CN109145966B - 有孔虫化石自动鉴定方法 - Google Patents
有孔虫化石自动鉴定方法 Download PDFInfo
- Publication number
- CN109145966B CN109145966B CN201810877831.5A CN201810877831A CN109145966B CN 109145966 B CN109145966 B CN 109145966B CN 201810877831 A CN201810877831 A CN 201810877831A CN 109145966 B CN109145966 B CN 109145966B
- Authority
- CN
- China
- Prior art keywords
- data
- training
- fossil
- model
- cnn 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.)
- Active
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了有孔虫化石自动鉴定方法,代替了人工鉴定,减少了人力物力的消耗;基于有孔虫化石图像,自动强化化石特征并提取化石各部分特征,弱化或消除具有干扰性质的其他因素,不需要人工进行特征提取和标准化,简单易行;卷积神经CNN网络具备良好的学习能力和自我优化能力,不需要人为干预鉴定过程,避免了主观因素的干扰;可以随时保存网络训练过程中优良的分类模型,也可以加载预训练模型进行继续训练,节约大量时间和精力;分类模型本身可共享和传递,便于鉴定技术交流;通过可视化工具查看模型训练过程,有利于判断模型的状态和性能;投票机制弱化了单鉴定模型的片面性,提高了整个有孔虫化石自动鉴定方法的容错性和准确率。
Description
技术领域
本发明涉及化石鉴定技术领域,具体涉及有孔虫化石自动鉴定方法。
背景技术
化石鉴定是对化石进行分类的过程,也是古生物研究中不可替代的环节。目前,化石鉴定还主要依赖于专家人工鉴定,耗费金钱和时间的同时,效率也很低,经常会受到鉴定者的主观意识影响,出现偏差。
相关技术中,计算机化石自动鉴定技术主要有两种,第一种是以推理为主的专家推理系统,通过人机对话,用户观察化石特征后选择系统给出的选项,最后系统综合用户所选择的选项,给出鉴定结果;这种方法仍然依赖于用户的观察和选择,需要用户具备一定的化石鉴定知识,不是真正意义上的自动化,而且会导致用户的主观因素影响鉴定。另一种是多元统计分析技术,需要将分析对象的定性特征转化为定量特征,运用多元统计方法对数据进行整理归类及解释;这种方法需要人工提前对特征提取和标准化,不同的标准化方式可能出现完全不同的鉴定结果,比较复杂。
发明内容
有鉴于此,本发明的实施例提供了一种鉴定结果准确,自动化程度高且不复杂的有孔虫化石鉴定方法。
为解决上述技术问题,本发明的实施例提供了一种有孔虫化石自动鉴定方法,包括以下步骤:
(1)获取训练图片数据或待测有孔虫化石图片数据,设置图片尺寸;
(2)将设置好尺寸的训练图片数据或待测有孔虫化石图片数据进行三种不同方式的图片预处理;
(3)建立初始卷积神经CNN网络模型,采用不同的随机数对初始的CNN网络模型进行初始化,采用上述三种不同预处理的训练图片数据对初始化后的CNN网络模型进行再训练得到对应三种训练好的CNN网络模型;
(4)将上述三种方式预处理的待测有孔虫化石图片数据分别按比例随机分为训练数据与测试数据,将每组训练数据分别输入上述对应训练好的CNN网络模型中,优化得到三种调整后的CNN网络模型,将每组测试数据输入对应的调整后的CNN网络模型中,计算得到待测有孔虫化石图片的分类结果;
(5)根据分类结果进行投票逻辑处理,得到最终的待测有孔虫化石图片的鉴定结果。
优选地,所述步骤(1)中,将获取的训练图片数据或待测有孔虫化石图片数据均分别调整尺寸为100×100。
优选地,所述步骤(2)中,将设置好尺寸的训练图片数据或待测有孔虫化石图片数据均分别进行灰度化模型、Gradient边缘化模型和锐化模型三种方式预处理。
优选地,所述步骤(3)中,得到训练好的CNN网络模型包括以下步骤:
(3-1)开始训练前,采用不同小随机数的神经元连接权形成的权矩阵对初始CNN网络模型进行初始化;
