CN110567888A - 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 - Google Patents

一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 Download PDF

Info

Publication number
CN110567888A
CN110567888A CN201910863200.2A CN201910863200A CN110567888A CN 110567888 A CN110567888 A CN 110567888A CN 201910863200 A CN201910863200 A CN 201910863200A CN 110567888 A CN110567888 A CN 110567888A
Authority
CN
China
Prior art keywords
dry shell
silkworm cocoon
visible
near infrared
kernel
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
Application number
CN201910863200.2A
Other languages
English (en)
Inventor
李子印
姚冰锋
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN201910863200.2A priority Critical patent/CN110567888A/zh
Publication of CN110567888A publication Critical patent/CN110567888A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T2207/10048—Infrared 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，结合可见/近红外光谱技术和深度学习，训练一种经过修改后的Inception‑V3‑1D网络模型，能够对输入的蚕茧光谱信息进行处理和检测，在不对蚕茧品质造成影响的情况下，实现对蚕茧干壳量的快速检测，为蚕茧质量评价中的干壳量指标检测提供了一种技术方案。

Description

一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检 测方法
技术领域
本发明涉及光谱成像和深度学习技术领域，具体涉及一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法。
背景技术
蚕茧干壳量作为蚕茧质量评价过程中的重要一环，是目前蚕茧收取过程中贯彻“优质优价”政策的重要指标之一，在保证蚕茧完好的情况下，如何快速、精确的检测鲜茧的干壳量，还有很大的提升空间。现有的蚕茧质量检测方法已经无法满足对效率和精度的要求，存在检测周期过长，精度不够等缺点，甚至一些检测方法会对蚕茧本身造成不可逆的损害，这一定程度上也对我国蚕丝行业的产品质量和效率的提高造成了影响。随着科技的进步，我国蚕丝行业也在飞速进步，如何快速、准确的对蚕茧的质量进行无损检测和评价也显得越发重要。
光谱成像技术起源于上世纪八十年代，是一种将成像技术和光谱技术相结合的新型多维信息获取技术，能探测获得被测目标的二维空间信息和一维光谱信息构成的数据立方体，经过数据处理能够获得不同地物的光谱曲线。深度学习起源于人工神经网络的研究，作为机器学习的一个分支，在数据分类检测方面具有很大的优势。
本发明基于可见/近红外光谱技术和深度学习，提出一种无损检测蚕茧干壳量的方法。
发明内容
