CN109447097B - 一种基于卷积神经网络的面料主成分检测方法 - Google Patents
一种基于卷积神经网络的面料主成分检测方法 Download PDFInfo
- Publication number
- CN109447097B CN109447097B CN201810967824.4A CN201810967824A CN109447097B CN 109447097 B CN109447097 B CN 109447097B CN 201810967824 A CN201810967824 A CN 201810967824A CN 109447097 B CN109447097 B CN 109447097B
- Authority
- CN
- China
- Prior art keywords
- convolution
- size
- point
- depth
- fabric
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
-
- 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)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的面料主成分检测方法,其首先使用光学放大设备构建每种主成分的面料图片库;然后使用空洞卷积、深度可分离卷积技术搭建卷积神经网络;最后将图片库转换为HSV颜色空间后输入搭建好的卷积神经网络对其进行训练,得到可用来进行面料主成分检测的网络。本发明不需要检测人员具备面料成分检测相关专业知识,对图像的放大倍数要求较低,无需使用显微镜采集图片,降低了检测操作门槛,简化了检测流程;本发明中设计的卷积神经网络可同时实现多种面料主成分的检测,模型通用性较强,较其他卷积神经网络结构的网络结构简单,网络规模小,训练时间短,检测准确率有所提升。
Description
技术领域
本发明属于面料成分检测技术领域,具体涉及一种基于卷积神经网络的面料主成分检测方法。
背景技术
随着纺织业的发展,纺织面料的种类日渐增多,一方面归功于新型纺织纤维的研发,直接地为我们提供更多功能、更多质感的服装面料;另一方面,通过调整不同纺织纤维的比例,新型混纺面料的研发在现有纺织纤维基础上最大程度地满足了人们对特定服装面料的要求。混纺面料可同时发挥不同纤维的特长,还可以增加产品种类、降低产品成本,因此新型混纺面料的出现已成为纺织行业非常重要的发展趋势。与此同时,纺织面料成分为衡量纺织品质量的重要指标之一,其检测难度和挑战性也随之增加;一些不法商家在面料成分标注中弄虚作假、以次充好,而消费者又不具备相应的鉴别技术,导致消费者的合法权益受到损害,因此找到一种快速、方便、低门槛的面料成分分类方法变得尤为重要。
传统的面料成分检测方法有手感目测法、显微镜观测法、化学方法及物理方法,这些方法要求检测者具备一定的专业知识,人为主观因素影响较大,且对专业仪器设备的要求也较高,需要对织物进行拆解,其中化学方法所需的化学试剂不仅污染环境,同时也会损害检测者的身体健康。
近红外光谱分析技术利用已知成分纺织品和其近红外光谱信息建立模型,利用该模型快速检测未知纺织品成分,但该方法对近红外光谱仪的分辨率、光谱扫描次数、采样时的稳定性和采样环境一致性均有较高要求;与此同时,该方法适用于表面光洁、组织结构简单、正反两面一致的织物,织物组织结构与均匀性也会影响该方法的使用。
胡觉亮等人在《基于贝叶斯方法的织物分类研究》一文中提出利用贝叶斯决策理论通过对织物图片提取形态结构参数进行分类,该方法基于显微镜下织物纤维图像,计算每种织物纤维的面积、周长和各阶矩,从而计算出每种纤维的圆形度,并将其作为参数输入贝叶斯模型,得到分类结果,其对棉、麻、丝的分类准确率分别为93.2%、91.5%和90.2%;但该方法仅针对单根纤维,对采集图像的光学放大倍数要求较高,操作难度较大,提取的图像特征较为单一,模型通用性较差,分类准确率较低。
应乐斌等人在《基于纤维纵向显微图像的棉/亚麻单纤维识别》一文中提出利用单纤维纵向纤维图像通过最小二乘支持向量机分类器对棉/亚麻纤维进行分类,该方法基于单根纤维纵向纤维图像,先对纤维进行去背景处理,而后运用形态学比越算和背景区域生长相结合的方法获得纤维的目标区域,对图片中出现的玻璃划痕、干扰杂物等进行了较好的过滤,由纤维骨架垂直方向上的区域图、二值图和细化图得到他们的垂直积分投影序列,并提取这三条序列各自的变异系数CV值和平均值共计6个参数,将这6个参数作为棉/亚麻纤维的特征参数,训练最小二乘支持向量机分类器,对测试集的测试结果表明该分类器对棉/亚麻短纤维的识别正确率为93.3%;但该方法仅针对单根纤维,对采集图像的光学放大倍数要求较高,操作难度较大,仅针对棉、亚麻两种纤维进行分类,模型通用性较差。
发明内容
鉴于上述,本发明提供了一种基于卷积神经网络的面料主成分检测方法,其通过建立并训练卷积神经网络,实现对面料主成分的检测,相比采用传统方法对检测人员的要求更低,操作更简单,并有较高的准确率。
一种基于卷积神经网络的面料主成分检测方法,包括如下步骤:
(1)获取一定数量所需检测的各类主成分的面料,采用光学放大设备对面料进行图像采集,通过图像预处理及人工标记为每一块面料构建对应的样本;
(2)将所有样本分为训练集、验证集和测试集,搭建卷积神经网络并利用训练集样本对该卷积神经网络进行训练,得到用于面料主成分检测的分类模型;
(3)利用所述分类模型对测试集样本进行检测,即可得到样本面料的主成分检测结果。
进一步地,所述步骤(1)中对于任一面料的图像,首先对其进行裁剪以剪掉图像中与面料主成分检测不相关的部分,然后将图像从RGB颜色空间转换为HSV(Hue-Saturation-Value,色调-饱和度-明度)颜色空间并将其压缩至m×m×3大小,最后根据该面料实际所采用的主成分对其打上类别标签,则压缩后的HSV颜色空间图像及其类别标签即组成了该面料对应的样本,m为大于48的自然数。
进一步地,所述步骤(2)中的卷积神经网络从输入到输出依次由输入层、空洞卷积层、深度卷积层、9个深度可分离卷积层DS1~DS9、均值池化层以及全连接层依次连接组成。
进一步地,所述输入层为一张m×m×3大小的图像,即对应样本中的HSV颜色空间图像;所述空洞卷积层使用32个3×3×3大小的卷积核,步长为1,膨胀率为2;所述深度卷积层使用32个3×3大小的卷积核,步长为3。
进一步地,所述深度可分离卷积层DS1~DS9均包含深度卷积和逐点卷积两个子层;其中:深度可分离卷积层DS1的深度卷积子层使用32个3×3大小的卷积核,逐点卷积子层使用64个1×1×32大小的卷积核,步长均为1;深度可分离卷积层DS2的深度卷积子层使用64个3×3大小的卷积核,步长为2,逐点卷积子层使用128个1×1×64大小的卷积核,步长为1;深度可分离卷积层DS3的深度卷积子层使用128个3×3大小的卷积核,逐点卷积子层使用128个1×1×128大小的卷积核,步长均为1;深度可分离卷积层DS4的深度卷积子层使用128个3×3大小的卷积核,步长为2,逐点卷积子层使用256个1×1×128大小的卷积核,步长为1;深度可分离卷积层DS5的深度卷积子层使用256个3×3大小的卷积核,逐点卷积子层使用256个1×1×256大小的卷积核,步长均为1;深度可分离卷积层DS6的深度卷积子层使用256个3×3大小的卷积核,步长为2,逐点卷积子层使用512个1×1×256大小的卷积核,步长为1;深度可分离卷积层DS7的深度卷积子层使用512个3×3大小的卷积核,逐点卷积子层使用512个1×1×512大小的卷积核,步长均为1;深度可分离卷积层DS8的深度卷积子层使用512个3×3大小的卷积核,步长为2,逐点卷积子层使用1024个1×1×512大小的卷积核,步长为1;深度可分离卷积层DS9的深度卷积子层使用1024个3×3大小的卷积核,逐点卷积子层使用1024个1×1×1024大小的卷积核,步长均为1。
进一步地,所述均值池化层使用8×8大小的核,步长为1;所述全连接层使用n个节点作为输出,采用的激活函数为Softmax,n为所需检测的主成分类别数。
进一步地,所述空洞卷积层、深度卷积层、深度卷积子层、逐点卷积子层的输出均依次经批标准化和Relu函数处理。
进一步地,所述步骤(2)中对卷积神经网络进行训练过程中采用交叉熵损失函数和Adam优化器通过正向传播和反向传播的方式按批次对网络进行训练。
进一步地,所述步骤(2)中当卷积神经网络训练完成后,利用验证集样本对其进行验证以及参数微调,从而最终确立用于面料主成分检测的分类模型。
基于上述技术方案,本发明具有以下有益技术效果:
(1)本发明较传统方法相比,不需要检测人员具备面料成分检测相关专业知识,对图像的放大倍数要求较低,无需使用显微镜采集图片,降低了检测操作门槛,简化了检测流程。
(2)本发明中设计的卷积神经网络可同时实现多种面料主成分的检测,模型通用性较强。
(3)本发明中设计的卷积神经网络结构较其他卷积神经网络结构的网络结构简单,网络规模小,训练时间短,检测准确率有所提升。
附图说明
图1为本发明面料主成分检测方法的流程示意图。
图2为面料主成分检测所采集到的原始面料图像。
图3为裁剪后的面料图像。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示,本发明基于卷积神经网络的面料主成分检测方法包括如下步骤:
(1)制作图片库。
假设要对主成分为棉、腈纶、天丝、涤纶和羊毛共5种面料进行检测。
1.1使用200倍放大设备分别对5类面料采集图片各4000张,采集到的图片如图2所示,裁剪掉图片中与面料不相关部分后如图3所示,并将图片由RGB颜色空间转换为HSV颜色空间,将图片压缩为384×384×3大小。
1.2将5个类别编号,棉为1,腈纶为2,天丝为3,涤纶为4,羊毛为5,创建5个文件夹,分别以1~5编号命名,并将步骤1.1中得到的图片按类别放入对应的文件夹内,完成标签的制作。
(2)搭建卷积神经网络并进行训练。
卷积神经网络依次由输入层、空洞卷积层(Dilated Convolution)D1、深度卷积层(Depthwith Convolution)DW1、9个深度可分离卷积层(Depthwith SeparableConvolution)DS1~DS9、均值池化层P1以及全连接层D1依次连接组成,其中:
网络输入层的大小同图片的大小相同为384×384×3。
空洞卷积层D1使用32个3×3×3大小的卷积核,步长为1,膨胀率为2,卷积结果y的计算方法为:
其中:yijk为矩阵y中以(i,j,k)为坐标的值,本层中i和j的取值范围为[1,380],k的取值范围为[1,32],l为膨胀率,本层值为2,flu-l+1,lv-l+1,w,k为卷积核f中坐标为(lu-l+1,lv-l+1,w,k)处的值,本层中m、n和p的值均为3,即u、v和w的取值范围均为[1,3],xi+lu-l+1,j+lu-l+1,w为输入层传递给本层的矩阵x中坐标为(i+lu-l+1,j+lv-l+1,w)处的值;卷积运算结束后,进行批标准化操作,激活函数为ReLu。
深度卷积层DW1使用32个3×3大小的卷积核,步长为3,其卷积结果y的计算方法为:
其中:yijk为矩阵y中以(i,j,k)为坐标的值,本层中i和j的取值范围为[1,126],k的取值范围为[1,32],s为步长,本层中值为3,fu,v,k为卷积核f中坐标为(u,v,k)处的值,本层中m和n的值均为3,即u和v的取值范围均为[1,3],xsi+u-1,sj+v-1,k为空洞卷积层D1传递给本层的矩阵x中坐标为(si+u-1,sj+v-1,k)处的值;卷积运算结束后,进行批标准化操作,激活函数为ReLu。
深度可分离卷积层DS1包括深度卷积DS1-DW和逐点卷积(PointwithConvolution)DS1-PW两个子层,其中深度卷积DS1-DW使用32个3×3大小的卷积核,逐点卷积DS1-PW使用64个1×1×32大小的卷积核,步长均为1,其中逐点卷积的计算结果y的计算方法为:
其中yiik为矩阵y中以(i,j,k)为坐标的值,本层中i和j的取值范围为[1,126],k的取值范围为[1,64],s为步长,本层中值为1,fu,v,w,k为卷积核f中坐标为(u,v,w,k)处的值,本层中m和n的值均为1,p的值为32,即u和v的取值范围均为[1,1],w的取值范围为[1,32],xsi+u-1,sj+v-1,w为深度卷积DS1-DW传递给本层的矩阵x中坐标为(si+u-1,sj+v-1,w)处的值;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS2包括深度卷积DS2-DW和逐点卷积DS2-PW两个子层,其中深度卷积DS2-DW使用64个3×3大小的卷积核,步长为2,逐点卷积DS2-PW使用128个1×1×64大小的卷积核,步长为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS3包括深度卷积DS3-DW和逐点卷积DS3-PW两个子层,其中深度卷积DS3-DW使用128个3×3大小的卷积核,逐点卷积DS3-PW使用128个1×1×128大小的卷积核,步长均为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS4包括深度卷积DS4-DW和逐点卷积DS4-PW两个子层,其中深度卷积DS4-DW使用128个3×3大小的卷积核,步长为2,逐点卷积DS4-PW使用256个1×1×128大小的卷积核,步长为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS5包括深度卷积DS5-DW和逐点卷积DS5-PW两个子层,其中深度卷积DS5-DW使用256个3×3大小的卷积核,逐点卷积DS5-PW使用256个1×1×256大小的卷积核,步长均为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS6包括深度卷积DS6-DW和逐点卷积DS6-PW两个子层,其中深度卷积DS6-DW使用256个3×3大小的卷积核,步长为2,逐点卷积DS6-PW使用512个1×1×256大小的卷积核,步长为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS7包括深度卷积DS7-DW和逐点卷积DS7-PW两个子层,其中深度卷积DS7-DW使用512个3×3大小的卷积核,逐点卷积DS7-PW使用512个1×1×512大小的卷积核,步长均为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS8包括深度卷积DS8-DW和逐点卷积DS8-PW两个子层,其中深度卷积DS8-DW使用512个3×3大小的卷积核,步长为2,逐点卷积DS6-PW使用1024个1×1×512大小的卷积核,步长为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
深度可分离卷积层DS9包括深度卷积DS9-DW和逐点卷积DS9-PW两个子层,其中深度卷积DS9-DW使用1024个3×3大小的卷积核,逐点卷积DS9-PW使用1024个1×1×1024大小的卷积核,步长均为1;本层中每次卷积运算完成后,均进行一次批标准化操作和输入ReLu激活函数。
均值池化层P1使用8×8大小的核,步长为1;全连接层D1使用5个节点的输出,激活函数为Softmax,其计算方法为:
其中:yi为输出结果y中第i个值,本层中i的取值范围为[1,5],xi为输入函数x中的第i个值,本层中n的取值为5。
配置该网络模型,其中采用交叉熵损失函数,使用Adam优化器,交叉熵损失函数的计算公式为:
训练卷积神经网络时,采用正向传播和反向传播的方法,将batch_size设置为40,即将图片库随机划分为500个批次,每次按批次对网络进行训练;其中采用分类交叉熵损失函数(categorical crossentropy),使用Adam优化器,分类交叉熵损失函数的计算公式为:
其中:Y表示期望输出,1{j=Y(i)}表示当大括号内的表达式为真时是1,反之是0,m与batch_size数值相同,本实例为40,n与类别数相同,本实例为5;学习率使用0.001,通过80次迭代后网络的分类准确率收敛,得到训练好的网络模型。
(3)用训练好的网络模型进行面料主成分检测。
3.1使用200倍放大设备分别对待检测面料采集图片,裁剪图片与面料不相关部分,并将图片由RGB颜色空间转换为HSV颜色空间,将图片压缩为384×384×3大小。
3.2将步骤3.1中处理后的图片输入训练好的网络模型,即可得到对该面料的主成分检测结果,若输出结果为2,对应的检测结果为腈纶。
本发明网络结构与其他现有网络相比,网络规模减少33%以上,最大减少了96%;在网络训练时间上缩短18%以上,最大减少81%;在网络规模与网络训练时间大幅度缩小的同时,准确率未受到影响,并略有上升,准确率最大提高1.11%,具体参见表1:
表1
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (2)
1.一种基于卷积神经网络的面料主成分检测方法,包括如下步骤:
(1)获取一定数量所需检测的各类主成分的面料,采用光学放大设备对面料进行图像采集,通过图像预处理及人工标记为每一块面料构建对应的样本;
对于任一面料的图像,首先对其进行裁剪以剪掉图像中与面料主成分检测不相关的部分,然后将图像从RGB颜色空间转换为HSV颜色空间并将其压缩至m×m×3大小,最后根据该面料实际所采用的主成分对其打上类别标签,则压缩后的HSV颜色空间图像及其类别标签即组成了该面料对应的样本,m为大于48的自然数;
(2)将所有样本分为训练集、验证集和测试集,搭建卷积神经网络并利用训练集样本对该卷积神经网络进行训练,得到用于面料主成分检测的分类模型;
所述卷积神经网络从输入到输出依次由输入层、空洞卷积层、深度卷积层、9个深度可分离卷积层DS1~DS9、均值池化层以及全连接层依次连接组成;所述输入层为一张m×m×3大小的图像,即对应样本中的HSV颜色空间图像;所述空洞卷积层使用32个3×3×3大小的卷积核,步长为1,膨胀率为2;所述深度卷积层使用32个3×3大小的卷积核,步长为3;
所述深度可分离卷积层DS1~DS9均包含深度卷积和逐点卷积两个子层;其中:深度可分离卷积层DS1的深度卷积子层使用32个3×3大小的卷积核,逐点卷积子层使用64个1×1×32大小的卷积核,步长均为1;深度可分离卷积层DS2的深度卷积子层使用64个3×3大小的卷积核,步长为2,逐点卷积子层使用128个1×1×64大小的卷积核,步长为1;深度可分离卷积层DS3的深度卷积子层使用128个3×3大小的卷积核,逐点卷积子层使用128个1×1×128大小的卷积核,步长均为1;深度可分离卷积层DS4的深度卷积子层使用128个3×3大小的卷积核,步长为2,逐点卷积子层使用256个1×1×128大小的卷积核,步长为1;深度可分离卷积层DS5的深度卷积子层使用256个3×3大小的卷积核,逐点卷积子层使用256个1×1×256大小的卷积核,步长均为1;深度可分离卷积层DS6的深度卷积子层使用256个3×3大小的卷积核,步长为2,逐点卷积子层使用512个1×1×256大小的卷积核,步长为1;深度可分离卷积层DS7的深度卷积子层使用512个3×3大小的卷积核,逐点卷积子层使用512个1×1×512大小的卷积核,步长均为1;深度可分离卷积层DS8的深度卷积子层使用512个3×3大小的卷积核,步长为2,逐点卷积子层使用1024个1×1×512大小的卷积核,步长为1;深度可分离卷积层DS9的深度卷积子层使用1024个3×3大小的卷积核,逐点卷积子层使用1024个1×1×1024大小的卷积核,步长均为1;
