CN109272004B - 一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法 - Google Patents
一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法 Download PDFInfo
- Publication number
- CN109272004B CN109272004B CN201710580262.3A CN201710580262A CN109272004B CN 109272004 B CN109272004 B CN 109272004B CN 201710580262 A CN201710580262 A CN 201710580262A CN 109272004 B CN109272004 B CN 109272004B
- Authority
- CN
- China
- Prior art keywords
- convolutional
- layer
- neural network
- network structure
- network model
- 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
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明提供一种卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法,卷积神经网络模型包括预训练网络结构和多层卷积网络结构,预训练网络结构与多层卷积网络结构并联设置,多层卷积网络结构与预训练网络结构参数相互独立;检测方法包括以下步骤:采集胚胎图像;对胚胎图像进行预处理,获得处理后胚胎图像;训练卷积神经网络模型;将处理后胚胎图像输入至卷积神经网络模型进行判别。本发明的有益效果是有效的解决了胚胎图像特征不明显、特征提取难度大等问题,提高了准确性,可以满足鸡蛋胚胎成活性检测的需要,采用双分支网络结构的卷积神经网络模型提高了模型泛化能力,增强了整个模型的健壮性,并且具有效率高、处理过程简单等优点。
Description
技术领域
本发明属于卷积神经网络模型构建技术领域,尤其是涉及一种卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法。
背景技术
目前流感疫苗的制备通常采用在鸡蛋胚胎中培养病毒的方式,首先将毒株接种到鸡蛋胚胎中,再将鸡蛋毒株胚胎放入密闭、无菌、恒温的孵化室中,毒株在其中培养复制,经冷却,从中提取出足够的病毒液,在病毒采集过程中,如果混入坏死鸡蛋毒株胚胎,则同一批次采集到的病毒均会被污染,因此,病毒采集前的鸡蛋毒株胚胎成活性检测至关重要。据了解,现有鸡蛋胚胎成活性检测采用以下方法和技术:
1、人工照蛋方检测,通过人眼判断鸡蛋胚胎血管来检测鸡蛋胚胎的成活性,但人眼检测的方法易受主观因素干扰,并且存在检测效率和准确性低等缺点,容易出现误检与漏检,难以满足现代胚胎检测与分类产业的高标准要求。
2、近红外高光谱成像检技术,利用Gabor滤波器提取高光谱图像中MS光谱传输特性ROI的纹理信息,并利用PCA降维,然后将这些信息通过k-均值聚类的方法,结合光谱传输特性前三阶最大响应。通过构建高光谱图像采集系统研究在400-1000nm波长范围的种蛋高光谱透射图像,并利用独立分量和主成分分析,构建了LVQ神经网络判别模型。此技术利用高光谱成像系统设备昂贵,采集的数据量大,检测时间较长,并不适用于胚胎成活性的在线检测。
3、机器视觉技术,通过机器视觉系统采集胚蛋图像,对采集的图像进行多尺度形态学滤波实现图像增强效果以检测图像谷带特征,然后运用基于直方图WFCM局部自适应二值化方法提取胚蛋中的血丝作为胚蛋成活性特征参数,最后通过识别单像素宽度的血丝数量来判断胚蛋的成活性。也可以利用机器视觉中SUSAN算法对散斑噪声进行检测和消除,并用最近邻法根据鸡蛋图像特征参数进行分类。利用最小二乘滤波对鸡蛋图像进行模糊复原,并根据鸡蛋颜色差异,提取图像分量作为特征参数,设置分量阈值对鸡蛋进行分类。但机器视觉技术需要用大量的图像处理技术,处理过程过于复杂,特征提取难度较大,分类结果很容易受图像质量和个体间差异的影响且很少能实现多分类。而且这种方法对胚蛋图像的品质要求较高,否则图像噪声会对血丝数量噪声干扰影响最终的判定结果。
4、多源信息融合技术,是利用计算机技术对来自多传感器探测的多源信息按一定规则进行自动分析和综合后自动生成人们所期望的合成信息的信息处理技术。可以结合胚蛋的温度、重量、图像特征等进行处理,综合利用多种信息。但多信息融合技术实现难度较高,对硬件设备要求较高。
发明内容
本发明的目的在于克服现有技术的缺点,提供一种卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法,能够有效的解决了胚胎图像特征不明显、特征提取难度大等问题,提高准确性。
为解决上述技术问题,本发明采用的技术方案是:一种卷积神经网络模型,包括预训练网络结构和多层卷积网络结构,所述多层卷积网络结构内设置有至少一个卷积层和至少一个池化层,所述预训练网络结构与所述多层卷积网络结构并联设置,所述多层卷积网络结构参数与所述预训练网络结构参数相互独立。
