CN108021910A - 基于图谱识别和深度学习的果实分类的分析方法 - Google Patents
基于图谱识别和深度学习的果实分类的分析方法 Download PDFInfo
- Publication number
- CN108021910A CN108021910A CN201810007712.4A CN201810007712A CN108021910A CN 108021910 A CN108021910 A CN 108021910A CN 201810007712 A CN201810007712 A CN 201810007712A CN 108021910 A CN108021910 A CN 108021910A
- Authority
- CN
- China
- Prior art keywords
- layers
- layer
- training
- fruit
- picture
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/04—Sorting according to size
- B07C5/10—Sorting according to size measured by light-responsive means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图谱识别和深度学习的果实分类的分析方法,利用移动机器人采集图像样本通过LMDB数据源的建立以及OpenCV图像预处理;在Caffe框架下进行网络参数的配置;利用CNN卷积神经网络算法构建标准模型,可以实现水果的分类和优选;并且绘制LOSS曲线判别曲线拟合程度。本发明利用基于图谱识别和深度学习的果实分类的分析方法,实现水果的大小、颜色分类,降低了人工水果分拣劳动强度,提高了分拣效率。
Description
技术领域
本发明涉及农业产品图像识别领域,具体涉及到一种基于图谱识别和深度学习的果实分类的分析方法。
背景技术
我国是世界上最大的水果产出国,种植面积与水果产量一直稳居世界第一。同时,果品的质量与产业化水平也有了很大提高,目前,水果产业已经成为了继粮食、蔬菜之后的第三大农业种植产业,是国内外市场前景广阔且具有较强国际竞争力的优势农业产业,也是许多地方经济发展的亮点和农民致富的支柱产业之一。
传统的人工水果分类主要是从色、形两个方面进行人工判别的,它的缺点是效率低、耗时长、识别准确率不稳定等。随着计算机图像处理和模式识别的技术不断成熟和发展,在水果识别方面的自动判别技术也慢慢成熟。国内外对此作了大量的研究,例如Canakkale University 的 Professor,I.Kavdir 等根据苹果的表面质量状况,包括苹果的像素灰度值、纹理特征等来对苹果进行两种类型的分级,一种是“好与差”两级分类,另一种是较为细致的五级分类,都取得了较好的效果。Trueba 等研究者研究提取肉的表面纹理及颜色特征,利用神经网络精确地描述牛肉嫩度。国内的研究主要是在华中农业大学、中国农业大学、中国农科院等高等院校里,安徽农科院的吕秋霞等人提取了水果的颜色、形状以及纹理三个特征,随后利用单个神经网络对其进行等级分类,也取得了一定的成果。
然而无论是国外的专家,还是国内的研究者,所采用的分类器都是单一,换句话说就是单分类器,导致等级判别正确率难以有效提高。此外,目前,我们国家的水果等级分类过程大多采用人工分级,自动化分级系统应用较少。而人工水果分级的不足之处在于 :耗时长,结果不稳定,容易受人为因素干扰,并且耗费大量的人力和物力,不适合水果深加工产业的发展,也制约了我国水果产业在国际市场的竞争力。
发明内容
本发明的目的在于提供一种基于图谱识别和深度学习的果实分类的分析方法,解决上述技术问题。
一种基于图谱识别和深度学习的果实分类的分析方法,以图像样本通过LMDB数据源的建立 以及OpenCV图像预处理 ;在Caffe框架下进行网络参数的配置;利用CNN卷积神经网络算法构建标准模型,可以实现水果的分类和优选。
本方法具体步骤包括 :
(1)收集水果和果实不同状态下的样本图片,使用图片裁剪工具对各样本图片进行裁剪,使整个果实完全位于图片内部,然后将图片存入到基于二叉树的数据库管理库LMDB中,
(2)利用OpenCV图像处理的方法对存入的图像进行旋转,平移,特征缩放和分量均值零化。图片的旋转和平移可以增加样本图片的数量,增强数据源;特征缩放和分量均值零化可以实现图片特征的标准化,改善神经网络模型,
(3)使用Caffe框架设置网络超参数,构建神经网络。CNN的训练是有监督的学习方式,在训练之前需要对网络中的权值和偏置值进行取随机数的初值化操作,避免因权值和偏置值过大使得训练好的模型发散,从而导致训练失败。CNN的前向传播阶段类似于传统神经网络的从前向后的传递方式,即首先将数据集的样本随机分为训练集和测试集,再将训练集输入到网络中,经过逐级的变换得到输出结果,在网络中上一层的输出作为当前层的输入,当前层的输入xl-1与输出xl之间的关系如下:,式中:l代表层数;W代表权值;b代表偏置值(占位符);f是一个Relu激活函数。反向传播的过程就是将误差通过反向传递的方式逐层向前传递,使上一层中的神经元根据误差来自动更新自身的权值和偏置值。CNN的反向传播算法采用基于梯度下降的方式,通过计算网络的全局误差来使网络中的单位权重可以向误差减小的方向进行调整。反向传播阶段是利用反向迭代将输出层的误差逐层向前传递,由于CNN网络由卷积层,值采样层,全连接层组成,值采样层是通过对卷积层进行简单缩放得到的,这使得卷积层和值采样层之间存在着多对一的映射关系,值采样层中的每个神经节点的误差对应着卷积层中的一个局部区域。这就需要在反向传播时将值采样层中的每个神经节点的误差构成一个与卷积层中局部区域相对应的误差信号图。然后将卷积运算中的Relu激活函数的偏导数和所得误差信号图相乘。由于值采样层中权重都是β,因此在上面的计算结果的基础上乘一个β,最后利用反向传播算法发对权值的梯度进行计算。
该神经网络共有11层。C1层是卷积层,形成8个特征图谱,特征图谱中的每个单元与输入层的一个5*5的相邻区域相连,即卷积的输入区域大小是5x5,每个特征图谱内参数共享,即每个特征图谱内只使用一个共同卷积核,卷积核有5x5个连接参数加上1个偏置共26个参数。卷积区域每次滑动一个像素,这样卷积层形成的特征图谱每个的大小是136*136。C1层共有(5*5+1)*8=208个训练参数,有(5*5+1)*8*136*136=3847168个连接;S2层是一个下采样层/池化层,C1层的8个136*136的特征图谱分别进行以2*2为单位的下抽样得到8个68*68的图。每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*8=16个训练参数,有68*68*(2*2+1)*8=184960个连接;C3层是一个卷积层,卷积核和C1相同。C3层有10个68*68的卷积区域。C3层有(5*5+1)*10=260个训练参数,有(5*5+1)*10*64*64=1064960个连接;S4层是一个下采样层/池化层,C3层的10个64*64的特征图谱分别进行以2*2为单位的下抽样得到10个32*32的图。每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*10=20个训练参数,有32*32*(2*2+1)*10=51200个连接;C5层是一个卷积层,卷积核和C3相同。C5层有12个28*28的卷及区域。C5层有(5*5+1)*12=312个训练参数,有(5*5+1)*12*28*28=244608个连接;S6层是一个下采样层/池化层,C5层的12个28*28的特征图谱分别进行以2*2为单位的下抽样得到12个14*14的图。每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*12=24个训练参数,有14*14*(2*2+1)*12=11760个连接;C7层是一个卷积层,卷积核和C5相同,不同的是C7的每个节点与S6中的多个图相连。C7层有16个10*10的图,每个图与S6层的连接的方式采用组合连接(图3)。这种不对称的组合连接的方式有利于提取多种组合特征。改成有(5*5*3+1)*6+(5*5*4+1)*3+(5*5*4+1)*6+(5*5*6+1)*1 =1516 个训练参数,共有1516*10*10=151600个连接;S8层是一个下采样层/池化层,C7层的16个10*10的特征图谱分别进行以2*2为单位的下抽样得到16个5*5的图。每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*16=32个训练参数,有5*5*(2*2+1)*16=2000个连接;C9层是一个卷积层。由于S8层的16个图的大小为5*5,与卷积核的大小相同,所以卷积后形成的图的大小为1*1。这里形成120个卷积结果。每个都与上一层的16个图相连。所以共有(5*5*16+1)*120 = 48120个参数,同样有48120个连接;F10层是全连接层。该层的训练参数和连接数是(120+1)*84=10164;输出层11共有26个节点,分别代表13种水果和对应质量的优差,
(4)设置学习率base_lr为0.01,动量参数momentum为0.9,权重衰减系数weight_decay为0.0005,梯度下降的优化策略使用inv,最大迭代次数10000,每迭代5000次,保存一次结果,训练硬件设备选择GPU运行,
(5)至此13类水果模型已经训练完毕,使用JupyterNoteBook对LOSS曲线进行绘制,观察曲线拟合情况,没有出现过拟合现象,曲线拟合完美,准确率达92.756%。
本发明与现有技术对比的有益效果是:本发明利用基于图谱识别和深度学习的果实分类的分析方法,实现水果的大小、颜色分类,降低了人工水果分拣劳动强度,提高了分拣效率。
附图说明
图1为本发明利用基于图谱识别和深度学习的果实分类的分析方法的流程图。
图2为11层CNN卷积神经网络模型结构图。
图3为C7卷积层和S8下采样层之间的连接组合方式图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于图谱识别和深度学习的果实分类的分析方法,以图像样本通过LMDB数据源的建立 以及OpenCV图像预处理 ;在Caffe框架下进行网络参数的配置;利用CNN卷积神经网络算法构建标准模型,可以实现水果的分类和优选。
本方法具体步骤包括 :
(1)收集水果和果实不同状态下的样本图片,使用图片裁剪工具对各样本图片进行裁剪,使整个果实完全位于图片内部,然后将图片存入到基于二叉树的数据库管理库LMDB中,
(2)利用OpenCV图像处理的方法对存入的图像进行旋转,平移,特征缩放和分量均值零化。图片的旋转和平移可以增加样本图片的数量,增强数据源;特征缩放和分量均值零化可以实现图片特征的标准化,改善神经网络模型,
(3)使用Caffe框架设置网络超参数,构建神经网络,
(4)设置学习率base_lr为0.01,动量参数momentum为0.9,权重衰减系数weight_decay为0.0005,梯度下降的优化策略使用inv,最大迭代次数10000,每迭代5000次,保存一次结果,训练硬件设备选择GPU运行,
(5)至此13类水果模型已经训练完毕,使用JupyterNoteBook对LOSS曲线进行绘制,观察曲线拟合情况,没有出现过拟合现象,曲线拟合完美,准确率达92.756%。
根据图1、图2和图3所示,对本发明的基于图谱识别和深度学习的果实分类系统作进一步详细描述:
(1)利用IP摄像头,抓取图像数据;
(2)视频经过云传输和h.264解压缩被计算机获取;
(3)对样本图片进行裁剪,使水果整体位于图片中;
(4)在LinuxUbuntu系统下,利用OpenCV图像处理的方法对存入的图像进行旋转,平移,特征缩放和分量均值零化,利用图片的旋转和平移可以增加样本图片的数量,增强数据源;特征缩放和分量均值零化可以实现图片特征的标准化,改善神经网络模型;
(5)VS2013环境下,使用Python语言配置神经网络超参数,设置学习率base_lr为0.01,动量参数momentum为0.9,权重衰减系数weight_decay为0.0005,梯度下降的优化策略使用inv,最大迭代次数10000,每迭代5000次,保存一次结果,训练硬件设备选择GPU运行;
(6)训练结束后生成LOSS损失曲线,对结果进行分析,检查拟合性,查找是否出现过拟合现象,经过多次调参调试后,准确率达到92.756%,保存模型;
(7)将生成的模型加入到Java代码中,采集到的每帧图像与模型比较,分析其特性,最终确定果实的特征分类。
Claims (3)
1.基于图谱识别和深度学习的果实分类的分析方法,其特征在于,包括如下步骤:
(1)收集水果果实在不同状态下的样本图片,使用图片裁剪工具对各样本图片进行裁剪,使整个果实完全位于图片内部,
(2)利用OpenCV图像处理的方法对存入的图像进行旋转,平移,特征缩放和分量均值零化,图片的旋转和平移可以增加样本图片的数量,增强数据源;特征缩放和分量均值零化可以实现图片特征的标准化,改善神经网络模型,
(3)将样本图片分为两批:训练集和测试集,训练集和测试集的比例为6:1;使用caffenet的create_imagenet.sh文件将图片存入到基于二叉树的数据库管理库LMDB中,并指定生成路径,
(4)修改solver、train_val配置文件,使用Caffe框架构建神经网络模型,
(5)使用python语言定义Caffe网络框架的每一层,每层参数按照下面11层神经网络计算结果设置,并设置batch_size(一次训练的图片数量)为50;test_iter(测试执行的迭代次数)为50,test_interval(测试频率)为20,base_lr(迭代速率)为0.001, momentum(动量参数)为0.9, weight_decay(权重衰减系数)为0.0005,梯度下降的优化策略使用inv,max_iter(最大迭代次数)10000,每迭代5000次生成一次快照,训练硬件设备选择GPU,使用命令:
./build/tools/caffetrain--solver=examples/my_simple_image/cifar/cifar10_quick_solver.prototxt开始训练数据,
(6)至此13类水果模型已经训练完毕,使用JupyterNoteBook对LOSS曲线进行绘制,观察曲线拟合情况,没有出现过拟合现象,曲线拟合完美,准确率达92.756%,从而完成对果实的分类分析。
2.根据权利要求1所述的基于图谱识别和深度学习的果实分类的分析方法,其特征在于,所述神经网络包括11层,输入为140*140,C1层是卷积层,形成8个特征图谱,特征图谱中的每个单元与输入层的一个5*5的相邻区域相连,即卷积的输入区域大小是5x5,每个特征图谱内参数共享,即每个特征图谱内只使用一个共同卷积核,卷积核有5x5个连接参数加上1个偏置共26个参数;卷积区域每次滑动一个像素,这样卷积层形成的特征图谱每个的大小是136*136;C1层共有(5*5+1)*8=208个训练参数,有(5*5+1)*8*136*136=3847168个连接;S2层是一个下采样层,C1层的8个136*136的特征图谱分别进行以2*2为单位的下抽样得到8个68*68的图;每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*8=16个训练参数,有68*68*(2*2+1)*8=184960个连接;C3层是一个卷积层,卷积核和C1相同,C3层有10个68*68的卷积区域;C3层有(5*5+1)*10=260个训练参数,有(5*5+1)*10*64*64=1064960个连接;S4层是一个下采样层/池化层,C3层的10个64*64的特征图谱分别进行以2*2为单位的下抽样得到10个32*32的图;每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*10=20个训练参数,有32*32*(2*2+1)*10=51200个连接;C5层是一个卷积层,卷积核和C3相同;C5层有12个28*28的卷及区域;C5层有(5*5+1)*12=312个训练参数,有(5*5+1)*12*28*28=244608个连接;S6层是一个下采样层/池化层,C5层的12个28*28的特征图谱分别进行以2*2为单位的下抽样得到12个14*14的图;每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*12=24个训练参数,有14*14*(2*2+1)*12=11760个连接;C7层是一个卷积层,卷积核和C5相同,不同的是C7的每个节点与S6中的多个图相连;C7层有16个10*10的图,每个图与S2层的连接的方式采用组合连接(图3);这种不对称的组合连接的方式有利于提取多种组合特征;改成有(5*5*3+1)*6+(5*5*4+1)*3+(5*5*4+1)*6+(5*5*6+1)*1 =1516 个训练参数,共有1516*10*10=151600个连接;S8层是一个下采样层/池化层,C7层的16个10*10的特征图谱分别进行以2*2为单位的下抽样得到16个5*5的图;每个特征图谱使用一个下抽样核,每个下抽象核有两个训练参数,所以共有2*16=32个训练参数,有5*5*(2*2+1)*16=2000个连接;C9层是一个卷积层;由于S8层的16个图的大小为5*5,与卷积核的大小相同,所以卷积后形成的图的大小为1*1;这里形成120个卷积结果;每个都与上一层的16个图相连;所以共有(5*5*16+1)*120 = 48120个参数,同样有48120个连接;F10层是全连接层;该层的训练参数和连接数是(120+1)*84=10164;输出层11共有26个节点,分别代表13种水果和对应质量的优差。
3.根据权利要求1所述的基于图谱识别和深度学习的果实分类的分析方法,其特征在于,该方法具体实施步骤如下:
(1)利用IP摄像头,抓取图像数据;
(2)视频经过云传输和h.264解压缩被计算机获取;
(3)对样本图片进行裁剪,使水果整体位于图片中;
(4)在LinuxUbuntu系统下,利用OpenCV图像处理的方法对存入的图像进行旋转,平移,特征缩放和分量均值零化,利用图片的旋转和平移可以增加样本图片的数量,增强数据源;特征缩放和分量均值零化可以实现图片特征的标准化,改善神经网络模型;
(5)VS2013环境下,使用python语言定义Caffe网络框架的每一层,每层参数按照下面11层神经网络计算结果设置,并设置batch_size(一次训练的图片数量)为50;test_iter(测试执行的迭代次数)为50,test_interval(测试频率)为20,base_lr(迭代速率)为0.001, momentum(动量参数)为0.9, weight_decay(权重衰减系数)为0.0005,梯度下降的优化策略使用inv,max_iter(最大迭代次数)10000,每迭代5000次生成一次快照,训练硬件设备选择GPU,使用命令:
./build/tools/caffetrain--solver=examples/cnn_solver.prototxt开始训练数据;
(6)训练结束后生成LOSS损失曲线,对结果进行分析,检查拟合性,查找是否出现过拟合现象,经过多次调参调试后,准确率达到92.756%,保存模型;
(7)将生成的模型加入到Java代码中,采集到的每帧图像与模型比较,分析其特性,最终确定果实的特征分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007712.4A CN108021910A (zh) | 2018-01-04 | 2018-01-04 | 基于图谱识别和深度学习的果实分类的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810007712.4A CN108021910A (zh) | 2018-01-04 | 2018-01-04 | 基于图谱识别和深度学习的果实分类的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108021910A true CN108021910A (zh) | 2018-05-11 |
Family
ID=62072588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810007712.4A Pending CN108021910A (zh) | 2018-01-04 | 2018-01-04 | 基于图谱识别和深度学习的果实分类的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108021910A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108940919A (zh) * | 2018-06-14 | 2018-12-07 | 华东理工大学 | 基于无线传输及深度学习的垃圾分类机器人 |
CN109167979A (zh) * | 2018-10-30 | 2019-01-08 | 深兰科技(上海)有限公司 | 多路监控视频人工智能分析的处理方法及系统 |
CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化系统 |
CN109800795A (zh) * | 2018-12-29 | 2019-05-24 | 广州市贺氏办公设备有限公司 | 一种果蔬识别方法及系统 |
CN109829510A (zh) * | 2019-02-26 | 2019-05-31 | 中国农业科学院农业信息研究所 | 一种产品品质分级的方法、装置和设备 |
CN110000116A (zh) * | 2019-04-19 | 2019-07-12 | 福建铂格智能科技股份公司 | 一种基于深度学习的自由落体果蔬分选方法及系统 |
CN110882948A (zh) * | 2019-11-29 | 2020-03-17 | 嘉应学院 | 一种柚子品质分类方法与装置 |
CN110991458A (zh) * | 2019-11-25 | 2020-04-10 | 创新奇智(北京)科技有限公司 | 基于图像特征的人工智能识别结果抽样系统及抽样方法 |
CN111862015A (zh) * | 2020-07-08 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种图像质量等级确定方法、装置及电子设备 |
CN111940305A (zh) * | 2019-05-17 | 2020-11-17 | 东驹股份有限公司 | 具有转盘的咖啡豆筛选系统 |
CN112115983A (zh) * | 2020-08-28 | 2020-12-22 | 浙大城市学院 | 一种基于深度学习的农作物果实分拣算法 |
CN112607100A (zh) * | 2020-11-22 | 2021-04-06 | 泰州市华仕达机械制造有限公司 | 兼容型水果传输分发系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180368A1 (zh) * | 2014-05-27 | 2015-12-03 | 江苏大学 | 一种半监督语音特征可变因素分解方法 |
CN106997475A (zh) * | 2017-02-24 | 2017-08-01 | 中国科学院合肥物质科学研究院 | 一种基于并行卷积神经网络的害虫图像识别方法 |
CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
-
2018
- 2018-01-04 CN CN201810007712.4A patent/CN108021910A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015180368A1 (zh) * | 2014-05-27 | 2015-12-03 | 江苏大学 | 一种半监督语音特征可变因素分解方法 |
CN106997475A (zh) * | 2017-02-24 | 2017-08-01 | 中国科学院合肥物质科学研究院 | 一种基于并行卷积神经网络的害虫图像识别方法 |
CN107292256A (zh) * | 2017-06-14 | 2017-10-24 | 西安电子科技大学 | 基于辅任务的深度卷积小波神经网络表情识别方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108940919A (zh) * | 2018-06-14 | 2018-12-07 | 华东理工大学 | 基于无线传输及深度学习的垃圾分类机器人 |
CN109167979B (zh) * | 2018-10-30 | 2020-09-11 | 深兰科技(上海)有限公司 | 多路监控视频人工智能分析的处理方法及系统 |
CN109167979A (zh) * | 2018-10-30 | 2019-01-08 | 深兰科技(上海)有限公司 | 多路监控视频人工智能分析的处理方法及系统 |
CN109220226A (zh) * | 2018-10-31 | 2019-01-18 | 哈尔滨理工大学 | 果实自动识别分类及采摘的果园智能化系统 |
CN109800795A (zh) * | 2018-12-29 | 2019-05-24 | 广州市贺氏办公设备有限公司 | 一种果蔬识别方法及系统 |
CN109829510A (zh) * | 2019-02-26 | 2019-05-31 | 中国农业科学院农业信息研究所 | 一种产品品质分级的方法、装置和设备 |
CN110000116A (zh) * | 2019-04-19 | 2019-07-12 | 福建铂格智能科技股份公司 | 一种基于深度学习的自由落体果蔬分选方法及系统 |
CN110000116B (zh) * | 2019-04-19 | 2021-04-23 | 福建铂格智能科技股份公司 | 一种基于深度学习的自由落体果蔬分选方法及系统 |
CN111940305A (zh) * | 2019-05-17 | 2020-11-17 | 东驹股份有限公司 | 具有转盘的咖啡豆筛选系统 |
CN110991458A (zh) * | 2019-11-25 | 2020-04-10 | 创新奇智(北京)科技有限公司 | 基于图像特征的人工智能识别结果抽样系统及抽样方法 |
CN110991458B (zh) * | 2019-11-25 | 2023-05-23 | 创新奇智(北京)科技有限公司 | 基于图像特征的人工智能识别结果抽样系统及抽样方法 |
CN110882948A (zh) * | 2019-11-29 | 2020-03-17 | 嘉应学院 | 一种柚子品质分类方法与装置 |
