CN110503051B - 一种基于图像识别技术的珍贵木材识别系统及方法 - Google Patents
一种基于图像识别技术的珍贵木材识别系统及方法 Download PDFInfo
- Publication number
- CN110503051B CN110503051B CN201910793961.5A CN201910793961A CN110503051B CN 110503051 B CN110503051 B CN 110503051B CN 201910793961 A CN201910793961 A CN 201910793961A CN 110503051 B CN110503051 B CN 110503051B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- data
- input
- wood
- 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
- 239000002023 wood Substances 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 title claims description 16
- 230000009467 reduction Effects 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000010845 search algorithm Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 244000137852 Petrea volubilis Species 0.000 claims 2
- 239000000463 material Substances 0.000 claims 1
- 238000005498 polishing Methods 0.000 claims 1
- 239000004576 sand Substances 0.000 claims 1
- 230000001502 supplementing effect Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别技术的珍贵木材识别系统，包括图像采集设备、输入层、神经网络模型INCEPTION‑V3中间层、数据降维LDA模型和K‑NN分类器，构建以神经网络模型结构包括输入层、INCEPTION‑V3中间层、输出层；所述输入层依次与INCEPTION‑V3中间层、输出层相连接，所述数据降维LDA模型的输入端与输出层的输出端相连接；所述输入层用于将300×300像素进行缩放至224×224像素的图像预处理；本发明提供一款以解决云南地区的常见25种珍贵木材的智能识别，提高简单实用的使用工具的问题。
Description
技术领域
本发明实施例涉及计算机视觉技术，尤其涉及一种基于图像识别技术的珍贵木材识别系统及方法。
背景技术
利用木材的切面图像快速识别木材的材种是计算机基于与木材鉴定技术的一种结合，速度快。
如申请号为201810800080.7，发明名称为一种基于构造特征图像深度学习的木材鉴别方法和系统，公开了采集木材横切面的构造特征图像数据；将所述图像数据分割为多个大小一致的图像块；根据多个所述图像块建立所述图像数据对应的训练集和测试集；构建木材图像鉴别多层卷积神经网络；采用所述训练集对所述木材图像鉴别多层卷积神经网络进行深度学习；采用所述测试集对深度学习的模型进行测试，根据测试结果优化模型参数，生成所述待鉴别木材的图像识别深度学习算法模型；采用所述图像识别深度学习算法模型对待鉴别木材构造图像数据进行识别，输出识别结果和置信度。
但是木材的种类繁多，单一木材图像识别算法无法被所有的木材材种。本方法利用木材的横切面图像，实现了云南地区常见的25种珍贵木材的快速识别。
对于树木纹理的差异，识别结构和置信度也有较大差异。
发明内容
本发明的目的在于提供一种基于图像识别技术的珍贵木材识别系统及方法，以解决云南地区的常见25种珍贵木材的智能识别，提高简单实用的使用工具的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于图像识别技术的珍贵木材识别系统，包括图像采集设备、输入层、神经网络模型INCEPTION-V3中间层、数据降维LDA模型和K-NN分类器，构建以神经网络模型结构包括输入层、INCEPTION-V3中间层、输出层；所述输入层依次与INCEPTION-V3中间层、输出层相连接，所述数据降维LDA模型的输入端与输出层的输出端相连接；
所述输入层用于将300×300像素进行缩放至224×224像素的图像预处理；
所述INCEPTION-V3中间层用于将预处理后的图像进行卷积、池化操作后得到多维矩阵数据；
所述输出层用于对多维数据矩阵进行数据降维，同时偏平化输出一维数组；
所述输出层为采用Python中的flatten方法构建的数据降维LDA模型，使用需要识别的25种木材的特征数据，训练出LDA的特征映射模型，用来对51200个图片的特征进行降维。
优选地，所述INCEPTION-V3中间层为在开源数据库Imagenet进行训练后，在训练数据库中补充需要识别25种木材的放大图片。
本发明提供了一种基于图像识别技术的珍贵木材识别系统的方法，包括如下步骤：
S1:木材切面打磨；材横截面依次使用400～1000目的砂纸打磨，清理导管中的堵塞物；
S2:切面图像采集；20X的放大镜，在距离切面5mm，视野范围为7mm×7mm进行拍摄；
S3:裁剪图像中的矩形区域，并将图像缩放至300×300像素大小；
S4:输入处理好的图像inception-V3中间层提取多维矩阵数据，由数据降维LDA模型转为一维数据导出图像特征数据；
S5:由K-NN分类器选定为1-NN分类器，进行交叉训练，将上述所得到的一维数组经过1-NN分类器进行交叉训练，与训练库模型的数据进行交叉训练，比对得到最优值，识别导出木材认定结果。
在步骤S2中，选择样品木材的横切面，依次使用400目、800目、000目的砂纸打磨横切面，表面平整，没有砂痕即可，再清理打磨后的切面导管中的堵塞。
优选地，在步骤S3中，利用矩形查找算法定位矩形区域的位置，然后截取中间矩形区域，并将该区域缩放到300×300像素后保；先把图片进行二值化处理，彩色的图像将格式转化为黑白图片，利用连通域查找算法计算连通域，选择连通域中最大的一个区域，最大的白色的连通域就是目标区域，计算该连通区域的最小外接矩形将得到一个矩形，以红色的边界为参考矩形四个边分别向内收缩5％，得到无边界阴影干扰的清晰的目标区域，将所述目标区域二次缩放到300×300像素后，输出图像裁剪后的结果；
优选地，在步骤S4中，输入一个300×300像素的RGB预处理图像，经输入层再处理后，将图像缩小至224×224像素，进入神经网络inception-V3中间层的卷积、池化操作后，再由输出层输出一个51200bit的多维矩阵数据，由数据降维LDA模型进行扁平化处理，转为一维数组。
本发明的技术效果和优点：
(1)修改后的神经网络模型inception-V3，删除全连接层的复杂的结构，直接输出图像多维矩阵数据，再经数据降维LDA模型降维成数组。
(2)针对云南地区的经济木材和珍贵木材采集图像，训练特有的模型，满足木材商的需要，25种木材为市场上畅销的产品；为厂家提供一个验货验收的便捷方式，也为群众提供一种识别假货的有效方式。
附图说明
图1为本发明提供的系统模型结构图；
图2为本发明提供的系统工作流程图；
图3为本发明提供的预处理图像示意图；
图4为本发明提供的预处理图像示意图；
图5为本发明提供的预处理图像示意图；
图6为本发明提供的预处理图像示意图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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所获得的所有其他实施例，都属于本发明保护的范围。
如图1-2所示，本实施例提供了一种基于图像识别技术的珍贵木材识别系统，包括图像采集设备、该图像采集设备根据实际要求进行选择，达到获取清晰图像即可，输入层、神经网络模型INCEPTION-V3中间层、数据降维LDA模型和K-NN分类器，构建以神经网络模型结构包括输入层、INCEPTION-V3中间层、输出层；所述输入层依次与INCEPTION-V3中间层、输出层相连接，所述数据降维LDA模型的输入端与输出层的输出端相连接；
所述输入层用于将300×300像素进行缩放至224×224像素的图像预处理；
所述INCEPTION-V3中间层用于将预处理后的图像进行卷积、池化操作后得到多维矩阵数据；
所述输出层用于对多维数据矩阵进行数据降维，同时偏平化输出一维数组；
所述输出层为采用Python中的flatten方法构建的数据降维LDA模型，使用需要识别的25种木材的特征数据，训练出LDA的特征映射模型，用来对51200个图片的特征进行降维。
优选地，所述INCEPTION-V3中间层为在开源数据库Imagenet进行训练后，在训练数据库中补充需要识别25种木材的放大图片。
本实施例提供了一种基于图像识别技术的珍贵木材识别系统的方法，包括如下步骤：
S1:木材切面打磨；材横截面依次使用400～1000目的砂纸打磨，清理导管中的堵塞物；
S2:切面图像采集；20X的放大镜，在距离切面5mm，视野范围为7mm×7mm进行拍摄；
S3:裁剪图像中的矩形区域，并将图像缩放至300×300像素大小；
S4:输入处理好的图像inception-V3中间层提取多维矩阵数据，由数据降维LDA模型转为一维数据导出图像特征数据；
S5:由K-NN分类器选定为1-NN分类器，进行交叉训练，将上述所得到的一维数组经过1-NN分类器进行交叉训练，与训练库模型的数据进行交叉训练，比对得到最优值，识别导出木材认定结果。
在步骤S2中，选择样品木材的横切面，依次使用400目、800目、000目的砂纸打磨横切面，表面平整，没有砂痕即可，再清理打磨后的切面导管中的堵塞。
在步骤S3中，利用矩形查找算法定位矩形区域的位置，然后截取中间矩形区域，并将该区域缩放到300×300像素后保；先把图片进行二值化处理，彩色的图像将格式转化为黑白图片，利用连通域查找算法计算连通域，选择连通域中最大的一个区域，最大的白色的连通域就是目标区域，计算该连通区域的最小外接矩形将得到一个矩形，以红色的边界为参考矩形四个边分别向内收缩5％，得到无边界阴影干扰的清晰的目标区域，将所述目标区域二次缩放到300×300像素后，输出图像裁剪后的结果；
在步骤S4中，输入一个300×300像素的RGB预处理图像，经输入层再处理后，将图像缩小至224×224像素，进入神经网络inception-V3中间层的卷积、池化操作后，再由输出层输出一个51200bit的多维矩阵数据，由数据降维LDA模型进行扁平化处理，转为一维数组。
具体的说上述步骤S4中，所述图像剪裁过程是；
图像裁剪的过程可以表示如下：
1)读入图像P，并复制该图像为P’如图3所示；
2)将图像P’转换成灰度图gray；
3)利用OSTU方法将灰度图转换成二值图像,记为binary_img，如图4所示；
4)计算图片binary_img中的连通域，计算其中一个连通域的面积，按照面积大小对连通域进行排序，其中最大的一个连通域就是目标区域，记为ROI；
5)提取ROI的多边形坐标，计算这些坐标围成的最小外接矩形，记为boxmin，如图5所示，其中的白色矩形为最小外接矩形boxmin；
6)裁剪boxmin区域，并将该区域旋转至一个边与水平平行的状态。
7)boxmin边界处的数据有一部分是黑色的蒙版，不是木材图像，为了得到清晰的木材图像，boxmin的四个边分别向内缩小5％，这样得到的就是一个清晰的没有背景的木材图像，记为ROItar。
将ROItar缩放到300x300像素,记为裁剪的最终结果，如图6所示。
线性判别式分析(LinearDiscriminantAnalysis,LDA)是已经公开的数据降维算法,利用该算法结合25种木材的特征数据可以建立一个针对特定树种的降维模型，模型的输入是51200个特征数据，输出是24区分度较高的个特征。
数据降维LDA模型采用LDA算法的思想是寻找投影后类间方差最小，类间方差最大的一种方法。利用python中提供的函数，使用25种木材的特征数据，训练一个LDA的特征映射模型，用来对51200个图片的特征进行降维。
下表中为云南地区常见的木材品种，通过该模型进行训练和测试的精度和准确率。
综上表显示，对于上述木材的识别率和准确率均为较高的水平，在实际生产中有实际的意义。并且该模型简单且小，可内置于移动终端，可外接。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,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 (4)
1.一种基于图像识别技术的珍贵木材识别系统，包括图像采集设备、输入层、神经网络模型INCEPTION-V3中间层、数据降维LDA模型和K-NN分类器，其特征在于：构建以神经网络模型结构包括输入层、INCEPTION-V3中间层、输出层；所述输入层依次与INCEPTION-V3中间层、输出层相连接，所述数据降维LDA模型的输入端与输出层的输出端相连接；
所述输入层用于将300×300像素进行缩放至224×224像素的图像预处理；
所述INCEPTION-V3中间层用于将预处理后的图像进行卷积、池化操作后得到多维矩阵数据；
所述输出层用于对多维数据矩阵进行数据降维，同时偏平化输出一维数组；
所述输出层为采用Python中的flatten方法构建的数据降维LDA模型，使用需要识别的25种木材的特征数据，训练出LDA的特征映射模型，用来对51200个图片的特征进行降维；
包括如下步骤：
S1:木材切面打磨；材横截面依次使用400～1000目的砂纸打磨，清理导管中的堵塞物；
S2:切面图像采集；20X的放大镜，在距离切面5mm，视野范围为7mm×7mm进行拍摄；
S3:裁剪图像中的矩形区域，并将图像缩放至300×300像素大小；
S4:输入处理好的图像inception-V3中间层提取多维矩阵数据，由数据降维LDA模型转为一维数据导出图像特征数据；
S5:由K-NN分类器选定为1-NN分类器，进行交叉训练，将上述所得到的一维数组经过1-NN分类器进行交叉训练，与训练库模型的数据进行交叉训练，比对得到最优值，识别导出木材认定结果；
在步骤S4中，输入一个300×300像素的RGB预处理图像，经输入层再处理后，将图像缩小至224×224像素，进入神经网络inception-V3中间层的卷积、池化操作后，再由输出层输出一个51200bit的多维矩阵数据，由数据降维LDA模型进行扁平化处理，转为一维数组。
2.根据权利要求1所述的一种基于图像识别技术的珍贵木材识别系统，其特征在于：所述INCEPTION-V3中间层为在开源数据库Imagenet进行训练后，在训练数据库中补充需要识别25种木材的放大图片。
3.根据权利要求1所述的一种基于图像识别技术的珍贵木材识别系统，其特征在于：在步骤S2中，选择样品木材的横切面，依次使用400目、800目、000目的砂纸打磨横切面，表面平整，没有砂痕即可，再清理打磨后的切面导管中的堵塞。
4.根据权利要求1所述的一种基于图像识别技术的珍贵木材识别系统，其特征在于：在步骤S3中，利用矩形查找算法定位矩形区域的位置，然后截取中间矩形区域，并将该区域缩放到300×300像素后保；先把图片进行二值化处理，彩色的图像将格式转化为黑白图片，利用连通域查找算法计算连通域，选择连通域中最大的一个区域，最大的白色的连通域就是目标区域，计算该连通域的最小外接矩形将得到一个矩形，以红色的边界为参考矩形四个边分别向内收缩5％，得到无边界阴影干扰的清晰的目标区域，将所述目标区域二次缩放到300×300像素后，输出图像裁剪后的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910793961.5A CN110503051B (zh) | 2019-08-27 | 2019-08-27 | 一种基于图像识别技术的珍贵木材识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910793961.5A CN110503051B (zh) | 2019-08-27 | 2019-08-27 | 一种基于图像识别技术的珍贵木材识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110503051A CN110503051A (zh) | 2019-11-26 |
| CN110503051B true CN110503051B (zh) | 2023-04-07 |
Family
ID=68589898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910793961.5A Active CN110503051B (zh) | 2019-08-27 | 2019-08-27 | 一种基于图像识别技术的珍贵木材识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503051B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695498B (zh) * | 2020-06-10 | 2023-04-07 | 西南林业大学 | 一种木材同一性检测方法 |
| CN112767388B (zh) * | 2021-01-29 | 2023-12-26 | 中华人民共和国张家港海关 | 一种木材微距特征图像采集及ai鉴定系统 |
| CN112767387B (zh) * | 2021-01-29 | 2024-04-30 | 中华人民共和国张家港海关 | 一种基于分块梯度加权的木材图像自动识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778918A (zh) * | 2017-01-22 | 2017-05-31 | 北京飞搜科技有限公司 | 一种应用于手机端的深度学习图像识别系统及实现方法 |
| CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和系统 |
| CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
| CN109871806A (zh) * | 2019-02-21 | 2019-06-11 | 山东大学 | 基于深度残差纹理网络的地形识别方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665353A (zh) * | 2017-09-15 | 2018-02-06 | 平安科技（深圳）有限公司 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-08-27 CN CN201910793961.5A patent/CN110503051B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778918A (zh) * | 2017-01-22 | 2017-05-31 | 北京飞搜科技有限公司 | 一种应用于手机端的深度学习图像识别系统及实现方法 |
| CN109063713A (zh) * | 2018-07-20 | 2018-12-21 | 中国林业科学研究院木材工业研究所 | 一种基于构造特征图像深度学习的木材鉴别方法和系统 |
| CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
| CN109871806A (zh) * | 2019-02-21 | 2019-06-11 | 山东大学 | 基于深度残差纹理网络的地形识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110503051A (zh) | 2019-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN104463195B (zh) | 基于模板匹配的印刷体数字识别方法 | |
| Kadam et al. | Detection and localization of multiple image splicing using MobileNet V1 | |
| US7421125B1 (en) | Image analysis, editing and search techniques | |
| CN110503051B (zh) | 一种基于图像识别技术的珍贵木材识别系统及方法 | |
| US20180129658A1 (en) | Color sketch image searching | |
| CN102508917B (zh) | 部分特征图像的多维度目标快速鲁棒检索定位方法 | |
| CN111899296A (zh) | 一种基于计算机视觉的原木材积检测方法与装置 | |
| CN113313149B (zh) | 一种基于注意力机制和度量学习的菜品识别方法 | |
| CN108829711B (zh) | 一种基于多特征融合的图像检索方法 | |
| CN114332866B (zh) | 一种基于图像处理的文献曲线分离与坐标信息提取方法 | |
| CN102541954A (zh) | 一种商标检索方法及系统 | |
| CN111666434A (zh) | 基于深度全局特征的街景图片检索方法 | |
| CN118570865B (zh) | 基于人工智能的人脸识别分析方法及系统 | |
| Obulesu et al. | Content based image retrieval using multi motif co-occurrence matrix | |
| CN107133579A (zh) | 基于CSGF(2D)2PCANet卷积网络的人脸识别方法 | |
| CN104361096A (zh) | 一种基于特征富集区域集合的图像检索方法 | |
| CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
| CN115457327A (zh) | 基于视觉的烤后烟烟叶部位分类方法、装置及电子设备 | |
| CN112528905B (zh) | 一种图像处理方法、装置及计算机存储介质 | |
| CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
| CN112966727A (zh) | 一种基于花朵特征的植物种类识别系统 | |
| Winter et al. | Differential feature distribution maps for image segmentation and region queries in image databases | |
| CN108648245B (zh) | 测井解释曲线的信息提取方法及装置 | |
| CN110766655A (zh) | 一种基于丰度的高光谱图像显著性分析方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Yongke Inventor after: Qiu Jian Inventor after: Wang Xian Inventor after: Shen Huajie Inventor after: He Haishan Inventor after: He Xin Inventor after: Lin Qizhao Inventor before: Sun Yongke Inventor before: Shen Huajie Inventor before: He Haishan Inventor before: He Xin Inventor before: Lin Qizhao |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |