CN107862326A - 一种基于全卷积神经网络的成熟苹果识别方法 - Google Patents
一种基于全卷积神经网络的成熟苹果识别方法 Download PDFInfo
- Publication number
- CN107862326A CN107862326A CN201711031490.1A CN201711031490A CN107862326A CN 107862326 A CN107862326 A CN 107862326A CN 201711031490 A CN201711031490 A CN 201711031490A CN 107862326 A CN107862326 A CN 107862326A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- length
- convolutional neural
- convolution kernel
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000011946 reduction process Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000003475 lamination Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003292 diminished effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于全卷积神经网络的成熟苹果识别方法，本发明方法具体步骤如下：Step1、收集苹果图片并对已成熟苹果进行标注，制作成一个训练数据集；Step2、输入图片并进行降噪处理；Step3、设计全卷积神经网络的结构；Step4、使用降噪处理后的训练数据集对全卷积神经网络进行训练；Step5、使用训练完成的全卷积神经网络对已成熟苹果进行识别分割。本发明通过全卷积神经网络对图像进行分割，能够得到输出图片每一个像素点的预测类别，从而能够得到精确的苹果位置，避免了背景过于复杂的情况下，苹果识别准确度不够准确的问题。准确率、效率、实时性高，且实现过程方便、通用技术强。
Description
技术领域
本发明涉及一种基于全卷积神经网络的成熟苹果识别方法，属于数字图像处理目标检测识别技术领域。
背景技术
我国的水果产量一直以来都稳居于世界第一位的位置，而且水果种植面积正在逐年增高，但是在这个水果种植面积飞速发展的时代，我国苹果采摘的形式仍旧十分落后还是以人工采摘为主，这种采摘方式不仅效率低、采摘质量不高，非常不符合农业现代化的发展趋势。比如，由于人在一个时刻只能摘一棵树的苹果，极大的限定了人的采摘效率。不能及时对已成熟苹果进行采摘，会导致苹果过熟甚至腐烂。为此，机器人在农业采摘工作中起到了很大的重要，但是现阶段，国内外农业采摘机器人面临的主要问题有：识别准确度低，效率低以及适用性差。
随着人们对机器视觉的研究越来越深入，研究人员们也不断努力开发出新技术，新的识别方法，希望能开发出更好的系统在复杂背景下准确识别已成熟苹果。
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全卷积神经网络的成熟苹果识别方法，以用于通过该方法有效地识别已成熟苹果。
本发明的技术方案是：一种基于全卷积神经网络的成熟苹果识别方法，所述方法具体步骤如下：
Step1、收集苹果图片并对已成熟苹果进行标注，制作成一个训练数据集；
Step2、输入图片并进行降噪处理；
Step3、设计全卷积神经网络的结构；
Step4、使用降噪处理后的训练数据集对全卷积神经网络进行训练；
Step5、使用训练完成的全卷积神经网络对已成熟苹果进行识别分割。
所述步骤Step1中，已成熟苹果标注为手工像素级别标注。
所述步骤Step2中，降噪处理使用的是中值滤波和图像锐化的组合方法。
所述全卷积神经网络结构是由13个卷积层、5个池化层和3个反卷积层构成的网络。
所述步骤Step3中，全卷积神经网络具体结构为：
第一层，卷积层，卷积核大小为3x3x3x64，步长为1；
第二层，卷积层，卷积核大小为3x3x64x64，步长为1；
第三层，最大池化层，池化区间为2x2，步长为2；
第四层，卷积层，卷积核大小为3x3x64x128，步长为1；
第五层，卷积层，卷积核大小为3x3x128x128，步长为1；
第六层，最大池化层，池化区间为2x2，步长为2；
第七层，卷积层，卷积核大小为3x3x128x256，步长为1；
第八层，卷积层，卷积核大小为3x3x256x256，步长为1；
第九层，卷积层，卷积核大小为3x3x256x256，步长为1；
第十层，最大池化层，池化区间为2x2，步长为2；
第十一层，卷积层，卷积核大小为3x3x256x512，步长为1；
第十二层，卷积层，卷积核大小为3x3x512x512，步长为1；
第十三层，卷积层，卷积核大小为3x3x512x512，步长为1；
