CN108288077A - 废纸分类器建立装置及方法、废纸分类系统及方法 - Google Patents
废纸分类器建立装置及方法、废纸分类系统及方法 Download PDFInfo
- Publication number
- CN108288077A CN108288077A CN201810344496.2A CN201810344496A CN108288077A CN 108288077 A CN108288077 A CN 108288077A CN 201810344496 A CN201810344496 A CN 201810344496A CN 108288077 A CN108288077 A CN 108288077A
- Authority
- CN
- China
- Prior art keywords
- waste paper
- image
- sample
- classification
- classifier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000010893 paper waste Substances 0.000 claims abstract description 141
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000011084 recovery Methods 0.000 abstract description 3
- 239000000123 paper Substances 0.000 description 20
- 239000011087 paperboard Substances 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 241000202567 Fatsia japonica Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010062575 Muscle contracture Diseases 0.000 description 1
- 206010038743 Restlessness Diseases 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 208000006111 contracture Diseases 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 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
-
- 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)
- Sorting Of Articles (AREA)
Abstract
本发明涉及废纸回收技术领域，尤其涉及一种废纸图像分类器的建立装置及其建立方法，还涉及一种废纸自动分类系统及其分类方法。其中废纸图像分类器的建立方法包括：S1：建立样本库，所述样本库内存储有多种废纸样本图像以及与相应的所述废纸样本图像对应的分类等级，所述废纸样本图像包括不同类别的废纸所对应的样本图像；S2:构建CNN图像分类模型；S3:在所述样本库中随机抽取废纸样本图像对所述CNN图像分类模型进行训练，得到废纸分类模型，即废纸图像分类器。本发明所提供的废纸图像分类器及其建立方法、废纸分类系统及其分类方法相较于传统的图像分类方法，大大提高了废纸分类的效率，且准确率高。
Description
技术领域
本发明涉及废纸回收技术领域，尤其涉及一种废纸图像分类器的建立装置及其建立方法，还涉及一种废纸自动分类系统及其分类方法。
背景技术
近些年来，图像分类在模式识别领域占据着重要的地位。迅速增长的图像数据对于图像信息的分析与处理提出了新的要求。卷积神经网络应运而生，以其强大的图像识别分类能力被广泛的应用于各种图像分类系统，并取得了十分显著的效果。而在废纸回收领域，目前还沿用着传统的人工分类方法，人工分类方式不仅效率低下，而且带有很大的主观性，浪费大量的人力及时间资源，且乱评、错评现像环生。所以，亟需一种代替人进行废纸回收分类的技术。
发明内容
(一)要解决的技术问题
本发明的一个目的是提供一种废纸图像分类器的建立方法，以提高废纸分类的准确率和效率；
本发明的另一个目的是提供一种利用上述的废纸图像分类器的分类方法，以提高废纸分类的准确率和效率；
本发明的再一个目的是提供一种废纸图像分类器的建立装置，以提高废纸分类的准确率和效率；
本发明的又一个目的是提供一种废纸自动分类系统废纸。
(二)技术方案
为了解决上述技术问题，本发明提供了一种废纸图像分类器的建立方法，其包括：
S1：建立样本库，所述样本库内存储有多种废纸样本图像以及与相应的所述废纸样本图像对应的分类等级，所述废纸样本图像包括不同类别的废纸所对应的样本图像；
S2:构建CNN图像分类模型；
S3:在所述样本库中随机抽取废纸样本图像对所述CNN图像分类模型进行训练，得到废纸分类模型，即废纸图像分类器。
其中，在所述构建CNN图像分类模型之前对所述废纸样本图像集中的各废纸样本图像进行预处理，其中对所述废纸样本图像集中的各废纸样本图像进行预处理，包括以下至少之一：增强、复原、编码、压缩、降噪。
其中，所述构建CNN图像分类模型包括：
a.将预处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；
b.将上一层的输出结果输入到卷积神经网络中的子网络；
c.将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；
d.将上一层的输出结果输入到卷积神经网络中的全连接层；
e.将上一层的输出结果输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；
f.根据图像属于各个类别的概率，得出废纸图像分类结果。
本发明还提供了一种根据如上所述的方法建立的废纸图像分类器的分类方法，其包括：
获取待分类的废纸图像；
将所述待分类的废纸图像输入所述废纸图像分类器，得到所述待分类废纸图像的分类结果。
其中，还包括将所述待分类的废纸图像以及经所述废纸图像分类器所得到的其对应的分类结果上传至样本库，以供模型训练模块训练使用的步骤。
其中，通过用户端将所述待分类的废纸图像上传至所述废纸图像分类器。
其中，将得到的所述待分类图像的分类结果传送至用户端。
本发明还提供了一种废纸图像分类器建立装置，其包括：
样本库，所述样本库内存储有多种废纸样本图像以及与相应的所述废纸样本图像对应的分类等级，所述废纸样本图像包括不同类别的废纸所对应的样本图像；
模型构造模块：通过卷积层、池化层、全连接层、批归一化层的交替运用，构建CNN图像分类模型；
模型训练模块：在所述样本库中随机抽取废纸样本图像对CNN图像分类模型进行训练，以得到废纸图像分类器。
如权利要求8所述的废纸图像分类器建立装置，其特征在于，还包括预处理模块，所述预处理模块用于对所述样本图像集中的废纸样本图像进行如下至少之一的预处理：增强、复原、编码、压缩、降噪。
本发明还提供了一种废纸自动分类系统，其包括：
图像采集器，用于获取待分类的废纸图像；
废纸图像分类器，用于将所述待分类的废纸图像输入废纸图像分类器，得到所述待分类的废纸图像的分类结果，其中，所述废纸图像分类器由上所述的废纸分类器建立装置得到。
(三)有益效果
本发明所提供的废纸图像分类器及其建立方法、废纸分类系统及其分类方法通过采用拥有特征自主提取、自主学习的能力的卷积神经网络，并通过权值共享的方式大大减少了全连接层所需神经元的数量，简化了网络结构使其所需的计算量明显下降。相较于传统的图像分类方法，大大提高了废纸分类的效率，且准确率高。
附图说明
图1是根据本发明的一种废纸自动分类系统的流程图；
图2是图1中的模型构造器的实现逻辑图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种废纸图像分类器的建立方法的一个优选实施例。具体地，该废纸图像分类器的建立方法包括：
S1:建立样本库，该样本库内存储有多种废纸样本图像以及与相应的所述废纸样本图像对应的分类等级，其中废纸样本图像包括不同类别的废纸所对应的样本图像。具体地，获取废纸样本图像的方式和渠道并没有限制，可以通过人工拍摄的方式获取废纸样本图像来构建样本库，也可以通过其它渠道或者方式获得，更可以将多种渠道或者方式相结合以获得足够多的样本图像以构成样本库。废纸样本图像集应包括不同类别的废纸所对应的样本图像，例如包括废纸箱、废报纸、废书刊杂志、废牛皮纸、废卡纸、废铜板纸、废页子纸、特种废纸等，其中，废纸箱对应的分类等级为A、废报纸对应的分类等级为B，废书刊杂志对应的分类等级为C；废牛皮纸对应的分类等级为D；废卡纸对应的分类等级为E,废铜版纸对应的分类等级为F、废页子纸对应的分类等级为G、特种废纸对应的分类等级为H。
S2:构建CNN图像分类模型；
S3:在所述样本库中随机抽取废纸样本图像对所述CNN图像分类模型进行训练，得到废纸分类模型，即废纸图像分类器。
优选地，在构建CNN图像分类模型之前还需要对所述样本库中的各废纸样本图像进行预处理，其中对所述废纸样本图像集中的各废纸样本图像进行预处理，包括以下至少之一：增强、复原、编码、压缩、降噪。
具体地，如图2所示，所述构建CNN图像分类模型包括
a.将预处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；
b.将上一层的输出结果输入到卷积神经网络中的子网络；
c.将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；
d.将上一层的输出结果输入到卷积神经网络中的全连接层；
e.将上一层的输出结果输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；
f.根据图像属于各个类别的概率，得出废纸图像分类结果。
如图1所示，本发明还公开了一种根据如上所述的方法建立的废纸图像分类器的分类方法，其包括：
获取待分类的废纸图像；可选地，通过用户端将所述待分类的废纸图像上传至所述废纸图像分类器。例如打包站/纸厂通过微信小程序、APP等上传实时拍摄的打包的废纸图像；
将所述待分类的废纸图像输入所述废纸图像分类器，得到所述待分类废纸图像的分类结果。优选地，该废纸自动分类方法还包括将所述得到的待分类图像的分类结果传送至用户端。例如将通过废纸图像分类器得到的废纸分类反馈给微信小程序、APP等。
优选地，该废纸图像分类器的分类方法还包括将所述待分类的废纸图像以及经所述废纸图像分类器所得到的其对应的分类结果上传至样本库，以供模型训练模块训练使用的步骤。
进一步地，通过用户端将待分类图像上传至所述废纸图像分类器。打包站/纸厂通过微信小程序、APP等上传实时拍摄的打包废纸图像，图像经图像采集器传输至后台系统，后台系统调用图像分类器得到废纸分类，并把结果，同时把图像存入对应废纸分类的历史资源库中，以便后续训练模型使用。
本发明还公开了一种废纸图像分类器建立装置，其包括：
样本库，所述样本库内存储有多种废纸样本图像以及与相应的所述废纸样本图像对应的分类等级，所述废纸样本图像包括不同类别的废纸所对应的样本图像；
模型构造模块：通过卷积层、池化层、全连接层、批归一化层的交替运用，构建CNN图像分类模型；具体地，CNN图像分类模型由多个卷积层、池化层、全连接层、Softmax层搭配组合而成。其中卷积层：以扫描窗的方式，对图像做卷积操作，用于提取局部特征，通过运用ReLU激活函数，避免饱和问题，明显减轻梯度消失问题；池化层：对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征；全连接层：在整个卷积神经网络中起到“分类器”的作用，全局感受野，去除空间信息，等效于全局卷积；Softmax层：用于构建回归分类器，以解决多分类问题；与此同时，在训练模型时，加入Dropout层，用于防止过度拟合问题。
模型训练模块：在样本库中随机抽取废纸样本图像对CNN图像分类模型进行训练，运用CNN的自学习能力，在多次训练模型的情况下，得到最优的废纸分类模型，即废纸图像分类器；
优选地，该废纸图像分类器建立装置还包括预处理模块，所述预处理模块采用包括但不限于增强、复原、编码、压缩、降噪等预处理技术对样本图像集中的样本图像进行预处理，然后对预处理后的图像进行识别。
再一方面，本发明还公开了一种废纸自动分类系统，其包括：
图像采集器，用于获取待分类的废纸图像；
废纸图像分类器，用于将所述待分类的废纸图像输入废纸图像分类器，得到所述待分类的废纸图像的分类结果，其中，所述废纸图像分类器由上所述的废纸分类器建立装置得到。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种废纸图像分类器的建立方法，其特征在于，包括：
S1：建立样本库，所述样本库内存储有多种废纸样本图像以及与相应的所述废纸样本图像对应的分类等级，所述废纸样本图像包括不同类别的废纸所对应的样本图像；
S2:构建CNN图像分类模型；
S3:在所述样本库中随机抽取废纸样本图像对所述CNN图像分类模型进行训练，得到废纸分类模型，即废纸图像分类器。
2.如权利要求1所述的建立方法，其特征在于，在所述构建CNN图像分类模型之前对所述废纸样本图像集中的各废纸样本图像进行预处理，其中对所述废纸样本图像集中的各废纸样本图像进行预处理，包括以下至少之一：增强、复原、编码、压缩、降噪。
3.如权利要求2所述的建立方法，其特征在于，所述构建CNN图像分类模型包括：
a.将预处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；
b.将上一层的输出结果输入到卷积神经网络中的子网络；
c.将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；
d.将上一层的输出结果输入到卷积神经网络中的全连接层；
e.将上一层的输出结果输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；
f.根据图像属于各个类别的概率，得出废纸图像分类结果。
4.一种根据如权利要求1至3中任一项所述的方法建立的废纸图像分类器的分类方法，其特征在于，包括：
获取待分类的废纸图像；
将所述待分类的废纸图像输入所述废纸图像分类器，得到所述待分类废纸图像的分类结果。
5.如权利要求4所述的分类方法，其特征在于，还包括将所述待分类的废纸图像以及经所述废纸图像分类器所得到的其对应的分类结果上传至样本库，以供模型训练模块训练使用的步骤。
6.如权利要求5所述的分类方法，其特征在于，通过用户端将所述待分类的废纸图像上传至所述废纸图像分类器。
7.如权利要求6所述的分类方法，其特征在于，将得到的所述待分类图像的分类结果传送至用户端。
8.一种废纸图像分类器建立装置，其特征在于，包括：
样本库，所述样本库内存储有多种废纸样本图像以及与相应的所述废纸样本图像对应的分类等级，所述废纸样本图像包括不同类别的废纸所对应的样本图像；
模型构造模块：通过卷积层、池化层、全连接层、批归一化层的交替运用，构建CNN图像分类模型；
模型训练模块：在所述样本库中随机抽取废纸样本图像对CNN图像分类模型进行训练，以得到废纸图像分类器。
9.如权利要求8所述的废纸图像分类器建立装置，其特征在于，还包括预处理模块，所述预处理模块用于对所述样本图像集中的废纸样本图像进行如下至少之一的预处理：增强、复原、编码、压缩、降噪。
10.一种废纸自动分类系统，其特征在于，包括：
图像采集器，用于获取待分类的废纸图像；
废纸图像分类器，用于将所述待分类的废纸图像输入废纸图像分类器，得到所述待分类的废纸图像的分类结果，其中，所述废纸图像分类器由权利要求8或9所述的废纸分类器建立装置得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810344496.2A CN108288077A (zh) | 2018-04-17 | 2018-04-17 | 废纸分类器建立装置及方法、废纸分类系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810344496.2A CN108288077A (zh) | 2018-04-17 | 2018-04-17 | 废纸分类器建立装置及方法、废纸分类系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108288077A true CN108288077A (zh) | 2018-07-17 |
Family
ID=62834612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810344496.2A Pending CN108288077A (zh) | 2018-04-17 | 2018-04-17 | 废纸分类器建立装置及方法、废纸分类系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108288077A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064494A (zh) * | 2018-09-13 | 2018-12-21 | 北京字节跳动网络技术有限公司 | 视频漂浮纸片检测方法、装置和计算机可读存储介质 |
| CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
| CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
| CN106444531A (zh) * | 2016-11-16 | 2017-02-22 | 江苏智石科技有限公司 | 一种用于废旧物资回收的自动化控制系统 |
| CN106670122A (zh) * | 2017-01-17 | 2017-05-17 | 碧海舟（北京）节能环保装备有限公司 | 用于生活垃圾的自动识别分拣回收系统 |
| CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
| CN107301246A (zh) * | 2017-07-14 | 2017-10-27 | 河北工业大学 | 基于超深卷积神经网络结构模型的中文文本分类方法 |
| CN206701754U (zh) * | 2017-01-17 | 2017-12-05 | 碧海舟（北京）节能环保装备有限公司 | 用于生活垃圾的自动识别分拣回收系统 |
| CN107871130A (zh) * | 2016-09-27 | 2018-04-03 | 顶级公司 | 图像处理 |
-
2018
- 2018-04-17 CN CN201810344496.2A patent/CN108288077A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105772407A (zh) * | 2016-01-26 | 2016-07-20 | 耿春茂 | 一种基于图像识别技术的垃圾分类机器人 |
| CN107871130A (zh) * | 2016-09-27 | 2018-04-03 | 顶级公司 | 图像处理 |
| CN106444531A (zh) * | 2016-11-16 | 2017-02-22 | 江苏智石科技有限公司 | 一种用于废旧物资回收的自动化控制系统 |
| CN106670122A (zh) * | 2017-01-17 | 2017-05-17 | 碧海舟（北京）节能环保装备有限公司 | 用于生活垃圾的自动识别分拣回收系统 |
| CN206701754U (zh) * | 2017-01-17 | 2017-12-05 | 碧海舟（北京）节能环保装备有限公司 | 用于生活垃圾的自动识别分拣回收系统 |
| CN106874954A (zh) * | 2017-02-20 | 2017-06-20 | 佛山市络思讯科技有限公司 | 一种信息获取的方法以及相关装置 |
| CN107301246A (zh) * | 2017-07-14 | 2017-10-27 | 河北工业大学 | 基于超深卷积神经网络结构模型的中文文本分类方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064494A (zh) * | 2018-09-13 | 2018-12-21 | 北京字节跳动网络技术有限公司 | 视频漂浮纸片检测方法、装置和计算机可读存储介质 |
| CN109064494B (zh) * | 2018-09-13 | 2021-09-21 | 北京字节跳动网络技术有限公司 | 视频漂浮纸片检测方法、装置和计算机可读存储介质 |
| CN109919243A (zh) * | 2019-03-15 | 2019-06-21 | 天津拾起卖科技有限公司 | 一种基于cnn的废钢铁种类自动识别方法及装置 |
| CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106096535B (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
| CN108256544B (zh) | 图片分类方法和装置、机器人 | |
| CN108288077A (zh) | 废纸分类器建立装置及方法、废纸分类系统及方法 | |
| CN110598800A (zh) | 一种基于人工智能的垃圾分类识别方法 | |
| CN103020122B (zh) | 一种基于半监督聚类的迁移学习方法 | |
| KR20180004898A (ko) | 딥러닝 기반의 이미지 처리 기술 및 그 방법 | |
| CN101937445B (zh) | 一种文件自动分类系统 | |
| CN104809443A (zh) | 基于卷积神经网络的车牌检测方法及系统 | |
| CN104766097B (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
| CN108156519A (zh) | 图像分类方法、电视设备及计算机可读存储介质 | |
| CN106453416A (zh) | 一种基于深信度网络的分布式攻击入侵的检测方法 | |
| CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
| CN101516071B (zh) | 垃圾短消息的分类方法 | |
| CN109657055A (zh) | 基于层次混合网络的标题党文章检测方法及联邦学习策略 | |
| CN111709477A (zh) | 一种基于改进MobileNet网络进行垃圾分类的方法及工具 | |
| Meng et al. | A novel steganography scheme combining coverless information hiding and steganography | |
| CN103489004A (zh) | 一种深度学习网络实现大类别图像识别的方法 | |
| CN111178121A (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
| CN110930470A (zh) | 一种基于深度学习的布匹缺陷图像生成方法 | |
| CN106096831A (zh) | 高速公路文明服务综合评价系统 | |
| CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
| CN111462090A (zh) | 一种多尺度图像目标检测方法 | |
| CN114581799A (zh) | 一种基于多尺度特征融合的无人机小目标检测方法 | |
| CN112748941A (zh) | 基于反馈信息的目标应用程序的更新方法和装置 | |
| CN104598898B (zh) | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 214-2, area C, animation building, 126 animation Middle Road, eco city, Binhai New Area, Tianjin 300467 Applicant after: Heor Technology (Tianjin) Co.,Ltd. Address before: Room 214-2, area C, animation building, 126 animation Middle Road, eco city, Binhai New Area, Tianjin 300467 Applicant before: TIANJIN HEHUO ENERGY SAVING TECHNOLOGY Co.,Ltd. |