本发明提出一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，旨在保证蚕茧完好的前提下，快速、准确的实现对蚕茧干壳量的检测，
本发明技术流程主要包括以下步骤：
Q1采集蚕茧样品在450～1075nm波段的可见/近红外光谱图像；
Q2对采集到的光谱数据使用Kernel方法进行卷积平滑预处理；
Q3建立蚕茧干壳量的数据集，使用随机方法对经过预处理的光谱图像按10：1比例分成训练集和验证集；
Q4将数据集输入到经过修改后的Inception-V3-1D网络模型中进行训练，得到针对蚕茧干壳量识别的网络模型；
Q5将经过预处理的待检样品的光谱数据输入到训练好的Inception-V3-1D网络中，得出待测蚕茧的干壳量。
具体的，所述步骤Q2中，光谱预处理方法采用Kernel平滑方法，平滑后的数据表示为y*(t),带宽为h，加权函数用S(t)表示，则对于在某个波长t的拟合值其计算公式为：
加权函数Sj(i)的计算公式如下式所述，其中kern()就是kernel函数，是kernel平滑的核心，
tj为第j个数据的波长值，这里h的值并没有固定的选择，在经过整体效果的比较之后，我们选择效果最佳的值h＝5作为本方法的取值。
所述步骤Q3中，数据集的建立是通过，采集数量不低于一万张的蚕茧图片，经过平滑处理后建立蚕茧干壳量的数据集，并通过随机方法，按照10：1的比例，将数据集划分为训练集和验证集。
所述步骤Q4中，Inception-V3-1D网络是针对一维数据由Inception-V3网络模型修改而来，Inception-V3-1D网络模型相较于正常的Inception-V3，最大的区别在于输入数据的不同，前者为一维的可见/近红外光谱数据，后者为二维图像。
Inception-V3-1D网络模型主要包括正常的卷积层、池化层、线性回归、softmax以及Inception结构。所述网络中的输入经过一个卷积核为1*3，步长为2的卷积层，一个卷积核为1*3，步长为1的卷积层，一个卷积核为1*3，步长为1，扩边层数为1的扩边卷积层，一个过滤器大小为1*3，步长为2的池化层，一个卷积核为1*3，步长为1的卷积层，一个卷积核为1*3，步长为2的卷积层，一个卷积核为1*3，步长为1的卷积层，之后经过共计10层的Inception结构，进入过滤器为1*8的池化层，最后经过线性回归通过激活函数(softmax)进行输出和分类。
具体的在网络训练过程中，使用的softmax层将输出蚕茧干壳量的概率分布，通过对概率大小的比较得出蚕茧的干壳量，概率分布的表达式如下：
其中σ(z)i为概率分布，K为类别数目，zi为输出中i类别对应的值。
具体的在网络训练过程中，针对本方法作为一个多分类、单标签问题，在网络训练过程中，采用多分类损失函数，使用梯度下降法更新权重，对网络模型进行训练，所述的多分类损失函数定义如下：
其中为期望值，yim为网络实际输出值，n是样本数，m是分类数，并且这是一个多输出的loss函数，所以它的loss计算也是多个的，如下：
…
对网络参数进行随机初始化后，我们采用梯度下降算法反向更新权重值，每一次迭代计算梯度，然后对参数进行更新，如下：
Δθt＝-α*gt
其中t为迭代次数，α为学习率，gt为梯度，θt为网络参数。
附图说明
图1为本发明提供的一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法流程图；
图2为Inception-V3-1D模型中第一个Inception的结构图；
图3为Inception-V3-1D模型中第二个Inception的结构图；
图4为Inception-V3-1D模型中第三个Inception的结构图；
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的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，都属于本发明的保护范围。
