CN107194432A - 一种基于深度卷积神经网络的冰箱门体识别方法及系统 - Google Patents
一种基于深度卷积神经网络的冰箱门体识别方法及系统 Download PDFInfo
- Publication number
- CN107194432A CN107194432A CN201710442473.0A CN201710442473A CN107194432A CN 107194432 A CN107194432 A CN 107194432A CN 201710442473 A CN201710442473 A CN 201710442473A CN 107194432 A CN107194432 A CN 107194432A
- Authority
- CN
- China
- Prior art keywords
- refrigerator door
- image
- convolutional neural
- neural networks
- depth convolutional
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的冰箱门体识别方法及系统,其中该方法包括采集生产线上需要二次验证的所有型号的冰箱门体图像;对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理;提取预处理后的冰箱门体图像的纹理特征,并构建深度卷积神经网络结构;将预处理后的冰箱门体图像作为训练数据,利用深度卷积神经网络结构,训练冰箱门体识别模型;利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试,若测试精度未达到工业应用标准,则重新构建深度卷积神经网络结构来训练冰箱门体识别模型,直至达到工业应用标准。
Description
技术领域
本发明属于图像分类识别领域,尤其涉及一种基于深度卷积神经网络的冰箱门体识别方法及系统。
背景技术
近年来,深度学习技术特别是卷积神经网络已经广泛用于图像分类、目标检测、图像分割等图像识别任务中。同时,随着社会的进步和工业自动化程度的不断加深,利用计算机辅助工业生产,一方面既可以节约人力和生产成本,另一方面也可以提高生产效率。
在工厂中的冰箱生产线上,冰箱成品在装箱前需要进行二次验证,确保冰箱门体的颜色、外观与生产的冰箱型号相符合。目前,工厂中主要是利用工人在生产线上进行冰箱型号的二次验证,这就要求工人不但需要提前记忆大量冰箱的型号对应的门体颜色和外观,同时还需要一定的熟练程度和业务水平。另外,在冰箱型号二次验证的过程中,一方面工人的工作效率会影响生产效率,当有新的冰箱型号需要验证识别时,工人需要花费大量时间进行学习和记忆;另一方面在生产成本和开支方面也会带来浪费。
综上所述,现有技术中对于冰箱门体识别效率慢且成本高的问题,尚缺乏有效的解决方案。
发明内容
为了解决现有技术的不足,本发明提供了一种基于深度卷积神经网络的冰箱门体识别方法。该方法针对目前工厂生产线上冰箱型号的二次验证存在的问题,结合计算机技术和深度学习技术,特别是利用深度卷积神经网络算法,利用计算机对生产线上需要进行二次型号验证的冰箱图像进行学习,得到可以快速、准确识别不同冰箱型号的模型,并且将此模型用于指导工业生产,能够提高生产效率,节约生产成本。
本发明的一种基于深度卷积神经网络的冰箱门体识别方法,包括:
采集生产线上需要二次验证的所有型号的冰箱门体图像;
对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理;
提取预处理后的冰箱门体图像的纹理特征,并构建深度卷积神经网络结构;
将预处理后的冰箱门体图像作为训练数据,利用深度卷积神经网络结构,训练冰箱门体识别模型;
利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试,若测试精度未达到工业应用标准,则重新构建深度卷积神经网络结构来训练冰箱门体识别模型,直至达到工业应用标准。
进一步的,在采集生产线上的冰箱门体图像时,采用人工设置灯光的方式来排出外界光源的干扰。
拍摄时使用高速摄像机,短时间内可以采集到大量的冰箱样本图像。
进一步的,对冰箱门体图像进行数据扩充预处理包括:图像的平移操作、图像的旋转操作、图像的水平翻转操作和图像的随机裁剪操作。
其中,图像的平移包括但不限于图像的上下平移、左右平移;图像的旋转包括但不限于按照不同的角度例如90°、180°、270°进行旋转;图像的大小调整是出于适应卷积神经网络算法的考虑,图像的随机裁剪包括但不限于在图像的四个角以及以图像为中心,裁剪出227*227大小的图像。
进一步的,训练冰箱门体识别模型的过程为:
利用构建好的深度卷积神经网络结构,结合训练数据,设置训练超参数;所述超参数包括学习率的大小、训练的迭代次数、优化的方法、批处理图像大小和学习率;
利用深度卷积神经网络算法进行训练,达到最大训练次数以后训练完毕,得到训练好的冰箱门体识别模型。
