CN111582395A - 一种基于卷积神经网络的产品质量分类系统 - Google Patents

一种基于卷积神经网络的产品质量分类系统 Download PDF

Info

Publication number
CN111582395A
CN111582395A CN202010402893.8A CN202010402893A CN111582395A CN 111582395 A CN111582395 A CN 111582395A CN 202010402893 A CN202010402893 A CN 202010402893A CN 111582395 A CN111582395 A CN 111582395A
Authority
CN
China
Prior art keywords
classification
model
wifi
neural network
product quality
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
CN202010402893.8A
Other languages
English (en)
Other versions
CN111582395B (zh
Inventor
查明来
张晓雪
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.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of 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 Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202010402893.8A priority Critical patent/CN111582395B/zh
Publication of CN111582395A publication Critical patent/CN111582395A/zh
Application granted granted Critical
Publication of CN111582395B publication Critical patent/CN111582395B/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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

一种基于卷积神经网络的产品质量分类系统。步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；步骤3，将步骤2的识别结果通过WIFI发送给控制柜；步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。本发明采用WIFI进行数据的传输，克服了传统有线传输的在工业现场布线的局限性；同时结合现有卷积神经网络框架，并将其应用于实际工业中。

Description

一种基于卷积神经网络的产品质量分类系统
技术领域
本发明涉及工业智能生产与制造领域，特别是涉及一种基于卷积神经网络的产品质量分类系统。
背景技术
近年来，我国及世界的科技、工业水平得到的大力的发展与提升，国家也不断的提及智能制造、工业4.0等热点词。智能制造将人的思想赋予制造业，旨在控制制造系统获取知识求解能力，通过在实践中不断的充实知识库，同时还增强自身的学习能力，对获取的数据或知识进行分析判断并规划自身的行为。
智能制造不断的渗入实际工业中，这为提高工业生产效率提供了一些解决办法。在实际工业生产线上，不可避免的存在这样一个问题：同一批次的产品有着不同质量等级，如果全部归为同一类别容易造成一系列问题，面对大批量的生产，手工分类明显是不现实的，因此，有必要利用智能化的产品质量分类系统解决上述问题。
针对不同产品质量的分类，其核心涉及到图像的分类识别，深度学习神经网络具有强大的表征能力和自适应学习能力，能够很好的处理复杂结构和大样本高维数据，被广泛应用于计算机视觉、自然语言处理的人脸识别等领域，大量的网络模型被国内外学者陆续提出，诸如深度信念网络(DBN)、卷积神经网络(CNN)、堆栈降噪自编码(SDAE)、长短时记忆网络(LSTM)、循环神经网络(RNN)。其中的CNN是仿造生物的视知觉机制构建的，是一种具有深度结构的前馈神经网络，在图像分类识别中具有很好的效果，但是如何以CNN为核心构建一个分类系统，同时支持在线升级优化是当前的一个亟待解决的问题。
国内涉及CNN方法在工业生产中应用的专利有“一种基于深度卷积神经网络的工业机械臂视觉控制方法”(201710021710.6)，利用深度卷积神经网络提取不同姿态的目标物体理想抓取位置，但是该专利中所提方法并不支持模型的在线修正，这在长时间的工业应用中容易造成精度下降。国家发明专利“一种以深度卷积神经网络为基础的零件分拣系统”(201820186110.5)，该方法利用CNN对物体进行分类识别，并在工业机器人的依托下完成分拣操作，但是该方法中同样没有给出模型诊断出错的时应对的解决方案。
发明内容
为解决上述问题，本发明在CNN，MYSQL数据库和WIFI数据传输的基础上，提出了一种基于卷积神经网络的产品质量分类系统，首先对CNN模型进行预训练，同时将实际工业产品的分类信息发送至MYSQL数据库中，这不仅有效提高产品质量分类效率和产品信息的跟踪，同时实现了模型在线升级优化，真正的实现智能化。为达此目的，本发明提供一种基于卷积神经网络的产品质量分类系统，具体步骤如下，其特征在于：
步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；
步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；
步骤3，将步骤2的识别结果通过WIFI发送给控制柜；
步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；
步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。
进一步，步骤2中CNN网络模型训练的步骤为：
步骤2.1，将摄像机拍摄的产品实物图输入到CNN中，首先输入到卷积层中，卷积具有非线性激活的过程描述如下：
Figure BDA0002490176560000021
式中，
Figure BDA0002490176560000022
为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本发明选用RULE函数，
Figure BDA0002490176560000023
为n层第l个卷积核的权重系数，
Figure BDA0002490176560000024
为n-1层第m个特征输出，
Figure BDA0002490176560000025
是偏置项。
步骤2.2，将步骤2.1获得的结果输入到池化层，本发明选用Max pooling池化，其保留输入的局部最大值，Max pooling转换描述如下：
Figure BDA0002490176560000026
式中，
Figure BDA0002490176560000027
为池化层的输出特征向量，
Figure BDA0002490176560000028
为第l-1卷积层的输出特征向量，l为卷积区域的长度。
步骤2.3，重复两次步骤2.1和2.2，而后将最终的结果输入到全连接层，此时采用Softmax逻辑回归实现对卷积层和池化层提取的特征向量的识别和分类，Softmax回归的输出定义如下：
Figure BDA0002490176560000029
式中，t为类别数，θi(1≤i≤t)为分类层参数。
步骤2.4，利用步骤2.3的输出与原始数据的标签进行整个CNN网络的损失函数的计算，本发明采用交叉熵损失函数，其表达式如下：
Figure BDA0002490176560000031
式中，t为样本数，y(i)为实际样本标签，
Figure BDA0002490176560000032
为模型判别的标签。
步骤2.5，利用随机梯度下降(SGD)优化算法对交叉熵损失函数进行优化，并将结果进行反向传播，实现网络参数的更新；
步骤2.6，重复以上步骤，直至CNN模型达到收敛，此时认为模型训练完成。
进一步，步骤4中控制策略为：
分类盘可自动旋转，且可以根据生产线的需要进行定制，如某一产品的质量等级有优良中差四个等级，那么分类盘的应包含四个分类格，当控制柜收到上位机CNN模型判断的结果后，会给出分类盘需旋转的角度，当分类盘完成旋转动作后再利用分类盘上的伸缩杆推出产品。
进一步，步骤5中模型优化升级策略为：
将错分的产品对应的照片作为训练集，并确定相对应的标签，在已训练好的模型基础上对模型进行重新训练，整个训练过程与步骤2.1-2.6保持一致，最终实现模型的优化升级，增强模型的泛化性和分类识别的准确率。
本发明一种基于卷积神经网络的产品质量分类系统，有益效果：本发明的技术效果在于：
1.本发明结合现有卷积神经网络框架，并将其应用于实际工业中，提高了产品质量分类的准确性和效率，同时通过WIFI进行数据的传输，克服了传统有线传输的在工业现场布线的局限性；
2.本发明建立了数据管理模块，利用MYSQL数据库对每次的产品质量的分类信息进行存储和跟踪，在为模型优化升级提供支撑的同时确保产品信号具有可查询性；
3.本发明利用MYSQL数据进行上位机CNN分类识别模型的优化升级，在增强模型泛化性的同时提高分类识别的准确率。
