CN111414971B - 一种基于卷积神经网络的成品茶叶种类及品级识别方法 - Google Patents

一种基于卷积神经网络的成品茶叶种类及品级识别方法 Download PDF

Info

Publication number
CN111414971B
CN111414971B CN202010229404.3A CN202010229404A CN111414971B CN 111414971 B CN111414971 B CN 111414971B CN 202010229404 A CN202010229404 A CN 202010229404A CN 111414971 B CN111414971 B CN 111414971B
Authority
CN
China
Prior art keywords
tea
image
neural network
convolutional neural
finished
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.)
Active
Application number
CN202010229404.3A
Other languages
English (en)
Other versions
CN111414971A (zh
Inventor
杨健楠
张帆
钱甜甜
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.)
Nanjing Moshen Information Technology Co ltd
Nanjing Tech University
Original Assignee
Nanjing Moshen Information Technology Co ltd
Nanjing Tech 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 Nanjing Moshen Information Technology Co ltd, Nanjing Tech University filed Critical Nanjing Moshen Information Technology Co ltd
Priority to CN202010229404.3A priority Critical patent/CN111414971B/zh
Publication of CN111414971A publication Critical patent/CN111414971A/zh
Application granted granted Critical
Publication of CN111414971B publication Critical patent/CN111414971B/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
    • G06F18/21—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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于卷积神经网络的成品茶叶种类及品级识别方法，该方法包括：成品茶叶样本图像采集步骤；成品茶叶样本图像处理步骤；训练成品茶叶的类型品级识别模型和成品茶叶图像识别步骤。本发明的方法可以精确地识别成品茶叶的种类及品级，在45种不同的茶叶种类和品级上进行了测试，识别的平均准确率在90％以上；弥补了目前茶叶市场对于成品茶叶无法有效鉴定的情况，并且识别的准确性较好。

Description

一种基于卷积神经网络的成品茶叶种类及品级识别方法
技术领域
本发明涉及图像处理领域，尤其是茶叶品级鉴定中的图像处理和识别技术，更具体地是一种基于卷积神经网络的成品茶叶种类及品级识别方法。
背景技术
目前，茶叶种类和品级鉴定方法仍以感官审评为主，易受到评茶师经验、生理状态、环境等因素影响，审评结果具有一定的主观性。该方法不适于对茶叶品质的流水线、规模化的批量品质检测。
近几年随着人工智能领域的兴起，深度学习技术的到了飞速发展，基于深度学习技术的图像识别方法被广泛应用于各个领域。目前已有的茶叶识别研究，大多应用于新鲜茶叶和单个茶叶的识别分类上。由于茶叶图像获取方式较为苛刻，必须使用专门的设备进行拍摄，拍摄条件也有所限制，无法应用于茶叶市场。对于成品茶叶识别鉴定的研究相对匮乏，尚没有一套完整的成品茶叶种类和品级识别方法。
发明内容
本发明的目的是针对成品茶叶识别鉴定的问题，提出一种基于卷积神经网络的成品茶叶种类及品级识别方法，通过上传手机拍摄成品茶叶的照片，就可以实现成品茶叶的识别，弥补了成品茶叶无法有效识别鉴定的问题。
本发明的技术方案是：
本发明提供一种基于卷积神经网络的成品茶叶种类及品级识别方法，该方法包括以下步骤：
S1、成品茶叶样本图像采集步骤：选取若干种已知茶叶种类、品级的成品茶叶样本，对于各种类、品级的成品茶叶进行图像采集，将任一样本平铺在纯色背景上，通过手机拍摄获取该样本茶叶的图像n张；
S2、成品茶叶样本图像处理步骤：对任一样本的n张图像分别进行图像分割和数据增强处理，获取该样本茶叶的图像库；
S3、训练成品茶叶的类型品级识别模型：对各种已知茶叶种类、品级的成品茶叶样本分别执行上述操作，获得相应样本的图像库，将各样本茶叶种类、品级标签与对应的图像库输入卷积神经网络模型进行训练；
S4、成品茶叶图像识别步骤：将待识别成品茶叶平铺在纯色背景上，通过手机拍摄获取待识别的成品茶叶图像，输入至成品茶叶的类型品级识别模型，获取茶叶类型品级的识别结果。
进一步地，纯色背景采用A4纸。
进一步地，步骤S1中，手机拍摄时，将茶叶区域在手机屏幕居中，占据屏幕3/4大小。
进一步地，图像分割具体为：将原始图像转化为灰度图像，然后采用高斯滤波对灰度图像进行去噪，对去燥后的灰度图像二值化处理以获得茶叶区域的边界，根据边界对原始图像进行裁剪，获取边界内的最大正方形作为裁剪的茶叶图像；以预设窗口和步长对裁剪的茶叶图像进行分割，获得该茶叶样本分割后的若干张图像数据。
进一步地，窗口尺寸为400*400或者600*600；步长为窗口边长的1/3-2/3，使得分割后的图像部分重叠。
进一步地，数据增强具体为：对分割后的图像数据进行翻转、旋转、缩放、加噪处理和亮度调节中的一种或多种操作。
进一步地，步骤S3中，卷积神经网络模型进行训练具体为：
S3.1、通过卷积神经网络提取茶叶图像特征；
S3.2、然后对茶叶图像特征进行卷积运算降维，卷积运算的卷积核大小为1；通过注意力机制方法对卷积后的茶叶图像特征进行处理得到细化茶叶图像特征；即细化特征是由提取的茶叶图像特征降维之后经由注意力机制获取；
S3.3、将步骤S3.1获取的茶叶图像特征和步骤S3.2获取的细化茶叶图像特征对应相乘进行融合并与茶叶类别相对应；
S3.4、将步骤S3.2获取的细化茶叶图像特征反馈给卷积神经网络进一步学习，以更新卷积神经网络参数；重复步骤S3.1-3.4，直到卷积神经网络的参数趋于稳定，完成训练。
进一步地，卷积神经网络使用google Inception V3，共包含47层网络。
本发明的有益效果：
本发明的方法可以精确地识别成品茶叶的种类及品级，在45种不同的茶叶种类和品级上进行了测试，识别的平均准确率在90％以上；弥补了目前茶叶市场对于成品茶叶无法有效鉴定的情况，并且识别的准确性较好。
本发明的识别方法操作简单，用户仅需将茶叶平铺到A4纸上，使用手机拍摄茶叶图像并上传到服务器即可获得识别结果，无需苛刻的使用条件，也不需要专门的茶叶图像采集设备。
本发明的识别速度较快，用户将图像上传后，仅需等待10S左右，即可获得茶叶的识别结果，不需要漫长的等待。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了本发明的流程示意图。
图2示出了本发明实施例中的原始图像示意图。
图3示出了本发明实施例中的灰度图像示意图。
图4示出了本发明实施例中的二值化图像示意图。
图5示出了本发明实施例中最大正方形裁剪茶叶图像的示意图。
图6示出了本发明实施例中以预设窗口和步长对裁剪茶叶图像进行分割后的图像之一。
图7示出了本发明中卷积神经网络训练过程示意图。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
如图1所示，一种基于卷积神经网络的成品茶叶种类及品级识别方法，该方法包括以下步骤：
S1、成品茶叶样本图像采集步骤：选取若干种已知茶叶种类、品级的成品茶叶样本，对于各种类、品级的成品茶叶进行图像采集，将任一样本平铺在纯色背景上，通过手机拍摄获取该样本茶叶的图像n张；纯色背景采用A4纸；手机拍摄时，将茶叶区域在手机屏幕居中，占据屏幕3/4大小；拍摄避免强光和黑暗的环境，无需刻意营造拍摄环境，日常生活拍摄照片的环境即可；
S2、成品茶叶样本图像处理步骤：对任一样本的n张图像分别进行图像分割和数据增强处理，获取该样本茶叶的图像库；
图像分割具体为：将原始图像转化为灰度图像，然后采用高斯滤波对灰度图像进行去噪，对去燥后的灰度图像二值化处理以获得茶叶区域的边界，根据边界对原始图像进行裁剪，获取边界内的最大正方形作为裁剪的茶叶图像；以预设窗口和步长对裁剪的茶叶图像进行分割，获得该茶叶样本分割后的图像数据；窗口尺寸为400*400或者600*600；步长为窗口边长的1/3-2/3，使得分割后的图像部分重叠。
数据增强具体为：对分割后的图像数据进行翻转、旋转、缩放、加噪处理和亮度调节中的一种或多种操作；翻转采用水平或垂直翻转；旋转以直角旋转图像；缩放以向外或向内缩放图像调整图像大小；加噪处理是采用高斯噪声，适应不同拍摄环境；亮度调节是用于适应不同拍摄环境光照条件；上述数据增强操作一是能够增大样本图像的数量，使训练模型更精确，二是能够增加鲁棒性，以适应不同拍摄环境。
S3、训练成品茶叶的类型品级识别模型：对各种已知茶叶种类、品级的成品茶叶样本分别执行上述操作，获得相应样本的图像库，将各样本茶叶种类、品级标签与对应的图像库输入卷积神经网络模型进行训练；
如图7所示，卷积神经网络模型进行训练具体为：
S3.1、通过卷积神经网络提取茶叶图像特征，卷积神经网络使用googleInception V3，共包含47层网络；
S3.2、然后对茶叶图像特征进行卷积运算降维，卷积运算的卷积核大小为1；通过注意力机制方法对卷积后的茶叶图像特征进行处理得到细化茶叶图像特征；即细化特征是由提取的茶叶图像特征降维之后经由注意力机制获取；
S3.3、将步骤S3.1获取的茶叶图像特征和步骤S3.2获取的细化茶叶图像特征对应相乘进行融合并与茶叶类别相对应；
S3.4、将步骤S3.2获取的细化茶叶图像特征反馈给卷积神经网络进一步学习，以更新卷积神经网络参数；重复步骤S3.1-3.4，直到卷积神经网络的参数趋于稳定，完成训练；趋于稳定是指卷积神经网络的参数基本不变或者变化率低于预设范围。
S4、成品茶叶图像识别步骤：将待识别成品茶叶平铺在纯色背景上，通过手机拍摄获取待识别的成品茶叶图像，输入至成品茶叶的类型品级识别模型，获取茶叶类型品级的识别结果。
本发明的方法可以精确地识别成品茶叶的种类及品级，在45种不同的茶叶种类和品级上进行了测试，识别的平均准确率在90％以上；弥补了目前茶叶市场对于成品茶叶无法有效鉴定的情况，并且识别的准确性较好；用户将图像上传后，仅需等待10S左右，即可获得茶叶的识别结果，不需要漫长的等待。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (8)

1.一种基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，该方法包括以下步骤：
S1、成品茶叶样本图像采集步骤：选取若干种已知茶叶种类、品级的成品茶叶样本，对于各种类、品级的成品茶叶进行图像采集，将任一样本平铺在纯色背景上，通过手机拍摄获取该样本茶叶的图像n张；
S2、成品茶叶样本图像处理步骤：对任一样本的n张图像分别进行图像分割和数据增强处理，获取该样本茶叶的图像库；
S3、训练成品茶叶的类型品级识别模型：对各种已知茶叶种类、品级的成品茶叶样本分别执行S1-S2的操作，获得相应样本的图像库，将各样本茶叶种类、品级标签与对应的图像库输入卷积神经网络模型进行训练；
S4、成品茶叶图像识别步骤：将待识别成品茶叶平铺在纯色背景上，通过手机拍摄获取待识别的成品茶叶图像，输入至成品茶叶的类型品级识别模型，获取茶叶类型品级的识别结果；
步骤S3中，卷积神经网络模型进行训练具体为：
S3.1、通过卷积神经网络提取茶叶图像特征；
S3.2、然后对茶叶图像特征进行卷积运算降维，卷积运算的卷积核大小为1；通过注意力机制方法对卷积后的茶叶图像特征进行处理得到细化茶叶图像特征；
S3.3、将步骤S3.1获取的茶叶图像特征和步骤S3.2获取的细化茶叶图像特征对应相乘进行融合并与茶叶类别相对应；
S3.4、将步骤S3.2获取的细化茶叶图像特征反馈给卷积神经网络进一步学习，以更新卷积神经网络参数；重复步骤S3.1-3.4，直到卷积神经网络的参数趋于稳定，完成训练。
2.根据权利要求1所述的基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，纯色背景采用A4纸。
3.根据权利要求1所述的基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，步骤S1中，手机拍摄时，将茶叶区域在手机屏幕居中，占据屏幕3/4大小。
4.根据权利要求1所述的基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，图像分割具体为：将原始图像转化为灰度图像，然后采用高斯滤波对灰度图像进行去噪，对去燥后的灰度图像二值化处理以获得茶叶区域的边界，根据边界对原始图像进行裁剪，获取边界内的最大正方形作为裁剪的茶叶图像；以预设窗口和步长对裁剪的茶叶图像进行分割，获得该茶叶样本分割后的若干张图像数据。
5.根据权利要求4所述的基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，窗口尺寸为400*400或者600*600。
6.根据权利要求4所述的基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，步长为窗口边长的1/3-2/3，使得分割后的图像部分重叠。
7.根据权利要求1所述的基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，数据增强具体为：对分割后的图像数据进行翻转、旋转、缩放、加噪处理和亮度调节中的一种或多种操作。
8.根据权利要求1所述的基于卷积神经网络的成品茶叶种类及品级识别方法，其特征在于，卷积神经网络使用google Inception V3，共包含47层网络。
CN202010229404.3A 2020-03-27 2020-03-27 一种基于卷积神经网络的成品茶叶种类及品级识别方法 Active CN111414971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010229404.3A CN111414971B (zh) 2020-03-27 2020-03-27 一种基于卷积神经网络的成品茶叶种类及品级识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010229404.3A CN111414971B (zh) 2020-03-27 2020-03-27 一种基于卷积神经网络的成品茶叶种类及品级识别方法

Publications (2)

Publication Number Publication Date
CN111414971A CN111414971A (zh) 2020-07-14
CN111414971B true CN111414971B (zh) 2023-05-02