进一步的,该方法还包括:部署冰箱门体识别模型,应用于冰箱生产线来指导工业生产。
本发明还提供了一种基于深度卷积神经网络的冰箱门体识别系统。
本发明的一种基于深度卷积神经网络的冰箱门体识别系统,包括:
图像采集模块,其用于采集生产线上需要二次验证的所有型号的冰箱门体图像;
图像预处理模块,其用于对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理;
深度卷积神经网络构建模块,其用于提取预处理后的冰箱门体图像的纹理特征,并构建深度卷积神经网络结构;
识别模型训练模块,其用于将预处理后的冰箱门体图像作为训练数据,利用深度卷积神经网络结构,训练冰箱门体识别模型;
精度测试模块,其用于利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试,若测试精度未达到工业应用标准,则重新构建深度卷积神经网络结构来训练冰箱门体识别模型,直至达到工业应用标准。
进一步的,在所述图像采集模块中,采用人工设置灯光的方式来排出外界光源的干扰。
进一步的,在所述图像预处理模块中,对冰箱门体图像进行数据扩充预处理包括:图像的平移操作、图像的旋转操作、图像的水平翻转操作和图像的随机裁剪操作。
进一步的,在所述识别模型训练模块中,冰箱门体识别模型训练过程包括:
利用构建好的深度卷积神经网络结构,结合训练数据,设置训练超参数;所述超参数包括学习率的大小、训练的迭代次数、优化的方法、批处理图像大小和学习率;
利用深度卷积神经网络算法进行训练,达到最大训练次数以后训练完毕,得到训练好的冰箱门体识别模型。
进一步的,该系统还包括:识别模型部署模块,其用于部署冰箱门体识别模型,应用于冰箱生产线来指导工业生产。
与现有技术相比,本发明的有益效果是:
(1)本发明利用深度学习技术,采用深度卷积神经网络算法,对生产线上不同型号的冰箱门体进行二次识别验证,确保冰箱门体颜色、外观与生产型号相对应,达到出厂要求,避免了人为因素带来的误差。
(2)本发明将深度学习技术应用于生产线中冰箱门体识别,不但可以大大提高生产效率,同时可以节省大量的人力物力。当生产线上有新的冰箱门体需要识别时,只需要采集新型号的冰箱门体图像,和其它需要识别的冰箱门体图像进行训练,即可得到可以快速识别冰箱门体的模型。这就解决了利用人工因生产线上需要验证的冰箱门体型号过多导致的速度过慢的问题。
(3)利用深度卷积神经网络算法训练冰箱门体识别模型,能够有效提高冰箱门体的识别效率和准确率,有利于简化冰箱生产过程,为生产线上生产合格型号的冰箱提供保障。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明的一种基于深度卷积神经网络的冰箱门体识别方法的流程图;
图2是构建深度卷积神经网络结构示意图;
图3是本发明的一种基于深度卷积神经网络的冰箱门体识别系统的结构示意图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
图1是本发明的一种基于深度卷积神经网络的冰箱门体识别方法的流程图。
如图1所示,本发明的一种基于深度卷积神经网络的冰箱门体识别方法,包括:
步骤1:采集生产线上需要二次验证的所有型号的冰箱门体图像。
采集生产线上的冰箱门体图像时,采用人工设置灯光的方式来排出外界光源的干扰。
拍摄时使用高速摄像机,短时间内可以采集到大量的冰箱样本图像。
在该步骤中,需要排除工厂的光线干扰,采用遮罩和人工设置灯光的方式,利用高速摄像机拍摄大量生产线上正在生产且需要进行二次验证的冰箱图像,采集到的每一种型号的冰箱图像需要按照不同的型号名称归类到相应文件夹中,文件夹的名字即为冰箱的型号。采集的每一种冰箱图像数量至少需要50张以上。
步骤2:对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理。
数据预处理主要是考虑到利用深度卷积神经网络算法,需要利用大量数据学习冰箱门体的特征,得到训练模型,提高分类模型的分类准确率和鲁棒性。
第一步:对采集到的所有数据进行数据清洗,逐一对每一种型号的冰箱图像进行校验和类别标注,确保每个型号文件夹下的冰箱图像与该型号对应。
第二步:对清洗完的冰箱门体图像进行数据扩充,主要数据扩充方式包括:图像平移、旋转、取镜像、调整大小、随机裁剪等。其中,图像的平移包括但不限于图像的上下平移、左右平移;图像的旋转包括但不限于按照不同的角度例如90°、180°、270°进行旋转;图像的大小调整是出于适应卷积神经网络算法的考虑,图像的随机裁剪包括但不限于在图像的四个角以及以图像为中心,裁剪出227*227大小的图像。
步骤3:提取预处理后的冰箱门体图像的纹理特征,并构建深度卷积神经网络结构。
结合工业生产线上冰箱图像的特点以及图像的数据量,专门针对冰箱图像设计相应的卷积神经网络结构如图2所示。
卷积神经网络包括:卷积层和下采样层的个数及排列方式、卷积层中卷积核的个数和大小、池化层中滑动窗口的大小和滑动窗口的移动步长、全连接成的结点个数、激活函数的类型,等等。
卷积神经网络分类器包括:多个特征图层,多个特征图层中的至少一个特征图层中的至少一个特征图被划分成多个区域;以及多个卷积模板,多个卷积模板与多个区域分别对应,每个卷积模板用于提取相应区域神经元的响应值。
步骤4:将预处理后的冰箱门体图像作为训练数据,利用深度卷积神经网络结构,训练冰箱门体识别模型。
其中,训练冰箱门体识别模型的过程为:
利用构建好的深度卷积神经网络结构,结合训练数据,设置训练超参数;所述超参数包括学习率的大小、训练的迭代次数、优化的方法、批处理图像大小和学习率;
利用深度卷积神经网络算法进行训练,达到最大训练次数以后训练完毕,得到训练好的冰箱门体识别模型。
其中,训练冰箱门体识别模型的相关参数设置包括:学习率的大小、训练的迭代次数、优化的方法、使用何种模式(CPU或者GPU)、批处理图像大小等。
步骤5:利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试,若测试精度未达到工业应用标准,则重新构建深度卷积神经网络结构来训练冰箱门体识别模型,直至达到工业应用标准。
例如:精度测试要求模型的识别精度达到99%以上。
如图1所示,该方法还包括:部署冰箱门体识别模型,应用于冰箱生产线来指导工业生产。
图3是本发明的一种基于深度卷积神经网络的冰箱门体识别系统结构示意图。
如图3所示,本发明的一种基于深度卷积神经网络的冰箱门体识别系统,包括:
(1)图像采集模块,其用于采集生产线上需要二次验证的所有型号的冰箱门体图像;
在所述图像采集模块中,采用人工设置灯光的方式来排出外界光源的干扰。
(2)图像预处理模块,其用于对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理;
在所述图像预处理模块中,对冰箱门体图像进行数据扩充预处理包括:图像的平移操作、图像的旋转操作、图像的水平翻转操作和图像的随机裁剪操作。
(3)深度卷积神经网络构建模块,其用于提取预处理后的冰箱门体图像的纹理特征,并构建深度卷积神经网络结构;
(4)识别模型训练模块,其用于将预处理后的冰箱门体图像作为训练数据,利用深度卷积神经网络结构,训练冰箱门体识别模型;
在所述图像预处理模块中,对冰箱门体图像进行数据扩充预处理包括:图像的平移操作、图像的旋转操作、图像的水平翻转操作和图像的随机裁剪操作。
(5)精度测试模块,其用于利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试,若测试精度未达到工业应用标准,则重新构建深度卷积神经网络结构来训练冰箱门体识别模型,直至达到工业应用标准。
进一步的,该系统还包括:识别模型部署模块,其用于部署冰箱门体识别模型,应用于冰箱生产线来指导工业生产。
本发明利用深度学习技术,采用深度卷积神经网络算法,对生产线上不同型号的冰箱门体进行二次识别验证,确保冰箱门体颜色、外观与生产型号相对应,达到出厂要求,避免了人为因素带来的误差。
本发明将深度学习技术应用于生产线中冰箱门体识别,不但可以大大提高生产效率,同时可以节省大量的人力物力。当生产线上有新的冰箱门体需要识别时,只需要采集新型号的冰箱门体图像,和其它需要识别的冰箱门体图像进行训练,即可得到可以快速识别冰箱门体的模型。这就解决了利用人工因生产线上需要验证的冰箱门体型号过多导致的速度过慢的问题。
利用深度卷积神经网络算法训练冰箱门体识别模型,能够有效提高冰箱门体的识别效率和准确率,有利于简化冰箱生产过程,为生产线上生产合格型号的冰箱提供保障。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于深度卷积神经网络的冰箱门体识别方法,其特征在于,包括:
采集生产线上需要二次验证的所有型号的冰箱门体图像;
对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理;
提取预处理后的冰箱门体图像的纹理特征,并构建深度卷积神经网络结构;
将预处理后的冰箱门体图像作为训练数据,利用深度卷积神经网络结构,训练冰箱门体识别模型;
利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试,若测试精度未达到工业应用标准,则重新构建深度卷积神经网络结构来训练冰箱门体识别模型,直至达到工业应用标准。
2.如权利要求1所述的一种基于深度卷积神经网络的冰箱门体识别方法,其特征在于,在采集生产线上的冰箱门体图像时,采用人工设置灯光的方式来排出外界光源的干扰。
3.如权利要求1所述的一种基于深度卷积神经网络的冰箱门体识别方法,其特征在于,对冰箱门体图像进行数据扩充预处理包括:图像的平移操作、图像的旋转操作、图像的水平翻转操作和图像的随机裁剪操作。
4.如权利要求1所述的一种基于深度卷积神经网络的冰箱门体识别方法,其特征在于,训练冰箱门体识别模型的过程为:
利用构建好的深度卷积神经网络结构,结合训练数据,设置训练超参数;所述超参数包括学习率的大小、训练的迭代次数、优化的方法、批处理图像大小和学习率;
利用深度卷积神经网络算法进行训练,达到最大训练次数以后训练完毕,得到训练好的冰箱门体识别模型。
5.如权利要求1所述的一种基于深度卷积神经网络的冰箱门体识别方法,其特征在于,该方法还包括:部署冰箱门体识别模型,应用于冰箱生产线来指导工业生产。
6.一种基于深度卷积神经网络的冰箱门体识别系统,其特征在于,包括:
图像采集模块,其用于采集生产线上需要二次验证的所有型号的冰箱门体图像;
图像预处理模块,其用于对采集到的冰箱门体图像按照型号进行分类、数据清洗以及数据扩充预处理;
深度卷积神经网络构建模块,其用于提取预处理后的冰箱门体图像的纹理特征,并构建深度卷积神经网络结构;
识别模型训练模块,其用于将预处理后的冰箱门体图像作为训练数据,利用深度卷积神经网络结构,训练冰箱门体识别模型;
精度测试模块,其用于利用训练好的冰箱门体识别模型对待识别的冰箱门体图像进行精度测试,若测试精度未达到工业应用标准,则重新构建深度卷积神经网络结构来训练冰箱门体识别模型,直至达到工业应用标准。
7.如权利要求6所述的一种基于深度卷积神经网络的冰箱门体识别系统,其特征在于,在所述图像采集模块中,采用人工设置灯光的方式来排出外界光源的干扰。
8.如权利要求6所述的一种基于深度卷积神经网络的冰箱门体识别系统,其特征在于,在所述图像预处理模块中,对冰箱门体图像进行数据扩充预处理包括:图像的平移操作、图像的旋转操作、图像的水平翻转操作和图像的随机裁剪操作。
9.如权利要求6所述的一种基于深度卷积神经网络的冰箱门体识别系统,其特征在于,在所述识别模型训练模块中,冰箱门体识别模型训练过程包括:
利用构建好的深度卷积神经网络结构,结合训练数据,设置训练超参数;所述超参数包括学习率的大小、训练的迭代次数、优化的方法、批处理图像大小和学习率;
利用深度卷积神经网络算法进行训练,达到最大训练次数以后训练完毕,得到训练好的冰箱门体识别模型。
10.如权利要求6所述的一种基于深度卷积神经网络的冰箱门体识别系统,其特征在于,该系统还包括:识别模型部署模块,其用于部署冰箱门体识别模型,应用于冰箱生产线来指导工业生产。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710442473.0A CN107194432B (zh) | 2017-06-13 | 2017-06-13 | 一种基于深度卷积神经网络的冰箱门体识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710442473.0A CN107194432B (zh) | 2017-06-13 | 2017-06-13 | 一种基于深度卷积神经网络的冰箱门体识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194432A true CN107194432A (zh) | 2017-09-22 |
CN107194432B CN107194432B (zh) | 2020-05-29 |
Family
ID=59877713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710442473.0A Active CN107194432B (zh) | 2017-06-13 | 2017-06-13 | 一种基于深度卷积神经网络的冰箱门体识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194432B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182423A (zh) * | 2018-01-26 | 2018-06-19 | 山东科技大学 | 一种基于深度卷积神经网络的禽类动物行为识别方法 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN109949420A (zh) * | 2019-02-15 | 2019-06-28 | 山东师范大学 | 适用于GPU的Delaunay三角剖分网格细化方法、GPU及系统 |
CN110866608A (zh) * | 2019-10-31 | 2020-03-06 | 同济大学 | 一种自适应学习率计算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425969A (zh) * | 2013-08-07 | 2013-12-04 | 华南理工大学 | 一种识别轮毂型号的检测系统及其检测方法 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
-
2017
- 2017-06-13 CN CN201710442473.0A patent/CN107194432B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425969A (zh) * | 2013-08-07 | 2013-12-04 | 华南理工大学 | 一种识别轮毂型号的检测系统及其检测方法 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
CN106778902A (zh) * | 2017-01-03 | 2017-05-31 | 河北工业大学 | 基于深度卷积神经网络的奶牛个体识别方法 |
Non-Patent Citations (1)
Title |
---|
李思雯 等: "集成的卷积神经网络在智能冰箱果蔬识别中的应用", 《数据采集与处理》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182423A (zh) * | 2018-01-26 | 2018-06-19 | 山东科技大学 | 一种基于深度卷积神经网络的禽类动物行为识别方法 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN109949420A (zh) * | 2019-02-15 | 2019-06-28 | 山东师范大学 | 适用于GPU的Delaunay三角剖分网格细化方法、GPU及系统 |
CN109949420B (zh) * | 2019-02-15 | 2023-03-14 | 山东师范大学 | 适用于GPU的Delaunay三角剖分网格细化方法、GPU及系统 |
CN110866608A (zh) * | 2019-10-31 | 2020-03-06 | 同济大学 | 一种自适应学习率计算方法 |
CN110866608B (zh) * | 2019-10-31 | 2022-06-07 | 同济大学 | 一种自适应学习率计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107194432B (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709936A (zh) | 一种基于卷积神经网络的单目标跟踪方法 | |
CN110796186A (zh) | 基于改进的YOLOv3网络的干湿垃圾识别分类方法 | |
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN107194432A (zh) | 一种基于深度卷积神经网络的冰箱门体识别方法及系统 | |
CN109993734A (zh) | 用于输出信息的方法和装置 | |
CN111160440A (zh) | 一种基于深度学习的安全帽佩戴检测方法及装置 | |
CN109697469A (zh) | 一种基于一致性约束的自学习小样本遥感图像分类方法 | |
CN109543548A (zh) | 一种人脸识别方法、装置及存储介质 | |
CN111259481B (zh) | 一种整合空间信息的建筑室内光环境设计评价方法及装置 | |
CN106875373A (zh) | 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法 | |
CN109741328A (zh) | 一种基于生成式对抗网络的汽车表观质量检测方法 | |
CN107563431A (zh) | 一种结合cnn迁移学习和svdd的图像异常检测方法 | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
CN109741268B (zh) | 一种针对壁画的破损图像补全方法 | |
CN110009614A (zh) | 用于输出信息的方法和装置 | |
CN105139004A (zh) | 基于视频序列的人脸表情识别方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN109376663A (zh) | 一种人体姿态识别方法及相关装置 | |
CN111445459A (zh) | 一种基于深度孪生网络的图像缺陷检测方法及系统 | |
CN110532946A (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
CN107945210A (zh) | 基于深度学习和环境自适应的目标跟踪算法 | |
Wu et al. | A surface defect detection based on convolutional neural network | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN106529526A (zh) | 一种基于稀疏表示和先验概率相结合的目标跟踪算法 |
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 |