附图说明
图1为本发明的流程图；
图2为本发明采用的CNN模型网络结构图；
图3为整个系统不同模块间的信息交互规则图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种基于卷积神经网络的产品质量分类系统，旨在实现工业流水线上产品质量等级高效的分类，同时实现分类模型在线优化升级。
图1为本发明的流程图。下面结合流程图对本发明的步骤作详细介绍。
步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；
步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；
步骤2中CNN网络模型训练的步骤为：
步骤2.1，将摄像机拍摄的产品实物图输入到CNN中，首先输入到卷积层中，卷积具有非线性激活的过程描述如下：
Figure BDA0002490176560000041
式中，
Figure BDA0002490176560000042
为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本发明选用RULE函数，
Figure BDA0002490176560000043
为n层第l个卷积核的权重系数，
Figure BDA0002490176560000044
为n-1层第m个特征输出，
Figure BDA0002490176560000045
是偏置项。
步骤2.2，将步骤2.1获得的结果输入到池化层，本发明选用Max pooling池化，其保留输入的局部最大值，Max pooling转换描述如下：
Figure BDA0002490176560000046
式中，
Figure BDA0002490176560000047
为池化层的输出特征向量，
Figure BDA0002490176560000048
为第l-1卷积层的输出特征向量，l为卷积区域的长度。
步骤2.3，重复两次步骤2.1和2.2，而后将最终的结果输入到全连接层，此时采用Softmax逻辑回归实现对卷积层和池化层提取的特征向量的识别和分类，Softmax回归的输出定义如下：
Figure BDA0002490176560000049
式中，t为类别数，θi(1≤i≤t)为分类层参数。
步骤2.4，利用步骤2.3的输出与原始数据的标签进行整个CNN网络的损失函数的计算，本发明采用交叉熵损失函数，其表达式如下：
Figure BDA00024901765600000410
式中，t为样本数，y(i)为实际样本标签，
Figure BDA00024901765600000411
为模型判别的标签。
步骤2.5，利用随机梯度下降(SGD)优化算法对交叉熵损失函数进行优化，并将结果进行反向传播，实现网络参数的更新；
步骤2.6，重复以上步骤，直至CNN模型达到收敛，此时认为模型训练完成。
步骤3，将步骤2的识别结果通过WIFI发送给控制柜；
步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；
步骤4中控制策略具体描述如下：
分类盘可自动旋转，且可以根据生产线的需要进行定制，如某一产品的质量等级有优良中差四个等级，那么分类盘的应包含四个分类格，当控制柜收到上位机CNN模型判断的结果后，会给出分类盘需旋转的角度，当分类盘完成旋转动作后再利用分类盘上的伸缩杆推出产品。
步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。
步骤5中模型优化升级策略具体描述如下：
将错分的产品对应的照片作为训练集，并确定相对应的标签，在已训练好的模型基础上对模型进行重新训练，整个训练过程与步骤2.1-2.6保持一致，最终实现模型的优化升级，增强模型的泛化性和分类识别的准确率。
图2为本发明采用的CNN模型网络结构图。可以看出，CNN包含三层卷积层和三层池化层，在卷积层和池化层对特征提取结束后，利用两层全连接层实现所提特征的降维，最后结合Softmax层实现对样本的分类。
图3为整个系统不同模块间的信息交互示意图。此示意图中以四种产品质量等级(优良中差)为例，示意图中的步骤1，2，3，4和5即为本发明中的相应步骤。可以清楚的看出，整个产品质量等级分类系统以高清摄像机作为图像采集模块，以WIFI作为信息传播的载体，在上位机程序中预训练CNN模型并利用训练好的模型对实际工业现场采集到的产品图像进行分类识别，并将识别结果传输至控制台，最后由控制台控制生产线上的分类盘完成产品等级的分类。另外，还增加了数据库功能，不仅实现了产品信息的跟踪，同时也为模型的在线升级提供了数据支撑。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (4)

1.一种基于卷积神经网络的产品质量分类系统，具体步骤如下，其特征在于：
步骤1，高清摄像机采集工业生产线上产品照片，并通过WIFI上传至上位机；
步骤2，上位机利用预训练好的模型对步骤1中的照片进行产品质量分类识别，并将相关的识别信息通过WIFI上传至MYSQL数据库进行存储；
步骤3，将步骤2的识别结果通过WIFI发送给控制柜；
步骤4，控制柜根据识别结果控制分类盘旋转角度，实现不同质量产品的分类；
步骤5，对于错分的情况，数据库将数据通过WIFI发送至上位机，在线对现有的模型进行优化升级，从而不断提升模型分类的准确率。
2.根据权利要求1所述的一种基于卷积神经网络的产品质量分类系统，其特征在于：步骤2中CNN网络模型训练的步骤为：
步骤2.1，将摄像机拍摄的产品实物图输入到CNN中，首先输入到卷积层中，卷积具有非线性激活的过程描述如下：
Figure FDA0002490176550000011
式中，
Figure FDA0002490176550000012
为n层卷积上第l个卷积核的输出，σ(·)为非线性激活函数，本发明选用RULE函数，
Figure FDA0002490176550000013
为n层第l个卷积核的权重系数，
Figure FDA0002490176550000014
为n-1层第m个特征输出，
Figure FDA0002490176550000015
是偏置项。
步骤2.2，将步骤2.1获得的结果输入到池化层，本发明选用Max pooling池化，其保留输入的局部最大值，Max pooling转换描述如下：
Figure FDA0002490176550000016
式中，
Figure FDA0002490176550000017
为池化层的输出特征向量，
Figure FDA0002490176550000018
为第l-1卷积层的输出特征向量，l为卷积区域的长度。
步骤2.3，重复两次步骤2.1和2.2，而后将最终的结果输入到全连接层，此时采用Softmax逻辑回归实现对卷积层和池化层提取的特征向量的识别和分类，Softmax回归的输出定义如下：
Figure FDA00024901765500000110
式中，t为类别数，θi(1≤i≤t)为分类层参数。
步骤2.4，利用步骤2.3的输出与原始数据的标签进行整个CNN网络的损失函数的计算，本发明采用交叉熵损失函数，其表达式如下：
Figure FDA0002490176550000019
式中，t为样本数，y(i)为实际样本标签，
Figure FDA0002490176550000021
为模型判别的标签。
步骤2.5，利用随机梯度下降(SGD)优化算法对交叉熵损失函数进行优化，并将结果进行反向传播，实现网络参数的更新；
步骤2.6，重复以上步骤，直至CNN模型达到收敛，此时认为模型训练完成。
3.根据权利要求1所述的一种基于卷积神经网络的产品质量分类系统，其特征在于：步骤4中的控制策略可具体描述为：
分类盘可自动旋转，且可以根据生产线的需要进行定制，如某一产品的质量等级有优良中差四个等级，那么分类盘的应包含四个分类格，当控制柜收到上位机CNN模型判断的结果后，会给出分类盘需旋转的角度，当分类盘完成旋转动作后再利用分类盘上的伸缩杆推出产品。
4.根据权利要求1所述的一种基于卷积神经网络的产品质量分类系统，其特征在于：步骤5中模型优化升级策略可具体描述为：
将错分的产品对应的照片作为训练集，并确定相对应的标签，在已训练好的模型基础上对模型进行重新训练，整个训练过程与步骤2.1-2.6保持一致，最终实现模型的优化升级，增强模型的泛化性和分类识别的准确率。
CN202010402893.8A 2020-05-13 2020-05-13 一种基于卷积神经网络的产品质量分类系统 Active CN111582395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010402893.8A CN111582395B (zh) 2020-05-13 2020-05-13 一种基于卷积神经网络的产品质量分类系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010402893.8A CN111582395B (zh) 2020-05-13 2020-05-13 一种基于卷积神经网络的产品质量分类系统

