CN110263835A - 基于深度学习和贝叶斯网络的岩石类别自动识别方法 - Google Patents

基于深度学习和贝叶斯网络的岩石类别自动识别方法 Download PDF

Info

Publication number
CN110263835A
CN110263835A CN201910509533.5A CN201910509533A CN110263835A CN 110263835 A CN110263835 A CN 110263835A CN 201910509533 A CN201910509533 A CN 201910509533A CN 110263835 A CN110263835 A CN 110263835A
Authority
CN
China
Prior art keywords
rock
deep learning
bayesian network
resnet
module
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.)
Granted
Application number
CN201910509533.5A
Other languages
English (en)
Other versions
CN110263835B (zh
Inventor
徐文刚
石安池
单治钢
彭鹏
倪卫达
程万强
姚晓雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PowerChina Huadong Engineering Corp Ltd
Original Assignee
PowerChina Huadong Engineering Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PowerChina Huadong Engineering Corp Ltd filed Critical PowerChina Huadong Engineering Corp Ltd
Priority to CN201910509533.5A priority Critical patent/CN110263835B/zh
Publication of CN110263835A publication Critical patent/CN110263835A/zh
Application granted granted Critical
Publication of CN110263835B publication Critical patent/CN110263835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习和贝叶斯网络的岩石类别自动识别方法。本发明的目的是提供一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，以快速、准确的识别岩石岩性。本发明的技术方案是：一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，包括以下步骤：获取待识别岩石图像中岩石的岩石大类和产状信息；将岩石大类和产状信息输入预先构建的ResNet_BN深度学习‑贝叶斯网络模型作为先验；将待识别的岩石图像输入所述ResNet_BN深度学习‑贝叶斯网络模型；输出待识别岩石的岩性。本发明适用于地质学以及人工智能领域。

