进入成像面,进而采集到反面(正面)烟叶图像。这样就保证了每一个烟叶样本有着一一对应的正反两幅图像。
步骤2、对图像进行背景Mask,如图3所示,基于监督式学习方法对图像进行背景Mask,由于烟叶区域和背景区域本身有着很大的差别,本步骤中首先使用监督式学习把烟叶区域当作缺陷区域进行学习,确定了烟叶区域后,进行反向选择,即确定了背景区域,步骤如下:
201、首先将3到4张样本的烟叶区域进行区域编辑和标记;
202、使用监督式学习产生一个全域模型,并将输入物件对应到预期输出,形成区域模型;
203、将待测样本输入到区域模型中,检测出烟叶区域;
204、将203中烟叶区域进行反向选择,即Mask掉了背景区域。
步骤3、对已经进行了背景Mask的烟叶图像进行正反面分类处理,挑选出每个样本的正面图像作为后续处理对象;本步骤首先利用卷积神经网络进行特征提取,然后在顶层添加一个Logistic Regression分类器进行正反面的二分类;具体方法如下:
301、使用卷积神经网络进行特征获取,在一个卷积层,上一层的特征maps被一个可学习的卷积核进行卷积,然后通过一个激活函数,就可以得到输出特征map。每一个输出map可能是组合卷积多个输入maps的值:
Mj表示选择的输入maps的集合;
302、隐含层的每个神经元与输入层的连线构成了特征向量。去掉输出层,x1、x2···xm就是输出特征值,然后再接上Logistic Regression分类器进行二分类。通过后验概率如果大于0.5,则预测为类别1;否则为类别0。
步骤4、将步骤3中分出的每个样本的正面烟叶进行一个正组烟、青烟和杂烟的三分类;同样使用卷积神经网络进行特征提取,然后在顶层添加一个Softmax分类器进行三分类;步骤如下:
401、同步骤3,首先利用卷积神经网络进行特征提取;
402、使用softmax分类器对正组烟、青烟和杂烟进行三分类,在softmax回归中,对于给定的测试输入x,当我们预测x的每一种分类结果出现的概率,这里我们函数将要输出一个3维的向量(向量元素和为1)来表示3个预测的概率值,假设函数hΘ(x)形式如下:
其中θ1,θ2,θ3∈An+1是模型参数,这一项对概率分布进行归一化,使得所有概率之和为1。
步骤5、使用GoogLeNet模型并采用改进后的Inception结构实现正组烟的等级划分;步骤如下:
501、GoogLeNet模型共有22层,在第一个卷积层conv1中,pad是3,64个特征,7*7步长为2,输出特征为112*112*64,然后进行relu,经过pool1进行pooling 3*3的核,步长为2,[(112-3+1)/2]+1=56特征为56*56*64,然后进行Normal归一化;
502、第二层卷积层conv2,pad是1,3*3,192个特征,输出为56*56*192,然后进行relu,进行norm,经过pool2进行pooling,3*3的核,步长为2输出为28*28*192然后进行split分成四个支线;
503、第三层开始时inception module,如图4所示,这个的思想受到使用不同尺度的卷积核来处理多尺度问题;
504、最后将四个结果进行连接,输出为28*28*256。
以上说明书中描述的只是本发明的具体实施方式,各种举例说明不对本发明的实质内容构成限制,所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形,而不背离本发明的实质和范围。
Claims (6)
1.一种基于深度学习算法的烟叶在线分级方法,其特征在于:包括以下步骤:
步骤1、获取建模样本和待测烟叶样本的正反面RGB图像数据;
步骤2、基于监督式学习方法对图像进行背景Mask;
步骤3、对已经进行了背景Mask的烟叶图像进行正反面分类处理,挑选出每个样本的正面图像作为后续处理对象;
步骤4、将步骤3中分出的每个样本的正面烟叶进行一个正组烟、青烟和杂烟的三分类;
步骤5、使用GoogLeNet模型并采用改进后的Inception结构实现正组烟的等级划分。
2.如权利要求1所述的一种基于深度学习算法的烟叶在线分级方法,其特征在于:所述的步骤2中使用监督式学习把烟叶区域当作缺陷区域进行学习,确定了烟叶区域后,进行反向选择,即确定了背景区域。
3.如权利要求2所述的一种基于深度学习算法的烟叶在线分级方法,其特征在于:包括如下步骤:
201、首先将样本的烟叶区域进行区域编辑和标记;
202、使用监督式学习产生一个全域模型,并将输入物件对应到预期输出,形成区域模型;
203、将待测样本输入到区域模型中,检测出烟叶区域;
204、将203中烟叶区域进行反向选择,即Mask掉了背景区域。
4.如权利要求1所述的一种基于深度学习算法的烟叶在线分级方法,其特征在于:所述的步骤3中,利用卷积神经网络进行特征提取,然后在顶层添加一个Logistic Regression分类器进行正反面的二分类。
5.如权利要求1所述的一种基于深度学习算法的烟叶在线分级方法,其特征在于:所述的步骤4中,使用卷积神经网络进行特征提取,然后在顶层添加一个Softmax分类器进行三分类。
6.如权利要求1所述的一种基于深度学习算法的烟叶在线分级方法,其特征在于:所述的步骤1中的每一片烟叶样本RGB图像数据均包含正面烟叶和反面烟叶两幅图像,并且一一对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710205396.7A CN107016413B (zh) | 2017-03-31 | 2017-03-31 | 一种基于深度学习算法的烟叶在线分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710205396.7A CN107016413B (zh) | 2017-03-31 | 2017-03-31 | 一种基于深度学习算法的烟叶在线分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016413A true CN107016413A (zh) | 2017-08-04 |
CN107016413B CN107016413B (zh) | 2019-11-26 |
Family
ID=59445706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710205396.7A Active CN107016413B (zh) | 2017-03-31 | 2017-03-31 | 一种基于深度学习算法的烟叶在线分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016413B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
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 |
CN108171776A (zh) * | 2017-12-26 | 2018-06-15 | 浙江工业大学 | 一种基于改进的卷积神经网络实现图像编辑传播的方法 |
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 |
CN108427971A (zh) * | 2018-04-19 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于移动终端的烟叶评级的方法及系统 |
CN108827966A (zh) * | 2018-08-22 | 2018-11-16 | 红塔烟草(集团)有限责任公司 | 大叶农作物吸附成像装置 |
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 |
CN109992663A (zh) * | 2019-03-11 | 2019-07-09 | 出门问问信息科技有限公司 | 意向评级模型及其构建方法、计算机设备及存储介质 |
CN110516715A (zh) * | 2019-08-05 | 2019-11-29 | 杭州依图医疗技术有限公司 | 一种手骨分类方法及装置 |
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 |
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 |
CN112042999A (zh) * | 2020-08-25 | 2020-12-08 | 湖北省烟草科学研究院 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323455A (zh) * | 2013-04-24 | 2013-09-25 | 南京文采科技有限责任公司 | 基于反射、透视和显微图像的烟叶分级方法 |
CN106250896A (zh) * | 2016-03-03 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于图像采集装置的在线烟叶的正反面的识别方法 |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
-
2017
- 2017-03-31 CN CN201710205396.7A patent/CN107016413B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323455A (zh) * | 2013-04-24 | 2013-09-25 | 南京文采科技有限责任公司 | 基于反射、透视和显微图像的烟叶分级方法 |
CN106250896A (zh) * | 2016-03-03 | 2016-12-21 | 上海创和亿电子科技发展有限公司 | 基于图像采集装置的在线烟叶的正反面的识别方法 |
CN106326899A (zh) * | 2016-08-18 | 2017-01-11 | 郑州大学 | 一种基于高光谱图像和深度学习算法的烟叶分级方法 |
Non-Patent Citations (1)
Title |
---|
李海杰: "《基于机器视觉的烟草异物检测和烟叶分类分级方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN107633255B (zh) * | 2017-08-11 | 2021-05-25 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
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 |
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 |
CN108171776A (zh) * | 2017-12-26 | 2018-06-15 | 浙江工业大学 | 一种基于改进的卷积神经网络实现图像编辑传播的方法 |
CN108171776B (zh) * | 2017-12-26 | 2021-06-08 | 浙江工业大学 | 一种基于改进的卷积神经网络实现图像编辑传播的方法 |
CN108427971A (zh) * | 2018-04-19 | 2018-08-21 | 云南佳叶现代农业发展有限公司 | 基于移动终端的烟叶评级的方法及系统 |
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 |
CN108827966A (zh) * | 2018-08-22 | 2018-11-16 | 红塔烟草(集团)有限责任公司 | 大叶农作物吸附成像装置 |
CN109992663A (zh) * | 2019-03-11 | 2019-07-09 | 出门问问信息科技有限公司 | 意向评级模型及其构建方法、计算机设备及存储介质 |
CN110516715A (zh) * | 2019-08-05 | 2019-11-29 | 杭州依图医疗技术有限公司 | 一种手骨分类方法及装置 |
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 |
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 |
CN112042999A (zh) * | 2020-08-25 | 2020-12-08 | 湖北省烟草科学研究院 | 一种基于神经网络的挂灰烟识别的质量判定方法 |
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 |
CN113516617B (zh) * | 2021-04-02 | 2023-05-05 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN107016413B (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016413B (zh) | 一种基于深度学习算法的烟叶在线分级方法 | |
Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN111310862B (zh) | 复杂环境下基于图像增强的深度神经网络车牌定位方法 | |
CN107092870B (zh) | 一种高分辨率影像语义信息提取方法 | |
CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN112085735A (zh) | 一种基于自适应锚框的铝材质图像缺陷检测方法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
CN108764308A (zh) | 一种基于卷积循环网络的行人重识别方法 | |
CN108647655A (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
CN109241982A (zh) | 基于深浅层卷积神经网络的目标检测方法 | |
CN109766873B (zh) | 一种混合可变形卷积的行人再识别方法 | |
CN111160249A (zh) | 基于跨尺度特征融合的光学遥感图像多类目标检测方法 | |
CN114663346A (zh) | 一种基于改进YOLOv5网络的带钢表面缺陷检测方法 | |
CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN108596203A (zh) | 并联池化层对受电弓碳滑板表面磨耗检测模型的优化方法 | |
CN105787506A (zh) | 基于图像识别与二维码识别技术的垃圾分类评价方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN108133235A (zh) | 一种基于神经网络多尺度特征图的行人检测方法 | |
CN109815799A (zh) | 一种基于ssd的快速航拍车辆检测算法 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN107977683A (zh) | 基于卷积特征提取和机器学习的联合sar目标识别方法 | |
CN108764018A (zh) | 一种基于卷积神经网络的多任务车辆再识别方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: 213161 Jinhua Road, Wujin Economic Development Zone, Changzhou, Jiangsu 258-6 Applicant after: Zhengtu Xinshi (Jiangsu) Science and Technology Co., Ltd. Address before: 213161 Jinhua Road, Wujin Economic Development Zone, Changzhou, Jiangsu 258-6 Applicant before: Sign new map (Jiangsu) Technology Co. Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |