CN110647941A - 基于卷积神经网络的蔬菜识别方法及设备 - Google Patents

基于卷积神经网络的蔬菜识别方法及设备 Download PDF

Info

Publication number
CN110647941A
CN110647941A CN201910911880.0A CN201910911880A CN110647941A CN 110647941 A CN110647941 A CN 110647941A CN 201910911880 A CN201910911880 A CN 201910911880A CN 110647941 A CN110647941 A CN 110647941A
Authority
CN
China
Prior art keywords
neural network
vegetable
convolutional neural
image
vegetables
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
CN201910911880.0A
Other languages
English (en)
Inventor
李万清
王天然
魏志浩
李忠金
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.)
Shaoxing Shuhong Technology Co Ltd
Original Assignee
Shaoxing Shuhong Technology Co 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 Shaoxing Shuhong Technology Co Ltd filed Critical Shaoxing Shuhong Technology Co Ltd
Priority to CN201910911880.0A priority Critical patent/CN110647941A/zh
Publication of CN110647941A publication Critical patent/CN110647941A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络的蔬菜识别方法及设备，属于深度学习技术领域。本发明根据海量的蔬菜图像数据，在对图像数据进行预处理后，使用深度学习算法，搭建并训练一个卷积神经网络，使得该神经网络能够自动地完成识别蔬菜的任务。进一步的，可以将训练好的模型放置在安卓系统上，在售卖蔬菜时，用户将蔬菜放置到使用安卓系统的电子秤设备上，通过摄像头拍摄到蔬菜图像后传入训练好的卷积神经网络，得到蔬菜的类别，通过电子秤得到蔬菜的质量，从而直接计算出蔬菜的价格。本发明实现了自动识别蔬菜图像，且具有执行速度快、准确性高、高效率等特点，避免了人工识别工作。

Description

基于卷积神经网络的蔬菜识别方法及设备
技术领域
本发明属于深度学习技术领域，具体涉及到一种基于卷积神经网络的蔬菜识别方法与设备。
背景技术
随着社会和经济的发展，互联网的普及率越来越高，人工智能在最近这些年飞速发展，融入到人们生活的方方面面。深度学习技术作为目前实现人工智能最为成熟的技术之一，在图像识别领域拥有非常出色的效果。使用深度学习技术来完成图像识别任务，既能充分利用图像资源，也能节省人工，减少人力成本。
目前菜市场、超市等售卖蔬菜的流程基本如下，顾客将购买的蔬菜放在电子秤上，可以称出所购蔬菜的质量，然后需要售卖人员手动选择对应蔬菜的类型或输入代号，从而根据对应蔬菜的单价和称出的质量得到总价。但此类设备需要售卖人员熟练记住所有蔬菜代号或者从复杂的面板中快速找到相应的类别，因此其整体较为耗时。如果可以根据电子秤上的摄像机拍摄得到的图像自动进行蔬菜识别，自动得出蔬菜的类别，再根据类别得出单价，根据称出的质量，则可以直接算出总价，就可以避免售卖人员的手工操作这一步骤，减少人力成本的同时也极大加快了售卖蔬菜的速度，从而大大降低人工的费用和时间。
发明内容
本发明的目的在于解决现有技术中蔬菜类别识别以及售卖过程中存在的问题，并提供一种基于卷积神经网络的蔬菜识别方法与设备。
本发明技术方案的主要构思：根据海量的蔬菜图像数据，在对图像数据进行预处理后，使用深度学习算法，搭建并训练一个卷积神经网络，使得该神经网络能够自动地完成识别蔬菜的任务。其进一步的发明构思是，将训练好的模型放置在安卓系统上，在售卖蔬菜时，用户将蔬菜放置到使用安卓系统的电子秤设备上，通过摄像头拍摄到蔬菜图像后传入训练好的卷积神经网络，得到蔬菜的类别，通过电子秤得到蔬菜的质量，从而直接计算出蔬菜的价格。
本发明所采用的具体技术方案如下：
一种基于卷积神经网络的蔬菜识别方法，其步骤如下：
S1：获取不同类别的蔬菜图像样本，并将其按蔬菜类别进行分类，形成蔬菜图像数据集；
S2：将所述蔬菜图像数据集分成训练集和测试集，将所述训练集和测试集中的蔬菜图像样本转换成TF-Record形式，在转换过程中统一图像大小并对图像进行标准化预处理；
S4：构建用于对蔬菜类别进行识别的卷积神经网络；
S5：将训练集的TF-Record数据作为卷积神经网络的输入，对卷积神经网络进行训练；再将测试集的TF-Record数据作为输入，对训练后的卷积神经网络进行准确率测试，达标后得到训练完好的卷积神经网络；
S6：将待识别的蔬菜图像输入准确率达到目标要求的卷积神经网络中，输出该蔬菜图像中蔬菜所属类别。
作为优选，在S2中，TF-Record数据中包含每个样本的图像以及对应的标签，图像的标准化预处理方法为：
xnow＝x-127
其中xnow为经预处理后图像RGB三通道的像素值，x为原始图像RGB三通道的像素值。
作为优选，在S5的卷积神经网络训练过程中，以交叉熵表示损失函数，并使用随机梯度下降法优化损失函数。
作为优选，在S5的卷积神经网络训练过程中，若网络对于测试集的准确率尚未达到目标要求，则需要不断调整超参数并重新进行训练，直至准确率达到目标要求。
本发明的另一目的在于提供一种基于卷积神经网络的蔬菜识别和计价设备，其包括称重设备，所述称重设备上搭载有摄像头以及和处理模块；
所述的摄像头用于对称重设备的称重台上放置的蔬菜进行拍摄，获取待识别的蔬菜图像；
所述处理模块中搭载有安卓系统，安卓系统嵌入预先经过训练的卷积神经网络，以及每种类别的蔬菜与单价的映射表；
所述摄像头获取的待识别的蔬菜图像，并传入所述处理模块中，由卷积神经网络中对其进行分类识别，输出其蔬菜类别；所述处理模块根据蔬菜类别查询得到其对应的单价，同时获取称重设备的重量数据，计算得到当前称重台上放置的蔬菜的总价，并输出计价数据。
作为优选，所述的预先经过训练的卷积神经网络的训练方法为：
S1：获取不同类别的蔬菜图像样本，并将其按蔬菜类别进行分类，形成蔬菜图像数据集；
S2：将所述蔬菜图像数据集分成训练集和测试集，将所述训练集和测试集中的蔬菜图像样本转换成TF-Record形式，在转换过程中统一图像大小并对图像进行标准化预处理；
S4：构建用于对蔬菜类别进行识别的卷积神经网络；
S5：将训练集的TF-Record数据作为卷积神经网络的输入，对卷积神经网络进行训练；再将测试集的TF-Record数据作为输入，对训练后的卷积神经网络进行准确率测试，达标后得到训练完好的卷积神经网络；
作为优选，所述的卷积神经网络使用TensorFlow Android API置入安卓系统中。
作为优选，所述的称重设备为电子秤。
作为优选，所述处理模块通过安卓系统中调用摄像头的API来调用摄像头，对图像进行拍摄和获取。
作为优选，由摄像头拍摄到的待识别的蔬菜图像，需要经过与卷积神经网络的训练样本相同的预处理后，再输入卷积神经网络中进行分类识别。
本发明具有的有益效果：本发明利用真实的蔬菜图像数据，具有数据量大、类别众多等特点，由此根据蔬菜图像训练出来的卷积神经网络识别准确率高。本发明实现了自动识别蔬菜图像，且具有执行速度快、准确性高、高效率等特点，避免了人工识别工作。将模型放置在安卓端，无需通过联网，避免了网络通信可能出现的问题以及对服务器的要求，能够直接使用嵌入式设备摄像后直接将图像传入模型得到结果，速度快，不受网络环境影响，从而降低售卖蔬菜时人的工作量，并加快售卖速度。
附图说明
图1是安卓端蔬菜识别的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下，均可进行相应组合。
本发明中所谓的蔬菜是指菜市场或者超市中售卖的常见的蔬菜，例如包心菜、菠菜、冬瓜、花菜、荠菜、南瓜、茄子等等。
下面具体说明本发明的基于卷积神经网络的蔬菜识别方法，其实现的步骤如下：
S1：获取不同类别的足量蔬菜图像样本，并将其按蔬菜类别进行分类，形成蔬菜图像数据集；
S2：将所述蔬菜图像数据集分成训练集和测试集，将所述训练集和测试集中的蔬菜图像样本转换成TF-Record形式，在转换过程中统一图像大小并对图像进行标准化预处理；
S4：构建用于对蔬菜类别进行识别的卷积神经网络；
S5：将训练集的TF-Record数据作为卷积神经网络的输入，对卷积神经网络进行训练；再将测试集的TF-Record数据作为输入，对训练后的卷积神经网络进行准确率测试，达标后得到训练完好的卷积神经网络；
S6：将待识别的蔬菜图像输入准确率达到目标要求的卷积神经网络中，输出该蔬菜图像中蔬菜所属类别。
该基于卷积神经网络的蔬菜识别方法可以被搭载至能够安装应用程序的安卓系统电子秤上，然后由电子秤自动进行相应的识别和计价工作。因此，本发明的另一实施例中可以设计一种基于卷积神经网络的蔬菜识别和计价设备，其包括称重设备，一般采用电子秤。在电子秤上搭载有摄像头以及和处理模块；
摄像头安装在电子秤的称重台上方，其拍摄区域朝下，面对称重台，用于对电子秤的称重台上放置的蔬菜进行拍摄，获取待识别的蔬菜图像。在实际使用时，可以由处理模块通过安卓系统中调用摄像头的API来调用摄像头，对图像进行拍摄和获取。
处理模块可以采用搭载有安卓系统的微处理器，前述S5中预先经过训练的卷积神经网络可以使用TensorFlow Android API嵌入安卓系统中供后续调用，另外系统中还需要预先存储每种类别的蔬菜与单价的映射表。该映射表可以根据需要进行随时调整，以适应菜价的变化波动。
摄像头获取的待识别的蔬菜图像，并传入处理模块中，由卷积神经网络中对其进行分类识别，输出其蔬菜类别。而处理模块根据蔬菜类别查询得到其对应的单价，同时获取电子秤的重量数据，即可计算得到当前称重台上放置的蔬菜的总价，并输出计价数据。
需要注意的是，由摄像头拍摄到的待识别的蔬菜图像，需要经过与卷积神经网络的训练样本相同的预处理后，再输入卷积神经网络中进行分类识别。
为了更便于理解，下面结合图1进一步展示利用电子秤对蔬菜进行识别和自动计价的整体流程，包括如下步骤：
步骤(1).数据准备：按照蔬菜图像的类别进行收集数据，每个类别收集足够的数据，并放置在同一文件夹下，文件夹按照类名来命名。
步骤(2).数据分割：根据预先设定好的比率ratio，将蔬菜图像数据集分成训练集和测试集，每个类别进行数据分割时都按照比率ratio进行分割。
步骤(3).数据预处理：将训练集、测试集中的图像统一转换为指定的大小，即：width*height*3，并转化为卷积神经网络可以识别的输入TF-Record形式，包含每个样本的图像以及对应的标签，并根据公式(1)对所有图像进行预处理。
xnow＝x-127 (1)
其中xnow为经预处理后图片RGB三通道的像素值，x为原本图片RGB三通道的像素值。
步骤(4).搭建卷积神经网络：根据输入的图像特征，选择合适的超参数搭建卷积神经网络。
步骤(5).训练网络：使用交叉熵来表示损失函数，损失函数见公式(2)。使用随机梯度下降法来优化损失函数，根据实时输出的训练集准确率以及损失函数的值来判断网络是否收敛，网络收敛后即表示神经网络训练完成。
其中m为样本数量，y_为样本的标签，即对应的真实值，y为神经网络的预测输出值。
步骤(6).计算网络准确率：使用测试集的TF-Record形式，将其输入到训练好的神经网络中，根据测试集中每个样本预测值和真实值是否一致来统计准确率。
步骤(7).调试网络：根据步骤(6)中的准确率，判断网络是否到达预期标准，没有到达标准，则不断重复步骤(4)、(5)、(6)，调整网络的结构和超参数，直到准确率达到预期标准。
步骤(8).将模型放入安卓程序：利用训练好的网络模型checkpoint文件，转换成pb格式的文件，使用TensorFlow提供的安卓端图像分类API，将模型文件改成我们转换好的pb文件，将蔬菜的类别放入txt文件中作为标签文件，修改神经网络的输入节点名字、输出节点名字、输入图像大小、模型文件路径、标签文件路径和我们训练好的神经网络相匹配。
步骤(9).安卓摄像头调用：编码使用安卓API实现调用安卓摄像头并获取图像的程序，将获取到的图像经过和训练时一样的预处理，将图像输入上一步实现好的安卓图像分类API，得到输出为对应的蔬菜类别。
步骤(10).售卖流程：使用装载安卓系统以及摄像头的电子秤设备，部署模型以及程序。售卖蔬菜时，将用户需要购买的蔬菜放置到电子秤上，通过步骤(9)得到蔬菜类别，以及根据该类别查询预置的蔬菜与单价的映射表得到其对应的单价，通过电子秤得到蔬菜质量，相乘后得到总价。总价可以输出显示于电子秤上，或者与标签机打设备连接，进行自动标签打印等。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于卷积神经网络的蔬菜识别方法，其特征在于，步骤如下：
S1：获取不同类别的蔬菜图像样本，并将其按蔬菜类别进行分类，形成蔬菜图像数据集；
S2：将所述蔬菜图像数据集分成训练集和测试集，将所述训练集和测试集中的蔬菜图像样本转换成TF-Record形式，在转换过程中统一图像大小并对图像进行标准化预处理；
S4：构建用于对蔬菜类别进行识别的卷积神经网络；
S5：将训练集的TF-Record数据作为卷积神经网络的输入，对卷积神经网络进行训练；再将测试集的TF-Record数据作为输入，对训练后的卷积神经网络进行准确率测试，达标后得到训练完好的卷积神经网络；
S6：将待识别的蔬菜图像输入准确率达到目标要求的卷积神经网络中，输出该蔬菜图像中蔬菜所属类别。
2.如权利要求1所述的基于卷积神经网络的蔬菜识别方法，其特征在于，S2中，TF-Record数据中包含每个样本的图像以及对应的标签，图像的标准化预处理方法为：
xnow＝x-127
其中xnow为经预处理后图像RGB三通道的像素值，x为原始图像RGB三通道的像素值。
3.如权利要求1所述的基于卷积神经网络的蔬菜识别方法，其特征在于，在S5的卷积神经网络训练过程中，以交叉熵表示损失函数，并使用随机梯度下降法优化损失函数。
4.如权利要求1所述的基于卷积神经网络的蔬菜识别方法，其特征在于，在S5的卷积神经网络训练过程中，若网络对于测试集的准确率尚未达到目标要求，则需要不断调整超参数并重新进行训练，直至准确率达到目标要求。
5.一种基于卷积神经网络的蔬菜识别和计价设备，其特征在于，包括称重设备，所述称重设备上搭载有摄像头以及和处理模块；
所述的摄像头用于对称重设备的称重台上放置的蔬菜进行拍摄，获取待识别的蔬菜图像；
所述处理模块中搭载有安卓系统，安卓系统嵌入预先经过训练的卷积神经网络，以及每种类别的蔬菜与单价的映射表；
所述摄像头获取的待识别的蔬菜图像，并传入所述处理模块中，由卷积神经网络中对其进行分类识别，输出其蔬菜类别；所述处理模块根据蔬菜类别查询得到其对应的单价，同时获取称重设备的重量数据，计算得到当前称重台上放置的蔬菜的总价，并输出计价数据。
6.如权利要求5所述的基于卷积神经网络的蔬菜识别和计价设备，其特征在于，所述的预先经过训练的卷积神经网络的训练方法为：
S1：获取不同类别的蔬菜图像样本，并将其按蔬菜类别进行分类，形成蔬菜图像数据集；
S2：将所述蔬菜图像数据集分成训练集和测试集，将所述训练集和测试集中的蔬菜图像样本转换成TF-Record形式，在转换过程中统一图像大小并对图像进行标准化预处理；
S4：构建用于对蔬菜类别进行识别的卷积神经网络；
S5：将训练集的TF-Record数据作为卷积神经网络的输入，对卷积神经网络进行训练；再将测试集的TF-Record数据作为输入，对训练后的卷积神经网络进行准确率测试，达标后得到训练完好的卷积神经网络。
7.如权利要求5所述的基于卷积神经网络的蔬菜识别和计价设备，其特征在于，所述的卷积神经网络使用TensorFlow Android API置入安卓系统中。
8.如权利要求5所述的基于卷积神经网络的蔬菜识别和计价设备，其特征在于，所述的称重设备为电子秤。
9.如权利要求5所述的基于卷积神经网络的蔬菜识别和计价设备，其特征在于，所述处理模块通过安卓系统中调用摄像头的API来调用摄像头，对图像进行拍摄和获取。
10.如权利要求5所述的基于卷积神经网络的蔬菜识别和计价设备，其特征在于，由摄像头拍摄到的待识别的蔬菜图像，需要经过与卷积神经网络的训练样本相同的预处理后，再输入卷积神经网络中进行分类识别。
CN201910911880.0A 2019-09-25 2019-09-25 基于卷积神经网络的蔬菜识别方法及设备 Pending CN110647941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910911880.0A CN110647941A (zh) 2019-09-25 2019-09-25 基于卷积神经网络的蔬菜识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910911880.0A CN110647941A (zh) 2019-09-25 2019-09-25 基于卷积神经网络的蔬菜识别方法及设备

Publications (1)

Publication Number Publication Date
CN110647941A true CN110647941A (zh) 2020-01-03

Family

ID=68992094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910911880.0A Pending CN110647941A (zh) 2019-09-25 2019-09-25 基于卷积神经网络的蔬菜识别方法及设备

Country Status (1)

Country Link
CN (1) CN110647941A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639928A (zh) * 2020-05-29 2020-09-08 佛山科学技术学院 一种基于卷积神经网络的散装商品计量装置及方法
CN111652283A (zh) * 2020-05-06 2020-09-11 三峡大学 一种蔬果识别方法及结算设备和使用方法
CN111814614A (zh) * 2020-06-28 2020-10-23 袁精侠 智能识物电子秤称重方法及系统
CN112149501A (zh) * 2020-08-19 2020-12-29 北京豆牛网络科技有限公司 具有包装的果蔬的识别方法、识别装置、电子设备以及计算机可读介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844970A (zh) * 2017-11-15 2018-03-27 上海中信信息发展股份有限公司 图像识别方法及追溯秤终端
CN109800795A (zh) * 2018-12-29 2019-05-24 广州市贺氏办公设备有限公司 一种果蔬识别方法及系统
CN109816439A (zh) * 2019-01-14 2019-05-28 珠海格力电器股份有限公司 果蔬智能计价方法、装置、存储介质及设备
CN110175641A (zh) * 2019-05-22 2019-08-27 中国科学院苏州纳米技术与纳米仿生研究所 图像识别方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844970A (zh) * 2017-11-15 2018-03-27 上海中信信息发展股份有限公司 图像识别方法及追溯秤终端
CN109800795A (zh) * 2018-12-29 2019-05-24 广州市贺氏办公设备有限公司 一种果蔬识别方法及系统
CN109816439A (zh) * 2019-01-14 2019-05-28 珠海格力电器股份有限公司 果蔬智能计价方法、装置、存储介质及设备
CN110175641A (zh) * 2019-05-22 2019-08-27 中国科学院苏州纳米技术与纳米仿生研究所 图像识别方法、装置、设备和存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652283A (zh) * 2020-05-06 2020-09-11 三峡大学 一种蔬果识别方法及结算设备和使用方法
CN111639928A (zh) * 2020-05-29 2020-09-08 佛山科学技术学院 一种基于卷积神经网络的散装商品计量装置及方法
CN111639928B (zh) * 2020-05-29 2024-02-20 佛山科学技术学院 一种基于卷积神经网络的散装商品计量装置及方法
CN111814614A (zh) * 2020-06-28 2020-10-23 袁精侠 智能识物电子秤称重方法及系统
CN112149501A (zh) * 2020-08-19 2020-12-29 北京豆牛网络科技有限公司 具有包装的果蔬的识别方法、识别装置、电子设备以及计算机可读介质

Similar Documents

Publication Publication Date Title
CN110647941A (zh) 基于卷积神经网络的蔬菜识别方法及设备
CN110569695A (zh) 基于定损图像判定模型的图像处理方法和装置
EP3518149A1 (en) Feedback loop for image-based recognition
KR102116264B1 (ko) 대표이미지 추천 방법 및 장치, 및 시스템
CN109165645A (zh) 一种图像处理方法、装置以及相关设备
CN107679475B (zh) 门店监控评价方法、装置及存储介质
CN104063686B (zh) 作物叶部病害图像交互式诊断系统与方法
CN110807808A (zh) 一种基于物理引擎和深度全卷积网络的商品识别方法
CN110162657A (zh) 一种基于高层语义特征和颜色特征的图像检索方法及系统
CN110836717A (zh) 一种面向金融服务的果蔬智能识别和计价系统
EP4191471A1 (en) Sequence recognition method and apparatus, image processing device, and storage medium
CN109344738A (zh) 农作物病虫草害识别方法及装置
CN108663105A (zh) 一种称重装置及相应的称重方法
CN108229979A (zh) 基于微信小程序与深度学习技术的西洋参品鉴助手
CN108171208A (zh) 信息获取方法和装置
US20220148051A1 (en) Machine learning based method of recognising flooring type and providing a cost estimate for flooring replacement
CN112052840A (zh) 图片筛选方法、系统、设备及存储介质
CN117037258B (zh) 面部图像的检测方法、装置、存储介质及电子设备
CN109919659A (zh) 广告结算方案的推送方法、装置及计算机设备
CN107907546A (zh) 一种基于智能移动终端的视觉缺陷检测方法与系统
EP4028971A1 (en) Scale and method for the automatic recognition of a product
CN112304411A (zh) 具有物体识别的称重系统和称重方法
CN109033999B (zh) 基于脸部识别的地铁收费平台
CN116912483A (zh) 目标检测方法、电子设备以及存储介质
CN115841353A (zh) 广告投放照片采集及审核方法、装置及终端设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200103

RJ01 Rejection of invention patent application after publication