第十四层，最大池化层，池化区间为2x2，步长为2；
第十五层，卷积层，卷积核大小为3x3，步长为1；
第十六层，卷积层，卷积核大小为3x3，步长为1；
第十七层，卷积层，卷积核大小为3x3，步长为1；
第十八层，最大池化层，池化区间为2x2，步长为2；
第十九层，反卷积层，卷积核大小为4x4，步长为1；
第二十层，反卷积层，卷积核大小为4x4，步长为1；
第二十一层，反卷积层，卷积核大小为16x16，步长为1。
所述全卷积神经网络结构还包括一个误差层，用于计算误差。
所述全卷积神经网络结构中的卷积层之后池化层之前增加一个非线性响应单元。
所述全卷积神经网络结构中的池化层之后反卷积层之前增加一个非线性响应单元。
所述非线性响应单元采用纠正线性单元。
所述步骤Step4中，所述全卷积神经网络训练使用批量梯度下降法。
本发明的有益效果是：利用数字图像处理技术，实现对已成熟苹果的自动识别分割。具体的本发明通过全卷积神经网络对图像进行分割，能够得到输出图片每一个像素点的预测类别，从而能够得到精确的苹果位置，避免了背景过于复杂的情况下，苹果识别准确度不够准确的问题。准确率、效率、实时性高，且实现过程方便、通用技术强。另外，本发明减少了全卷积神经网络传统结构的层数，加快了计算速度，拥有较好的时效性。
附图说明
图1是一种基于全卷积神经网络的成熟苹果识别方法的流程图；
图2是本发明具体实施方式中人工标注的图像；
图3是本发明的具体实施方式中采集到的图像；
图4是全卷积网络的分层结构示意图；
图5是本发明具体实施方式中使用训练完成的全卷积神经网络进行目标分割得到的图像。
具体实施方式
实施例1：程序环境为PC(Intel(R) Core(TM)2 Duo CPU T6570@2.10GHz, 16GB内存, Windows7-64bit的MATLAB2015a平台上实现。本发明中采集的图像格式规定为JPG格式，分辨率为1280× 960，图中的目标为已成熟苹果。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种基于全卷积神经网络的成熟苹果识别方法，流程图如图1所示，所述方法具体步骤如下：
Step1、收集苹果图片并对已成熟苹果进行标注，制作成一个训练数据集；
标注图片如附图2所示。
针对收集的苹果图片，手工标注苹果类别。苹果类别包括但仅限于已成熟，为了得到最优的训练效果，手工标注为像素级别。针对收集的苹果图片，按照像素对苹果类别进行标注。属于苹果的像素为白色，属于背景的像素为灰色难以判断是否属于苹果的边界区域像素，使用黑色进行标注。
此外，收集的苹果图片必须是苹果形状完整的图片。苹果很小，不完整或者非常模糊的图片不包含在本训练数据集。
Step2、输入图片并进行降噪处理；输入图片如附图3所示。
由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染。这些噪声在图像上常表现为容易引起较强视觉效果的孤立像素点或像素块。因此需要对输入的图片进行降噪处理。
图像识别中边缘信息往往决定着识别精度的高低，因此在降噪处理中使用保护边缘信息的中值滤波进行平滑降噪，再使用图像锐化补偿图像的轮廓，增强图像的边缘以及灰度跳变的部分，使得边缘更为清晰。
Step3、设计全卷积神经网络的结构；
所述全卷积神经网络结构是由13个卷积层、5个池化层和3个反卷积层构成的网络。具体结构如附图4所示：
所述步骤Step3中，全卷积神经网络具体结构为：
第一层，卷积层，卷积核大小为3x3x3x64，步长为1；
第二层，卷积层，卷积核大小为3x3x64x64，步长为1；
第三层，最大池化层，池化区间为2x2，步长为2；
第四层，卷积层，卷积核大小为3x3x64x128，步长为1；
第五层，卷积层，卷积核大小为3x3x128x128，步长为1；
第六层，最大池化层，池化区间为2x2，步长为2；
第七层，卷积层，卷积核大小为3x3x128x256，步长为1；
第八层，卷积层，卷积核大小为3x3x256x256，步长为1；
第九层，卷积层，卷积核大小为3x3x256x256，步长为1；
第十层，最大池化层，池化区间为2x2，步长为2；
第十一层，卷积层，卷积核大小为3x3x256x512，步长为1；
第十二层，卷积层，卷积核大小为3x3x512x512，步长为1；
第十三层，卷积层，卷积核大小为3x3x512x512，步长为1；
第十四层，最大池化层，池化区间为2x2，步长为2；
第十五层，卷积层，卷积核大小为3x3，步长为1；
第十六层，卷积层，卷积核大小为3x3，步长为1；
第十七层，卷积层，卷积核大小为3x3，步长为1；
第十八层，最大池化层，池化区间为2x2，步长为2；
第十九层，反卷积层，卷积核大小为4x4，步长为1；
第二十层，反卷积层，卷积核大小为4x4，步长为1；
第二十一层，反卷积层，卷积核大小为16x16，步长为1。
进一步地，可以设置所述全卷积神经网络结构还包括一个误差层，用于计算误差。
进一步地，可以设置所述全卷积神经网络结构中的卷积层之后池化层之前增加一个非线性响应单元。进一步地，可以设置所述全卷积神经网络结构中的池化层之后反卷积层之前增加一个非线性响应单元。所述非线性响应单元采用纠正线性单元。该非线性响应单元使用纠正线性单元ReLU，在卷积层之后池化层之前以及池化层之后反卷积层之前增加上述纠正线性单元ReLU，主要用于将卷积层以及池化层的映射结果变得稀疏一些，更接近人的视觉反应。并且非线性响应单元常用的sigmoid函数初始值大的话，会造成权值无法更新，导致大量神经元处于饱和状态。而maxout函数则是容易使得参数double化。因此，综合考虑之下，选择使用纠正线性单元ReLU。
将各卷积层的卷积核大小设为3x3则是能更好的综合局部细节信息。
反卷积层是卷积层的逆向操作，作用是对之前通过卷积层尺寸变小的图片放大。使得输出和输入大小相同。而反卷积层的卷积核大小设为4x4的目的则是综合更多底层特征来智能的得到放大结果。
Step4、使用降噪处理后的训练数据集对全卷积神经网络进行训练；
训练方法采用批量梯度下降法。在实施例中，训练过程总共循环50次，学习率设置为0.0001。为了减小每次循环的迭代次数，提高内存利用率，引入批大小（btachsize）的概念，将批大小设置为10。若再扩充样本，可以继续引入子批大小（subbatchsize）的概念，即为批大小的批大小。
Step5、使用训练完成的全卷积神经网络对已成熟苹果进行识别分割。
最终的输出结果如附图5所示，输入包含已成熟苹果图像，经过本发明的全卷积神经网络后，能够输出已成熟苹果的分类结果和分割。上述分类能够精确到像素级别，既可以精确学习图片中每一像素的类别。从而得到分割结果。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述方法具体步骤如下：
Step1、收集苹果图片并对已成熟苹果进行标注，制作成一个训练数据集；
Step2、输入图片并进行降噪处理；
Step3、设计全卷积神经网络的结构；
Step4、使用降噪处理后的训练数据集对全卷积神经网络进行训练；
Step5、使用训练完成的全卷积神经网络对已成熟苹果进行识别分割。
2.根据权利要求1所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述步骤Step1中，已成熟苹果标注为手工像素级别标注。
3.根据权利要求1所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述步骤Step2中，降噪处理使用的是中值滤波和图像锐化的组合方法。
4.根据权利要求1所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述全卷积神经网络结构是由13个卷积层、5个池化层和3个反卷积层构成的网络。
5.根据权利要求4所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述步骤Step3中，全卷积神经网络具体结构为：
第一层，卷积层，卷积核大小为3x3x3x64，步长为1；
第二层，卷积层，卷积核大小为3x3x64x64，步长为1；
第三层，最大池化层，池化区间为2x2，步长为2；
第四层，卷积层，卷积核大小为3x3x64x128，步长为1；
第五层，卷积层，卷积核大小为3x3x128x128，步长为1；
第六层，最大池化层，池化区间为2x2，步长为2；
第七层，卷积层，卷积核大小为3x3x128x256，步长为1；
第八层，卷积层，卷积核大小为3x3x256x256，步长为1；
第九层，卷积层，卷积核大小为3x3x256x256，步长为1；
第十层，最大池化层，池化区间为2x2，步长为2；
第十一层，卷积层，卷积核大小为3x3x256x512，步长为1；
第十二层，卷积层，卷积核大小为3x3x512x512，步长为1；
第十三层，卷积层，卷积核大小为3x3x512x512，步长为1；
第十四层，最大池化层，池化区间为2x2，步长为2；
第十五层，卷积层，卷积核大小为3x3，步长为1；
第十六层，卷积层，卷积核大小为3x3，步长为1；
第十七层，卷积层，卷积核大小为3x3，步长为1；
第十八层，最大池化层，池化区间为2x2，步长为2；
第十九层，反卷积层，卷积核大小为4x4，步长为1；
第二十层，反卷积层，卷积核大小为4x4，步长为1；
第二十一层，反卷积层，卷积核大小为16x16，步长为1。
6.根据权利要求4所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述全卷积神经网络结构还包括一个误差层，用于计算误差。
7.根据权利要求4所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述全卷积神经网络结构中的卷积层之后池化层之前增加一个非线性响应单元。
8.根据权利要求4所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述全卷积神经网络结构中的池化层之后反卷积层之前增加一个非线性响应单元。