Family

ID=71494514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010229404.3A Active CN111414971B (zh) 2020-03-27 2020-03-27 一种基于卷积神经网络的成品茶叶种类及品级识别方法

Country Status (1)

Country Link
CN (1) CN111414971B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434646A (zh) * 2020-12-08 2021-03-02 浙江大学 基于迁移学习和计算机视觉技术的成品茶质量鉴别方法
CN112883835B (zh) * 2021-01-29 2022-11-25 中南民族大学 基于计算机视觉的茶叶品质等级确定方法、装置及设备
CN113343886A (zh) * 2021-06-23 2021-09-03 贵州大学 一种基于改进胶囊网络的茶叶识别分级方法
CN113689408A (zh) * 2021-08-25 2021-11-23 东莞市春福润茶叶有限公司 训练神经网络识别茶饼发酵变化度的方法、发酵变化度识别方法、品质识别方法和存储介质
CN113807215B (zh) * 2021-08-31 2022-05-13 贵州大学 一种结合改进注意力机制和知识蒸馏的茶叶嫩芽分级方法
CN114065877B (zh) * 2022-01-13 2022-06-10 易旺(北京)企业管理有限公司 茶田茶叶成熟度识别方法及设备
CN114723745A (zh) * 2022-05-18 2022-07-08 南京工业大学 一种基于双注意力机制的卷积神经网络的中药种类识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633038A (zh) * 2017-09-13 2018-01-26 浙江大学 基于图像识别技术的茶叶识别方法及其系统
CN108416774A (zh) * 2018-03-08 2018-08-17 中山大学 一种基于细粒度神经网络的织物种类识别方法
CN109522924A (zh) * 2018-09-28 2019-03-26 浙江农林大学 一种基于单张照片的阔叶林树种识别方法
CN110555487A (zh) * 2019-09-14 2019-12-10 贵州省茶叶研究所 一种基于卷积神经网络的鲜茶叶识别分类方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633038A (zh) * 2017-09-13 2018-01-26 浙江大学 基于图像识别技术的茶叶识别方法及其系统
CN108416774A (zh) * 2018-03-08 2018-08-17 中山大学 一种基于细粒度神经网络的织物种类识别方法
CN109522924A (zh) * 2018-09-28 2019-03-26 浙江农林大学 一种基于单张照片的阔叶林树种识别方法
CN110555487A (zh) * 2019-09-14 2019-12-10 贵州省茶叶研究所 一种基于卷积神经网络的鲜茶叶识别分类方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Zhu Yanyan,etc.Study on sorting technology of fresh tea leaves based on convolutional neural network model.《2019 14th IEEE International Conference on Electronic Measurement &amp Instruments》.2019,全文. *
罗浩伦等.基于VGG16 网络的茶叶嫩芽自动检测研究.《农业与技术》.2020,全文. *
高震宇等.基于卷积神经网络的鲜茶叶智能分选系统研究.《农业机械学报》.2017,全文. *

Also Published As

Publication number Publication date
CN111414971A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111414971B (zh) 一种基于卷积神经网络的成品茶叶种类及品级识别方法
CN109934802B (zh) 一种基于傅里叶变换和图像形态学的布匹疵点检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN106920229B (zh) 图像模糊区域自动检测方法及系统
CN111311544B (zh) 一种基于深度学习的地板缺陷检测方法
CN115147409B (zh) 基于机器视觉的手机壳生产品质检测方法
CN109615604B (zh) 基于图像重构卷积神经网络的零件外观瑕疵检测方法
CN113554631B (zh) 一种基于改进网络的芯片表面缺陷检测方法
KR20140046394A (ko) 객체 인식에서 피처 생성을 개선시키기 위한 시스템들 및 방법들
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN111783608A (zh) 一种换脸视频检测方法
Septiarini et al. Image processing techniques for tomato segmentation applying k-means clustering and edge detection approach
CN110751004A (zh) 二维码检测方法、装置、设备及存储介质
CN110458027A (zh) 一种基于大理石花纹的生鲜肉分级方法、系统及装置
CN112699901A (zh) 一种基于物联网的植物种类识别系统
JP2011170890A (ja) 顔検出方法および装置並びにプログラム
WO2015132531A1 (fr) Procede d'analyse d'echantillons sedimentaires avec reconnaissance automatique de nannofossiles
CN108154116A (zh) 一种图像识别方法及系统
CN108268904B (zh) 一种图片识别方法、装置及电子设备
CN115861276A (zh) 石墨膜片表面划痕检测方法和装置
CN115033721A (zh) 基于大数据的图像检索方法
CN112800952B (zh) 一种基于改进ssd算法的海洋生物识别方法及系统
CN112115824A (zh) 果蔬检测方法、装置、电子设备以及计算机可读介质

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