Publications (2)

Publication Number Publication Date
CN111582395A true CN111582395A (zh) 2020-08-25
CN111582395B CN111582395B (zh) 2023-06-09

Family

ID=72126605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010402893.8A Active CN111582395B (zh) 2020-05-13 2020-05-13 一种基于卷积神经网络的产品质量分类系统

Country Status (1)

Country Link
CN (1) CN111582395B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184056A (zh) * 2020-10-19 2021-01-05 中国工商银行股份有限公司 基于卷积神经网络的数据特征提取方法及系统
CN112782976A (zh) * 2020-12-14 2021-05-11 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于cnn算法的智能燃烧优化的闭环控制方法
EP4102425A1 (de) * 2021-06-10 2022-12-14 Siemens Aktiengesellschaft Computerimplementierte datenstruktur, verfahren, inspektionsvorrichtung und system zum übermitteln eines modells für maschinelles lernen
CN117726240A (zh) * 2024-02-18 2024-03-19 中国标准化研究院 一种基于卷积神经网络的质量评价分类方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845529A (zh) * 2016-12-30 2017-06-13 北京柏惠维康科技有限公司 基于多视野卷积神经网络的影像特征识别方法
CN109472316A (zh) * 2018-11-16 2019-03-15 南通大学 一种基于深度学习的滤棒装盒质量识别方法
US20190236411A1 (en) * 2016-09-14 2019-08-01 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190236411A1 (en) * 2016-09-14 2019-08-01 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN106845529A (zh) * 2016-12-30 2017-06-13 北京柏惠维康科技有限公司 基于多视野卷积神经网络的影像特征识别方法
CN109472316A (zh) * 2018-11-16 2019-03-15 南通大学 一种基于深度学习的滤棒装盒质量识别方法
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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184056A (zh) * 2020-10-19 2021-01-05 中国工商银行股份有限公司 基于卷积神经网络的数据特征提取方法及系统
CN112184056B (zh) * 2020-10-19 2024-02-09 中国工商银行股份有限公司 基于卷积神经网络的数据特征提取方法及系统
CN112782976A (zh) * 2020-12-14 2021-05-11 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于cnn算法的智能燃烧优化的闭环控制方法
CN112782976B (zh) * 2020-12-14 2023-03-07 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于cnn算法的智能燃烧优化的闭环控制方法
EP4102425A1 (de) * 2021-06-10 2022-12-14 Siemens Aktiengesellschaft Computerimplementierte datenstruktur, verfahren, inspektionsvorrichtung und system zum übermitteln eines modells für maschinelles lernen
WO2022258524A1 (de) * 2021-06-10 2022-12-15 Siemens Aktiengesellschaft Computerimplementierte datenstruktur, verfahren, inspektionsvorrichtung und system zum übermitteln eines modells für maschinelles lernen
CN117726240A (zh) * 2024-02-18 2024-03-19 中国标准化研究院 一种基于卷积神经网络的质量评价分类方法及系统
CN117726240B (zh) * 2024-02-18 2024-05-17 中国标准化研究院 一种基于卷积神经网络的质量评价分类方法及系统

Also Published As

Publication number Publication date
CN111582395B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN111582395A (zh) 一种基于卷积神经网络的产品质量分类系统
CN109583322B (zh) 一种人脸识别深度网络训练方法和系统
WO2018169708A1 (en) Learning efficient object detection models with knowledge distillation
CN108021947B (zh) 一种基于视觉的分层极限学习机目标识别方法
CN110826453B (zh) 一种通过提取人体关节点坐标的行为识别方法
CN111160474A (zh) 一种基于深度课程学习的图像识别方法
CN107818302A (zh) 基于卷积神经网络的非刚性多尺度物体检测方法
CN107516127B (zh) 服务机器人自主获取人穿携物品归属语义的方法及系统
CN110555881A (zh) 一种基于卷积神经网络的视觉slam测试方法
CN105447473A (zh) 一种基于PCANet-CNN的任意姿态人脸表情识别方法
CN113837000A (zh) 一种基于任务排序元学习的小样本故障诊断方法
CN111079837B (zh) 一种用于二维灰度图像检测识别分类的方法
CN112560948B (zh) 数据偏差下的眼底图分类方法及成像方法
US11691278B2 (en) Hybrid computing achitectures with specialized processors to encode/decode latent representations for controlling dynamic mechanical systems
US20200272812A1 (en) Human body part segmentation with real and synthetic images
CN111967433A (zh) 一种基于自监督学习网络的动作识别办法
Jin et al. Target recognition of industrial robots using machine vision in 5G environment
CN111401261B (zh) 基于gan-cnn框架的机器人手势识别方法
Setiawan et al. Transfer learning with multiple pre-trained network for fundus classification
CN108280516B (zh) 一种多组卷积神经网络之间互博智能进化的优化方法
CN116994295B (zh) 基于灰度样本自适应选择门的野生动物类别识别方法
CN110188621A (zh) 一种基于ssf-il-cnn的三维人脸表情识别方法
CN109034279A (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
CN108734116B (zh) 一种基于变速学习深度自编码网络的人脸识别方法
CN106096598A (zh) 一种利用深度相关神经网络模型识别人脸表情的方法及装置

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