(3-2)将三种方式预处理的训练图片数据分别输入初始化后的CNN网络模型中,计算实际的数据并输出三组数据结果;
(3-3)将上述三组数据结果与预设结果一一对比,计算两者差距值,两者差距值大于预设值,采用极小化误差法调整所述权矩阵,重复步骤(3-1)~(3-3);直至两者差距值在预设值范围内,则得到三种类型的训练好的CNN网络模型。
优选地,所述步骤(4)中,得到待测有孔虫化石图片的分类结果,包括以下步骤:
(4-1)将三种预处理方式处理的待测有孔虫化石图片数据均分别从训练好的CNN网络模型的输入端输入,并为每个图片数据建立标签,然后将每种预处理方式的待测有孔虫化石图片数据随机重新排序,按设定比例划分,得到三组训练数据和测试数据;将每组训练数据输入对应训练好的CNN网络模型中进行自优化生成调整后的CNN网络模型,并输出训练准确率;然后将相应组的测试数据输入对应调整后的CNN网络模型进行测试,输出测试准确率;
(4-2)每完成一轮CNN网络模型训练,均将训练后的模型和之前已保存的模型的测试准确率进行比较,如果当前模型的准确度更高,则将图结构和相关参数保存;如果当前模型的准确度更低,则舍弃当前模型,不进行保存;并判断当前训练轮数是否已达设定的迭代次数,如果未超过就继续下一轮训练,否则结束训练得到分类结果。
优选地,所述步骤(4-1)中,调整后的模型设置4个卷积层,每个卷积层后均设置最大池化层,最大池化层后设置3个全连接层,第2个全连接层和第3个全连接层之间设置Dropout,最后通过Softmax转化为概率输出。
优选地,所述步骤(5)中,得到最终的待测有孔虫化石图片的鉴定结果,包括以下步骤:
(5-1)设置投票1、投票2和投票3,投票1与预处理方式的Gradient边缘化模型相对应,投票2与预处理方式的灰度化模型相对应,投票3与预处理方式的锐化模型相对应,待测有孔虫化石图片经三种预处理方式处理后最终得到的三种相应的分类结果,与所述投票1、投票2和投票3一一对应;
(5-2)投票逻辑先判断投票1和投票3是否相同,如果两者相同,则直接判定最终结果为投票1;如果不同,则查看投票2是否和投票1或者投票3相同,相同则取最终投票结果为1或3;如果三者都各不相同,则选择结果为投票3,得到最终的待测有孔虫化石图片的鉴定结果。
与相关技术比较,本发明的实施例提供的技术方案带来的有益效果是:本发明的有孔虫化石自动鉴定方法,自动化程度高,不需要人工手动干预鉴定,降低了劳动强度,同时避免了主观因素的干扰;基于有孔虫化石图像,自动强化化石特征并提取化石各部分特征,弱化或消除具有干扰性质的其他因素,不需要人工进行特征提取和标准化,比较简易方便;投票机制弱化了单鉴定模型的片面性,提高了整个有孔虫化石自动鉴定方法的容错性和准确率。
附图说明
图1是本发明实施例的有孔虫化石自动鉴定方法示意框图;
图2是本发明实施例的得到训练好的CNN网络模型示意图;
图3是本发明实施例的调整后的CNN网络模型结构示意图;
图4是本发明实施例的得到待测有孔虫化石图片的分类结果示意图;
图5是本发明实施例的投票逻辑得到有孔虫化石图片鉴定结果示意图。
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,下面将结合附图对本发明实施方式作进一步地描述。
请参考图1,本发明的实施例提供了一种有孔虫化石自动鉴定方法,包括以下步骤:
(1)获取训练图片数据或待测有孔虫化石图片数据,设置图片尺寸;
具体地,将获取的训练图片数据或待测有孔虫化石图片数据均分别调整尺寸为100×100;
实际应用中,训练图片数据和待测有孔虫化石图片分别采用不同的模块读取,读取时先获取图片数据所在文件夹,然后依次将图片格式为jpg的图片读入并调整尺寸大小为100×100;如果当前读取的是训练图片数据,则文件夹下会有多个子文件夹,每个子文件夹下都有一批数据,程序会根据这批数据所在子文件夹的名称作为该批数据的标签,然后打开下一个子文件夹,继续读取和标签化,标签是用于区别不同种类待测有孔虫化石图片数据的;如果当前读取的是待测数据,则文件夹下直接存放的就是待测有孔虫化石图片,程序会直接全部读取;
(2)将设置好尺寸的训练图片数据或待测有孔虫化石图片数据进行三种不同方式的图片预处理;
具体地,将设置好尺寸的训练图片数据或待测有孔虫化石图片数据均分别通过灰度化模型、Gradient边缘化模型和锐化模型进行预处理;锐化模型的分类能力最强,泛化能力最好,Gradient边缘化模型次之;
