CN108520261B - 一种花生果仁数量的识别方法和装置 - Google Patents
一种花生果仁数量的识别方法和装置 Download PDFInfo
- Publication number
- CN108520261B CN108520261B CN201810172583.4A CN201810172583A CN108520261B CN 108520261 B CN108520261 B CN 108520261B CN 201810172583 A CN201810172583 A CN 201810172583A CN 108520261 B CN108520261 B CN 108520261B
- Authority
- CN
- China
- Prior art keywords
- image
- identification
- peanut
- feature vector
- length
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Abstract
本发明提供一种花生果仁数量的识别方法和装置,通过获取花生的识别图像,提取识别图像的识别参数,识别参数包括识别图像中花生的长度、宽度、长宽比、面积以及识别图像的方向梯度直方图特征向量,将识别参数输入至已训练的支持向量机模型,输出花生的果仁数量;从而通过花生的图像实现对花生果仁数量的分类识别,实现了机器识别的智能化,节省了由于人工识别花生果仁数量而投入的大量劳动力,提高了工作效率,加快了花生产品商业化的发展进程。
Description
技术领域
本发明涉及图像识别技术领域,更具体地,涉及一种花生果仁数量的识别方法和装置。
背景技术
随着互联网技术和各种信息技术的发展,我国的农业发展模式开始由原来的传统农业向现代化的智慧农业进行转变,农产品中花生的生产量也在不断增加。
花生是一个在植物当中,它的果仁有多种数量,由于花生包含的果仁的数量的不同,价格也不同,所以对其按果仁的数量分类据具有较大的意义。
目前,大部分花生果仁数量的分类识别仍依靠人工完成,不仅耗费了大量的劳动力,而且工作效率低下,严重影响了花生产品商业化的发展速度。花生果仁数量的分类识别在实际中具有较为广阔的应用价值,在智慧农业上也具有重要的地位,通过研究寻找有效的方法对花生进行分类识别是急需解决的问题。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种花生果仁数量的识别方法和装置。
根据本发明的一个方面,提供一种花生果仁数量的识别方法,包括:获取花生的识别图像;提取识别图像的识别参数,识别参数包括识别图像中花生的长度、宽度、长宽比、面积以及识别图像的方向梯度直方图特征向量;将识别参数输入至已训练的支持向量机模型,输出花生的果仁数量。
其中,获取花生的识别图像,包括:采集花生的三维图像;将三维图像在二维平面内的投影面积最大的图像作为识别图像。
其中,将三维图像在二维平面内的投影面积最大的图像作为识别图像之前,还包括:将三维图像灰度化,并进行Gamma校正。
其中,提取识别图像的识别参数,包括:提取识别图像中花生的长度、宽度、长宽比和面积;扫描识别图像,获取识别图像中每一扫描单元的方向梯度直方图特征向量;基于每一扫描单元的方向梯度直方图特征向量获取每一像素块的方向梯度直方图特征向量,每一像素块包括若干相邻的扫描单元;将每一像素块的方向梯度直方图特征向量归一化,并将所有像素块的方向梯度直方图特征向量组成识别图像的方向梯度直方图特征向量。
其中,获取识别图像中每一扫描单元的方向梯度直方图特征向量,包括:获取每一扫描单元中所有像素的梯度向量的长度和角度;基于每一扫描单元中所有像素的梯度向量的长度和角度的直方图统计,获得每一扫描单元的方向梯度直方图特征向量。
其中,将所有像素块的方向梯度直方图特征向量组成识别图像的方向梯度直方图特征向量之后,还包括:基于主成分分析算法,将识别图像的方向梯度直方图特征向量的维数降到预设数量。
其中,支持向量机模型的训练步骤包括:获取包括所有不同果仁数量的花生的样本图像,提取样本图像的样本参数,样本参数包括样本图像中花生的长度、宽度、长宽比、面积以及样本图像的方向梯度直方图特征向量;将第一预设比例的样本图像的样本参数作为训练集,对支持向量机模型进行训练;将第二预设比例的样本图像的样本参数作为测试集,对支持向量机模型进行验证,并根据验证结果优化支持向量机模型。
本发明的另一方面,提供一种花生果仁数量的识别装置,包括:至少一个处理器;以及与处理器通信连接的至少一个存储器,其中:存储器存储有可被处理器执行的程序指令,处理器调用程序指令以执行上述的方法。
本发明的又一方面,提供一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使计算机执行上述的方法。
本发明的又一方面,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使计算机执行上述的方法。
本发明提供的一种花生果仁数量的识别方法和装置,通过获取花生的识别图像,提取识别图像的识别参数,识别参数包括识别图像中花生的长度、宽度、长宽比、面积以及识别图像的方向梯度直方图特征向量,将识别参数输入至已训练的支持向量机模型,输出花生的果仁数量;从而通过花生的图像实现对花生果仁数量的分类识别,实现了机器识别的智能化,节省了由于人工识别花生果仁数量而投入的大量劳动力,提高了工作效率,加快了花生产品商业化的发展进程。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为根据本发明实施例的花生果仁数量的识别方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
在本发明的一个实施例中,参考图1,提供一种花生果仁数量的识别方法,包括:获取花生的识别图像;提取识别图像的识别参数,识别参数包括识别图像中花生的长度、宽度、长宽比、面积以及识别图像的方向梯度直方图特征向量;将识别参数输入至已训练的支持向量机模型,输出花生的果仁数量。
具体地,机器学习(Machine Learning,简称为ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。该学科专门研究计算机如何模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。在机器学习中,支持向量机((Support Vector Machine,简称为SVM)是与相关的学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析。
用于支持向量机模型的分析数据,作为识别参数,识别参数应具有易于被支持向量机模型识别的特性;由于花生果仁数量的不等,有一颗果仁的、两颗果仁的、三颗果仁的甚至还有四颗果仁的,这些不同果仁数量的花生在长度、宽度、长宽比和面积上差别很大,将花生的长度、宽度、长宽比和面积作为识别参数,能有效的提高支持向量机模型的识别精度;另外,方向梯度直方图(Histogram of Oriented Gradient,简称为HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。HOG特征通过计算和统计图像局部区域的梯度方向直方图来构成特征,HOG已被广泛的应用于图像识别中。通过将花生的图像的方向梯度直方图特征向量同时作为识别参数,能进一步的提高支持向量机模型的识别精度。花生的长度、宽度、长宽比、面积以及方向梯度直方图特征向量均可以通过包括花生的图像来提取,将能有效提取上述识别参数的图像作为花生的识别图像。
本实施例中,首先获取花生的识别图像,再从识别图像中提取花生的长度、宽度、长宽比、面积以及图像的方向梯度直方图特征向量,并输入至支持向量机模型,最后得到花生的果仁数量。通过花生的图像实现对花生果仁数量的分类识别,实现了机器识别的智能化,节省了由于人工识别花生果仁数量而投入的大量劳动力,提高了工作效率,加快了花生产品商业化的发展进程。
基于以上实施例,获取花生的识别图像,包括:采集花生的三维图像;将三维图像在二维平面内的投影面积最大的图像作为识别图像。
具体地,在通过支持向量机模型对花生进行识别时,花生的长度、宽度、长宽比和面积等形状参数是重要的识别参数,所获取的花生的识别图像中,花生的长度、宽度、长宽比和面积需要能最佳的表现出花生的果仁数量;例如花生的长宽比,在花生的某些方向上,其长宽比是差不多的,并不能体现出花生的果仁数量。本实施例中,可以获取花生的三维图像,并将图像进行旋转,在三维图像在二维平面内的投影面积最大时获得的图像作为花生的识别图像,这时花生的长宽比能作为判断花生果仁数量的最有效的参数;三维图像可以在MATLAB中进行旋转,以获得最佳的适于提取花生的识别参数的识别图像。
本实施例通过将三维图像在二维平面内的投影面积最大的图像作为识别图像,以提高对花生识别的精度。
基于以上实施例,将三维图像在二维平面内的投影面积最大的图像作为识别图像之前,还包括:将三维图像灰度化,并进行Gamma校正。
具体地,对于提取图像中花生的长度、宽度、长宽比和面积,图像中颜色的信息的作用不大,为了减少数据处理量,可将图像灰度化;同时还由于在实际花生图片采集的过程中,由于图像的采集环境以及采集装置等等原因,使得图像效果不是很好,可能导致特征提取效果不好,所以也要对图像做预处理,主要是处理光线太暗或太强的情况,将图像灰度化,是优化图像效果的手段之一,同时,为了提取图像的方向梯度直方图特征向量,也需要对图像进行灰度化。优化图像效果的另一个手段是进行Gamma校正,以校正各个灰阶的颜色,减小灰阶误差,以提高识别参数的提取精度。
基于以上实施例,提取识别图像的识别参数,包括:提取识别图像中花生的长度、宽度、长宽比和面积;扫描识别图像,获取识别图像中每一扫描单元的方向梯度直方图特征向量;基于每一扫描单元的方向梯度直方图特征向量获取每一像素块的方向梯度直方图特征向量,每一像素块包括若干相邻的扫描单元;将每一像素块的方向梯度直方图特征向量归一化,并将所有像素块的方向梯度直方图特征向量组成识别图像的方向梯度直方图特征向量。
其中,获取识别图像中每一扫描单元的方向梯度直方图特征向量,包括:获取每一扫描单元中所有像素的梯度向量的长度和角度;基于每一扫描单元中所有像素的梯度向量的长度和角度的直方图统计,获得每一扫描单元的方向梯度直方图特征向量。
具体地,对识别图像以光栅扫描的形式进行扫描,每一扫描单元均包括互相垂直的两个方向上的若干像素,例如8像素,则每一扫描单元均包括8×8像素的单元;在扫描过程中,获取每一扫描单元中所有像素的梯度向量的长度和角度,在每一扫描单元内将梯度方向分成预设数目(例如9)的方向块,统计每一像素的梯度向量的角度所述的方向块,并将每一像素的梯度向量的长度作为权值增加到对应的方向块中,通过上述的方式,可获得每一扫描单元中所有像素的梯度向量的长度和角度的直方图统计,以作为每一扫描单元的方向梯度直方图特征向量;同时,将相邻的扫描单元视作一个像素块,例如,将前后左右4个相邻的扫描单元作为一个像素块,基于每一扫描单元的方向梯度直方图特征向量获取每一像素块的方向梯度直方图特征向量;最后将每一像素块的方向梯度直方图特征向量归一化,并将所有像素块的方向梯度直方图特征向量组成识别图像的方向梯度直方图特征向量。
基于以上实施例,将所有像素块的方向梯度直方图特征向量组成识别图像的方向梯度直方图特征向量之后,还包括:基于主成分分析算法,将识别图像的方向梯度直方图特征向量的维数降到预设数量。
具体地,通过上述方法获得的图像的方向梯度直方图特征向量,维度过大,其中,部分维度的参数对应提高识别精度的作用并不大,存在多余的信息,极大的增加了运算量,减缓了分类速度。通过对原方向梯度直方图特征向量所述的空间进行空间变换,使原方向梯度直方图特征向量投影到一个新的维度较低的并且相互正交的空间上,以达到降维的目的。通过下式计算原方向梯度直方图特征向量的主成分(即降维后的方向梯度直方图特征向量):
取协方差矩阵中前预设数量个(例如10个)主成分,对原方向梯度直方图特征向量进行降维,以获得该预设数量个维度的方向梯度直方图特征向量。
本实施例通过对原方向梯度直方图特征向量进行降维处理,例如降成10维的方向梯度直方图特征向量,然后将花生的长度、宽度、长宽比和面积以及降维后的10维方向梯度直方图特征向量共同组成的14维向量,作为识别参数输入到支持向量机模型,可大幅降低识别运算量,提高分类识别的速度。
基于以上实施例,支持向量机模型的训练步骤包括:获取包括所有不同果仁数量的花生的样本图像,提取样本图像的样本参数,样本参数包括样本图像中花生的长度、宽度、长宽比、面积以及样本图像的方向梯度直方图特征向量;将第一预设比例的样本图像的样本参数作为训练集,对支持向量机模型进行训练;将第二预设比例的样本图像的样本参数作为测试集,对支持向量机模型进行验证,并根据验证结果优化支持向量机模型。
具体地,提取足够的样本参数,其中一部分作为训练集,另一部分作为测试集,样本参数包括样本图像中花生的长度、宽度、长宽比和面积以及样本图像的方向梯度直方图特征向量,使用训练集对支持向量机模型进行训练,采用测试集对支持向量机模型进行验证并进一步优化,其中,可采用五折交叉验证或者十折交叉验证以实现对支持向量机模型的充分训练,交叉验证的基本思想是将原始数据(dataset)进行分组,一部分作为训练集(train set),另一部分作为测试集(validation set or test set),首先用训练集对分类器进行训练,再利用测试集来测试训练得到的模型(model),以此作为评价分类器的性能指标。通过交叉验证,以提高分类识别的精度。
作为本发明的又一实施例,提供一种花生果仁数量的识别装置,包括:至少一个处理器;以及与处理器通信连接的至少一个存储器,其中:存储器存储有可被处理器执行的程序指令,处理器调用程序指令以执行上述各方法实施例所提供的方法,例如包括:获取花生的识别图像;提取识别图像的识别参数,识别参数包括识别图像中花生的长度、宽度、长宽比、面积以及识别图像的方向梯度直方图特征向量;将识别参数输入至已训练的支持向量机模型,输出花生的果仁数量。
作为本发明的又一个实施例,提供一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,该计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取花生的识别图像;提取识别图像的识别参数,识别参数包括识别图像中花生的长度、宽度、长宽比、面积以及识别图像的方向梯度直方图特征向量;将识别参数输入至已训练的支持向量机模型,输出花生的果仁数量。
作为本发明的又一个实施例,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使该计算机执行上述各方法实施例所提供的方法,例如包括:获取花生的识别图像;提取识别图像的识别参数,识别参数包括识别图像中花生的长度、宽度、长宽比、面积以及识别图像的方向梯度直方图特征向量;将识别参数输入至已训练的支持向量机模型,输出花生的果仁数量。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成,前述的计算机程序可以存储于一计算机可读取存储介质中,该计算机程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种花生果仁数量的识别方法,其特征在于,包括:
获取花生的识别图像;
提取所述识别图像的识别参数,所述识别参数包括所述识别图像中花生的长度、宽度、长宽比、面积以及所述识别图像的方向梯度直方图特征向量;
将所述识别参数输入至已训练的支持向量机模型,输出所述花生的果仁数量;
所述获取花生的识别图像,包括:
采集所述花生的三维图像;
将所述三维图像在二维平面内的投影面积最大的图像作为所述识别图像。
2.根据权利要求1所述的方法,其特征在于,所述将所述三维图像在二维平面内的投影面积最大的图像作为所述识别图像之前,还包括:
将所述三维图像灰度化,并进行Gamma校正。
3.根据权利要求1所述的方法,其特征在于,所述提取所述识别图像的识别参数,包括:
提取所述识别图像中花生的长度、宽度、长宽比和面积;
扫描所述识别图像,获取所述识别图像中每一扫描单元的方向梯度直方图特征向量;
基于每一扫描单元的方向梯度直方图特征向量获取每一像素块的方向梯度直方图特征向量,每一像素块包括若干相邻的扫描单元;
将每一像素块的方向梯度直方图特征向量归一化,并将所有像素块的方向梯度直方图特征向量组成所述识别图像的方向梯度直方图特征向量。
4.根据权利要求3所述的方法,其特征在于,所述获取所述识别图像中每一扫描单元的方向梯度直方图特征向量,包括:
获取每一扫描单元中所有像素的梯度向量的长度和角度;
基于每一扫描单元中所有像素的梯度向量的长度和角度的直方图统计,获得每一扫描单元的方向梯度直方图特征向量。
5.根据权利要求3所述的方法,其特征在于,所述将所有像素块的方向梯度直方图特征向量组成所述识别图像的方向梯度直方图特征向量之后,还包括:
基于主成分分析算法,将所述识别图像的方向梯度直方图特征向量的维数降到预设数量。
6.根据权利要求1所述的方法,其特征在于,所述支持向量机模型的训练步骤包括:
获取包括所有不同果仁数量的花生的样本图像,提取所述样本图像的样本参数,所述样本参数包括所述样本图像中花生的长度、宽度、长宽比、面积以及所述样本图像的方向梯度直方图特征向量;
将第一预设比例的样本图像的样本参数作为训练集,对所述支持向量机模型进行训练;
将第二预设比例的样本图像的样本参数作为测试集,对所述支持向量机模型进行验证,并根据验证结果优化所述支持向量机模型。
7.一种花生果仁数量的识别装置,其特征在于,包括:
至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行如权利要求1至6任一所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810172583.4A CN108520261B (zh) | 2018-03-01 | 2018-03-01 | 一种花生果仁数量的识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810172583.4A CN108520261B (zh) | 2018-03-01 | 2018-03-01 | 一种花生果仁数量的识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520261A CN108520261A (zh) | 2018-09-11 |
CN108520261B true CN108520261B (zh) | 2021-06-18 |
Family
ID=63433383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810172583.4A Active CN108520261B (zh) | 2018-03-01 | 2018-03-01 | 一种花生果仁数量的识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520261B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919182B (zh) * | 2019-01-24 | 2021-10-22 | 国网浙江省电力有限公司电力科学研究院 | 一种终端侧电力安全作业图像识别方法 |
CN113743161B (zh) * | 2020-05-29 | 2024-04-09 | 合肥美亚光电技术股份有限公司 | 花生果的果仁数量识别方法及装置 |
CN112945817B (zh) * | 2021-01-29 | 2023-04-21 | 内蒙古工业大学 | 气旋式花粉浓度检测方法及装置 |
CN114838711A (zh) * | 2022-03-16 | 2022-08-02 | 东北大学秦皇岛分校 | 一种海冰综合监测系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682304A (zh) * | 2012-03-26 | 2012-09-19 | 北京博康智能信息技术有限公司 | 一种融合多特征的行人检测方法及装置 |
CN102915446A (zh) * | 2012-09-20 | 2013-02-06 | 复旦大学 | 基于svm机器学习的植物病虫害检测方法 |
CN104751199A (zh) * | 2013-12-30 | 2015-07-01 | 华中科技大学 | 一种棉花裂铃期自动检测方法 |
CN105426905A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 基于梯度直方图和支持向量机的机器人障碍物识别方法 |
KR101653278B1 (ko) * | 2016-04-01 | 2016-09-01 | 수원대학교산학협력단 | 색상 기반 얼굴 검출을 통한 실시간 얼굴 추적 시스템 |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和系统 |
CN107247936A (zh) * | 2017-05-31 | 2017-10-13 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
CN107657220A (zh) * | 2017-09-13 | 2018-02-02 | 电子科技大学 | 一种基于hog特征和svm的白带霉菌自动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8792722B2 (en) * | 2010-08-02 | 2014-07-29 | Sony Corporation | Hand gesture detection |
-
2018
- 2018-03-01 CN CN201810172583.4A patent/CN108520261B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682304A (zh) * | 2012-03-26 | 2012-09-19 | 北京博康智能信息技术有限公司 | 一种融合多特征的行人检测方法及装置 |
CN102915446A (zh) * | 2012-09-20 | 2013-02-06 | 复旦大学 | 基于svm机器学习的植物病虫害检测方法 |
CN104751199A (zh) * | 2013-12-30 | 2015-07-01 | 华中科技大学 | 一种棉花裂铃期自动检测方法 |
CN105426905A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 基于梯度直方图和支持向量机的机器人障碍物识别方法 |
KR101653278B1 (ko) * | 2016-04-01 | 2016-09-01 | 수원대학교산학협력단 | 색상 기반 얼굴 검출을 통한 실시간 얼굴 추적 시스템 |
CN105930815A (zh) * | 2016-05-04 | 2016-09-07 | 中国农业大学 | 一种水下生物检测方法和系统 |
CN107247936A (zh) * | 2017-05-31 | 2017-10-13 | 北京小米移动软件有限公司 | 图像识别方法及装置 |
CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
CN107657220A (zh) * | 2017-09-13 | 2018-02-02 | 电子科技大学 | 一种基于hog特征和svm的白带霉菌自动检测方法 |
Non-Patent Citations (4)
Title |
---|
Automated strawberry grading system based on image processing;XuLiming ZhaoYanchao;《Computers and Electronics in Agriculture》;20100430;S32-S39 * |
利用花生荚果图像特征识别品种与检验种子;韩仲志等;《作物学报》;20120104;535-540 * |
基于HOG与支持向量机的成熟苹果自动识别;陈珂;《江苏农业科学》;20170503;211-215 * |
基于SVM+HOG的花生品种识别;lingtianyulong;《CSDN:https://blog.csdn.net/lingtianyulong/article/details/42882607》;20150119;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN108520261A (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11429818B2 (en) | Method, system and device for multi-label object detection based on an object detection network | |
CN108520261B (zh) | 一种花生果仁数量的识别方法和装置 | |
Azizah et al. | Deep learning implementation using convolutional neural network in mangosteen surface defect detection | |
CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
CN109558794A (zh) | 基于摩尔纹的图像识别方法、装置、设备和存储介质 | |
CN112270347A (zh) | 一种基于改进ssd的医疗废弃物分类检测方法 | |
CN111652317B (zh) | 基于贝叶斯深度学习的超参数图像分割方法 | |
JP2014232533A (ja) | Ocr出力検証システム及び方法 | |
US20200134382A1 (en) | Neural network training utilizing specialized loss functions | |
CN109993221B (zh) | 一种图像分类方法及装置 | |
CN110909618A (zh) | 一种宠物身份的识别方法及装置 | |
CN113159045A (zh) | 一种结合图像预处理与卷积神经网络的验证码识别方法 | |
Vil’kin et al. | Algorithm for segmentation of documents based on texture features | |
CN111753873A (zh) | 一种图像检测方法和装置 | |
CN114359199A (zh) | 一种基于深度学习的鱼类计数方法、装置、设备和介质 | |
CN112329771A (zh) | 一种基于深度学习的建筑材料样本识别方法 | |
CN112364974A (zh) | 一种基于激活函数改进的YOLOv3算法 | |
US20220027662A1 (en) | Optical character recognition using specialized confidence functions | |
CN116933041B (zh) | 力传感器编号校对系统及方法 | |
CN113723508B (zh) | 票据图像分类方法、装置、计算设备和存储介质 | |
CN110334667B (zh) | 基于ircnn和mtcnn的具有尺度旋转不变性的静脉识别方法及系统 | |
CN115240187A (zh) | 鸡部位检测识别方法及装置 | |
Gong et al. | Enhancing Feature Extraction in DBNet: A Novel Approach with Squeeze-and-Excitation Block and CBAM Module | |
Gong et al. | Research on facial recognition of sika deer based on vision transformer | |
CN114937273A (zh) | 字迹识别鉴定方法及装置 |
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 |