进一步地,所述卷积神经网络模型还依次设置有全连接层Fc1、全连接层Fc2和全连接层Fc3,所述预训练网络结构中输出的特征向量与所述多层卷积网络结构中输出的特征向量相连接,将所述预训练网络结构中输出的特征向量与所述多层卷积网络结构中输出的特征向量按照1:1的比例进行拼接,将拼接后的特征向量输出到所述全连接层Fc1中。
进一步地,在所述卷积神经网络模型中还设置有激活函数进行激活操作,对所述卷积神经网络模型进行局部响应归一处理,对所述卷积神经网络模型进行防过拟合操作。
进一步地,所述预训练网络结构依次设置有卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3、卷积层Conv4、卷积层Conv5和池化层Pool5,所述卷积层Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4和卷积层Conv5中的卷积核的大小分别为11*11、5*5、3*3、3*3、3*3,且步长分别为4、1、1、1、1。
进一步地,所述多层卷积网络依次设置有卷积层Conv1_1、卷积层Conv2_1、池化层Pool2_1、卷积层Conv3_1、池化层Pool3_1、卷积层Conv4_1、池化层Pool4_1、卷积层Conv5_1、池化层Pool5_1和卷积层Conv6_1,所述卷积层Conv1_1、卷积层Conv2_1、卷积层Conv3_1、卷积层Conv4_1、卷积层Conv5_1、和卷积层Conv6_1中的卷积核的大小分别为7*7、7*7、2*2、2*2、2*2、2*2,步长均设为1;所述池化层Pool2_1、池化层Pool3_1、池化层Pool4_1和池化层Pool5_1均采用核大小为2*2,步长为2的最大值池化的池化方法。
本发明另一方面提供一种利用上述卷积神经网络模型进行流感毒株蛋胚成活性检测的方法,包括:
采集胚胎图像;
对所述胚胎图像进行预处理,获得处理后胚胎图像;
训练所述卷积神经网络模型;
将所述处理后胚胎图像输入至训练好的所述卷积神经网络模型进行判别,并通过特征可视化观察每一层特征学习的变化。
进一步地,所述对所述胚胎图像进行预处理包括:选取阈值对所述胚胎图像进行二值化处理得到胚胎二值图像,提取所述胚胎二值图像中感兴趣区域,再对所述感兴趣区域进行归一化处理。
进一步地,所述阈值的取值范围为20-40。
进一步地,所述训练所述卷积神经网络模型包括前向传播与反向传播两个过程,利用梯度下降法对权重和偏置进行更新。
本发明具有的优点和积极效果是:由于采用上述技术方案,将卷积神经网络技术引入鸡蛋毒株胚胎的分类中,有效的解决了胚胎图像特征不明显、特征提取难度大等问题,提高了准确性,可以满足鸡蛋胚胎成活性检测的需要,卷积神经网络模型采用双分支网络结构提高了模型泛化能力,增强了整个模型的健壮性,并且具有效率高、处理过程简单等优点。
附图说明
图1是本发明网络模型结构示意图;
图2是本发明PRelu与Relu对比图;
图3是本发明利用卷积神经网络模型进行流感毒株蛋胚成活性检测方法的工作流程图;
图4是本发明预训练网络结构及全连接层可视化示意图,其中,(a)为卷积层Conv1滤波器,(b)为卷积层Conv1输出特征图,(c)为卷积层Conv2输出特征图,(d)为卷积层Conv5输出特征图,(e)为全连接层Fc1输出值与直方图分布,(f)为全连接层Fc2输出值与直方图分布,(g)为“prob”输出。
图中:
1、处理后胚胎图像 2、预训练网络结构 3、多层卷积网络结构
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明的一部分实施例,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获得的所有其他实施例,都属于本发明保护的范围。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
如图1所示,本实施例提供一种卷积神经网络模型,包括预训练网络结构2和多层卷积网络结构3,多层卷积网络结构3内设置有至少一个卷积层和至少一个池化层,预训练网络结构2与多层卷积网络结构3并联设置,为了使预训练网络结,2和多层卷积网络结构3两条分支网络提取特征各自独立,增加整个卷积神经网络模型的健壮性,多层卷积网络结构3与预训练网络结构2参数不共享、各自相互独立。
预训练网络结构2:结合迁移学习的方法,使用AlexNet经典网络针对ImageNet预训练的模型,对目标集进行微调。利用AlexNet经典网络,将在Image数据集上预训练得到的模型bvlcreference_caffenet。
预训练网络结构2依次设置有卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3、卷积层Conv4、卷积层Conv5和池化层Pool5
预训练网络结构2的卷积层设计中,卷积层采用AlexNet网络结构中的卷积参数设计,其中每个卷积层设置大小不同的卷积核与输入特征图之间局部连接,卷积核的大小分别为11*11、5*5、3*3、3*3、3*3,输出特征图的个数分别为96、256、384、384、256,每一卷积层步长分别为4、1、1、1、1,卷积层分别采用″gaussian″和″constant″初始化权重和偏置;卷积层的计算公式如下所示:
池化层采取的池化方式为最大值池化,池化尺寸均为3*3,步长为2。
池化层的一般表达形式如下式所示:
其中,down表示降采样函数,β表示权重系数。
多层卷积网络结构3:依次设置有卷积层Conv1_1、卷积层Conv2_1、池化层Pool2_1、卷积层Conv3_1、池化层Pool3_1、卷积层Conv4_1、池化层Pool4_1、卷积层Conv5_1、池化层Pool5_1和卷积层Conv6_1,卷积层中的卷积核步长均设为1,且没有采取补边措施,池化层均采用核大小为2*2,步长为2的最大值池化的池化方法。其中每个卷积层设置大小不同的卷积核与输入特征图之间局部连接,卷积核的大小依次分别为7*7、7*7、2*2、2*2、2*2、2*2,输出特征图的个数分别为221、48、64、128、256、256。
卷积神经网络模型还依次设置有全连接层Fc1、全连接层Fc2和全连接层Fc3,将预训练网络结构2中的池化层Pool5提取的特征向量与多层卷积网络结构3中的卷积层Conv6_1提取的特征向量相连,将预训练网络结构2中的池化层Pool5提取的特征向量与多层卷积网络结构3中的卷积层Conv6_1提取的特征向量按照1:1的比例进行拼接,最后将拼接后的特征向量输出到全连接层Fc1中。
在卷积神经网络模型中还设置有激活函数进行激活操作,并且对卷积神经网络模型进行局部响应归一处理,对卷积神经网络模型进行防过拟合操作:
激活函数进行激活操作:AlexNet网络中使用Relu非线性激活函数,其表达形式如下:
f(x)=max(0,x)
Relu函数具有单侧抑制、相对宽阔的兴奋边界等优点,更符合生物学的稀疏激活性特点。但是传统Relu激活函数也有缺点,在学习率较大的情况下,容易使一些梯度较大的神经元得不到激活,对此,将AlexNet模型中的Relu函数改为更优化的PRelu函数,PRelu函数的表达式如下式所示:
如图2所示,PRelu相比较于Relu,修正了数据分布,保留了负值,使负值不会完全丢失。PRelu像更新权重weights一样使用反向传播算法更新一个额外的参数a,但是相较于权重的数量来说,PRelu需要更新的参数总数可以忽略不计,所以不会加重过度拟合的影响。实验表明,PRelu使得模型在ImageNet2012上的结果提高了4.94%。
局部响应归一处理:利用局部响应归一化层LRN实现一种“临近抑制”操作,对局部输入区域进行归一化;在ACROSS_CHANNELS模式下,局部区域沿着临近通道延伸。在WITHIN_CHANNEL模式下,局部区域在各自通道内部的图像平面上延伸;LRN层可以提高网络的泛化能力,LRN具体的实现如下式:
防过拟合操作:多层的卷积神经网络,含有复杂的网络结构与大量的学习参数,如果训练样本不足则很容易导致过拟合。为了防止过拟合,在网络中引入dropout层,在模型进行训练时,按一定的概率随机的屏蔽掉网络的部分神经元,让这些神经元不工作,相对应的权重也不会更新传递。但是它的权重可以保留下来,因为下一次训练是很可能就重新工作了。由于随机的让一些节点不工作了,因此可以避免某些特征只在固定组合下才生效,破坏了固定组合的相关性,有意识地让网络去学习一些普遍的共性,从而提高了模型的泛化能力。阻止网络过拟合训练时,通常设定一个dropout ratio=p,即每一个输出节点以概率p置0,设置为0.25.其表达形式如下所示:
其中U为Bernoulli随机数,p代表dropout ratio。
与上述卷积神经网络模型实施例相对应,本发明实施例还提供一种利用卷积神经网络模型进行流感毒株蛋胚成活性检测的方法,如图3所示,包括以下步骤:
步骤S1:采集胚胎图像。
步骤S2:对胚胎图像进行预处理:选取阈值为20-40对胚胎图像进行二值化处理得到胚胎二值图像,这里经反复实验得出当阈值为20时,处理得到的胚胎二值图像效果最好,然后从胚胎二值图像中检索轮廓,返回检索到的轮廓的个数。遍历轮廓中的每个点,从而提取胚胎二值图像中感兴趣区域,再对感趣区域进行归一化处理,将图像归一化到227*227大小,以便作为后续网络模型的输入。
步骤S3:训练卷积神经网络模型:
利用AlexNet经典网络结构在ImageNet大数据集上训练得到的模型进行参数迁移,初始化预训练网络结构的权重;用Xavier方法初始化多层卷积网络结构的网络参数。
卷积神经网络模型的训练过程包括前向传播与反向传播两个过程,利用梯度下降法对权重和偏置进行更新,公式如下:
其中,J(w,b)为单个样本的代价函数,α为学习速率。
学习速率的调整,关系到权值与偏置的更新范围,所以具有重要意义。在本文使用的caffe框架中,提供了多种学习率下降的方法,常用的学习率调整策略(lr_policy)有:fixed、step、inv等,本文选用inv方式调整学习率,表达式如下:
lr=base_lr*(1+gamma*iter)^(power)
其中,base_lr为基础学习率,gamma为学习速率变化因子,iter为迭代次数。通过上式调整学习速率。
步骤S4:将处理后胚胎图像1输入至卷积神经网络模型进行判别,并通过特征可视化观察每一层特征学习的变化。
为了更直观的观察卷积神经网络模型训练目标集每一层的特征学习的变化,对一些层的特征结果进行了可视化,如图4所示,预训练网络结构特征可视化示意图,可以看出,底层特征并不是很丰富,只是一些简单的几何形状,而正是由于这些在大数据集上的丰富的底层特征,在迁移学习的时候,过渡到小数据集上,才能组合出具有强判别力的高层抽象特征。从图4中可以看出卷积层Conv1的输出,有一些简单的边缘轮廓信息。到了卷积层Conv2,可以看出一些更清晰的特征,说明学习到了更好的特征。而后面的卷积层Conv5,则显示除了更加细节的特征,通过这些特征的可视化,可以直观地感受到预训练网络模型卷积层的递进特征变化,从底层特征的不明显,到高层特征比较明显的细节特征信息。而到了最后的全连接层,可以观察到全连接层Fc1以及全连接层Fc2的输出值以及直方图分布。从全连接层Fc1与全连接层Fc2神经元的输出响应值以及这些响应值强度的直方图可以看出,在全连接层Fc1,大多数神经元的输出响应值在30以下,而在全连接层Fc2则在9以下。从直方图可以看出,全连接层Fc1直方图斜率的绝对值要比全连接层Fc2要小,这说明了全连接层前后相连,越往后神经元的输出响应值越不会均匀分布化,而是通过神经元间的竞争决定输出值。因此最后一层“prob”产生的峰值即为优胜的神经元,这个神经元对应的索引决定了对象属于哪一类,可以看出,该类别属于标签为1的类别,即中止胚胎类别。
本实例的工作过程:通过摄像设备采集鸡蛋胚胎图像:并将鸡蛋胚胎图像经过预处理环节,将胚胎图像进行二值化处理,提取胚胎二值图像中感兴趣区域,再对感趣区域进行归一化处理,将图像归一化到227*227大小;对卷积神经网络进行训练,将归一化后227*227大小的图像输入至训练好的网络模型,进行特提取与特征向量分类。
本发明的有益效果是:由于采用上述技术方案,将卷积神经网络技术引入鸡蛋毒株胚胎的分类中,有效的解决了胚胎图像特征不明显、特征提取难度大等问题,提高了准确性,可以满足鸡蛋胚胎成活性检测的需要,卷积神经网络模型采用双分支网络结构提高了模型泛化能力,增强了整个模型的健壮性,并且具有效率高、处理过程简单等优点。
以上对本发明的一个或多个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (7)
1.一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法,其特征在于:包括如下步骤:S1,采集胚胎图像;
S2,对所述胚胎图像进行预处理,获得处理后胚胎图像;
S3,构建并训练卷积神经网络模型;其中:所述卷积神经网络模型包括预训练网络结构、多层卷积网络结构、全连接层Fc1、全连接层Fc2和全连接层Fc3;所述多层卷积网络结构内设置有至少一个卷积层和至少一个池化层,所述预训练网络结构与多层卷积网络结构并联设置,所述多层卷积网络结构参数与所述预训练网络结构参数相互独立;所述预训练网络结构中输出的特征向量与所述多层卷积网络结构中输出的特征向量相连接,将所述预训练网络结构中输出的特征向量与所述多层卷积网络结构中输出的特征向量按照1:1的比例进行拼接,将拼接后的特征向量输出到所述全连接层Fc1中;全连接层Fc1、全连接层Fc2和全连接层Fc3依次设置;
S4,将所述处理后胚胎图像输入至训练好的所述卷积神经网络模型进行判别,通过特征可视化观察预训练网络结构与多层卷积网络结构中每一层的特征学习变化。
2.根据权利要求1所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法,其特征在于:步骤S2中,对所述胚胎图像进行预处理包括:选取阈值对所述胚胎图像进行二值化处理得到胚胎二值图像,提取所述胚胎二值图像中感兴趣区域,再对所述感兴趣区域进行归一化处理。
3.根据权利要求2所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法,其特征在于:所述阈值的取值范围为20-40。
4.根据权利要求1所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法,其特征在于:步骤S3中,所述预训练网络结构依次设置有卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3、卷积层Conv4、卷积层Conv5和池化层Pool5,所述卷积层Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4和卷积层Conv5中的卷积核的大小分别为11*11、5*5、3*3、3*3、3*3,且步长分别为4、1、1、1、1。
5.根据权利要求4所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法,其特征在于:步骤S3中,所述多层卷积网络依次设置有卷积层Conv1_1、卷积层Conv2_1、池化层Pool2_1、卷积层Conv3_1、池化层Pool3_1、卷积层Conv4_1、池化层Pool4_1、卷积层Conv5_1、池化层Pool5_1和卷积层Conv6_1,所述卷积层Conv1_1、卷积层Conv2_1、卷积层Conv3_1、卷积层Conv4_1、卷积层Conv5_1、和卷积层Conv6_1中的卷积核的大小分别为7*7、7*7、2*2、2*2、2*2、2*2,步长均设为1;所述池化层Pool2_1、池化层Pool3_1、池化层Pool4_1和池化层Pool5_1均采用核大小为2*2,步长为2的最大值池化的池化方法。
6.根据权利要求5所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法,其特征在于:步骤S3中,在所述卷积神经网络模型中还设置有激活函数进行激活操作,对所述卷积神经网络模型进行局部响应归一处理,对所述卷积神经网络模型进行防过拟合操作。
7.根据权利要求1所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法,其特征在于:步骤S3中,所述训练所述卷积神经网络模型包括前向传播与反向传播两个过程,利用梯度下降法对权重和偏置进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580262.3A CN109272004B (zh) | 2017-07-17 | 2017-07-17 | 一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710580262.3A CN109272004B (zh) | 2017-07-17 | 2017-07-17 | 一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272004A CN109272004A (zh) | 2019-01-25 |
CN109272004B true CN109272004B (zh) | 2022-08-30 |
Family
ID=65152545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710580262.3A Active CN109272004B (zh) | 2017-07-17 | 2017-07-17 | 一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272004B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111271B (zh) * | 2019-04-24 | 2021-06-22 | 北京理工大学 | 一种基于侧抑制网络的单像素成像方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679136A (zh) * | 2013-10-24 | 2014-03-26 | 北方工业大学 | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN106778852A (zh) * | 2016-12-07 | 2017-05-31 | 中国科学院信息工程研究所 | 一种修正误判的图像内容识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007002898A2 (en) * | 2005-06-29 | 2007-01-04 | University Of South Florida | Variable tomographic scanning with wavelength scanning digital interface holography |
CN103499297B (zh) * | 2013-10-25 | 2016-01-13 | 爱科维申科技(天津)有限公司 | 一种基于ccd的高精度测量方法 |
CN104361363B (zh) * | 2014-11-25 | 2018-01-16 | 中国科学院自动化研究所 | 深度反卷积特征学习网络、生成方法及图像分类方法 |
-
2017
- 2017-07-17 CN CN201710580262.3A patent/CN109272004B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679136A (zh) * | 2013-10-24 | 2014-03-26 | 北方工业大学 | 基于局部宏观特征和微观特征结合的手背静脉身份识别方法 |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN106778852A (zh) * | 2016-12-07 | 2017-05-31 | 中国科学院信息工程研究所 | 一种修正误判的图像内容识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109272004A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tm et al. | Tomato leaf disease detection using convolutional neural networks | |
CN106485251B (zh) | 基于深度学习的鸡蛋胚胎分类 | |
CN108648191B (zh) | 基于贝叶斯宽度残差神经网络的害虫图像识别方法 | |
Elaraby et al. | Classification of citrus diseases using optimization deep learning approach | |
Dey et al. | Automatic detection of whitefly pest using statistical feature extraction and image classification methods | |
Dayana et al. | An enhanced swarm optimization-based deep neural network for diabetic retinopathy classification in fundus images | |
Sowmyalakshmi et al. | An optimal classification model for rice plant disease detection | |
Kasfi et al. | Convolutional neural network for time series cattle behaviour classification | |
SS et al. | A hybrid intelligent system for automated pomegranate disease detection and grading | |
Rohani et al. | Application of artificial intelligence for separation of live and dead rainbow trout fish eggs | |
Foong et al. | Convolutional neural network based rotten fruit detection using resnet50 | |
Monigari et al. | Plant leaf disease prediction | |
Borman et al. | Classification of Medicinal Wild Plants Using Radial Basis Function Neural Network with Least Mean Square | |
Prasher et al. | Potato leaf disease prediction using RMSProp, Adam and SGD optimizers | |
Zhao et al. | Convolutional neural networks for branch retinal vein occlusion recognition? | |
CN109272004B (zh) | 一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法 | |
Miao et al. | Research on Soybean Disease Identification Method Based on Deep Learning | |
Balakrishna et al. | Tomato Leaf Disease Detection Using Deep Learning: A CNN Approach | |
Chakravarthy et al. | DR-NET: A Stacked Convolutional Classifier Framework for Detection of Diabetic Retinopathy | |
Deepa et al. | Pre-Trained Convolutional Neural Network for Automated Grading of Diabetic Retinopathy | |
Das et al. | An Automated Tomato Maturity Grading System Using Transfer Learning Based AlexNet. | |
Vasudevan et al. | Analysis of plant leaf diseases recognition using image processing with machine learning techniques | |
Thyagaraj et al. | Plant Leaf Disease Classification Using Modified SVM With Post Processing Techniques | |
Jan et al. | A Study of Fruit Disease Detection Using Pattern Classifiers | |
Verma et al. | Plant disease classification using deep learning framework |
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 |