所述均值池化层使用8×8大小的核,步长为1;所述全连接层使用n个节点作为输出,采用的激活函数为Softmax,n为所需检测的主成分类别数;所述空洞卷积层、深度卷积层、深度卷积子层、逐点卷积子层的输出均依次经批标准化和Relu函数处理;
对卷积神经网络进行训练过程中采用交叉熵损失函数和Adam优化器通过正向传播和反向传播的方式按批次对网络进行训练;
(3)利用所述分类模型对测试集样本进行检测,即可得到样本面料的主成分检测结果。
2.根据权利要求1所述的面料主成分检测方法,其特征在于:所述步骤(2)中当卷积神经网络训练完成后,利用验证集样本对其进行验证以及参数微调,从而最终确立用于面料主成分检测的分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967824.4A CN109447097B (zh) | 2018-08-23 | 2018-08-23 | 一种基于卷积神经网络的面料主成分检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967824.4A CN109447097B (zh) | 2018-08-23 | 2018-08-23 | 一种基于卷积神经网络的面料主成分检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447097A CN109447097A (zh) | 2019-03-08 |
CN109447097B true CN109447097B (zh) | 2021-01-08 |
Family
ID=65530094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810967824.4A Active CN109447097B (zh) | 2018-08-23 | 2018-08-23 | 一种基于卷积神经网络的面料主成分检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447097B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335260B (zh) * | 2019-06-27 | 2023-07-14 | 华东送变电工程有限公司 | 一种基于轻卷积神经网络的电力电缆破损检测方法 |
CN110427990B (zh) * | 2019-07-22 | 2021-08-24 | 浙江理工大学 | 一种基于卷积神经网络的艺术图像分类方法 |
CN110533191A (zh) * | 2019-08-22 | 2019-12-03 | 江苏联峰实业有限公司 | 一种处理窄成分合金钢的方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650352A (zh) * | 2009-09-10 | 2010-02-17 | 绍兴文理学院元培学院 | 双组分面料成分的测试方法 |
CN107463965A (zh) * | 2017-08-16 | 2017-12-12 | 湖州易有科技有限公司 | 基于深度学习的面料属性图片采集和识别方法及识别系统 |
CN107679477A (zh) * | 2017-09-27 | 2018-02-09 | 深圳市未来媒体技术研究院 | 基于空洞卷积神经网络的人脸深度和表面法向量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874921B (zh) * | 2015-12-11 | 2020-12-04 | 清华大学 | 图像分类方法和装置 |
-
2018
- 2018-08-23 CN CN201810967824.4A patent/CN109447097B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650352A (zh) * | 2009-09-10 | 2010-02-17 | 绍兴文理学院元培学院 | 双组分面料成分的测试方法 |
CN107463965A (zh) * | 2017-08-16 | 2017-12-12 | 湖州易有科技有限公司 | 基于深度学习的面料属性图片采集和识别方法及识别系统 |
CN107679477A (zh) * | 2017-09-27 | 2018-02-09 | 深圳市未来媒体技术研究院 | 基于空洞卷积神经网络的人脸深度和表面法向量预测方法 |
Non-Patent Citations (2)
Title |
---|
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications;Andrew G. Howard 等;《Computer Vision and Pattern Recognition》;20170417;论文摘要,第3-4节 * |
空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草;孙俊 等;《农业工程学报》;20180630;第34卷(第11期);论文摘要,第4.1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109447097A (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447097B (zh) | 一种基于卷积神经网络的面料主成分检测方法 | |
Yue et al. | Automatic detection of feather defects using Lie group and fuzzy Fisher criterion for shuttlecock production | |
CN111401270A (zh) | 一种人体运动姿态识别评价方法及其系统 | |
CN101424680B (zh) | 异形纤维计算机自动识别装置与方法 | |
US20210034840A1 (en) | Method for Recognzing Face from Monitoring Video Data | |
CN111339847B (zh) | 一种基于图卷积神经网络的人脸情绪识别方法 | |
CN100367294C (zh) | 在彩色数字图像和视频中分割出人体皮肤区域的方法 | |
CN104198324B (zh) | 基于计算机视觉的烟丝中叶丝比例测定方法 | |
CN103149210B (zh) | 一种基于鳞片图文特征的织物羊绒含量检测系统及方法 | |
Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
CN107704882A (zh) | 一种基于数字图像处理技术的衣物类型识别方法及系统 | |
CN108198176A (zh) | 一种基于图像分析烟草成熟度的判别方法 | |
CN111126143A (zh) | 一种基于深度学习的运动评判指导方法及系统 | |
CN108960413A (zh) | 一种应用于螺钉表面缺陷检测的深度卷积神经网络方法 | |
CN108460380A (zh) | 一种基于主颜色的竹条颜色分类方法及系统 | |
CN109997199A (zh) | 基于深度学习的结核病检查方法 | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
CN112084913B (zh) | 一种端到端的人体检测与属性识别方法 | |
CN107578067A (zh) | 一种基于卷积神经网络的烟丝组分识别方法及装置 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN108596249B (zh) | 图像特征提取及分类的方法和装置 | |
Balipa et al. | Alstonia Tree Detection using CNN and Inception V3 Algorithms | |
Kumar et al. | A multi-level colour thresholding based segmentation approach for improved identification of the defective region in leather surfaces | |
Díaz-Huerta et al. | Image preprocessing to improve Acid-Fast Bacilli (AFB) detection in smear microscopy to diagnose pulmonary tuberculosis |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230926 Address after: No. 998, Wenyi West Road, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: HANGZHOU HUICUI INTELLIGENT TECHNOLOGY CO.,LTD. Address before: 310018 No. 2 street, Baiyang street, Hangzhou economic and Technological Development Zone, Zhejiang 928 Patentee before: ZHEJIANG SCI-TECH University |