CN110634134A - 一种细胞形态学人工智能自动诊断新方法 - Google Patents
一种细胞形态学人工智能自动诊断新方法 Download PDFInfo
- Publication number
- CN110634134A CN110634134A CN201910834070.XA CN201910834070A CN110634134A CN 110634134 A CN110634134 A CN 110634134A CN 201910834070 A CN201910834070 A CN 201910834070A CN 110634134 A CN110634134 A CN 110634134A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- algorithm
- identification
- cell morphology
- 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
Images
Classifications
-
- 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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种细胞形态学人工智能自动诊断新方法,本发明具体包括以下步骤:S1、首先通过细胞形态图片导入模块将待进行识别的细胞片镜图片导入系统内,然后中央处理模块会控制图片前处理单元内的图像微光增强处理模块先对图片进行微光增强处理,之后通过图像特征识别模块内的特征识别算法进行图像细胞形态特征的识别,本发明涉及医疗技术领域。该细胞形态学人工智能自动诊断新方法,可实现既快速又安全的进行细胞形态的识别诊断,大大加快了识别速度,且不联网识别安全性更高,很好的避免了受到联网病毒程序的侵入,对细胞形态的正常诊断产生极大威胁的情况发生,无需工作人员花费大量的时间进行等待。
Description
技术领域
本发明涉及医疗技术领域,具体为一种细胞形态学人工智能自动诊断新方法。
背景技术
所有的生物都是由细胞组成的,只是不同的生物体细胞的大小和形状有所不同,有的细胞人的眼睛可以看得见,如鸟类的蛋,最大的直径近10厘米(鸵鸟蛋),有的细胞直径只有0.1米微米,要用高倍显微镜才能看到,如原始的细菌,大多数细胞的直径是10-100微米,用低倍显微镜就能看到,细胞的大小,即使在同一生物体的相同组织中也不一样,同一个细胞,处在不同发育阶段,它的大小也是会改变的,细胞的形状多种多样,有球体、多面体、纺锤体和柱状体等,由于细胞内在的结构和自身表面张力,以及外部的机械压力,各种细胞总是保持自己的一定形状,细胞的形状和功能之间有密切关系,例如,神经细胞会伸展几米,这是因为伸长的神经细胞有利于传导外界的刺激信息,高大的树木为什么能郁郁葱葱,这是因为植物内的导管、筛管细胞是管状的,有利于水分和营养的运输,其中细胞形态学是指对细胞的形态进行研究的科学,细胞形态学在对临床诊断血液病方面应用十分广泛。
目前在对细胞形态进行智能识别诊断过程中,大多是直接采用联网大数据库进行识别,然而,这样的识别速度较慢,且安全性较低,易受到联网病毒程序的侵入,从而对细胞形态的正常诊断产生极大的威胁,需要工作人员花费大量的时间进行等待,不能实现既快速又安全的进行细胞形态的识别诊断,无法达到通过设计自带学习功能的智能数据库进行新细胞形态识别算法的自我学习,来快速进行细胞形态的不联网识别诊断的目的,从而给人们的细胞形态诊断工作带来了极大的不便。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种细胞形态学人工智能自动诊断新方法,解决了现有的识别速度较慢,且安全性较低,易受到联网病毒程序的侵入,从而对细胞形态的正常诊断产生极大的威胁,需要工作人员花费大量的时间进行等待,不能实现既快速又安全的进行细胞形态的识别诊断,无法达到通过设计自带学习功能的智能数据库进行新细胞形态识别算法的自我学习,来快速进行细胞形态的不联网识别诊断目的的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种细胞形态学人工智能自动诊断新方法,具体包括以下步骤:
S1、首先通过细胞形态图片导入模块将待进行识别的细胞片镜图片导入系统内,然后中央处理模块会控制图片前处理单元内的图像微光增强处理模块先对图片进行微光增强处理,之后通过图像特征识别模块内的特征识别算法进行图像细胞形态特征的识别;
S2、识别完成后,图像特征拾取模块会对识别的细胞图像特征进行拾取,然后通过特征数据传输模块传送至中央处理模块内,在此过程中,图片处理单元可向算法数据库模块内提取所需识别算法;
S3、之后中央处理模块会控制细胞形态智能识别单元对步骤S2拾取的细胞图像特征进行智能识别处理,细胞形态智能识别单元内的图像特征接收模块接收到图像特征后,数据库相似特征提取模块向算法数据库模块内提取对比特征数据,然后通过特征智能对比模块进行对比识别;
S4、识别完成后通过相似的计算模块进行相似度计算,之后通过识别结构分析模块进行识别分析,若相似度达到设定指标时,中央处理模块会控制显示模块进行显示,显示出细胞形态识别诊断结果,并且可控制诊断报告打印模块进行打印处理;
S5、当步骤S4识别的相似度结果小于设定标准值时,中央处理模块会控制非常规形态告警模块进行告警处理,同时控制联网大数据库智能识别模块进行联网检索算法进行识别,然后中央处理模块会控制新形态识别算法学习单元进行新形态识别算法的学习;
S6、新形态识别算法学习单元内的新形态系统图像存储模块会对新形态细胞图像进行存储,然后新形态算法刻录模块将联网检索的算法进行刻录处理,之后图像算法存储地址名生成模块会生成图像算法的存储数据包地址前缀名,然后图像算法数据匹配模块可将算法与图像进行数据匹配处理,最后通过数据存储模块进行数据存储。
优选的,所述步骤S1和步骤S2中图片前处理单元包括图像微光增强处理模块、图像特征识别模块、图像特征拾取模块和特征数据传输模块,所述图像微光增强处理模块的输出端与图像特征识别模块的输入端连接,且图像特征识别模块的输出端与图像特征拾取模块的输入端连接,所述图像特征拾取模块的输出端与特征数据传输模块的输入端连接。
优选的,所述步骤S3和步骤S4中细胞形态智能识别单元包括图像特征接收模块、数据库相似特征提取模块、特征智能对比模块、相似度计算模块和识别结果分析模块,所述图像特征接收模块的输出端与数据库相似特征提取模块的输入端连接,且数据库相似特征提取模块的输出端与特征智能对比模块的输入端连接。
优选的,所述特征智能对比模块的输出端与相似度计算模块的输入端连接,且相似度计算模块的输出端与识别结果分析模块的输入端连接。
优选的,所述步骤S6中新形态识别算法学习单元包括新形态系统图像存储模块、新形态算法刻录模块、图像算法存储地址名生成模块、图像算法数据匹配模块和数据存储模块,所述新形态系统图像存储模块的输出端与新形态算法刻录模块的输入端连接,且新形态算法刻录模块的输出端与图像算法存储地址名生成模块的输入端连接。
优选的,所述图像算法存储地址名生成模块的输出端与图像算法数据匹配模块的输入端连接,且图像算法数据匹配模块的输出端与数据存储模块的输入端连接。
(三)有益效果
本发明提供了一种细胞形态学人工智能自动诊断新方法。与现有技术相比具备以下有益效果:该细胞形态学人工智能自动诊断新方法,具体包括以下步骤:S1、首先通过细胞形态图片导入模块将待进行识别的细胞片镜图片导入系统内,然后中央处理模块会控制图片前处理单元内的图像微光增强处理模块先对图片进行微光增强处理,S2、识别完成后,图像特征拾取模块会对识别的细胞图像特征进行拾取,然后通过特征数据传输模块传送至中央处理模块内,在此过程中,图片处理单元可向算法数据库模块内提取所需识别算法,S3、之后中央处理模块会控制细胞形态智能识别单元对步骤S2拾取的细胞图像特征进行智能识别处理,细胞形态智能识别单元内的图像特征接收模块接收到图像特征后,S4、识别完成后通过相似的计算模块进行相似度计算,之后通过识别结构分析模块进行识别分析,若相似度达到设定指标时,中央处理模块会控制显示模块进行显示,S5、当步骤S4识别的相似度结果小于设定标准值时,中央处理模块会控制非常规形态告警模块进行告警处理,同时控制联网大数据库智能识别模块进行联网检索算法进行识别,S6、新形态识别算法学习单元内的新形态系统图像存储模块会对新形态细胞图像进行存储,然后新形态算法刻录模块将联网检索的算法进行刻录处理,可实现既快速又安全的进行细胞形态的识别诊断,很好的达到了通过设计自带学习功能的智能数据库进行新细胞形态识别算法的自我学习,来快速进行细胞形态的不联网识别诊断的目的,大大加快了识别速度,且不联网识别安全性更高,很好的避免了受到联网病毒程序的侵入,对细胞形态的正常诊断产生极大威胁的情况发生,无需工作人员花费大量的时间进行等待,从而大大方便了人们的细胞形态诊断工作。
附图说明
图1为本发明系统的结构和原理框图;
图2为本发明细胞形态智能识别单元的结构和原理框图;
图3为本发明新形态识别算法学习单元的结构和原理框图。
具体实施方式
下面将结合本发明实施例中的附图,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。
请参阅图1-3,本发明实施例提供一种技术方案:一种细胞形态学人工智能自动诊断新方法,具体包括以下步骤:
S1、首先通过细胞形态图片导入模块将待进行识别的细胞片镜图片导入系统内,然后中央处理模块会控制图片前处理单元内的图像微光增强处理模块先对图片进行微光增强处理,之后通过图像特征识别模块内的特征识别算法进行图像细胞形态特征的识别;
S2、识别完成后,图像特征拾取模块会对识别的细胞图像特征进行拾取,然后通过特征数据传输模块传送至中央处理模块内,在此过程中,图片处理单元可向算法数据库模块内提取所需识别算法;
S3、之后中央处理模块会控制细胞形态智能识别单元对步骤S2拾取的细胞图像特征进行智能识别处理,细胞形态智能识别单元内的图像特征接收模块接收到图像特征后,数据库相似特征提取模块向算法数据库模块内提取对比特征数据,然后通过特征智能对比模块进行对比识别;
S4、识别完成后通过相似的计算模块进行相似度计算,之后通过识别结构分析模块进行识别分析,若相似度达到设定指标时,中央处理模块会控制显示模块进行显示,显示出细胞形态识别诊断结果,并且可控制诊断报告打印模块进行打印处理;
S5、当步骤S4识别的相似度结果小于设定标准值时,中央处理模块会控制非常规形态告警模块进行告警处理,同时控制联网大数据库智能识别模块进行联网检索算法进行识别,然后中央处理模块会控制新形态识别算法学习单元进行新形态识别算法的学习;
S6、新形态识别算法学习单元内的新形态系统图像存储模块会对新形态细胞图像进行存储,然后新形态算法刻录模块将联网检索的算法进行刻录处理,之后图像算法存储地址名生成模块会生成图像算法的存储数据包地址前缀名,然后图像算法数据匹配模块可将算法与图像进行数据匹配处理,最后通过数据存储模块进行数据存储。
本发明,步骤S1和步骤S2中图片前处理单元包括图像微光增强处理模块、图像特征识别模块、图像特征拾取模块和特征数据传输模块,图像微光增强处理模块的输出端与图像特征识别模块的输入端连接,且图像特征识别模块的输出端与图像特征拾取模块的输入端连接,图像特征拾取模块的输出端与特征数据传输模块的输入端连接。
本发明,步骤S3和步骤S4中细胞形态智能识别单元包括图像特征接收模块、数据库相似特征提取模块、特征智能对比模块、相似度计算模块和识别结果分析模块,图像特征接收模块的输出端与数据库相似特征提取模块的输入端连接,且数据库相似特征提取模块的输出端与特征智能对比模块的输入端连接,特征智能对比模块的输出端与相似度计算模块的输入端连接,且相似度计算模块的输出端与识别结果分析模块的输入端连接。
本发明,步骤S6中新形态识别算法学习单元包括新形态系统图像存储模块、新形态算法刻录模块、图像算法存储地址名生成模块、图像算法数据匹配模块和数据存储模块,新形态系统图像存储模块的输出端与新形态算法刻录模块的输入端连接,且新形态算法刻录模块的输出端与图像算法存储地址名生成模块的输入端连接,图像算法存储地址名生成模块的输出端与图像算法数据匹配模块的输入端连接,且图像算法数据匹配模块的输出端与数据存储模块的输入端连接。
综上所述
本发明可实现既快速又安全的进行细胞形态的识别诊断,很好的达到了通过设计自带学习功能的智能数据库进行新细胞形态识别算法的自我学习,来快速进行细胞形态的不联网识别诊断的目的,大大加快了识别速度,且不联网识别安全性更高,很好的避免了受到联网病毒程序的侵入,对细胞形态的正常诊断产生极大威胁的情况发生,无需工作人员花费大量的时间进行等待,从而大大方便了人们的细胞形态诊断工作。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种细胞形态学人工智能自动诊断新方法,其特征在于:具体包括以下步骤:
S1、首先通过细胞形态图片导入模块将待进行识别的细胞片镜图片导入系统内,然后中央处理模块会控制图片前处理单元内的图像微光增强处理模块先对图片进行微光增强处理,之后通过图像特征识别模块内的特征识别算法进行图像细胞形态特征的识别;
S2、识别完成后,图像特征拾取模块会对识别的细胞图像特征进行拾取,然后通过特征数据传输模块传送至中央处理模块内,在此过程中,图片处理单元可向算法数据库模块内提取所需识别算法;
S3、之后中央处理模块会控制细胞形态智能识别单元对步骤S2拾取的细胞图像特征进行智能识别处理,细胞形态智能识别单元内的图像特征接收模块接收到图像特征后,数据库相似特征提取模块向算法数据库模块内提取对比特征数据,然后通过特征智能对比模块进行对比识别;
S4、识别完成后通过相似的计算模块进行相似度计算,之后通过识别结构分析模块进行识别分析,若相似度达到设定指标时,中央处理模块会控制显示模块进行显示,显示出细胞形态识别诊断结果,并且可控制诊断报告打印模块进行打印处理;
S5、当步骤S4识别的相似度结果小于设定标准值时,中央处理模块会控制非常规形态告警模块进行告警处理,同时控制联网大数据库智能识别模块进行联网检索算法进行识别,然后中央处理模块会控制新形态识别算法学习单元进行新形态识别算法的学习;
S6、新形态识别算法学习单元内的新形态系统图像存储模块会对新形态细胞图像进行存储,然后新形态算法刻录模块将联网检索的算法进行刻录处理,之后图像算法存储地址名生成模块会生成图像算法的存储数据包地址前缀名,然后图像算法数据匹配模块可将算法与图像进行数据匹配处理,最后通过数据存储模块进行数据存储。
2.根据权利要求1所述的一种细胞形态学人工智能自动诊断新方法,其特征在于:所述步骤S1和步骤S2中图片前处理单元包括图像微光增强处理模块、图像特征识别模块、图像特征拾取模块和特征数据传输模块,所述图像微光增强处理模块的输出端与图像特征识别模块的输入端连接,且图像特征识别模块的输出端与图像特征拾取模块的输入端连接,所述图像特征拾取模块的输出端与特征数据传输模块的输入端连接。
3.根据权利要求1所述的一种细胞形态学人工智能自动诊断新方法,其特征在于:所述步骤S3和步骤S4中细胞形态智能识别单元包括图像特征接收模块、数据库相似特征提取模块、特征智能对比模块、相似度计算模块和识别结果分析模块,所述图像特征接收模块的输出端与数据库相似特征提取模块的输入端连接,且数据库相似特征提取模块的输出端与特征智能对比模块的输入端连接。
4.根据权利要求3所述的一种细胞形态学人工智能自动诊断新方法,其特征在于:所述特征智能对比模块的输出端与相似度计算模块的输入端连接,且相似度计算模块的输出端与识别结果分析模块的输入端连接。
5.根据权利要求1所述的一种细胞形态学人工智能自动诊断新方法,其特征在于:所述步骤S6中新形态识别算法学习单元包括新形态系统图像存储模块、新形态算法刻录模块、图像算法存储地址名生成模块、图像算法数据匹配模块和数据存储模块,所述新形态系统图像存储模块的输出端与新形态算法刻录模块的输入端连接,且新形态算法刻录模块的输出端与图像算法存储地址名生成模块的输入端连接。
6.根据权利要求5所述的一种细胞形态学人工智能自动诊断新方法,其特征在于:所述图像算法存储地址名生成模块的输出端与图像算法数据匹配模块的输入端连接,且图像算法数据匹配模块的输出端与数据存储模块的输入端连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834070.XA CN110634134A (zh) | 2019-09-04 | 2019-09-04 | 一种细胞形态学人工智能自动诊断新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910834070.XA CN110634134A (zh) | 2019-09-04 | 2019-09-04 | 一种细胞形态学人工智能自动诊断新方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110634134A true CN110634134A (zh) | 2019-12-31 |
Family
ID=68970219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910834070.XA Pending CN110634134A (zh) | 2019-09-04 | 2019-09-04 | 一种细胞形态学人工智能自动诊断新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110634134A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288684A (zh) * | 2020-07-15 | 2021-01-29 | 唐科伦 | 应用密度分析的致病判断系统及方法 |
CN113205476A (zh) * | 2020-08-04 | 2021-08-03 | 黄永芹 | 智能化检验病菌目标辨识平台及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102359938A (zh) * | 2011-09-16 | 2012-02-22 | 长沙高新技术产业开发区爱威科技实业有限公司 | 红细胞形态学分析装置及其方法 |
CN105740612A (zh) * | 2016-01-27 | 2016-07-06 | 北京国医精诚科技有限公司 | 基于中医临床医案的疾病诊疗方法和系统 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN108885681A (zh) * | 2015-12-18 | 2018-11-23 | 雅培实验室 | 用于评估细胞形态的方法和系统 |
CN110021013A (zh) * | 2019-03-27 | 2019-07-16 | 广州金域医学检验中心有限公司 | 病理切片细胞的类型识别方法、装置和计算机设备 |
CN110085315A (zh) * | 2019-04-15 | 2019-08-02 | 中国人民解放军第八一医院 | 细胞形态学人工智能自动诊断新方法 |
-
2019
- 2019-09-04 CN CN201910834070.XA patent/CN110634134A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102359938A (zh) * | 2011-09-16 | 2012-02-22 | 长沙高新技术产业开发区爱威科技实业有限公司 | 红细胞形态学分析装置及其方法 |
CN108885681A (zh) * | 2015-12-18 | 2018-11-23 | 雅培实验室 | 用于评估细胞形态的方法和系统 |
CN105740612A (zh) * | 2016-01-27 | 2016-07-06 | 北京国医精诚科技有限公司 | 基于中医临床医案的疾病诊疗方法和系统 |
CN108346145A (zh) * | 2018-01-31 | 2018-07-31 | 浙江大学 | 一种病理切片中非常规细胞的识别方法 |
CN110021013A (zh) * | 2019-03-27 | 2019-07-16 | 广州金域医学检验中心有限公司 | 病理切片细胞的类型识别方法、装置和计算机设备 |
CN110085315A (zh) * | 2019-04-15 | 2019-08-02 | 中国人民解放军第八一医院 | 细胞形态学人工智能自动诊断新方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288684A (zh) * | 2020-07-15 | 2021-01-29 | 唐科伦 | 应用密度分析的致病判断系统及方法 |
CN112288684B (zh) * | 2020-07-15 | 2021-06-25 | 华北理工大学 | 应用密度分析的致病判断系统及方法 |
CN113205476A (zh) * | 2020-08-04 | 2021-08-03 | 黄永芹 | 智能化检验病菌目标辨识平台及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163143A (zh) | 违规行为识别方法、装置及终端设备 | |
CN110634134A (zh) | 一种细胞形态学人工智能自动诊断新方法 | |
CN110046604B (zh) | 一种基于残差网络的单导联ecg心律失常检测分类方法 | |
CN112149638B (zh) | 基于多模态生物特征的人员身份识别系统构建及使用方法 | |
CN111767849A (zh) | 农作物病虫害识别方法、设备及存储介质 | |
CN110558975B (zh) | 一种心电信号分类方法及系统 | |
CN115131880B (zh) | 一种多尺度注意力融合的双重监督人脸活体检测方法 | |
CN110063326A (zh) | 基于卷积神经网络的智能驱鸟方法 | |
CN110033487A (zh) | 基于深度联想感知算法的受遮挡蔬果采收方法 | |
CN111062350B (zh) | 基于人工智能烟火识别算法 | |
CN115281602A (zh) | 一种用于青光眼的研究瞳孔对光反射障碍的动态分析系统 | |
CN114115394A (zh) | 一种烟叶智能烘烤控制系统及方法 | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN109480775A (zh) | 一种基于人工智能的新生儿黄疸识别装置、设备、系统 | |
CN108763373A (zh) | 人脸图像检索方法及装置 | |
CN117292330A (zh) | 一种适用于时序数据运维的智能监测系统 | |
CN114463741A (zh) | 一种基于深度学习的荔枝病虫害识别方法 | |
CN113325752B (zh) | 一种设备管理系统 | |
CN110443112A (zh) | 一种沃柑病变的自动识别方法 | |
Ghazalli et al. | Bacterial blight and mosaic disease detection on cassava leaf using support vector machine | |
CN112287858A (zh) | 一种生成对抗网络表情识别方法及系统 | |
CN115147837B (zh) | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 | |
Hu et al. | Crop extraction based on ultra-simple neural network modeling in the normalized rgb and CIE L* a* b* color spaces | |
CN114049482A (zh) | 一种阳光玫瑰葡萄光照智能检测方法及系统 | |
CN116246176B (zh) | 一种农作物的病害检测方法、装置、电子设备及存储介质 |
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: 20191231 |