9.根据权利要求7或8所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述非线性响应单元采用纠正线性单元。
10.根据权利要求1或4所述的基于全卷积神经网络的成熟苹果识别方法，其特征在于：所述步骤Step4中，所述全卷积神经网络训练使用批量梯度下降法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711031490.1A CN107862326A (zh) | 2017-10-30 | 2017-10-30 | 一种基于全卷积神经网络的成熟苹果识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711031490.1A CN107862326A (zh) | 2017-10-30 | 2017-10-30 | 一种基于全卷积神经网络的成熟苹果识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107862326A true CN107862326A (zh) | 2018-03-30 |
Family
ID=61696975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711031490.1A Pending CN107862326A (zh) | 2017-10-30 | 2017-10-30 | 一种基于全卷积神经网络的成熟苹果识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107862326A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110243765A (zh) * | 2019-07-02 | 2019-09-17 | 南京农业大学 | 基于水果双层平板模型的光子传输模拟的水果高光谱品质检测方法 |
| CN110309707A (zh) * | 2019-05-08 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习的咖啡果实成熟度的识别方法 |
| CN110648366A (zh) * | 2019-10-14 | 2020-01-03 | 阿丘机器人科技(苏州)有限公司 | 基于深度学习的橘子检测系统及分瓣方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
| CN104700404A (zh) * | 2015-03-02 | 2015-06-10 | 中国农业大学 | 一种果实定位识别方法 |
| CN104704990A (zh) * | 2015-04-08 | 2015-06-17 | 吴春光 | 一种石榴树电子化自动采摘方法 |
| CN105701829A (zh) * | 2016-01-16 | 2016-06-22 | 常州大学 | 一种套袋绿色果实图像分割方法 |
| CN106022221A (zh) * | 2016-05-09 | 2016-10-12 | 腾讯科技（深圳）有限公司 | 一种图像处理方法及处理系统 |
| CN106650743A (zh) * | 2016-09-12 | 2017-05-10 | 北京旷视科技有限公司 | 图像强反光检测方法和装置 |
| CN106951836A (zh) * | 2017-03-05 | 2017-07-14 | 北京工业大学 | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 |
-
2017
- 2017-10-30 CN CN201711031490.1A patent/CN107862326A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102680414A (zh) * | 2012-05-30 | 2012-09-19 | 华中农业大学 | 基于机器视觉的红提葡萄自动分级装置及其方法 |
| CN104700404A (zh) * | 2015-03-02 | 2015-06-10 | 中国农业大学 | 一种果实定位识别方法 |
| CN104704990A (zh) * | 2015-04-08 | 2015-06-17 | 吴春光 | 一种石榴树电子化自动采摘方法 |
| CN105701829A (zh) * | 2016-01-16 | 2016-06-22 | 常州大学 | 一种套袋绿色果实图像分割方法 |
| CN106022221A (zh) * | 2016-05-09 | 2016-10-12 | 腾讯科技（深圳）有限公司 | 一种图像处理方法及处理系统 |
| CN106650743A (zh) * | 2016-09-12 | 2017-05-10 | 北京旷视科技有限公司 | 图像强反光检测方法和装置 |
