CN110298824A - 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 - Google Patents
基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 Download PDFInfo
- Publication number
- CN110298824A CN110298824A CN201910521412.2A CN201910521412A CN110298824A CN 110298824 A CN110298824 A CN 110298824A CN 201910521412 A CN201910521412 A CN 201910521412A CN 110298824 A CN110298824 A CN 110298824A
- Authority
- CN
- China
- Prior art keywords
- squid
- image
- convolutional neural
- neural networks
- method based
- 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
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
-
- 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
- G06T7/0004—Industrial 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明公开了一种基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,包括步骤:将鱿鱼解冻后,清洗干净,去除鱿鱼表面污染物,剔除破损鱿鱼,制备成作为鱿鱼自动分类的鱿鱼样本;将鱿鱼样本平整展开于工作上,置于辅助光源照射区域,利用拍摄设备在不同角度对鱿鱼样本进行图像采集,获得原始鱿鱼图像;对原始鱿鱼图像进行图像预处理,获得测试图像;对测试图像输入改进卷积神经网络中进行训练,获得不同种类鱿鱼的图上特征从而实现鱿鱼分类识别。本发明将机器视觉技术与深度学习框架相结合,通过改进的卷积神经网络自动提取图像中鱿鱼的特征并实现对不同品种的正确分类,从而满足工厂化生产中精细加工的需要。
Description
技术领域
本发明涉及水产品自动分类技术领域,尤其涉及一种基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法。
背景技术
鱿鱼在全球海洋经济中起着十分关键的作用。与其他水产品相比其繁殖周期较短、繁殖能力强、种群恢复速度快。在鱿鱼制品加工中,需要对不同品种的鱿鱼进行分类处理以保证其对应的口感和品质。此外,实现品种的精确分类对于制定合理的捕捞策略、构建差异化定价体系具有十分重要的意义。随着远洋捕捞和头足类深加工技术的发展,水产加工企业普遍对鱿鱼品种的精准分类具有迫切要求。当前在鱿鱼加工环节中,一般通过人工分拣满足以流水线生产的需要。传统人工分拣法依赖经验判断,其效率低下且主观性强,无法满足标准化生产需要。
近年以来,基于机器视觉的半自动分拣装置也被广泛应用于多种水产分拣场景中,在一定程度上实现了对人工的替代。半自动鱿鱼分拣装置在识别鱿鱼个体时,大多依赖颜色、纹理、形状等简单特征,其误分率高,且对环境光照、对象摆放位置等要求较高,难以实现复杂场景下的连续作业。
因此,本领域的技术人员致力于开发一种基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,针对现有人工及半自动分拣法在识别鱿鱼种类上存在的不足,将机器视觉技术与深度学习框架相结合,通过改进的卷积神经网络自动提取图像中鱿鱼的特征并实现对不同品种的正确分类,从而满足工厂化生产中精细加工的需要。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何解决现有人工及半自动分拣法在识别鱿鱼种类上存在的不足,满足工厂化生产中精细加工的需要。
为实现上述目的,本发明提供了一种基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述方法包括以下步骤:
步骤1、将鱿鱼解冻后,清洗干净,去除鱿鱼表面污染物,剔除破损鱿鱼,制备成作为鱿鱼自动分类的鱿鱼样本;
步骤2、将所述鱿鱼样本平整展开于工作台上,置于辅助光源照射区域,利用拍摄设备在不同角度对所述鱿鱼样本进行图像采集,获得原始鱿鱼图像;
步骤3、对所述原始鱿鱼图像进行图像预处理,获得测试图像;
步骤4、对所述测试图像输入改进卷积神经网络中进行训练,获得不同种类鱿鱼的图上特征从而实现鱿鱼分类识别。
进一步地,所述步骤2中所述辅助光源为色温3000至5000K的单色LED灯。
进一步地,所述步骤2中所述拍摄设备为数码相机、手机、PDA中的一种或多种。
进一步地,所述步骤2中所述不同角度为垂直方向、45°侧视方向和正视方向,所述拍摄设备距离所述鱿鱼样本0.2米至1.0米。
