CN107590799A - 基于深度卷积神经网络的香蕉成熟期识别方法和装置 - Google Patents
基于深度卷积神经网络的香蕉成熟期识别方法和装置 Download PDFInfo
- Publication number
- CN107590799A CN107590799A CN201710741008.7A CN201710741008A CN107590799A CN 107590799 A CN107590799 A CN 107590799A CN 201710741008 A CN201710741008 A CN 201710741008A CN 107590799 A CN107590799 A CN 107590799A
- Authority
- CN
- China
- Prior art keywords
- banana
- training
- maturity period
- image
- convolutional neural
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度卷积神经网络的香蕉成熟期识别方法和装置,所述方法包括采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则重新训练香蕉成熟期识别模型,直至达到应用标准。本发明能够避免人为因素带来的误差,为香蕉质量检测提供保障,节省了大量的人力物力。
Description
技术领域
本发明涉及一种图像处理方法,尤其涉及一种基于深度卷积神经网络的香蕉成熟期识别方法和装置。
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,随着社会的进步和自动化程度的不断加深,利用计算机辅助农业生产,一方面既可以节约人力和生产成本,另一方面也可以提高农业生产效率。
在香蕉生产和销售过程上,香蕉的成熟期对于香蕉的品质检测起到决定性的作用,确保香蕉的颜色、外观与标定的香蕉的成熟期符合。香蕉成熟期的分类,不但与质量控制有关,同时也与消费者的接受度有着直接的关联。目前,实际的应用中主要是利用人类视觉进行相较成熟期的检测和验证,这就要求工人不但需要提前记忆香蕉在不同成熟期的颜色和外观,同时还需要一定的熟练程度和业务水平。
如何提高香蕉成熟期的识别效率和准确度,是目前需要本领域技术人员迫切解决的一个技术问题。
发明内容
为了解决上述问题,本发明提出了一种基于深度卷积神经网络的香蕉成熟期分类识别。该方法针对目前农业生产中香蕉成熟期自动化检测的问题,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,利用计算机对农业生产检测中需要进行的香蕉图像进行学习,得到可以快速、准确识别不同成熟期阶段的深度学习模型,并且将此模型用于指导农业生产,能够提高生产效率,节约生产成本。
为了实现上述目的,本发明采用如下技术方案:
一种基于深度卷积神经网络的香蕉成熟期识别方法,包括以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则返回步骤3调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
进一步地,所述数据扩充预处理包括图像平移、旋转、取镜像、调整大小、随机裁剪。
进一步地,所述训练香蕉成熟期识别模型为卷积神经网络结构,该结构由三个子网络构成,三个子网络分别应用于处理某图像、与该图像属于相同类别的图像和与该图像属于不同类别的图像;利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
进一步地,所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
一种用于香蕉成熟期识别的计算机装置,包括存储器、处理器、及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时执行以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
进一步地,所述训练香蕉成熟期识别模型包括:
利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
进一步地,所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
一种的计算机可读存储介质,其上存储有计算机程序,用于香蕉成熟期识别,包括存储器、处理器、及存储在存储器上并可在处理器上运行的计算机程序,该程序被处理器执行时执行以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
进一步地,训练香蕉成熟期识别模型包括:
利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
进一步地,所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
本发明的有益效果:
1、本发明利用深度学习技术,采用深度卷积神经网络算法,对生产线上不同香蕉成熟期进行识别检测,确保香蕉颜色、外观与其成熟期相对应,达到生产和检测要求,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和检测中香蕉成熟期识别,不但可以大大提高生产和检测效率,同时可以节省大量的人力物力。这就解决了利用人工因农业生产和食品检测上需要验证的香蕉成熟期的检测所引起的速度过慢和人力资源不足等问题。
3、利用深度卷积神经网络算法训练香蕉成熟期识别模型,能够有效提高香蕉成熟期的识别效率和准确率,有利于简化香蕉成熟期的检测过程,为香蕉质量检测提供保障。
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为本发明基于深度卷积神经网络的香蕉成熟期识别方法的流程图;
图2是构建深度卷积神经网络结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
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,本发明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。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
一种基于深度卷积神经网络的香蕉成熟期识别方法,如图1所示,包括以下步骤:
步骤1:采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
采集香蕉图像时,采用人工设置灯光的方式来排除自然环境中其它光源的干扰。
拍摄时使用高速摄像机,短时间内可以采集到大量的香蕉样本图像。
具体地,在该步骤中,数据采集过程中首先需要排除自然环境中的光线干扰,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正在检测且需要进行成熟期分类的香蕉图像,采集到的每一个不同成熟期的香蕉图像需要按照不同的成熟期归类到相应文件夹中,文件夹的名字即为香蕉的成熟期。采集的每一种香蕉图像数量至少需要150张以上。
步骤2:对采集到的香蕉图像按照对应的成熟期进行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香蕉成熟期的特征,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:对过程1中采集到的所有数据进行数据清洗,逐一对每一种成熟期的香蕉图像进行校验和类别标注,确保每个成熟期文件夹下的香蕉图像与该成熟期对应。
第二步:对清洗完的香蕉成熟期图像进行数据扩充,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227x227大小的图像。
步骤3:结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
结合农业生产和食品检测过程中采集到的香蕉图像的特点以及图像的数据量,专门针对香蕉图像设计相应的卷积神经网络结构,该结构由三个子网络构成,三个子网络分别应用于处理某图像、与该图像属于相同类别的图像和与该图像属于不同类别的图像,如图2所示,该卷积神经网络的主要内容为:三个子网络结构共享以下涉及的所有参数,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。考虑到农业生产和食品检测的要求,从中选出识别准确率最高、识别速度最快的卷积神经网络结构。
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:将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
第一步:利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、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、学习率等。
第二步:根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
步骤5:利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则返回步骤3调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准;
所述步骤5中的精度测试要求模型的识别精度达到99%以上。
如图1所示,所述方法还包括步骤6:将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
实施例二
一种用于香蕉成熟期识别的计算机装置,包括存储器、处理器、及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时执行以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
其中,采集香蕉图像时,采用人工设置灯光的方式来排除自然环境中其它光源的干扰。
所述数据扩充预处理包括图像平移、旋转、取镜像、调整大小、随机裁剪。
所述训练香蕉成熟期识别模型为卷积神经网络结构,该结构由三个子网络构成,三个子网络分别应用于处理某图像、与该图像属于相同类别的图像和与该图像属于不同类别的图像;利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
实施例三
一种的计算机可读存储介质,其上存储有计算机程序,用于香蕉成熟期识别,包括存储器、处理器、及存储在存储器上并可在处理器上运行的计算机程序,该程序被处理器执行时执行以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
其中,采集香蕉图像时,采用人工设置灯光的方式来排除自然环境中其它光源的干扰。
所述数据扩充预处理包括图像平移、旋转、取镜像、调整大小、随机裁剪。
所述训练香蕉成熟期识别模型为卷积神经网络结构,该结构由三个子网络构成,三个子网络分别应用于处理某图像、与该图像属于相同类别的图像和与该图像属于不同类别的图像;利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
本发明利用深度学习技术,采用深度卷积神经网络算法,对生产线上香蕉成熟期进行识别检测,确保香蕉颜色、外观与其成熟期相对应,达到生产和检测要求,避免了人为因素带来的误差,为香蕉质量检测提供保障,通过机器自动的识别,节省了大量的人力物力。
本领域技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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香蕉成熟期识别方法,其特征在于,包括以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则返回步骤3调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
2.如权利要求1所述的一种基于深度卷积神经网络的香蕉成熟期识别方法,其特征在于:所述数据扩充预处理包括图像平移、旋转、取镜像、调整大小、随机裁剪。
3.如权利要求1所述的一种基于深度卷积神经网络的香蕉成熟期识别方法,其特征在于:所述训练香蕉成熟期识别模型为卷积神经网络结构,该结构由三个子网络构成,三个子网络分别应用于处理某图像、与该图像属于相同类别的图像和与该图像属于不同类别的图像;利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
4.如权利要求1所述的一种基于深度卷积神经网络的香蕉成熟期识别方法,其特征在于:所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
5.一种用于香蕉成熟期识别的计算机装置,包括存储器、处理器、及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时执行以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
6.如权利要求5所述的一种用于香蕉成熟期识别的计算机装置,其特征在于:所述训练香蕉成熟期识别模型包括:
利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
