CN111160438A - 一种采用一维卷积神经网络的声学垃圾分类方法 - Google Patents
一种采用一维卷积神经网络的声学垃圾分类方法 Download PDFInfo
- Publication number
- CN111160438A CN111160438A CN201911347540.6A CN201911347540A CN111160438A CN 111160438 A CN111160438 A CN 111160438A CN 201911347540 A CN201911347540 A CN 201911347540A CN 111160438 A CN111160438 A CN 111160438A
- Authority
- CN
- China
- Prior art keywords
- garbage
- sound
- neural network
- convolutional neural
- dimensional convolutional
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
- G01N29/42—Detecting the response signal, e.g. electronic circuits specially adapted therefor by frequency filtering or by tuning to resonant frequency
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4436—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a reference signal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R1/00—Details of transducers, loudspeakers or microphones
- H04R1/08—Mouthpieces; Microphones; Attachments therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Circuit For Audible Band Transducer (AREA)
Abstract
本发明公开了一种采用一维卷积神经网络的声学垃圾分类方法。采集垃圾掉落产生的声音信号;声音信号预处理;采集不同种类垃圾的声音信号并预处理搭建垃圾分类的声音数据库,建立并训练一维卷积神经网络模型;获取待分类垃圾的声,输入训练后的一维卷积神经网络进行垃圾分类并输出分类结果。本发明的垃圾分类方法有助于辅助人们进行准确地垃圾分类,从而提高垃圾分类回收的准确率,具有很高的实用和推广价值。
Description
技术领域
本发明涉及垃圾分类方法,具体地讲,尤其是涉及了一种采用一维卷积神经网络的声学垃圾分类方法。
背景技术
由于人口、城市化和经济的快速发展,城市固体垃圾的数量在急剧增加,这给城市固体垃圾管理带来了巨大的挑战。城市固体垃圾管理包括垃圾的产生、源头分离、储存、收集、运输和处理等。垃圾源头分离是至关重要的一步,因为分类的质量将直接导致这些垃圾后续被如何处理。当前,大多数自动分类技术主要用于垃圾处理厂的批量、大规模分类处理。有效的垃圾源头分离技术仍然是缺乏的。
目前,垃圾的源头分离主要依靠人们的意识和具有的垃圾分类知识,这就需要花费大量的时间和金钱在教育和监督上。在许多发展中国家,让人们在短时间内形成垃圾分类的习惯是不现实的。因此,开发一种垃圾源头分离技术在人们的日常生活中帮助他们进行垃圾分类迫在眉睫。图像识别技术已经被广泛的运用在垃圾分类中。然而每一种垃圾可以有各种各样的表现形式,如不同的颜色、形状、变形、与其他物质的混合等。这给图像分类模型训练准备足够的、无偏倚的数据集带来了很大的挑战。物体的声音与它的图像不同,声音与材料属性高度相关,使用声音对垃圾进行分类是一个很好的选择。
如今,涉及声音分类的方法主要有两种。一种方法是人工提取声音数据特征,使用浅层分类器进行分类。这种方法过程繁琐,分类准确率低。另一种方法是将一维的声音数据转换为二维图像,使用二维卷积神经网络进行分类。这种方法计算复杂,导致实时性差。因此,基于一维卷积神经网络的声学垃圾分类方法将快速、有效、实时地对垃圾进行分类,提高垃圾回收率,摆脱垃圾围城困境。
发明内容
本发明的目的在于提供一种采用一维卷积神经网络的声学垃圾分类方法,利用声音进行垃圾的识别和分类,主要解决垃圾源头分离过程中人为垃圾分类困难的问题,从而实现高准确率的垃圾源头分类。
如图1所示,本发明采用的技术方案如下:
(A)采集垃圾掉落产生的声音信号;
(B)声音信号预处理;
(C)采集不同种类垃圾的声音信号并预处理搭建垃圾分类的声音数据库,建立并训练一维卷积神经网络模型;
(D)获取待分类垃圾的声,输入训练后的一维卷积神经网络进行垃圾分类并输出分类结果。
本发明基于声音进行深度学习处理进而实现垃圾分类的方法有助于准确地垃圾分类,从而提高垃圾分类回收的准确率,具有很高的实用和推广价值。
所述步骤(A)中,垃圾掉落产生的声音是将垃圾自由落体撞击到一块板上产生的,产生的撞击声被一个单通道麦克风记录;采样频率为44100Hz;每种垃圾重复上述过程多次获得多段声音信号。
所述步骤(B)中,预处理为:每段声音信号只截取120ms有效时长,120ms 时长的声音信号以每段声音信号的峰值为起点向后120ms为终点,,这样使得这段声音信号覆盖整个撞击过程,并能去除声音信号中的冗余信息。
所述步骤(C)中,一维卷积神经网络模型主要包括输入层、卷积层、池化层、全连接层和输出层;网络模型训练时,输入层为已标注垃圾类型的预处理后的声音信号;卷积层对上一层的输出数据进行卷积运算、提取特征,采用ReLU 激活函数以增强卷积神经网络的非线性性能,接着经过最大池化层进行特征降维、减少网络参数数量和过拟合,最后通过全连接层、输出层进行分类并输出分类结果。
所述步骤(C)中,一维卷积神经网络模型训练过程中,不同的超参数的选择将影响网络的分类性能;本发明主要考虑三个超参数:网络深度、卷积核大小和学习率;考虑到训练时间、计算复杂度和计算机配置问题,每个参数只选取五个经验值;采用正交实验法获得三个参数值的最优组合,使得一维卷积神经网络模型的分类性能最优。
本发明具有以下有益效果:
(1)本发明创造性地使用声音数据进行垃圾分类,声音与材料属性高度相关,声音信号可以揭示垃圾的固有特性,如弹性和内摩擦。弹性影响产生声音的频率。内摩擦决定了产生的声音如何随着时间衰减,并为垃圾分类提供了形状不同的声学特征。同时,使用声音进行垃圾分类大大减少了训练模型的数据集。
(2)本发明在一维卷积神经网络训练过程中,采用正交实验法研究不同超参数对一维卷积神经网络分类性能的影响,最终确定最优的超参数组合,从而使网络模型获得最优分类性能。
(3)本发明通过一维卷积神经网络进行垃圾分类,一维卷积神经网络适用于处理一维信号,能够直接从原始数据中提取到最优特征,避免了人工提取特征的繁琐性、次优性以及二维卷积神经网络分类的计算复杂性,最大限度地提高了分类准确度。同时,一维卷积神经网络适合于可移动、低功耗、低内存设备上的实时应用。
附图说明
图1为本发明的方法流程图;
图2为基于声音信号的垃圾分类卷积神经网络模型图。
图3为本发明的一维卷积神经网络的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
本发明的具体实施例及其实施情况如下:
具体实施的一维卷积神经网络模型选择TensorFlow 1.9作为深度学习框架,所有的算法用python 3.6编写,所有程序在一台带有GTX1050Ti显卡、第8代 Intel Core i5处理器和512GB SSD的笔记本电脑上执行。
如图2所示,基于声音采集装置,准备各类垃圾材料,然后进行垃圾声音的采集与标注,对这些数据进行预处理,设计一种简单高效的网络结构来分析声音数据。卷积网络中包含了大量参数,采用正交实验法,搜索最优的参数组合;在正交实验过程中,网络深度分别取1、2、3、4、5,卷积核大小分别取3、 5、7、9、11,学习率分别取1e-5、5e-5、1e-4、5e-4、1e-3,依据六因素五水平的正交设计表进行25次实验,最终获得最优的参数组合为:网络深度取5,卷积核大小取9,学习率取5e-4。
如图3所示,实施例的一维卷积神经网络模型主要包括输入层、五个卷积层、五个池化层、全连接层和输出层。一维声音信号被输入到一维卷积神经网络的输入层。在输入信号和对应的卷积核之间进行卷积运算,生成输入特征映射。然后通过激活函数传递输入特征映射,生成卷积层的输出特征映射。在卷积层之后,通常采用池化层,不仅可通过降低从卷积层提取的特征维数来减少计算成本,而且对特征提供了基本的平移不变性。
实施例的一维卷积神经网络模型的具体设计为:定义卷积层1-5,卷积核个数分别为8,16,24,32和40,核大小为9×9,步幅strides为1,边界填充 padding为SAME,激活函数选用ReLU函数;定义最大池化层1-5,卷积核个数分别为8,16,24,32和40,核大小为9×9,步幅strides为2;最后定义全连接层和输出层,并使用softmax函数进行分类,并输出所属类别的标签0-n。
训练及评估模型。训练过程主要分为前向传播和反向传播两个阶段。前向传播就是搭建了模型的计算过程,建立了输入与输出的映射关系;反向传播就是使用梯度下降法训练模型参数,实现损失函数最小。获得最终模型后,使用声音数据库中的测试集对模型分类效果进行评估。
(D)获取待分类垃圾的声音,输入训练后的一维卷积神经网络进行垃圾分类并输出分类结果。
以上所述仅为本发明的优先实施方式,本发明并不限定于上述实施方式,只要以基本相同手段实现本发明目的的技术方案都属于本发明的保护范围之内。
Claims (4)
1.一种采用一维卷积神经网络的声学垃圾分类方法,其特征在于:方法包括以下步骤:
(A)采集垃圾掉落产生的声音信号;
(B)声音信号预处理;
(C)采集不同种类垃圾的声音信号并预处理搭建垃圾分类的声音数据库,建立并训练一维卷积神经网络模型;
(D)获取待分类垃圾的声,输入训练后的一维卷积神经网络进行垃圾分类并输出分类结果。
2.根据权利要求书1所述的一种采用一维卷积神经网络的声学垃圾分类方法,其特征在于:所述步骤(A)中,垃圾掉落产生的声音是将垃圾自由落体撞击到一块板上产生的,产生的撞击声被一个单通道麦克风记录;采样频率为44100Hz;每种垃圾重复上述过程多次获得多段声音信号。
3.根据权利要求书1所述的一种采用一维卷积神经网络的声学垃圾分类方法,其特征在于:所述步骤(B)中,预处理为:每段声音信号只截取120ms有效时长,120ms时长的声音信号以每段声音信号的峰值为起点向后120ms为终点。
4.根据权利要求书1所述的一种采用一维卷积神经网络的声学垃圾分类方法,其特征在于:所述步骤(C)中,一维卷积神经网络模型主要包括输入层、卷积层、池化层、全连接层和输出层;网络模型训练时,输入层为已标注垃圾类型的预处理后的声音信号;卷积层对上一层的输出数据进行卷积运算、提取特征,采用ReLU激活函数以增强卷积神经网络的非线性性能,接着经过最大池化层进行特征降维、减少网络参数数量和过拟合,最后通过全连接层、输出层进行分类并输出分类结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347540.6A CN111160438A (zh) | 2019-12-24 | 2019-12-24 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
PCT/CN2020/129658 WO2021129236A1 (zh) | 2019-12-24 | 2020-11-18 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
US17/640,340 US11835489B2 (en) | 2019-12-24 | 2020-11-18 | Acoustic garbage classification method using one-dimensional convolutional neural network (1D-CNN) |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347540.6A CN111160438A (zh) | 2019-12-24 | 2019-12-24 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160438A true CN111160438A (zh) | 2020-05-15 |
Family
ID=70558143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347540.6A Pending CN111160438A (zh) | 2019-12-24 | 2019-12-24 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11835489B2 (zh) |
CN (1) | CN111160438A (zh) |
WO (1) | WO2021129236A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129236A1 (zh) * | 2019-12-24 | 2021-07-01 | 浙江大学 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
WO2021244988A1 (en) | 2020-05-31 | 2021-12-09 | Recircula Solutions S.L. | A method for classifying waste |
CN114324580A (zh) * | 2021-12-03 | 2022-04-12 | 西安交通大学 | 一种结构缺陷的智能敲击检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101391693A (zh) * | 2008-10-14 | 2009-03-25 | 清华大学 | 自动分类的垃圾桶 |
CN107416387A (zh) * | 2017-07-19 | 2017-12-01 | 浙江联运环境工程股份有限公司 | 智能分类垃圾箱 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109606991A (zh) * | 2019-01-11 | 2019-04-12 | 郑州大学 | 智能垃圾桶及基于深度学习的垃圾分类方法 |
CN110070888A (zh) * | 2019-05-07 | 2019-07-30 | 颐保医疗科技(上海)有限公司 | 一种基于卷积神经网络的帕金森语音识别方法 |
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1405706A1 (en) * | 2002-10-02 | 2004-04-07 | Nippon Steel Chemical Co., Ltd. | Method of recycling waste plastic |
KR20190071387A (ko) * | 2017-12-14 | 2019-06-24 | 안성준 | 재활용 쓰레기 자동 분류 장치 및 방법 |
CN111160438A (zh) * | 2019-12-24 | 2020-05-15 | 浙江大学 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
CN110937280B (zh) * | 2019-12-24 | 2021-11-16 | 浙江大学 | 一种基于视听结合的智能垃圾分类回收方法和终端 |
-
2019
- 2019-12-24 CN CN201911347540.6A patent/CN111160438A/zh active Pending
-
2020
- 2020-11-18 WO PCT/CN2020/129658 patent/WO2021129236A1/zh active Application Filing
- 2020-11-18 US US17/640,340 patent/US11835489B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101391693A (zh) * | 2008-10-14 | 2009-03-25 | 清华大学 | 自动分类的垃圾桶 |
CN107416387A (zh) * | 2017-07-19 | 2017-12-01 | 浙江联运环境工程股份有限公司 | 智能分类垃圾箱 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109606991A (zh) * | 2019-01-11 | 2019-04-12 | 郑州大学 | 智能垃圾桶及基于深度学习的垃圾分类方法 |
CN110070888A (zh) * | 2019-05-07 | 2019-07-30 | 颐保医疗科技(上海)有限公司 | 一种基于卷积神经网络的帕金森语音识别方法 |
CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
Non-Patent Citations (3)
Title |
---|
刘强等: "基于倒谱与BP网络的船舶生活垃圾分类方法研究", 《南通航运职业技术学院学报》 * |
曲建岭等: "基于一维卷积神经网络的滚动轴承自适应故障诊断算法", 《仪器仪表学报》 * |
李东东等: "基于一维卷积神经网络和Soft-Max分类器的风电机组行星齿轮箱故障检测", 《电机与控制应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021129236A1 (zh) * | 2019-12-24 | 2021-07-01 | 浙江大学 | 一种采用一维卷积神经网络的声学垃圾分类方法 |
US11835489B2 (en) | 2019-12-24 | 2023-12-05 | Zhejiang University | Acoustic garbage classification method using one-dimensional convolutional neural network (1D-CNN) |
WO2021244988A1 (en) | 2020-05-31 | 2021-12-09 | Recircula Solutions S.L. | A method for classifying waste |
CN114324580A (zh) * | 2021-12-03 | 2022-04-12 | 西安交通大学 | 一种结构缺陷的智能敲击检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11835489B2 (en) | 2023-12-05 |
WO2021129236A1 (zh) | 2021-07-01 |
US20220349861A1 (en) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
WO2021129236A1 (zh) | 一种采用一维卷积神经网络的声学垃圾分类方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
Halkias et al. | Classification of mysticete sounds using machine learning techniques | |
CN112541529A (zh) | 表情与姿态融合的双模态教学评价方法、设备及存储介质 | |
Mac Aodha et al. | Putting the scientist in the loop--Accelerating scientific progress with interactive machine learning | |
CN109086794B (zh) | 一种基于t-lda主题模型的驾驶行为模式识方法 | |
CN114387499A (zh) | 一种海岛滨海湿地水鸟识别方法、分布查询系统及介质 | |
CN104504406A (zh) | 一种快速高效的近似重复图像匹配方法 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN103336830B (zh) | 基于结构语义直方图的图像检索方法 | |
Hao et al. | Research on underwater object detection based on improved YOLOv4 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
Zhao et al. | Skip-YOLO: Domestic garbage detection using deep learning method in complex multi-scenes | |
Francis et al. | Live detection of text in the natural environment using convolutional neural network | |
Khekare et al. | Real time object detection with speech recognition using tensorflow lite | |
CN115357220A (zh) | 一种面向工业app开发的群智化需求获取方法 | |
Kailash et al. | Deep learning based detection of mobility aids using yolov5 | |
Hu et al. | Application research of automatic garbage sorting based on TensorFlow and OpenCV | |
Chang et al. | Research on classification and recognition method of plant leaves based on deep learning | |
Rashida et al. | Implementation of faster region-based convolutional neural network for waste type classification | |
Meena Deshpande | License plate detection and recognition using yolo v4 | |
Li et al. | MCFF: Plant leaf detection based on multi-scale CNN feature fusion | |
Jiang | Deformable convolutional neural network for fine-grained image recognition | |
Pradhan et al. | DETECTION AND RECOGNITION OF TEXTS FEATURES FROM A TOPOGRAPHIC MAP USING DEEP LEARNING. |
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: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |