CN111402200A - 基于共生双流卷积网络和数字图像的油炸食品检测系统 - Google Patents
基于共生双流卷积网络和数字图像的油炸食品检测系统 Download PDFInfo
- Publication number
- CN111402200A CN111402200A CN202010099575.9A CN202010099575A CN111402200A CN 111402200 A CN111402200 A CN 111402200A CN 202010099575 A CN202010099575 A CN 202010099575A CN 111402200 A CN111402200 A CN 111402200A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- module
- symbiotic
- classification
- 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
Links
- 235000013305 food Nutrition 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims abstract description 11
- 238000010191 image analysis Methods 0.000 claims abstract description 11
- 238000013508 migration Methods 0.000 claims abstract description 10
- 230000005012 migration Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 3
- 238000011496 digital image analysis Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 241000287828 Gallus gallus Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 235000013606 potato chips Nutrition 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于共生双流卷积网络和数字图像的油炸食品检测系统，包括依次连接的图像预处理模块、快速识别模块、分类与定位模块、目标裁剪模块和图像分析模块；图像预处理模块对输入的图像依次进行图像风格化迁移和图像滤波处理获得网络可用的图像张量；快速识别模块内通过共生特征提取网络和识别网络组成的全卷积网络对图像进行快速分类；分类与定位模块是全卷积网络；目标裁剪模块使用最优框到原图裁取目标图像；所述图像分析模块对目标图像进行分析给出量化的分析结果。本发明结合共生双流卷积网络和数字图像分析，能实现快速、精确的油炸食品定位和属性识别。
Description
技术领域
本发明属于计算机视觉和图像处理食品检测领域，尤其是一种结合共生双流卷积网络和数字图像分析技术的油炸食品检测系统。
背景技术
油炸食品是人们日常食用的食品，如油炸薯条、薯片、鸡腿、鸡翅等。无论是中小型餐饮店，还是大型食品生产车间、食堂，目前主要是通过人工对油炸后的食品手工分拣包装；高温环境下，既要保证食品卫生，又要快捷的分拣包装，对于面临日益增长的人工成本的食品生产企业来说带来了极大的挑战，因此研究此类油炸食品自动识别，对实现复杂环境下油炸食品分拣工作自动化具有极大的意义。
针对一般分拣工作自动化属于机器视觉的研究领域，机器视觉(Machine Vision，MV)是一种为自动化检测、过程控制和机器人导航等应用提供基于图像的自动检测和分析的技术和方法，通常用于自动化领域。已有很多成熟的应用，主要工作包括由采用专业光源照明工业相机采集图像，由专业的视觉工程师设计图像处理算法识别图像并给出结果。然而机器视觉由于采用图像的分析滤波的方式，且由人工设计，所以当遇到复杂的目标检测时将面临巨大的挑战。机器视觉目前没有针对油炸食品检测的解决方案。
卷积网络是一种利用卷积提取序列或者空间数据局部或全局模式的网络，其核心部分是所谓的卷积。最早将卷积操作引入神经网络中的工作应该是LeCun在1998年提出的LeNet。但是，此后的10几年，由于计算能力的不足和标准数据的缺乏，卷积网络的效果一直不如浅层的网络。直到2012年，Hinton的学生Alex Krizhevsky利用一个8层的卷积网络，一举夺下著名的ImageNet比赛冠军，才让人们重新关注起神经网络。同时由于人工智能概念的兴起，掀起了一股研究的热潮，卷积神经网络也在目标识别、语义分割、人脸识别等领域相继取得了傲人的成果。卷积神经网络在物体的识别与检测上面也展现了惊人的鲁棒性，即使是对复杂目标，遮挡物体，光照不均的目标仍有很强的识别能力。
但是要把先进的技术发展成果运用到油炸食品的检测领域，仍存在以下难题亟待解决：
(1)现阶段研究的卷积神经网络主要针对彩色图像，而检测多采用工业相机，为灰度图像，信息特征维度的缺失；
(2)检测性能对系统的运行速度有极高的要求，卷积神经网络往往有着上亿的参数，大量的神经元计算量，对系统高计算能力的需求；
(3)众所周知神经网络的训练需要大量的数据，而部分检测系统的应用场景无法提供足量的数据信息如本发明涉及的食品领域检测问题。
发明内容
针对现有技术中的不足，本申请提出了基于共生双流卷积网络和数字图像的油炸食品检测系统，结合了共生双流卷积网络和数字图像分析技术，能够快速的、鲁棒的、精确的给出油炸食品的定位和属性识别，系统具有良好的拓展能力可为油炸食品后续分拣与智能识别提供有力支持。
本发明所采用的技术方案如下：
基于共生双流卷积网络和数字图像的油炸食品检测系统，包括依次连接的图像预处理模块、快速识别模块、分类与定位模块、目标裁剪模块和图像分析模块；所述图像预处理模块对输入的图像依次进行图像风格化迁移和图像滤波处理获得网络可用的图像张量；所述快速识别模块内通过共生特征提取网络和识别网络组成的全卷积网络对图像进行快速分类；所述分类与定位模块是全卷积网络；所述目标裁剪模块使用最优框到原图裁取目标图像；所述图像分析模块对目标图像进行分析给出量化的分析结果。
进一步，所述图像风格化迁移丰富灰度图像色彩信息；所述图像滤波处理具体使用直方图均衡化和均值滤波预处理。
进一步，所述共生特征提取网络的输入为图像张量，共生特征提取网络的输出端一部分连接快速识别网络的输入端，另一部分连接分类与定位模块的输入端。
进一步，所述快速识别网络的输出连接分类与定位模块的输入。
进一步，将快速识别网络输出的特征和共生特征提取网络的另一部分输出的特征拼接在一起作为所述分类与定位模块的输入。
进一步，所述分类与定位模块的全卷积网络采用深度可分离卷积，采用跨步卷积下采样4倍的网络，使用的激活函数为Relu。
本发明的有益效果：
1、采用先进的图像风格化迁移的图像预处理技术，为后续的工作流程增加大量图像资源和丰富的图像特征。
2、采用先进设计的共生双流卷积网络，共享特征网络，两条支路一边分类，一边识别，快速提高的系统的性能与精度；采用稳定的传统图像分析算法，给出多方位全角度的分析；采用训练使用自调节优化函数，函数在优化时能抑制假阳性，自动调整正负样本比例。
3、本发明能够同时结合先进的共生双流卷积网络和数字图像分析技术，能够快速的、鲁棒的、精确的给出油炸食品的定位和属性识别，系统具有良好的拓展能力可为油炸食品后续分拣与智能识别提供有力支持。
附图说明
图1为本发明基于共生双流卷积网络和数字图像的油炸食品检测系统框图；
图2为本发明具体实施方式共生双流卷积网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
基于共生双流卷积网络和数字图像的油炸食品检测系统，包括图像预处理模块、快速识别模块、分类与定位模块、目标裁剪模块和图像分析模块；
所述图像预处理模块对输入的图像依次进行图像风格化迁移和图像滤波处理；所述图像风格化迁移丰富灰度图像色彩信息；所述图像滤波处理具体使用直方图均衡化和均值滤波预处理，处理的图像后转变为网络可用的图像张量。
所述快速识别模块内通过共生特征提取网络和识别网络组成的全卷积网络对图像进行快速分类，如图2所示，首先输入图像张量进入4倍下采样的共生特征提取网络，所述共生特征提取网络提取出输入图像的特征，且共生特征提取网络的输出分出两条支路，一条支路连接快速识别网络的输入，快速识别网络使用快速下采样的全卷积网络算法进行分类判断图像是否包含目标。另一条支路直接连接所述分类与定位模块。
所述分类与定位模块的输入端分别连接共生特征提取网络和快速识别网络的输出，分类与定位模块的两个输入特征的连接方式为：将快速识别网络池化前特征进行8倍上采样，采样方式为双线性插值算法，然后将上采样完的特征与共生特征提取网络特征拼接在一起作为所述分类与定位模块的输入。
且所述分类与定位模块是全卷积网络，所述全卷积网络为深度可分离卷积，采用跨步卷积下采样4倍的网络，使用的激活函数为Relu(增加网络非线性，避免梯度弥散)。所述分类与定位模块输出为大小为S x S x(Bx4+C)的张量，S为输出张量的宽和高，B为每个位置的最大检测数量，C为检测目标存在的置信度(置信度为目标存在的概率)。
所述目标裁剪模块的输入连接分类与定位模块的输出(S x S x(Bx4+C)的张量)，目标裁剪模块先对该张量进行解码，即对该归一化的张量乘上原始图像宽高，得到还原到真实坐标的输出(S x S x(Bx4+C)的张量)。同时，对输出使用非极大值抑制算法，得到最优框。目标裁剪模块使用最优框到原图裁取目标图像。
所述图像分析模块的输入连接目标裁剪模块的输出，使用类似图像像素统计算法、边缘检测算法、纹理分析算法等对目标图像进行分析给出量化的分析结果。
为了更清楚的解释本申请所保护的基于共生双流卷积网络和数字图像的油炸食品检测系统，以下结合本系统的工作流程做详细解释：
由工业相机采集灰度图像；并将灰度图像输入图像预处理模块；在图像预处理模块内首先进行自适应的直方图均衡化，再使用3x3大小的均值滤波进行滤波，随机对图像进行风格化迁移，后减去均值，再除以方差得到归一化后的图像，对图像进行reshape操作转变为张量进入快速识别模块。在本实施例中，风格化迁移使用以VGG16网络为基础；迁移目标为准备好的彩色的目标图像；风格化迁移目的为：为灰度图像随机提供色彩纹理信息，增加数据的多样性，扩展数据集的数量。
快速识别模块进行快速识别操作，首先图像张量进入共生特征提取网络(由修改后的MobileNet前三个阶段得到)输出特征张量，然后特征张量进入快速识别网络，网络使用多尺度扩张卷积，并使用最大池化技术快速下采样，下采样8倍后，采用平均池化再经过FC层得到分类结果，根据分类结果判断是否进入分类与定位模块。
分类与定位模块进行目标分类和定位操作，根据快速识别模块的分类结果，提取两组特征拼接，一组为快速分类网络的平均池化前特征，并上采样8倍，另一组为共生特征提取网络(由修改后的MobileNet前三个阶段得到)提取的特征，拼接特征后进入分类与定位网络，分类与定位网络使用深度可分离卷积，采用跨步卷积下采样4倍后，采用改进的anchor机制输出分类和目标定位框。