Description

基于深度学习和贝叶斯网络的岩石类别自动识别方法
技术领域
本发明涉及一种基于深度学习和贝叶斯网络的岩石类别自动识别方法。适用于地质学以及人工智能领域。
背景技术
岩石是地质学领域最频繁的研究对象，对于岩石类别的识别是所有以岩石为研究对象的科研和生产活动的基础。岩石类别的识别需要系统的岩石学知识和丰富的实际样品鉴定经验，因此对于普通大众或地质学领域新从业人员来说，很难准确确定岩石类别。
诸多学者通过岩石图像的特征化分析，人工提取各种岩石的岩相学特征，以期实现岩石类别划分的自动化，虽然取得了一定的进展，但是由于人为因素影响较大，交互操作太多，往往无法实现自动化的目的。
专利申请号为201710685681.3的中国专利“一种深度学习模式下的岩石岩性自动识别分类方法”，提供了一种通过卷积神经网络深度学习方法初步实现了岩石岩性自动化识别，但是由于该方法建立在大量的岩石图像样本基础上，因此由于缺乏样本数据支撑，识别准确率不高。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，以快速、准确的识别岩石岩性。
本发明所采用的技术方案是：一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，包括以下步骤：
获取待识别岩石图像中岩石的岩石大类和产状信息；
将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；
将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；
输出待识别岩石的岩性；
所述ResNet_BN深度学习-贝叶斯网络模型的构建方法如下：
获取若干不同类型的岩石图像；
确定岩石图像中岩石大类，并对不同大类进行编号；确定岩石图像中岩石产状，并对不同产状进行编号；确定岩石图像中岩石岩性，并对不同岩性进行编号；
将经编号的岩石图像分为训练集和测试集；
创建ResNet_BN深度学习-贝叶斯网络模型；
利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型。
所述创建ResNet_BN深度学习-贝叶斯网络模型，包括：
确定ResNet50残差深度网络模型的输出数量N；
将ResNet50网络模型输出的每一个点作为贝叶斯网络的抽象特征节点，每个节点采用R2-GenOpt算法自动离散；抽象特征节点包括与岩石大类对应的岩石大类节点、与岩石产状对应的岩石产状节点和与岩石岩性对应的岩石岩性节点；
构建各节点之间的关系。
所述利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型，包括：
用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整所述ResNet50残差深度网络模型的输出数量N值。
一种基于深度学习和贝叶斯网络的岩石类别自动识别系统，其特征在于，包括：
信息获取模块，用于获取待识别岩石图像中岩石的岩石大类和产状信息；
先验模块，用于将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；
图像输入模块，用于将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；
识别结果输出模块，用于输出待识别岩石的岩性；
所述ResNet_BN深度学习-贝叶斯网络模型的构建装置包括：
岩石图像获取模块，用于获取若干不同类型的岩石图像；
图像编号模块，用于确定岩石图像中岩石大类，并对不同大类进行编号；用于确定岩石图像中岩石产状，并对不同产状进行编号；用于确定岩石图像中岩石岩性，并对不同岩性进行编号；
划分模块，用于将经编号的岩石图像分为训练集和测试集；
模型创建模块，用于创建ResNet_BN深度学习-贝叶斯网络模型；
模型训练及测试模块，用于利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型。
所述模型创建模块包括：
输出数量确定模块，用于确定ResNet50残差深度网络模型的输出数量N；
特征提取模块，用于将ResNet50网络模型输出的每一个点作为贝叶斯网络的抽象特征节点，每个节点采用R2-GenOpt算法自动离散；抽象特征节点包括与岩石大类对应的岩石大类节点、与岩石产状对应的岩石产状节点和与岩石岩性对应的岩石岩性节点；
节点关系构件模块，用于构建各节点之间的关系。
所述模型训练及测试模块包括：
测试调整模块，用于用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整所述ResNet50残差深度网络模型的输出数量N值。
一种计算机可读存储介质，该存储介质上存储有计算机程序，其特征在于：所述计算机程序被计算机执行实现所述基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。
一种设备，其特征在于，具有：
存储器，存储有计算机可读指令；
处理器，执行所述计算机可读指令以实现所述基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。
本发明的有益效果是：本发明结合深度学习和贝叶斯网络的优势，充分发挥用户的先验信息，包括初判的岩石大类和岩石产状，可以在较少的样本数据基础上，训练网络模型，并达到较高的分类准确性，实现岩石类别自动化和智能化识别。
附图说明
图1为实施例的流程图。
图2为实施例中模型构建的流程图。
图3为实施例的系统框图。
图4为实施例中模型构建装置的框图。
具体实施方式
如图1所示，本实施例为一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，包括以下步骤：
获取待识别岩石图像中岩石的岩石大类和产状信息；
将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；
将待识别的岩石图像输入ResNet_BN深度学习-贝叶斯网络模型；
ResNet_BN深度学习-贝叶斯网络模型在岩石岩性节点输出待识别岩石的岩性。
如图2所示，本实施例中ResNet_BN深度学习-贝叶斯网络模型的构建方法如下：
获取若干不同类型的岩石图像，统一保存为jpg格式，不要求图像大小、像素和摄像距离；
确定岩石图像中岩石大类，并对不同大类进行编号(0-不确定、1-沉积岩、2-火山岩、3-侵入岩、4-变质岩)；确定岩石图像中岩石产状，并对不同产状进行编号(0-不确定、1-致密块状、2-气孔块状、3-层/片状)；确定岩石图像中岩石岩性，并对不同岩性进行编号；
将岩石图像-岩石大类-岩性-产状对应保存，并将经编号的岩石图像分为训练集和测试集；
创建ResNet_BN深度学习-贝叶斯网络模型；
利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型。
本例中创建ResNet_BN深度学习-贝叶斯网络模型，包括：
确定ResNet50残差深度网络模型的输出数量N；
将ResNet50网络模型输出的每一个点作为贝叶斯网络的“抽象特征”节点，每个节点采用R2-GenOpt算法自动离散；
将岩石大类作为“岩石大类”节点，离散状态与编号时对应；将岩石产状作为“岩石产状”节点，离散状态与编号时对应；将岩石岩性作为“岩石细类”节点，离散状态与编号时对应；
构建各节点之间的关系。
本实施例中利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型，包括：
训练过程中，每次在训练集中随机选择多组数据，输入到模型中，进行训练；
用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整上述ResNet50残差深度网络模型的输出数量N值，以达到最低错误率。
图3为基于深度学习和贝叶斯网络的岩石类别自动识别系统，包括：信息获取模块1、先验模块2、图像输入模块3和识别结果输出模块4，其中信息获取模块1用于获取待识别岩石图像中岩石的岩石大类和产状信息；先验模块2用于将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；图像输入模块3用于将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；识别结果输出模块4用于输出待识别岩石的岩性。
如图4所示，本实施例中ResNet_BN深度学习-贝叶斯网络模型的构建装置包括：岩石图像获取模块5、图像编号模块6、划分模块7、模型创建模块8和模型训练及测试模块9，其中岩石图像获取模块5用于获取若干不同类型的岩石图像；图像编号模块6用于确定岩石图像中岩石大类，并对不同大类进行编号，用于确定岩石图像中岩石产状，并对不同产状进行编号，用于确定岩石图像中岩石岩性，并对不同岩性进行编号；划分模块7用于将经编号的岩石图像分为训练集和测试集；模型创建模块8用于创建ResNet_BN深度学习-贝叶斯网络模型；模型训练及测试模块9用于利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型。
本例中模型创建模块8包括：输出数量确定模块801、特征提取模块802和节点关系构件模块803，其中输出数量确定模块801用于确定ResNet50残差深度网络模型的输出数量N；特征提取模块802用于将ResNet50网络模型输出的每一个点作为贝叶斯网络的抽象特征节点，每个节点采用R2-GenOpt算法自动离散，抽象特征节点包括与岩石大类对应的岩石大类节点、与岩石产状对应的岩石产状节点和与岩石岩性对应的岩石岩性节点；节点关系构件模块803用于构建各节点之间的关系。本实施例中模型训练及测试模块9包括测试调整模块901，测试调整模块901用于用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整所述ResNet50残差深度网络模型的输出数量N值。
本实施例还提供一种计算机可读存储介质，该存储介质上存储有计算机程序，计算机程序被计算机执行实现本实施例基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。
本实施例还一种设备，具有存储器和处理器，其中存储器存储有计算机可读指令；处理器执行计算机可读指令以实现本实施例基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。

Claims (8)

1.一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，包括以下步骤：
获取待识别岩石图像中岩石的岩石大类和产状信息；
将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；
将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；
输出待识别岩石的岩性；
所述ResNet_BN深度学习-贝叶斯网络模型的构建方法如下：
获取若干不同类型的岩石图像；
确定岩石图像中岩石大类，并对不同大类进行编号；确定岩石图像中岩石产状，并对不同产状进行编号；确定岩石图像中岩石岩性，并对不同岩性进行编号；
将经编号的岩石图像分为训练集和测试集；
创建ResNet_BN深度学习-贝叶斯网络模型；
利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型。
2.根据权利要求1所述的基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，所述创建ResNet_BN深度学习-贝叶斯网络模型，包括：
确定ResNet50残差深度网络模型的输出数量N；
将ResNet50网络模型输出的每一个点作为贝叶斯网络的抽象特征节点，每个节点采用R2-GenOpt算法自动离散；抽象特征节点包括与岩石大类对应的岩石大类节点、与岩石产状对应的岩石产状节点和与岩石岩性对应的岩石岩性节点；
构建各节点之间的关系。
3.根据权利要求2所述的基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，所述利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型，包括：
用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整所述ResNet50残差深度网络模型的的输出数量N值。
4.一种基于深度学习和贝叶斯网络的岩石类别自动识别系统，其特征在于，包括：
信息获取模块(1)，用于获取待识别岩石图像中岩石的岩石大类和产状信息；
先验模块(2)，用于将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；
图像输入模块(3)，用于将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；
识别结果输出模块(4)，用于输出待识别岩石的岩性；
所述ResNet_BN深度学习-贝叶斯网络模型的构建装置包括：
岩石图像获取模块(5)，用于获取若干不同类型的岩石图像；
图像编号模块(6)，用于确定岩石图像中岩石大类，并对不同大类进行编号；用于确定岩石图像中岩石产状，并对不同产状进行编号；用于确定岩石图像中岩石岩性，并对不同岩性进行编号；
划分模块(7)，用于将经编号的岩石图像分为训练集和测试集；
模型创建模块(8)，用于创建ResNet_BN深度学习-贝叶斯网络模型；
模型训练及测试模块(9)，用于利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型。
5.根据权利要求1所述的基于深度学习和贝叶斯网络的岩石类别自动识别系统，其特征在于，所述模型创建模块(8)包括：
输出数量确定模块(801)，用于确定ResNet50残差深度网络模型的输出数量N；
特征提取模块(802)，用于将ResNet50网络模型输出的每一个点作为贝叶斯网络的抽象特征节点，每个节点采用R2-GenOpt算法自动离散；抽象特征节点包括与岩石大类对应的岩石大类节点、与岩石产状对应的岩石产状节点和与岩石岩性对应的岩石岩性节点；
节点关系构件模块(803)，用于构建各节点之间的关系。
6.根据权利要求2所述的基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，所述模型训练及测试模块(9)包括：
测试调整模块(901)，用于用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整所述ResNet50残差深度网络模型的的输出数量N值。
7.一种计算机可读存储介质，该存储介质上存储有计算机程序，其特征在于：所述计算机程序被计算机执行实现权利要求1～3任意一项所述基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。
8.一种设备，其特征在于，具有：
存储器，存储有计算机可读指令；
处理器，执行所述计算机可读指令以实现权利要求1～3任意一项所述基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。
CN201910509533.5A 2019-06-13 2019-06-13 基于深度学习和贝叶斯网络的岩石类别自动识别方法 Active CN110263835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910509533.5A CN110263835B (zh) 2019-06-13 2019-06-13 基于深度学习和贝叶斯网络的岩石类别自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910509533.5A CN110263835B (zh) 2019-06-13 2019-06-13 基于深度学习和贝叶斯网络的岩石类别自动识别方法

Publications (2)

Publication Number Publication Date
CN110263835A true CN110263835A (zh) 2019-09-20
CN110263835B CN110263835B (zh) 2021-11-12

Family

ID=67918025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910509533.5A Active CN110263835B (zh) 2019-06-13 2019-06-13 基于深度学习和贝叶斯网络的岩石类别自动识别方法

Country Status (1)

Country Link
CN (1) CN110263835B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079773A (zh) * 2019-12-27 2020-04-28 中国地质调查局成都地质调查中心 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质
CN111414954A (zh) * 2020-03-17 2020-07-14 重庆邮电大学 一种岩石图像检索方法及其系统
CN112990320A (zh) * 2021-03-19 2021-06-18 中国矿业大学(北京) 一种岩性的分类方法、装置、电子设备及存储介质
CN113222071A (zh) * 2021-06-04 2021-08-06 嘉应学院 一种基于岩石薄片显微图像深度学习的岩石分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693724A (zh) * 2011-03-22 2012-09-26 张燕 一种基于神经网络的高斯混合模型的噪声分类方法
CN104181603A (zh) * 2014-07-24 2014-12-03 中国石油大学(华东) 碎屑岩沉积成岩综合相识别方法
CN105005769A (zh) * 2015-07-08 2015-10-28 山东大学 一种基于深度信息的手语识别方法
CN106228575A (zh) * 2016-07-21 2016-12-14 广东工业大学 融合卷积神经网络及贝叶斯滤波器的跟踪方法及系统
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
CN108122066A (zh) * 2017-11-13 2018-06-05 中国石油天然气股份有限公司 储层岩性的确定方法和装置
CN109738955A (zh) * 2018-12-29 2019-05-10 中国海洋石油集团有限公司 一种基于成分-结构分类下的变质岩岩性综合判别方法
US20190156159A1 (en) * 2017-11-20 2019-05-23 Kavya Venkata Kota Sai KOPPARAPU System and method for automatic assessment of cancer

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693724A (zh) * 2011-03-22 2012-09-26 张燕 一种基于神经网络的高斯混合模型的噪声分类方法
CN104181603A (zh) * 2014-07-24 2014-12-03 中国石油大学(华东) 碎屑岩沉积成岩综合相识别方法
CN105005769A (zh) * 2015-07-08 2015-10-28 山东大学 一种基于深度信息的手语识别方法
CN106228575A (zh) * 2016-07-21 2016-12-14 广东工业大学 融合卷积神经网络及贝叶斯滤波器的跟踪方法及系统
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
CN108122066A (zh) * 2017-11-13 2018-06-05 中国石油天然气股份有限公司 储层岩性的确定方法和装置
US20190156159A1 (en) * 2017-11-20 2019-05-23 Kavya Venkata Kota Sai KOPPARAPU System and method for automatic assessment of cancer
CN109738955A (zh) * 2018-12-29 2019-05-10 中国海洋石油集团有限公司 一种基于成分-结构分类下的变质岩岩性综合判别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DUSTIN TRAN ET AL: ""Bayesian Layers: A Module for Neural Network Uncertainty"", 《ARXIV》 *
张野等: ""基于岩石图像深度学习的岩性自动识别与分类方法"", 《岩石学报》 *
白烨等: ""测井成岩相自动识别及其在鄂尔多斯盆地苏里格地区的应用"", 《中国石油大学学报(自然科学版)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079773A (zh) * 2019-12-27 2020-04-28 中国地质调查局成都地质调查中心 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质
CN111414954A (zh) * 2020-03-17 2020-07-14 重庆邮电大学 一种岩石图像检索方法及其系统
CN111414954B (zh) * 2020-03-17 2022-09-09 重庆邮电大学 一种岩石图像检索方法及其系统
CN112990320A (zh) * 2021-03-19 2021-06-18 中国矿业大学(北京) 一种岩性的分类方法、装置、电子设备及存储介质
CN113222071A (zh) * 2021-06-04 2021-08-06 嘉应学院 一种基于岩石薄片显微图像深度学习的岩石分类方法

Also Published As

Publication number Publication date
CN110263835B (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN110263835A (zh) 基于深度学习和贝叶斯网络的岩石类别自动识别方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN108921203A (zh) 一种指针式水表的检测与识别方法
CN108830285A (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN110136101A (zh) 一种基于孪生距离比对的轮胎x光病疵检测方法
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN111832615A (zh) 一种基于前景背景特征融合的样本扩充方法及系统
CN112949517B (zh) 基于深度迁移学习的植物气孔密度和开度识别方法及系统
CN110443862A (zh) 基于无人机的岩性填图方法及系统、电子设备
CN106650667A (zh) 一种基于支持向量机的行人检测方法及系统
CN113435269A (zh) 一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统
CN109146873A (zh) 一种基于学习的显示屏缺陷智能检测方法及装置
CN113344050A (zh) 一种基于深度学习的岩性智能化识别方法及系统
CN114022770A (zh) 基于改进自注意力机制与迁移学习的山体裂缝检测方法
CN109284760A (zh) 一种基于深度卷积神经网络的家具检测方法及装置
CN113537496A (zh) 一种深度学习模型可视化构建系统及其应用和设计方法
CN112183643A (zh) 基于声发射的硬岩拉剪破裂识别方法及装置
CN109840497A (zh) 一种基于深度学习的指针式水表读数检测方法
CN114511710A (zh) 一种基于卷积神经网络的图像目标检测方法
CN108225502B (zh) 一种卡车装载矿石质量估计方法及系统
CN108664986A (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN107133631A (zh) 一种识别电视台图标的方法及装置
CN111079783A (zh) 一种基于多核集成学习识别地层岩性参数的方法

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