CN110956212A - 一种基于视觉特征融合的打叶质量检测方法 - Google Patents

一种基于视觉特征融合的打叶质量检测方法 Download PDF

Info

Publication number
CN110956212A
CN110956212A CN201911201922.8A CN201911201922A CN110956212A CN 110956212 A CN110956212 A CN 110956212A CN 201911201922 A CN201911201922 A CN 201911201922A CN 110956212 A CN110956212 A CN 110956212A
Authority
CN
China
Prior art keywords
tobacco
image
quality detection
feature fusion
detection method
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
CN201911201922.8A
Other languages
English (en)
Inventor
贾智伟
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201911201922.8A priority Critical patent/CN110956212A/zh
Publication of CN110956212A publication Critical patent/CN110956212A/zh
Pending legal-status Critical Current

Links

Classifications

    • G06F18/2135
    • G06F18/2411
    • G06N3/045
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Computing arrangements based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/46Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462Salient features, e.g. scale invariant feature transforms [SIFT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/56Extraction of image or video features relating to colour

Abstract

本发明公开了一种基于视觉特征融合的打叶质量检测方法,涉及计算机图像处理领域,基于深度特征和人选特征融合,包括如下步骤:片烟摊薄、片烟图像获取、图像预处理、构造颜色、纹理以及形态的特征向量、采用卷积耦合神经网络获取深度特征、特征融合、片烟结构识别、片烟结构统计、重复上述步骤直至所有烟叶识别完成。本发明基于打叶结果的图像和基于深度特征和人选特征融合的片烟结构分类,将有效降低已有方法带来的的辐射伤害,提高打叶质量检测的准确性。

Description

一种基于视觉特征融合的打叶质量检测方法
技术领域
本发明涉及计算机图像处理领域,尤其涉及一种基于视觉特征融合的打叶质量检测方法。
背景技术
近年来,消费者对卷烟产品质量日益关注,这对打叶复烤提出了更高的质量要求。合理的叶片结构是提高卷烟产品质量的关键,控制大片率、提高中片率、降低叶中含梗率,已经成为了目前卷烟生产对片烟结构的新要求。因此,打叶质量的检测是卷烟生产的一道重要工序。
现有的检测设备多为是人工抽检,人工调整打叶机筐栏尺寸、打辊转速、风选风速以及温度和水分。由于烟叶品种的不同及受流量、水分等的影响,人工控制无法及时地反馈每一台打叶机的工作状态以及各风分器的风分效率,不能及时地调整打叶机的控制参数及风选风机的运转速度等。从现场取样、离线检测、信息获取、生产指导、设备调节等整个环节耗时较长,反馈速度慢,严重制约了整个工艺生产的自动化水平。
现有的打叶质量在线检测方法利用可见光和X射线成像原理,对打叶复烤生产线中的每一个打叶机风分的烟叶进行取样称重,并且对烟叶进行连续成像,通过图像处理和分析,获取当前叶片尺寸、叶中含梗量分布数据,调节打叶机、风分器的控制参数以满足加工工艺要求。
然而这些方法都存在缺陷:
1)X射线存在辐射,对人有伤害,也会对片烟结构造成伤害;
2)所用方法效率不够高,检测精度有限。
因此,本领域的技术人员致力于开发一种基于视觉特征融合的打叶质量检测方法。
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在不对人和片烟造成伤害的前提下,高精度高效率地进行打叶质量的在线检测。
为实现上述目的,本发明提供了一种基于视觉特征融合的打叶质量检测方法,包括以下步骤:
步骤1:片烟摊薄,将打叶后的烟叶进行平摊,确保烟叶重叠率小于阈值;
步骤2:片烟图像获取,对摊薄的烟叶进行实时拍摄,获取对应的片烟图像;
步骤3:图像预处理,对片烟图像进行预处理;
步骤4:构造片烟图像特征向量;
步骤5:构建片烟结构图像样本库;
步骤6:采用卷积耦合神经网络获取深度特征;
步骤7:特征融合,将步骤5和步骤6获得的特征向量进行降维,将降维到合适长度的两组向量进行融合;
步骤8:片烟结构识别,以步骤7获得的融合向量为输入,构建分类器对样本库图像进行分类;
步骤9:片烟结构统计;
步骤10:重复上述步骤直至所有烟叶识别完成。
进一步地,步骤1中阈值设定为2%。
进一步地,步骤2中采用高分辨率相机对摊薄的烟叶进行实时拍摄。
进一步地,步骤3中图像预处理方法包括白平衡、二值化、归一化。
进一步地,步骤4中特征向量包括颜色、纹理、形态。
进一步地,包括烟叶和叶梗的颜色、纹理、形态。
进一步地,提取烟叶、叶梗的颜色特征,采用的方法包括1-3阶颜色矩。
进一步地,提取烟叶、叶梗的纹理特征,采用的方法包括局部二值模式LBP(LocalBinary Pattern)。
进一步地,提取烟叶、叶梗的形态特征,采用的方法包括HALC(Higher-orderLocal Auto-Correlation)。
进一步地,步骤5中,根据片烟的不同结构、烟叶的不同部位、烟叶的不同来源、不同类型片烟结构的平均密度,构建片烟结构图像样本库。
片烟结构上分为叶片、碎末、叶梗等三种结构。
片烟部位上分为上部烟、中部烟和下部烟三种。
另外根据烟叶的理化特性不同,对不同来源地的烟叶进行区分,获得对应的典型图像以及对应的平均密度,构成片烟结构图像样本库。
不同类型片烟结构的平均密度由经验和统计得到。
进一步地,步骤6配置为:构建卷积耦合神经网络,采用已标定的图像数据库为训练样本进行预训练,采用迁移学习方法,以初步训练好的网络参数为初始值,对构建的片烟结构样本图像库进行训练,获得针对该图像库的分类网络,将训练好的CNN(Convolution-coupled neural network)模型输出作为深度特征,并通过全连接层调整输出向量的长度。
构建卷积耦合神经网络,采用的系统包括GoogleNet、Inseption-V3。
进一步地,步骤7中进行降维的方法包括主成分分析法,将降维到合适长度的两组向量进行融合的方法包括串联、并联以及经多层感知机连接。
进一步地,适合图像样本库的特征融合方式可以通过比较优化,融合后的特征向量长度可以调整。
进一步地,步骤8中,以步骤7获得的融合向量为输入,构建分类器对样本库图像进行分类,所构建的分类器包括支持向量机、softmax,分类器参数经由样本库图像训练获得。
进一步地,步骤9中,根据片烟结构的分类结果,计算烟片面积,将其归为大叶、中叶和小叶三类,计算叶梗长度,将其归为长梗和短梗两类,根据对应分类的密度,获得该张图片的片烟结构统计信息。
本发明使用深度特征与传统人选特征融合的方法用于打叶质量在线检测,至少拥有以下三个优势:
1、无损地实现了打叶质量在线检测,所用方法对人和烟叶没有损害。
2、实现特征优势互补,能够同时利用卷积耦合神经网络的高层语义抽象信息以及片烟图像中的丰富颜色、纹理、形状的局部细节特征,弥补单个特征属性的不足。
3、通过深度特征和人工特征的组合提取,能够减少训练所需的卷积耦合神经网络层数,避免过拟合情况发生,同时还减少了网络模型的计算负担,提高了检测精度。
本发明通过获取片烟图像,代替人工对片烟结构进行分类与统计,检测过程避免了对人和烟叶的辐射损害,提高了测量精度和效率。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明检测方法的流程图;
图2是本发明建立和训练分类器模型的流程图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,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。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
如图1所示,一种基于视觉特征融合的打叶质量在线检测方法,包括以下完整步骤:
片烟结构图像数据集采集:将片烟结构图片分成不同类别,包括叶片、碎末、叶梗三种不同片烟结构,上部烟、中部烟和下部烟三种不同部位来源,以及不同4种产地来源烟叶共计36类,每种类型各取100张图片,将图像分别存入带标签名的文件夹中,图片数量总计3600张;
为保证图像采集质量,首先要将片烟摊薄,将打叶后的烟叶进行平摊,确保烟叶重叠率小于阈值。本实施例中,阈值取2%,具有较好的效果;
图像预处理:对获取到的图像进行预处理,去除图像边框区域,删除无用图像,在特征提取之前先随机打乱数据集;
颜色特征提取:在HSV颜色空间下提取图像的三阶颜色矩颜色特征,对图像进行HSV颜色空间转换;而后将整张图片均匀分成25个不重叠的子块;
然后提取每块子块区域的三阶颜色矩,包括:
一阶矩(均值):
二阶矩(方差):
三阶矩(斜度):
这里的Ai,j代表第j个像素的i个颜色分量值,N代表图像中所有像素个数特征;最后串接25个子区域的颜色矩特征成为图像的整体颜色矩特征,特征维数为225(25×9)维。
形状特征提取:在RGB空间转换的灰色图像和HSV颜色空间的H(色调,这是因为S、V通道对关照变化比较敏感)分量中提取图像的高阶局部自相关(HLAC)特征作为图像的形状特征,高阶局部自相关函数定义为:
其中,ai为图像模板范围内的位移向量,r为当前像素点的向量,f为实值函数,在二值图像中表示0或者1,灰度图像中表该像素点的灰度值。选取计算范围w2为3×3区域,并且选择计算阶数为N=0,1,2。那么可以得到35种高阶局部自相关模式,特征维数为1750(35×25×2)维。
纹理特征提取:在RGB颜色空间下提取图像的LBP纹理直方图纹理特征,像素点(xc,yc)的LBP值可以表示为:
其中gc是中心点像素(xc,yc)的灰度值,P表示等间隔分布的邻域点个数,gp对应的是中心点附近像素点的灰度值。图像纹理特征提取是在RGB颜色空间下提取图像的统一局部二进制模式的纹理直方图作为纹理特征,首先将图像均匀分割成为100个不重叠的子块图像,而后分别提取每个子块的纹理直方图,最后按照顺序串联各区域特征形成整张完整图像的纹理特征,总计5900(59×100)维。
提取图像卷积神经网络(CNN)特征:先对图像进行归一化处理;然后将训练集数据作为输入馈送至建立的包含5层卷积层的CNN网络进行训练,训练收敛之后得到模型权重参数,输入新的数据并以此提取深度网络模型中的softmax分类层前的全连接层作为图像的深度特征。
这里所述的CNN模型类似VGG网络,只是模型的卷积层数更少,卷积核个数也较少。都是采用尺寸为3×3的卷积核,2×2的最大池化。输入图像尺寸为400×400,5层卷积层分别包含32、32、32、64、64个卷积核,每层后都做最大池化,最后接两层全连接层,包含的神经元个数分别为256个(在其后加入了0.25的dropout丢失参数)和36个(36种分类)。
CNN特征以及传统特征融合:将前述步骤提取的颜色、形状、纹理的传统特征以及CNN特征进行归一化处理,而后对深度特征和传统特征进行融合获得新特征。融合特征时采用多层感知机网络进行特征融合,目的是为了使得融合的特征之间更好的消除特征之间不同差距的影响。该基于深度的融合步骤如下:
1、分别提取三种传统特征,颜色矩、LBP、HLAC特征,然后将每种特征分别进行归一化,以便后面的特征融合。
2、将训练集的四种类型的特征进行串接,而后使用串接合并的特征建立三层多层感知机网络,在softmax层前的全连接层神经元个数为512个,待模型训练完成之后,分别对训练集、测试集提取神经元个数为512个的全连接层(在该层后加入了0.5比率的dropout参数)作为融合之后的特征提取器。
分类器设计:采用支持向量机为分类器,选取的核函数为sigmoid核函数:K(x,y)=tanh(axT+c)。并求取训练集中所有图像的融合特征对支持向量机进行训练,得到适合于训练样本的分类器。具体流程如图2所示。
10折交叉验证:将样本集各类样本按照9:1比例随机抽取构成训练集和验证集两组,针对训练集,按照上述过程对获得对应的深度网络、融合特征和分类器,并在验证集上测试分类器效果。重复10次上述随机实验,综合评价算法性能,最终确定各阶段的最优参数。
获取摊平后烟叶的图像,进行图像预处理,提取颜色、纹理和形态特征,并将图像送入构建的深度网络中,获得对应的深度特征,然后进行特征融合,将融合后的特征送入分类器中,获得分类结果,根据像素大小区分大叶、中叶和小叶,以及长梗和短梗,获得整张图片的片烟结构统计结果。
重复上述步骤,直至取样烟叶完全测试完成,统计各图结果,获得该次取样的最终统计结果。
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 (9)