如图1所示，一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法主要流程如下：
Q1采集蚕茧样品在450～1075nm波段的可见/近红外光谱图像；
Q2对采集到的光谱数据使用Kernel方法进行卷积平滑预处理：
具体的，光谱预处理方法采用Kernel平滑方法，平滑后的数据表示为y*(t)，带宽为h，加权函数用S(t)表示，则对于在某个波长t的拟合值其计算公式为：
加权函数.Sj(i)的计算公式如下式所述，其中kern()就是kernel函数，是kernel平滑的核心，
tj为第j个数据的波长值，这里h的值并没有固定的选择，在经过整体效果的比较之后，我们选择效果最佳的值h＝5作为本方法的取值。
Q3建立蚕茧干壳量的数据集，使用随机方法对经过预处理的光谱图像按10∶1比例分成训练集和验证集：
具体的数据集的建立是通过采集数量不低于一万张的蚕茧图片，经过平滑处理后建立蚕茧干壳量的数据集，并通过随机方法，按照10：1的比例，将数据集划分为训练集和验证集。
Q4将数据集输入到经过修改后的Inception-V3-1D网络模型中进行训练，得到针对蚕茧干壳量识别的网络模型：
具体的，Inception-V3-1D网络是针对一维数据由Inception-V3网络模型修改而来，Inception-V3-1D网络模型相较于正常的Inception-V3，最大的区别在于输入数据的不同，前者为一维的可见/近红外光谱数据，后者为二维图像。改进后的Inception-V3-1D网络模型结构如表1所示，
表1 Inception-V3-1D网络结构
类型 卷积核/步长 输入数据尺寸
卷积层 1*3/2 1*299*1
卷积层 1*3/1 1*149*32
扩边卷积层 1*3/1 1*147*32
池化层 1*3/2 1*147*64
卷积层 1*3/1 1*73*64
卷积层 1*3/2 1*71*80
卷积层 1*3/1 1*35*192
3*Inception 如图2 1*35*288
5*Inception 如图3 1*17*768
2*Inception 如图4 1*8*1280
池化层 1*8/1 1*8*2048
线性回归 logits 1*1*2048
激活函数(softmax) classifier 1*1*500
所述网络中的输入经过一个卷积核为1*3，步长为2的卷积层，一个卷积核为1*3，步长为1的卷积层，一个卷积核为1*3，步长为1，扩边层数为1的扩边卷积层，一个过滤器大小为1*3，步长为2的池化层，一个卷积核为1*3，步长为1的卷积层，一个卷积核为1*3，步长为2的卷积层，一个卷积核为1*3，步长为1的conv层，之后经过共计10层的Inception结构，进入过滤器为1*8的池化层，最后经过线性回归通过激活函数(softmax)进行输出和分类。
其次，网络模型的训练过程中，使用的softmax层将输出蚕茧干壳量的概率分布，通过对概率大小的比较得出蚕茧的干壳量，概率分布的表达式如下：
其中σ(z)i为概率分布，K为类别数目，zi为输出中i类别对应的值。
针对本方法作为一个多分类、单标签问题，在网络训练过程中，采用多分类损失函数，使用梯度下降法更新权重，对网络模型进行训练，所述的多分类损失函数定义如下：
其中为期望值，yim为网络实际输出值，n是样本数，m是分类数，并且这是一个多输出的loss函数，所以它的loss计算也是多个的，如下：
…
对网络参数进行随机初始化后，我们采用梯度下降算法反向更新权重值，每一次迭代计算梯度，然后对参数进行更新，如下：
Δθt＝-α*gt
其中t为迭代次数，α为学习率，gt为梯度，θt为网络参数，f()为损失函数。
Q5将经过预处理的待检样品的光谱数据输入到训练好的Inception-V3-1D网络中，得出待测蚕茧的干壳量。
本发明结合可见/近红外光谱技术和深度学习，实现了一种快速、无损检测蚕茧干壳量的方法，为蚕茧质量评价中的干壳量指标检测提供了一种技术方案。

Claims (7)

1.一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，其特征在于，包括以下步骤：
Q1 采集蚕茧样品在450～1075nm波段的可见/近红外光谱图像；
Q2 对采集到的光谱数据使用Kernel方法进行卷积平滑预处理；
Q3 建立蚕茧干壳量的数据集，使用随机方法对经过预处理的光谱图像按10：1比例分成训练集和验证集；
Q4 将数据集输入到经过修改后的Inception-V3-1D网络模型中进行训练，得到针对蚕茧干壳量识别的网络模型；
Q5 将经过预处理的待检样品的光谱数据输入到训练好的Inception-V3-1D网络中，得出待测蚕茧的干壳量。
2.根据权利要求1所述的一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，其特征在于，所述步骤Q2中，光谱预处理方法采用Kernel平滑方法，平滑后的数据表示为y*(t),带宽为h，加权函数用S(t)表示，则对于在某个波长t的拟合值其计算公式为：
加权函数Sj(i)的计算公式如下式所述，其中kern()就是kernel函数，是kernel平滑的核心，
tj为第j个数据的波长值，这里h的值并没有固定的选择，在经过整体效果的比较之后，我们选择效果最佳的值h＝5作为本方法的取值。
3.根据权利要求1所述的一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，其特征在于，所述步骤Q3中，采集数量不低于一万张的蚕茧图片，经过平滑处理后建立蚕茧干壳量的数据集，并通过随机方法，按照10：1的比例，将数据集划分为训练集和验证集。
4.根据权利要求1所述的一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，其特征在于，所述步骤Q3中，Inception-V3-1D网络是针对一维数据由Inception-V3网络模型修改而来，Inception-V3-1D网络模型相较于正常的Inception-V3，最大的区别在于输入数据的不同，前者为一维的可见/近红外光谱数据，后者为二维图像。
5.根据权利要求4所述的一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，其特征在于，所述的Inception-V3-1D网络模型主要包括正常的卷积层、池化层、线性回归、softmax以及Inception结构，所述网络中的输入经过一个卷积核为1*3，步长为2的卷积层，一个卷积核为1*3，步长为1的卷积层，一个卷积核为1*3，步长为1，扩边层数为1的扩边卷积层，一个过滤器大小为1*3，步长为2的池化层，一个卷积核为1*3，步长为1的卷积层，一个卷积核为1*3，步长为2的卷积层，一个卷积核为1*3，步长为1的卷积层，之后经过共计10层的Inception结构，进入过滤器为1*8的池化层，最后经过线性回归通过激活函数(softmax)进行输出和分类。
6.根据权利要求4所述的一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，其特征在于，所述的softmax层将输出蚕茧干壳量的概率分布，通过对概率大小的比较得出蚕茧的干壳量，概率分布的表达式如下：
其中σ(z)i为概率分布，K为类别数目，zi为输出中i类别对应的值。
7.根据权利要求4所述的一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法，其特征在于，所述步骤Q4中，针对本方法作为一个多分类、单标签问题，在网络训练过程中，采用多分类损失函数，使用梯度下降法更新权重，对网络模型进行训练，所述的多分类损失函数定义如下：
其中为期望值，yim为网络实际输出值,n是样本数，m是分类数，并且这是一个多输出的loss函数，所以它的loss计算也是多个的，如下：
…
对网络参数进行随机初始化后，我们采用梯度下降算法反向更新权重值，每一次迭代计算梯度，然后对参数进行更新，如下：
Δθt＝-α*gt
其中t为迭代次数，α为学习率，gt为梯度，θt为网络参数，f()为损失函数。
CN201910863200.2A 2019-09-12 2019-09-12 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法 Pending CN110567888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910863200.2A CN110567888A (zh) 2019-09-12 2019-09-12 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910863200.2A CN110567888A (zh) 2019-09-12 2019-09-12 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法

Publications (1)

Publication Number Publication Date
CN110567888A true CN110567888A (zh) 2019-12-13

Family

ID=68779765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910863200.2A Pending CN110567888A (zh) 2019-09-12 2019-09-12 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法

Country Status (1)

Country Link
CN (1) CN110567888A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111901000A (zh) * 2020-08-03 2020-11-06 电子科技大学 基于Inception结构的信道译码方法
CN115311505A (zh) * 2022-10-11 2022-11-08 四川主干信息技术有限公司 基于云服务大数据平台的蚕茧分类方法及收购系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106124449A (zh) * 2016-06-07 2016-11-16 中国科学院合肥物质科学研究院 一种基于深度学习技术的土壤近红外光谱分析预测方法
CN106198448A (zh) * 2016-07-17 2016-12-07 北京化工大学 一种自动高速无损分拣活体雌雄蚕蛹或者活体雌雄蚕茧的工艺
CN107219188A (zh) * 2017-06-02 2017-09-29 中国计量大学 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法
CN107478598A (zh) * 2017-09-01 2017-12-15 广东省智能制造研究所 一种基于一维卷积神经网络的近红外光谱分析方法
CN107491784A (zh) * 2017-08-09 2017-12-19 云南瑞升烟草技术（集团）有限公司 基于深度学习算法的烟叶近红外光谱定量建模方法及应用
US20180318884A1 (en) * 2017-05-08 2018-11-08 China Jiliang University Automated silkworm cocoon sex sorting
CN109215015A (zh) * 2018-07-24 2019-01-15 北京工业大学 一种基于卷积神经网络的蚕茧在线视觉检测方法
CN109840509A (zh) * 2019-02-15 2019-06-04 北京工业大学 网络直播视频中不良主播的多层次协同识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106124449A (zh) * 2016-06-07 2016-11-16 中国科学院合肥物质科学研究院 一种基于深度学习技术的土壤近红外光谱分析预测方法
CN106198448A (zh) * 2016-07-17 2016-12-07 北京化工大学 一种自动高速无损分拣活体雌雄蚕蛹或者活体雌雄蚕茧的工艺
US20180318884A1 (en) * 2017-05-08 2018-11-08 China Jiliang University Automated silkworm cocoon sex sorting
CN107219188A (zh) * 2017-06-02 2017-09-29 中国计量大学 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法
CN107491784A (zh) * 2017-08-09 2017-12-19 云南瑞升烟草技术（集团）有限公司 基于深度学习算法的烟叶近红外光谱定量建模方法及应用
CN107478598A (zh) * 2017-09-01 2017-12-15 广东省智能制造研究所 一种基于一维卷积神经网络的近红外光谱分析方法
CN109215015A (zh) * 2018-07-24 2019-01-15 北京工业大学 一种基于卷积神经网络的蚕茧在线视觉检测方法
CN109840509A (zh) * 2019-02-15 2019-06-04 北京工业大学 网络直播视频中不良主播的多层次协同识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
胡兴明 等: ""基于神经网络集成的蚕茧干壳量无损检测方法研究"", 《蚕业科学》 *
金航峰 等: ""桑蚕鲜茧干壳量的可见/近红外光谱无损检测"", 《农业机械学报》 *
黄双萍 等: ""基于深度卷积神经网络的水稻穗瘟病检测方法"", 《农业工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111901000A (zh) * 2020-08-03 2020-11-06 电子科技大学 基于Inception结构的信道译码方法
CN115311505A (zh) * 2022-10-11 2022-11-08 四川主干信息技术有限公司 基于云服务大数据平台的蚕茧分类方法及收购系统
CN115311505B (zh) * 2022-10-11 2022-12-27 四川主干信息技术有限公司 基于云服务大数据平台的蚕茧分类方法及收购系统

Similar Documents

Publication Publication Date Title
Jahanbakhshi et al. Classification of sour lemons based on apparent defects using stochastic pooling mechanism in deep convolutional neural networks
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
Faisal et al. Deep learning and computer vision for estimating date fruits type, maturity level, and weight
CN110956212A (zh) 一种基于视觉特征融合的打叶质量检测方法
CN105303150B (zh) 实现图像处理的方法和系统
CN109117956A (zh) 一种最佳特征子集的确定方法
Sabrol et al. Fuzzy and neural network based tomato plant disease classification using natural outdoor images
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
Rothe et al. Automated extraction of digital images features of three kinds of cotton leaf diseases
CN105512681A (zh) 一种目标类别图片的获取方法及系统
Mengistu et al. An automatic coffee plant diseases identification using hybrid approaches of image processing and decision tree
CN103090946B (zh) 果树单树产量测量的方法和系统
CN110567888A (zh) 一种基于可见/近红外光谱和深度学习的蚕茧干壳量无损检测方法
CN111222545B (zh) 基于线性规划增量学习的图像分类方法
Raut et al. Assessment of fruit maturity using digital image processing
Lin et al. Identification of pumpkin powdery mildew based on image processing PCA and machine learning
CN103839076B (zh) 一种基于光照特征的网络敏感图像识别方法
Lu et al. Tobacco leaf grading based on deep convolutional neural networks and machine vision
Sehree et al. Olive trees cases classification based on deep convolutional neural network from unmanned aerial vehicle imagery
Liu et al. DS-MENet for the classification of citrus disease
CN109447097A (zh) 一种基于卷积神经网络的面料主成分检测方法
Macías-Macías et al. Mask R-CNN for quality control of table olives
Sivaranjani et al. CashNet-15: an optimized cashew nut grading using deep CNN and data augmentation
CN110567887A (zh) 一种基于光谱成像和深度学习技术的干茧茧层丝胶溶失率的无损检测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191213