实际应用中,所有的图片数据均进行局部增强、ROF去噪、二值化及中值去噪、归一化、对比度增强处理,然后分别根据灰度化模型、Gradient边缘化模型、锐化模型进行灰度化处理、Gradient边缘化、锐化处理;
进一步地,局部增强是由于一般背景和化石的颜色对比度都会比较大,且大多数情况下背景颜色较深,化石颜色较浅,处理时将有孔虫化石图片灰度化,然后将灰度值在90以下的置为0,即黑色,从而进一步加大背景和化石部分的对比差;
进一步地,ROF去噪处理时是使用ROF(Rudin-Osher-Fatemi)去噪模型,使处理后的化石图像更平滑;
进一步地,二值化及中值去噪处理时先进行二值化转成黑白图片,再使用半径为3的圆形滤波器取中值进行去噪,消除噪点;
进一步地,归一化处理时采用直方图均衡化方法,对图像中像素个数多的灰度级进行展宽,而对图像中像素个数少的灰度进行压缩,从而扩展像原取值的动态范围,提高了对比度和灰度色调的变化,使图像更加清晰;
进一步地,灰度化处理是按加权平均法进行,使得图像的三分量变成了单分量;压缩了信息量,同时保证了化石图像的形态特征;
进一步地,Gradient边缘化处理是使用半径为3的圆形滤波器,取得局部梯度值代替该滤波区域内的所有值;
进一步地,锐化处理是补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,使图像变得清晰;
(3)建立初始卷积神经CNN网络模型,采用不同的随机数对初始的CNN网络模型进行初始化,采用上述三种不同方式预处理的训练图片数据进行CNN网络模型的再训练,得到对应三种训练好的CNN网络模型;
参照附图2,具体地;得到训练好的CNN网络模型包括以下步骤:
(3-1)开始训练前,采用不同小随机数的神经元连接权形成的权矩阵对初始CNN网络模型进行初始化;使用小随机数用来保证网络不会因为权值过大而进入饱和状态,导致训练失败;要求随机数不同是为了防止网络不能正常地学习;若是用完全一样的数去初始化权矩阵,则网络将会丧失自学习的能力;
(3-2)三种不同方式预处理的训练图片数据分别输入初始化后的CNN网络模型中,计算实际的数据,输出三组数据结果;CNN网络模型逐层对训练图片数据进行处理,数据经过卷积层时进行卷积操作,经过池化层时进行池化操作,通过输出层输出结果;
(3-3)将上述三组数据结果与预设结果一一对比,计算两者差距值,两者差距值大于预设值,采用极小化误差法调整所述权矩阵,重复步骤(3-1)~(3-3);直至两者差距值在预设值范围内,则得到三种类型的训练好的CNN网络模型;
(4)将上述经三种不同方式预处理的待测有孔虫化石图片数据分别按设定比例随机划分,得到三组训练数据与测试数据,将每组训练数据分别输入上述对应训练好的CNN网络模型中,优化得到调整后的CNN网络模型,将相应组的测试数据输入调整后的CNN网络模型中,计算得到待测有孔虫化石图片的分类结果;
参照附图3,进一步地,调整后的CNN网络模型设置4个卷积层,每个卷积层后均设置最大池化层,最大池化层后设置3个全连接层,第2个全连接层和第3个全连接层之间设置Dropout,最后通过Softmax转化为概率输出;
参照附图4,具体地,得到待测有孔虫化石图片的分类结果,包括以下步骤:
(4-1)将经三种不同方式预处理的待测有孔虫化石图片数据从训练好的CNN网络模型的输入端输入,并为每个图片数据建立标签,然后将所有数据随机重新排序,按设定比例划分,得到三组训练数据和测试数据;将每组训练数据输入对应训练好的CNN网络模型中进行训练,自优化生成调整后的CNN网络模型,并输出训练准确率;然后将相应组的测试数据输入对应的调整后的CNN网络模型进行测试,输出测试准确率;
(4-2)每完成一轮CNN网络模型训练,均将训练后的模型和之前已保存的模型的测试准确率进行比较,如果当前模型的准确度更高,则将图结构和相关参数保存;如果当前模型的准确度更低,则舍弃当前模型,不进行保存;并判断当前训练轮数是否已达设定的迭代次数,如果未超过就继续下一轮训练,否则结束训练得到分类结果;
(5)根据分类结果进行投票逻辑处理,得到最终的待测有孔虫化石图片的鉴定结果。
参照附图5,进一步地,得到最终的待测有孔虫化石图片的鉴定结果,包括以下步骤:
(5-1)设置投票1、投票2和投票3,分别与三种不同图片预处理方式对应;
原始待测有孔虫化石图片通过预处理得到不同效果的数据,然后分别输入三种预处理方式训练出的CNN网络模型中,得到三个分类结果,对应投票1、投票2和投票3;其中,经过实验对比反映锐化模型的分类能力最强,泛化能力最好,Gradient边缘化模型次之,所以在投票权重上锐化模型最大,投票判定优先考虑的顺序依次是投票3、投票1、投票2;投票1与预处理方式的Gradient边缘化模型相对应,投票2与预处理方式的灰度化模型相对应,投票3与预处理方式的锐化模型相对应;
(5-2)投票逻辑先判断投票1和投票3是否相同,如果两者相同,则直接判定最终结果为投票1;如果不同,则查看投票2是否和投票1或者投票3相同,相同则取最终投票结果为1或3;如果三者都各不相同,则选择投票3,得到最终的待测有孔虫化石图片的鉴定结果。投票逻辑会先判断投票1和投票3是否相同,如果两者相同,则直接按“少数服从多数”的原则判定最终结果为投票1;如果不同,则查看投票2是否和投票1或者投票3相同,同样按照“少数服从多数”原则判定;如果三者都各不相同,则遵从最大优先级的结果,即按照锐化模型的投票3结果判定。这样的投票逻辑可以一定程度上降低固定单模型鉴定的错误可能性,多模型可以多角度给出鉴定结果,多个鉴定结果再按照每个模型的鉴定能力分配“话语权”,从而得出最终鉴定结果,使得整个鉴定算法的鉴定结果更有可靠性和说服力。
本发明实施例的有孔虫化石自动鉴定方法,代替了专家人工鉴定的过程,减少了人力物力的消耗;基于有孔虫化石图像,自动强化化石特征并提取化石各部分特征,弱化或消除具有干扰性质的其他因素,不需要人工进行特征提取和标准化,比较简易方便;网络具备良好的学习能力和自我优化能力,不需要人为干预鉴定过程,从而杜绝了主观因素的干扰;可以随时保存网络训练过程中优良的分类模型,也可以加载预训练模型进行继续训练,从而节约大量时间和精力。分类模型也可以方便地共享和传递,有利于鉴定技术的交流;可以通过可视化工具查看模型训练过程,有利于判断模型的状态和性能;投票机制弱化了单鉴定模型的片面性,提高了整个有孔虫化石自动鉴定方法的容错性和准确率。
在本文中,所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,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 (5)
1.一种有孔虫化石自动鉴定方法,其特征是,包括以下步骤:
(1)获取训练图片数据和待测有孔虫化石图片数据,设置图片尺寸;
(2)将设置好尺寸的训练图片数据和待测有孔虫化石图片数据进行三种不同方式的预处理;
(3)建立初始卷积神经CNN网络模型,采用不同的随机数对初始的CNN网络模型进行初始化,采用上述三种不同方式预处理的训练图片数据对初始化后的CNN网络模型分别进行再训练,而得到对应三种训练好的CNN网络模型;
(4)将上述三种不同方式预处理的待测有孔虫化石图片数据分别按比例随机分为训练数据与测试数据,得到三组不同的训练数据与测试数据,将每一组训练数据分别输入上述对应训练好的CNN网络模型中,得到三种调整后的CNN网络模型,将每一组测试数据输入对应调整后的CNN网络模型中,得到三组待测有孔虫化石图片的分类结果;
(5)根据上述三组分类结果进行投票逻辑处理,得到待测有孔虫化石图片的鉴定结果;
所述步骤(2)中,将设置好尺寸的训练图片数据和待测有孔虫化石图片数据均分别进行灰度化模型、Gradient边缘化模型和锐化模型三种方式预处理;
所述步骤(5)中,得到最终的待测有孔虫化石图片的鉴定结果,包括以下步骤:
(5-1)设置投票1、投票2和投票3三种投票情况,投票1与预处理方式的Gradient边缘化模型相对应,投票2与预处理方式的灰度化模型相对应,投票3与预处理方式的锐化模型相对应,待测有孔虫化石图片经三种预处理方式处理后最终得到的三种相应的分类结果,与所述投票1、投票2和投票3一一对应;
(5-2)投票逻辑先判断投票1和投票3是否相同,如果两者相同,则直接判定最终结果为投票1;如果不同,则查看投票2是否和投票1或者投票3相同,相同则取最终投票结果为1或3;如果三者都各不相同,则最终投票结果选择投票3。
2.根据权利要求1所述的一种有孔虫化石自动鉴定方法,其特征是,所述步骤(1)中,将获取的训练图片数据和待测有孔虫化石图片数据均分别调整尺寸为100×100。
3.根据权利要求1所述的一种有孔虫化石自动鉴定方法,其特征是,所述步骤(3)中,得到训练好的CNN网络模型包括以下步骤:
(3-1)开始训练前,采用不同小随机数的神经元连接权形成的权矩阵对初始CNN网络模型进行初始化;
(3-2)分别输入三种不同预处理的训练图片数据于初始化后的CNN网络模型中,计算实际的数据并输出三组相应数据结果;
(3-3)将上述三组数据结果分别与预设结果一一对比,计算两者差距值,两者差距值大于预设值,采用极小化误差法调整所述权矩阵,重复步骤(3-1)至(3-3),直至两者差距值在预设值范围内则得到三种不同类型的训练好的CNN网络模型。
4.根据权利要求1所述的一种有孔虫化石自动鉴定方法,其特征是,所述步骤(4)中,得到待测有孔虫化石图片的分类结果,包括以下步骤:
(4-1)将三种不同方式预处理的有孔虫化石图片数据从训练好的CNN网络模型的输入端输入,并为每个图片数据建立标签,然后将每种预处理方式的数据均随机重新排序,按设定比例划分,得到三组训练数据和测试数据;将每组训练数据输入对应训练好的CNN网络模型中进行训练,自优化生成调整后的模型,并输出训练准确率;然后将同组的测试数据输入对应的调整后的模型进行测试,输出测试准确率;
(4-2)每完成一轮CNN网络模型训练,均将训练后的模型和之前已保存的模型的测试准确率进行比较,如果当前模型的准确度更高,则将图结构和相关参数保存;如果当前模型的准确度更低,则舍弃当前模型,不进行保存;并判断当前训练轮数是否已达设定的迭代次数,如果未超过就继续下一轮训练,否则结束训练得到分类结果。
5.根据权利要求4所述的一种有孔虫化石自动鉴定方法,其特征是,所述步骤(4-1)中,调整后的模型设置4个卷积层,每个卷积层后面均设置最大池化层,最大池化层后设置3个全连接层,第2个全连接层和第3个全连接层之间设置Dropout,最后通过Softmax转化为概率输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877831.5A CN109145966B (zh) | 2018-08-03 | 2018-08-03 | 有孔虫化石自动鉴定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810877831.5A CN109145966B (zh) | 2018-08-03 | 2018-08-03 | 有孔虫化石自动鉴定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145966A CN109145966A (zh) | 2019-01-04 |
CN109145966B true CN109145966B (zh) | 2021-07-20 |
Family
ID=64791700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810877831.5A Active CN109145966B (zh) | 2018-08-03 | 2018-08-03 | 有孔虫化石自动鉴定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145966B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363768B (zh) * | 2019-08-30 | 2021-08-17 | 重庆大学附属肿瘤医院 | 一种基于深度学习的早期癌病灶范围预测辅助系统 |
CN113256568A (zh) * | 2021-05-09 | 2021-08-13 | 长沙长泰智能装备有限公司 | 一种基于深度学习的机器视觉板材计数通用系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663264A (zh) * | 2012-04-28 | 2012-09-12 | 北京工商大学 | 桥梁结构健康监测静态参数的半监督协同评估方法 |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110311116A1 (en) * | 2010-06-17 | 2011-12-22 | Creighton University | System and methods for anatomical structure labeling |
US10528848B2 (en) * | 2016-11-04 | 2020-01-07 | Case Western Reserve University | Histomorphometric classifier to predict cardiac failure from whole-slide hematoxylin and eosin stained images |
-
2018
- 2018-08-03 CN CN201810877831.5A patent/CN109145966B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663264A (zh) * | 2012-04-28 | 2012-09-12 | 北京工商大学 | 桥梁结构健康监测静态参数的半监督协同评估方法 |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109145966A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860533B (zh) | 图像的识别方法及装置、存储介质和电子装置 | |
CN110619618B (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
CN108615071B (zh) | 模型测试的方法及装置 | |
CN111667455B (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN111507426B (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
CN106846316A (zh) | 一种gis内部典型缺陷图像自动识别方法 | |
CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及系统 | |
CN114494256B (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN108985297A (zh) | 手写模型训练、手写图像识别方法、装置、设备及介质 | |
CN109145966B (zh) | 有孔虫化石自动鉴定方法 | |
CN110889838A (zh) | 一种织物疵点检测方法及装置 | |
CN109543760A (zh) | 基于图像滤镜算法的对抗样本检测方法 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
CN110619619A (zh) | 一种缺陷检测方法、装置及电子设备 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
CN110390341B (zh) | 基于卷积神经网络的绿通车运载货物放射源图像识别方法 | |
CN109117810A (zh) | 疲劳驾驶行为检测方法、装置、计算机设备及存储介质 | |
CN111368648A (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN117197591B (zh) | 一种基于机器学习的数据分类方法 | |
CN114092456A (zh) | 细胞荧光图像判别方法及系统 | |
CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和系统 | |
CN114240929A (zh) | 一种色差检测方法及装置 | |
CN110992334B (zh) | 用于dcgan网络生成图像的质量评估方法 | |
CN113341890A (zh) | 面向自适应调度与无人生产线协同的智能诊断方法和系统 |
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 |