7.如权利要求5所述的一种用于香蕉成熟期识别的计算机装置,其特征在于:所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
8.一种的计算机可读存储介质,其上存储有计算机程序,用于香蕉成熟期识别,包括存储器、处理器、及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,该程序被处理器执行时执行以下步骤:
采集农业生产和食品质量检测过程中上需要检测的处于不同成熟期的香蕉图像;
对采集到的香蕉图像按照对应的成熟期进行数据清洗以及数据扩充预处理;
结合待识别香蕉成熟期图像的特点,针对性地设计相应的深度卷积神经网络结构;
将所述预处理后的香蕉图像作为训练数据,利用所述深度卷积神经网络结构,训练香蕉成熟期识别模型;
利用训练好的香蕉成熟期识别模型对待识别的香蕉图像进行精度测试,若测试精度未达到应用标准,则调整卷积神经网络结构和训练参数,重新训练香蕉成熟期识别模型,直至达到应用标准。
9.如权利要求8所述的所述一种的计算机可读存储介质,其特征在于,训练香蕉成熟期识别模型包括:
利用所述深度卷积神经网络结构,结合训练数据,设置训练超参数,所述训练超参数包括学习率的大小、训练的迭代次数、优化方法、使用何种模式、批处理图像大小、学习率;
根据所述训练超参数,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,得到训练好的香蕉成熟期识别模型。
10.如权利要求8所述的所述一种的计算机可读存储介质,其特征在于,所述方法还包括将香蕉成熟期识别模型进行部署,应用于香蕉质量检测和农业生产中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710741008.7A CN107590799A (zh) | 2017-08-25 | 2017-08-25 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710741008.7A CN107590799A (zh) | 2017-08-25 | 2017-08-25 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590799A true CN107590799A (zh) | 2018-01-16 |
Family
ID=61043080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710741008.7A Pending CN107590799A (zh) | 2017-08-25 | 2017-08-25 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590799A (zh) |
Cited By (9)
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 |
CN108596987A (zh) * | 2018-04-25 | 2018-09-28 | 南京农业大学 | 基于图像深度特征序列的堆肥腐熟判断方法 |
CN108682006A (zh) * | 2018-04-25 | 2018-10-19 | 南京农业大学 | 非接触式罐装堆肥腐熟判断方法 |
CN108845075A (zh) * | 2018-04-25 | 2018-11-20 | 南京农业大学 | 基于深度学习网络的堆肥腐熟实时预测方法 |
CN109794431A (zh) * | 2019-03-19 | 2019-05-24 | 广东省农业科学院农业生物基因研究中心 | 一种智能化筛选高活力作物种子的技术 |
CN109871833A (zh) * | 2019-03-19 | 2019-06-11 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
CN110471988A (zh) * | 2019-08-09 | 2019-11-19 | 南京智骋致想电子科技有限公司 | 一种基于模块化的三段五层式人工智能系统 |
CN111160250A (zh) * | 2019-12-30 | 2020-05-15 | 安徽易刚信息技术有限公司 | 一种基于人工神经网络的蓝莓生长期检测方法及装置 |
CN113076819A (zh) * | 2021-03-17 | 2021-07-06 | 山东师范大学 | 同色系背景下的果实识别方法、装置及果实采摘机器人 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6803956B1 (en) * | 2000-06-12 | 2004-10-12 | Pulnix America, Inc. | Color recognition camera |
CN1987456A (zh) * | 2006-12-14 | 2007-06-27 | 浙江大学 | 一种水果成熟度预测方法 |
CN101893591A (zh) * | 2010-06-24 | 2010-11-24 | 浙江大学 | 用于香蕉品质检测的电子鼻系统 |
CN103439271B (zh) * | 2013-08-29 | 2015-10-28 | 华南理工大学 | 一种猪肉成熟状况的可视化检测方法 |
CN105513096A (zh) * | 2015-11-18 | 2016-04-20 | 青岛农业大学 | 一种冬小麦生物量估算方法 |
CN106228177A (zh) * | 2016-06-30 | 2016-12-14 | 浙江大学 | 基于卷积神经网络的日常生活物体图像识别方法 |
CN106338517A (zh) * | 2016-09-23 | 2017-01-18 | 江苏大学 | 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法 |
-
2017
- 2017-08-25 CN CN201710741008.7A patent/CN107590799A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6803956B1 (en) * | 2000-06-12 | 2004-10-12 | Pulnix America, Inc. | Color recognition camera |
CN1987456A (zh) * | 2006-12-14 | 2007-06-27 | 浙江大学 | 一种水果成熟度预测方法 |
CN101893591A (zh) * | 2010-06-24 | 2010-11-24 | 浙江大学 | 用于香蕉品质检测的电子鼻系统 |
CN103439271B (zh) * | 2013-08-29 | 2015-10-28 | 华南理工大学 | 一种猪肉成熟状况的可视化检测方法 |
CN105513096A (zh) * | 2015-11-18 | 2016-04-20 | 青岛农业大学 | 一种冬小麦生物量估算方法 |
CN106228177A (zh) * | 2016-06-30 | 2016-12-14 | 浙江大学 | 基于卷积神经网络的日常生活物体图像识别方法 |
CN106338517A (zh) * | 2016-09-23 | 2017-01-18 | 江苏大学 | 基于视觉和嗅觉信息协同的水果新鲜度智能化评判方法 |
Non-Patent Citations (1)
Title |
---|
HASNIDA SAADL 等: "RECOGNIZING THE RIPENESS OF BANANAS USING ARTIFICIAL NEURAL NETWORK BASED ON HISTOGRAM APPROACH", 《2009 IEEE INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING APPLICATIONS》 * |
Cited By (13)
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 |
CN108682006B (zh) * | 2018-04-25 | 2021-07-20 | 南京农业大学 | 非接触式罐装堆肥腐熟判断方法 |
CN108596987A (zh) * | 2018-04-25 | 2018-09-28 | 南京农业大学 | 基于图像深度特征序列的堆肥腐熟判断方法 |
CN108682006A (zh) * | 2018-04-25 | 2018-10-19 | 南京农业大学 | 非接触式罐装堆肥腐熟判断方法 |
CN108845075A (zh) * | 2018-04-25 | 2018-11-20 | 南京农业大学 | 基于深度学习网络的堆肥腐熟实时预测方法 |
CN108596987B (zh) * | 2018-04-25 | 2022-01-04 | 南京农业大学 | 基于图像深度特征序列的堆肥腐熟判断方法 |
CN108845075B (zh) * | 2018-04-25 | 2021-06-29 | 南京农业大学 | 基于深度学习网络的堆肥腐熟实时预测方法 |
CN109794431A (zh) * | 2019-03-19 | 2019-05-24 | 广东省农业科学院农业生物基因研究中心 | 一种智能化筛选高活力作物种子的技术 |
CN109871833A (zh) * | 2019-03-19 | 2019-06-11 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
CN110471988A (zh) * | 2019-08-09 | 2019-11-19 | 南京智骋致想电子科技有限公司 | 一种基于模块化的三段五层式人工智能系统 |
CN110471988B (zh) * | 2019-08-09 | 2023-05-02 | 南京智骋致想电子科技有限公司 | 一种基于模块化的三段五层式人工智能系统 |
CN111160250A (zh) * | 2019-12-30 | 2020-05-15 | 安徽易刚信息技术有限公司 | 一种基于人工神经网络的蓝莓生长期检测方法及装置 |
CN113076819A (zh) * | 2021-03-17 | 2021-07-06 | 山东师范大学 | 同色系背景下的果实识别方法、装置及果实采摘机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590799A (zh) | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 | |
WO2020177432A1 (zh) | 基于目标检测网络的多标签物体检测方法、系统、装置 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN107832684B (zh) | 一种具有自主学习能力的智能静脉认证方法和系统 | |
CN104866868B (zh) | 基于深度神经网络的金属币识别方法和装置 | |
CN109215013A (zh) | 自动骨龄预测方法、系统、计算机设备和存储介质 | |
CN110059750A (zh) | 户型形状识别方法、装置和设备 | |
CN108009673A (zh) | 基于深度学习的新型负荷预测方法和装置 | |
CN105989330A (zh) | 一种图片检测方法及设备 | |
WO2020228283A1 (zh) | 特征提取方法、装置及计算机可读存储介质 | |
CN110264407B (zh) | 图像超分辨模型训练及重建方法、装置、设备及存储介质 | |
Gao et al. | A Novel Deep Convolutional Neural Network Based on ResNet‐18 and Transfer Learning for Detection of Wood Knot Defects | |
CN109712128A (zh) | 特征点检测方法、装置、计算机设备和存储介质 | |
CN105469376A (zh) | 确定图片相似度的方法和装置 | |
CN110827297A (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN108182423A (zh) | 一种基于深度卷积神经网络的禽类动物行为识别方法 | |
CN107578439A (zh) | 生成目标图像的方法、装置及设备 | |
CN107527065A (zh) | 一种基于卷积神经网络的花卉品种识别模型建立方法 | |
CN110390673A (zh) | 一种监控场景下基于深度学习的香烟自动检测方法 | |
CN107481218A (zh) | 图像美感评估方法及装置 | |
CN113469233B (zh) | 基于深度学习的烟叶自动定级方法及系统 | |
CN109063720A (zh) | 手写字训练样本获取方法、装置、计算机设备及存储介质 | |
CN108492301A (zh) | 一种场景分割方法、终端及存储介质 | |
CN109918400A (zh) | 绩效自动考核方法、装置、计算机设备及存储介质 | |
CN110321430A (zh) | 域名识别和域名识别模型生成方法、装置及存储介质 |
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: 20180116 |