目标裁剪模块进行目标裁剪操作，根据分类与定位模块的输出的目标定位框，对这些目标检测框进行非极大值算法抑制删除多余目标框，算法采用置信度阈值为0.5，IOU阈值为0.7，得到最优框，然后根据目标框到原图裁剪目标图像，然后进入图像分析模块。
图像分析模块进行目标数字图像分析操作，接收来自目标裁剪模块的目标图像，首先使用自适应二值化操作，使用二值图像乘上目标图像，滤除背景像素干扰，然后采用求去像素值的平均统计值、Sobel边缘检测统计值、纹理分析方法对裁剪的目标图像给出量化分析结果。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (6)
1.基于共生双流卷积网络和数字图像的油炸食品检测系统，其特征在于，包括依次连接的图像预处理模块、快速识别模块、分类与定位模块、目标裁剪模块和图像分析模块；所述图像预处理模块对输入的图像依次进行图像风格化迁移和图像滤波处理获得网络可用的图像张量；所述快速识别模块内通过共生特征提取网络和识别网络组成的全卷积网络对图像进行快速分类；所述分类与定位模块是全卷积网络；所述目标裁剪模块使用最优框到原图裁取目标图像；所述图像分析模块对目标图像进行分析给出量化的分析结果。
2.根据权利要求1所述的基于共生双流卷积网络和数字图像的油炸食品检测系统，其特征在于，所述图像风格化迁移丰富灰度图像色彩信息；所述图像滤波处理具体使用直方图均衡化和均值滤波预处理。
3.根据权利要求1所述的基于共生双流卷积网络和数字图像的油炸食品检测系统，其特征在于，所述共生特征提取网络的输入为图像张量，共生特征提取网络的输出端一部分连接快速识别网络的输入端，另一部分连接分类与定位模块的输入端。
4.根据权利要求3所述的基于共生双流卷积网络和数字图像的油炸食品检测系统，其特征在于，所述快速识别网络的输出连接分类与定位模块的输入。
5.根据权利要求4所述的基于共生双流卷积网络和数字图像的油炸食品检测系统，其特征在于，将快速识别网络输出的特征和共生特征提取网络的另一部分输出的特征拼接在一起作为所述分类与定位模块的输入。
6.根据权利要求1、2、3、4或5所述的基于共生双流卷积网络和数字图像的油炸食品检测系统，其特征在于，所述分类与定位模块的全卷积网络采用深度可分离卷积，采用跨步卷积下采样4倍的网络，使用的激活函数为Relu。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099575.9A CN111402200B (zh) | 2020-02-18 | 2020-02-18 | 基于共生双流卷积网络和数字图像的油炸食品检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099575.9A CN111402200B (zh) | 2020-02-18 | 2020-02-18 | 基于共生双流卷积网络和数字图像的油炸食品检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111402200A true CN111402200A (zh) | 2020-07-10 |
| CN111402200B CN111402200B (zh) | 2021-12-21 |
Family
ID=71430360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010099575.9A Active CN111402200B (zh) | 2020-02-18 | 2020-02-18 | 基于共生双流卷积网络和数字图像的油炸食品检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402200B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067761A (zh) * | 2020-09-02 | 2020-12-11 | 江苏经贸职业技术学院 | 食品检测集成系统及其方法 |
| CN114047736A (zh) * | 2022-01-12 | 2022-02-15 | 江苏狼王机械科技有限公司 | 一种成型裹粉油炸速冻智能制造系统及方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995034212A1 (en) * | 1994-06-10 | 1995-12-21 | United Biscuits (Uk) Limited | Improvements in and relating to the production of food products |
| JP2001178283A (ja) * | 1999-12-22 | 2001-07-03 | Kimiko Shima | 樹木の伐採方法に関して残された切り株の切断方法及び根と毛根周辺での自然（生物共生と食物連鎖）作用を保全させる為の手段に関する。 |
| US20110224245A1 (en) * | 2008-09-04 | 2011-09-15 | President And Fellows Of Harvard College | Treatment Of Neurological Disorders Using Huperzine |
| CN106469314A (zh) * | 2016-08-31 | 2017-03-01 | 深圳市唯特视科技有限公司 | 一种基于时空共生双流网络的视频图像分类方法 |
| CN106683031A (zh) * | 2016-12-30 | 2017-05-17 | 深圳大学 | 一种数字图像隐写分析特征提取方法及提取系统 |
| CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
| CN107578057A (zh) * | 2017-07-14 | 2018-01-12 | 北京纵目安驰智能科技有限公司 | 基于迁移学习缓解车道线检测的树影类问题的方法及系统 |
| CN107679573A (zh) * | 2017-09-30 | 2018-02-09 | 深圳市锐曼智能装备有限公司 | 智慧货柜的物品识别系统及其方法 |
| CN108154192A (zh) * | 2018-01-12 | 2018-06-12 | 西安电子科技大学 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
| CN108778634A (zh) * | 2015-12-16 | 2018-11-09 | Mbl有限公司 | 包括机器人、存放装置及其容器的机器人厨房 |
| CN109558808A (zh) * | 2018-11-09 | 2019-04-02 | 同济大学 | 一种基于深度学习的路边沿检测方法 |
| US20190251349A1 (en) * | 2014-03-12 | 2019-08-15 | Gary L. Duerksen | System and method for object classification and sorting |
| CN110175622A (zh) * | 2019-04-04 | 2019-08-27 | 华中科技大学 | 基于共生关系的卷积神经网络的车辆部件识别方法和系统 |
| CN110175596A (zh) * | 2019-06-04 | 2019-08-27 | 重庆邮电大学 | 基于双流卷积神经网络的虚拟学习环境微表情识别与交互方法 |
| CN110610754A (zh) * | 2019-08-16 | 2019-12-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种沉浸式可穿戴诊断与治疗装置 |
| US20190394350A1 (en) * | 2018-06-25 | 2019-12-26 | Adobe Inc. | Video-based document scanning |
-
2020
- 2020-02-18 CN CN202010099575.9A patent/CN111402200B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1995034212A1 (en) * | 1994-06-10 | 1995-12-21 | United Biscuits (Uk) Limited | Improvements in and relating to the production of food products |
| JP2001178283A (ja) * | 1999-12-22 | 2001-07-03 | Kimiko Shima | 樹木の伐採方法に関して残された切り株の切断方法及び根と毛根周辺での自然（生物共生と食物連鎖）作用を保全させる為の手段に関する。 |
| US20110224245A1 (en) * | 2008-09-04 | 2011-09-15 | President And Fellows Of Harvard College | Treatment Of Neurological Disorders Using Huperzine |
| US20190251349A1 (en) * | 2014-03-12 | 2019-08-15 | Gary L. Duerksen | System and method for object classification and sorting |
| CN108778634A (zh) * | 2015-12-16 | 2018-11-09 | Mbl有限公司 | 包括机器人、存放装置及其容器的机器人厨房 |
| CN106469314A (zh) * | 2016-08-31 | 2017-03-01 | 深圳市唯特视科技有限公司 | 一种基于时空共生双流网络的视频图像分类方法 |
| CN106683031A (zh) * | 2016-12-30 | 2017-05-17 | 深圳大学 | 一种数字图像隐写分析特征提取方法及提取系统 |
| CN106971174A (zh) * | 2017-04-24 | 2017-07-21 | 华南理工大学 | 一种cnn模型、cnn训练方法以及基于cnn的静脉识别方法 |
| CN107578057A (zh) * | 2017-07-14 | 2018-01-12 | 北京纵目安驰智能科技有限公司 | 基于迁移学习缓解车道线检测的树影类问题的方法及系统 |
| CN107679573A (zh) * | 2017-09-30 | 2018-02-09 | 深圳市锐曼智能装备有限公司 | 智慧货柜的物品识别系统及其方法 |
| CN108154192A (zh) * | 2018-01-12 | 2018-06-12 | 西安电子科技大学 | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 |