进一步地,所述步骤3中所述图像预处理具体包括以下步骤:
步骤3.1、对所述原始鱿鱼图像进行图像重采样,利用Python脚本对所述原始鱿鱼图像进行切割,获得重采样图像;
步骤3.2、利用基于Python语言编写的LabelMe工具对所述重采样图像进行图像数据标记,手动在图上划出包含鱿鱼样本的最小矩形框作为人工标记结果,获得测试图像;
步骤3.3、对原始数据集中的原始图像数据进行图像数据增广处理。
进一步地,所述步骤3.1中所述切割后的图像包含512×512个像素。
进一步地,所述步骤3.3中所述图像数据增广方式包括添加噪声、旋转、镜像、缩放、主成分分析中的一种或多种。
进一步地,所述旋转包括90°、180°、270°旋转中的一种或多种。
进一步地,所述步骤4中所述改进卷积神经网络为Faster R-CNN,包括基础特征提取网络、RPN、Fast R-CNN,所述RPN和Fast R-CNN共享特征提取卷积层,并实现端到端的检测。
进一步地,所述步骤4中所述Faster R-CNN,包括将网络中第一个全连接层后添加一个Dropout层,并且在训练时对这一层中包含的特定神经元的输出随机进行一定比例的抑制;在验证和测试过程中去掉该层并用随机丢弃概率乘以上一层输出值;对目标进行分类时只采用一个输出神经元个数为2048的全连接层。
本发明和传统人工识别法相比,在效率和精度上显著提升;不同于半自动化分拣装置对固定特征进行提取所造成的局限,本发明在场景鲁棒性和噪声抗性上都有明显增强,可以应对复杂工作环境,满足工厂化加工的需要。
本发明的有益效果是:
(1)低价高效的鱿鱼图像采集系统:本发明中数据获取通过消费级手机在建议工作台上进行,可以降低工厂化信息采集的成本;
(2)完善的数据预处理流程:通过数据预处理,可以实现较小样本集下的精准训练,并且有效的避免过拟合的出现;
(3)针对鱿鱼个体对模型进行了相应的调整:提高了对象适用性和效率,在消费级电脑上完成了全部实验过程,降低了方法使用门槛。
附图说明
图1是本发明的一个较佳实施例的鱿鱼图像获取方法示意图;
图2是本发明的一个较佳实施例的鱿鱼图像获取结果示意图;
图3是本发明的一个较佳实施例的鱿鱼图像预处理的流程图;
图4是本发明的一个较佳实施例的不同训练-验证对象比例下的平均精度示意图;
图5是本发明的一个较佳实施例的不同训练-验证对象比例下的平均交叉率示意图;
图6是本发明的一个较佳实施例的不同训练-验证对象比例下的平均运行速率示意图;
图7是本发明的一个较佳实施例的不同品种方法精度对比示意图;
图8是本发明的一个较佳实施例的不同拍摄角度下方法精度对比示意图;
图9是本发明的一个较佳实施例的不同数据增广方式对方法精度的影响示意图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
本发明公开了一种基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,该方法通过将采集到的鱿鱼图像输入神经网络中进行训练,获得不同种类鱿鱼的图上特征从而实现准确分类识别。包括影像采集、影像预处理、模型改进与参数调整三部分。具体介绍如下:
(1)影像采集
a)样品制备与处理
样品制备:本发明以北太平洋三种主要鱿鱼渔获:火枪乌贼(Loligo beka)、北太平洋褶柔鱼(Todarodes pacificus)、赤鱿(Ommastrephes bartramii)作为研究对象,将样品经由GB/T 28577-2012规定的标准冷链运送至实验室以保证样本新鲜度。
样品处理:在4℃下对样品进行解冻,并对解冻后的鱿鱼用18.2MΩ超纯水清洗干净,同时去除鱿鱼表面污染物以保证拍摄效果。接着,剔除破损鱿鱼样品并将挑选后的鱿鱼样本平整展开于超净单色试验台上。
b)影像获取
如图1所示,影像获取10具体包括:
拍摄装置:
(1)超净单色试验台1(与工厂化处理环境接近);(2)3000–5000K单色光源2(光照条件稳定可控);(3)iPhone X手机3(拍摄设备低价、可靠)。
拍摄流程:利用iPhone X手机3分别在垂直方向4上0.5米高度、45°侧视方向5、正视方向6三个不同角度对鱿鱼样本7进行图像采集以最大限度的获取目标的完整信息。实验中iPhone X手机3的拍摄焦距为18mm,ISO设置为自动模式,曝光时间设定为1/50s。
图2为鱿鱼图像获取结果,自上而下分别为垂直拍摄11、侧面拍摄12、正面拍摄13结果图像。
(2)影像预处理
如图3所示,图像预处理包括图像重采样、图像数据标记、图像数据增广。
a)图像重采样
为保证输入数据大小符合模型训练要求并提高模型训练效率,对原始鱿鱼图像进行重采样。利用Python脚本对原始图像进行切割,切割后的图像包含512×512个像素。通过重采样处理,使得训练对象中的目标区域更加明确,所包含的背景像素数目更少。
b)图像数据标记
利用基于Python语言编写的LabelMe工具对重采样图像进行数据标记,手动在图上划出包含鱿鱼样本的最小矩形框作为人工标记结果。矩形框的范围选定可以进一步缩小目标区域,简化训练过程。
c)图像数据增广
由于原始数据集中的图像数量有限,容易造成模型训练中过度拟合的出现,对原始数据进行增广处理。如图3所示,本发明中数据增广方式包括:图像添加噪声、旋转(90°、180°、270°)、镜像、缩放、主成分分析等。其中,添加噪声的类型为梯度为0.01的高斯噪声。
(3)模型改进与参数调整
传统Faster R-CNN主要由三个部分组成:(1)基础特征提取网络;(2)RPN(RegionProposal Network);(3)Fast R-CNN。其中RPN和Fast R-CNN共享特征提取卷积层,并实现了端到端的检测。具体到本发明中,因为鱿鱼与通用目标在形态等方面存在较大差异性,直接使用Faster R-CNN模型会对方法的准确率和运行速度构成影响,因此在考虑到对象特异性的情况下对Faster R-CNN模型中的区域生成网络部分进行了如下改进:
(1)Faster R-CNN的模型参数均由ImageNet数据集迁移学习而来,而对ImageNet进行观察可以发现其中的鱿鱼图像较少,且本发明需要实现不同鱿鱼品种间的进一步分类,为了实现这一目标同时增强网络的泛化能力,将网络中第一个全连接层后添加一个Dropout层,并且在训练时对这一层中包含的特定神经元的输出随机进行一定比例的抑制;在验证和测试过程中去掉该层并用随机丢弃概率乘以上一层输出值以保证后一层输入具有相应的数量级和物理意义;
(2)为了减少过度拟合,对目标进行分类时只采用一个输出神经元个数为2048的全连接层。
将本发明中所提到的方法进行不同训练集-测试集比例、不同拍摄视角、不同数据增广方式下运行效果验证,得到不同训练-验证对象比例下的平均精度(MP)如图4所示,不同训练-验证对象比例下的平均交叉率(MIOU)如图5所示,不同训练-验证对象比例下的平均运行速率(MART)如图6所示,不同品种方法精度对比如图7所示,不同拍摄角度下方法精度对比如图8所示,不同数据增广方式对方法精度的影响如图9所示。其计算复杂度和分类精度等指标均无明显降低,表明本方案的数据鲁棒性和对象适应能力较强,可以应用于不同场景中。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述方法包括以下步骤:
步骤1、将鱿鱼解冻后,清洗干净,去除鱿鱼表面污染物,剔除破损鱿鱼,制备成作为鱿鱼自动分类的鱿鱼样本;
步骤2、将所述鱿鱼样本平整展开于工作台上,置于辅助光源照射区域,利用拍摄设备在不同角度对所述鱿鱼样本进行图像采集,获得原始鱿鱼图像;
步骤3、对所述原始鱿鱼图像进行图像预处理,获得测试图像;
步骤4、对所述测试图像输入改进卷积神经网络中进行训练,获得不同种类鱿鱼的图上特征从而实现鱿鱼分类识别。
2.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤2中所述辅助光源为色温3000至5000K的单色LED灯。
3.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤2中所述拍摄设备为数码相机、手机、PDA中的一种或多种。
4.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤2中所述不同角度为垂直方向、45°侧视方向和正视方向,所述拍摄设备距离所述鱿鱼样本0.2米至1.0米。
5.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤3中所述图像预处理具体包括以下步骤:
步骤3.1、对所述原始鱿鱼图像进行图像重采样,利用Python脚本对所述原始鱿鱼图像进行切割,获得重采样图像;
步骤3.2、利用基于Python语言编写的LabelMe工具对所述重采样图像进行图像数据标记,手动在图上划出包含鱿鱼样本的最小矩形框作为人工标记结果,获得测试图像;
步骤3.3、对原始数据集中的原始图像数据进行图像数据增广处理。
6.如权利要求5所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤3.1中所述切割后的图像包含512×512个像素。
7.如权利要求5所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤3.3中所述图像数据增广方式包括添加噪声、旋转、镜像、缩放、主成分分析中的一种或多种。
8.如权利要求7所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述旋转包括90°、180°、270°旋转中的一种或多种。
9.如权利要求1所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤4中所述改进卷积神经网络为Faster R-CNN,包括基础特征提取网络、RPN、Fast R-CNN,所述RPN和Fast R-CNN共享特征提取卷积层,并实现端到端的检测。
10.如权利要求9所述的基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法,其特征在于,所述步骤4中所述Faster R-CNN,包括将网络中第一个全连接层后添加一个Dropout层,并且在训练时对这一层中包含的特定神经元的输出随机进行一定比例的抑制;在验证和测试过程中去掉该层并用随机丢弃概率乘以上一层输出值;对目标进行分类时只采用一个输出神经元个数为2048的全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910521412.2A CN110298824A (zh) | 2019-06-17 | 2019-06-17 | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910521412.2A CN110298824A (zh) | 2019-06-17 | 2019-06-17 | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298824A true CN110298824A (zh) | 2019-10-01 |
Family
ID=68028129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910521412.2A Pending CN110298824A (zh) | 2019-06-17 | 2019-06-17 | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240200A (zh) * | 2020-01-16 | 2020-06-05 | 北京农业信息技术研究中心 | 鱼群投饵控制方法、鱼群投饵控制装置及投饵船 |
CN114982846A (zh) * | 2022-06-21 | 2022-09-02 | 北京金米兰咖啡有限公司 | 适用于咖啡烘焙的控制方法、装置及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0285986A2 (en) * | 1987-04-01 | 1988-10-12 | International Business Machines Corporation | Data processing system with means for contiguously addressing memory |
CN103308919A (zh) * | 2012-03-12 | 2013-09-18 | 中国科学院声学研究所 | 一种基于小波包多尺度信息熵的鱼类识别方法及系统 |
CN103323532A (zh) * | 2012-03-21 | 2013-09-25 | 中国科学院声学研究所 | 一种基于心理声学参量的鱼类识别方法及系统 |
CN103400147A (zh) * | 2013-07-25 | 2013-11-20 | 中国农业大学 | 基于图像处理的目标鱼识别方法及系统 |
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 |
CN108805064A (zh) * | 2018-05-31 | 2018-11-13 | 中国农业大学 | 一种基于深度学习的鱼类定位检测和识别方法及系统 |
CN108921058A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于深度学习的鱼类识别方法、介质、终端设备及装置 |
CN109086800A (zh) * | 2018-07-04 | 2018-12-25 | 中国农业大学 | 一种鱼苗的分类方法、系统和设备 |
CN109117877A (zh) * | 2018-08-02 | 2019-01-01 | 南京师范大学 | 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法 |
CN109190695A (zh) * | 2018-08-28 | 2019-01-11 | 中国海洋大学 | 一种基于深度卷积神经网络的鱼类图像分类方法 |
-
2019
- 2019-06-17 CN CN201910521412.2A patent/CN110298824A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0285986A2 (en) * | 1987-04-01 | 1988-10-12 | International Business Machines Corporation | Data processing system with means for contiguously addressing memory |
CN103308919A (zh) * | 2012-03-12 | 2013-09-18 | 中国科学院声学研究所 | 一种基于小波包多尺度信息熵的鱼类识别方法及系统 |
CN103323532A (zh) * | 2012-03-21 | 2013-09-25 | 中国科学院声学研究所 | 一种基于心理声学参量的鱼类识别方法及系统 |
CN103400147A (zh) * | 2013-07-25 | 2013-11-20 | 中国农业大学 | 基于图像处理的目标鱼识别方法及系统 |
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 |
CN108805064A (zh) * | 2018-05-31 | 2018-11-13 | 中国农业大学 | 一种基于深度学习的鱼类定位检测和识别方法及系统 |
CN108921058A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于深度学习的鱼类识别方法、介质、终端设备及装置 |
CN109086800A (zh) * | 2018-07-04 | 2018-12-25 | 中国农业大学 | 一种鱼苗的分类方法、系统和设备 |
CN109117877A (zh) * | 2018-08-02 | 2019-01-01 | 南京师范大学 | 一种基于深度卷积生成对抗网络的黄颡鱼及其套养种识别方法 |
CN109190695A (zh) * | 2018-08-28 | 2019-01-11 | 中国海洋大学 | 一种基于深度卷积神经网络的鱼类图像分类方法 |
Non-Patent Citations (1)
Title |
---|
林明旺: ""基于卷积神经网络的鱼类图像识别与分类"", 《电子技术与软件工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111240200A (zh) * | 2020-01-16 | 2020-06-05 | 北京农业信息技术研究中心 | 鱼群投饵控制方法、鱼群投饵控制装置及投饵船 |
CN114982846A (zh) * | 2022-06-21 | 2022-09-02 | 北京金米兰咖啡有限公司 | 适用于咖啡烘焙的控制方法、装置及电子设备 |
CN114982846B (zh) * | 2022-06-21 | 2024-02-09 | 北京金米兰咖啡有限公司 | 适用于咖啡烘焙的控制方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
CN108764372B (zh) | 数据集的构建方法和装置、移动终端、可读存储介质 | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
CN110276386A (zh) | 一种基于机器视觉的苹果分级方法及系统 | |
Edgington et al. | Automated event detection in underwater video | |
CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN108154102A (zh) | 一种道路交通标志识别方法 | |
Huang et al. | Real-time classification of green coffee beans by using a convolutional neural network | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN112862849B (zh) | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
Rong et al. | Pest identification and counting of yellow plate in field based on improved mask r-cnn | |
CN111652326A (zh) | 基于MobileNet v2网络改进的果实成熟度识别方法和识别系统 | |
CN110298824A (zh) | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 | |
CN110288623A (zh) | 无人机海上网箱养殖巡检图像的数据压缩方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN115249240A (zh) | 一种面向单株大豆密集豆荚的自动计数检测方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN110532935A (zh) | 一种大田作物表型信息高通量对等监测系统及监测方法 | |
Setyawan et al. | Comparison of hsv and lab color spaces for hydroponic monitoring system | |
Shuai et al. | An improved YOLOv5-based method for multi-species tea shoot detection and picking point location in complex backgrounds |
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 |