CN110882948B (zh) * | 2019-11-29 | 2021-06-25 | 嘉应学院 | 一种柚子品质分类方法与装置 |
CN111862015A (zh) * | 2020-07-08 | 2020-10-30 | 中国人民解放军战略支援部队信息工程大学 | 一种图像质量等级确定方法、装置及电子设备 |
CN111862015B (zh) * | 2020-07-08 | 2024-03-19 | 中国人民解放军战略支援部队信息工程大学 | 一种图像质量等级确定方法、装置及电子设备 |
CN112115983A (zh) * | 2020-08-28 | 2020-12-22 | 浙大城市学院 | 一种基于深度学习的农作物果实分拣算法 |
CN112607100A (zh) * | 2020-11-22 | 2021-04-06 | 泰州市华仕达机械制造有限公司 | 兼容型水果传输分发系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021910A (zh) | 基于图谱识别和深度学习的果实分类的分析方法 | |
Liu et al. | Tomato diseases and pests detection based on improved Yolo V3 convolutional neural network | |
CN110222215B (zh) | 一种基于f-ssd-iv3的作物害虫检测方法 | |
Effendi et al. | A back propagation neural networks for grading Jatropha curcas Fruits Maturitiy | |
CN107316054A (zh) | 基于卷积神经网络和支持向量机的非标准字符识别方法 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
CN107240136B (zh) | 一种基于深度学习模型的静态图像压缩方法 | |
CN109567793A (zh) | 一种面向心律不齐分类的ecg信号处理方法 | |
Wang et al. | Precision detection of dense plums in orchards using the improved YOLOv4 model | |
Wang et al. | Diseases detection of occlusion and overlapping tomato leaves based on deep learning | |
CN113887410A (zh) | 一种基于深度学习的多类别食材识别系统及方法 | |
CN111666986A (zh) | 基于机器学习的小龙虾分级方法 | |
CN107341521A (zh) | 一种基于煤炭光谱数据对煤炭分类的方法 | |
Zhang et al. | Robust image segmentation method for cotton leaf under natural conditions based on immune algorithm and PCNN algorithm | |
CN110569605A (zh) | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 | |
Wang et al. | DualSeg: Fusing transformer and CNN structure for image segmentation in complex vineyard environment | |
CN114266965A (zh) | 一种基于多任务学习的枳壳病虫害识别方法 | |
Li et al. | Detection and identification of peach leaf diseases based on YOLO v5 improved model | |
Zhang et al. | Small object detection with multiple receptive fields | |
CN113221913A (zh) | 一种基于高斯概率决策级融合的农林病虫害细粒度识别方法及装置 | |
Liu et al. | “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots | |
CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及系统 | |
Gao et al. | Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network | |
Wei et al. | Small sample and efficient crop pest recognition method based on transfer learning and data transformation | |
Wang et al. | Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind |
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 |