CN111079784A - 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法 - Google Patents

基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法 Download PDF

Info

Publication number
CN111079784A
CN111079784A CN201911094874.7A CN201911094874A CN111079784A CN 111079784 A CN111079784 A CN 111079784A CN 201911094874 A CN201911094874 A CN 201911094874A CN 111079784 A CN111079784 A CN 111079784A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
layer
flue
stage
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.)
Granted
Application number
CN201911094874.7A
Other languages
English (en)
Other versions
CN111079784B (zh
Inventor
杨懿德
路晓崇
杨洋
张保全
李峥
李林秋
鄢敏
崔庆伟
张涛
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.)
SICHUAN TOBACCO Corp YIBIN BRANCH
Henan Agricultural University
Original Assignee
SICHUAN TOBACCO Corp YIBIN BRANCH
Henan Agricultural 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 SICHUAN TOBACCO Corp YIBIN BRANCH, Henan Agricultural University filed Critical SICHUAN TOBACCO Corp YIBIN BRANCH
Priority to CN201911094874.7A priority Critical patent/CN111079784B/zh
Publication of CN111079784A publication Critical patent/CN111079784A/zh
Application granted granted Critical
Publication of CN111079784B publication Critical patent/CN111079784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其步骤为：首先，采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将目标图像样本分为十类样本图像；其次，基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；然后，对十类样本图像进行标号，并输入构建好的卷积神经网络进行训练得到卷积神经网络模型；最后，利用卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。本发明不仅能够准确有效地对不同烘烤阶段的烤烟进行分类，自适应能力强；且分类速度快，符合当前生产过程中，人眼观察的习惯，具有很好的应用前景。

Description

基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法
技术领域
本发明涉及烤烟烘烤技术领域，特别是指一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法。
背景技术
烤烟的烘烤在国内拥有悠久的历史，烘烤设备由最初的土建烤房演变成了多种类的密集烤房，装烟方式由挂竿烘烤发展成为烟夹烘烤、散叶烘烤以及大箱烘烤等多样化装烟方式；烘烤工艺方面同样有着非常明显的发展，然而数十年来烘烤工艺的发展均是基于三段式烘烤工艺的发展，而烘烤工艺的实施离不开烘烤人员的烘烤经验，由于中国烤烟的种植区域广泛，烘烤人员的经验差别较大，且烤烟工作强度大，人员的情绪变化无常，使得烤烟状态的判断错误率较高。
随着近年来，图像识别技术的不断发展，诸多行业均有不同程度的应用，尤其卷积神经网络的广泛应用极大地推动了人工智能的发展，卷积神经网络（CNN）是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。而当前卷积神经网络在烤烟生产中的应用还处于初级阶段，通过采集烤烟烘烤过程中不同烘烤阶段的烤烟图像，建立神经网络训练模型，从而对不同烘烤阶段的烤烟外观形态进行分类。
发明内容
针对上述背景技术中存在的不足，本发明提出了一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，解决了烤烟烘烤过程中对烤烟烘烤状态判断准确率低的技术问题。
本发明的技术方案是这样实现的：
一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其步骤如下：
S1、采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将目标图像样本分为十类样本图像；
S2、基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；
S3、对步骤S1中的十类样本图像进行标号，然后将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型；
S4、利用步骤S3得到的卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。
所述步骤S1中十类样本图像分别为预热阶段前期、预热阶段后期、变黄阶段前期、变黄阶段后期、凋萎阶段前期、凋萎阶段后期、定色阶段前期、定色阶段后期、干筋阶段前期和干筋阶段后期的图像。
所述步骤S3中将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型的方法为：
S31、对样本图像进行归一化处理，得到大小为M*M的图像样本，随机选择图像样本的80%作为训练样本，其余作为测试样本；
S32、设置训练次数为T，将图像样本分为X组，每组图像的个数为N；
S33、利用buffer函数对每组图像进行乱序处理，并采用RELU函数激活卷积神经网络；
S34、将每组图像依次输入卷积神经网络进行训练，得到卷积神经网络模型，并对得到的卷积神经网络模型进行优化；
S35、将测试样本输入优化后的卷积神经网络模型中，通过softmax分类器输出图像所属类别，完成对卷积神经网络模型的验证。
所述卷积神经网络模型中卷积层、池化层、全连接层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层VI-池化层III-卷积层VII-卷积层VIII-池化层IV-卷积层IX-卷积层X-池化层V-全连接层I-全连接层II-输出层。
所述卷积神经网络卷积层卷积核的大小为3*3，所述卷积神经网络的前4个池化层采用最大池化方式，最后1个池化层采用平均池化方式。
所述通过卷积层I和卷积层II输出的特征图像数量均为64，通过卷积层III和卷积层IV输出的特征图像数量均为128，通过卷积层V和卷积层VI输出的特征图像数量均为256，通过卷积层VII和卷积层VIII输出的特征图像数量均为512，通过卷积层IX和卷积层X输出的特征图像数量均为1024；通过全连接层I输出的特征图像数量为1024，通过全连接层II输出的特征图像数量为256，通过输出层输出的图像类别为10。
所述步骤S34中采用反向传播算法不断优化交叉熵损失函数优化神经网络模型。
所述步骤S35中的softmax分类器是采用softmax函数将K维向量中每个元素转化为（0,1）的范围，且所有元素的和为1。
本技术方案能产生的有益效果：
1）本发明采用五次卷积进行训练，且每次卷积均包括两层卷积层和一层池化层，有效地提高了结果正确率；
2）本发明通过随机选取训练样本、乱序输入网络、分小组训练及反向传播的方式能够减小误差，有效地提高了网络性能和识别正确率；
3）本发明依据烤烟烘烤中各烘烤阶段的烤烟外观形态对烘烤的烘烤阶段进行识别，不仅能够准确有效地对不同烘烤阶段的烤烟进行分类，且自适应能力强；
4）本发明分类速度快，符合当前生产过程中，人眼观察的习惯，具有很好的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图；
图2为本发明采用的卷积神经网络的内部结构图；
图3为本发明的训练样本与验证样本准确率的变化曲线图；
图4为本发明的训练样本与验证样本损失值的变化曲线图。
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付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所示，本发明实施例提供了一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，具体步骤如下：
S1、采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将图像样本分为十类样本图像。目标图像样本的准备：利用人工将目标图像样本进行分类得到十类样本，将分类好的样本放置在单独文件夹中以各类汉语拼音首字母进行命名，同时将各文件夹中的图片以汉语拼音首字母+序号的方式进行命名，所述十类样本图像分别为预热阶段前期、预热阶段后期、变黄阶段前期、变黄阶段后期、凋萎阶段前期、凋萎阶段后期、定色阶段前期、定色阶段后期、干筋阶段前期和干筋阶段后期的图像。
S2、基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；如图2所示，所述卷积神经网络模型中卷积层、池化层、全连接层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层VI-池化层III-卷积层VII-卷积层VIII-池化层IV-卷积层IX-卷积层X-池化层V-全连接层I-全连接层II-输出层。所述通过卷积层I和卷积层II输出的特征图像数量均为64，通过卷积层III和卷积层IV输出的特征图像数量均为128，通过卷积层V和卷积层VI输出的特征图像数量均为256，通过卷积层VII和卷积层VIII输出的特征图像数量均为512，通过卷积层IX和卷积层X输出的特征图像数量均为1024；通过全连接层I输出的特征图像数量为1024，通过全连接层II输出的特征图像数量为256，通过输出层输出的图像类别为10。所述卷积神经网络卷积层卷积核的大小为3*3，所述卷积神经网络的前4个池化层采用最大池化方式，最后1个池化层采用平均池化方式。
S3、对步骤S1中的十类样本图像进行标号，然后将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型；具体方法为：
S31、对样本图像进行归一化处理，得到大小为M*M的图像样本，随机选择图像样本的80%作为训练样本，其余作为测试样本；其中，M=256。
S32、设置训练次数为T=30，为提高网络的训练速率，将图像进行分组处理，将图像样本分为X组，每组图像的个数为N=40；
S33、为提高网络训练的准确率，将所述目标图像输入所述网络前，利用buffer函数对每组图像进行乱序处理，并采用RELU函数激活卷积神经网络；
S34、将每组图像依次输入卷积神经网络进行训练，得到卷积神经网络模型；为了优化神经网络模型，减少模型损失，采用反向传播算法不断优化交叉熵损失函数对神经网络模型进行优化；
S35、将测试样本输入优化后的卷积神经网络模型中，通过softmax分类器输出图像所属类别，完成对卷积神经网络模型的验证。其中，softmax分类器是采用softmax函数将K维向量中每个元素转化为（0,1）的范围，且所有元素的和为1。
S4、利用步骤S3得到的卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。
对训练样本与测试样本进行预测并输出，由图3、图4可知采用卷积神经对烤烟的烘烤阶段进行识别，训练样本与测试样本的正确率均达到了93%以上，错误率均达到了13%以下，从而表明，采用本发明的方法进行烤烟烘烤过程中烘烤阶段的识别，具有准确率高和效率高的特点。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (8)

1.一种基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，其步骤如下：
S1、采集不同烘烤阶段整夹烤烟图像作为目标图像样本，并将目标图像样本分为十类样本图像；
S2、基于Tensorflow环境构建包括10个卷积层、5个池化层、2个全连接层和1个输出层的卷积神经网络；
S3、对步骤S1中的十类样本图像进行标号，然后将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型；
S4、利用步骤S3得到的卷积神经网络模型对待检测的整夹烤烟图像进行判断，输出整夹烤烟图像的类别，完成烘烤过程中烤烟烘烤阶段的识别。
2.根据权利要求1所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述步骤S1中十类样本图像分别为预热阶段前期、预热阶段后期、变黄阶段前期、变黄阶段后期、凋萎阶段前期、凋萎阶段后期、定色阶段前期、定色阶段后期、干筋阶段前期和干筋阶段后期的图像。
3.根据权利要求1所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述步骤S3中将这十类样本图像输入构建好的卷积神经网络进行训练得到卷积神经网络模型的方法为：
S31、对样本图像进行归一化处理，得到大小为M*M的图像样本，随机选择图像样本的80%作为训练样本，其余作为测试样本；
S32、设置训练次数为T，将图像样本分为X组，每组图像的个数为N；
S33、利用buffer函数对每组图像进行乱序处理，并采用RELU函数激活卷积神经网络；
S34、将每组图像依次输入卷积神经网络进行训练，得到卷积神经网络模型，并对得到的卷积神经网络模型进行优化；
S35、将测试样本输入优化后的卷积神经网络模型中，通过softmax分类器输出图像所属类别，完成对卷积神经网络模型的验证。
4.根据权利要求1或3所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述卷积神经网络模型中卷积层、池化层、全连接层和输出层之间的连接关系为：卷积层I-卷积层II-池化层I-卷积层III-卷积层IV-池化层II-卷积层V-卷积层VI-池化层III-卷积层VII-卷积层VIII-池化层IV-卷积层IX-卷积层X-池化层V-全连接层I-全连接层II-输出层。
5.根据权利要求4所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述卷积神经网络卷积层卷积核的大小为3*3，所述卷积神经网络的前4个池化层采用最大池化方式，最后1个池化层采用平均池化方式。
6.根据权利要求4所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述通过卷积层I和卷积层II输出的特征图像数量均为64，通过卷积层III和卷积层IV输出的特征图像数量均为128，通过卷积层V和卷积层VI输出的特征图像数量均为256，通过卷积层VII和卷积层VIII输出的特征图像数量均为512，通过卷积层IX和卷积层X输出的特征图像数量均为1024；通过全连接层I输出的特征图像数量为1024，通过全连接层II输出的特征图像数量为256，通过输出层输出的图像类别为10。
7.根据权利要求3所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述步骤S34中采用反向传播算法不断优化交叉熵损失函数优化神经网络模型。
8.根据权利要求3所述的基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法，其特征在于，所述步骤S35中的softmax分类器是采用softmax函数将K维向量中每个元素转化为（0,1）的范围，且所有元素的和为1。
CN201911094874.7A 2019-11-11 2019-11-11 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法 Active CN111079784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911094874.7A CN111079784B (zh) 2019-11-11 2019-11-11 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911094874.7A CN111079784B (zh) 2019-11-11 2019-11-11 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法

Publications (2)

Publication Number Publication Date
CN111079784A true CN111079784A (zh) 2020-04-28
CN111079784B CN111079784B (zh) 2023-06-02

Family

ID=70310836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911094874.7A Active CN111079784B (zh) 2019-11-11 2019-11-11 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法

Country Status (1)

Country Link
CN (1) CN111079784B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818827A (zh) * 2021-01-28 2021-05-18 贵州省烟草科学研究院 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法
CN113080500A (zh) * 2021-04-01 2021-07-09 深圳九章聚源人工智能科技有限公司 一种基于神经网络的烟叶烘烤方法、系统及其相关组件
CN113919443A (zh) * 2021-02-24 2022-01-11 北京优创新港科技股份有限公司 一种基于图像分析烟叶成熟度状态概率计算方法
CN114397297A (zh) * 2022-01-19 2022-04-26 河南中烟工业有限责任公司 一种烤烟淀粉含量的快速无损检测方法
CN115211578A (zh) * 2022-07-12 2022-10-21 河南讯飞人工智能科技有限公司 烘烤控制方法、装置、烘烤设备和存储介质
CN116988309A (zh) * 2023-08-01 2023-11-03 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108931220A (zh) * 2017-05-26 2018-12-04 红塔烟草(集团)有限责任公司 一种烤烟品种的识别装置及其使用方法
CN109117897A (zh) * 2018-08-09 2019-01-01 百度在线网络技术（北京）有限公司 基于卷积神经网络的图像处理方法、装置及可读存储介质
US20190294928A1 (en) * 2018-03-21 2019-09-26 Megvii (Beijing) Technology Co., Ltd. Image processing method and apparatus, and computer-readable storage medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108931220A (zh) * 2017-05-26 2018-12-04 红塔烟草(集团)有限责任公司 一种烤烟品种的识别装置及其使用方法
US20190294928A1 (en) * 2018-03-21 2019-09-26 Megvii (Beijing) Technology Co., Ltd. Image processing method and apparatus, and computer-readable storage medium
CN109117897A (zh) * 2018-08-09 2019-01-01 百度在线网络技术（北京）有限公司 基于卷积神经网络的图像处理方法、装置及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴海丽: "基于卷积神经网络的图像大数据识别", 《山西大同大学学报(自然科学版)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818827A (zh) * 2021-01-28 2021-05-18 贵州省烟草科学研究院 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法
CN112818827B (zh) * 2021-01-28 2024-03-08 贵州省烟草科学研究院 基于图像识别的烟叶烘烤过程中阶段控温点的判断方法
CN113919443A (zh) * 2021-02-24 2022-01-11 北京优创新港科技股份有限公司 一种基于图像分析烟叶成熟度状态概率计算方法
CN113919443B (zh) * 2021-02-24 2022-04-12 北京优创新港科技股份有限公司 一种基于图像分析烟叶成熟度状态概率计算方法
CN113080500A (zh) * 2021-04-01 2021-07-09 深圳九章聚源人工智能科技有限公司 一种基于神经网络的烟叶烘烤方法、系统及其相关组件
CN114397297A (zh) * 2022-01-19 2022-04-26 河南中烟工业有限责任公司 一种烤烟淀粉含量的快速无损检测方法
CN114397297B (zh) * 2022-01-19 2024-01-23 河南中烟工业有限责任公司 一种烤烟淀粉含量的快速无损检测方法
CN115211578A (zh) * 2022-07-12 2022-10-21 河南讯飞人工智能科技有限公司 烘烤控制方法、装置、烘烤设备和存储介质
CN115211578B (zh) * 2022-07-12 2023-09-26 河南讯飞人工智能科技有限公司 烘烤控制方法、装置、烘烤设备和存储介质
CN116988309A (zh) * 2023-08-01 2023-11-03 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法
CN116988309B (zh) * 2023-08-01 2024-03-05 杭州帝凯工业布有限公司 一种防静电阻燃尼龙帘子布及其制备方法

Also Published As

Publication number Publication date
CN111079784B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN111079784B (zh) 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法
CN108491765B (zh) 一种蔬菜图像的分类识别方法及系统
CN109685115B (zh) 一种双线性特征融合的细粒度概念模型及学习方法
CN108664924B (zh) 一种基于卷积神经网络的多标签物体识别方法
CN110084610B (zh) 一种基于孪生神经网络的网络交易欺诈检测系统
CN110598598A (zh) 基于有限样本集的双流卷积神经网络人体行为识别方法
CN109840560B (zh) 基于胶囊网络中融入聚类的图像分类方法
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
Jiang et al. Target recognition based on CNN with LeakyReLU and PReLU activation functions
CN107862275A (zh) 人体行为识别模型及其构建方法和人体行为识别方法
CN109272107A (zh) 一种改进深层卷积神经网络的参数个数的方法
CN114943345B (zh) 基于主动学习和模型压缩的联邦学习全局模型训练方法
CN108985617B (zh) 一种基于智能制造的产品生产流程调度方法及系统
CN109740481B (zh) 基于跳跃连接的cnn与lstm结合的房颤信号分类系统
CN110569780A (zh) 一种基于深度迁移学习的高精度人脸识别方法
CN112819063B (zh) 一种基于改进的Focal损失函数的图像识别方法
CN113011487B (zh) 一种基于联合学习与知识迁移的开放集图像分类方法
CN108427971A (zh) 基于移动终端的烟叶评级的方法及系统
CN114022469A (zh) 一种烟支外观缺陷图像分类方法及系统
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN106503047A (zh) 一种基于卷积神经网络的图像爬虫优化方法
CN109583519A (zh) 一种基于p-Laplacian图卷积神经网络的半监督分类方法
CN113935398B (zh) 一种物联网环境下基于小样本学习的网络流量分类方法及系统
CN110830291A (zh) 一种基于元路径的异质信息网络的节点分类方法
CN109919235A (zh) 一种基于人工干预样本集权重的深度学习图像分类模型训练方法

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
GR01 Patent grant
GR01 Patent grant