| CN106951836A (zh) * | 2017-03-05 | 2017-07-14 | 北京工业大学 | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| JONATHAN LONG ET.AL.: ""Fully convolutional Networks for Semantic Segmentation"", 《ARXIV》 * |
| SUCHET BARGOTI, JAMES P. UNDERWOOD: ""Image Segmentation for Fruit Detection and Yield Estimation in Apple Orchards"", 《ARXIV》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN110309707A (zh) * | 2019-05-08 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习的咖啡果实成熟度的识别方法 |
| CN110243765A (zh) * | 2019-07-02 | 2019-09-17 | 南京农业大学 | 基于水果双层平板模型的光子传输模拟的水果高光谱品质检测方法 |
| CN110648366A (zh) * | 2019-10-14 | 2020-01-03 | 阿丘机器人科技(苏州)有限公司 | 基于深度学习的橘子检测系统及分瓣方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862326A (zh) | 一种基于全卷积神经网络的成熟苹果识别方法 | |
| CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
| CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
| CN106372648A (zh) | 基于多特征融合卷积神经网络的浮游生物图像分类方法 | |
| CN110705655A (zh) | 一种基于光谱和机器视觉耦合的烟叶分类方法 | |
| CN107832780A (zh) | 基于人工智能木板分选低置信度样本处理方法及系统 | |
| CN112001901A (zh) | 基于卷积神经网络的苹果缺陷检测方法及系统 | |
| CN113019993B (zh) | 一种籽棉的杂质分类识别方法及系统 | |
| CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
| CN110781889A (zh) | 一种基于深度学习的蓝莓果实中总糖含量的无损检测方法 | |
| CN107038410A (zh) | 一种基于深度堆叠网络的杂草图像识别方法 | |
| CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
| CN116229265A (zh) | 一种自动无损提取大豆植株表型的方法 | |
| CN111126185B (zh) | 一种针对道路卡口场景的深度学习车辆目标识别方法 | |
| CN116129096A (zh) | 一种马铃薯根系长度的数字化测量系统及其测量方法 | |
| CN116434012A (zh) | 一种基于边缘感知的轻量型棉铃检测方法及系统 | |
| CN113869463B (zh) | 一种基于交叉增强匹配的长尾噪声学习方法 | |
| CN115330868A (zh) | 一种基于深度学习与深度信息融合的葡萄采摘方法 | |
| CN116863390A (zh) | 一种饲草复杂背景下有害杂草识别方法及系统 | |
| CN115147835B (zh) | 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法 | |
| CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 | |
| CN109978832A (zh) | 一种基于边缘重建的双绞线绞距检测方法 | |
| CN115880244A (zh) | 一种齿轮缺陷检测方法 | |
| CN115631402A (zh) | 一种适用于智慧养殖的ai算法服务平台构建方法 | |
| CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 |
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 |
Application publication date: 20180330 |
|
| RJ01 | Rejection of invention patent application after publication |