1.一种基于视觉特征融合的打叶质量检测方法,其特征在于,包括以下步骤:
步骤1:片烟摊薄,将打叶后的烟叶进行平摊,确保烟叶重叠率小于阈值;
步骤2:片烟图像获取,对摊薄的所述烟叶进行实时拍摄,获取对应的片烟图像;
步骤3:图像预处理,对所述片烟图像进行预处理;
步骤4:构造所述片烟图像特征向量;
步骤5:构建片烟结构图像样本库;
步骤6:采用卷积耦合神经网络获取深度特征;
步骤7:特征融合,将所述步骤5和所述步骤6获得的特征向量进行降维,将降维到合适长度的两组向量进行融合;
步骤8:片烟结构识别,以所述步骤7获得的融合向量为输入,构建分类器对样本库图像进行分类;
步骤9:片烟结构统计;
步骤10:重复上述步骤直至所有烟叶识别完成。
2.如权利要求1所述的基于视觉特征融合的打叶质量检测方法,其特征在于,所述步骤3中图像预处理方法包括白平衡、二值化、归一化。
3.如权利要求1所述的基于视觉特征融合的打叶质量检测方法,其特征在于,所述步骤4中所述特征向量包括颜色、纹理、形态。
4.如权利要求3所述的基于视觉特征融合的打叶质量检测方法,其特征在于,提取烟叶、叶梗的颜色特征,采用的方法包括1-3阶颜色矩。
5.如权利要求3所述的基于视觉特征融合的打叶质量检测方法,其特征在于,提取烟叶、叶梗的纹理特征,采用的方法包括局部二值模式LBP(Local Binary Pattern)。
6.如权利要求3所述的基于视觉特征融合的打叶质量检测方法,其特征在于,提取烟叶、叶梗的形态特征,采用的方法包括高阶局部自相关HALC(Higher-order Local Auto-Correlation)。
7.如权利要求1所述的基于视觉特征融合的打叶质量检测方法,其特征在于,所述步骤5中,根据片烟的不同结构、烟叶的不同部位、烟叶的不同来源、不同类型片烟结构的平均密度,构建片烟结构图像样本库。
8.如权利要求1所述的基于视觉特征融合的打叶质量检测方法,其特征在于,所述步骤6配置为:构建卷积耦合神经网络CNN(Convolution-coupled neural network),采用已标定的图像数据库为训练样本进行预训练,采用迁移学习方法,以初步训练好的网络参数为初始值,对构建的片烟结构样本图像库进行训练,获得针对该图像库的分类网络,将训练好的CNN模型输出作为深度特征,并通过全连接层调整输出向量的长度。
9.如权利要求1所述的基于视觉特征融合的打叶质量检测方法,其特征在于,所述步骤7中进行降维的方法包括主成分分析法,将降维到合适长度的两组向量进行融合的方法包括串联、并联以及经多层感知机连接。
CN201911201922.8A 2019-11-29 2019-11-29 一种基于视觉特征融合的打叶质量检测方法 Pending CN110956212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911201922.8A CN110956212A (zh) 2019-11-29 2019-11-29 一种基于视觉特征融合的打叶质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911201922.8A CN110956212A (zh) 2019-11-29 2019-11-29 一种基于视觉特征融合的打叶质量检测方法

Publications (1)

Publication Number Publication Date
CN110956212A true CN110956212A (zh) 2020-04-03

Family

ID=69979066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911201922.8A Pending CN110956212A (zh) 2019-11-29 2019-11-29 一种基于视觉特征融合的打叶质量检测方法

Country Status (1)

Country Link
CN (1) CN110956212A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815528A (zh) * 2020-06-30 2020-10-23 上海电力大学 基于卷积模型和特征融合的恶劣天气图像分类增强方法
CN112034708A (zh) * 2020-08-26 2020-12-04 贵州和盛食品开发有限公司 一种面条加工附加自调节系统
CN112464942A (zh) * 2020-10-27 2021-03-09 南京理工大学 基于计算机视觉的重叠烟叶智能化分级方法
CN112704259A (zh) * 2020-12-11 2021-04-27 杭州安脉盛智能技术有限公司 一种密集烟叶识别的打叶质量评价方法及系统
CN114299348A (zh) * 2022-02-21 2022-04-08 山东力聚机器人科技股份有限公司 一种基于修复自监督任务的图像分类方法及装置
CN114398974A (zh) * 2022-01-11 2022-04-26 北京智进未来科技有限公司 一种基于多特征描述的茶叶品质审评方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
CN102590211A (zh) * 2011-01-11 2012-07-18 郑州大学 利用光谱和图像特征进行烟叶分级的方法
CN103488141A (zh) * 2013-09-11 2014-01-01 湖南烟叶复烤有限公司郴州复烤厂 一种烟草的打叶复烤参数化加工控制方法
US20170032221A1 (en) * 2015-07-29 2017-02-02 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
CN110349153A (zh) * 2019-07-24 2019-10-18 南京大树智能科技股份有限公司 基于多特征融合的图像法烟草含梗率检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102590211A (zh) * 2011-01-11 2012-07-18 郑州大学 利用光谱和图像特征进行烟叶分级的方法
CN102339385A (zh) * 2011-07-28 2012-02-01 南京焦耳科技有限责任公司 基于组合光透视的叶中含梗及含梗率视觉识别检测方法
CN103488141A (zh) * 2013-09-11 2014-01-01 湖南烟叶复烤有限公司郴州复烤厂 一种烟草的打叶复烤参数化加工控制方法
US20170032221A1 (en) * 2015-07-29 2017-02-02 Htc Corporation Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection
CN110349153A (zh) * 2019-07-24 2019-10-18 南京大树智能科技股份有限公司 基于多特征融合的图像法烟草含梗率检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TING TING GAO.ET AL: ""HLAC-Based Feature Extraction and its Application"", 《ADVANCED MATERIALS RESEARCH》 *
王延江等: "《数字图像处理》", 30 November 2016, 石油大学出版社 *
章春娥等: ""基于对困难样本迁移学习的烤烟分级特征表示"", 《轻工科技》 *
邓超等: "《数字图像处理与模式识别研究》", 30 June 2018, 地质出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815528A (zh) * 2020-06-30 2020-10-23 上海电力大学 基于卷积模型和特征融合的恶劣天气图像分类增强方法
CN112034708A (zh) * 2020-08-26 2020-12-04 贵州和盛食品开发有限公司 一种面条加工附加自调节系统
CN112464942A (zh) * 2020-10-27 2021-03-09 南京理工大学 基于计算机视觉的重叠烟叶智能化分级方法
CN112464942B (zh) * 2020-10-27 2022-09-20 南京理工大学 基于计算机视觉的重叠烟叶智能化分级方法
CN112704259A (zh) * 2020-12-11 2021-04-27 杭州安脉盛智能技术有限公司 一种密集烟叶识别的打叶质量评价方法及系统
CN114398974A (zh) * 2022-01-11 2022-04-26 北京智进未来科技有限公司 一种基于多特征描述的茶叶品质审评方法
CN114299348A (zh) * 2022-02-21 2022-04-08 山东力聚机器人科技股份有限公司 一种基于修复自监督任务的图像分类方法及装置

Similar Documents

Publication Publication Date Title
CN110956212A (zh) 一种基于视觉特征融合的打叶质量检测方法
Setiawan et al. Mammogram classification using law's texture energy measure and neural networks
CN106610969A (zh) 基于多模态信息的视频内容审查系统及方法
CN110479636B (zh) 基于神经网络自动分拣烟叶的方法及装置
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN105303150B (zh) 实现图像处理的方法和系统
CN106874929B (zh) 一种基于深度学习的珍珠分类方法
Rad et al. Classification of rice varieties using optimal color and texture features and BP neural networks
CN110163101B (zh) 中药材种子区别及等级快速判别方法
CN109101891A (zh) 一种融合人工智能的水稻病虫害检测系统及其检测方法
KR20200084940A (ko) Cnn 기반 병해 및 손상 과일 분류 장치 및 방법
CN111178177A (zh) 一种基于卷积神经网络的黄瓜病害识别方法
Raut et al. Assessment of fruit maturity using digital image processing
Pratap et al. Development of Ann based efficient fruit recognition technique
Arefi et al. Recognition of weed seed species by image processing
CN109446985B (zh) 基于矢量神经网络的多角度植物识别方法
CN111914902A (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
Lee et al. Intelligent classification methods of grain kernels using computer vision analysis
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
Ji et al. Apple color automatic grading method based on machine vision
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
Castillo et al. ‘Coffee Type Classification Using Gray Level Co-Occurrence Matrix Feature Extraction and The Artificial Neural Network Classifier
CN111046861A (zh) 识别红外影像是否存在样本设备的方法、构建电力设备识别模型的方法及应用
Beyaz et al. Meta-learning-based prediction of different corn cultivars from color feature extraction
CN111222545A (zh) 基于线性规划增量学习的图像分类方法

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