| US20190394350A1 (en) * | 2018-06-25 | 2019-12-26 | Adobe Inc. | Video-based document scanning |
| CN109558808A (zh) * | 2018-11-09 | 2019-04-02 | 同济大学 | 一种基于深度学习的路边沿检测方法 |
| CN110175622A (zh) * | 2019-04-04 | 2019-08-27 | 华中科技大学 | 基于共生关系的卷积神经网络的车辆部件识别方法和系统 |
| CN110175596A (zh) * | 2019-06-04 | 2019-08-27 | 重庆邮电大学 | 基于双流卷积神经网络的虚拟学习环境微表情识别与交互方法 |
| CN110610754A (zh) * | 2019-08-16 | 2019-12-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种沉浸式可穿戴诊断与治疗装置 |
Non-Patent Citations (2)
| Title |
|---|
| JOSÉ E.F.ALFAYA等: "Malacobdella arrokeana: Parasite or Commensal of the Giant Clam Panopea abbreviata?", 《ZOOLOGICAL SCIENCE》 * |
| 温坤哲等: "深度卷积神经网络在图像美学评价的应用综述", 《计算机工程与应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112067761A (zh) * | 2020-09-02 | 2020-12-11 | 江苏经贸职业技术学院 | 食品检测集成系统及其方法 |
| CN114047736A (zh) * | 2022-01-12 | 2022-02-15 | 江苏狼王机械科技有限公司 | 一种成型裹粉油炸速冻智能制造系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111402200B (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Raja et al. | Color object detection based image retrieval using ROI segmentation with multi-feature method | |
| CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
| CN108647648A (zh) | 一种基于卷积神经网络的可见光条件下的舰船识别系统及方法 | |
| CN111832443B (zh) | 一种施工违规行为检测模型的构建方法及其应用 | |
| CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
| CN111402200B (zh) | 基于共生双流卷积网络和数字图像的油炸食品检测系统 | |
| CN111260630A (zh) | 一种改进的轻量化的小目标检测方法 | |
| CN110009622B (zh) | 一种显示面板外观缺陷检测网络及其缺陷检测方法 | |
| CN113516126A (zh) | 一种基于注意力特征融合的自适应阈值场景文本检测方法 | |
| CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
| CN111126401A (zh) | 一种基于上下文信息的车牌字符识别方法 | |
| CN112669313A (zh) | 一种金属表面缺陷定位及分类方法 | |
| CN117422696A (zh) | 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 | |
| KR101822963B1 (ko) | 이진 영상을 이용한 결함 탐지장치 및 방법 | |
| CN116030050A (zh) | 基于无人机与深度学习的风机表面缺陷在线检测分割方法 | |
| CN116524320A (zh) | 目标检测和语义分割的多任务目标检测模型 | |
| Liu et al. | SSD small object detection algorithm based on feature enhancement and sample selection | |
| CN112906707B (zh) | 一种表面缺陷图像的语义分割方法、装置及计算机设备 | |
| CN115690001A (zh) | 一种用于检测钢管焊接数字射线图像中缺陷的方法 | |
| CN111767939B (zh) | 一种水下声呐系统目标提取方法 | |
| CN115775226A (zh) | 基于Transformer的医学图像分类方法 | |
| CN113435542A (zh) | 一种基于深度学习的煤矸实时检测方法 | |
| Razavi et al. | Plant classification using group of features | |
| Murthi et al. | A semi-automated system for smart harvesting of tea leaves |
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 |