CN108665057A - 一种基于卷积神经网络的多生产点位轮毂图像分类方法 - Google Patents
一种基于卷积神经网络的多生产点位轮毂图像分类方法 Download PDFInfo
- Publication number
- CN108665057A CN108665057A CN201810276192.7A CN201810276192A CN108665057A CN 108665057 A CN108665057 A CN 108665057A CN 201810276192 A CN201810276192 A CN 201810276192A CN 108665057 A CN108665057 A CN 108665057A
- Authority
- CN
- China
- Prior art keywords
- wheel hub
- image
- neural networks
- convolutional neural
- layer
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000010438 heat treatment Methods 0.000 claims abstract description 6
- 238000004806 packaging method and process Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000010606 normalization Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的多生产点位轮毂图像分类方法，该方法首先建立卷积神经网络模型，设置网络的结构参数和训练参数；对生产线不同生产点位采集得到的轮毂图像进行预处理，然后尺寸归一化后得到训练数据；将同种轮毂不同生产点位的图像作为一类数据进行数据增强，然后输入到卷积神经网络中进行训练，得到网络的权重和偏置；基于卷积神经网络的训练模型，将待分类轮毂图像输入网络，得到分类结果。由于同一种轮毂类型在热处理前点位、气密性检测点位和包装前点位的外形差异较大，传统手工提取特征分类的方法并不适用，通过本发明公开的卷积神经网络的方法可以实现轮毂的快速分类，提高分类准确率。
Description
技术领域
本发明属于汽车制造领域，涉及一种基于卷积神经网络的多生产点位轮毂图像分类方法。
背景技术
汽车轮毂是用于支撑轮胎的圆桶形的、中心装在轴上的金属部件，准确地说，就是安装在车轮中心车轴部位处，是连接制动鼓、轮盘和半轴的重要零部件。随着全球汽车产量的不断提升，汽车轮毂行业不断发展壮大，轮毂分类也越来越重要。为了解决轮毂分类问题，目前已有一些特定的轮毂分类方法，这些方法针对生产过程中的同种轮毂图像只有一种外形的轮毂分类问题，进行手工提取特征，建立分类模型。如陈淑红等提出的基于模板匹配和纹理偏差度的轮毂分类方法，通过直方图相似度比较得到纹理偏差度，再利用其进行轮型分类；还有胡凯等提出的一种基于词袋模型和支持向量机的汽车轮毂分类方法，该方法通过提取图像的全局纹理特征、全局颜色特征和利用SIFT算子提取图像的局部特征，进行K-Means聚类得到基于词袋模型的特征描述，仍采用手工提取特征后进行分类的方法。但是，汽车轮毂生产线较长，轮毂外形在生产过程中会发生较大的变化，提取到的图像特征也会发生较大的变化，因此手工提取特征的轮毂图像分类方法，都是基于特定轮毂特征，很难处理多点位多种外形的轮毂图像的分类问题。而卷积神经网络的作用就是利用深层的网络结构，去自动提取图像的特征，这样对于多种外形的轮毂图像，也能提取到类别间差异较大的图像特征，得到较好的分类效果。并且，生产线上还存在生产线之间的轮毂调度，因此只有对多个生产点位的轮毂图像进行分类，才能满足轮毂企业的管理要求。
发明内容
发明目的：针对上述现有方法存在的问题和不足，本发明旨在提供一种基于卷积神经网络的多生产点位轮毂图像分类方法，通过该方法可以利用卷积神经网络模型实现对多生产点位的具有不同外形的轮毂图像进行快速分类，提高轮毂识别、分类的准确率。
技术方案：为实现上述发明目的，本发明采用技术方案如下：一种基于卷积神经网络的多生产点位轮毂图像分类方法，该方法包括以下步骤：
(1)搭建卷积神经网络模型；
(2)获取轮毂图像作为训练数据进行预处理；
(3)对神经网络结构参数进行设定和训练参数初始化；
(4)对获取的轮毂图像数据进行图像增强；
(5)对获取的轮毂图像进行数据训练，得到网络权重和偏置；
(6)将待分类轮毂图像输入神经网络模型，得到轮毂图像的分类结果。
其中，在步骤(1)中，所述搭建卷积神经网络模型的结构如下：
第一层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；
第二层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；
第三层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层；
第三层卷积层中池化层的输出后接一个包含预设个数神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；
最后一个全连接层使用softmax层将上个全连接层中Dropout层的输出经过softmax回归得到最终的概率输出。
其中，在步骤(2)中，对获取的轮毂图像进行预处理方法如下：
(2.1)将轮毂所在的区域从原始图像中裁剪出来；
(2.2)对(2.1)中裁剪得到轮毂图像的灰度直方图进行分析，将轮毂图像上的生产线背景去除；
(2.3)由于原始轮毂图像由于自身半径不同导致图像大小不一致，将所有轮毂图像重新调整至预设值大小的灰度图像，作为网络的输入，并且，为了让模型得到充分的训练，获取的各个生产点位的同一种轮毂类型的图像数量相同。
其中，在步骤(3)中，所述网络结构参数设定和训练参数初始化如下：
(3.1)网络中卷积层和最大池化层的步长设置为1，卷积层采用边缘补0的方式保持图像尺寸不变；
(3.2)卷积层的权重初始化为均值为0、标准差为0.1的截断正态分布噪声，网络中的所有偏置初始化为常量0.1；
(3.3)训练的batch size大小设置为40，训练时dropout rate设置为0.5，初始学习率设置为1×e-3，10000次迭代后将学习率调整为1×e-4。
其中，在步骤(4)中，由于生产线上的同一个点位的同一种轮毂图像之间往往只有很小角度的旋转差异，其导致训练数据之间的差异性很小，很容易让CNN过拟合，采用对输入图像进行翻转和附加高斯噪声进行图像增强。
其中，所述生产点位包括热处理前点位、气密性检测点位和包装前点位。
其中，在步骤(5)中，数据训练时，为了得到充分的训练，属于同一种轮毂类型的不同生产点位图像数量相同。
有益效果：本发明与现有的轮毂检测方法相比，有以下有益效果：
1、本发明利用卷积神经网络模型进行轮毂图像的特征提取和分类，能够实现对多生产点位的具有不同外形的轮毂图像进行分类，具有很高的识别准确率和良好的实时性效果；
2、本发明通过对图像进行翻转和附加高斯噪声的方法图像增强方法，提高了卷积神经网络模型的泛化能力，提高了分类的准确率。
附图说明
图1是本发明一种基于卷积神经网络的多生产点位轮毂图像分类方法流程图；
图2是本发明采用的卷积神经网络结构图；
图3是各生产点位同种轮毂对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明：
本发明的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其流程图如图1所示，该方法的步骤为：
(1)搭建卷积神经网络模型
图2展示的是本发明采用的卷积神经网络结构图，首先针对各生产点位轮毂图像，本发明搭建的卷积神经网络结构如下：
第一层卷积层的卷积核大小为1×7×7，特征图个数为32，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；
第二层卷积层的卷积核大小为32×5×5，特征图个数为64，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；
第三层卷积层的卷积核大小为64×3×3，特征图个数为64，输出依次经过Relu函数、2×2最大池化层；
第三层卷积层中池化层的输出后接一个包含1024个神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；
最后一个全连接层使用softmax层将上个全连接层中Dropout层的输出经过softmax回归得到最终的概率输出。
(2)训练数据获取
在将生产线上各点位的轮毂图像用于模型训练之前，首先需要对采集到的图像进行预处理，图像预处理的方法包括以下步骤：
(2.1)通过圆检测方法，选取图像中最大圆所在区域为轮毂区域，将这个区域从原图像中裁剪出来；
(2.2)对(2.1)中得到轮毂图像的灰度直方图进行分析，由于轮毂在图像中呈现出较亮的特点，而生产线上的导轨背景一般较暗，因此可以从灰度直方图上选择一个预设灰度阈值，使得背景的灰度值基本小于阈值，而轮毂部分的灰度值基本大于阈值，从而把轮毂和生产线上的背景区分，将生产线背景去除。
(2.3)由于原始轮毂图像由于自身半径不同导致图像大小不一致，因此将所有图像重新调整至56×56大小的灰度图像，作为网络的输入；并且，在训练数据的选取时，为了让模型得到充分的训练，需要保证同种轮型中来自各个生产点位的图像数量相同。图3展示的是各生产点位同种轮毂对比图，其中在图3中，1、2、3分别是同一种轮毂在热处理前点位、气密性检测点位和包装前点位的图像，4、5、6分别是另一种轮毂在热处理前点位、气密性检测点位和包装前点位的图像。
(3)网络结构参数设定和训练参数初始化，本发明中网络结构参数的设定和训练参数初始化如下：
(3.1)网络中卷积层和最大池化层的步长设置为1，同时卷积层采用边缘补0的方式保持图像尺寸不变；
(3.2)卷积层的权重初始化为均值为0、标准差为0.1的截断正态分布噪声，网络中的所有偏置初始化为常量0.1；
(3.3)训练的batch size大小设置为40，即每次把40张图片送入卷积神经网络中，然后计算整个batch所有样本的平均损失。训练时dropout rate设置为0.5，即有50％的神经元输出值会被置为0。选用随机梯度下降算法进行模型优化，初始学习率设置为1×e-3，10000次迭代后将学习率调整为1×e-4。
(4)图像增强
由于生产线上的同一个点位的同一种轮毂图像之间往往只有很小角度的旋转差异，其导致训练数据之间的差异性很小，很容易让CNN过拟合，因此，需要采用对每一张训练图像附加高斯噪声和图像翻转的方式进行图像增强，同时获得更大量的训练数据，以避免由于训练数据过少而造成的过拟合，并提高模型的泛化能力。
(5)模型训练
将步骤(2)中得到的训练数据输入网络进行训练，保存得到的网络权重和偏置。
(6)预测分类结果
将待分类的轮毂图像经过步骤(2)中所述的预处理过程后输入模型，该模型将输出该图像属于各种轮毂类型的概率，其中概率最大值的类别就是该图像的轮毂类型分类结果。待分类轮毂图像可能来自轮毂生产线上的热处理前点位、气密性检测点位或者包装前点位，但卷积神经网络模型能将来自各个生产点位的同种轮毂类型图像分为同一类。
Claims (7)
1.一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：该方法包括以下步骤：
(1)搭建卷积神经网络模型；
(2)获取轮毂图像作为训练数据进行预处理；
(3)对神经网络结构参数进行设定和训练参数初始化；
(4)对获取的轮毂图像数据进行图像增强；
(5)对获取的轮毂图像进行数据训练，得到网络权重和偏置；
(6)将待分类轮毂图像输入卷积神经网络模型，得到轮毂图像的分类结果。
2.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(1)中，所述搭建卷积神经网络模型的结构如下：
第一层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；
第二层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；
第三层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层；
第三层卷积层中池化层的输出后接一个包含预设个数神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；
最后一个全连接层使用softmax层将上个全连接层中Dropout层的输出经过softmax回归得到最终的概率输出。
3.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(2)中，对获取的轮毂图像进行预处理方法如下：
(2.1)将轮毂所在的区域从原始图像中裁剪出来；
(2.2)对(2.1)中裁剪得到轮毂图像的灰度直方图进行分析，将轮毂图像上的生产线背景去除；
(2.3)将所有轮毂图像重新调整为预设值大小的灰度图像，作为网络的输入，并且获取的各个生产点位的同一种轮毂类型的图像数量相同。
4.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(3)中，所述网络结构参数设定和训练参数初始化如下：
(3.1)网络中卷积层和最大池化层的步长设置为1，卷积层采用边缘补0的方式保持图像尺寸不变；
(3.2)卷积层的权重初始化为均值为0、标准差为0.1的截断正态分布噪声，网络中的所有偏置初始化为常量0.1；
(3.3)训练的batch size大小设置为40，训练时dropout rate设置为0.5，初始学习率设置为1×e-3，10000次迭代后将学习率调整为1×e-4。
5.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(4)中，所述对输入图像数据进行图像增强方法如下：采用对输入轮毂图像进行翻转和附加高斯噪声进行图像增强。
6.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：所述生产点位包括热处理前点位、气密性检测点位和包装前点位。
7.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(5)中，数据训练时，属于同一种轮毂类型的不同生产点位图像数量相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810276192.7A CN108665057A (zh) | 2018-03-29 | 2018-03-29 | 一种基于卷积神经网络的多生产点位轮毂图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810276192.7A CN108665057A (zh) | 2018-03-29 | 2018-03-29 | 一种基于卷积神经网络的多生产点位轮毂图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108665057A true CN108665057A (zh) | 2018-10-16 |
Family
ID=63782788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810276192.7A Pending CN108665057A (zh) | 2018-03-29 | 2018-03-29 | 一种基于卷积神经网络的多生产点位轮毂图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665057A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583394A (zh) * | 2018-12-05 | 2019-04-05 | 陕西四维衡器科技有限公司 | 高速公路收费系统中车辆轮胎数识别方法和专用设备 |
| CN111369503A (zh) * | 2020-02-25 | 2020-07-03 | 东南大学 | 一种基于卷积神经网络对图像中的铅笔进行精确计数的方法 |
| CN113762281A (zh) * | 2021-08-04 | 2021-12-07 | 浙江跃岭股份有限公司 | 一种基于机器学习的成型轮毂识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123542A (zh) * | 2014-07-18 | 2014-10-29 | 大连理工大学 | 一种轮毂工件定位的装置及其方法 |
| US8977613B1 (en) * | 2012-06-12 | 2015-03-10 | Firstrain, Inc. | Generation of recurring searches |
| CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| CN106023186A (zh) * | 2016-05-17 | 2016-10-12 | 浙江大学宁波理工学院 | 一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法 |
| CN107330446A (zh) * | 2017-06-05 | 2017-11-07 | 浙江工业大学 | 一种面向图像分类的深度卷积神经网络的优化方法 |
| 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 |
-
2018
- 2018-03-29 CN CN201810276192.7A patent/CN108665057A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8977613B1 (en) * | 2012-06-12 | 2015-03-10 | Firstrain, Inc. | Generation of recurring searches |
| CN104123542A (zh) * | 2014-07-18 | 2014-10-29 | 大连理工大学 | 一种轮毂工件定位的装置及其方法 |
| CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
| CN106023186A (zh) * | 2016-05-17 | 2016-10-12 | 浙江大学宁波理工学院 | 一种基于机器视觉的毛坯轮毂钻孔中心精确定位方法 |
| CN107330446A (zh) * | 2017-06-05 | 2017-11-07 | 浙江工业大学 | 一种面向图像分类的深度卷积神经网络的优化方法 |
| 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 (2)
| Title |
|---|
| CHEN LIUKUI 等: "A method of hub auto-recognition on line", 《2011 INTERNATIONAL CONFERENCE ON BUSINESS MANAGEMENT AND ELECTRONIC INFORMATION》 * |
| 柴汝刚: "基于机器视觉的轮毂在线识别系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583394A (zh) * | 2018-12-05 | 2019-04-05 | 陕西四维衡器科技有限公司 | 高速公路收费系统中车辆轮胎数识别方法和专用设备 |
| CN109583394B (zh) * | 2018-12-05 | 2024-01-12 | 陕西四维衡器科技有限公司 | 高速公路收费系统中车辆轮胎数识别方法和专用设备 |
| CN111369503A (zh) * | 2020-02-25 | 2020-07-03 | 东南大学 | 一种基于卷积神经网络对图像中的铅笔进行精确计数的方法 |
| CN113762281A (zh) * | 2021-08-04 | 2021-12-07 | 浙江跃岭股份有限公司 | 一种基于机器学习的成型轮毂识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Altaheri et al. | Date fruit classification for robotic harvesting in a natural environment using deep learning | |
| Jaisakthi et al. | Grape leaf disease identification using machine learning techniques | |
| CN111161207B (zh) | 一种集成的卷积神经网络织物疵点分类方法 | |
| CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
| Saragih et al. | Banana ripeness classification based on deep learning using convolutional neural network | |
| CN108665057A (zh) | 一种基于卷积神经网络的多生产点位轮毂图像分类方法 | |
| CN111611972B (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
| CN107679579A (zh) | 基于深度学习的红枣品质分选方法 | |
| SS et al. | A hybrid intelligent system for automated pomegranate disease detection and grading | |
| CN107665352A (zh) | 一种基于多通道残差网络的珍珠分类方法 | |
| CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
| CN109359661A (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
| CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
| Foong et al. | Convolutional neural network based rotten fruit detection using resnet50 | |
| Al Haque et al. | Cnn based automatic computer vision system for strain detection and quality identification of banana | |
| Antony et al. | A comparative study on predicting food quality using machine learning techniques | |
| Asriny et al. | Transfer learning VGG16 for classification orange fruit images | |
| Gope et al. | Normal and peaberry coffee beans classification from green coffee bean images using convolutional neural networks and support vector machine | |
| Al Haque et al. | A computer vision system for bangladeshi local mango breed detection using convolutional neural network (cnn) models | |
| AL-Abri et al. | Classification of Omani’s dates varieties using artificial intelligence techniques | |
| CN109376619A (zh) | 一种细胞检测方法 | |
| Abbaszadeh et al. | Deep learning-based classification of the defective pistachios via deep autoencoder neural networks | |
| Patel et al. | Enhanced CNN for Fruit Disease Detection and Grading Classification Using SSDAE-SVM for Postharvest Fruits | |
| CN114219957A (zh) | 一种基于Resnet和随机森林融合的鱼类分类方法 | |
| MS et al. | Deep Learning for Early Detection of Tomato Leaf Diseases: A ResNet-18 Approach for Sustainable Agriculture. |
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: 20181016 |
|
| RJ01 | Rejection of invention patent application after publication |