CN108460399A - 一种儿童积木搭建辅助方法及系统 - Google Patents
一种儿童积木搭建辅助方法及系统 Download PDFInfo
- Publication number
- CN108460399A CN108460399A CN201711481846.1A CN201711481846A CN108460399A CN 108460399 A CN108460399 A CN 108460399A CN 201711481846 A CN201711481846 A CN 201711481846A CN 108460399 A CN108460399 A CN 108460399A
- Authority
- CN
- China
- Prior art keywords
- building blocks
- model
- builds
- host
- neural network
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning 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
- G06N3/04—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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种儿童积木搭建辅助方法及系统,该方法包括如下步骤:S1、构建图像识别神经网络模型,深度学习模型采用卷积神经网络CNN,构建一个串并联结合的卷积神经网络;S2、利用神经网络模型对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签;S3、拍摄一张积木的图片,输入已经训练好的模型,模型根据学习结果,经过运算,输出的标签名即是接下来应该对积木的操作。本发明将性能要求高的基于神经网络的图形特征模型训练系统与性能要求不高的图像识别装置分开,使得在用户层面,识别装置可以做到轻量化、简单易学、成本低、可移动性强等优点。
Description
技术领域
本发明涉及智慧教育技术领域,具体涉及一种基于机器视觉和深度学习的儿童积木搭建辅助方法及系统。
背景技术
在儿童成长的过程中,玩具对儿童思维的训练作用不可忽略,搭积木是一种具有创造性的玩具,对儿童启蒙时期的思维训练非常有好处,因此,有必要发明一套可以指导和辅助儿童搭建积木的系统,使儿童在系统的指导下,锻炼自己的空间思维能力和动手能力,逐步形成三维空间感。现有的基于物体的检测算法普遍使用过程复杂,对三维空间物体的识别稳定度不高。
发明内容
有鉴于此,为了解决现有技术中的上述问题,本发明提出一种儿童积木搭建辅助方法及系统,通过搭建图形训练神经网络,对搭建积木的每一步骤分类,作为源数据输入并建立对应的标签,对分类下的图片进行深度学习,完成图形识别分类训练,当儿童搭建积木时,按下按钮,摄像头对当前积木的形态进行拍摄和检测,通过神经网络的深度学习结果进行读取运算,显示器输出进行下一步操作的步骤,最终辅助儿童搭建出一套完整的积木模型。
本发明通过以下技术手段解决上述问题:
一方面,本发明提供一种儿童积木搭建辅助方法,包括如下步骤:
S1、构建图像识别神经网络模型,深度学习模型采用卷积神经网络CNN,构建一个串并联结合的卷积神经网络;
S2、利用神经网络模型对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签;
S3、拍摄一张积木的图片,输入已经训练好的模型,模型根据学习结果,经过运算,输出的标签名即是接下来应该对积木的操作。
进一步地,步骤S1中,神经网络模型的整个网络包含95个卷积层、12个池化层、9个连接层、1个全连接层,输入采用五个卷积层和两个池化层串联,最后采用全连接神经网络作为分类器。
进一步地,S2具体包括如下步骤:
a、积木搭建步骤拆解:用积木搭建一个完整的形状,在搭建的过程中,每一步骤增加一块积木,并对每一步骤的积木形状进行360度范围的拍照记录作为源数据;
b、源数据分类:将搭建积木的每一步骤作为一个类,类中的数据为该步骤对应的积木形状图片,每搭建一步,拍摄当前积木图片若干张,并且每一类的标签为该类所对应步骤的下一步骤的文字说明;
c、图像信息数字化:将所有类下的每一张图片中的图像信息转换成数字矩阵,作为神经网络的输入,输出分类器的节点即类的标签;
d、模型训练:将转换图像信息后的类输入神经网络模型,输出分类器设置为各类的标签,进行若干次迭代深度训练,对分类下的图片进行深度学习;
e、输出训练模型,对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签。
进一步地,步骤b中,每搭建一步,拍摄当前积木图片至少1000张;
步骤c中,所述数字矩阵为1×2048的数字矩阵;
步骤d中,进行至少1000000万次迭代深度训练,对分类下的图片进行深度学习。
进一步地,S3具体包括如下步骤:
A、将训练好的模型和标签文件存放在主机的根目录下;
B、使用者通过操纵主机,使用摄像头拍摄一张积木的图片,保存在主机根目录下;
C、通过软件编程将步骤B采集的图片转换成图像信息矩阵;
D、将步骤C产生的矩阵输入已经训练好的模型,模型根据学习结果,经过运算,将该图片信息自动分类到该图片对应积木形状的类别中,并以文本方式输出;
E、输出的标签名即是接下来应该对积木的操作。
进一步地,步骤C中,所述图像信息矩阵为1×2048的图像信息矩阵。
另一方面,本发明还提供一种儿童积木搭建辅助系统,包括:
神经网络模型构建装置,用于构建图像识别神经网络模型,深度学习模型采用卷积神经网络CNN,构建一个串并联结合的卷积神经网络;
图形特征分类训练装置,用于利用神经网络模型对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签;
图像识别装置,用于拍摄一张积木的图片,输入已经训练好的模型,模型根据学习结果,经过运算,输出的标签名即是接下来应该对积木的操作。
进一步地,所述图像识别装置包括主机、显示屏、摄像头和输入设备;
所述摄像头连接主机专用接口,用于图像采集;
所述显示屏与主机连接,用于显示主机的操作界面及图像识别结果;
所述输入设备与主机连接,用于操作主机;
所述主机用于根据采集到的图像,将其输入已经训练好的识别模型的输入层,模型经过运算输出该图片所对应的类标签,该类标签即为下一步操作步骤。
进一步地,所述主机为树莓派;
所述输入设备包括键盘和鼠标。
进一步地,所述显示屏与主机通过HDMI线连接。
与现有技术相比,本发明的有益效果如下:
(1)成本低廉,可以大范围推广;
(2)安装方便,不需要太多复杂程序;
(3)检查维护简单,使用方便易学;
(4)图形识别率高,运行稳定。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明儿童积木搭建辅助方法的流程图;
图2是本发明神经网络模型的结构图;
图3是本发明儿童积木搭建辅助方法的具体流程图;
图4是本发明儿童积木搭建辅助系统的结构图;
图5是本发明图像识别装置图的结构图;
图6是本发明显示屏图形界面的操作图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,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。
实施例1
如图1所示,本发明提供一种儿童积木搭建辅助方法,包括如下步骤:
S1、构建图像识别神经网络模型,深度学习模型采用卷积神经网络CNN,构建一个串并联结合的卷积神经网络;
S2、利用神经网络模型对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签;
S3、拍摄一张积木的图片,输入已经训练好的模型,模型根据学习结果,经过运算,输出的标签名即是接下来应该对积木的操作。
如图2所示,步骤S1中,神经网络模型的整个网络包含95个卷积层、12个池化层、9个连接层、1个全连接层,输入采用五个卷积层和两个池化层串联,最后采用全连接神经网络作为分类器。
如图3所示,训练过程(S2)包括以下步骤:a、积木搭建步骤拆解,用积木搭建一个完整的形状,在搭建的过程中,每一步骤增加一块积木,并对每一步骤的积木形状进行360度范围的拍照记录作为源数据;b、源数据分类,将搭建积木的每一步骤作为一个类,类中的数据为该步骤对应的积木形状图片,每一类的图片数目为1000张,即每搭建一步,拍摄当前积木图片1000张,并且每一类的标签为该类所对应步骤的下一步骤的文字说明;c、图像信息数字化,将所有类下的每一张图片中的图像信息转换成1×2048的数字矩阵,作为神经网络的输入,输出分类器的节点即类的标签;d、模型训练,将转换图像信息后的类输入神经网络模型,输出分类器设置为各类的标签,进行1000000万次迭代深度训练,对分类下的图片进行深度学习;e、输出训练模型,对多个积木成品搭建步骤进行训练,得到多个模型,用于不同的积木成品搭建辅助,训练完成后输出该模型和对应的分类标签。
识别过程(S3)如下:A、将训练好的模型和标签文件存放在树莓派的根目录下;B、使用者通过操纵树莓派,使用摄像头拍摄一张积木的图片,保存在树莓派根目录下;C、通过软件编程将步骤B采集的图片转换成1×2048的图像信息矩阵;D、将步骤C产生的矩阵输入已经训练好的模型,模型根据学习结果,经过运算,将该图片信息自动分类到该图片对应积木形状的类别中,并以文本方式输出;E、输出的标签名即是接下来应该对积木的操作。
实施例2
如图4所示,本发明还提供一种儿童积木搭建辅助系统,包括:
神经网络模型构建装置,用于构建图像识别神经网络模型,深度学习模型采用卷积神经网络CNN,构建一个串并联结合的卷积神经网络;
图形特征分类训练装置,用于利用神经网络模型对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签;
图像识别装置,用于拍摄一张积木的图片,输入已经训练好的模型,模型根据学习结果,经过运算,输出的标签名即是接下来应该对积木的操作。
如图5所示,所述图像识别装置由主机、显示屏、HDMI线、摄像头和输入设备组成,本实施例中,主机为树莓派,摄像头连接树莓派专用接口,用于图像采集;显示屏与树莓派通过HDMI线连接,用于显示树莓派的操作界面及图像识别结果;输入设备由一块小型蓝牙键盘和小型无线鼠标组成,用于操作树莓派;树莓派用于根据采集到的图像,将其输入已经训练好的识别模型的输入层,模型经过运算输出该图片所对应的类标签,该类标签即为下一步操作步骤。
除此之外,为了方便用户操作,本发明显示屏上制作了一个图形界面,如图6所示,其操作步骤如下:1、积木模型选择按钮,共有四个,用于选择已经训练好的神经网络模型,系统将辅助完成该模型对应的积木成品;2、开始识别按钮,按下该按钮,摄像头拍摄一张图片保存在树莓派目录下,同时将该图片转换成1×2048的图像信息矩阵,并输入对应选择的神经网络模型;3、结果显示区域,用于显示识别结果,将步骤2中的识别结果输出在该区域。
本发明的一种儿童积木搭建辅助系统将性能要求高的基于神经网络的图形特征模型训练系统与性能要求不高的图像识别装置分开,使得在用户层面,识别装置可以做到轻量化、简单易学、成本低、可移动性强等优点。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种儿童积木搭建辅助方法,其特征在于,包括如下步骤:
S1、构建图像识别神经网络模型,深度学习模型采用卷积神经网络CNN,构建一个串并联结合的卷积神经网络;
S2、利用神经网络模型对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签;
S3、拍摄一张积木的图片,输入已经训练好的模型,模型根据学习结果,经过运算,输出的标签名即是接下来应该对积木的操作。
2.根据权利要求1所述的儿童积木搭建辅助方法,其特征在于,步骤S1中,神经网络模型的整个网络包含95个卷积层、12个池化层、9个连接层、1个全连接层,输入采用五个卷积层和两个池化层串联,最后采用全连接神经网络作为分类器。
3.根据权利要求1所述的儿童积木搭建辅助方法,其特征在于,S2具体包括如下步骤:
a、积木搭建步骤拆解:用积木搭建一个完整的形状,在搭建的过程中,每一步骤增加一块积木,并对每一步骤的积木形状进行360度范围的拍照记录作为源数据;
b、源数据分类:将搭建积木的每一步骤作为一个类,类中的数据为该步骤对应的积木形状图片,每搭建一步,拍摄当前积木图片若干张,并且每一类的标签为该类所对应步骤的下一步骤的文字说明;
c、图像信息数字化:将所有类下的每一张图片中的图像信息转换成数字矩阵,作为神经网络的输入,输出分类器的节点即类的标签;
d、模型训练:将转换图像信息后的类输入神经网络模型,输出分类器设置为各类的标签,进行若干次迭代深度训练,对分类下的图片进行深度学习;
e、输出训练模型,对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签。
4.根据权利要求3所述的儿童积木搭建辅助方法,其特征在于,步骤b中,每搭建一步,拍摄当前积木图片至少1000张;
步骤c中,所述数字矩阵为1×2048的数字矩阵;
步骤d中,进行至少1000000万次迭代深度训练,对分类下的图片进行深度学习。
5.根据权利要求1所述的儿童积木搭建辅助方法,其特征在于,S3具体包括如下步骤:
A、将训练好的模型和标签文件存放在主机的根目录下;
B、使用者通过操纵主机,使用摄像头拍摄一张积木的图片,保存在主机根目录下;
C、通过软件编程将步骤B采集的图片转换成图像信息矩阵;
D、将步骤C产生的矩阵输入已经训练好的模型,模型根据学习结果,经过运算,将该图片信息自动分类到该图片对应积木形状的类别中,并以文本方式输出;
E、输出的标签名即是接下来应该对积木的操作。
6.根据权利要求5所述的儿童积木搭建辅助方法,其特征在于,步骤C中,所述图像信息矩阵为1×2048的图像信息矩阵。
7.一种儿童积木搭建辅助系统,其特征在于,包括:
神经网络模型构建装置,用于构建图像识别神经网络模型,深度学习模型采用卷积神经网络CNN,构建一个串并联结合的卷积神经网络;
图形特征分类训练装置,用于利用神经网络模型对积木成品搭建步骤进行训练,得到训练模型,用于积木成品搭建辅助,训练完成后输出该模型和对应的分类标签;
图像识别装置,用于拍摄一张积木的图片,输入已经训练好的模型,模型根据学习结果,经过运算,输出的标签名即是接下来应该对积木的操作。
8.根据权利要求7所述的儿童积木搭建辅助系统,其特征在于,所述图像识别装置包括主机、显示屏、摄像头和输入设备;
所述摄像头连接主机专用接口,用于图像采集;
所述显示屏与主机连接,用于显示主机的操作界面及图像识别结果;
所述输入设备与主机连接,用于操作主机;
所述主机用于根据采集到的图像,将其输入已经训练好的识别模型的输入层,模型经过运算输出该图片所对应的类标签,该类标签即为下一步操作步骤。
9.根据权利要求8所述的儿童积木搭建辅助系统,其特征在于,所述主机为树莓派;
所述输入设备包括键盘和鼠标。
10.根据权利要求8所述的儿童积木搭建辅助系统,其特征在于,所述显示屏与主机通过HDMI线连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711481846.1A CN108460399B (zh) | 2017-12-29 | 2017-12-29 | 一种儿童积木搭建辅助方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711481846.1A CN108460399B (zh) | 2017-12-29 | 2017-12-29 | 一种儿童积木搭建辅助方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108460399A true CN108460399A (zh) | 2018-08-28 |
CN108460399B CN108460399B (zh) | 2021-10-15 |
Family
ID=63220606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711481846.1A Active CN108460399B (zh) | 2017-12-29 | 2017-12-29 | 一种儿童积木搭建辅助方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460399B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190439A (zh) * | 2018-09-21 | 2019-01-11 | 南京机灵侠软件技术有限公司 | 一种分光器端口线及其二维码标签的图像识别方法 |
CN109432799A (zh) * | 2018-10-30 | 2019-03-08 | 上海创豆科技有限公司 | 电子积木及其控制方法、控制装置以及存储介质 |
CN109559576A (zh) * | 2018-11-16 | 2019-04-02 | 中南大学 | 一种儿童伴学机器人及其早教系统自学习方法 |
CN109726481A (zh) * | 2018-12-29 | 2019-05-07 | 深圳市优必选科技有限公司 | 一种机器人搭建的辅助方法、装置及终端设备 |
WO2020168690A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳点猫科技有限公司 | 一种基于图形化编程工具的分类ai实现方法及电子设备 |
CN113742808A (zh) * | 2021-09-08 | 2021-12-03 | 深圳千帜科技有限公司 | 一种拼装积木模型设计方法 |
CN114896812A (zh) * | 2022-06-08 | 2022-08-12 | 深圳千帜科技有限公司 | 一种积木打印的自动排版方法、设备、存储介质及系统 |
CN115223424A (zh) * | 2022-03-23 | 2022-10-21 | 北京好奇星教育科技有限公司 | 编程方法和装置、电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4666160A (en) * | 1980-07-02 | 1987-05-19 | Hamilton Clarence Q | Apparatus for playing |
KR100324557B1 (ko) * | 1999-04-27 | 2002-02-16 | 윤장진 | 차량 항법장치를 이용한 차량의 자동 운행방법 및 운행장치 |
US20030085517A1 (en) * | 1999-01-08 | 2003-05-08 | Mackey Thomas J | Building block and miniature toy gaming equipment |
CN102142055A (zh) * | 2011-04-07 | 2011-08-03 | 上海大学 | 基于增强现实交互技术的真三维设计方法 |
CN102915122A (zh) * | 2012-07-19 | 2013-02-06 | 上海交通大学 | 基于语言模型的智能移动平台拼音输入法 |
CN105444766A (zh) * | 2015-12-16 | 2016-03-30 | 清华大学 | 基于深度学习的室内导航方法 |
CN105597305A (zh) * | 2016-03-10 | 2016-05-25 | 侯景昆 | 一种智能电子棋盘及其控制系统和该控制系统的控制方法 |
CN205391697U (zh) * | 2016-03-10 | 2016-07-27 | 侯景昆 | 一种智能电子棋盘及其控制系统 |
CN105817039A (zh) * | 2016-05-18 | 2016-08-03 | 深圳市领芯者科技有限公司 | 智能型多媒体积木系统及其工作方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN107330450A (zh) * | 2017-06-15 | 2017-11-07 | 珠海格力电器股份有限公司 | 一种终端设备控制方法和装置 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
-
2017
- 2017-12-29 CN CN201711481846.1A patent/CN108460399B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4666160A (en) * | 1980-07-02 | 1987-05-19 | Hamilton Clarence Q | Apparatus for playing |
US20030085517A1 (en) * | 1999-01-08 | 2003-05-08 | Mackey Thomas J | Building block and miniature toy gaming equipment |
KR100324557B1 (ko) * | 1999-04-27 | 2002-02-16 | 윤장진 | 차량 항법장치를 이용한 차량의 자동 운행방법 및 운행장치 |
CN102142055A (zh) * | 2011-04-07 | 2011-08-03 | 上海大学 | 基于增强现实交互技术的真三维设计方法 |
CN102915122A (zh) * | 2012-07-19 | 2013-02-06 | 上海交通大学 | 基于语言模型的智能移动平台拼音输入法 |
CN105444766A (zh) * | 2015-12-16 | 2016-03-30 | 清华大学 | 基于深度学习的室内导航方法 |
CN105597305A (zh) * | 2016-03-10 | 2016-05-25 | 侯景昆 | 一种智能电子棋盘及其控制系统和该控制系统的控制方法 |
CN205391697U (zh) * | 2016-03-10 | 2016-07-27 | 侯景昆 | 一种智能电子棋盘及其控制系统 |
CN105817039A (zh) * | 2016-05-18 | 2016-08-03 | 深圳市领芯者科技有限公司 | 智能型多媒体积木系统及其工作方法 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN107330450A (zh) * | 2017-06-15 | 2017-11-07 | 珠海格力电器股份有限公司 | 一种终端设备控制方法和装置 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
Non-Patent Citations (3)
Title |
---|
尼奥普兰: "搭积木问题", 《HTTPS://BLOG.CSDN.NET/U011889952/ARTICLE/DETAILS/54099995》 * |
王盛玉,等: "基于卷积神经网络参数优化的中文情感分析", 《计算机工程》 * |
陈启超: "基于卷积神经网络的单目视频深度恢复算法研究", 《信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190439B (zh) * | 2018-09-21 | 2021-06-08 | 南京机灵侠软件技术有限公司 | 一种分光器及其端口线标签二维码的识别方法 |
CN109190439A (zh) * | 2018-09-21 | 2019-01-11 | 南京机灵侠软件技术有限公司 | 一种分光器端口线及其二维码标签的图像识别方法 |
CN109432799A (zh) * | 2018-10-30 | 2019-03-08 | 上海创豆科技有限公司 | 电子积木及其控制方法、控制装置以及存储介质 |
CN109559576A (zh) * | 2018-11-16 | 2019-04-02 | 中南大学 | 一种儿童伴学机器人及其早教系统自学习方法 |
CN109559576B (zh) * | 2018-11-16 | 2020-07-28 | 中南大学 | 一种儿童伴学机器人及其早教系统自学习方法 |
CN109726481A (zh) * | 2018-12-29 | 2019-05-07 | 深圳市优必选科技有限公司 | 一种机器人搭建的辅助方法、装置及终端设备 |
US11636779B2 (en) | 2018-12-29 | 2023-04-25 | Ubtech Robotics Corp Ltd | Method, apparatus and terminal device for constructing parts together |
CN109726481B (zh) * | 2018-12-29 | 2023-08-04 | 深圳市优必选科技有限公司 | 一种机器人搭建的辅助方法、装置及终端设备 |
WO2020168690A1 (zh) * | 2019-02-19 | 2020-08-27 | 深圳点猫科技有限公司 | 一种基于图形化编程工具的分类ai实现方法及电子设备 |
CN113742808A (zh) * | 2021-09-08 | 2021-12-03 | 深圳千帜科技有限公司 | 一种拼装积木模型设计方法 |
CN113742808B (zh) * | 2021-09-08 | 2024-03-26 | 深圳千帜科技有限公司 | 一种拼装积木模型设计方法 |
CN115223424A (zh) * | 2022-03-23 | 2022-10-21 | 北京好奇星教育科技有限公司 | 编程方法和装置、电子设备 |
CN114896812A (zh) * | 2022-06-08 | 2022-08-12 | 深圳千帜科技有限公司 | 一种积木打印的自动排版方法、设备、存储介质及系统 |
CN114896812B (zh) * | 2022-06-08 | 2024-08-02 | 深圳千帜科技有限公司 | 一种积木打印的自动排版方法、设备、存储介质及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108460399B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460399A (zh) | 一种儿童积木搭建辅助方法及系统 | |
CN106874956B (zh) | 图像分类卷积神经网络结构的构建方法 | |
CN104217214B (zh) | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 | |
CN107844795B (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
CN109684912A (zh) | 一种基于信息损失函数的视频描述方法和系统 | |
CN107239801A (zh) | 视频属性表示学习方法及视频文字描述自动生成方法 | |
CN107016406A (zh) | 基于生成式对抗网络的病虫害图像生成方法 | |
CN106845549A (zh) | 一种基于多任务学习的场景与目标识别的方法及装置 | |
CN106409063A (zh) | 一种机器人绘画教学方法、装置及其机器人 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN106845499A (zh) | 一种基于自然语言语义的图像目标检测方法 | |
CN107633511A (zh) | 一种基于自编码神经网络的风机视觉检测系统 | |
CN107132516A (zh) | 一种基于深度置信网络的雷达一维距离像目标识别方法 | |
CN109741331A (zh) | 一种图像前景物体分割方法 | |
CN107122796A (zh) | 一种基于多分支网络融合模型的光学遥感图像分类方法 | |
CN106709453A (zh) | 一种基于深度学习的体育视频关键姿态提取方法 | |
CN106650795B (zh) | 酒店房型图像的排序方法 | |
CN110378208A (zh) | 一种基于深度残差网络的行为识别方法 | |
CN106803062A (zh) | 栈式降噪自编码神经网络手势图像的识别方法 | |
CN108509977A (zh) | 生成模型学习方法、生成模型学习装置及程序 | |
CN107463996A (zh) | 自步‑协同训练学习方法 | |
CN109064389A (zh) | 一种手绘线条画生成现实感图像的深度学习方法 | |
CN108229589A (zh) | 一种基于迁移学习的地基云图分类方法 | |
CN107146237A (zh) | 一种基于在线状态学习与估计的目标跟踪方法 | |
CN107463954A (zh) | 一种模糊异谱图像的模板匹配识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |